离散型随机变量 随机变量的分布函数 连续型随机变量 一维随机变量函数的分布 二维随机变量的联合分布 多维随机变量的边缘分布与独立性 条件分布 多维随机变量函数的分布

前几章讨论的函数y=f(x),是因变量与一个自变量 之间的关系,在此关系中,因变量的值只依赖于一个自 变量,称这类函数为一元函数.但在许多实际问题中往 往需要研究因变量与几个自变量之间的关系,这时因 变量的值依赖于几个自变量

前几章讨论的函数y=f(x)是因变量与一个自变量 之间的关系,在此关系中,因变量的值只依赖于一个自 变量,称这类函数为一元函数但在许多实际问题中往 往需要研究因变量与几个自变量之间的关系,这时因 变量的值依赖于几个自变量

在机械稳健性优化设计中不确定变量常被假定为服从某种特定分布的随机变量,在随后的优化模型中丢掉了这些不确定变量的初始数据,这种对不确定变量的处理方式往往不能真切地反映不确定变量的本质,使得出的结论偏离事实.为了更加真切地反映这些不确定变量,使用盲数表达机械设计中的不确定变量,运用盲数运算规则表达各不确定变量之间的关系,把盲数理论和稳健设计相结合,建立基于盲数理论的稳健设计优化模型.使用该优化模型对一个气动换向装置进行了优化计算,优化结果好于传统的稳健设计结果.基于盲数的方法是一种离散化的数值计算方法,算例充分展示了其灵活性,证明了该优化方法是合理的和实用的

因子分析( Factor Analysis)是多元统讣分析技术的一个分支,其主要目的 是浓缩数据。它通过研究众多变量之间的内部依赖关系,探求观测数据中的基本 结构,并用少数几个假想变量来表示基本的数据结构。这些假想变量能够反映原 来众多的观测变量所代表的主要信息,并解释这些观测变量之间的相互依存关 系,我们把这些假想变量称之为基础变量,即因子( Factors)。因子分析就是研 究如何以最少的信息丢失把众多的观测变量浓缩为少数几个因子 因子分析是由心理学家发展起来的,最初心理学家借助因子分析模型来解释 人类的行为和能力,1904年查尔斯·斯皮尔曼( Charles spearman)在美国心理学 杂志上发表了第一篇有关因子分析的文章,在以后的三四十年里,因子分析的理 论和数学基础逐步得到了发展和完善,它作为一个一般的统计分析工具逐渐被人 们所认识和接受。50年代以来,随着计算机的普及和各种统计软件的出现,因 子分析在社会学、经济学、医学、地质学、气象学和市场营销等越来越多的领域 得到了应用

在社会科学研究中,一个经常会遇到的问题就是要对定性变量数据进行量化 分析,因为研究中往往使用一些定性( Nonmetric)变量,例如名义变量或序次 变量来反映研究对象的行为、态度等,研究不同性别的顾客对不同品牌商品的喜 好,不同职业的人在吸烟行为上的差异等都属于此类研究。以往在分析这样的定 性变量时,往往需要使用非线性统计方法,例如L< linear等,但在每个变量都 划分成许多类别的情况下,这些分析方法就很难直观地揭示出变量之间的联系以 及变量类别之间的关系

变量的作用域（空间特性） 变量的作用域也称为可见性，指变量能够被访问的范围。 分为局部变量和全局变量两类：局部变量的范围较窄，限定在程序中的部分区域；全局变量的范围较宽，可以是整个文件甚至是整个程序

多元线性回归( multiple linear regression)是分析一个随机变量与多个变量 之间线性关系的最常用的统计方法。实际工作中,常常希望知道所关心的事物受 哪些因素的影响,比如销售量与价格和广告费的关系,农业产量与原料和气候的 关系,生育水平与教育水平和经济水平的关系,物价和失业率的关系,收入与受 教育程度和年龄的关系等等。多元线性回归用变量的观察数据拟合所关注的变量 和影响它变化的变量之间的线性关系式,检验影响变量的显著程度和比较它们的 作用大小,进而用两个或多个变量的变化解释和预测另一个变量的变化 回归这一名词起源于19世纪生物学家F.高尔顿进行的遗传学研究,他在研 究子女身高与父母身高之间关系时发现

多元线性回归(multiple linear regression)是分析一个随机变量与多个变量 之间线性关系的最常用的统计方法。实际工作中,常常希望知道所关心的事物受 哪些因素的影响,比如销售量与价格和广告费的关系,农业产量与原料和气候的 关系,生育水平与教育水平和经济水平的关系,物价和失业率的关系,收入与受 教育程度和年龄的关系等等。多元线性回归用变量的观察数据拟合所关注的变量 和影响它变化的变量之间的线性关系式,检验影响变量的显著程度和比较它们的 作用大小,进而用两个或多个变量的变化解释和预测另一个变量的变化

第二章随机变量及其分布 2-2离散型随机变量 一.离散型随机变量的概念与性质 离散型随机变量的定义 如果随机变量X的取值是有限个或可列无穷个,则称为离散型随机变量