機率與統計在科學領域、工程領域與社會研究領域都有相當強的實用性，但是要學好卻並不容易，筆者在大學時代曾經修習過機率課程，但是當我在人工智慧領域看到「貝氏網路」 (Bayisian Network)、「隱馬可夫模型」(Hidden Markov Model)、「估計最大化演算法」(Expectation-Maximization) 等機率方面的電腦應用時，才深深覺得自己並沒有學好這門學問。

最近，機率與統計在「人工智慧、自然語言翻譯、語音辨識、機器人控制」等等領域，都有相當深入的進展，但是這些進展所使用到的數學，都需要相當深的機率統計基礎，因此筆者重拾起機率統計的書籍，企圖從資訊科學的角度，重新詮釋「機率與統計」這門學問。

為了達成這個目的，我們同時注重「理論與實務」兩者之間的平衡。

在理論上，我們希望兼顧機率與統計兩個方向的觀察角度，因為這兩個角度對資訊領域具有同等的重要性。

在實務上，我們特別重視「程式語言實作」的方式，因此我們必須採用某種程式語言來實作「機率與統計」的理論。於是我們找到了 R 這個專為機率統計而設計的語言，透過 R 語言，我們可以較為輕鬆的實作出許多用傳統語言難以實作的程式範例，這些範例將帶領著學習者深入理解機率統計的理論，並且達到「以理論指導實務、以實務印證理論」的功能。

R 語言當中預設就包含了各式各樣的機率模型，以及各種統計工具，可以讓讀者一邊學習，一邊用簡單的指令進行機率統計的實驗。透過這種學習方式，讀者可以透過程式實際體會理論的意義。舉例而言，當我們看到常態分配的機率模型時，我們可以直接使用下列指令來畫出常態分布，並且用程式產生符合常態分布模型的樣本，以便進行某種互動式的學習，用實驗體會常態分布的意義。

> dnorm(0)
[1] 0.3989423
> dnorm(0.5)
[1] 0.3520653
> dnorm(2.5)
[1] 0.0175283
> curve(dnorm(x), from = -3.5, to = 3.5, ylab="pdf", 
          main="N(0,1) probability density function (pdf)")
>