概率论与数理统计研究的是相互联系的两类问题。概率论从给定模型出发讨论随机结果；数理统计从观察资料出发估计模型特征，并论证这种估计或判断的可靠性。分类数据分析将这些理论用于二元结果、无序类别和有序等级。下列教材与开放课程按这一学科联系组织，作为 课程总览 所列内容的参考阅读。
入门统计教材从数据获得、研究设计和具体比较开始，概率教材进一步建立随机变量及其分布，数理统计教材推导估计与检验的性质，分类数据专著再将这些方法扩展到离散结果的条件建模。各材料的数学先修和论述侧重有所不同，同一个问题也可以通过案例、推导与反例取得互相补充的理解。
这里的分类数据包括是否、类别和等级等变量。它们的统计分析以事件概率和类别分布为对象；社会研究中“定性数据分析”还可能指访谈编码、主题分析等方法，属于质性研究的方法论，需要另选相应教材。
书目信息与访问方式依据出版社、作者和大学官方页面，检索日期为 2026-10-12。阅读顺序及难度说明是本教程的教学安排，解释、例题与练习为原创编写。商业图书通过官方入口购买或由图书馆获取，开放材料则按各自的访问与再利用条件使用。
从统计入门到数学理论
OpenIntro 从观测单位、变量类型、总体与样本的关系介绍统计。Blitzstein–Hwang 与浙大教材提供条件概率、随机变量、期望和抽样波动的理论基础。Penn State 415 与 Casella–Berger 则进一步讨论参数、统计量、似然、区间和假设检验，使案例中的计算取得明确的抽样解释。
分类数据部分可沿 Agresti 与 Penn State 504 讨论比例、列联表、Logistic 和多分类模型。模型诊断、效应解释与不确定性在这些材料中共同构成推断内容。ISLR 将讨论进一步引向分类预测、交叉验证和正则化，评价新对象上的误差及数据泄漏问题。
缺少微积分基础时，描述统计、离散概率和模拟可以先行学习。导数随后用于参数优化，积分用于连续概率与期望，线性代数则帮助理解多个变量的联合建模。这些数学内容与统计对象之间的联系，比孤立记忆计算规则更有助于理解证明。
入门统计与概率论
1. OpenIntro Statistics 第四版
作者为 David Diez、Mine Çetinkaya-Rundel 和 Christopher D. Barr。官方提供免费 PDF、数据集、视频与实验材料；部分教师资源、完整习题解答和考试材料需要教师身份验证。官网还链接了开发中的部分中文译稿，其覆盖范围与定稿状态见页面说明。官方参考教材与开放课程页
该书适合作为入门统计的主要材料。数据收集与概括为推断提供研究背景，比例、列联表与回归章节进一步连接具体问题和统计方法。阅读时可重点考察案例的设计、目标量及不确定性解释；概率证明则宜结合专门教材补充。
2. 浙江大学《概率论与数理统计》第五版
作者为盛骤、谢式千、潘承毅，高等教育出版社出版；ISBN 为 978-7-04-051660-9，出版社配套页记载时间为 2020-11。该书为商业教材，配套数字资源涉及账号和课程绑定。旧 ABook 平台公告已将新注册、绑定引导至升级平台，访问权限以最新官方说明为依据。出版社配套页
该书适合具有大学微积分基础、需要系统学习中文术语的读者。分布、数字特征、抽样分布与推断计算构成其主要内容，可与本教程中的研究设计和模型解释互相补充。习题将概率规则落实到具体分布，也使概率范围、方差非负性与量纲等数学性质具有可见的计算含义。
3. Blitzstein–Hwang《Introduction to Probability》第二版
Joseph K. Blitzstein 与 Jessica Hwang 合著。Harvard Stat 110 官方明确提供第二版免费在线入口，并汇集讲义、练习与解答、视频；纸本另行销售。课程先修要求包含微积分，主要为单变量微积分，以及矩阵基础。Harvard Stat 110 官方入口 · 官方先修说明
该书强调概率结构与解题思路，适合深入学习条件概率、指示变量、期望线性性、联合分布和极限定理。直观分析、数学推导与模拟可相互核对，使结论与其使用条件同时得到理解。完成这些内容后，可进一步研究统计量的抽样分布与推断。
4. MIT OCW 18.05（2022 年春季）
课程名为 Introduction to Probability and Statistics，教师为 Jeremy Orloff 与 Jennifer French Kamrin。公开材料含阅读、作业及解答、考试材料和 R 资源；交互阅读题与答案检查器位于免费使用的 Open Learning Library。课程正式先修为多变量微积分。课程与官方大纲
该课程结合概率模型、贝叶斯更新、频率学派推断与模拟，展现概率如何参与不同的推断方式。公开作业和解答从具体问题呈现概念、代数推导与条件判断之间的联系。课程的入门定位指概率统计内容，数学背景仍需符合大纲中的先修要求。
5. Penn State STAT 414：Introduction to Probability Theory
官方开放笔记涵盖概率空间、离散与连续随机变量、变换、期望、条件分布、大数定律和中心极限定理，页面声明 CC BY-NC 4.0。公开入口提供课程笔记，在读学生的作业、视频和师生沟通另在 Canvas 中。开放课程笔记
该课程笔记以密度变换、条件分布与极限定理等主题呈现概率论的正式表达。研究对象、假设和结论在定理中分别承担角色，不满足条件的例子则揭示结论为何具有特定范围。开放材料的再利用受署名与非商业许可条件约束。
数理统计与推断理论
6. Penn State STAT 415：Introduction to Mathematical Statistics
官方课程承接 STAT 414，包含充分性、估计、假设检验、回归、方差分析、卡方检验和非参数方法；开放笔记声明 CC BY-NC 4.0。开放课程笔记 · 课程内容说明
该课程适合作为本科数理统计的补充材料，可在掌握抽样分布后阅读。围绕同一伯努利模型比较点估计、区间与检验，有助于区分它们共享的概率基础及各自的推断目标：参数估计、估计不确定性与假设相容性。
7. Casella–Berger《Statistical Inference》第二版
George Casella 与 Roger L. Berger 合著，出版社面向统计研究生及数学基础扎实的高年级本科生介绍此书。CRC 当前页面说明其版本是原第二版的重印；重印仍沿用第二版内容，按商业图书提供访问。CRC 出版社书目与目录 · Cengage 第二版说明
该书系统论述数据约简、充分性、估计最优性、检验和渐近性质。小型参数模型中的证明将参数空间、似然结构与定理条件联系起来，展示合理统计程序如何由概率论推导。阅读这些论证需要能够独立处理期望与积分。
8. Wasserman《All of Statistics》
全名为 All of Statistics: A Concise Course in Statistical Inference，Larry Wasserman 著；Springer 书目为第一版、版权年 2004。内容简明涵盖概率、推断、Bootstrap、回归和分类等主题，先修包括微积分和少量线性代数。图书通过出版社的商业或机构访问获取；作者页面另提供勘误、代码与数据。Springer 官方书目 · 作者配套页
该书适合作为完成基础学习后的综合参考。较简洁的论述便于考察概率、推断与统计学习之间的联系，细致证明则可结合其他教材补充。例如，经验分布如何支持 Bootstrap、重抽样分布如何用于区间估计，可作为跨主题复习的问题。
分类数据分析与预测
9. Agresti《An Introduction to Categorical Data Analysis》第三版
Alan Agresti 著，Wiley 官方书目记载第三版为 2019 年。目录包含比例推断、列联表、广义线性模型、Logistic、多分类及有序响应、对数线性、配对和相关数据模型，并提供 R 分析示例。本书为商业图书，官方有样章和配套网站；作者另有更深入的 Categorical Data Analysis，选书时需核对完整书名。出版社书目与目录
该书是本教程分类数据部分的主要拓展教材。比例与列联表构成基础，GLM 与 Logistic 进一步引入条件建模，多分类、有序和相关资料则扩展结果及依赖结构。阅读案例时，抽样单位、响应类型、参照类别与独立性共同决定模型和系数的解释。
10. Penn State STAT 504：Analysis of Discrete Data
官方开放笔记声明 CC BY-NC 4.0，内容覆盖二项与多项推断、列联表、二元与多项 Logistic、Poisson 回归、过度离散和对数线性模型。该公开入口提供笔记，正式选课的教学服务另有安排。开放笔记入口 · 官方课程说明
该笔记可与 Agresti 教材配合，用于查阅分类数据方法及软件结果的定义。Wald、似然比与 Score 方法的比较有助于理解推断依据与稀疏数据对近似的影响。案例复现和条件变化实验可进一步显示模型假设在数值结果中的作用。
11. ISLR《An Introduction to Statistical Learning》R 第二版
Gareth James、Daniela Witten、Trevor Hastie 和 Robert Tibshirani 合著，R 第二版发表于 2021 年；官方也提供 2023 年 Python 版。官网提供 PDF、资源与勘误，各版有相应语言的章节实验。作者官方入口
该书适合进一步学习分类预测、重采样、正则化和树模型。新样本上的预测表现与关联参数的推断具有不同评价目标。训练、验证和测试资料的用途，以及类别不平衡、概率误差与校准，是理解预测方法的重要内容。
案例、证明与应用的相互补充
阅读调查或实验报告，重点是资料如何获得、比例采用何种分母，以及结论包含哪些不确定性。OpenIntro 的案例与 Agresti 的比例、列联表和 Logistic 论述可以相互衔接；STAT 414/415 提供对应的概率与推断说明。软件承担计算，方法前提和结果措辞仍取决于研究者对这些对象的理解。
系统理论学习则可从浙大教材的中文术语和基础计算进入，以 Blitzstein–Hwang 的概率问题补充推导思路，再经 STAT 415 过渡到 Casella–Berger。计算说明一个模型给出什么结果，证明说明结论依赖哪些条件，方法应用说明它与研究问题如何对应。
独立分析分类资料时，Agresti 与 STAT 504 的连贯论述可作为主要参考，ISLR 提供预测方面的补充。研究问题、抽样设计和编码规则界定分析对象，候选模型与诊断提供估计依据，不确定性和局限限定结论。重复测量、聚类、缺失或调查权重会改变独立样本方法的基础，需要相应的模型与理论。
定义、推导、例题和反例共同构成教材阅读。对一个概念的解释可由小型计算落实，再由不满足假设的情形显示其范围；不同主题之间的联系则可经先修概念和应用问题逐步辨认。Obsidian 的笔记可以围绕这些论述保存解释、条件、例子、反例与来源，Quartz 的反向链接与关系图呈现其相互引用。这些阅读联系与本课程的 课程总览 相对应。