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: آمار ریاضی ویرایش: نویسندگان: Ricardo A. Maronna, Douglas R. Martin, Victor J. Yohai سری: Wiley Series in Probability and Statistics ISBN (شابک) : 9780470010921, 0470010924 ناشر: سال نشر: 2006 تعداد صفحات: 426 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
در صورت تبدیل فایل کتاب Robust Statistics 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 آمار قوی 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.
تکنیکهای آماری کلاسیک نمیتوانند به خوبی با انحرافات از توزیع استاندارد مقابله کنند. روشهای آماری قوی این انحرافها را در حین تخمین پارامترهای مدلهای پارامتری در نظر میگیرند، بنابراین دقت استنتاج را افزایش میدهند. تحقیقات در مورد روش های قوی با روش های جدید در حال توسعه و کاربردهای مختلف در حال شکوفایی است. آمار قوی به توضیح استفاده از روش های قوی و توجیه نظری آنها می پردازد. این یک مرور کلی به روز از تئوری و کاربرد عملی روش های آماری قوی در رگرسیون، تحلیل چند متغیره، مدل های خطی تعمیم یافته و سری های زمانی ارائه می دهد. این کتاب منحصر به فرد: خواننده را قادر می سازد تا مناسب ترین روش قوی را برای مدل آماری خاص خود انتخاب و استفاده کند. دارای الگوریتم های محاسباتی برای روش های اصلی. روش های رگرسیون برای برنامه های داده کاوی را پوشش می دهد. شامل نمونه هایی با داده ها و برنامه های کاربردی واقعی با استفاده از کتابخانه آماری قوی S-Plus است. جنبههای نظری و عملیاتی روشهای قوی را به طور جداگانه شرح میدهد، بنابراین خواننده میتواند بر روی یکی یا دیگری تمرکز کند. توسط یک وبسایت تکمیلی با دانلود S-Plus محدود به زمان، همراه با مجموعه دادهها و کد S-Plus پشتیبانی میشود تا به خواننده اجازه دهد نمونههای ارائه شده در کتاب را بازتولید کند. هدف آمار قوی تحریک استفاده از روشهای قوی به عنوان ابزاری قدرتمند برای افزایش قابلیت اطمینان و دقت مدلسازی آماری و تجزیه و تحلیل دادهها است. این برای محققان، پزشکان و دانشجویان تحصیلات تکمیلی آمار، مهندسی برق، شیمی و بیوشیمی و بینایی کامپیوتر ایده آل است. همچنین بسیاری از محققان علوم دیگر مانند بیوتکنولوژی که نیاز به استفاده از روشهای آماری قوی در کار خود دارند، سود میبرند.
Classical statistical techniques fail to cope well with deviations from a standard distribution. Robust statistical methods take into account these deviations while estimating the parameters of parametric models, thus increasing the accuracy of the inference. Research into robust methods is flourishing, with new methods being developed and different applications considered. Robust Statistics sets out to explain the use of robust methods and their theoretical justification. It provides an up-to-date overview of the theory and practical application of the robust statistical methods in regression, multivariate analysis, generalized linear models and time series. This unique book: Enables the reader to select and use the most appropriate robust method for their particular statistical model. Features computational algorithms for the core methods. Covers regression methods for data mining applications. Includes examples with real data and applications using the S-Plus robust statistics library. Describes the theoretical and operational aspects of robust methods separately, so the reader can choose to focus on one or the other. Supported by a supplementary website featuring time-limited S-Plus download, along with datasets and S-Plus code to allow the reader to reproduce the examples given in the book. Robust Statistics aims to stimulate the use of robust methods as a powerful tool to increase the reliability and accuracy of statistical modelling and data analysis. It is ideal for researchers, practitioners and graduate students of statistics, electrical, chemical and biochemical engineering, and computer vision. There is also much to benefit researchers from other sciences, such as biotechnology, who need to use robust statistical methods in their work.