注冊 | 登錄讀書好，好讀書，讀好書！

計算統(tǒng)計

定　價：￥59.00

作　者：	（美）吉文斯，（美）霍特伊著，王兆軍等譯
出版社：	人民郵電出版社
叢編項：	圖靈數學·統(tǒng)計學叢書
標　簽：	概率論與數理統(tǒng)計

購買這本書可以去

ISBN：	9787115211828	出版時間：	2009-09-01	包裝：	平裝
開本：	16開	頁數：	346	字數：

內容簡介

　　《計算統(tǒng)計》既包含一些經典的統(tǒng)計計算方法，如求解非線性方程組的牛頓方法、傳統(tǒng)的隨機模擬方法等，又全面地介紹了近些年來發(fā)展起來的某些新方法，如模擬退火算法、基因算法、EM算法、MCMC方法、Bootstrap方法等，并通過某些實例，對這些方法的應用進行了較詳細的說明，《計算統(tǒng)計》最后還提供了各種難度的習題。隨著計算機的快速發(fā)展，數理統(tǒng)計中許多涉及大計算量的有效方法也得到了廣泛應用與迅猛發(fā)展，可以說，計算統(tǒng)計已是統(tǒng)計中一個很重要的研究方向?！队嬎憬y(tǒng)計》可作為數學、統(tǒng)計學、科學計算等專業(yè)的本科生教材，也可供統(tǒng)計學方向的研究生、工程技術人員和應用工作者參考使用。

作者簡介

　　Geof H．Givens，華盛頓大學博士，現(xiàn)任科羅拉多州立大學統(tǒng)計系副教授。曾獲美國國家科學基金會職業(yè)獎，美國統(tǒng)計協(xié)會杰出應用獎等。Jennifer A．Hoeting，科羅拉多州立大學統(tǒng)計系副教授。主要研究領域為：貝葉斯統(tǒng)計，模型的選擇性和不確定性，空間統(tǒng)計學，環(huán)境問題中的統(tǒng)計方法等。

圖書目錄

第1章　回顧　
1.1　某些數學記號
1.2　Taylor定理和數學極限理論　
1.3　某些統(tǒng)計記號和概率分布　
1.4　似然推斷　
1.5　Bayes推斷　
1.6　統(tǒng)計極限理論　
1.7　馬氏鏈　
1.8　計算　
第2章　優(yōu)化與求解非線性方程組　
2.1　單變量問題　
2.1.1　Newton法　
2.1.2　Fisher得分法　
2.1.3　正割法　
2.1.4　不動點迭代法　
2.2　多元問題　
2.2.1　Newton法和Fisher得分法　
2.2.2　類Newton法　
2.2.3　Gauss-Newton法　
2.2.4　非線性Gauss-Seidel迭代和其他方法　
問題　
第3章　組合優(yōu)化　
3.1　難題和NP完備性　
3.1.1　幾個例子　
3.1.2　需要啟發(fā)式算法　
3.2　局部搜索　
3.3　禁忌算法　
3.3.1　基本定義　
3.3.2　禁忌表　
3.3.3　吸氣準則　
3.3.4　多樣化　
3.3.5　強化　
3.3.6　一種綜合的禁忌算法　
3.4　模擬退火　
3.4.1　幾個實際問題　
3.4.2　強化　
3.5　遺傳算法　
3.5.1　定義和典則算法　
3.5.2　變化　
3.5.3　初始化和參數值　
3.5.4　收斂　
問題　
第4章　EM優(yōu)化方法　
4.1　缺失數據、邊際化和符號　
4.2　EM算法　
4.2.1　收斂性　
4.2.2　在指數族中的應用　
4.2.3　方差估計　
4.3　EM變型　
4.3.1　改進E步　
4.3.2　改進M步　
4.3.3　加速方法　
問題　
第5章　數值積分　
5.1　Newton-Cotes求積
5.1.1　Riemann法則　
5.1.2　梯形法則　
5.1.3　Simpson法則　
5.1.4　一般的k階法則
5.2　Romberg積分　
5.3　Gauss求積　
5.3.1　正交多項式
5.3.2　Gauss求積法則　
5.4　常見問題　
5.4.1　積分范圍
5.4.2　帶奇點或其他極端表現(xiàn)的被積函數
5.4.3　多重積分
5.4.4　自適應求積
5.4.5　積分軟件　
問題　
第6章　模擬與Monte Carlo積分
6.1　Monte Carlo方法的介紹　
6.2　模擬
6.2.1　從標準參數族中產生
6.2.2　逆累積分布函數
6.2.3　拒絕抽樣　
6.2.4　采樣重要性重抽樣算法　
6.3　方差縮減技術　
6.3.1　重要性抽樣　
6.3.2　對偶抽樣　
6.3.3　控制變量　
6.3.4　Rao-Blackwellization　
問題　
第7章　MCMC方法
7.1　Metropolis-Hastings算法
7.1.1　獨立鏈　
7.1.2　隨機游動鏈
7.1.3　擊跑算法　
7.1.4　Langevin算法
7.1.5　Multiple-try Metropolis算法
7.2　Gibbs　抽樣　
7.2.1　基本Gibbs抽樣　
7.2.2　立即更新
7.2.3　更新排序　
7.2.4　區(qū)組化
7.2.5　混合Gibbs抽樣
7.2.6　另一種一元提案方法
7.3　實施
7.3.1　確保良好的混合和收斂　
7.3.2　實際操作的建議
7.3.3　使用結果
7.3.4　例：軟毛海豹幼崽的捕獲-再捕獲數據
問題　
第8章　MCMC中的深入論題　
8.1　輔助變量方法　
8.2　可逆跳躍MCMC　
8.3　完美抽樣　
8.4　例：馬爾可夫隨機域上的MCMC算法
8.4.1　馬爾可夫隨機域的Gibbs抽樣
8.4.2　馬爾可夫隨機域的輔助變量方法　
8.4.3　馬爾可夫隨機域的完美抽樣
8.5　馬氏鏈極大似然　
問題　
第9章　Bootstrap方法
9.1　Bootstrap的基本原則
9.2　基本方法
9.2.1　非參數Bootstrap　
9.2.2　參數化Bootstrap
9.2.3　基于Bootstrap的回歸方法　
9.2.4　Bootstrap偏差修正　
9.3　Bootstrap推斷　
9.3.1　分位點方法
9.3.2　樞軸化　
9.3.3　假設檢驗
9.4　縮減Monte Carlo誤差　
9.4.1　平衡Bootstrap　
9.4.2　反向Bootstrap方法　
9.5　Bootstrap方法的其他用途
9.6　Bootstrap近似的階
9.7　置換檢驗
問題
第10章　非參密度估計　
10.1　績效度量　
10.2　核密度估計　
10.2.1　窗寬的選擇1
10.2.2　核的選擇
10.3　非核方法　
10.4　多元方法
10.4.1　問題的本質
10.4.2　多元核估計
10.4.3　自適應核及最近鄰
10.4.4　探索性投影尋蹤　
問題
第11章　二元光滑方法　
11.1　預測-響應數據　
11.2　線性光滑函數　
11.2.1　常跨度移動平均
11.2.2　移動直線和移動多項式
11.2.3　核光滑函數　
11.2.4　局部回歸光滑　
11.2.5　樣條光滑
11.3　線性光滑函數的比較　
11.4　非線性光滑函數
11.4.1　Loess
11.4.2　超光滑　
11.5　置信帶　
11.6　一般二元數據　
問題
第12章　多元光滑方法
12.1　預測-響應數據
12.1.1　可加模型　
12.1.2　廣義可加模型　
12.1.3　與可加模型有關的其他方法
12.1.4　樹型方法　
12.2　一般多元數據　
問題　
數據致謝　
參考文獻　
索引