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。     

I~p上单胞移位的拟幂零性(Ⅰ)

设{e_n}_(n=0)~∞是空间l~p(1相似文献   

一个构造增生映像零点的带误差的迭代算法

设E是一致光滑的Banach空间,A:D(A)E→2~E是一个满足值域条件的增生算子,进一步满足线性增长条件:‖Ax‖≤C(1+‖x‖)对某个常数C0, x∈D(A).设z∈D(A)是任意固定元,x_1∈D(A), A~(-1)0≠Φ.定义序列{x_n}D(A)如下:x_(n+1)∈x_n-λ_n(Ax_n+θ_n(x_n-z+e_n)),n≥1,其中{λ_n}与{θ_n}是满足一定条件的非负数列.则x_n→x~*∈A~(-1)(0),(n→∞).作为应用,我们推出构造连续伪压缩映像的不动点的收敛定理.     

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。     

解广义特征值反问题的同伦方法

1.引言 我们讨论下列广义特征值反问题: (G)已知B是n×n阶对称半正定矩阵,λ=(λ_1,…,λ_(2n-1))~T∈R~(2n-1),且{λ_i}~(n_3),和{λ_i}_(n+1)~(2n-1)严格交错。问题是欲求一个实对称三对角n×n阶矩阵A,使得λ_1…,λ_n是Ax=λBx的特征值,λ_(n+1),…,λ_(2n-1)是A_(n-1)x=λB_(n-1)x的特征值,其中A_(n-1),B_(n-1)分别是矩阵A,B的前n-1阶主子阵。     

分式线性迭代数列的敛散性及收敛速度

若a_i,b_i0(i=1,2),|a_1 a_2b_1 b_2|≠0,则数列x_10,x_(n+1)=a_1x_n+a_2/b_1x_n+b_2收敛.若迭代过程中,xn(n=1,2,…)全不是φ(x)=a1x+a2/b1x+b2的不动点,则迭代数列{xn}线性收敛.     

求解逆特征值问题的牛顿类方法的收敛判据

<正>1引言多年来,众多数学工作者在推导和分析如下定义的逆特征值问题(IEP)的理论和算法上表现出了相当大的兴趣.以下我们设c=(c_1,c_2,….c_n)~T E R~n,{A_i}_(i=1)~n是n个实对称的n×n矩阵.定义A(c)=∑ni=1c_iA_i.(1)设A(c)的特征值为{λ_i(c)}_(i=1)~n且λ_1(c)≤λ_2(c)≤…≤λ_n(c).设{λ_i~*)_(i=1)~n为任意给定的n个数并且满足λ_1~*≤λ_2~*≤…≤λ_n~*.我们这里考虑的IEP就是寻找向量c~*∈R~n使得λ_i(c~*)=λ_i~*对任意的i=1,2,…,n.(2)     

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     

关于平稳高斯过程的谱函数估计的渐近性质

<正> 设x_n(n=0,±1,±2,…)是实的平稳高斯序列,E_(xn)=0,F(λ)是x_n的谱函数.由于F(-λ)=F(π)-F(λ),λ≥0。因此要估计F(λ)(-π≤λ≤π),只要估计F(λ)=F(λ)-F(0),(λ≥0)就够了.作     

变系数非线性递归序列的极限

对形如F_(n+p)=(sum from to i=1 to p)a_i(n)F_(n+i-1)~(b_i),n≥1的变系数非线性递归序列{F_n}的极限问题进行了研究,给出了在满足一定条件时,序列{F_n}收敛且极限值与初始值F_i>0,i=1,2,…,p无关.     

线性模型中误差方差估计的完全收敛性

在通常的线性模型y_i=x~_i′β_i+e_i(i=1,2,…)中,设σ~2=V_ar(e_i)。由前n次观测值y_1,y_2,…y_n可得基于残差平方和的σ~2估计(?)_n~2。本文中,当{e_n}为iid时,我们给出了许多(?)_n~2-σ~2完全收敛的充分必要条件,当{e_n)为独立但不同分布时,我们给出了(?)_n~2-σ~2完全收敛的充分条件,同时指出这些条件不能再减弱了。     

一个代数不等式的加强

近两年,在众多刊物上,载有不等式: multiply from i=1 to n(x_i+1/x_i)≥(λ/n+n/λ) (*)这里x_i∈R~+(i=1,2,…,n),x_1+x_2+…+x_n=λ≤n,仅当x_1=x_2=…=x_n时(*)式取等号。现在,我们给出(*)的一个加强: 定理设x_i∈R~+(i=1,2,…,n,n≥2),且sum from i=1 to n x_i=λ(常数)≤n,则 sum from i=1 to n(x_i+1/x_i)~(-1)≤n(λ/n+n/λ)~(-1) (1)当且仅当x_1=x_2+…=x_n时,(1)式中的等号成立。     

L~p(p≥2)空间上的Gauss测度

在[1]中我们研究了实的可分的Banach空间E上的Gauss测度的分解.我们定义 (?)(e_n; E)={(Xn): (Xn) ∈E, Σe_n(ω)x_n a. s收敛}这里e_n(ω)是独立的随机变量,它们的分布是N(0,1).同样可定义.(?)(∈_n;E),{∈_n}是独立的Rademacher序列,P{∈_n=+1}=P{∈_n=-1}=1/2.当E是自反的type-2空间     

算术平均数的一个简单性质的应用

n个实数x_1、x_2、…x_n的算术平均数(x_1+x_2+…+x_n)/n有如下简单性质: 若A≤x_1、x_2…、x_n(≤B),则 A≤(x_1+x_2+…+x_n)/n(≤B) 当且仅当A=x_1=x_2=…=x_n(=B)时等号成立。作为性质1的推论,特别地有推论1若x_1、x_2、…、x_n是n个实数,则min{x_f|i=1,2,…,n}≤≤(x_1+x_2+…+x_n)/n≤max{x_f|i=1,2,…,n} 当且仅当x_1=x_2=…=x_n时等号成立。推论2 若A≤x_1+x_2+…+x_n(≤B),则至少有一个x_k(x_e),使A/n≤x_k(x_a≤B/n),当x_1、x_2。…,x_n互不相等或A相似文献   

非扩张映射和广义变分不等式的粘滞逼近法

应用已提出的非扩张映射的粘滞逼近方法,给定初值x_0∈C,考虑一般迭代过程{x_n},g(x_(n+1))=α_nf(x_n)+(1-α_n)SP_C(g(x_n)-λ_nAx_n),n≥0,其中{α_n}■(0,1),S:C→C是非扩张映射,C是实Hilbert空间H的非空闭凸子集.在{α_n}满足合适的条件下可证明,{x_n}强收敛到非扩张映射的不动点集和广义变分不等式解的公共元,且满足某变分不等式.     

求数列前n项和的三种方法

<正>在我校一次质量检测试卷中,有一道数列题,原题如下:在等差数列{a_n}中,a_2=5,a_1+a_3+a_4=19.(1)求数列{an}的通项公式;(2)若数列{b_n}前n项和为S_n,且S_n+a_n-1/2ⁿ=λ(λ为常数),令c_n=b_(n+1()n∈Nn=λ(λ为常数),令c_n=b_(n+1()n∈N⁺).求数列{c_n}的前n项和T_n.     

一个整数瓶颈问题的两个多项式算法

讨论下列数学模型Ⅰ:求x=(x_1,x_2,…,x_n)适合条件{■a_(ij)x_j≥b_i (i=1,2,…,m) x_j≥0且整数(j=1,2,…,n)使f(x)■{c_jx_j}达到最小值,其中m＜n,a_(ij),b_i及c_j均为正整数。对该模型,建立了两个多项式算法,其复杂度均为O(n~2),并列举了一个数值例子．     

线性模型中误差方差估计相合性的收敛速度

考虑线性模型y_j=x′β+e_j,j=1,2,…,n,假定误差序列{e_j}为ⅱd,随机变量序列,满足Ee_1=0,00,n→∞; (ⅱ)对任何ε>0,n→∞; (ⅲ) 这个结果与{Y_j}为独立同分布场合完全一致。     

标准Jacobi矩阵的混合型特征反问题

0 引言 本文讨论如下标准形式的Jacobi矩阵 其中a_i>0(i=1,2,…,n),b_i>0(i=1,2,…,n-1)。 对于Jacobi矩阵(对称三对角矩阵)的特征反问题,已有的成果[1],基本上集中在由两组频谱或两个特征对(指特征值及相应的特征向量)构造Jacobi矩阵的元素这样两类问题上,习惯上称之为频谱型或特征向量型反问题。本文提出且求解了第三类型——混合型特征反问题。即由一组频谱数据和一个特征向量构造矩阵元素的问题: 问题Ⅰ 给定正数λ~(1),λ~(2),…,λ~(n)和实向量x=(x_1,x_2,…,x_n)~T,其中x_1=1。构造一个标准形式的Jacobi矩阵J,使其第k阶顺序主子阵恰以λ~(k)(k=1,2,…,n)为其特征值。且(λ~(n),x)为其特征对。 问题Ⅱ 给定正数0<λ_1~(n)<λ_1~(n-1)<…<λ_1~(1)和正向量x=(x_1,x_2,…,x_n),其中x_=,x_k>0(k=2,…,n),构造一个标准形式的Jacobi矩阵J,使其第K阶顺序主子阵恰以λ_1~(k)为其最小特征值,而(λ~(n),x)为J的特征对。 问题Ⅲ 给定n个实数0<λ_1)<λ_2<…<λ_n和m个实数λ~(1),λ~(2),…,λ~(m)及m维向量x=(x_1,…,x_m)~T。构造n阶标准形式的Jaeobi矩阵J,使其第K阶顺序主子阵恰以λ~(k)(k=1,2,…,m)为其特征值,而(λ~(m),x)为第m阶顺序主子阵的特征对,且λ_k(k=1,2,…,n)为J的特征值。这里系大于或等