这本书系统性讲述了统计学理论,包括概率理论、分布式理论与统计模型,基本统计理论、贝叶斯理论、无偏点估计、最大似然统计推断、统计假设与置信集、非参与鲁棒推断。

第一门课程以对统计中有用的测量论概率论的概念和结果的简要概述开始。随后讨论了统计决策理论和推理中的一些基本概念。探讨了估计的基本方法和原理,包括各种限制条件下的最小风险方法,如无偏性或等方差法,最大似然法,以及矩法和其他插件方法等函数法。然后详细地考虑了贝叶斯决策规则。详细介绍了最小方差无偏估计的方法。主题包括统计量的充分性和完全性、 Fisher信息、估计量的方差的界、渐近性质和统计决策理论,包括极大极小和贝叶斯决策规则。

第二门课程更详细地介绍了假设检验和置信集的原理。我们考虑了决策过程的表征,内曼-皮尔森引理和一致最有力的测试,置信集和推理过程的无偏性。其他主题包括等方差、健壮性和函数估计。

除了数理统计的经典结果外,还讨论了马尔可夫链蒙特卡洛理论、拟似然、经验似然、统计泛函、广义估计方程、折刀法和自举法。

http://mason.gmu.edu/~jgentle/books/MathStat.pdf

成为VIP会员查看完整内容
0
69

相关内容

矩阵代数是数据分析和统计理论中最重要的数学领域之一。这本书的第一部分为统计中的应用提出矩阵代数的理论的相关方面。本部分从向量和向量空间的基本概念开始,接着介绍矩阵的基本代数性质,然后描述向量和矩阵在多元演算中的解析性质,最后讨论线性系统解和特征分析中矩阵的运算。这部分基本上是独立的。

本书的第二部分开始考虑在统计中遇到的各种类型的矩阵,例如投影矩阵和正定矩阵,并描述这些矩阵的特殊性质。第二部分也介绍了矩阵理论在统计中的一些应用,包括线性模型、多元分析和随机过程。本部分说明了在本书第一部分中发展的矩阵理论。书的前两个部分可以作为为统计学生的矩阵代数课程的文本,或作为在线性模型或多元统计的各种课程的补充文本。

这本书的第三部分涵盖了数值线性代数。它以数值计算的基础讨论开始,然后描述精确和有效的算法因式分解矩阵,求解线性方程组,并提取特征值和特征向量。虽然这本书没有捆绑到任何特定的软件系统,它描述并给出了使用数字线性代数的现代计算机软件的例子。这部分基本上是自包含的,尽管它假设有一些能力用Fortran或C编程和/或使用R/S-Plus或Matlab的能力。书的这一部分可以作为在统计计算中的一门课程的文本使用,或者作为强调计算的各种课程的补充文本。

这本书包括大量的练习,并在附录中提供了一些解决方案。

James E. Gentle是乔治梅森大学计算统计学教授。他是美国统计协会(ASA)和美国科学促进会的会员。他曾在美国标准局担任过几个国家职务并担任过美国标准局期刊的副主编以及其他统计和计算期刊的副主编。他是随机数生成和蒙特卡罗方法,第二版,和计算统计元素的作者。

成为VIP会员查看完整内容
0
83

计算机科学在建模和解决问题的方法上正在经历一个根本性的转变。早期的计算机科学家主要研究离散数学,专注于由有限数量的不同片段组成的图形、树和阵列等结构。随着快速浮点处理、“大数据”、三维扫描和其他噪杂输入来源的引入,现代计算机科学工作者必须设计健壮的方法来处理和理解实值数据。现在,除了离散数学,计算机科学家必须同样流利地掌握多元微积分和线性代数的语言。

数值算法介绍了计算机科学应用的数值方法的用户所必需的技能。本文是为高级本科生和早期研究生设计的,他们熟悉数学符号和形式,但需要在考虑算法的同时复习连续的概念。它涵盖了广泛的主题基础,从数值线性代数到优化和微分方程,目标是导出标准方法,同时发展直觉和舒适所需的理解更多的文献在每个子主题。在书中,每一章都温和而严谨地介绍了数值方法、数学背景和现代计算机科学的实例。

几乎每个部分都考虑了给定类型的数值算法的实际用例。例如,奇异值分解与统计方法、点云对齐和低秩近似一起被引入,最小二乘的讨论包括机器学习的概念,如核化和正则化。本理论与应用并行介绍的目的是提高设计数值方法和每种方法在实际情况中的应用。

成为VIP会员查看完整内容
0
61

模式识别对科学家和工程师来说是最重要的挑战之一,并且已经提出了许多不同的方法。本书的目的是为这些方法的概率分析提供一个自成体系的描述。本书包括了距离度量,基于内核或最近邻居的非参数方法,Vapnik-Chervonenkis理论,epsilon熵,参数分类,误差估计,自由分类器和神经网络的讨论。在可能的情况下,可以导出无分布性质和不等式。大量的结果或分析是新的。

https://link.springer.com/book/10.1007/978-1-4612-0711-5

成为VIP会员查看完整内容
0
53

这是我2004年,2006年和2009年在斯坦福大学教授的概率理论博士课程的讲义。本课程的目标是为斯坦福大学数学和统计学系的博士生做概率论研究做准备。更广泛地说,文本的目标是帮助读者掌握概率论的数学基础和在这一领域中证明定理最常用的技术。然后将此应用于随机过程的最基本类的严格研究。

为此,我们在第一章中介绍了测度与积分理论中的相关元素,即事件的概率空间与格-代数、作为可测函数的随机变量、它们的期望作为相应的勒贝格积分,以及独立性的重要概念。

利用这些元素,我们在第二章中研究了随机变量收敛的各种概念,并推导了大数的弱定律和强定律。

第三章讨论了弱收敛的理论、分布函数和特征函数的相关概念以及中心极限定理和泊松近似的两个重要特例。

基于第一章的框架,我们在第四章讨论了条件期望的定义、存在性和性质,以及相关的规则条件概率分布。

第五章讨论了过滤、信息在时间上的级数的数学概念以及相应的停止时间。关于后者的结果是作为一组称为鞅的随机过程研究的副产品得到的。讨论了鞅表示、极大不等式、收敛定理及其各种应用。为了更清晰和更容易的表述,我们在这里集中讨论离散时间的设置来推迟与第九章相对应的连续时间。

第六章简要介绍了马尔可夫链的理论,概率论的核心是一个庞大的主题,许多教科书都致力于此。我们通过研究一些有趣的特殊情况来说明这类过程的一些有趣的数学性质。

在第七章中,我们简要介绍遍历理论,将注意力限制在离散时间随机过程的应用上。我们定义了平稳过程和遍历过程的概念,推导了Birkhoff和Kingman的经典定理,并强调了该理论的许多有用应用中的少数几个。

第八章建立了以连续时间参数为指标的右连续随机过程的研究框架,引入了高斯过程族,并严格构造了布朗运动为连续样本路径和零均值平稳独立增量的高斯过程。

第九章将我们先前对鞅和强马尔可夫过程的处理扩展到连续时间的设定,强调了右连续滤波的作用。然后在布朗运动和马尔可夫跳跃过程的背景下说明了这类过程的数学结构。

在此基础上,在第十章中,我们利用不变性原理重新构造了布朗运动作为某些重新标定的随机游动的极限。进一步研究了其样本路径的丰富性质以及布朗运动在clt和迭代对数定律(简称lil)中的许多应用。

https://statweb.stanford.edu/~adembo/stat-310b/lnotes.pdf

成为VIP会员查看完整内容
0
77

本文第1-2章涵盖概率论基础课程的内容。第三章讨论离散随机过程,包括鞅理论。第四章包括连续时间随机过程,如布朗运动和随机微分方程。最后一章选定的主题在2006年夏天得到了相当大的扩展。在最初的课程中,只包括本地化和渗透问题。目前已增加了估计理论、弗拉索夫动力学、多维矩问题、随机映射、圆值随机变量、数的几何、丢番图方程、调和分析等课题。不需要先前的概率论知识,但需要对微积分和线性代数有基本的了解。一些实际的分析以及拓扑、泛函分析和谐波分析的背景知识对后面的章节有所帮助。

http://people.math.harvard.edu/~knill/books/KnillProbability.pdf

成为VIP会员查看完整内容
0
30

这是为未来的科学家和工程师准备的微积分介绍的第二卷。第二卷是第一卷的延续,包括第六到第十二章。第六章介绍了向量、向量运算、向量的微分与积分及其应用。第七章研究了以向量形式表示的曲线和曲面,并研究了与这些形式相关的向量运算。此外,还研究了用矢量表示法表示密度、表面积和体积元素的方法。方向导数是与其他向量运算及其属性一起定义的,因为这些额外的向量使我们能够找到具有多个变量的函数的最大值和最小值。第八章研究标量场和向量场以及涉及这些量的运算。详细研究了高斯散度定理、斯托克斯定理和平面上的格林定理及其相关应用。第九章介绍了来自科学和工程选定领域的向量的应用。第十章介绍了矩阵演算和差分演算。第十一章介绍了概率论和统计学。第十章和第十一章之所以出现,是因为在当今社会,技术发展正趋向于一个数字化的世界,学生们应该接触到一些运算性的微积分,这是为了理解这些技术所需要的。第十二章是作为一个后续想法,介绍那些对数学的一些更高级的领域感兴趣的人。

如果你是微积分的初学者,那么一定要确保你有适当的代数和三角的背景材料。如果你有不明白的地方,不要害怕向你的老师提问。去图书馆找一些其他的微积分书,从不同的角度来介绍这门学科。在因特网上,人们可以找到许多微积分的帮助。在因特网上,人们还可以找到许多关于微积分应用的说明。这些额外的学习辅助将向你展示在不同的微积分科目上有多种方法,应该有助于你的分析和推理技能的发展。

http://www.math.odu.edu/~jhh/Volume-2.PDF

成为VIP会员查看完整内容
0
45

本书围绕虚拟化、并发和持久性这三个主要概念展开,介绍了所有现代系统的主要组件(包括调度、虚拟内存管理、磁盘和I/O子系统、文件系统)。全书共50章,分为3个部分,分别讲述虚拟化、并发和持久性的相关内容。作者以对话形式引入所介绍的主题概念,行文诙谐幽默却又鞭辟入里,力求帮助读者理解操作系统中虚拟化、并发和持久性的原理。本书内容全面,并给出了真实可运行的代码(而非伪代码),还提供了相应的练习,很适合高等院校相关专业的教师开展教学和高校学生进行自学。​

本书具有以下特色:

  • 主题突出,紧紧围绕操作系统的三大主题元素——虚拟化、并发和持久性。
  • 以对话的方式引入背景,提出问题,进而阐释原理,启发动手实践。
  • 包含众多“补充”和“提示”,拓展读者知识面,增加趣味性。
  • 使用真实代码而不是伪代码,让读者更加深入透彻地了解操作系统。
  • 提供作业、模拟和项目等众多学习方式,鼓励读者动手实践。
  • 为教师提供教学辅助资源。

成为VIP会员查看完整内容
0
96

这本书向读者介绍点估计、置信区间和统计检验。基于线性模型的一般理论,本文对以下内容进行了深入的概述:固定效应、随机效应和混合效应模型的方差分析;在扩展到非线性模型之前,回归分析也首先出现在具有固定、随机和混合效应的线性模型中;统计多决策问题,如统计选择程序(Bechhofer和Gupta)和顺序测试;从数理统计的角度设计实验。大多数分析方法都补充了最小样本量的公式。这些章节还包含了解答的提示练习。

成为VIP会员查看完整内容
1
56

这本书的第五版继续讲述如何运用概率论来深入了解真实日常的统计问题。这本书是为工程、计算机科学、数学、统计和自然科学的学生编写的统计学、概率论和统计的入门课程。因此,它假定有基本的微积分知识。

第一章介绍了统计学的简要介绍,介绍了它的两个分支:描述统计学和推理统计学,以及这门学科的简短历史和一些人,他们的早期工作为今天的工作提供了基础。

第二章将讨论描述性统计的主题。本章展示了描述数据集的图表和表格,以及用于总结数据集某些关键属性的数量。

为了能够从数据中得出结论,有必要了解数据的来源。例如,人们常常假定这些数据是来自某个总体的“随机样本”。为了确切地理解这意味着什么,以及它的结果对于将样本数据的性质与整个总体的性质联系起来有什么意义,有必要对概率有一些了解,这就是第三章的主题。本章介绍了概率实验的思想,解释了事件概率的概念,并给出了概率的公理。

我们在第四章继续研究概率,它处理随机变量和期望的重要概念,在第五章,考虑一些在应用中经常发生的特殊类型的随机变量。给出了二项式、泊松、超几何、正规、均匀、伽玛、卡方、t和F等随机变量。

成为VIP会员查看完整内容
2
146

高斯过程(GPs)为核机器的学习提供了一种有原则的、实用的、概率的方法。在过去的十年中,GPs在机器学习社区中得到了越来越多的关注,这本书提供了GPs在机器学习中理论和实践方面长期需要的系统和统一的处理。该书是全面和独立的,针对研究人员和学生在机器学习和应用统计学。

这本书处理监督学习问题的回归和分类,并包括详细的算法。提出了各种协方差(核)函数,并讨论了它们的性质。从贝叶斯和经典的角度讨论了模型选择。讨论了许多与其他著名技术的联系,包括支持向量机、神经网络、正则化网络、相关向量机等。讨论了包括学习曲线和PAC-Bayesian框架在内的理论问题,并讨论了几种用于大数据集学习的近似方法。这本书包含说明性的例子和练习,和代码和数据集在网上是可得到的。附录提供了数学背景和高斯马尔可夫过程的讨论。

成为VIP会员查看完整内容
0
130
小贴士
相关主题
相关VIP内容
专知会员服务
53+阅读 · 1月21日
专知会员服务
77+阅读 · 2020年12月3日
专知会员服务
30+阅读 · 2020年11月14日
专知会员服务
45+阅读 · 2020年11月5日
专知会员服务
96+阅读 · 2020年10月28日
专知会员服务
56+阅读 · 2020年8月9日
专知会员服务
146+阅读 · 2020年7月28日
专知会员服务
130+阅读 · 2020年5月2日
相关论文
Bartosz Kuśmierz,Sebastian Müller,Angelo Capossele
0+阅读 · 2月5日
A. Feder Cooper,Yucheng Lu,Christopher De Sa
0+阅读 · 2月5日
Vishnupriya Anupindi,László Mérai
0+阅读 · 2月4日
Yesdaulet Izenov,Asoke Datta,Florin Rusu,Jun Hyung Shin
0+阅读 · 2月4日
Yann Dubois,Douwe Kiela,David J. Schwab,Ramakrishna Vedantam
6+阅读 · 2020年9月27日
Joost Verbraeken,Matthijs Wolting,Jonathan Katzy,Jeroen Kloppenburg,Tim Verbelen,Jan S. Rellermeyer
29+阅读 · 2019年12月20日
The Matrix Calculus You Need For Deep Learning
Terence Parr,Jeremy Howard
6+阅读 · 2018年7月2日
Kurt Riedel
4+阅读 · 2018年3月14日
John Duchi,Hongseok Namkoong
5+阅读 · 2017年12月14日
Top