Part I Computational Statistics
1 How Computational Statistics Became the Backbone of
Modern Data Science . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .





. . . . . . . . . . . . . . . 3
James E. Gentle, Wolfgang Karl Härdle, and Yuichi Mori
Part II Statistical Computing
2 Basic Computational Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
John F. Monahan
3 Random Number Generation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Pierre L’Ecuyer
4 Markov Chain Monte Carlo Technology. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Siddhartha Chib
5 Numerical Linear Algebra. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Lenka ˇ Cížková and Pavel ˇCížek
6 The EM Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Shu Kay Ng, Thriyambakam Krishnan,
and Geoffrey J. McLachlan
7 Stochastic Optimization. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
James C. Spall
8 Transforms in Statistics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
Brani Vidakovic
9 Parallel Computing Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
Junji Nakano
10 Statistical Databases. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273
Claus Boyens, Oliver Günther, and Hans-J. Lenz

11 Discovering and Visualizing Relations in High
Dimensional Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
Alfred Inselberg
12 Interactive and Dynamic Graphics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335
Jürgen Symanzik
13 The Grammar of Graphics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375
LelandWilkinson
14 Statistical User Interfaces. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 415
Sigbert Klinke
15 Object Oriented Computing. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 435
Miroslav Virius
Part III Statistical Methodology
16 Model Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 469
YuedongWang
17 Bootstrap and Resampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 499
Enno Mammen and Swagata Nandi
18 Design and Analysis of Monte Carlo Experiments . . . . . . . . . . . . . . . . . . . 529
Jack P.C. Kleijnen
19 Multivariate Density Estimation and Visualization. . . . . . . . . . . . . . . . . . . 549
David W. Scott
20 Smoothing: Local Regression Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 571
Catherine Loader
21 Semiparametric Models. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 597
Joel L. Horowitz
22 Dimension Reduction Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 619
Masahiro Mizuta
23 (Non) Linear Regression Modeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 645
Pavel ˇCížek
24 Generalized Linear Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 681
Marlene Müller
25 Robust Statistics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 711
Laurie Davies and Ursula Gather
26 Bayesian ComputationalMethods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 751
Christian P. Robert

27 ComputationalMethods in Survival Analysis . . . . . . . . . . . . . . . . . . . . . . . . . 807
Toshinari Kamakura
28 Data and KnowledgeMining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 825
AdalbertWilhelm
29 Recursive Partitioning and Tree-based Methods. . . . . . . . . . . . . . . . . . . . . . 853
Heping Zhang
30 Support Vector Machines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 883
Konrad Rieck, Sören Sonnenburg, Sebastian Mika, Christin
Schäfer, Pavel Laskov, David Tax, and Klaus-Robert Müller
31 Learning Under Non-stationarity: Covariate Shift
Adaptation by ImportanceWeighting. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 927
Masashi Sugiyama
32 Saddlepoint Approximations: A Review and Some New
Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 953
Simon A. Broda and Marc S. Paolella
33 Bagging, Boosting and Ensemble Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . 985
Peter Bühlmann

Part IV Selected Applications
34 Heavy-Tailed Distributions in VaR Calculations . . . . . . . . . . . . . . . . . . . . . . 1025
Adam Misiorek and Rafał Weron
35 Econometrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1061
Luc Bauwens and Jeroen V.K. Rombouts
36 Statistical and Computational Geometry
of Biomolecular Structure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1095
Iosif I. Vaisman
37 Functional Magnetic Resonance Imaging. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1113
William F. Eddy and Rebecca L. McNamee
38 Network Intrusion Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1139
David J. Marchette