重截断和的渐近分布

设{X_n,n≥1}是i.i.d.随机变量序列,X_n,1≤…≤X_(n,n)是X_1,…,X_n的次序统计量。又设k_(n,1,) k_(n,2)是满足条件1≤k_(n,1)相似文献   

单位上三角矩阵群的注记

记Tr_1(n,Z)是整数环Z上对角线元素全是1的全体上三角矩阵组成的群,k_(ij)(1≤i相似文献   

可换序列上,下极值的联合渐近分布

设X_(j,n),1≤j≤N,n=1,2,… 为一r.v.三角阵,X_(1,n),…,X_(N,n)的顺序统计量为 X_(1,n)~*≤X_(2,n)~*≤… ≤X_(N,n)~* [1]考虑了两种情况:(i)N=n,X_(1,n),…,X_(n,n)为可换r.v.无穷序列的一段及(ii)X_(1,n),…,X_(N,n)为i.i.d.r.v.,N=N(n,ω) 为与这些X_(j,n)独立的正整值r.v.,并给出     

混合的极限律及其在极值理论中的应用

1.引言.在随机变量的三角阵 X_(j,n),1≤j≤N(n),n=1,2,…中,我们考虑X_(1,n),…,X_(N,n)的顺序统计量X_(1,n)~*≤X_(2,n)~*≤…≤X_(N,n)~*,N=N(n).本文考虑两种情况:(1)X_(1,n),…,X_(n,n)是随机变量的可换无穷序列之一段;(2)X_(1,n),…,X_(N,n)是 i.i.d.随机变量,N=N(n,ω)是与这些 X_(j,n)独立的正整数值随机变量.为证明关于极值的极限定理,本文首先讨论了混合的可识性,推广了[1]中的结果.本文还讨论了关于混合的极限律,对[2]中的定理2.1作了两方面的推广.对上面提到的(1)和(2)这两种情况,[2]得出第 k 个上极值的极限分布存在的充     

有限域上Carlitz方程的解数

设F_q是含有q个元素的有限域,其中q=p~t,t≥1,p是一个奇素数.研究了Carlitz方程的推广形式(a_1x_1~(m_1)+…+a_nx_n~(m_n)+a_(n+1)x_(n+1)~(m_(n+1))+…+a_(n+s)x_(n+s)~(m_(n+s)))~k=bx_1~(k_1)…x_n~(k_n),其中ai,b∈F_q~*,s≥1,n≥1.当方程变量的指数满足一定条件时,得到了方程的解数公式.     

平稳随机序列的变秩顺序统计量的联合渐近分布

设{X_n}是平稳序列,X_1~((n))≤…≤X_n~((n))是X_1…X_n的顺序统计量。{k_n(r)},r=1,2是二变秩序列。本文在某种相关条件限制下得到了{X_(kn)~((n))(1),X_(n-_(kn))~((n))(2)+1)}的极限分布。特别地,对满足k_n(r)/n→λ(r)∈[0,1),r=1,2的特殊秩序列,得到了{(X_(kn)~((n))(1),X_(n-_(kn))~((n))(2)+1)}的所有可能的极限分布类。     

The Berry-Esseen Theorem and Non-Uniform Estimate for U-Statistics

Let X_1,X_2,…,X_n be independent random variables. Define a U-statistic by U_n(?)~(-1)sum from 1≤i≤j≤n (h(X_i,X_j), where h(x,y) is a symmetric function of two variables x,y and that Eh(X_i,X_j)=0(i≠j, i,j=1,2,…,n). Write g_j(X_i)=E(h(x_i,x_j)|x_i),g(X_1)=1/n-1 sum from j=1 j≠i to n g_j(X_i) We give the following two theorem: Theorem 1 Suppore that     

On Diophantine Approximation and Approximate Analysis (Ⅰ)

<正> We use γ=(γ_(11),…γ_(t1),…γ_(15)…,γ_(ts))to denote a point in st-dimensionalEuclidean space R_(st).We use the notations γ_i=(γ_(li)…γ_(ti)(1≤i≤s)and γ_i=(γ_i1,…,γ_(is))(1≤j≤t).q=(q_1,…,q_t),k=(k_1,…,k_s)and m=(m_1,…,m_s)will be     

多维秩的极限定理(Ⅱ)

<正> 设■是m维随机向量族。对每n,j,以X_(nl)~(j)≤…≤X_(nk_n)~(j)记X_(nl)~(j),…X_(nl)~(j)的次序统计量，设l≤r-n~(j)≤k_n，并简记■，称■的秩化列。文献[1]中我们对一秩秩人列的极限分布进行了讨论，现在讨论变秩，即{r_n}满足时秩化列的极限分布问题.§1是准备工作,其中包括[2]关于一维结果的一点改进.§2讨论m维秩化列的极限分布.§3对二维情况得到了更完善的结果.最后,在§4中把我们在§2,§3中得到的结论用于多维次序统计量,推进了Siddiqui、Weiss等人的工作.     

论丢番图方程x_1x_2……x_n=t_1~(k_1)……t_l~(k_l)

本文就丢番图方程给出了全部正整数解。有结果:设n和k_1,…,k_1为已知正整数,并设k_j=a_j,m,1 a_j,m,2 … a_j,m,n(m=1,2,…,s_j)为k_j的一切可能的分拆(S_j=(k_j n-1)…(n 1)n/k_j!,j=1,2,…,l),则上述方程(*)的正整数解的形式为,而且只是为所示,其中a_(ij)(j=1,2,…,s_i;i=1,2,…,l)为s_1 s_1 … s_l个任意的正整数。特别地,当l=1,k_1=k时就是A.Schinzel在文[2]中的结果。     

双截尾柯西分布顺序统计量的概率性质

设{X_k,1≤k≤n}独立同分布,服从参数为μ,λ;A,B的双截尾柯西分布,X_(1,n),X_(2,n),…,X_(n,n)为其顺序统计量.本文给出X_(k,n)(1≤k≤n)的密度函数,X_(1,n),X_(2,n),…,X_(n,n)的联合密度函数,极端顺序统计量X_(1,n)和X_(n,n)的渐近分布以及X_(k,n)和X_(n-k+1,n)(k1)的渐近分布,并证明X_(1,n)和X_(n,n)是渐近独立的.     

Hill估计的重对数律

设{x_n,n≥1}是i.i.d.序列,分布函数具有形式F(x)=1-(L(x))/(x~(1/O)),x>0,其中L(x)是缓慢变化函数,0相似文献   

含分数逆幂的矩阵方程对称自反解的双迭代算法

<正>1引言含分数逆幂的矩阵方程在控制理论、梯形网络和动态规划等领域中有重要的应用~([1-3]).考虑有代表性的一类含分数逆幂的双变量矩阵方程A_1X_1B_1+A_2X_2B_2+E_1X_1~(-1/2)F_1+E_2X_2~(-2/3)F_2=G,(1)其中A_i,B_i,E_i,F_i,X_i,G∈R~(n×n)(i=1,2).替换方程(1)中的X_1~(1/2)为X_1,X_2~(1/3)为X_2可得A_1X_1~2B_1+A_2X_2~3B_2+E_1X_1~(-1)F_1+E_2X_2~(-2)F_2=G.(2)近年来,人们对这种类型的非线性矩阵方程进行了许多研究,并建立了一些有效的算法.例如,Li J等~([1])研究了方程X-A~HX~(-p)A=Q唯一正定解的存在性问题,并给出了方     

可换序列变叙项极值的渐近分布

设X_(1,n) …,X_(N,n)是可换r. V. 无穷序列的一段,X_(1,n)~＊≤…≤X_(N,n)~＊为其顺序统计量,N=N(n)是与这些X(1,N)独立的正整值r. V.,n=1,2,….当k_n·n~(-(?))→α(0<α<∞,0<(?)<∞)时,本文得出了X_(N-k_n 1m)~＊的渐近分布。     

关于非线性积分方程的机械求积解法的一点注记

最近有讨论线性积分方程的机械求积解法。本文来讨论非线性的情形。考非统性积分方程 x(s)-∫_o~1f(s,t,x(t))dt=0,(1)其中f(s,t,u)是0≤s≤1,0≤t≤1,|u|≤r上的连续函数。考非统性有穷方程组 (2)k=1其中t_k=(k-1)/n ,A_k=(k=1,2,…,n)。(3) 设有穷组(2)有解x~*=(x_1~*,x_2~*,…,x_n~*),且 max|x_i~*|≤r。(4)     

多元多项式指数和的可除性(英文)

对任意正整数m,n,r,定义S_(n,m)~((r))=Σ_(k_1+K_2+…+k_m=n)(_(k_1,k_2,…,k_m)~n)~r,并定义T_(n,m)~((r))=Σ_(k_1+K_2+…+k_m=n)(-1)~(k_1)(_(k_1,k_2,…,k_m)~n)~r.对S_(n,m)~((r))和T_(n,m)~((r))获得了若干可除性性质.     

PARAMETER ESTIMATION OF SPATIAL AR MODEL

Consider a stable AR model of two parameter spatial series {X_t, t∈N~2}, i. e. {X_(t)t∈N~2} is homogeneous and satisfies the following difference equationX_t-sum from n=s∈相似文献   

最近邻预测问题中条件风险估计的强收敛速度

设(X_4,θ_4),i=1,2,…,n,是d 1维随机向量(X,θ)的iid.样本。又设L_n是平方损失下最近邻(简记为NN)预测在给定(X_4,θ_4),i=1,2,…n条件下的风险。众所周知,在一定条件下L_n→2E~*,a.s.,这里R~*表示Bayes风险。L_n的NN估计定义为其中θ_(nj)表示以(X_1,θ_1),…,(X_(j-1),θ_(j-1),(X_(j 1),θ_(j 1),…,(X_n,θ_n)为训练样本时,通过X_j=x_j对θ_j所做的NN预测。本文在E|θ|~(2 δ)<∞(δ>0)以及其他一些条件下证明了其中ξ是一个事先任意给定的近于0的正常数。     

刀切Von-Mises统计量

设 X_1、X_2,…,X_n…为一系列独立同分布的随机变量,它们服从分布 F_θ。设(?)(x_1,x_2,…x_m)是关于 m 个变元 x_1,…x_m 对称的函数。定义以(?)为核的 U-统计量为U_n:(?)~(-1)∑_1≤α_1<…<α_m≤n(?)(X_α_1,…,X_α_m) (n≥m) (1)相应的 Von-Mises 统计量为     

NA阵列加权乘积和的完全收敛性

设{X_(ni):1≤i≤n,n≥1}为行间NA阵列,g(x)是R~+上指数为α的正则变化函数,r>0,m为正整数,{a_(ni):1≤i≤n,n≥1}为满足条件(?)|a_(ni)|=O((g(n))~1)的实数阵列,本文得到了使sum from n=1 to ∞n~(r-1)Pr(|■multiply from j=1 to m a_(nij) X_(nij)|>ε)<∞,■ε>0成立的条件,推广并改进了Stout及王岳宝和苏淳等的结论。