دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Statistics in the Health Sciences : Theory, Applications, and Computing
دانلود کتاب آمار در علوم بهداشتی: نظریه، کاربرد و محاسبات
مشخصات کتاب
Statistics in the Health Sciences : Theory, Applications, and Computing
ویرایش: 1 نویسندگان: Hutson. Alan, Vexler. Albert سری: Chapman & Hall/CRC biostatistics series ISBN (شابک) : 9781138196896, 1138196894 ناشر: Chapman and Hall/CRC سال نشر: 2018 تعداد صفحات: 416 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 9 مگابایت
قیمت کتاب (تومان) : 31,000
در صورت تبدیل فایل کتاب Statistics in the Health Sciences : Theory, Applications, and Computing 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 در علوم بهداشتی: نظریه، کاربرد و محاسبات 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 آمار در علوم بهداشتی: نظریه، کاربرد و محاسبات
\"این کتاب بسیار آموزنده روش های آماری کلاسیک و جدیدی را معرفی می کند که می تواند توسط آمارشناسان نظری و کاربردی برای ایجاد راه حل های کارآمد برای مشکلات دنیای واقعی که در آزمایشات بالینی و مطالعات اپیدمیولوژیک با آن مواجه می شوند استفاده شود. نویسندگان بحث مفصلی در مورد روش شناختی و مطالعات اپیدمیولوژیک ارائه می دهند. مسائل کاربردی در رویکردهای پارامتریک، نیمه پارامتریک و ناپارامتریک، از جمله تکنیک‌های محاسباتی گسترده مبتنی بر داده، مانند احتمال تجربی، روش‌های متوالی، و روش‌های راه‌اندازی. بسیاری از این تکنیک‌ها با استفاده از نرم‌افزارهای محبوبی مانند R و SAS پیاده‌سازی می‌شوند. ولاد دراگالین، پروفسور، جانسون و جانسون، اسپرینگ هاوس، PA
\"همیشه خوشحالم که با کتاب جدیدی روبرو می شویم که تقریباً تمام جنبه های یک شاخه از علم را پوشش می دهد. یک فکر آنقدر گسترده، متنوع و آنقدر پویا بود که هیچ کتاب واحدی نمی‌توانست امید داشته باشد که همه مبانی و نیز جهت‌گیری‌های این حوزه را در برگیرد. استنتاج آماری پارامتریک و ناپارامتریک; قضایای حد مرکزی; مبانی نظریه مارتینگل؛ روش های مونت کارلو؛ تجزیه و تحلیل متوالی؛ تشخیص نقطه تغییر متوالی - همه با وضوح و دقت الهام‌بخش پوشانده شده‌اند. نویسندگان نیز بسیار دقیق هستند و از جدیدترین بورسیه استفاده می کنند. آنها گزارش مفصلی از وضعیت هنر ارائه می دهند و نتایجی را که قبلاً در رشته های مختلف پراکنده شده بودند، گرد هم می آورند. این باعث می‌شود کتاب چیزی فراتر از یک کتاب درسی باشد: این کتاب همراهی پانوراما برای حوزه آمار زیستی است. این کتاب مستقل است، و توضیح مختصر اما دقیق مطالب، آن را برای مخاطبان گسترده ای در دسترس قرار می دهد. این برای دانشجویان فارغ التحصیل علاقه مند به ورود به این رشته و همچنین برای اساتیدی که به دنبال طراحی دوره ای در این زمینه هستند، جذاب است.» - آلکسی اس. پولونچنکو، گروه علوم ریاضی، دانشگاه ایالتی نیویورک در بینگهمتون
این کتاب باید برای استفاده هم به عنوان متن و هم به عنوان مرجع مناسب باشد. این کتاب یک محصول با ساختار خوب \"آماده برای رفتن\" را ارائه می دهد تا در توسعه دوره های پیشرفته به کار گرفته شود. در این کتاب خوانندگان می‌توانند روش‌های نظری کلاسیک و جدید، مسائل باز و رویه‌های جدید را بیابند.
این کتاب نتایج آماری زیستی را ارائه می‌کند که برای مجموعه کتاب‌های موجود در بازار جدید است و نتایجی که حتی جدید هستند. با توجه به ادبیات علمی مدرن، تعدادی از این نتایج را فقط در این کتاب می توان یافت.
توضیحاتی درمورد کتاب به خارجی
"This very informative book introduces classical and novel statistical methods that can be used by theoretical and applied biostatisticians to develop efficient solutions for real-world problems encountered in clinical trials and epidemiological studies. The authors provide a detailed discussion of methodological and applied issues in parametric, semi-parametric and nonparametric approaches, including computationally extensive data-driven techniques, such as empirical likelihood, sequential procedures, and bootstrap methods. Many of these techniques are implemented using popular software such as R and SAS."― Vlad Dragalin, Professor, Johnson and Johnson, Spring House, PA
"It is always a pleasure to come across a new book that covers nearly all facets of a branch of science one thought was so broad, so diverse, and so dynamic that no single book could possibly hope to capture all of the fundamentals as well as directions of the field. The topics within the book’s purview―fundamentals of measure-theoretic probability; parametric and non-parametric statistical inference; central limit theorems; basics of martingale theory; Monte Carlo methods; sequential analysis; sequential change-point detection―are all covered with inspiring clarity and precision. The authors are also very thorough and avail themselves of the most recent scholarship. They provide a detailed account of the state of the art, and bring together results that were previously scattered across disparate disciplines. This makes the book more than just a textbook: it is a panoramic companion to the field of Biostatistics. The book is self-contained, and the concise but careful exposition of material makes it accessible to a wide audience. This is appealing to graduate students interested in getting into the field, and also to professors looking to design a course on the subject." ― Aleksey S. Polunchenko, Department of Mathematical Sciences, State University of New York at Binghamton
This book should be appropriate for use both as a text and as a reference. This book delivers a "ready-to-go" well-structured product to be employed in developing advanced courses. In this book the readers can find classical and new theoretical methods, open problems and new procedures.
The book presents biostatistical results that are novel to the current set of books on the market and results that are even new with respect to the modern scientific literature. Several of these results can be found only in this book.
فهرست مطالب
Content: Cover
Half Title
Title Page
Copyright Page
Dedication
Table of Contents
Preface
Authors
Chapter 1: Prelude: Preliminary Tools and Foundations
1.1 Introduction
1.2 Limits
1.3 Random Variables
1.4 Probability Distributions
1.5 Commonly Used Parametric Distribution Functions
1.6 Expectation and Integration
1.7 Basic Modes of Convergence of a Sequence of Random Variables
1.7.1 Convergence in Probability
1.7.2 Almost Sure Convergence
1.7.3 Convergence in Distribution
1.7.4 Convergence in rth Mean
1.7.5 O(.) and o(.) Revised under Stochastic Regimes 1.7.6 Basic Associations between the Modes of Convergence1.8 Indicator Functions and Their Bounds as Applied to Simple Proofs of Propositions
1.9 Taylorâ#x80
#x99
s Theorem
1.10 Complex Variables
1.11 Statistical Software: R and SAS
1.11.1 R Software
1.11.2 SAS Software
Chapter 2: Characteristic Functionâ#x80
#x93
Based Inference
2.1 Introduction
2.2 Elementary Properties of Characteristic Functions
2.3 One-to-One Mapping
2.3.1 Proof of the Inversion Theorem
2.4 Applications
2.4.1 Expected Lengths of Random Stopping Times and Renewal Functions in Light of Tauberian Theorems 2.4.2 Risk-Efficient Estimation2.4.3 Khinchinâ#x80
#x99
s (or Hinchinâ#x80
#x99
s) Form of the Law of Large Numbers
2.4.4 Analytical Forms of Distribution Functions
2.4.5 Central Limit Theorem
2.4.5.1 Principles of Monte Carlo Simulations
2.4.5.2 That Is the Question: Do Convergence Rates Matter?
2.4.6 Problems of Reconstructing the General Distribution Based on the Distribution of Some Statistics
2.4.7 Extensions and Estimations of Families of Distribution Functions
Chapter 3: Likelihood Tenet
3.1 Introduction
3.2 Why Likelihood? An Intuitive Point of View
3.3 Maximum Likelihood Estimation 3.4 The Likelihood Ratio3.5 The Intrinsic Relationship between the Likelihood Ratio Test Statistic and the Likelihood Ratio of Test Statistics: One More Reason to Use Likelihood
3.6 Maximum Likelihood Ratio
3.7 An Example of Correct Model-Based Likelihood Formation
Chapter 4: Martingale Type Statistics and Their Applications
4.1 Introduction
4.2 Terminology
4.3 The Optional Stopping Theorem and Its Corollaries: Waldâ#x80
#x99
s Lemma and Doobâ#x80
#x99
s Inequality
4.4 Applications
4.4.1 The Martingale Principle for Testing Statistical Hypotheses 4.4.1.1 Maximum Likelihood Ratio in Light of the Martingale Concept4.4.1.2 Likelihood Ratios Based on Representative Values
4.4.2 Guaranteed Type I Error Rate Control of the Likelihood Ratio Tests
4.4.3 Retrospective Change Point Detection Policies
4.4.3.1 The Cumulative Sum (CUSUM) Technique
4.4.3.2 The Shiryayevâ#x80
#x93
Roberts (SR) Statistic-Based Techniques
4.4.4 Adaptive (Nonanticipating) Maximum Likelihood Estimation
4.4.5 Sequential Change Point Detection Policies
4.5 Transformation of Change Point Detection Methods into a Shiryayevâ#x80
#x93
Roberts Form
4.5.1 Motivation
4.5.2 The Method 4.5.3 CUSUM versus Shiryayevâ#x80
#x93
Roberts
