Statistics and Analysis of Scientific Data

ویرایش دوم اصلاح شده این کتاب درسی پایه محکمی را در نظریه احتمالات و آمار که در علوم فیزیکی، مهندسی و زمینه های مرتبط به کار می رود، در اختیار خواننده قرار می دهد. این طیف گسترده ای از روش های عددی و تحلیلی را پوشش می دهد که برای تجزیه و تحلیل صحیح داده های علمی ضروری هستند، از جمله نظریه احتمال، توابع توزیع آمار، تناسب با داده های دو بعدی و تخمین پارامتر، روش های مونت کارلو و زنجیره های مارکوف.

ویژگی های جدید این نسخه عبارتند از:

• بحث در مورد تکنیک های آماری به کار رفته در علم تجارت، مانند تحلیل رگرسیون چندگانه مجموعه داده های چند متغیره.
• فصل جدیدی در معیارهای مختلف میانگین از جمله میانگین های لگاریتمی.
• فصل های جدید در مورد خطاهای سیستماتیک و پراکندگی ذاتی، و در مورد برازش داده ها با خطاهای دو متغیره.
• یک مطالعه موردی جدید و مثال های کار شده اضافی.
• ریاضی اشتقاق‌ها و مطالب پیش‌زمینه نظری به‌طور مناسب علامت‌گذاری شده‌اند تا خوانایی متن بهبود یابد.
• جعبه‌های خلاصه انتهای فصل، برای ارجاع آسان.

همانند نسخه اول، بخش آموزشی اصلی روش یک رویکرد تئوری و سپس کاربردی است، که در آن ابتدا بر درک درستی از نظریه اساسی یک موضوع تأکید می‌شود، که مبنایی برای کاربرد کارآمد و عملی مطالب می‌شود. این سطح برای دانشجویان مقطع کارشناسی و فارغ التحصیلان مبتدی و به عنوان مرجعی برای محقق با تجربه مناسب است. در برخی از مشتقات از حساب پایه استفاده می شود و نیازی به پیشینه قبلی در احتمال و آمار نیست. این کتاب شامل بسیاری از جداول عددی داده‌ها، و همچنین تمرین‌ها و مثال‌هایی برای کمک به درک خوانندگان از موضوع است.

The revised second edition of this textbook provides the reader with a solid foundation in probability theory and statistics as applied to the physical sciences, engineering and related fields. It covers a broad range of numerical and analytical methods that are essential for the correct analysis of scientific data, including probability theory, distribution functions of statistics, fits to two-dimensional data and parameter estimation, Monte Carlo methods and Markov chains.

Features new to this edition include:

• a discussion of statistical techniques employed in business science, such as multiple regression analysis of multivariate datasets.
• a new chapter on the various measures of the mean including logarithmic averages.
• new chapters on systematic errors and intrinsic scatter, and on the fitting of data with bivariate errors.
• a new case study and additional worked examples.
• mathematical derivations and theoretical background material have been appropriately marked, to improve the readability of the text.
• end-of-chapter summary boxes, for easy reference.

As in the first edition, the main pedagogical method is a theory-then-application approach, where emphasis is placed first on a sound understanding of the underlying theory of a topic, which becomes the basis for an efficient and practical application of the material. The level is appropriate for undergraduates and beginning graduate students, and as a reference for the experienced researcher. Basic calculus is used in some of the derivations, and no previous background in probability and statistics is required. The book includes many numerical tables of data, as well as exercises and examples to aid the readers' understanding of the topic.