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。

本书是在自然公理系统中建立概率论的*部著作.本书前五章建立因果空间、*试验、概率空间、条件概率捆和独立性的理论,重点介绍离散型、Kolmogorov型、独立乘积型概率空间,形成概率论的基础理论.《BR》第6、8章论证*变量、*向量和宽*过程是科学实验中子*局部的数学模型；应用概率论基础理论介绍因果结构图、各种条件分布函数和独立性,建立数学期望、方差和协方差等数字特征的知识,形成*变量和*向量的基本理论,以及*过程的初步知识;*后两章介绍两类*重要的统计规律——大数定理和中心极限定理.《BR》

本书是一部介绍渐近统计经典教材，内容实用而且数学理论论述严谨。书中除了介绍介绍渐近统计的核心内容 似然推断，M估计，渐近效率，U统计和秩过程，书中还涉及该领域的新研究论题，如半参数模型，自助法，经验过程，等其他应用。本书各章有习题。

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

解析数论的一大特点是能够利用多种工具获得所需的结果。这个理论的一个主要迷人之处是它的概念和方法的极大多样化。《解析数论（英文版）/美国数学会经典影印系列》的主要目的是呈现这个理论在经典和现代两个方向上的适用范围，并展示其丰富内涵和前景、漂亮的定理以及强有力的技术。 为了让研究生更好地阅读，作者很好地兼顾了叙述的清晰性、内容的完整性及知识的广度。每一节的习题都含有双重目的，一些题目用作增进读者对主题的理解，另外一些则提供了更多的信息。该书的主要内容所要求的预备知识仅限于微积分、复分析、积分学和傅里叶级数与傅里叶积分。后面一些章节中的自守形式很重要，学习它们所必需的大部分信息包含在两个概述章中。 《解析数论（英文版）/美国数学会经典影印系列》适合于对解析数论感兴趣的研究生阅读

9787115552778 复分析：可视化方法 159.00 9787115555625 伊藤清概率论（修订版） 59.00 《复分析：可视化方法》 本书是在复分析领域产生了广泛影响的一本著作. 作者独辟蹊径，用丰富的图例展示各种概念、定理和证明思路, 十分便于读者理解, 充分揭示了复分析的数学美. 书中讲述的内容有作为变换看的复函数、默比乌斯变换、微分学、非欧几何学、环绕数、复积分、柯西公式、向量场、调和函数等。 《伊藤清概率论（修订版）》 本书为日本数学家伊藤清创作的现代概率论著作。书中以*小限度的预备知识为前提，以简练的笔法系统讲解了测度论基础，以及现代概率论的基础体系与概念，为引导读者理解 随机过程 ，特别是Markov过程做了细致准备。此外，本书还展示了 伊藤引理 的构想原点，收录了概率论发展的历史过程。对于背景知识较为薄弱的读者，作者则从各章的主

本书主要介绍随机矩阵谱理论及大维数据分析、大规模数据分析及降维技术、变系数模型、纵向数据模型的稳健推断、测量误差模型及其统汁分析方法、缺失数据回归分析、复杂疾病的基因关联分析、因果推断与图模型、复杂疾病的基因关联分析、生物医学等价性评价问题的统计推断、约束下的统计推断方法、现代试验设计与抽样调查等研究领域。不仅介绍进入这些前沿研究领域所的基础知识，而且介绍这些前沿研究领域的**发展状况及有关重要成果，探索有关领域的科学研究发展规律与发展方向。