二维随机变量(x,作为一个整体,它具 有联合分布函数F(x,y)而和都是一维随机变 干量,它们也有自身的概率分布,分别称为,r 关于和Y的边缘分布(Marginal Distribution),其相应的分布函数F(x)F(y) 依次称为二维随机变量是关于和关于的边缘 分布函数(Marginal Distribution Function).易知

一、方差的概念 引例:现有甲、乙两位射手,甲射手射击中命中的环数 工用X表示,乙射手射击中命中的环数用Y表示,甲、乙两射 手射击中命中的环数分布分别为:

一、数学期的概 二、高散型随机变量的数学期 三、连续型随机变量的数学期 回、数学期的性质

一、随机变量的数 二、高散型随机变量函数的分布 三、连续型随机变量数的分市

3.3~3.4多维随机变量的数字特征 一 多维随机变量函数的数学期望 二 多维随机变量方差和数学期望性质 三 协方差与相关系数 四 n维随机变量的协方差矩阵

本章将详细论述对数极大似然估计对象，说明其一般特征。并给出了一些可以使用该方法的具体的例子。 §8.1.1 极大似然估计的基本原理 §8.1.2 EViews极大似然对象概述 §8.1.3 似然说明 §8.1.4 极大似然估计量的计算方法 §8.1.5 估计 §8.1.6 LogL视图 §8.1.7 LogL过程 §8.1.8 问题解答 §8.1.9 限制

2.1.1求解Ax=b的高斯消去法和选主元高斯消去法 高斯消去法(Gaussian Elimination) 思首先将A化为上三角阵( upper-triangular- 路 matrix),此过程称为消去过程,再求解如 下形状的方程组,此过程称为回代求解 ( backward substitution)

属于一种迭代法，但如果不考虑计算过程的舍入误 差，CG算法只用有限步就收敛于方程组的精确解

一、函数逼近:用比较简单的函数代替复杂的函数。 二、误差为最小，即距离为最小（不同的度量意义） 举例：对被逼近函数f(x)=sqrt(x）,在区间［0，1］上按三种不同的逼近方式求其形如

一、数值积分的必要性 二、 求积公式及其代数精度 三、 插值型求积公式 四、Newton-Cotes公式及数值稳定性 五、复化求积公式及误差估计