دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Fundamental Statistical Inference A Computational Approach
دانلود کتاب استنتاج آماری بنیادی یک رویکرد محاسباتی
مشخصات کتاب
Fundamental Statistical Inference A Computational Approach
ویرایش:
نویسندگان: Marc S. Paolella
سری: Applied Probability & Statistics
ISBN (شابک) : 9781119417866
ناشر: Wiley
سال نشر: 2018
تعداد صفحات: 572
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 13 Mb
قیمت کتاب (تومان) : 50,000
در صورت تبدیل فایل کتاب Fundamental Statistical Inference A Computational Approach 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 آماری بنیادی یک رویکرد محاسباتی 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 آماری بنیادی یک رویکرد محاسباتی
رویکردی عملی برای استنتاج آماری که به آخرین پیشرفت‌ها در این
زمینه در حال رشد می‌پردازد. این کتاب روشن و قابل دسترس برای
دانشجویان تازه‌کار فارغ‌التحصیل، رویکردی عملی و مفصل در زمینه
استنتاج آماری ارائه می‌کند، و مشتقات کاملی از نتایج، بحث‌ها و
بحث‌ها را ارائه می‌دهد. برنامه های متلب برای محاسبات بر جزئیات
مربوط به مطالب، شهود، و بحث‌های با دیدگاهی نسبت به استنتاج
آماری بسیار مدرن تأکید می‌کند. علاوه بر موضوعات کلاسیک مرتبط با
آمار ریاضی، موضوعات شامل ارائه بصری راه‌انداز (تک و دوتایی)
برای محاسبات فاصله اطمینان، تخمین انقباض، تخمین دم (حداکثر
گشتاور)، و انواع روش‌های تخمین نقطه علاوه بر حداکثر احتمال است.
از جمله استفاده از توابع مشخصه و استنتاج غیرمستقیم. نمونه های
عملی از همه روش ها آورده شده است. مسائل تخمینی مرتبط با
مخلوط‌های گسسته توزیع نرمال و راه‌حل‌های آن‌ها به تفصیل توسعه
داده شده‌اند. تأکید زیادی در سراسر توزیع‌های غیر گاوسی است، از
جمله جزئیات کار با توزیع پارتی پایدار و محاسبه سریع t غیر مرکزی
Student. یک فصل کامل به بهینه‌سازی، از جمله توسعه روش‌های مبتنی
بر Hessian، و همچنین الگوریتم‌های اکتشافی/ژنتیکی که نیازی به
تداوم ندارند، با کدهای MATLAB ارائه شده است. این کتاب شامل
مباحث تئوری و غیر فنی، همراه با ارجاع اساسی به ادبیات، با تأکید
بر رویکردهای جایگزین و مدرن تر است. ادبیات اخیر در مورد استفاده
نادرست از آزمون فرضیه و مقادیر p برای انتخاب مدل مورد بحث قرار
گرفته است، و تأکید بر روش‌های انتخاب مدل جایگزین داده شده است،
اگرچه آزمون فرضیه مفروضات توزیعی به‌ویژه برای توزیع نرمال به
طور مفصل پوشش داده شده است. ادامه
مطلب...
چکیده: یک رویکرد عملی برای استنتاج آماری که به آخرین پیشرفت‌ها
در این مورد می‌پردازد -رشد زمینه این کتاب روشن و قابل دسترس
برای دانشجویان مقطع کارشناسی ارشد یک رویکرد عملی و دقیق در
زمینه استنتاج آماری ارائه می دهد و مشتقات کاملی از نتایج، بحث
ها و برنامه های MATLAB را برای محاسبات ارائه می دهد. این بر
جزئیات مربوط به مطالب، شهود، و بحث ها با دیدگاهی نسبت به
استنتاج آماری بسیار مدرن تأکید می کند. علاوه بر موضوعات کلاسیک
مرتبط با آمار ریاضی، موضوعات شامل ارائه بصری راه‌انداز (تک و
دوتایی) برای محاسبات فاصله اطمینان، تخمین انقباض، تخمین دم
(حداکثر گشتاور)، و انواع روش‌های تخمین نقطه علاوه بر حداکثر
احتمال است. از جمله استفاده از توابع مشخصه و استنتاج غیرمستقیم.
نمونه های عملی از همه روش ها آورده شده است. مسائل تخمینی مرتبط
با مخلوط‌های گسسته توزیع نرمال و راه‌حل‌های آن‌ها به تفصیل
توسعه داده شده‌اند. تأکید زیادی در سراسر توزیع‌های غیر گاوسی
است، از جمله جزئیات کار با توزیع پارتی پایدار و محاسبه سریع t
غیر مرکزی Student. یک فصل کامل به بهینه‌سازی، از جمله توسعه
روش‌های مبتنی بر Hessian، و همچنین الگوریتم‌های اکتشافی/ژنتیکی
که نیازی به تداوم ندارند، با کدهای MATLAB ارائه شده است. این
کتاب شامل مباحث تئوری و غیر فنی، همراه با ارجاع اساسی به
ادبیات، با تأکید بر رویکردهای جایگزین و مدرن تر است. ادبیات
اخیر در مورد استفاده نادرست از آزمون فرضیه و مقادیر p برای
انتخاب مدل مورد بحث قرار گرفته است، و تأکید بر روش‌های انتخاب
مدل جایگزین داده شده است، اگرچه آزمون فرضیه‌های مفروضات توزیعی
به طور مفصل به ویژه برای توزیع نرمال پوشش داده شده است.
توضیحاتی درمورد کتاب به خارجی
A hands-on approach to statistical inference that addresses the
latest developments in this ever-growing field This clear and
accessible book for beginning graduate students offers a
practical and detailed approach to the field of statistical
inference, providing complete derivations of results,
discussions, and MATLAB programs for computation. It emphasizes
details of the relevance of the material, intuition, and
discussions with a
view towards very modern statistical inference. In addition to
classic subjects associated with mathematical statistics,
topics include an intuitive presentation of the (single and
double) bootstrap for confidence interval calculations,
shrinkage estimation, tail (maximal moment) estimation, and a
variety of methods of point estimation besides maximum
likelihood, including use of characteristic functions, and
indirect inference. Practical examples of all methods are
given. Estimation issues associated with the discrete mixtures
of normal distribution, and their solutions, are developed in
detail. Much emphasis throughout is on non-Gaussian
distributions, including details on working with the stable
Paretian distribution and fast calculation of the noncentral
Student's t. An entire chapter is dedicated to optimization,
including development of Hessian-based methods, as well as
heuristic/genetic algorithms that do not require continuity,
with MATLAB codes provided. The book includes both theory and
nontechnical discussions, along with a substantial reference to
the literature, with an emphasis on alternative, more modern
approaches. The recent literature on the misuse of hypothesis
testing and p-values for model selection is discussed, and
emphasis is given to alternative model selection methods,
though hypothesis testing of distributional assumptions is
covered in detail, notably for the normal distribution.
Read
more...
Abstract: A hands-on approach to statistical inference that
addresses the latest developments in this ever-growing field
This clear and accessible book for beginning graduate students
offers a practical and detailed approach to the field of
statistical inference, providing complete derivations of
results, discussions, and MATLAB programs for computation. It
emphasizes details of the relevance of the material, intuition,
and discussions with a view towards very modern statistical
inference. In addition to classic subjects associated with
mathematical statistics, topics include an intuitive
presentation of the (single and double) bootstrap for
confidence interval calculations, shrinkage estimation, tail
(maximal moment) estimation, and a variety of methods of point
estimation besides maximum likelihood, including use of
characteristic functions, and indirect inference. Practical
examples of all methods are given. Estimation issues associated
with the discrete mixtures of normal distribution, and their
solutions, are developed in detail. Much emphasis throughout is
on non-Gaussian distributions, including details on working
with the stable Paretian distribution and fast calculation of
the noncentral Student's t. An entire chapter is dedicated to
optimization, including development of Hessian-based methods,
as well as heuristic/genetic algorithms that do not require
continuity, with MATLAB codes provided. The book includes both
theory and nontechnical discussions, along with a substantial
reference to the literature, with an emphasis on alternative,
more modern approaches. The recent literature on the misuse of
hypothesis testing and p-values for model selection is
discussed, and emphasis is given to alternative model selection
methods, though hypothesis testing of distributional
assumptions is covered in detail, notably for the normal
distribution
فهرست مطالب
Content: Part I Essential concepts in statistics --
Introducing point and interval estimation --
Goodness of fit and hypothesis testing --
Likelihood --
Numerical optimization --
Methods of point estimation --
Part II Further fundamental concepts in statistics --
Q-Q plots and distribution testing --
Unbiased point estimation and bias reduction --
Analytic interval estimation --
Part III Additional topics --
Inference in a heavy-tailed context --
The method of indirect inference --
Review of fundamental concepts in probability theory.
