课程

中国大学MOOC,为你提供一流的大学教育

hi,小mooc
SPOC学校专有课程
概率统计A
第1次开课
开课时间: 2019年03月11日 ~ 2019年06月14日
学时安排: 3
当前开课已结束 已有 424 人参加
立即自学
往期不提供结课证书,想参加下学期课程, 点击这里预约>>
spContent=
—— 课程团队
课程概述

      《概率统计A》是信息学科本科生的公共基本必修课,是研究随机现象统计规律性的一门数学课程,其理论及方法与数学其它分支、相互交叉、渗透,已经成为许多自然科学学科、社会与经济科学学科、管理学科重要的理论工具。由于其具有很强的应用性,特别是随着统计应用软件的普及和完善,使其应用面几乎涵盖了自然科学和社会科学的所有领域。

        本课程由概率论与数理统计两部分组成。概率论部分侧重于理论探讨,介绍概率论的基本概念,建立一系列定理和公式,寻求解决统计和随机过程问题的方法。其中包括随机事件和概率、随机变量及其分布、随机变量的数字特征、大数定律和中心极限定理等内容;数理统计部分则是以概率论作为理论基础,研究如何对试验结果进行统计推断,包括数理统计的基本概念、参数统计、假设检验等。

        本课程由信息学科老师全程授课,与数学专业老师授课不同的特点在于,本门课程重理论,重模型,轻计算,轻推导,更具工程数学的特色。为使同学们更轻松地入门,本课程将更注重知识点的划分,精心安排讲解顺序,由易至难,引导学生快速进入状态。在有限的学时内,使学生有重点学习的同时,也能了解工科对于概率论和数理统计课程的要求。

        在每周的课前,课程团队会公布学习任务单,阐明本周学习目标、线上学习任务、线下任务,明确学习内容与步骤。同时,本课程的助教会及时地为大家答疑解惑。每周发布的内容,适合一周内掌握。

       通过循序渐进的学习,学习者将初步掌握处理随机现象的基本理论和方法,并具有解决相关实际问题的能力,并且为进一步深入学习打下坚实的基础。

 


授课目标

针对不同学习目标的学生,本课程学习使用方法如下:

1、信息学科本科生

本课程作为信息学科计算机大类专业授课,可以采用线上和线下相结合的授课方式。作为“工程数学”平台课程,面向的信息学科,含计算机,智能科学,网络安全,通信、自动化、电子六个不同专业;鉴于该课程对于信息类相关专业的后续课程的重要性,在线授课方式比较侧重于基础理论,但是可以根据不同专业根据应用的不同需求,加入《概率与数理统计》在不同学科的不同具体应用实例进行讲解。鼓励学生采用本视频进行翻转教学,课前预习视频,课堂重点讲解和讨论。

2、非信息学科、非计算机大类学生

本课程也可以作为非信息学科、非计算机大类学生的通识教育课程,对概率统计的基础理论知识点进行学习,并了解概率统计在信息类学科的具体应用。

3、本科非人工智能专业的研究生

本课程也作为人工智能专业的基础课程,作为《算法设计与分析》,《机器学习》,《自然语言处理技术》,《人工智能导论》的前导课程,面向本科非人工智能专业的学生进行在线自主学习


成绩 要求

平时作业占40%,论坛讨论占10%(注意:讨论得分需要回答课堂所留开放性问题才能取得)期末考试占50%, 按百分制计分。

课程大纲
第一章 概率论的基本概念(授课人:王琳,曾华琳;总时长:2小时53分 )
课时目标:• 了解用什么样的态度与认识来学习《概率统计A》这门课;• 关于随机试验的定义与主要性质;• 什么是随机事件,什么是样本空间;• 理解用集合语言方式描述随机试验的方法,掌握事件的关系及运算规则;• 从频率到概率,从静态到动态,认识频率与概率的相同性及区别;• 最简单的概率模型-古典概型,也称为等可能概型,是如何进行描述和定义;• 学习什么是条件概率;• 由条件概率的乘法形式引出的乘法公式;• 学习由原因推出结果的全概率公式;• 学习贝叶斯公式,这是在概率统计里一个非常有实用意义的公式;• 事件的独立性,独立的实际意义及判断标准。
1.1 绪论
1.2 随机试验
1.3 样本空间和随机事件
1.4 事件的关系与运算
1.5 频率与概率
1.6 古典概率(等可能概型)
1.7 条件概率
1.8 乘法公式
1.9 全概率公式
1.10 贝叶斯公式
1.11 独立性
第二章 随机变量及其分布(授课人:曾华琳;总时长:2小时43分)
课时目标:• 学习什么是随机变量,为什么要引入随机变量;• 了解随机变量的两种类型;• 学习三种典型的离散型随机变量;• 系统学习两点分布(0-1分布),二项分布,泊松分布,比较三种分布的关系,体会三种离散型分布之间的递进关系与联系;• 学习n重伯努利试验的重要性,并能用其进行解题,仔细学习本将中的例子;• 学习关于随机变量的分布函数,这个是个难点,如何理解是关键;• 学习什么是连续型随机变量以及用于表示连续型随机变量的函数—概率密度函数;• 学习三种典型的连续型随机变量;• 系统学习均匀分布,指数分布,正态分布;• 对于三种连续性分布函数,要分别掌握的是它们的概率密度函数形式,计算方式,特有的性质,以及常见题型解题方法;• 学习关于随机变量函数的分布,如何求解离散型随机变量的函数的分布,以及如何用公式法和定义法求解连续型随机变量的函数的分布,这个是个难点,如何理解是关键。
2.1 随机变量的概念
2.2 离散型随机变量定义
2.3 两点分布与二项分布
2.4 泊松分布
2.5 随机变量的分布函数
2.6 连续型随机变量及其概率密度
2.7 均匀分布与指数分布
2.8 正态分布
2.9 随机变量函数的分布
第三章 多维随机变量及其分布 (授课人:郑旭玲;总时长:2小时05分)
课时目标:• 学习什么是多维随机变量,为什么要引入多维随机变量;• 学习二维随机变量以及二维随机变量的联合分布函数形式、性质及计算方法; • 对于二维离散型随机变量,掌握它们的联合分布律和边缘分布律的性质、计算和相互关系;• 对于二维连续型随机变量,掌握它们的联合概率密度和边缘概率密度的性质、计算和相互关系;学会如何利用联合分布与联合密度的关系,从一个函数求出另一个函数,这是本周的一个难点;• 掌握二维均匀分布,了解二维正态分布的概率密度,理解其中参数的概率意义;• 学习二维随机变量的条件分布;对于二维离散型随机变量,掌握它们的条件分布律的性质、计算及其与联合分布律和边缘分布律的相互关系;对于二维连续型随机变量,掌握它们的条件概率密度的性质、计算及其与联合分布函数、联合密度和边缘密度等的相互关系; • 学习随机变量的独立性,掌握离散型和连续型随机变量独立的条件及其应用;这是本周的一个重点; • 学习两个随机变量简单函数的分布,掌握如何利用定义法和相关公式(如卷积公式等)求二维随机变量的和、最大值及最小值的分布。
3.1 二维随机变量及其分布函数
3.2 二维离散型随机变量
3.3 二维连续型随机变量
3.4 离散型随机变量的边缘分布律
3.5 连续型随机变量的边缘概率密度
3.6 二维均匀分布和二维正态分布
3.7 离散型随机变量的条件分布律
3.8 连续型随机变量的条件概率密度
3.9 离散型随机变量的独立性
3.10 连续型随机变量的独立性
3.11 X+Y的分布
3.12 max(X,Y)及min(X,Y)的分布
第四章 随机变量的数字特征(授课人:曾华琳;总时长:2小时29分)
课时目标:• 学习什么是数学期望,并分两种类型随机变量的数字特征进行具体学习,包括离散型随机变量的数学期望以及连续型随机变量的数字期望;• 学习数学期望的各种不同性质,并结合具体实例进行计算和使用;• 进一步系统学习随机变量的数学期望;• 学习第二种数字特征—方差,方差的基础定义;• 进一步学习方差如何计算,除了基本的计算定义意外,方差建议计算公式要求熟练掌握;• 学习方差的各种不同性质,并结合具体实例进行计算和使用;• 学习切比雪夫不等式,以及不等式的巧妙应用;• 学习协方差与相关系数这对数字特征的定义,掌握其联系与区别,以及它们的意义;• 学习矩和协方差矩阵,了解相关定义即可。
4.1 离散型随机变量的数学期望
4.2 连续型随机变量的数学期望
4.3 数学期望的性质及应用
4.4 随机变量函数的数学期望
4.5 方差的定义
4.6 方差的计算
4.7 方差的性质
4.8 切比雪夫不等式
4.9 协方差及相关系数
4.10 矩、协方差矩阵
第五章 大数定律及中心极限定理(授课人:曾华琳;总时长:57分钟)
课时目标:• 学习切比雪夫大数定律及什么是依概率收敛,如何用依概率收敛重述切比雪夫大数定律;• 学习伯努利大数定律与辛钦大数定律;• 进一步学习中心极限定理的三种不同形式,注意区分其运用场合及其联系与区别;• 利用中心极限定理进行解题。
5.1 切比雪夫大数定律
5.2 伯努利大数定律与辛钦大数定律
5.3 中心极限定理
5.4 中心极限定理例题解析
第六章 数理统计的基本概念(授课人:郑旭玲;时长:1小时39分)
课时目标:• 学习总体、个体、简单随机样本、样本观察值等数理统计中的基本概念;• 了解直方图和箱线图等统计图形;• 学习统计量、样本均值、样本方差和样本矩的概念以及经验分布函数,掌握统计量数字特征的计算;• 学习三大抽样分布χ2分布、t分布、F分布,分别掌握它们的定义、性质,以及上α分位数的概念,并学会查表计算;• 学习正态总体的常用抽样分布,学会利用这些抽样分布定理判定统计量所服从的分布并计算其取值概率,这是本周的一个难点。
6.1 总体和样本
6.2 直方图和箱线图
6.3 统计量与经验分布函数
6.4 χ2分布
6.5 t分布、F分布
6.6 正态总体的抽样分布
第七章 参数估计之点估计 (授课人:曾华琳;时长:1小时33分)
7.1 点估计的概念、估计量与估计值
7.2 矩估计法
7.3 最大似然估计法
7.4 估计量的评选标准
7.5 区间估计的概念
7.6 单个正态总体的均值和方差的区间估计
7.7 两个正态总体的均值差和方差比的区间估计
7.8(0-1)分布参数的区间估计
第八章 假设检验(授课人:曾华琳)
8.1 假设检验的基本思想
8.2 假设检验的一般步骤
8.3 正态总体均值的假设检验
8.4 正态总体方差的假设检验
展开全部
预备知识

微积分,线性代数

参考资料

盛骤、谢式千、潘承毅:《概率论与数理统计》第四版,高等教育出版社,2008年。

John A. Gubner:《Probability and Random Processes for Electrical and Computer Engineers》, Cambridge University Press2006年。


常见问题

Q :  什么人能学习这门课?

A :  只要你高中的排列组合没忘记,还另外懂一些微积分的简单计算,欢迎你来上我们的课程。

Q :  相同的课程那么多了,为什么要选这门呢?

A :  因为我们的老师讲的通俗易懂呀,用和蔼可亲的语调和微笑带你领略数学之美。

Q :  这门课会不会很难过?

A :  这是考研必考科目,考点是会全覆盖的;如果想要考研,那么必须翻过这座大山;如果不是为了考研,你想了解人工智能,那你也得学习,概率统计是人工智能的数学基础。所以为了了解而学习,为了进阶而学习,只要你跟着一个周期下来,考试对你来说,就是小case了。

Q :  我们的目标是什么?

A :  请详见授课目标,帮助大家学好概率统计,是这门课最真诚的目标。

厦门大学
2 位授课老师
曾华琳

曾华琳

讲师

郑旭玲

郑旭玲

助理教授

下载
下载

下载App