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 Nonparametric Simple Regression: Smoothing Scatterplots

دانلود کتاب رگرسیون ساده ناپارامتریک: نمودارهای پراکنده هموار

Nonparametric Simple Regression: Smoothing Scatterplots

مشخصات کتاب

Nonparametric Simple Regression: Smoothing Scatterplots

ویرایش:  
نویسندگان:   
سری: Quantitative Applications in the Social Sciences 
ISBN (شابک) : 0761915850, 9780761915850 
ناشر: Sage 
سال نشر: 2000 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : CHM (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 720 کیلوبایت 

قیمت کتاب (تومان) : 35,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 12


در صورت تبدیل فایل کتاب Nonparametric Simple Regression: Smoothing Scatterplots 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 رگرسیون ساده ناپارامتریک: نمودارهای پراکنده هموار 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 رگرسیون ساده ناپارامتریک: نمودارهای پراکنده هموار

جان فاکس خوانندگان را با تکنیک‌های تخمین هسته، رگرسیون ناپارامتریک افزایشی و روش‌هایی که می‌توان از رگرسیون ناپارامتریک برای انتخاب تبدیل‌های داده‌های قبل از برازش حداقل مربعات خطی استفاده کرد، معرفی می‌کند.


توضیحاتی درمورد کتاب به خارجی

John Fox introduces readers to the techniques of kernel estimation, additive nonparametric regression, and the ways nonparametric regression can be employed to select transformations of the data preceding a linear least-squares fit.





نظرات کاربران