本书是在MIT开设概率论入门课程的基础上编写的，其内容全面，例题和习题丰富，结构层次性强，能够满足不同读者的需求。书中介绍了概率模型、离散随机变量和连续随机变量、多元随机变量以及极限理论等概率论基本知识，还介绍了矩母函数、条件概率的现代定义、独立随机变量的和、*小二乘估计等**内容。
本书可作为所有高等院校概率论入门的基础教程，也可作为有关概率论方面的参考书。

第1章 样本空间与概率
1.1 集合
1.1.1 集合运算
1.1.2 集合的代数
1.2 概率模型
1.2.1 样本空间和事件
1.2.2 选择适当的样本空间
1.2.3 序贯模型
1.2.4 概率律
1.2.5 离散模型
1.2.6 连续模型
1.2.7 概率律的性质
1.2.8 模型和现实
1.3 条件概率
1.3.1 条件概率是一个某些常用的随机变量的概率律
1.3.2 利用条件概率定义利用期望值进行决策
1.4 全概率定理和贝叶斯准则
1.5 独立性
1.5.1 条件独立
1.5.2 一组事件的独立性
1.5.3 可靠性
1.5.4 独立试验和二项概率
1.6 计数法
1.6.1 计数准则
1.6.2 n选k排列
1.6.3 组合
1.6.4 分割
1.7 小结和讨论
习题
第2章 离散随机变量
2.1 基本概念
2.2 分布列
2.2.1 伯努利随机变量
2.2.2 二项随机变量
2.2.3 几何随机变量
2.2.4 泊松随机变量
2.3 随机变量的函数
2.4 期望、均值和方差
2.4.1 方差、矩和随机变量的函数的期望规则
2.4.2 均值和方差的性质
2.4.3 均值和方差
2.4.4 概率模型
2.5 多个随机变量的联合分布列
2.5.1 多个随机变量的函数
2.5.2 多于两个随机变量的情况
2.6 条件
2.6.1 某个事件发生的条件下的随机变量
2.6.2 给定另一个随机变量的值的条件下的随机变量
2.6.3 条件期望
2.7 独立性
2.7.1 随机变量与事件的相互独立性
2.7.2 随机变量之间的相互独立性
2.7.3 几个随机变量的相互独立性
2.7.4 若干个相互独立的随机变量的和的方差
2.8 小结和讨论
习题
第3章 一般随机变量
第4章 随机变量的深入内容
第5章 极限理论
第6章 伯努利过程和泊松过程
第7章 马尔可夫链
第8章 贝叶斯统计推断
第9章 经典统计推断
索引
附表
标准正态分布表

1.美国两位工程院院士所著。
2.全球众多高校采用为教材。包括我国台湾地区。
3.在“概率论”这一类图书中Amazon排名**。
4.译者是北京大学的教授，是为我国概率发展颇有贡献的老一辈的概率学者之一。