应用概率统计教学研讨.docVIP

《应用概率统计》教学研讨 一、学习方法指导 本课程是研究随机现象的统计规律性的数学学科。因为所研究对象的特殊性，所以在学习方法上与高等数学、线性代数等其他课程有所不同。在学习过程中，会遇到较多的、独特的概念和分析方法，初学者可能会感到很不习惯，入门会有一定困难，但是只要肯于钻研并掌握较好的学习方法，多数学生不仅能达到考核的基本要求，而且还会产生较大的学习兴趣。这是因为概率论与数理统计与社会生活实际的联系十分紧密，应用特别广泛，因而容易激发学习兴趣。下面，结合本课程的特点，介绍一些行之有效的学习方法供大家参考。 1．学习概率论的基本概念时，首先要注意这些概念的统计背景。 概率论部分的基本概念比较多，特别从第二章“随机变量及其分布”开始，似乎“高难动作”一个接着一个来。如果对基本概念不能很好理解，势必影响自学的信心。实际上，概率论的许多基本概念来源于统计实践，因此弄清其统计背景乃是入门的向导。例如，概率来源于频率，它是大量独立重复试验时频率的稳定值。因此，频率是概率的先导。而概率又是频率的抽象和发展。进而可理解概率的某些基本特性也是相应的频率特性的高度概括和抽象。又如，离散随机变量的期望恰恰是加权平均值概念的提升和推广等等。 2．重视概念的甄别，即弄清某些容易混淆的概念之间的区别。 在概率论中存在许多容易混淆的概念，如果不能认真区分，仔细加以甄别，就不能正确理解这些重要概念，在应用时就会产生各种各样的错误。 互不相容事件与相互独立事件是最容易混淆的一对概念 “互不相容”是指两个事件不能同时发生。而“相互独立”则是指一个事件发生与否对另一事件发生的概率没有影响。 随机变量的独立性与不相关性是两个既有区别又有联系的概念 对两个随机变量而言，相互独立不相关。 3．善于识别一些重要的概率模型并能正确进行计算是提高分析和解决概率实际问题能力的关键。 在概率论中有许多经长期实践概括出的重要概率模型（简称“概型”），学生必须了解其背景、特点和适用范围，要熟记计算公式，以便能正确应用。例如： （1）古典概型：一类具有有限个“等可能”发生的基本事件的概率模型。 （2）完备事件组模型：若干个两两互不相容的事件在一次试验中有且仅有一个发生的一类概率模型。它主要用于某些复杂事件的计算——全概率公式，以及某些条件概率的计算——贝叶斯公式。 （3）伯努利概型与二项分布模型：伯努利概型是关于独立重复试验序列的一类重要的概率模型，其特点是各个重复试验是独立进行的，且每次试验中仅有两个对立的结果：事件发生或不发生，则在次独立重复试验中，事件恰好发生次的概率为 ，其中。 （4）普阿松分布：例如，电话交换台在单位时间内所接到的呼唤次数；到某商店去购物的顾客人数；放射性物质不断放出的质点数。 （5）正态分布——最重要的概率模型：人体的身高、体重，测量的误差等都服从正态分布。 （6）均匀分布——“等可能”取值的连续化模型：如果连续随机变量仅在某有限区间内取值，且具有概率密度 则称服从区间上的均匀分布。 除以上6种常见的概率模型外，还有指数分布，随机变量的函数等模型，不再一一列举，可参看教材、录像等有关内容。 4．对于某些难度较大的特殊算法要在理解的基础上进行“典例复算” 学生普遍反映本课程自学较难，除概念抽象外，恐怕一些特殊的计算方法也会带来不少学习上的困难。要突破这一点，最好的方法是将有关的典型例题读完后，合上书，认真复算一遍，边算边加深理解。 例如，关于已知随机变量的分布列或概率密度，求分布函数的方法。从分布函数的定义 出发，可得出关于离散随机变量和连续随机变量分布函数的计算公式，分别为 ， 和 ， 困难在于这两个公式的具体应用。 5．学习数理统计部分，最重要的是要领会各种统计方法内在的统计思想，其次是要熟练掌握操作步骤。 例如，最大似然估计法的主要统计思想是：如果在一次试验中，某个样本一旦出现，就有理由认为该样本出现的概率最大。具体操作时，只要利用总体的已知分布（其中包含待估的未知参数）构造样本的联合分布，即似然函数，再应用微积分的极值原理找出最大值点，即得最大似然估计量。 数理统计既然是用部分去推断总体，特别是区间估计和假设检验都只是根据一次抽样所得的样本值去下结论，这就不可能不犯错误，于是就产生了区间估计的可靠性（置信度）和假设检验的两类错误问题。这就是说，数理统计工作者对实际问题下结论时往往不是简单地回答“是”或“非”，而是带有一定的犯错误的概率。这样做，既体现了实事求是的科学精神，又鼓励人们通过不断实践，经过多次试验逐步获得较为准确和可靠的结论。学生在学习数理统计这部分内容时应充分领会和把握统计方法的这一重要特色。 6．在重视基本概念、基本理论和基本方法学习的前提下，也要注意概率统计中专用语