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。     

关于正态随机变量的线性函数的分布

<正> 关于正态随机向量有结论:一个n维正态随机向量(ξ_1,ξ_2,…,ξ_n)的线性函数a_1ξ_1+a_2ξ_2+…+a_nξ_n是一维正态随机变量,其中a_i,i=1,2,…,n是不全为0的实数。n个相互独立正态随机变量是n维联合正态的,故n个独立正态随机变量之线性函数是一维正态的。     

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.     

关于正态随机变量线性组合的分布的一个充要条件

设ξ_1,ξ_2,ξ_3,…,ξ_n 为定义在同一概率空间(Ω,(?),P)上的任意 n(≥2)个正态随机变量,本文给出 a_1ξ_1+…+a_nξ_n(其中 a_1,a_2,…,a_n 均为非零实数)不是正态随机变量,而其任意 r(1≤r≤n-1)个的线性组合均为正态随机变量的一个充要条件,并指出文[1]的结果是本文的一个特例.     

关于诱导极限有界集的一些结果

<正> 设E_1■ E_2■ E_3…为局部凸Hausdorss线性拓扑空间序列,E_n所具有的拓扑记作ξ_n,(E,ξ)=indlim(E_n,ξ_n)为其相对于连续恒同映照id:(E_n,ξ_n)→(E_(n+1),ξ_(n+1))的Hausdorff诱导极限(见[1],p.57).显然,(E_n,ξ_n)的每个有界子集必为(E,ξ)的有界子集.Dieudonne-Schwartz定理指出:若对于n∈N,E_n闭于(E_(n+1),ξ_(n+1)),且ξ_(n+1)关于E_n的相对拓扑等于ξ_n,则E的子集B为ξ-有界,当且仅当存在n∈N使B为(E_n,     

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,…,     

测度弱收敛中的一个方法

<正> 设ξ,ξ_n,n=1,2,…为随机过程.我们常常遇到的一类问题是:已知ξ_n的有限维分布收敛于ξ的有限维分布,问要加上什么条件就可以推出ξ_n依分布收敛于ξ?随机过程可以看作是取值于函数空间的随机元,因此这类问题可以化为函数空间上测度的弱收敛问题. 郑曾同考虑了一般的函数空间,获得了函数空间上测度弱收敛的一个准则.他的     

计算多项式零点的一种单纯轮回算法

本文讨论多项式零点算法及其计算复杂性问题。为简单起见,多项式都已写成f(z)=z~n+c_1z~(n-1)+…+c_(n-1)z+c_n的形式,这里n是正整数,z=x+iy是复变量,c_1,…,c_n是复常数。接照代数基本定理,我们也可以写f(z)=(z-ξ_1)…(z-ξ_n),这里ξ_1,…,ξ_n是多项式的全部n个(精确)零点。     

关于平稳序列随机变秩顺序统计量的极限分布

令{ζ_n}是平稳序列,ζ_1~(n)≤ζ_2~(n)≤…≤ζ_n~(n)是ζ_1,…,ζ_n的顺序统计量,x∈R,a_n>0,b_n是实数列,u_n=α_nx+b_n,设f_n(x),g_n(x)是取正整数值的波雷尔可测函数,且f_n(x)≤g_n(x)≤n,g_n(x)关于n严格递增,设X是离散值随机变量且关于σ(ζ_1)可测,令对某q∈(0,1)有 本文在一种混合条件下,讨论了的渐近性质。     

控制系统设计中的鲁棒性度量

§1.定义和定理 鲁棒的极点配置问题是线性多变量控制论中的一个课题(见[1,2,5,6]),它可以表述如下:已知n×n实矩阵A,n×m实矩阵B和? ={λ_1,λ_2,…,λ_n},其中rank(B)= m,每个λ_j是实数或者在?中成复共轭对出现.求m×n实矩阵F,使得     

大数定律的推广

引理1.設α≥0,則 引理2.若 1) y_n+1>y_n(n=1,2,…,); 2) (?)y_n=+∞; 3) (?)(x_n+1-x-n)/(y-n+1-y_n)存在,則 这两个引理的証明可参看[1]及[2];引理2又称为施篤茲定理。下面我們用σ_n~2表示随机变量ξ_n的方差,用ρ_(ij)表示随机变量ξ_i与ξ_j的相关系数。定理.設{ξ_n}是一随机变量序列,如果存在0≤λ<1,使得 1) (σ_1~2+…+σ_n~2)>A,对任何n成立; 2) 当|i-j|→∞时,|i-j|~λρ_(ij)一致趋向于0,則这随机变量列滿足弱大数定理。     

关于对称平均数定理及其应用

我们把n个正数α_1,α_2,…,α_n的k次对称平均数定义为其中k≤n为正整数;根号内分子部分是n个正数每次不重复地取k个的乘积之和,共有C_n~k项。为简单计,我们把(1)记为∑_n~k(α_1,α_2,…α_n),或者有时就记为∑_n~k。显然, ∑_n~1(α_1,α_2,…α_n)=(α_1 α_2 ……α_n)/n即为n个正数的算术平均数,而∑_n~n(α_1,α_2,…α_n)=则是n个正数的几何平均数。本文先介绍有关n个正数的k次对称平均数的重要性质的两个定理,然后给出它的一些应用。首先,我们证明定理1.(∑_n~k)~(?)k≥(∑_n~(k 1))~(k 1)·(∑_n~(k-1))~(k-1)(k=1,2,…,n-1) (这里规定∑_n~0=1)。证明.为书写方便,记(∑_n~k)~k=P_n~k。因而我们要证明的就是 (P_n~k)~2≥P_n~(k 1)·P_n~(k-1)(P_n~0=1,k=1,2,…n-1)     

相依误差下回归系数 LS 估计的收敛速度

其中 x(ij)(j=1,…,p,i=1,2,…)是已知常数,常称之为模型(1)的设计常数或设计点列,β_1,…,β_p,为未知的回归系数,y_i,e_i 分别为第 i 次量测时的量测值和量测随机误差。以下,我们记设计矩阵(x_(ij))(?)≤(?)≤n,(?)≤j p 为 X_n,Y_n=(y_1,…,y_n)′,β=(β_1,…,β_p)′.并假定对某N,X′_N X_N 非退化,那么当 n≥N 时,X′_n X_n 亦非退化,且回归系数β的基于前 n 次量测值 Y_(?)及设计矩阵 X_(?)的最小二乘估计(通常简记为 LS 估计) b_(?)=(b_(?)1, …,b_((?)p)'为     

逆向最值问题的常用解法

已知函数F(x,λ_1,λ_2…,λ_n)的最大值M或最小值m,其中x为变量,λ_1,λ_2…,λ_n为参数。要求参数λ_1或λ_2…、λ_n的值,或所满足的条件。这类问题。称为“逆向最值”问题。由于逆向最值问题结构新颖,综合性强,解法灵活,因此,近年来高考、数学竞赛中不断出现这类问题,作为考查学生掌握和灵活运用数学知识和方法解决问题的能力;数学教学中,我们也经常选用这类题型,作为巩固知识的方法,培养逆向思维,拓广解题思路,训练并提高学生的数学解题能力。     

关于时间序列线性预报问题的单纯形算法

本文考虑稳定时间序列的p阶线性预报问题,提出一个不受异常值影响的数学模型: 其中当k<1及k>n时ξ_k=0。进而将(1)归结为含有自由变量的线性规划问题 min1~Tδ~++1~Tδ~- (2) s.t.Aα+[E,-E][δ~(+T),δ~(-T)]=b,δ~+,δ~-≥0。其中α=[α_1,…,α_p]~T,b=[-ξ_2,…,-ξ_n,0,…,0]~T∈R~(p+n-1),1=[1,…,1]~T∈R~(p+n-1),A是(p+n-1)×p阶Toeplitz矩阵     

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     

《标准正交基的一种求法》的注记

贵刊1991年第3期《标准正交基的一种求法》一文,给出用矩阵的合同变换把R~n的一个基{α_1.α_2,…,α_n}化为标准正交基{β_1,β_2,…,β_n}的一种方法。这种方法是以向量α_1的分量作为第i列(i=1,2,…,n)作出矩阵A,A′A是一个n阶正定矩阵,所以存在n阶可逆矩阵T     

有限状态马尔可夫链的某些研究

设(ξ_n,n≥0)是状态空间为{l,2,…,s}的不可约马尔可夫链,其转移概率矩阵是P.用v_(ni)表示在ξ_1,ξ_2,…,ξ_n中状态i出现的次数(i=1,2,…,s).用(q_1,…,q_2)表示对应于P的唯一平稳分布.设a_1,…,a_s是满足条件 q_1a_1 q_2a_2 … q_sa_s=0的任意实数. 在本文中,我们求出了v_(n1),…,v_(ns)的矩母函数,给出了1/n~(1/2) sum from 1 to 8 a_i v_ni及(v_n1-nq1)/n~(1/2),…,v_(ns)—nq_s/n~(1/2))的极限分布的明显表达式(当n→∞时)。一些有关的结果也得到了。     

三角在代数上的一个应用

指明一个实系数多項式P(x)是否有实根常常是一件很重要的事情。我們已經有施斗姆方法能指出P(x)实根的个数,当然也指出了非实复根的个数。下面仅提出一个P(x)有非实复根的充分条件作为三角在代数上的一个应用。定理实系数多項式P(x)=x~n+a_1x~(n-1)+…++a_n当(a_1-a_3+a_5-…)~2+(1-a_2+a_4--…)~2≤1,a_n(?)0时,一定有非实复根。为了証明这个定理,我們先証明两个公式: sin(α_1+α_2+…+α_n)==cos α_1 cos α_2…cos α_n(T_1-T_3+T_5-…),(1)cos(α_1+α_2+…+α_n)==cos α_1 cos α_2…cos α_n(1-T_2+T_4-…),(2)其中T_k为tg α_1,tg α_2,…,tg α_n中每k个相乘相加k=1,2…n。为了証明公式(1),(2)采用如下的归納法:設有两个命題f(n),g(n)。1) 当f(1),g(1)都是真确的。2) 假設f(n-1),g(n-1)都是真确的,可以推出f(n),g(n)也是真确的。则对所有的自然数n,f(n),g(n)都是真确的。     

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: