线性模型中均值向量的LSE和BLUE的偏差

考虑线性模型Y=Xβ e,这里E（e）=0,Cov(e,e)=σ^2V,V是非负定矩阵。众所周知,u=Xβ的最小二乘估计和最优线性无偏估计分别为u=X(X‘X)^-X‘Y和u=X(X‘T^-X)^X‘T^-Y,这里T=V XUX‘,U是矩阵满足R(T)=R(V:X)且T≥0。该文讨论V≥0时u与μ的偏差。在满足一定条件下得到相似的Haberman的一个界。在欧氏范数下,得到使Haberman条件成立的一个便于应用的充要条件。证明了类似于[2]界的推广形式,并把[3]界推广到V≥0。     

图的离心率值列的研究（英文）

设G为一个图,对任意x∈V（G）,其离心率e(x)定义为e(x)=max{d(x,u)│任意u∈（V（G）}。将G中各点的离心率的值按照（不重复）从小到大排列而得到的数列称为G的离心率值列。现设{ei}1 ≤i≤s为一个非减的整数数列。本得到了下面三个结果：（i){ei}1 ≤i≤s是图的离心率值列当且仅当{ei}1≤i≤s=[e1,es]且e1≥1,es≤2e1;（ii）定义NG（e)={x│x∈V（G）且e(x)=e},若│NG（e)│=1则e=r(G);(iii)有给定离心率值列[r,r s]的图的最小阶f[r,r s]为f[r,r s]={2r s,若0≤s≤r-2;r s 1,若s=r-1或r;这里,[s,s k]表示[r,r s]数列{r-1 i}1≤i≤s 1。     

约束线性回归模型的一种有偏估计

对于带约束的线性回归模型,y=Xβ+e,E(e)=0,Cov(e)=σ2V,V>0,Rβ=0,给出了回归系数的有偏估计β*R(k)=(kM+I)-1β*R(k≥0),讨论了其一些性质,而且给出了在均方误差阵下β*R(k)优于β*R的条件.     

约束线性回归模型的一种新的可容许估计

目的对于带约束的线性回归模型,y=Xβ+e,E(e)=0,cov(e)=σ2V,V>0,Rβ=0,给出了回归系数的有偏估计βR*(K)=(KM+I)-1βR*其中K=diag(k1,k2,…,kp)。方法应用比较的方法。结果与结论求出了在均方误差意义下βR*(K)优于β*R的条件,并讨论了其可容许性。     

特殊二部图的上可嵌入性

探讨二部图的上可嵌入性,证明了如下结果：(1)设G=(X,Y；E),定义G~3=(V(G~3),E(G~3)),其中V(G~3)=V(G),E(G~3)=E(G)∪{e=xy|d_G(x,y)：3,x∈X,y∈Y},则G~3是上可嵌入的；(2)设G=(X,Y；E),|X|=|Y|=n(n≥3),对任一对d_G(x,y)=3的x∈X,y∈Y,均有d(x) d(y)≥n 1,则G是上可嵌入的。     

关于边控制集的一些结论

令G＝（V，E）是一个图，M是边集E（G）的子集，如果有e∈E（G）／M，e至少与M中一条边相连，则称M为图G的边控制集，进一步，若M是匹配，则称M为图G独立边控制集，本文给出关于边控制集的一些结论。（1）设图H，S是两中连勇图，且H,S∈ж，γe(S)=1,M和M′＝｛uv｝分别是图H和S的唯一最小边控制集，其中S是图1中的（G1，G2，G3，G4）四个图之一，对任何点x∈V（S）＝｛u,v｝,y∈V(H)-V(M),令G＝H（y=s)S，则G∈ж，（2）如果连通图G≠K2，G∈ж，γe(G)=k,则存在G的两个连通于图H，S和某两个正整数l,m使H∈ж，S∈ж，且γe(H)=k-l,γe(S)=l,G≌H（yi=xi)S,其中l≤i≤m.     

不等方差线性模型的联合影响分析

本文对线性模型Y=Xβ e,E(e)=0,cov(e)=σ^2G,G=diag(g1,…,gn)，探讨了多个数据点对参数估计及统计推断的联合影响，给出了度量准则和它的简便计算公式及其统计解释。     

一类抛物方程反问题的存在性与唯一性研究

已知抛物方程定解问题为U1=Uxx f(t),u(0,t)=V1(t),u(π,t)=V2(t),u(x,0)=g(x),0≤x≤π,文章中研究的问题为:什么样的附加条件可以唯一决定未知函数组{V1(t),V2(t),f(t)}与{V1(t),V2(t),f(t),g(x)}。文章给出了反问题的提法且论证了在L2(0,π)中此反问题的存在性与唯一性。     

约束线性回归模型的一种新的可容许估计

对于带约束的线性回归模型y=Xβ+e,E(e)=0,Cov(e)=σ2W,W＞0,Xβ=0,给出了回归系数的有偏估计β*R(k)=(kM+I)-1β*R,给出了在均方误差阵意义下新的估计β*R(k)优于约束最小二乘估计β*R的条件.     

伞状树的奇强协调性

设G=V,E是一个简单图,若存在一个映射f:V(G)→{0,1,2,…,2|E|-1}满足(1)对任意的u,v∈V,若u≠v,则f(u)≠f(v);(2)对任意的e1,e2∈E,若e1≠e2则g(e1)≠g(e2),此处g(e)=f(u)+f(v),e=uv,且{g(e)|e∈E}={1,3,5,…,2|E|-1},则称G是奇强协调图,f为G的奇强协调标号,讨论了一类树的奇强协调性.