KI-Beratung Beta
Vor Ort
Merkzettel Warenkorb

Gutscheinbedingungen

**Gültig bis 09.11.2026 auf tolino shine color (4016621130473), tolino vision color (4016621130183) und tolino vision color weiß (4016621131456) online auf thalia.at, in der Thalia App und in allen Thalia Buchhandlungen in Österreich. In den Buchhandlungen nur gültig auf lagernde Ware. Pro Einkauf einmal einlösbar. Nur gültig gegen Vorlage oder im Onlineshop hinterlegter Bonuscard. Infos zur Einlösung in der Buchhandlung sind auf der Bonuscard-Vorteilspreisseite zu finden. Click & Collect nur bei Onlinevorabzahlung möglich. Keine Einlösung bei Scan & Go-Bezahlung. Keine Barauszahlung. Nicht kombinierbar mit anderen Aktionen und Gutscheinen. Nicht gültig für Geschenkkarten, Versandkosten und Services. Nur solange der Vorrat reicht.
Produktbild: BAYESIAN STATISTICS 7 BBSS C

BAYESIAN STATISTICS 7 BBSS C

369,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

03.07.2003

Abbildungen

numerous figures

Herausgeber

José M. Bernardo + weitere

Verlag

Oxford Academic

Seitenzahl

766

Maße (L/B/H)

24/16,1/4,5 cm

Gewicht

1300 g

Sprache

Englisch

ISBN

978-0-19-852615-5

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

03.07.2003

Abbildungen

numerous figures

Herausgeber

Verlag

Oxford Academic

Seitenzahl

766

Maße (L/B/H)

24/16,1/4,5 cm

Gewicht

1300 g

Sprache

Englisch

ISBN

978-0-19-852615-5

Herstelleradresse

Libri GmbH
Europaallee 1
36244 Bad Hersfeld
DE

Email: gpsr@libri.de

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)
  • Produktbild: BAYESIAN STATISTICS 7 BBSS C

    • Arellano-Valle, R. B., Iglesias, P. L. and Vidal I.: Bayesian Inference for Elliptical Linear Models: Conjugate Analysis and Model Comparison

    • Blei, D. M., Jordan, M. I. and Ng, A. Y.: Hierarchical Bayesian Models for Applications in Information Retrieval

    • Carlin, B. P. and Banerjee, S.: Hierarchical Multivariate CAR Models for Spatio- Temporally Correlated Survival Data

    • Chib, S.: On Inferring Effects of Binary Treatments with Unobserved Confounders

    • Chipman, H. A., George, E. I. and McCulloch, R. E.: Bayesian Treed Generalized Linear Models

    • Davy, M. and Godsill, S. J.: Bayesian Harmonic Models for Musical Signal Analysis

    • Dobra, A., Fienberg, S. E. and Trottini, M.: Assessing the Risk of Disclosure of Confidential Categorical Data.

    • Genovese, C. and Wasserman, L: Bayesian and Frequentist Multiple Testing . . . . . . . . 145

    • Gutiérrez-Peña, E. and Nieto-Barajas, L. E.: Nonparametric Inference for Mixed Poisson Processes

    • Higdon, D., Lee, H. and Holloman, C. : Markov chain Monte Carlo-based approaches for inference in computationally intensive inverse problems

    • Johnson, V. E., Graves, T. L., Hamada, M. S. and Shane, C.: Reese A Hierarchical Model for Estimating the Reliability of Complex Systems

    • Lauritzen, S. L.: Rasch Models with Exchangeable Rows and Columns

    • Linde, A. Van Der and Osius, G.: Discrimination Based on an Odds Ratio Parameterization

    • Liu, J. S., Zhang, J. L., Palumbo, M. J. and Charles, E.: Lawrence Bayesian Clustering with Variable and Transformation Selections

    • Mengersen, K. L. and Robert, C. P.: Iid Sampling using Self-Avoiding Population Monte Carlo: The Pinball Sampler

    • Newton, M. A., Yang H., Gorman, P., Tomlinson, I. and Roylance, R.: A Statistical Approach to Modeling Genomic Aberrations in Cancer Cells

    • Papaspiliopoulos, O., Roberts, G. O. and Sköld, M.: Non-Centered Parameterisations for Hierarchical Models and Data Augmentation

    • Peña, D., Rodríguez, J. and Tiao, G. C.: Identifying Mixtures of Regression Equations by the SAR procedure

    • Quintana, J. M., Lourdes V., Aguilar, O. and Liu, J.: Global Gambling

    • Salinetti, G.: New Tools for Consistency in Bayesian Nonparametrics

    • Schervish, M. J., Seidenfeld T. and Kadane, J. B.: Measures of Incoherence: How not to Gamble if you Must

    • Wolpert, R. L., Ickstadt, K. and Hansen, M. B.: A Nonparametric Bayesian Approach to Inverse Problems

    • Zohar, R. and Geiger, D.: A Novel Framework for Tracking Groups of Objects

    • II. CONTRIBUTED PAPERS

    • Ausín, M. C., Lillo, R. E., Ruggeri, F. and Wiper, M. P. : Bayesian Modeling of Hospital Bed Occupancy Times using a Mixed Generalized Erlang Distribution

    • Beal, M. J. and Ghahramani, Z.: The Variational Bayesian EM Algorithm for Incomplete Data: With Application to Scoring Graphical Model Structures

    • Bernardo, J. M. and Juárez, M. A.: Intrinsic Estimation

    • Choy S. T. B., Chan J. S. K. and YamH. K.: Robust Analysis of Salamander Data, Generalized Linear Model with Random Effects

    • Daneshkhah, A. and Smith, Jim Q.: A Relationship Between Randomised Manipulation and Parameter Independence

    • Dethlefsen, C.: Markov Random Field Extensions using State Space Models

    • Erosheva, E. A.: Bayesian Estimation of the Grade of Membership Model

    • Esteves, L. G., Wechsler, S., Iglesias, P. L. and Pereira, A. L.: A Variant Version of the Pólya-Eggenberger Urn Model

    • Ferreira, A. R., West, M., Lee, H. K. H., Higdon, D. and Bi, Z.: Multi-scale Modelling of 1-D Permeability Fields

    • Fraser, D. A. S., Reid, N., Wong, A. and Yi, G. Y.: Direct Bayes for Interest Parameters

    • Garside, L. M. and Wilkinson, D. J.: Dynamic Lattice-Markov Spatio-Temporal Models for Environmental Data

    • Gebousk¿y, P., Kárn¿y, M. and Quinn, A.: Lymphoscintigraphy of Upper Limbs: A Bayesian Framework

    • Girón, F. J., Martínez, M. L., Moreno, E. and Torres, F.: Bayesian Analysis of Matched Pairs in the Presence of Covariates

    • Jamieson, L. E. and Brooks, S. P.: State Space Models for Density Dependence in Population Ecology

    • Lavine, M.: A Marginal Ergodic Theorem

    • Lefebvre, T., Gadeyne, K., Bruyninckx, H. and Schutter, J. D.: Exact Bayesian Inference for a Class of Nonlinear Systems with Application to Robotic Assembly

    • Leucari, V. and Consonni, G.: Compatible Priors for Causal Bayesian Networks

    • Mertens, B. J. A.: On the Application of Logistic Regression Modeling in Microarray Studies

    • Neal, R. M.: Dens ity Modeling and Clustering Using Dirichlet Diffusion Trees

    • Pettit, L. I. and Sugden, R. A.: Outl ier Robust Estimation of a Finite Population Total

    • Polson, N. G. and Stroud, J. R.: Bayesian Inference f or Derivative Prices

    • Rasmussen, C. E.: Gaussian Processes to Speed up Hybrid Monte Carlo for Expensive Bayesian Integrals

    • Rodríguez, A., Álvarez, G. and Sansó, B.: Objective Bayesian Comparison of Laplace Samples from Geophysical Data

    • Scott, S. L. and Smyth, P.: The Markov Modulated Poisson Process and Markov Poisson Cascade with Applications to Web Traffic Modeling

    • Smith, E. L. and Walshaw, D.: Modelling Bivariate Extremes in a Region

    • Vehtari, and Lampinen, J.: Expected Utility Estimation via Cross-Validation

    • Virto, M., Martín, J., Ríos-Insua, D. and Moreno-Díaz, A.: A Method for Sequential Optimization in Bayesian Analysis

    • Wakefield, J. C., Zhou, C. and Self, S. G.: Modelling Gene Expression Data over Time: Curve Clustering with Informative Prior Distributions

    • West, M: Bayesian Factor Regression Models in the Large p, Small n Paradigm

    • Zheng, P. and Marriott, J. M.: A Bayesian Analysis of Smooth Transitions in Trend

    • Tamminen, T. and Lampinen. J: Bayesian Object Matching with Hierarchical Priors and Markov Chain Monte Carlo