近年来，暨南大学概率论与数理统计考博初试呈现出鲜明的学科交叉性和高阶应用导向。该考试以《概率论与数理统计》浙大版（第四版）为蓝本，同时融合《数理统计教程》（胡适林著）和《应用数理统计方法》（方兆琏著）中的前沿案例，重点考察考生对统计推断、贝叶斯方法、非参数检验等核心领域的理解深度。近三年真题显示，约35%的题目涉及时间序列分析、生存分析等交叉学科内容，要求考生具备将概率模型应用于实际问题（如金融风险建模、生物医学数据分析）的创新能力。

核心复习资料应包含以下三个层级：基础理论层以浙大版教材配合配套习题集为主，建议完成第2-5章的典型例题精析（如多维随机变量函数分布、参数估计的充分统计量）；方法应用层需重点研读《统计推断》（Hogg等著）中关于假设检验的 nh检验和贝叶斯因子计算，以及《非参数统计方法》（Nelsen著）的核密度估计案例；创新拓展层则推荐关注《Journal of Statistical Planning and Inference》近五年关于高维数据降维处理的综述论文，掌握MCP、LASSO等高阶统计工具。

备考策略建议采用"三阶段递进式"学习：第一阶段（1-2个月）完成教材精读，建立完整的概率测度框架认知，特别注意马尔可夫链的平稳分布推导和中心极限定理的收敛条件；第二阶段（2-3个月）通过历年真题（2008-2022年共17套）训练，重点突破复合型题目（如结合最大似然估计与AIC准则的模型选择问题），同步完成《数理统计教程》第7章的Bootstrap重抽样实验；第三阶段（1个月）进行模拟考试训练，针对时间序列预测（ARIMA模型）、生存分析中的Kaplan-Meier估计等高频考点进行专项突破，建议每日保持3小时的专业英语文献阅读（推荐《The Elements of Statistical Learning》相关章节）。

特别需要注意的是，2023年新增的"开放性研究设计"考核模块，要求考生在30分钟内完成基于某企业销售数据的假设性研究方案设计，需熟练掌握研究问题转化为统计模型的技术路径。建议考生建立包含50个典型应用场景的案例库，涵盖金融风控（VaR计算）、生物医药（生存分析）、互联网运营（用户留存预测）等交叉领域，并培养使用R/Python进行统计建模的自动化处理能力。

考前最后两周应重点进行心理调适和应试技巧训练，建议采用"模块化答题"策略：客观题控制在12分钟内完成，主客观题交界处设置5分钟缓冲期，复杂计算题采用"结果预判-公式匹配-分步推导"的三段式书写规范。对于理论证明题，建议建立包含勒贝格积分、投影定理等12个核心概念的思维导图，确保关键证明步骤的规范性。最后需提醒考生关注暨南大学统计与大数据研究院官网，及时获取《考博初试样题解析（2024版）》等最新指导文件。