Computational Probability Applications

این روی زمینه در حال توسعه ساخت مدل‌های احتمال با قدرت سیستم‌های جبر نمادین تمرکز دارد. این کتاب استفاده از جبر نمادین را با کاربرد احتمالی / تصادفی ترکیب می کند و کاربردها را در زمینه های مختلف برجسته می کند. تحقیقات بررسی شده در هر فصل با استفاده از زبان برنامه‌نویسی احتمال (APPL) برای دستیابی به اهداف مدل‌سازی متحد می‌شود. APPL به عنوان یک ابزار تحقیقاتی، امکان کشف ایده‌ها، روش‌ها و مدل‌های جدید را به یک احتمال‌شناس یا آماردان می‌دهد. علاوه بر این، به عنوان یک زبان منبع باز، پایه و اساس الگوریتم های آینده را برای تقویت کد اصلی ایجاد می کند.
کاربردهای احتمال محاسباتی از پانزده فصل تشکیل شده است که هر فصل کاربرد خاصی از احتمال محاسباتی را با استفاده از مدل سازی APPL و زبان کامپیوتر ارائه می کند. موضوعات فصل شامل استفاده از گامای معکوس به عنوان توزیع بقا، تقریب خطی توابع چگالی احتمال، و همچنین نمودارهای نسبت گشتاور برای توزیع های تک متغیره است. این آثار نمونه‌های جالبی را برجسته می‌کنند که اغلب توسط دانشجویان مقطع کارشناسی و دانشجویان کارشناسی ارشد انجام می‌شوند که می‌توانند به عنوان الگوهایی برای کارهای آینده باشند. علاوه بر این، این کتاب باید برای محققان و پزشکان در طیف وسیعی از زمینه‌ها از جمله احتمال، آمار، مهندسی، مالی، علوم اعصاب و اقتصاد جذاب باشد.

This focuses on the developing field of building probability models with the power of symbolic algebra systems. The book combines the uses of symbolic algebra with probabilistic/stochastic application and highlights the applications in a variety of contexts. The research explored in each chapter is unified by the use of A Probability Programming Language (APPL) to achieve the modeling objectives. APPL, as a research tool, enables a probabilist or statistician the ability to explore new ideas, methods, and models. Furthermore, as an open-source language, it sets the foundation for future algorithms to augment the original code.
Computational Probability Applications is comprised of fifteen chapters, each presenting a specific application of computational probability using the APPL modeling and computer language. The chapter topics include using inverse gamma as a survival distribution, linear approximations of probability density functions, and also moment-ratio diagrams for univariate distributions. These works highlight interesting examples, often done by undergraduate students and graduate students that can serve as templates for future work. In addition, this book should appeal to researchers and practitioners in a range of fields including probability, statistics, engineering, finance, neuroscience, and economics.