1 概率论基础 1.1 为什么需要概率空间 1.1.1 理发师悖论 (Barber paradox) 1.1.2 贝特朗悖论 (Bertrand’s Paradox) 1.1.3 非悖论, 生日问题 1.2 概率空间 1.2.1 可测空间 1.2.2 概率空间 1.2.3 条件概率 1.2.4 全概率公式和 Bayes 公式 1.3 随机变量和分布函数 1.3.1 数字特征 1.3.2 矩函数 (Moment Generating Function) 1.3.3 特征函数 (Characteristic function) 1.3.4 反演公式及唯一性定理 1.3.5 多维随机变量的特征函数 1.4 独立性与条件期望 1.4.1 独立性 1.4.2 条件期望 1.4.3 条件分布 1.4.4 一般条件期望 ⋆ 2 随机过程的基本概念与类型 2.1 随机过程的背景 2.2 基本概念 2.3 有限维分布与 Kolmogorov 定理 2.3.1 随机过程的数字特征 2.4 随机过程的基本类型 2.4.1 平稳过程 2.4.2 独立增量过程 3 Brown 运动（维纳过程） 3.1 基本概念与性质 3.2 维纳过程的分布 3.3 维纳过程的数字特征 3.3.1 二次变差 3.4 Brown 运动的鞅性质 3.5 Brown 运动的最大值变量及反正弦律 3.6 Brown 运动的几种变化 3.6.1 Brown 桥 3.6.2 几何 Brown 运动 4 Poisson 过程 4.1 齐次泊松过程 4.1.1 Poisson 过程数学模型 4.1.2 齐次泊松过程的数字特征 4.1.3 时间间隔与等待时间的分布 4.1.4 到达时间的条件分布 4.1.5 更新计数过程 4.2 复合泊松过程 4.2.1 复合 Poisson 过程 4.3 非齐次泊松过程 (了解内容，不考察) 5 鞅 (Martingale) 过程 5.1 基本概念 5.2 鞅的停时定理及其应用 5.2.1 鞅的停时定理 5.3 连续鞅

➢ 掌握总体、样本、抽样的含义 ➢ 了解抽样单位、抽样框、参数值、统计值、置信度的含义 ➢ 了解抽样的类型：概率抽样&非概率抽样 ➢ 掌握常用的抽样方法 ➢ 3.1 抽样概述 ➢ 3.2 抽样分布 ➢ 3.3 中心极限定理及其应用

一、参数估计含义 假设总体的分布类型已知,但其所含的某些参数未知,利用样本资料,对这些未知参数进行 估计称为参数估计。参数估计又分为点估计和区间估计,这次课我们讲点估计及其评价标准

参数估计方法是处理实际问题时最常用的方法。当总体的某些参数未知(一般要求分布类型已知)时,从样本出发构造适当的统计量,作为未知参数的估计量。当取得一组观察值后,以相应的统计量的观察值作为未知参数的估计值,并讨论估计值对真值进行估计的可靠性

参数估计:当总体的某些参数未知(一般要求分布类型已知)时 ,从样本出发构造适当的统计量,作为未知参数的估计量。当 取得一组观察值后,以相应的统计量的观察值作为未知参数的 估计值,并讨论估计值对真值进行估计的可靠性。 参数估计方法是处理实际问题时最常用的方法