正态线性模型中误差方差的一类不可容许的二次型估计

设y_1,y_2,…y_n是均值为β,方差为σ~2的相互独立的随机变量,β∈R~1,σ~2>0均是未知参数.本文证明了:当α>1/(n+2)时,在损失函数(d-σ~2)~2/σ~4下,aS~2+bY~2不是σ~2的可容许估计,其中S~2=??(y_i-y)~2,y=1/n??y_i.     

一类积分算子定义的正则函数族的星象特征

设S~*(α,β)为|z|<1内的β型α级星象函数族,本文研完了一类积分算子F(z)=[ch(z)~(σ~-c)integral from n=(?) to 2 t~c~(-1-δ-r)f(t)~δg(t)~γ·(φ(t)/ψ(t))~βp(t)~αdt]~(?)/σ,(|z|<1)当其中的函数属于S~*(α,β)时,得到了函数类{f}的星象特性     

关于半正规的几类群

利用子群的半正规性讨论了几类有限群的结构,得到如下主要结果:(l)极大子群超可解的有限群当其极大子群的极小子群半正规时,它不是超可解群就是如下三种群之一:(I)p~αq~β阶内-Abel群,p(?)q-1;(Ⅱ)p~(α+β)r(?)阶群,α≥2,β≥0,p~β=│φ(G)│,p~(α-1)||r—1,α~((?)~α+β)=c_1~(?)=c_2~(?)=…=c_(?)~(?)=1,c_ic_j=c_jc_i,i,j=1,2,…,p,c_(?)~(?)=c_(i+1),i=1,2,…,p-1,c_(?)~(?)=c_1~(?),t(mod r)指数p~(α-1);(Ⅲ)D_(2_q)型群;(2)极大子群可解的非Abel有限单群当其二次极大子群的极小子群半正规时,G恰为A_5.     

高纯铝在范性形变过程中内耗对频率和速率的响应行为

考虑了位错平均速度V=f(σ)随时间或应变的变化之后,导出了金属在范性形变过程中内耗Q～~(-1)与位错动力学关系式V=f(σ),形变速率ε、测量频率ω、测量振幅σ_A 以及切变模量G 等的关系为(?)此处(?)t、(?)p 分别为扭切应力和拉伸应力的平均取向因子,Г(n)为取正值的积分常数,m 为除0,-1以外的整数。可见,形变过程内耗可能出现正比于(ε/ω)~(2/3)、((?)/ω)~(1/2)、((?)/ω)以及((?)/ω)~2等各种对于ω和(?)的响应行为。而且出现随测量振幅σ_A增大而减小的反常振幅效应内耗。高纯铝在拉伸速率(?)=50×10~(-6)/秒时,形变过程内耗Q~(-1)的实验数据与上式中n=-2时的结果符合得很好.此时的内耗可表示为Q~(-1)=0.245(G/σ_A)β_(-2)((?)/ω)~(1/2)/(V_0~′+β_(-2)ε~(-(1/2)).亦即Q~(-1)正比于((?)/ω)~(1/2).还观测到随着σ_A 的增加而减小的反常振幅效应内耗.高纯铝在恒速拉伸时,当ε>0.5%后,位错的平均速度(?)_0。与形变量ε间的关系可表示为(?)_0=V_0~′+βε~(-(1/2));而运动位错的密度ρ可表示为ρ=(?)/ab(V_0~~′+βε~(-(1/2)).     

关于非自伴算子D~2x~αD~2+x~β+ix~γ的极限点类(Ⅱ)

在[4]里我们证明了如果实数α、β、γ不同时满足β≤γ=α-4,γ>0, 微分算式aD~2x~αD~2+bx~β+icx~γ在I=[1,∞]上是极限点的,其中a,b,c是正数,而当β=γ=α-4,γ>0时,存在正数σ使得微分算式D~2x~(γ+4)D~2+σ(1+i)x~γ不是极限点。本文将讨论剩下的     

Asymptotic Approximations of Jacobi Polynomials and Their Zeros with Error Bounds

IntroductionUniform asymptotic expansions and error boundsof the (α,β>- 1 ) two- term approximations of theJacobi polynomials P(α,β)n ( cosθ) were obtained[1] .Their result wassin θ2α cosθ2βP(α,β)n ( cosθ) =Γ( n +α + 1 )n!θsinθ1/ 2 Jα( Nθ)Nα +θB0 (θ) Jα+1( Nθ)Nα+1+σ2 ,|σ2 |≤ E2 θ2 +αN -2 ,　 0≤θ≤ π2 ,where E2 is a construct.Baratella and Gatteschiused the first two terms of this expansion[2 ] toconstructa more accurate one- term approximation:x(θ)x′(θ)…     

固定设计下半参数回归模型估计的随机加权逼近

考虑固定设计下的半参数回归模型:y_i=x_iβ g(t_i) e_i,i=1,…,n 对利用一般非多数估计法结合最小二乘法得到的参数分量β和误差方差σ~2的估计量(?)_n和(?)_n~2,本文用随机加权法构造了(?)_n和(?)_n~2的随机加权统计量H_(?)_n和H_(?)_n~2,并证明了在给定原样本的条件下,H_β_n和H_((?)_n~2)分别与n~(1/2)((?)_n-β)和n~(1/2)((?)_n~2-σ~2)有相同的渐近分布.     

也谈带约束的回归系数的线性估计的可容许性

本文针对带齐次线性等式约束的线性模型(Y,Xβ,σ~2Γ,Γ≥0,Hβ=0),给出了回归系数 Sβ的估计 LY+α在线性估计类中可容许的充要条件,发展了《高校应用数学学报》1991;6(1)发表的“带约束的回归系数的线性估计的可容许性”一文中的主要结果,而且证明方法更加简单.     

线性模型LSE函数刀切估计的渐近正态性

设β为线性模型Y=Xβ+e的LSE,f为-p元函数,本文有如下结果: 若β∈{β:||β-β_0||<ε},??(t=1,…,p)满足Lipschitz条件,E|e_1|~(2+δ)<∞,δ>0;X_t为一有界点列,则有??(Q-Q_0)→N(0,σ~2f'(β_0)~rΣ~(-1)f'(β_0))其中,σ~2=Ee_1~2,Q_0=f(β_0) Q为f(β)的刀切估计.     

Cesàro平均的带权强求和

设f(x)∈L~P(Ω_n),1≤P≤2,δ>(n-1)(1/p-1/2),而σ_N~8(f)(x)表示f(x)在n维球面Ω_n上的Ces(?)ro平均.本文证明了(?)1/(N+1)sum from k=0 to N|σ_k~8(f)(x)-f(x)|~2a_k=0 a、e、x∈Ω_n其中权系数a_k>0满足1≤1/N+1(sum from k=0 to N)a_k≤A(A是一个绝对常数)     

回归系数的一种有偏估计

在线性回归模型Y=Xβ＋ε；E（ε）=0；Cov（ε）=σ^2V，V〉0下，给出了一种新的有偏估计β^-（F（K））=（X′V^-1X＋TF（K）T′）^-1X′V^-1Y，讨论了这种有偏估计的优良性，推广了已有的相关结果．     

线性回归模型的一种有偏估计

在线性回归模型Y=Xβ ε;Ε(ε)=0;cov(ε)=σ2I下给出了有偏估计βc*(K)=(cXTX ΦKΦT)-1XTY,其中c≥1,K=diag(k1,k2,…,kn)为对角阵,ki≥0,讨论了这种有偏估计的可容许性,利用Stein式压缩技术说明在均方误差意义下它优于广义岭估计,推广了有关结果.     

正态分布参数估计的优良性

本文在统计判决函数理论和大样本理论下，讨论了正态分布参数估计的优良性。     

克服复共线性的一种新方法

本文提出一种新的有偏估计_w=(X′X+I)~(-1)(X′Y+w_(LS)),其中0相似文献   

一般增长曲线模型回归系数的一种可容许有偏估计

对于线性回归模型：Y=Xβ＋ε,E（s）=0,cov（ε）=σ^2v,v〉0,文献[1]给出了有偏估计βs^＊=（X^TV^-1X＋sI）^-s（XTV^-1Y＋β^＊）,其中s〉0为参数,β表示线性回归模型的广义最小二乘估计,文献[2]中已经证明了βs^＊的可容许性并且有很多优良性质．作者用类似的方法证明在一般增长曲线模型下该有偏估计仍具有许多优良性质并证明其在均方意义下是可容许的．     

混合系数线性模型参数的一种新估计

在连续测量数据的情况下,针对模型的复共线性,给出了混合系数线性模型参数的一类新的有偏估计d*ω=(C'M-1C+I)-1(C'M-1Z+ωd*),证明了在一定条件下该估计优于GLS和岭估计,并讨论了该估计的可容许性,最后又给出了该估计的广义形式.     

干涉条纹快速分析算法

讨论了一种快速、准确的算法分析离散的准正弦函数的相位和周期.算法对条纹数据先进行自适应滤波,然后采用最小二乘法求得周期和相位.其相位分析精确程度可达1×10     

全数字载波捕获算法

在数字化接收机中，通常采用最大似然估计算法来获得载波频移和相移的估值，但最大化非线性似然函数的计算量非常大，不易实现，该文提出一种通过将似然函数线性化来快速捕获载波的算法，大大减少了计算量，仿真结果表明，其性能接近克拉美劳界，且捕获频率范围宽，易于DSP实现，适合应用于全数字接收机。     

一个血吸虫病模型的离散算子数值解法及理论分析

对血吸虫病模型的第一和第三边值问题，应用离散算子法进行离散化，得到的数值解均恒为非负值且具有极大使原理．同时证明了Ｌ２模和Ｈ１模的最优误差估计，并对第一边值问题给出了最大模估计．