دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Jean-Michel Marin. Christian Robert
سری:
ISBN (شابک) : 1441922865, 9781441922861
ناشر: Springer
سال نشر: 2007
تعداد صفحات: 264
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 48 مگابایت
در صورت تبدیل فایل کتاب Bayesian Core: A Practical Approach to Computational Bayesian Statistics (Springer Texts in Statistics) به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب هسته بیزی: یک رویکرد عملی به آمار بیزی computational (Texts Springer در آمار) نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب مدلسازی بیزی برای پزشکان و آماردانان کاربردی در نظر گرفته شده است که به دنبال ورود مستقل به آمارهای بیزی محاسباتی هستند. با تمرکز بر مدلهای آماری استاندارد و پشتیبانگیری از مجموعه دادههای واقعی مورد بحث موجود در وبسایت کتاب، به جای تمرکز بر توجیههای نظری آن، یک روش عملیاتی برای انجام استنتاج بیزی ارائه میکند. توجه ویژه ای به استخراج توزیع های قبلی در هر مورد می شود و راه حل های مرجع خاصی برای هر یک از مدل ها ارائه می شود. به طور مشابه، جزئیات محاسباتی برای هدایت خواننده به سمت برنامهنویسی مؤثر روشهای ارائهشده در کتاب کار میشود.
This Bayesian modeling book is intended for practitioners and applied statisticians looking for a self-contained entry to computational Bayesian statistics. Focusing on standard statistical models and backed up by discussed real datasets available from the book website, it provides an operational methodology for conducting Bayesian inference, rather than focusing on its theoretical justifications. Special attention is paid to the derivation of prior distributions in each case and specific reference solutions are given for each of the models. Similarly, computational details are worked out to lead the reader towards an effective programming of the methods given in the book.