A NOTE ON SOME METRICAL THEOREMS IN DIOPHANTINE APPROXIMATION

本文证明了两条关于丢番图逼近论中的测度定理.(详细叙迷见本文1)这些定理 是P.X.Gallagher定理的改进，并包有W.M.Schmidt的测度定理.还可以导出，例如： 1.对于几乎有的\[({\theta _1},...,{\theta _n}) \in {R_n}\]，适合于 \[\prod\limits_{i = 1}^n {\left\| {q{\theta _i}} \right\|} q{(\log {\kern 1pt} {\kern 1pt} {\kern 1pt} q)^n} < 1,{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} 1 \leqslant q \leqslant h\] 的整数q的个数为 \[\frac{{{2^n}}}{{(n - 1)!}}\log \log h + O({(\log \log h)^{1/2 + \varepsilon }}\] . 此处||X||表示实数X至最近整数的距离，\[\varepsilon \]为任意正常数，而与“О”有关的常数依赖于\[\varepsilon \] 与诸\[\theta \] 2 W. M. Schmidt与王元的转换定理中的性质2奋于几乎所有的\[({\theta _{11}},...,{\theta _{nm}}) \in {R_{nm}}\]都成立.     

关于线性型的一个转换定理

<正> 命θ_1,…,θ_n为一组实数,n≥2;1,θ_1,…,θ_n信在有理数域上线性无关.对实数x,命 ‖x‖=min(x-[x],[x]+1-x),x=max(1,|x|).ε表示任意给定的正数,c_1,c_2表示仅依赖于ε,n,θ_1,…,θ_n的正常数.     

一般损失下k近预测条件风险的指数界

<正> 设(X,θ)为R~d×R~1上随机变量.(X_1,θ_1),…,(X_n,θ_n)为它的独立同分布样本.设X的值已观测,记Z_n=((X_1,θ_1),…,(X_n,θ_n)),要用X和Z_n的值去预测θ的值.设‖·‖为R~d中欧氏距离或最大分量模距离,将X_1,…,X_n重排为X_(n1),…,X_(nn).使得‖X_(n1)‖-X‖≤‖X_(n2)-X‖≤…≤‖X_(nn)-X‖,以θ_(n1),…,θ_(nn)记相应的匹     

EXPONENTIAL BOUNDS OF POSTERIOR RISK FOR k-NN PREDICTION

Let (X,θ),(X_1,θ_1),…,(X_n,θ_n) be R~d×R~1-valued random vectors, it is desired to predict the value of θ, based on the observed value of X and with the help of the training sample Z~n={(X_i,θ_i), i=1,…,n}. Cover(1) used the k-Nearest Neighbor method to this problem, the method is as follows: Introduce a metric ‖X-Y‖ in R_d. Rearrange X_1,…,X_n into X_(n1),…, X_(nn), such that ‖X_(n1)-X‖≤ ‖X_(n2)-X‖≤…≤‖X_(nn)-X‖,and break ties by comparing indices. Choose positive integer k. Denote by θ_(ni) the θ-value associated with X_(ni), i. e., θ_(ni) =θ_j when X_(ni)=X_j. Under the square loss L(θ,α)=     

亚纯函数结合于导数和重值的辐角分布

本文考虑了关于亚纯函数结合其导数涉及重值的辐角分布方面的问题,主要证明了:定理1 设 f(x)是λ级亚纯函数,0<λ<∝,则存在一条由原点出发的半直线 B:arg z=θ_0,(0≤θ_0<2π)使得对于任意正数ε,一切有穷复数 a 与一切有穷非零复数 b 有:(?)(log{n(r,θ_0,ε,f)+n_(k-1)(r,θ_0,ε,f=a)+n_(l-1)(r,θ_0,ε,f~(m)=b)})/log r其中 k,l,m 为正数且满足条件 (m+1)/k+1/l<1.本文还对定理1作了推广。     

Beatty序列中的除数问题

本文研究Beatty序列中的除数问题,证明了在Lebesgue测度意义下,对几乎所有的θ≥1,当k≥5时,一致地有Dk(θ;x)=∑n≤x/θdk([nθ])=θ-1Dk(1;x)+O(x4/5+ε).     

方差分量的非负定无偏MINQE估计

§1 引言对于线性模型Y=Xβ+ε(1.1)其中 Eε=0,Eεε′=θ_1V_1+…+θ_pV_pV_θ≥0,V_1,…,V_p 皆为已知对称矩阵,θ=(θ_1,…,θ_p)′为未知参数称为方差分量;此外,X 是已知矩阵,β为未知参数,在很多场合如随机效应模型,各个方差分量都是非负的,因此很自然地要求相应的估计量也是非负的,为此,C.R.Rao 提出用非负定无偏的 MINQE 估计(记为 MINQE(U,NND)来作为方差分量的估计,并两次指     

一个基本不等式及相应的奇异方向

本文证明了一个用N(r,1/f)和N(r,1/(F-1))去限制亚纯函数f的特征函数T(r,f)的基本不等式,其中F=f~(k) a_nf~n … a_1f,这里的n和k满足1≤n相似文献   

关于Hardy-Littlewood一个定理的注记

若圆|z|<1内解析函数f(z)=f(re~(iθ))对所有00,)则称f(z)∈H_p。H_p类解析函数f(z)在|z|=1上几乎处处有角形边界值f(e~(iθ)),且满足‖f(e~(iθ))‖_p<+∞([1]第二章)。这时称函数 为f(e~(iθ))的k阶积分连续模,其中κ为任意自然数。当κ=1时,简记ω_1(δ)_p=ω_p(δ)。 关于H_p(p≥1)类解析函数,Hardy—Littlewood有一个定理([2]定理48):     

一种方式分组随机模型中估计方差分量的最小风险设计

§1.引言一种方式分组随机模型:y_(ij)=β α_i ε_(ij),i=1,…,n,j=1,…,m_i,(1.1)其中 ε_(ij)(i=1,…,n,j=1,…,m_i)是相互独立的随机误差,α_i(i=1,…,n)是独立的随机变量.Eα_i=Eε_(ij)=0,varε_(ij)=θ_1>0,varα_i=θ_2≥0,cov(α_i,ε_(ij))=0.β、θ_1、θ_2是未知参数,β∈R~1,(θ_1,θ_2)~T∈Θ(?){θ_1>0,θ_2≥0}.     

关于整函数及其各级导数的辐角分布

本文考虑了关于整函数结合其各级导数涉及重值时的辐角分布方面的问题,主要证明了定理1 设 f(z)为λ(0<λ<∞)级整函数,则存在一条由原点引出的半直线(B):argz=θ(0≤θ_0≤2π),使得对于任意正数ε,一切有穷复数 a 与一切有穷非零复数 b 有((?)log{n_(k-1)(r,θ_0ε,f=α)+n_(l-1)(r,θ_0,ε,f~(m)=b)})/(logr)=λ,其中 m,k,l 为满足条件[(m+1)/k]+1/l<1的任意三个正整数.同时,文中还对定理1作了推广.     

关于“M类矩阵及差分格式稳定性条件”一文的评注

在本刊1979年第3期发表的“M类矩阵及差分格式稳定性条件”一文中,作者提出了差分格式稳定性的三种条件.包含在定理3.1的两个条件为:设非奇异矩阵V是将G(Δt,k)变成Jordan矩阵的变换矩阵,‖V‖_2·‖V~(-1)‖_2≤C~2,其中C~2是常数,则 1)当G(Δt,k)是M类矩阵时,Von Neumann条件是稳定的充分条件     

随机整数划分的概率分析（英文）

令n≥1是自然数,它的一个整数划分是一列自然数λ_1,λ_2,…,λ_l(l≥1)使得λ_1+λ_2+…+λ_l=n.令P_n表示n的所有整数划分的集合,P表示所有整数划分的集合,通过赋予每个划分λ一个概率测度可以得到概率空间.特别地,有趣的概率测度包括均匀测度和Plancherel测度以及乘性测度.这些整数随机划分的概率极限理论内容非常丰富.本文综述一些研究成果和进展,包括极限形以及波动.为叙述简单起见,主要集中在均匀划分和Plancherel划分,并且重点介绍两个模型中所用到条件概率的论证思想和方法,大多结果不加以详细证明.     

下标降序法最近邻判别分析

§1 引言设(X_1,θ_1),…,(X_n,θ_n),(X,θ)为在R~d×{1,…,M}上取值的i.i.d.随机向量。问题是要利用X的观察值及历史样本(X_i,θ_i),i=1,…,n对类别变量θ进行判别。假定在R~d上给定了某一距离函数p(·,·)(比如欧氏距离等),那么可按照诸X_i与X的距离由小到大把诸X_i重新排列为X_(R1),X_(R2),…,X_(R_n,相应的θ_i也被排列为θ_(R1),θ_(R2),…,θ_(Rn)。若采用θ_(R1)来判别θ,这就是所谓的最近邻判别法。Derroye,Wagner,Fritz,陈希孺及白志     

从L_1(G)到Segal代数的乘子算子

设S(G)是局部紧Abel群G上的Segal代数,M(G)是G上所有有界正则测度组成的Banach代数,{a_n}是L_1(G)的近似单位元并且‖a_n‖_1=1,(?)_n有紧的支集,令M_s(G)={μ∈M(G)|‖a_n*μ‖_s≤C,n=1,2,…},在M_s(G)内定义范数是本文主要结果是:μ是(L_1(G),S(G))乘子当且仅当μ∈M_s(G),并且‖T_μ‖=‖μ‖_(M_s),其中T_μ=μ*f,f∈L_1(G)。这一结论大大改进了Goldberg和Seltzer的结果。     

方差分量的 Bayes 二次不变估计及容许性

设计线性模型nn1/Y=XB ε（1）其中 E_ε=0,Eεε′=θ_1v_1 … θ_p v_P(?)v_0≥0,v_1,…,v_p 为已知对称矩阵,X 为已知矩阵,β、θ(?)(θ_1,…,θ_p)′为未知参数,进一步我们假定ε有有限四阶矩,记为 E(εε′(?)εε′)=ψ.设f′θ(?)f_1θ_1 … f_pθ_p,并且 f′θ是无偏不变二次可估的(即存在对称矩阵 A 满足AX=0使 EY′AY=f′θ).对这样的f′θ,C.R.Rao 提出用 MINQE(U,I)来估计 f′θ.但是一般地 f′θ的 MINQE(U,I)依赖于θ的先验值α.如果θ的真值与它的先验值不符,     

平方损失下的可容许估计

设(x)为样本空间,P_θ为其上的分布族,θ∈Θ为参数.欲估计g(θ),损失函数为L(g(θ),d).称R(g(θ),d(X))=EL(g(θ),d(X))为估计d(X)的风险函数.称d_0(X)是g(θ)的可容许估计,如果不存在其它估计d_1(X),使得R(g(θ),d_1(X))≤R(g(θ),d_0(X)),对一切θ∈Θ,且不等号至少对某θ_0∈Θ成立.设在参数空间Θ上建立了σ~-域θ,ξ为(Θ,θ)上σ~-有限测度.称g(θ)的估计δ_0(X)关于ξ是几乎可容     

鞅的(Φ_1,Φ_2)-型倒向极大不等式

设Φ_1,Φ_2是非负凸函数,证明了鞅的倒向极大算子不等式‖f‖Φ_2≤C‖f*‖Φ_1对于任意鞅f=(f_n)_n≥0成立的充分必要条件是Φ_2(?)Φ_1;鞅的极大算子均方算子的极大极小不等式‖M(f)‖Φ_2≤C_1‖m(f)‖Φ_1及‖m(f)‖Φ_2≤C_2‖M(f)‖Φ_1成立的充分必要条件是Φ_2(?)Φ_1,这里M(f)=max{f*,S(f)},m(f)=min{f*,S(f)}分别是极大算子、均方算子的极大极小函数.     

对“关于一类 Siegel E-函数的丢番图不等式”一文的注记

<正> 我们在文章(1]中建立了含有一类 Siegel E-函数的丢番图不等式,给出了表达式x′_1x′_2…x′_k‖x_1f_1(α)+…+x_kf_k(α)‖与y‖yf_1(α)‖…‖yf_k(α)‖的下界估计.这里,对实数ξ,‖ξ‖=(?)|ξ-n|,ξ′=max(1,|ξ|),f_i(z)是[1]中定义的一类 Siegel E-函数,x_1,…,x_k 和 y 是有理整数,y>0,α为满足一定条件的有理数.在下界估计中,依赖于α,f_i(z)以及 f_i(z)所满足微分方程组的有关常数没有     

指标在T_θ~d上变动的B-值I.I.D.R.V.’S的叠对数律

记B是可分Banach空间,X是B-值随机变量,N~d={■=n_1,…,n_d);n_i=1,2,…,i=1,…,d},T_θ~d={■∈=(n_1,…,n_d),θn_i≤n_y≤θ~(-1)n_4,i≠j,i,j=1,…,d},其中d≥2,0<1。本文研究指标在T_θ~d上变动的B-值i. i. d. r. v. ’s的四种类型的叠对数律(即BLIL~(θ,α)_1,BLIL~(θ,d)_2CLIL~(θ.D)_1和GLIL~(θ,d)_2,获得了X∈BLIL~(θ,α)_1、X∈BLIL~(θ,d)_2、X∈GLIL~(θ,d)_1和X∈GLIL~(θ,d)_2的充要条件。