一、拟合优度检验 二、变量的显著性检验 三、参数的置信区间

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

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

多元质量控制涉及到多元数据的整理和统计推断等复杂内 容。因此,掌握相应的多元统计概念和方法是讨论多元质量控制问 题的必要前提。 众所周知,一元统计质量控制是建立在一元正态分布基础上 的;因为在现实世界中产品和服务质量特性的统计量(随机变量) 大都服从或近似服从一元正态分布,或者它们的某种形式的极限 分布是…元正态分布同样,多元统计质量控制是以多元正态分布 理论为基础的;因为在现实世界中产品和服务的多重质量特性的 统计量(随机向量)都服从或近似服从多元正态分布,其某种形式 的极限分布也是多元正态分布因此,本章先用较大篇幅来讨论多 元正态变量的一些特征及多元正态样本函数的一些性质;

一元高次代数方程的基础知识 12.1高等代数基本定理及其等价命题 1.高等代数基本定理 设K为数域。以K[x表示系数在K上的以x为变元的一元多项式的全体。如果f(x)=a0x\+a1x“+…+an∈K[x(ao≠0),则称n为f(x)的次数,记为deg f(x)

一、Ŷ0是条件均值E(Y|X=X0)或个值Y0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

9.1.7用形式微商判断多项式是否有重因式 定义9.10设f(x)=ax+a1x+…+an-1x+an∈K[x],定义 f\(x)=na\+(n-1)\-+..+[], 称f(x)为f(x)的一阶形式微商。 设f(x)的k-1阶形式微商已定义,记作f((x)则定义它的k阶形式微商fx)为 f(x)的一阶形式微商:f((x)=(f((x)另外我们约定f(x)=f(x) 命题设f(x)∈K[x],如果K[x]内的不可约多项式p(x)是f(x)的k重因式,则 p(x)是f(x)的k-1重因式

一元线性回归模型 模型参数估计（最小二乘法） 样本判定系数与拟合优度检验 回归参数估计值的显著性检验 模型整体的显著性检验 一元线性回归模型预测 参数估计 假设检验

◼ 1. 相关关系的分析方法 ◼ 2. 一元线性回归的基本原理和参数的最小二乘估计 ◼ 3. 回归直线的拟合优度 ◼ 4. 回归方程的显著性检验 ◼ 5. 利用回归方程进行估计和预测 ◼ 11.1 变量间关系的度量 ◼ 11.2 一元线性回归 ◼ 11.3 利用回归方程进行估计和预测 ◼ 11.4 残差分析

一、条件均值E(Y=X或个值Y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