Deloitte
6 位校友岗位:Graduate Program · Graduate Consulting · Platform Engineer · Web developer · Platform engineer
MATHS 7103
Probability & Statistics
3 学分难度 中等👥 1 人学过
概率论是处理建模不确定性的数学分支。它很重要，因为它直接应用于遗传学，金融和电信等领域。它还为数学科学的许多其他领域（包括统计，现代优化方法和风险建模）奠定了基础。本课程介绍概率论，随机变量和马尔可夫过程。涵盖的主题包括：概率公理，条件概率；贝叶斯定理；离散随机变量，矩，边界概率，概率生成函数，标准离散分布；连续随机变量，均匀，正态，柯西，指数，伽玛和卡方分布，变换，泊松过程；二元分布，边际和条件分布，独立性，协方差和相关性，两个随机变量的线性组合，二元正态分布；独立随机变量序列，大数弱定律，中心极限定理;马尔可夫链和概率转移矩阵的定义和性质；平衡方程的方法，吸收马尔可夫链。
What you learn
学完能做什么
学习成果来自官方 Unit Outline，关键词来自这门课的逐周主题。
课程能力关键词
probabilitystatisticsinferenceregressionframeworkrandomvariablesexpectationandjointdistributionssamplingpointestimation
Syllabus
每周大纲
默认只展示每周独有的知识重点；节奏、考核、Tutorial 和避坑信息按需展开。
- 1
Probability framework
本周围绕 Probability framework 展开，结合 MATHS 7103 - Probability & Statistics 的核心概念、方法框架与应用场景，建立可用于作业、练习或考试的知识结构。
probabilitystatisticsinferenceregressionframework - 2
Random variables and distributions
本周围绕 Random variables and distributions 展开，结合 MATHS 7103 - Probability & Statistics 的核心概念、方法框架与应用场景，建立可用于作业、练习或考试的知识结构。
probabilitystatisticsinferenceregressionrandomvariables - 3
Expectation and variance
本周围绕 Expectation and variance 展开，结合 MATHS 7103 - Probability & Statistics 的核心概念、方法框架与应用场景，建立可用于作业、练习或考试的知识结构。
probabilitystatisticsinferenceregressionexpectationand - 4
Joint distributions
本周围绕 Joint distributions 展开，结合 MATHS 7103 - Probability & Statistics 的核心概念、方法框架与应用场景，建立可用于作业、练习或考试的知识结构。
probabilitystatisticsinferenceregressionjointdistributions - 5
Sampling distributions
本周围绕 Sampling distributions 展开，结合 MATHS 7103 - Probability & Statistics 的核心概念、方法框架与应用场景，建立可用于作业、练习或考试的知识结构。
probabilitystatisticsinferenceregressionsamplingdistributions - 6
Point estimation
本周围绕 Point estimation 展开，结合 MATHS 7103 - Probability & Statistics 的核心概念、方法框架与应用场景，建立可用于作业、练习或考试的知识结构。
probabilitystatisticsinferenceregressionpointestimation - 7
Confidence intervals
本周围绕 Confidence intervals 展开，结合 MATHS 7103 - Probability & Statistics 的核心概念、方法框架与应用场景，建立可用于作业、练习或考试的知识结构。
probabilitystatisticsinferenceregressionconfidenceintervals - 8
Hypothesis testing
本周围绕 Hypothesis testing 展开，结合 MATHS 7103 - Probability & Statistics 的核心概念、方法框架与应用场景，建立可用于作业、练习或考试的知识结构。
probabilitystatisticsinferenceregressionhypothesistesting - 9
Regression introduction
本周围绕 Regression introduction 展开，结合 MATHS 7103 - Probability & Statistics 的核心概念、方法框架与应用场景，建立可用于作业、练习或考试的知识结构。
probabilitystatisticsinferenceregressionintroduction - 10
ANOVA and categorical data
本周围绕 ANOVA and categorical data 展开，结合 MATHS 7103 - Probability & Statistics 的核心概念、方法框架与应用场景，建立可用于作业、练习或考试的知识结构。
probabilitystatisticsinferenceregressionanovaand - 11
Statistical computing workflow
本周围绕 Statistical computing workflow 展开，结合 MATHS 7103 - Probability & Statistics 的核心概念、方法框架与应用场景，建立可用于作业、练习或考试的知识结构。
probabilitystatisticsinferenceregressionstatisticalcomputing - 12
Probability and statistics review
本周围绕 Probability and statistics review 展开，结合 MATHS 7103 - Probability & Statistics 的核心概念、方法框架与应用场景，建立可用于作业、练习或考试的知识结构。
probabilitystatisticsinferenceregressionandreview
Assessment
考核结构
Ongoing assessment
官方标注 ongoing assessment。
TBA
ExamHurdle
官方标注 exam。
TBA
Week Exam period
Reviews
学生评价
3.0
难度
5.0
含金量
3.0
压力
5.0
教师评分
mengwei liu
老师确实很好，学一下SPSS再学这门课的话事半功倍
From Seniors
学长留下的
基础信息谁都查得到,真正值钱的是过来人的经验。
学姐说
比你早一年的学长留下的真实经验 —— ChatGPT 给不了。
这门课还没有学长经验,你可以是第一个 —— 注册后在课内分享。
往年考点 / 踩坑
这门课暂无往年考点记录。
毕业生去向(整体)
下面是匠人学院毕业生整体去过的公司分布(来自脱敏校友证言)。这是全平台的总体去向,不代表选这门课的人一定去这些公司。
统计自 317 份脱敏校友证言
Zerologix
4 位校友岗位:Frontend Dev · junior frontend developer · Front-end Developer · Full Stack Developer
Servian
4 位校友岗位:Full-stack Developer · Data Engineer · Consultant
关于这块数据,我们说实话
雇主墙来自脱敏毕业生证言（testimonials）的整体分布，无法关联到具体学员或其所选课程；仅作为毕业生去向的总体社会证明展示。
我们没有"某位学长选了这门课、后来进了哪家公司"这种可查询的个人去向档案 —— 校友证言是脱敏的,无法关联到具体的人或他选过的课。所以这里只给整体分布,不给个人路径,不编。