移位寄存器因子关联图的同构与自同构

§1.引言设 f(x_0,x_1,…,x_(n-1))是一非奇 n 元开关函数,我们用(?)(f)记二元域 F_2上以 f 为反馈函数的移位寄存器序列全体组成的集合,用 G_f 记 f 的状态图,用Γ_f 记因子 G_f 的关联图.Γ_f 是一个无向图,它的顶点集 V (Γ_f)由 G_f 的全体圈组成,边集为 F~(n-1)_2,即Γ_f=(G_f,F~(n-1)_2)。称α=(a_1,…,a_(n-1)_∈F~(n-1)_2是圈σ_1和σ_2之间的一条边,如果共轭点对 a=(a_0,     

强收敛意义下岭回归的 C_L 和 GCV 准则的渐近最优性

设有回归模型Y_i=μ_i+e_i,i=1,2,…,n (1)假定 e_1,…,e_n 为 iid.的正态随机变量序列,具有共同的均值0和方差σ~2.每个 Y_i 可通过设计点列 x_(i1),x_(i2),…,x_i_p_n 观察到.为估计 Y=(Y_1,…,Y_n)′的未知均值 μ=(μ_1,…,μ_n)′,可构造一族岭估计(?)(h)=X(X′X+hI)~-1X′Y,h≥0,(2)其中 X=(x_ij)_(n×ρn) 为设计阵,I 为 p_n 阶单位阵.在这里,岭参数 h 的选择是一个十分     

Jacobi法则的推广

在[1](7.9.12)有一个判别二次型惯性指数的Jacobi法则。定理(Jacobi法则) 设A是n级对称阵,D_1,D_2,…,D_n是A的各级顺序主子式,D_0=1。如果D_i≠0(i=1,2,…,n),则存在可逆的变量替换X=PY,其中X=(x_1,x_2…,x_n)~t,Y=(y_1,     

自变元带误差的回归分析

考虑p维随机变元的n个独立观测值X_1,X_2,…,X_n,其中X_t=(x_(1t),x_(2t),…,x_(pt))~t表示第t个观测矢量,它由分量x_(1t),x_(2t),…,x_(pt)组成.x_(it)为第i个变元的第t个观测值.每个x_(it)都是由两个量的叠加而成,即被观测的非随机自变元a_(it)和观测误差ε_(it)的叠     

多重Fourier级数及其线性平均

§1 引言设 n 为自然数.R~n 为 n 维欧氏空间.Q 为 R~n 中的方体:Q={x_1,…,x_n)=x|-π≤x_j<π,j=1,…,n}.R~n 中的点 x=(x_1,…,x_n)与 y=(y_1,…,y_n)的欧氏内积记作 xy=x_1y_1 … x_ny_n,欧氏范数是|x|(x_1~2 … x_1~2.)~(1/2)L(Q)表示在 Q 上 Lebesgue 可积,对每个变元都以2π为周期的 n 元函数的空间.设f∈L(Q),它的 Fourier 系数是C_m(f)=■(m)=(2π)~(-n)∫_Qf(x)e~(-imx)dx m∈Z~n.     

多重线性回归中数据联合影响的分解及数据的交叉影响

一、引言考虑多重线性回归模型Y=Xβ ε,(1)其中,Y=(y_1,…y_n_)′为 n×p 观察矩阵,X=(x_1,…,x_n)′为 n×(k 1)列满秩设计矩阵,β=(β_0,β_1,…β_k)′为(k 1)×p 未知参数矩阵,ε=(ε_1,…ε_n)′为 n×p 随机误差矩阵,ε_1…,ε_n 相互独立.     

t-可约二部分竞赛图的得分表偶

设 T_(m,n)是 m×n 二部分竞赛图,(X,T)是 T_(m,n)的顶点集合 V(T_(m,n)的有序分划,其中|X|=m,|Y|=n.设 X={x_1,x_2,…,x_m},Y={y_1,y_2,…,y_n}.顶点x_1,x_2,…,x_m 在 T_(m,n)中的得分依次为 a_1,a_2,…,a_m,a_1≤a_2≤…≤a_m;y_1,y_2,…,y_n 在 T_(m,n)中的得分依次为 b_1,b_2,…,b_n,b_1≤b_2≤…≤b_n.记 A=(a_1,a_2,…,a_m),B=(b_1,b_2,…,b_n).有序向量偶(A,B)称为 T_(m,n)的得分表偶.反之,给定有序非负整向量偶(A,B),其中 A=(a_1,a_2,…,a_m),a_1≤a_2≤…≤a_m,B=(b_1,b_2,…,b_n),b_1≤b_2≤…≤b_n,是否存在 m×n 二部分竞赛图 T_(m,n),使得(A,B)是 T_(m,n)的     

至多一个变点的Γ分布的统计推断及在金融中的应用

对至多一个变点的Γ分布,即X1,X2…,Xn为一列相互独立的随机变量序列,且X1,X2,…,X[n(τ)0]i.i.d～Γ(x;ν1,λ1),X[n(τ)τ0]+1,X[n(τ)0]+2,…,Xn i.i.d～Γ(x;ν2,λ2),其中(τ)0未知,称(τ)0为该序列的变点.在利用第一型极值分布逼近文中提出统计量的分布的基础上,给出了变点(τ)0估计(τ)的相合性及强弱收敛速度.最后给出了在金融序列上的应用.     

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     

Volterra积分微分方程解的稳定性与有界性

这里A为n×n常数矩阵,C(t,s)为n×n函数矩阵,对0≤s≤t<∞连续,f:(-∞,∞)→R~n连续。 我们规定‖·‖表示向量x=(x_1,x_2,…,x_s)~T或矩阵A=(aij)_(s×s)的模,T表示转置。我们取     

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.     

判断Birkhoff插值矩阵平衡性的一些方法

<正> Birkhoff 插值问题可以描述为:设E=(e_(ij))_(i=0,j=0)~(k+1 n)是一个0,1矩阵(或插值矩阵),其中恰有n+1个1,设x_0相似文献   

张量空间中厄米特算子的一种充要条件

设 L(V)表示 n 维酉空间 V 上的所有线性算子,V 为定义了诱导内积(x~,y~)=(x_i,y_i)的 k 阶张量积空间,其中 x~=x_1…x_k,y~=y_1…y_k 为V 上的可合张量,对于∈L(V),定义W~⊥={(x~,x~)|x_1,…,x_k,o.n.}.本文得到如下结果:(1)设 A_i,B_i∈L(V),i=1,…,k,k相似文献   

由非顺序主子阵和缺损广义特征对构造对称三对角矩阵

本文讨论形如A_nX=λC_nX的方程,其中A_n是一个对称三对角矩阵,C_n是一个对角矩阵.对矩阵A_n进行3×3分块,给定A_n的一个非顺序主子阵A_(r+1,r+s),给定C_n和四个向量X_1=(x_1,…,x_r)',X_3=(x_(r+s+1),…,x_n)',Y_1=(y_1,…,y_r)',Y_3=(y_(r+s+1),…,y_n)'和两个不同实数λ,μ,构造一个对称三对角矩阵A_n和两个向量X_2=(x_(r+1),…,x_(r+s))',Y_2=(y_(r+1),…,y_(r+s))',满足A_nX=λC_nX和A_nY=μC_nY,其中X=(X_1',X_2',X_3')',Y=(Y_1',Y_2',Y_3')'.本文给出问题有解的条件,解的表达式和相应算法,并给出数值算例验证算法的有效性.     

一类二元周期序列的构造

一个二元序列是指α=(α_1,α_2,…,α_n,…),其中α_i= 1或-1,我们称为(±1)序列,α_i=0或1,称为(0,1)序列。令m表示小于n的正整数,以A_(n,m)表示满足条件     

关于保凸Spline插值方法

§1.引言 本文讨论保凸插值方法和单调保凸插值问题.设a=x_0相似文献   

n維向量間的一個問题

本文是討論4個n維向量問的一個問題,具體地來說,就是定理:設A=(a_1,a_2,…,a_n),B=(b_1,b_2,…,b_n),X=(x_1,x_2,…,x_n)和Y=(y_1,y_2,…,y_n)為4個非零的n維向量,其向量分適合 (1) a_ib_j+a_jb_i=x_iy_j+x_jy_i(i,j=1,2,…,n)之諸關係式:那麼A,B一定分别和X,Y或Y,X成比例,即必有二數λ≠0,μ≠0致A=λX,B=μY,或A=λY.B=μX。 證明:當n=1時,A=(a_1),B=(b_1),X=(x_1),Y=(y_1)。因題設A,B,X,Y均非零向量,故此時應為a_1b_1x_1y_1≠0,故A=λX,B=μY或A=σY,B=γX之4個異於零之數λ,μ,σ,γ之存在甚為顯明,此即示定理對於一維向量來講是成立的——實際上,由於(1)的原故,此時還顯然有λμ=1或σγ=1。今用數學歸納法假定定理對於n-1維向量而言是成立的,而來考察適合關係式(1)的4個n維向量A,B,X和Y。因A為非零向量,故它必至少有一個向量分     

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     

一类不等式

<正> 本文首先将(2)换为下面的(4),然后将(3)推广,导出一类不等式. §.2 本文采用记号如下: S_n为n元集{1,2,…,n}上的全体置换所组成的置换群,G为S_n的一个子群. x=(x_1,x_2,…,x_n),α=(α_1,α_2,…,α_n),β=(β_1,β_2,…,β_n)等均为n维欧氏空间中的点,并且不作特别申明时约定各个分量为正.     

一类非自治离散周期系统的周期解

τ∈I={τ_0 i,τ_0>0,i=0,1,2,…},x∈R~n,A:I×R~n→R~n×n和b:I×R~n→R~n是连续的.设对所有的(τ,x)∈I×R~n有某个整数m>1,使得A(τ m,x)=A(τ,x),B(τ m,x)=b(τ,x),并记I_0={τ_0,τ_0 1,…,τ_0 m-1}.这时称系统(1)为离散周期系统,用x(τ,τ_0,x_0)表示系统(1)满足初始条件x(τ_0)=x_0的唯一解,并对初始值x_0是这续的,τ≥τ_0>0.利用Schauder不动点定理,可以证明如下的: