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
دسته بندی: ریاضیات ویرایش: نویسندگان: Matthew Betti سری: ISBN (شابک) : 1032208147, 9781032208145 ناشر: CRC Press/Chapman & Hall سال نشر: 2022 تعداد صفحات: 472 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 289 مگابایت
در صورت تبدیل فایل کتاب Mathematics and Statistics for the Quantitative Sciences 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 ریاضیات و آمار برای علوم کمی 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.
Cover Half Title Title Page Copyright Page Dedication Contents Preface Author Bio SECTION I: Applied Mathematics The Plot (so you don’t lose it) CHAPTER 1: Functions 1.1. ANATOMY OF A FUNCTION 1.2. MODELLING WITH MATHEMATICS 1.3. CONSTANTS AND LINEAR FUNCTIONS 1.4. POLYNOMIALS 1.5. EXPONENTIALS AND LOGARITHMS 1.6. FUNCTIONS IN HIGHER DIMENSIONS 1.7. CONTOUR DIAGRAMS 1.8. MODELS IN TWO DIMENSIONS 1.9. VARIABLES VS. PARAMETERS CHAPTER 2: Derivatives 2.1. THE TANGENT LINE 2.2. APPROXIMATING DERIVATIVES OF FUNCTIONS 2.3. LIMITS 2.4. LIMITS AND DERIVATES 2.5. DERIVATIVE FORMULAS 2.6. THE PRODUCT RULE 2.7. THE CHAIN RULE 2.8. MIXING RULES 2.9. CRITICAL VALUES 2.10. CONSTRAINED OPTIMIZATION 2.11. ELASTICITY 2.12. PARTIAL DERIVATIVES CHAPTER 3: Linear Algebra 3.1. VECTORS 3.2. MATRICES 3.3. MULTIPLICATION: NUMBERS AND MATRICES 3.4. MULTIPLICATION: MATRIX AND VECTORS 3.5. MULTIPLICATION: MATRIX AND MATRIX 3.6. LESLIE MATRICES 3.7. THE DETERMINANT 3.8. EIGENVALUES & EIGENVECTORS CHAPTER 4: Derivatives in Multiple Dimensions 4.1. APPLICATIONS 4.2. DISTRIBUTION FITTING, PROBABILITY, AND LIKELIHOOD CHAPTER 5: Differential Equations 5.1. SOLVING BASIC DIFFERENTIAL EQUATIONS: WITH AN EXAMPLE 5.2. EQUILIBRIA AND STABILITY 5.3. EQUILIBRIA AND LINEAR STABILITY IN HIGHER DIMENSIONS 5.4. THE JACOBIAN CHAPTER 6: Integration 6.1. ACCUMULATED CHANGE 6.2. THE FUNDAMENTAL THEOREM OF CALCULUS 6.3. THE ANTI-DERIVATIVE 6.4. FUNDAMENTAL THEOREM OF CALCULUS REVISITED 6.5. PROPERTIES OF INTEGRALS 6.6. INTEGRATION BY PARTS 6.7. SUBSTITUTION SECTION II: Applied Stats & Data Science Some Context to Anchor Us Math Versus The World CHAPTER 7: Data and Summary Statistics 7.1. WHAT IS DATA? 7.2. DATA IN PYTHON 7.3. SUMMARY STATISTICS 7.4. ETHICAL AND MORAL CONSIDERATIONS: PART 1 7.5. MEAN VS. MEDIAN VS. MODE 7.6. VARIANCE AND STANDARD DEVIATION 7.7. ETHICAL AND MORAL CONSIDERATIONS: EPISODE 2 7.8. AN EXAMPLE 7.9. THE EMPIRICAL RULE CHAPTER 8: Visualizing Data 8.1. PLOTTING IN PYTHON 8.2. SCATTER PLOTS 8.3. OUTLIERS 8.4. HISTOGRAMS 8.5. THE ANATOMY OF A TECHNICAL DOCUMENT 8.6. BAD PLOTS AND WHY THEY’RE BAD CHAPTER 9: Probability 9.1. ETHICAL AND MORAL CONSIDERATIONS: A VERY SPECIAL EPISODE 9.2. COUNTING 9.3. PERMUTATIONS 9.4. COMBINATIONS 9.5. COMBINATIONS WITH REPLACEMENT 9.6. PROBABILITY 9.7. PROPERTIES OF PROBABILITIES 9.8. MORE NOTATION 9.9. CONDITIONAL PROBABILITY 9.10. BAYES’ THEOREM 9.11. THE PROSECUTOR’S FALLACY 9.12. THE LAW OF TOTAL PROBABILITY CHAPTER 10: Probability Distributions 10.1. DISCRETE PROBABILITY DISTRIBUTIONS 10.2. THE BINOMIAL DISTRIBUTION 10.3. TRINOMIAL DISTRIBUTION 10.4. CUMULATIVE PROBABILITY DISTRIBUTIONS 10.5. CONTINUOUS PROBABILITY 10.6. CONTINUOUS VS. DISCRETE PROBABILITY DISTRIBUTIONS 10.7. PROBABILITY DENSITY FUNCTIONS 10.8. THE NORMAL DISTRIBUTION 10.9. OTHER USEFUL DISTRIBUTIONS 10.10. MEAN, MEDIAN, MODE, AND VARIANCE 10.11. SUMMING TO INFINITY 10.12. PROBABILITY AND PYTHON 10.13. PRACTICE PROBLEMS CHAPTER 11: Fitting Data 11.1. DEFINING RELATIONSHIPS 11.2. DATA AND LINES 11.3. DISTRIBUTION FITTING AND LIKELIHOOD 11.4. DUMMY VARIABLES 11.5. LOGISTIC REGRESSION 11.6. LOGISTIC REGRESSION IN PYTHON 11.7. ITERATED LOGISTIC REGRESSION 11.8. RANDOM FOREST CLASSIFICATION 11.9. BOOTSTRAPPING AND CONFIDENCE INTERVALS 11.10. T-STATISTICS 11.11. THE DICHOTOMOUS NATURE OF P-VALUES APPENDIX A: A Crash Course in Python A.I. VARIABLES A.II. KEYWORDS A.III. CONDITIONALS A.IV. LOOPS A.V. IMPORT A.VI. FUNCTIONS A.VII. A SIMPLE PYTHON PROGRAM Bibliography Index