秩和检验

弗雷德霍姆指数将秩-零度定理推广到巴拿赫空间等无限维空间。对于弗雷德霍姆算子 [latex]T： X → Y，其指标定义为：\text{ind}(T) = \dim(\ker(T)) - \dim(\text{coker}(T))其中余核维度衡量像空间与整个空间的距离。该指标在算子的小扰动下保持稳定的整数值。.

拓扑空间是有序对 [latex]（X，\tau）[/latex]，其中 [latex]X[/latex] 是一个集合，[latex]\tau[/latex] 是 [latex]X[/latex] 的子集集合，称为开集，满足三个公理：1）空集 [latex]\emptyset[/latex] 和 [latex]X[/latex] 本身都在 [latex]\tau[/latex] 中。2) [latex]\tau[/latex] 中任意多个集合的联合也在 [latex]\tau[/latex] 中。3）[latex]\tau[/latex] 中任意有限个集合的交集也在 [latex]\tau[/latex] 中。

策梅洛-弗兰克尔集合论（Zermelo-Fraenkel set theory，简称ZFC，其中ZFC包含选择公理）是当代数学的标准公理系统。它由一系列用一阶逻辑表达的公理组成，这些公理形式化了集合的性质。当今几乎所有数学定理都可以用ZFC来表述和证明。

方差分析 (ANOVA) 是一种统计方法，它将数据集中观察到的总变异性划分为可归因于不同来源的各个部分。其核心思想是比较不同组均值之间的方差与组内方差。如果组间方差显著较大，则表明组均值确实存在差异。

Courant-Friedrichs-Lewy (CFL) 条件是使用显式时间积分方案对双曲偏微分方程进行数值求解的必要稳定性准则。它规定，时间步长必须足够小，以保证每个时间步的信息传输距离不超过一个空间网格单元。对于一维情况，[latex]C = u \frac\{Delta t}\{Delta x} \le C_{max}[/latex]，确保了数值稳定性。

要使方差分析的结果有效，必须满足几个关于数据的关键假设。这些假设包括：(1) 观测值独立，即误差不相关。(2) 正态性，即每组的残差近似呈正态分布。(3) 同方差性，即所有组的残差方差相等。

该定理指出，在误差均值为零、不相关且方差恒定（同方差性）的线性回归模型中，普通最小二乘法 (OLS) 估计量是最佳线性无偏估计量 (BLUE)。“最佳”意味着它在所有回归系数的线性无偏估计量中方差最小，因此精度最高。

该定理指出，对于映射紧凑凸集到自身的任何连续函数 [latex]f[/latex]，存在一个点 [latex]x_0[/latex]，使得 [latex]f(x_0) = x_0[/latex]。这个点称为定点。非正式地讲，如果把一个国家的地图揉成一团，然后放在这个国家的边界内，那么地图上总会有至少一个点在其对应的现实世界位置的正上方。

A core principle of SPC distinguishing between two types of process variation. Common cause variation is the inherent, random "noise" within a process that is stable and predictable. Special cause variation, or assignable cause, stems from external, identifiable sources, indicating process instability. The goal is to eliminate special causes and reduce common cause variation.

SPC 中用于监控过程变量随时间变化的图形工具。它在代表过程平均值的中心线（CL）与控制上限（UCL）和控制下限（LCL）之间绘制数据点。这些限值通常设定为平均值的三个标准差（[latex]\mu \pm 3\sigma[/latex] ），定义了预期的共同原因变化范围。.

单因子方差分析用于确定三个或更多独立组的均值之间是否存在统计学意义上的显著差异。它分析单一分类自变量（称为因子）对连续因变量的影响。零假设指出所有组的均值相等，[latex]H_0：\mu_1 = \mu_2 = \dots = \mu_k[/latex]。.

哥德尔编号是一种基础技术，它为形式语言中的每个符号、公式和证明分配一个唯一的自然数（哥德尔数）。这种语法算术化使得关于形式系统的元数学陈述（例如，“这个公式是可证明的”）能够被编码为关于数字的算术陈述，从而可以在系统内部进行推理。

贝叶斯因子是两个竞争假设的边缘似然比值，通常指原假设（[latex]M_1[/latex]）与备择假设（[latex]M_2[/latex]）的比值。它量化了在观测数据[latex]D[/latex]条件下，某一假设相对于另一假设的支持程度。 其计算公式为：[latex]K = \frac{P(D|M_1)}{P(D|M_2)}[/latex]。当K值大于1时，表明数据更支持[latex]M_1[/latex]而非[latex]M_2[/latex]。.