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: draft نویسندگان: Georgy L. Shevlyakov, Nikita O. Vilchevski سری: Modern Probability and Statistics, 6 ISBN (شابک) : 9789067643511, 9067643513 ناشر: Walter de Gruyter سال نشر: 2001 تعداد صفحات: 320 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
کلمات کلیدی مربوط به کتاب استحکام در تجزیه و تحلیل داده ها: ریاضیات، نظریه احتمالات و آمار ریاضی، آمار ریاضی
در صورت تبدیل فایل کتاب Robustness in data analysis 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 استحکام در تجزیه و تحلیل داده ها 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.
حوزه آمار ریاضی به نام آمار استحکام با ثبات استنتاج آماری تحت تغییرات مدل های توزیع پذیرفته شده سروکار دارد. اگرچه آمار استحکام شامل ابزارهای ریاضی بسیار تعریف شده است، روش های قوی رفتار رضایت بخشی را در نمونه های کوچک نشان می دهند، بنابراین در کاربردها کاملاً مفید هستند. این جلد به موضوعات مختلفی در زمینه آمار قوی و تجزیه و تحلیل داده ها می پردازد، مانند: رویکرد بدون احتمال در تجزیه و تحلیل داده ها. برآوردگرهای واریانس حداقل مکان، مقیاس، رگرسیون، خودرگرسیون و همبستگی. روش های L1-norm. الگوریتمهای انطباقی، کاهش داده، نمودار جعبهای دو متغیره و تشخیص پرت چند متغیره. برنامه های کاربردی در قابلیت اطمینان، تشخیص سیگنال ها، و تجزیه و تحلیل عوامل خطر مرگ ناگهانی قلبی. متن حاوی نتایج مربوط به استحکام و فن آوری های تجزیه و تحلیل داده، از جمله جنبه های نظری و نیازهای عملی پردازش داده است.
The field of mathematical statistics called robustness statistics deals with the stability of statistical inference under variations of accepted distribution models. Although robustness statistics involves mathematically highly defined tools, robust methods exhibit a satisfactory behaviour in small samples, thus being quite useful in applications. This volume addresses various topics in the field of robust statistics and data analysis, such as: a probability-free approach in data analysis; minimax variance estimators of location, scale, regression, autoregression and correlation; L1-norm methods; adaptive, data reduction, bivariate boxplot, and multivariate outlier detection algorithms; applications in reliability, detection of signals, and analysis of the sudden cardiac death risk factors. The text contains results related to robustness and data analysis technologies, including both theoretical aspects and practical needs of data processing.