ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Introduction to probability simulation and Gibbs sampling with R

دانلود کتاب مقدمه ای بر شبیه سازی احتمال و نمونه گیری گیبس با R

Introduction to probability simulation and Gibbs sampling with R

مشخصات کتاب

Introduction to probability simulation and Gibbs sampling with R

ویرایش:  
نویسندگان: ,   
سری:  
ISBN (شابک) : 9780387402734, 038740273X 
ناشر: Springer 
سال نشر: 2010 
تعداد صفحات: 317 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 16 مگابایت 

قیمت کتاب (تومان) : 56,000



کلمات کلیدی مربوط به کتاب مقدمه ای بر شبیه سازی احتمال و نمونه گیری گیبس با R: آمار بیزی، آمار ریاضی، فرآیندهای مارکوف، نمونه‌برداری (آمار)، احتمال--روش‌های شبیه‌سازی، R (زبان برنامه‌نویسی)، کتاب‌های الکترونیکی، نمونه‌برداری (آمار)، احتمال - روش‌های شبیه‌سازی، آمار بیزی، آمار ریاضی، R (برنامه‌نویسی) زبان)



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 25


در صورت تبدیل فایل کتاب Introduction to probability simulation and Gibbs sampling with R 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 شبیه سازی احتمال و نمونه گیری گیبس با R 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 مقدمه ای بر شبیه سازی احتمال و نمونه گیری گیبس با R

هفت فصل اول از R برای شبیه‌سازی و محاسبات احتمال، از جمله تولید اعداد تصادفی، ادغام عددی و مونت کارلو، و یافتن توزیع‌های محدود زنجیره‌های مارکوف با حالت‌های گسسته و پیوسته استفاده می‌کنند. کاربردها شامل احتمال پوشش فواصل اطمینان دو جمله ای، تخمین شیوع بیماری از آزمایش های غربالگری، افزونگی موازی برای قابلیت اطمینان بهبود یافته سیستم ها، و انواع مختلف مدل سازی ژنتیکی است. این فصل های اولیه را می توان برای یک دوره غیر بیزی در شبیه سازی مدل های احتمال کاربردی و زنجیره های مارکوف استفاده کرد. فصل‌های 8 تا 10 مقدمه‌ای کوتاه بر تخمین بیزی ارائه می‌کنند و استفاده از نمونه‌گرهای گیبس را برای یافتن توزیع‌های پسین و تخمین‌های بازه‌ای نشان می‌دهند، از جمله نمونه‌هایی که در آنها روش‌های سنتی نتایج رضایت‌بخشی به دست نمی‌دهند. نرم افزار WinBUGS با توضیح مفصلی در مورد رابط آن و نمونه هایی از کاربرد آن برای نمونه برداری گیبس برای تخمین بیزی معرفی شده است. هیچ تجربه قبلی در استفاده از R مورد نیاز نیست. یک پیوست R را معرفی می کند و کد R کامل تقریباً برای تمام مثال ها و مشکلات محاسباتی (همراه با نظرات و توضیحات) گنجانده شده است. از ویژگی های قابل توجه کتاب، رویکرد شهودی آن، ارائه ایده هایی با مثال هایی از آمار زیستی، قابلیت اطمینان و سایر زمینه ها است. تعداد زیاد ارقام آن؛ و تعداد فوق العاده زیاد مشکلات آن (حدود یک سوم صفحات)، از تمرین ساده تا ارائه موضوعات اضافی. نکات و پاسخ هایی برای بسیاری از مشکلات ارائه شده است. این ویژگی ها این کتاب را برای دانشجویان آمار در مقاطع کارشناسی ارشد و مقطع کارشناسی ارشد ایده آل می کند. Eric A. Suess رئیس و استاد آمار و آمار زیستی و Bruce E. Trumbo استاد بازنشسته آمار و ریاضیات، هر دو در دانشگاه ایالتی کالیفرنیا، East Bay است. پروفسور سوس در کاربرد روش های بیزی و نمونه برداری گیبس در اپیدمیولوژی باتجربه است. پروفسور ترامبو یکی از اعضای انجمن آمار آمریکا و موسسه آمار ریاضی است و جایزه بنیانگذاران ASA و مدالیون کارور IMS را دریافت کرده است.


توضیحاتی درمورد کتاب به خارجی

The first seven chapters use R for probability simulation and computation, including random number generation, numerical and Monte Carlo integration, and finding limiting distributions of Markov Chains with both discrete and continuous states. Applications include coverage probabilities of binomial confidence intervals, estimation of disease prevalence from screening tests, parallel redundancy for improved reliability of systems, and various kinds of genetic modeling. These initial chapters can be used for a non-Bayesian course in the simulation of applied probability models and Markov Chains. Chapters 8 through 10 give a brief introduction to Bayesian estimation and illustrate the use of Gibbs samplers to find posterior distributions and interval estimates, including some examples in which traditional methods do not give satisfactory results. WinBUGS software is introduced with a detailed explanation of its interface and examples of its use for Gibbs sampling for Bayesian estimation. No previous experience using R is required. An appendix introduces R, and complete R code is included for almost all computational examples and problems (along with comments and explanations). Noteworthy features of the book are its intuitive approach, presenting ideas with examples from biostatistics, reliability, and other fields; its large number of figures; and its extraordinarily large number of problems (about a third of the pages), ranging from simple drill to presentation of additional topics. Hints and answers are provided for many of the problems. These features make the book ideal for students of statistics at the senior undergraduate and at the beginning graduate levels. Eric A. Suess is Chair and Professor of Statistics and Biostatistics and Bruce E. Trumbo is Professor Emeritus of Statistics and Mathematics, both at California State University, East Bay. Professor Suess is experienced in applications of Bayesian methods and Gibbs sampling to epidemiology. Professor Trumbo is a fellow of the American Statistical Association and the Institute of Mathematical Statistics, and he is a recipient of the ASA Founders Award and the IMS Carver Medallion.



فهرست مطالب

Front Matter....Pages i-xiii
Introductory Examples: Simulation, Estimation, and Graphics....Pages 1-22
Generating Random Numbers....Pages 23-49
Monte Carlo Integration and Limit Theorems....Pages 51-85
Sampling from Applied Probability Models....Pages 87-117
Screening Tests....Pages 119-138
Markov Chains with Two States....Pages 139-158
Examples of Markov Chains with Larger State Spaces....Pages 159-193
Introduction to Bayesian Estimation....Pages 195-218
Using Gibbs Samplers to Compute Bayesian Posterior Distributions....Pages 219-248
Using WinBUGS for Bayesian Estimation....Pages 249-274
Appendix: Getting Started with R....Pages 275-299
Back Matter....Pages 301-307




نظرات کاربران