Examples in Parametric Inference with R

این کتاب مثال‌هایی را در استنتاج پارامتریک با R مورد بحث قرار می‌دهد. با ترکیب نظریه پایه با رویکردهای مدرن، آخرین پیشرفت‌ها و روند استنتاج آماری را برای دانش‌آموزانی که پیش‌زمینه ریاضی و آماری پیشرفته‌ای ندارند، ارائه می‌کند. موضوعات مورد بحث در کتاب اساسی و مشترک برای بسیاری از زمینه های استنتاج آماری است و بنابراین به عنوان نقطه عزیمت برای مطالعه عمیق عمل می کند. این کتاب به هشت فصل تقسیم شده است: فصل 1 مروری بر مباحث مربوط به کفایت و کامل بودن ارائه می دهد، در حالی که فصل 2 به طور خلاصه در مورد تخمین بی طرفانه بحث می کند. فصل 3 بر مطالعه لحظه ها و برآوردگرهای حداکثر احتمال تمرکز دارد و فصل 4 مرزهای واریانس را ارائه می دهد. در فصل 5، موضوعاتی در مورد برآوردگر سازگار بحث شده است. فصل 6 بیز را مورد بحث قرار می دهد، در حالی که فصل 7 تست های قوی تر را مورد بررسی قرار می دهد. در نهایت، فصل 8 به بررسی تست های بی طرفانه و سایر آزمون ها می پردازد.

دانشجویان ارشد و کارشناسی ارشد آمار و ریاضیات و کسانی که یک دوره مقدماتی را در زمینه احتمال گذرانده اند، از این کتاب بهره زیادی خواهند برد. انتظار می رود دانشجویان قبل از شروع این درس، جبر ماتریس، حساب دیفرانسیل و انتگرال، احتمالات و نظریه توزیع را بدانند. این کتاب با ارائه انبوهی از مسائل حل‌شده و حل‌نشده مرتبط، ابزاری عالی برای معلمان و مربیانی ارائه می‌کند که می‌توانند مسائل تکلیف را از تمرین‌ها تعیین کنند و دانش‌آموزان نمونه‌های حل شده را در حل مسائل تمرین بسیار مفید خواهند یافت.

This book discusses examples in parametric inference with R. Combining basic theory with modern approaches, it presents the latest developments and trends in statistical inference for students who do not have an advanced mathematical and statistical background. The topics discussed in the book are fundamental and common to many fields of statistical inference and thus serve as a point of departure for in-depth study. The book is divided into eight chapters: Chapter 1 provides an overview of topics on sufficiency and completeness, while Chapter 2 briefly discusses unbiased estimation. Chapter 3 focuses on the study of moments and maximum likelihood estimators, and Chapter 4 presents bounds for the variance. In Chapter 5, topics on consistent estimator are discussed. Chapter 6 discusses Bayes, while Chapter 7 studies some more powerful tests. Lastly, Chapter 8 examines unbiased and other tests.

Senior undergraduate and graduate students in statistics and mathematics, and those who have taken an introductory course in probability, will greatly benefit from this book. Students are expected to know matrix algebra, calculus, probability and distribution theory before beginning this course. Presenting a wealth of relevant solved and unsolved problems, the book offers an excellent tool for teachers and instructors who can assign homework problems from the exercises, and students will find the solved examples hugely beneficial in solving the exercise problems.