《专业导论》 《认识实习》 《高等数学》 《线性代数及其应用》 《国民经济统计学》 《随机过程》 《运筹学》 《实用回归分析》 《应用计算软件（SPSS）》 《概率论》 《企业经营统计》 《应用时间序列分析》 《非参数统计》 《实用统计软件（R 语言）》 《抽样技术与应用》 《应用多元统计分析》 《大数据技术》 《Python 语言与数据挖掘》 《探索性数据分析》 《数据可视化》 《统计推断》 《统计建模》 《装备制造企业统计学》 《统计专业英语》 《社会统计与社会调查方法》 《空间数据分析》 《数理统计》 《毕业实习》 《毕业设计（论文）》

一.概率的概念 自然界和社会上的现象一般分为两类，一类称为必然现象如：水在一 个大气压下加热到摄氏100 必然沸腾，同性电荷必然相互排斥等等。另一 类称为随机现象，即带有随机性、偶然性的现象。如：抛掷一枚均匀的硬 币，其结果可能是整面朝上，也可能是反面朝上，事先无法肯定

一.概率的概念 自然界和社会上的现象一般分为两类，一类称为必然现象如：水在一 个大气压下加热到摄氏100 必然沸腾，同性电荷必然相互排斥等等。另一 类称为随机现象，即带有随机性、偶然性的现象。如：抛掷一枚均匀的硬 币，其结果可能是整面朝上，也可能是反面朝上，事先无法肯定

一、概率的概念 自然界和社会上的现象一般分为两类,一类称为必然现象如:水在一 个大气压下加热到摄氏100必然沸腾,同性电荷必然相互排斥等等。另一 类称为随机现象,即带有随机性、偶然性的现象。如:抛掷一枚均匀的硬 币,其结果可能是整面朝上,也可能是反面朝上,事先无法肯定。又如, 袋中装有红色和白色两种球,从中任意取出一只,取出的球可能是红色也 可能是白色,事先无法肯定等等

16.1数据从何而来？如何善用资讯？ 16.2 样本告诉我们什么？ 16.3 好样本与坏样本 16.4怎样可取得坏样本？ 16.5有偏抽样法 16.6 简单随机样本 16.7谈谈实验

§11.1 计算积分的Monte Carlo方法 §11.2 Markov链Monte Carlo方法简介 §11.3 Metropolis-Hastings算法 §11.4 Gibbs抽样 §11.5 贝叶斯MCMC估计方法

本章在介绍概率论中最基本的两个概念——事件、概率的基础上，重点介绍生物科学研究中常用的几种随机变量的概率分布——正态分布、二项分布、波松分布以及样本平均数的抽样分布和t分布

Chapter 1 预备知识 Chapter 2 随机过程的基本概念和基本类型 Chapter 3 泊松过程 Chapter 4 更新过程 Chapter 5 马氏链 Chapter 6 鞅 Chapter 7 布朗运动 Chapter 8 随机积分 Chapter 9 随机过程在金融中的应用 Chapter 10 随机过程在保险中的应用 10.1 基本概念 10.2 经典破产理论介绍 Chapter 11 MCMC 方法 11.1 计算积分的蒙特卡洛方法 11.2 MCMC 方法简介 11.3 Metropolis-Hastings 算法 11.4 Gibbs 抽样 11.5 贝叶斯 MCMC 估计方法

第一节 完全随机设计的方差分析 第二节 随机区组设计的方差分析 第三节 多个样本均数的两两比较 第四节 析因设计的方差分析 第五节 多个方差齐性检验 第一节 相对数的概念及计算 第二节 相对数使用应注意的问题 第三节 率的标准化 第四节 医学中常用的相对数指标 第五节 率的抽样误差与区间估计

本文通过对Buhlmann—Straub模型结构的剖析，引入基于Gibbs抽样的马尔可夫链蒙特卡罗(MCMC)模拟方法，构建出风险保费预测值信用估计的贝叶斯模型。实例分析的结果证明了该模型能够在数据缺失的情况下，动态模拟出有关参数的后验分布，求出缺失参数的后验估计，提高计算的精度，从而有助于更有效地甄别出各保单问的非同质程度