资源介绍
视频数量：16个
总时长：3小时20分
课程介绍：
随机过程入门指南
你有没有想过，掷骰子的时候为什么六点出现的概率是六分之一？天气预报说降水概率七成到底意味着什么？股票明天的涨跌，真的完全无法预测吗？这些问题看似简单，背后却藏着数学世界里最迷人的一个分支，也就是随机过程。它不追求确定的答案，而是教会我们如何与不确定性打交道，从中发现规律、做出判断。
这门课就是为想要踏入随机过程大门的初学者准备的。三个多小时、十六讲内容，从最基础的随机变量概念一路讲到均值方差估算、矩的性质以及函数变换应用，循序渐进，不跳步骤，哪怕你之前没怎么接触过概率统计，也能跟得上节奏。
一、从随机变量开始，打好基础
课程的第一部分聚焦于随机变量这个核心概念。你会了解到，一个随机变量本质上是一个定义在样本空间上的实值函数，它把一次试验的可能结果映射成具体的数字。比如掷两枚硬币，样本空间里有四种基本结果，但通过随机变量，我们可以把它们对应成正面朝上的硬币数量，从而得到0、1、2这三个数字，方便后续的分析计算。视频里还会讲解值域空间的概念，让你清楚随机变量究竟能取哪些值。
二、累积分布函数：理解概率的新视角
第二部分介绍累积分布函数，也就是通常说的CDF。它描述的是随机变量小于等于某个值的概率，是概率分布的另一种表达方式。课程会讲清楚CDF的几条关键性质，比如单调不减、右连续，以及在正负无穷处的极限行为。通过两道专题习题的训练，你会学会如何从CDF中读出概率信息，解决离散型随机变量下的相关问题。
三、数学期望：衡量随机变量的中心位置
第三部分进入数学期望的学习。期望是随机变量的一个非常重要的数字特征，可以理解为平均水准。课程会分别讲解离散型和连续型随机变量的期望定义，再通过具体的题目演示计算过程。期望不是简单的算术平均，而是按照概率加权之后的平均值，这个思想是整个概率统计的基石。
四、离散与连续随机变量的实战演练
这一部分是习题训练环节，课程挑选了经典的离散型随机变量问题和连续型随机变量问题各一组，手把手带你过一遍解题思路。从离散型的概率质量函数，到连续型的概率密度函数，你会掌握如何利用归一化条件确定未知参数，如何写出分布律，如何理解积分运算在连续型问题中的作用。这些练习看似基础，却能帮你把前面的概念真正内化。
五、CDF与PDF之间的相互推导
第五部分和第六部分是姊妹内容，主题围绕CDF和PDF之间的相互转换。你会学到，当已知CDF时，如何通过求导得到PDF；当已知PDF时，如何通过积分得到CDF。这两种操作看似简单，但在实际应用中非常重要，很多概率问题都依赖于这种灵活转换。
六、均值与方差的估算
第七部分正式进入数字特征的学习。均值和方差是最常用的两个统计量，前者衡量集中趋势，后者衡量离散程度。课程会先快速回顾均值和方差的定义，再通过三组典型例题分别演练离散型和连续型随机变量下的均值方差计算。你会看到如何用期望的线性性质来简化计算，如何用方差的定义式来处理更复杂的问题。视频里还会带大家探索均值和方差的一些代数性质，比如方差的非负性、线性变换下的变换规律等。
七、矩：描述分布的指纹
第八部分介绍矩的概念。一阶原点矩就是均值，二阶原点矩是X平方的期望，方差本质上是二阶中心矩。矩的意义在于，一个随机变量的分布可以通过它所有的矩来完全刻画，这就是所谓的矩母函数或者矩生成函数的思想。课程会先讲清楚原点矩和中心矩的定义，再通过例题演示计算过程，让你对这个工具有直观的认识。
八、一维随机变量的函数变换
最后一部分讨论随机变量的函数变换问题。比如已知随机变量X的分布，如何求新变量Y作为X经过某种函数变换后的分布？这个变换在实践中非常常见，比如物理量的换算、传感器的标定，背后都用到了这个技巧。课程会先介绍一般性的方法，再给出具体的应用例子，让你掌握这种换元思维的精髓。
学完这门课，你对随机二字的理解会和之前完全不同。你会知道随机变量不是杂乱无章的，每一个分布背后都有数字特征可以刻画；你会掌握从CDF到PDF的转换技巧，能灵活处理各种概率计算题；你会理解期望、方差、矩这些概念的真正含义，而不仅仅是套用公式。更重要的是，你会建立起一种在不确定性中寻找规律的思维方式，这种思维无论将来是做数据分析、机器学习，还是工程建模，都会一直受益。
随机过程的世界远不止于此，这门课是入口，也是基础。当你把这里的内容吃透之后，再去看马尔可夫链、泊松过程、布朗运动这些更高级的主题，会觉得顺畅很多。