獨(dú)立成分分析中的高階統(tǒng)計(jì)量方法
本書(shū)較系統(tǒng)介紹了隨機(jī)事件與概率、隨機(jī)變量及其概率分布、多維隨機(jī)變量及其概率分布、隨機(jī)變量的數(shù)字特征、大數(shù)定律與中心極限定理等概率論基本知識(shí)，以及數(shù)理統(tǒng)計(jì)的基本概念和抽樣分布、參數(shù)估計(jì)、假設(shè)檢驗(yàn)、方差分析與回歸分析初步等數(shù)理統(tǒng)計(jì)的基本知識(shí)。在每章后面均配有相關(guān)內(nèi)容的Mathcad數(shù)學(xué)實(shí)驗(yàn)，這不僅使學(xué)生提高了學(xué)習(xí)概率論與數(shù)
系統(tǒng)講述了如何正確地收集和描述數(shù)據(jù)，如何利用統(tǒng)計(jì)軟件MINITAB和EXCEL進(jìn)行統(tǒng)計(jì)分析，以及如何解釋統(tǒng)計(jì)結(jié)果在實(shí)際應(yīng)用中的意義。本書(shū)是根據(jù)該書(shū)第14版縮編而成，對(duì)統(tǒng)計(jì)描述和推斷作了基本的介紹。
本書(shū)內(nèi)容主要有隨機(jī)事件及其概率、隨機(jī)變量及其分布、隨機(jī)變量的數(shù)字特征、極限定理初步、數(shù)理統(tǒng)計(jì)的基礎(chǔ)概念、參數(shù)估計(jì)、假設(shè)檢驗(yàn)。
本書(shū)基于PyMC語(yǔ)言以及一系列常用的Python數(shù)據(jù)分析框架，如NumPy、SciPy和Matplotlib，通過(guò)概率編程的方式，講解了貝葉斯推斷的原理和實(shí)現(xiàn)方法。該方法常�？梢栽诒苊庖氪罅繑�(shù)學(xué)分析的前提下，有效地解決問(wèn)題。書(shū)中使用的案例往往是工作中遇到的實(shí)際問(wèn)題，有趣并且實(shí)用。作者的闡述也盡量避免冗長(zhǎng)的數(shù)學(xué)分析，而
本書(shū)展示了如何運(yùn)用數(shù)學(xué)資源中的圖論來(lái)理解復(fù)雜對(duì)數(shù)線性模型表明的關(guān)聯(lián)結(jié)構(gòu)。作者首先回顧了二向與多向列聯(lián)表的關(guān)系模式，以及這些表的對(duì)數(shù)線性模型。在介紹了圖論中的一些關(guān)鍵概念后，作者緊接著將這些思想應(yīng)用到對(duì)數(shù)線性模型的兩個(gè)圖形典型中：關(guān)聯(lián)圖和生成多重圖。利用豐富示例以及清晰解釋?zhuān)髡哒故玖藢?duì)數(shù)線性模型的兩個(gè)圖形典型如何說(shuō)明模
什么是合并時(shí)間序列？正如字面上所表達(dá)的，時(shí)間序列（在一個(gè)分析單位下規(guī)律出現(xiàn)的具有時(shí)間性的觀測(cè)值）由橫截面數(shù)據(jù)（在單獨(dú)時(shí)間點(diǎn)上一個(gè)分析單位下的觀測(cè)值）組成的一個(gè)數(shù)據(jù)集。這些分析單位可以是學(xué)校、健康組織、商業(yè)交易、城市、國(guó)家等。為什么需要進(jìn)行合并分析呢？其中一個(gè)原因在于，當(dāng)下研究者可以獲得越來(lái)越多的相關(guān)橫截面數(shù)據(jù)與時(shí)間序列
《狄氏型和對(duì)稱(chēng)馬爾科夫過(guò)程》是學(xué)習(xí)狄氏型和對(duì)稱(chēng)馬爾科夫過(guò)程的標(biāo)準(zhǔn)參考書(shū)。第一部分主要包括對(duì)狄氏型理論的介紹和綜合理解。狄氏型是在馬爾科夫半群方向下的一種經(jīng)典的狄氏積分的公理化擴(kuò)張。第二部分包括分析理論，對(duì)稱(chēng)馬爾科夫理論的概率位勢(shì)理論，以及加性泛函數(shù)等。本書(shū)各章有習(xí)題，書(shū)后附有題解。讀者對(duì)象：應(yīng)用數(shù)學(xué)領(lǐng)域的研究人員和研究
書(shū)單推薦 更多 新書(shū)推薦 更多
