学习路线与知识结构
全书按主题编号，实际先修由具体论证确定。共同工具之后有多条并列路线：学习贝叶斯基础无需先完成回归，学习精确置换无需先完成经验过程，学习统计模型也无需先完成随机微分方程。微积分、实分析与线性代数作为相应部分的数学基础。
共同工具、主线与分支
| 路线 | 推荐次序 | 建立什么 | 怎样连接下一步 |
|---|---|---|---|
| 共同工具 | 第9章、10.1–10.6、11.1–11.2 | 测度与积分、收敛、LLN/CLT、条件期望与核 | 统计模型和证明的共同语言；鞅及随机分析按分支补读。 |
| 模型入口 | 16.1；16.2、16.3–16.4、16.5分支 | 规定目标与抽样机制，研究精确分布及数据汇总 | 先知道所估计对象和数据如何产生，才有后续风险、检验与后验。 |
| 估计主线 | 17.1→17.2 | 风险评价与估计构造 | 17.3无偏最优、17.4信息界、17.5稳健性分别回应不同评价问题。 |
| 检验主线 | 18.1→18.2→18.3；18.4与18.6分支 | 控制错误、证明检验最优性与区间覆盖 | 18.4调用精确枢轴；18.6处理检验族，不依赖先完成分类数据。 |
| 正则大样本 | 19.1→19.2→19.3→19.4 | 余项→估计方程→MLE/LAN→渐近检验 | 完成后返回18.5.3–18.5.4的拟合分类模型；19.5与19.6–19.7是其他极限分支。 |
| 回归与多元 | 20.1→20.2，然后按任务分支 | 固定设计投影与精确高斯推断 | GLS、GLM、正则化、多元统计分别补自己的工具，不强制先完成经验过程。 |
| 贝叶斯 | 21.1→21.2与21.3，两支接21.4；21.5分段 | 后验更新、损失决策、层次不确定性 | 计算补14.2–14.4，后验渐近补19.3；基础可与频率路线并行。 |
| 非参数 | 22.1→22.2；22.3、22.4、22.5、22.6分别进入 | 交换性、重抽样、局部平滑、投影或预测排名 | 方法有不同概率依据，不能按章节相邻就当作逐级必修。 |
| 现代推断 | 23.1→23.2 / 23.3；23.4、23.5分别进入 | 风险最优性、复杂度、随时有效错误控制 | 决策线接21.3；高维线接20.5和18.6；序贯线接11.3–11.5。 |
幂律与重尾专题路线
这个专题分别接入分布基础、概率极限和统计推断，统一用尾指数表示尾概率的幂次。先理解分布与矩，再研究尾部极限；拟合已知阈值的帕累托模型可在统计基础后直接进入，一般尾指数与极端分位数推断再补相应概率工具。
- 分布入口：5.8 幂律、帕累托与离散幂律，接连续分布、期望与变换；辨明尾概率指数、密度指数和截断。
- 概率理论：10.7 正则变化与重尾的矩条件 → 10.8 重尾和、稳定分布与极值极限，接测度积分、弱收敛与特征函数。和与最大值分别确定中心和尺度，临界阶单独检查。
- 统计推断：19.8 幂律模型的拟合、检验与比较 → 19.9 尾指数估计与阈值选择 → 19.10 阈值超越与极端分位数估计。19.8接模型、MLE与检验；19.9另用10.7的正则变化；19.10再用10.8的极值工具。数据选择阈值、远尾外推和有限样本精确结论分别注明条件。
首次学习的推荐顺序
- 先建立共同工具：本科概率第1–8章之后，学习第9章、10.1–10.6和11.1–11.2；由16.1进入统计模型。
- 再建立统计推断主线：第16章工具→17.1–17.2→18.1–18.4→19.1–19.4。17.3、17.4、17.5和18.6按各自工具补读；18.5中拟合参数的证明留到19.1并结合19.3之后返回。
- 按研究对象分支：20.1–20.2可在统计基础后提前读；21.1–21.4可与频率路线并行；22章按具体方法进入。19.6→19.7是一条函数型极限路线，19.7另补13.1–13.2。
- 概率过程按工具补读：11.3–11.5的鞅与停时服务23.5；12章马尔可夫链服务14.4与21.5的MCMC；13.1–13.2的布朗桥服务经验过程。随机分析、遍历与大偏差仍是概率核心专题，但不作为每个统计分支的统一门槛。
- 最后比较特定问题的方法：23.1–23.3沿风险与决策，23.4沿模型选择与统一界，23.5沿鞅与序贯控制。按需要进入其中一条，不把它们当作逐节难度等级。
阅读入口与证明范围
每个新增小节的“先修与阅读位置”列出直接工具，并说明技术段、并列专题与后续联系。“上一页／下一页”用于顺序浏览主题，不表示所有相邻小节存在严格先修关系。参数置信集、后验可信集与未来预测集各有自己的覆盖或损失目标。
本书覆盖概率论与数理统计的研究生核心，并介绍现代推断工具；一般半鞅、随机场、随机偏微分方程、时间序列、半参数效率与因果推断的完整专门理论仍需另行学习。各节明确区分完整证明、证明思路与引用定理。
本科概率基础
第1章 组合分析
第2章 概率的公理
第3章 条件概率与独立性
第4章 随机变量
第5章 连续型随机变量
第6章 联合分布的随机变量
第7章 期望的性质
第8章 极限定理
测度、收敛与极限定理
第9章 概率空间与测度积分
第10章 收敛、特征函数与极限定理
条件期望与鞅
第11章 条件期望与鞅
马尔可夫过程
第12章 马尔可夫链与跳跃过程
布朗运动与随机分析
第13章 布朗运动与随机分析基础
信息与模拟
第14章 信息与随机模拟
遍历与大偏差
第15章 遍历理论与大偏差
统计模型、估计与检验
第16章 统计模型与样本结构
第17章 点估计与最优性
第18章 检验与区间估计
统计渐近与经验过程
第19章 统计渐近理论与经验过程
回归与多元统计
第20章 回归与多元统计
贝叶斯推断
第21章 贝叶斯推断
非参数与重抽样
第22章 非参数方法与重抽样
统计决策与现代推断
第23章 统计决策与现代推断基础
编写依据与延伸阅读
本科结构参考Sheldon M. Ross《A First Course in Probability》第九版；概率与统计理论结合下列教材和大学课程组织，各节列出具体资料。正文、论证和算例按本教程的学习顺序重新编写。