收敛系统和回归模型中最小二乘估计的强相合性

考虑多元回归模型此处x_(ij)是已知常数,β_1,…,β_p是未知参数,y_i,e_i分别为第i次量测值和量测随机误差。以下,我们记设计矩阵(x_(ij))_(1≤i≤n,1≤j≤p)为X_n,并令Y_n=(y_1,…,y_n)′),β=(β_1,…β_p)′。β的基于前n次量测值Y_n及设计矩阵X_n的最小二乘估计b_n=(b_(n1),…,b_(np))′为     

关于线性模型中LS估计相合的条件

考虑线性模型如下: y_i=x′_iβ+e_i,i=1,2,…,(1.1) 其中x′_i=(x_(i1),x_(i2),…,x_(ip))是已知常值向量,β′=(β_1,…,β_p)为未知参数向量,e_i为随机误差。记设计矩阵X_n=(x_1,x_2,…,x_n)′;Y_n=(y_1,y_2,…,y_n)′;S_n~(-1)=(X′_sX_n)~(-1)(S_(ij)~((n)))_(1≤i,j≤n)并且假定当n充分大时S_n满秩,则熟知β的最小二乘(LS)估计(n)有如下表达式:     

一类褶积矩阵方程的解

设x~((n))=(x_0,x_1,…,x_n)~T,x_i,i=0,1,2,…,n为实数,T为转置,x~((n))的z变换记为x_n(z),它在单位圆周上的值为x_n(w),记[x~((n))]~*=(x_n,…,x_0)~T,它的z变换记为X_n~*(z),称矩阵Δ(x~((n))=[a_(ij)],i,j=0,…,n,为褶积矩阵,其中     

可微函数类上的最优恢复

§1.问题的提出 给定n≥2,W_∞~(n)(R)表示R上定义的n阶可微函数全体,其中每一f∈W_∞~(n)(R)有局部绝对连续的n—1阶导数f~((n-1)),且满足约束条件‖f~(n)‖_∞≤1。记K=W_∞~(n)(R)∩L~∞(R)。以E表示可列点集ζ={ζ_j}_(j=-∞)~(+∞)的集合,其中每一ζ_j满足2j≤ζ_j—α<2(j+1)对某个α(随ζ变动的数)成立,j=0,±1,±2,…。并以(?)_(2k)表示E的以2k为周期的子集,即(?)∈(?)_(2k),     

泛可积模的可约性

设是A=(α_(ij))_(i,j=1)~n是一个可对称化的广义Cartan矩阵,(η,π,π~v)是A的一个实现,其中π={α_1,…,α_n};π~v={α_1~v,…,α_n~v}。设(A)是结合于A的Kac-Moody代数,{e_i,f_i|1≤i≤n}是(A)的Chevalley生成员的集合。P={λ∈η~*|<λ,α_i~v>∈Z,1≤i≤n}     

渐近最佳二维光正交码的代数构造

定义1(一个mn,ω, λ_a,λ_c)二维光正交码就是由一组元素为0或1,重量为ω的m×n矩阵组成的集合,并且每个矩阵A=[a (i、j)]的循环自相关函数和任意两个相异矩阵A=[a(i、j)]与B=[b(i、j)]之间的循环互相关函数分别满足:当0≤σ≤m-1,0≤τ≤n-1,(σ,τ)≠(0,0)时,     

关于线性型转换定理的一个注记

命m与n为整数≥1及(?)_(ij)(1≤i≤m,1≤j≤n)为给予的一组mn个实数。命‖x‖表示实     

中位数交叉核实准则

考虑非参数中位数回归模型Y_(ni)=g(x_(ni)) ε_(ni),1≤i≤n,(1)其中g:[0,1]|→R是待估计的连续函数,{x_(ni):1≤i≤n}是区间[0,1]上的非随机设计点列,{ε_(ni):1≤i≤n}是iid随机变量,中位数为零,{Y_(ni):1≤i≤n}是观察值.对x∈[0,1],n≥1,记D_(nj)(x)为x的第j个近邻,j=1,2,…,n,即{D_(n1)(x),D_(n2)(x),…,D_(nn)(x)}为{x_(n1),x_(n2),…,x_(nn)}的一个置换,满足|D_(n1)(x)-x|≤|D_(n2)(x)-x|≤…≤D_(nn)(x)-x|,结按自然顺序消去.令Y_(ni)(x)和ε_(ni)(x)分别表示D_(ni)(x)(1≤i≤n)处的观察值和随机变量.下面的估计g_n(h,x)=(?){Y_(n1)(x),Y_(n2)(x),…,Y_(nh)(x)},(2)(?)表示样本中位数,这个估计称为g(x)的最近邻中位数估计(或者局部中位数估计),其中近邻个数h起着光滑参数作用.h的选择对估计的好坏起着决定性的作用.作者与郑忠     

Vandermonde方程解的复杂性

一、引言 设V(a_1,a_2,…,a_n)=(a_(j+1)~i)_(i,j=0)~(n-1)为复数域上的n阶Vandermonde矩阵,简记V.若V可逆,即a_i≠a_j(i≠j,i,j,=1,2,…,n)时,用Causs消元容易给出方程 Vx=c (1.1)     

余代数的有限性之间的关系

我们先给出Beckenbach不等式的进一步推广。 定理1 设α,A,B,β_1,β_2,…,β_λ(λ≥2),k_j,1≤j≤n,均为正实数,又已知0相似文献   

关于Schwarz引理的一种推广

庄圻泰教授(中国科学,1981,7)给出Schwarz引理在C~@的一种推广,我们发展和改进上述工作。记R_ ~(?)={(x_1,…,x_x)∈R~x|x_j≥0,1≤j≤n}。设m(x_1,…,x_n)为R_ ~(?)上的连续函数,满足:1°若     

自然数因子分解的幂指数的渐近式(Ⅰ)

设n=P_1~(α_1)P_2~(α_2)…p_r~(α_r),定义h(n)=min(α_1,α_2,…,α_r)。P.Erd(?)s猜想: sum from j=1 to n(h(j)=n c(n~(1/2)) o(n~(1/2))), 此处c=ζ(3/2)/ζ(3),ζ(s)表示Riemnan-zeta函数。     

一般因子问题

设α_1≤α_2≤…≤α_k(k≥2)为任意给定的正整数,d(α_1,…,α_k;n)为n分解成形如表示式n=m_1~(α_1)…m_k~(αk)的个数(m_i为正整数)。△(α_1,…,α_k;x)表示和式     

t可约m×n 二部分竞赛图的得分表偶

设(X,Y)是m×n 二部分竞赛图T_(m,n)的顶点集合V(T_(m,n))的有序分划,其中X=(x_1,x_2,…,x_m},Y={y_1,y_2,…,y_n},x_i、y_j 在T_(m,n)中的得分分别为a_i、b_j,l≤i≤m,l≤j≤(?),且a_1≤a_2≤…≤a_m,b_1≤b_2≤…≤b_n.记A=(a_1,a_2,…,a_m),B=(b_1,b_2,…,b_n),则T_(m,n)     

退化矩阵β分布

作为与正态样本有关的分布,矩阵β分布(也称多元β分布)在文献中有大量的研究.令A～W_m(n_1,Σ)和B～W_m(n_2,Σ)为两个独立的维希特分布矩阵,Σ为一正定矩阵. 令C=A B.分解C=T′T,其中T为一具正对角元的上三角阵 令U=(T′)~(-1)·AT~(-1).则U的分布称为矩阵β分布并记为B_m((n_1)/2,(n_2)/2)其中n_1 n_2>m-1. 如果n_i是实数,则还要求n_i>m-1(i=1及/或2).如果n_1,n_2都大于m一1,则U是非退化的并具有在m×m正定矩阵空间上的密度.本文采用文献[2]中的记号,并记A(S)=diag(λ_1(S),…,λ_n(S)),其中λ_i(S)为S的第i大(非零)特征根,S∈_(m,n)~1·S_(m,n)~(?)上的微分形式定义为(dS)=2~(-n)|L|~(m-n)×     

关于U-统计量理论的一些结果

设x_1,x_2,…为一串独立同分布(iid)变量,而φ(x_1,…,x_m)为x_1,…,x_m的对称函数,则U_n=(n/m)~(-1) sum from to 1≤α_1<…<α_m≤nφ(x_(α_1),…,x_(α_m),n≥m称为以φ为核的U-统计量。设对某个r≥1有E[|φ(x_1,…,x_m)|~r]<∞.(1)迄今为止,文献中对U-统计量的研究,多限于r=1和r=2的情况,最近我们研究了一般的r≥1的情况,主要结果如下:     

Preneel猜想的证明

GF(2)中的m×m矩阵V=(V_(ij))若满足ⅰ)V_(ij)=0,V_(ij)=V_(ji)(1≤i,j≤n),ⅱ)矩阵V在GF(2)中可逆,则该矩阵称为V型矩阵。最近比利时学者B.Preneel等提出了一个猜想:     

最小二乘估计相合性的若干结果

(?)≡(x_1,x_2,…)是已知的p维向量序列,e≡(e_1,e_2,…)是随机误差列,β≡(β_1,…,β_i)′是未知的回归系数向量.记S_n=x_1x_1~′…+x_nx_n~′.设当n≥n_0时,S_1~(-1)存在.把p×n矩阵S_n~(-1)(x_1…x_n)的(j,i)元记为u_(nji),则β的最小二乘(LS)估计为     

基于扰动Chebyshev结点的高阶Hermite-Fejér插值

设X_n={x_(kn):1≤k≤n}(?)[-1,1]满足:-1相似文献   

半相依回归方程的一种优于BLUE的估计

一、引言 考虑半相依回归方程Y_i=X_iβ_i+ε_i(i=1,2),其中Y_i是n×1的随机观测向量,X_i是n×p_i阶列满秩矩阵,β_i是p_i×1的未知回归系数,ε_i是n×1的随机误差向量,且满足E(ε_i)=0,cov(ε_i,ε_j)=σ_(ij)I (i,j=1,2),其中σ_(12)≠0,I是n阶单位阵,Σ=(σ_(ij))是2×2阶正定阵。这样的方程可以写为如下线性模型: