دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Introducing Monte Carlo methods with R
دانلود کتاب معرفی روش های مونت کارلو با R
مشخصات کتاب
Introducing Monte Carlo methods with R
ویرایش: نویسندگان: Casella. George, Robert. Christian P سری: Use R ISBN (شابک) : 9781441915757, 1280391227 ناشر: Springer سال نشر: 2010 تعداد صفحات: 297 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 9 مگابایت
قیمت کتاب (تومان) : 39,000
کلمات کلیدی مربوط به کتاب معرفی روش های مونت کارلو با R: فرآیندهای مارکوف، محاسبات ریاضی، آمار ریاضی - پردازش داده ها، روش مونت کارلو، روش مونت کارلو - برنامه های کامپیوتری، R (زبان برنامه کامپیوتری)، کتاب های الکترونیکی، روش مونت کارلو - برنامه های کامپیوتری، آمار ریاضی - پردازش داده ها
در صورت تبدیل فایل کتاب Introducing Monte Carlo methods with R 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 معرفی روش های مونت کارلو با R 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 معرفی روش های مونت کارلو با R
تکنیک‌های محاسباتی مبتنی بر شبیه‌سازی اکنون به بخشی ضروری از جعبه ابزار آماردان تبدیل شده‌اند. بنابراین، ارائه یک درک عملی از آن روش‌ها برای آماردانان بسیار مهم است، و هیچ راهی بهتر از استفاده از شبیه‌سازی برای حل مسائل آماری برای توسعه شهود و مهارت‌های شبیه‌سازی وجود ندارد. معرفی روش‌های مونت کارلو با R ابزارهای اصلی مورد استفاده در شبیه‌سازی آماری را از دیدگاه برنامه‌نویس پوشش می‌دهد، پیاده‌سازی R هر تکنیک شبیه‌سازی را توضیح می‌دهد و خروجی را برای درک و مقایسه بهتر ارائه می‌دهد. در حالی که این کتاب یک بررسی جامع از روش‌های شبیه‌سازی است، توجیه نظری آن روش‌ها در مقایسه با رابرت و کازلا (2004) به طور قابل‌توجهی کاهش یافته است. به طور مشابه، راه حل های اکتشافی تر و کمتر پایدار در اینجا پوشش داده نشده است. این کتاب نیازی به آشنایی اولیه با زبان برنامه‌نویسی R یا روش‌های مونت کارلو و پیش‌زمینه ریاضی پیشرفته ندارد. در حالی که بسیاری از نمونه ها در چارچوب بیزی تنظیم می شوند، تخصص پیشرفته در آمار بیزی مورد نیاز نیست. این کتاب الگوریتم‌های اولیه تولید تصادفی، تکنیک‌های مونت کارلو برای ادغام و بهینه‌سازی، تشخیص‌های همگرایی، روش‌های مونت کارلو زنجیره مارکوف، از جمله الگوریتم‌های متروپلیس {هستینگ و گیبس، و الگوریتم‌های تطبیقی را پوشش می‌دهد. تمام فصل ها شامل تمرین ها می شود و تمام برنامه های R به عنوان یک بسته R به نام mcsm در دسترس هستند. این کتاب برای هر کسی که علاقه عملی به روش‌های شبیه‌سازی دارد، اما بدون قرار گرفتن در معرض قبلی، جذاب است. این برای دانشجویان و شاغلین در زمینه هایی مانند آمار، پردازش سیگنال، مهندسی ارتباطات، تئوری کنترل، اقتصاد سنجی، امور مالی و موارد دیگر مفید است. بخش های برنامه نویسی به تدریج معرفی می شوند تا برای هر خواننده ای قابل دسترسی باشد. کریستین پی رابرت، استاد آمار در دانشگاه پاریس دافین، و رئیس آزمایشگاه آمار CREST، هر دو در پاریس، فرانسه است. او بیش از 150 مقاله در زمینه احتمال کاربردی، آمار بیزی و روش های شبیه سازی تالیف کرده است. او عضو موسسه آمار ریاضی و دریافت کننده مدال IMS است. او هشت کتاب دیگر نیز نوشته است، از جمله «انتخاب بیزی» که در سال 2004 جایزه ISBA DeGroot را دریافت کرد، «روش‌های آماری مونت کارلو» با جورج کازلا، و «هسته بیزی» با ژان میشل مارین. او به عنوان سردبیر مشترک مجله انجمن رویال آمار سری B، و همچنین سردبیر بیشتر مجلات آماری مهم، و رئیس ISBA در سال 2008 خدمت کرده است. جورج کازلا، استاد برجسته گروه آمار در دانشگاه فلوریدا است. او در هر دو بخش آمار نظری و کاربردی فعال است، عضو موسسه آمار ریاضی و انجمن آمار آمریکا، و عضو خارجی آکادمی سلطنتی علوم اسپانیا است. او به عنوان ویراستار نظریه و روش ها در مجله انجمن آماری آمریکا، به عنوان سردبیر اجرایی علوم آماری، و به عنوان سردبیر مشترک مجله انجمن آماری سلطنتی سری B. علاوه بر کتاب هایی با کریستین رابرت، تالیف کرده است. اجزای واریانس، 1992، با S.R. سرل و سی مک کالوچ; استنباط آماری، ویرایش دوم، 2001، با راجر برگر; و نظریه تخمین نقطه، ویرایش دوم، 1998، با اریش لمان. آخرین کتاب او طراحی آماری 2008 است. برنامه نویسی پایه R -- تولید متغیر تصادفی -- ادغام مونت کارلو -- کنترل و تسریع همگرایی -- بهینه سازی مونت کارلو -- الگوریتم های متروپلیس-هیستینگ -- نمونه برداران گیبس -- نظارت بر همگرایی برای الگوریتم های MCMC .
توضیحاتی درمورد کتاب به خارجی
Computational techniques based on simulation have now become an essential part of the statistician's toolbox. It is thus crucial to provide statisticians with a practical understanding of those methods, and there is no better way to develop intuition and skills for simulation than to use simulation to solve statistical problems. Introducing Monte Carlo Methods with R covers the main tools used in statistical simulation from a programmer's point of view, explaining the R implementation of each simulation technique and providing the output for better understanding and comparison. While this book constitutes a comprehensive treatment of simulation methods, the theoretical justification of those methods has been considerably reduced, compared with Robert and Casella (2004). Similarly, the more exploratory and less stable solutions are not covered here. This book does not require a preliminary exposure to the R programming language or to Monte Carlo methods, nor an advanced mathematical background. While many examples are set within a Bayesian framework, advanced expertise in Bayesian statistics is not required. The book covers basic random generation algorithms, Monte Carlo techniques for integration and optimization, convergence diagnoses, Markov chain Monte Carlo methods, including Metropolis {Hastings and Gibbs algorithms, and adaptive algorithms. All chapters include exercises and all R programs are available as an R package called mcsm. The book appeals to anyone with a practical interest in simulation methods but no previous exposure. It is meant to be useful for students and practitioners in areas such as statistics, signal processing, communications engineering, control theory, econometrics, finance and more. The programming parts are introduced progressively to be accessible to any reader. Christian P. Robert is Professor of Statistics at Université Paris Dauphine, and Head of the Statistics Laboratory of CREST, both in Paris, France. He has authored more than 150 papers in applied probability, Bayesian statistics and simulation methods. He is a fellow of the Institute of Mathematical Statistics and the recipient of an IMS Medallion. He has authored eight other books, including The Bayesian Choice which received the ISBA DeGroot Prize in 2004, Monte Carlo Statistical Methods with George Casella, and Bayesian Core with Jean-Michel Marin. He has served as Joint Editor of the Journal of the Royal Statistical Society Series B, as well as an associate editor for most major statistical journals, and was the 2008 ISBA President. George Casella is Distinguished Professor in the Department of Statistics at the University of Florida. He is active in both theoretical and applied statistics, is a fellow of the Institute of Mathematical Statistics and the American Statistical Association, and a Foreign Member of the Spanish Royal Academy of Sciences. He has served as Theory and Methods Editor of the Journal of the American Statistical Association, as Executive Editor of Statistical Science, and as Joint Editor of the Journal of the Royal Statistical Society Series B. In addition to books with Christian Robert, he has written Variance Components, 1992, with S.R. Searle and C.E. McCulloch; Statistical Inference, Second Edition, 2001, with Roger Berger; and Theory of Point Estimation, Second Edition, 1998, with Erich Lehmann. His latest book is Statistical Design 2008.;Basic R programming -- Random variable generation -- Monte Carlo integration -- Controling and accelerating convergence -- Monte Carlo Optimization -- Metropolis-Hastings algorithms -- Gibbs samplers -- Convergence Monitoring for MCMC algorithms.
فهرست مطالب
Front Matter....Pages i-xvi
Basic R Programming....Pages 1-39
Random Variable Generation....Pages 41-60
Monte Carlo Integration....Pages 61-88
Controlling and Accelerating Convergence....Pages 89-124
Monte Carlo Optimization....Pages 125-165
Metropolis–Hastings Algorithms....Pages 167-197
Gibbs Samplers....Pages 199-236
Convergence Monitoring and Adaptation for MCMC Algorithms....Pages 237-268
Back Matter....Pages 1-15
