软考系统分析师知识点三：应用数学

前言

今年报考了11月份的软考高级：系统分析师。

考试时间为：11月9日。

倒计时：34天。

目标：优先应试，其次学习，再次实践。

复习计划第一阶段：扫平基础知识点，仅抽取有用信息，可有缺失，但得过眼。

第二章下：应用数学

这部分内容比较繁杂，仅对其概念和公式做一些总结，不对具体解法和过程做过多深入。

2.7 - 2.12

内容总结

2.7 概率论与数理统计

古典概率 ：事件发生的概率是该事件发生的次数与总试验次数的比值，公式为 P ( A ) = m n P(A) = \frac{m}{n} P(A)=nm
概率的基本性质：
- 空集的概率为0： P ( ∅ ) = 0 P(\emptyset) = 0 P(∅)=0
- 样本空间的概率为1： P ( Ω ) = 1 P(\Omega) = 1 P(Ω)=1
- 任何事件的概率介于0和1之间： 0 ≤ P ( A ) ≤ 1 0 \leq P(A) \leq 1 0≤P(A)≤1
- 事件的补概率是1减去该事件的概率： P ( A ˉ ) = 1 − P ( A ) P(\bar{A}) = 1 - P(A) P(Aˉ)=1−P(A)
- 事件A不包含B的概率等于A的概率减去A与B交集的概率： P ( A − B ) = P ( A ) − P ( A ∩ B ) P(A - B) = P(A) - P(A \cap B) P(A−B)=P(A)−P(A∩B)
- 如果B是A的子集，则A减去B的概率等于A的概率减去B的概率： P ( A − B ) = P ( A ) − P ( B ) P(A - B) = P(A) - P(B) P(A−B)=P(A)−P(B)
条件概率与独立性：
- 条件概率是在事件A发生的条件下事件B发生的概率： P ( B ∣ A ) = P ( A ∩ B ) P ( A ) P(B|A) = \frac{P(A \cap B)}{P(A)} P(B∣A)=P(A)P(A∩B)
- 两个事件独立意味着它们同时发生的概率等于各自发生概率的乘积： P ( A ∩ B ) = P ( A ) P ( B ) P(A \cap B) = P(A)P(B) P(A∩B)=P(A)P(B)
全概率公式 ：用于计算事件A发生的概率，通过将样本空间划分为几个互斥事件并利用条件概率计算： P ( A ) = ∑ i = 1 n P ( B i ) P ( A ∣ B i ) P(A) = \sum_{i=1}^n P(B_i)P(A|B_i) P(A)=i=1∑nP(Bi)P(A∣Bi)
贝叶斯公式 ：用于在已知某些条件下事件发生概率的情况下，反过来计算事件发生后某些条件成立的概率： P ( B k ∣ A ) = P ( B k ) P ( A ∣ B k ) P ( A ) P(B_k|A) = \frac{P(B_k)P(A|B_k)}{P(A)} P(Bk∣A)=P(A)P(Bk)P(A∣Bk)
伯努利二项概率公式 ：描述了在固定次数的独立实验中，成功k次的概率： P n ( k ) = C n k p k ( 1 − p ) n − k P_n(k) = C_n^k p^k (1-p)^{n-k} Pn(k)=Cnkpk(1−p)n−k
随机变量及其分布：
- 离散型随机变量 ：每个可能的取值对应一个概率： p k = P ( ξ = x k ) p_k = P(\xi = x_k) pk=P(ξ=xk)
- 连续型随机变量 ：概率分布由密度函数描述，分布函数给出了随机变量小于等于某值的概率：概率密度函数 p(x) ，分布函数 F ( x ) = P ( ξ ≤ x ) F(x) = P(\xi \leq x) F(x)=P(ξ≤x)
数字特征：
- 数学期望 ：随机变量的平均值或中心点： E ξ = ∑ k x k p k E\xi = \sum_k x_k p_k Eξ=k∑xkpk（离散型）或 ∫ x p ( x ) d x \int x p(x) dx ∫xp(x)dx（连续型）。
- 方差：衡量随机变量取值分散程度的度量： D ξ = E ( ξ 2 ) − ( E ξ ) 2 D\xi = E(\xi^2) - (E\xi)^2 Dξ=E(ξ2)−(Eξ)2
常用分布：
- 0-1分布 ：只有两种可能结果的随机试验，成功的概率为 p ： p k = ( 1 − p , p ) p ：p_k = (1-p, p) p：pk=(1−p,p)
- 二项分布 ：重复n次的伯努利试验中成功k次的概率： p k = C n k p k ( 1 − p ) n − k p_k = C_n^k p^k (1-p)^{n-k} pk=Cnkpk(1−p)n−k
- 泊松分布 ：描述稀有事件在固定时间或空间内发生次数的概率分布： P ( ξ = k ) = λ k e − λ k ! P(\xi = k) = \frac{\lambda^k e^{-\lambda}}{k!} P(ξ=k)=k!λke−λ
- 均匀分布 ：随机变量在某个区间内任意取值是等可能的： p ( x ) = 1 b − a ( 对 a ≤ x ≤ b ) p(x) = \frac{1}{b-a} (对 a \leq x \leq b ) p(x)=b−a1(对a≤x≤b)
- 标准正态分布 ：均值为0，方差为1的正态分布： ϕ ( x ) = 1 2 π e − x 2 2 \phi(x) = \frac{1}{\sqrt{2\pi}} e^{-\frac{x^2}{2}} ϕ(x)=2π 1e−2x2

2.8 图论应用

最小生成树：
- 普里姆算法：从一个顶点开始，逐步添加边以覆盖所有顶点，形成最小权重和的树。
- 克鲁斯卡尔算法：按边权重递增顺序选择边，构建最小生成树。
最短路径：
- 迪杰斯特拉算法：计算有向带权图中单个源点到其他所有顶点的最短路径，使用松弛操作更新最短路径估计。
- 弗洛伊德算法：计算图中每一对顶点间的最短路径，使用动态规划。
网络最大流量：
- 寻找从源点到汇点的最大流量，考虑容量限制和流量守恒，通常使用 Ford-Fulkerson 算法或 Edmonds-Karp 算法。

2.9 组合分析

排列组合：研究对象是排列和组合问题，以计数基本原理为前提。
计数原理：包括乘法原理和加法原理。
排列：从n个不同元素中选取r个元素考虑顺序的排列方式，记为 P n r P_n^r Pnr
组合：从n个不同元素中选取r个元素不考虑顺序的组合方式，记为 C n r C_n^r Cnr

2.10 算法的选择与应用

算法定义：为解决问题而设计的步骤和方法。
算法效率：衡量标准包括正确性、可靠性、易理解性及时间和空间复杂度。
非数值算法：用于查找、排序等操作。
数值算法：用于求解数学问题，如方程根、定积分、微分方程等。

2.10.1 非数值算法

查找算法：包括顺序查找、折半查找、分块查找、哈希查找。
排序算法：包括插入排序、选择排序、冒泡排序、快速排序、希尔排序、堆排序、归并排序、外排序。

2.10.2 数值算法

误差分析：包括模型误差、观测误差、截断误差、舍入误差、过失误差、绝对误差、相对误差。

2.11 运筹方法

2.11.1 网络计划技术

CPM: 找关键路径，优化项目工期。
PERT: 评估风险，计算期望工期。

2.11.2 线性规划

目标: 最大化或最小化目标函数。
方法: 图解法、单纯形法。

2.11.3 决策论

类型: 战略、策略、执行。
准则: 悲观、乐观、折中、后悔值。

2.11.4 对策论

要素: 局中人、策略集、赢得函数。
分类: 二人、多人、零和、非零和。

2.11.5 排队论

组成: 输入过程、排队规则、服务机构。
模型: M/M/1、D/M/c。

2.11.6 存贮论

目的: 研究原料、产品、供销存贮。
策略: (T, Q)、(s, S)、(T, s, S)。

2.12 数学建模

定义：用数学的语言和方法，通过抽象和简化，建立能近似刻画并解决实际问题的模型的过程。
建模过程：
1. 模型准备：了解问题背景，明确实际意义。
2. 模型假设：根据特征和目的进行合理简化。
3. 模型建立：利用数学工具刻画变量间的数学关系。
4. 模型求解：使用数据对模型参数进行估计。
5. 模型分析：对模型结果进行数学分析。
6. 模型检验：比较模型结果与实际情况，验证模型准确性。
7. 模型应用：根据问题性质和目的进行实际应用。
建模方法：
- 直接分析法：基于问题机理直接构造模型。
- 类比法：模仿已知模型构建新模型。
- 数据分析法：通过大量数据进行统计分析建模。
- 构想法：对可能发生情况给出合理设想，构建并修正模型。
数学模型组成：
- 目标函数：评价准则，可能包括多目标。
- 约束条件：包括等式和不等式，表示问题的局限性。
- 随机因素：表示模型中的不确定性。

不常见概念

太多，根本看不完，全部都不常见，好像又都常见

(T, Q)策略

含义 : 固定时间间隔T 补充固定数量Q的库存。
应用场景: 当需求量相对稳定且容易预测时使用。
操作: 每当库存量下降到特定水平时，就进行固定批量的补货。

(s, S)策略

含义 : 当库存水平下降到s (最低库存量)时，进行补货至S(最高库存量)。
应用场景: 需求难以预测或库存成本较高时使用。
操作: 补货不是周期性的，而是依赖于当前库存水平相对于预定的阈值。

(T, s, S)混合策略

含义 : 结合时间间隔T 和库存水平s 和S的补货策略。
应用场景: 适用于需求波动较大的情形。
操作 : 定期检查库存(周期为T )，如果库存水平低于s ，则补货至S。

M/M/1 模型

含义: 一种排队论模型，表示顾客到达和服务时间都服从指数分布（Markovian)，有一个服务台，没有排队容量限制。
参数 :
- λ (lambda): 平均到达率，即单位时间内到达的顾客数。
- μ (mu): 平均服务率，即单位时间内服务台能服务的顾客数。
应用场景: 适用于银行柜台、电话呼叫中心等场景。

D/M/c 模型

含义: 一种排队论模型，表示顾客到达时间是确定的（Deterministic），服务时间服从指数分布，有c个服务台。
参数 :
- D: 到达时间间隔为固定值。
- M: 服务时间服从指数分布。
- c: 服务台数量。
应用场景: 适用于多个服务台处理固定间隔到达的顾客，如工厂流水线、多通道收费站等。

写在最后

应用数学里面的概念、理论、内容都太多，复杂度高，可以酌情抛弃一部分。

以上均为粗看教程的总结，目的不是为了百分之百准确，而是为了过手过脑，有所印象。

但是如有发现谬误，感谢各位随时指出。

-- 欢迎点赞、关注、转发、收藏【我码玄黄】，各大平台同名。