Computational Statistics: Volume 1: Proceedings of the 10th Symposium on Computational Statistics

نقش رایانه در آمار کالج دیوید کاکس نوفیلد، آکسفورد OXIINF، بریتانیا طبقه‌بندی مسائل آماری از طریق نیازهای محاسباتی آن‌ها به چهار جزء بستگی دارد (I) مقدار و پیچیدگی داده‌ها، (il) ویژگی اهداف تجزیه و تحلیل، (iii) جنبه های گسترده رویکرد به تجزیه و تحلیل، (بد) پیچیدگی تحلیلی مفهومی، ریاضی و عددی روش ها. نیازهای محاسباتی ممکن است در (I) و (بد)، یا به دلیل نیاز به تلاش ویژه برنامه نویسی، یا به دلیل مشکلات مدیریت داده اولیه یا به دلیل بار تجزیه و تحلیل دقیق، محدود شوند. پیامدهای پیشرفت‌های محاسباتی مدرن برای کار آماری را می‌توان در زمینه مطالعه مدل‌های احتمالی خاص، توسعه تئوری آماری عمومی، طراحی تحقیقات و تجزیه و تحلیل داده‌های تجربی نشان داد. در حالی که شبیه‌سازی معمولاً معقول‌ترین راه برای بررسی مدل‌های تصادفی پیچیده خاص است، جبر رایانه‌ای نقش آشکاری در کار تحلیلی‌تر دارد. به نظر می‌رسد که آمار و احتمال کاربردی استفاده ناکافی از پیشرفت‌های تحلیل عددی مرتبط با ریاضیات کاربردی کلاسیک، به‌ویژه در حل سیستم‌های بزرگ معادلات دیفرانسیل معمولی و جزئی، معادلات انتگرال و معادلات انتگرال-دیفرانسیل و برای نسبت \"مفید\" در شکل گیری از تبدیل انتگرال. تاکید روزافزون بر مدل‌هایی که ملاحظات موضوعی خاص را در بر می‌گیرند، یکی از راه‌های پر کردن شکاف بین تحلیل‌های آماری است.

The Role of the Computer in Statistics David Cox Nuffield College, Oxford OXIINF, U.K. A classification of statistical problems via their computational demands hinges on four components (I) the amount and complexity of the data, (il) the specificity of the objectives of the analysis, (iii) the broad aspects of the approach to analysis, (ill) the conceptual, mathematical and numerical analytic complexity of the methods. Computational requi­ rements may be limiting in (I) and (ill), either through the need for special programming effort, or because of the difficulties of initial data management or because of the load of detailed analysis. The implications of modern computational developments for statistical work can be illustrated in the context of the study of specific probabilistic models, the development of general statistical theory, the design of investigations and the analysis of empirical data. While simulation is usually likely to be the most sensible way of investigating specific complex stochastic models, computerized algebra has an obvious role in the more analyti­ cal work. It seems likely that statistics and applied probability have made insufficient use of developments in numerical analysis associated more with classical applied mathematics, in particular in the solution of large systems of ordinary and partial differential equations, integral equations and integra-differential equations and for the ¢raction of "useful" in­ formation from integral transforms. Increasing emphasis on models incorporating specific subject-matter considerations is one route to bridging the gap between statistical ana.­