通常求出随机变量的分布并不是一件容易的事,而人们更关心的是用一些数字来表示随机变量的特点,这些与随机变量有关的数字,就是随机变量的数字特征.最常用的数字特征为数学期望,方差和相关系数

随机变量的函数的分布 我们常常遇到一些随机变量,它们的分布往往难于直接得到(如滚珠体积的测量值等),但是与它们有关系的另一些随机变量,其分布却是容易知道的(如滚珠直径的测量值).因此,要 研究随机变量之间的关系,从而通过它们之间的关系,由已知的随机变量的分布求出与之有关的另一个随机变量的分布

定义2.5如果每次试验的结果对应着一组确 定的实数(1525),它们是随试验结果 不同而变化的n个随机变量,并且对任何一 组实数x12xn事件 \515x25xn\有确定的概率,则称 n个随机变量的整体(525)为一个n元 随机变量(或n元随机向量) 定义2.6称n元函数

本讲重点: C-51的数据类型和存储类型; 指针和中断的使用; 通过实例消化理解C-51的编程方法 尝试将实验课中的ASM-51程序转为C-51程序

拉氏变换的性质 本讲介绍拉氏变换的几个性质,它们在 拉氏变换的实际应用中都是很有用的. 为方便起见,假定在这些性质中,凡是要 求拉氏变换的函数都满足拉氏变换存在 定理中的条件,并且把这些函数的增长 指数都统一地取为c.在证明性质时不再 重述这些条件

单方程回归是最丰富多彩和广泛使用的统计技术之一。本 章介绍 EViews中基本回归技术的使用:说明并估计一个回归模 型,进行简单的特征分析并在深入的分析中使用估计结果。随 后的章节讨论了检验和预测,以及更高级,专业的技术,如加 权最小二乘法、二阶段最小二乘法(TSLS)、非线性最小二乘法、 ARIMA/ARIMAX模型、GMM(广义矩估计)、 GARCH模型, 和定性的有限因变量模型。这些技术和模型都是建立在本章介 绍的基本思想的基础之上的

EViews的对象(序列、组、方程等)可以用图、表、文本等形式表现 出来。这些视图是动态的,即当基础对象或活跃的样本变化时其展现形式 也会发生变化。 为防止视图随着对象的改变而改变,人们常将当前的视图保护起来。 在 EViews中这要靠 freezing(固化)来实现。固化一个视图将产生一个对象 (这个对象是该视图内容的“瞬象”)。原始视图的多样化产生了不同的 对象类型:固化一个图相当于建了一个图对象,固化一个表相当于建了一 个表对象,固化一个文本相当于建了一个文本对象

EViews提供了几种对数据进行初步分析的方法。在第九章 我们已列出了几种图来描述序列分布特征。在本章,列出了几 种散点图且允许我们可以用有参数或无参数过程来做拟合曲线 图。 这些图包含着复杂计算和大量的特殊操作,这些将在下面 详细论述。对某些完全技术性的介绍,不必掌握所有细节。 EViews中设置的缺省值除了对极特殊的分析外,对一般分析而 言是足够的。直接点击ok键接受缺省设置,就可以轻松的展现 出每个图

这一章描述了组对象的视图与过程。对一个组我们可以计算各种统计量,描述不同序列之间的关系,并以各种方式显示出来,例如表格、数据表、图等

本章主要介绍电力机车辅助线路的作用、组成和辅助设备的设置等内容,以SS型机 车为代表讲述其辅助线路的工作原理、分析方法,并讨论SS型机车的列车供电系统。通 过学习要达到的要求是: