多元样条空间3_k~μ(△_n)(k≥2~(n-2)(3μ+1)+1,n≥3)的维数

设D_nB~n是一个有界单连通多面体区域,△_n是D_n的n维单纯形剖分,含有T_i个i维单纯形S_j~(i)(i=0,1,…,n;j=1,2,…,T_i)。     

n维空间上的一类三次C~1插值有限元方法

设Q_n是R~n中的多面体区域,△_n是Q_n的一个单纯形剖分,它具有T_i个i维单纯形是△_n通过如下步骤得到的一个加细剖分: ⅰ)在每个i维单纯形S_i~((i))的内部分别     

关于积分Schoenberg样条的一些结果

设△_n:0=x_0相似文献   

低维有限点集偏差的精确计算公式(Ⅰ)

设d≥1,S_d={u_k(1≤k≤n)}是d维单位立方体G_d=[0,1)~d中的有限点集,那么S_d的偏差定义为D_n=D_n(S_d)=(sup |A(J;n)/n-V(J)|,此处J遍历G_d中全部形如[0,α_1)×…[0,α_d),0<α_i≤1(1≤i≤d)的d维子长方体,V(J)=α_1…α_d是J的体积,     

独立标准柯西变量的平方和分布

记n维随机向量Z=(z_1,…,z_n)、z_i i=1,…,n为i.i.d.C(0,1)变量(标准柯西变量);U=(u_1,…,u_n)服从R~n中单位圆上的均匀分布;D=(D_1,…,D_n)服从参数为     

Favard-Kанторович多项式在L~p空间

本文推广多项式P_n(f)。设给出分划△:0=α_(n0)<α_(n1)…<α_(nn)=1,(?)=max 0≤v≤n-1(α_n,_(v+1)-α_(nv)),△_n=min 0≤v≤n-1 (α_n,_(v+1)-α_(nv))。设     

代数方程组同伦算法的可行概率为1

设C~n是n维复空间,T是C~n×[0,1)=R~(2n)×[0,1)的一个渐细单纯剖分,其v维骨架为T~v,v=0,1,…,2n 1。     

Hilbert不等式

1974年,H.L.Montgomery与R·C·Vaughan在研究大筛法时讨论了一般形式的Hilbert不等式,我们改进了他们的结果,简化了他们的证明,建立了以下的两个定理。定理1 设△_1=1,△_2,△_3…,△_n,…为正数,θ_r=min(△_r,△_(r 1)),则     

一类G函数线性型下界估计

设α_1,…,α_n是互不相同,不为零的有理整数,(1973)证明了F_(io)(α_jz),F_(i1)(α_jz)(i=1,…,m;j=1,…,n)和1在C(z)上是线性无关的,并且属于一类G函数.我们证明下面不等式:     

素特征域上的有限维Cartan型Lie超代数

关于素特证域上的Lie超代数,至今结果尚少.本文构造了F上的无限维Cartan型Lie超代数X(m,n)(X=W,S,H或K),进而定义了有限维的广义Cartan型Lie超代数,并且讨论了它们的单性与限制性.最后给出一个关于F上有限维单Lie超代数的分类的猜想.设F是特征p>2的域,n是大于1的正整数,∧(n)是F上具有生成元ξ_1,…,ξ_n的外代数.若u=(i_1,i_2,…,i_r),其中1≤i_1相似文献   

三次插值样条的核函数与最佳误差界

设△_n∶0=x_0相似文献   

投影Stiefel流形上的典则实线丛

一、广义向量场问题与奇-线性非退化配对 设ξ_n为n-维实投影空间P~n上的Hopf线丛。所谓广义向量场问题是:kξ_n所允许的最大线性无关截面数(记为span kξ_n)是多少。当k=n+1时,kξ_n=τP~n⊕1,此时变为球面     

关于密度估计的最优收敛速度

设X_1,…,X_n是取自具有密度函数f的m维总体的iid样本。f属于某个密度函数族。我们考虑的问题是用形如γ_n(x_1…x_n,x)(以下简记为γ_n(x))的估计量来估计f(x)。在具有相合性的情况下,种种意义的可能的最佳收敛速度问题。     

最大游程的一个概率估计式及其应用

一、前言设η_1,η_2,…为i.i.d,P(η_i=1)=p,P(η_i=0)=1-p,在η_1,…,η_n中连续取的随机变量个数称为η_1,…,η_n中1的游程的长度,游程的长度中之最大者称为其最大游程长度,我们有时也简称最大游程,这些都是熟知的概念。文献[1]中的文献[1]在较特殊的情况下对最大游程问题进行了研究,文献[1]在引理1中得到一个关于最大游程的概率估计式,     

二维乘积限估计的一些渐近性质

设(X_i~O,Y_i~O),i=1,2,…,n是独立同分布,表示n对个体寿命的随机向量,它们有共同的生存分布函数S(s,t)=P(X~O>s,Y~O>t).又设(C_i,D_i)是一对表示删失时间的随机向量,且(C_i,D_i),i=1,2,…,n独立同分布,其生存分布函数为G(s,t)=P(C>s,D>t).在二元随机删失模型中,人们仅能观察到(X_i,δ_i,Y_i,△_i),i=1,2,…,n,其中X=min(X_i~O,C_i),δ_i;=I[X_i~O≤C_i],Y_i=min(Y_i~O,D_i),△_i=I[Y_i~O≤D_i],     

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}     

关于一类缺插值样条的一般结果

设△:0=x_0相似文献   

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     

关于实时任务的初始分配的近似算法

定义1 实时任务集TS定义为一组具有到达时间a、执行时间c和终止时间d的任务集合,且满足:d-c≥a,其形式为TS={T_i(a_i,c_i,d_i)|(i=1,…,N)     

关于多元样条空间的维数

设D是矩形域D=[a,b](?)[c,d]。连接竖直和水平线x=x_i和y=y_i,i=1,…,m-1;j=1,…,n-1将D剖分成m·n个胞腔D_(ij)=[x_i,x_(i+1)](?)[y_j,y_(j+1)],其中x_0=a,x_m=b,y_0=c,y_n=d。于每个