独立成分分析中的高阶统计量方法

本书较系统介绍了随机事件与概率、随机变量及其概率分布、多维随机变量及其概率分布、随机变量的数字特征、大数定律与中心极限定理等概率论基本知识，以及数理统计的基本概念和抽样分布、参数估计、假设检验、方差分析与回归分析初步等数理统计的基本知识。在每章后面均配有相关内容的Mathcad数学实验，这不仅使学生提高了学习概率论与数

系统讲述了如何正确地收集和描述数据，如何利用统计软件MINITAB和EXCEL进行统计分析，以及如何解释统计结果在实际应用中的意义。本书是根据该书第14版缩编而成，对统计描述和推断作了基本的介绍。

本书内容主要有随机事件及其概率、随机变量及其分布、随机变量的数字特征、极限定理初步、数理统计的基础概念、参数估计、假设检验。

本书基于PyMC语言以及一系列常用的Python数据分析框架，如NumPy、SciPy和Matplotlib，通过概率编程的方式，讲解了贝叶斯推断的原理和实现方法。该方法常常可以在避免引入大量数学分析的前提下，有效地解决问题。书中使用的案例往往是工作中遇到的实际问题，有趣并且实用。作者的阐述也尽量避免冗长的数学分析，而

本书展示了如何运用数学资源中的图论来理解复杂对数线性模型表明的关联结构。作者首先回顾了二向与多向列联表的关系模式，以及这些表的对数线性模型。在介绍了图论中的一些关键概念后，作者紧接着将这些思想应用到对数线性模型的两个图形典型中：关联图和生成多重图。利用丰富示例以及清晰解释，作者展示了对数线性模型的两个图形典型如何说明模

什么是合并时间序列？正如字面上所表达的，时间序列（在一个分析单位下规律出现的具有时间性的观测值）由横截面数据（在单独时间点上一个分析单位下的观测值）组成的一个数据集。这些分析单位可以是学校、健康组织、商业交易、城市、国家等。为什么需要进行合并分析呢？其中一个原因在于，当下研究者可以获得越来越多的相关横截面数据与时间序列

本书展示了如何运用数学资源中的图论来理解复杂对数线性模型表明的关联结构。作者首先回顾了二向与多向列联表的关系模式，以及这些表的对数线性模型。在介绍了图论中的一些关键概念后，作者紧接着将这些思想应用到对数线性模型的两个图形典型中：关联图和生成多重图。利用丰富示例以及清晰解释，作者展示了对数线性模型的两个图形典型如何说明模

什么是合并时间序列？正如字面上所表达的，时间序列（在一个分析单位下规律出现的具有时间性的观测值）由横截面数据（在单独时间点上一个分析单位下的观测值）组成的一个数据集。这些分析单位可以是学校、健康组织、商业交易、城市、国家等。为什么需要进行合并分析呢？其中一个原因在于，当下研究者可以获得越来越多的相关横截面数据与时间序列

《狄氏型和对称马尔科夫过程》是学习狄氏型和对称马尔科夫过程的标准参考书。第一部分主要包括对狄氏型理论的介绍和综合理解。狄氏型是在马尔科夫半群方向下的一种经典的狄氏积分的公理化扩张。第二部分包括分析理论，对称马尔科夫理论的概率位势理论，以及加性泛函数等。本书各章有习题，书后附有题解。读者对象：应用数学领域的研究人员和研究