ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Bayesian Inference and Computation in Reliability and Survival Analysis

دانلود کتاب استنتاج و محاسبات بیزی در تجزیه و تحلیل قابلیت اطمینان و بقا

Bayesian Inference and Computation in Reliability and Survival Analysis

مشخصات کتاب

Bayesian Inference and Computation in Reliability and Survival Analysis

دسته بندی: آمار زیستی
ویرایش:  
نویسندگان: , , ,   
سری: Emerging Topics in Statistics and Biostatistics 
ISBN (شابک) : 3030886573, 9783030886578 
ناشر: Springer 
سال نشر: 2022 
تعداد صفحات: 367 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 مگابایت 

قیمت کتاب (تومان) : 43,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 13


در صورت تبدیل فایل کتاب Bayesian Inference and Computation in Reliability and Survival Analysis 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 استنتاج و محاسبات بیزی در تجزیه و تحلیل قابلیت اطمینان و بقا 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.


توضیحاتی در مورد کتاب استنتاج و محاسبات بیزی در تجزیه و تحلیل قابلیت اطمینان و بقا



تحلیل بیزی یکی از ابزارهای مهم برای مدلسازی و استنتاج آماری است. چارچوب‌ها و روش‌های بیزی با موفقیت برای حل مشکلات عملی در تجزیه و تحلیل قابلیت اطمینان و بقا به کار گرفته شده‌اند که طیف گسترده‌ای از کاربردهای دنیای واقعی در علوم پزشکی و زیست‌شناسی، علوم اجتماعی و اقتصادی و مهندسی دارند. در چند دهه گذشته، پیشرفت‌های قابل توجهی در استنباط بیزی توسط بسیاری از محققین انجام شده است و پیشرفت‌ها در فناوری محاسباتی و عملکرد رایانه، زمینه را برای فرصت‌های جدید در محاسبات بیزی برای پزشکان فراهم کرده است.

از آنجایی که این پیشرفت‌های نظری و تکنولوژیکی پرسش‌ها و چالش‌های جدیدی را مطرح می‌کند و پیچیدگی چارچوب بیزی را افزایش می‌دهد، این کتاب متخصصانی را گرد هم می‌آورد که در تحقیقات پیشگامانه در مورد استنتاج و محاسبات بیزی برای بحث در مورد موضوعات مهم، با تاکید بر کاربردها در قابلیت اطمینان و تجزیه و تحلیل بقا موضوعات تحت پوشش به موقع هستند و پتانسیل تأثیرگذاری بر دنیای متقابل آمار زیستی، مهندسی، علوم پزشکی، آمار، و موارد دیگر را دارند. برنامه های کاربردی در حوزه های مختلف تجزیه و تحلیل آماری زیستی. این جلد به طور کلی به عنوان مرجعی در تحقیقات سلامت جهانی با کیفیت عمل می کند.


توضیحاتی درمورد کتاب به خارجی

Bayesian analysis is one of the important tools for statistical modelling and inference. Bayesian frameworks and methods have been successfully applied to solve practical problems in reliability and survival analysis, which have a wide range of real world applications in medical and biological sciences, social and economic sciences, and engineering. In the past few decades, significant developments of Bayesian inference have been made by many researchers, and advancements in computational technology and computer performance has laid the groundwork for new opportunities in Bayesian computation for practitioners.

Because these theoretical and technological developments introduce new questions and challenges, and increase the complexity of the Bayesian framework, this book brings together experts engaged in groundbreaking research on Bayesian inference and computation to discuss important issues, with emphasis on applications to reliability and survival analysis. Topics covered are timely and have the potential to influence the interacting worlds of biostatistics, engineering, medical sciences, statistics, and more.

The included chapters present current methods, theories, and applications in the diverse area of biostatistical analysis. The volume as a whole serves as reference in driving quality global health research.  



فهرست مطالب

Preface
	Outline of This Book Volume
List of Reviewers
Acknowledgments
Contents
Contributors
About the Editors
Part I Reliability Data Analysis
	A Bayesian Approach for Step-Stress-Accelerated Life Tests for One-Shot Devices Under Exponential Distributions
		1 Introduction
		2 Model Description
		3 Maximum Likelihood Estimation
		4 Bayesian Approach
			4.1 Normal Prior
			4.2 Jeffreys Prior
		5 Simulation Study
		6 Data Analysis
		7 Concluding Remarks
		References
	Bayesian Estimation of Stress–Strength Parameter for Moran–Downton Bivariate Exponential Distribution Under Progressive Type II Censoring
		1 Introduction
		2 Model and Notations
		3 Bayesian Framework
			3.1 A Markov-Chain Monte Carlo (MCMC) Process
			3.2 Plug-In Bayesian Estimate of δ
			3.3 Mean-Value Monte Carlo Method
			3.4 Importance Sampling Estimation
		4 Monte Carlo Simulation Study
		5 Numerical Example
		6 Concluding Remarks
		References
	Bayesian Computation in a Birnbaum–Saunders Reliability Model with Applications to Fatigue Data
		1 Introduction
		2 The Birnbaum–Saunders Distribution
		3 Bayesian Computation and Reliability Model
		4 Application to Fatigue Data
		5 Conclusions, Discussion, and Future Research
		References
	A Competing Risk Model Based on a Two-Parameter Exponential Family Distribution Under Progressive Type II Censoring
		1 Introduction
		2 Competitive Risk Models
		3 Maximum Likelihood Estimation
			3.1 Special Family 1: Weibull Distribution
			3.2 Special Family 2: Burr XII Distribution
		4 Bayesian Estimation
			4.1 A Markov-Chain Monte Carlo Process
		5 Simulation Studies
		6 An Illustrative Example
		7 Conclusion
		Appendix
			Proof of Proposition 1
			Proof of Proposition 2
			Proof of Proposition 3
			Proof of Proposition 4
		References
Part II Stochastic Processes in Reliability Analysis
	Bayesian Computations for Reliability Analysis in Dynamic Environments
		1 Introduction and Overview
		2 Modulated Nonhomogeneous Poisson Processes for Rail Track Failures
			2.1 Bayesian Analysis of the Modulated NHPP
				2.1.1 Data Augmentation for Sampling from p(Λ0(t)|β,D)
				2.1.2 General Data Augmentation Algorithm
		3 Markov Modulated Markov Processes
			3.1 The Bivariate Markov Model
			3.2 Bayesian Analysis of MMMPs
		4 Numerical Illustrations
			4.1 A Markov Modulated Poisson Process Model for Software Failures
			4.2 A Markov Modulated Compound Poisson Process Model for Power Outages
		5 Concluding Remarks
		References
	Bayesian Analysis of Stochastic Processes in Reliability
		1 Introduction
		2 Stochastic Processes
			2.1 Distributions Associated with Stochastic Processes
		3 Intensity Functions
		4 Bayesian Inference
		5 Homogeneous Poisson Process
		6 The Power Law Process
		7 Software Reliability Models
			7.1 Jelinski–Moranda Model
			7.2 Littlewood–Verrall Model
			7.3 Goël–Okumoto Model
			7.4 Musa-Okumoto Model
		8 Self-Exciting Point Processes
		9 Conclusion
		References
	Bayesian Analysis of a New Bivariate Wiener Degradation Process
		1 Introduction
		2 Bivariate Degradation Model
			2.1 Model
			2.2 Reliability Function
		3 Statistical Inference
			3.1 Prior Specification
			3.2 Gibbs Sampling
		4 Data Analysis
		5 Conclusion
		Appendix
		References
	Bayesian Estimation for Bivariate Gamma Processes with Copula
		1 Introduction
		2 Gamma Process with Copula
			2.1 The Likelihood Function
		3 Markov Chain and Monte Carlo Procedure
			3.1 Blocking
			3.2 Updating Bi|D, Bj, θ (i≠j)
			3.3 Updating Copula Parameter
			3.4 Model Comparison
		4 Numerical Analysis
			4.1 Simulation Study
			4.2 Numerical Example
		5 Concluding Remarks
		Appendix
		References
Part III Biomedical Data Analysis
	Review of Statistical Treatment for Oncology Dose-Escalation Trial with Prolonged Evaluation Window or Fast Enrollment
		1 Introduction
		2 Dose-Escalation Algorithm
			2.1 The 3+3 method
			2.2 Model-Based Method
				2.2.1 Continual Reassessment Method
				2.2.2 Bayesian Logistic Regression Model
			2.3 Toxicity Interval-Based Method
				2.3.1 Modified Toxicity Probability Interval (mTPI)
				2.3.2 Bayesian Optimal Interval Design (BOIN)
		3 Time-to-Event Consideration
			3.1 The 3+3 Method
			3.2 CRM/BLRM
				3.2.1 Weighted Likelihood Function Method (TITE-CRM)
				3.2.2 TITE-CRM with Suspension Rule
				3.2.3 TITE-CRM with Predictive Risk
				3.2.4 TITE-CRM with Cycle Information
				3.2.5 TITE-CRM with Adaptive Time-to-DLT Distribution
				3.2.6 BLRM Adaptation
			3.3 Model-Assisted Method
				3.3.1 R-TPI
				3.3.2 TITE-BOIN
				3.3.3 BOIN12
				3.3.4 Imputation of Unobserved DLT Data
			3.4 Use Kaplan-Meier Method to Derive Fractional DLT for Pending Subjects
		4 Summary
		References
	A Bayesian Approach for the Analysis of Tumorigenicity Data from Sacrificial Experiments Under Weibull Lifetimes
		1 Introduction
		2 Model Specification
		3 Bayesian Approach
			3.1 Laplace Prior
			3.2 Normal Prior
			3.3 Beta Prior
			3.4 Prior Belief on pi
		4 Simulation Study
		5 Sensitivity Analysis on Prior Accuracy
		6 Application to Tumorigenicity Data from Sacrificial Experiments
		7 Concluding Remarks
		References
	Bayesian Sensitivity Analysis in Survival and Longitudinal Trials with Missing Data
		1 Introduction
		2 Sensitivity Analysis for Censoring in Survival Trials
			2.1 Delta-Adjusted Imputation and Jump-to-Reference
			2.2 Estimation of Survival Functions
			2.3 Inference Using the Bootstrap Method
		3 Sensitivity Analysis in Longitudinal Trials
			3.1 Models under the MAR
			3.2 Control-Based Imputation Methods
			3.3 Bayesian Sensitivity Analysis
		4 Examples
			4.1 A Time-to-Event Trial Example
			4.2 A Longitudinal Study Example
		5 Summary and Discussions
		References
	Bayesian Analysis for Clustered Data under a Semi-Competing Risks Framework
		1 Introduction
		2 Models and Methodologies
		3 Data and Bayesian Analysis
			3.1 Breast Cancer Data
			3.2 Bayesian Inference
			3.3 Results
		4 Concluding Remarks
		Appendix
		References
	Survival Analysis for the Inverse Gaussian Distribution: Natural Conjugate and Jeffrey's Priors
		1 Introduction
			1.1 Parameterizations
			1.2 Development of Bayesian Models
				1.2.1 Bayesian Survival Analysis
				1.2.2 Natural Conjugate Prior
				1.2.3 Jeffrey's Prior
		2 Gibbs Sampling Algorithm
		3 Monte-Carlo Simulation
			3.1 Selection of Hyperparameters
				3.1.1 Simulation Results
			3.2 Comparison at Different Censoring Levels
		4 Illustrative Example
		5 Concluding Remarks
		References
	Bayesian Inferences for Panel Count Data and Interval-Censored Data with Nonparametric Modeling of the Baseline Functions
		1 Introduction
		2 Models and the Observed Likelihoods
			2.1 Gamma Frailty Poisson Process for Panel Count Data
			2.2 The PH and PO Models for General Interval-Censored Data
		3 Modeling the Baseline Functions Nonparametrically
		4 Data Augmentation
			4.1 For Panel Count Data
			4.2 For Interval-Censored Data
		5 Bayesian Computation
			5.1 Prior Specification
			5.2 Gibbs Sampler for Panel Count Data
			5.3 Gibbs Sampler for Interval-Censored Data
		6 Simulation Study
			6.1 Panel Count Data
			6.2 Interval-Censored Data under the PH and PO Models
		7 Real-life Data Application
			7.1 The Patent Study
			7.2 The Bladder Tumor Study
			7.3 Breast Cosmesis Data
		8 Discussion
		References
	Bayesian Approach for Interval-Censored Survival Data with Time-Varying Coefficients
		1 Introduction
		2 Bayesian Approach for Clustered Interval-Censored Data
			2.1 Model and the likelihood
			2.2 Prior
			2.3 Posterior Computation
				2.3.1 Birth Move
				2.3.2 Death Move
		3 Bayesian Approach for Spatially Correlated Interval-Censored Data
			3.1 Model Specification
			3.2 Prior Distributions
			3.3 Posterior Inference
				3.3.1 Sample D
				3.3.2 Sample
				3.3.3 Sample Ω
		4 Illustrative Examples
			4.1 Dental Health Data
			4.2 Smoking Cessation Data
		5 Discussion and Remarks
		References
	Bayesian Approach for Joint Modeling Longitudinal Data and Survival Data Simultaneously in Public Health Studies
		1 Introduction
		2 Data and Preliminary Data Analysis
		3 Statistical Models
			3.1 Separate Modeling of Longitudinal Continuous Data
			3.2 Separate Modeling of Time-to-Event Data
			3.3 Joint (Simultaneous) Modeling of Longitudinal Continuous Data and Time-to-Event Data
		4 Results
			4.1 Results from Separate Linear Mixed-Effects Model on CD4 Longitudinal Data
			4.2 Results of Separate Cox Proportional Hazards Regression
			4.3 Results of Joint Modeling of Longitudinal CD4 and Time-to-Death
		5 Conclusions and Recommendations
		References
Index




نظرات کاربران