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 9 C
  • Produktbild: BAYESIAN STATISTICS 9 C

BAYESIAN STATISTICS 9 C

332,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

06.10.2011

Abbildungen

151 black and white line drawings

Herausgeber

José M. Bernardo + weitere

Verlag

Oxford University Press

Seitenzahl

718

Maße (L/B/H)

24/16,1/4,3 cm

Gewicht

1230 g

Sprache

Englisch

ISBN

978-0-19-969458-7

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

06.10.2011

Abbildungen

151 black and white line drawings

Herausgeber

Verlag

Oxford University Press

Seitenzahl

718

Maße (L/B/H)

24/16,1/4,3 cm

Gewicht

1230 g

Sprache

Englisch

ISBN

978-0-19-969458-7

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 9 C
  • Produktbild: BAYESIAN STATISTICS 9 C


    • 1: J. M. Bernardo: Integrated Objective Bayesian Estimation and Hypothesis Testing


    • 2: C. M. Carvalho, H. F. Lopes, O. Aguilar: Dynamic Stock Selection Strategies: A Structured Factor Model Framework


    • 3: Chopin, N. and Jacob, P.: Free Energy Sequential Monte Carlo, Application to Mixture Modelling


    • 4: Consonni G. and La Rocca, L.: Moment Priors for Bayesian Model Choice with Applications to Directed Acyclic Graphs


    • 5: Dunson, D. B. and Bhattacharya, A.: Nonparametric Bayes Regression and Classification Through Mixtures of Product Kernels


    • 6: Frühwirth-Schnatter, S. and Wagner, H.: Bayesian Variable Selection for Random Intercept Modeling of Gaussian and non-Gaussian Data.


    • 7: Goldstein, M.: External Bayesian Analysis for Computer Simulators


    • 8: Gramacy, R. B. and Lee, H. K. H.: Optimization Under Unknown Constraints


    • 9: Huber, M. and Schott, S.: Using TPA for Bayesian Inference


    • 10: Ickstadt, K., Bornkamp, B., Grzegorczyk, M., Wiecorek, J., Sherriff, M. R., Grecco, H. E. and Zamir, E.: Nonparametric Bayesian Networks


    • 11: Lopes, H. F., Carvalho, C. M., Johannes, M. S. and Polson, N. G.: Particle Learning for Sequential Bayesian Computation


    • 12: Loredo, T. J.: Rotating Stars and Revolving Planets: Bayesian Exploration of the Pulsating Sky


    • 13: Louis, T. A., Carvalho, B. S., Fallin, M. D., Irizarryi, R. A., Li, Q. and Ruczinski, I.: Association Tests that Accommodate Genotyping Uncertainty


    • 14: Madigan, D., Ryan, P., Simpson, S. and Zorych, I.: Bayesian Methods in Pharmacovigilance


    • 15: Meek, C. and Wexler, Y.: Approximating Max-Sum-Product Problems using Multiplicative Error Bounds


    • 16: Meng, X.-L.: What's the H in H-likelihood: A Holy Grail or an Achilles' Heel?


    • 17: Polson, N. G. and Scott, J. G.: Shrink Globally, Act Locally: Sparse Bayesian Regularization and Prediction


    • 18: Richardson, S., Bottolo, L. and Rosenthal, J. S.: Bayesian Models for Sparse Regression Analysis of High Dimensional Data


    • 19: Richardson, T. S., Evans, R. J. and Robins, J. M.: Transparent Parametrizations of Models for Potential Outcomes


    • 20: Schmidt, A. M. and Rodríguez, M. A.: Modelling Multivariate Counts Varying Continuously in Space


    • 21: Tebaldi, C., Sansó, B. and Smith, R. L.: Characterizing Uncertainty of Future Climate Change Projections using Hierarchical Bayesian Models


    • 22: Vannucci, M. and Stingo, F. C.: Bayesian Models for Variable Selection that Incorporate Biological Information


    • 23: Wilkinson, D. J.: Parameter Inference for Stochastic Kinetic Models of Bacterial Gene Regulation: A Bayesian Approach to Systems Biology