这些资源你可能感兴趣
本书是在MIT开设概率论入门课程的基础上编写的，内容全面，例题和习题丰富，结构层次性强，能够满足不同读者的需求。书中介绍了概率模型、离散随机变量和连续随机变量、多元随机变量以及极限理论等概率论基本知识，还介绍了矩母函数、条件概率的现代定义、独立随机变量的和、zui小二乘估计等高级内容。
本书可作为所有高等院校概率论入门的基础教程，也可作为有关概率论方面的参考书。
编辑推荐
本书内容丰富，除了介绍概率论基本知识点外，还介绍了矩母函数、zui小二乘估计、泊松过程、马尔可夫过程和贝叶斯统计等内容。书中实例丰富，图文并茂，针对每节主题设计了相应的习题，还提供了部分难题的解答，便于读者自学。
本书多年来在MIT、斯坦福大学、加州大学等名校被用作概率课程教材，经过课堂检验和众多师生的反馈得以不断完善，是一本在表述简洁和推理严密之间取得了平衡的经典作品。
媒体推荐
“如果想真正从十分自然的角度认识概率，这本书是很好的选择。其实很多名著都各有特色，很难说哪本更好，不过就本质、直观性，还有例题的选择方面，这本书是我见过的书里面好的。另外这本书解答了所有的书都没有解答的一些基本问题，在章节安排上也很合理。”——ebnash，亚马逊中文网站读者
作者简介
Dimitri P. Bertsekas 美国工程院院士，IEEE会士。1971年获MIT电子工程博士学位。长期在MIT执教，曾获得2001年度美国控制协会J. Ragazzini教育奖。其研究领域涉及优化、控制、大规模计算、数据通信网络等，许多研究具有开创性贡献。著有Nonlinear Programming等十余部教材和专著，其中许多被MIT等名校用作研究生或本科生教材。
John N. Tsitsiklis 美国工程院院士，IEEE会士，MIT教授。分别于1980年、1981年、1984年在MIT获得学士、硕士、博士学位。他的研究成果颇丰，已发表学术论文上百篇。
目录
第1章样本空间与概率1
1.1集合2
1.1.1集合运算3
1.1.2集合的代数4
1.2概率模型4
1.2.1样本空间和事件5
1.2.2选择适当的样本空间5
1.2.3序贯模型6
1.2.4概率律7
1.2.5离散模型8
1.2.6连续模型10
1.2.7概率律的性质11
1.2.8模型和现实12
1.3条件概率15
1.3.1条件概率是一个某些常用的随机变量的概率律15
1.3.2利用条件概率定义利用期望值进行决策80
1.4全概率定理和贝叶斯准则24
1.5独立性30
1.5.1条件独立32
1.5.2一组事件的独立性34
1.5.3可靠性36
1.5.4独立试验和二项概率37
1.6计数法39
1.6.1计数准则39
1.6.2n选k排列41
1.6.3组合42
1.6.4分割44
1.7小结和讨论46
习题47
第2章离散随机变量63
2.1基本概念63
2.2分布列65
2.2.1伯努利随机变量67
2.2.2二项随机变量67
2.2.3几何随机变量68
2.2.4泊松随机变量69
2.3随机变量的函数70
2.4期望、均值和方差71
2.4.1方差、矩和随机变量的函数的期望规则73
2.4.2均值和方差的性质76
2.4.3均值和方差77
2.4.4概率模型19
2.5多个随机变量的联合分布列81
2.5.1多个随机变量的函数83
2.5.2多于两个随机变量的情况84
2.6条件86
2.6.1某个事件发生的条件下的随机变量86
2.6.2给定另一个随机变量的值的条件下的随机变量87
2.6.3条件期望91
2.7独立性96
2.7.1随机变量与事件的相互独立性96
2.7.2随机变量之间的相互独立性97
2.7.3几个随机变量的相互独立性100
2.7.4若干个相互独立的随机变量的和的方差101
2.8小结和讨论103
习题105
第3章一般随机变量122
3.1连续随机变量和概率密度函数122
3.1.1期望126
3.1.2指数随机变量128
3.2分布函数129
3.3正态随机变量134
3.4多个随机变量的联合概率密度139
3.4.1联合分布函数142
3.4.2期望143
3.4.3多于两个随机变量的情况143
3.5条件145
3.5.1以事件为条件的随机变量145
3.5.2一个随机变量对另一个随机变量的条件149
3.5.3条件期望152
3.5.4独立性154
3.6连续贝叶斯准则157
3.6.1关于离散随机变量的推断158
3.6.2基于离散观察值的推断159
3.7小结和讨论160
习题161
第4章随机变量的深入内容176
4.1随机变量函数的分布密度函数176
4.1.1线性函数178
4.1.2单调函数180
4.1.3两个随机变量的函数183
4.1.4独立随机变量和——卷积186
4.1.5卷积的图像计算法189
4.2协方差和相关190
4.3再论条件期望和条件方差194
4.3.1条件期望作为估计量197
4.3.2条件方差197
4.4矩母函数200
4.4.1从矩母函数到矩203
4.4.2矩母函数的可逆性205
4.4.3独立随机变量和207
4.4.4联合分布的矩母函数209
4.5随机数个相互独立的随机变量之和210
4.6小结和讨论214
习题214
第5章极限理论228
5.1马尔可夫和切比雪夫不等式229
5.2弱大数定律232
5.3依概率收敛234
5.4中心极限定理236
5.4.1基于中心极限定理的近似237
5.4.2二项分布的棣莫弗–拉普拉斯近似240
5.5强大数定律242
5.6小结和讨论244
习题245
第6章伯努利过程和泊松过程255
6.1伯努利过程256
6.1.1独立性和无记忆性257
6.1.2相邻到达间隔时间260
6.1.3次到达的时间261
6.1.4伯努利过程的分裂与合并262
6.1.5二项分布的泊松近似263
6.2泊松过程266
6.2.1区间内到达的次数268
6.2.2独立性和无记忆性270
6.2.3相邻到达时间271
6.2.4第k次到达的时间272
6.2.5泊松过程的分裂与合并274
6.2.6伯努利过程和泊松过程，随机变量之和276
6.2.7随机插入的悖论277
6.3小结和讨论279
习题280
第7章马尔可夫链290
7.1离散时间的马尔可夫链290
7.1.1路径的概率293
7.1.2n步转移概率294
7.2状态的分类297
7.3稳态性质300
7.3.1长期频率解释305
7.3.2生灭过程307
7.4吸收概率和吸收的期望时间310
7.4.1平均吸收时间314
7.4.2平均首访时间及回访时间315
7.5连续时间的马尔可夫链316
7.5.1利用离散时间马尔可夫链的近似319
7.5.2稳态性质321
7.5.3生灭过程323
7.6小结和讨论324
习题325
第8章贝叶斯统计推断348
8.1贝叶斯推断与后验分布351
8.2.1点估计360
8.2.2假设检验363
8.3贝叶斯最小均方估计367
8.3.1估计误差的一些性质372
8.3.2多次观测和多参数情况373
8.4贝叶斯线性最小均方估计374
8.4.1一次观测的线性最小均方估计374
8.4.2多次观测和多参数情形378
8.4.3线性估计和正态模型379
8.4.4线性估计的变量选择379
8.5小结和讨论380
习题380
第9章经典统计推断390
9.1经典参数估计391
9.1.1估计量的性质392
9.1.2最大似然估计393
9.1.3随机变量均值和方差的估计396
9.1.4置信区间399
9.1.5基于方差近似估计量的置信区间400
9.2线性回归405
9.2.1最小二乘公式的合理性407
9.2.2贝叶斯线性回归408
9.2.3多元线性回归410
9.2.4非线性回归411
9.2.5实际中的考虑412
9.3简单假设检验412
9.4显著性检验422
9.4.1一般方法423
9.4.2广义似然比和拟合优度检验428
9.5小结和讨论431
习题432
索引443
附表448
标准正态分布表450
本书评论