SOME LIMIT PROPERTIES AND THE GENERALIZED AEP THEOREM FOR NONHOMOGENEOUS MARKOV CHAINS

Let(ξ_n)_(n=0)~∞ be a Markov chain with the state space X = {1, 2, ···, b},(g_n(x, y))_(n=1)~∞ be functions defined on X × X, and F_(m_n,b_n)(ω) =1 /b_n sum from k=m_n+1 to m_n+b_n g_k(ξ_(k-1), ξ_k).In this paper the limit properties of F_(m_n,b_n)(ω) and the generalized relative entropy density f_(m_n,b_n)(ω) =-(1/b_n) log p(ξ_(m_n,m_n+b_n)) are discussed, and some theorems on a.s. convergence for(ξ_n)_n=0~∞ and the generalized Shannon-McMillan(AEP) theorem on finite nonhomogeneous Markov chains are obtained.     

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。     

无RNP性Banach格中鞅型序列的收敛性

本文证明了(1)设E是序连续Banach格,(x_n,(?)_n)_(n>l)是满足条件(C)的subpramart,若存在a.e.强收敛的强可测函数列(y_n)_(n≥1),使有 0≤x_n≤y_n,(?)_n≥1,则(x_n)_(n≥1~(a.e.))强收敛.且每一个 E~+值反向subpramart a.e.强收敛。(2)设E是AL空间,若(x_n,(?)_n)_(n≥1)是E~+值superpramart,则TLx_na.e.存在。     

鞅论中两权(p,q)极大不等式

<正> 设(X,■,dx)是一概率空间,{■}_(n≥0)是一满足通常条件的子σ-代数的增加族,即平凡(即由所有零集生成),且设U(x),V(x)是(X,dx)上两非负可测函数,1≤p≤q<∞.一个鞅f=(f_n)_(n≥0)称为L~p(Udx)中的鞅,记为f∈L~p(Udx),如果序列{f_n}_(n≥0)在L~p(Udx)中收敛.也用f记其极限.本文中我们要刻划所     

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)     

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   

正态样本最大值与平均值之差的上侧分位数表

设 x_1,x_2,…,x_n 是来自正态总体 N(μ,σ~2)的随机样本,μ∈R,σ~2>0已知,记(?)_n为样本均值,x_(1)≤x_(2)≤…≤x_(n)是此样本的顺序统计量.Nair 和 Grubbs 提出以统计量 R_n=(x_(n)-(?)_n)/σ口进行某些统计检验.特别用以判断最大值是否异常数据.当然 R′_n=((?)_(n)-x_(1))/σ可用以判断最小值是否异常数据,R′_n 的分布与 R_n 相同.这检验的最优性质可由 Kudo 的方法来证.     

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。     

关于有限秩的幂零群的自同构

设G是有限秩的幂零群,1=ζ_0Gζ_1G …ζ_cG=G是G的上中心列,End(ζ_iG/ζ_(i-1)G)是Abel群ζ_iG/ζ_(i-1)G的自同态环(1≤i≤c),End(ζ_iG/ζ_(i-1)G)可以自然地作成一个Lie环.α_1,α_2,…,α_n是G的n个自同构,把它们在ζ_iG/ζ_(i-1)G上的诱导自同构分别记为α_(1i),α_(2i),…,α_(ni)(1≤i≤c).如果由α_(1i),α_(2i),…,α_(ni)生成的Lie环End(ζ_iG/ζ_(i-1)G)的Lie子环都是完全可解的,那么α_1,α_2,…,α_n生成的AutG的子群具有良好的幂零性质.考虑G的下中心列,可以得到对偶的结果.     

Characterization in Approximation with Restricted Ranges

Let [a,b] be a compact set containing at least n+1 points,C the set ofall continuous real valued functions defined on with uniform norm If φ_n=span{φ_1,…,φ_n),φ_i∈C([a,b])and φ_1,…,φ_n is an extended Chebyshev system of or-der,r(1≤r≤n),then we call K={q∈φ_n:l(x)≤q(x)≤u(x),x∈[a,b]} the set ofgeneralized polynomials having restricted ranges,where l and u are extended real     

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Lagrange插值平均收敛的注记

Ⅰ 设w(x)是区间[-1,1]上的权函数,{φ_n(x)}是相应的正交多项式序列,用X:-10,寻找一个附加节点系:     

Asymptotic uniformity of the quantization error for the Ahlfors-David probability measures

Let μ be an Ahlfors-David probability measure on R~q;therefore,there exist some constants s_0 0 and ε_0,C_1,C_2 0 such that C_1ε~(s_0)≤μ(B(x,ε))≤C_2ε~(s_0) for all ε∈(0,ε_0) and x ∈ supp(μ).For n≥ 1,let α_n be an n-optimal set for μ of order r;furthermore,let {P_a(α_n)}_(a∈α_n) be an arbitrary Voronoi partition with respect to α_n.The n-th quantization error e_(n,r)(μ) for μ of order r can be defined as e_(n,r)~r(μ):=∫ d(x,α_n)~r dμ(x).We define I_a(α_n,μ):=∫_(P_a(α_n)) d(x,α_n)~r dμ(x),a ∈α_n,and prove that,the three quantities ■ are of the same order as that of 1/ne_(n,r)~r(μ).Thus,our result exhibits that,a weak version of Gersho's conjecture holds true for the Ahlfors-David probability measures on R~q.     

二次样条插值的收敛性

1.设Δ_n:0=x_00(j=1,2…,n)及对某个dμ>0的条件下证明了在S(Δ_n)中存在唯一的s(x)满足     

最近邻密度估计的逐点强收敛速度

Let X_1,…,X_n be i.i.d,samples drawn from an one-dimenslonal,population withdensity f.Definef_n(x)=(na_n(x))~(1-) sum form i=1 to n K((X-X_i)/(a_n(x))).We study the strong convergence rate of f_n(x) to f(x)at a predetermined point x_o.Under some properly chosen conditions,for f(x_o) and g_n(x_o)proposed in [3],we havepointwisebywhere C_n is any sequence tending to ∞,and n approaches ∞.If f(x)is only assumed tobe continuous at x_o.Then f_n(x_o)may converges to f(x_o)arbitrarily slowly.     

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]):     

n=3时的費尔馬問题

华罗庚教授在其所著“数论导引”一书中,借域R(ω)(R是有理数域,ω为1之三次原根)証明了方程 x~3+y~3+z~3=0,xyz≠0无整数解。本文给出一个比较初等的証法,而无需涉及复数域。先証以下引理: 引理1.不定方程 x_1x_2…x_n=w~3(x_1,x_2,…,x_n两两互质) (1)之一切整数解均可由公式 x_1=α~3,x_2=β~3,…,x_n=τ~3,w=αβ…τ (2)表出,其中α,β,…,τ两两互质。 証.由(2)确定的x_1,x_2,…,x_n,w显然适合(1).今设x_1,x_2,…,x_n,w为(1)之一组解,令 x_1=α~3x′_1,x_z=β~3x′_2,…,x_n=τ~3x′_n,使x′_1,x′_2,…,x′_n为不再含有立方因数之正数。因x_1,x_3,…,x_n两两互质,故α,β,…,τ与x′_1,x′_2,…,x′_n皆两两互质。由(1)知α~3β~3…τ~3|w~3,即αβ…τ|w;设w=αβ…τw_1,代入(1),便得x′_1x′_2…x′_n=w_1~3。若w_1有质因数p,则应有p~3|x′_1x′_2…x′_n。因x′_1,x′_2,…,x′_n两两互质,所以p~3整除某x′_s,这与x′_s沒有     

无界报酬折扣半马氏模型ε最优策略的性质

本文讨论Lippman型无界报酬折扣半马氏决策规划ε最优策略的性质,在§2中证明了:若策略π~*=(π_0~*、π_1~*,…)是ε最优的,则对任何自然数n,策略(π_0~*,π_1~*,…,π_(n+)~*)为(1-β~n)~(-1)ε最优;若策略π~*=(f_0,f_1,…,f_n,π_(n+1),…)是ε最优的,则策略f_n~∞为某ε_n最优。在§3中讨论策略的组合与分解,在§4中给出了一个策略π~*为最优的充要条件和为ε最优的充分条件。     

关于Lekkerkerker格点分布定理的注记

<正> §1 引言我们用 x,c 等表示 n 维实矢量,用|x|=|(x_1,…,x_n)|=(x_1~2+…+x_n~2)~(1/2)表示矢量 x 的长.用∧表示 n 维格(Lattice),即下面诸矢量的集:u_1α_1+…+u_nα_n,(u_1,…,u_n 为整数),其中 α_1,…,α_n 是 n 维实欧氏空间的一组固定的线性无关矢量,称为∧的基底,并把|det(α_1,…,α_n)|称为格∧的行列式,记为 d(∧),它是不依赖于基底选取的不变量.我们还用∧_0表示以单位矢 e_i(i=1,2,…,n)为基底的格.     

索伯列夫空间的有限元迫近

记I_1=(-∞,ξ_1),I_2=(ξ_1,ξ_2),…,I_n=(ξ_(n-1),ξ_n),I_(n 1)=(ξ_n, ∞)。定义H~(m 1)(R,ξ_1,…,ξ_n)={u|u∈H~m(R),在I_i上u∈H~(m 1)(I_i),i=1,…,n 1}。 设μ(x)∈H~m(R),λ(x)∈L~∞(R)。并且满足:1.他们的支集都是R中的有界集合;2·∫_Rμ(x)dx=∫_Kλ(x)dx=1;3.μ(x)满足m-1收敛准则条件,即存在常数b_0=1,b_1,…,