如何使用SAS软件
SAS软件主要是是用于统计分析的工具，应用SAS程序可以采集数据点、建立数据集并分析数据。
SAS程序主要分为Data步和Proc步两大类；用Data步创建和加工数据集，用Proc步对数据集进行各类分析。
SAS软件同时也是应用于数据库的好软件。
北大数学系课程表是怎样的
北京大学数学科学学院数学与应用数学专业教学计划 校公共课程 (34学分 ) 马克思主义哲学原理（2）；马克思主义政治经济学原理（2）；思想概论（2）； 军事理论（2）；理论概论（2）；思想品德修养（2）；英语(12); 体育(4)； 计算机I-II(6)。
专业必修课程 (57学分) 数学分析 I-III(15); 高等代数 I-II(10); 几何学(5); 常微分方程(3); 实变函数(3); 复变函数(3); 概率论(4);基础物理(8) 。
限制性选修课程I 大学语文（ 4 ） 数学模型 (3) ；拓扑学 (3) ；微分几何 (3) ；抽象代数 (3) ；偏微分方程 (3) ；泛函分析 (3) 。
数理统计 (3) ；计算机 III(3) ；应用随机过程 (3) ；应用多元统计分析 (3) 。
利息理论与应用*(3); 数理统计 *(3) ；应用随机过程*(3); 金融时间序列分析(3); 统计软件（SAS）(3); 宏观经济学*(3); 微观经济学*(3); 证券投资学*(3)。
限制性选修课程II 毕业讨论、设计班 (6) 。
- 微分流形 (3) ；李群及表示 (3) ；模形式 (3) ；理论力学 (3) 。
- 泛函分析 (3) ；抽样调查 (3) ；统计计算 (3) ；测度论 (3) ；应用时间序列分析 (3) ； 应用回归分析 (3) 。
- 常微与动力系统*（3); 应用多元统计分析(3); 偏微分方程(3); 数学模型(3); 公司财务(3); 国际金融(3); 寿险精算(3); 期权期货与其它衍生证券**(3)。
任选课程 初等数论 (3) ；黎曼面 (3) ；黎曼几何 (3) ；组合数学 (3) ；有限群 (3) ；运筹学 (3) ； 整体微分几何 (3) ；代数拓扑初步 (3) ；密码学 (3) ；数学软件 (3) ；群表示论 (3) ； 偏微分方程选讲 (3) ；常微分方程选讲 (3) ；微分动力系统 (3); 调和分析选讲 (3); 数学史（ 3 ）。
- 统计软件（SAS）(3); 非参数统计(3)；稳健统计分析(3)；实验设计与质量管理(3)； 数学模型 (3) ；拓扑学 (3) ；微分几何 (3) ；运筹学 (3) ；偏微分方程 (3) ；数学软件 (3) ； 模拟与Monte-Carlo方法(3); 组合数学 (3) ；微分流形 (3) ；寿险精算(4); 抽象代数 (3) ；保险统计学(3); 利息理论与应用(3); 初等数论 (3) ；; - 金融风险分析 **(3); 经济数据建模与预测(3); 非寿险精算**(3); 计算机III(3); 生命表构造理论(3); 保险精算案例分析 **(3); 保险统计学(3);风险理论 **(3); 保险经济学 **(3); 计量经济学(3); 实用统计方法(3); 货币银行学(3)； 模拟与Monte-Carlo方法(3); 计算方法(4); 操作系统(3); 运筹学(3); 测度论(3); 泛函分析(3); 拓扑学(3)。
金融系在经济学院和光华管理学院选修课参考目录 动态优化**(3); 财务会计(3); 金融市场与金融机构(3); 国际投资(3); 国际信贷(3); 外汇市场运作与管理(2); 西方财政(2); 再保险(2)。
432统计学和396统计学是什么 = = 我在考研论坛上看到 不清楚专业分类 求解答
所谓432学指的是应用统计硕士（专业）。
考查内容有： 一、统计学 1． 调查的组织和实施。
2． 概样与非概率抽样。
3． 数据的预处理。
4． 用图表展示定性数据。
5． 用图表展示定量数据。
6． 用统计量描述数据的水平：平均数、中位数、分位数和众数。
7． 用统计量描述数据的差异：极差、标准差、样本方差。
8． 参数估计的基本原理。
9． 一个总体参数的区间估计。
10． 样本量的确定。
11． 假设检验的基本原理。
12． 一个总体参数的假设检验。
13． 方差分析的基本原理。
14． 单因子和双因子方差分析的实现和结果解释。
15． 变量间的关系；相关关系和函数关系的差别。
16． 一元线性回归的估计和检验。
17． 用残差检验模型的假定。
18． 多元线性回归模型。
19． 多元线性回归的拟合优度和显著性检验； 20． 多重共线性现象。
21． 时间序列的组成要素。
22． 时间序列的预测方法。
二、 概率论 1． 事件及关系和运算； 2． 事件的概率； 3． 条件概率和全概公式； 4． 随机变量的定义； 5． 离散型随机变量的分布列和分布函数；离散型均匀分布、二项分布和泊松分布； 6． 连续型随机变量的概率密度函数和分布函数；均匀分布、正态分布；7． 随机变量的期望与方差 楼主说的396统计学是人大的特设联考，396经济类联考综合能力首次出现在2011年中国人民大学研究生入学考试中，中国人民大学2011年经济类联考综合能力是为了招收金融硕士、应用统计硕士、税务硕士、国际商务硕士、保险硕士及资产评估硕士而设置的具有选拔性质的联考科目，替代以往的303数学三。
在2012年研究生入学考试中，包括中国人民大学、厦门大学、吉林大学、山东大学、湖南大学、中央财经大学、对外经济贸易大学、西南财经大学等等高校均成为参加经济类专业学位综合能力考试改革的试点院校。
以上试点院校的金融硕士、应用统计硕士、税务硕士、国际商务硕士、保险硕士及资产评估硕士等经济类专业硕士专业入学考试均使用396经济类联考综合能力替代303数学三。
从长远看，教育部将逐渐扩大经济类专业学位综合能力考试的改革范围，2013年后大多数的学校经济类专业学位都将考核综合能力。
396经济类联考综合能力的考试内容包括数学、逻辑、写作三个部分。
希望对你有帮助
MATLAB数学建模与仿真的前言
学习大数据HCIE建议：HCNA预备课程（1）数通预备课（vlan概念、vlan间路由等）（2）存储预备课（RAID技术、EC技术、动态子树等）HCNP预备课程（1）Java预备课（2）数据库预备课（3）脚本预备课（4）操作系统预备课（5）软件工程预备课HCIE预备课程（1）概率论、离散数学、统计学、线性代数、高等数学（2）机器学习导论（3）数据仓库知识（4）HCNA大数据课程
参加数学建模比赛的意义
Probit回归：Probit回归全称probability unit，翻译过来叫做概率单位法，蛮拗口的一个名字。
这个回归主要用于研究半数效量用的。
直白一点说，就是比方你拿一种药去药蟑螂，你想知道你用多少药能药死多少蟑螂，那你就可以用probit回归来估计这个数。
Probit回归经常拿来和logistic回归作比较，通常对于二分类变量来说，这两个回归计算出来的概率是非常相似的。
（虽然logistic回归最后判断的是是或否，但是它也需要计算一个概率来判断这个结果倒是是还是否。
）而且如果有一点数学基础的话，会知道，这两个回归画出来的图也非常像，只是logistic回归画出来的Z型稍微平缓一些。
那么这两个回归到底有什么区别呢
通常来说区别不大。
最重要的一个区别在于probit回归适用于呈正态分布的数据，logistic回归适用于呈logistic分布的数据。
不过这个区别也蛮微妙的，因为正态分布和logistic分布还蛮像的。
所以大概来讲，到底是选择哪个分布更多的还是一种个人喜好。
但是大家都知道啊，logistic分布比probit分布可有名多了。
如果说十个从事大数据的人里边有五个人知道logistic回归，那么有三个知道probit回归就不错了。
在我们ppv课网站的spss视频教学里边，绝大部分都会讲到logistic回归，但是probit回归就不见得有人讲了。
（顺便说一句，我个人最喜欢spss从入门到精通这套课程，刚入门的时候就是听得这套课。
强烈推荐大家去听一听）。
那么这是什么原因呢
这绝不是probit不好用的原因。
主要原因有两个，第一，logistic回归形式比较多。
二分类，有序多分类，无序多分类，这些logistic回归都可以做。
这就好像我们ppv课网站提供了spss，sas，r，matlab，hadoop等等视频，你可以从零基础学到精通级别，肯定比较受欢迎哈。
第二，则归功于logistic回归的易解释性。
Logistic回归提供了一个很重要的参数，OR值，这个值很直接的告诉你处于某个状态比处于另一个状态时因变量发生的概率增加了多少倍。
这当然是一个很重要很直观的参数啦。
就好像你每学一段时间以后，我们ppv课网站告诉你你的知识积累比之前增加了多少倍多少倍，这个肯定很重要撒。
因此呢，logistic回归就比probit回归应用的广泛了。
不过这并不是说logistic回归就比probit回归好。
实际上，两种回归拟合的方程几乎一样好。
不过，再怎么几乎一样，那也肯定是有所不同的。
可惜这种不同用你的肉眼一般是看不出来的，至于怎么看，下边在讲。
好了，现在大概就介绍完probit回归的背景知识了（绝对没有凑字数）。
现在我们开始操作。
首先假设一个情景，假设我们ppv课网站打算增加一定的课程，达到收视率增加百分之二十的目的，我们就有了三个变量，课程增加的数目（假设分为3,6,9三个水平），各个增加水平的课程数（比方加3节课，6节课，9节课的都是十个课程），各个水平的课程的收视率增加达到百分之二十的课程数（假设分别是3，5，6）。
（这段真的有点绕，最好读两遍保证能看懂哪个变量是表示的什么意思）。
那么我们就有了一个3*3的数据集，选择菜单分析——回归——probit，打开主面板，响应频率里选我们各个水平收视率增加达到百分之二十的课程数（也就是我们做实验的课程里边有多少课程成功达到了收视率增加的目标），观测值汇总里边选择各个增加水平的总课程数，再下边有一个因子，一个协变量。
我们的自变量课程增加的水平是三节课一个台阶，所以我们要选到协变量里边去哈。
（如果你的自变量是连续型变量，那你就得在因子下边的那个定义范围里边选好范围。
）此外协变量下边有一个转换下拉菜单，这个菜单有三种方法，除了“无”以外，还有两种对数转换，你可以试试，你的数据到底怎么转换效果最好。
完了以后，在左下边还有一个模型：概率\\\/logit，这个单选框里默认的是概率。
也就是默认数据分布是正态的。
这个也不用管它。
然后点开选项，勾选频率，信仰置信区间，继续，确定。
然后就可以看结果了。
参数值和卡方检验这两个表会告诉你这个模型有没有意义，适不适合用probit回归（如果想和logistic回归作比较，就可以用这里的拟合度检验检测）。
此外置信限度这个很大的表会告诉你假如你想要你的课程收视率增加的概率是百分之八十的时候，你的课程要增加多少节课这么个数据。
它大概是以百分之五为精度的。
那如果我想知道增加百分之八十三，需要加多少节课的话，那么我们就要用参数估计值里的参数进行计算了。
非线性回归自然界中既然有线性回归，那么理所当然的，也会有非线性回归。
不过，人类对于非线性回归的研究远远不如对线性回归的研究来的深刻，广泛。
不信你看一看你的spss教科书，线性回归的内容可以洋洋洒洒写一章，非线性回归确占一小节，还往往是比较薄的一节。
线性回归指的是y=a+a1*x1+a2*x2…这种形式的方程，非线性回归包含的方程类型就多得多了。
常见的有，幂函数，指数函数，双曲函数，对数函数等等。
我们先举个例子。
假设想拟合ppv课授课老师的数目和网站受欢迎程度的关系。
选择分析——回归——非线性。
打开主对话框。
因变量选择网站受欢迎程度，模型表达式需要自己编辑。
（我就挺怵这个的），首先我们知道，我们肯定不可能看一眼就看出我们的数据是什么样子的模型，我们可以通过图形——图表构建程序里边，画出散点图，通过散点图大致判断我们的模型符合什么样的方程，然后在进一步使用（或者直接使用）参数估计法（前面讲过的），估计出它的表达式。
估计出表达式以后，就可以编辑模型表达式了。
编辑好以后看左下角的参数那一栏。
你的模型里边的参数是需要首先定义一个初始值的。
这个初始值要尽量靠近真实值，如果离真实值太远的话，也会影响到模型的准确度。
看到这里，可能你要发脾气了，这是个什么模型
怎么这么麻烦要是我知道模型，知道初始值，那我还需要做分析吗啊唉，我也没办法，非线性回归就是这么个玩意，总之你还是拿起你的笔，根据你的模型代几组数据算一算大概的初始值吧。
毕竟为了最后的精度嘛。
输好初始值以后，打开保存对话框，勾选预测值，残差。
继续，其他的默认就可以。
点确定。
输出的参数估计值会给出参数，套到你的模型里就可以。
注意看方差分析表下边的标注，里边会给出决定系数R^2，这个R^2通常比参数估计法里的大，也就是说，非线性回归的精度往往比参数估计法的大，模型拟合的好。
（废话，要是非线性回归一点优势也没有，还有谁肯研究啊。
）上边只是简单介绍了一点非线性回归的方法。
实际生活中，非线性回归比线性回归远远复杂的多，不是一句两句就能说清楚的，此外，还有一种很普遍的办法是通过数学公式把非线性方程转化成线性方程。
这样就能大大降低方程的复杂性。
在这里，给大家总结了几个常见的公式。
关于数学
造成这个问题的因素有很多，但从你上面说的来看起根本原因可能是你太“勤奋”了。
其实中国初中课程里的大多数科目都必须花费大量的时间去死记硬背。
哪怕物理、化学都有不少需要学生去强记的东西。
从而让部分学生甚至是部分老师走入误区，一味的让学生去强记书上的内容，而忽略了理解的重要性。
而数学几何最忌死记公式，硬套公式。
从你上面所说可以看出你其他科目应该较理想，说明你够勤奋。
“虽然到最后基本都可以做出来”说明你“反应”不够灵活。
之所以反应不够灵活是因为你掌握了书上的内容，但没有完全理解。
造成做题时不能熟练运用所学的知识，“反应”不灵活，而非你“头脑不灵活”。
其实解决方法很简单： 1、要了解数学几何里每个公式是如何推演出来的，只有真的理解了才能灵活运用，发散思维。
2、学会“偷懒”；初中的数学几何题往往有好几种解题方法，每次解题时多花点时间，找出最简单的解题方法。
熟练后即能缩短解题时间，增加解题方法，还能训练思维反应。
总之，学数学、物理等学科重在理解与运用。
