连续参数复值鞅的性质

引进连续参数复值鞅 ,并讨论其性质。     

复值渐近鞅的收敛性

鞅型序列的收敛性在理论及实际问题中都有广泛的应用,研究各类鞅型序列的收敛性是近年来随机学领域的一个重要课题.文献中分别给出了右闭鞅收敛定理和渐近鞅收敛定理.该文通过研究几类鞅收敛性,建立了复概率空间,定义复概率空间中的渐近鞅,证明了复概率空间上渐近鞅的收敛性.     

复值独立随机变量序列的收敛性

得到与复值独立随机变量序列收敛性有关的几个定理.     

连续参数集值鞅正则与收敛关系定理

给出了连续参数集值鞅的几种收敛定义．利用连续参数集值鞅正则性与收敛性的基本结果，给出了连续参数集值正则鞅与集值鞅收敛的几个关系定理，即在一定条件下，连续参数集值正则鞅具有某种收敛性；在一定条件下，具有某种收敛性的连续参数集值鞅是集值正则鞅．     

连续参数集值上鞅的收敛性

离散参数集值上鞅的收敛性已有诸多学者研究过。Hess．C．给出了无界集值上鞅在Kuratowski-Mosoo收敛意义下的收敛定理，笔者曾得到了在Kuratowski收敛意义下的类似结果，但对连续参数集值上鞅收敛性研究尚不多见。文中在给出连续参数集值上鞅在Kuratowski收敛意义下的收敛定理。     

连续参数集值鞅的充要条件及鞅选择定理

给出了连续参数集值鞅的几个充要条件，并给出了连续参数集值鞅的鞅选择定理及表示定理．     

弱集值渐近鞅的收敛定理

为了得到关于弱集值渐近鞅的收敛性质,首先证明了支撑数列的极限亦为一支撑函数,利用支撑函数的性质以及 值鞅的Doob停止定理,证明得到了两个结论：（1）在一定条件下,弱值值渐近鞅存在无限逼近的闭凸集值鞅;（2）在弱收敛意义下,弱值值渐近鞅收敛的两个等价条件。     

连续参数集值下鞅的收敛定理

首先给出了连续参数集值下鞅的定义．继而证明了连续参数集值下鞅的三个等价定理：（ａ）Ｌ１ｗｋｃ（Ｘ）值下鞅等价于任给τ１＜τ２,τ１,τ２∈Ｔ,∫ΩＦτ１ｄＰ∫ΩＦτ２ｄＰ;（ｂ）Ｌ１ｆｃ（Ｘ）值下鞅等价于任给ｓ,ｔ∈Ｒ＋,ｓ＜ｔ,Ｓ１Ｆｓ（Ｆｓ）ｃｌ｛Ｅ（ｇ｜Ｆｓ）,ｇ∈Ｓ１Ｆｔ（Ｆｔ）｝;（ｃ）Ｘ可分时,闭凸集值下鞅等价于任给ｓ,ｔ∈Ｒ＋,ｓ＜ｔ,Ａ∈Ｆｓ,ｃｌ∫ＡＦｓｄＰｃｌ∫ＡＦｔｄＰ．最后给出了弱紧凸集值随机集族的弱收敛定理和Ｘ有ＲＮＰ,Ｘ可分时闭凸集值右连续下鞅的弱收敛定理．     

鞅差序列加权和的几乎处处收敛性

基于截尾技术和一些基本不等式,研究形如n∑i=1aniXi的加权和的极限性质,得到了{Xn,n≥1}为鞅差序列时的几乎处处收敛性质,推广了{Xn,n≥1}为独立同分布的随机变量序列时的相关结果.     

强鞅的停止性质

利用停线给出两指标强鞅停止的定义. 通过研究两指标强鞅的停止性质, 得到强鞅的停止仍是强鞅、 平方可积强鞅的停止仍是平方可积强鞅、一致可积强鞅的停止仍是一致可积强鞅等主要结果.     

关于中心极限定理的注记

讨论了服从中心极限定理的复值随机变量序列及m元实值随机变量序列的性质，得到与中心极限定理有关的几个定理.     

一类连续型随机数学模型的参数估计

讨论一类连续型随机数学模型的参数估计问题，分析解过程的概率特性，构造解过程的密度函数，借助极大似然法给出了未知参数的估计公式，证明了参数估计依概率1收敛到参数的真值。     

具有HollingⅠ型功能反映的半比例依赖捕食-食饵离散系统的概周期解的存在性

研究了一类具有Holling Ⅰ型功能反映的半比例依赖捕食-食饵离散系统,通过构造适当的Lyapunov函数,给出了其存在唯一一致渐近稳定的概周期解的充分条件.     

一个正规鞅的局部性质

利用一个推广了的λ-鞅不等式（见文[8]）,将正则鞅重要的局部性质中的5个基本关系的等价性给出一简洁的证明,具体证实了推广的Burkholder—Gundy不等式适应性更广,运用范围更大。     

变参数复迭代系统的吸引子及其分形图

研究了一类变参数复迭代系统Ｚｋ＋１＝ｆ（λｋ，Ｚｋ，Ｚ－ｋ)的吸引子分布规律，对该迭代系统的动力行为特征作了猜想，且利用研究结果和计算机可视化技术中的逃逸时间算法得到了若干二维ｎ次迭代映射中的分形图，计算机图示实验的结果为猜想提供了佐证.     

离散GM(1,1)参数估计的三种方法比较

针对离散灰色模型GM(1,1)中参数估计方法及模型稳定性问题,选取3种估计参数的方法进行讨论——最小二乘法、最小一乘法和累积法;为了更好地比较不同估计方法的差异,统一赋以相同的初值,并以拟合误差、关联度和条件数作为评价指标,借助MATLAB软件对两类实例数据进行分析——递增序列和递减序列;实验结果表明:在误差方面,累积法优于最小一乘和最小二乘,在模型稳定性方面,累积法优于最小二乘法,总之,对于递增和递减序列数据,累积法估计GM(1,1)中参数最优。