基本概念 定义与例子 关于未知函数(x1,∞2,……,n)的偏微分方程是形如 F(,, Du, ur,r1,r1T2' (11.1) 的关系式,其中,x=(x1,x2,…,mn),Du=(tx1,ux2 F是关于自变量x和未知函数a及a的有限多个偏微商的已 知函数.F可以不显含未知函数及其自变量x,但必须含有 未知函数的偏微商.涉及几个未知函数及其偏微商的多个偏微分 方程构成一个偏微分方程组.除非另有说明,我们限制自变量 x=(x1,x2,…,xn)取实数值,并设函数a及其出现在方程中 的各阶偏微商连续

研究函数极限时,有两种变量非常重要.一种是在极限过程中变量可以无限变小,而且要多么小就有 多小;一种是在极限过程中,变量可以无限变大,而且要多么大就有多大我们分别将它们称为无穷小量和无穷大量

一、 一个随机变量的函数的分布 例如：已知分子运动速度V 的分布，要求分子动能

一． 二维随机变量与分布函数 定义：X= (X1, X2 ,\, Xn ) T 的分布函数定义为：

2.1随机过程的基本概念和例子 定义2.1.1:设(,F,P)为概率空间,T是某参数集,若对每一个t∈T,(tw 是该概率空间上的随机变量,则称X(t,w)为随机过程(Stochastic Process 随机过程就是定义在同一概率空间上的一族随机变量。随机过程X(tw)可 以看成定义在TxQ上的二元函数,固定wo∈Ω,即对于一个特定的随机试验, 称X(t,wo)为样本路径(Sample Path),或实现(realization),这是通常所观测到的 过程;另一方面,固定t∈T,X(to,w)是一个随机变量,按某个概率分布随机 取值

第二节可分离变量的微分方程 一、可分离变量的微分方程 二、典型例题 三、小结思考题

§2.1 回归分析概述 (Regression Analysis) 一、变量间的关系及回归分析的基本概念 二、总体回归函数 三、随机扰动项 四、样本回归函数 §2.2 一元线性回归模型的基本假设 (Assumptions of Simple Linear Regression Model) 一、关于模型设定的假设 二、关于解释变量的假设 三、关于随机项的假设 §2.3 一元线性回归模型的参数估计 (Estimation of Simple Linear 一、参数的普通最小二乘估计（OLS） 二、参数估计的最大或然法(ML) 三、最小二乘估计量的性质 四、参数估计量的概率分布及随机干扰项方差的估计 §2.4 一元线性回归模型的统计检验 Statistical Test of Simple Linear Regression Model 一、拟合优度检验 二、变量的显著性检验 三、参数的置信区间 §2.5 一元线性回归分析的应用——预测问题 一、预测值条件均值或个值的一个无偏估计 二、总体条件均值与个值预测值的置信区间 §2.6 实例及时间序列问题

7.1函数的定义与调用 7.2函数的嵌套调用与递归调用 7.3数组作为函数参数 7.4内部变量与外部变量 7.5内部函数与外部函数 7.6变量的动态存储与静态存储

第五节随机变量的相互独立性 设,n为随机变量,如果它们满足下列条件:对于实轴上任意两个集合S1,S2,如果事件{5eS1},{nS2}相互独立,那末,称n相互独立.直观地说,,η相互独立就是它们取值时互不牵连

海南大学：《概率论与数理统计》课程教学资源（教案讲义）ch2 随机变量及其分布 第二讲 随机变量的分布函数、连续型随机变量及其概率密度（1）