课程概览
课程内容围绕随机事件、随机变量、常见分布、数字特征和统计推断展开。 在通信和信号处理场景中，概率论为噪声建模、性能估计和实验数据分析提供了理论基础。
MATH FOUNDATION
概率论
概率论帮助我从“确定性计算”转向“随机性分析”。它是理解噪声、误差、随机信号与统计建模的基础课程之一。
面试复习主线
概率论在面试里常考“定义、分布、定理、独立性”
- 先掌握基本概念：随机事件、随机变量、分布函数、密度函数。
- 再掌握常见分布和数字特征：期望、方差、协方差、相关系数。
- 最后抓两类高频追问：独立性判断，以及大数定律和中心极限定理。
必会知识点
概率基础
- 样本空间、事件、古典概率、条件概率。
- 全概率公式与 Bayes 公式要能熟练口述。
- 独立事件与互斥事件不能混淆。
随机变量与分布
- 离散型与连续型随机变量的定义区别。
- 分布函数的单调性、右连续性、两端极限性质。
- 概率密度不是概率，区间积分才是概率。
常见分布
- 二项分布、泊松分布、几何分布。
- 均匀分布、指数分布、正态分布。
- 要会说出每种分布的背景、参数和期望方差。
数字特征
- 期望刻画平均水平，方差刻画波动大小。
- 协方差描述联合变化趋势，相关系数做了归一化。
- 零协方差不一定独立，正态情形是特殊情况。
多维随机变量
- 联合分布、边缘分布、条件分布。
- 独立随机变量的联合密度可分解。
- 面试常追问二维正态、条件期望的理解。
极限定理
- 大数定律说明样本均值收敛到总体期望。
- 中心极限定理说明标准化和趋于正态。
- 要能说清这两个定理解决的问题不同。
高频面试问答
独立和互斥有什么区别？
互斥表示两个事件不能同时发生；独立表示一个事件发生不影响另一个事件发生概率。非零概率事件若互斥，则一定不独立。
协方差为 0 是否说明两个随机变量独立？
一般情况下不能，只能说明线性相关性为 0。只有在某些特殊分布族下，比如联合正态，零协方差才可推出独立。
大数定律和中心极限定理分别在说什么？
大数定律说样本均值最终靠近期望；中心极限定理说标准化后的和或均值在大样本下近似服从正态分布。
为什么通信系统里经常默认噪声服从高斯分布？
因为大量独立微小扰动叠加后，根据中心极限定理，总体噪声近似服从高斯分布，这也是高斯白噪声模型常用的原因。
易混点与复习提醒
分布函数、密度函数、概率
分布函数是累计概率，密度函数是概率变化率，某点的密度值本身不是概率。
期望存在与方差存在
方差存在一定要求二阶矩有限，条件比期望存在更强。面试时要注意层级关系。
条件概率和条件分布
前者针对事件，后者针对随机变量。写法类似，但对象不同，别混着说。
复习顺序建议
先过事件概率和条件概率，再抓常见分布，然后集中复习数字特征、独立性和两大极限定理。