Simulation and the Monte Carlo Method: Solutions Manual to Accompany, Second Edition

ویرایش:  
نویسندگان: Dirk P. Kroese,  Thomas Taimre,  Zdravko I. Botev,  Rueven Y. Rubinstein(auth.)  
سری: Wiley Series in Probability and Statistics 
ISBN (شابک) : 9780470258798, 9780470285312 
ناشر:  
سال نشر: 2008 
تعداد صفحات: 186 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

قیمت کتاب (تومان) : 47,000

این نسخه جدید در دسترس موضوعات اصلی شبیه‌سازی مونت کارلو را بررسی می‌کند

شبیه‌سازی و روش مونت کارلو، ویرایش دوم منعکس‌کننده آخرین تحولات در این زمینه است و گزارشی کاملاً به‌روز و جامع از موضوعات اصلی که در شبیه‌سازی مونت کارلو پدیدار شده‌اند ارائه می‌کند. از زمان انتشار نسخه اول کلاسیک بیش از بیست و پنج سال پیش. در حالی که رویکرد قابل دسترس و شهودی خود را حفظ می کند، این نسخه اصلاح شده دارای انبوهی از اطلاعات به روز است که درک عمیق تر از حل مسئله را در طیف گسترده ای از حوزه های موضوعی، مانند مهندسی، آمار، علوم کامپیوتر، ریاضیات و علوم فیزیکی و زیستی.

کتاب با مقدمه ای مدرن شروع می شود که به مفاهیم اساسی احتمال، فرآیندهای مارکوف و بهینه سازی محدب می پردازد. فصل های بعدی تغییرات چشمگیری را که در زمینه روش مونت کارلو رخ داده است، با پوشش بسیاری از موضوعات مدرن از جمله:

زنجیره مارکوف مونت کارلو

تکنیک های کاهش واریانس مانند روش نسبت احتمال تبدیل و روش غربالگری مورد بحث قرار می دهند.

روش تابع امتیاز برای تحلیل حساسیت

روش تقریب تصادفی و روش همتای تصادفی برای بهینه‌سازی مونت کارلو

روش آنتروپی متقابل برای تخمین رویدادهای نادر و بهینه‌سازی ترکیبی

کاربرد مونت کارلو تکنیک های شمارش مسائل، با تاکید بر روش حداقل پارامتری متقابل آنتروپی

طیف گسترده ای از تمرین ها در پایان هر فصل ارائه شده است، با بخش ها و تمرین های دشوارتر که بر این اساس برای خوانندگان پیشرفته علامت گذاری شده اند. نمونه‌های سخاوتمندانه‌ای از نمونه‌های کاربردی در سرتاسر کتاب قرار گرفته‌اند که بر حوزه‌های مختلف کاربرد تأکید دارد، و یک پیوست مفصل مقدمه‌ای بر خانواده‌های نمایی، بحثی در مورد پیچیدگی محاسباتی مسائل برنامه‌نویسی تصادفی، و نمونه‌های برنامه‌های MATLAB ارائه می‌دهد.

شبیه سازی و روش مونت کارلو که فقط به دانش اولیه و مقدماتی احتمالات و آمار نیاز دارد، نسخه دوم متنی عالی برای دوره های فوق لیسانس و شروع دوره های کارشناسی ارشد در شبیه سازی و تکنیک های مونت کارلو است. این کتاب همچنین به عنوان یک مرجع ارزشمند برای متخصصانی است که مایلند به درک رسمی تری از روش مونت کارلو دست یابند.

 محتوا:
فصل 1 مقدماتی (صفحات xi–7):
فصل 2 اعداد تصادفی، متغیرهای تصادفی، و تولید فرآیند تصادفی (صفحات 9-13):
فصل 3 شبیه سازی رویداد گسسته سیستم‌ها (صفحات 15-17):
فصل 4 تجزیه و تحلیل آماری سیستم‌های رویداد گسسته (صفحه‌های 19-23):
فصل 5 کنترل واریانس (صفحات 25-30):
فصل 6 Markov Chain Monte کارلو (صفحات 31-36):
فصل 7 تجزیه و تحلیل حساسیت و بهینه سازی مونت کارلو (صفحه های 37-40):
فصل 8 روش متقابل آنتروپی (صفحات 41-46):
فصل 9 شمارش از طریق مونت کارلو (صفحات 47-49):
ضمیمه فصل 10 (صفحه های 51-52):
فصل 11 مقدماتی (صفحه های 53-68):
فصل 12 عدد تصادفی، متغیر تصادفی، و تولید فرآیند تصادفی (صفحات 69-83):
فصل 13 شبیه سازی سیستم های رویداد گسسته (صفحه های 85-94):
فصل 14 تجزیه و تحلیل آماری سیستم های رویداد گسسته (صفحات 95-103):
فصل 15 کنترل واریانس (صفحات 105-121):
فصل 16 Markov Chain Mont e Carlo (صفحات 123-144):
فصل 17 تجزیه و تحلیل حساسیت و بهینه سازی مونت کارلو (صفحه های 145-150):
فصل 18 روش متقابل آنتروپی (صفحات 151-175):
فصل 19 شمارش via Monte Carlo (صفحات 177-186):
فصل 20 پیوست (صفحات 187-188):

This accessible new edition explores the major topics in Monte Carlo simulation

Simulation and the Monte Carlo Method, Second Edition reflects the latest developments in the field and presents a fully updated and comprehensive account of the major topics that have emerged in Monte Carlo simulation since the publication of the classic First Edition over twenty-five years ago. While maintaining its accessible and intuitive approach, this revised edition features a wealth of up-to-date information that facilitates a deeper understanding of problem solving across a wide array of subject areas, such as engineering, statistics, computer science, mathematics, and the physical and life sciences.

The book begins with a modernized introduction that addresses the basic concepts of probability, Markov processes, and convex optimization. Subsequent chapters discuss the dramatic changes that have occurred in the field of the Monte Carlo method, with coverage of many modern topics including:

Markov Chain Monte Carlo

Variance reduction techniques such as the transform likelihood ratio method and the screening method

The score function method for sensitivity analysis

The stochastic approximation method and the stochastic counter-part method for Monte Carlo optimization

The cross-entropy method to rare events estimation and combinatorial optimization

Application of Monte Carlo techniques for counting problems, with an emphasis on the parametric minimum cross-entropy method

An extensive range of exercises is provided at the end of each chapter, with more difficult sections and exercises marked accordingly for advanced readers. A generous sampling of applied examples is positioned throughout the book, emphasizing various areas of application, and a detailed appendix presents an introduction to exponential families, a discussion of the computational complexity of stochastic programming problems, and sample MATLAB® programs.

Requiring only a basic, introductory knowledge of probability and statistics, Simulation and the Monte Carlo Method, Second Edition is an excellent text for upper-undergraduate and beginning graduate courses in simulation and Monte Carlo techniques. The book also serves as a valuable reference for professionals who would like to achieve a more formal understanding of the Monte Carlo method.

 Content:
Chapter 1 Preliminaries (pages xi–7):
Chapter 2 Random Number, Random Variable, and Stochastic Process Generation (pages 9–13):
Chapter 3 Simulation of Discrete?Event Systems (pages 15–17):
Chapter 4 Statistical Analysis of Discrete?Event Systems (pages 19–23):
Chapter 5 Controlling the Variance (pages 25–30):
Chapter 6 Markov Chain Monte Carlo (pages 31–36):
Chapter 7 Sensitivity Analysis and Monte Carlo Optimization (pages 37–40):
Chapter 8 The Cross?Entropy Method (pages 41–46):
Chapter 9 Counting via Monte Carlo (pages 47–49):
Chapter 10 Appendix (pages 51–52):
Chapter 11 Preliminaries (pages 53–68):
Chapter 12 Random Number, Random Variable, and Stochastic Process Generation (pages 69–83):
Chapter 13 Simulation of Discrete?Event Systems (pages 85–94):
Chapter 14 Statistical Analysis of Discrete?Event Systems (pages 95–103):
Chapter 15 Controlling the Variance (pages 105–121):
Chapter 16 Markov Chain Monte Carlo (pages 123–144):
Chapter 17 Sensitivity Analysis and Monte Carlo Optimization (pages 145–150):
Chapter 18 The Cross?Entropy Method (pages 151–175):
Chapter 19 Counting via Monte Carlo (pages 177–186):
Chapter 20 Appendix (pages 187–188):