Mathematical Statistics pdf epub mobi txt 电子书 下载 在线阅读 2026

随机过程与时间序列分析：基于测度论的严谨构建 作者： [此处留空，或填写一本假设的、与《Mathematical Statistics》内容完全无关的作者名] 出版社： [此处留空，或填写一家假设的专业学术出版社] --- 图书简介： 本书旨在为高等院校概率论、数理统计、金融工程及应用数学专业的研究生和高年级本科生提供一套关于随机过程与时间序列分析的全面、深入且基于现代测度论的严谨教材。不同于侧重于特定应用模型或仅依赖直觉推导的入门读物，本书将理论的严谨性置于核心地位，系统地构建随机过程的数学框架，并在此基础上发展时间序列分析的核心理论。 第一部分：测度论基础与随机变量的推广 全书的逻辑起点是测度论。我们首先回顾勒贝格积分、$sigma$-代数、概率空间以及鞅论的测度论基础，确保读者对后续的随机过程定义有坚实的分析基础。 第一章：概率空间与随机变量的升华 本章将随机变量的概念提升到函数空间的高度。重点探讨 $mathcal{L}^p$ 空间、条件期望的测度论定义（Radon-Nikodym 定理的应用），以及随机变量序列的收敛性（依概、依概率、平方平均收敛）在不同拓扑下的细微差别和相互关系。我们深入分析了可测函数空间的结构，为引入连续时间随机过程的路径性质做准备。 第二章：随机过程的构造与基础性质 随机过程被定义为定义在概率空间上的、参数化的随机变量族 ${X_t}_{t in T}$。本章核心在于“路径可测性”和“样本函数空间”的讨论。我们详述了 Kolmogorov 扩展定理在构造过程中的关键作用，并着重分析了平稳性、增量独立性以及连续性的测度论条件。对于参数集 $T$ 的不同选择（离散 $T=mathbb{N}$ 或连续 $T=[0, infty)$），我们探讨了如何选择合适的拓扑结构来保证过程的可测性。 第二部分：经典随机过程的深度剖析 在坚实的测度论基础上，本书系统地研究了几类具有里程碑意义的随机过程，每一种都从其定义出发，推导出其核心性质、鞅性质及积分表示。 第三章：马尔可夫过程与转移概率 马尔可夫性被视为随机过程记忆缺失的数学表达。本章首先从离散时间马尔可夫链（DTMC）出发，研究其平稳分布、遍历性以及吸收态的分析。随后，将概念推广到连续时间马尔可夫链（CTMC），详细推导 Kolmogorov 前向与后向微分方程，并阐述如何利用这些方程来刻画状态空间之间的过渡速率。对于一般马尔可夫过程，我们引入了 $mathcal{C}_0$ 半群的概念，将其与无穷小生成元联系起来。 第四章：维纳过程（布朗运动）的解析特征 布朗运动（Wiener Process）是现代随机分析的基石。本章不仅给出其概率定义，更深入分析了其路径的“粗糙性”——处处不可微性，并用二次变差的概念量化了其路径的随机性。我们利用 Levy 等价刻画，论证了布朗运动与其他过程（如 Ornstein-Uhlenbeck 过程的某些构造）的内在联系。本章的重点在于布朗运动的二次变差的精确计算及其在随机微积分中的地位。 第五章：鞅论：随机分析的“线性化”工具 鞅论是连接概率论与分析学的桥梁。本章全面阐述了鞅、上鞅、下鞅的定义，并集中于 $L^p$ 鞅的性质。关键内容包括：Doob 上下界、鞅差分序列的性质，以及 Doob-Meyer 分解定理——将任意局部鞅分解为鞅部分与可预测过程的积分部分。此分解定理对于后续的随机积分和时间序列的平稳性检验至关重要。 第三部分：随机积分与随机微分方程 为了处理非可微的随机函数，我们需要发展一种新的积分工具——伊藤积分。本部分是全书难度较高的部分，但却是理解金融数学和随机控制的必备知识。 第六章：伊藤积分与随机微分 本章严格定义了伊藤积分，它建立在布朗运动的二次变差和上鞅性质之上。我们首先处理简单过程的积分，然后通过柯西序列的极限过程，推广到一般可测适应过程的积分。随后，我们推导出 伊藤引理，这是从确定性微积分过渡到随机微积分的核心法则。本章详细展示了随机微分方程（SDE）的解的存在性与唯一性（Picard 迭代法的随机版本）。 第七章：随机微分方程的应用与解的性质 我们将 SDEs 应用于建立经典的随机模型，如几何布朗运动、均值回归过程（如 CIR 模型）。重点分析解的平稳分布、矩的计算以及与特征函数的联系。我们还探讨了 SDEs 的数值解法（如 Euler-Maruyama 方法）的收敛速度，并基于测度论的视角对比了确定性 ODE 解法和随机 SDE 解法的本质差异。 第四部分：时间序列分析的严谨视角 在完全掌握随机过程的理论后，本书转向实际应用中最重要的一环：时间序列的建模与推断。我们严格区分了理论模型（如平稳过程）与实际估计（基于有限样本）。 第八章：平稳性、遍历性与线性过程 时间序列分析的基石是弱平稳性（WSS）和强平稳性（SSS）。本章从测度论角度严格定义了这些概念，并重点讨论了 遍历定理（Ergodic Theorem）在估计样本均值和自协方差函数时的理论保证。我们详细分析了 线性过程（Linear Processes），包括 $operatorname{ARMA}(p, q)$ 模型的构造，并利用 Wold 分解定理证明了平稳过程的线性表示（即可以被一个“白噪声”驱动的无限阶 $operatorname{MA}$ 过程所表示）。 第九章：$operatorname{ARMA}$ 模型的理论推断 本章将理论模型与样本数据连接起来。我们讨论了基于样本自相关函数（ACF）和偏自相关函数（PACF）的定阶准则。随后，我们应用大数定律和中心极限定理的随机过程版本（如 $mathrm{mL}$ 定理），推导出 $operatorname{ARMA}$ 参数估计量（如 Yule-Walker 估计量）的渐近正态性，而非仅仅依赖于经验拟合。 第十章：非平稳性与单位根检验 现代时间序列分析强调对非平稳过程的处理。本章重点分析了单位根过程（如 $operatorname{AR}(1)$ 过程的 $ ho=1$ 边限情况）。我们引入了 扩散过程（Diffusion Processes）的概念，并利用 Skorokhod 嵌入定理，证明了单位根过程的极限分布是布朗桥（Brownian Bridge）或布朗运动的函数，从而严格推导出 Dickey-Fuller 检验的统计分布，而非简单引用结果。 --- 本书特色： 1. 测度论驱动： 每一个核心概念（如鞅、积分、平稳性）都从最基础的测度论公理出发进行严格推导。 2. 分析深度优先： 避免了大量仅依赖于代数或直觉的推导，侧重于路径空间、函数空间和泛函分析工具的应用。 3. 理论与应用并重： 理论的严谨性为理解随机微分方程和时间序列估计的渐近性质提供了坚实的理论支撑，避免了黑箱式地套用公式。 本书适合于希望深入理解随机过程和时间序列分析背后的数学机理的研究人员和专业人士。阅读本书需要扎实的实分析和概率论基础。