n(元)维随机变量(向量) 称同一个样本空间Ω上的n个随机变量 X1,2,…,Xn构成的n维向量(X1,2,Xn) 为Ω上的n维随机变量(向量) 注:一维随机变量即为上一节介绍的随机变量, 二维及二维以上的随机变量称为多维随机变量

第三章随机变量及其分布 3-4随机变量的独立性 设(X,Y)是二维随机变量,其联合分布函数为 F(x,y),又随机变量X的分布函数为F(x) 随机变量Y的分布函数为F(y)如果对于任意 的x,y,有 F(x, y)=Fx(x).Frl 则称X,Y是相互独立的随机变量

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

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

第四章线性方程组 4.2线性方程组的解法 个线性方程组AX=B的解的数量有三种情况:0,1,∞ 对于第三种情况,逐个写出这些解是不可能的 解线性方程组的本质就是用一组可自由取值的变量 (称为自由变量)来表示其余的变量(称为主变量)使得对于自由 变量的任一组值,都能唯一确定主变量的值,它们一起构成方程 组的一个解.注意:主变量和自由变量的分法并不是唯一的 自然地我们应解决以下问题

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

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