一、线性分布（又叫做线性回归分布）：线性回归分布是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。其表达形式为y = w'x+e，e为误差服从均值为0的正态分布。简单来说，线性分布是指分布函数为线性函数的分布。
二、非线性分布：非线性分布即分布函数不为线性函数的分布。非线性分布参数系统的控制问题方法源于对称群的应用，对称群可用于确定微分系统的群不变解。在微分系统伸展空间的不变条件提供了分布控制律的基。
扩展资料：
线性分布的应用：
1、数学应用：线性回归有很多实际用途。分为以下两大类：
（1）如果目标是预测或者映射，线性回归可以用来对观测数据集的和X的值拟合出一个预测模型。当完成这样一个模型以后，对于一个新增的X值，在没有给定与它相配对的y的情况下，可以用这个拟合过的模型预测出一个y值。
（2）给定一个变量y和一些变量X1,...,Xp，这些变量有可能与y相关，线性回归分析可以用来量化y与Xj之间相关性的强度，评估出与y不相关的Xj，并识别出哪些Xj的子集包含了关于y的冗余信息。
2、趋势线应用：
一条趋势线代表着时间序列数据的长期走势。它告诉我们一组特定数据（如GDP、石油价格和股票价格）是否在一段时期内增长或下降。虽然我们可以用肉眼观察数据点在坐标系的位置大体画出趋势线，更恰当的方法是利用线性回归计算出趋势线的位置和斜率。
参考资料来源：百度百科-非线性分布
参考资料来源：百度百科-线性回归
温馨提示：内容为网友见解，仅供参考
第1个回答 推荐于2017-12-16
所谓线性，是指变量之间的数学关系，是直线的属性。从数学意义上来讲，是指方程的解满足线性叠加原理。即方程任意两个解的线性叠加，仍然是方程的一个解。线性意味着系统的简单性，但自然现象就其本质来说，都是复杂的，非线性的。所幸的是，自然界中的许多现象都可以在一定程度上近似为线性。传统的物理学和自然科学就能为各种现象建立线性模型，并取得了巨大的成功。但随着人类对自然界中各种复杂现象的深入研究，越来越多的非线性现象开始进入人类的视野。
通过利用微分同胚，李群等工具，研究非线性的状态，输出和输入的相互关系慢慢建立了非线性可控制，可观测的充分条件或必要条件，对全局的状态精确地线性输入、输出，使得非线性系统转化为了较为简单的线性系统，使得非线性的系统模型，可以被大多数的应用科学所采用。如神经科学，量子捕捉系统，桥梁结构的长期性力学检测。这些都可以利用非线性的方法得出较好的结论。
线性与非线性的区别：“线性”与“非线性”，常用于区别函数y =f (x)对自变量x的依赖关系。线性函数即一次函数，其图像为一条直线。 其它函数则为非线性函数，其图像是除直线以外的图像。
非线性，它会影响倾角传感器的测量精度，可以通过后续进行校正，取决于校正点的多少。校正点越多，非线性越好。
非线性关系虽然千变万化，但还是具有某些不同于线性关系的共性。
线性关系是互不相干的独立关系，而非线性则是相互作用，正是这种相互作用，使得整体不再是简单地全部等于部分之和，而可能出现不同于"线性叠加"的增益或亏损。
激光的生成就是非线性的！当外加电压较小时，激光器犹如普通电灯，光向四面八方散射；而当外加电压达到某一定值时，会突然出现一种全新现象：受激原子好像听到“向右看齐”的命令，发射出相位和方向都一致的单色光，就是激光。
迄今为止，对非线性的概念、非线性的性质，并没有清晰的、完整的认识，对其哲学意义也没有充分地开掘。本回答被网友采纳
通过利用微分同胚，李群等工具，研究非线性的状态，输出和输入的相互关系慢慢建立了非线性可控制，可观测的充分条件或必要条件，对全局的状态精确地线性输入、输出，使得非线性系统转化为了较为简单的线性系统，使得非线性的系统模型，可以被大多数的应用科学所采用。如神经科学，量子捕捉系统，桥梁结构的长期性力学检测。这些都可以利用非线性的方法得出较好的结论。
线性与非线性的区别：“线性”与“非线性”，常用于区别函数y =f (x)对自变量x的依赖关系。线性函数即一次函数，其图像为一条直线。 其它函数则为非线性函数，其图像是除直线以外的图像。
非线性，它会影响倾角传感器的测量精度，可以通过后续进行校正，取决于校正点的多少。校正点越多，非线性越好。
非线性关系虽然千变万化，但还是具有某些不同于线性关系的共性。
线性关系是互不相干的独立关系，而非线性则是相互作用，正是这种相互作用，使得整体不再是简单地全部等于部分之和，而可能出现不同于"线性叠加"的增益或亏损。
激光的生成就是非线性的！当外加电压较小时，激光器犹如普通电灯，光向四面八方散射；而当外加电压达到某一定值时，会突然出现一种全新现象：受激原子好像听到“向右看齐”的命令，发射出相位和方向都一致的单色光，就是激光。
迄今为止，对非线性的概念、非线性的性质，并没有清晰的、完整的认识，对其哲学意义也没有充分地开掘。本回答被网友采纳
相似回答
