概率导论 (第2版·修订版)

本书基于麻省理工学院开设的概率论入门课程编写，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础知识，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、最小二乘估计等高级内容。

译者序 第2版前言 前言 第1章 样本空间与概率 1.1 集合 1.2 概率模型 1.3 条件概率 1.4 全概率定理和贝叶斯准则 1.5 独立性 1.6 计数法 1.7 小结和讨论 1.8 习题 第2章 离散随机变量 2.1 基本概念 2.2 概率质量函数 2.3 随机变量的函数 2.4 期望、均值和方差 2.5 多个随机变量的联合概率质量函数 2.6 条件 2.7 独立性 2.8 小结和讨论 2.9 习题 第3章 一般随机变量 3.1 连续随机变量和概率密度函数 3.2 累积分布函数 3.3 正态随机变量 3.4 多个随机变量的联合概率密度函数 3.5 条件 3.6 连续贝叶斯准则 3.7 小结和讨论 3.8 习题 第4章 随机变量的高级主题 4.1 导出分布 4.2 协方差和相关 4.3 再论条件期望和条件方差 4.4 矩母函数 4.5 随机数个独立随机变量和 4.6 小结和讨论 4.7 习题 第5章 极限理论 5.1 马尔可夫和切比雪夫不等式 5.2 弱大数定律 5.3 依概率收敛 5.4 中心极限定理 5.5 强大数定律 5.6 小结和讨论 5.7 习题 第6章 伯努利过程和泊松过程 6.1 伯努利过程 6.2 泊松过程 6.3 小结和讨论 6.4 习题 第7章 马尔可夫链 7.1 离散时间马尔可夫链 7.2 状态的分类 7.3 稳态性质 7.4 吸收概率和吸收的期望时间 7.5 连续时间的马尔可夫链 7.6 小结和讨论 7.7 习题 第8章 贝叶斯统计推断 8.1 贝叶斯推断与后验分布 8.2 点估计、假设检验、最大后验概率准则 8.3 贝叶斯最小均方估计 8.4 贝叶斯线性最小均方估计 8.5 小结和讨论 8.6 习题 第9章 经典统计推断 9.1 经典参数估计 9.2 线性回归 9.3 简单假设检验 9.4 显著性检验 9.5 小结和讨论 9.6 习题 附表

Dimitri P. Bertsekas 美国工程院院士，IEEE会士。1971年获美国麻省理工学院电子工程博士学位。长期在麻省理工学院执教，曾获得2001年度美国控制协会 J. Ragazzini 教育奖。他的研究领域涉及优化、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《非线性规划》等十余部教材和专著，其中许多被麻省理工学院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，麻省理工学院教授。分别于1980年、1981年、1984年在麻省理工学院获得学士、硕士、博士学位。他的研究成果颇丰，已发表学术论文上百篇。

暂无其它内容！

• 概率系统分析入门

  来源：豆瓣 发布时间：2025-05-10 06:07:17