正版
概率论与数理统计——基于PYTHON实现
- 书名
- 概率论与数理统计——基于PYTHON实现
- 作者
- 贾佳,舒常江,康顺光 主编
- 出版社
- 华中科技大学出版社
- 出版时间
- 2026-07-01
- ISBN
- 9787577231686
- 货号
- 1204501224
- 品相
- 全新
- 分类
- 涉及古代·科技
- 书名
- 概率论与数理统计——基于PYTHON实现
- 作者
- 贾佳,舒常江,康顺光 主编
- 出版社
- 华中科技大学出版社
- 出版时间
- 2026-07-01
- ISBN
- 9787577231686
- 货号
- 1204501224
- 品相
- 全新
- 分类
- 涉及古代·科技
编辑推荐▼
1. 理论为先,夯实基础。遵循“由浅入深、逻辑递进”的知识编排原则,先搭建概率论的基础框架(随机事件、概率、随机变量等),再逐步过渡到数理统计的应用方法,每个章节均以“核心知识点讲解-小结-习题”的结构呈现,帮助读者梳理逻辑、巩固重点,确保理论学习的连贯性与扎实度。 2. 实践赋能,知行合一。将 Python 实现与理论内容深度绑定,而非孤立设置编程模块。实验部分严格对应正文章节知识点,先通过基础实验完成 Python 工具入门,再以 “理论知识点→编程实现思路→案例代码→结果分析” 的模式,让读者用代码验证理论、用实践深化理解,解决 “懂理论不会落地” 的核心问题。 3. 体系完整,兼顾实用。既保证理论体系的完整性(覆盖概率论与数理统计的经典核心内容),也注重实践的实用性——选择统计分析中常用的Python库,设计贴近实际应用场景的案例(如分布模拟、数据可视化、建模预测),同时配套标准附表与习题答案,兼顾“理论学习”与“实际应用”双重需求,适配不同读者的使用场景。 4. 降低门槛,兼顾受众。考虑到部分读者可能缺乏Python 基础,专门设置入门级实验(Python 语言入门、核心库介绍),循序渐进引导编程学习;理论讲解避免过度晦涩,配合实践案例降低理解难度,让无论是高校学生、自学人士还是职场从业者,都能根据自身基础完成学习与应用。
作者简介▼
贾佳,桂林旅游学院人工智能学院副教授,长期讲授“高等数学”“线性代数”“概率论与数理统计”等课程,具有丰富的教学经验。作为主编已经出版《高等数学——基于Python实现》《线性代数——基于Python实现》2部教材;曾指导全国大学生数学建模竞赛荣获“国家二等奖”2项、“自治区二等奖”2项、“自治区三等奖”若干项;主持完成各级教改课题4项,主持参与省部以上级课题10余项;发表SCI检索等论文25篇;中国发明专利授权1项,软件著作权4项。
舒常江,桂林信息科技学院基础教学部应用数学教研室主任。主要教授课程:概率论、高等数学、线性代数。指导学生参加第十七届全国大学生数学竞赛广西赛区,共斩获一等奖18项、二等奖19项、三等奖42项,荣获广西赛区“优秀指导老师”称号。
康顺光,桂林旅游学院人工智能学院副院长,教授,广西旅游数据中心副主任(省部级科研机构/省部级数据中心),广西人工智能学会常务理事,广西人工智能学会智慧旅游分会秘书长,广西数学会理事。曾任学校党委组织部副部长、党委统战部副部长等职务。主持及参与各级课题20余项;发表论文30余篇,其中SCI检索4篇,EI检索3篇,CSSCI检索1篇,CSCD检索2篇,其他北大核心3篇;中国发明专利2项;编写教材4部,其中主编2部、副主编2部;近年,指导全国大学生数学建模竞赛荣获“国家二等奖”2项、“自治区一等奖”1项;指导全国信息技术人才大赛荣获“自治区一等奖”1项。
目录▼
第一章随机事件与概率(1)
第一节随机事件及其运算(1)
第二节概率的定义及其性质(5)
第三节等可能概型(8)
第四节条件概率与全概率公式(11)
第五节事件的独立性(17)
小结(22)
实验一搭建实验环境(23)
实验二Python核心库与基础语法介绍(23)
实验三古典概型与条件概率的Python实现(23)
习题一(24)
第二章随机变量(29)
第一节随机变量及其分布函数(29)
第二节离散型随机变量及其分布(31)
第三节连续型随机变量及其概率密度(38)
第四节随机变量函数的分布(47)
小结(50)
实验四随机变量及其分布的Python实现(51)
习题二(52)
第三章多维随机向量(58)
第一节二维随机向量及其分布(58)
第二节边缘分布(63)
第三节条件分布(66)
第四节随机变量的独立性(69)
第五节两个随机变量函数的分布(70)
小结(76)
实验五二维随机向量及其分布的Python实现(78)
习题三(78)
第四章随机变量的数字特征(83)
第一节数学期望(83)
第二节方差(91)
第三节协方差与相关系数(96)
第四节矩、协方差矩阵(101)
小结(103)
实验六随机变量数字特征的Python实现(105)
习题四(105)
第五章大数定律与中心极限定理(110)
第一节大数定律(110)
第二节中心极限定理(114)
小结(117)
实验七大数定律与中心极限定理的Python验证(118)
习题五(118)
第六章数理统计的基本概念(120)
第一节随机样本(120)
第二节抽样分布(123)
小结(128)
实验八数理统计基本概念与抽样分布的Python实现(129)
习题六(129)
第七章参数估计(131)
第一节点估计(131)
第二节估计量的评价标准(137)
第三节区间估计(139)
小结(142)
实验九参数估计的Python实现(144)
习题七(144)
第八章假设检验(148)
第一节概述(148)
第二节单个正态总体的假设检验(151)
第三节两个正态总体的假设检验(159)
第四节总体分布函数的假设检验(165)
小结(168)
实验十假设检验的Python实现(169)
习题八(169)
第九章方差分析(172)
第一节单因素试验的方差分析(172)
第二节双因素试验方差分析(178)
第三节正交试验设计及其方差分析(185)
小结(193)
实验十一方差分析的Python实现(193)
习题九(193)
第十章回归分析(197)
第一节回归分析的概述(197)
第二节参数估计(199)
第三节假设检验(203)
第四节预测与控制(206)
第五节非线性回归的线性化处理(208)
小结(211)
实验十二回归分析的Python实现(212)
习题十(212)
附表1泊松分布表(215)
附表2正态分布函数N0,1的数值表(218)
附表3χ2分布上分位表(220)
附表4t分布上分位表(222)
附表5F分布上分位表(224)
附表6正交表(229)
参考文献(231)
文摘▼
本书以“理论体系+编程实践”为核心定位,围绕概率论与数理统计的经典知识框架展开,融入Python工具的实际应用,致力于帮读者构建“懂理论、会实践、能应用”的知识体系。
在理论层面,本书构建了从基础概率解析到高级统计分析的完整逻辑链条:以概率论基本概念(随机事件、概率、独立性等)为起点,逐步延伸至随机变量与随机向量的分布特性、数字特征,进而引出数理统计核心方法(参数估计、假设检验、方差分析、回归分析等),同时介绍大数定律与中心极限定理,形成完整理论闭环,覆盖学科核心知识体系与逻辑脉络,确保了理论的深度与完整性。
在实践层 面,本书围绕理论内容配套设计了Python实验体系,既包含Python语言入门、核心 库(NumPy、SciPy、Matplotlib等)的使用等基础模块,也针对各章节理论量身设计了对应的编程实现案——从古典概型的代码模拟、随机变量分布的可视化,到参数估计的编程实现、回归分析的建模预测,形成“理论知识-Python代码实现-实际案例验证”的完整实践链条,解决传统教材“重理论、轻应用”的痛点问题。
此外,本书配套完善的辅助材料(标准概率分布表、习题及参考答案、参考文献),既满足理论学习的巩固需求,又为实践拓展提供支撑,可作为高校教材、自学备考用书,也适用于职场人士的技能提升。





