关于线性模型中LS估计相合的条件

考虑线性模型如下: y_i=x′_iβ+e_i,i=1,2,…,(1.1) 其中x′_i=(x_(i1),x_(i2),…,x_(ip))是已知常值向量,β′=(β_1,…,β_p)为未知参数向量,e_i为随机误差。记设计矩阵X_n=(x_1,x_2,…,x_n)′;Y_n=(y_1,y_2,…,y_n)′;S_n~(-1)=(X′_sX_n)~(-1)(S_(ij)~((n)))_(1≤i,j≤n)并且假定当n充分大时S_n满秩,则熟知β的最小二乘(LS)估计(n)有如下表达式:     

中位数交叉核实准则

考虑非参数中位数回归模型Y_(ni)=g(x_(ni)) ε_(ni),1≤i≤n,(1)其中g:[0,1]|→R是待估计的连续函数,{x_(ni):1≤i≤n}是区间[0,1]上的非随机设计点列,{ε_(ni):1≤i≤n}是iid随机变量,中位数为零,{Y_(ni):1≤i≤n}是观察值.对x∈[0,1],n≥1,记D_(nj)(x)为x的第j个近邻,j=1,2,…,n,即{D_(n1)(x),D_(n2)(x),…,D_(nn)(x)}为{x_(n1),x_(n2),…,x_(nn)}的一个置换,满足|D_(n1)(x)-x|≤|D_(n2)(x)-x|≤…≤D_(nn)(x)-x|,结按自然顺序消去.令Y_(ni)(x)和ε_(ni)(x)分别表示D_(ni)(x)(1≤i≤n)处的观察值和随机变量.下面的估计g_n(h,x)=(?){Y_(n1)(x),Y_(n2)(x),…,Y_(nh)(x)},(2)(?)表示样本中位数,这个估计称为g(x)的最近邻中位数估计(或者局部中位数估计),其中近邻个数h起着光滑参数作用.h的选择对估计的好坏起着决定性的作用.作者与郑忠     

混合Ramsey数x_2(m,K_(1,n))的下界

一个图G的全色数x_2(G)是指着色G的边和顶点使相邻、关联元素均着不同颜色所需要的最少颜色数。对于正整数m和星形图K_(1,n),混合Ramsey数x_2(m,K_(1,n))是这样的最小正整数p,使得任一p阶图H或者     

最小二乘估计相合性的若干结果

(?)≡(x_1,x_2,…)是已知的p维向量序列,e≡(e_1,e_2,…)是随机误差列,β≡(β_1,…,β_i)′是未知的回归系数向量.记S_n=x_1x_1~′…+x_nx_n~′.设当n≥n_0时,S_1~(-1)存在.把p×n矩阵S_n~(-1)(x_1…x_n)的(j,i)元记为u_(nji),则β的最小二乘(LS)估计为     

关于U-统计量理论的一些结果

设x_1,x_2,…为一串独立同分布(iid)变量,而φ(x_1,…,x_m)为x_1,…,x_m的对称函数,则U_n=(n/m)~(-1) sum from to 1≤α_1<…<α_m≤nφ(x_(α_1),…,x_(α_m),n≥m称为以φ为核的U-统计量。设对某个r≥1有E[|φ(x_1,…,x_m)|~r]<∞.(1)迄今为止,文献中对U-统计量的研究,多限于r=1和r=2的情况,最近我们研究了一般的r≥1的情况,主要结果如下:     

关于Znám问题

1972年,捷克数学家Znám提出一个问题:是否对每一个整数n>1,都存在整数x_i>1(i=1,…,n),使得对每一个i,x_i是x_1…x_(i-1)x_(i 1)¨x_n 1的真因子?1975年,Skula证明了对于2≤n≤4,不存在这样的整数,并提到在n=5时,Janàk找到了一组解2,3,11,23,31(Acta Fac. Rer. natur.     

煤矿工人尘肺X线诊断专家系统中的模糊推理模型

我们在前文中给出了煤矿工人尘肺X线诊断专家系统(PXDES)的设计思想和实现过程。下面扼要介绍PXDES中的模糊推理模型。在尘肺X线诊断问题中,设患者的尘肺X线表现由n个诊断因子X_i(i=1,2,…,n)表示,每一个诊断因子X_i是由不同程度的l个症状x_(ij)(j=1,2,…,l)组成的集合,即X_i={x_(i1),x_(i2),…,x_(il)}。     

关于一组同余式的解

的整数解。显然,(1)式的解x_1,…,x_n中x_i,(?)x_j(i(?)j),不失一般,可设x_1相似文献   

非负整值随机变量序列的一类强律

设{X_n,n≥1}是一列在S={0,1,2,…}中取值的随机变量,其分布为f(x_1,…,x_n)=P(X_1=x_1,…,X_n=x_n)>0,x_k∈S,1≤k≤n.(1)易知{X_n,n≥1}独立同分布的充要条件是存在S上的分布(p(0),p(1),…),P(i)>0,i∈S,(2)使得对任意正整数n有f(x_1,…,x_n)=multiply from k=1 to n p(x_k),x_k∈S,1≤k≤n.(3)为了表征{X_n,n≥1}与服从分布(3)的独立随机变量之间的差异,我们引进如下的似然比:     

一个有关三角多项式的不等式

设N是一个正整数,a_(M 1),a_(M 2),…,a_(M N)是N个任意的复数。现定义S(x)=sum from n=M 1 to M N a_ne(nx),(1)其中e(t)=e~(2πit)。又设x_1,x_2,…,x_R是R个实数,对r≠s,‖x_r-x_s‖≥δ.(2)这里‖θ‖表示θ到最近整数的距离,且0<δ<1/2。     

t可约m×n 二部分竞赛图的得分表偶

设(X,Y)是m×n 二部分竞赛图T_(m,n)的顶点集合V(T_(m,n))的有序分划,其中X=(x_1,x_2,…,x_m},Y={y_1,y_2,…,y_n},x_i、y_j 在T_(m,n)中的得分分别为a_i、b_j,l≤i≤m,l≤j≤(?),且a_1≤a_2≤…≤a_m,b_1≤b_2≤…≤b_n.记A=(a_1,a_2,…,a_m),B=(b_1,b_2,…,b_n),则T_(m,n)     

理想流体的数值解

U(x_1,x_2,…,x_n,t)表示速度向量,其分量是U~((i)),1≤i≤n。P表示压力与密度之比,v(x_1,x_2,…,x_n,t)是运动粘性系数,0≤v_0≤v≤v_1,f(x_1,x_2,…,x_n,t)表示体积力,那末Narier-Stokes方程如下     

Kuhn求根算法的收敛速度

设f(x)是n次复多项式。H. W. Kuhn构造了序列(x_(jk),d_(jh),j=1,…,n,k=1,2,…,使得,这里x_1,…,x_n都是,f(z)的根(Fixed Points; Algorithms and Applications, Acade-mic Press, New York. 1977)。     

多项式映射可逆性的一个判则

设F是特征为零的域,f_i∈F[x_1,…,x_n],1≤i≤n。若多项式映射φ=(f_1,…,f_n)-F~(?)→F~n (x_1,…,x_n)(?)(f_1(x_1,…,x_n),…,f_n(x_1,…,x_n))可逆,易知其Jacobi行列式J(f_1,…,f_n)=det((?)f_i/(?)x_i)必为F中非零元。这一命题之逆,就是著名的Jacobi猜想。从Keller正式提出这一问题起,迄今已近五十年,仍未得到解决。     

一有限自动机的误差传播有界弱逆的结构

定义 设M=和M′=是两个有限自动机。任何s∈S和s′∈S′,若对任何x_0,x_1,…∈X都存在x_(_t),…,x_(-1)∈X使得λ′(s′,λ(s,x_0x_1…))=x_(-t)…x_(-1)x_0x_1…成立,且对任何l≥n≥0,任何x_0,…,x_l∈X和任何y_0~′,…,y_(n_1)~′,y_0,y_1,…,y_l∈y,都可由y_0…y_l=λ(s,x_0…x_l)推出λ′(s′,y_0 … y_l)=_(n+c)λ′(s′,y_0~′…y_(n-1)~′y_n…y_l),则称(s,s′)为延迟t步误差传播长度不大于e的匹配对,其中e是一非负整数,a_0a_1…a_l=_tb_0b_1…b_l表示a_t…a_l=b_t…b_l。对任何     

一类褶积矩阵方程的解

设x~((n))=(x_0,x_1,…,x_n)~T,x_i,i=0,1,2,…,n为实数,T为转置,x~((n))的z变换记为x_n(z),它在单位圆周上的值为x_n(w),记[x~((n))]~*=(x_n,…,x_0)~T,它的z变换记为X_n~*(z),称矩阵Δ(x~((n))=[a_(ij)],i,j=0,…,n,为褶积矩阵,其中     

一类非自治非线性系统零解的稳定性

dx_i/dt=A_i(t)x_i,(i=1,…,r) (3)的一个线性关联。这里x_i=col(x_1~((i)),…,x_(ni)~((i)))(i=1,…,r),n_1 … n_r=n,x~T=(x_1~T,…,x_r~T),A_i(t)为n_i×n_i(i=1,…,r)阶实对称矩阵,其特征方程的根关联项A_(ij)(t)为n_i×n_j阶矩阵,A(t)的每一元素连续有界,设|a_(ij)(t)|     

关于U-统计量的Marcinkiewicz大数律

设x_1,…,x_n…为一串i.i.d.随机变量序列,m≥1固定,h(a_1,…,a_m)为其m个变元的对称函数,以h(a_1,…,a_m)为核的U-统计量定义为假定: E|h(x_1,…,x_m)|~r<∞,0相似文献   

一类可解群的自同构

令R为有1的交换环,T(R)为由下定义的非Abelian群。生成元:x_(ij)(a),i相似文献   

线性模型中最小二乘估计的强收敛速度

考虑线性模型如下:y_i=x_i~′β+e_i,i=1,2,…, (1)其中x_i~′=(x_(ij),…,x_(ij)为已知常值向量,β′=(β_r,…β_p)为未知参数向量。令设计矩阵X_n=(x_1…,x_n)′;Y_n=(y_1,…,y_n)′;S_n~(-1)=(X_n~′X_n)~(-1)(?)(S_(ij)~n)1≤i,f≤n。熟知β的最小二乘估计(n)有如下表达式