最大游程的均值与方差

一、引言 设α_1,α_2,…,α_n为独立二项分布序列,且P(α_i=0)=P(α_i=1)=1/2。此序列的取值为0-1序列。在通讯编码中,为了评价密码序列,需要了解上述0-1序列的统计特征。本文将讨论此类序列的最大游程的均值与方差的性质。     

关于虚根的几个注记

虚根是Kac-Moody代数中的一个非常重要的概念,它体现了Kac-Moody代数与有限维单Lie代数的本质上的区别.在本文中,我们首先描述Kac-Moody代数的严格虚根.然后再刻划极小虚根,这是文献[1]中结果的进一步完善.1 基本概念设A=(a_(ij))~n_(i,j)=1是一个广义Cartan矩阵,((?),Π,Π°)是A的一个实现,其中П={α_1,…,α_n}(?)*;Π~v={α°_1,…α°_n}(?),g(A)是关联于A的Kac-Moody代数.Q=sum from n=l toZα_i和 Q_ =sum from n=l toZ_iα_i分别是g(A)的根格和正根格.W和Sw分别是gw的Weyl群和D”忱n图.我们用的和坡分别表示g(A)的所有正实根的集合和正虚根的集合.令     

гельфнд超越性判别法则多变量情形的推广(Ⅱ)

对于P∈C[x_1,…,x_x],H(P)表其高，并令t(P)=max(logH(p),1 degx_1(p),…1 degx_x(p).设n≥1,(θ_1,…,θ_n)∈C~n.A(θ_1,…,θ_n)表示所有具有下列性质的实数η>1的集:存在实数N_0>0,使对于任何实数N≥N_0有多项式 F=F_N∈Z[x_1,…,x_n],t(F)≤N,     

一类二元序列相关函数的估计

一个二元序列是指α=(α_1,α_2,…,α_n,…),其中α_i=+1或-1,我们称为(±1)序列;α_i=0或1称为(0,1)序列。以A_n表示满足条件     

退化矩阵β分布

作为与正态样本有关的分布,矩阵β分布(也称多元β分布)在文献中有大量的研究.令A～W_m(n_1,Σ)和B～W_m(n_2,Σ)为两个独立的维希特分布矩阵,Σ为一正定矩阵. 令C=A B.分解C=T′T,其中T为一具正对角元的上三角阵 令U=(T′)~(-1)·AT~(-1).则U的分布称为矩阵β分布并记为B_m((n_1)/2,(n_2)/2)其中n_1 n_2>m-1. 如果n_i是实数,则还要求n_i>m-1(i=1及/或2).如果n_1,n_2都大于m一1,则U是非退化的并具有在m×m正定矩阵空间上的密度.本文采用文献[2]中的记号,并记A(S)=diag(λ_1(S),…,λ_n(S)),其中λ_i(S)为S的第i大(非零)特征根,S∈_(m,n)~1·S_(m,n)~(?)上的微分形式定义为(dS)=2~(-n)|L|~(m-n)×     

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.     

随机线性方程组的一个极限性质

考虑随机线性方程组这儿W_n=(w_(ij))_(nxn),w_(ij),i,j=1,2,…为一列iid随机变量序列且EW_(ij)=0。V_n=(α_1,…,α_n)′为n×1列向量,{α_n},n=1,2,…为一列常数序列。这类方程组在一些物理大系统中起着十分重要的作用.Geman和Hwang(参见Z.wahrsch.     

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     

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}     

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     

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],     

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   

Bieberbach函数族和Grunsky函数族的另一种充要条件和偏差定理

1.引言 设f(ζ)是单位圆U={ζ|:|ζ|<1}上的正则的单叶函数,f(0)=0,当|ζ_i|<1,i-1,2时f(ζ_1)·f(ζ_2)≠1,记这种函数的全体为B_1,称为Bieberbach函数族。设f(ζ)是单位圆U上的正则的单叶函数,f(0)=0,当|ζ_i|<1,i=1,2时,     

可解完备Lie代数Ⅱ

推广文献[1]中定理3.3可得 定理1 设且是Lie代数L的Cartan子代数,且满足下列条件: 1)H是Abel的。 2)L关于H的分解如下: L=H+sum from α∈Δ(L_α), 其中。 3)在Δ中有H~*的生成元组α_1,α_2,…,α_n使dimL_(α_j)=1,     

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:     

无界ρ-混合序列强律的收敛速度

文献[1]限制r.v.|η_n|≤1,a.s.,n≥1。文献[1,2]设1/2<α≤1,αp≥1,并对{η_n:n≥1}要求,本文提     

关于具有随机足标的最大值

本文设{ξ_i}与{X_i}是概率空间（Ω,F,P）上的两列随机变量,其中{X_i}是i.i.d具有公共分布函数F（x）.记 M_n==Vξ_i,M_n=VX_i以及[t]表示t的最大整数部分. 在i.i.d.情形,具有随机足标的最大值的极限分布的主要结果如下（参看文献[1],定理6.2.1）: 定理1 设a_n>0,b_n∈R,n≥1,使 P（M_n≤a_nx b_n）→G(x,) n↑∞,（1）其中G是非退化的分布函数。如果一列非负整值随机变量{N_n}满足     

离散系统鲁棒性分析——一种几何方法

一、离散系统鲁棒性分析的基本引理 记n次复系数多项式集F~n={f(z)|f(z)=α_0z~n+α_1z~(n-1)+…+α_(n-1)z+α_n, α_i∈C,i=0,1,…,n且α_0≠0},对于任意的f(z)∈F~n,若f(z)的根均在以原点为圆心、以ρ>0为半径的圆内,则称f(z)为S_ρ稳定,记为f(z)∈S_ρ。特别地,若ρ=1,则称f(z)为Schur稳定,即为离散时间意义下的稳定,记为f(z)∈S。     

关于拟多项式映射零点分布的一个结果

设C~n是n维复空间。称P:C~n→C~n是拟多项式映射,如果P的每个分量P_i的每一项都具有形式αZ_l~(β_1)…Z_n~(β_n),其中α为复常数,Z_i为复变量,β_i为非负实数,并且每个P_i是有限个这样的项的和,对每个分量的每一项,考虑和式β_1+…+β_n。令α_i为第     

数字滤波的一种递推估计

我们考虑一个方程 X_(i+1)=A_iX_i (1)的二维系统,这里X_i~1,X_i~2为纯量,其观察方程为 z_i=H_iX_i+η_i (3)其中 H_i=[1,0],(4)η_i为测量噪声. 令 J_k(x)=sum from i=-∞ to k((z_i-H_iX_i)~2W_i)。(5)这里 W_i=[1-ε(1-θ)/θ(k-i)]θ~(k-i),(6)0≤ε<1,0<θ<1。现在我们来研究(5)式的极小化问题,它在雷达跟踪问题中是颇感兴趣的。以X_k~*表示(5)式的X的最优估计,即