离散型p次Dirichlet型第一特征值

设μ=(μ_i)_i≥0为Z_+上的测度且p 1,考虑下述离散型p次Dirichlet型D_p(f)=Σ_(i=0)~∞μ_ib_i(f_i-f_(i+1))(f_i~(p-1)-f_(i+1)~(p-1)),f≥0,其中(b_i)_(i≥0)为Z_+上的正序列.本文旨在给出空间L~p(μ)上p次Dirichlet型D_p(f)所对应的第一特征值λ_(0,p)=inf{D_p(f):‖f‖_p=1,f非负且具有紧支撑}的上下界精细估计.     

边界层的奇性分析

设 λ∈[λ_0,∞)(0<λ_0<<1),H_1=H_0~2(Ω)∩H~3(Ω),H_2=H_0~1(Ω)∩H~3(Ω),H_3=H~3(Ω),k_1=1/4,k_2=1/12,k_3=1/36,J_6(λ)=integral d(x,Γ)≥a~λlog(1+a~(-β) |△▽(u_e-u)|~2dx,α(ε)=1/6×log_ε1/C(C>1).我们考虑问题(?)定理.若 u=f∈H_i,对问题(1),有如下三种情形成立:i)正规区域 当 λ_0≤λ≤1/6-α(ε)时,有J_6(λ)≤C‖f‖_(H~3(Ω))~2;ii)奇性增长区域当1/6-α(ε)<λ<1/6+k_i/6时,有J_6(λ)≤Cε~(-6λ+2k_i)‖f‖_(H~3(Ω))~2;iii)奇性稳定区域当 λ≥1/6+(k_i)/6时,有J_6(λ)≤Cε~(-1+k_i)‖f‖_(H~3(Ω))~2;其中 i=1,2,3,β≥(45)/(32),C 为同 ε 无关的常数(见图1).     

线性模型中均值向量的最小二乘估计和最佳线性无偏估计之差的范数界的注记

我们讨论一般线性模型:Y=Xβ e,E(e)=0,Cov(e)=σ~2V,V为非负定协方差矩阵。我们知道μ=Xβ的最小二乘估计和最佳线性无偏估计分别为μ~*=X(X′X)~-X′Y和■=X(X′T~-X)~-X′X~-Y,这里T=V XUX′,U是一个对称阵使得R(T)=R(V■X)以及T≥0。本文讨论V≥0时,■与μ~*之差的范数界,把V>0时■和μ~*之差在Haberman条件下的范数界推广到V≥0,且在取常用的欧氏范数时,得到使Haberman条件成立的便于应用的充要条件。本文还证明了[2]界的推广形式,并把[3]界推广到V≥0的情况。     

关于非线性蜕化抛物型方程解的唯一性(英文)

本文证明,在条件a(s)>0(s>0),a(0)=0,b(s)=0(a(s)~λ)(s≥0,0≤λ≤1、2),s~μ=0(a(s))(a>0,μ>0)之下,混合问题 μ_t=(a(u)u_x)_x+b(u)u_x, (x, t)∈R={(x, t)|-11时,解为唯一的,这改善了[1,2]的结果。     

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     

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。     

线性模型中的一个假设检验问题(英文)

本文讨论了多元线性模型中的一个假设检验问题。假定 的各行独立、正态、同协差阵Ⅴ。现在要检验假设H_0:存在矩阵C使θ=Cη是否成立。首先可将问题化为法式的形式,对法式分两种情况进行讨论: (一)V=σ~2I, σ~2未知。此时可求出θ, C,σ~2的最大似然估计(当H_0成立时)是中的资料阵y_1,y_2,d1,…,d_K是y′_3y_3的全部特征根。λ_1~*≥…λ_(p+q)~*是(y_1 y_2)(y′_1 y′_2)的全部 Λ=sum from j=p+1 to k /sum from j-1 to k d_j,λ_1≥λ_2…≥λ_k是y′_1y1+y′_2y_2的全部特征根。 (二)一般情形V未知。此时θ,C的估计量同前,可求出 (?)=1/n(y′_2T_(22)T′_(22)y_2+y′_3y_3).H_0相应的Lawley不变检验是 sum from j=p+1 to k β_j≥α_1,其中β_1≥β_2≥…≥β_k是y′1y_1+y′_2y_2的相对于y′_3y_3的全部特征根。 有关Λ的以及sum from j=p+1 to k β_j的极限分布将在另外的文章中讨论。     

Lorentz序列空间d(w,p)(0

姚正安 《数学物理学报(A辑)》1992,(Z1)

上期问题解答

<正> 1.证明:当r=0时,结论显然成立。假定r>0,记λ_1≥λ_2≥…≥λ_n为A的特征根,则A~2的特征根为λ_2~2≥…≥λ_n~2。因A的秩为r,故λ_1≥…≥λ_r>0,λ_(r+1)=…=λ_1=0。考虑S=sub from i=1 to r(λ_i一λ)~1,     

逼近转化论和泛系逼近论(Ⅳ)

Theorem 1 If 1≤p≤∞, f∈W_p~(l)(D), then ω_k(δ,f,W_p~(l)(D))≤c(‖f‖_(l)_p),if f∈C~〔k+l〕(D), then ω_k(δ, f,W_p~(l)(D))≤c(δ~kmax‖(D)~(k)f‖_(()p)), where c is independent of δ≥0 and f. Theorem 2 If f∈W_p~(r)H_M~(a)(〔a,b〕)is of period b-a<∞, then ‖f‖_((s)t)≤cM~d‖f‖_((u)υ)~e, where d=δ/θ, e=(θ-δ)/θ, p≥1, t≥υ≥1, r>s≥u, δ=s-u+     

椭球等高分布族下的非中心Cochran定理

本文在椭球等高分布假定下,讨论了二次型X′AX(A为对称阵)的非中心Cochran定理。主要结果如下: 若X～EC_n(μ,L_n;g),g(x)>0为x的连续函数,且X有有限的2n阶矩。A_i,i=1,2,…,m为n×n对称阵。A=∑A_i,λ_1,…,λ_k互不相同且非零。考虑下面的条件: (a) X′A_iX■sum from j=1 to k λ_jy_(ij),(y_(i1),…(y_(ik))′～Gχ~2(n_(i1),…,n_(ik);δ_(i1)~2,…,δ_(ik)~2;g)j=1,…,m。 (b) (X′A_1X,…,X′A_mX)■(sum from j=1 to k λ_jz_j…,sum from j=(m-1)k 1 to mk λ_(j-(m-1)k)z_j)(z_1…,z_(mk))′～Gχ~2(n_(11),n_(1k),n_(21)…,n_(mk);δ_(11)~2,…δ_(1k)~2,δ_(21)~2,…,δ_(mk)~2;g) (c) X′AX(?)sum from j=1 to k λ_jy_j,(y_1,…,y_k)′～Gχ(n_1,…,n_k;δ_1~2,…,δ_k~2;g) (d) r(A)=∑r(A_i)=∑∑r(A_iE_j),A=∑λ_jE_j,E_j~2=E_j,E_jE_(j′)=0,j≠j′=1,…,k, (e) k个等式n_j=∑n_(ij)中至少有k-1个成立。则 (Ⅰ) (a),(b)■(c),(d),(e), (Ⅱ) (a),(c),(e)■(b),(d), (Ⅲ) (b),(c)■(a),(d),(c), (Ⅳ) (c),(d)■(a),(b),(c)。     

两个方差分量同时估计的可容许性

考虑方差分量模型 EY=X·β DY=σ_1~2V_1+_2~2V_2,其中β∈R~p,σ_1~2>0,σ_2~2>0均未知;X,V_1>0,V_2>0均已知;r(X)=p。我们要同时估计(σ_1~2,σ_2~2),并考虑估计类={d(A_1,A_2)=(Y′A_1Y,Y′A_2Y),A_1≥0,A_2≥0}。损失函数为: L(d(A_1,A_2),(σ_1~2,σ_2~2=1/σ_1~4(Y′A_1Y-σ_1~2)~2+1/σ_2~4(Y′A_2Y-σ_2~2)~2。本文给出了在V_1=V_2限制下,d(A_1,A_2)为容许估计的充分条件和必要条件,以及没有这个限制时d(A_1,A_2)为容许估计的充分条件。     

具有两个方差分量的线性模型的比较

考虑线性模型(?)其中 X 为已知 n×p 矩阵,V 是已知或未知的 n 阶非负定阵,β=(β_1,…,β_p)′∈R~p 是参向量.记具有结构(1.1)的模型为 L=(Y,Xβ,V).设有两个模型 L_1(Y_1,X_1β,V_1),L_2=(Y_2,X_2β,V_2),当 V_1,V_2已知,Ehrenfeld定义了 L_1优于 L_2的概念,并证明了当 V_1,V_2非奇异时,L_1优于 L_2当且仅当 X′_1V_1~(-1)X_1-X′_2V_2~(-1)X_2≥0(非负定);Stepniak,Wang and Wu 继续研究了 V_1,V_2奇异的情形;Stepniak and Torgersen 又定义了当 V_1,V_2具有形式 σ~2V(σ~2未知,V 已知)时,L_1优于 L_2的概念;而且 Stepniak 证明了 L_1优于 L_2当且仅当 X′_1(V_1+X_1X′_1)-X_1-X′_2(V_2+X_2X′_2)-X_2≥0.但是,我们知道,在许多统计问题中,可观察的随机向量 Y 的协方差阵 V却有这样的形式 V=∑θ_iV_i,这里θ_i 为未知参数.事实上,在求方差分量的估计时,由均值-方差对应法导出的新模型其新的协方差阵往往不具有 σ~2V 这么简洁的形式(参见[5]).本文考虑的模型是 L_i=(Y_i,X_i,σ_1~2U_i+σ_2~2V_i),这里 U_i,V_i 均为已知非负定阵;σ_1~2,σ_2~2为未知参数.我们将给出 L_1优于 L_2(记为 L_1(?)L_2)的定义及判定准则。     

Kantorovich 不等式的推广及其在线性模型参数估计中的应用

本文给出两类行列式之比|X′B~(-1)AB~(-1)X||X′A~(-1)X|/|X′B~(-1)X|~2和|X′B~(-1)AB~(-1)Y||Y′A~(-1)X|/|X′B~(-1)X||Y′B~(-1)Y|的上界,其中 A 和 B 是 n×n 阶正定矩阵,X 和 Y 是任意的秩为 k 的 n×k 阶矩阵。并讨论其在线性模型参数估计理论中的应用。本文的结果是 Khatri 和 Rao1981年结果的推广。设 A 是 n 阶正定矩阵,其特征根为λ_1≥λ_2≥…≥λ_n>0,对任意非零的 n×1向量 x,不等式((x′Ax)(x′A(-1)x))/((x′x)~2)≤((λ_1 λ_n)~2)/(4λ_1λ_n) (1)称为 Kantorovich 不等式。此不等式已有一系列的推广,在[1—4]中都对不等式(1)以不     

关于两个正定矩阵之积的特征值估计的一个注记

令A>0及B>0记两个n×n(n≥2)厄尔米特正定矩阵;μ_1≥μ_2≥…μ_n及ν_1≥ν_2≥…≥ν_n记A和B的特征值;设λ为AB的任意特征值.ShaHu-yun证得2/nμ_n~2ν_n~2/μ_n~2 ν_n~2<λ相似文献   

EXPONENTIAL BOUNDS OF POSTERIOR RISK FOR k-NN PREDICTION

Let (X,θ),(X_1,θ_1),…,(X_n,θ_n) be R~d×R~1-valued random vectors, it is desired to predict the value of θ, based on the observed value of X and with the help of the training sample Z~n={(X_i,θ_i), i=1,…,n}. Cover(1) used the k-Nearest Neighbor method to this problem, the method is as follows: Introduce a metric ‖X-Y‖ in R_d. Rearrange X_1,…,X_n into X_(n1),…, X_(nn), such that ‖X_(n1)-X‖≤ ‖X_(n2)-X‖≤…≤‖X_(nn)-X‖,and break ties by comparing indices. Choose positive integer k. Denote by θ_(ni) the θ-value associated with X_(ni), i. e., θ_(ni) =θ_j when X_(ni)=X_j. Under the square loss L(θ,α)=     

再论线性模型中误差方差的二次型估计的可容许性

设有线性模型Y=(y_1,…,y_n)′=Xβ ε=X(β_1,…,β_p)′ (ε_1,…,ε_n)′,(1.1)这里 X 为已知的,n×p 矩阵,n≥p,ε_1,…,ε_n 相互独立,E(ε_i)=0,E(ε_i~2)=σ~2,E(ε_i~3)=0,E(ε_i~4)=3σ~4,i=1,…,n.β∈R~p,0<σ~2<∞均为未知参数.欲估计σ~2,     

一个推广的具有最佳常数的Hardy-Hilbert不等式

本文的目的是建立新的具有最佳常数因子的Hardy-Hilbert不等式的推广式．对二重级数适当配方,利用Hlder不等式及β-函数,得到下面的推广式：∑_(m=1)~∞∑_(n=1)~∞((a_nb_n)/(m~c n~c)■)＜cλ,p(∑n~((P-1)(1-λ))a_n~p)~(1/p)(∑n~((q-1)(1-λ))b_n~q)~(1/q),这里λ＞0,c＞0,p＞1,(1/p) (1/q)=1,a_n≥0,b_n≥0,cλ,p=(1/c)B((λ/cp),(λ/cq)),通过选取两个特殊序列,证明了常数因子cλ,p是最佳的；还给出了它的等价形式,用类似方法给出了重积分形式的Hardy-Hilbert不等式的推广式及其等价形式．     

含错线性序列的极大似然纠正

本文中讨论二元序列时,其元素间的运算均在二元域 F_2={0,1}中进行.设α=(α_t)_t≥0是 F_2上由多项式 c(x)=1+c_1x+…+c_(d-1)x~(d-1)+x~d 生成的线性序列,即有α_t+c_1α_(t+1)+…+C_(d-1)α_(t+d-1)+a_(t+d)=0,t≥0.(1)如果有二元干扰序列 e=(e_t)_(t≥0)迭加于α,其中 e_0,e_1,…是独立同分布的,Prob(e_t=1)=s<1/2,则迭合序列 b=(b_t)_(t≥0)=(α_t+e_t)t≥0称为α的含错序列,其错误率为 s.从已知的含     

关于非线性机床再生颤振的周期的存在性

李继彬在文献[1]研究了机床再生颤振的模型m(x|¨)+h/ω(?)+λ(x+β_1x~2+β_2x~3)=-K_1[Δ_s+c_1(Δ_s)~2+c_2(Δ_s)~3],(1)其中 Δ_s=(?)(t)-x(t-T),T 是常数,式中出现的系数都是常数.文献[1]在 T 很小的假设下,近似地把Δ_s看成是 (?)(t)T,于是把(1)化成了普通的常微分方程而不是原来的微分差分方程——泛函微分方程的一种特殊形式.然后在常微