《概率论与随机过程》课程自学内容小结

第一篇：《概率论与随机过程》课程自学内容小结

上海大学2015～2016学年秋季学期本科生

课程自学报告

课程名称：《概率论与随机过程》

课程编号：07275061 报告题目：大数定律和中心极限定理在彩票选号的应用

学生姓名：

学

号：

任课教师：

成绩：

评阅日期：随机序列在通信加密的应用

2015年10月10日

摘 要：大数定律与中心极限定理是概率论中很重要的定理，较多文献给出了不同条件下存在的大数定律和中心极限订婚礼，并利用大数定律与中心极限定理得到较多模型的收敛性。但对于他们的适用范围以及在实际生活中的应用涉及较少。本文通过介绍大数定律与中心极限定理，给出了其在彩票选号方面的应用，使得数学理论与实际相结合，能够让读者对大数定律与中心极限定理在实际生活中的应用价值有更深刻的理解。

1.引言

在大数定律与中心极限定理是概率论中很重要的定理，起源于十七世纪，发展到现在，已经深入到了社会和科学的许多领域。从十七世纪到现在，很多国家对这两个公式有了多方面的研究。长期以来，在大批概率论统计工作者的不懈努力下，概率统计的理论更加完善，应用更加广泛，如其在金融保险业的应用，在现代数学中占有重要的地位。

本文主要通过对大数定律与中心极限定理的分析理解，研究探讨了其在彩票选号中的应用，并给出了案例分析，目的旨在给出大数定律与中心极限定理应用对实际生活的影响，也对大数定律与中心极限定理产生更深刻的理解。

2.自学内容小结与分析

2.1 随机变量的特征函数

在对随机变量的分析过程中，单单由数字特征无法确定其分布函数，所以引入特征函数。特征函数反映随机变量的本质特征，可唯一的确定随机变量的分布函数、随机变量X的特征函数定义为：

定义1 C(ju)p(x)ejuxdxE[ejuX]

(1)性质1 两两相互独立的随机变量之和的特征函数等于各个随机变量的特征函数之积。性质1意味着在傅立叶变换之后，时域的卷积变成频域的相乘，这是求卷积的简便方法。类比可知求独立随机变量之和的分布的卷积，可化为乘法运算，这样就简便了计算，提高了运算效率。

性质2 求矩公式：E[Xn](j)ndnCx(u)(du)n|u0

(2)

ndnC(u)unn(ju)性质3 级数展开式：CX(u)

(3)|n0E[X]n(du)n!n!n0n02.2 大数定律与中心极限定理

定义2 大数定律：设随机变量相互独立，且具有相同的E(Xk)和D(Xk)2,k1,2,...,则0,有

1n

limPXk

1(4)

nnk1这验证了人们的猜想：大量随机现象的平均结果一般也具有稳定性。定义3 中心极限定理：设随机变量相互独立，服从同一分布，且E(Xk)和D(Xk)20,k1,2,...,则随机变量Ynnk1Xknn的分布函数Fn(x)满足：

nt2XnX1k

limFn(x)limPk1xe2dt

(5)

nnn2要求随机变量之和落在某个区间上的概率，只要把它标准化，用正态分布作近似计算即可。2.3 随机序列及其统计特性

随机序列是对随机信号采样得到的结果，按信号的时间和状态可以分为连续型随机序列（时间离散、幅度连续）和离散型随机序列（时间和幅度都离散）。其中，后者在计算机处理中得到了广泛的应用。

将连续随机过程X(t)以ts为间隔进行等间隔抽样（记录），即得随机序列，表示为：

XjX(t)(tjts),j,...,1,0,1,...,

(6)由此可以看出一个N点的随机序列可以看成是一个N维的随机向量。均值向量为：

mx0mx

MxE[X]1mx0mxN1mx1mxN1

(7)

T自相关矩阵:

r00r10T

RXE[XX]rN1,0协方差矩阵：

r01r11rN1,1r0,N1r1,N1

(8)

rN1,N1c00c10T

CXE[(XMX)(XMX)]cN1,0c01c11cN1,1c0,N1c1,N1

(9)

cN1,N1容易证明，协方差矩阵与自相关矩阵有如下的关系：

CXRXMXMX

(10)性质1 对称性：RXRX

性质2 半正定性：对任意N维（非随机）向量F，成立 FRXF0

TTT值得注意的是，协方差矩阵的每一个元素反映的是随机向量X的不同分量之间的协方差，而不是不同样本之间的协方差。2.4 随机序列的功率谱密度

由于随机序列X(n)的自相关函数是一离散函数，故由离散傅立叶变换可得：

GX()由此推得：

GY()2.5 随机序列通过离散线性系统

kRX(k)ejk

(11)

kRY(k)ejkH()GX()

(12)

2对于在区间[0,1]上均匀分布的独立随即序列Xj，通过q阶FIR滤波器有：

Yjb0Xjb1Xj1bqXjq其自相关函数满足

qk2bb,|k|0,1,...,qxi0iik

RY(k)

(14)

0,|k|qbXii0qji

(13)3.伪随机序列在通信加密中的应用

加密的基本思想是：用m序列将携带信息的数字信号在统计结构上随机化，即“白化”，以达到隐藏信息的目的，对于0，1序列，在实现时只要用m序列与元信号进行异或，得到的密文是类似于白噪声的伪随机序列。将这种加密序列在信道里传输，被他人窃听也无法理解其内容。解密时只有用完全相同的m序列对密文再次进行异或，才能还原出原信号。

图1 加密的原理框图

3.1 m序列产生器

用线性反馈移位寄存器构成m序列产生器，关键是由特征多项式来确定反馈线的状态。图2为4级m序列产生的逻辑框图。图2 m序列产生器 对应的本原多项式为：

给寄存器赋除全零外的任何二进制序列作为初始值，当移位时钟脉冲上升沿到来时，每级寄存器的输出作为近邻寄存器的输入，实现数值的右移。其中，第4级与第3级的输出模二加（异或）后移入第1级寄存器。产生一个长度为15个时钟脉冲周期的二进制伪随机序列。3.1.3利用中心极限定理确定投注号码数字和的范围

统计上海市体育彩票中间号数据，得到0到9各数字出现的次数和频率，除数字9外，各数字出现的频率有向0.1靠近的趋势，为方便起见，不妨设0到9各数字出现的概率均为0.1。记随机变量Xi,i1,2,为第i次确定的数字，易见Xi,i1,2,相互独立同分布，Xi,i1,2,的数学期望和方差为EXi4.5,DX8.25，令7nX1X7n是连续n期中奖号各位数字总和，由和式和独立性，可得E(7n)31.5n,D(7n)57.75n，由中心极限定理，当7n充分大时，有

7n31.5n57.75n~N(0,1)，那么7n的保证概率为0.6827的估计区间是(31.5n57.75n,31.5n57.75n)，在第n+1期投注时，应考虑把区间[24.39]的上下限增大。

策略三： 若连续n期中奖号的7n个数字之和7n靠近31.5n57.75n或31.5n57.75n，就适当下调或上调区间[24,39]的上下限，所得区间作为第n+1期投注号码的七个数字之和的范围。3.2 结果说明

文中用极限定理观察中奖号码的运动趋势，要求观察次数足够多。在策略二中，n的范围以30n50为宜；在策略三中，最好5n7，即连续观察5至7期中奖号的数字。由于煤气彩票特等奖号码只有一个，备选数字配置的所有号码有可能不包括特等奖号码，不过它覆盖部分中奖号码的概率非常大，对于仅期望能中奖的彩民，可以按文中介绍的三个策略有节制地购买彩票。

参考文献

[1] 王永德，王军 随机信号分析基础，北京，电子工业出版社，2013：11-110 [2] 封希媛，大数定律与中心极限定理在实际中的应用[J]，青海师范大学学报第二版，2006 [3] 沈恒范，概率论与数理统计教程，高等教育出版社，2010：111-115 [4] 唐莉，李雁如，大数定律与中心极限定理的实际应用，广东，广东技术师范学院学报，2005-08-20

第二篇：概率论与数理统计课程教学大纲

《概率论与数理统计》课程教学大纲

（2002年制定 2004年修订）

课程编号：

英 文 名：Probability Theory and Mathematical Statistics 课程类别：学科基础课 前 置 课：高等数学

后 置 课：计量经济学、抽样调查、试验设计、贝叶斯统计、非参数估计、统计分析软件、时间序列分析、统计预测与决策、多元统计分析、风险理论

学 分：5学分 课

时：85课时 修读对象：统计学专业学生 主讲教师：杨益民等

选定教材：盛骤等，概率论与数理统计，北京：高等教育出版社，2001年（第三版）

课程概述：

本课程是统计学专业的学科基础课，是研究随机现象统计规律性的一门数学课程，其理论及方法与数学其它分支、相互交叉、渗透，已经成为许多自然科学学科、社会与经济科学学科、管理学科重要的理论工具。由于其具有很强的应用性，特别是随着统计应用软件的普及和完善，使其应用面几乎涵盖了自然科学和社会科学的所有领域。本课程是统计专业学生打开统计之门的一把金钥匙，也是经济类各专业研究生招生考试的重要专业基础课。本课程由概率论与数理统计两部分组成。概率论部分侧重于理论探讨，介绍概率论的基本概念，建立一系列定理和公式，寻求解决统计和随机过程问题的方法。其中包括随机事件和概率、随机变量及其分布、随机变量的数字特征、大数定律和中心极限定理等内容；数理统计部分则是以概率论作为理论基础，研究如何对试验结果进行统计推断。包括数理统计的基本概念、参数统计、假设检验、非参数检验、方差分析和回归分析等。教学目的：

通过本课程的学习，要求能够理解随机事件、样本空间与随机变量的基本概念，掌握概率的运算公式，常见的各种随机变量（如0－1分布、二项分布、泊松（Poisson）分布、均匀分布、正态分布、指数分布等）的表述、性质、数字特征及其应用，一维随机变量函数的分布、二维随机变量的和分布、顺序统计量的分布。理解数学期望、方差、协方差与相关系数的本质涵义，掌握数学期望、方差、协方差与相关系数的性质，熟练运用各种计算公式。了解大数定律和中心极限定量的内容及应用，熟悉数据处理、数据分析、数据推断的各种基本方法，能用所掌握的方法具体解决所遇到的各种社会经济问题，为学生进一步学习统计专业课打下坚实的基础。教学方法：

本课程具有很强的应用性，在教学过程中要注意理论联系实际，从实际问题出发，通过抽象、概括，引出新的概念。由于本课程是研究随机现象的科学，学生之前从未接触过，学习起来会感到难度较大，授课时应突出重点，讲清难点。要使学生明白，本课程主要研究哪些方面的问题，从何角度、用何原理和方法进行研究的，是怎样研究的，得到哪些结论，如何用这些方法和结论处理今后遇到的社会经济问题。在教育中要坚持以人为本，全面体现学生的主体地位，教师应充分发挥引导作用，注意随时根据学生的理解状况调整教学进度。授课要体现两方面的作用：一是为学生自学准备必要的理论知识和方法，二是激发学生学习兴趣，引导学生自学。在教学中要体现计算机辅助教学的作用，采用多媒体技术，提高课堂教学的信息量。通过课堂计算机演示实验，帮助学生加深对概念的理解。每次课后必须布置较大数量的思考题和作业，并加强课外辅导和答疑。

各章教学要求及教学要点

第一章 概率论的基本概念

课时分配：13课时 教学要求：

1、了解样本空间（基本事件空间）的概念，理解随机事件的概念，掌握事件的关系与运算。

2、理解概率、条件概率的概念，掌握概率的基本性质，会计算古典型概率和几何型概率，掌握概率的加法公式、乘法公式、减法公式、全概率公式，以及贝叶斯公式。

3、理解事件的独立性的概念，掌握用事件独立性进行概率计算；理解独立重复试验的概念，掌握计算有关事件概率的方法。教学内容：1、2、3、4、5、6、随机试验、随机事件与样本空间。

事件的关系与运算、完全事件组。

概率的概念、概率的基本性质、概率的基本公式。等可能概型（古典概型）、几何型概率。条件概率、全概率公式、贝叶斯公式。

事件的独立性、独立重复试验。

思考题：

1、事件A表示三个人对某问题的回答中至少有一人说“否”，B表示三个人对某问题的回答都说“是”。试问：事件AB、AB各表示什么涵义？

2、社会经济现象是否只分成确定性现象和随机现象？“某天的天气状况”是否属于这两类现象？试举出至少三种不属于这两类现象的社会经济现象。

3、随机事件与集合的对应关系是怎样的？

4、对立事件和不相容事件有何区别？

5、全概率公式和贝叶斯公式有何区别，各自能解决什么问题？

6、“小概率事件”是否不会发生？

7、“概率为零的事件”是否必然是不可能事件？

第二章 随机变量及其分布

课时分配：10课时 教学要求：

1、理解随机变量及其概率分布的概念；理解分布函数的概念及性质；会计算与随机变量相联系的事件的概率。

2、理解离散型随机变量及其概率分布的概念，掌握0－1分布、二项分布、超几何分布、泊松（Poisson）分布及其应用。

3、了解泊松定理的结论和应用条件，会用泊松分布近似表示二项分布。

4、理解连续型随机变量及其概率密度的概念，掌握均匀分布、正态分布N(μ，)、指数分布及其应用。

5、根据自变量的概率分布求其简单函数的概率分布。

2教学内容：1、2、3、4、5、随机变量及其分布函数的概念及其性质。离散型随机变量及其分布律。连续型随机变量及其概率密度。常见随机变量的概率分布。

随机变量的函数分布。

思考题：

1、引入随机变量的意义何在？如何用微积分的工具来研究随机试验？

2、分布函数有哪些性质？

n3、离散型随机变量的分布律有哪些性质？若有一组数pi0，且i1它们是不是某pi1.2，个离散型随机变量的概率分布？

4、二项分布何时取得极大值？其极大值是什么？

5、什么类型的实际问题可以用二项分布来研究？如何解决二项分布的计算问题？

6、什么类型的实际问题可以用泊松（Poisson）分布来研究？

7、指数分布的密度函数在不同的教材上有不同的定义，它们的区别何在？

8、连续型随机变量的概率密度有哪些性质？

9、正态分布N(μ，)与标准正态分布的分布函数之间有何联系？如何利用标准正态分布来计算正态分布N(μ，)落在某个区间的概率？

10、什么是正态分布的“3法则”？如何利用“3法则”来研究实际问题？

11、若随机变量X的密度函数不单调，如何求Yf(X)密度函数？

第三章 多维随机变量及其概率分布

课时分配：12课时 教学要求：

1、理解二维随机变量的概念、理解二维随机变量的联合分布的概念、性质及两种基本形式：离散型联合概率分布，边缘分布和条件分布；连续型联合概率密度、边缘密度和条件密度。会利用二维概率分布求有关事件的概率。

2、理解随机变量的独立性概念，掌握离散型和连续型随机变量独立的条件。

3、掌握二维均匀分布，了解二维正态分布的联合概率密度，理解其中参数的概率意义。

4、会求两个随机变量的简单函数（和、顺序统计量）的分布。教学内容：

1、二维随机变量及其概率分布。

2、二维离散型随机变量的概率分布、边缘分布和条件分布。

3、二维连续型随机变量的概率密度、边缘密度和条件密度，常用二维随机变量的概率分布。

4、随机变量的独立性和相关性。

5、两个随机变量函数的分布。思考题： 221、二维随机变量概率分布和相应的两个一维随机变量的概率分布间有何联系？

2、如何用一张概率分布表同时表示二维随机变量的联合分布律、边缘分布律？能否同时表示两个条件分布律？

3、二维均匀分布的联合概率密度与一维均匀分布的概率密度有何共性？如何由此推出三维及n维随机变量的联合概率密度？

4、二维正态分布的联合概率密度和相应的两个一维正态分布的概率密度间有何联系？

5、二维正态分布的联合概率密度各参数的涵义是什么？何时相应的两个一维正态分布是相互独立的？

6、如何确定条件密度表达式的函数定义域？

7、设某离散型随机变量与某连续型随机变量是相互独立的，如何求它们的和分布？

8、哪些独立随机变量具有可加性？

9、随机变量的独立性与事件的独立性有何区别？

第四章 随机变量的数字特征

课时分配：12课时 教学要求：

1、理解随机变量数字特征（数学期望、方差、标准差、矩、协方差、相关系数）的概念，并会运用数字特征基本性质计算具体分布的数字特征，掌握常用分布（如0－1分布、二项分布、泊松（Poisson）分布、均匀分布、正态分布、指数分布等）的数字特征。

2、会根据随机变量的概率分布求其函数的数学期望；会根据二维随机变量的概率分布求其函数的数学期望。

3、了解切比雪夫不等式及其应用。教学内容：

1、随机变量的数学期望（均值）、随机变量函数的数学期望。

2、方差、标准差及其性质，切比雪夫（Chebyshev）不等式。

3、协方差、相关系数及其性质。

4、矩、协方差矩阵。思考题：

1、数学期望和方差的统计意义是什么？

2、如何求一维与二维随机变量函数的期望？

3、写出0－1分布、二项分布、泊松（Poisson）分布、均匀分布、正态分布、指数分布的数学期望和方差。

4、数学期望和方差有哪些重要性质？其中哪些性质需要“相互独立”这一前提条件？

5、切比雪夫不等式的表达式是什么？它的证明过程中关键步骤是什么？它在处理实际问题中有何作用？

6、方差与协方差的实用计算公式是什么？

7、不相关与相互独立之间的关系是怎样的？若随机变量X与Y不相关，它们是否必然相互独立？若随机变量X与Y是正态分布，结论怎样？

8、若随机变量X与Y的相关系数r=0，是否说明X与Y之间没有关系？举例说明之。

9、事件A与B的相关系数是如何定义的？写出其定义式。

10、n维正态分布有哪些重要性质？

第五章 大数定律和中心极限定理

课时分配：4课时 教学要求：

1、了解切比雪夫大数定律、伯努利大数定律和辛钦大数定律（独立同分布随机变量的大数定律）。

2、了解棣莫弗－拉普拉斯定理（二项分布以正态分布为极限分布）和列维－林德伯格定理（独立同分布的中心极限定理）。教学内容：

1、几乎处处收敛、依概率收敛、依分布收敛。

2、切比雪夫大数定律、伯努利大数定律、辛钦（Khinchine）大数定律。

3、棣莫弗－拉普拉斯（De Moivre－Laplace）定理、列维－林德伯格（Levy－Lindberg）定理。思考题：

1、几乎处处收敛、依概率收敛、依分布收敛之间的关系是怎样的？

2、切比雪夫大数定律、伯努利大数定律、辛钦（Khinchine）大数定律成立的条件是什么，它们之间的差别是什么？

3、哪个大数定律可以用来说明频率的稳定性？试说明之。

4、棣莫弗－拉普拉斯定理和列维－林德伯格定理之间的关系是怎样的？

5、如何用列维－林德伯格定理来近似求独立同分布随机变量的和分布？

第六章 样本及抽样分布

课时分配：6课时 教学要求：

1、理解总体、简单随机样本、统计量、样本均值、样本方差及样本矩的概念。

2、了解 分布、t分布和F分布的概念及性质，了解分位数的概念并会查表计算。

3、了解正态总体的某些常用抽样分布。教学内容：

1、总体、个体、简单随机样本、统计量、样本均值、样本方差和样本矩。

2、 分布、t分布和F分布，分位数，正态总体的常用抽样分布。思考题：

1、总体和随机变量之间有何关系？

2、什么是简单随机样本？

3、数理统计中所说样本空间和随机变量X的样本空间是否同一概念？

4、为何能用样本观察值推断总体的状况？它依据的原理是什么？

5、什么叫统计量？常用的统计量有哪些？

6、 分布是怎样定义的？它有哪些重要的性质？它的主要作用是什么？写出它的数学期望和方差。

7、t分布是怎样定义的？它有哪些重要的性质？它的主要作用是什么？写出它的数学期望和方差。

8、F分布是怎样定义的？它有哪些重要的性质？它的主要作用是什么？写出它的数学期望和方差。2229、随机变量的上侧分位数和双侧分位数是怎样定义的？如何通过查表求标准正态分布、 分布、t分布和F分布的分位数？

210、关于正态总体的样本均值、样本方差有何重要结论？

第七章 参数估计

课时分配：8课时 教学要求：

1、理解参数的点估计、估计量与估计值的概念。

2、掌握矩估计法（一阶、二阶矩）和最大似然估计法。

3、了解估计量的无偏性、有效性（最小方差性）和一致性（相合性）的概念，并会验证估计量的无偏性。

4、了解区间估计的概念，会求单个正态总体的均值和方差的置信区间，会求两个正态总体的均值差和方差比的置信区间。教学内容：

1、点估计的概念、估计量与估计值。

2、矩估计法、最大似然估计法。

3、估计量的评选标准。

4、区间估计的概念。

5、单个正态总体的均值和方差的区间估计。

6、两个正态总体的均值差和方差比的区间估计。

7、（0-1）分布参数的区间估计。

8、单侧置信区间。思考题：

1、参数估计主要处理在社会经济中遇到的什么类型的问题？

2、矩估计法的优点和缺陷各是什么？

3、最大似然估计法依据的原理是什么？

4、写出一般情况下最大似然估计法的解题步骤。这个步骤对服从均匀分布的总体是否适用？如何用最大似然估计法对服从均匀分布的总体进行点估计？

5、估计量有哪几个评选标准？其中最基本的标准是什么？

6、为何要进行参数的区间估计？它与点估计相比有何优越性？

7、写出确定参数的置信区间的一般步骤。

8、单个正态总体均值的区间估计用到哪几种抽样分布？

9、单个正态总体方差的区间估计用到哪种抽样分布？

10、两个正态总体的均值差的区间估计用到哪几种抽样分布？

11、两个正态总体方差比的区间估计用到哪种抽样分布？

第八章 假设检验

课时分配：7课时 教学要求：

1、理解显著性检验的基本思想，掌握假设检验的基本步骤，了解假设检验可能产生的两类错误。

2、了解单个及两个正态总体的均值和方差的假设检验，会用公式进行单边及双边假设检验。

3、了解分布拟合检验和秩和检验概念与步骤。教学内容：

1、显著性检验。

2、单个及两个正态总体的均值和方差的假设检验。

3、假设检验的两类错误，样本容量的选取。

4、区间估计与假设检验之间的关系。

5、分布拟合检验。

6、秩和检验。思考题：

1、假设检验分为哪两种类型？

2、假设检验主要处理在社会经济中遇到的什么类型的问题？

3、假设检验依据的原理是什么？

4、确定双边假设检验与单边假设检验的原则是什么？

5、对单边假设检验如何确定备择假设？

6、写出显著性检验的一般步骤。

7、单个正态总体均值的假设检验用到哪几种抽样分布？它和区间估计有何异同？

8、单个正态总体方差的假设检验用到哪种抽样分布？它和区间估计有何异同？

9、两个正态总体均值差的假设检验用到哪几种抽样分布？它和区间估计有何异同？

10、两个正态总体方差比的假设检验用到哪几种抽样分布？它和区间估计有何异同？

11、什么叫施行特征函数？如何用它来描述犯“取伪”错误的概率？

12、对单边及双边假设检验，为同时控制犯两类错误的概率，其必要样本容量应取多大？分别写出其表达式。

13、假设检验和区间估计之间的差别何在？

14、 拟合检验法、偏度、峄度检验法、秩和检验法各自适用于检验什么问题？如何提出原假设？

第九章

方差分析和回归分析

课时分配：9课时 教学要求：

1、了解方差分析的基本思想，试验因素和水平的意义。

2、掌握平方和的分解，会作出方差分析表。

3、了解回归分析的基本思想。

4、掌握一元线性回归，了解可化为线性回归的一元非线性回归和多元线性回归。

5、了解线性相关性检验和利用回归方程进行预测和控制。教学内容：

1、单因素和双因素试验的方差分析。

2、一元线性回归、非线性回归、多元线性回归。思考题：

1、方差分析主要处理在社会经济中遇到的什么类型的问题？

2、写出方差分析的一般步骤。

23、如何进行平方和的分解？总偏差平方和、误差平方和、效应平方和的统计特性怎样？它们的自由度之间有何关系？

4、回归分析主要处理在社会经济中遇到的什么类型的问题？

5、如何用最小二乘法求一元线性回归方程的系数？

6、相关系数与回归系数间有何关系？

7、如何将特殊的非线性回归转化为线性回归？

8、如何用回归方程进行预测与控制？

复习、机动：4课时

附录：参考书目

1、茆诗松等，《概率论与数理统计》，中国统计出版社，2000

2、苏均和，《概率论与数理统计》，上海财经大学出版社，1999

3、华东师范大学数学系编，《概率论与数理统计》，中国科学技术大学出版社，1992

4、复旦大学数学系编，《概率论》（第一、二册），人民教育出版社，1979

5、唐象能、戴俭华，《数理统计》，机械工业出版社，1994

6、[俄]A.A.史威斯尼科夫等，《概率论解题指南》，上海科学技术大学出版社，1981

7、周复恭等，《应用数理统计学》，中国人民大学出版社，1989

8、[印度]C.R.劳，《线性统计推断及其应用》，科学出版社，1987

9、郑德如，《相关分析和回归分析》，上海人民出版社，1984

10、吴喜之，《非参数统计》，中国统计出版社，1999

11、Vendables, W.N.& Ripley.B.D.，《Modern Applied Statistics with S-plus》，Springer-Verlag，New York，1997

12、张尧庭，《定性资料的统计分析》，广西师范大学出版社，1991

13、[美]戴维.R.安德森等，《商务与经济统计》，机械工业出版社，2000

执笔人： 杨益民 2004年5月 审定人： 管于华 2004年5月 院（系、部）负责人： 钱书法 2004年5月

第三篇：概率论与数理统计主要内容小结（模版）

概率论与数理统计主要内容小结

概率部分

1、全概率公式与贝叶斯公式 全概率公式：

P(A)P(A|B1)P(B1)P(A|B2)P(B2)P(A|Bn)P(Bn)

其中B1,B2,,Bn是空间S的一个划分。贝叶斯公式：P(Bi|A)P(Bi)P(A|Bi)P(B)P(A|B)jjj1n

其中B1,B2,,Bn是空间S的一个划分。

2、互不相容与互不相关

A,B互不相容AB,P(AB)0

事件A,B互相独立P(AB)P(A)(B);两者没有必然联系

3、几种常见随机变量概率密度与分布律:两点分布，二项分布，泊松分布，均匀分布，二项分布，指数分布，正态分布。

X~b(1,p),即二点分布，则分布律为P{xk}pk(1p)1k,k0,1.kkX~b(n,p),即二项分布，则分布律为P{xk}Cnp(1p)nk,k0,1,...,n.X~(),即泊松分布，则分布律为P{xk}kek!,k0,1,......1,x(a,b)X~U(a,b),即均匀分布，则概率密度为f(x)ba.0,其它x1e,x0X~E(),即指数分布，则概率密度为f(x).0,其它X~N(,2),即正态分布，则则概率密度为f(x)

12ex22,x.连续性随机变量X分布函数性质：（i）F()1，F()0,(ii)分布函数连续 对连续性随机变量X，已知概率密度f(x)，则分布函数为F(x)已知分布函数为F(x)，则概率密度f(x)F(x).对连续性随机变量X，已知概率密度f(x), 区间概率P{xL}

4、连续函数随机变量函数的概率密度

设连续随机变量X的概率密度为fX(x),Yg(X)也是连续型随机变量，求Y的概率密度 求法

(i)利用以下结论计算：如果函数g(x)处处可导，且恒有g(x)0（或g(x)0），则Y概率密度为：

xf(t)dt；

f(x)dx

LfX[h(y)]|h(y)|,y fY(y)0,其他g(),g()}.其中，h(y)是g(x)的反函数，且有min{g(),g()},max{(ii)利用分布函数计算：先求yg(x)值域，再在该值域求Y的分布函数

F(y)P{Yy}P{g(X)y}P{XB}则有fY(y)F(y).常用求导公式

(y)xBfX(x)dx

fY(y)F(y)(y)f(x)dxf((y))(y)f((y))(y)

5、二维随机变量分布律

对于二维连续性随机变量(X,Y)，其联合概率密度为f(x,y),其联合分布函数为F(x,y), 则F(x,y)xyf(u,v)dvdu，概率密度性质：（i）f(x,y)0,(ii)

f(u,v)dvdu1

已知概率密度f(x,y),求区域概率有P{(x,y)D}边缘分布函数为FX(x)边缘概率密度为fX(x)f(x,y)dydx，Dyxf(u,v)dvdu,FX(y)f(u,v)dudv，f(x,y)dy,fY(y)f(x,y)dx.条件分布函数为FX|Y(x|y)xyf(x,v)f(u,y)du,FY|X(y|x)dv，fY(y)fX(x)条件概率密度为fX|Y(x|y)f(x,y)f(x,y),fY|X(y|x).fY(y)fX(x)对于离散情形，设联合分布律为P{Xxi,Yyj}pij 边缘概率密度为P{Xxi}pj1ijpi.，P{Yyj}pijp.j

i1条件概率密度为P{Yyj|Xxi}

6、二维随机变量函数的分布

pijpi.，P{Xxi|Yyj}pijp.j

设二维随机变量(X,Y)概率密度为f(x,y)，分布函数为F(x,y)(i)Z=X+Y, 则Z的概率密度为

fZ(z)f(zy,y)dyf(x,zx)dx

fX(zy)fY(y)dyfX(x)fY(zx)dx

当X,Y相互独立时，fZ(z)(ii)M=max{X,Y}与N=min{X,Y} 当X,Y相互独立时，FM(z)FX(z)FY(z)，FN(z)1(1FX(z))(1FY(z))

7、数学期望

(i)求法：连续随机变量X概率密度为f(x)，则E(X)xf(x)dx；若Yg(X), 则E(Y)g(x)f(x)dx.离散随机变量分布律为P{xxk}pk，则E(X)xk1kpk;若Yg(X), 则E(X)g(xk)pk.k1若有二维的随机变量(X,Y),其联合概率密度为f(x,y)，若Yg(X,Y), 则E(Y)g(x,y)f(x,y)dydx.(ii)性质：E(C)C,E(CX)CE(X),E(XY)E(X)E(Y)

E(k1X1k2X2knXn)k1E(X1)k2E(X2)knE(Xn)X,Y相互独立，则有E(XY)E(X)E(Y).8、方差

定义：D(X)E[XE(X)]2，标准差（均方差）：D(X).计算：D(X)E(X2)[E(X)]2

性质：D(C)0,D(XC)D(X),D(CX)C2D(X).D(XY)D(X)D(Y)2E[(XEX)(YEY)].常见分布的数学期望和方差：两点分布：E(X)p,D(X)p(1p).X~b(n,p),即二项分布，则E(X)np,D(X)np(1p).X~(),即泊松分布，则E(X),D(X).ab(ba)2,D(X).X~U(a,b),即均匀分布，则E(X)212X~E(),即指数分布，则E(X),D(X)2.X~N(,2),即正态分布，则E(X),D(X)2.9、协方差与相关系数

定义：协方差: Cov(X,Y)E{[XE(X)][YE(Y)]}E(XY)E(X)E(Y).相关系数：XYCov(X,Y)D(X)D(Y).则有Cov(X,Y)XYD(X)D(Y).性质：Cov(X,Y)Cov(Y,X),Cov(X,X)D(X),Cov(X,a)0

Cov(aX,bY)abCov(X,Y),Cov(X1X2,Y)Cov(X1,Y)Cov(X2,Y)

D(XY)D(X)D(Y)2Cov(X,Y)

如果X,Y相互独立，则有D(XY)D(X)D(Y)

|XY|1,且|XY|1a,b,使P{YabX}1.10、独立与不相关关系

XY0X,Y不相关Cov(X,Y)0E(X,Y)E(X)E(Y)X,Y相互独立F(x,y)F(x)F(y)f(x)f(y)E(X,Y)E(X)E(Y)

F为分布函数，而f为概率密度

一般情况下，X,Y相互独立X,Y不相关，但反之不成立；

2特殊情况，当(X,Y)~N(1,2;12,2;)时，X,Y相互独立X,Y不相关

2并且此时E(X)1,E(Y)2;D(X)12,D(Y)2;XY,Cov(X,Y)12.11、切比雪夫(Chebyshev)不等式：设随机变量X的期望与方差为E(X),D(X)2，则对任意正数0，有

P{|XE(X)|}D(X)22, 即P{|X|}2.D(X)进一步有：P{|XE(X)|}1

12、两个中心极限定理

22,即P{|X|}12.定理1（独立同分布的中心极限定理）设随机变量X1,X2,,Xn,相互独立，服从同一分布，有相同的数学期望和方差：E(Xk),D(Xk)20,k1,2,，则

当n充分大时，YnXk1nkE(Xk)k1nnXi1nkn~~~~~~~~D(Xk)k1n近似N(0,1).定理2（棣莫弗-拉普拉斯定理）设随机变量n,n1,2服从参数为n,p(0p1)的二项分布，则当n充分大时，nnpnp(1p)~~~~~~~~近似N(0,1)

统计部分

1、常用统计量

设X为总体，X1,X2,Xn是来自总体X的样本，定义

1n样本平均值：XXi，ni1n1n12样本方差：S(XiX)(Xi2nX2)，n1i1n1i12样本标准差（均方差）：S1n(XiX)2 n1i11nk样本k阶矩：AkXi,k1,2,

ni

12、常用正态总体相关的统计量（1）2分布

定义：设Xi~N(0,1),i1,2,n，则性质(i)可加性：设X~222X~(n)，特别Xi2~2(1).ii1n2(n1),Y~2(n2),则XY~2(n1n2).(ii)设X~(n),则EXn,D(X)2n.(iii)特例：设Xi~N(,),则(2)t 分布

定义：设X~N(0,1),Y~(n), 且X,Y相互独立，则统计量t性质

(i)概率密度为偶函数，关于y轴对称；当n趋于无穷大，该统计量趋于标准的正态分布；(ii)对于分位点有：t1(n)t(n).(3)F分布 定义：设U~212(Xi1ni)2~(n).XY/n~t(n).(n1),V~(n2), 且U,V相互独立，则统计量F1.F(n2,n1)Un1~F(n1,n2).Vn2性质(i)对于分位点有：F1(n1,n2)

3、正态总体样本均值与样本方差分布

单个总体情形：设X为总体，且服从X~N(,),X1,X2,Xn是来自总体X的样本，X,S分别是样本均值与样本方差，有以下结论： 22D(X)2,E(S2)D(X)2, 而且有(i)E(X)E(X),D(X)nnCXii1ni~N(Cii,Ci2i2).i1i1nn(ii)X~N(,2n), 即

X/n~N(0,1)；且

12(Xi1niX)2(n1)S22~2(n1)

两个正态总体情形：设X1,X2,Xn1是来自X~N(1,12)的样本，Y1,Y2,Yn2是来22自Y~N(2,2为两样本方差，)的样本, 且两样本相互独立，X,Y为两样本均值，S12,S2则有

(i)XY~N(12,12n122n2).2(ii)当1222时，XY(12)Sw11n1n2~t(n1n22)，2(n11)S12(n21)S2 Swn1n222S12/S2(iii)2~F(n11,n21)21/24.点估计(1)矩估计法

设概率密度f(x;1,2,k)或分布律P{Xx}p(x;1,2,k)中含1,2,k个参数需要估计。

(i)求总体前k阶矩

1E(X)1(1,2,,k)22E(X)2(1,2,,k)E(Xk)(,,)k12kk(ii)由以上方程解得

11(1,2,,k)(,,,)2212k kk(1,2,k)(iii)以样本i阶矩Ai代替i,i1,2,,n 即得估计量ii(A1,A2,Ak).(2)最大似然估计

定义：给定一组样本观测值(x1,x2,xn)，使该观测值概率取最大的参数值为所求参数估计值。

两种求法：I 直接用最大似然法估计计算

(i)写出似然函数 连续情形：L()f(xi;)，离散情形：L()p(xi;)

i1i1nn(ii)求使似然函数取最大值的参数

两种方法：取对数，求导数，令导数为0解出估计值；若求导不行，则用直接分析法(iii)由上写出估计值，再表示出估计量 II 利用不变性计算

若求函数uu()的最大似然估计，其中u是单调函数，可先求最大似然估计，然后利用不变性知u()是u()的最大似然估计。5.估计量评价标准

无偏性：是的估计量，如果E(), 则是的无偏估计量；

ˆˆˆ更有效； 有效性：1,2是的无偏估计量，如果D(1)D(2)，则1较2一致性：是的估计量，当样本容量趋于无穷大，依概率收敛于.6.置信区间 基本的重要概念：

置信水平：是参数落在置信区间(,)的概率，即P()1,,两统计量

1为置信水平。分别为双则置信下限与置信上限，例如置信水平为95%，则10.95.置信区间几种情形： 单个总体情形

当已知，的置信区间，枢轴量Z2X/n~N(0,1)

双侧置信区间：(XnZ),双则置信上、下限：X2nZ,X2nZ.2单侧置信区间：(XnZ,)，(,XnZ)单侧置信上、下限：XnZ,XnZ.当未知，的置信区间，枢轴量t2XS/n~t(n1)

双侧置信区间：(XSnt(n1))，2双则置信上、下限：XSnt(n1),X2Snt(n1).2单侧置信区间：(XSnt(n1),)，(,XSnSnSnt(n1))

单侧置信上、下限：Xt(n1)，Xt(n1)

当未知，的置信区间，枢轴量22(n1)S22~2(n1)

(n1)S2(n1)S2(n1)S2(n1)S2双侧置信区间：(,),双则置信上、下限：,(n1)(n1)(n1)(n1)212122(n1)S2(n1)S2单侧置信区间：(0,)，(,)

1(n1)(n1)(n1)S2(n1)S2单侧置信上、下限：.,1(n1)(n1)两个总体情形：

2S12/S2当1,2未知，/的置信区间，枢轴量F2~F(n11,n21)21/22122S12S121双侧置信区间：(2,2S1F(n11,n21)S2F211)，(n11,n21)2S12双则置信上、下限：2S2F1S1211,2，(n11,n21)S2F(n11,n21)22S12S1211单侧置信区间：(0,2),(2,).F(n1,n1)F(n1,n1)S211S2122S12S1211单侧置信上、下限：2,2.S2F1(n11,n21)S2F(n11,n21)在求解置信区间时，先分清总体属于那种情况，然后写出置信区间，再代数值。7.假设检验

假设检验的基本原理：小概率事件在一次观测实验中几乎不可能发生

显著性水平：小概率事件发生的概率，也是拒绝域对应事件概率，显著性水平越大，拒绝域越大。

两类错误：对原假设H0，备择假设H1，第一类错误H1不真，接受H1，第二类错误H0不真，接受H0，为减少两类错误，需增加样本容量。

假设检验的基本步骤：(i)提出假设；(ii)选取检验统计量；(iii)确定拒绝域；(iv)计算观测值(v)并作出拒绝与接收原假设判断

P值检验：计算p值，与显著性水平比较，p值小于拒绝原假设，否则就接收原假设；p值计算方法是将观测值作为拒绝域临界点，代入拒绝域事件计算其概率。假设检验的情形：

见书中164表，请复印下来，以便记忆，重点是1、2、3、7种情形，其余的也最好熟记。特别要注意，对假设检验问题，首先只看总体，是单个总体，还是两个总体，是对均值检验还是方差（精度）检验，若是均值检验，要看总体方差是已知还是未知，总之要分清情形；另外若是单侧检验，要写对原假设与备择假设，一般问有没显著改变，就是双侧检验，有没有显著提高就是右单侧检验，有没有显著降低就是左单侧检验；同时，把不含等于的情形作为备择假设，含有等于的作为原假设，如不超过多少，就是小于等于，这种含有等于，作为原假设。在双侧检验中，要写全拒绝域，然后看观测值是否满足不等式，以作推断。考试重点：全概率公式，独立性与不相关性等，一维，二维随机变量函数的概率密度求法，随机变量函数的概率密度求法，边缘概率，条件概率，期望，方差，协方差，点估计及其评价标准，假设检验。

第四篇：二级建造师建造师自学课程小结

自学课程小结

本次二级注册建造师继续教育的培训内容包括注册建造师注册及法律责任、工程质量和安全文明生产管理、建筑节能及绿色建筑与绿色施工评价、无障碍设施设计及验收要求等，涉及面大，内容多。对于我们从事生产一线的管理人员来说，很难抽出大量的时间进行系统的学习，因此为更好的完成本次继续教育，特制订自学计划如下：

1.熟悉教材的目录，框架式的掌握教材所涉及到的内容，根据自己以往对相关知识的掌握程度，确定学习重点，特别应注重新技术、新方法和新的法律法规的学习；

2.按时参加面授课，认真听讲，对于授课专家讲到，书本上没有的内容，如一些案例分析、经验的总结和对一些内容的理解应特别注意，做好笔记，课后认真思考；

3.对于非面授课程，利用自学时间加强学习，对学习过程中遇到的问题做好笔记，在面授课的课间与老师和其他学员进行交流，解疑释惑、取长补短；

4.对自己在工作中经常涉及到的内容进行重点学习和掌握，特别是新方法、新技术和新法律法规。

通过二级建造师继续教育培训，我们不仅重新学习了施工建设标准规范，更是对建设工程管理的前沿理论有了进一步的了解，学到了建筑行业出现的新的管理理念、新的技术、新的施工方法，开拓了视野、打开了思维，在思想道德和业务能力方面都有新的收获。

在课程中，授课专家讲授了目前国际上先进国家在工程建设中先进的管理方法和发展前景，特别是“建设工程项目总控理论”的运用；对项目进行设计、建造及运营管理的“BIM建筑信息模型”在工程中的运用；采用“虚拟施工”对施工成本进行控制；采用“建设工程项目全寿命集成化管理”；“建设工程管理信息化”等理论与实例，把项目主要参与方在设计阶段就集合在一起，着眼于项目的全生命期，利用BIM 技术进行虚拟设计、建造、维护及管理。实现动态、集成和可视化的4D 施工管理。将建筑物及施工现场3D模型与施工进度相链接，并与施工资源和场地布置信息集成一体，建立4D 施工信息模型。实现建设项目施工阶段工程进度、人力、材料、设备、成本和场地布置的动态集成管理及施工过程的可视化模拟。实现项目各参与方协同工作。项目各参与方信息共享，基于网络实现文档、图档和视档的提交、审核、审批及利用。项目各参与方通过网络协同工作，进行工程洽商、协调，实现施工质量、安全、成本和进度的管理和监控。实现虚拟施工。在计算机上执行建造过程，虚拟模型可在实际建造之前对工程项目的功能及可建造性等潜在问题进行预测，包括施工方法实验、施工过程模拟及施工方案优化等。让人耳目一新，使我们意识国内建筑业与先进发达国家的差距，激励了我们学习和利用国际先进的项目管理手段进行工程管理的热情，工作中有了新的目标。

不断提高建造师执业能力和加强职业道德建设是大势所趋，在今天变化纷纭的世界里，新的技术和方法不断涌现，不断冲击着以往工程项目管理的知识，在建造师的职业生涯中，变化时唯一可以预测的因素。因此，建造师们必须加强学习，不断更新知识，提高自身执业能力。只有注册建造师们具备了以人为本的理念、掌握绿色技术，能应用绿色技术，才能建造绿色建筑，构筑绿色城市、生态城市，大范围、系统化的实践可持续发展观。可持续发展观要求用新的、清洁的及更高效的程序、系统、技术来取代或革新已有的系统。随着工程领域开始为更具可持续性的实践而全面改革，可持续工程服务的新世界正在建立，对于新趋势、新潮流反应较慢或持怀疑态度的，都将处于竞争的劣势。再者，世界的变化对建筑技术的管理提出了许多全新的要求，许多需要新的发明创造去满足。所以建造师们必须加强学习，不断积聚必须的资源和技能，创造符合产品要求的新技术，具备高效率生产的管理能力，顺利实现工程项目的预定目标。

当前我国社会职业道德方面存在的问题相当严重。职业人员为了个人或小团体利益，违背职业道德的现象频频出现，施工单位围标、串标、低价抢标，中标后，通过各种途径更改投标文件，违规建设、偷工减料、以次充好，以牺牲工程质量和安全为代价赚取利润，以致工程事故时有发生。因此，加强职业道德建设具备有十分重要的现实意义和必要性。另外，加强职业道德建设，是提高注册建造师责任心的重要途径、是提高企业竞争力的必要措施、是促进企业和谐发展的迫切要求。在今后的执业过程中，应从以下几点建筑职业道德规范： 1.遵纪守法，维护建造师的声誉； 2.承担对社会和公众的责任； 3.诚实守信，热忱服务； 4.廉洁自律，公平公正； 5.尊重他人，注重团结与协作；

6.勇于承担责任，敢于面对错误，虚心接受批评。

通过二级建造师继教学习，使我们受益匪浅，在此，对授课专家表示衷心地感谢。随着社会的发展，人们追求更安全、更健康、更环保、更经济、更高效的生产和生存环境，各种新材料、新技术、新工艺不断涌现，项目管理模式和理念也在不断地创新。作为工程建设的管理者，只有不断地加强学习，提高自身的管理水平和业务能力，工作中遵纪守法、诚信经营，严格执行国家标准规范和各项规章制度，确保工程质量和安全，才能促进建筑行业健康地发展壮大。

第五篇：线性代数与概率论课程教学大纲

线性代数与概率论 课程教学大纲

一、课程说明

（一）课程名称、所属专业、课程性质、学分；

课程名称：线性代数与概率论

所属专业：材料物理与材料化学

课程属性：必修

学分：4

（二）课程简介、目标与任务；

本课程将对线性代数和概率论里的一些常见概念和基础知识进行讲解。线性代数里所涉及到的对向量和矩阵的分析和操作，在科学研究和工程技术中均有着广泛的应用。从向量和矩阵中抽象出来的线性空间和线性变换的概念，将为学生以后更深入的学习和实践提供必要的背景和知识准备。概率论是统计方向的理论基础，对于将来实际工作中的数据分析和处理有着指导性作用。这门72学时的课把线性代数和概率论放在一起讲实际上强度是比较大的。

线性代数部分先从行列式讲起，接着介绍关于向量组和矩阵的一些基本概念和运算。有了这些知识储备后，在第三章对于线性方程组问题给出了一个完整的解答。第四章对向量和矩阵的数学抽象引入了线性空间与线性变换，并对空间的代数结构和变换性质作了讨论。最后两章是关于矩阵的比较实用部分，包括特征值与特征向量，矩阵对角化与二次型。概率论部分先定义了样本空间与随机事件，接着引入概率的概念，列举了一些计算简单概率的方法和例子。随后对随机事件的量化导致了随机变量的引入。从第四章到第七章均是关于随机变量和随机变量函数的内容，我们讨论了一些常见分布及其数字特征，包括期望值，方差和关联函数（协方差）等。对于独立的随机变量序列，我们运用切比雪夫不等式证明了大数律，最后介绍了中心极限定理。

希望学生通过本课程的学习，能够熟悉线性代数里的一些基本概念和思考问题的方法，培养数学抽象思维的能力，理解和熟练掌握向量和矩阵的一些性质和相关运算，对于随机过程和随机变量亦有一个初步的具体认识。

（三）先修课程要求，与先修课与后续相关课程之间的逻辑关系和内容衔接； 所需要的先修知识储备为基本的微积分，代数方程和一些矢量分析。线性代数的知识，包括向量，矩阵和二次型，在以后的学习中都会用到。线性空间和线性变换的概念在后继的理论课例如量子力学和群论的学习中将扮演重要角色。概率论是后继数理统计课的基础和前奏。

（四）教材与主要参考书：

［1］罗彦锋，《线性代数（高等数学第三册）》，兰州大学出版社，2009（教材）；

［2］同济大学应用数学系主编，《概率统计简明教程》，高等教育出版社，2003（教材）；

［3］丘维声，《简明线性代数》，北京大学出版社，2002；

［4］盛骤，谢式千，潘承毅编，《概率论与数理统计》，高等教育出版社，2008。

二、课程内容与安排

A.线性代数部分

第一章 行列式

第一节 数域和矩阵

第二节 二阶与三阶行列式

第三节 n阶排列

第四节 n阶行列式的定义

第五节 行列式的性质

第六节 行列式按行（列）展开

第七节 行列式的计算

第八节 克莱姆法则

第二章 矩阵代数

第一节 n维向量

第二节 向量的线性相关与线性无关，向量组的秩

第三节 矩阵的运算

第四节 矩阵的初等变换及其等价标准形

第五节 矩阵的秩 第六节 可逆矩阵

第七节 分块矩阵及其应用

第八节 初等变换与初等矩阵

第三章 线性方程组

第一节 消元法

第二节 线性方程组有解判定定理

第三节 线性方程组解的结构

第四章 线性空间与线性变换

第一节 集合与映射

第二节 线性空间的定义及基本性质

第三节 维数，基与坐标

第四节 线性子空间

第五节 线性空间的同构

第六节 欧氏空间

第七节 标准正交基

第八节 线性变换及其运算

第九节 线性变换的矩阵

第十节 正交变换与对称变换

第五章 特征值与特征向量，矩阵的对角化

第一节 特征值与特征向量

第二节 矩阵的对角化

第三节 实对称矩阵的对角化

第六章 二次型

第一节 二次型及其矩阵表示

第二节 标准形

第三节 规范形 第四节 正定二次型与正定矩阵 B.概率论部分

第一章 随机事件

第一节 样本空间和随机事件

第二节 事件关系和运算

第二章 事件的概率

第一节 概率的概念

第二节 古典概型

第三节 几何概型

第四节 概率的公理化定义

第三章 条件概率与事件的独立性

第一节 条件概率

第二节 全概率公式

第三节 贝叶斯公式

第四节 事件的独立性

第五节 伯努利试验和二项概率

第六节 主观概率

第四章 随机变量及其分布

第一节 随机变量及分布函数

第二节 离散型随机变量

第三节 连续型随机变量

第五章 二维随机变量及其分布

第一节 二维随机变量及分布函数

第二节 二维离散型随机变量

第三节 二维连续型随机变量

第四节 边缘分布 第五节 随机变量的独立性

第六节 条件分布

第六章 随机变量的函数及其分布

第一节 一维随机变量的函数及其分布

第二节 二维随机变量的函数的分布

第七章 随机变量的数字特征

第一节 数学期望

第二节 方差和标准差

第三节 协方差和相关系数

第四节 切比雪夫不等式及大数律

第五节 中心极限定理

（一）教学方法与学时分配

教学方法以讲授为主。总学时是72个学时，线性代数部分的学时约占总学时的百分之八十，概率论部分约占百分之二十，具体分配如下。线性代数部分：第一章12学时，第二章12学时，第三章8学时，第四章12学时，第五章8学时，第六章6学时；概率论部分：第一，二章1学时，第三章2学时，第四章2学时，第五章3学时，第六章（二维随机变量选讲）2学时，第七章4学时。

（二）内容及基本要求

主要内容：本课程将讲授一些线性代数和概率论的基础知识。

【重点掌握】：线性代数部分：行列式计算，矩阵运算，包括矩阵与矩阵的乘法，矩阵与向量的乘法以及矩阵的求逆，线性无关与线性相关的概念，解线性方程组，线性空间的维数，基与坐标，基变换对应的过渡矩阵，线性变换的矩阵形式以及在不同基下的表述，矩阵的特征值和特征向量以及矩阵对角化。概率论部分：随机变量的概念以及一些常见的分布，特别是正态分布，各种分布的参数的意义和数字特征。

【掌握】：子式的概念，初等变换与初等矩阵在分析矩阵与向量组的秩中的应用，线性方程组的解的存在性，解的一般结构与判定条件，欧氏空间中的内积运算，标准正交基及施密特正交化方法，二次型及矩阵表示。一些常见的矩阵形式，如对角，上（下）三角，正交，（反）对称矩阵等。概率论中条件概率的计算，大数律和中心极限定理的内容。【了解】：分块矩阵与行列式的拉普拉斯展开定理，线性（子）空间的定义和基本性质，同构的概念，柯西不等式，线性变换与矩阵语言的对应，相似与合同变换，二次型中的惯性定理，矩阵的正定性。概率论中随机变量函数及其分布的计算，随机变量的独立性，大数律和中心极限定理的意义。

【一般了解】： 数域，欧氏空间的同构，线性变换下的不变量，正定矩阵的判定。概率论中的公理化定义，多维随机变量的边缘分布，切比雪夫不等式。

【难点】：线性空间与线性变换的引入和数学定义，基矢与坐标，线性变换的表出对基矢选择的依赖，以及对一些常见代数术语与概念的理解与掌握。概率论中随机变量和随机变量函数及其分布的计算，对中心极限定理的把握。

（重点掌握、掌握、了解、一般了解四个层次可根据教学内容和对学生的具体要求适当减少，但不得少于两个层次）

制定人：陆汉涛 审定人： 批准人：

日 期：2016年6月24日