diff --git a/docs/chapter3/chapter3.md b/docs/chapter3/chapter3.md
index 8ee66d6..c4b9870 100644
--- a/docs/chapter3/chapter3.md
+++ b/docs/chapter3/chapter3.md
@@ -411,6 +411,11 @@ $\varepsilon\text{-greedy}$ 的意思是说，我们有 $1-\varepsilon$ 的概
 
 所以我们可以把 TD 也放到 control loop 里面去估计 Q-table，再采取这个 $\varepsilon$-greedy improvement。这样就可以在 episode 没结束的时候来更新已经采集到的状态价值。  
 
+![](img/bias_variance.png ':size=450')
+
+>* **偏差(bias)：**描述的是预测值（估计值）的期望与真实值之间的差距。偏差越大，越偏离真实数据，如上图第二行所示。
+>* **方差(variance)：**描述的是预测值的变化范围，离散程度，也就是离其期望值的距离。方差越大，数据的分布越分散，如上图右列所示。
+
 ### Sarsa: On-policy TD Control
 
 ![](img/model_free_control_9.png)
@@ -564,6 +569,7 @@ Sarsa 是用自己的策略产生了 S,A,R,S',A' 这一条轨迹。然后拿着
 * [百面深度学习](https://book.douban.com/subject/35043939/)
 * [神经网络与深度学习](https://nndl.github.io/)
 * [机器学习](https://book.douban.com/subject/26708119//)
+* [Understanding the Bias-Variance Tradeoff](http://scott.fortmann-roe.com/docs/BiasVariance.html)
 
 
 
diff --git a/docs/chapter3/img/bias_variance.png b/docs/chapter3/img/bias_variance.png
new file mode 100644
index 0000000..1014685
Binary files /dev/null and b/docs/chapter3/img/bias_variance.png differ