本书概率论部分包括：随机事件与概率，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。数理统计部分包括：统计学的基本概念，参数估计，假设检验，回归分析与相关分析，方差分析等，Excel在概率统计中的应用等。本书要求读者学习过高等数学和线性代数课程。

本书全面地介绍了统计概念和统计方法在商务实践中的应用，涵盖了在统计报告评估和商务决策时所必需的数据处理、数据可视化和推断分析方法。全书共12章，分别为：数据与统计分析、数据的图表描述、数据的数字描述、抽样与抽样分布、参数估计、假设检验、分类数据分析、方差分析、一元线性回归、多元线性回归、逻辑回归、时间序列预测。
本书的目标是促进统计方法在商务分析中的实际应用，适合管理与经济类专业学生学习，也可供商务数据分析人员参考。

主要内容包括概率论基本概念、随机变量及其分布、多维随机变量、数字特征、极限定理、样本与抽样分布、参数估计、经验假设、方差分析与回归分析等，向学生介绍统计与经验方法的理论背景、应用技术，以及使用Python解决概率统计应用问题。本书在力求体系的严密性的基础上，天线理论够用的原则，简化有关定理的证明，对于难度较大的证明予以省略，以提高概率统计知识的使用性。本书适合作为普通高校非数学专业的教材，也可供高等职业教育选用。 

本教材主要详细介绍了学术研究中常用的多元统计方法，
主要根据结局变量的类型和研究设计等进行章节布局，既有常见的方差分析、多元线性回归、Logistic回归、计数资料回归、生存分析，也有针对降维数据的研究方法，
如主成分分析与因子分析、结构方程规模、潜在类别分析。在这些分析中，还引入了时间层面的研究设计，如在生存分析、发展模型等中，都不同程度地引入了纵向研究设计的方法。除此之外，也介绍了近些年基于因果关系的反事实推断的新方法——倾向值评分。

　　《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