关于总体特征的随机变量的概率分布的一个陈述称为 统计假设，如果这个陈述只涉及到总体的参数则称为参数 假设。否则称为非参数假设,验证统计假设的方法叫做统计 假设检验

数理统计的任务:观察现象,收集资料,创 建方法,分析推断 统计推断:伴随着一定概率的推测。其特点 是:由“部分”推断“整体

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

第一章随机事件和概率 第二章随机变量及其分布 第三章随机变量的数字特征 第四章大数定律和中心限定理 第五章数理统计初步

数理统计是运用概率论的知识,研究如何有效地对带有随机性影响的数据进行收集、整理、 分析和推断的学科,由于随机性现象广泛存在于工、农业生产、工程技术、自然科学和社会科学 等领域中,因此数理统计有着最广泛的应用

第一节一维随机变量及其分布函数 每一随机试验,试验结果的集合多种多样,通常喜欢用计算机表示试验结果,则将每一试验结果用一数来表示,或者说建立起基本空间的每一个元素到实数的映射,这种代表试验结果的数,被称为随机变量.有的基本空间本来就是实数轴,因此试验结果本身就是随机变量

一 Excel 的基本使用方法和技巧. 1 二 随机事件的模拟-模拟掷均匀硬币的随机试验. 2 三 随机模拟计算  的值-蒲丰投针问题. 3 四 综合实践-敏感性问题调查. 4 五 正态分布综合试验. 5 六 产生服从任意分布的随机数. 6 七 产生服从二维正态分布的随机数. 7 八 随机变量综合试验. 8 九 定积分的近似计算. 9 十 参数的点估计. 10 十一 区间估计. 13 十二 非参数假设检验( 2  -检验). 14 十三 方差分析. 15 十四 一元回归分析. 16 十五 多元回归分析. 17 十六 零件参数的设定. 19

1 概率密度估计 2 最大似然估计 例 1 均值和方差的无偏与有偏估计 什么是高斯分布 ML 的全局最优？ 二元函数局部最优条件 例 2 3 最大后验概率估计 例 3 4 贝叶斯估计 例 4 5 期望最大化 EM EM 在高斯混合模型中的应用

4.4协方差和相关系数 问题对于二维随机变量(X,Y): 已知联合分布 边缘分布 对二维随机变量除每个随机变量各自的概率特性外,相互之间可能还有某种联系问题是用一个怎样的数去反映这种联系