本书提供统计计算理论和实践的完全指南。第2版涵盖了现代和经典统计的大部分论题，包括优化、积分、蒙特卡洛方法、自助法、密度估计和光滑。不但从概念上通过逐步描述解释算法，并且通过例子和习题进行详细地阐述。
第2版重要的特点包括：
例子来自于各个领域的实际应用，包括遗传学、生态学、经济学、网络系统、生物学和药学。
解释了为什么计算方法是大多数统计方法的重要组成部分，比如贝叶斯模型、线性和广义线性模型、随机效应模型、生存模型和隐马尔科夫模型。
进一步扩展覆盖了马尔科夫链蒙特卡洛方法。
增加新的论题，比如序贯抽样方法、粒子滤波、无梯度优化、基于数据的自助法和蒙特卡洛方法。
新的习题和例子能帮助读者训练应用计算方法解决众多领域内统计问题的能力。
本书的网站给出了R语言扩展包并提供了数据和代码。
本书非常适合作为高年级本科生或者研究生的统计计算课教材，也可以作为实际统计工作者的参考。

第2版译者序
第1版译者序
前言
致谢
第1章 回顾
1.1 数学记号
1.2 Taylor定理和数学极限理论
1.3 统计记号和概率分布
1.4 似然推断
1.5 贝叶斯推断
1.6 统计极限理论
1.7 马氏链
1.8 计算
第一部分 优化
第2章 优化与求解非线性方程组
2.1 单变量问题
2.1.1 Newton法
2.1.2 Fisher得分法
2.1.3 正割法
2.1.4 不动点迭代法
2.2 多元问题
2.2.1 Newton法和Fisher得分法
2.2.2 类Newton法
2.2.3 Gauss-Newton法
2.2.4 Nelder-Mead算法
2.2.5 非线性Gauss-Seidel迭代法
习题
第3章 组合优化
3.1 难题和NP完备性
3.1.1 几个例子
3.1.2 需要启发式算法
3.2 局部搜索法
3.3 模拟退火
3.3.1 几个实践问题
3.3.2 强化
3.4 遗传算法
3.4.1 定义和典则算法
3.4.2 变化
3.4.3 初始化和参数值
3.4.4 收敛
3.5 禁忌算法
3.5.1 基本定义
3.5.2 禁忌表
3.5.3 期望准则
3.5.4 多样化
3.5.5 强化
3.5.6 一种综合的禁忌算法
习题
第二部分 积分和模拟
第三部分 Bootstrapping
第四部分 密度估计和光滑方法
数据致谢
参考文献
索引