应用统计-概率论-马尔科夫链

从离散状态跳到连续轨迹：这门课帮你补齐随机过程的“后半程”

很多同学在备考数据科学或转岗算法时，只停留在机器学习调参的层面，遇到时间序列预测、排队论、强化学习中的状态转移时，发现数学底座全是漏的。大家往往知道什么是条件概率，但面对“下一步状态只取决于当前状态”这种核心假设时，容易混淆离散与连续的边界。这门应用统计课程专门针对这个缺口设计，它没有泛泛地讲大道理，而是从概率母函数和随机过程的基本概念切入，一路推导到马尔科夫链的状态分类、平稳分布，最后延伸到泊松过程和连续时间马尔科夫链。它的核心价值在于，帮你把碎片化的概率论知识串联成一套处理动态系统的思维框架，让你不仅会算期望方差，更能理解系统随时间演化的内在逻辑。

建议先看这几块：打通随机游走与状态转移的关键路径

对于基础薄弱的同学，不要一上来就啃复杂的连续时间模型。建议优先精读前三章：先通过先导课复习概率基础公式，确保条件概率和全概率公式不过关的问题被修复；接着重点理解概率母函数的性质和随机和，这是推导分布的工具；最关键的是第三、四章，务必搞懂随机游走、分支过程以及马尔科夫链的初始概率向量和状态分类。特别是马尔可夫链的平稳分布，它是后续所有分析的基础。第五、六章的泊松过程和布朗运动属于进阶内容，适合在掌握离散转移矩阵后作为拓展阅读。如果时间紧张，可以先跳过部分证明，重点关注物理意义和实际应用场景，比如排队系统中的到达过程，这样能更快建立直观感受。

学完能做什么：用数学工具独立建模动态系统

完成本课程后，你应该能够独立回答这类问题：给定一个系统当前的状态，如何预测其未来的概率分布？如何判断一个马尔科夫链是否具有遍历性，并求出其长期稳定状态？面对 arrive-depart 类型的队列场景，如何构建泊松过程模型？在实际工作或高阶考试中，这意味着你具备了处理强化学习策略评估、金融期权定价基础以及网络流量建模的数学能力。资料包中的视频按模块切片非常清晰，建议配合课后手动推导几次转移矩阵的特征值分解，而不是只看答案。只有亲手算过平稳分布方程，才能真正内化这套方法，避免在遇到变体题目时手足无措。