中点弦所在的直线方程

已知平面上一点M(x_0,y_0)以及二次曲线C: Ax~2+Bxy+Cy~2+Dx+Ey+F=0 (1)简记为G(x,y)=0。又方程Ax_o+B(y_0+x_0y)/2+Cy_0+D(x+x_0)/2+E(y+y_0)/2+F=0简记为 G＇_(x_0,y_0)(x,y)=0 (2)显然有① G＇_(x_0,y_0)(x,y)=G＇_(x,y)(x_0,y_0) ② G＇_(x_0,y_0)(x_0,y_0)=G(x_0,y_0)我们有如下众所周知的结论1)当M(x_0,y_0)在曲线(1)上时,方程(2)表     

Hammerstein型积分方程组的非零解及其对两点边值问题的应用

本文研究Hammerstein型积分方程组 (Ⅰ)φ(x)=∫_G K_1(x,y)f_1(φ(y),ψ(y))dy, ψ(x)=∫_G K_2(x,y)f_2(φ(y),ψ(y))dy非零解的存在性(其中G为R~N中有界闭区域,mesG=1,并将所得结果应用于二阶常微分方程两点边值问题 (Ⅱ)(t)=-f(x(t),(t)), α_0x(0)-β_0(0)=0, α_1x(1) β_1(1)=0。其中α_0、α_1、β_0、β_1≥0,|α_0 β_0 -α_1 α_1 β_1|≠0。所得结论与[1]第四章及[3]第六章所述结论具有不同形式,且不能用[1、3]的方法得出,特别当f(u,v)是多项式情况下所得结果是[2]中部分结果的推广和补充。     

线程回归系数L_1估计弱相合性的一个必要条件

设 Y_i=x′_iβ_0+e_i,i=1,…,n,为线性回归模型。此处 x_1,x_2,…为已知 p 维向量。以β_n 记β_0的 L_1估计,即设随机误差 e_1,e_2,…独立,med(e_i)=0,且存在正数 l_1,l_2,使 P(-h≤e_i≤0)≤l_1h≥P(0≤e_i≤h),0≤h≤l_2,i=1,2,…则当时,β_n 不是β_0的弱相合估计。     

独立误差下线性回归最小二乘估计相和性的必要条件

对线性回归Yi=x'iβ+ei,i=1,…,n,…,其中x1,x2,…为已知P维向量,e1,e2,…为随机误差.本文证明了:如果e1,e2,…独立,每一个非退化,则是β的最小二乘估计相合的必要条件,注意此处对ei的期望和方差没有施加任何条件.     

独立误差下线性回归最小二乘估计相和性的必要条件

对线性回归Yi=x'iβ+ei,i=1,……,n,……,其中x1,x2,………为已知p维向量,e1,e2,………为随机误差.本文证明了如果e1,e2,………独立,每一个非退化,则Sn-1=(∑ni=1 xix'i)→0是β的最小二乘估计相合的必要条件,注意此处对ei的期望和方差没有施加任何条件.     

二维单边截断型分布族中EB估计及其收敛速度

本文讨论了二维单边截断型分布族(I)中参数函数EB估计及其收敛速度。(I) f_0(x,y)dxdy=c(θ_1,θ_2)f_0(x,y)I_([α,θ_1;c,θ_2])(x,y)dxdy在适当的条件下,满足恰当条件参数函数Q(θ_1,θ_2)的EB估计的收敛速度可任意接近于 1。     

双曲线的两个命题及其应用

(A_1x B_1y C_1)(A_2x B_2y C_2)=0相交所成角的两条平分线为x＇轴,y＇轴建立新坐标系,x＇o＇y＇,则在原坐标系xoy与新坐标系x＇o＇y＇之间,必存在关系     

一类微分方程积分因子求法

—阶微分方程p(x,y)dx Q(x,y)dy=0,当它不是全微分方程但可化为形式x~(α_1)y~(β_1)(m_1ydx n_1xdy) x~(α_2)Y~(β_2)(m_2ydx n_2xdy)=0(1)(其中α_1,β_1,m_i,n_i,i=1,2,均为常数)时,若用观察法不易找到其积分因子.并且一般即方程也不存在仅与x或仅与y有关的积分因子.下面介绍这类方程(即方程(1))求积分因子的一个方法.     

关于一类奇异两点边值问题的 Chawla样条方法

1、引言 本文考虑如下的奇异两点边值问题。-1/w（x）（p（x）y＇（x））＇ = f（x,y（x））, x ∈ （0, 1）（1）limx→0＋ p（x）y＇（x） = 0,y（1）=A（2）。     

一次预报最佳子集回归

假定预报量y与预报因子x_1,x_2,…,x_n之间有如下的线性关系: y=β_1x_1 β_2x_2 … β_nx_n e, (1)其中y为随机变数,x_1,…,x_n为非随机变数,β_1,…,β_n为常系数,e为随机误差,其分布不依赖于x_1,…,x_n,均值为0,方差为σ~2。 假定我们已有N组独立的数据,把它们写成矩阵形式,即     

线性回归系数两种可估性的关系

<正> 设有满足Gauss-Markov(GM)条件的线性模型Y=Xβ+e,E_e=0,COV(e)=б~2l,此处X为已知的n×p矩阵,β=(β_1,…,β_p)′为p维未知向量,I为n阶单位阵,0<σ~2<∞,σ~2也未知.设c为一已知的p维向量,则当x的秩为P时,c′β必为线性可估.反过来,若X的秩小于p,则对某些c,c′β不是线性可估,甚至也可以不是可估的.     

用向量求轴对称点的坐标

已知点P(x0·y0)和直线l:Ax By C=0,求点P关于直线l的对称点M的坐标.设PM与直线l交干一点D(x1,y1),直线l的法向量为e=(A,B),→DP平行于e,设→DP=λe,     

2003年全国攻读硕士学位研究生入学考试数学试题(一)(附答案)

一、填空题 (本题共 6小题 ,每小题 4分 ,满分 2 4分 )( 1 )　 limx→ 0 ( cosx) 1ln( 1+ x2 )　　 =　 1e　。( 2 )　曲面 z=x2 +y2 与平面 2 x+4 y-z=0平行的切平面的方程是　 2 x+4 y-z=5　。( 3 )　设 x2 =∑∞n=0ancosnx( -π≤ x≤π) ,则 a2 =　 1　( 4)　从 R2 的基 α1=10 ,α2 =　 1-1 到基 β1=11 ,β2 =12 的过渡矩阵为 　 2　　　 3-1　　 -2 　。( 5)　设二维随机变量 ( X,Y)的概率密度为f ( x,y) =6x,　　 0≤ x≤ y≤ 1 ,0 ,　　　其他则 P{ X+Y≤ 1 } =　 14 　。( 6)　已知一批零件的长度 X(单位 :cm)服从正态分布 N(…     

A NOTE ON THE CONSISTENCY OF LS ESTIMATES IN LINEAR MODELS

Consider,the linear regression modelyi = x'iβ ei, 1≤i≤n, n≥1, (1)where x1, x2,' are known Hvectors, P is the unknown pdimensional vector of regressioncoefficiellts, e13 e2,' is a seqdence of iid. random errors, and y1, y2t' are known obser-vations of the dependellt variable. Denote by F the common distribution of e1, e2,' t andwrite9. = {F: j:xar=0, 0< j:lxl'aF< oo}, 1 5 r 5 2.The Least Squares (LS) estimate of P isn rs)n = Z SJ'x.ui, Sn = Zxix:.. i=1 i=1Here we tacitly assum…     

坐标轴的平移 参数方程 极坐标

1.设O＇点在原坐标系xOy中的坐标为(a,b),以O＇为原点平移坐标轴,建立新坐标系X＇0＇y＇,平面内任一点M在原坐标系中的坐标为(x,y),在新坐标系中的坐标为(x＇,y＇),推导出x＇、y＇与x、 y之间的关系。 2.平移坐标轴,分别回答下列问题: (1)点M(a, b),当原点移至何处才能使它的新坐标为(2a,-b)? (2)原点移到0＇(a,b)后,点A的新坐标为(-a,-b),点A的原坐标是什么? (3)原点0＇(0,0)移到0(2,-1)后,原坐标系x＇0＇y＇变成新坐标系x0y、曲线方程为x~2/9+y~2/4=1.此曲线在原坐标系中的方程是什么? (4)曲线x~2+xy-2y~2+x+11y-12=0在原点移到(-1,2)点后,新方程是什么?曲线的形状是什么?     

方程ax=x根的再讨论

文 [1]、[2 ]就方程 ax =x根的分布情况作了讨论 ,但很繁琐又不清晰 ,实际上 ,只要讨论函数 y =x1 x 的性质 ,方程 ax =x根的分布就显得十分清楚了 ,为此 ,特介绍如下方法 .定理　函数 f(x) =x1 x(x >0 ) ,(1)在 x =e处 ,f (x)取最大值 e1 e;(2 ) 0 e时 ,f(x)递减 ;(3) limx→ ∞f(x) =1,limx→ 0 f(x) =0 .证明　设 g(x) =ln xx =ln f(x)(x >0 ) ,在点 (e,1)处 ,y =ln x的切线 :y - 1=1e(x - e)过原点 ,取 P1 (x1 ,ln x1 )、P2 (x2 ,ln x2 ) ,其中 x2 >x1 >0 ,直线 OP1 、OP2的倾角分别为α1 、α2 ,如 e相似文献   

半空间上与高阶Laplace算子相对应的积分方程组(英文)

利用积分形式的移动平面法,给出n维上半空间R_+~n积分方程组{u(x)rn+(1|x-y|n-a-1|x*-y|n-a)(γ1up1(y)+u1vp2(y)+βup3(y)vp4(y)dyv(x)=rn+(1|x-y|n-a-|x*-y|n-a)(γ1uq1(y)+u2vq2(y)+β2uq3(y)vq4(y)dy}解的单调性和旋转对称性,其中0αn,λ_i,μ_i,β_i≥0(i=1,2)是非负常数,pi,qi(i=1,2,3,4)满足适当的假设,x~*=(x_1,x_2,…,x_(n-1),-x_n)是点x关于超平面x_n=0的反射点.本文的结果推广了n维欧氏空间R~n中的结果.     

Boundedness and convergence for the non-Liénard type differential equation

In this article, the author studies the boundedness and convergence for the {(x) = a(y) - f(x),(y) = b(y)β(x) - g(x) e(t),where a(y), b(y), f(x),g(x),β(x) are real continuous functions in y ∈ R or x ∈ R,β(x) ≥ 0 for all x and e(t) is a real continuous function on R = {t: t ≥ 0} such that the equation has a unique solution for the initial value problem. The necessary and sufficient conditions are obtained and some of the results in the literatures are improved and extended.     

BOUNDEDNESS AND CONVERGENCE FOR THE NON-LINARD TYPE DIFFERENTIAL EQUATION

In this article, the author studies the boundedness and convergence for the non-Lienard type differential equation (x|·)=a(y)-f(x) (y|·)=b(y)β(x)-g(x) e(t) where a(y),b(y),f(x),g(x),β(x) are real continuous functions in y∈R or x∈R,β(x)≥0 for all x and e(t) is a real continuous function on R = {t: t≥0} such that the equation has a unique solution for the initial value problem. The necessary and sufficient conditions are obtained and some of the results in the literatures are improved and extended.     

非线性FREDHOLM积分方程组的求解方法

在文[1]中,我们研究了含参数 λ 的如下形式的非线性 Fredholm 积分方程组(?)(x;λ)=f(x)+λ(?)Φ(x,y,(?)(y;λ))dy (1)的求解问题,这里 λ 适当地小,(?)(x;λ)=((?)_1,…,(?)_i)~T 是未知的 l 维向量,f(x)=(f_1)…,f_(?))~T是已知的 l 维向量,Φ=(Φ_1,…,Φ_l)~T,每个分量Φ_j(x,y,(?)_1,…,(?)_l)(j=(?)