Vor Ort
Merkzettel Warenkorb

Gutscheinbedingungen

**Gültig bis 15.06.2026 auf Spiele & Spielzeug online auf thalia.at, in der Thalia App ab einem Mindestbestellwert von 30€ und in allen Thalia Buchhandlungen in Österreich. In den Buchhandlungen nur gültig auf lagernde Ware. Einzelne Artikel können ausgeschlossen sein. Ausgenommen sind preisgebundene Artikel sowie online auf thalia.at und in der Thalia App einzelne Artikel von tonies®. 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. Gutschein wird auf max. 500€ Bestellwert angerechnet. Nicht gültig für Geschenkkarten, Versandkosten und Services.
  • Produktbild: Introduction to Statistical Modelling and Inference
  • Produktbild: Introduction to Statistical Modelling and Inference

Introduction to Statistical Modelling and Inference

183,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

30.09.2022

Abbildungen

schwarz-weiss Illustrationen, farbige Illustrationen, Zeichnungen, schwarz-weiss, Zeichnungen, farbig, Tabellen, schwarz-weiss

Verlag

Taylor & Francis

Seitenzahl

374

Maße (L/B/H)

26/18,3/2,6 cm

Gewicht

960 g

Sprache

Englisch

ISBN

978-1-03-210571-0

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

30.09.2022

Abbildungen

schwarz-weiss Illustrationen, farbige Illustrationen, Zeichnungen, schwarz-weiss, Zeichnungen, farbig, Tabellen, schwarz-weiss

Verlag

Taylor & Francis

Seitenzahl

374

Maße (L/B/H)

26/18,3/2,6 cm

Gewicht

960 g

Sprache

Englisch

ISBN

978-1-03-210571-0

Herstelleradresse

Libri GmbH
Europaallee 1
36244 Bad Hersfeld
DE

Email: gpsr@libri.de

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern
Die Leseprobe wird geladen.
  • Produktbild: Introduction to Statistical Modelling and Inference
  • Produktbild: Introduction to Statistical Modelling and Inference

  • Preface. 1.1. What is Statistical Modelling? 1.2. What is Statistical Analysis? 1.3. What is Statistical Inference? 1.4. Why this book? 1.5. Why the focus on the Bayesian approach? 1.6. Coverage of this book. 1.7. Recent changes in technology. 1.8. Aims of the course. 2. What is (or are) Big Data? 3. Data and research studies. 3.1. Lifetimes of radio transceivers. 3.2. Clustering of V1 missile hits in South London. 3.3. Court case on vaccination risk. 3.4. Clinical trial of Depepsen for the treatment of duodenal ulcers. 3.5. Effectiveness of treatments for respiratory distress in newborn babies. 3.6. Vitamin K. 3.7. Species counts. 3.8. Toxicology in small animal experiments. 3.9. Incidence of Down's syndrome in four regions. 3.10. Fish species in lakes. 3.11. Absence from school. 3.12. Hostility in husbands of suicide attempters. 3.13. Tolerance of racial intermarriage. 3.14. Hospital bed use. 3.15. Dugong growth. 3.16. Simulated motorcycle collision. 3.17. Global warming. 3.18. Social group membership. 4. The StatLab data base. 4.1. Types of variables. 4.2. StatLab population questions. 5. Sample surveys - should we believe what we read? 5.1. Women and Love. 5.2. Would you have children? 5.3. Representative sampling. 5.4. Bias in the Newsday sample. 5.5. Bias in the Women and Love sample. 6. Probability. 6.1. Relative frequency. 6.2. Degree of belief. 6.3. StatLab dice sampling. 6.4. Computer sampling. 6.5. Probability for sampling. 6.6. Probability axioms. 6.7. Screening tests and Bayes's theorem. 6.8. The misuse of probability in the Sally Clark case. 6.9. Random variables and their probability distributions. 6.10. Sums of independent random variables. 7. Statistical inference I - discrete distributions. 7.1. Evidence-based policy. 7.2. The basis of statistical inference. 7.3. The survey sampling approach. 7.4. Model-based inference theories. 7.5. The likelihood function. 7.6. Binomial distribution. 7.7. Frequentist theory. 7.8. Bayesian theory. 7.9. Inferences from posterior sampling. 7.10. Sample design. 7.11. Parameter transformations. 7.12. The Poisson distribution. 7.13. Categorical variables.7.14. Maximum likelihood. 7.15. Bayesian analysis. 8. Comparison of binomials: the Randomised Clinical Trial. 8.1. Definition. 8.2. Example - RCT of Depepsen for the treatment of duodenal ulcers. 8.3. Monte Carlo simulation. 8.4. RCT continued. 8.5. Bayesian hypothesis testing/model comparison. 8.6. Other measures of treatment difference. 8.7. The ECMO trials. 9. Data visualisation. 9.1. The histogram. 9.2. The empirical mass and cumulative distribution functions. 9.3. Probability models for continuous variables. 10. Statistical Inference II - the continuous exponential, Gaussian and uniform distributions. 10.1. The exponential distribution. 10.2. The exponential likelihood. 10.3. Frequentist theory. 10.4. Bayesian theory. 10.5. The Gaussian distribution. 10.6. The Gaussian likelihood function. 10.7. Frequentist inference. 10.8. Bayesian inference. 10.9. Hypothesis testing. 10.10. Frequentist hypothesis testing. 10.11. Bayesian hypothesis testing. 10.12. Pivotal functions. 10.13. Conjugate priors. 10.14. The uniform distribution. 11. Statistical Inference III - two-parameter continuous distributions. 11.1. The Gaussian distribution. 11.2. Frequentist analysis. 11.3. Bayesian analysis. 11.4. The lognormal distribution. 11.5. The Weibull distribution. 11.6. The gamma distribution. 11.7. The gamma likelihood. 12. Model assessment. 12.1. Gaussian model assessment. 12.2. Lognormal model assessment. 12.3. Exponential model assessment. 12.4. Weibull model assessment. 12.5. Gamma model assessment. 13. The multinomial distribution. 13.1. The multinomial likelihood. 13.2. Frequentist analysis. 13.3. Bayesian analysis. 13.4. Criticisms of the Haldane prior. 13.5. Inference for multinomial quantiles. 13.6. Dirichlet posterior weighting. 13.7. The frequentist bootstrap. 13.8. Stratified sampling and weighting. 14. Model comparison and model averaging. 14.4. The deviance. 14.5. Asymptotic distribution of the deviance. 14.6. Nested models. 14.7. Model choice and model averaging. 15. Gaussian linear regression models. 15.1. Simple linear regression. 15.2. Model assessment through residual examination. 15.3. Likelihood for the simple linear regression model. 15.4. Maximum likelihood. 15.5. Bayesian and frequentist inferences. 15.6. Model-robust analysis. 15.7. Correlation and prediction. 15.8. Probability model assessment. 15.9. "Dummy variable" regression. 15.10. Two-variable models. 15.11. Model assumptions. 15.12. The p-variable linear model. 15.13. The Gaussian multiple regression likelihood. 15.14. Interactions. 15.15. Ridge regression, the Lasso and the "elastic net". 15.16. Modelling boy birthweights. 15.17. Modelling girl intelligence at age 10 and family income 15.18. Modelling of the hostility data. 15.19. Principal component regression. 16. Incomplete data and their analysis with the EM and DA algorithms. 16.1. The general incomplete data model. 16.2. The EM algorithm. 16.3. Missingness. 16.4. Lost data. 16.5. Censoring in the exponential distribution. 16.6. Randomly missing Gaussian observations. 16.7. Missing responses and/or covariates in simple and multiple regression. 16.8. Mixture distributions. 16.9. Bayesian analysis and the Data Augmentation algorithm. 17. Generalised linear models (GLMs). 17.1. The exponential family. 17.2. Maximum likelihood 17.3 The GLM algorithm. 17.4. Bayesian package development. 17.5. Bayesian analysis from ML. 17.6. Binary response models. 17.7. The menarche data. 17.8. Poisson regression - fish species frequency. 17.9. Gamma regression. 18. Extensions of GLMs. 18.1. Double GLMs. 18.2. Maximum likelihood. 18.3. Bayesian analysis. 18.4. Segmented or broken-stick regressions. 18.5. Heterogeneous regressions. 18.6. Highly non-linear functions. 18.7. Neural networks. 18.8. Social networks and social group membership. 18.9. The motorcycle data. 19. Appendix 1 - length-biased sampling. 20. Appendix 2 - Two-component Gaussian mixture. 21. Appendix 3 - StatLab Variables. 22. Appendix 4 - a short history of statistics from 1890.