根据提供的文件内容，知识点可以从以下几个方面进行阐述：
1. 概率论基础知识：文档中出现了多个与概率论相关的题目，涉及概率计算、条件概率、独立事件以及全概率公式等概念。如“P(A|B)=”要求用条件概率公式来解决，即求在事件B发生的条件下事件A发生的概率。而像“P(A－B)=”则涉及到事件的差集概率计算，即事件A发生而事件B不发生的情况。
2. 随机变量及其分布：题目中提到了连续型随机变量以及离散型随机变量的分布。例如，随机变量X和Y分别服从特定的正态分布，而随机变量Z则由这两个独立随机变量的线性组合构成。这里需要了解正态分布的性质和期望、方差的计算，以及如何通过正态分布表查表获得概率值。
3. 大数定律和中心极限定理：在文档中提到了正态分布和样本均值的计算，这暗示了中心极限定理的知识点。中心极限定理说明了样本均值在样本量足够大的情况下接近正态分布，无论总体分布如何。而大数定律则说明了随着试验次数的增加，频率逐渐稳定于概率值。
4. 统计推断：文档中涉及到了假设检验和置信区间的计算，这些都是统计推断的基本概念。例如，在假设检验中，需要根据给定的显著水平拒绝或接受关于总体参数的假设。而置信区间则是对总体参数的一个区间估计，表示有特定置信水平的区间内包含总体参数。
5. 贝叶斯公式：在文档中，概率计算的某些题目涉及到了条件概率和全概率公式的应用，这是贝叶斯定理的体现。贝叶斯定理是一种在已知某些条件下对事件的概率进行更新的方法。
6. 相关与回归：文档中的题目提到了随机变量的方差和相关系数，这与相关性分析和线性回归分析有关。相关系数衡量了两个随机变量之间的线性相关程度，而方差则衡量了随机变量的离散程度。
7. 统计量的效率：题目中提到了两个无偏估计量的比较，涉及到估计量效率的概念。一个估计量比另一个更有效，意味着它在相同条件下具有较小的方差。
8. 统计检验与p值：在文档中提到了对正态总体数学期望的假设检验，这涉及到计算p值并根据p值来决定是否拒绝原假设。p值是实际观测到的结果或更极端结果出现的概率，如果p值小于显著性水平α，则拒绝原假设。
9. 统计学中的符号和表示方法：文档中使用了很多统计学的符号，比如概率P、期望E、方差D、相关系数ρ、置信水平α、样本均值x̄、标准差σ等，正确理解和运用这些符号是解决概率论问题的关键。
通过以上知识点的梳理，可以看出文档中的概率论题目覆盖了概率论与数理统计的基础知识点。掌握了这些知识，不仅可以帮助理解文档中的题目，还能够应对概率论和统计学领域的其他相关问题。这些知识点对理工科学生来说非常基础，但同时也是理解和应用概率论进行实际分析不可或缺的部分。
