概率论与数理统计心得
一概率论与数理统计是工程数学中比较灵活的一门课程，个人觉得也是学的有滋有味的一科。
概率论是以古典型概率，几何型概率，条件概率，各种分布列等为基本模型，以加法原理，乘法原理为规则，以非负性，规范性，可列可加性为基本性质，逆事件，差事件概率的计算公式，加法公式等为运算基础骨架。
解题时应做到心中有数，将难题一步步分解为这些简单问题的叠加。
学习重点应放在理解和运用上，而不在于计算，老师上课时的例题很重要，课后要理解消化，勤做练习加深理解，做题时应分清各类题型，举一反三。
熟练掌握：概率部分： 1.常见分布列，分布函数：离散型--连续型 一维--二维--多维离散： 两点分布，二次分布，泊松分布，几何分布连续： 均匀分布，指数分布，正态分布2.基本运算概念： 概率密度，数学期望，方差，协方差，相关系数 数理统计部分：样本基本概念：X2分布，t分布，F分布，正态总体的样本均值，方差，k阶原点矩，k阶中心矩推荐经典习题：第一章:3.4.5.8.9.10.11.12.13.15.18.20.21第二章:4.10.11.14.15.17.24.25.26.27第三章:1-8.13.14.19.20.24.25.27第四章:1.3.5.6.8.10(*).11---20.24.26.27.28(*).29.30第六章:1.2.4.5.6.7.9(*)第七章:2.3.4.7.8.9.10.11.12 二“概率论与数理统计”是理工科大学生的一门必修课程，由于该学科与生活实践和科学试验有着紧密的联系，是许多新发展的前沿学科(如控制论、信息论、可靠性理论、人工智能等)的基础，因此学好这一学科是十分重要的。
? “概率论与数理统计”的学习应注重的是概念的理解，而这正是广大学生所疏忽的，在复习时几乎有近一半以上学生对“什么是随机变量”、“为什么要引进随机变量”仍说不清楚。
对于涉及随机变量的独立，不相关等概念更是无从着手，这一方面是因为高等数学处理的是“确定”的事件。
如函数y=f(x)，当x确定后y有确定的值与之对应。
而概率论中随机变量X在抽样前是不确定的，我们只能由随机试验确定它落在某一区域中的概率，要建立用“不确定性”的思维方法往往比较困难，如果套用确定性的思维方法就会出错。
由于基本概念没有搞懂，即使是十分简单的题目也难以得分。
从而造成低分多的现象。
另一方面由于概率论中涉及的计算技巧不多，除了古典概型，几何概型和计算二维随机变量的函数分布时如何确定积分上、下限有一些计算的难点，其他的只是数值或者积分、导数的计算。
因而如果概念清楚，那么解题往往很顺利且易得到正确答案，这正是高分较多的原因。
? 根据上面分析，启示我们不能把高等数学的学习方法照搬到“概率统计”的学习上来，而应按照概率统计自身的特点提出学习方法，才能取得“事半功倍”的效果。
下面我们分别对“概率论”和“数理统计”的学习方法提出一些建议。
? 一、 学习“概率论”要注意以下几个要点 1. 在学习“概率论”的过程中要抓住对概念的引入和背景的理解，例如为什么要引进“随机变量”这一概念。
这实际上是一个抽象过程。
正如小学生最初学数学时总是一个苹果加2个苹果等于3个苹果，然后抽象为1+2=3.对于具体的随机试验中的具体随机事件，可以计算其概率，但这毕竟是局部的，孤立的，能否将不同随机试验的不同样本空间予以统一，并对整个随机试验进行刻画
随机变量X(即从样本空间到实轴的单值实函数)的引进使原先不同随机试验的随机事件的概率都可转化为随机变量落在某一实数集合B的概率，不同的随机试验可由不同的随机变量来刻画。
此外若对一切实数集合B，知道P(X∈B)。
那么随机试验的任一随机事件的概率也就完全确定了。
所以我们只须求出随机变量X的分布P(X∈B)。
就对随机试验进行了全面的刻画。
它的研究成了概率论的研究中心课题。
故而随机变量的引入是概率论发展历史中的一个重要里程碑。
类似地，概率公理化定义的引进，分布函数、离散型和连续型随机变量的分类，随机变量的数学特征等概念的引进都有明确的背景，在学习中要深入理解体会。
? 2. 在学习“概率论”过程中对于引入概念的内涵和相互间的联系和差异要仔细推敲，例如随机变量概念的内涵有哪些意义：它是一个从样本空间到实轴的单值实函数X(w)，但它不同于一般的函数，首先它的定义域是样本空间，不同随机试验有不同的样本空间。
而它的取值是不确定的， 随着试验结果的不同可取不同值，但是它取某一区间的概率又能根据随机试验予以确定的，而我们关心的通常只是它的取值范围，即对于实轴上任一B，计算概率P(X∈B)，即随机变量X的分布。
只有理解了随机变量的内涵，下面的概念如分布函数等等才能真正理解。
又如随机事件的互不相容和相互独立两个概念通常会混淆，前者是事件的运算性质，后者是事件的概率性质，但它们又有一定联系，如果P(A)。
P(B)＞0，则A，B独立则一定相容。
类似地，如随机变量的独立和不相关等概念的联系与差异一定要真正搞懂。
? 3. 搞懂了概率论中的各个概念，一般具体的计算都是不难的，如F(x)=P(X≤x)，EX，DX等按定义都易求得。
计算中的难点有古典概型和几何概型的概率计算，二维随机变量的边缘分布fx(x)=∫-∞∞ f(x，y)dy，事件B的概率P((X，Y)∈B)=∫∫Bf(x，y)dxdy，卷积公式等的计算，它们形式上很简单，但是由于f(x，y)通常是分段函数，真正的积分限并不再是(-∞，∞)或B，这时如何正确确定事实上的积分限就成了正确解题的关键，要切实掌握。
? 4. 概率论中也有许多习题，在解题过程中不要为解题而解题，而应理解题目所涉及的概念及解题的目的，至于具体计算中的某些技巧基本上在高等数学中都已学过。
因此概率论学习的关键不在于做许多习题，而要把精力放在理解不同题型涉及的概念及解题的思路上去。
这样往往能“事半功倍”。
二、 学习“数理统计”要注意以下几个要点? 1. 由于数理统计是一门实用性极强的学科，在学习中要紧扣它的实际背景，理解统计方法的直观含义。
了解数理统计能解决那些实际问题。
对如何处理抽样数据，并根据处理的结果作出合理的统计推断，该结论的可靠性有多少要有一个总体的思维框架，这样，学起来就不会枯燥而且容易记忆。
例如估计未知分布的数学期望，就要考虑到① 如何寻求合适的估计量的途径，②如何比较多个估计量的优劣
这样，针对①按不同的统计思想可推出矩估计和极大似然估计，而针对②又可分为无偏估计、有效估计、相合估计，因为不同的估计名称有着不同的含义，一个具体估计量可以满足上面的每一个，也可能不满足。
掌握了寻求估计的统计思想，具体寻求估计的步骤往往是“套路子”的，并不困难，然而如果没有从根本上理解，仅死背套路子往往会出现各种错误。
? 2. 许多同学在学习数理统计过程中往往抱怨公式太多，置信区间，假设检验表格多而且记不住。
事实上概括起来只有八个公式需要记忆，而且它们之间有着紧密联系，并不难记，而区间估计和假设检验中只是这八个公式的不同运用而已，关键在于理解区间估计和假设检验的统计意义，在理解基础上灵活运用这八个公式，完全没有必要死记硬背。
更多信息请访问：新浪自考频道 自考论坛 自考博客圈 特别说明：由于各方面情况的不断调整与变化，新浪网所提供的所有考试信息仅供参考，敬请考生以权威部门公布的正式信息为准。
概率论与数理统计心得
一概率论与数理统计是工程数学中比较灵活的一门课程，个人觉得也是学的有滋有味的一科。
概率论是以古典型概率，几何型概率，条件概率，各种分布列等为基本模型，以加法原理，乘法原理为规则，以非负性，规范性，可列可加性为基本性质，逆事件，差事件概率的计算公式，加法公式等为运算基础骨架。
解题时应做到心中有数，将难题一步步分解为这些简单问题的叠加。
学习重点应放在理解和运用上，而不在于计算，老师上课时的例题很重要，课后要理解消化，勤做练习加深理解，做题时应分清各类题型，举一反三。
熟练掌握：概率部分： 1.常见分布列，分布函数：离散型--连续型 一维--二维--多维离散： 两点分布，二次分布，泊松分布，几何分布连续： 均匀分布，指数分布，正态分布2.基本运算概念： 概率密度，数学期望，方差，协方差，相关系数 数理统计部分：样本基本概念：X2分布，t分布，F分布，正态总体的样本均值，方差，k阶原点矩，k阶中心矩推荐经典习题：第一章:3.4.5.8.9.10.11.12.13.15.18.20.21第二章:4.10.11.14.15.17.24.25.26.27第三章:1-8.13.14.19.20.24.25.27第四章:1.3.5.6.8.10(*).11---20.24.26.27.28(*).29.30第六章:1.2.4.5.6.7.9(*)第七章:2.3.4.7.8.9.10.11.12 二“概率论与数理统计”是理工科大学生的一门必修课程，由于该学科与生活实践和科学试验有着紧密的联系，是许多新发展的前沿学科(如控制论、信息论、可靠性理论、人工智能等)的基础，因此学好这一学科是十分重要的。
? “概率论与数理统计”的学习应注重的是概念的理解，而这正是广大学生所疏忽的，在复习时几乎有近一半以上学生对“什么是随机变量”、“为什么要引进随机变量”仍说不清楚。
对于涉及随机变量的独立，不相关等概念更是无从着手，这一方面是因为高等数学处理的是“确定”的事件。
如函数y=f(x)，当x确定后y有确定的值与之对应。
而概率论中随机变量X在抽样前是不确定的，我们只能由随机试验确定它落在某一区域中的概率，要建立用“不确定性”的思维方法往往比较困难，如果套用确定性的思维方法就会出错。
由于基本概念没有搞懂，即使是十分简单的题目也难以得分。
从而造成低分多的现象。
另一方面由于概率论中涉及的计算技巧不多，除了古典概型，几何概型和计算二维随机变量的函数分布时如何确定积分上、下限有一些计算的难点，其他的只是数值或者积分、导数的计算。
因而如果概念清楚，那么解题往往很顺利且易得到正确答案，这正是高分较多的原因。
? 根据上面分析，启示我们不能把高等数学的学习方法照搬到“概率统计”的学习上来，而应按照概率统计自身的特点提出学习方法，才能取得“事半功倍”的效果。
下面我们分别对“概率论”和“数理统计”的学习方法提出一些建议。
? 一、 学习“概率论”要注意以下几个要点 1. 在学习“概率论”的过程中要抓住对概念的引入和背景的理解，例如为什么要引进“随机变量”这一概念。
这实际上是一个抽象过程。
正如小学生最初学数学时总是一个苹果加2个苹果等于3个苹果，然后抽象为1+2=3.对于具体的随机试验中的具体随机事件，可以计算其概率，但这毕竟是局部的，孤立的，能否将不同随机试验的不同样本空间予以统一，并对整个随机试验进行刻画
随机变量X(即从样本空间到实轴的单值实函数)的引进使原先不同随机试验的随机事件的概率都可转化为随机变量落在某一实数集合B的概率，不同的随机试验可由不同的随机变量来刻画。
此外若对一切实数集合B，知道P(X∈B)。
那么随机试验的任一随机事件的概率也就完全确定了。
所以我们只须求出随机变量X的分布P(X∈B)。
就对随机试验进行了全面的刻画。
它的研究成了概率论的研究中心课题。
故而随机变量的引入是概率论发展历史中的一个重要里程碑。
类似地，概率公理化定义的引进，分布函数、离散型和连续型随机变量的分类，随机变量的数学特征等概念的引进都有明确的背景，在学习中要深入理解体会。
? 2. 在学习“概率论”过程中对于引入概念的内涵和相互间的联系和差异要仔细推敲，例如随机变量概念的内涵有哪些意义：它是一个从样本空间到实轴的单值实函数X(w)，但它不同于一般的函数，首先它的定义域是样本空间，不同随机试验有不同的样本空间。
而它的取值是不确定的， 随着试验结果的不同可取不同值，但是它取某一区间的概率又能根据随机试验予以确定的，而我们关心的通常只是它的取值范围，即对于实轴上任一B，计算概率P(X∈B)，即随机变量X的分布。
只有理解了随机变量的内涵，下面的概念如分布函数等等才能真正理解。
又如随机事件的互不相容和相互独立两个概念通常会混淆，前者是事件的运算性质，后者是事件的概率性质，但它们又有一定联系，如果P(A)。
P(B)＞0，则A，B独立则一定相容。
类似地，如随机变量的独立和不相关等概念的联系与差异一定要真正搞懂。
? 3. 搞懂了概率论中的各个概念，一般具体的计算都是不难的，如F(x)=P(X≤x)，EX，DX等按定义都易求得。
计算中的难点有古典概型和几何概型的概率计算，二维随机变量的边缘分布fx(x)=∫-∞∞ f(x，y)dy，事件B的概率P((X，Y)∈B)=∫∫Bf(x，y)dxdy，卷积公式等的计算，它们形式上很简单，但是由于f(x，y)通常是分段函数，真正的积分限并不再是(-∞，∞)或B，这时如何正确确定事实上的积分限就成了正确解题的关键，要切实掌握。
? 4. 概率论中也有许多习题，在解题过程中不要为解题而解题，而应理解题目所涉及的概念及解题的目的，至于具体计算中的某些技巧基本上在高等数学中都已学过。
因此概率论学习的关键不在于做许多习题，而要把精力放在理解不同题型涉及的概念及解题的思路上去。
这样往往能“事半功倍”。
二、 学习“数理统计”要注意以下几个要点? 1. 由于数理统计是一门实用性极强的学科，在学习中要紧扣它的实际背景，理解统计方法的直观含义。
了解数理统计能解决那些实际问题。
对如何处理抽样数据，并根据处理的结果作出合理的统计推断，该结论的可靠性有多少要有一个总体的思维框架，这样，学起来就不会枯燥而且容易记忆。
例如估计未知分布的数学期望，就要考虑到① 如何寻求合适的估计量的途径，②如何比较多个估计量的优劣
这样，针对①按不同的统计思想可推出矩估计和极大似然估计，而针对②又可分为无偏估计、有效估计、相合估计，因为不同的估计名称有着不同的含义，一个具体估计量可以满足上面的每一个，也可能不满足。
掌握了寻求估计的统计思想，具体寻求估计的步骤往往是“套路子”的，并不困难，然而如果没有从根本上理解，仅死背套路子往往会出现各种错误。
? 2. 许多同学在学习数理统计过程中往往抱怨公式太多，置信区间，假设检验表格多而且记不住。
事实上概括起来只有八个公式需要记忆，而且它们之间有着紧密联系，并不难记，而区间估计和假设检验中只是这八个公式的不同运用而已，关键在于理解区间估计和假设检验的统计意义，在理解基础上灵活运用这八个公式，完全没有必要死记硬背。
更多信息请访问：新浪自考频道 自考论坛 自考博客圈 特别说明：由于各方面情况的不断调整与变化，新浪网所提供的所有考试信息仅供参考，敬请考生以权威部门公布的正式信息为准。
哈工大概率论与数理统计学习心得
概与数理统计学习心得学完《概率论与数理统计》这门课程，了解掌握些的基础知识与方法，并对该学科有了更加深刻的认识，实在是获益匪浅。
本文围绕概率论发展、对本课程学习的一些想法、个人感悟与收获等方面对本课程学习过程中的一些心得体会进行了简单的总结。
一、概率论与数理统计发展简史概率是与人们的日常生产生活联系十分紧密的一门学科。
因此自人类文明发端以来，概率这个概念就已被人们有意无意地渗透到了日常生活中。
人们常说估计如何如何，这里的“估计”包含着概率的含义，只不过在大多数人那里“概率”没有形成独立的知识体系，人们只是根据生活经验对他进行简单地应用而已。
随着技术革命带来的科技的飞速发展，概率论才逐渐形成一套完备的知识体系。
数理统计是在概率论的基础上发展起来的，因此发展时间也稍微晚些。
顾名思义，概率论是一门研究事情发生的可能性大小的学问。
对概率论的研究始于意大利的文艺复兴的赌场中人们要求找到掷骰子决定胜负的规则。
随着18、19世纪科学的进步，游戏起源的概率论被应用到这些领域中，这也大大推动了概率论本身的发展。
后来，瑞士数学家伯努利建立了概率论中第一个极限定理，即伯努利大数定律，阐明了事件的频率稳定于它的概率。
这标志着概率论成为了数学的一个分支。
随后法国数学家棣莫弗和拉普拉斯又导出了中心极限定理的原始形式。
之后，拉普拉斯在系统总结前人工作的基础上写出了《分析的概率理论》，明确给出了概率的古典
概率论与数理统计的公式及定义总结
概率论与统计是考研数学组成部分。
概率论与数理统计非常强基念、定理、公式的深入理解。
重要基本知识要点如下： 一、考点分析 1.随机事件和概率，包括样本空间与随机事件；概率的定义与性质（含古典概型、几何概型、加法公式）；条件概率与概率的乘法公式；事件之间的关系与运算（含事件的独立性）；全概公式与贝叶斯公式；伯努利概型。
2.随机变量及其概率分布，包括随机变量的概念及分类；离散型随机变量概率分布及其性质；连续型随机变量概率密度及其性质；随机变量分布函数及其性质；常见分布；随机变量函数的分布。
3.二维随机变量及其概率分布，包括多维随机变量的概念及分类；二维离散型随机变量联合概率分布及其性质；二维连续型随机变量联合概率密度及其性质；二维随机变量联合分布函数及其性质；二维随机变量的边缘分布和条件分布；随机变量的独立性；两个随机变量的简单函数的分布。
4.随机变量的数字特征，随机变量的数字期望的概念与性质；随机变量的方差的概念与性质；常见分布的数字期望与方差；随机变量矩、协方差和相关系数。
5.大数定律和中心极限定理，以及切比雪夫不等式。
6.数理统计基本概念，包括总体与样本；样本函数与统计量；样本分布函数和样本矩。
7.参数估计，包括点估计；估计量的优良性；区间估计。
8.假设检验，包括假设检验的基本概念；单正态总体和双正态总体的均值和方差的假设检验。
二、解题思路 1.如果要求的是若干事件中“至少”有一个发生的概率，则马上联想到概率加法公式；当事件组相互独立时，用对立事件的概率公式。
2.若给出的试验可分解成（0－1）的n重独立重复试验，则马上联想到Bernoulli试验，及其概率计算公式。
3.若某事件是伴随着一个完备事件组的发生而发生，则马上联想到该事件的发生概率是用全概率公式计算。
关键：寻找完备事件组。
4.若题设中给出随机变量X~N则马上联想到标准化~N（0，1）来处理有关问题。
5.求二维随机变量（X，Y）的边缘分布密度的问题，应该马上联想到先画出使联合分布密度的区域，然后定出X的变化区间，再在该区间内画一条\\\/\\\/y轴的直线，先与区域边界相交的为y的下限，后者为上限，而的求法类似。
6.欲求二维随机变量（X，Y）满足条件Y≥g（X）或（Y≤g（X））的概率，应该马上联想到二重积分的计算，其积分域D是由联合密度的平面区域及满足Y≥g（X）或（Y≤g（X））的区域的公共部分。
7.涉及n次试验某事件发生的次数X的数字特征的问题，马上要联想到对X作（0－1）分解。
即令 8.凡求解各概率分布已知的若干个独立随机变量组成的系统满足某种关系的概率（或已知概率求随机变量个数）的问题，马上联想到用中心极限定理处理。
9.若为总体X的一组简单随机样本，则凡是涉及到统计量的分布问题，一般联想到用分布，t分布和F分布的定义进行讨论。
概率论与数理统计的公式及定义总结
概率论与统计是考研数学组成部分。
概率论与数理统计非常强基念、定理、公式的深入理解。
重要基本知识要点如下： 一、考点分析 1.随机事件和概率，包括样本空间与随机事件；概率的定义与性质（含古典概型、几何概型、加法公式）；条件概率与概率的乘法公式；事件之间的关系与运算（含事件的独立性）；全概公式与贝叶斯公式；伯努利概型。
2.随机变量及其概率分布，包括随机变量的概念及分类；离散型随机变量概率分布及其性质；连续型随机变量概率密度及其性质；随机变量分布函数及其性质；常见分布；随机变量函数的分布。
3.二维随机变量及其概率分布，包括多维随机变量的概念及分类；二维离散型随机变量联合概率分布及其性质；二维连续型随机变量联合概率密度及其性质；二维随机变量联合分布函数及其性质；二维随机变量的边缘分布和条件分布；随机变量的独立性；两个随机变量的简单函数的分布。
4.随机变量的数字特征，随机变量的数字期望的概念与性质；随机变量的方差的概念与性质；常见分布的数字期望与方差；随机变量矩、协方差和相关系数。
5.大数定律和中心极限定理，以及切比雪夫不等式。
6.数理统计基本概念，包括总体与样本；样本函数与统计量；样本分布函数和样本矩。
7.参数估计，包括点估计；估计量的优良性；区间估计。
8.假设检验，包括假设检验的基本概念；单正态总体和双正态总体的均值和方差的假设检验。
二、解题思路 1.如果要求的是若干事件中“至少”有一个发生的概率，则马上联想到概率加法公式；当事件组相互独立时，用对立事件的概率公式。
2.若给出的试验可分解成（0－1）的n重独立重复试验，则马上联想到Bernoulli试验，及其概率计算公式。
3.若某事件是伴随着一个完备事件组的发生而发生，则马上联想到该事件的发生概率是用全概率公式计算。
关键：寻找完备事件组。
4.若题设中给出随机变量X~N则马上联想到标准化~N（0，1）来处理有关问题。
5.求二维随机变量（X，Y）的边缘分布密度的问题，应该马上联想到先画出使联合分布密度的区域，然后定出X的变化区间，再在该区间内画一条\\\/\\\/y轴的直线，先与区域边界相交的为y的下限，后者为上限，而的求法类似。
6.欲求二维随机变量（X，Y）满足条件Y≥g（X）或（Y≤g（X））的概率，应该马上联想到二重积分的计算，其积分域D是由联合密度的平面区域及满足Y≥g（X）或（Y≤g（X））的区域的公共部分。
7.涉及n次试验某事件发生的次数X的数字特征的问题，马上要联想到对X作（0－1）分解。
即令 8.凡求解各概率分布已知的若干个独立随机变量组成的系统满足某种关系的概率（或已知概率求随机变量个数）的问题，马上联想到用中心极限定理处理。
9.若为总体X的一组简单随机样本，则凡是涉及到统计量的分布问题，一般联想到用分布，t分布和F分布的定义进行讨论。
哈工大概率论与数理统计学习心得
概与数理统计学习心得学完《概率论与数理统计》这门课程，了解掌握些的基础知识与方法，并对该学科有了更加深刻的认识，实在是获益匪浅。
本文围绕概率论发展、对本课程学习的一些想法、个人感悟与收获等方面对本课程学习过程中的一些心得体会进行了简单的总结。
一、概率论与数理统计发展简史概率是与人们的日常生产生活联系十分紧密的一门学科。
因此自人类文明发端以来，概率这个概念就已被人们有意无意地渗透到了日常生活中。
人们常说估计如何如何，这里的“估计”包含着概率的含义，只不过在大多数人那里“概率”没有形成独立的知识体系，人们只是根据生活经验对他进行简单地应用而已。
随着技术革命带来的科技的飞速发展，概率论才逐渐形成一套完备的知识体系。
数理统计是在概率论的基础上发展起来的，因此发展时间也稍微晚些。
顾名思义，概率论是一门研究事情发生的可能性大小的学问。
对概率论的研究始于意大利的文艺复兴的赌场中人们要求找到掷骰子决定胜负的规则。
随着18、19世纪科学的进步，游戏起源的概率论被应用到这些领域中，这也大大推动了概率论本身的发展。
后来，瑞士数学家伯努利建立了概率论中第一个极限定理，即伯努利大数定律，阐明了事件的频率稳定于它的概率。
这标志着概率论成为了数学的一个分支。
随后法国数学家棣莫弗和拉普拉斯又导出了中心极限定理的原始形式。
之后，拉普拉斯在系统总结前人工作的基础上写出了《分析的概率理论》，明确给出了概率的古典
从概率论与数理统计感悟什么
大学上概率论课，我就很纳闷：这1％的概率和99％的概率有区别吗
打一个比方：有四张彩票供三个人抽取，其中只有一张彩票有奖。
第一个人去抽，他的中奖概率是25％，结果没抽到。
第二个人看了，心里有些踏实了，他中奖的概率是33％，可结果他也没抽到。
第三个人心里此时乐开了花，一来其他的人都失败了，觉得自己很幸运。
二来自己中奖的机率高达50％。
可结果他同样没中奖。
由此看来，概率的大小只是在效果上有所不同，很大的概率给人的安慰感更为强烈。
但在实质上却没有区别，每个人中奖的概率都是50％，即中奖与不中奖。
同样的道理，对于个人而言，在生活中要成功做好一件事的概率是没有大小之分的，只有成功或失败之分。
但这概率的大小却很能影响人做事的心态。
人们常说：“希望越大，失望越大”，此话并不无道理。
希望越大，成功的概率就越大，由此而麻痹了人的心态——以为如此大的概率也是自己能够成功的筹码，这样在思想和行为上就会有所懈怠。
自以为十拿九稳的事，到头来却把事情弄砸了。
这并不奇怪，因为所谓的“概率大”已逐渐由“希望”转移到“失望”上面了。
一说到把这件事做好的概率微乎其微，做事的人难免心灰意冷，因为觉得机会渺茫。
因此而丧失了克服困难的意志，觉得事情做不好那是理所当然。
如果说概率有大小之分，那应该不是针对个体而言，而是从一个群体出发，因为不同的人有不同的信念，有不同的做事方法。
把地球给撬起来，这在大多数人眼里是绝对不可能的。
但在牛人亚里士多德眼里，他觉得成功做这事的概率那是100％——绝对没问题，只要你给他一个支点和足够长的杠杆。
就像前面提到的抽奖一样，25％、33％和50％这些概率只不过是外界针对这个群体给出的。
25％的机率同样能中奖，50％的机率也会不中奖，对于抽奖者个人而言，没有概率大小之分，只有中与不中之分。
别人说做这件事相当容易，切莫掉以轻心，也许你做这件事会相当困难。
大家都说做这件事相当困难，切莫心灰意冷，也许你做这件事能如鱼得水。
成功与否，不在概率大小，而在于自己能否清楚地认识自己：容易的事自己是否具有做这件事必备的素质，困难的事自己是否有克服这个困难的潜质。
总之，在自己没做一件事之前，不要在外界评价的“容易”和“困难”之间对号入座。
要对自己有个清楚的认识，不要膨胀了“自信”，更不要埋没了自己的“潜质”。
不要被“绝对有希望”所蒙蔽，也不要被“希望渺茫”所打垮。
记住：生活中的概率有且仅有一个数值，那就是50％。
概率论与数理统计怎么学
好难
“概率论与数理统计”是理工科大学生的一门必修课程，由于该学科与生活实践和科学试验有着紧密的联系，是许多新发展的前沿学科（如控制论、信息论、可靠性理论、人工智能等）的基础，因此学好这一学科是十分重要的。
1. 在学习“概率论”的过程中要抓住对概念的引入和背景的理解，例如为什么要引进“随机变量”这一概念。
2. 在学习“概率论”过程中对于引入概念的内涵和相互间的联系和差异要仔细推敲。
3. 搞懂了概率论中的各个概念。
在学习中要紧扣它的实际背景，理解统计方法的直观含义。
了解数理统计能解决那些实际问题。
对如何处理抽样数据，并根据处理的结果作出合理的统计推断，该结论的可靠性有多少要有一个总体的思维框架，这样，学起来就不会枯燥而且容易记忆。
概率论与数理统计需要高等数学哪些知识,谁能细细的总结一下。
我高数什么都不会正在重修
要用到定积分，不定积分，求边缘分布什么的。
其他就是概率论的知识了
