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: Piotr Kokoszka. Matthew Reimherr
سری: Chapman & Hall/CRC Texts in Statistical Science
ISBN (شابک) : 1498746349, 9781498746342
ناشر: Chapman and Hall/CRC
سال نشر: 2017
تعداد صفحات: 307
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 8 مگابایت
کلمات کلیدی مربوط به کتاب مقدمه ای بر تحلیل داده های تابعی: احتمال و آمار، کاربردی، ریاضیات، علوم و ریاضی، حساب دیفرانسیل و انتگرال، ریاضیات محض، ریاضیات، علوم و ریاضیات، حساب دیفرانسیل و انتگرال، ریاضیات، علوم و ریاضیات، کتاب های درسی جدید، مستعمل و اجاره ای، بوتیک تخصصی، آمار، ریاضیات و ریاضیات، ریاضیات و ریاضیات , کتابهای درسی مستعمل و اجاره, بوتیک تخصصی
در صورت تبدیل فایل کتاب Introduction to Functional Data Analysis 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 مقدمه ای بر تحلیل داده های تابعی 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.
مقدمه ای بر تجزیه و تحلیل داده های عملکردی مقدمه کتاب درسی مختصری را در این زمینه ارائه می دهد. نحوه تجزیه و تحلیل داده های عملکردی، در سطوح اکتشافی و استنباطی را توضیح می دهد. همچنین یک توضیح سیستماتیک و در دسترس از روش شناسی و چارچوب ریاضی مورد نیاز ارائه می دهد.
این کتاب را می توان به عنوان کتاب درسی برای یک دوره ترم طولانی در مورد FDA برای مقاطع لیسانس یا پیشرفته استفاده کرد. رشته های آمار کارشناسی ارشد، و همچنین برای دانشجویان کارشناسی ارشد و دکترا در سایر رشته ها، از جمله ریاضیات کاربردی، علوم محیطی، بهداشت عمومی، تحقیقات پزشکی، علوم ژئوفیزیک و اقتصاد. همچنین میتواند برای مطالعه خود و به عنوان مرجعی برای محققان در آن زمینههایی که مایلند درک کاملی از روششناسی FDA و راهنماییهای عملی برای اجرای آن کسب کنند، استفاده شود. هر فصل شامل مثالهای فراوانی از کد R مرتبط و مسائل تئوری و تحلیل دادهها است.
مواد کتاب را میتوان تقریباً به چهار بخش با طول تقریباً مساوی تقسیم کرد: 1) پایه مفاهیم و تکنیک های FDA، 2) مدل های رگرسیون عملکردی، 3) داده های عملکردی پراکنده و وابسته، و 4) مقدمه ای بر چارچوب فضایی هیلبرت FDA. این کتاب پیشینه کارشناسی پیشرفته در حساب دیفرانسیل و انتگرال، جبر خطی، نظریه احتمال توزیعی، مبانی استنتاج آماری، و آشنایی با برنامه نویسی R را در نظر گرفته است. پیشینه آماری مورد نیاز دیگر در تنظیمات اسکالر قبل از توسعه مفاهیم عملکردی مرتبط ارائه شده است. بیشتر فصلها با ارجاع به تحقیقات پیشرفتهتر برای کسانی که میخواهند درک عمیقتری از یک موضوع خاص به دست آورند، پایان مییابد.
Introduction to Functional Data Analysis provides a concise textbook introduction to the field. It explains how to analyze functional data, both at exploratory and inferential levels. It also provides a systematic and accessible exposition of the methodology and the required mathematical framework.
The book can be used as textbook for a semester-long course on FDA for advanced undergraduate or MS statistics majors, as well as for MS and PhD students in other disciplines, including applied mathematics, environmental science, public health, medical research, geophysical sciences and economics. It can also be used for self-study and as a reference for researchers in those fields who wish to acquire solid understanding of FDA methodology and practical guidance for its implementation. Each chapter contains plentiful examples of relevant R code and theoretical and data analytic problems.
The material of the book can be roughly divided into four parts of approximately equal length: 1) basic concepts and techniques of FDA, 2) functional regression models, 3) sparse and dependent functional data, and 4) introduction to the Hilbert space framework of FDA. The book assumes advanced undergraduate background in calculus, linear algebra, distributional probability theory, foundations of statistical inference, and some familiarity with R programming. Other required statistics background is provided in scalar settings before the related functional concepts are developed. Most chapters end with references to more advanced research for those who wish to gain a more in-depth understanding of a specific topic.