吕晓玲，中国人民大学统计学院教授，博士生导师；数据科学与大数据统计系系主任；中国人民大学数据挖掘中心主任。奥地利约翰·开普勒林茨大学应用统计系以及美国加州大学伯克利分校统计系访问学者。一直从事统计机器学习、数据科学领域的研究。主持教育部人文社会科学研究项目以及国家自然科学基金项目。在Journal of the American Statistical Association，Journal of Electronic Commerce Research等SSCI/SCI检索的国际学术期刊发表多篇论文。

本书内容特色鲜明，紧扣数据科学与人工智能时代的统计学发展需求，在保持第1版强调统计学作为方法论学科特色的基础上，进行了多方面的改进与更新。第2版不仅调整了部分章节顺序和内容安排，使之更符合统计学的逻辑体系，而且增加了新的统计方法和实例，如增强了最大似然估计的理论和实例介绍，增加了拒绝域、势函数等假设检验中的重要概念，以及引入了MCMC方法并提供了该方法的R语言代码实现。
本书注重理论与实践相结合，通过大量的例题和习题，帮助学生深入理解统计理论和方法。同时，第2版还加强了计算机实践环节，以R语言为基础，介绍了与知识点相关的R语言操作，有助于学生掌握现代统计学的计算工具，提高解决实际问题的能力。
此外，本书还强调批判性思考，通过书中的批判性思考题目，鼓励学生对统计方法的应用进行独立思考和评价，引导学生对统计学的深层次问题进行探讨，培养学生的逻辑思维能力、分析能力、创新能力，以及科学精神。
本书是一本受众群体广泛的统计学教材，无论是统计学和数据科学相关专业的学生、统计工作者和研究人员，还是对统计学感兴趣的自学者，都可以从中获得有价值的知识和启示。

大数据和人工智能时代给统计学带来了巨大的机遇，同时也带来了前所未有的挑战。 可以说，统计学这个学科正处于传承和发展的伟大变革时期。本书是传统数理统计教材和课程的新发展。 数理统计是统计学专业非常重要的学科基础课。我们一直认为统计学的基础是数学，所以才称为数理统计。诚然，在计算机技术并不发达的统计发展的早期，严谨的数学推导是统计理论的唯一保证。但数学定理的推导对统计方法的应用有很多局限，比如需要很多假定，如果这些假定不符合实际情况，理论就没有用处；比如更复杂的应用场景很难有经典的数学理论结果来保证方法的有效性。现在是大数据时代，计算机技术的发展使得统计方法有了很大突破，应用领域有了更大的拓展，但并不是说我们不需要数学理论了，只是说需要的数学方法也相应有了更多变化和要求。统计学是一门方法论的学科，我们应该首先弄清楚要研究的问题是什么，然后探讨如何构造方法(解决数据分析的实际问题)以及如何评价方法(保证方法的科学性)。所以说数学理论是为评价统计方法服务的，在这个角度上，不能把统计看作一门数学课，用数学的标准来要求统计学。本课程作为学科基础课，更应该强调统计学是一门方法论的学科这样的统计思想，更应该在数据科学的大背景下围绕这个核心编写教材、组织教学。

第1章 统计量
1.1 数据和变量
1.1.1 数据的例子
1.1.2 变量的类型
批判性思考
习题1.1
1.2 总体、样本和统计量
1.2.1 总体和分布
1.2.2 样本
1.2.3 统计量
批判性思考
习题1.2
1.3 从样本认识总体的图表方法
1.3.1 频数频率表与直方图
1.3.2 饼图与条形图
1.3.3 样本的经验分布函数
1.3.4 高维数据的图表展示方法
1.3.5 数据变换
批判性思考
习题1.3
1.4 抽样分布
1.4.1 样本均值的抽样分布
1.4.2 正态总体各统计量的分布
1.4.3 用随机模拟法寻找统计量的近似分布
批判性思考
习题1.4
1.5 次序统计量
1.5.1 次序统计量的概念
1.5.2 样本极差
1.5.3 样本中位数与样本 p分位数
1.5.4 箱线图和 Q-Q图
1.5.5 次序统计量的分布
批判性思考
习题1.5
1.6 充分统计量
1.6.1 充分统计量的概念
1.6.2 因子分解定理
批判性思考
习题1.6
1.7 常用的概率分布族
1.7.1 常用的概率分布族表
1.7.2 伽马分布族
1.7.3 贝塔分布族
1.7.4 指数型分布族
批判性思考
习题1.7
……
第2章 参数估计
第3章 假设检验
第4章 统计决策与贝叶斯方法
第5章 在抽样方法
附录 R语言基础
参考文献