2023成都信息工程大学应用数学学院应用统计专硕复试科目为统计学综合二，下面是小编整理的统计学综合二考试大纲的详细信息，一起来了解一下吧！
一、科目的总体要求
理解概率论、统计学的基本概念，熟练掌握基本理论和基本方法；掌握处理随机现象的基本思想和方法，能运用概率统计方法分析和思考解决实际问题；理解掌握统计学习方法的基本概念，掌握统计学习方法的基本算法，具有运用统计学习方法分析数据和解释数据的基本能力。
二、考核内容与考核要求
《人工智能基础》共包含2个部分的内容：《概率论与数理统计》、《统计学习方法》，所占分值为6：4。
（一）第一部分《概率论与数理统计》
1、随机事件和概率
（1）了解样本空间的概念，理解随机事件的概念，掌握事件的关系及运算.
（2）理解概率、条件概率的概念，掌握概率的基本性质，会计算古典型概率和几何型概率，掌握概率的加法公式、减法公式、乘法公式、全概率公式以及贝叶斯(Bayes)公式.
（3）理解事件独立性的概念，掌握用事件独立性进行概率计算;理解独立重复试验的概念，掌握计算有关事件概率的方法.
2、随机变量及其分布
（1）理解随机变量的概念，理解分布函数的概念及性质，会计算与随机变量相联系的事件的概率.
（2）理解离散型随机变量及其概率分布的概念，掌握0-1分布、二项分布、几何分布、超几何分布、泊松(Poisson)分布及其应用.
（3）理解连续型随机变量及其概率密度的概念，掌握均匀分布、正态分布、指数分布及其应用.
（4）会求随机变量函数的分布.
3、多维随机变量及其分布
（1）理解多维随机变量的概念，理解多维随机变量的分布的概念和性质，理解二维离散型随机变量的概率分布、边缘分布和条件分布，理解二维连续型随机变量的概率密度、边缘密度和条件密度，会求与二维随机变量相关事件的概率.
（2）理解随机变量的独立性及不相关性的概念，掌握随机变量相互独立的条件.
（3）掌握二维均匀分布，了解二维正态分布的概率密度，理解其中参数的概率意义.
（4）会求两个随机变量简单函数的分布，会求多个相互独立随机变量简单函数的分布.
4、随机变量的数字特征
（1）理解随机变量数字特征(数学期望、方差、标准差、矩、协方差、相关系数)的概念，掌握数字特征的计算和性质，并掌握常用分布的数字特征.
（2）会求随机变量函数的数学期望.
5、大数定律和中心极限定理
（1）了解切比雪夫不等式.
（2）了解切比雪夫大数定律、伯努利大数定律和辛钦大数定律(独立同分布随机变量序列的大数定律).
（3）了解棣莫弗-拉普拉斯定理(二项分布以正态分布为极限分布)和列维-林德伯格定理(独立同分布随机变量序列的中心极限定理).
6、数理统计的基本概念
（1）理解总体、简单随机样本、统计量、样本均值、样本方差及样本矩的概念.
（2）了解分布、分布和分布的概念及性质，了解上侧分位数的概念并会查表计算.
（3）了解正态总体的常用抽样分布.
7、参数估计
（1）理解参数的点估计、估计量与估计值的概念.
（2）掌握矩估计法(一阶矩、二阶矩)和最大似然估计法.
（3）了解估计量的无偏性、有效性(最小方差性)和一致性(相合性)的概念，并会验证估计量的无偏性.
（4）理解区间估计的概念，会求单个正态总体的均值和方差的置信区间，会求两个正态总体的均值差和方差比的置信区间.
8、假设检验
（1）理解显著性检验的基本思想，掌握假设检验的基本步骤，了解假设检验可能产生的两类错误.
（2）掌握单个及两个正态总体的均值和方差的假设检验.
（二）第二部分《统计学习方法》
1.统计学习的特点、对象、目的、方法和研究
2.监督学习：基本概念、问题形式
3.统计学习三要素：模型、策略、算法
4.误差与模型评估
5.过拟合与模型选择
6.正则化与交叉验证
7.泛化能力
8.生成模型与判别模型
9.分类问题、标注问题与回归问题
10.感知机：适用条件、输入输出、模型、策略、算法及其对偶形式
11.k近邻法：适用条件、输入输出、模型、策略、算法
12.朴素贝叶斯法：适用条件、前验概率、后验概率、模型、策略、算法
13.决策树：适用条件、模型、学习过程（特征选择、决策树生成、决策树修剪）、算法（ID3、C4.5、CART）
14.逻辑斯谛回归模型
三、题型结构
考试包含题型：计算题、简答题、应用题等。
四、参考书目
《概率论与数理统计》第三版，浙江大学编，高等教育出版社
《统计学习方法》第二版，李航著，清华大学出版社
本文内容整理于成都信息工程大学研究生处。
关于2023成都信息工程大学应用统计专硕复试科目的内容，小编就给大家简单介绍到这里了。如果还有其他考研考试相关内容想要了解的，就请登录高顿考研频道看看吧。
小编为2024考研的小伙伴们准备了丰富的学习资料，点击下方蓝色图片即可领取哦~
写评论
