课程概览¶

基本信息¶

授课老师：杨建奎，戴金雨
课程成绩：90 分
这门课程整体难度较高。期中考核形式是撰写一篇论文，我只拿了 80 分。根据老师的说明，论文必须格式规范、内容切实有用，选题过于宏大反而不行。期末阶段则重在熟能生巧，需要背诵大量公式。总体而言，这门课是我学得比较好的一门课，期末考试的所有题目我都做完了。

知识结构¶

本课程分为概率论（第一_{五章）与数理统计（第六}九章）两大部分：概率论部分从事件与概率出发，用随机变量及其分布、数字特征刻画随机现象，并以大数定律与中心极限定理收束；数理统计部分从样本出发，依次完成抽样分布、参数估计、假设检验两大统计推断任务，最后以方差分析与回归分析落地应用。整体框架如下：

mindmap
    root((概率论与数理统计))
        第一部分 概率论
            第一章 概率论的基本概念
                随机试验、样本空间与随机事件
                频率与概率的公理化定义
                古典概型与几何概型
                条件概率、全概率公式与贝叶斯公式
                事件的独立性
            第二章 随机变量及其分布
                分布律、分布函数与概率密度
                八大常见分布
                正态分布的概率计算
                随机变量函数的分布
            第三章 多维随机变量及其分布
                联合分布
                边缘分布与条件分布
                随机变量的独立性
                两个随机变量的函数分布
            第四章 随机变量的数字特征
                数学期望
                方差与契比雪夫不等式
                协方差与相关系数
                矩与协方差矩阵
            第五章 大数定律及中心极限定理
                大数定律：契比雪夫、伯努利、辛钦
                中心极限定理：独立同分布、李雅普诺夫、德莫佛-拉普拉斯
        第二部分 数理统计
            第六章 样本及抽样分布
                总体与样本、统计量
                三大抽样分布：χ²、t、F
                正态总体的四大分布定理
            第七章 参数估计
                点估计：矩估计法与最大似然估计法
                无偏性、有效性、相合性
                区间估计与置信区间
                正态总体均值与方差的区间估计
            第八章 假设检验
                假设检验的基本原理与两类错误
                均值检验：Z 检验与 t 检验
                方差检验：χ² 检验与 F 检验
                分布拟合检验与秩和检验
            第九章 方差分析及回归分析
                单因素与双因素方差分析
                一元线性回归
                多元线性回归

第一章概率论的基本概念
- 建立概率论的完整概念骨架：随机试验、样本空间与随机事件（描述），频率与概率的公理化定义（度量），古典概型与几何概型（直接计算），条件概率、全概率公式与贝叶斯公式（信息更新），事件的独立性（结构简化）。
第二章随机变量及其分布
- 用随机变量把概率论"数量化"——分布律、分布函数、概率密度三种工具完整刻画随机变量的概率规律。
- 两点、等可能、二项、泊松、几何（离散）与均匀、指数、正态（连续）八大常见分布及其典型背景，正态分布的概率计算。
- 随机变量函数的分布提供"由已知分布推新分布"的一般方法。
第三章多维随机变量及其分布
- 把随机变量从一维推广到多维：联合分布函数、联合分布律、联合概率密度完整刻画 \((X, Y)\)。
- 边缘分布"压缩"出单变量分布，条件分布"固定"一个变量看另一个；独立性给出联合分布可分解为边缘乘积的判据。
- 两个随机变量的函数分布（和、商、最大、最小）提供构造新分布的一般方法。
第四章随机变量的数字特征
- 期望、方差、协方差、相关系数、矩与协方差矩阵六个数字特征，从"中心、分散、相关、形状"四个角度概括随机变量。
- 契比雪夫不等式与 n 维正态变量的"独立性 ⇔ 不相关性"性质，直接服务于大数定律与后续数理统计。
第五章大数定律及中心极限定理
- 大数定律（契比雪夫、伯努利、辛钦）为"频率稳定于概率、平均稳定于期望"提供严格的数学保证。
- 中心极限定理（独立同分布、李雅普诺夫、德莫佛-拉普拉斯）揭示"大量独立随机变量之和趋于正态"的普适规律，完成概率论从"描述随机性"到"驾驭随机性"的跨越。
第六章样本及抽样分布
- 完成从概率论到数理统计的过渡：总体与样本、统计量、经验分布函数及其收敛性（格里汶科定理）。
- χ²、t、F 三大抽样分布与正态总体的四大分布定理，是参数估计与假设检验的统计基础。
第七章参数估计
- 完成数理统计的"估计"任务：点估计（矩估计法与最大似然估计法），无偏性、有效性、相合性三个评选标准。
- 区间估计给出置信区间的一般求法，正态总体的 \(z\)、\(t\)、χ²、\(F\) 区间覆盖单总体与双总体的均值、方差、均值差、方差比，另有单侧置信区间。
第八章假设检验
- 完成数理统计的"检验"任务：以实际推断原理为基础，建立原假设/备择假设、显著性水平、拒绝域、两类错误等概念体系与一般步骤。
- 正态总体均值（\(Z\)、\(t\) 检验：单总体、双总体、成对数据）与方差（χ²、\(F\) 检验）的完整检验表（表 8.1）；置信区间与假设检验的对偶关系。
- OC 函数控制第二类错误并确定样本容量；χ² 拟合检验、偏度峰度检验与秩和检验覆盖分布未知时的非参数检验场景。
第九章方差分析及回归分析
- 数理统计的两个高级应用：方差分析（单因素与双因素，通过平方和分解与 \(F\) 检验判断各因素及交互作用的影响是否显著）。
- 回归分析（一元线性回归的最小二乘估计、显著性检验、置信区间与预测区间、可线性化的曲线回归；多元线性回归的矩阵求解与 MATLAB 实现）。至此全课程形成完整闭环。

知识定位与框架衔接¶

前置知识：高等数学（微积分、级数与多重积分——期望、方差、密度函数的计算基础）与线性代数（矩阵、向量——协方差矩阵、n 维正态、多元回归的矩阵工具）。第一章的事件与概率骨架贯穿全书，是后续一切推导的起点。

后置知识：数理统计部分（六~九章）是统计学习与机器学习的理论基础——参数估计与假设检验对应统计学习的核心范式（极大似然估计、显著性检验），方差分析与回归分析直接通向实验设计与线性模型，χ² 拟合检验与秩和检验则是非参数统计（Bootstrap、KS 检验、Wilcoxon 秩和检验）的入口。

故事比喻：概率论是"解释随机世界的语言"——给定模型，描述随机现象的规律；数理统计是"从数据反推世界的工具"——给定数据，反推模型与参数。整门课就像"先学会丈量世界（一_{五章），再学会用有限数据做可靠决策（六}九章）"。

四个灵魂问题：

"大数定律与中心极限定理各自回答什么问题？" —— 大数定律回答"频率/平均是否收敛到概率/期望"（定性，保证一致性）；中心极限定理回答"收敛的速度与形状"（定量，给出近似正态分布），两者是数理统计推断合法性的根基。
"参数估计与假设检验为何共用同一套抽样分布？" —— 枢轴量与检验统计量都依赖统计量的精确分布（\(z\)、\(t\)、χ²、\(F\)）；区间估计的"置信水平"与假设检验的"显著性水平"一一对偶，第八章表 8.1 与第七章区间表可互相推出。
"方差分析与回归分析的检验为何都归结为 \(F\) 检验？" —— 两者的统计量都是"组间/回归平方和与组内/残差平方和之比"，在正态假设下服从 \(F\) 分布，本质都是"比较两个独立 χ² 变量"。
"期中论文与期末公式如何备考？" —— 论文重在选题落地：格式规范、切实有用，话题过大反而不易出彩；期末则熟能生巧，\(z\)、\(t\)、χ²、\(F\) 四张表（抽样分布表 8.1、区间估计表、检验法汇总表）必须熟练到可直接调用。