單葉函數的開始多項式

<正> §1 設k次對稱函數fk(z)=z+在單位圓|z|<1中正則單葉。記σ_n~((k))(z)=z+特別記σ_n~((1))(z)=σ_n(z). 舍苟證明一切σ_n(z)在圓|z|<1/4中單葉,且不能易以更大之數。列文     

非平稳高斯序列的极值之渐近分布

设{ξ_n}是一非平稳高斯序列,Eξ_n=0、Eξ_n~2=1及γ_(ij)=Eξ_iξ_j.以M_n记max ξ_k,以记公共分布是F(x)=/(2π)~(1/2) integral from n=-∞ to x(e~(-u~2/2))du的 i.i.d序列之前n个变量的最大值.已有如下结果:对所述非平稳高斯序列{ξ_n}若     

关于平稳序列中心秩顺序统计量联合分布的稳定收敛性

§1.引言 设{ξ_n}是平稳序列,ξ_1~(n)≤ξ_2~(n)≤…≤ξ_n~(n)是ξ_1,…,ξ_n的顺序统计量,则称{ξ_(kn)~(n)}{ξ_n}的具有秩序列{k_n}的顺序统计量序列。记λ_n=k_n/n和?_n={nλ_n·(1-λ_n}~(1/2),如果min{k_n,n-k_n}→∞或等价地?_n→∞就称{k_n}为变秩序列。     

关于正态随机变量的线性函数的分布

<正> 关于正态随机向量有结论:一个n维正态随机向量(ξ_1,ξ_2,…,ξ_n)的线性函数a_1ξ_1+a_2ξ_2+…+a_nξ_n是一维正态随机变量,其中a_i,i=1,2,…,n是不全为0的实数。n个相互独立正态随机变量是n维联合正态的,故n个独立正态随机变量之线性函数是一维正态的。     

关于误差方差估计渐近正态收敛速度的上,下界

考虑线性回归模型 Y_■=x_4~′β+e_■ i=1,2,…设误差序列■,i≥1满足条件:e_■ i≥1 i.i.d.,Ee_1=0,Ee_1~2=σ~2>0,∞>Var e_1~2=τ~2>0。记■_n~2=1/(n-r){sum from j=1 to n e■-sum from k=1 to r (sum from j=1 to n a_(akj)■_j)~2} δ(n)=τ~(-2)E(■_1~2-σ~2)~2I_((|■-σ~2|≥■τ)+τ~(-3)n~(1/2)|E(■_1~2-σ~2)~3I_((|■_1~2-σ~2|<(nτ)~(1/2))+τ~(-4)n~(-1)E■_1~2-σ~2)~4I_((|■-σ~2|0使得■|P(■_n~2-σ~2)/(Var■_n~2)~(1/2))≤x)-Φ(x)|≤C(δ(n)+n~(-1/2)) ■|P(■_n~2-σ~2)/(Var■_n~2)~(1/2))≤x)-Φ(x)|+n~(-1/2)≥C_1δ(n)。     

线性模型中误差方差估计的收敛速度

在通常的线性模型y_i=x′_iβ+e_i(i=1,…,n,…)中,设σ~2=Var(e_i),由前n次观测值y_1,…,y_n,可得基于残差平方和的σ~2的估计(?)_n~2,本文证明了:若随机误差序列独立同分布,则对某个t≥1,E|e_1~2|~t<∞的充要条件为,对任给的ε>0,这样,对于(?)_n~2-σ~2的收敛速度,得到与同分布独立和情形同样优良的结果。     

关于两个正定矩阵之积的特征值估计的一个注记

令A>0及B>0记两个n×n(n≥2)厄尔米特正定矩阵;μ_1≥μ_2≥…μ_n及ν_1≥ν_2≥…≥ν_n记A和B的特征值;设λ为AB的任意特征值.ShaHu-yun证得2/nμ_n~2ν_n~2/μ_n~2 ν_n~2<λ相似文献   

关于平稳序列随机变秩顺序统计量的极限分布

令{ζ_n}是平稳序列,ζ_1~(n)≤ζ_2~(n)≤…≤ζ_n~(n)是ζ_1,…,ζ_n的顺序统计量,x∈R,a_n>0,b_n是实数列,u_n=α_nx+b_n,设f_n(x),g_n(x)是取正整数值的波雷尔可测函数,且f_n(x)≤g_n(x)≤n,g_n(x)关于n严格递增,设X是离散值随机变量且关于σ(ζ_1)可测,令对某q∈(0,1)有 本文在一种混合条件下,讨论了的渐近性质。     

由谱数据数值稳定地构造实对称带状矩阵

§1.引言 设r,n是正整数并且0r有a_(ij)=0.     

退缩椭圆型方程的边值问题

<正> 在 R~n 的有界凸区域Ω上考虑椭圆型方程Lu≡sum from i,j=1 to n (a_(ij)(x)u_(xi)_(xj)+sum from i=1 to n b_i(x)u_i+c(x)u=f(x),(1)设对 x∈(?)及所有的实数组(ξ_1,ξ_2,…,ξ_n)sum from i,j=1 to n a_(ij)(x)ξ_iξ_j≥λ(x)sum from i=1 to n ξ_i~2≥0,a_(ji)(x)∈C(?),即算子 L(u)可能退缩而为退缩椭圆型算子。记(?)的边界为∑,∑上满足 sum from ij=1 to n a_(ij)n_in_j=0的点集为∑_0,(n_1,…,n_n)表示∑上的内单位法向量,∑_3=∑\∑_0,设其 n-1维测度非零,则对方程(1)可提如下的边值问题:     

关于对称平均数定理及其应用

我们把n个正数α_1,α_2,…,α_n的k次对称平均数定义为其中k≤n为正整数;根号内分子部分是n个正数每次不重复地取k个的乘积之和,共有C_n~k项。为简单计,我们把(1)记为∑_n~k(α_1,α_2,…α_n),或者有时就记为∑_n~k。显然, ∑_n~1(α_1,α_2,…α_n)=(α_1 α_2 ……α_n)/n即为n个正数的算术平均数,而∑_n~n(α_1,α_2,…α_n)=则是n个正数的几何平均数。本文先介绍有关n个正数的k次对称平均数的重要性质的两个定理,然后给出它的一些应用。首先,我们证明定理1.(∑_n~k)~(?)k≥(∑_n~(k 1))~(k 1)·(∑_n~(k-1))~(k-1)(k=1,2,…,n-1) (这里规定∑_n~0=1)。证明.为书写方便,记(∑_n~k)~k=P_n~k。因而我们要证明的就是 (P_n~k)~2≥P_n~(k 1)·P_n~(k-1)(P_n~0=1,k=1,2,…n-1)     

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.     

关于正态随机变量线性组合的分布的一个充要条件

设ξ_1,ξ_2,ξ_3,…,ξ_n 为定义在同一概率空间(Ω,(?),P)上的任意 n(≥2)个正态随机变量,本文给出 a_1ξ_1+…+a_nξ_n(其中 a_1,a_2,…,a_n 均为非零实数)不是正态随机变量,而其任意 r(1≤r≤n-1)个的线性组合均为正态随机变量的一个充要条件,并指出文[1]的结果是本文的一个特例.     

关于诱导极限有界集的一些结果

<正> 设E_1■ E_2■ E_3…为局部凸Hausdorss线性拓扑空间序列,E_n所具有的拓扑记作ξ_n,(E,ξ)=indlim(E_n,ξ_n)为其相对于连续恒同映照id:(E_n,ξ_n)→(E_(n+1),ξ_(n+1))的Hausdorff诱导极限(见[1],p.57).显然,(E_n,ξ_n)的每个有界子集必为(E,ξ)的有界子集.Dieudonne-Schwartz定理指出:若对于n∈N,E_n闭于(E_(n+1),ξ_(n+1)),且ξ_(n+1)关于E_n的相对拓扑等于ξ_n,则E的子集B为ξ-有界,当且仅当存在n∈N使B为(E_n,     

再论线性模型中误差方差的二次型估计的可容许性

设有线性模型Y=(y_1,…,y_n)′=Xβ ε=X(β_1,…,β_p)′ (ε_1,…,ε_n)′,(1.1)这里 X 为已知的,n×p 矩阵,n≥p,ε_1,…,ε_n 相互独立,E(ε_i)=0,E(ε_i~2)=σ~2,E(ε_i~3)=0,E(ε_i~4)=3σ~4,i=1,…,n.β∈R~p,0<σ~2<∞均为未知参数.欲估计σ~2,     

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.     

方差未知的多总体均值检验的一种有效方法

本文对n 个相互独立、服从正态分布总体的均值统计假设H_0:μ_1=μ_2…=μ_n 的检验,进行了探讨。在方差σ_j~2(j=1,2,…,n)未知,且σ_1~2=σ_2~2=…=σ_n~2的条件下,利用正态分布及X~2分布的再生性,构造了T_n,T_n~′统计量,给假设H_0的检验提供了切实可行的有效方法。     

无RNP性Banach格中鞅型序列的收敛性

本文证明了(1)设E是序连续Banach格,(x_n,(?)_n)_(n>l)是满足条件(C)的subpramart,若存在a.e.强收敛的强可测函数列(y_n)_(n≥1),使有 0≤x_n≤y_n,(?)_n≥1,则(x_n)_(n≥1~(a.e.))强收敛.且每一个 E~+值反向subpramart a.e.强收敛。(2)设E是AL空间,若(x_n,(?)_n)_(n≥1)是E~+值superpramart,则TLx_na.e.存在。     

关于代数特征值反问题对称情况可解的充分条件

§1.引言 本文讨论下述特征值反问题的可解性: 问题 G.设A_0=(a_(ij)~((0)))和A_k=(a_(ij)~((k)))(k=1,…,n)是一组n+1个n×n实对称矩阵,λ_1,…,λ_n是n个不同的实数.求实数c_1,…,c_n使得矩阵A_0+sum from k-1 to n C_k·A_k的特征值为λ_1,…,λ_n. [1]和[2]曾给出此问题可解的充分条件.本文应用Rothe不动点定理[3]给出问题G可解的另外两个充分条件.本文的结果可判定[1]和[2]中定理所不能判定的某些问题     

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