本章是软考系统分析师考试的基础计算与工程素养模块，属于第一篇「基础知识」的核心章节，整体以上午综合知识单选题为主要考察形式，分值通常在 2-4 分（2-3 道选择题），其中图论、决策论的计算类考点也可能出现在下午案例分析的小型计算题中。全书将本章分为 5 大模块：数学统计基础、图论应用、预测与决策、数学建模、工程伦理，整体偏向工具性与方法论，是后续系统规划、方案优化、可行性分析的数学支撑。
一、本章主要内容详解
2.1 数学统计基础
本小节是系统分析量化工作的理论基础，核心围绕「概率 - 分布 - 统计 - 分析」展开，为数据研判、风险评估、预测建模提供底层数学依据。
2.1.1 概率论基础
随机事件与概率
核心概念：随机事件、样本空间、概率的公理化定义（非负性、规范性、可列可加性）。
基本运算：事件的交、并、差、对立，以及对应的概率运算规则。
条件概率与事件独立性
条件概率公式：\(P(A|B) = \frac{P(AB)}{P(B)}\)，描述事件 B 发生前提下事件 A 发生的概率。
事件独立：若\(P(AB)=P(A)P(B)\)，则 A、B 相互独立，即一方发生不影响另一方的概率。
全概率公式与贝叶斯公式
全概率公式：将复杂事件的概率拆解为多个互斥简单事件的概率加权和，是「由因推果」的工具。
贝叶斯公式：\(P(H|E) = \frac{P(E|H) \cdot P(H)}{P(E)}\)，是「由果溯因」的核心公式。其中\(P(H)\)为先验概率，\(P(E|H)\)为似然度，\(P(H|E)\)为后验概率，是风险评估、故障诊断、机器学习的基础理论。
2.1.2 随机变量及其分布
将随机事件结果数值化，分为离散型与连续型两类，是量化随机现象的基础手段。
离散型随机变量：取值可一一列举，通过概率质量函数（PMF）描述分布。
常用分布：0-1 分布（伯努利分布）、二项分布（n 次独立重复试验的成功次数）、泊松分布（单位时间 / 空间内稀有事件发生次数）。
连续型随机变量：取值为连续区间，通过概率密度函数（PDF）、累积分布函数（CDF）描述。
常用分布：均匀分布、正态分布（自然界最普遍的分布，钟形曲线）、指数分布（描述事件发生的间隔时间）。
2.1.3 随机变量的数字特征
用少量数值概括分布的核心特性，是统计分析的高频工具。
数学期望（均值）：描述随机变量的平均水平，反映集中趋势。
方差与标准差：描述随机变量取值的离散程度，方差越大，数据波动越强。
补充特性：常见分布的期望与方差需对应记忆，例如正态分布\(N(\mu,\sigma^2)\)的期望为\(\mu\)、方差为\(\sigma^2\)；二项分布\(B(n,p)\)的期望为np、方差为\(np(1-p)\)。
2.1.4 常用统计分析方法
从样本数据推断总体规律，是系统分析师处理业务数据、性能指标的实用工具。
参数估计：包括点估计、区间估计，用样本特征推断总体参数。
假设检验：对总体的假设进行显著性验证，判断假设是否成立。
回归分析：研究变量间的关联关系，分为一元 / 多元、线性 / 非线性回归，用于预测与归因分析。
时间序列分析：按时间排列的数据序列，拆解趋势项、周期项、随机项，用于业务量、流量预测。
2.2 图论应用
图论是系统优化、路径规划、资源调度的核心工具，也是本章最高频的计算考点，所有知识点均以场景化计算形式考察。
2.2.1 最小生成树
核心定义：在连通带权无向图中，包含所有顶点、无回路、边权值总和最小的生成树。n 个顶点的生成树恰好有 n-1 条边。
经典算法：
普里姆（Prim）算法：从任意顶点出发，每次选择连接「已选顶点集合」与「未选顶点集合」的最小权值边，逐步扩展直到覆盖所有顶点，适合稠密图。
克鲁斯卡尔（Kruskal）算法：将所有边按权值从小到大排序，依次选边，保证不形成回路，直到连通所有顶点，适合稀疏图。
解题核心：短边优先、无环连通、全覆盖点，最终结果为所有选中边的权值之和。
2.2.2 最短路径
核心定义：带权图中两个顶点之间，边权值总和最小的路径（权值可代表距离、时间、成本等）。
经典算法：
迪杰斯特拉（Dijkstra）算法：单源最短路径，从起点出发逐层推导到各节点的最短路径，仅适用于非负权图。
弗洛伊德（Floyd）算法：多源最短路径，可一次性计算任意两点间的最短路径，基于动态规划思想。
解题核心：源点出发、逐层更新、保留当前最短路径值。
2.2.3 网络与最大流量
核心定义：在有向带容量的网络中，从源点到汇点能够传输的最大流量，属于特殊的线性规划问题，常用于物流、数据流、通信带宽等场景。
核心思想：福特 - 富尔克森方法，通过反复寻找增广路径（从源到汇仍有剩余容量的路径），每次抽取路径可承载的最大流量并扣减剩余容量，直到无新增广路径，所有流量累加即为最大流量。
解题核心：逐路取流、扣减容量、无路为止，计算时需注意反向边的残留容量处理。
2.3 预测与决策
本小节是系统分析师开展可行性分析、方案选型的核心方法论，分为「预测」与「决策」两大部分，兼具概念题与计算题考点。
2.3.1 预测
基本内涵：基于历史数据与规律，对未来状态进行预估，是系统规划、需求预判的前置工作。
预测程序：确定目标→收集资料→选择方法→建立模型→分析修正→输出结果。
预测方法分类：
定性预测：专家判断法、德尔菲法、头脑风暴法，适合数据不足的场景。
定量预测：时间序列法（移动平均、指数平滑）、回归分析法，适合数据充足、规律明确的场景。
2.3.2 决策
概念与过程：从多个备选方案中选择最优方案的过程，流程为：确定目标→拟定方案→方案评估→择优实施→反馈调整。
决策方法分类：
确定型决策：环境条件完全确定，结果唯一，典型方法为线性规划。
线性规划核心特性：可行解域由线性约束围成；唯一最优解必在可行解域顶点；新增约束只会缩小 / 不变可行解域，不会扩大；若有两个最优解，则连线上所有点均为最优解。
风险型决策：状态概率已知，通过期望收益判断优劣，核心工具为决策树分析。
决策树结构：决策节点、方案分支、状态节点、概率分支、收益值，通过加权计算各方案的期望收益，选择最大值对应方案。
不确定型决策：状态概率未知，依靠决策准则判断，包括乐观准则（大中取大）、悲观准则（小中取大）、折中准则、最小后悔值准则。
动态规划：多阶段决策的最优化方法，将复杂问题拆解为分步子问题，通过状态迭代求解全局最优，适用于资源调度、路径规划等场景。
2.4 数学建模
本小节侧重概念与流程理解，是系统分析师将现实问题转化为量化问题的核心能力，以概念型选择题考察为主。
2.4.1 数学建模的内涵与意义
定义：将现实世界的实际问题，通过抽象、简化、量化，转化为数学问题，并用数学方法求解、验证、落地的过程。
意义：是系统优化、方案论证、风险评估的核心支撑，能将模糊的业务问题转化为可计算、可验证的量化模型。
2.4.2 数学建模的完整流程
标准 7 步流程，是高频记忆考点：
模型准备：调研背景、明确问题、梳理边界。
模型假设：简化问题、剔除次要因素、提出合理假设。
模型建立：用数学公式、结构搭建对应模型。
模型求解：通过算法、工具求解模型结果。
模型分析：对结果进行数学分析、敏感性分析、误差分析。
模型检验：与实际场景比对，验证合理性与准确性，修正偏差。
模型应用：落地到实际问题中，持续迭代优化。
2.4.3 建模方法与分类
常用方法：直接分析法（逻辑清晰的问题）、类比法（迁移成熟模型）、数据分析法（数据驱动拟合）、构想法（无先例的创新场景）。
模型分类：按特性分为静态 / 动态、线性 / 非线性、确定性 / 随机性、离散 / 连续模型。
2.5 工程伦理
本小节是第 2 版教材新增的职业素养内容，考察频率极低，以概念辨析题为主，属于了解级考点。
2.5.1 技术与工程
工程是将技术应用于实践、改造世界的活动，系统分析师作为工程核心角色，需兼顾技术目标与社会伦理价值。
2.5.2 主要的工程伦理问题
分为四大类，是概念题的核心考点：
技术伦理：技术本身的道德风险，如数据隐私泄露、系统安全漏洞、算法歧视、AI 决策透明性。
利益伦理：多方利益平衡，如企业收益与用户权益、成本与质量、资源分配公平性。
责任伦理：权责边界与追责机制，如事故责任划分、事前预防义务、事后补救责任。
环境伦理：工程与自然的关系，如能耗碳排放、电子垃圾处理、生态保护。
2.5.3 处理工程伦理问题的基本原则
从三个维度处理伦理冲突：
人道主义：处理工程与人的关系，核心是自主原则（知情同意、隐私保护）、不伤害原则（安全第一）。
社会公正：处理工程与社会的关系，保障公平正义、公共利益优先。
人与自然和谐发展：处理工程与自然的关系，坚持可持续发展。
2.5.4 工程师的职业伦理
核心准则：将公众的安全、健康和福祉置于首位；恪守职业诚信与正直；尊重知识产权与用户权益；持续提升专业能力；承担环境与社会责任。
二、主要考点与考情分析
2.1 题型与分值分布
上午综合知识：固定考察 2-3 道单选题，分值 2-3 分，是计算类题目的主要来源之一。
下午案例分析：偶发性考点，通常与项目管理、系统规划结合，出 1 道小型计算题（如最大流量、决策树期望收益、线性规划求解），分值约 5-8 分。
论文写作：基本不直接考察，可作为系统优化、方案论证的支撑论据。
2.2 高频考点分级
2.3 命题规律分析
重应用、轻推导：不考察公式证明、算法原理推导，只考察场景化计算与概念应用，例如给出网络图直接计算最大流量，给出决策树计算期望收益。
套路固定、难度稳定：图论、决策类题目解题思路高度模式化，掌握标准解法即可稳定得分，属于「必拿分」的计算考点。
贴合系统分析场景：题目背景常结合信息系统建设，例如网络带宽、项目工期、资源分配、成本收益等场景，不考察纯数学理论。
三、重难点解析
3.1 核心重点
图论三大计算模型
最小生成树：掌握两种算法的手动计算步骤，重点关注「避环」原则，最终总权值计算是核心得分点。
最短路径：熟练掌握 Dijkstra 算法的逐轮更新，注意区分「路径长度」与「边的数量」，避免概念混淆。
网络最大流量：掌握增广路径法的手动计算，注意每条路径取流后正向、反向容量的更新，易错点为遗漏残留容量。
决策方法与计算
决策树：准确识别决策节点与状态节点，正确计算各分支的加权期望收益，注意区分「收益」与「成本」的正负号。
线性规划：牢记四条核心特性，应对概念辨析题，掌握简单二元线性规划的图解法。
贝叶斯公式
准确区分先验概率、后验概率、似然度，能代入公式完成基础计算，重点掌握故障诊断、风险评估类场景的应用。
3.2 典型难点
网络最大流量的残留网络与反向边
难点：增广路径取流后，反向边会增加对应容量，用于后续「回流调整」，手动计算时容易遗漏反向边导致结果偏小。
突破：每取完一条路径流量，同步更新正向剩余容量与反向容量，逐轮迭代直到无新增广路径。
不确定型决策的准则区分
难点：乐观、悲观、折中、最小后悔值四种准则易混淆，计算结果不同。
突破：记住各准则的核心逻辑 —— 乐观看最好结果、悲观看最坏结果、后悔值看「选错的损失」。
贝叶斯公式的场景化应用
难点：题干描述复杂时，难以准确对应公式中的各个概率项。
突破：先明确「假设 H」和「证据 E」，再拆分先验、似然、全概率，分步代入计算。
3.3 易混易错点
Prim vs Kruskal 算法
混淆点：两者都是求最小生成树，容易记错执行逻辑。
区分：Prim 是「点扩展」，从顶点出发逐步加点；Kruskal 是「边排序」，从边出发逐步加边避环。
数学期望 vs 方差
混淆点：两者都是数字特征，容易记混含义。
区分：期望是「平均水平」，反映集中趋势；方差是「波动程度」，反映离散程度。
风险型决策 vs 不确定型决策
区分核心：是否已知各状态的发生概率 —— 已知概率为风险型（用决策树、期望收益），未知概率为不确定型（用四大准则）。
四、备考建议
计算类考点优先突破：图论、决策树、线性规划是性价比最高的考点，通过 5-10 道历年真题练习即可掌握解题套路，确保不丢分。
概率统计重基础：不用深入推导公式，重点掌握贝叶斯、条件概率的基础计算，以及常见分布的特性与数字特征。
概念类考点记忆核心框架：数学建模 7 步流程、工程伦理四大问题三大原则，通过口诀（如建模流程「备假建求分验用」）强化记忆，考前快速复盘即可。
结合真题场景练习：所有数学知识点都要结合系统建设、项目管理的场景理解，避免纯数学理论式复习，贴合命题规律。
本文原创作者：易君召，详见：https://www.yijunzhao.cn/authors/yijunzhao，转载请注明出处。
欢迎访问 小易撩挨踢