第1章 一維非均勻隨機(jī)數(shù)的產(chǎn)生
1.1常用連續(xù)非均勻隨機(jī)數(shù)的產(chǎn)生
1.1.1逆變換抽樣法
1.1.2舍選抽樣法
1.1.3變換抽樣法
1.1.4復(fù)合抽樣法
1.1.5近似抽樣法
1.2離散分布隨機(jī)數(shù)的抽樣法
1.2.1逆變換法
第2章 隨機(jī)向量隨機(jī)數(shù)的抽樣法
2.1連續(xù)隨機(jī)向量隨機(jī)數(shù)的抽樣法
2.1.1變換抽樣法
2.1.2條件分布法
2.1.3舍選抽樣法
2.2離散隨機(jī)向量隨機(jī)數(shù)的抽樣法
2.2.1條件分布法
第3章 參數(shù)估計(jì)數(shù)值計(jì)算
3.1點(diǎn)估計(jì)數(shù)值計(jì)算
3.2置信區(qū)間估計(jì)數(shù)值計(jì)算
3.2.1單總體置信區(qū)間估計(jì)
3.2.2兩總體置信區(qū)間估計(jì)
第4章 假設(shè)檢驗(yàn)數(shù)值計(jì)算
4.1參數(shù)檢驗(yàn)數(shù)值計(jì)算
4.2單樣本的擬合優(yōu)度檢驗(yàn)
4.2.1總體分布的卡方檢驗(yàn)
4.2.2單樣本 K-S檢驗(yàn)
4.2.3變量值隨機(jī)性檢驗(yàn)
4.3兩樣本的非參數(shù)檢驗(yàn)
4.3.1兩樣本的曼 –惠特尼 U檢驗(yàn)
4.3.2兩樣本的 K-S檢驗(yàn)
4.3.3兩樣本的游程檢驗(yàn)
4.4獨(dú)立性檢驗(yàn)
4.4.1列聯(lián)分析檢驗(yàn)
4.4.2相關(guān)系數(shù)檢驗(yàn)
第5章 降低方差的統(tǒng)計(jì)方法
5.1估計(jì)定積分的例子
5.1.1隨機(jī)投點(diǎn)法
5.1.2平均值估計(jì)法
5.2對(duì)偶變量的應(yīng)用
5.3控制變量法的應(yīng)用
5.4條件期望法
5.5重要抽樣法
5.6分層抽樣法
5.7隨機(jī)數(shù)重復(fù)使用
第6章 重抽樣方法
6.1 Bootstrap估計(jì)的思想
6.1.1偏差的自助估計(jì)
6.1.2估計(jì)量標(biāo)準(zhǔn)差的 Bootstrap估計(jì)
6.2 基于 Jackknife法的估計(jì)
6.2.1估計(jì)量偏差的 Jackknife估計(jì)
6.2.2估計(jì)量標(biāo)準(zhǔn)差的 Jackknife估計(jì)
6.2.3 Jackknife-after-Bootstrap估計(jì)
6.3 基于 Bootstrap法的置信區(qū)間估計(jì)
第 7章 EM算法
7.1 EM算法的步驟和原理
7.2 幾個(gè)特殊分布參數(shù)的 EM算法
7.2.1兩枚硬幣出現(xiàn)正面概率的 EM算法
7.2.2多項(xiàng)分布參數(shù)的 EM算法
7.2.3正態(tài)分布參數(shù) EM估計(jì)
7.2.4二項(xiàng)泊松混合模型的 EM估計(jì)
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抽樣
8.1 MCMC方法
8.1.1 Markov鏈
8.1.2 MCMC方法
8.1.3滿條件分布
8.2 Metropolis-Hastings方法
8.2.1 Metropolis選擇
8.2.2獨(dú)立抽樣
8.2.3單元素 Metropolis-Hastings算法
8.3Gibbs算法
參考文獻(xiàn)