مشخصات کتاب

Bayesian inference for probabilistic risk assessment

ویرایش:  
نویسندگان: Kelly D.,  Smith C  
سری:  
ISBN (شابک) : 9781849961868, 9781849961875 
ناشر: Springer 
سال نشر: 2011 
تعداد صفحات: 238 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت 

در صورت تبدیل فایل کتاب Bayesian inference for probabilistic risk assessment 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 استنباط بیزی برای ارزیابی ریسک احتمالی 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 استنباط بیزی برای ارزیابی ریسک احتمالی

استنباط بیزی برای ارزیابی ریسک احتمالی یک پایه بیزی برای چارچوب بندی مسائل احتمالی و انجام استنتاج در مورد این مشکلات فراهم می کند. استنتاج در کتاب از یک رویکرد محاسباتی مدرن به نام زنجیره مارکوف مونت کارلو (MCMC) استفاده می‌کند. رویکرد MCMC ممکن است با استفاده از روال های نوشته شده سفارشی یا نرم افزارهای تجاری یا منبع باز موجود با هدف عمومی اجرا شود. این کتاب از یک برنامه منبع باز به نام OpenBUGS (که معمولاً به عنوان WinBUGS نامیده می شود) برای حل مشکلات استنتاجی که شرح داده شده است استفاده می کند. یکی از ویژگی‌های قدرتمند OpenBUGS انتخاب خودکار طرح نمونه‌گیری MCMC مناسب برای یک مشکل است. نویسندگان تجزیه و تحلیل "بلوک های ساختمانی" را ارائه می دهند که می توانند اصلاح شوند، ترکیب شوند یا همانطور که هستند برای حل انواع مشکلات چالش برانگیز استفاده شوند. رویکرد MCMC مورد استفاده از طریق اسکریپت های متنی شبیه به یک زبان برنامه نویسی نوع ماکرو پیاده سازی می شود. همراه اکثر اسکریپت ها یک شبکه بیزی گرافیکی است که عناصر اسکریپت و مشکل کلی استنتاج در حال حل شدن را نشان می دهد. استنتاج بیزی برای ارزیابی ریسک احتمالی نیز موضوعات مهم همگرایی MCMC و بررسی مدل بیزی را پوشش می دهد. استنتاج بیزی برای ارزیابی ریسک احتمالی دانشمندان و مهندسانی را هدف قرار می دهد که تجزیه و تحلیل ریسک را انجام می دهند یا بررسی می کنند. این یک ساختار تحلیلی برای ترکیب داده‌ها و اطلاعات از منابع مختلف برای تولید تخمین‌هایی از پارامترهای توزیع عدم قطعیت مورد استفاده در مدل‌های ریسک و قابلیت اطمینان ارائه می‌کند.

توضیحاتی درمورد کتاب به خارجی

Bayesian Inference for Probabilistic Risk Assessment provides a Bayesian foundation for framing probabilistic problems and performing inference on these problems. Inference in the book employs a modern computational approach known as Markov chain Monte Carlo (MCMC). The MCMC approach may be implemented using custom-written routines or existing general purpose commercial or open-source software. This book uses an open-source program called OpenBUGS (commonly referred to as WinBUGS) to solve the inference problems that are described. A powerful feature of OpenBUGS is its automatic selection of an appropriate MCMC sampling scheme for a given problem. The authors provide analysis “building blocks” that can be modified, combined, or used as-is to solve a variety of challenging problems. The MCMC approach used is implemented via textual scripts similar to a macro-type programming language. Accompanying most scripts is a graphical Bayesian network illustrating the elements of the script and the overall inference problem being solved. Bayesian Inference for Probabilistic Risk Assessment also covers the important topics of MCMC convergence and Bayesian model checking. Bayesian Inference for Probabilistic Risk Assessment is aimed at scientists and engineers who perform or review risk analyses. It provides an analytical structure for combining data and information from various sources to generate estimates of the parameters of uncertainty distributions used in risk and reliability models.

فهرست مطالب

Front Matter....Pages i-xii
Introduction and Motivation....Pages 1-6
Introduction to Bayesian Inference....Pages 7-13
Bayesian Inference for Common Aleatory Models....Pages 15-38
Bayesian Model Checking....Pages 39-50
Time Trends for Binomial and Poisson Data....Pages 51-60
Checking Convergence to Posterior Distribution....Pages 61-65
Hierarchical Bayes Models for Variability....Pages 67-88
More Complex Models for Random Durations....Pages 89-109
Modeling Failure with Repair....Pages 111-122
Bayesian Treatment of Uncertain Data....Pages 123-140
Bayesian Regression Models....Pages 141-163
Bayesian Inference for Multilevel Fault Tree Models....Pages 165-176
Additional Topics....Pages 177-199
Back Matter....Pages 201-225

نظرات کاربران

کتاب های تصادفی

دانلود کتاب The Macmillan dictionary of English colloquial idioms

دانلود کتاب The Ancient Commentators on Plato and Aristotle

دانلود کتاب The new contented little baby book: the secret to calm and confident parenting

دانلود کتاب Modern Argentine Poetry: Displacement, Exile, Migration

دانلود کتاب Night Soul - Shia