本书主要内容包括：概率论基础知识、随机过程的概念和基本类型、Poisson过程、更新过程、马尔可夫链、随机过程分析。

本书内容包括随机事件及其概率、随机变量及其概率分布、随机向量及其概率分布、随机变量的函数及其数值模拟、随机变量的数字特征、大数定律与中心极限定理等。本书内容简明扼要，概念引入自然实用，符合教学实际的需要。在讲述离散型随机变量的概率分布时，采用图、表、公式相结合的方式，既减少了长篇烦冗的论述，又适合实际教学使用，容易被学生理解和掌握。

本书可作为高等工科院校数学与应用数学专业、信息与计算科学专业、数据科学与大数据技术专业、

本书根据高等院校非数学类专业的概率论与数理统计课程的教学大纲和教学基本要求, 参照上海财经大 学概率论与数理统计课程与教材建设的经验和成果, 参考全国硕士研究生入学统一考试大纲, 充分吸收国内外概率论与数理统计相关教材的精华, 结合编者多年教学实践和教学改革经验编写而成. 本书共8章, 内容包括事件与概率、随机变量及其分布、随机向量及其分布、随机变量的数字特征、大数定律与中心极限定理、统计量与抽样分布、参数估计和假设检验.每章均配有不同难易程度的习题, 核心知识点配备微课, 章节后面配

本书主要介绍概率论与数理统计的实验内容。全书可分为三部分：第一部分是概率论部分的实验，包括抛硬币实验、掷骰子实验、蒲丰投针实验、全概率公式和贝叶斯公式、常见离散型分布、常见连续型分布、数学期望、中心极限定理等；第二部分是数理统计部分的实验，包括参数估计、假设检验、方差分析与回归分析等，其中部分内容采用随机模拟的方法进行模拟和求解；第三部分是综合性实验，包括极限分布之间关系的动态演示、密度函数和分布函数的工具箱的制作。本书将Python作为编程语言。本书可作为高等理工科院校学生学习概率论与数理统计

本书在介绍数理统计的基本概念和基本理论的基础上, 利用Python编程处理随机数据。本书共分6章, 内容包括Python基础、随机样本与抽样分布、参数估计、假设检验、方差分析、一元线性回归分析。另外, 本书设置了个Python上机编程实验。

本书主要针对高职院校理工类专业编写，较好地体现了高等数学的应用性，可供大一理工类学生使用。本书内容主要包括函数、极限与连续，导数与微分，微分中值定理与导数的应用，不定积分，定积分及其应用，常微分方程和数学实验 7 个章节，书中加“*”号的内容为选学内容，供任课老师酌情选用。每章按节配置了由易到难的习题，书后附有答案，扫码可以查看答案详解。同时，每章最后有本章复习题和在线测试题。为了便于学生学习，书末附录还给出了常用数学公式和积分表。本书内容突出数学与理工类专业及生活实践的密切联系，在案例选取上，

本书依据作者多年从事模式识别教学和研究的体会,并参考相关文献编写而成,概括地介绍了模式识
别理论和技术的基本概念、原理、方法和实现。
全书共分为11章,每章阐述模式识别中的一个知识点,内容包括贝叶斯决策、概率密度函数的估计、
线性判别分析、非线性判别分析、组合分类器、无监督模式识别、特征选择、特征提取、半监督学习以及人工
神经网络。除了经典算法以外,本书增加了部分较新的理论和算法,读者可以选择性地学习。本书还配以
电子课件、MATLAB仿真程序和实验指导书,便于教和

本书是为使用概率统计较多的本科相关专业编写的有关统计推理的理论、思维和方法的教材，基于微积分的统计学理论和应用的介绍，反映了统计思维、统计学教学和当前实践的最新情况。内容主要包括概率分布和概率密度、数学期望、特殊概率分布、随机变量函数、抽样分布、决策理论、点估计、区间估计、假设检验等。

本书是清华大学出版社出版的教材《随机过程及其应用》（第2版）（ISBN 9787302242758）的配套习题解答。书中所有习题与主教材所列习题一一对应，每一题均有详细解答。主教材在第1版的基础上做了较大的改编，对教材中的习题做了适当的调整，删去了过去一些比较烦琐和复杂的题目，突出了习题的简单性和概念性；增加了部分与实际信息工程相结合的习题。除主教材所列习题之外，本书还补充了少量较难的习题，以满足一部分学有余力的学生的要求。 本书适合作为广大高校电子信息及相关专业的随机过程课程辅导材料，也可以作

第2版的主要目的是扩大第1版（2013）的第3章和第4章的半契约模型的内容，并以自第1版以来作者在期刊和报告中发表的研究成果作为补充。这本书的数学内容非常优雅且严格，依靠抽象的力量专注于基础知识。该书首次提供了该领域的全面综合知识，同时提出了许多新研究，其中一些研究与当前非常活跃的领域（如近似动态编程）有关。本书中散布着许多例子，用严谨的理论统一起来，并将其应用于特定类型的问题，例如折扣、随机最短路径、半马尔可夫、最小极大、序贯博弈、乘法和风险敏感模型。本书还包括练习（提供完整的解答），并通过示