增长曲线模型中存在UMRU估计的充要条件

本文采用下列记号.对于矩阵 A 和 B,A>B 表示 A—B 是正定对称阵;AB 表示A 和 B 的 Kronecker 乘积;R(A),A′和 A~-分别表示 A 的列空间、转置和广义逆;P_A=A(A′A)~-A′;对于 s×t 矩阵 B=(b_1…6b),用 vec(B)表示 st 维向量(6_1~′…6_~′)′.trA 表示方阵 A 的迹.由 Potthoff 和 Roy 提出的增长曲线模型定义为     

部分线性模型中M型回归样条估计的一些新结果

考虑下列部分线性模型Y_1-X′_1β_0+g_0(T_1)+e_i,1≤i≤n,其中(T_1,X_1,Y_1),…,(T_n,X′_n,Y_n)是随机向量(T,X′,Y)的 i.i.d.样本,X∈R~d,T∈[0,1],β_0为未知参数向量,g_0是一光滑未知函数.这个模型在文献[1]中首次被提出,文献中研究过β_0和 g_0(t)的估计,例如,基于惩罚函数法的平滑样条估计;基于核方法的估计;用分段多项式来逼近 g_0,基于最小二乘法的估计.由于上述估计不稳健,文献[8]用分段多     

A(B′_(1/2)B″_(1/2)O_3系统有序参数的相互关系

自Setter等人报道了Pb(Sc_(1/2)Ta_(1/2)O_3材料中有序度对铁电体弛豫特性的影响以来,复合钙钛矿A(B′_(1/2)B″_(1/2))O_3系统中的有序畴的研究受到了人们广泛的重视。在A(B′_(1/2),B″_(1/2))O_3系统中一般形成B′∶B″=1∶1的有序畴,即沿<111>方向B′和B″离子相间呈层状排列。与具有简单立方点阵的无序区相比,有序畴的晶胞常数大一倍,具有面心立方点阵,在X光衍射分析(XRD)图样上将要多出一些衍射线。根据Cullity的推导,当材料内部有序均匀一致时,材料的有序度     

协方差改进估计的Pitman优良性

设θ为p×1参数向量,T_1和T_2分别为p×1和q×1统计量,ET_1=0,ET_2=0,它们的协方差矩阵为这里σ~2未知,∑>O(即∑为正定阵).众所周知,当∑_(12)≠0时,T_1不是θ的一致最小方差无偏估计.Rao提出了θ的更好估计θ~*=T_1-∑_(12)∑_(22)~(-1)T_2,称为协方差改进估计.这里所谓“更好”是指:covθ~*=∑ _(11)-∑_(12)∑_(22)~(-1)∑_(21)≤∑_(11)=covT_1,其中A≤B表示B-A≥0.于是,θ~*在均方误差意义下改进了T_1.关于这一方面的进一步结果见文献[2,3].     

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:     

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:     

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     

两类新的广义Kantorovich不等式及其应用

本文用谱范数和欧氏范数作为度量,给出了分别属于谱范数类和欧氏范数类的一系列广义Kantorovich不等式(Generalized Kantorovich inequality,简记为GKI),与之对应的是文献[1—4]中首先给出的行列式类、商迹类和迹商类GKI,它们分别给出了det(X′AXX′A~(-1)X),tr(X′AXX′A~(-1)X)与tr(X′AX)/tr(X′A~(-1)X)~(-1)的上界,这里X为n×p阶矩阵,满足X′X=     

半参数EV模型的参数估计理论

其中(X,T)为取值于R~p×R~1上的可观测随机向量,T的支撑集为有界闭集,不妨设为[0,1],x为p维不可观测随机向量,β为ρ×1未知参数向量,g是定义于[0,1]上的未知函数.(ε,u~r)~r为p+1维随机误差向量,E(ε,u~r)~r=0,Cov(ε,u~r)~r=σ~2I_(p+1),σ~2>0未知,且(ε,u~r)~r与(X,T)独立.模型(1)属于一类半参数的EV(Erorr-in-Varibles)模型,它表明变量Y关于(x,T)的回归函数E(Y|(X,T))呈偏线性的形式,且变量x不能直接观测到,所能观测到的是受了误差变量μ干扰的变量X.这类模型有着广泛的应用背景,如在经济、林业、建筑、生物、遥感等领     

钙钛矿型催化剂的X光光谱及电子能谱研究

含稀土钙钛矿型化合物由于具有良好的晶体结构、独特的电磁性能以及很高的氧化、加氢等催化活性,作为一种新型功能材料受到了广泛重视。并且将其晶体结构、磁性、电导性以及表面性质与催化活性关联起来。调整其结构与性能的重要方法是改变A_xA′_(t-x)B_xB′_(1-x)O_(3±δ)中的A,A′,B,B′的种类,X的大小以及改变制备条件等,从而改变活性中心的种类、性质、价     

EV模型中参数M估计的渐近正态性

其中X为取值于R~P上的可观测随机向量,X为p维不可观测随机向量β_0为p×1未知参数向量,(ε,u~r)~r为p+1维球对称误差向量,即(ε,u~r)~r(?)RU_(p+1)(其中,R为非负随机变量,U_(p+1)为Ω_p={a:a∈R~(p+1),||a||=1}.上的均匀随机向量,R与U_(p+1)独立),σ~2=ER~2/p+1>0未知,且(ε,u~r)~r与x独立.模型(1)为线性EV(Error-in-Variables)模型,有着广泛的应用背景,如在经济、林业、建筑、生物、遥感等领域,见文献[1～5],目前对模型(1)的研究,主要是利用极大似然     

对岩石本构关系中的新认识

在单轴压缩下,对济南辉长岩样品以六种不同的恒变形速率(0.8×10~(-3)/s、0.6×10~(-4)/s、1×10~(-5)/s、0.7×10~(-6)/s、1.6×10~(-7)/s、2.7×10~(-8)/s)压缩直至破坏。得到了辉长岩在不同恒变形速率下的应力(σ_1)-应变(ε_1)和体应变(ε_V)曲线。从σ_1-ε_1、ε_V曲线表明:当变形速率由10~(-3)/s降到10~(-8)/s时,辉长岩的强度降低了23％。岩石体积的非线弹性膨胀的起始压力C_0~′(σ_2=σ_3=0)为常量。当σ_1>C_0~′时。岩石轴向应变ε_1和体积的非线弹性膨胀量D,除了具有随轴向应力σ_2的增大而增大外,     

渐近Bayes判别

设(θ,X),(θ_1,X_1),…,(θ_n,X_n)是取值于{0,1}×R~d的iid随机向量,P(θ=0)=P_0,P(θ=1)=P_1=1—p_0,而X在给定θ=i时的条件密度是f_i(x),i=0,1.记D(x)=P_1f_1(x)—P_0f_0(X),则I{D(x)≥0}(X)是θ的Bayes判别函     

Banach空间的一个性质

对矢值测度μ∈ba(S,∑,X)的分解μ=μ_Ⅰ+μ_Ⅱ的意义如同前文(数学杂志,3(1984),285—292)。今记ba_Ⅰ(S,∑,X)={μ_Ⅰ:μ∈ba(S,∑,X),ba_Ⅱ(S,∑,X)={μ_Ⅰ:μ∈ba(S,∑,X),ba_Ⅱ(S,∑,X)={μ_Ⅱ:μ∈ba(S,∑,X)}。 定理1 若∑是集S的一些子集作成的代数,含有S的一切有穷子集,X是Banach空间,则有界变差测度空间ba(S,∑,X)有分解ba(S,∑,X)=ba_Ⅰ(S,∑,X)+ba_Ⅱ(S.∑,X)。     

相关模型中的Edgeworth展开与随机加权逼近

考虑如下线性相关模型Y=X’β e, (1)其中X=(x_1,…,x_p)’是R~p上的随机向量,Y是R~1上的随机变量,β=(β_1,…,β_p)’是R~p中未知参数向量,e是R~1上的随机误差变量.这里,只有(X’,Y)’是可观测的.我们假定(A.1)E(e\X)(?)0,E(e~2\X)(?)σ~2,0<σ<∞,0相似文献   

离散事件动态系统的周期配置

离散事件动态系统一般是复杂的非线性系统,但用极大代数方法可看作如下线性系统: X(k)=X(k—1)A+U(k)B, (1)其中A∈D~(n×n),B∈D~(m×n),X(k)∈D~(1×n),U(k)∈D~(1×m),D表示极大代数(RU{—∞},max,+),R为实数集,不失一般性,可设A     

区间对称矩阵渐近稳定的充要条件和充分条件

对区间对称矩阵G[B,C]={A|A=(a_(ij))_(n×n)=A~T,b_(ij)≤a_(ij)≤a_(ij)},(1)B=(b_(ij))_(n×n)=B~T,C=(C_(ij))_(n×n)=C~T∈R~(n×n),Bialas研究了G[B,C]渐近稳定的充要条件.后经有关文献(略)得到结论:G[B,C]渐近稳定当且仅当其子集H[B,C]={A|A=(a_(ij))_(n×n)∈G[B,C],a_(ij)=b_(ij)或C_i}(2)渐近稳定.我们进一步构造K[B,C]如下:     

C~*-代数映象环面的注记

设(A,Z,α)是C~*-动力系统,并且α~n=id,这里n是固定的正整数。自然要问C~*-叉积A×~αZ与A×~αZ_β之间有何关系。结果如下: A×_αZ≌M(A×_αZ_β), 其中M(A×_αZ_n)是的映象环面,而(A×_αZ_n,Z_x,)是(A,Z_n,α)的对偶系统。     

一类非线性波动方程组差分格式的理论分析

的初边值问题和周期初值问题的差分计算中的理论问题。其中向量φ=(ψ_1,ψ_2,…,ψ_L)~T为复值函数向量,未知函数X(x,t)为实值函数;μ,δ,ν均为实常数;在文献[1,2]中研究了该类三维非线性波动方程组的三维孤立子问题。在文献[3]中证明了这类非线性波动方程组光滑解的存在唯一性。本文对一维非线性波动方程组的初边值问题给出隐式差分格式,证明了该格式依C~1模的收敛性和稳定性,并由差分解的高阶差商的一致性估计得到了微分方程组广义解的存在性。对多维非线性波动方程组的周期     

主成分分析、神经网络及矩阵特征值

主成分分析(PCA)是数据压缩及待征提取的一个基本方法. 近年来,主成分分析的神经网络算法引起众多学者的兴趣.设x是一个均值为0的n维输入随机向量,PCA的目的是找出p(p<< n)个向量ω_1,…,ω_p使(1)E[(ω_i~Tx)~2]为极大;(2)ω_i~Tω_i=δ_(i,j~i),j-1,…p.记A=E(xx~T)为相关矩阵,则上述ω_1,ω_2,…,ω_p即为A的最大的p个特征值所对应的特征向量.因此,PCA问题的求解与求正定矩阵A的最大特征值及相应的特证向量有关.在众多的算法中,收敛性的讨论都归结成相应微分方程的稳定性和渐近稳定性,但对全局稳定性讨论甚少. 正如Oja在文献[2]中指出,对于任意初始条件下的整体收敛的讨论是一个挑战性的问题,另一方面,几乎所有文章都假设A的特征值满足λ_1>λ_2>…>λ_n. 很自然地要问,当某些λ_i为重根时结果又如何. 本文的目的就是回答上述两个问题.