首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 125 毫秒
1.
构造了一种组合型 Grünwald插值多项式算子 Hn( f ;r,x) ,Hn( f ;r,x)对每个连续函数在 [- 1 ,1 ]上都一致收敛于 f ( x) ,若 f ( x)∈ C[- 1,1] ,则 Hn( f ;r,x)的收敛阶达到最佳收敛阶 .  相似文献   

2.
让F是一分布函数,对每个人f∈C.由A_Ff(?)intergral from n=-∞to∞(f(x y)dF(y))定义算子A_F.在本文中证明了如下结论.定理 1 如果对每个f∈C_3LimA_(F_n)f=A_Ff 则F_n(x)(?)F(x)定理2 f是R_1中的有界连续函数,如果F_n(x)(?)F(x)则A_(Fn)f收敛于A_Ff.定理3 F_n(x)(?)F(x)以及f∈C.则A_(Fn)f一致收敛于A_Ff.定理4 F_n(x)弱收敛于F(x)当且仅当对于每个f∈C_0,A_(Fn)f一致收敛于A_Ff.  相似文献   

3.
设方程 x=f(x) (1) 有实根,则当|f′(x)|≤δ<1时,迭代序列 x_(n 1)=f(x_n) (2) 收敛,且收敛于方程(1)的实根(见[1]第二章)。但若|f′(x)|>1,则(2)发散,迭代失效。为了使迭代法在这种情况下仍可进行,我们对造代序列(2)略加修改,使其收敛,且收敛于(1)的根。定理1—定理4是我们为此目的而提出的收敛定理。其中条件“f″(x)保持符号”仅仅为了保证根的唯一性。因此可用“方程x=f(x)在(a、b)上有唯一实根”的较弱条件替代。  相似文献   

4.
广义积分收敛的必要条件具体地说为:若函数f(x)在[a,b]上黎曼可积,则f(x)在[a,b]上有界且几乎处处连续,而当f(x)的无限广义积分收敛时,则f(x)在其广义积分收敛的区域内几乎处处连续但不一定有界。若无穷级数收敛,则其一般项必收敛于0,而当f(x)的无限广义积分收敛时,f(x)却不一定收敛于0(当x趋于无穷大时),要使f(x)收敛于0(x→∞),还需附加一定的条件。  相似文献   

5.
广义积分收敛的必要条件具体地说为:若函数f(x) 在[a,b]上黎曼可积,则f(x) 在[a,b]上有界且几乎处处连续,而当f(x) 的无限广义积分收敛时,则f(x) 在其广义积分收敛的区域内几乎处处连续但不一定有界.若无穷级数收敛,则其一般项必收敛于0 ,而当 f(x) 的无限广义积分收敛时,f(x) 却不一定收敛于0(当x趋于无穷大时),要使 f(x) 收敛于0(x→∞) ,还需附加一定的条件.  相似文献   

6.
鉴于 L agrange插值多项式并非对任何的连续函数都能一致收敛 ,本文以 ( 1-x) Wn( x)的零点作为插值节点 ,对 L agrange插值多项式中的被插值函数进行线性组合 (也称函数平均 ) ,构造了算子 An,r( f;x) ,它对于有任意阶导数的连续函数 f ( x )∈ Cl[-1,1] ,( 0≤ l≤ r)都一致收敛 ,收敛阶为 |An,r( f ;x ) -f ( x ) |=O En( f ) 1nl ω( f (l) ,1n) 1nl 1且收敛阶达到了最佳 .( r是奇自然数 )  相似文献   

7.
福氏级数点收敛的充要条件Izumi和KOPOBKNH都作了研究。Izumi[1]指出:如果,f(x)是偶周期函数满足条件 即0点是勒贝格点条件下, (f)在0点收敛的充要条件是 而KOPOBKN[2]指出:如果f(x)∈L(-π,π)x0是f(x)的勒贝格点即 这里 (x)=f(x0+x)+f(x0-x)-2f(x0),则 (f)在x0收敛的充要条件是 这里 。本文给出比勒贝格点为弱的条件 下,福氏级数收敛的充要条件,它可以看作Izumi结果的改进,并且指出它也可以看作著名的勒贝格准则的推广。 定理1 给出一个充要条件,推论指出它可以看作勒贝格准则的推广。定理2给出等价的充要条件,其形式类似于I…  相似文献   

8.
广义积分收敛的必要条件具体地说为:若函数f(x)在[a,b]上黎曼可积,则f(x)在[a,b]上有界且几乎处处连续,而当f(x)的无限广义积分收敛时,则f(x)在其广义积分收敛的区域内几乎处处连续但不一定有界。若无穷级数收敛,则其一般项必收敛于0,而当f(x)的无限广义积分收敛时,f(x)却不一定收敛于0(当x趋于无穷大时),要使f(x)收敛于0(x→∞),还需附加一定的条件。  相似文献   

9.
三角插值多项式的线性组合   总被引:1,自引:1,他引:0  
鉴于Lagrange插值多项式并非对任何连续函数都能一致收敛,以x(n)k=2k 1/2n 1π,k=0,l,…,2H作为插值节点,将几个算子进行线性组合,构造了两个新的算子Un(f;x)和Un(f;x),使它们的最高收敛阶要优于算子An(f;x),Bn(f;x),Cn(f;x)。  相似文献   

10.
本文定义了一种广义的非正常黎曼积分((GR-)∫ ∞-∞f(x)dx)并讨论了它的敛散性,证明了(1)这种广义积分的收敛等价于绝对收敛,(2)当一个函数f(x)关于这种广义积分收敛于Ⅰ时,则f(x)为勒贝格可积且积分值也是Ⅰ.  相似文献   

11.
考虑系统x·= f( x) ,x ∈ Rn+ ( n ≥3) 。假设(i) 系统为 K 型;(ii) 系统具有正梯度的不变函数;(iii) divf( x) > 0 ,x ∈ Rn+ 。我们得到相应的定理1 ,2 。  相似文献   

12.
设x∶M→An+1是由定义在凸域Ω(∪)An上的某局部严格凸函数 xn+1=f(x1,...,xn)给出的超曲面. 记ρx=det((e)2f)/((e)xi(e)xj)(x)-1/n+2.假设M,ɡ是一完备的Hessian 流形且具有非负的李奇曲率, 作者证明了如果ρ满足△ɡρ=β(‖▽ρ‖2ɡ)/ρ(β≠1)则M一定是椭圆抛物面.  相似文献   

13.
设二次函数f(x)=∑1≤i≤kaix1+2αi,k相似文献   

14.
用一个单调函数ω(t) 为中介,利用Szasz-Durrmeyer算子导数的性质以及该算子的可换性和光滑模ωφλ(f,t)为特点,得到以下点态逼近逆定理对于f∈C[0,+∞),0≤λ≤1,φ(x)=x,δn(x)=φ(x)+1/n, 若|f(x)-Sn(f,x)|≤Mω(n-1/2δ1-λn(x)),其中ω(t)≥0, ω(ut)≤C(u2+1)ω(t),则对任意t>0,有ω2φλ(f,t)≤Ct2∑0<n≤t-1(n+1)ω(n-1)+Ct2‖f‖,ω1(f,t)≤Ct∑0<n≤t-1ω(n-(2-λ)/(2))+Ct‖f‖.此结果推广了有关ωφ(f,t)和ω(f,t)的结果.  相似文献   

15.
在使用简单迭代法解非线性方程(组)时,要求迭代函数f(x)(F(x))必须满足q=supx∈D|f′(x)|<1(q′=supx∈D‖F′(x)‖<1)。如将迭代函数f(x)导数的最大模(F(x)的Jacobi矩阵最大范数)超出上述取值区间情况下的迭代函数f(x)(F(x))进行一系列恒等变形,建立一个新的迭代函数,让其导数的最大模(Jacobi矩阵最大范数)落在上述取值区间内,再运用压缩映射原理逐步逼近求出非线性方程(组)的近似解。这是一种新的改进,有更广的应用范围。两个数值计算实例表明,恒等变形得到这种新的迭代序列收敛,该方法可行。  相似文献   

16.
证明了若f:[a,b]→[a,b]为单调增加的连续函数,λ∈(0,1),定义Fλ:[a,b]→[a,b],Fλx=(1-λ)x+λf(x),x1∈[a,b],xn+1=Fλxn=Fλnx1,n≥1,则{xn}单调地收敛于f的1个不动点.  相似文献   

17.
Suppose that Y1 , Y2 , , Yn are independent and identically distributed n observations from convolution model Y = X + ε, where X is an unobserved random variable with unknown density f X,and ε is the measurement error with a known density function. Set f n ( x )to be a nonparametric kernel density estimator of f X,and the pointwise and uniform moderate deviations of statistic sup x∈ R | f n ( x ) f n( x) |are given by Gine and Guillou’s exponential inequality.  相似文献   

18.
设G是一个n阶2连通图,整数a,b满足2≤a<b,g(x)和f(x)是定义在V(G)上的两个非负整数值函数,使得x∈V(G),满足a≤g(x)2-(a-1)(b-a)]/(a-1),[n>(a+b-3)(a+b-2)]/(a-1), 且max{dG(x) ,dG(y) }≥(b-1)n/(a+b-2)对G中任意两个不相邻的顶点x,y都成立。  相似文献   

19.
本文研究了广义Bezier曲线Qn(f;x)关于f(x)的收敛性,及Q(l)n(f;x)关于f(1)(x)的收敛性,证明了相应的收敛定理  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号