概率论总结

概率论总结（共9篇）

1.概率论总结 篇一

自考概率论（经管类）经验总结

我四月份考了的，四月份前面四章考得多，尤其是第一章，反正你多看前几章就对了。前四章占百分之六十,第六七八章占百分之三十四,第五九章占百分之六,考概率论与数理统计主要靠前面四章概率论的基础知识，分值应该在70分以上，后面几章涉及到大数定律和统计部分的内容，主要考几个知识点和公式，比如中心极限定理的公式和运用，统计部分，会考到计算题的应该是矩估计和极大似然估计，置信区间，假设检验，这部分内容主要将书本上对应的例题看懂，考试就不会有什么问题，主要还是前面四章，前面四章，如果你有教材，应该把课后练习好好做一下，做完之后，自考就没什么问题了。祝你早日通过。

1：条件概率（全概率公式、贝叶斯公式，二项概率公式主要和后面章节的东西联系在一起考）

2：随机变量分布中的：①离散型掌握二项分布、泊松分布 ②连续型掌握均匀分布、指数分布，记住其分布函数表达式知道怎样求连续型随机变量的概率密度、记住均匀分布、指数分布、正态分布的分布函数概率密度

3：多维随机变量中掌握二维随机变量，要会求其边缘概率密度，知道怎样将之前学过的一维均匀分布和正态分布转移到二维的去理解，这个不难，看看书上的讲解就能理解。重点在后面的”和的分布“和”max、min“分布，具体到实际题目中做几遍就能理解了。卷积公式是重点

4：七种常见分布的数学期望和方差和分布列或概率密度，要熟记于心

5：协方差、相关系数，这块儿好好看看书；切比雪夫不等式，要记住。

6：卡方分布、t分布、F分布，记住是怎么定义的，记住表达式，及卡方分布的期望和方差。

7：参数估计中的矩估计和最大似然估计是重点，一般考概率都会出一个大题；区间估计一般会出一到两个小题，记住几个既定的结论公式会方便很多。

我也刚学完概率论这门课，下周日考试，这些是我通过老师讲课和自己复习、做题总结得出的一点点经验，希望能帮得着你。

2.概率论的起源 篇二

几百年前在欧洲的许多国家，贵族间赌博之风盛行，当时有一个“赌金分配问题”曾引起热烈的讨论，并经历了长达一百多年才得到正确的解决，在这过程中孕育了概率论这个重要的基本概念. “赌金分配问题”可以简化为：甲、乙二人赌博，各出赌注30元，共60元，每局甲、乙获胜的机会均等. 约定：谁先胜满3局就可以赢得全部赌注60元，现已赌完3局，甲2胜1负，后来因故中断赌局，问这60元赌注该如何分给二人才算公平？

初看觉得应按2：1分配，即甲得40元，乙得20元，还有人认为没有分出胜负，甲、乙应该平分. 当时的一些学者，对这类赌情问题进行研究，有的还出版了著作，然而都没有得出正确的结论. 直到一百多年后，一个名为德·梅勒（De Mere，1607～1684）的法国人把这个问题寄给了当时的数学天才帕斯卡，这个问题也把帕斯卡难住了，他苦苦思考了两三年，直到1654年才算有了点眉目，于是他写信给他的好友费马. 随后在这两位伟大的数学家之间开始了具有划时代意义的通信，在通信中，两人用不同的方法正确地解决了这个问题.他们认为赌注的分配应考虑如果继续赌下去，甲、乙最终获胜的机会如何？不难看出至多再赌2局即可分出胜负，这2局获胜的情况有4种：甲甲、甲乙、乙甲、乙乙，前3种情况都是甲最后取胜，只有最后一种情况才是乙取胜，二者之比为3∶1，故赌注的公平分配应按3∶1的比例，即甲得45元，乙得15元.

通过这次讨论，开始形成了概率论当中一个重要的概念——数学期望，概率论从此发展起来，今天已经成为应用非常广泛的一门学科.

帕斯卡和费马以“赌金分配问题”开始的通信形式的讨论，开创了概率论研究的先河，后来荷兰数学家惠更斯（1629～1695）也参加了这场讨论，并写出了关于概率论的第一篇正式论文《赌博中的推理》.帕斯卡、费马、惠更斯一起被誉为概率论的创始人.时至今日，概率论已不再是只与赌博问题相联系的学科了，它已经在各行各业中得到了广泛的应用，发展成为一门极其重要的数学学科.

3.统计与概率总结 篇三

一年多来，我校课题组全体成员解放思想，勇于创新，以推进素质教育为出发点，认真学习相关理论，围绕《统计与概率》课堂教学改革和课题的实验工作，认真分析课堂案例，调查研究，收集材料，努力探究《统计与概率》课堂教学的有效模式，对照课题实验方案，顺利地完成了各项教育教学任务和课题研究的阶段工作。下面就这近一年来的课题研究工作总结如下。

一、做好课题研究的准备工作。

1、在课题实施之前，我们积极主动的收集和学习相关知识和理论，我们深入课堂，了解、分析我校《统计与概率的教学现状，找出教学中存在的各种问题，确定本课题的研究内容。

（1）关于小学数学统计与概率部分教学现状、存在问题的调查研究；

（2）对于人教版小学数学教材关于统计与概率部分内容的分布、与原有教材对比变化、教学难点及其编写特点的分析研究；

（3）在统计知识教学中，强化学生数据的收集、记录和整理能力的培养，促进学生关于数据的分析、处理并由此作出解释、推断与决策的能力，对数据和统计信息有良好的判断能力的教学策略改进，加强目标设定与目标达成的实验研究；

（4）培养小学生用数据表示可能性的大小并对事件作出合理推断和预测的能力的教法研究；（5）在统计和概率部分教学中，创设教学情境，促进教学有效性的研究；

（6）进行统计与概率部分的课堂教学有效模式的研究。

2、落实好课题组人员，成员如下：

组 长：陈 丽

副 组 长：陈万江 吴学峰

核 心 成 员：马玉凤 王立波 李天凤 陈维 李玉静 孙晓慧 薛丽华

二、加强对课题组的管理，进一步发挥课题的作用。

1、严格按计划实施研究，积极开展课题研究活动。

课题立项之后，我们集中大家认真学习了《统计与概率》课题研究方案，制定了课题的研究计划，对组内教师合理分工，在管理上做到定计划、定时间、定地点、定内容，让实验老师们深刻理解了《人教版小学数学教材“统计与概率”课堂教学有效性研究》课题中研究项目的主要内容和意义，进一步增强科研能力，树立科研信心每次的校本教研既有骨干教师的教学论坛，也有年青教师的课堂展示，有理论学习，也有实际的课堂点评。

2、优化听课制度，促进课题实验

学校教导处规定，每周的周三各备课组进行集体备课，下一周的周一课题组成员走进课堂听课，一方面是为课题组成员搭建相互交流的平台，另一方面也是验证前一周集体备课设计方案的可行性，这样有利于及时、灵活地掌握课题实施情况和课堂教学情况，有效地促进教师上课改课、上优质课，从而真正地把课题理念落实到每一节课堂教学之中；同时，课题组还要求听课者带着一定的目的从多个角度进行听课，并对收集到的事实材料进行多角度诠释、解读和分析，有针对性地提出讨论的问题和改进的建议。听课制度的优化，有效地避免形式主义的听课、评课活动，对促进课题研究和实验起到了很大的作用。

三、课题研究的实施过程

课题申报后，课题组成员就着手调查我校《统计与概率》的教学现状以及存在的问题。

1、人教版小学数学各册教材使用中，关于统计与可能性部分教学问题及其改进策略的调查研究。

教学现状：课堂教学多数“照本宣科”，教学目标定位不准，教师和学生都不很重视这一领域的教和学。原因有如下几点：一是教师专业知识不能适应新课程的教学需要；二是《统计与概率》这一领域里的可学习和参考的案例较少，教师看得不多，所以课堂改革的水平提高不快；三是在小学阶段，关于《统计与概率》的考试内容相对较少，且难度不大，所以教师和学生重视不够。

存在问题：统计教学中，教师只按教材帮助学生收集、整理数据，而忽视了对数据的分析和运用；概率教学中比较突出的问题是重结果、轻过程，没有把学生随机意识的培养放在重要的位置。比如，有一个老师在执教二年级《可能性》一课时，没有充分地让学生感受确定现象和不确定现象，而是把训练的重点放在让学生用“一定”“可能”和“不可能”的说话训练上，把数学课当作了语文课来上。再如，有一个老师在执教《用分数表示可能性的大小》时，始终把重点放在学生的计算训练上，而忽视了学生对事件发生的可能性从感性描述到定量刻画的过程训练上。

改进策略：（1）加强教师的专业知识的学习和培训。要求课题组的成员认真学习新课标并深刻领会其主要精神，同时督促教师学习《统计与概率》的相关理论，聘请教学骨干做专题讲座，提高教师的理论素养；（2）定期召开研讨会，选择有典型的课例进行会课或教学比赛，有的是采取同课异构的形式进行多层次的研究；（3）围绕某一难点进行针对性讨论，反复研究，取得了较为显著的成效。如，在教学《等可能性》时，多数教师都遇到了一个较为棘手的问题：当袋子里放有相同数量的黄球和白球，启发学生猜想：从中任意摸40次，摸到黄球和白球的可能性怎样？学生很容易猜想并认可结果：摸到黄球和白球的可能性相等。可是，学生实验后，立刻质疑并迅速推翻自己的猜想。此时教师无所适从，只好自圆其说：同学们，当实验的次数越多，摸到黄球的次数和摸到白球的次数就越接近。针对上述存在的问题，我们开展了一次又一次的研究，最终按照“现实情境—猜想—实验—验证猜想—分析原因”的步骤，紧紧抓住“任意”关键词，培养学生的随机意识，让学生真切地感到：袋子里放有相同数量的黄球和白球，任意去摸若干次，摸到黄球的可能性和白球的可能性相等，但结果是随机的，即摸到黄球的次数和白球的次数不一定相等。

2、创设教学情境对于小学统计与概率教学效果的作用与影响的研究。

良好的教学情境，能使学生积极主动地、充满自信的参与到学习之中，使学生的认知活动与情感活动有机地结合，从而促进学生非智力因素的发展和健康人格的形成。比如我们在研究一年级下册第98页的《统计》这一内容时，就历经了“没有教学情境—一创设有教学情境——创设有效的教学情境”的过程，研究中我们发现教学效果差异较大。

„„反复的实践和研究使我们深深地体会到：教学情境对教学效果的影响较大。只有创设有效的教学情境，创设贴近学生生活实际的教学情境，才能把学生真正地带入到具体的情境中去，使学生对数学产生一种亲近感，使学生感到数学是活生生的，感受到数学源于生活，生活中处处有数学。

3、“统计与概率”有效教学模式研究

课题研究之前，多数教师反映《统计与概率》的教学有着一定的困难，教学时也只是“照本宣科”，根本谈不上有效和优化。为此，我们通过典型引路，反复研究，不断实践，在数次的实践中摸索了“统计与概率”的教学模式：创设情境――猜想探究――验证概括――实践运用。

“创设情境”旨在把学生带入到具体的生活情境中，一方面是为了帮助学生借助已有的生活经验自主探究新知，另一方面也可以让学生初步感悟统计与概率在生活中的作用，从而调动学生学习数学的兴趣；“猜想探究” 就是先鼓励学生大胆猜想结果，然后引领学生探究新知，这样可以充分发挥学生的主体作用，把学习的主动权交个学生，让学生真正成为学习的主人，在具体的学习过程中锻炼学生的学习能力，同时也能让学生体验自主探究新知的快乐；“验证概括”就是运用多种手段帮助学生验证自己的猜想，从而使学生获得成就感，增强学生学习的自信心，同时把刚刚获得的新知高度、凝练地概括出一般的规律，培养学生分析问题的能力和严谨的思维品质“实践运用”就是将所学的知识运用于实际，体现了数学源于生活、服务生活的思想。

通过改革实验，我们高兴地发现课堂成效发生了较为显著的变化。课堂的教学结构完整了，教学板块清晰了教学目标定位准确而又全面，教师经过了迷茫无奈－有条有理－精心设计教学环节的过程。学生从被动学习－主动探究，学习方式的转变，使课堂气氛活跃了许多，也大大提高了课堂教学效率。

四、课题研究的成效

1、对课题研究的意义的理解和认识。

21世纪的数学课程改革，把《统计与概率》作为一个单独的领域，进入小学数学课程，这是一个重大的举措具有里程碑的意义。因为在信息社会，收集、整理、描述、展示和解释数据，根据情报作出决定和预测，已成为公民日益重要的技能。加强《统计与概率》课题的研究，可以强化学生数据的收集、记录和整理能力的培养，提高学生分析、处理数据并由此作出解释、推断与决策的能力。

2、重视学生学习过程的研究，把学习的主动权还给了学生

新课标明确指出：学生是数学学习的主人，教师是数学学习的组织者、引导者与合作者。所以我们在数学课题的研究中，非常关注学生学习过程的研究，注重在具体的情境中对随机现象的体验，而不是单纯地只获取结论结合学生生活的实际，精心创设教学情境，使学生主动地投入到学习的状态，提出关键的问题；搜集、整理数据分析数据，作出推测，并用一种别人信服的方式交流信息。不仅让学生亲身经历统计与实验的过程，而且还让学生在实践中自我感悟信息的价值。根据获取的信息作出合理的推断，培养学生分析问题和解决问题的能力。

3、营造教研氛围，提高研究实效

我们以课题研究为契机，开展形式多样的教研活动，旨在增强教师的教科研意识，营造良好的教研氛围，丰富教师的科研素养，提高课堂教学效率。一年来，我们召开了《统计与概率》的专题研讨会，举行了课题研讨会课比赛，开展了教师百花奖比赛、课堂教学擂台赛等全校性教学教研活动，收到了较好的效果，得到了老师们的认可，兄弟学校的积极参与，社会的肯定。每次活动，我们坚持“实践、思考、再实践、再思考”的基本方法，确立一个研究主题，本着“学有所获，研有所果”的原则，发动每个教师全程参与，45周岁以下的教师必须参与课堂展示或设计，年老的教师参与课堂点评，实实在在的教研活动，不仅调动了校内教师的教研热情，也吸引了区内兄弟学校老师的加盟，他们积极参与了我们的课题研究。

五、今后的思考

虽然在课题的前期研究过程中，我们取得了初步的成效，但我们深知我们的课题研究工作还有许多不尽如人意的地方。为了进一步做好下一阶段课题的研究工作，我们想从以下几个方面力求突破：

1、细化分工，明确职责。根据课题的研究内容和前期的研究进展，我们决定对后期的研究工作作一些适当的调整，更加细化分工，各负其责，确保课题的研究工作顺利进行。通过课堂教学研究，提高学生收集、整理数据的能力，重点培养学生推断与决策的能力，体会数学的价值。以课堂教学为主阵地，重点研究概率教学，培养学生的随机意识，提高学生分析问题和预测未来的能力。

2、加强理论学习，提高研究水平。前期的研究工作我们主要把精力放在课堂教学研究上，了解《统计与概率》的教学现状、教学困惑，寻找课堂教学的有效模式，应该说在实际层面探讨的比较多。接下来的课题研究工作我们 将在关注课堂教学的同时，重视理论学习，把目光聚焦在理论层面的研究上，遵循理论结合实际的原则，用理论丰富研究成果。

4.学习概率与数理统计总结 篇四

1. 概率与数理统计

包括概率论和数理统计

概率论的基本问题是：已知总体分布的信息，需要推断出局部的信息；

数理统计的基本问题是：已知样本（局部）信息，需要推断出总体分布的信息。

(1) 参数估计

a) 点估计，估计量检验，矩估计

b) 无偏估计；有偏估计：岭估计

(2) 假设检验

预先知道服从分布，

非参数假设检验

(3) 统计分析（包括多元统计分析）

n 方差分析

n 偏度分析

n 协方差分析

n 相关分析

n 主成分分析

n 聚类分析

n 回归分析，检验统计量

(4) 抽样理论

(5) 偏最小二乘回归分析

(6) 线性与非线性统计

2. 随机过程

定义

3. 统计信号处理

假设检验和参数估计属于统计推断的两种形式。

3.1 信号检测

3.2 估计理论

估计理论是统计的内容；

估计理论包括静态参数估计和动态参数估计，动态参数估计也称状态估计或波形估计（信号有连续和离散之分）。似乎有的人将静态参数估计称作参数估计，将动态参数估计称作滤波！

静态估计

n 贝叶斯估计

滤波是估计理论的研究内容。滤波可以分为空域、时域和频域的，数字图像处理常用的就是空域和频域的滤波如卷积运算，而无线信号处理则多为时域和频域，如维纳滤波。

解决最优滤波问题有三种方法论：包括维纳滤波、卡尔曼滤波、现代时间序列分析。

无线定位信号处理包括两部分内容，首先是消除奇异值，是消除错误的过程；其次是滤波，消除或减少信号在信道中传播的随机噪声影响。

3.3 时间序列分析

时间序列包括估计理论包含滤波，总之估计理论和时间序列分析都属于统计的范畴。

注意滑动平均这类滤波方法，在时间序列分析中经常被使用！

4. 变换理论

4.1 傅里叶变换

五种信号分类

分类名称

对应变换

英文命名

对应算法

应用

连续周期信号

连续傅里叶级数变换

csft

连续信号

连续傅里叶变换

cft

离散周期信号

离散傅里叶级数变换

dfs

离散信号

序列傅里叶变换

sft

离散有限序列信号

离散傅里叶变换

dft

fft

图像处理

信号处理

4.2 小波变换

小波分析是在傅里叶分析的基础上发展起来的，小波变换和fourier变换、加窗fourier变换相比，是一个自适应的时间和频率的局部变换，具有良好的时_频定位特性和多分辨能力。它能有效地从信号中提取信息，通过伸缩核平移等运算对信号进行多尺度细化分析，被誉为“数学显微镜”。

小波的时频窗在低频自动变宽，在高频时自动变窄。

5. 理论基础

5.1 贝叶斯方法

贝叶斯体系的基本思路：依据过程概率分布的先验知识，将包含在信号中的事实进行组合。粗略来讲，在统计推断中使用先验分布的方法进行统计基本上都是贝叶斯统计。

贝叶斯估计：最大后验估计、最大似然估计、最小均方估计、最小平均绝对误差估计

贝叶斯推断：是根据带随机性的观测数据（样本）以及问题的条件和假定（模型），对未知事物做出的，以概率形式表达的推测。

贝叶斯预测：贝叶斯预测的精度取决于贝叶斯参数估计的性能，贝叶斯预测包括许多传统的预测方法，如线性回归、指数平滑、线性时间序列都是贝叶斯预测模型的特殊情况。

贝叶斯决策：先验信息和抽样信息都用的决策问题称为贝叶斯决策问题。

贝叶斯分类：最大似然分类

贝叶斯网络

5.2 蒙特卡罗方法

6. 最优化理论

6.1 经典最优化

6.2 现代最优化理论

np难问题

全局最优

(1) 模拟退火算法

(2) 人工神经网络算法

(3) 禁忌搜索算法

(4) 免疫算法

(5) 遗传算法

(6) 蚁群算法

(7) 支持向量机

7. 矿井wifi无线定位信号处理方法

无线定位信号处理包括两部分内容，首先是消除奇异值，是消除错误的过程；其次是滤波，消除或减少信号在信道中传播的随机噪声影响。这种滤波包括卡尔曼滤波和时域滤波的方法。利用wifi无线定位基站探测井下各类人员所携带的电子标签（电子标签会定时发送无线信号），基站接收人员位置信息并上传至服务器，根据基站的地理坐标和探测到的电子标签信息（主要是rssi信号强弱），采用处理算法消除信号中存在的奇异值，滤波减小随机信号的干扰，采用无线定位算法实时解算人员的位置，这些处理过程都有服务器端负责处理。

静态信号处理，首先在巷道布设采样点，没间隔1m布设一个采样点，对获得的数据进行方差分析，偏度分析，确定信号在煤矿巷道中某一点的总体概率分布，以此总体概率密度消除奇异值；利用消除奇异值的信号建立无线信号距离衰减模型；

动态信号处理，包括信号奇异值消除和滤波过程。信号奇异值消除根据当前信号之前的某几个时间点数据建立滑动平均模型，将消除奇异值后的信号强弱值分别代入kalmn滤波器和加权滤波，比较滤波效果；

接下来根据定位点的到基站的距离解算人员的位置。

8. 正演过程与反演过程

简单地说，正演是由因到果。而反演正相反，是由果到因。而结果应该是可以观测到的结果，称之为观测资料。一般由果推因可分为两种情况：一是用于建立理论模型，另一种情况是假定已经建立了一定的理论模型框架，则可以由观测资料来推测理论模型中的若干个参数。其中建立理论模型的方法跟各个具体学科有密切关系。

遥感的正演过程与反演过程

辐射传方程研究的是太阳的电磁辐射通过地球大气，到达地面。经过大气的散射、吸收和折射，地面的吸收和反射，再通过大气层，传输啊传感器产生辐亮度的过程。建立起辐射光谱和辐亮度之间的关系。相关的概念包括反射率，吸收率，二向性反射等；

反演则是建立辐亮元与地表参数如地表植被的lai，地物温度，地表的植被高度，n含量等。遥感还包括很多环境的监测如so2,、co等。反演一般为病态过程，存在很多的不确定的因素。

5.概率论教案 篇五

（理论课程类）

课 程 名 称 概率论

授课专业年级班级 统计专业 2014 级 教 教

师 师

姓 职

名 称

凌成秀 讲师

I

数学与统计学院

课程性质

专业必修

□专业选修

□公共必修

□通识教育选修

概率论是统计专业本科生的一门建立在微积分、基本代数知识基础上的重要

课程简介

专业课程，是继续学习、研究统计学及其应用的一门重要课程。该课程旨在 如何刻画随机现象的统计规律性，包括随机事件及其概率，随机变量及其分 布，随机变量的数字特征、特征函数、极限定理等。本课程总学时 5*18=90 节。

教材

孙荣恒《应用概率论》第二版，2005，科学出版社

（总学时）

教学方式 讲授式、启发式、研究型、收集网络小论文探究式

使用教具 黑板、粉笔

[1] 《概率论基础》第三版，李贤平著，高等教育出版社，2010.[2] 《概率论与数理统计》第四版，盛骤，谢式千，潘承毅 著，高等教育出 版社，2010.[3] 《概率论与数理统计习题全解指南》第四版，盛骤，谢式千，潘承毅 著，高等教育额出版社，2010.[4] Probability Essentials(Second edition), Jean Jacod and Philip Protter, Springer,2004.[5]《概率论与数理统计教程》第二版,茆诗松 程依明、濮晓龙，高等教育出 版社，2000.参考书目及文献（或互联网网址）

考核方式 闭卷笔试

II

随机事件及其概率

第一章 随机事件及其概率

概率论与数理统计是从数量化的角度来研究现实世界中一类不确定现象（随机现 象）规律性的一门应用数学学科，20 世纪以来，广泛应用于工程技术、经济及 医学技术等各个领域.本章介绍的随机事件与概率是概率论中最基本、最重要的 概念之一.第一、二节 随机事件及其关系与运算

教学内容： 随机事件是本课程的最基础的概念，主要涉及到包括确定性现象、随机现象、样本空间、样本点、随机事件等定义；以及事件的包含、相等、互不 相容（互斥）、互为对立等关系；事件的和、积、差、逆等运算的定义；事件的 运算律、文氏图等；事件序列的极限。会用简单事件通过其关系与运算将复杂事 件表示出来。重点难点：

随机事件的定义；互不相容、互为对立、互逆事件的判别；用简单事件通过其运 算将复杂事件表示出来；事件的恒等式证明；事件序列的极限关系 教学目标：

会判断给出的现象是否为随机现象；会写随机试验的样本空间；会判别随机事件 的类型；熟悉事件关系与运算的定义；熟悉事件的运算律、会作文氏图；能判别 事件的互不相容、互为对立、互逆等关系；能用事件的运算关系将复杂事件表示 出来；掌握事件的不等式、恒等式证明 教学过程：

1、确定性现象与随机现象。确定性现象：在一定的条件下必然发生某种结果的现象。例如：（1）重物在高处必然下落；（2）在标准大气压下纯水加热到 100 摄氏度时必然会沸腾；

（3）异性电荷必相互吸引。随机现象（偶然性现象）：在一定的条件下，有多种可能结果发生，事前人们不 能预言将有哪个结果会出现的现象，但大量重复观察时具有某种规律性。如：（1）从一大批产品中任取一个产品，它可能是合格品，也可能是不合格品；（2）一门炮向一目标射击，每次射击的弹落点一般是不同的，事前无法预料。2、随机试验与样本空间。

试验：我们把对自然现象的一次观察或一次科学试验统称为试验。随机试验：一个试验若满足条件

（1）在相同的条件下可以重复进行；

（2）每次试验的结果不止一个，并能事先明确试验的所有可能结果；

1随机事件及其概率

（3）试验前不知道哪一个结果会出现。

则称这样的试验为随机试验，用 表示。

样本空间：随机试验所有可能出现的基本结果的集合称为样本空间。用 表 示。

样本点：随机试验的每一个可能出现的基本结果称为样本点，常用 表示。

3、随机事件

随机事件：由随机试验的某些样本点做成的集合称为随机事件，简称事件。用大写英文字母、、、…表示。在随机试验中随机事件可能发生，也 可能不发生。称某个事件发生当且仅当它所包含的某个样本点出现。1）基本事件：只包含一个样本点的事件，记为{w}。

2）不可能事件：一个样本点都不包含的集合，记为。不可能事件在试验中 一定不会发生。

3）必然事件：包含所有样本点的集合，记为。必然事件在试验中一定会发 生。

一般事件（复合事件）：由不止一个样本点做成的事件。例 1 以下哪些试验是随机试验？

（1）抛掷一枚硬币，观察出现的是正面在上还是反面在上；（2）记录某电话机在一天内接到的呼叫次数；

（3）从一大批元件中任意取出一个，测试它的寿命；（4）观察一桶汽油遇到明火时的情形；

（5）记录一门炮向某一目标射击的弹着点位置；

解：（1）（2）（3）（5）是随机试验，（4）不是随机试验 例 2：写出下列随机试验的样本空间。

（1）抛掷一颗骰子，观察出现的点数；（2）抛掷二次硬币，观察出现的结果；

（3）记录某汽车站在 5 分钟内到达的乘客数；（4）从一批灯泡中任取一只，测试其寿命；（5）记录一门炮向其目标射击的弹落点；（6）观察一次地震的震源； 解：（1）1  1，2，3，4，5，6

 ；

（2）  （正，正），（正，反），（反，正），（反，反） ；（3）  01 2 3...；

，（4） 0

4  x x  ,其中 x 表示灯泡的寿命；（5）

 ,

（x，y x y ,其中 x、y 分别表示弹着

         5  )，点的横坐标、纵坐标；

2  

（6）

 （，,) , 0 ,其中 x、y、z 分别表 5 x y z   x  ,  y  z 

 2



示震源的经度、纬度、离地面的深度。

例 3 抛掷一个骰子，观察出现的点数。用 A 表示“出现的点数为奇数”，B 表示“出现的点数大于 4”，C 表示“出现的点数为 3”,D 表示“出现的点 数大于 6”，E 表示“出现的点数不为负数”，（1）写出实验的样本空间；（2）用样本点表示事件 A、B、C、D、E；（3）指出事件 A、B、C、D、E 何 为基本事件，何为必然事件，何为不可能事件。解：

（1）  1，2，3，4，5，6；（2）A  1，3，5，B   5,6 ，C   3 ，D  ，E  1，2，3，4，5，6（3）C 为基本事件，E 为必然事件，D 为不可能事件 讨论题：请给出现实生活中随机现象的一个例子。

4、事件的关系与运算

因为事件是样本空间的一个集合, 故事件之间的关系与运算可按集合之间 的关系和运算来处理.1）事件之间的关系与简单运算

设 A、B 为试验 E 的二事件，（1）子事件（事件的包含）：若 A 中的每一个样本点都包含在 B 中，则记为，也称事件 A 是事件 B 的子事件，或事件 B 包含了事件 A。此时事件 A 发生必然导致事件 B 发生。显然，对任意事件 A，有（2）事件的相等：若 等价的，记为。

且，则称事件 A 与事件 B 是相等的，或称

（3）事件的和（并）：用 A  B 表示属于 A 或属于 的样本点的集合，称之 为 与 的和（并）事件。事件

表示事件 与事件 B 至少有一个发生。

（4）事件的积（交）：用 A  B（或 AB）表示同时属于 A 与 B 的样本点的 集合，称为 A 与 的积（交）事件。事件 AB 表示事件 A 与事件 B 同时发生 的事件。

（5）事件的互不相容（互斥）：若 AB  ，则称为事件 A 与事件 B 互不相 容。即 A 与 B 不能同时发生。

当 与 B 互不相容时，记为。

6.浅析概率论的一些妙用 篇六

【关键词】概率模型；等式；不等式；正态分布；广义积分

一、构造概率模型证明恒等式

等式“A=B”的证明，一般方法是“A→B”，“B→A”，“A→C，B→C”三种代数类型，而运用概率论的相关知识，构造适当的概率模型可以较方便地解决看似较难的恒等式的证明，具体的方法是将恒等式经过简单的变形，与一定的概率模型的概率值或期望值相联系，构造概率模型，这样就可以由所构造的概率模型来证明这些等式了，现举例如下：

例1：证明等式

证明：可利用巴纳赫问题来证。设某人带有两盒火柴，每盒火柴有n根，每次取用时，在两盒中任抓一盒，从中抽取一根。设从第一盒中选取为“成功”，从第二盒中选取为“失败”，这种连续的抽取就构成了一串p=1/2的伯努利实验，因为只能选择这两盒火柴，要么第一盒，要么第二盒，也就是要么“成功”，要么“失败”。这时，“当发现第一盒火柴空了，第二盒火柴还有r根”这一事件等价于“从2n-r根火柴中抽取了n个成功”。该事件构成了二项分布b（n；2n-r，1/2）。记“当发现第一盒火柴空了，第二盒还有r根”这一事件为Ar，那么Ar的概率就是因为r取0到n的各事件Ar之并为必然事件，所以，两边同乘以2n，即令n-r=k，则r从0到n，k从n到0，于是，有 ，即 。

二、利用概率知识证明不等式

有些不等式的证明看上去毫无头绪，但如果仔细观察，有些不等式和概率论中的一些知识是有关联的，通过进一步的分析也许就可以用概率论的知识来证明这些不等式。主要会用到概率论中的一些不等式或定理，有些不等式的证明需要构造一个概率密度函数，再利用概率中有关不等式的性质来加以证明。现分别说明如下：

（1）利用马尔科夫不等式，柯西施瓦兹不等式，切比雪夫不等式证明。现给出这些不等式，马尔科夫不等式：设ξ是定义在概率空间（Ω，F，P）上的随机变量，f（x）是[0，∞）上非负单调不减函数，则对于任意x>0，有，柯西施瓦兹不等式：设Ci为常数，ξi为随机变量，且则，切比雪夫不等式：若随机变量ξ的方差D（ξ）存在，则对任意ε>0，有。

（2）利用以下这个定理证明一类不等式。

定理：设ξ为（Ω，F，P）上的随机变量，若f（x）为定义在某区间I上的连续的下凸函数，则有f（Eξ）≤Ef（ξ）；若f（x）未定义在某区间I上连续的上凸函数，则有f（Eξ）≥Ef（ξ）（该定理参见[3]）。

（3）通过构造密度函数，运用期望以及一些概率性质来证明一类不等式。

三、利用正态分布计算一类无穷积分

概率论中的正态分布是一个十分重要的分布，应用非常广泛。正态分布的密度函数、期望、方差都可以用积分来表示，大多数情况下是无穷区间广义积分。而反过来，某些收敛的无穷积分就可以利用正态分布的相关概念方便的计算出来。

1.利用正态分布的概率密度计算无穷积分

正态分布的概率密度定义：若随机变量ξ的密度函数由式给出，其中u，δ为已知参数，则称ξ服从正态分布，简称ξ服从正态N（u，δ），记做ξ～N（u，δ2）。概率密度具有规范性，即利用此式就可以计算形如的积分，其中a，b为常数，b>0.

例2：计算广义积分

① ②

分析：这两个积分用通常数学分析的方法是很难求的这时仔细观察一下就可以发现可以把被积函数看成是两个随机变量的概率密度①可以看做随机变量ξ～N（2，2），②可以看做随机变量ξ～N（0，1），然后将被积函数变形后利用概率密度函数的性质计算该积分。

解：

①

②令

2.利用正态分布的期望定义计算无穷积分

随机变量的期望定义：设ξ为随机变量，其分布函数为则记并称E（ξ）为ξ的数学期望。当ξ为连续型随机变量时，。对于正态分布ξ～N（u，δ2），可以证明Eξ=u，既有：利用这个式子可以较方便地计算型积分，其中a，b为常数，b>0. 这类广义积分一般利用换元法比较麻烦，而把被积函数看做服从某正态分布的随机变量的期望表达式，则很容易求解。

参考文献：

[1]魏宗舒等.概率论与数理统计教程.高等教育出版社，2002.

[2]周概容.概率论与数理统计.高等教育出版社，1987.

[3]陈纪修.数学分析.高等教育出版社，2000.

7.学习概率论心得 篇七

专 业 工商管理(人力资源方向)

姓 名 史伟

学 号 011

时 间 201X年11月20日 成 绩

这学期学习《概率论与数理统计》这门课，在高中的时候，我们就接触过简单的概率，知道事物的随机现象，即条件相同，事情的结果却不确定，这种不确定现象就叫做随机现象。这个课程内容分为两个部分：概率论和数理统计。这两部分有着紧密的联系。在概率论中，我们研究的的随机变量，都是在假定分布已知的情况下研究它的性质和特点;而在数理统计中，是在随机变量分布未知的前提下通过对所研究的随机变量进行重复独立的观察，并对观察值对这些数据进行分析，从而对所研究的随机变量的分布做出推断。因此，概率论可以说是数理统计的基础。

一、学习价值

通过简单的学习，我掌握到，概率统计是真正把实际为题转化为数学问题的学问， 因为它解决的并不是单纯的数学问题，而且不是给你一个命题让你去解决，是让你去构思命题，进而构建模型来想法设法解决实际问题。在实际应用中，就更加需要去想、去假设，对问题需要有更深层次的思考，因此使概率论和数理统计这门课学起来比微积分和线性代数更加吃力，但也比它们更加实用，更贴近实际。

概率论产生于十七世纪，本来是由保险事业的发展而产生的，但是来自于赌博者的请求，却是数学家们思考概率论中问题的源泉。

早在1654年，有一个赌徒梅累向当时的数学家帕斯卡提出一个使他苦恼了很久的问题：“两个赌徒相约赌若干局，谁先赢 m局就算赢，全部赌本就归谁。但是当其中一个人赢了 a (a

三年后，也就是1657年，荷兰著名的天文、物理兼数学家惠更斯企图自己解决这一问题，结果写成了《论机会游戏的计算》一书，这就是最早的概率论著作。

近几十年来，随着科技的蓬勃发展，概率论大量应用到国民经济、工农业生产及各学科领域。许多兴起的应用数学如信息论、对策论、排队论、控制论、等，都是以概率论作为基础的。

概率论和数理统计是一门随机数学分支，它们是密切联系的同类学科。但是应该指出，概率论、数理统计、统计方法又都各有它们自己所包括的不同内容。 概率论——是根据大量同类随机现象的统计规律，对随机现象出现某一结果的可能性作出一种客观的科学判断，对这种出现的可能性大小做出数量上的描述;比较这些可能性的大小、研究它们之间的联系，从而形成一整套数学理论和方法。

数理统计——是应用概率的理论来研究大量随机现象的规律性;对通过科学安排的一定数量的实验所得到的统计方法给出严格的理论证明;并判定各种方法应用的条件以及方法、公式、结论的可靠程度和局限性。使我们能从一组样本来判定是否能以相当大的概率来保证某一判断是正确的，并可以控制发生错误的概率。

统计方法——是一上提供的方法在各种具体问题中的应用，它不去注意这些方法的的理论根据、数学论证。

应该指出，概率统计在研究方法上有它的特殊性，和其它数学学科的主要不同点有：

第一，由于随机现象的统计规律是一种集体规律，必须在大量同类随机现象中才能呈现出来，所以，观察、试验、调查就是概率统计这门学科研究方法的基石。但是，作为数学学科的一个分支，它依然具有本学科的定义、公理、定理的，这些定义、公理、定理是来源于自然界的随机规律，但这些定义、公理、定理是确定的，不存在任何随机性。

第二，在研究概率统计中，使用的是“由部分推断全体”的统计推断方法。这是因为它研究的对象——随机现象的范围是很大的，在进行试验、观测的时候，

不可能也不必要全部进行。但是由这一部分资料所得出的一些结论，要全体范围内推断这些结论的可靠性。

第三，随机现象的随机性，是指试验、调查之前来说的。而真正得出结果后，对于每一次试验，它只可能得到这些不确定结果中的某一种确定结果。我们在研究这一现象时，应当注意在试验前能不能对这一现象找出它本身的内在规律。

让我比较感兴趣的是，概率统计在实际中的应用。例如一个公司的决策，就需要用到概率统计。一个公司如果投产，通过对设备生产能力，对市场估计，与如果不投产，对设备生产能力和市场估计的比较。最终做出公司是否投产的决策。

通过这种方法，可以很快的找到怎样投资怎么去决策利益最大。

二、学习方法和注意点

学习概率论与数理统计需要注意很多东西，以下就是我从其他参考书上学习到的。

(一)、学习“概率论”要注意以下几个要点

1.在学习“概率论”的过程中要抓住对概念的引入和背景的理解，例如为什么要引进“随机变量”这一概念。这实际上是一个抽象过程。正如小学生最初学数学时总是一个苹果加2个苹果等于3个苹果，然后抽象为1+2=3.对于具体的随机试验中的具体随机事件，可以计算其概率，但这毕竟是局部的，孤立的，能否将不同随机试验的不同样本空间予以统一，并对整个随机试验进行刻画?随机变量X(即从样本空间到实轴的单值实函数)的引进使原先不同随机试验的随机事件的概率都可转化为随机变量落在某一实数集合B的概率，不同的随机试验可由不同的随机变量来刻画。 此外若对一切实数集合B，知道P(X∈B)。那么随机试验的任一随机事件的概率也就完全确定了。所以我们只须求出随机变量X的分布P(X∈B)。 就对随机试验进行了全面的刻画。它的研究成了概率论的研究中心课题。故而随机变量的引入是概率论发展历史中的一个重要里程碑。类似地，概率公理化定义的引进，分布函数、离散型和连续型随机变量的分类，随机变量的数学特征等概念的引进都有明确的背景，在学习中要深入理解体会。

2. 在学习“概率论”过程中对于引入概念的内涵和相互间的联系和差异要仔细推敲，例如随机变量概念的内涵有哪些意义：它是一个从样本空间到实轴的单值实函数X(w)，但它不同于一般的函数，首先它的定义域是样本空间，不同随机试验有不同的样本空间。而它的取值是不确定的，随着试验结果的不同可取不同值，但是它取某一区间的概率又能根据随机试验予以确定的，而我们关心的通常只是它的取值范围，即对于实轴上任一B，计算概率P(X∈B)，即随机变量X的分布。只有理解了随机变量的内涵，下面的概念如分布函数等等才能真正理解。又如随机事件的互不相容和相互独立两个概念通常会混淆，前者是事件的运算性质，后者是事件的概率性质，但它们又有一定联系，如果P(A)。P(B)>0，则A，B独立则一定相容。类似地，如随机变量的独立和不相关等概念的联系与差异一定要真正搞懂。

3. 搞懂了概率论中的各个概念，一般具体的计算都是不难的，如F(x)=P(X≤x)，EX，DX等按定义都易求得。计算中的难点有古典概型和几何概型的概率计算，二维随机变量的边缘分布fx(x)=∫-∞∞ f(x，y)dy，事件B的概率P((X，Y)∈B)=∫∫Bf(x，y)dxdy，卷积公式等的计算，它们形式上很简单，但是由于f(x，y)通常是分段函数，真正的积分限并不再是(-∞，∞)或B，这时如何正确确定事实上的积分限就成了正确解题的关键，要切实掌握。

4. 概率论中也有许多习题，在解题过程中不要为解题而解题，而应理解题目所涉及的概念及解题的目的，至于具体计算中的某些技巧基本上在高等数学中都已学过。因此概率论学习的关键不在于做许多习题，而要把精力放在理解不同题型涉及的概念及解题的思路上去。这样往往能“事半功倍”。

(二)、学习“数理统计”要注意以下几个要点

1. 由于数理统计是一门实用性极强的学科，在学习中要紧扣它的实际背景,理解统计方法的直观含义.了解数理统计能解决那些实际问题.对如何处理抽样数据,并根据处理的结果作出合理的统计推断,该结论的可靠性有多少要有一个总体的思维框架,这样,学起来就不会枯燥而且容易记忆.例如估计未知分布的数学期望,就要考虑到① 如何寻求合适的估计量的途径,②如何比较多个估计量的优劣?这样,针对①按不同的统计思想可推出矩估计和极大似然估计,而针对②又可分为无偏估计、有效估计、相合估计,因为不同的估计名称有着不同的含义,一个具体估计量可以满足上面的每一个,也可能不满足.掌握了寻求估计的统计思想,具体寻求估计的步骤往往是“套路子”的,并不困难,然而如果没有从根本上理解,仅死背套路子往往会出现各种错误.

8.概率论诞生前的早期历史 篇八

在1654年，两位法国数学家帕斯卡和费马通过通信讨论解决了“点数问题”，标志着概率论的诞生，因此公认的概率论创始人是帕斯卡与费马.但是，概率论诞生之前的早期历史却鲜为人知.

据考古证明，早在古代就有了骰子，人们通过它来预测未来、占卜命运和赌博游戏，可以说历史十分悠久.但是作为一个理论——概率论，却为何诞生得这么晚，直到17世纪才开始呢.在17世纪之前，又是社会、生活中哪些方面的逐步发展为概率论的诞生奠定了基础，本文对此略作概述.

2 概率论的萌芽

任何一门科学技术和理论都需要和社会生活紧密联系，只有当社会上有新的问题和动机时才能推动新技术与理论的发展.那些具有概率性质的最初的问题，也是起源于人类生活的各种领域，如财产保险、海运保险、人寿保险等.

2.1 财产保险与海运保险

最早的财产保险在古老时期就已存在.公元前两千多年，去远东做生意的商队，商人事先要签一份协议，协议包括在约定的途中遭抢劫、偷窃或丢失，就要得到损失赔偿金.根据犹太教法典，类似的协议也在巴勒斯坦和以色列出现.

签订这类协议更多的是从事海上贸易的商人，即海运保险.在腓尼基和古希腊，梭伦法律里曾提到：从事海上贸易的公司，包括在海上贸易中在海湾上岸的商人行动，如遇到海盗、风浪或抢劫等时也可得到损失赔偿金.但这些协议缺少随机的思想和观念，支付保险费用的制度也没有建立.直到12世纪，才在日本出现相应的保险费用制度.而在欧洲，直到14世纪才出现保险基本法，这些法令主要内容是解决保险价格争论.

14世纪的荷兰、意大利率先建立了海运保险公司，这些公司通过计算各种风险，收取相应的保险金.海运的保险费是货物价值的12～15%（或以船作抵押），陆运的费用是货物的6～8%.从16世纪开始，许多国家也出现了海运保险公司，17世纪其他保险形式也相继诞生.

2.2 人寿保险

除了财产、海运保险外，人寿保险的历史也相当悠久，可追溯到古罗马时期.这种保险就是国民付了人寿保险费或以终身年金的形式来保证在死亡时获得保险赔偿费.

《查士丁尼法典》的制订者之一、古罗马法学家乌尔比安（P.Ulpianus，170～228）曾估计了当时不同年龄存活的期望值（见表1），然后根据期望来给出相应的年金保险的价值，这被认为是17世纪以前最高水平的人口统计工作.但令人遗憾的是，随着社会和科学的发展，这张表被遗忘了.

到了中世纪，人寿保险开始多样化，如在1284年，英国开始讨论事故或疾病保险，准许为不治之症或盲人保险，而意大利则在12世纪末就开始实施这种保险.但随后的发展很缓慢，妨碍人寿保险的主要原因与赌博的发展有关.如荷兰阿姆斯特丹在1598年的法令就明确禁止将任何人的人寿保险与赌注相联系;意大利的热那亚政府在1588年禁止人寿保险.众多的禁令妨碍了人寿保险终身年金形式的发展，而现代意义上的年金保险诞生于17世纪的荷兰.但那个时候，年金保险的价格并没有依据保险人的年龄，真正以科学为条件的人寿保险年金形式在18世纪才出现.由此可见，“人寿保险也没有对促进随机思想和观念起重要的作用，他们对概率的需求仅仅到了19世纪才出现.”[1]

尽管保险出现得很早，但14世纪以前的财产、海运保险、人寿保险形式对随机思想和统计观念没有起任何推动作用，因此只属于萌芽时期.

3 概率论的酝酿

3.1 统计的需要

随着保险事业的不断发展，保险公司需要考虑风险.如海运保险的损失率，人寿保险中不同年龄的死亡率等.于是就需要各种各样的统计，如17世纪荷兰、西班牙、法国、英国、德国首先出现了各种参考手册，上面记载着教区居民结婚、参加洗礼、举行葬礼的登记数.这是在瘟疫流行的时候引进的方式，最早可追溯到1517年.后来还增加记录了出生、死亡人口的性别以及死亡原因等.这里需要提到的是荷兰人德维特（J.De Witt，1625～1672）的人寿年金保险价格的计算表和英国人格朗特（J. Graunt，1620～1674）的死亡率表（见表2）.他们通过不完全的统计数据来估计人口及各种疾病对死亡率的影响，从而计算出各年龄段的保险价格.正是基于这些统计资料，出现了一些概念，如在某一阶段死亡的可能性，能活到某一年龄的机会等等.显然，社会对统计的需要及在这方面的发展开始酝酿出概率论的一些基本概念.

表2：格朗特的死亡率表（不同的年龄段对应的百分比）

3.2 机会游戏

但真正对概率论的诞生起直接推动作用的是古代的机会游戏[2].意大利著名诗人但丁（A.Dante，1265～1321）在其《神曲》（1307～1321）的“炼狱篇”第6节中，提到了流行于意大利的一种机会游戏：一人同时掷三个骰子，另一人猜点数和（3～18）.其中，3=1+1+1和18=6+6+6这两个点数各只有一种组合方式，而9、10、11、12、…等其它点数则可通过几种不同的组合得到（如9=1+2+6=1+3+5=1+4+4=2+2+5=2+3+4=3+3+3），显然，3点和18点猜中的可能性要比其它点数小.

这个游戏令经常玩的佛罗伦萨贵族们感到困惑.因为9、10、11、12都有六种组合，即

9=1+2+6=1+3+5=1+4+4=2+2+5=2+3+4=3+3+3;

10=1+3+6=1+4+5=2+2+6=2+3+5=2+4+4=3+3+4;

11=1+4+6=1+5+5=2+3+6=2+4+5=3+3+5=3+4+4;

12=1+5+6=2+4+6=2+5+5=3+3+6=3+4+5=4+4+4.

9.概率论与数理统计 篇九

一、随机事件和概率

考试内容

随机事件与样本空间 事件的关系与运算 完备事件组 概率的概念 概率的基本性质 古典型概率 几何型概率 条件概率 概率的基本公式 事件的独立性 独立重复试验

考试要求

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，掌握事件的关系及运算．

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、减法公式、乘法公式、全概率公式，以及贝叶斯(Bayes)公式．

3．理解事件独立性的概念，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.二、随机变量及其分布

考试内容

随机变量 随机变量分布函数的概念及其性质 离散型随机变量的概率分布 连续型随机变量的概率密度 常见随机变量的分布 随机变量函数的分布

考试要求

1．理解随机变量的概念，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、几何分布、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、指数分布及其应用，其中参数为 的指数分布 的概率密度为

5．会求随机变量函数的分布．

三、多维随机变量及其分布

考试内容

多维随机变量及其分布 二维离散型随机变量的概率分布、边缘分布和条件分布 二维连续型随机变量的概率密度、边缘概率密度和条件密度随机变量的独立性和不相关性 常用二维随机变量的分布 两个及两个以上随机变量简单函数的分布

考试要求

1．理解多维随机变量的概念，理解多维随机变量的分布的概念和性质.理解二维离散型随机变量的概率分布、边缘分布和条件分布，理解二维连续型随机变量的概率密度、边缘密度和条件密度，会求与二维随机变量相关事件的概率．

2．理解随机变量的独立性及不相关性的概念，掌握随机变量相互独立的条件.3．掌握二维均匀分布，了解二维正态分布的概率密度，理解其中参数的概率意义．

4．会求两个随机变量简单函数的分布，会求多个相互独立随机变量简单函数的分布.四、随机变量的数字特征

考试内容

随机变量的数学期望（均值）、方差、标准差及其性质 随机变量函数的数学期望 矩、协方差、相关系数及其性质

考试要求

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，会

运用数字特征的基本性质，并掌握常用分布的数字特征．

2.会求随机变量函数的数学期望.五、大数定律和中心极限定理

考试内容

切比雪夫（Chebyshev）不等式 切比雪夫大数定律 伯努利（Bernoulli)大数定律 辛钦（Khinchine）大数定律 棣莫弗－拉普拉斯（De Moivre－laplace）定理 列维－林德伯格（Levy-Lindberg）定理

考试要求

1．了解切比雪夫不等式．

2．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序列的大数定律)．

3．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(独立同分布随机变量序列的中心极限定理)．

六、数理统计的基本概念

考试内容

总体 个体 简单随机样本 统计量 样本均值 样本方差和样本矩分布分布分布 分位数 正态总体的常用抽样分布

考试要求

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，其中样本方差定义为：

2．了解 分布、分布和 分布的概念及性质，了解上侧 分位数的概念并会查表计算．

3．了解正态总体的常用抽样分布．

七、参数估计

考试内容

点估计的概念 估计量与估计值 矩估计法 最大似然估计法 估计量的评选标准 区间估计的概念 单个正态总体的均值和方差的区间估计 两个正态总体的均值差和方差比的区间估计

考试要求

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（一阶矩、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、理解区间估计的概念，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.八、假设检验

考试内容

显著性检验 假设检验的两类错误 单个及两个正态总体的均值和方差的假设检验

考试要求

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．掌握单个及两个正态总体的均值和方差的假设检验．

数学大纲和去年相比变化之处

从拿到大纲的情况来说，今年的大纲和往年是没有什么变化，这一点和我前面所预测的是基本上一致的。当然大纲没有变化，对大家也有一个好处，也就是大家可以按照原先的计划，按步就班的走，不用考虑有一些计划

调整等等这样一类的东西。

2011年考试的难度是有一个怎样的趋势

至于难度，咱们要说2011年的难度，可以看一下这几年的难度水平。数一2008，2009年的难度水平基本上是一致的，2010年的考试难度有一定的上升，我认为2011年难度水平应该有所下降。大纲没有变，而考研是一个选拔性的考试，要求有一定的稳定性。所以，数一的同学，2011年的考试试题难度可能有所下降，水平和2008，2009是一致的。对数二和数三来说，水平应该和往年基本上是一致的。

2011年的考察重点会在哪个方面

由于今年考研大纲没有变化，我们可以根据考试的一些要求，还有历年考试真题的情况，咱们可以看一下历

年考试的重难点。

咱们看高等数学部分，高等数学部分第一部分函数、极限连续这一块，重点要求掌握两个重要极限，未定式的极限、等价无穷小代换，这样一些东西，还有一些极限存在性问题，间断点的类型，这些东西在历年的考察中都比较高，而我上课的时候一直给大家强调，考极限的话，主要考的是洛必达法则加等价无穷小代换，特别针对

数三的同学，这儿可能出大题。

第二部分是一元函数微分学，这块大家主要处理这几个关系，连续性，可导性和可微性的关系，掌握各种函数的求导方法。比如隐函数求导，参数方程求导等等这一类的，还有注意一元函数的应用问题，这也是历年考试的一个重点。数三的同学这儿结合经济类的一些试题进行考察。

一元函数微分学涉及面非常广，题型比较多，而且这一部分还有一个比较重点的内容，就是出证明题。咱们知道中值定理是历年经常考的一个考点，所用的主要方式就是构造辅助函数的方法进行证明。当然，这里还包含

一部分等式和不等式的证明，零点问题，以及极值和凹凸性。

多元函数微分学，这一块内容实际上也是按照一元函数微分学的形式进行考察的，比如咱们求偏导数，先固定一个变量，给另一个变量求导数，归根到底还是考察一元函数微分学。对多元函数微分学，大家还有一个内容

要掌握，连续性、偏导性和可微性，特别是抽象函数求二阶导数和二阶混合偏导这一类的题。

当然，还有一个问题，多元函数微分学的应用，主要牵扯两方面，一个是条件极值，一个是最值问题。这两

块。

积分学包含两块，也就是一元函数积分学和多元函数积分学，对于一元函数积分学一个是不定积分和定积分的计算，对不定积分一定要非常熟练掌握基本运算，对于定积分除了掌握用不定积分计算的方式，还要注意用定

积分的性质，比如定积分的奇偶性，周期性，单调性等等。

还有一块，定积分应用，主要考察面积问题，体积问题，或者说这块和微积分的结合等等。对于数一的同学来说，咱们还牵扯到一块，三重积分，曲线和曲面积分这两块，对于三重积分来说，大家主要掌握一些基本的，比如对球体、锥体、圆柱的积分，对于曲线和曲面积分主要掌握格林公式和高斯公式，利用格林公式把第二类曲线积分转化成二重积分，利用高斯公式把曲面积分转化成三重积分进行运算，这里有一个比较常考的知识点，曲

线积分与路径无关，这个要作为一个主要的知识点进行掌握。

第四部分，就是微分方程，微分方程有两个重点，一个是一元线性微分方程，第二个是二阶常系数齐次/非齐次线性微分方程，对第一部分，大家掌握九种小类型，针对每一种小类型有不同的解题方式，针对每个不同的方程，套用不同的公式就行了。对于二阶常系数线性微分方程大家一定要理解解的结构。另一块对于非齐次的方程来说，大家要注意它和特征方程的联系，有齐次为方程可以求它的通解，当然给出的通解大家也要写出它的特征

方程，这个变化是咱们这几年的一个趋势。这一类问题就是逆问题。

对于二阶常系数非齐次的线性方程大家要分类掌握。当然，这一块对于数三的同学来说，还有一个差分方程的问题，差分方程不作为咱们的一个重点，而且提醒大家一下，学习的时候要注意，差分方程的解题方式和微方

程是相似的，学习的时候要注意这一点。

第五个，级数问题，主要针对数一和数三，有两个重点，一个是常数项级数的性质，包括敛散性。

第二块，牵扯到幂级数，大家要熟练掌握幂级数的收敛区间的计算，收敛半径与和函数，幂级数展开的问题，要掌握一个熟练的方法来进行计算。对于幂级数求和函数它可能直接给咱们一个幂级数求它的和函数或者给出一

个常数项级数让咱们求它的和，要转化成适当的幂级数来进行求和。

关于线性代数这一块，有这样几个重点的内容，一个是逆矩阵和矩阵的秩。第二个，向量的线性相关性和向量的线性表示。向量组合的相关性，这一块极有可能考的类似于计算的证明题。比如让咱们证明几个向量线性无关。第三块是方程组的解的讨论，其中还包括有待定参数的解的讨论，这块的问题，往年也考得比较多。

第四块特征值和特征向量的性质，以及矩阵的对角化。

第五块，正定二次型的判断。大家在学线代的时候，还要注意一个方向，就是线性代数各个章节的连贯性是比较强的，我们在复习总结的时候，特别是后期，对于这一块内容要自己有一个总结，然后还可以看一看比如咱

们的复习全书或者复习指南这之类的书，在脑海中对线性参数的知识点要形成一个知识性框架。

概率统计这块（数二不考），概率统计要注重这几块内容，一个是概率的性质与概率的公式，这一块要求咱们非常熟练的掌握，比方说加法公式，减法公式，乘法公式，全概率公式和Bayes公式，这块要非常熟悉的掌握。

还有一部分，古典概率和几何概率，这块大家掌握中等难度的题就可以了。

第二块，一维随机变量函数的分布，这个要重点掌握连续性变量的这一块。这里面有个难点，一维随机变量函数这是一个难点，求一元随机变量函数的分布有两种方式，一个是分布函数法，这是最基本要掌握的。另外是

公式法，公式法相对比较便捷，但是应用范围有一定的局限性。

第三块，多维随机变量的联合分布和边缘分布还有条件分布，多维随机变量的独立性，这块是考试的重点，当然也是一个难点。这块还有一个问题要求大家掌握的，随机变量的和函数和最值函数的分布。

第四块，随机变量的数字特征，这块很重要，要记住一维随机变量的数字特征都要记熟，数字特征很少单独性考察，往往和前面的一维随机变量函数和多维随机变量函数和第六章的数理统计结合进行考察。特别针对数一的同学来说，考察矩估计和最大似然估计的时候会考察无偏性。

第五块，参数估计这一点是咱们经常出大题的地方，这一块对咱们数一，数二，数三的同学，包含两块知识点，一个是矩估计，一个是最大似然估计，这两个集中出大题。数一的同学，咱们特别强调一点，考这个矩估计