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: احتمال ویرایش: 1 نویسندگان: James H. Stapleton سری: Wiley Series in Probability and Statistics ISBN (شابک) : 0470073721, 9780470073728 ناشر: Wiley-Interscience سال نشر: 2007 تعداد صفحات: 470 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 29 مگابایت
در صورت تبدیل فایل کتاب Models for Probability and Statistical Inference: Theory and Applications 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 مدل هایی برای احتمال و استنباط آماری: نظریه و کاربردها 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.
این کتاب مختصر و در عین حال کامل با شبیهسازیها و نمودارها تقویت شده است تا شهود خوانندگان را ایجاد کند. با پوشش نظری دقیقی که در سراسر کتاب یافت میشود، خوانندگان اصول مورد نیاز برای پیشرفت به موضوعات تخصصیتر، مانند نمونهگیری، مدلهای خطی، طراحی آزمایشها، محاسبات آماری، تجزیه و تحلیل بقا و راهاندازی را به دست میآورند. ایده آل به عنوان یک کتاب درسی برای یک توالی دو ترم در مورد احتمال و استنتاج آماری، فصل های اولیه پوشش احتمال و شامل بحث در مورد: مدل های گسسته و متغیرهای تصادفی. توزیع های گسسته شامل دو جمله ای، ابر هندسی، هندسی و پواسون. توزیع های پیوسته، نرمال، گاما و شرطی. و نظریه حد. از آنجایی که تئوری حد معمولاً دشوارترین موضوع برای تسلط خوانندگان است، نویسنده به طور کامل در مورد حالت های همگرایی دنباله های متغیرهای تصادفی با توجه ویژه به همگرایی در توزیع بحث می کند. نیمه دوم کتاب به استنباط آماری می پردازد، که با بحث در مورد تخمین نقطه شروع می شود و پس از آن پوشش فواصل ثبات و اطمینان را پوشش می دهد. حوزههای دیگر اکتشاف عبارتند از: توزیعهایی که بر حسب نرمال چند متغیره، کایدو، t و F (مرکزی و غیر مرکزی) تعریف شدهاند. آزمون Wilcoxon یک و دو نمونه، همراه با روش های برآورد بر اساس هر دو. مدل های خطی با رویکرد خطی فضا-پرورش. و رگرسیون لجستیک هر بخش شامل مجموعه ای از مشکلات از ساده تا پیچیده تر است و پاسخ های منتخب و همچنین اثبات تقریباً تمام عبارات ارائه شده است. تعداد زیادی ارقام علاوه بر شبیه سازی ها و نمودارهای مفید تولید شده توسط بسته آماری S-Plus(r) برای کمک به ایجاد شهود خوانندگان گنجانده شده است.
This concise, yet thorough, book is enhanced with simulations and graphs to build the intuition of readers Models for Probability and Statistical Inference was written over a five-year period and serves as a comprehensive treatment of the fundamentals of probability and statistical inference. With detailed theoretical coverage found throughout the book, readers acquire the fundamentals needed to advance to more specialized topics, such as sampling, linear models, design of experiments, statistical computing, survival analysis, and bootstrapping. Ideal as a textbook for a two-semester sequence on probability and statistical inference, early chapters provide coverage on probability and include discussions of: discrete models and random variables; discrete distributions including binomial, hypergeometric, geometric, and Poisson; continuous, normal, gamma, and conditional distributions; and limit theory. Since limit theory is usually the most difficult topic for readers to master, the author thoroughly discusses modes of convergence of sequences of random variables, with special attention to convergence in distribution. The second half of the book addresses statistical inference, beginning with a discussion on point estimation and followed by coverage of consistency and confidence intervals. Further areas of exploration include: distributions defined in terms of the multivariate normal, chi-square, t, and F (central and non-central); the one- and two-sample Wilcoxon test, together with methods of estimation based on both; linear models with a linear space-projection approach; and logistic regression. Each section contains a set of problems ranging in difficulty from simple to more complex, and selected answers as well as proofs to almost all statements are provided. An abundant amount of figures in addition to helpful simulations and graphs produced by the statistical package S-Plus(r) are included to help build the intuition of readers.
Models for Probability and Statistical Inference......Page 4
Contents......Page 10
Preface......Page 14
1.1. Introduction......Page 18
1.2. Sample Spaces, Events, and Probability Measures......Page 19
1.3. Conditional Probability and Independence......Page 32
1.4. Random Variables......Page 44
1.5. Expectation......Page 54
1.6. The Variance......Page 64
1.7. Covariance and Correlation......Page 72
2.2. The Binomial Distribution......Page 79
2.3. The Hypergeometric Distribution......Page 82
2.4. The Geometric and Negative Binomial Distributions......Page 85
2.5. The Poisson Distribution......Page 89
3.2. Continuous Random Variables......Page 97
3.3. Expected Values and Variances for Continuous Random Variables......Page 105
3.4. Transformations of Random Variables......Page 110
3.5. Joint Densities......Page 114
3.6. Distributions of Functions of Continuous Random Variables......Page 121
4.1. Introduction......Page 127
4.2. The Normal Distribution......Page 128
4.3. The Gamma Distribution......Page 134
5.1. Introduction......Page 142
5.2. Conditional Expectations for Discrete Random Variables......Page 147
5.3. Conditional Densities and Expectations for Continuous Random Variables......Page 153
6.2. Moment Generating Functions......Page 162
6.3. Convergence in Probability and in Distribution and the Weak Law of Large Numbers......Page 165
6.4. The Central Limit Theorem......Page 172
7.1. Introduction......Page 183
7.2. Point Estimation......Page 184
7.3. The Method of Moments......Page 188
7.4. Maximum Likelihood......Page 192
7.5. Consistency......Page 199
7.6. The δ-Method......Page 203
7.7. Confidence Intervals......Page 208
7.8. Fisher Information, Cramér–Rao Bound and Asymptotic Normality of MLEs......Page 218
7.9. Sufficiency......Page 224
8.1. Introduction......Page 232
8.2. The Neyman–Pearson Lemma......Page 239
8.3. The Likelihood Ratio Test......Page 245
8.4. The p-Value and the Relationship between Tests of Hypotheses and Confidence Intervals......Page 250
9.2. The Multivariate Normal Distribution......Page 255
9.3. The Central and Noncentral Chi-Square Distributions......Page 258
9.4. Student’s t-Distribution......Page 262
9.5. The F-Distribution......Page 271
10.1. Introduction......Page 277
10.2. The Wilcoxon Test and Estimator......Page 279
10.3. One-Sample Methods......Page 288
10.4. The Kolmogorov–Smirnov Tests......Page 294
11.2. The Principle of Least Squares......Page 298
11.3. Linear Models......Page 307
11.4. F-Tests for H(0): θ = β(1)X(1) + · · · + β(k)X(k)∈V(0), a Subspace of V......Page 316
11.5. Two-Way Analysis of Variance......Page 325
12.2. Confidence Intervals on Binomial and Poisson Parameters......Page 336
12.3. Logistic Regression......Page 341
12.4. Two-Way Frequency Tables......Page 347
12.5. Chi-Square Goodness-of-Fit Tests......Page 357
13.2. Survival Analysis......Page 367
13.3. Bootstrapping......Page 372
13.4. Bayesian Statistics......Page 379
13.5. Sampling......Page 386
References......Page 395
Appendix......Page 398
Answers to Selected Problems......Page 428
Index......Page 454