关于行－列可交换过程的一致收敛性

该文平行于［１］中的Ｕ－过程的定义，定义了如下的行一列可交换过程：其中，为一族定义在［０，１］３上实值可测函数，Ｘｉ，Ｙｊ，Ｕｉ，ｊ，ｉ≥１，ｊ≥１为相互独立的随机变量，且均服从于［０，１］区间上的均匀分布．我们在适当的条件下，得到了这种两参数过程Ｓｍ，ｎ（ｆ），ｆ∈的强大数律．并且由文中的Ｄｅｃｏｕｐｌｉｎｇ不等式，上述结果可推出［１］中Ｕ－过程矩形部分和的强大数律．     

相依样本下非参数回归函数递推型核估计的渐近分布

设（Ｘｉ，Ｙｉ）１≤ｉ≤ｎ为来自二元总体（Ｘ，Ｙ）的平稳，φ－混合样本，记ｍ（ｘ）△Ｅ（Ｙ│Ｘ＝ｘ），ｍ（ｘ）的一种递推型核估计为ｍｎ（ｘ）＝ｎ∑ｉ＝１ｈｉ＾－１Ｙｉｋ（（ｘ－Ｘｉ）／ｈｉ）／ｎ∑ｊ＝１ｈ＾－１ｊｋ（ｘ－Ｘｊ）／ｈｊ）。本文在一定的条件下证明了（ｎ／（ｎ∑ｊ＝１ｈ＾－１ｊ）＾１／２）（ｍｎ（ｘ１）－ｍ（ｘ１），ｍｎ（ｘ２）－ｍ（ｘ２），．．．ｍｎ（ｘｒ０）－ｍ（ｘｒ０））′依分布收     

相依样本下条件密度双重核估计的强相合性

设（Ｘ１，Ｙ１），…，（Ｘｎ，Ｙｎ）是从取值于Ｒ＾ｐ×Ｒ＾ｑ的随机向量（Ｘ，Ｙ）中抽取的随机样本，在给定Ｘ＝ｘ的条件下Ｙ具有条件密度ｆ（ｙ│ｘ）。在本文中，我们考虑ｆ（ｙ│ｘ）的通常的和递归形式的双重核估计ｆｎ（ｙ│ｘ）＝ｎ∑ｉ＝１Ｋ１（Ｘｉ－ｘ／ａｎ）Ｋ２（Ｙｉ－６／ｂｎ）／〔ｂｎ＾ｑｎ∑ｊ＝１Ｋ１（Ｘｊ－ｘ／ａｎ）〕ｆｎ（ｙ│ｘ）＝ｎ∑ｉ－１Ｋ１（Ｘｉ－ｘ／ａｉ）Ｋ２（Ｙｉ－ｙ／ｂｉ）／ｎ∑ｊ     

最佳L2局部逼近存在唯一的充分必要条件

本文给出了最佳Ｌ２局部逼近的存在唯一性定理，设ｆ∈Ｌ２（０，δ），Ｓｎ＝ｓｐａｎ（ｕ０，ｕ１，．．．Ｕｎ－１）Ｃ＾ｎ－１（０，δ），且ｄｅｔＷｎ（ｕ０，ｕ１，．．．ｕｎ－１；０）≠０，那么，当ｘ→０时，网（Ｐｘ（ｆ，Ｓｎ）收敛于Ｓｎ中某元素Ｐ０（ｆ，Ｓｎ）的充要条件为：ｆ＝Ｐｎ－１＋ｈ，其中Ｐｎ－１（ｔ）＝ｎ－１∑ｉ＝１ａｉｔｉ（ｈ，１）ｘ＝０（Ｘ＾ｎ），ｘ→０，且Ｐ０（ｆ，Ｓｎ）＝ＵＷ＾－１ｎＡ     

贪婪t－相交有限序列族

设Ｆ为有限序列族，对ａ＝（ａ１，ａ２，…，ａｎ）∈Ｆ，ａｉ为整数且０≤ａｉ≤ｓｉ（整数），记ｓ（ａ）＝｛ｊ｜１≤ｊ≤ｎ，ａｊ＞０｝，ｓ（Ｆ）＝｛ｓ（ａ）｜ａ∈Ｆ｝，及Ａ｛１，２，…，ｎ｝时Ｗ（Ａ）＝Пｉ∈Ａｓｉ．称Ｆ为贪婪ｔ－相交，如对任何ａ，ｂ∈Ｆ，至少有ｔ个ａｉ，ｂｉ＞０，且Ｗ（Ａ）≥Ｗ（（｛１，２，…，ｎ｝－Ａ）＋Ｂ）对任何Ａ∈Ｓ（Ｆ）及ＢＡ（｜Ｂ｜＝ｔ－１）成立．本文得到当ｓ１＞ｓ２＞…＞ｓｎ时的最大贪婪ｔ－相交有限序列族．     

随机阵列最大部分和的矩不等式和概率不等式

设Ｘｉｊ，ｉ＝１，…，ｍｌｊ＝１…，ｎ是任决一个随机变量阵列，令Ｓ（ｉ１，ｊ１；ｉ２，ｊ２）∑ｉ＝１，∑ｊ＝１Ｘｉｊ，Ｍ（ｉ１，ｊ１；ｉ２，ｊ２）ｍａｘｉｊｚ≤ｉ≤ｉ２，ｊ１≤ｊ≤ｊ２‖Ｓ（ｉ１，ｊ１；ｉ，ｊ）‖１≤ｉ１≤ｉ２≤ｍ，１≤ｊ１≤ｊ２≤ｎ）本文根据所设Ｅ（ｅｘｐ（ｔ，／Ｓ（ｉ１，ｊ１；ｉ２ｊ２）／）），Ｅ／Ｓ（ｉ１，ｊ１；ｉ２，ｊ２）／和Ｐ（？Ｓ（ｉ１，ｊ１；ｉ２，ｊ２?／≥ ｉ）的界     

关于Thue方程的解数

设ｍ是正整数，ｆ（Ｘ，Ｙ）＝ａ０Ｘｎ＋ａ１Ｘ（ｎ－１）Ｙ＋．．．＋ａｎＹｎ∈Ｚ［Ｘ，Ｙ］是Ｑ上不可约化的叫ｎ（ｎ≥３）次齐次多项式。本文证明了：当ｇｃｄ（ｍ，ａ０）＝１，ｎ≥４００且ｍ≥１０（３５）时，方程｜ｆ（ｘ，ｙ）｜＝ｍ，ｘ，ｙ∈ｚ，ｇｃｄ（ｘ，ｙ）＝１，至多有６ｎｖ（ｍ）组解（ｘ，ｙ），其中ｖ（ｍ）是同余式Ｆ（ｚ）＝ｆ（ｚ，１）≡０（ｍｏｄｍ）的解数。特别是当ｇｃｄ（ｍ，ＤＦ）＝１时，该方程至多有６ｎ（ω（ｍ）＋１）组解（ｘ，ｙ），其中ＤＦ是多项式Ｆ的判别式，ω（ｍ）是ｍ的不同素因数的个数．     

具有独立贡献的相依回归模型

考虑相依回归（ＳＵＲ）模型ｙｉ＝Ｘｉβｉ＿ｅｉ，ｉ＝１，２，…，ｍ，Ｅｅｉ＝０，ｉ，ｊ＝１；２，…ｍ，其中ｙｉ和ｅｉ是ｎ×１维随机向量，Ｘｉ是ｎ×ｐｉ已知矩阵，βｉ是ｐｉ×１维参数向量，∑＝（σｉｊ）ｍ×ｍ＞０．文中给出了两个概念：独立贡献和简洁估计．主要结果是如下五种叙述等价：（１）ＳＵＲ模型具有独立贡献；（２）βｉ的ＢＬＵＥ是简洁估计；（３）协方差改进估计是ＢＬＵＥＺ（４）βｉ的ＢＬＵＥ具有形式其中，ｊ＝１，２，…，ｍ；（５）ＰｋＮｉＮｊ＝０，ｉ≠ｊ，ｋ，Ｉ，ｊ＝１，２，…，ｍ     

方差估计的随机加权分布的渐近展开—非独立同分布情形

设Ｘ１，．．．，Ｘｎ是一组独立的随机变量序列，设ＥＸｉ＝０，ＶａｒＺｉ＝μ２，ｉ＝１，２，．．．，ｎ，其中μ２是待估参数，当Ｘｉ，ｉ＝１，２，．．．ｎ给定后，分别用Ｄｎ＝ｎ∑ｉ＝１Ｖｉ（Ｘｉ－Ｘ）＾２－１／ｎｎ∑ｉ＝１（Ｘｉ－Ｘ）＾２及Ｕｎ＝ｎ∑ｉ＝１（Ｘｉ－Ｘ）＾２及Ｕｎ＝ｎ∑ｉ＝１Ｖｉ（Ｘｉ－ｎ∑ｉ＝１ＶｉＸｉ）＾２－１／ｎｎ∑ｉ－１（Ｘｉ－Ｘ）＾２两种形式的随机加权分布来逼近Ｔｎ＝１／ｎｎ∑     

相依样本下密度函数及其导函数的相合随机窗宽核估计

设（Ｘｎ）是Ｒ＾１中的平稳，强混合序列，具有公共的密度ｆ（ｘ），则可定义ｆ（ｘ）及其导函数ｆ＾（ｒ）（ｘ）的核估计与最近邻估计ｆ＾（ｒ）ｎ（ｘ）＝（ｎｈ＾ｒ＋１ｎ（ｘ））＾－１ｎ∑ｉ＝１Ｋ＾（ｒ）（Ｘｉ－Ｘ／ｈｎ（ｘ）），ｆｎ（ｘ）＝（ｎａｎ（ｘ））＾－１ｎ∑ｉ＝１Ｋ（Ｘｉ－ｘ／ａｎ（ｘ））其中核函数Ｋ（Ｘ）为取定的概率密度函数，且具有ｒ（ｒ≥０）阶导数，窗宽ｈｎ（ｘ）＝ｈｎ（ｘ；Ｘ１，．．．，Ｘ     

值域有界的一类非线性算子不动点的带误差迭代逼近

设Ｘ为一致光滑实Ｂａｎａｃｈ空间·Ｔ：Ｘ→Ｘ为连续强增生算子·ｆ∈Ｘ·定义算子Ｓ：Ｘ→Ｘ为Ｓｘ＝ｆ－Ｔｘ＋ｘ,ｘ∈Ｘ·设αｎ｛｝∞ｎ＝０与βｎ｛｝∞ｎ＝０为两个给定的实数列在（０,１）中且满足条件：（ⅰ）αｎ→０,βｎ→０（ｎ→∞）·（ⅱ）∑∞ｎ＝０αｎ＝∞·假设ｕｎ｛｝∞ｎ＝０和ｖｎ｛｝∞ｎ＝０为Ｘ中两个序列且满足‖ｕｎ‖＝ｏ（αｎ）,‖ｖｎ‖→０（ｎ→∞）·ｘ０∈Ｘ,迭代序列ｘｎ｛｝定义为：（ＩＳ）ｘｎ＋１＝（１－αｎ）ｘｎ＋αｎＳｙｎ＋ｕｎｙｎ＝（１－βｎ）ｘｎ＋βｎＳｘｎ＋ｖｎ（ｎ≥０）｛若Ｓｘｎ｛｝,Ｓｙｎ｛｝有界,则ｘｎ｛｝强收敛于Ｓ的唯一不动点     

A Probe Method of Gradient Projection Type

§１．　ＩｎｔｒｏｄｕｃｔｉｏｎＷｅｃｏｎｓｉｄｅｒｔｈｅｆｏｌｌｏｗｉｎｇｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｂｌｅｍ：（Ｐ）　　ｍｉｎｘ∈Ｘｆ（ｘ）（１）ｗｈｅｒｅＸ＝｛ｘ｜ｘ∈Ｅｎ,ｇｊ（ｘ）≤０,ｊ＝１,２,…,ｍ;ｇｊ（ｘ）＝０,ｊ＝ｍ＋１,…,ｍ＋ｌ｝,ｌｅｔＩ＝｛１,２,…,ｍ｝,Ｌ＝｛ｍ＋１,…,ｍ＋ｌ｝．Ｆｏｒｔｈｅｐｒｏｂｌｅｍ（Ｐ）ｗｉｔｈＬ＝,ｍａｎｙｅｆｆｉｃｉｅｎｔｐｒｏｊｅｃｔｉｏｎｔｙｐｅａｌｇｏｒｉｔｈｍｓ［１－１１］ｈａｖｅｂｅｅｎｐｒｏｐｏｓｅｄ．Ｉｎ［１２］,…     

厄米特矩阵的迹的几点性质

应用矩阵Ａ＝（ａｉｊ）∈Ｃｎ×ｎ的弗罗伯尼范数ＡＦ和谱范数ＡＳ，研究厄米特矩阵的迹的性质，得到几个结论：Ｔｒ（ＡＢ）＝∑ｎｉ＝１λｉ∑ｎｊ＝１ｔｉｊμｊ（λｉ，μｊ分别为Ａ，Ｂ的特征值，０≤ｔｉｊ≤１，且∑ｎｉ＝１ｔｉｊ＝１，ｊ＝１，２，…，ｎ）；Ｔｒ（ＡＢ）≤Ｔｒ（Ａ）ＢＳ；Ｔｒ（ＡＢ）Ｈ（ＡＢ）］≤Ｔｒ（ＡＨＡ）［ｍａｘ１≤ｉ≤ｎλｉ］２（λｉ是Ｂ的特征值）等．     

一组互相关联的不等式命题

大家知道，由ｎ元均值不等式可方便地得到如下一个不等式：设ａｉ∈Ｒ＋（ｉ＝１，２，…，ｎ，ｎ≥２），则∑ｎｉ＝１ａｉ∑ｎｉ＝１１ａｉ≥ｎ２；（１）不等式（１）相当有用，对它作适当代换，可引出一组互相关联的不等式命题；首先，对（１）作代换（Ｓ－ａ１，Ｓ－ａ２，…，Ｓ－ａｎ）→（ａ１，ａ２，…，ａｎ），其中Ｓ＝∑ｎｉ＝１ａｉ，得命题１　设ａｉ∈Ｒ＋（ｉ＝１，２，…，ｎ，ｎ≥２），∑ｎｉ＝１ａｉ＝Ｓ，则∑ｎｉ＝１１Ｓ－ａｉ≥ｎ２（ｎ－１）Ｓ　；（２）证明　由（１），∑ｎｉ＝１（Ｓ－ａｉ）∑ｎｉ＝１１Ｓ－…     

强相依高斯序列超过数点过程与部分和的联合渐近分布

（Ｘｎ）为标准化平稳高斯序列,ｐｎ＝ＥＸ１Ｘｎ＋１,Ｎｎ为Ｘ１,Ｘ２,…,Ｘｎ对水平ｕｎ＝ｘ／ａｎ＋ｂｎ的超过数形成的点过程,Ｍｎ＾（ｋ）为Ｘ１,Ｘ２,…,Ｘｎ的第ｋ个最大值,Ｓｎ＝（ｎ）∑（ｉ＝１）Ｘｉ,ｐｎｌｏｇｎ→ｒ∈（０,∞）时,得到Ｎｎ与Ｓｎ、Ｍｎ＾（ｋ）与Ｓｎ的联合渐近分布。     

二项式定理的推广

二项式定理的推广陈皓（湖北省邮电学校４３００７２）设ｍ≥１，对于多项式（１＋ｘ＋…＋ｘｍ）ｎ＝ｎｍｊ＝０ａｊｘｊ，约定展开式中含ｘｊ项的系数ａｊ＝ｆｍ（ｎ，ｊ），易知ｆ１（ｎ，ｊ）＝Ｃｊｎ．定理１若０≤ｔｉ≤ｍ（ｉ＝１，２，…，ｎ），则ｆｍ（ｎ，ｊ...     

时滞差分方程零妥全局渐近稳定的充分必要条件及其应用

考虑了一阶非线性时滞差分方程：ｘｎ＋１－ｘｎ＋〔（ｓ，ｉ＝１）ｐｉｘｎ－ｋｉ＝ｆ（ｘｎ－ｌ１，…，ｘｎ－ｌｍ），ｎ＝０，１，…，其中ｐｉ∈（－∞，∞）ｋｉ，ｌｊ∈｝０，１，…｝，ｉ＝１，…，ｓ，ｊ＝１，…，ｍ，ｆ∈Ｃ（（－∞，∞）＾ｍ，（－∞，∞），得到上述方程的零解是全局渐近稳定的充分必要条件，并将所得结果应用到一类非线性中立型差分方程。     

一个二维整数瓶颈问题及其算法

本文讨论了数学模型：ｍａｘ｛ｆ（ｘ）│ｆ（ｘ）＝ｍｉｎ（１≤ｊ≤ｎ）〔ｃ１ｊｘ１ｊ＋ｃ２ｊｘ２ｊ〕，ｘ∈Ｄ｝，其中Ｄ＝｛ｘ│ｘ＝｛ｘｉｊ｝，ｎΣ（ｊ＝１）ｘｉｊ＝ａ，ｉ＝１，２，ｘｉｊ≥０且为整数｝，并给出了一个拟多项式算法。     

I.I.D.随机变量两两乘积之和的Hsu-Robbins型定理(Ⅰ)

设随机变量Ｘ１，Ｘ２，…ｉｉｄ；称Ｕｎ＝１≤ｉ＜ｊ≤ｎＸｉＸｊ，为两两乘积之和，本文意在给出 Ｕｎ／ｎ~２→０即文中（０．３）式成立的充分必要条件．我们在这部分工作中虽未能彻底解决这个问题，但却揭示出这类条件与Ｓｎ／ｎ→０（Ｓｎ＝ｎｉ＝１Ｘｉ）之条件间的本质上的不同之处，就是说，这是一类不能完全用Ｘ１的矩来刻划的条件，它们要更为深层次地依赖于Ｘ１的尾分布性质．     

任意m值随机变量序列与独立序列的比较及其极限性质

设｛Ｘｎ，ｎ≥１｝是在Ｓ＝｛１，２，…，ｍ｝中取值的随机变量序列，其联合分布为ｐ（ｘ１，…，ｘｎ），（ｐ１１，ｐ１２，…，ｐ１ｍ）（ｉ＝１，２，…）是Ｓ上的一列分布，ｋ∈Ｓ，Ｓｎ（ｋ，ω）是ｋ在序列Ｘ１（ω），Ｘｎ（ω）中出现的次数。ψｎ（ω）＝∑＾ｎｉ＝１ｌｏｇｐｉｘｉ－ｌｏｇｐ（Ｘ１，…，Ｘｎ）称为（Ｘｉ，１≤ｉ≤ｎ）相对于乘积分布∏＾ｎｉ＝１ｐｉｘｉ的对数似然比，Ｓｎ（ｋ，ω）－∑＾ｎｉ＝１