线性回归模式的假设之一是，误差项ei是（）随机变量，其均值为零，均方差为一常数。
如果模型中出现随机解释变量并且与随机误差项相关时，最常用的估计方法是（）。
在下面利用给定的样本数据得到的散点图中，X、Y分别为解释变量和被解释变量。问：各图中随机误差项的方差与解释变量之间呈什么样的变化关系？https://assets.asklib.com/psource/2014120316451877637.jpg
随机解释变量最主要的解决方法是：（）。
回归模型中随机误差项产生的原因是什么？
设随机变量 X ~ U (0 ， 1) ，则 X 的分布函数为 F ( x ) =
设随机变量X和Y独立同分布，记U=X-Y，V=X+Y，则随机变量U与V必然（ ）。
2、设随机变量X与Y独立同分布，记U = X - Y，V = X + Y，则随机变量U与V必然（）．
假设随机变量X服从二项分布B(10，0.1)，则随机变量X的均值为()，方差为()，
随机变量x服从均匀分布U（-1，3)，则随机变量x的均值和方差分别是（）。 A．1和2.33 B．2和1.3
设随机变量X~U（-1, 6)，则P（1＜ X ≤ 4)= （结果用分数表示）
设随机变量X与Y相互独立，且均服从标准正态分布，对于函数U=2X与V=X+Y，下列必然成立的是( )。
设随机变量X和Y相互独立，且都等可能地取1, 2, 3为值,求随机变量U=max{X, Y}和V=min{X, Y}的联合分布。
设随机变量X～U（1，6)，求方程y2+Xy+1=0有实根的概率．
设随机变量X与Y相互独立，且均服从U（-1，1)，求函数Z=XY的概率密度fZ（z)．
设X，Y是相互独立且服从同一分布的两个随机变量，已知X的分布律为P（X=i}=1/3，i=1，2，3，又设U=max（X，Y)，V=min（X，Y)，写出二维随机变量（U，V)的分布律。
设随机变量X服从均匀分布U（0,5),则二次方程t²+Xt+1=0有实根的概率为（).
11、随机误差项的总体均值为0以及随机误差项与解释变量不相关保证了参数估计量的无偏性。
解释概念a.总体回归函数（PRF)b.样本回归函数（SRF)c.随机总体回归函数d.线性回归模型e.随机误差项（u<sub>i</sub>)f.残差项（e<sub>i</sub>)g.条件期望h.非条件期望i.回归系数或回归参数j.回归系数的估计量
设随机变量X服从参数为2的指数分布。随机变量Y服从二项分布B（2, 0.5).计算E（X-3Y-1).
由Y0^=X0β^可以得到被解释变量的估计值，由于模型中参数估计量的不确定性及随机误差项的影响，可知Y0^是（)。
产生随机解释变量的原因是什么？
33、回归方程中，被解释变量等于其估计值与随机误差项之和。
设随机变量X～U（a,b)，求E（2X)； E（e<sup>-2X</sup>)。
