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 Markov Chain Monte Carlo in Practice

دانلود کتاب زنجیر مارکوف مونت کارلو در تمرین

مشخصات کتاب

Markov Chain Monte Carlo in Practice

دسته بندی: آمار ریاضی
ویرایش:  
نویسندگان: W.R. Gilks,  S. Richardson,  David Spiegelhalter  
سری: Chapman & Hall/CRC Interdisciplinary Statistics 
ISBN (شابک) : 0412055511, 9780412055515 
ناشر: Chapman and Hall/CRC 
سال نشر: 1995 
تعداد صفحات: 488 
زبان: English 
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت

قیمت کتاب (تومان) : 42,000

کلمات کلیدی مربوط به کتاب زنجیر مارکوف مونت کارلو در تمرین: احتمالات و آمار، کاربردی، ریاضیات، علوم و ریاضیات، آمار، ریاضیات، علوم و ریاضیات، کتاب های درسی جدید، مستعمل و اجاره ای، بوتیک تخصصی

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 15

در صورت تبدیل فایل کتاب Markov Chain Monte Carlo in Practice 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 زنجیر مارکوف مونت کارلو در تمرین 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 زنجیر مارکوف مونت کارلو در تمرین

در یک مطالعه خانوادگی در مورد سرطان سینه، اپیدمیولوژیست ها در جنوب کالیفرنیا قدرت تشخیص تعامل ژن-محیط را افزایش دادند. در گامبیا، یک مطالعه به یک برنامه واکسیناسیون کمک می کند تا بروز هپاتیت B را کاهش دهد. باستان شناسان در اتریش یک محوطه عصر برنز را در مکان زمانی واقعی خود در مقیاس تقویم قرار می دهند. و در فرانسه، محققان یک بیماری نادر با تغییرات نسبتاً کمی را ترسیم می‌کنند.

هر یک از این مطالعات از روش‌های مونت کارلو زنجیره مارکوف برای تولید نتایج دقیق‌تر و جامع‌تر استفاده کردند. نظریه زنجیره ای مارکوف در فضای عمومی حالت-فضای پیشرفت های متعددی را به خود دیده است که آن را برای آماردان عمومی قابل دسترس تر و قدرتمندتر کرده است. زنجیره مارکوف مونت کارلو در عمل، روش‌های MCMC و کاربردهای آن‌ها را معرفی می‌کند و پیش‌زمینه‌های نظری را نیز ارائه می‌دهد. نویسندگان پژوهشگرانی هستند که سهم کلیدی در توسعه اخیر روش MCMC و کاربرد آن داشته اند.

با توجه به مخاطبان گسترده، ویراستاران به جای تئوری، روی عمل تأکید می‌کنند و محتوای فنی را به حداقل می‌رسانند. نمونه ها از ساده ترین کاربرد، نمونه برداری گیبس، تا کاربردهای پیچیده تر را شامل می شود. فصل اول حاوی اطلاعات کافی است که به خواننده اجازه می دهد تا شروع به استفاده از MCMC به روشی اساسی کند. فصل‌های زیر موضوعات اصلی، مفاهیم و نتایج مهم، تکنیک‌های پیاده‌سازی MCMC، بهبود عملکرد آن، ارزیابی کفایت مدل، انتخاب بین مدل‌ها و برنامه‌ها و حوزه‌های آن‌ها را پوشش می‌دهد.

زنجیره مارکوف مونت کارلو در عمل یک مجموعه کامل است. ، مقدمه ای روشن بر روش شناسی و کاربردهای این ایده ساده با پتانسیل بسیار زیاد. این نشان می دهد که اهمیت MCMC در کاربردهای واقعی، مانند باستان شناسی، نجوم، آمار زیستی، ژنتیک، اپیدمیولوژی، و تجزیه و تحلیل تصویر، و پایه ای عالی برای MCMC برای کاربرد در زمینه های دیگر نیز فراهم می کند.

توضیحاتی درمورد کتاب به خارجی

In a family study of breast cancer, epidemiologists in Southern California increase the power for detecting a gene-environment interaction. In Gambia, a study helps a vaccination program reduce the incidence of Hepatitis B carriage. Archaeologists in Austria place a Bronze Age site in its true temporal location on the calendar scale. And in France, researchers map a rare disease with relatively little variation.

Each of these studies applied Markov chain Monte Carlo methods to produce more accurate and inclusive results. General state-space Markov chain theory has seen several developments that have made it both more accessible and more powerful to the general statistician. Markov Chain Monte Carlo in Practice introduces MCMC methods and their applications, providing some theoretical background as well. The authors are researchers who have made key contributions in the recent development of MCMC methodology and its application.

Considering the broad audience, the editors emphasize practice rather than theory, keeping the technical content to a minimum. The examples range from the simplest application, Gibbs sampling, to more complex applications. The first chapter contains enough information to allow the reader to start applying MCMC in a basic way. The following chapters cover main issues, important concepts and results, techniques for implementing MCMC, improving its performance, assessing model adequacy, choosing between models, and applications and their domains.

Markov Chain Monte Carlo in Practice is a thorough, clear introduction to the methodology and applications of this simple idea with enormous potential. It shows the importance of MCMC in real applications, such as archaeology, astronomy, biostatistics, genetics, epidemiology, and image analysis, and provides an excellent base for MCMC to be applied to other fields as well.

فهرست مطالب


Content: 
Front Matter....Pages i-xvii
Introducing Markov chain Monte Carlo....Pages 1-19
Hepatitis B: a case study in MCMC methods....Pages 21-43
Markov chain concepts related to sampling algorithms....Pages 45-57
Introduction to general state-space Markov chain theory....Pages 59-74
Full conditional distributions....Pages 75-88
Strategies for improving MCMC....Pages 89-114
Implementing MCMC....Pages 115-130
Inference and monitoring convergence....Pages 131-143
Model determination using sampling-based methods....Pages 145-161
Hypothesis testing and model selection....Pages 163-187
Model checking and model improvement....Pages 189-201
Stochastic search variable selection....Pages 203-214
Bayesian model comparison via jump diffusions....Pages 215-239
Estimation and optimization of functions....Pages 241-258
Stochastic EM: method and application....Pages 259-273
Generalized linear mixed models....Pages 275-301
Hierarchical longitudinal modelling....Pages 303-319
Medical monitoring....Pages 321-337
MCMC for nonlinear hierarchical models....Pages 339-357
Bayesian mapping of disease....Pages 359-379
MCMC in image analysis....Pages 381-399
Measurement error....Pages 401-417
Gibbs sampling methods in genetics....Pages 419-440
Mixtures of distributions: inference and estimation....Pages 441-464
An archaeological example: radiocarbon dating....Pages 465-480
Back Matter....Pages 481-486