导读
先从计数与条件概率入手，再用随机变量描述不确定的量。分布、期望和方差提供比较这些量的语言，后续逐步进入联合分布、连续模型、极限定理、统计推断与随机过程。
阅读前应熟悉集合记号与有限求和；学习连续分布和极限时，还需要微积分。下面把已有正文的笔记与待完善的提纲分开列出。
整理中
概率论和数理统计
概率、随机变量、分布、统计，以及计算和机器学习中经常使用的随机思想。
MathematicsProbability TheoryStatistics
阅读路径
- 计数原理与概率公理
整理乘法原理、加法原理、容斥原理、除法原理、鸽巢原理，以及有限概率模型的基本公理。
- 条件概率与独立性
整理条件概率、贝叶斯定理、全概率公式，以及独立性与条件独立性的区别。
- 随机变量
一篇概率论基础笔记：把随机变量定义为从样本空间结果到数值的映射，并整理离散、连续、CDF、PMF 和 PDF 例子。
- 概率分布
一篇概率分布笔记，整理 support、PMF、PDF、CDF、常见离散和连续分布，以及分布与矩之间的关系。
- 期望和方差
一篇关于期望、方差、标准差、LOTUS、线性性，以及概率论中基础证明模式的简明笔记。
- 矩生成函数
一篇关于矩生成函数、通过求导提取矩、唯一性、独立变量求和，以及常见分布例子的笔记。
- 大数弱定律
一篇关于大数弱定律、依概率收敛、样本均值，以及 Chebyshev 风格证明方法的基础笔记。
计划中
- 连续型分布
这是连续型分布的迁移 scaffold。它保留了 Math-for-Computer-Science 中的章节结构，等待后续补写和审校。
- 联合累积分布
这是联合累积分布的迁移 scaffold。它保留了 Math-for-Computer-Science 中的章节结构，等待后续补写和审校。
- 概率论中的极限定理
这是概率论中的极限定理的迁移 scaffold。它保留了 Math-for-Computer-Science 中的章节结构，等待后续补写和审校。
- 随机过程
这是随机过程的迁移 scaffold。它保留了 Math-for-Computer-Science 中的章节结构，等待后续补写和审校。
- 统计学：基础与推断
这是统计学：基础与推断的迁移 scaffold。它保留了 Math-for-Computer-Science 中的章节结构，等待后续补写和审校。