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

1 线性代数 符号和基础知识 矩阵乘法 运算性质 矩阵微分 2 概率论 概率空间 随机变量及其分布 随机变量的数字特征 条件期望

由于统计量是由样本决定的,而在一 次具体的抽样之前,样本中的每一个分量 都是随机变量,所以,在一次具体的抽样 之前,统计量也是随机变量,也有自己的 分布我们称统计量的分布为

1、理解数学期望、方差的概念，并掌握它们的性质。 2、会计算随机变量函数的数学期望。 3、了解协方差、相关系数的概念

已知R.V. X的分布，及Y=g(X)，y=g(x)为连续函数，如何求R.V. Y=g(X)的分布？ 一、X是离散型R.V.情形此时Y=g(X)必为离散型R.V.为求R.V. Y的分布律，(1)搞清Y=g(X)的所有取值；(2)求Y取每个值的概率

一只与区间长度有关,与区间的位置无关。即X落在两 个长度相等的区间内的概率相等。具有上述特点的随 机变量便是均匀分布的随机变量。 如:测量物体长度时读数的舍入误差服从均匀分 布。在(a,b)上随机掷质点

一、分布函数的概念 定义 对任意实数x，称F(x)=P{X≤x}为R.V. X的分布函数。 F(x)为普通函数

在第二章中,我们讨论了一 维随机变量函数的分布,现在我 们进一步讨论: 当随机变量X,X2,…,X的联合分布 12 已知时,如何求出它们的函数

❖ 随机变量 ❖ 随机变量的数字特征 ❖ 参数估计 ❖ 回归分析 ❖ 随机过程 ❖ 随机过程的数字特征 ❖ 随机过程的谱密度

任意两个随机变量X和Y的协方差,记为Cov(X,,定义为