具有大稳定域的线性多步方法

§1.引言 解常微分方程初值问题:的线性k步方法为 sum from j=0 to k (α_jy_(n j)=h sum from j=0 to k (β_jf_(n j),(2)其中α_0~2 β_0~2≠0,α_k≠0.当β_k≠0时,(2)为隐式k步法;当β_k=0时,(2)为显式k步法. 若将(2)应用于单个方程 y′=λy,Reλ<0,则得差分方程 ρ(E)y_n=μσ(E)y_(?),μ=λh,     

A NECESSARY AND SUFFICIENT CONDITION FOR THE OSCILLATION OF HIGHER-ORDER NEUTRAL EQUATIONS WITH SEVERAL DELAYS

Consider the higher-order neutral delay differential equationd~t/dt~n(x(t)+sum from i=1 to lp_ix(t-τ_i)-sum from j=1 to mr_jx(t-ρ_j))+sum from k=1 to Nq_kx(t-u_k)=0,(A)where the coefficients and the delays are nonnegative constants with n≥2 even. Then anecessary and sufficient condition for the oscillation of (A) is that the characteristicequationλ~n+λ~nsum from i=1 to lp_ie~(-λτ_i-λ~n)sum from j=1 to mr_je~(-λρ_j)+sum from k=1 to Nq_ke~(-λρ_k)=0has no real roots.     

椭球等高分布族下的非中心Cochran定理

本文在椭球等高分布假定下,讨论了二次型X′AX(A为对称阵)的非中心Cochran定理。主要结果如下: 若X～EC_n(μ,L_n;g),g(x)>0为x的连续函数,且X有有限的2n阶矩。A_i,i=1,2,…,m为n×n对称阵。A=∑A_i,λ_1,…,λ_k互不相同且非零。考虑下面的条件: (a) X′A_iX■sum from j=1 to k λ_jy_(ij),(y_(i1),…(y_(ik))′～Gχ~2(n_(i1),…,n_(ik);δ_(i1)~2,…,δ_(ik)~2;g)j=1,…,m。 (b) (X′A_1X,…,X′A_mX)■(sum from j=1 to k λ_jz_j…,sum from j=(m-1)k 1 to mk λ_(j-(m-1)k)z_j)(z_1…,z_(mk))′～Gχ~2(n_(11),n_(1k),n_(21)…,n_(mk);δ_(11)~2,…δ_(1k)~2,δ_(21)~2,…,δ_(mk)~2;g) (c) X′AX(?)sum from j=1 to k λ_jy_j,(y_1,…,y_k)′～Gχ(n_1,…,n_k;δ_1~2,…,δ_k~2;g) (d) r(A)=∑r(A_i)=∑∑r(A_iE_j),A=∑λ_jE_j,E_j~2=E_j,E_jE_(j′)=0,j≠j′=1,…,k, (e) k个等式n_j=∑n_(ij)中至少有k-1个成立。则 (Ⅰ) (a),(b)■(c),(d),(e), (Ⅱ) (a),(c),(e)■(b),(d), (Ⅲ) (b),(c)■(a),(d),(c), (Ⅳ) (c),(d)■(a),(b),(c)。     

A Hypothesis Testing Problem in the Linear Model (in English)

本文讨论了多元线性模型中的一个假设检验问题。假定 $\[{E(Y) = A\theta + B\eta }\]$ $Y的各行独立、正太、同协差阵V$ 现在要检验假设H_0:存在矩阵C使$\theta= C\eta$ 是否成立。首先可将问题化为法式的形式，对法式分两种情况进行讨论： （一）$[V = {\sigma ^2}I,{\sigma ^2}\]$未知，此时可求出 \theta,C，\sigma ^2的最大似然估计（当 H^0成立时）是 $[\left\{ {\begin{array}{*{20}{c}} {\hat \theta = {{({I_p} + \hat C'\hat C)}^{ - 1}}({y_1} + \hat C'{y_2})}\{\hat C = - {{({{T'}_{22}})}^{ - 1}}{{T'}_{12}}}\{{{\hat \sigma }^2} = \frac{1}{{nk}}(\sum\limits_{j = p + 1}^{p + q} {\lambda _j^* + \sum\limits_{j = 1}^k {{d_j})} } } \end{array}} \right.\]$ 其中y_1,y_2是法式 $[E\left( {\begin{array}{*{20}{c}} {{y_1}}\{{y_2}}\{{y_3}} \end{array}} \right) = \left( {\begin{array}{*{20}{c}} \theta \\eta \0 \end{array}} \right)\begin{array}{*{20}{c}} p\q\{n - (p + q)} \end{array}\]$ 中的资料阵y_1,y_2,d_1,\cdots，d_k是y^'_3y_3的全部特征根，$[\lambda _1^* \ge \cdots \lambda _{p + q}^*\]$是$[\left( {\begin{array}{*{20}{c}} {{y_1}}\{{y_2}} \end{array}} \right)\left( {\begin{array}{*{20}{c}} {{{y'}_1}}&{{{y'}_2}} \end{array}} \right)\]$的全部特征根，相应特征向量依$\lambda^*_i$的大小顺序从左到右排成矩阵T，T的分块子阵是T_ij，即 $[T = \left( {\begin{array}{*{20}{c}} {{T_{11}}}&{{T_{12}}}\{{T_{21}}}&{{T_{22}}} \end{array}} \right)\begin{array}{*{20}{c}} p\q \end{array}\]$ 对H_0的广义似然比检验是 $[\Lambda = \sum\limits_{j = p + 1}^k {{\lambda _j}/\sum\limits_{j = 1}^k {{d_j}} } \]$ $=lambda_1 \geq \lambda_2 \geq \cdots \geq \lambda_k$是$y_1^'y_1+y_2^'y_2$的全部特征根。 （二）一般情形V未知，此时 \theta,C的估计量同前，可求出 $[\hat V = \frac{1}{n}({y_2}^\prime {T_{22}}{T_{22}}^\prime {y_2} + {y_2}^\prime {y_2})\]$ H_0相应的Lawley不变检验是 $[\sum\limits_{j = p + 1}^k {{\beta _j}} \ge {\alpha _1}\]$ 其中 $\beta_1 \geq \beta_2 \geq \cdots \beta_k$是$y'_1y_1+y'_2y_2$的相应于$y'_sy_s$的全部特征根。 有关$\Lambda \$的以及$[\sum\limits_{j = p + 1}^k {{\beta _j}} \]$的极限分布将在另外的文章中讨论。     

关于线性过程谱函数估计的弱不变原理的一点注记

设随机序列{X_n; n=0,±1…}可表示成为X_n=sum from j=-∞ to +∞(α_(j-n)ζ_j其中{α_j}是满足sum from j=-∞ to +∞(α_j~2)<∞的实数列,{ζ_j}是白噪声序列。通常用(?)_N(λ)=integral from 0 to λ(1/2πN)∣sum from k=1 to N(x_(?)e~(iμk)∣~2 dμ来估计{x_n}的未知的谱函数F(λ)。在一定的条件下,当{ζ_j}是独立同分布随机序列时,和[3]证明了:过程√(?)[(?)_N(λ)-F(λ)]的分布弱收敛到某个正态过程ζ(λ)在C[0,π]上产生的测度。本文在他们工作的基础上,运用鞅的极限定理和鞅不等式,改进了[3]中的两个关键引理,从而证明了当{ζ_j}是有控制分布的实四阶鞅差序列时,仍有相同的结果。     

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:     

代数特征值反问题之解的稳定性分析

考虑如下代数特征值反问题: 问题 G(A;{A_k}_1~n;λ).设 A=(a_(ij)),A_k=(a_(ij)~((k))),k=1,…,n是n+1个n×n的实对称矩阵,λ=(λ_1,…,λ_n)是n维实向量且λ_i≠λ_j,i≠j.求n维实向量c=(c_1,…,c_n)~T,使矩阵A(c)=A+sum from k=1 to n (c_kA_k)的特征值是λ_1,…,λ_n. 这一问题是经典加法问题的推广.当A_k-e_ke_k~~T(e_k是n阶单位阵的第k列)时,     

负相协随机变量非随机和的差的精确大偏差

In this paper,we study precise large deviation for the non-random difference sum from j=1 to n_1(t) X_(1j)-sum from j=1 to n_2(t) X_(2j),where sum from j=1 to n_1(t) X_(1j) is the non-random sum of {X_(1j),j≥1} which is a sequence of negatively associated random variables with common distribution F_1(x),and sum from j=1 to n_2(t) X_(2j) is the non-random sum of {X_(2j),j≥1} which is a sequence of independent and identically distributed random variables,n_1(t) and n_2(t) are two positive integer functions.Under some other mild conditions,we establish the following uniformly asymptotic relation lim t→∞ sup x≥r(n_1(t))~(p+1)|(P(∑~(n_1(t)_(j=1)X_(1j)-∑~(n_2(t)_(j=1)X_(2j)-(μ_1n_1(t)-μ_2n_2(t)x))/(n_1(t)F_1(x))-1|=0.     

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)。     

一类椭球等高矩阵分布的矩

设X是m×n随机矩阵,n≥m,S=XX’,O_m是所有m×m正交阵的集合。如果对任意的Γ∈O_m,ΓX(?)X 则对任意整数k E(S~k)=c~kI_m cov(vec S~k)=α_kI_(m~2)+β_kK_(m~2)+γ_kQ_(m~2)其中 c_k、α_k、β_k、和γ_k是某些常数; I_l,l×l单位阵; K_(m~2)=sum from ij=1 to m(H_(ij)(×)H′_(ij)); Q_(m~2)=sum from ij=1 to m(H_(ij)(×)H_(ij));而 H_(ij)表示这样的 m×m矩阵,除了h_(ij)=1外,其它元素为零,(×)表示 Kronecker积。另外,本文也求出了一些特殊的α_k,β_k,γ_k和c_k的值。     

常系数线性齐次递归式的一般解公式

本文给出常系数线性递归式 a_n=α_1a_(n-1)+α_2a_(n-2)+…+α_pa_(n-p),a_0=c_0,a_1=c_1,…,a_(p-1)=c_(p-1)的一般解公式 a_n=sum from k=0 to p-1(sum from i=k to p-1 c_iα_(p-i+k))F_(n-p-k)(n≥p),其中(?)     

关于重节点多元B样条的构造

1.引言 设x~0,x~1,…,x~n∈R~s是互异的点,n≥s,vol_s[x~0,…,x~n]>0,这里[x~0,…,x~n]={x=sum from j=0 to n(υ_jx~j|(υ_0,…,υ_n)∈S~n),S~n={(υ_0,…,υ_n)|sum from j=0 to n(υ_j=1,υ_j≥0,j=0,…,n}。 以x~i为m_i 1重节点,m_i≥0,i=0,…,n,的多元B样条M(x|(x~0)~(m_0 1),…,(x~n)~(m_n 1))由下式定义(见C.A.Micchelli[1]):     

关于Kahan定理的一个注记

设A∈C~(n×n),B∈C~(k×k)均为Hermite矩阵,它们的特征值分别为{λ_j}_(j=1)~n和{μ_j}_(j=1)~k(k≤n);Q∈~(n×k)为列满秩矩阵.令 (1) 则存在A的k个特征值λ_(j_2),λ_(j_2),…,λ_(j_k),使得 (2) 其中σ_k为Q的最小奇异值,||·||_2表示矩阵的谱范数.这是著名的Kahan定理·1996年曹志浩等在[2]中将(2)加强为 (3) 这是Kahan的猜想.在本文中,我们讨论将Kahan定理中“B为k阶Hermite矩阵”改为B为k阶(任意)方阵后,特征值的扰动估计,有以下结果. 定理 设A∈C~(n×n)为Hermite矩阵,其特征值为{λ_j}_(j=1)~n,B∈C~(k×k)的特征值为{μ_j}_(j=1)~k,而Q∈C~(n×k)为列满秩矩阵.则存在A的k个特征值λ_(j_1),λ_(j_2),…,λ_(j_k),使得     

常系数非齐线性递推式的解的显式表示

本文给出常系数非齐线性递推式(?)的解的显式表达式 H(m)=sum from i=0 to k-1(sum from j=i to k-1 b_ja_(k-j+i))D_(m-k-i)+sum from i=0 to m-k D_if(m-i)(m≥k)其中D_m=sum x_1+2x_2+…+kx_k=m x_j≥0(i=1,2,…,k)(?)a_1~x1a_2~x2…a_k~xk.     

Bargmann空间中无界Gribov-Intissar算子的谱逼近（英文）

在[Adv.Math.(China),2015,44(3):335-353]中,我们研究了经典Bargmann空间Bo中的非自伴算子H_μ:H_μ=S_μ+H_λ,其中S_μ=μz d/(dz),H_λ=iλ(z(d~2)/(dz~2)+z~2 d/(dz)),i~2=-1,参数μ,λ都是实数.我们给出了H_μ的谱分析和H_μ的广义特征向量的渐近分析.设ek(z)=(z~k)/((k!)~(1/2)),k=1,2,…是B0的正交基.算子H_μ可以被一列三对角矩阵逼近,此三对角矩阵的主对角线元素为β_k=μk,次对角线元素α_k=iλk(k+1)~(1/2),1≤k≤n,n∈N.对于μ∈C和λ∈C,本文主要研究上述矩阵的特征值z_(k,n)(μ,λ)的局部化,它是多项式P_(n+1)~(μ,λ)(z)的零点,P_(n+1)~(μ,λ)(z)满足三项递推关系:若"∈R和λ∈R,则上述矩阵是复对称的.在这种情况下,我们证明了R上有界变分复值函数∈(z)的存在性,它使得权重为∈(z)的多项式P_n~(μ,λ)(z)是正交的.我们也考虑了H_μ的扰动H_λ'=S_λ'+H_λ,其中S_λ'=λ'z~2(d~2)/(dz~2)+S_μ,λ'∈R,H_λ可以被矩阵(h_(jk)~λ)_(j,k=1)~∞表示.证明了可以通过S_λ'的特征值和有限矩阵(h_(jk)~λ)_(j,k=1)~n的特征值的组合来逼近H_λ'的特征值.     

线性模型中均值向量的LSE和BLUE的偏差估计

对于线性模型 Y=Xβ+e,E(e)=0,cov(e)=σ~2∑,∑≥0μ=Xβ的LSE和BLUE分别为■=X(X′X)-X′Y和μ~*=X(X′T-X)-X′T-Y,其中T=∑+XUX′,U是对称阵且使Rank(T)=Rank(∑X)和T≥0,本文证明了‖■-μ~*‖_2≤(λ_r-λ_ζ)/(2(λ+λ_k)~(1/2))‖Y-■‖_2这里λ_4=ch_4(T),i=1,2,…,n,λ_1≥…≥λ_n≥0。k=Rank(X),‖a‖_2=(a′a)~(1/2),并且给出了‖cov(■)-cov(μ~*)‖_s‖PT~2P-(PTP)~2‖_s和‖(cov+(μ~*))~(1/2)cov(■)(cov+(μ~*))~(1/2)‖s的上界,这里‖A‖_s=(tr(A′A)~(3/2))~(■),s≥1。     

一点带一面,一题牵一串

定理1 对于x_k>0,y_k>0,(k=1,2,…,n),则: sum from k=1 to n (x_k~2/ y_k)≥(sum from k=1 to n x_k)~2/sum from k=1 to n y_k (*) 证明由柯西不等式得; sum from k=1 to n y_k·sum from k=1 to n ((x_k~2)/ y_k)≥(sum from k=1 to n x_k)~2 ∴sum from k=1 to n (x_k~2/y_k)≥(sum from k=1 to n x_k)~2/sum from k=1 to n y_k(等号当且仅当x_1/y_1=x_2/y_2=…=x_n/y_n时成立。) 运用上题的结论我们可以解答近几年来国内外有较大难度的一串竞赛题,灵活地运用不等式(*)能收到“一点带一面,一题牵一串”的效果。下面略举几例。以供读者参考。     

在Banach空间中推广的Roper-Suffridge算子(Ⅲ)

假定X是具有范数‖·‖的复Banach空间,n是一个满足dim X≥n≥2的正整数.本文考虑由下式定义的推广的Roper-Suffridge算子Φ_(n,β_22γ_2,…,β_(n+1),γ_(n+1))(f):(?)其中x∈Ω_(p1,p2,…,pn+1),β_1=1,γ_1=0和(?)这里p_j1(j=1,2,…,n+1),线性无关族{x_1,x_2,…,x_n}(?)X与{x_1~*,x_2~*,…,x_n~*}(?) X~*满足x_j~*(x_j)=‖x_j‖=1(j=1,2,…,n)和x_j~*(x_k)=0(j≠k),我们选取幂函数的单值分支满足(f(ξ)/ξ)~(β_j)|ξ=0=1和(f′(ξ))~(γ_j)|ξ=0=1,j=2,…,n+1.本文将证明:对某些合适的常数β_j,γ_j,算子Φ_(n,β_2,γ_2,…,β_(n+1),γ_(n+1))(f)在Ω_(p_1,p_2,…,p_(n+1))上保持α阶的殆β型螺形映照和α阶的β型螺形映照.     

On estimating the hidden periodicities in linear time series models

In this paper the tollowing modelX(n)=sum from j=1 to p α_je~(inλj)+ξ_nis considered,where p,λ_1,λ_2,…,λ_p,are constants α=(α_1,α_2,…,α_p) is a random vector and {ξ_n;n=0,±1,±2,…} is a wide-sense stationary sequence with zero means.In [4],theorem about thestrong consistent estimates of λ_1,λ_2.…,λ_p and α are proved under the assumption that α is a constantvector and p and δ are known constants such that0<δ<(?){λ_i-λ_j}.The main purpose of the present paper is to prove theorems on the strong consistent estimates ofparameters p,λ_1,λ_2,…,λ_p and random vector α without knowing p and δ.Numerical examples arealso given to illustrate our method of estimation.     

逼近转化论与泛系逼近论(Ⅱ)

Theorem 1. If B is consisting of y=y±(x), x=a_±, where y_±(x) are bounded, y(x)>y (x),Let H_λ~* be C (D)∩L_2~(1)(D)∩K, K: {integral from y_ (x) to y(x)((g/y)~2dy)}~1/2≤λ, then for, where