武汉大学17年《数理统计》期末试卷

《统计学元全教程》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（自助法）、独立性推断、因果推断、图模型、非参数回归、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。

名字很低调，内容却是涵盖了统计学的历史，经典之作

空扫描统计方法分析使用的空间计分析软件包SatScan软件帮助的中文翻译版（转）。

第1周 面向小白的统计学：描述性统计（均值，中位数，众数，方差，标准差，与常见的统计图表） 第2周 赌博设计：概率的基本概念，古典概型 第3周 每人脑袋里有个贝叶斯：条件概率与贝叶斯公式，独立性 第4周 啊！微积分：随机变量及其分布（二项分布，均匀分布，正态分布） 第5周 万事皆由分布掌握：多维随机变量及其分布 第6周 砖家的统计学：随机变量的期望，方差与协方差 第7周 上帝之手，统计学的哲学基础：大数定律、中心极限定理与抽样分布 第8周 点数成金，从抽样推测规律之一：点估计与区间估计 第9周 点数成金，从抽样推测规律之二：参数估计 第10周 对或错？告别拍脑袋决策：基于正态总体的假设检验 第11周 扔掉正态分布：秩和检验 第12周 预测未来的技术：回归分析 第13课 抓住表象背后那只手：方差分析 第14周 沿着时间轴前进，预测电子商务业绩：时间序列分析简介

授课对象： 这是一门数学课程，适合有志于转往大数据分析领域的非数学专业人士（例如IT人，业务人员等）补强数学基础，以更好地学习更高级的数据分析，数据挖掘，机器学习课程 收获预期： 可以大幅度提高学员的数学基础，使其学习其它大数据分析课程时觉得更加简单，得心应手 课程内容： 第1课 面向小白的统计学：描述性统计（均值，中位数，众数，方差，标准差，与常见的统计图表） 第2课 赌博设计：概率的基本概念，古典概型 第3课 每人脑袋里有个贝叶斯：条件概率与贝叶斯公式，独立性 第4课 啊！微积分：随机变量及其分布（二项分布，均匀分布，正态分布）& J. e3 P: w6 X2 ^; K* W1 U& X 第5课 万事皆由分布掌握：多维随机变量及其分布4 o7 |% v% n9 \" m4 R) | 第5课 砖家的统计学：随机变量的期望，方差与协方差" s4 @+ n. v" I: V) `- u 第6课 上帝之手，统计学的哲学基础：大数定律、中心极限定理与抽样分布+ j: W+ V/ n1 _4 Y) `/ w+ [ 第8课 点数成金，从抽样推测规律之一：参数估计之点估计$ v3 ^1 V. H( t, G9 b: U 第9课 点数成金，从抽样推测规律之二：参数估计之区间估计 第10课 对或错？告别拍脑袋决策：基于正态总体的假设检验 第11课 扔掉正态分布：秩和检验! s! G1 w# i3 P* ]# e 第12课 预测未来的技术：回归分析, O% b! U) k4 h# ]$ p 第13课 抓住表象背后那只手：方差分析 第14课 沿着时间轴前进，预测电子商务业绩：时间序列分析简介, X. n% b4 ~8 P E9 \+ d 第15课 PageRank的背后：随机过程与马尔科夫链简介

The Elements of Statistical Learning 统计学习基础，包括中文影印版、英文第二版、英文答案3个pdf

贝叶斯方法是基于贝叶斯定理而发展起来用于系统地阐述和解决统计问题的方渚上用贝叶斯定理的方式依赖于一个统计学家如何看待“概率”的基本概念。这些统计学家“推崇”概率为不确定性的度量，对于任何实际客体它将会被认定；因此没有任何理由贝叶斯定理不在任何场合应用。本书的主要内容包括贝叶斯立场、先验分布，后验分布及贝叶斯推断、常用分布、可靠性问题、经验贝叶方法、贝叶斯统计地应用、参考文献。

Introduction to Probability and Statistics 14th Edition，可编辑版本，很好用的。

1986年出版的，原来下载的没有封面和目录，自己网上找了封面和目录加了进去，是一本好书，值得细读！