数据科学统计计算（数据科学与大数据技术丛书）

图书标准信息

• 作者 许王莉 朱利平
• 出版社 中国人民大学出版社
• 出版时间 2022-02
• 版次 1
• ISBN 9787300302386
• 定价 39.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 144页
• 字数 214千字

【内容简介】

本书是现代统计计算教材，内容从初等入门到现代前沿，包括非均匀离散和连续变量随机数的产生、参数估计数值计算、假设检验数值计算、减少方差的统计方法、重抽样方法、EM算法以及MCMC方法等，共计8章。本书配有大量的例题以及R程序实现算法，方便学习。
  本书可作为高等院校统计、数学、经济等专业的本科生课程的教材，也可作为其他相关专业研究生教材的参考书，对广大从事与统计计算相关工作的实际工作者也极具参考价值。

【作者简介】

许王莉，中国人民大学明理书院副院长，统计学院教授，博士生导师， 近年来一直从事模型拟合优度检验，高维数据分析，随机缺失数据，抽样数据分析等方面的统计推断研究。先后主持了4项国家自然科学基金，以及教育部人文社会科学重点研究基地重大项目，北京市自然科学基金重点项目和教育部人文社科基金等多项科研课题, 在统计学国际一流期刊（包括期刊）发表论文70余篇，并在科学出版社合作出版《非参数蒙特卡洛检验及其应用》和单著《缺失数据的模型检验及其应用》。

朱利平，中国人民大学“杰出学者”特聘教授，统计与大数据研究院副院长，国家重大人才工程入选者。朱利平教授长期从事复杂（高维和非线性相依）数据分析理论、方法和算法研究工作，多篇论文入选ESI高被引论文。先后受邀担任国际统计学领域学术期刊《The Annals of Statistics》以及重要学术期刊《Statistica Sinica》、《Journal of Multivariate Analysis》、《Statistics and Its Interface》、《Statistical Analysis and Data Mining》等9个刊物的Associate Editor（编委），以及中国现场统计学会生存分析分会、高维数据分析学会的副理事长等职务。

【目录】

第1章 一维非均匀随机数的产生 

1.1常用连续非均匀随机数的产生

1.1.1逆变换抽样法

1.1.2舍选抽样法

1.1.3变换抽样法

1.1.4复合抽样法

1.1.5近似抽样法

1.2离散分布随机数的抽样法

1.2.1逆变换法

第2章 随机向量随机数的抽样法

2.1连续随机向量随机数的抽样法

2.1.1变换抽样法

2.1.2条件分布法

2.1.3舍选抽样法

2.2离散随机向量随机数的抽样法

2.2.1条件分布法

第3章 参数估计数值计算

3.1点估计数值计算

3.2置信区间估计数值计算

3.2.1单总体置信区间估计

3.2.2两总体置信区间估计

第4章 假设检验数值计算 

4.1参数检验数值计算

4.2单样本的拟合优度检验

4.2.1总体分布的卡方检验 

4.2.2单样本 K-S检验

4.2.3变量值随机性检验

4.3两样本的非参数检验

4.3.1两样本的曼 ?C惠特尼 U检验

4.3.2两样本的 K-S检验 

4.3.3两样本的游程检验 

4.4独立性检验 

4.4.1列联分析检验 

4.4.2相关系数检验

第5章 降低方差的统计方法 

5.1估计定积分的例子 

5.1.1随机投点法

5.1.2平均值估计法

5.2对偶变量的应用 

5.3控制变量法的应用 

5.4条件期望法 

5.5重要抽样法 

5.6分层抽样法

5.7随机数重复使用 

第6章 重抽样方法 

6.1 Bootstrap估计的思想

6.1.1偏差的自助估计

6.1.2估计量标准差的 Bootstrap估计

6.2基于 Jackknife法的估计

6.2.1估计量偏差的 Jackknife估计

6.2.2估计量标准差的 Jackknife估计

6.2.3 Jackknife-after-Bootstrap估计

6.3基于 Bootstrap法的置信区间估计

第 7章 EM算法

7.1 EM算法的步骤和原理

7.2几个特殊分布参数的 EM算法

7.2.1两枚硬币出现正面概率的 EM算法

7.2.2多项分布参数的 EM算法

7.2.3正态分布参数 EM估计

7.2.4二项泊松混合模型的 EM估计

7.3混合模型的 EM算法

7.3.1一般混合模型的 EM算法

7.3.2高斯混合模型的 EM算法

第8章 MCMC方法

8.3 Gibbs抽样

8.1 MCMC方法 

8.1.1 Markov链

8.1.2 MCMC方法 

8.1.3满条件分布

8.2 Metropolis-Hastings方法 

8.2.1 Metropolis选择 

8.2.2独立抽样 

8.2.3单元素 Metropolis-Hastings算法

8.3Gibbs算法

参考文献