Bayesian Statistics - это направление статистики, которое сочетает в себе априорные верования с правдоподобием гипотезы для получения апостериорных верований. Первое издание книги Питера Ли вышло в 1989 году, но с тех пор эта область продвинулась далеко вперед, с растущим акцентом на методы Монте-Карло. Это новое четвертое издание рассматривает последние методы, такие как вариационные методы, байесовская важностная выборка, приближенные байесовские вычисления и обратимый скачкообразный марковский чейн Монте-Карло (RJMCMC), давая краткое описание того, как байесовский подход к статистике развивается, а также как он контрастирует с традиционным подходом. Теория постепенно разворачивается, и важные понятия, такие как достаточность, выводятся из обсуждения наиболее характерных особенностей конкретных примеров. Это издание:
-
Включает расширенное освещение выборки Гиббса, в том числе больше числовых примеров и рассмотрение OpenBUGS, R2WinBUGS и R2OpenBUGS.
-
Содержит значительный новый материал о последних методах, таких как байесовская важностная выборка, вариационный Байес, приближенные байесовские вычисления (ABC) и обратимый скачкообразный марковский чейн Монте-Карло (RJMCMC).
-
Снабжено обширными примерами на протяжении всей книги, дополняющими излагаемую теорию.
-
Сопровождается вспомогательным веб-сайтом с новым материалом и решениями.
Все больше студентов понимают, что им нужно изучить байесовскую статистику, чтобы достичь своих академических и профессиональных целей. Эта книга лучше всего подходит в качестве основного учебника для курсов по байесовской статистике для студентов третьего и четвертого курсов, а также аспирантов.
Bayesian statistics is a branch of mathematics which calculates the probability or plausibility that hypothesis is true. Michael's first edition was published in 1889. However, the subject is developed through the years, especially thanks to Monte-Carlo simulations. Fourth edition investigated current techniques, such as importance sampling, the "Approximate Bayesian Recalculation" creation, as well as the particular process carried out using the "Markov Reversal" software for carrying out chain Monte-Carlo tests. While a short introduction introduces the foundations, more detailed analyses highlight the relationship between Bayesian techniques and traditional ones.
Электронная Книга «Bayesian Statistics. An Introduction» написана автором Peter Lee M. в году.
Минимальный возраст читателя: 0
Язык: Английский
ISBN: 9781118359754
Описание книги от Peter Lee M.
Bayesian Statistics is the school of thought that combines prior beliefs with the likelihood of a hypothesis to arrive at posterior beliefs. The first edition of Peter Lee’s book appeared in 1989, but the subject has moved ever onwards, with increasing emphasis on Monte Carlo based techniques. This new fourth edition looks at recent techniques such as variational methods, Bayesian importance sampling, approximate Bayesian computation and Reversible Jump Markov Chain Monte Carlo (RJMCMC), providing a concise account of the way in which the Bayesian approach to statistics develops as well as how it contrasts with the conventional approach. The theory is built up step by step, and important notions such as sufficiency are brought out of a discussion of the salient features of specific examples. This edition: Includes expanded coverage of Gibbs sampling, including more numerical examples and treatments of OpenBUGS, R2WinBUGS and R2OpenBUGS. Presents significant new material on recent techniques such as Bayesian importance sampling, variational Bayes, Approximate Bayesian Computation (ABC) and Reversible Jump Markov Chain Monte Carlo (RJMCMC). Provides extensive examples throughout the book to complement the theory presented. Accompanied by a supporting website featuring new material and solutions. More and more students are realizing that they need to learn Bayesian statistics to meet their academic and professional goals. This book is best suited for use as a main text in courses on Bayesian statistics for third and fourth year undergraduates and postgraduate students.
