目 录
Part I Descriptive Statistics
Unit 1 Statistics3
1.1 What is Statistics?4
1.1.1 Meanings of Statistics4
1.1.2 Definition of Statistics5
1.1.3 Types of Statistics6
1.1.4 Applications of Statistics6
1.2 The language of Statistics9
1.2.1 Population and Sample9
1.2.2 Kinds of Variables11
1.3 Measurability and Variability14
1.4 Data Collection16
1.4.1 The Data Collection Process17
1.4.2 Sampling Frame and Elements18
1.5* Single-Stage Methods21
1.5.1 Simple Random Sample21
1.5.2 Systematic Sample22
1.6* Multistage Methods25
1.7* Types of Statistical Study27
1.8 The Process of a Statistical Study31
Glossary34
Reading English Materials35
Passage 1. What is Statistics?35
Passage 2. From Data to Foresight35
Problems36
Unit 2 Descriptive Analysis of Single-Variable Data40
2.1 Graphs, Pareto Diagrams, and Stem-and-Leaf Displays41
2.1.1 Qualitative Data41
2.1.2 Quantitative Data43
2.2 Frequency Distributions and Histograms47
2.2.1 Frequency Distribution47
2.2.2 Histograms51
2.2.3 Cumulative Frequency Distribution and Ogives53
2.3 Measures of Central Tendency55
2.3.1 Finding the Mean55
2.3.2 Finding the Median56
2.3.3 Finding the Mode57
2.3.4 Finding the Midrange58
2.4 Measures of Dispersion60
2.4.1 Sample Standard Deviation62
2.5 Measures of Position64
2.5.1 Quartiles64
2.5.2 Percentiles64
2.5.3 Other Measures of Position66
2.6 Interpreting and Understanding Standard Deviation70
2.6.1 The Empirical Rule and Testing for Normality70
2.6.2 Chebyshev’s Theorem72
Glossary74
Problems75
Unit 3 Descriptive Analysis of Bivariate Data79
3.1 Bivariate Data80
3.1.1 Two Qualitative Variables80
3.1.2 One Qualitative and One Quantitative Variable82
3.1.3 Two Quantitative Variables83
3.2 Linear Correlation85
3.2.1 Calculating the Linear Correlation Coefficient, r86
*3.2.2 Causation and Lurking Variables89
3.3 Linear Regression91
3.3.1 Line of Best Fit92
3.3.2 Making Predictions97
Reading English Materials99
Passage 1. The First Regression99
Passage 2. Simpson’s Paradox99
Problems100
Unit 4 Introduction to Probability104
4.1 Sample Spaces, Events and Sets105
4.1.1 Introduction105
4.1.2 Sample Spaces105
4.1.3 Events106
4.1.4 Set Theory108
4.2 Probability Axioms and Simple Counting Problems109
4.2.1 Probability Axioms and Simple Properties109
4.2.2 Interpretations of Probability111
4.2.3 Classical Probability112
4.2.4 The Multiplication Principle113
4.3 Permutations and Combinations115
4.3.1 Introduction115
4.3.2 Permutations116
4.3.3 Combinations118
4.3.4 The Difference Between Permutations and Combinations120
4.4 Conditional Probability and the Multiplication Rule122
4.4.1 Conditional Probability122
4.4.2 The Multiplication Rule123
4.5 Independent Events, Partitions and Bayes Theorem124
4.5.1 Independence124
4.5.2 Partitions125
4.5.3 Law of Total Probability126
4.5.4 Bayes Theorem126
4.5.5 Bayes Theorem for Partitions127
Reading English Materials130
Passage 1. Probability and Odds130
Passage 2. The Relationship between Odds and Probability130
Passage 3. How the Odds Change across the Range of the Probability131
Problems132
Unit 5 Discrete Probability Models134
5.1 Introduction, Mass Functions and Distribution Functions135
5.1.1 Introduction135
5.1.2 Probability Mass Functions PMFs136
5.1.3 Cumulative Distribution Functions CDFs137
5.2 Expectation and Variance for Discrete Random Quantities138
5.2.1 Expectation138
5.2.2 Variance139
5.3 Properties of Expectation and Variance140
5.3.1 Expectation of a Function of a Random Quantity140
5.3.2 Expectation of a Linear Transformation140
5.3.3 Expectation of the Sum of Two Random Quantities141
5.3.4 Expectation of an Independent Product141
5.3.5 Variance of an Independent Sum142
5.4 The Binomial Distribution142
5.4.1 Introduction142
5.4.2 Bernoulli Random Quantities143
5.4.3 The Binomial Distribution143
5.4.4 Expectation and Variance of a Binomial Random Quantity145
5.5 The Geometric Distribution146
5.5.1 PMF146
5.5.2 CDF147
5.5.3 Useful Series in Probability148
5.5.4 Expectation and Variance of Geometric Random Quantities148
5.6 The Poisson Distribution149
5.6.1 Poisson as the Limit of a Binomial149
5.6.2 PMF150
5.6.3 Expectation and Variance of Poisson151
5.6.4 Sum of Poisson Random Quantities152
5.6.5 The Poisson Process152
Reading English Materials154
Passage 1. The Founder of Modern Statistics—Karl Pearson154
Passage 2. The Relations of Several Discrete Probability Models154
Problems155
Unit 6 Discrete Probability Models158
6.1 Introduction, PDF and CDF159
6.1.1 Introduction159
6.1.2 The Probability Density Function159
6.1.3 The Distribution Function160
6.1.4 Median and Quartiles161
6.2 Properties of Continuous Random Quantities161
6.2.1 Expectation and variance of continuous random quantities161
6.2.2 PDF and CDF of a Linear Transformation162
6.3 The Uniform Distribution163
6.4 The Exponential Distribution165
6.4.1 Definition and Properties165
6.4.2 Relationship with the Poisson Process166
6.4.3 The Memoryless Property167
6.5 The Normal Distribution168
6.5.1 Definition168
6.5.2 Properties168
6.6 The Standard Normal Distribution169
6.6.1 Properties of the Standard Normal Distribution170
6.6.2 Finding Area to The Right of z = 0171
6.6.3 Finding Area in The Right Tail of a Normal Curve171
6.6.4 Finding Area to the Left of a Positive z Value172
6.6.5 Finding Area from a Negative z to z = 0172
6.6.6 Finding Area in the Left Tail of a Normal Curve172
6.6.7 Finding Area from A Negative z to a Positive z172
6.6.8 Finding Area Between two z Values of the Same Sign173
6.6.9 Finding z-Scores Associated with a Percentile173
6.6.10 Finding z-scores that Bound an Area174
6.7 Applications of Normal Distributions175
6.7.1 Probabilities and Normal Curves175
6.7.2 Using the Normal Curve and z176
6.8 Specific z-score178
6.8.1 Visual Interpretation of za179
6.8.2 Determining Corresponding z Values for z a179
6.8.3 Determining z-scores for Bounded Areas180
6.9 Normal Approximation of Binomial and Poisson181
6.9.1 Normal Approximation of the Binomial181
6.9.2 Normal Approximation of the Poisson182
Problems182
Unit 7 Sampling Distributions and CLT187
7.1 Sampling Distributions188
7.1.1 Forming a Sampling Distribution of Means188
7.1.2 Creating a Sampling Distribution of Sample Means189
7.2 The Sampling Distribution of Sample Means192
7.2.1 Central Limit Theorem193
7.2.2 Constructing a Sampling Distribution of Sample Means194
7.3 Application of the Sampling Distribution of Sample Means199
7.3.1 Converting Information into z-scores199
7.3.2 Distribution of and Increasing Individual Sample Size200
7.4 Advanced Central Limit Theorem202
7.4.1 Central Limit Theorem Sample Mean203
7.4.2 Central Limit Theorem Sample Sum203
Problems207
Part II Inferential Statistics
Unit 8 Introduction to Statistical Inferences210
8.1 Point Estimation and Interval Estimation211
8.1.1 Point Estimate211
8.1.2 Interval Estimate212
8.2 Estimation of Mean m s Known214
8.2.1 The Principle of Constructing a Confidence Interval214
8.2.2 Applications216
8.2.3 Sample Size and Confidence Interval217
8.3 Introduction to Hypothesis Testing220
內容試閱：
序 言
当前，就我国大学英语教学的目标或模式而言，通常本科基础英语或传统的综合英语模式，不论是理、工、农林类，还是管理、财经类等大学生都要学习基础外语，最终以通过四级或六级英语考试为评价阶段性英语教学任务的标准。然后，各高校因专业不同而开设各自专业的英语，其目标是为大学生有机会接触用英语讲授的专业讲座和专业课程提供查阅、搜索和研究某个专题文献综述的一个良好开端。这样的教学模式可用图1来表示，也就是英语教学的实用目标和专业英语、基础英语三者之间的关系。
图1 专业英语、基础英语和实用目标三者关系
2012年4月，上海市大学英语教学指导委员会宣布了以学术英语为导向的指导性文件《上海市大学英语教学参考框架（试行）》。2014年4月，由上海交通大学出版社出版《新核心综合学术英语教程》第四册，从而完成第一套大学生学术英语教材（共4册），这表明大学英语的教学方式向以专门用途英语为导向的转型之路走出了重要一步。出现这样的变化，可以说反映出一种新的趋势和发展事态，即随着大学教育的日益普及、大学生的外语水平普遍提升，国际交往和交流越来越多，各高校的不同专业大学生接触和联系外国专家、学者的机会也不断增多，试图通过外文直接获取、学习本专业知识的途径非常便利。同时，由于互联网的发展和移动互联网的普及，使得以往制约人们寻找、发现和获取新信息的瓶颈不复存在，进而出现了新的发展趋势。
那么，究竟什么是学术英语呢？学术英语的含义是English for Academic Purposes，记为EAP，一般可以分成两大类：第一类是通用学术英语（English for General Academic Purposes，EGAP）；第二类是专门学术英语（English for Specific Academic Purposes，ESAP）。前者是一个跨越多学科的语言教学，目的是为各专业学生提供所需的通用共性的基本技能，包括学术口语交流能力和学术书面交流能力。具体地说，比如如何听讲座、做笔记、搜索和阅读文献、撰写课程小论文、参加学术讨论等。后者则是某个特定学科领域（如数学、统计学、生物学、经济学、物理学）的英语教学。
实际上，如果从更广阔的视角来考察，许多高校的博士研究生英语教学早在多年前就已经执行了学术英语的教学。当今，随着英语逐渐成为世界上各个学科交流科研成果、各个学术团体及组织、会议和期刊的通用语言，学术英语迅速扩展到全世界。由此可见，学术英语的目标是培养大学生对本专业文献信息的查阅、搜集、评价、组织及表达的能力。尤其是，开展以问题或项目为指针的教学，使学生具有独立思维、独立学习的研究能力，这是每一名大学生所必备的学术素养（见图1）。
编写这本书的主要目的是，尝试提供一本针对统计学领域的专业英语，比较系统地阐述基础统计学的知识。作为统计学导论的书籍，本书深入浅出地讲解和阐述什么是统计学，特别是初阶统计学的基本内容。同时，紧跟当今时代发展，整理出统计学与数据科学可供选学和课外阅读的单元。
实际上，从数据科学（Data Science）的交叉属性来看，可将数据科学看成计算机科学、数值计算、现代数据分析等的交叉融合而形成的新兴学科，目的是从数据中获得知识，获得有价值的信息，服务于社会。如果从应用视角看，数据科学应具备三个条件：第一个条件是底层构架开发或使用能力，如Spark, MapReduce, Hadoop等；第二个条件是程序开发能力；第三个条件是数据建模和解决问题能力。
美国加州大学伯克利分校统计系的郁彬（Bin Yu）教授提出，一个合格的数据科学家应具备的基本素质和技能，可概括为SDC3：
■ Statistics S 统计学；
■ Domain science knowledge D 深厚的（科学）知识；
■ Computing C 计算技术；
■ Collaboration team work C 团队的合作能力；
■ Communication to outsiders C 与外界的沟通能力。
并认为
Data Science = SDC3
美国统计学家吴建民教授（C.F. Jeff Wu）早在1998年的一个学术会议上就曾建议：
Statistics Data Science
Statisticians Data Scientists
Several good names have been taken up： computer, information science, material science, cognitive science. Data Science is likely the remaining good name reserved for us.
为了适应这一技术变革趋势与新兴的社会需求，伊利诺伊大学香槟分校从2011年起举办数据科学暑期研究班；哥伦比亚大学从2013年起开设《应用数据科学》课程，并从2013年起开设相关培训项目，从2014年起设立硕士学位，2015年设立博士学位；纽约大学从2013年秋季起设立数据科学硕士学位。在英国，邓迪大学从2013年起设立数据科学硕士学位。
特别要提及的是，美国的得克萨斯大学奥斯汀分校（The University of Texas Austin）的自然科学学院（College of Natural Sciences）索性将统计系改名为统计及数据科学系（Department of Statistics and Data Sciences），而其他大学（如美国的西弗吉尼亚大学（West Virginia University））统计系硕士研究生设有数据科学方向（Master of Data Science）。另外，斯坦福大学统计学系研究生层面教育也有数据科学方向。由此可见，统计学是数据科学中最重要的组成部分之一。
作为数据科学三大支柱之一的计算机科学，迄今为止的发展经历了三个阶段。早期阶段，让计算机可以工作，发展重点在于程序语言、编译原理、操作系统以及支撑它们的数学理论；中期阶段，让计算机变得有用，发展重点在于算法和数据结构；当前阶段，让计算机具有更多的应用，发展重点从离散类数学转到概率与统计。
如果从计算机科学处理数据的核心技术看，机器学习就是当前最核心的技术之一，而且发展势头非常强劲，那么就不能不提到统计（或统计方法）、数据、计算和机器学习这四者的关系，如图2所示。因此，在统计学与数据科学中对机器学习、统计计算等都有所涉及。另外，有一种观点认为，机器学习等价于数据矩阵 统计学 最优化 算法。由此可见统计学作为数据科学的另一个支柱的重要性。
2014年6月25日，全国科学技术名词审定委员会发布试用204条科技新词，其中包括大数据、云计算、物联网、三维打印等42条热点名词以及暗能量、宏基因组等162条专业新词。具体地说，大数据（big data）是指具有数量巨大（无统一标准，一般认为在T级或P级以上，即1012或1015以上），类型多样（既包括数值型数据，也包括文字、图形、图像、音频、视频等非数值型数据），处理时效紧，数据源可靠性保证度低等综合属性的数据集合。再比如，物联网（internet of things）是指综合采用计算机、网络、传感器、控制设备等，让能够被独立寻址的相关物理对象互联互通，实现对其识别、监控和管理的智能化网络。（摘自于http：tech.gmw.cn中的http：tech.gmw.cn2014-0625content_11727262.htm;
http：tech.gmw.cn2014-0625content_11727659.htm.）
本书的统计学与数据科学单元就包括了大数据、物联网这样的科技新词。
作者曾经出版过《统计学专业英语（第3版）》（哈尔滨工业大学出版社，2015年4月），但是这两本书在内容素材选取、难易程度等方面，各自有不同的特点，这两本书的关系可以说是相互补充，没有替代性。具体而言，《统计学专业英语（第3版）》是针对学习过统计学或数理统计学的大学生，提供了不同专题的单元内容以学习和掌握统计学专业英语。而本书则是针对以前没有学习过统计学，打算了解和掌握利用英语阐明统计学基础知识的大学生，内容定位为初阶统计学，内容素材和前者相比，完全不同。
另外，本书在内容选取上，充分兼顾特性群体的大学生，也就是懂一点统计学但又想学习统计学专业英语的各类专业大学生或研究生，各行各业有这方面需求的工作者。
本书尝试在下述几方面进行探索。
（1）定位：这是初阶、中阶统计学领域的专业英语，目的是使学生初步认识、了解和掌握统计学专业领域的常用术语，掌握统计学的基本内容，学会运用基本统计分析方法。
（2）教学内容：以单元形式提供相关的统计内容，给出有关的英文术语及词汇表。另外，为方便教学，提供有关用于教学的PPT等。
（3）习题解答：对某些较难的计算习题，给出参考答案。另外，我们为使用本书的教师提供一些额外的教学资料，可以直接联系编辑或作者（编辑E-mail： qinshl@phei.com.cn）。
部分习题参考答案、教学PPT、音频资料、部分课文参考译文及其他辅助资料，可登录华信教育资源网www.hxedu.com.cn免费下载，也可扫描二维码获取。
全书的内容安排以Unit（单元）为独立
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
