平均值不等式的推广及其应用

设α_i∈R~ (i=1,2,…,n),则成立着A_n=(α_1 α_2 … α_n)/n≥G_n=(α_1α_2…α_n)/(1/n)当且仅当;α_1=α_2=…=α_n,时取等号(证明略)。本文先借助一个矩形数表对这个不等式加以推广,然后举例说明运用它来证明某些不等式将甚为方便简捷。     

多重线性回归中数据联合影响的分解及数据的交叉影响

一、引言考虑多重线性回归模型Y=Xβ ε,(1)其中,Y=(y_1,…y_n_)′为 n×p 观察矩阵,X=(x_1,…,x_n)′为 n×(k 1)列满秩设计矩阵,β=(β_0,β_1,…β_k)′为(k 1)×p 未知参数矩阵,ε=(ε_1,…ε_n)′为 n×p 随机误差矩阵,ε_1…,ε_n 相互独立.     

关于Lekkerkerker格点分布定理的注记

<正> §1 引言我们用 x,c 等表示 n 维实矢量,用|x|=|(x_1,…,x_n)|=(x_1~2+…+x_n~2)~(1/2)表示矢量 x 的长.用∧表示 n 维格(Lattice),即下面诸矢量的集:u_1α_1+…+u_nα_n,(u_1,…,u_n 为整数),其中 α_1,…,α_n 是 n 维实欧氏空间的一组固定的线性无关矢量,称为∧的基底,并把|det(α_1,…,α_n)|称为格∧的行列式,记为 d(∧),它是不依赖于基底选取的不变量.我们还用∧_0表示以单位矢 e_i(i=1,2,…,n)为基底的格.     

在对称群中一类正则图所确定的极大子群

对称群的极大子群之确定,在多值逻辑理论和有限自动机理论中都有着重要而广泛的应用,同时也是置换群理论中的一个基本问题.本文提出了 k 次对称群中一类新的极大子群,k=h~m,m≥3,h≥7.设Γ=(Ω,E)是一个无向正则图,其中顶点集Ω={(α_1,…,α_m)|β_i∈Ω_h={10,1,…,h-1},i=1,…,m},边集 E={α,β〉|α=(α_1,…,α_m),β=(β_1,…,β_m)∈Ω,α_i≠β_i,i=1,….m}:G 是Γ的所自同构作成之群.于是,(1)G 是本原群,且G={g|g(x)=g(x_1,…,x_m)=(g_1(x_σ(1)),…,g_m(x_σ(m))),σ∈S_m(集合{1,…,m}上的对称群),g,∈S_h(Ω_h 上的对称群),i=1,…,m};(2)若 h 为奇数 h=2_n+1且 n 为偶数或 h-1>m,则 G 是 k 次对称群 S_k 中的极大子群;(3)若 k 为偶数且2(k-1)>m,则 G 是 k 次交代群 A_k 中的极大子群.     

初等对称多项式的一个重要性质

对于变元x_1,x_2,…,x_n,若记σ_1(n)=∑x_1,σ_2(n)=∑x_1x_j,σ_3(n)=∑x_1x_jx_k,…σ_2(n)=(n),…,σ_n(n)为关于变元x_1,x_2,…,x_n的初等对称多项式。为方便起见,本文规定σ_o(n)=1,则当变元x_1,x_2,…,x_n为实数时,我们得到初等对称多项式σ_o(n),σ_1(n),…,σ_n(n)的一个重要性质: 定理对于实数变元x_1,x_2,…,x_n及σ_o(n),σ_o(n),     

正态样本最大值与平均值之差的上侧分位数表

设 x_1,x_2,…,x_n 是来自正态总体 N(μ,σ~2)的随机样本,μ∈R,σ~2>0已知,记(?)_n为样本均值,x_(1)≤x_(2)≤…≤x_(n)是此样本的顺序统计量.Nair 和 Grubbs 提出以统计量 R_n=(x_(n)-(?)_n)/σ口进行某些统计检验.特别用以判断最大值是否异常数据.当然 R′_n=((?)_(n)-x_(1))/σ可用以判断最小值是否异常数据,R′_n 的分布与 R_n 相同.这检验的最优性质可由 Kudo 的方法来证.     

一种正交化方法

本文给出R~n空间里n个线性无关向量在普通内积意义下的一种正交化方法。 定理:设α_i=(α_(i1)…,α_(in))(i=1,…,n)是R~n空间里一组线性无关向量,则可以用初等变换的方法求得n阶可逆阵T作为从(α_1,…,α_n)到(β_1,…,β_n)的过渡阵,使β_1,…,β_n是正交向量组。 证明:     

n=3时的費尔馬問题

华罗庚教授在其所著“数论导引”一书中,借域R(ω)(R是有理数域,ω为1之三次原根)証明了方程 x~3+y~3+z~3=0,xyz≠0无整数解。本文给出一个比较初等的証法,而无需涉及复数域。先証以下引理: 引理1.不定方程 x_1x_2…x_n=w~3(x_1,x_2,…,x_n两两互质) (1)之一切整数解均可由公式 x_1=α~3,x_2=β~3,…,x_n=τ~3,w=αβ…τ (2)表出,其中α,β,…,τ两两互质。 証.由(2)确定的x_1,x_2,…,x_n,w显然适合(1).今设x_1,x_2,…,x_n,w为(1)之一组解,令 x_1=α~3x′_1,x_z=β~3x′_2,…,x_n=τ~3x′_n,使x′_1,x′_2,…,x′_n为不再含有立方因数之正数。因x_1,x_3,…,x_n两两互质,故α,β,…,τ与x′_1,x′_2,…,x′_n皆两两互质。由(1)知α~3β~3…τ~3|w~3,即αβ…τ|w;设w=αβ…τw_1,代入(1),便得x′_1x′_2…x′_n=w_1~3。若w_1有质因数p,则应有p~3|x′_1x′_2…x′_n。因x′_1,x′_2,…,x′_n两两互质,所以p~3整除某x′_s,这与x′_s沒有     

强收敛意义下岭回归的 C_L 和 GCV 准则的渐近最优性

设有回归模型Y_i=μ_i+e_i,i=1,2,…,n (1)假定 e_1,…,e_n 为 iid.的正态随机变量序列,具有共同的均值0和方差σ~2.每个 Y_i 可通过设计点列 x_(i1),x_(i2),…,x_i_p_n 观察到.为估计 Y=(Y_1,…,Y_n)′的未知均值 μ=(μ_1,…,μ_n)′,可构造一族岭估计(?)(h)=X(X′X+hI)~-1X′Y,h≥0,(2)其中 X=(x_ij)_(n×ρn) 为设计阵,I 为 p_n 阶单位阵.在这里,岭参数 h 的选择是一个十分     

在Banach空间中推广的Roper-Suffridge算子(Ⅲ)

假定X是具有范数‖·‖的复Banach空间,n是一个满足dim X≥n≥2的正整数.本文考虑由下式定义的推广的Roper-Suffridge算子Φ_(n,β_22γ_2,…,β_(n+1),γ_(n+1))(f):(?)其中x∈Ω_(p1,p2,…,pn+1),β_1=1,γ_1=0和(?)这里p_j1(j=1,2,…,n+1),线性无关族{x_1,x_2,…,x_n}(?)X与{x_1~*,x_2~*,…,x_n~*}(?) X~*满足x_j~*(x_j)=‖x_j‖=1(j=1,2,…,n)和x_j~*(x_k)=0(j≠k),我们选取幂函数的单值分支满足(f(ξ)/ξ)~(β_j)|ξ=0=1和(f′(ξ))~(γ_j)|ξ=0=1,j=2,…,n+1.本文将证明:对某些合适的常数β_j,γ_j,算子Φ_(n,β_2,γ_2,…,β_(n+1),γ_(n+1))(f)在Ω_(p_1,p_2,…,p_(n+1))上保持α阶的殆β型螺形映照和α阶的β型螺形映照.     

一类统计量的递推算法

在时间序列的参数估计及信号检测等问题中,经常遇到要计算如下的双线性型统计量:其中x_n~τ=(x_1,x_2,…,x_n),y_n~τ=(y_1,y_2,…,y_n)为由数据构成的矢量,表示序列或信号的采样值;Γ_n=(γ_(kl))_(n×n)为n阶正定对称阵,表示序列的协方差阵;记号“τ”表示矢量或矩阵的转置。当n增大时,求逆阵Γ_n~(-1)的计算量将以n~2的数量级增长,很快就会超过     

Banach空间非扩张映像不动点强收敛定理

设E是具弱序列连续对偶映像自反Banach空间, C是E中闭凸集, T:C→ C是具非空不动点集F(T)的非扩张映像.给定u∈ C,对任意初值x0∈ C,实数列{αn}n∞=0,{βn}∞n=0∈ (0,1),满足如下条件:(i)sum from n=α to ∞α_n=∞, α_n→0;(ii)β_n∈[0,α) for some α∈(0,1);(iii)sun for n=α to ∞|α_(n-1) α_n|<∞,sum from n=α|β_(n-1)-β_n|<∞设{x_n}_(n_1)~∞是由下式定义的迭代序列:{y_n=β_nx_n (1-β_n)Tx_n x_(n 1)=α_nu (1-α_n)y_n Then {x_n}_(n=1)~∞则{x_n}_(n=1)~∞强收敛于T的某不动点.     

交替码的最小距离下限的扩张及其译码

在[1]中定义如下的一般交替码:令(?)(1.1)这里所有元素∈GF(q~m),p_1,p_2,…,p_n 为非0;α_1,α_2,…,α_n 各不相同;B 为非奇异阵,且 mt相似文献   

对称多项式基本定理的推广

关于x_1,x_2,…,x_n的对称多项式都可表为初等对称多项式σ_1,σ_2,…,σ_n的多项式。本文推广了此定理的结论。定义设f_i=f_i(x_1,x_2,…,x_n)(i=1,2,…,n)为关于x_1,x_2,…,x_n的i次对称多项式,且由它们组成的方程组 (这里a_i(i=1,2,…,n)为常数)是独立的n个方程组成的方程组。即f_i不能表为上述其它n-1个多项式的多项式。则称f_i,f_2,…,f_n为n元对称多项式的一组基。引理对于任意的1≤i≤n,f_i可表为σ_1,σ_2,…,σ_i的多项式。证明因为f_i是x_1,x_2,…,x_n的i次对称多项式。由对称多项式的基本定理可设 f_i=g(σ_1,σ_2,…,σ_n)在多项式g(σ_1,σ_2,…,σ_n)中若存在含σ_i(i相似文献   

在对称群中一类正则图所确定的极大子群

对称群的极大子群之确定,在多值逻辑理论和有限自动机理论中都有着重要而广泛的应用,同时也是置换群理论中的一个基本问题。本文提出了k次对称群中一类新的极大子群,k=h~m,m≥3,h≥7。 设Г=(Ω,E)是一个无向正则图,其中顶点集Ω={(α_1,…,α_m)|α_i∈Ω_h={0,1,…,h-1},i=1,…,m},边集E={<α,β>|α=(α_1…,α_m),β=(β_1,…,β_m)∈Ω,a_i≠β_i,i=1,…。m};G是Г的所自同构作成之群。于是,(1)G是本原群,且 G={g|g(x)=g(x_1,…x_m)=(g_1(x_(σ(1))),…,g_m(x_(σ(m))),σ∈S_m (集合{1,…,m}上的对称群),g_i∈S_h(Ω_h上的对称群),i=1,…,m};(2)若h为奇数h=2n+1且n为偶数或h-1>m,则G是k次对称群S_k中的极大子群;(3若h为偶数且2(h-1)>m,则G是k次交代群A_k中的极大子群。     

再论线性模型中回归系数的最小二乘估计的相合性

<正> (一) 引言 考虑线性模型Y_i=x′_iβ+e_i,i=1,…,n,….这里x_1,x_2,…为已知的试验点列β=(β_1,…,β_p)′为未知参数,e_1,e_2,…为随机误差序列.假定E(e_i)=0对一切i.由前n次试验结果算出β的最小二乘估计     

部分多值逻辑函数集中的极大封闭集

<正> 设 k 元集合 E~k={0,1,…,k-1}.函数 f(x_1,…,x_n)定义在 E~k 上而其函数值仍属于 E~k,如果对任意 α_1,…,α_n∈E~k,f(α_1,…,α_n)皆有定义,则称 f(x_1,…,x_n)为完全函数,否则称 f(x_1,…,x_n)为非完全函数.当 f(α_1,…,α_n)无定义时,记为f(α_1,…,α_n)=*.处处无定义的函数记为*.完全和非完全函数都称为部分 k 值逻辑函数.所有部分 k 值逻辑函数作成之集合记为 P_k~*.     

加法与乘法逆特征值问题的可解性

1.引言 本文讨论如下代数特征值反问题可解的充分条件: 问题A(加法逆特征值问题)。给定一Hermite矩阵A=(a_(ij))_(n×n)及n个实数λ_1,…,λ_n,求一实对角阵D=diag(c_1…,c_n),使得A+D的特征值为λ_1,…,λ_n。 问题M(乘法逆特征值问题)。给定一正定Hermite矩阵A=(a_(ij))_(n×n)和n个正实数     

活动受限制下的非协作对策

<正> 設Γ是一n人对策,第i人的策略空間是S_i,赢得函数是H_i(x_1,…,x_n),x_i∈S_i,i=1,…,n.命S_i为第i人的一个混合策略集,而H_i(μ_1,…,μ_n),μ_i∈S_i,为其相应数学期望.按Nash,策略組μ=(μ_1,…,μ_n)称为对策Γ=(这里I={1,…,n}是对策者集)的一个平衡局势,如果对每一μ_i∈S_i,i=1,…,n,有     

求解特征值反问题的同伦方法

§1.引言 本文讨论经典的加法问题,即 问题A.给定一个n阶实对称矩阵A和n个实数λ_1,…,λ_n,求n维实向量x=(x_,…,x_n)~T,使得A+diag(x_1,…,x_n)的特征值是λ_1,…,λ_n。 求解问题A的数值方法已有很多,一般是先把问题A化为一个等价的非线性方程组,然后用Newton法求解相应的非线性方程组.在[6]中,Friedland等对这方面的工