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 Monte Carlo Statistical Methods

دانلود کتاب روشهای آماری مونت کارلو

Monte Carlo Statistical Methods

مشخصات کتاب

Monte Carlo Statistical Methods

ویرایش: [Hardcover ed.] 
نویسندگان:   
سری:  
ISBN (شابک) : 0387212396, 9780387212395 
ناشر: Springer 
سال نشر: 2005 
تعداد صفحات: 649
[683] 
زبان: English 
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 Mb 

قیمت کتاب (تومان) : 54,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 3


در صورت تبدیل فایل کتاب Monte Carlo Statistical Methods 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 روشهای آماری مونت کارلو 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 روشهای آماری مونت کارلو

روش‌های آماری مونت کارلو، به‌ویژه آن‌هایی که مبتنی بر زنجیره‌های مارکوف هستند، اکنون جزء ضروری مجموعه استاندارد تکنیک‌های مورد استفاده توسط آماردانان هستند. این نسخه جدید به منظور پوشش منسجم و روان از این تکنیک های شبیه سازی، با ادغام جدیدترین پیشرفت ها در این زمینه، تجدید نظر شده است. به طور خاص، پوشش مقدماتی تولید متغیرهای تصادفی کاملاً تجدید نظر شده است، با بسیاری از مفاهیم که از طریق یک قضیه اساسی شبیه‌سازی متحد شده‌اند



پنج فصل کاملاً جدید وجود دارد که پوشش می‌دهند. کنترل مونت کارلو، پرش برگشت پذیر، نمونه برداری برش، مونت کارلو متوالی و نمونه برداری کامل. پوشش عمیق تری از نمونه گیری گیبس وجود دارد که اکنون در سه فصل متوالی آمده است. توسعه نمونه برداری گیبس با نمونه برداری برش و ارتباط آن با قضیه اساسی شبیه سازی شروع می شود و نمونه برداری گیبس دو مرحله ای و ویژگی های نظری آن را می سازد. فصل سوم نمونه‌بردار چند مرحله‌ای گیبس و انواع کاربردهای آن را پوشش می‌دهد. در نهایت، فصل‌های ویرایش قبلی به‌منظور دسترسی آسان‌تر مورد بازنگری قرار گرفته‌اند و نمونه‌ها پوشش دقیق‌تری دارند.



این کتاب درسی برای دوره‌ی تحصیلات تکمیلی سال دوم در نظر گرفته شده است، اما همچنین برای کسی که می خواهد تکنیک های شبیه سازی را برای حل مسائل عملی به کار گیرد یا می خواهد اصول اساسی پشت آن روش ها را درک کند مفید خواهد بود. نویسندگان با تکنیک های مونت کارلو (مانند تولید متغیرهای تصادفی)، با برنامه نویسی کامپیوتری، یا با هر نظریه زنجیره مارکوف آشنایی ندارند (مفاهیم لازم در فصل 6 توسعه داده شده است). یک کتابچه راهنمای راه حل، که تقریباً 40٪ از مسائل را پوشش می دهد، برای مدرسانی که به کتاب برای یک دوره نیاز دارند، در دسترس است.



کریستین پی رابرت، استاد آمار در گروه ریاضیات کاربردی در دانشگاه پاریس دوفین، فرانسه. او همچنین رئیس آزمایشگاه آمار در مرکز تحقیقات در اقتصاد و آمار (CREST) ​​مؤسسه ملی آمار و مطالعات اقتصادی (INSEE) در پاریس، و استاد کمکی در Ecole Polytechnique است. او سه کتاب دیگر نوشته است، از جمله انتخاب بیزی، ویرایش دوم، اسپرینگر 2001. او همچنین ویرایش گسسته و ارزیابی همگرایی MCMC، Springer 1998. او به عنوان دستیار ویراستار برای Annals of Statistics و مجله انجمن آماری آمریکا خدمت کرده است. او عضو موسسه آمار ریاضی و برنده جایزه آماردان جوان انجمن آمار پاریس در سال 1995 است. استاد و رئیس، گروه آمار، دانشگاه فلوریدا. او به عنوان سردبیر تئوری و روش ها در مجله انجمن آماری آمریکا و سردبیر اجرایی علوم آماری خدمت کرده است. او سه کتاب درسی دیگر نیز تألیف کرده است: استنتاج آماری، ویرایش دوم، 2001، با راجر ال. برگر. تئوری تخمین نقطه ای، 1998، با اریش لمان. و Variance Components، 1992، با Shayle R. Searle و Charles E. McCulloch. او عضو موسسه آمار ریاضی و انجمن آمار آمریکا و عضو منتخب موسسه آمار بین المللی است.


توضیحاتی درمورد کتاب به خارجی

Monte Carlo statistical methods, particularly those based on Markov chains, are now an essential component of the standard set of techniques used by statisticians. This new edition has been revised towards a coherent and flowing coverage of these simulation techniques, with incorporation of the most recent developments in the field. In particular, the introductory coverage of random variable generation has been totally revised, with many concepts being unified through a fundamental theorem of simulation



There are five completely new chapters that cover Monte Carlo control, reversible jump, slice sampling, sequential Monte Carlo, and perfect sampling. There is a more in-depth coverage of Gibbs sampling, which is now contained in three consecutive chapters. The development of Gibbs sampling starts with slice sampling and its connection with the fundamental theorem of simulation, and builds up to two-stage Gibbs sampling and its theoretical properties. A third chapter covers the multi-stage Gibbs sampler and its variety of applications. Lastly, chapters from the previous edition have been revised towards easier access, with the examples getting more detailed coverage.



This textbook is intended for a second year graduate course, but will also be useful to someone who either wants to apply simulation techniques for the resolution of practical problems or wishes to grasp the fundamental principles behind those methods. The authors do not assume familiarity with Monte Carlo techniques (such as random variable generation), with computer programming, or with any Markov chain theory (the necessary concepts are developed in Chapter 6). A solutions manual, which covers approximately 40% of the problems, is available for instructors who require the book for a course.



Christian P. Robert is Professor of Statistics in the Applied Mathematics Department at Universit� Paris Dauphine, France. He is also Head of the Statistics Laboratory at the Center for Research in Economics and Statistics (CREST) of the National Institute for Statistics and Economic Studies (INSEE) in Paris, and Adjunct Professor at Ecole Polytechnique. He has written three other books, including The Bayesian Choice, Second Edition, Springer 2001. He also edited Discretization and MCMC Convergence Assessment, Springer 1998. He has served as associate editor for the Annals of Statistics and the Journal of the American Statistical Association. He is a fellow of the Institute of Mathematical Statistics, and a winner of the Young Statistician Award of the Societi� de Statistique de Paris in 1995.



George Casella is Distinguished Professor and Chair, Department of Statistics, University of Florida. He has served as the Theory and Methods Editor of the Journal of the American Statistical Association and Executive Editor of Statistical Science. He has authored three other textbooks: Statistical Inference, Second Edition, 2001, with Roger L. Berger; Theory of Point Estimation, 1998, with Erich Lehmann; and Variance Components, 1992, with Shayle R. Searle and Charles E. McCulloch. He is a fellow of the Institute of Mathematical Statistics and the American Statistical Association, and an elected fellow of the International Statistical Institute.





نظرات کاربران