一、一元线性回归模型的基本假设 二、参数的普通最小二乘估计（OLS） 三、参数估计的最大或然法(ML) 四、最小二乘估计量的性质 五、参数估计量的概率分布及随机干扰项方差的估计

上一讲我们介绍了随机变量的数学期 望,它体现了随机变量取值的平均水平, 是随机变量的一个重要的数字特征. 但是在一些场合,仅仅知道平均值是 不够的

定理1独立同分布的中心极限定理 设随机变量序列X,X2,Xn 独立同一分布,且有期望和方差: E(X)=,D(X)=2>0,k=12,… 则对于任意实数x

第七章假设检验 第一节假设检验基本原理 第二节总体均值、比例和方差的假设检验 第三节假设检验中的其他问题

均值方差模型提出了的证券选择问题,解决 了最优地持有有效证券组合,即在同等收益 水平之下风险最小的证券组合 夏普等人在该模型基础上发展了经济含义 任何证券组合收益率与某个共同因素的关系 资产定价模型(CAPM)

在无码间串扰时,若存在加性噪声,判决电路也 可能造成错判。 在无码间串扰的基带系统中,设信道噪声是平稳 高斯白噪声,因为接收滤波器是线性网络,故判决 电路输入噪声也是一个平稳高斯白噪声,假设其均 值为0,方差为2,判决门限为Va,且采用双极性 基带信号,则: 将“1”错判为“0”的漏报概率为:

本文提出的一种多变量自寻优闭环移动极点自校正控制算法的基本策略是:在控制过程中,以多变量广义最小方差为目标,自动移动闭环极点,且使其在控制量允许的范围内,闭环极点处在理想位置的系统。这样不仅能实现最优控制,且具有极点配置的鲁棒性

1、OLS估计量的概率分布 B的概率分布 首先,服从正态分布的随机变量的线性组合仍然 服从正态分布。 其次,B分别是的线性组合,因此B的概率分 布取决于随机误差项μ 因此在μ是正态分布的假设下,每一个B也 服从正态分布,其分布特征(密度函数)由其均值和方差唯 一决定

自适应线性元件( Adaptive Linear Element,简称 Adaline)也是早期神经网络 模型之一,它是由威德罗( Widrow)和霍夫(Hof)首先提出的。它与感知器 的主要不同之处在于其神经元有一个线性激活函数,这允许输出可以是任意 值,而不仅仅只是像感知器中那样只能取0或1。另外,它采用的是W一H学 习法则,也称最小均方差(LMS)规则对权值进行训练,从而能够得到比感知器 更快的收敛速度和更高的精度 自适应线性元件的主要用途是线性逼近一个函数式而进行模式联想

本文结合极点配置的基本设计思想,提出了一类具有输出跟踪的多变量自校正控制算法。该算法将工程应用中提出的要求与系统的性能指标联系起来,实现了闭环极点配置的广义最小方差控制,而性能指标中加权多项式矩阵R(z-1)的选取是根据使闭环系统输出对参考信号实现稳态无偏跟踪的原则进行的。进而运用Martingle收敛理论对算法进行了研究,导出了控制器的无偏收敛条件。数字仿真研究表明了该算法的可行性和有效性