Examples in Parametric Inference with R

دسته بندی: برنامه نویسی: زبان های برنامه نویسی
ویرایش:  
نویسندگان: Dixit Ulhas Jayram.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 475 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت 

قیمت کتاب (تومان) : 35,000

Springer, 2016. - 529 ص. — ISBN: 978-981-10-0888-7. این کتاب مثال هایی را در استنتاج پارامتری با R مورد بحث قرار می دهد. ترکیب نظریه پایه با رویکردهای مدرن، آخرین آخرین را ارائه می دهد. تحولات و روند استنتاج آماری برای دانش آموزانی که پیشینه ریاضی و آماری پیشرفته ای ندارند. موضوعات مورد بحث در کتاب اساسی و مشترک در بسیاری از زمینه های استنباط آماری است و بنابراین به عنوان نقطه عزیمت برای مطالعه عمیق عمل می کند. کتاب تقسیم بندی شده است. در هشت فصل: فصل 1 یک مرور کلی از موضوعات مربوط به کفایت و کامل بودن ارائه می دهد، در حالی که فصل 2 به طور خلاصه برآورد بی طرفانه را مورد بحث قرار می دهد. 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 در رشته های آمار و ریاضیات و کسانی که یک دوره مقدماتی در زمینه احتمال گذرانده اند، بسیار سود خواهند برد. از این کتاب 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 حل شده و حل نشده مرتبط، ابزاری عالی برای معلمان و مربیان ارائه می دهد که می توانند مسائل تکلیف را از تمرین ها تعیین کنند و دانش آموزان نمونه های حل شده را در حل مسائل تمرین بسیار مفید خواهند یافت.

Springer, 2016. — 529 p. — ISBN: 978-981-10-0888-7. 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.