内容简介

本书详细介绍了大数据统计基础理论与方法。全书共分10章，第1、2章为概率论部分，第3、4章为随机过程部分，第5~10章为数理统计部分。主要内容包括随机事件与概率、随机变量及其数字特征、泊松过程、马尔可夫链模型、数理统计的基本概念、参数估计、假设检验、方差分析、线性回归分析、机器学习常用统计方法等。

目录

1 随机事件与概率
1．1 随机事件及其运算
1．2 随机事件的概率
1. 3贝叶斯（Bayes）定理
1．4事件的相互独立性
习题
2  随机变量及其数字特征
2．1随机变量
2．2离散型随机变量
2．3 连续型随机变量
2.  4 随机变量的期望与方差
2．5 联合分布的随机变量
2. 6 大数定律与中心极限定理
习题
3泊松过程
3.1泊松过程概述
3. 2 泊松过程的性质与应用
习题
4 马尔可夫链模型
4. 1 马尔可夫链概述
4. 2 马尔可夫链的性质与应用
习题
5 数理统计的基本概念
5. 1 总体与样本
5. 2 三大抽样分布
5. 3 正态总体的抽样分布
习题
6 参数估计
6. 1参数的点估计
6.2 判别估计量好坏的标准
6.3正态总体参数的区间估计
习题
7假设检验
7. 1 假设检验的基本概念
7. 2 单个正态总体参数的假设检验
7. 3 两个正态总体参数的假设检验
习题
8  方差分析
8. 1 单因素试验的方差分析
8. 2  双因素试验的方差分析
习题
9 线性回归分析
9. 1 最小二乘估计
9. 2  的估计
9. 3 线性相关关系的显著性检验
9. 4 一元线性回归的预测
9. 5 可线性化的一元非线性回归
9. 6 逻辑回归
习题
10 机器学习常用统计分析方法
10.1判别分析
10.2聚类分析
10.3主成分分析
附录
参考文献