دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: ریاضیات کاربردی ویرایش: Corrected نویسندگان: Jun S. Liu سری: ISBN (شابک) : 0387952306, 9780387952307 ناشر: سال نشر: 2008 تعداد صفحات: 356 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
در صورت تبدیل فایل کتاب Monte Carlo Strategies in Scientific Computing 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 استراتژی های مونت کارلو در محاسبات علمی 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.
این کتاب درمان به روزی از روش مونت کارلو ارائه می دهد و چارچوب مشترکی را ایجاد می کند که تحت آن می توان تکنیک های مختلف مونت کارلو را "استاندارد" و مقایسه کرد. این می تواند به عنوان یک کتاب درسی برای دوره های تحصیلات تکمیلی در مورد روش های مونت کارلو استفاده شود.
This book provides an up-to-date treatment of the Monte Carlo method and develops a common framework under which various Monte Carlo techniques can be "standardized" and compared. It can be used as a textbook for a graduate-level course on Monte Carlo methods.
Preface ......Page 3
Contents......Page 7
1. Introduction and Examples......Page 13
2. Basic Principles : Rejection, Weighting and Others......Page 35
3. Theory of Sequential Monte Carlo......Page 66
4. Sequential Monte Carlo in Action......Page 91
5. Metropolis Algorithm and Beyond......Page 117
6. The Gibbs Sampler......Page 141
7. Cluster Algorithms for the Ising Model......Page 165
8. General Conditional Sampling......Page 174
9. Molecular Dynamics and Hybrid Monte Carlo......Page 196
10. Multilevel Sampling and Optimization Methods......Page 218
11. Population-Based Monte Carlo Methods......Page 238
12. Markov Chains and Their Convergence......Page 257
13. Selected Theorectical Topics......Page 283
Appendix A. Basics in Probability and Statistics......Page 307
References......Page 325