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: 1
نویسندگان: Professor Karl-Rudolf Koch (auth.)
سری: Lecture Notes in Earth Sciences 31
ISBN (شابک) : 9783540530800, 9783540466017
ناشر: Springer-Verlag Berlin Heidelberg
سال نشر: 1990
تعداد صفحات: 204
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
کلمات کلیدی مربوط به کتاب استنتاج بیزی با کاربردهای زمین شناسی: ژئوفیزیک/ژئودزی، زمین شناسی، نظریه احتمالات و فرآیندهای تصادفی، علوم زمین، عمومی، آمار برای مهندسی، فیزیک، علوم کامپیوتر، شیمی و علوم زمین
در صورت تبدیل فایل کتاب Bayesian Inference with Geodetic Applications 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 بیزی با کاربردهای زمین شناسی 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 مقدمه بر استنتاج بیزی تاکید ویژه ای بر کاربردها دارد. همه مفاهیم اساسی ارائه شده است: قضیه بیز، توابع چگالی قبلی، تخمین نقطه، منطقه اطمینان، آزمون فرضیه و تحلیل پیش بینی. علاوه بر این، روشهای مونت کارلو مورد بحث قرار میگیرند، زیرا کاربردها عمدتاً بر ادغام عددی توزیع پسین متکی هستند. همچنین استنتاج بیزی در مدل خطی، مدل غیرخطی، مدل مختلط و در مدل با مولفه های واریانس و کوواریانس مجهول در نظر گرفته شده است. راه حل هایی برای طبقه بندی، برای تجزیه و تحلیل پسین بر اساس توزیع تخمین های قوی حداکثر احتمال، و برای بازسازی تصاویر دیجیتال ارائه شده است.
This introduction to Bayesian inference places special emphasis on applications. All basic concepts are presented: Bayes' theorem, prior density functions, point estimation, confidence region, hypothesis testing and predictive analysis. In addition, Monte Carlo methods are discussed since the applications mostly rely on the numerical integration of the posterior distribution. Furthermore, Bayesian inference in the linear model, nonlinear model, mixed model and in the model with unknown variance and covariance components is considered. Solutions are supplied for the classification, for the posterior analysis based on distributions of robust maximum likelihood type estimates, and for the reconstruction of digital images.
Front Matter....Pages I-IX
Introduction....Pages 1-2
Basic concepts....Pages 3-3
Bayes’ Theorem....Pages 4-8
Prior density functions....Pages 9-32
Point estimation....Pages 33-36
Confidence regions....Pages 37-39
Hypothesis testing....Pages 40-48
Predictive analysis....Pages 49-51
Numerical techniques....Pages 52-60
Models and special applications....Pages 61-61
Linear models....Pages 62-98
Nonlinear models....Pages 99-108
Mixed models....Pages 109-121
Linear models with unknown variance and covariance components....Pages 122-134
Classification....Pages 135-143
Posterior analysis based on distributions for robust maximum likelihood type estimates....Pages 144-155
Reconstruction of digital images....Pages 156-167
Back Matter....Pages 169-198