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
ویرایش: 1
نویسندگان: Gavin J. S. Ross (auth.)
سری: Springer Series in Statistics
ISBN (شابک) : 9781461280019, 9781461234128
ناشر: Springer-Verlag New York
سال نشر: 1990
تعداد صفحات: 197
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب برآورد غیر خطی: آمار، عمومی
در صورت تبدیل فایل کتاب Nonlinear Estimation 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 برآورد غیر خطی 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.
تخمین غیر خطی یک کتاب راهنما برای آماردان یا مدل ساز عملی است که علاقه مند به برازش و تفسیر مدل های غیر خطی با کمک کامپیوتر است. موضوع اصلی کتاب استفاده از «سیستمهای پارامتر پایدار» است. اینها همگرایی سریع الگوریتمهای بهینهسازی، ماتریسهای پراکندگی قابل اعتمادتر و مناطق اطمینان برای پارامترها و مقایسه آسانتر مدلهای رقیب را فراهم میکنند. این کتاب بینش هایی در مورد اینکه چرا برخی از مدل ها برازش دشوار هستند، نحوه ترکیب برازش ها در مجموعه داده های مختلف، نحوه بهبود جمع آوری داده ها برای کاهش واریانس پیش بینی، و نحوه برنامه ریزی مدل های خاص برای مدیریت طیف کاملی از مجموعه داده ها، ارائه می دهد. این کتاب ترکیبی از رویکرد جبری، هندسی و محاسباتی است و با مثالهای کاربردی نشان داده شده است. فصل آخر نشان می دهد که چگونه این رویکرد در برنامه حداکثر احتمال، MLP نویسنده، اجرا می شود.
Non-Linear Estimation is a handbook for the practical statistician or modeller interested in fitting and interpreting non-linear models with the aid of a computer. A major theme of the book is the use of 'stable parameter systems'; these provide rapid convergence of optimization algorithms, more reliable dispersion matrices and confidence regions for parameters, and easier comparison of rival models. The book provides insights into why some models are difficult to fit, how to combine fits over different data sets, how to improve data collection to reduce prediction variance, and how to program particular models to handle a full range of data sets. The book combines an algebraic, a geometric and a computational approach, and is illustrated with practical examples. A final chapter shows how this approach is implemented in the author's Maximum Likelihood Program, MLP.
Front Matter....Pages i-viii
Models, Parameters, and Estimation....Pages 1-11
Transformations of Parameters....Pages 12-43
Inference and Stable Transformations....Pages 44-72
The Geometry of Nonlinear Inference....Pages 73-107
Computing Methods for Nonlinear Modeling....Pages 108-133
Practical Applications of Nonlinear Modeling....Pages 134-142
A Program for Fitting Nonlinear Models, MLP....Pages 143-173
Back Matter....Pages 174-189