ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Computational Statistics

دانلود کتاب آمار محاسباتی

Computational Statistics

مشخصات کتاب

Computational Statistics

دسته بندی: ریاضیات محاسباتی
ویرایش: 1 
نویسندگان:   
سری: Statistics and Computing 
ISBN (شابک) : 9780387981437, 9780387981444 
ناشر: Springer-Verlag New York 
سال نشر: 2009 
تعداد صفحات: 743 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت 

قیمت کتاب (تومان) : 56,000



کلمات کلیدی مربوط به کتاب آمار محاسباتی: برنامه های آمار و محاسبات/آمار، محاسبات عددی، داده کاوی و کشف دانش، شبیه سازی و مدل سازی، کاربردی ریاضیات/روش های محاسباتی مهندسی، تحلیل عددی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 11


در صورت تبدیل فایل کتاب Computational Statistics به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب آمار محاسباتی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب آمار محاسباتی




توضیحاتی درمورد کتاب به خارجی

Computational inference is based on an approach to statistical methods that uses modern computational power to simulate distributional properties of estimators and test statistics. This book describes computationally intensive statistical methods in a unified presentation, emphasizing techniques, such as the PDF decomposition, that arise in a wide range of methods.



فهرست مطالب

Contents......Page 18
Preface......Page 8
Part I: Preliminaries......Page 23
Introduction to Part I......Page 25
Mathematical and Statistical Preliminaries......Page 27
1.1 Discovering Structure in Data......Page 28
1.2 Mathematical Tools for Identifying Structure in Data......Page 32
1.3 Data-Generating Processes; Probability Distributions......Page 51
1.4 Statistical Inference......Page 59
1.5 Probability Statements in Statistical Inference......Page 74
1.6 Modeling and Computational Inference......Page 78
1.7 The Role of the Empirical Cumulative Distribution Function......Page 81
1.8 The Role of Optimization in Inference......Page 87
Notes and Further Reading......Page 96
Exercises......Page 97
Part II: Statistical Computing......Page 103
Introduction to Part II......Page 105
Computer Storage and Arithmetic......Page 107
2.1 The Fixed-Point Number System......Page 108
2.2 The Floating-Point Number System......Page 110
2.3 Errors......Page 119
Notes and Further Reading......Page 123
Exercises......Page 124
Algorithms and Programming......Page 129
3.1 Error in Numerical Computations......Page 131
3.2 Algorithms and Data......Page 135
3.3 Efficiency......Page 138
3.4 Iterations and Convergence......Page 150
3.5 Programming......Page 156
3.6 Computational Feasibility......Page 159
Notes and Further Reading......Page 160
Exercises......Page 164
Approximation of Functions and Numerical Quadrature......Page 169
4.1 Function Approximation and Smoothing......Page 175
4.2 Basis Sets in Function Spaces......Page 182
4.3 Orthogonal Polynomials......Page 189
4.4 Splines......Page 200
4.5 Kernel Methods......Page 204
4.6 Numerical Quadrature......Page 206
4.7 Monte Carlo Methods for Quadrature......Page 214
Notes and Further Reading......Page 219
Exercises......Page 221
Numerical Linear Algebra......Page 225
5.1 General Computational Considerations for Vectors and Matrices......Page 227
5.2 Gaussian Elimination and Elementary Operator Matrices......Page 231
5.3 Matrix Decompositions......Page 237
5.4 Iterative Methods......Page 243
5.5 Updating a Solution to a Consistent System......Page 249
5.6 Overdetermined Systems; Least Squares......Page 250
5.7 Other Computations with Matrices......Page 257
Notes and Further Reading......Page 258
Exercises......Page 259
Solution of Nonlinear Equations and Optimization......Page 263
6.1 Finding Roots of Equations......Page 266
6.2 Unconstrained Descent Methods in Dense Domains......Page 283
6.3 Unconstrained Combinatorial and Stochastic Optimization......Page 297
6.4 Optimization under Constraints......Page 306
6.5 Computations for Least Squares......Page 313
6.6 Computations for Maximum Likelihood......Page 316
Notes and Further Reading......Page 320
Exercises......Page 323
7.1 Randomness of Pseudorandom Numbers......Page 327
7.2 Generation of Nonuniform Random Numbers......Page 329
7.3 Acceptance/Rejection Method Using a Markov Chain......Page 335
7.4 Generation of Multivariate Random Variates......Page 337
7.5 Data-Based Random Number Generation......Page 340
7.6 Software for Random Number Generation......Page 342
Exercises......Page 351
Part III: Methods of Computational Statistics......Page 355
Introduction to Part III......Page 357
Graphical Methods in Computational Statistics......Page 359
8.1 Smoothing and Drawing Lines......Page 363
8.2 Viewing One, Two, or Three Variables......Page 366
8.3 Viewing Multivariate Data......Page 377
Notes and Further Reading......Page 387
Exercises......Page 390
Tools for Identification of Structure in Data......Page 393
9.1 Transformations......Page 395
9.2 Measures of Similarity and Dissimilarity......Page 405
Exercises......Page 419
Estimation of Functions......Page 423
10.1 General Approaches to Function Estimation......Page 425
10.2 Pointwise Properties of Function Estimators......Page 429
10.3 Global Properties of Estimators of Functions......Page 432
Exercises......Page 436
Monte Carlo Methods for Statistical Inference......Page 439
11.1 Monte Carlo Estimation......Page 440
11.2 Simulation of Data from a Hypothesized Model: Monte Carlo Tests......Page 444
11.4 Random Sampling from Data......Page 446
11.5 Reducing Variance in Monte Carlo Methods......Page 447
11.6 Software for Monte Carlo......Page 451
Notes and Further Reading......Page 452
Exercises......Page 453
Data Randomization, Partitioning, and Augmentation......Page 457
12.1 Randomization Methods......Page 458
12.2 Cross Validation for Smoothing and Fitting......Page 462
12.3 Jackknife Methods......Page 464
Notes and Further Reading......Page 470
Exercises......Page 471
Bootstrap Methods......Page 475
13.1 Bootstrap Bias Corrections......Page 476
13.2 Bootstrap Estimation of Variance......Page 478
13.3 Bootstrap Confidence Intervals......Page 479
13.4 Bootstrapping Data with Dependencies......Page 483
13.5 Variance Reduction in Monte Carlo Bootstrap......Page 484
Notes and Further Reading......Page 486
Exercises......Page 487
Part IV: Exploring Data Density and Relationships......Page 491
Introduction to Part IV......Page 493
Estimation of Probability Density Functions Using Parametric Models......Page 497
14.1 Fitting a Parametric Probability Distribution......Page 498
14.2 General Families of Probability Distributions......Page 499
14.3 Mixtures of Parametric Families......Page 502
14.4 Statistical Properties of Density Estimators Based on Parametric Families......Page 504
Notes and Further Reading......Page 505
Exercises......Page 506
15.1 The Likelihood Function......Page 509
15.2 Histogram Estimators......Page 512
15.3 Kernel Estimators......Page 521
15.4 Choice of Window Widths......Page 526
15.5 Orthogonal Series Estimators......Page 527
15.6 Other Methods of Density Estimation......Page 528
Notes and Further Reading......Page 531
Exercises......Page 532
Statistical Learning and Data Mining......Page 537
16.1 Clustering and Classification......Page 541
16.2 Ordering and Ranking Multivariate Data......Page 560
16.3 Linear Principal Components......Page 570
16.4 Variants of Principal Components......Page 582
16.5 Projection Pursuit......Page 586
16.6 Other Methods for Identifying Structure......Page 594
16.7 Higher Dimensions......Page 595
Notes and Further Reading......Page 600
Exercises......Page 602
Statistical Models of Dependencies......Page 607
17.1 Regression and Classification Models......Page 610
17.2 Probability Distributions in Models......Page 619
17.3 Fitting Models to Data......Page 622
17.4 Classification......Page 642
17.5 Transformations......Page 650
Notes and Further Reading......Page 656
Exercises......Page 658
Appendices......Page 663
Monte Carlo Studies in Statistics......Page 665
A.1 Simulation as an Experiment......Page 666
A.2 Reporting Simulation Experiments......Page 667
A.3 An Example......Page 668
A.4 Computer Experiments......Page 675
Exercises......Page 677
Some Important Probability Distributions......Page 679
C.1 General Notation......Page 685
C.2 Computer Number Systems......Page 687
C.3 Notation Relating to Random Variables......Page 688
C.4 General Mathematical Functions and Operators......Page 690
C.5 Models and Data......Page 697
Solutions and Hints for Selected Exercises......Page 699
Bibliography......Page 711
E.1 Literature in Computational Statistics......Page 712
E.3 References to the Literature......Page 715
B......Page 737
C......Page 738
D......Page 739
F......Page 740
H......Page 741
J......Page 742
L......Page 743
N......Page 744
P......Page 745
R......Page 746
S......Page 747
T......Page 748
Z......Page 749




نظرات کاربران