这本经典的概率论教材通过大量的例子系统介绍了概率论的基础知识及其应用，主要内容有组合分析、概率论公理、条件概率、离散型随机变量、连续型随机变量、随机变量的联合分布、期望的性质、极限定理和模拟等，内容丰富，通俗易懂.各章末附有大量的练习，分为习题、理论习题和自检习题三大类，并在书末给出自检习题的全部解答。 本书是概率论的入门书，适合作为数学、统计学、经济学、生物学、管理学、计算机科学及其他各工学专业本科生的教材，也适合作为研究生和应用工作者的参考书。 2步获取导学视频： ①微信视频号关注 IT阅读排行榜 ②点击 直播回放 栏，上滑寻找

本书是一本非数学专业主要是文科及艺术类专业的数学教材，讲述方式活泼，案例贴近生活，读者可以在轻松学习中体会数学乐趣和意义。全书分为三大部分：归纳和演绎、逻辑和数；代数和几何；概率统

由美国当代著名统计学家L．沃塞曼所著的《统计学完伞教程》是一本几乎包含了统计学领域全部知识的优秀教材，本书除了介绍传统数理统计学的全部内容以外，还包含了Bootstrap方法（白助法）、独立性推断、因果推断、图模型、非参数同归、正交函数光滑法、分类、统计学理论及数据挖掘等统计学领域的新方法和技术．本书不但注重概率论与数理统计基本理论的阐述，同时还强调数据分析能力的培养．本书中含有大量的实例以帮助广大读者快速掌握使用R软件进行统计数据分析。

本书并不假定在任何概率论的先修知识。通过正文与习题旁征博引，引进了大量近代统计处理的新技术和一些国内同类教材中不能见而广为使用的分布。其内容包括工科概率论入门又包括了经典统计和现代统计的基础部分。其理论较为现代化、难度适中，覆盖面远比国内教材大，而在体系结构与内容安排上富于新意。本书可以作为工科、管理类学科专业本科生、研究生教材，也可供教师、工程技术人员自学之用。

《统计学精品译丛：*过程（原书第2版）》中文简体字版由约翰威利父子公司授权机械工业出版社独家出版。未经出版者书面许可，不得用任何方式复制或抄袭本书内容。 《统计学精品译丛：*过程（原书第2版）》从概率的角度而不是分析的角度来看待*过程，书中介绍了*过程的基本理论，包括Poisson过程、Markov链、鞅、Brown运动、*序关系、Poisson逼近等，并阐明这些理论在各领域的应用。书中有丰富的例子和习题，其中一些需要创造性地运用*过程知识、系统地解决的实际问题，给读者提供了应用概率研究的实例。 《统计学精品译丛：*过程（原书第2版）》是*过程的入门教材，没有用到测度论，仅以微积分及初等概率论知识为基础，适合作为统计学专业本科生以及其他理工和经管类专业研究生相关课程的教材，更值得相关研究人员和授课教师参考。

本书是一部经典的*过程著作，叙述深入浅出、涉及面广。主要内容有*变量、条件期望、马尔可夫链、指数分布、泊松过程、平稳过程、更新理论及排队论等，也包括了*过程在物理、生物、运筹、网络、遗传、经济、保险、金融及可靠性中的应用。特别是有关*模拟的内容，给*系统运行的模拟计算提供了有力的工具。zui新版还增加了不带左跳的*徘徊和生灭排队模型等内容。本书约有700 道习题，其中带星号的习题还提供了解答。本书可作为计算机科学、保险学、社会科学、生命科学、管理科学与工程等专业*过程基础课教材。

数理统计

本书阐述有不等式约束的参数估计和假设检验的方法和理论，及其在小一乘估计和随机序检验等方面的应用。本书把数学规划的方法和思想用到数理统计中，使得可解决的统计问题的范围进一步扩大。

本书源自的哈佛统计学讲座，介绍了帮助读者理解统计方法、随机性和不确定性的基本语言和工具，并列举了多种多样的应用实例，内容涉及偶然性、悖论、谷歌的网页排名算法（PageRank）及马尔可夫链蒙特卡罗方法（MCMC）等。本书还探讨了概率论在诸如基因学、医学、计算机科学和信息科学等领域的应用。全书共分13章，分别介绍了概率与计数、条件概率、随机变量及其分布、期望、连续型随机变量、矩、联合分布、变换、条件期望、不等式与极限定理、马尔可夫链、马尔可夫链蒙特卡罗方法、泊松过程等内容。用容易理解的方式来呈现内容，用实例来揭示统计学中基本分布之间的联系，并通过条件化将复杂的问题归约为易于掌控的若干小问题。书中还包含了很多直观的解释、图示和实践问题。每一章的结尾部分都给出了如何利用R来完成相关模拟和计算的方法。

本书阐述了半参数回归模型的统计理论和方法，所考虑的模型包括部分线性模型、单指标模型、变系数模型和可加模型等，这些模型对复杂数据分析起着重要作用。本书在取材上侧重内容的科学性和应用性，体现学术思想；在写作上注重阐述方法论、模拟计算和实例分析：在结构上安排每个模型为一章，本书的内容不仅为从事该领域的科研人员提供了尽可能全的资料，又为实际应用者提供了一些数据分析的方法，同时也为想全面了解现代统计模型的读者提供参考读物。

随着现代科学技术的飞速发展，许多科学研究领域产生了多种复杂数据，复杂数据的统计建模涵盖了许多当代统计分支，推动了当代统计学理论方法的进步与发展，并且其应用层面几乎涉及各领域。具有复杂分层结构的数据在现实生活中很普遍。能完全剖析这类数据，发掘该类数据表象下的潜在规律性对于统计学等科研领域很有意义。本书致力于介绍复杂分层数据分析前沿知识，侧重于系统的理论与算法介绍。内容主要涉及线性分位回归、非参数分位回归、适应性分位回归、可加性分位回归、变系数分位回归、单指数分位回归、分位自回归、复合分位回归、高维分位回归以及贝叶斯分位回归、分层样条分位回归、分层线性分位回归、分层半参数分位回归、复合分层线性分位回归以及复合分层半参数分位回归，等等。

本书是“All of Nonparametric Statistics”的中译本，源于作者为研究生开设的课程讲义，包括了几乎所有的现代非参数统计的内容。这种包罗万象的书不但国内没有，在国外也很难找到本书。主要包括10章内容，主要讲述非参数delta方法和自助法之类的经验CDF，覆盖基本的光滑方法和正态均值、利用正交函数的非参数推断、小波和其他的适应方法等。 本书是“All of Nonparametric Statistics”的中译本，源于作者为研究生开设的课程讲义，包括了几乎所有的现代非参数统计的内容。这种包罗万象的书不但国内没有，在国外也很难找到本书。主要包括10章内容，主要讲述非参数delta方法和自助法之类的经验CDF，覆盖基本的光滑方法和正态均值、利用正交函数的非参数推断、小波和其他的适应方法等。

《统计理论》是一部经典的讲述统计理论的研究生教程，综合性强，内容涵盖：估计；检验；大样本理论，这些都是研究生要进入博士或者更高层次必须学习的预备知识。为了让读者具备更加强硬的数学背景和更广阔的理论知识，书中不仅给出了经典方法，也给出了贝叶斯推理知识。目次：概率模型；充分统计量；决策理论；假设检验；估计；等价；大样本理论；分层模型；序列分析；附录：测度与积分理论；概率论；数学定理；分布概述。 读者对象：概率统计、数学专业以及相关专业的高年级本科生、研究生和相关的科研人员。

Peter B hlmann在ETHZ是高维统计、因果推断方面的知名专家。《高维数据统计学》统计学的前沿之作。这本书所针对的高维数据，是理论研究的热点，在实际中也有着广泛的应用。这本书重点阐述了Lasso和其他L1方法的变体，也有boosting等内容。

《概率论札记》是作者的 工程数学系列札记 的第四本。前三本分别是《矢算场论札记》（2007）、《复变函数札记》（2011）、《矩阵论札记》（2014）。尽管四本书所涉及领域完全不同，但却有着完全一致的目标，即想建立某种工程数学类型，使读者能自如跨越数学与工程之间的桥梁。 《概率论札记》的核心主题是概率，研究的目标是*事件的统计规律。用一句话概括，即*事件反映单体的不可预洲性，而统计规律反映群体的频率稳定性。 《概率论札记》包括慨率论基础、*量分布和数字特征、大数定律、抽样分布到统汁回归等。书中讨论了慨率论的应用实例，丰富的附录可以给广大工程技术人员带来很大的方便。 《概率论札记》适合广大理工科本科生、硕士和博士研究生学习使用。还可以作为相关专业科技与工程技术人员的入门读物和工具书。

本书主要介绍了处理反问题(不适定问题)的统计方法，尤其侧重于建模与计算这两大问题。与经典文献中处理反问题的方法不同，本书立足于Bayes统计学的框架，将所有变量都视作随机变量，并把反问题的解以概率密度函数的形式给出。同时，对于数学模型本身存在的误差和数值离散导致的额外误差，本书还创造性地进行了源自建模误差的统计分析。 本书详细讨论了先验模型的构造、测量噪声建模、Bayes估值以及非静态统计反演方法等，并引入Markov链Monte Carlo方法以及最优化方法来探究概率分布。另外从Bayes统计学的角度重新研究了经典正则化方法，揭示了两者之间的关系。对于书中得到的结论和涉及的技法，作者还佐以易懂但深刻的例子帮助读者理解。本书将统计方法应用到一些较为前沿的问题中，例如离散误差分析、模型降阶等。在书中，这些统计方法还被

这是一部学习概率和应用概率的书籍，书中将经典破坏概率和现代破坏概率巧妙结合，全面处理了应用概率的已知结果。涉及的专题有：Lundberg不等式；Cramer-Lundberg逼近；精确解；其他逼近；有限时间的破坏概率；经典复合Poisson模型等。本版内容做了大量扩充和更新，包括随机控制、Levy过程的起伏理论、Gerber Shiu函数和独立。目次：符号和通则；导引；鞅和简单破坏计算；更高级的工具和结果；复杂Poisson模型；有限时间内的破坏概率；修正序列；马尔科夫环境中的风险理论；低依赖风险过程；矩阵分析方法；重尾现象中的破坏概率；Levy过程的破坏概率；Gerber-Shiu函数；更多依赖模型；随机控制；模拟方法论；综合论题；附录。

本书主要介绍了统计模型及统计推断中的问题，并引入极大似然法和贝叶斯方法来解答这些问题；概述R语言；简括极大似然估计的大样本理论，然后讨论应用该理论所涉及的数值方法；讲述贝叶斯计算所需的数值方法 马尔可夫链蒙特卡罗方法；介绍线性模型的理论及其应用。

本书是Springer统计系列丛书之一，旨在让读者深入了解数据挖掘和预测。 随着计算机和信息技术迅猛发展，医学、生物学、金融、以及市场等各个领域的大量数据的产生，处理这些数据以及挖掘它们之间的关系对于一个统计工作者显得尤为重要。本书运用共同的理论框架将这些领域的重要观点做了很好的阐释，重点强调方法和概念基础而非理论性质，运用统计的方法更是突出概念而非数学。另外，书中大量的彩色图例可以帮助读者更好地理解概念和理论。 目次:导论; 监督学习概述; 线性回归模型; 线性分类方法; 基展开与正则性; 核方法; 模型评估与选择; 模型参考与平均; 可加性模型，树与相关方法; 神经网络; 支持向量机器与弹性准则; 原型法和近邻居; 无监督学习。

本书被公认为是一套概率论方面的标准经典教科书，供高年级大学生和研究生使用，同时也是概率论和统计学方面研究人员经常使用的参考书。本书把概率论建立在严格的逻辑基础上，理论体系完整。第2卷包括两部分内容，涉及条件运算及独立随机变量和极限性质的相依性、二阶随机函数、随机分析的基本概念以及鞅、可分解性、随机函数的马尔可夫型等。读者对象：数学及相关专业的研究生。