KI-Beratung Beta
Vor Ort
Merkzettel Warenkorb

Gutscheinbedingungen

**Gültig vom 02.11.2026 bis 04.11.2026 | Gültig für nicht preisgebundene fremdsprachige Bücher | Einzelne Artikel können ausgeschlossen sein | Online auf www.bücher.de einlösbar | Click & Collect nur mit Online-Zahlung (Paypal/Kreditkarte) vorab | Nicht kombinierbar mit anderen Gutscheinen oder Preisaktionen | Nur einmal pro Einkauf einlösbar | Gutschein wird auf max. 500€ Bestellwert angerechnet | Keine Barauszahlung | Nicht gültig für Versandkosten und Services
  • Produktbild: Tools for Statistical Inference
  • Produktbild: Tools for Statistical Inference
  • Produktbild: Tools for Statistical Inference

Tools for Statistical Inference Methods for the Exploration of Posterior Distributions and Likelihood Functions

Aus der Reihe Springer Series in Statistics

117,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

27.09.2011

Abbildungen

VIII, 208 p.

Verlag

Springer Us

Seitenzahl

208

Maße (L/B/H)

23,5/15,5/1,3 cm

Gewicht

341 g

Auflage

Third Edition 1996

Sprache

Englisch

ISBN

978-1-4612-8471-0

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

27.09.2011

Abbildungen

VIII, 208 p.

Verlag

Springer Us

Seitenzahl

208

Maße (L/B/H)

23,5/15,5/1,3 cm

Gewicht

341 g

Auflage

Third Edition 1996

Sprache

Englisch

ISBN

978-1-4612-8471-0

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: ProductSafety@springernature.com

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: Tools for Statistical Inference
  • Produktbild: Tools for Statistical Inference
  • Produktbild: Tools for Statistical Inference
  • 1. Introduction.- Exercises.- 2. Normal Approximations to Likelihoods and to Posteriors.- 2.1. Likelihood/Posterior Density.- 2.2. Specification of the Prior.- 2.3. Maximum Likelihood.- 2.4. Normal-Based Inference.- 2.5. The ?-Method (Propagation of Errors).- 2.6. Highest Posterior Density Regions.- Exercises.- 3. Nonnormal Approximations to Likelihoods and Posteriors.- 3.1. Numerical Integration.- 3.2. Posterior Moments and Marginalization Based on Laplace’s Method.- 3.3. Monte Carlo Methods.- Exercises.- 4. The EM Algorithm.- 4.1. Introduction.- 4.2. Theory.- 4.3. EM in the Exponential Family.- 4.4. Standard Errors in the Context of EM.- 4.5. Monte Carlo Implementation of the E-Step.- 4.6. Acceleration of EM (Louis’ Turbo EM).- 4.7. Facilitating the M-Step.- Exercises.- 5. The Data Augmentation Algorithm.- 5.1. Introduction and Motivation.- 5.2. Computing and Sampling from the Predictive Distribution.- 5.3. Calculating the Content and Boundary of the HPD Region.- 5.4. Remarks on the General Implementation of the Data Augmentation Algorithm.- 5.5. Overview of the Convergence Theory of Data Augmentation.- 5.6. Poor Man’s Data Augmentation Algorithms.- 5.7. Sampling/Importance Resampling (SIR).- 5.8. General Imputation Methods.- 5.9. Further Importance Sampling Ideas.- 5.10. Sampling in the Context of Multinomial Data.- Exercises.- 6. Markov Chain Monte Carlo: The Gibbs Sampler and the Metropolis Algorithm.- 6.1. Introduction to the Gibbs Sampler.- 6.2. Examples.- 6.3. Assessing Convergence of the Chain.- 6.4. The Griddy Gibbs Sampler.- 6.5. The Metropolis Algorithm.- 6.6. Conditional Inference via the Gibbs Sampler.- Exercises.- References.