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。     

一类“数学问题”的统一证法

文[1]给出了不等式:已知x,y,z∈R+,m∈N+.求证:x/mx+y+z+y/x+my+z+z/x+y+mz≤3/m+2. 文[2]给出了不等式:已知xi＞0(i=1,2,…n),k＜1,求证: n∑i=1 xi/x1+x2+…+xi-1+kxi+xi+1+…+xn≥n/n+k-1. 文[3]给出了不等式:设ai＞0(i=1,2,3,…,n),p∈R,q＞0,且n∑i=1ai=A,Si=pai+q(A一ai)＞0(i=1,2,…,n),求证:     

关于切点单形两个不等式的推广

设n维欧氏空间E~n中n维单形∑_A的顶点为A_i(i=1,2,…,n 1),∑_A的内切球和各侧面相切于点A’_i(i=1,2,…,n 1),以A’_i为顶点的单形∑_A’称为∑_A的切点单形.     

INTEGRABILITY VIA INVARIANT ALGEBRAIC CURVES FOR PLANAR POLYNOMIAL DIFFERENTIAL SYSTEMS

1 IntroductionBy definition a complex (respectively reao planar polynomial differentialsystem or simply a polynomial system is a differential system of the formdx. da.~ = i = p(x,y), ac = i = Q(x,y), (l)dt dt ~ y = Q(x,y), (l)where the dependent variables x and y are complex (respectively real), theindependent one (the time) t is real, and P and Q are polynomials in thevariables x and y with complex (respectively real) coefficients. In all thispaper m = ma-c{deg P, deg Q} denote the degree o…     

A CLASS OF NONLOCAL BOUNDARY VALUE PROBLEMS OF NONLINEAR ELLIPTIC SYSTEMS IN UNBOUNDED DOMAINS

We consider the following boundary value problem ill the unbounded donain Liui = fi(x,u, Tu), i = 1, 2,' ! N,x E fl, (1) olLi "i0n Pi(x)t'i = gi(x,u), i = l, 2,',N,x E 0fl, (2) where x = (x i,', x.), u = (u1,' f uN), Th = (T1tti,', TNi'N) and [ n. 1 L, = -- I Z ajk(X)the i0j(X)C], Li,k=1' j=1 J] l Ltti = / K(x,y)ui(y)dy, x E n. jn K(x, y)ui(y)dy, x E n. Q denotes an unbounded dolllain in R", including the exterior of a boullded doinain and 0…     

Radon不等式的推广及其应用

Radon不等式[1]设ai≥0,bi>0(i=1,2,…,n),l∈N,则∑ni=1ail 1bil≥(∑ni=1ai)l 1(∑ni=1bi)l(1)本文将(1)式推广如下:设ai≥0,bi>0(i=1,2,…,n),l∈N,k∈N ,则∑ni=1ail kbil≥(∑ni=1ai)l k(∑ni=1bi)lnk-1(2)证记(2)式左端为A,B=∑ni=1bi.由均值不等式,得以下n个不等式:a1l kb1lA bB1 bB1 … bB1l个 1n 1n … 1nk-1个≥(l k)a1l kABlnk-1.同理a2l kb2lA bB2 … bB2 1n … 1n≥l( lk k)a2.……anl kbnlA bBn … bBn 1n … 1n≥l (kl k)anABlnkq-1.将以上n个不等式的两边分别相加,得AA lBB (k-1)≥(l lk AkB)lni∑=nk1-a1i.约去…     

多参数同时估计的容许性

令 X_1,…,X_n 是一串独立随机变量,且 X_1～P_(θ_i)θ_i∈(?)_i,(i=1,2,…,n),假设估计θ_i 的损失函数为 L(θ_i,d_i),δ_i(X_i)是仅依赖 X_i,θ_i 的一个容许估计(i=1,2,…,n).现在我们要同时估计(θ_1,…,θ_n)′(?)θ,其损失函数取为 sum from i=1 to n L(θ_i,d_i),那么(δ_i(X_1),…,δ_n(X_n))′是θ的容许估计吗?早在50年代,Stein 就证明了,在 n≥3,X_i～N(θ_i,1),L(θ_i,d_i)=(θ_i-d_i)~2条件下,上述结论不成立.近20余年,很多作者也研究了这个问题,指出 Stein 的现象对许多分布,例如 Poisson 分布,Gama 分布,负二项分布及位置参数估计皆存在.但在什么条件下,(δ,(X_1),…,δ_n(X))′是容许的则很少研究,仅仅有少数特殊情况下的结果(见[3]).本文给出了相当一般的充分条件(定理1.1),利用定理1.1,研究了 L(θ_i,d_i)=λ(θ_i)(g(θ_i)-d_i)~2时,结论成立的充分条件(定理2.1).还给出了多个位置参数,Pitman 估计为容许的充分条件.最后一节给出了五个具体例子,它包括在平方损失下,多个正态密度及分布函数的容许估计;参数自然区间 为有限区间之指数族分布,在平方损失下,同时估计多个均值的线性容许估计;若 X_i～Poisson 分布 P_(2_i),i=1,2,…,n(a_1x_1,…,a_nx_n)′在损失函数sum from i=1 to n     

可换序列上,下极值的联合渐近分布

设X_(j,n),1≤j≤N,n=1,2,… 为一r.v.三角阵,X_(1,n),…,X_(N,n)的顺序统计量为 X_(1,n)~*≤X_(2,n)~*≤… ≤X_(N,n)~* [1]考虑了两种情况:(i)N=n,X_(1,n),…,X_(n,n)为可换r.v.无穷序列的一段及(ii)X_(1,n),…,X_(N,n)为i.i.d.r.v.,N=N(n,ω) 为与这些X_(j,n)独立的正整值r.v.,并给出     

矩阵损失下随机回归系数和参数的线性Minimax估计

对于一般的随机效应线性模型Y=Xβ+ε,这里β和ε分别是p维和n维的随机向量,且E(βε)=(Aa0),Cov(βε)=σ2(V10 0V2),(Vi≥0,i=1,2)我们定义了Sα+Qβ的线性Minimax估计,在一定条件下得到了Sα+Qβ在线性估计类中的Minimax估计,并在几乎处处意义下证明了它的唯一性.     

关于正规矩阵特征值的扰动

设N与A均为n×n正规矩阵,其特征值分别为{v_i}_(i=1)~n与{α_i}_(i=1)~n。Hoffman和Wielandt证明了:存在1,2,…,n的一个排列π(1),π(2),…,π(n),使得|| ||_F表示Frobenius范数。 当N为n×n Hermite矩阵,A为n×n可对称化矩阵,即存在非奇异矩阵Q=I X,使得Q~(-1)AQ为Hermite矩阵时,Stewart证明了:如果N与A的特征值分别     

本质集的邻域并和图的哈密尔顿性

Let G be a graph. An independent set Y in G is called an essential independent set (or essential set for simplicity) if there is {Y1, Y2} 包含于Y such that dist (y1,y2)=2. In this paper, we use the technique of the vertex insertion on l-connected (l=k or k 1, k≥2) graphs to provide a unified proof for G to be hamiltonian, or hamiltonian-connected. The sufficient conditions are expressed an inequality on ∑i=1 K|N(Yi)| b|N(y0)| and n(Y) for each essential set Y={y0,y1,…,yk}, where b (1≤b≤k）is an integer,Yi={yi,yi-1,…,yi-(b-1}包含于Y\{y0} for i属于V（G):dist(v,Y)≤2}|.     

〈成对数据比较〉的相关分析

对二总体X、Y,测得成对数据(xi,yi),i=1,2,…,n.要判别X、Y间有无显著差异,对此问题有的书中称为<成对数据比较>. 通常方法是:由ui(=yi-xi),i=1,2,…,n,检验u=(Y-X)是否服从均值为零的正态分布N(0,σ2).当　时,认为X与Y有显著差异.其中 在实际问题中,检验的拒绝域是与两总体抽取样本的相关系数有关的.例如,为了比较两种药品的疗效X、Y,让同一病人分别服用两种药品而获得一对数据.n个病人共得n对数据(xi,yi)i=1,2,…n.在这个试验中,X和Y通过试验的中间客体──病人发生了相关关系,X、Y不再是独立的,将ui=yi-xi代入,得检验的拒绝域形式…     

一类高维种群动力系统的持续性

§1.引言 对于下述形式的Kolmogorov系统: x_i=x_if_i(x_1,x_2,…x_n),i=1,2…,n, (1.1)其中x_i=dx_i(t)/dt,x_i(t)表示种群x_i在时刻t时的种群密度,X=(x_1,x_2,…,x_n)∈R_ ~n,f_i(x)∈C~1(R_ ~n),这里R_ ~n={X|x_i≥0,i∈N},而N={1,2,…,n},R_ ~(n,0)={X|x_i>0,i∈N},在条件X(0)={x_1(0),x_2(0),…,x_n(0)}∈R_ ~(n,0)下,如果对一切i∈N:有lim sup_(t→∞)x_i(t)>0成立,称系统(1.1)弱持续生存;若liminf_(t→∞)x_i(t)>0成     

矩阵损失下回归系数和误差方差的联合估计的可容许性的几个结果

设有线性模型:Y=(Y_1,…,Y_n)＇=Xβ+ε=Xβ+(ε_1,…,ε_n)＇,其中X:n×p已知,β=(β_1,…,β_p)＇未知,ε_1,…,ε_n独立,E_(ε_i)=E_(ε_i~3)=0,E_(ε_4~2)=σ~2,F_(ε_i~4)=3σ~4,i=1,2,…,n,0<σ~2<∞,σ~2未知。在矩阵损失下,我们考虑(Sβ,σ~2)的联合估计(AY,Y＇BY)在估计类×={(CY,Y＇DY):C为m×n的常数阵,D≥0为n×n的常数阵中的可容许性,得到了(AY,Y＇BY)为(Sβ,σ~2)的可容许估计的一些充分条件和必要条件。     

赋范线性空间的限制逼近及其应用

这里A是某个紧Hausdorff空间,l,u∈C(A).G是由{h_1,…,h_n}张成的n维子空间,且满足下述条件: i)h_i是定义在T∪A上的函数,且在T上,h_i∈L_p~w(T,μ),在A上连续(i=1,2,…,n)。 ii){h_i}_i~n=1在T和A上分别是线性无关的.     

对两个代数不等式的探索

文[1]给出了如下定理及猜想:定理1对于任意实数x,y,a,b有(x-a)2 (y-b)2≥(x2 y2-a2 b2)2.定理2已知x,y,xi,yi∈R(i=1,2,…,n),且x2 y2≥n∑i=1xi2 yi2,则(x-n∑i=1xi)2 (y-n∑i=1yi)2≥(x2 y2-n∑i=1xi2 yi2)2(1)猜想,已知x,y,xi,yi∈R(i=1,2,…,n),则(x-n∑i=1xi)2 (y-n∑i=1y     

准马尔可夫矩阵能扩充为转移矩阵的充要条件

<正> 一个取值于{0,1,2,…,N}的随机过程 Y(t)(t≥0) 称为 n 阶准马尔可夫链,如果对任意 i=1,2,…,N,T>0,在事件{Y(T)=i}和(?)_T={Y(s);0≤s≤T}的条件下,过程 Y(T+t) (t≥0) 的有限维分布仅依赖于 i 而不依赖于 T 和(?)_T(见[1]).当此性质对 i=0也成立,Y(t)就是通常的马尔可夫链.     

环的交换性定理

本文证明了: 定理1 设R是有左单位元e的结合环的而N为其诣零元集合,如果R中恒有。(i) x~(n(x))-x∈N x∈R此处n(x)是大于1的依赖于x的整数;(ii) x≡y(mod N)就导致x~i=y~i x~j=y~j i=i(x,y) j=j(x,y) (i,j)=1是与x,y有关的大于2的整数或者x,y与N中每一元都可交换。则R为交换环. 定理2 若R是kothe半单环,a,b∈R,存在k≥m=m(a,b)≥1;l≥n=n(a,b)》1使得[(ab)~m(ba)~n]∈Z(R)且R之特征为p(素数),则R为交换环。     

方差估计的随机加权逼近及随机加权法在抽样调查中的初步应用

设X_1,X_2,…是一组独立同分布的随机变量序列,其方差μ_2是待估参数,当x_4,i=1,2,…,n,给定下,用D_n=sum from i=1 to n(V_(ni)(X_i-sum from i=1 to n(V_(ni)X_i)~2)-1/n sum from i=1 to n(X_i-X)~2的条件分布来渐近T_n=(1/n)sum from i=1 to n(X_i-X)~2-μ_2的分布。这里D_n中的V_(ni),i=1,2,…,n,是服从 Dirichlet分布D(4,4,…,4)的随机变量。若记 F_n和F_n~*分别是T_n/(VarT_n)~(1/2)的分布和D_n/(Var~*D_n)~(1/2)的条件分布,其中Var~*D_n是关于X_1,X_2,…的条件方差。则在一定条件下,对几乎所有的样本序列X_1,X_2,…, (i)n~(1/2)D_n→N(0,μ_4-μ_2~2) 其中μ_4=E(X_1-μ)~4,μ=EX_1 ii)n(1/2)sup|F_n~*(y)-F_n(y)|=0(1) iii) lim sup |F_n~*(y)-F_n(y)|=0 最后,本文对随机加权法如何应用于抽样调查之中,进行了一个初步的尝试。     

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.