دانلود کتاب An introduction to Bayesian analysis: theory and methods
کتاب مقدمه ای برای تجزیه و تحلیل بیزی: نظریه و روش ها نسخه زبان اصلی
دانلود کتاب مقدمه ای برای تجزیه و تحلیل بیزی: نظریه و روش ها بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب An introduction to Bayesian analysis: theory and methods
نام کتاب : An introduction to Bayesian analysis: theory and methods
ویرایش : 1
عنوان ترجمه شده به فارسی : مقدمه ای برای تجزیه و تحلیل بیزی: نظریه و روش ها
سری : Springer texts in statistics
نویسندگان : Jayanta K. Ghosh, Mohan Delampady, Tapas Samanta
ناشر : Springer
سال نشر : 2006
تعداد صفحات : 355
ISBN (شابک) : 0387400842 , 9780387400846
زبان کتاب : English
فرمت کتاب : djvu درصورت درخواست کاربر به PDF تبدیل می شود
حجم کتاب : 3 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
این یک کتاب درسی در سطح فارغ التحصیل در مورد تحلیل بیزی است که تئوری، روش ها و کاربردهای مدرن بیزی را ترکیب می کند. با شروع از آمار اولیه، حساب دیفرانسیل و انتگرال و جبر خطی، ایدههای تحلیل بیزی ذهنی و عینی تا سطحی توسعه مییابد که بتوان دادههای واقعی را با استفاده از تکنیکهای فعلی محاسبات آماری تحلیل کرد.
پیشرفت ها در مسائل کم بعدی و ابعاد بالا و همچنین موضوعات مهمی مانند روش های بیز تجربی و سلسله مراتبی بیز و تکنیک های زنجیره مارکوف مونت کارلو (MCMC) پوشش داده شده است.
بسیاری از موضوعات در لبه برش تحقیقات آماری قرار دارند. راهحلهای مشکلات استنتاج رایج در سراسر متن همراه با بحث در مورد آنچه قبل از انتخاب وجود دارد ظاهر میشوند. بحث برانگیختن یک ماقبل ذهنی و همچنین انگیزه، کاربرد و محدودیت های پیشین های عینی وجود دارد. از طریق کاربردهای مهم، این کتاب ریزآرایهها، رگرسیون ناپارامتریک از طریق موجکها و همچنین مخلوطهای DMA از نرمالها، و تحلیل فضایی با تصاویر با استفاده از دادههای شبیهسازی شده و واقعی را ارائه میکند. موضوعات نظری در لبه برش شامل انتخاب مدل با ابعاد بالا و عوامل درونی بیز است که نویسندگان با موفقیت در نقشهبرداری زمینشناسی به کار گرفتهاند.
این سبک غیررسمی اما واضح است. Asymptotics برای تکمیل شبیه سازی یا درک برخی از جنبه های خلفی استفاده می شود.
فهرست مطالب :
Advisors\r......Page 1
Springer texts in statistics\r......Page 2
Title\r......Page 3
Copyright\r......Page 4
Preface\r......Page 6
Contents\r......Page 8
1. Statistical preliminaries\r......Page 13
2. Bayesian inference and decision theory\r......Page 40
3. Utility, prior, and Bayesian robustness\r......Page 75
4. Large sample methods\r......Page 108
5. Choice of priors for low-dimensional parameters\r......Page 129
6. Hypothesis testing and model selection\r......Page 166
7. Bayesian computations\r......Page 212
8. Some common problems in inference\r......Page 245
9. High-dimensional problems\r......Page 261
10. Some applications\r......Page 295
A. Common statistical densities\r......Page 309
B. Birnbaum\'s theorem on likelihood principle\r......Page 313
C. Coherence\r......Page 316
D. Microarray\r......Page 318
E. Bayes sufficiency\r......Page 320
References\r......Page 321
Author index\r......Page 342
Subject index\r......Page 347
Springer texts in statistics (cont.)\r......Page 355
توضیحاتی در مورد کتاب به زبان اصلی :
This is a graduate-level textbook on Bayesian analysis blending modern Bayesian theory, methods, and applications. Starting from basic statistics, undergraduate calculus and linear algebra, ideas of both subjective and objective Bayesian analysis are developed to a level where real-life data can be analyzed using the current techniques of statistical computing.
Advances in both low-dimensional and high-dimensional problems are covered, as well as important topics such as empirical Bayes and hierarchical Bayes methods and Markov chain Monte Carlo (MCMC) techniques.
Many topics are at the cutting edge of statistical research. Solutions to common inference problems appear throughout the text along with discussion of what prior to choose. There is a discussion of elicitation of a subjective prior as well as the motivation, applicability, and limitations of objective priors. By way of important applications the book presents microarrays, nonparametric regression via wavelets as well as DMA mixtures of normals, and spatial analysis with illustrations using simulated and real data. Theoretical topics at the cutting edge include high-dimensional model selection and Intrinsic Bayes Factors, which the authors have successfully applied to geological mapping.
The style is informal but clear. Asymptotics is used to supplement simulation or understand some aspects of the posterior.
پست ها تصادفی