計(jì)算統(tǒng)計(jì)

定　價(jià)：￥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(xiàng)：	圖靈數(shù)學(xué)·統(tǒng)計(jì)學(xué)叢書(shū)
標(biāo)　簽：	概率論與數(shù)理統(tǒng)計(jì)

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787115211828	出版時(shí)間：	2009-09-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	346	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《計(jì)算統(tǒng)計(jì)》既包含一些經(jīng)典的統(tǒng)計(jì)計(jì)算方法，如求解非線性方程組的牛頓方法、傳統(tǒng)的隨機(jī)模擬方法等，又全面地介紹了近些年來(lái)發(fā)展起來(lái)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(guò)某些實(shí)例，對(duì)這些方法的應(yīng)用進(jìn)行了較詳細(xì)的說(shuō)明，《計(jì)算統(tǒng)計(jì)》最后還提供了各種難度的習(xí)題。隨著計(jì)算機(jī)的快速發(fā)展，數(shù)理統(tǒng)計(jì)中許多涉及大計(jì)算量的有效方法也得到了廣泛應(yīng)用與迅猛發(fā)展，可以說(shuō)，計(jì)算統(tǒng)計(jì)已是統(tǒng)計(jì)中一個(gè)很重要的研究方向?！队?jì)算統(tǒng)計(jì)》可作為數(shù)學(xué)、統(tǒng)計(jì)學(xué)、科學(xué)計(jì)算等專(zhuān)業(yè)的本科生教材，也可供統(tǒng)計(jì)學(xué)方向的研究生、工程技術(shù)人員和應(yīng)用工作者參考使用。

作者簡(jiǎn)介

　　Geof H．Givens，華盛頓大學(xué)博士，現(xiàn)任科羅拉多州立大學(xué)統(tǒng)計(jì)系副教授。曾獲美國(guó)國(guó)家科學(xué)基金會(huì)職業(yè)獎(jiǎng)，美國(guó)統(tǒng)計(jì)協(xié)會(huì)杰出應(yīng)用獎(jiǎng)等。Jennifer A．Hoeting，科羅拉多州立大學(xué)統(tǒng)計(jì)系副教授。主要研究領(lǐng)域?yàn)椋贺惾~斯統(tǒng)計(jì)，模型的選擇性和不確定性，空間統(tǒng)計(jì)學(xué)，環(huán)境問(wèn)題中的統(tǒng)計(jì)方法等。

圖書(shū)目錄

第1章　回顧　
1.1　某些數(shù)學(xué)記號(hào)
1.2　Taylor定理和數(shù)學(xué)極限理論　
1.3　某些統(tǒng)計(jì)記號(hào)和概率分布　
1.4　似然推斷　
1.5　Bayes推斷　
1.6　統(tǒng)計(jì)極限理論　
1.7　馬氏鏈　
1.8　計(jì)算　
第2章　優(yōu)化與求解非線性方程組　
2.1　單變量問(wèn)題　
2.1.1　Newton法　
2.1.2　Fisher得分法　
2.1.3　正割法　
2.1.4　不動(dòng)點(diǎn)迭代法　
2.2　多元問(wèn)題　
2.2.1　Newton法和Fisher得分法　
2.2.2　類(lèi)Newton法　
2.2.3　Gauss-Newton法　
2.2.4　非線性Gauss-Seidel迭代和其他方法　
問(wèn)題　
第3章　組合優(yōu)化　
3.1　難題和NP完備性　
3.1.1　幾個(gè)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(zhǔn)則　
3.3.4　多樣化　
3.3.5　強(qiáng)化　
3.3.6　一種綜合的禁忌算法　
3.4　模擬退火　
3.4.1　幾個(gè)實(shí)際問(wèn)題　
3.4.2　強(qiáng)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(shù)值　
3.5.4　收斂　
問(wèn)題　
第4章　EM優(yōu)化方法　
4.1　缺失數(shù)據(jù)、邊際化和符號(hào)　
4.2　EM算法　
4.2.1　收斂性　
4.2.2　在指數(shù)族中的應(yīng)用　
4.2.3　方差估計(jì)　
4.3　EM變型　
4.3.1　改進(jìn)E步　
4.3.2　改進(jìn)M步　
4.3.3　加速方法　
問(wèn)題　
第5章　數(shù)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(xiàng)式
5.3.2　Gauss求積法則　
5.4　常見(jiàn)問(wèn)題　
5.4.1　積分范圍
5.4.2　帶奇點(diǎn)或其他極端表現(xiàn)的被積函數(shù)
5.4.3　多重積分
5.4.4　自適應(yīng)求積
5.4.5　積分軟件　
問(wèn)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(biāo)準(zhǔn)參數(shù)族中產(chǎn)生
6.2.2　逆累積分布函數(shù)
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(shù)　
6.3.1　重要性抽樣　
6.3.2　對(duì)偶抽樣　
6.3.3　控制變量　
6.3.4　Rao-Blackwellization　
問(wèn)題　
第7章　MCMC方法
7.1　Metropolis-Hastings算法
7.1.1　獨(dú)立鏈　
7.1.2　隨機(jī)游動(dòng)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(shí)施
7.3.1　確保良好的混合和收斂　
7.3.2　實(shí)際操作的建議
7.3.3　使用結(jié)果
7.3.4　例：軟毛海豹幼崽的捕獲-再捕獲數(shù)據(jù)
問(wèn)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(jī)域上的MCMC算法
8.4.1　馬爾可夫隨機(jī)域的Gibbs抽樣
8.4.2　馬爾可夫隨機(jī)域的輔助變量方法　
8.4.3　馬爾可夫隨機(jī)域的完美抽樣
8.5　馬氏鏈極大似然　
問(wèn)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(shù)Bootstrap　
9.2.2　參數(shù)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(diǎn)方法
9.3.2　樞軸化　
9.3.3　假設(shè)檢驗(yàn)
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(yàn)
問(wèn)題
第10章　非參密度估計(jì)　
10.1　績(jī)效度量　
10.2　核密度估計(jì)　
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(wèn)題的本質(zhì)
10.4.2　多元核估計(jì)
10.4.3　自適應(yīng)核及最近鄰
10.4.4　探索性投影尋蹤　
問(wèn)題
第11章　二元光滑方法　
11.1　預(yù)測(cè)-響應(yīng)數(shù)據(jù)　
11.2　線性光滑函數(shù)　
11.2.1　?？缍纫苿?dòng)平均
11.2.2　移動(dòng)直線和移動(dòng)多項(xiàng)式
11.2.3　核光滑函數(shù)　
11.2.4　局部回歸光滑　
11.2.5　樣條光滑
11.3　線性光滑函數(shù)的比較　
11.4　非線性光滑函數(shù)
11.4.1　Loess
11.4.2　超光滑　
11.5　置信帶　
11.6　一般二元數(shù)據(jù)　
問(wèn)題
第12章　多元光滑方法
12.1　預(yù)測(cè)-響應(yīng)數(shù)據(jù)
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(guān)的其他方法
12.1.4　樹(shù)型方法　
12.2　一般多元數(shù)據(jù)　
問(wèn)題　
數(shù)據(jù)致謝　
參考文獻(xiàn)　
索引