《随机过程》一共七章：第一章涵盖概率论的基础知识，第二章以阐述的方式特别介绍了条件期望以及随机过程的一般概念。从第三章开始讨论常用的随机过程模型，包括马氏链、Poisson过程、更新过程、鞅和Brown运动，其中马氏链这一章出于强调直观背景的目的，仅介绍离散时间马氏链，包括非常返、零常返、正常返、平稳分布等概念，最后讨论了分支过程。第五章主要讲解更新过程的基本思想，讨论了一些简单的排队论问题，第六章是离散鞅论，在条件期望的现代定义的基础上，对鞅的一些思想和性质做了初步介绍，并通过二叉树模型和

本书共分16章，分别为概率论的基本概念、随机变量及其分布、多维随机变量及其分布、随机变量的数字特征等。

《概率论与数理统计》着重概念和原理的深入阐释，包括随机事件和概率、随机变量及其概率分布、随机向量及其分布、随机变量的数字特征、极限理论、抽样分布、参数估计、参数假设检验、非参数假设检验、方差分析、相关分析与回归分析、试验设计；同时，在公理定理的论证上也更严谨，系统介绍了概率统计学的相关知识，深入浅出。《概率论与数理统计》可作为高等学校理工科如人工智能、生物统计等专业的概率统计课程教材，也可供具有相当数学准备（初等微积分及少量矩阵知识）的读者自修之用。

本书为中国科学技术大学数学类本科生的“概率论”教材,既保留了第二版中原有的基本内容:初等概率论、随机变量、随机向量、数字特征与特征函数、极限定理等,又根据国际通用表述习惯和教学需求调整了叙述方式和部分内容,增加了例题,使得主干脉络更清楚,枝叶更丰满.《BR》本书内容丰富,叙述严谨,深入浅出,既以生动浅显的方式说明了概率论中的许多基本概念的直观意义,又以严密的数学形式陈述了这些概念的数学本质.书中的有趣例题和大量习题有助于读者理解和掌握概率论基础知识.在教学中,标有*号的节或小节可以跳过不讲,不影

本书主要介绍统计学中的回归分析方法基础以及在机器学习方向上的应用。介绍回归分析的数学基础的同时，以统计学和机器学习相结合的手段介绍回归分析领域在近年来取得的各种重要结果和突破。特别是在大数据背景下，回归分析的正则化问题的快速求解算法。本书在介绍基础知识的同时，也强调回归分析在实际中的应用，书中配有大量的案例及其R语言的实现。

本书包括的内容有: 经典线性回归、⼴义线性模型、混合效应模型 (分层模型)、机器学习回归⽅法 (决策树、bagging、随机森林、各种 boosting ⽅法、⼈⼯神经⽹络、⽀持向量机、k 最近邻⽅法)、⽣存分析及 Cox 模型、经典判别分析与 logistic 回归分类、机器学习分类⽅法 (决策树、bagging、随机森林、adaboost、⼈

本书包括随机事件及其概率、随机变量及其分布、多维随机变量及其分布、随机变量的数字特征、常用分布、大数定律及中心极限定理、数理统计基础、参数估计、假设检验、方差分析和回归分析。每章后面编排了较多的选择题和填空题，适量的应用计算题，且在数理统计部分每章最后配了一个案例分析。基于XCEL环境安排了常用随机变量分布、参数的区间估计、假期设检验、方差分析和回归分析的实验。本书可作为普通高等学校本科非数学类应用型专业的《概率论与数理统计》课程的教材或参考书，也可用作专科或高职院校相关专业的《概率论与数理统计

本书主要内容包括随机事件及其概率、一维随机变量及其分布、多维随机变量及其分布、随机变量的数字特征、大数定律和中心极限定理、数理统计的基础知识、参数估计、假设检验、概率论与数理统计在数学建模和数学实验中的应用举例等9章。

本书对《概率论与数理统计》教材的全部300多道题目都给出了解答，少数题目是一题多解，有些作了题目分析、解题思路分析和解题方法归纳，并指出易犯的错误，究其原因，澄清不正确的想法。

本书是根据教育部关于理工科概率论与数理统计课程的教学基本要求编写的概率论与数理统计课程的教材，编者全部是具有丰富教学经验的一线教师．全书共分为八章，内容包括：概率论的基本知识、随机变量及其概率分布、随机变量的数字特征、大数定律与中心极限定理、数理统计的基本概念、参数估计、假设检验、方差分析与回归分析．本书按节配置习题，每章有总练习题，书后附有部分习题答案与提示，便于读者参考．本书根据理工科学生的实际要求及相关课程的设置次序，对传统的教学内容在结构和内容上做了合理调整，使之更适合新世纪概率论与数理