课程总览与知识图谱

概率论的主线可以概括为三句话：

1. 用集合语言描述随机事件。
2. 用函数语言描述随机变量及其分布。
3. 用极限语言描述大量随机现象的稳定规律。

这三句话对应本课程的三层结构。

第一层：事件层

事件层回答“哪些结果发生了”。基本对象是：

• 样本空间 $\mathrm{\Omega }$：随机试验所有可能结果组成的集合。
• 事件 $A\subset \mathrm{\Omega }$：某些结果组成的集合。
• 事件域 $\mathcal{F}$：允许谈概率的事件集合族。
• 概率 $P$：把事件映到 $[0,1]$ 的集合函数。

最早的题目通常是古典概型：

$$P(A)=\frac{|A|}{|\mathrm{\Omega }|}.$$

它的难点不在概率公理，而在计数。配对问题、生日问题、二项分布和超几何分布都属于这一层。

第二层：随机变量层

随机变量把样本点变成数：

$$\xi :\mathrm{\Omega }\to \mathbb{R}.$$

真正重要的是 $\xi$ 诱导出来的分布：

$$F_{\xi }(x)=P(\xi \le x).$$

于是概率问题从“事件集合”变成“函数和积分”。本课程在这一层建立：

• 离散随机变量：用分布律 $P(\xi =x_k)=p_k$ 描述。
• 连续随机变量：用密度 $f$ 描述，$F(x)={\int }_{-\mathrm{\infty }}^{x}f(t)dt$。
• 随机向量：用联合分布、边缘分布、联合密度描述。
• 独立随机变量：联合分布分解为边缘分布的乘积。
• 数学期望：用积分概括“平均值”。
• 方差、协方差、相关系数：刻画波动和线性关系。

第三层：极限层

极限层回答“大量重复随机试验会怎样”。核心对象是一列随机变量 $\{{\xi }_n\}$，常见问题是：

• ${\xi }_n$ 是否依概率收敛到 $\xi$。
• ${\xi }_n$ 是否几乎处处收敛到 $\xi$。
• ${\xi }_n$ 的分布是否弱收敛到某个分布。
• 样本均值是否收敛到期望。
• 标准化和是否趋向正态分布。

两类核心定理：

• 大数定律：样本平均稳定到期望。
• 中心极限定理：标准化和趋向正态分布。

章节依赖图

图表渲染中…

全课程知识图谱

图表渲染中…

概念之间的最短路径

从事件到分布：

$$\mathrm{\Omega }\supset A\stackrel{P}{\to }P(A),\mathrm{\Omega }\stackrel{\xi }{\to }\mathbb{R},F_{\xi }(x)=P(\{\omega :\xi (\omega )\le x\}).$$

从分布到数值特征：

$$F_{\xi }\Rightarrow E\xi ,Var(\xi ),E\phi (\xi ).$$

从多个随机变量到独立性：

$$F_{\xi ,\eta }(x,y)=F_{\xi }(x)F_{\eta }(y)⟺\xi ,\eta \text{独立}.$$

从独立性到和的分布：

$$f_{\xi +\eta }(z)={\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}{f}_{\xi }(x)f_{\eta }(z-x)dx.$$

从和的分布到特征函数：

$${\phi }_{\xi +\eta }(t)={\phi }_{\xi }(t){\phi }_{\eta }(t)\text{当 }\xi ,\eta \text{ 独立}.$$

从特征函数到极限定理：

$${\phi }_{{\eta }_n}(t)\to e^{-t^2/2}⟹{\eta }_n\stackrel{d}{\to }N(0,1).$$

课程中的四种“等价语言”

同一个随机对象可以用不同语言表达：

语言	典型表达	适合做什么
事件语言	$A\cap B$, $A^c$, $P(A)$	古典概型、条件概率、独立性
分布语言	$F(x)$, $p_k$, $f(x)$	求概率、比较随机变量、弱收敛
积分语言	$E\xi$, $\int gdF$	期望、方差、变量替换、不等式
函数变换语言	$G(s)$, $\phi (t)$	卷积、唯一性、极限定理

解题总流程

1. 识别对象：事件、随机变量、随机向量、随机序列。
2. 判断类型：离散、连续、混合，独立或不独立。
3. 选择表达：计数、分布函数、密度、期望、特征函数。
4. 计算核心量：概率、分布、期望方差、极限。
5. 检查条件：等可能性、可积性、独立性、方差有限、连续点。
6. 做边界验证：概率是否在 $[0,1]$，密度积分是否为 $1$，极限是否合理。

容易混淆的主线

条件概率和独立性：

• 条件概率是信息更新 $P(A\mid B)=P(A\cap B)/P(B)$。
• 独立性是信息无效 $P(A\mid B)=P(A)$。

互不相关和独立：

• 独立通常推出不相关。
• 不相关只说明 $Cov(\xi ,\eta )=0$，一般不能推出独立。
• 在联合正态分布下，不相关等价于独立。

依概率收敛和依分布收敛：

• 依概率收敛比依分布收敛强。
• 若极限是常数，依分布收敛到该常数等价于依概率收敛到该常数。

大数定律和中心极限定理：

• 大数定律看 $\frac{1}{n}\sum {\xi }_i$，尺度是 $n$。
• 中心极限定理看 $\frac{\sum {\xi }_i-n\mu }{\sigma \sqrt{n}}$，尺度是 $\sqrt{n}$。

文件导航

文件	对应讲义范围	核心问题
01-事件与概率.md	第 0 到 1 章	如何把随机现象转成事件并计数
02-概率空间与随机变量.md	第 2 章	如何用概率空间和分布描述随机变量
03-条件概率全概率与独立性.md	第 3 章	信息更新、拆分样本空间、独立性判断
04-数学期望方差与不等式.md	第 4 章	如何定义、计算和估计随机变量的平均行为
05-连续型随机变量与随机向量.md	第 5 章	密度、常见连续分布、多维分布与变量变换
06-母函数与特征函数.md	第 6 章	用函数编码分布、卷积和极限
07-极限定理.md	第 7 章	随机序列如何收敛、大数定律和中心极限定理
附录A-常见分布速查表.md	全书	分布、期望、方差、母函数、特征函数
附录B-题型图谱与作业定位.md	作业参考	每章常见题型、解法入口和易错点