统计模拟（英文版·第4版）

定　价：¥45.00

作　者：	（美）罗斯（Ross,S.M.）著
出版社：	人民邮电出版社
丛编项：	图灵原版数学.统计学系列
标　签：	统计学

购买这本书可以去

ISBN：	9787115155641	出版时间：	2007-02-01	包装：	胶版纸
开本：	16	页数：	298	字数：

内容简介

　　“……本书内容丰富，不论作为教材还是参考书都非常值得推荐。”——美国统计学报“本书是一本非常优秀的教材，强调了计算机在模拟技术上的应用。一定的概率和统计知识将有助于理解本书的精髓。”——亚马逊网上书店评论统计模拟是一门新兴的统计学和计算机结合的学科，因其便利性和经济性而广泛应用于统计学、数学、精算科学、工程学、物理学等众多领域，用以获得精确而有效的解决方案。本书是国际知名统计学家Sheldon M. Ross所著的经典教材，已被加州大学伯克利分校、哥伦比亚大学等多所名校采用。书中涵盖了统计模拟最新方法和技术，提供了丰富的实例，备受业界推崇。本书特色：提供了分析模拟数据以及模拟模型的拟合检验所需的统计方法。通过许多实用的例子（如多服务器排队法、存货控制及行使股票期权等）来阐明和提出理论。强调方差缩减技术，包括控制变量及它们在因归分析中的应用等。提供了有关保险风险模型、生成随机向量、奇异期权的材料和关于产生离散随机变量混淆方法的独特材料。第4版特别增加了随机序列函数和随机子集函数的评估、分层抽样法的应用。　本书介绍了统计模拟的一些实用方法和技术。在对概率的基本知识进行了简单的回顾这后，介绍了如何利用计算机产生随机数以及如何利用这些随机数产生任意分布的随机变量、随机过程等。然后介绍一些分析编译数据的方法和技术，如Bootstrap、方差缩减技术等。接着介绍了如何利用统计模拟来判断所选的随机模型是否拟合实际的数据。最后介绍了MCMC及一些最新发展的统计模拟技术和论题。本书可作为统计学、计算数学、保险学、精算学等专业本科生教材，也可供相关专业人士参考。本书为英文第4版。

作者简介

　　作者：Sheldon M. RossSheldon M. Ross国际知名概率与统计学家，南加州大学工业工程与运筹系系主任。毕业于斯坦福大学统计系，曾在加州大学伯克利分校任教多年。研究领域包括：随机模型．仿真模拟、统计分析、金融数学等：Ross教授著述颇丰，他的多种畅销数学和统计教材均产生了世界性的影响，如Introduction to Probability Models（《应用随机过程：概率模型导论》），A First Course in Probability（《概率论墓础教程》）等（均由人民邮电出版社出版）。

图书目录

1 Introduction
Exercises
2 Elements of Probability
2.1 Sample Space and Events
2.2 Axioms of Probability
2.3 Conditional Probability and Independence
2.4 Random Variables
2.5 Expectation
2.6 Variance
2.7 Chebyshevs Inequality and the Laws of Large Numbers
2.8 Some Discrete Random Variables
Binomial Random Variables
Poisson Random Variables
Geometric Random Variables
The Negative Binomial Random Variable
Hypergeometric Random Variables
2.9 Continuous Random Variables
Uniformly Distributed Random Variables
Normal Random Variables
Exponential Random Variables
The Poisson Process and Gamma Random Variables
The Nonhomogeneous Poisson Process
2.10 Conditional Expectation and Conditional Variance
Exercises
References
3 Random Numbers
Introduction
3.1 Pseudorandom Number Generation
3.2 Using Random Numbers to Evaluate Integrals
Exercises
References
4 Generating Discrete Random Variables
4.1 The Inverse Transform Method
4.2 Generating a Poisson Random Variable
4.3 Generating Binomial Random Variables
4.4 The Acceptance-Rejection Technique
4.5 The Composition Approach
4.6 Generating Random Vectors
Exercises
5 Generating Continuous Random Variables
Introduction
5.1 The Inverse Transform Algorithm
5.2 The Rejection Method
5.3 The Polar Method for Generating Normal Random Variables
5.4 Generating a Poisson Process
5.5 Generating a Nonhomogeneous Poisson Process
Exercises
References
6 The Discrete Event Simulation Approach
Introduction
6.1 Simulation via Discrete Events
6.2 A Single-Server Queueing System
6.3 A Queueing System with Two Servers in Series
6.4 A Queueing System with Two Parallel Servers
6.5 An Inventory Model
6.6 An Insurance Risk Model
6.7 A Repair Problem
6.8 Exercising a Stock Option
6.9 Verification of the Simulation Model
Exercises
References
7 Statistical Analysis of Simulated Data
Introduction
7.1 The Sample Mean and Sample Variance
7.2 Interval Estimates of a Population Mean
7.3 The Bootstrapping Technique for Estimating Mean Square Errors
Exercises
References
8 Variance Reduction Techniques
Introduction
8.1 The Use of Antithetic Variables
8.2 The Use of Control Variates
8.3 Variance Reduction by Conditioning
Estimating the Expected Number of Renewals by Time t
8.4 Stratified Sampling
8.5 Importance Sampling
8.6 Using Common Random Numbers
8.7 Evaluating an Exotic Option
Appendix： Verification of Antithetic Variable Approach
When Estimating the Expected Value of Monotone Functions
Exercises
References
9 Statistical Validation Techniques
Introduction
9.1 Goodness of Fit Tests
The Chi-Square Goodness of Fit Test for Discrete Data
The Kolmogorov-Smirnov Test for Continuous Data
9.2 Goodness of Fit Tests When Some Parameters Are Unspecified
The Discrete Data Case
The Continuous Data Case
9.3 The Two-Sample Problem
9.4 Validating the Assumption of a Nonhomogeneous
Poisson Process
Exercises
References
10 Markov Chain Monte Carlo Methods
Introduction
10.1 Markov Chains
10.2 The Hastings-Metropolis Algorithm
10.3 The Gibbs Sampler
10.4 Simulated Annealing
10.5 The Sampling Importance Resampling Algorithm
Exercises
References
11 Some Additional Topics
Introduction
11.1 The Alias Method for Generating Discrete Random Variables
11.2 Simulating a Two-Dimensional Poisson Process
11.3 Simulation Applications of an Identity for Sums of Bernoulli Random Variables
11.4 Estimating the Distribution and the Mean of the First Passage Time of a Markov Chain
11.5 Coupling from the Past
Exercises
References
Index