应用随机过程：概率模型导论（英文版•第11版）-图书-图灵社区

4推荐收藏

8.8K阅读

图灵原版数学统计学系列

应用随机过程：概率模型导论（英文版•第11版）

Sheldon M. Ross (作者)

暂时缺货概率精算

本书是国际知名统计学家Sheldon M. Ross所著的关于基础概率理论和随机过程的经典教材，被加州大学伯克利分校、哥伦比亚大学、普度大学、密歇根大学、俄勒冈州立大学、华盛顿大学等众多国外知名大学所采用。
与其他随机过程教材相比，本书非常强调实践性，内含极其丰富的例子和习题，涵盖了众多学科的各种应用。作者富于启发而又不失严密性的叙述方式，有助于使读者建立概率思维方式，培养对概率理论、随机过程的直观感觉。对那些需要将概率理论应用于精算学、计算机科学、管理学和社会科学的读者而言，本书是一本极好的教材或参考书。
第11版新增大量例子和习题，还对连续时间的马尔可夫链、漂移布朗运动等内容做了修订，更加注重强化读者的概率直观。

纸质书: ￥78.21 ~~￥99.00~~

暂无样书

其他购买方式？

出版信息

书　　名应用随机过程：概率模型导论（英文版•第11版）
系列书名图灵原版数学统计学系列
执行编辑关于本书的内容有任何问题，请联系傅志红
出版日期2015-02-13
书　　号978-7-115-38474-4
定　　价99.00 元
页　　数784
印刷方式黑白
开　　本16开
出版状态暂时缺货
原书名Introduction to Probability Models, Eleventh Edition
原书号978-0124079489

所属分类

高等数学 > 概率

同系列书

复分析：可视化方法

本书是复分析领域近年来产生了广泛影响的一本著作. 作者独辟蹊径，用丰富的图例展示各种概念、定理和证明思...
概率论沉思录（英文版）

本书将概率和统计推断融合在一起，用新的观点生动地描述了概率论在物理学、数学、经济学、化学和生物学等领域...
小平邦彦复分析（英文版）

Kunihiko Kodaira

本书讲述了复变函数的经典理论。作者用易于理解的方式严密介绍基础理论，强调几何观点，避免了一些拓扑学难点...
哈代数论（英文版第6版）

本书是数论领域的一部传世名著，成书于作者在牛津大学、剑桥大学等学校授课的讲义. 书中从各个不同角度对数...
组合数学：专题、技术与算法（英文版）

这本优秀的组合数学教材是作者20多年研究和教学经验的结晶．全书分成初级篇和高级篇两个部分，共18章内容...

本书特色

北美精算师考试指定参考书

应用随机过程经典教材，学习精算学、人工智能、机器学习的必备参考书！

Preface	阅读
Introduction to Probability Theory 1.1　Introduction 1.2　Sample Space and Events 1.3　Probabilities Defined on Events 1.4　Conditional Probabilities 1.5　Independent Events 1.6　Bayes’ Formula Exercises References	阅读
Random Variables 2.1　Random Variables 2.2　Discrete Random Variables 2.2.1　The Bernoulli Random Variable 2.2.2　The Binomial Random Variable 2.2.3　The Geometric Random Variable 2.2.4　The Poisson Random Variable 2.3　Continuous Random Variables 2.3.1　The Uniform Random Variable 2.3.2　Exponential Random Variables 2.3.3　Gamma Random Variables 2.3.4　Normal Random Variables 2.4　Expectation of a Random Variable 2.4.1　The Discrete Case 2.4.2　The Continuous Case 2.4.3　Expectation of a Function of a Random Variable　 2.5　Jointly Distributed Random Variables 2.5.1　Joint Distribution Functions 2.5.2　Independent Random Variables 2.5.3　Covariance and Variance of Sums of Random Variables 2.5.4　Joint Probability Distribution of Functions of Random Variables 2.6　Moment Generating Functions 2.6.1　The Joint Distribution of the Sample Mean and Sample Variance from a Normal Population 2.7　The Distribution of the Number of Events that Occur 2.8　Limit Theorems 2.9　Stochastic Processes　 Exercises References
Conditional Probability and Conditional Expectation 3.1　Introduction 3.2　The Discrete Case 3.3　The Continuous Case 3.4　Computing Expectations by Conditioning 3.4.1　Computing Variances by Conditioning 3.5　Computing Probabilities by Conditioning 3.6　Some Applications 3.6.1　A List Model 3.6.2　A Random Graph 3.7　An Identity for Compound Random Variables 3.7.1　Poisson Compounding Distribution 3.7.2　Binomial Compounding Distribution 3.7.3　A Compounding Distribution Related to theNegative Binomial Exercises
Markov Chains 4.1　Introduction 4.2　Chapman–Kolmogorov Equations 4.3　Classification of States 4.4　Long-Run Proportions and Limiting Probabilities　 4.4.1　Limiting Probabilities 4.5　Some Applications 4.5.1　The Gambler’s Ruin Problem　 4.5.2　A Model for Algorithmic Efficiency 4.5.3　Using a Random Walk to Analyze a Probabilistic Algorithm for the Satisfiability Problem 4.6　Mean Time Spent in Transient States 4.7　Branching Processes 4.8　Time Reversible Markov Chains 4.9　Markov Chain Monte Carlo Methods 4.10　Markov Decision Processes 4.11　Hidden Markov Chains　 4.11.1　Predicting the States Exercises　 References
The Exponential Distribution and the Poisson Process 5.1　Introduction 5.2　The Exponential Distribution 5.2.1　Definition 5.2.2　Properties of the Exponential Distribution 5.2.3　Further Properties of the Exponential Distribution 5.2.4　Convolutions of Exponential Random Variables 5.3　The Poisson Process 5.3.1　Counting Processes 5.3.2　Definition of the Poisson Process 5.3.3　Interarrival and Waiting Time Distributions　 5.3.4　Further Properties of Poisson Processes 5.3.5　Conditional Distribution of the Arrival Times 5.3.6　Estimating Software Reliability 5.4　Generalizations of the Poisson Process 5.4.1　Nonhomogeneous Poisson Process 5.4.2　Compound Poisson Process　 5.4.3　Conditional or Mixed Poisson Processes 5.5　Random Intensity Functions and Hawkes Processes Exercises References
Continuous-Time Markov Chains 6.1　Introduction　 6.2　Continuous-Time Markov Chains 6.3　Birth and Death Processes 6.4　The Transition Probability Function Pij(t) 6.5　Limiting Probabilities 6.6　Time Reversibility　 6.7　The Reversed Chain 6.8　Uniformization 6.9　Computing the Transition Probabilities Exercises　 References
Renewal Theory and Its Applications　 7.1　Introduction 7.2　Distribution of N(t)　 7.3　Limit Theorems and Their Applications 7.4　Renewal Reward Processes 7.5　Regenerative Processes 7.5.1　Alternating Renewal Processes 7.6　Semi-Markov Processes　 7.7　The Inspection Paradox 7.8　Computing the Renewal Function 7.9　Applications to Patterns 7.9.1　Patterns of Discrete Random Variables 7.9.2　The Expected Time to a Maximal Run of Distinct Values 7.9.3　Increasing Runs of Continuous Random Variables 7.10　The Insurance Ruin Problem　 Exercises　 References
Queueing Theory 8.1　Introduction 8.2　Preliminaries 8.2.1　Cost Equations 8.2.2　Steady-State Probabilities 8.3　Exponential Models 8.3.1　A Single-Server Exponential Queueing System　 8.3.2　A Single-Server Exponential Queueing System Having Finite Capacity　 8.3.3　Birth and Death Queueing Models 8.3.4　A Shoe Shine Shop 8.3.5　A Queueing System with Bulk Service 8.4　Network of Queues　 8.4.1　Open Systems 8.4.2　Closed Systems 8.5　The System M / G / 1　 8.5.1　Preliminaries: Work and Another Cost Identity 8.5.2　Application of Work to M/G/1　 8.5.3　Busy Periods 8.6　Variations on the M / G / 1 8.6.1　The M/G/1 with Random-Sized Batch Arrivals 8.6.2　Priority Queues　 8.6.3　An M/G/1 Optimization Example 8.6.4　The M/G/1 Queue with Server Breakdown　 8.7　The Model G / M / 1　 8.7.1　The G / M / 1 Busy and Idle Periods　 8.8　A Finite Source Model 8.9　Multiserver Queues 8.9.1　Erlang’s Loss System 8.9.2　The M/M/k Queue 8.9.3　The G/M/k Queue 8.9.4　The M/G/k Queue Exercises　 References
Reliability Theory 9.1　Introduction　 9.2　Structure Functions　 9.2.1　Minimal Path and Minimal Cut Sets 9.3　Reliability of Systems of Independent Components 9.4　Bounds on the Reliability Function 9.4.1　Method of Inclusion and Exclusion 9.4.2　Second Method for Obtaining Bounds on r (p)　 9.5　System Life as a Function of Component Lives 9.6　Expected System Lifetime　 9.6.1　An Upper Bound on the Expected Life of a Parallel System 9.7　Systems with Repair 9.7.1　A Series Model with Suspended Animation Exercises References
Brownian Motion and Stationary Processes　 10.1　Brownian Motion 10.2　Hitting Times, Maximum Variable, and the Gambler’s Ruin Problem 10.3　Variations on Brownian Motion 10.3.1　Brownian Motion with Drift 10.3.2　Geometric Brownian Motion 10.4　Pricing Stock Options 10.4.1　An Example in Options Pricing 10.4.2　The Arbitrage Theorem 10.4.3　The Black-Scholes Option Pricing Formula 10.5　The Maximum of Brownian Motion with Drift 10.6　White Noise　 10.7　Gaussian Processes　 10.8　Stationary and Weakly Stationary Processes　 10.9　Harmonic Analysis of Weakly Stationary Processes Exercises　 References
Simulation 11.1　Introduction 11.2　General Techniques for Simulating Continuous Random Variables 11.2.1　The Inverse Transformation Method 11.2.2　The Rejection Method 11.2.3　The Hazard Rate Method 11.3　Special Techniques for Simulating Continuous Random Variables 11.3.1　The Normal Distribution 11.3.2　The Gamma Distribution 11.3.3　The Chi-Squared Distribution 11.3.4　The Beta (n, m) Distribution 11.3.5　The Exponential Distribution—The Von Neumann Algorithm 11.4　Simulating from Discrete Distributions 11.4.1　The Alias Method 11.5　Stochastic Processes 11.5.1　Simulating a Nonhomogeneous Poisson Process 11.5.2　Simulating a Two-Dimensional Poisson Process 11.6　Variance Reduction Techniques 11.6.1　Use of Antithetic Variables　 11.6.2　Variance Reduction by Conditioning 11.6.3　Control Variates 11.6.4　Importance Sampling 11.7　Determining the Number of Runs 11.8　Generating from the Stationary Distribution of a Markov Chain 11.8.1　Coupling from the Pas 11.8.2　Another Approach Exercises References
Appendix: Solutions to Starred Exercises
Index

作者介绍

Sheldon 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。1968年博士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《概率论基础教程（第8版）》等。

大家也喜欢

普林斯顿概率论读本

[美]史蒂文·J.米勒（Steven J. Miller）李馨译

本书讲解概率论的基础内容, 包括组合分析、概率论公理、条件概率、离散型随机变量、连续型随机变量、随机变量的...
应用随机过程：概率模型导论（第11版）

Sheldon M.Ross 龚光鲁译

本书是一部经典的随机过程著作，叙述深入浅出、涉及面广。主要内容有随机变量、条件期望、马尔可夫链、指数分布、泊松...
概率导论（第2版·修订版）

Dimitri P.Bertsekas John N.Tsitsiklis 郑国忠童行伟译

本书是在MIT开设概率论入门课程的基础上编写的, 其内容全面, 例题和习题丰富, 结构层次性强, 能够满足不同...
EECS应用概率论

Jean Walrand 黄隆波译

<内容简介> 本书精心选取了6个当前热门的科技应用：谷歌PageRank算法、链路复用技术、数字链路通信、追...
程序员的数学2：概率统计

平岡和幸堀玄陈筱烟译

<内容摘要> 本书沿袭《程序员的数学》平易近人的风格，用通俗的语言和具体的图表深入讲解程序员必须掌握的各类...