第1章  认识统计学
  1.1  统计学是什么
  1.2  统计学和数据分析有什么关系
  1.3  Python统计学和统计学有什么区别
第2章  描述性分析
  2.1  描述性分析在数据分析中的应用
  2.2  数据类型
  2.3  数据整理与展示
    2.3.1  分类型数据整理与展示
    2.3.2  数值型数据整理与展示
  2.4  概括性分析
    2.4.1  集中趋势指标
    2.4.2  离散程度指标
    2.4.3  分布情况指标
  2.5  其他容易混淆的概念
    2.5.1  均值与期望
    2.5.2  比例和比率
    2.5.3  百分比和百分点
第3章  概率和概率分布
  3.1  概率和概率分布在数据分析中的应用场景
  3.2  常见概念
    3.2.1  什么是随机事件
    3.2.2  什么是随机变量
    3.2.3  什么是概率
  3.3  离散型随机变量概率分布
    3.3.1  概率分布表与概率分布图
    3.3.2  累积分布函数与百分点函数
    3.3.3  期望与方差
    3.3.4  常见离散型概率分布
  3.4  连续型随机变量概率分布
    3.4.1  概率密度与累积分布
    3.4.2  期望与方差
    3.4.3  常见连续型概率分布
第4章  抽样推断与参数估计
  4.1  抽样推断与参数估计在数据分析中的应用场景
  4.2  抽样的基本概念
    4.2.1  总体和样本
    4.2.2  常用统计量
  4.3  常用的抽样方式
    4.3.1  简单随机抽样
    4.3.2  分层抽样
  4.4  为什么样本可以代表总体
    4.4.1  中心极限定理
    4.4.2  大数定理
  4.5  参数估计的基本方法
    4.5.1  点估计
    4.5.2  区间估计
  4.6  区间估计的类型
    4.6.1  一个总体参数的区间估计
    4.6.2  两个总体参数的区间估计
第5章  假设检验
  5.1  假设检验在数据分析中的应用场景
  5.2  假设检验基本思想
  5.3  假设检验中常见的两种错误
  5.4  显著性水平和功效
  5.5  假设检验的基本步骤
  5.6  一个总体参数的检验
    5.6.1  总体均值的检验
    5.6.2  总体比例的检验
    5.6.3  总体方差的检验
  5.7  两个总体参数的检验
    5.7.1  两个总体均值之差的检验
    5.7.2  两个总体比例之差的检验
    5.7.3  两个总体方差比的检验
  5.8  假设检验中最小样本量的确定
  5.9  A/B测试的完整流程
第6章  方差分析
  6.1  方差分析在数据分析中的应用场景
  6.2  方差分析的3个假设
  6.3  正态性检验方法
    6.3.1  直方图检验
    6.3.2  Q-Q图检验法
    6.3.3  KS检验
    6.3.4  AD检验
    6.3.5  W检验
    6.3.6  非正态数据转换
  6.4  方差齐性检验方法
    6.4.1  方差比检验
    6.4.2  Hartley检验
    6.4.3  Bartlett检验
    6.4.4  Levene检验
  6.5  方差分析的基本步骤
  6.6  方差分析的多重比较
    6.6.1  LSD多重比较法
    6.6.2  Sidak多重比较法
    6.6.3  Bonferroni多重比较法
  6.7  多因素方差分析
    6.7.1  无交互作用的多因素方差分析
    6.7.2  有交互作用的多因素方差分析
第7章  卡方分析
  7.1  卡方分析在数据分析中的应用
  7.2  理论讲解
  7.3  Excel与Python实现
第8章  回归模型
  8.1  回归模型在数据分析中的应用场景
  8.2  一元线性回归
    8.2.1  多元回归方程形式
    8.2.2  最小二乘参数估计法
    8.2.3  拟合程度判断
    8.2.4  显著性检验
    8.2.5  Excel与Python实现
  8.3  多元线性回归
    8.3.1  回归方程形式
    8.3.2  最小二乘参数估计
    8.3.3  拟合程度判断
    8.3.4  显著性检验
    8.3.5  多重共线性
    8.3.6  Excel与Python实现
  8.4  协方差分析
    8.4.1  理论讲解
    8.4.2  Excel与Python实现
第9章  相关性分析
  9.1  相关性分析在数据分析中的应用场景
  9.2  相关系数的种类
    9.2.1  皮尔逊相关系数
    9.2.2  斯皮尔曼相关系数
    9.2.3  肯德尔相关系数
    9.2.4  Excel与Python实现
  9.3  相关与因果
第10章  时间序列
  10.1  时间序列在数据分析中的应用
  10.2  平稳时间序列预测
    10.2.1  简单平均法
    10.2.2  移动平均法
    10.2.3  指数平滑法
  10.3  时间序列预测模型
    10.3.1  AR模型
    10.3.2  MA模型
    10.3.3  ARMA模型
    10.3.4  ARIMA模型
  10.4  时间序列分解预测
  10.5  趋势时间序列预测
    10.5.1  线性趋势预测
    10.5.2  指数趋势预测
    10.5.3  对数趋势预测