由上一章定理 5，线性规划问题的最优解可以只限于在基可行解中去挑选。由于基可行 解有限,故原则上可采用枚举法。但从算法的角度看,这显然不是简便有效的。当 m、n 较大 时,根本行不通。事实上 m、n 在 100 左右的线性规划问题属于小型的

现在从另一个角度提出问题: 设有一个制造商,要生产m种不同的药丸来代替上述n种不同的食物,试问每种药丸 的价格如何确定,才能获利最大 仍可利用上面的表格,设第i种药丸的价格是w;,并记W=(w1,…,m)为了达到畅 销的目的,药丸的价格当然不宜超过与之相当的食物的价格,即应有WA≤C,于是问题变 成

实际遇到的线性规划问题，大多是具有上界限制的问题（既有上界限制，又有下界限 制的问题，容易化成只有上界限制的问题）。它的一般形式如下：

生产实际中遇到的线性规划问题常常是规模很大的，如果约束条件多到超过计算机容量 的程度，就会给求解造成困难。为了克服这一困难，对于大型问题，针对其具体结构，往往 可把它分解成几个较小问题来处理，这类方法称为分解算法

在某些线性规划问题中，变量只有取整数值才有意义。这时约束条件中还需添上变量取 整数值的限制，因而称为整数线性规划问题，其一般形式是：

就随机现象而言，仅仅知道可能发生哪些 事件是不够的，更重要的是对事件发生的可能 性做出定量的描述.这就涉及到一个概念——事 件的概率(Probability)

一、分布函数的概念 定义 对任意实数x，称F(x)=P{X≤x}为R.V. X的分布函数。 F(x)为普通函数

一只与区间长度有关,与区间的位置无关。即X落在两 个长度相等的区间内的概率相等。具有上述特点的随 机变量便是均匀分布的随机变量。 如:测量物体长度时读数的舍入误差服从均匀分 布。在(a,b)上随机掷质点

在本节中，我们重点讨论二维随机变量，三维或更多维的随机变量的许多概念和结论是二维随机变量的推广

二维随机变量(X,作为一个整体,具有联合分 布函数F(x2y),而X,Y各自都是随机变量,它们也 有自己的分布函数Fx(x),F().相对于二维随机变 量(X,)的联合分布函数,我们分别称Fx(x),Fr() 为X和Y的边缘分布函数。相应地,也有边缘概率密 度和边缘分布律的概念。我们将它们统称为边缘分 布