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。     

多值逻辑中的一类极大基本群—对称群和交代群的一类极大子群

本文对O'Nan提出的问题4,定出了一类新的极大子群。 设Ω是一个mh元集合,P={{△_1,…,△_m}|Ω=△_1∪…∪△_m,|△_i|=h,,i=1,…,m}。显然,△_i∩△_j=Φ,i≠j,i,j=1,…,m,|P|=(mh)!/[(h!)~mm!],对称群S~Ω真实地作用在P上,从而可看成对称群S~P的一个子群。 设m=2,h≥3,N(2,h)=(2h-3)…h/(h-2)!。于是,当N(2,h)为奇(偶)数时,S~Ω是s~p(A~P)的极大子群。     

Hermite-Birkhoff插值多项式导数的最优误差界

§1 引 言 设m2是整数,记I_m={1,2,…,2m-2},A_m={2,4,…,2m-2},Γ_m={γ_1,γ_2,…,γ_(m 1)},γ_iΙ_m,γ_1<γ_2<…<γ_m 1。(以下假定指标列如上自小至大排列)。另记Γ′_m={γ′_1,…,γ′_(m 1)}=Ι_mΓ_m,Γ_m={2m-γ′_(m-1)-1,…,2m-γ′_1-1},Γ(s)={γ_i|γ_i<γ_s},类似地定义Γ(s)′Ι_s/Γ(s)以及Γ(s)等等。本文中假定     

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   

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     

关于强P除环上方阵的酉相似理论的一点注记

在文[1]中定义了强p除环Ω,即满足如下条件(1)—(4)的除环Ω: (1)存在Ω的对合反自同构σ(即σ为反自同构,且σ(σ(α))=α Aα∈Ω) (2)Aα_i∈Ω,i=1,…,n(n∈N) sum from i=1 to n(α_iσ(α_i)=0 α_i=0,i=1,2,…,n)。 (3)命R={α∈Ω|σ(α)=α},则R含在Ω的中心中。 (4)Aα_i∈Ω,i=1,2,…,n(n∈N)方程x~2-sum from i-1 to n(α_iσ(α_i))=0在Ω中有且只有两解。 事实上,除了平凡的情况外,强p除环Ω就是R上的四元数除环。确切地说,我们有 定理1 设Ω为强p除环,则Ω为(1)R,(2)R+R_i或(3)R上的四元数除环。这里     

混合回归模型误差方差M估计的弱收敛性

考虑混合回归模型 y_i=x_i~Tβ+σε_i,(1)其中x_i~T=(y_(i-1),…,y_(i-p),z_(i1),…,z_(ik)),{ε_i}为i.i.d.残差序列,Eε1=0,Eε_1~2=1,而β=(β_1,…,β_p,β_(p+1),…,β_(p+k))~T与σ>0为未知参数,并且φ(B)=1-β_1B-…-β_pB~p=0的根全在单位圆外. 本文拟在文[1]的基础上定义模型(1)误差方差σ的M估计,并证明其弱收敛性. 设X(x)为某个可测函数,β为(1)中回归参数β的某个相容估计,称方程     

两张回归平面在有限矩形区域上的比较

一、引言考虑两条回归线E(z|X=x)=α_i+β′_ix,i=1,2,其中 α_i,β_i=(β_(i1),……,β_(ik))′是回归系数,x=(x_1,…,x_k)′是自变量.通常要检验这两条回归线的重合性,即是检验假设 H_0∶α_1+β′_1x=α_2+β′_2x,对于一切 x;H_1∶α_1+β′_1x(?)α_2+β′_2x,对至少一个 x 成立.这是统计中的一个典型问题.在许多试验中往往要考虑更为特殊的对立假设.经典的例子如在假定 β_1=β_2下,检验 α_1 与 α_2的差异是否显著;或在假定α_1=α_2下,检验 β_1与 β_2的差异是否显著.后者称为平行性检验.Zellner,Smith 和 Choi 对这类问题作了一些工作.     

E^n中P维与q维平面间的夹角公式

本文将柯西不等式进一步推广为[α_1β,…,α_mβ][α_iα_j]~(-1)[α_1β,…,α_mβ]~T+(|α∧|β~2)/(|α|~2)≤β~2其中β=b_1∧…∧b_q,q≤p≤n,α_i 是从 p 个向量α_1,…,α_p 中任取 q 个作成的 q 重向量,m=c_p~q.接着给出了 n 维欧氏空间 E~n 中 p 维与 q 维平面间的夹角公式:cos~2θ=[α_1β,…,α_mθ][α_iα_j]~(-1)[α_1β,…,α_mβ]~T/β~2用它导出了 n-1维球面型空间 S_(n-1,1)中关于单形(顶点 P_n 到对面上)的高 h_n 的公式.     

Hermite—A插值样条

设-∞<α相似文献   

实 Clifford 分析中的一个边值问题

考虑以 e_A=e_(α1)…e_(αh)(A={α_1,α_2,…,α_h)(?){1,2,3,…,n),1≤α_1<α_2<…<α_h≤n)为基底元素的实 Clifford 代数 A_n(R),其中 e_1=1,e_k~2=-1(k=2,3,4,…,n),e_ke_m e_me_k=0(k≠m,k,m=2,3,4,…,n).并用 V_n 表示由向量组 e_1,e_2,…,e_n 所张成的 A_n(R)的子空间,V_n 中元素为 x=(?)x_ke_k,A_n(R)中的     

多复变数幂级数的Cesàro平均

§1.引言设Ω是N维复向量空间C~N中的包含原点的有界对称域,b是它的Bergman-Silov边界,用Γ记Ω的全纯自同构群,Γ_0是使原点不变的Γ的子群。习知Ω是圆型的,是相对于原点星形的。Γ_0在b上可递,b上存在唯一的Γ_0不变的测度σ,使得σ(b)     

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     

移位寄存器因子关联图的同构与自同构

§1.引言设 f(x_0,x_1,…,x_(n-1))是一非奇 n 元开关函数,我们用(?)(f)记二元域 F_2上以 f 为反馈函数的移位寄存器序列全体组成的集合,用 G_f 记 f 的状态图,用Γ_f 记因子 G_f 的关联图.Γ_f 是一个无向图,它的顶点集 V (Γ_f)由 G_f 的全体圈组成,边集为 F~(n-1)_2,即Γ_f=(G_f,F~(n-1)_2)。称α=(a_1,…,a_(n-1)_∈F~(n-1)_2是圈σ_1和σ_2之间的一条边,如果共轭点对 a=(a_0,     

一类不等式

<正> 本文首先将(2)换为下面的(4),然后将(3)推广,导出一类不等式. §.2 本文采用记号如下: S_n为n元集{1,2,…,n}上的全体置换所组成的置换群,G为S_n的一个子群. x=(x_1,x_2,…,x_n),α=(α_1,α_2,…,α_n),β=(β_1,β_2,…,β_n)等均为n维欧氏空间中的点,并且不作特别申明时约定各个分量为正.     

多维连续函数求积公式的误差估计

设E~k={(x_1,…,x_k)∈R~k:0≤x_i≤1,=1,2,…,k}为k维单位立方体.?_c,…,?_N为E~k中的N个点.A(M;N)为满足?_i∈M?E~k,1≤i≤N的点的个数.对于γ=(γ_1,…,γ_k)∈E~k,令 I(γ)={(x_1,…,x_k)∈E~k:0≤x_i<γ_i,i=1,2,…,k}.(1)λ为通常的k维Lebesgue测度,那么     

线性模型中回归系数的最小二乘估计的强相合性

本文研究了线性模型:Y_i=x′_iβ+e_i,i=1,2,…中回归系数β=(β_1,…,β_p)′的最小二乘估计的强相合性,这里x′_i=(x_(il),…,x_(ip))为已给的p维向量,记x_n=(x_1,…,x_n)′,S_n~(-1)=(x′_nx_n)~(-1)=(h_(nij)),G(n)=diag(G_1(n),…,G_p(n))=diag(h_(n11)~(-1),…,h_(npp)~(-1)),那末在把文献[1]定理3中的条件1°换以:存在常数0相似文献   

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   

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     

解非线性多点边值问题的一类拟牛顿法

(一)引言 考虑非线性多点边值问题 x=f(x,t) t_1≤t≤t_m (1.1) g(x(t_1),…,x(t_m)=0 t_1相似文献