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 New Frontiers in Bayesian Statistics: BAYSM 2021, Online, September 1–3

دانلود کتاب مرزهای جدید در آمار بیزی: BAYSM 2021، آنلاین، 1 تا 3 سپتامبر

New Frontiers in Bayesian Statistics: BAYSM 2021, Online, September 1–3

مشخصات کتاب

New Frontiers in Bayesian Statistics: BAYSM 2021, Online, September 1–3

ویرایش:  
نویسندگان: , ,   
سری: Springer Proceedings in Mathematics & Statistics, 405 
ISBN (شابک) : 3031164261, 9783031164262 
ناشر: Springer 
سال نشر: 2022 
تعداد صفحات: 121
[122] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 Mb 

قیمت کتاب (تومان) : 34,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 8


در صورت تبدیل فایل کتاب New Frontiers in Bayesian Statistics: BAYSM 2021, Online, September 1–3 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 مرزهای جدید در آمار بیزی: BAYSM 2021، آنلاین، 1 تا 3 سپتامبر 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 مرزهای جدید در آمار بیزی: BAYSM 2021، آنلاین، 1 تا 3 سپتامبر

این کتاب مجموعه‌ای از مشارکت‌های بررسی‌شده در پنجمین نشست آماردانان جوان بیزی، BaYSM 2021 را ارائه می‌کند که به‌دلیل همه‌گیری کووید-19 در 1 تا 3 سپتامبر 2021 برگزار شد. فرصت ارزشمندی برای محققان اولیه شغلی، از جمله دانشجویان کارشناسی ارشد، دانشجویان دکترا، و فوق دکترا برای ارتباط با جامعه گسترده بیزی. این جلسات، موضوعات مختلف بسیاری را در آمار بیزی برجسته می‌کند و رویکردهای روش‌شناختی امیدوارکننده‌ای را برای رسیدگی به چالش‌های مهم در کاربردهای مختلف ارائه می‌کند. این کتاب برای مخاطبان گسترده ای از افراد علاقه مند به آمار در نظر گرفته شده است و مجموعه ای از مشارکت های محرک در جنبه های نظری، روش شناختی و محاسباتی آمار بیزی ارائه می کند.


توضیحاتی درمورد کتاب به خارجی

This book presents a selection of peer-reviewed contributions to the fifth Bayesian Young Statisticians Meeting, BaYSM 2021, held virtually due to the COVID-19 pandemic on 1-3 September 2021. Despite all the challenges of an online conference, the meeting provided a valuable opportunity for early career researchers, including MSc students, PhD students, and postdocs to connect with the broader Bayesian community. The proceedings highlight many different topics in Bayesian statistics, presenting promising methodological approaches to address important challenges in a variety of applications. The book is intended for a broad audience of people interested in statistics, and provides a series of stimulating contributions on theoretical, methodological, and computational aspects of Bayesian statistics.



فهرست مطالب

Organization
Preface
Contents
About the Editors
Approximate Bayesian Algorithm for Tensor Robust Principal Component Analysis
	1 Introduction: Tensor Robust Principal Component Analysis and Its Extensions
	2 Scheme of the Approximate Bayesian Algorithm
	3 Numerical Experiments and Application
	4 Conclusion
	References
Bayesian Quantile Regression  for Big Data Analysis
	1 Introduction
	2 Quantile Regression and Its Likelihood Function
	3 NIG Prior and Posterior Distributions for Bayesian Quantile Regression
		3.1 NIG Expression for Prior Distribution
		3.2 NIG Expression for Posterior Distribution
	4 Big Data Based Algorithms for Bayesian Quantile Regression
		4.1 NIG Multiplication Operator for Posterior Distribution
		4.2 Algorithms for Bayesian Quantile Regression
	5 Real-Data Analysis
	6 Summary and Conclusion
	References
Towards a Bayesian Analysis of Migration Pathways Using Chain Event Graphs of Agent Based Models
	1 Introduction
	2 Agent Based Models of Migration
		2.1 An Illustrative Example of Migrant Behaviour
	3 From ABMs to CEGs
		3.1 Example Continued
	4 Discussion
	References
Power-Expected-Posterior Methodology with Baseline Shrinkage Priors
	1 Introduction
		1.1 Shrinkage Priors
		1.2 Power-Expected-Posterior Priors
	2 PEP-Shrinkage Prior
		2.1 Conditional PEP-Shrinkage Prior
		2.2 Conditional Posterior Under the PEP-Shrinkage Prior
		2.3 Marginal Likelihood Under the PEP-Shrinkage Prior
	3 Simulation Study
	4 Discussion
	References
Bayesian Nonparametric Scalar-on-Image Regression via Potts-Gibbs Random Partition Models
	1 Introduction
	2 Model Specification
		2.1 Scalar-on-Image Regression
		2.2 Random Image Partition Model
		2.3 Shrinkage Prior
	3 Inference
	4 Numerical Studies
	5 Conclusion
	References
Block Structured Graph Priors in Gaussian Graphical Models
	1 Introduction
	2 Block Structured Graph Priors
	3 Sampling Strategy
		3.1 Construction of Proposed Graph G
		3.2 Construction of Proposed Precision Matrix K
	4 Simulation Study
	5 Discussion
	References
A Bayesian Joint Spatio-temporal Model for Multiple Mosquito-Borne Diseases
	1 Introduction
	2 Spatio-temporal Modeling
	3 Motivational Data
		3.1 Study Area
		3.2 Risk Factors
	4 Results
		4.1 Spatial and Temporal Effects
		4.2 Relative Risk
	5 Discussion and Future Work
	References
A Bayesian Nonparametric Test for Cross-Group Differences Relative to a Control
	1 Introduction
	2 A BNP Model for Multivariate Comparisons
		2.1 A Prior for the Hypotheses
		2.2 A Prior for the Group Distributions
	3 Posterior Inference
	4 Monte Carlo Simulation Study
	5 Discussion
	References
Specification of the Base Measure of Nonparametric Priors via Random Means
	1 Introduction
	2 Dirichlet Case
	3 Normalized Stable and Pitman–Yor Cases
	4 Application to Mixture Models
	References
Bayesian Nonparametric Predictive Modeling for Personalized Treatment Selection
	1 Introduction
	2 The Model
		2.1 Priors
		2.2 Similarity Function
		2.3 Posterior Computation
	3 Treatment Selection
	4 Illustrative Example
	5 Conclusion
	References
Bayesian Growth Curve Model for Studying the Intra-abdominal Volume During Pneumoperitoneum for Laparoscopic Surgery
	1 Introduction
	2 Bayesian Growth Curve Model
	3 Posterior Results
	4 Conclusions
	References
Author Index
Author Index




نظرات کاربران