概率论与数理统计

📖这门课到底讲什么

概率论与数理统计研究随机现象的规律：从随机事件与概率公理出发，建立随机变量及其分布，研究多维随机变量、数字特征与极限定理，再进入统计推断、参数估计与假设检验。它把不确定从感觉变成可计算的东西，是机器学习、推荐系统、量化金融、质量控制、A/B 实验设计的共同理论基础。学完你应能熟练计算条件概率与全概率、识别常见分布并求期望方差、处理多维随机变量与独立性、使用大数定律与中心极限定理做近似，并能对一组数据完成点估计、区间估计与假设检验，读懂论文中的显著性水平与置信区间。

🎯为什么必须学好

考研数学中概率论约占总分二十二分，是投入产出比最高的一模块，题型高度固定；同时也是机器学习、数据挖掘岗面试的必考区。面试里贝叶斯公式的应用、期望的线性性质、为什么用最大似然做参数估计、中心极限定理在 A/B 测试中的作用，这些都是筛人问题。没有这门课，读不懂任何一篇带实验结果的论文，也无法判断模型指标差异是不是噪声。

📌核心知识清单

• 概率公理与条件概率：全概率公式、贝叶斯公式及其在垃圾邮件过滤与疾病检测中的应用
• 随机变量及其分布：离散型（0-1、二项、泊松、几何）与连续型（均匀、指数、正态）分布的密度与分布函数
• 多维随机变量：联合分布、边缘分布、条件分布、独立性判定、随机变量函数的分布（卷积公式与雅可比变换）
• 数字特征：期望、方差、协方差、相关系数、矩与矩母函数、期望的线性性质与不独立情形的方差公式
• 大数定律与中心极限定理：切比雪夫不等式、独立同分布的中心极限定理及近似计算
• 数理统计基础：总体与样本、统计量、卡方分布/t 分布/F 分布、抽样分布定理
• 参数估计：矩估计、最大似然估计、估计量的无偏性与有效性、区间估计
• 假设检验：显著性水平、两类错误、单侧与双侧检验、t 检验与卡方拟合优度检验

✍️怎么学（可执行步骤）

1. 以浙大版《概率论与数理统计》为主线，把每一类分布整理成一张表（密度函数、期望、方差、典型应用场景），背到能默写
2. 把贝叶斯公式当成核心武器反复训练：找二十道真实场景题（垃圾邮件、医疗诊断、投球命中率估计）连续推一遍，直到能在两分钟内口算完成
3. 每学一个定理就用 Python 做蒙特卡洛模拟验证（抛硬币验证大数定律、抽样验证中心极限定理的正态收敛），把抽象定理变成可观察现象
4. 统计部分用真实数据集练习：加载一份含两组的实验数据，完成描述统计、t 检验并解释 p 值，训练写结论的能力

📚推荐教材与书籍

🎬视频课程 / 公开课

🌐网站与文档

🐙GitHub 开源资料

🧪动手实践任务

🧾考试与面试