Indexaxión 519.542
519 Estadística y probabilidadesDocumentos en la biblioteca con la clasificación 519.542 (5)
Hacer una sugerencia Refinar búsqueda
Título : An Introduction to Bayesian Inference, Methods and Computation Tipo de documento: documento electrónico Autores: Heard, Nick, Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XII, 169 p. 82 ilustraciones, 70 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-82808-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Estadísticas Investigación cuantitativa Inferencia bayesiana Estadística y Computación Análisis de datos y Big Data Índice Dewey: 519.542 Resumen: Estas notas de clase proporcionan una introducción rápida y accesible a los métodos estadísticos bayesianos. El curso cubre la filosofía y los principios fundamentales de la inferencia bayesiana, incluido el razonamiento detrás de la construcción del modelo previo/de probabilidad sinónimo de los métodos bayesianos, hasta temas avanzados como los no paramétricos, los procesos gaussianos y los modelos de factores latentes. Estas técnicas de modelado avanzadas se pueden aplicar fácilmente utilizando ejemplos de código informático escritos en Python y Stan que están integrados en el texto principal. Es importante destacar que el lector aprenderá métodos para evaluar el ajuste del modelo y elegir entre enfoques de modelado rivales. . Nota de contenido: Uncertainty and Decisions -- Prior and Likelihood Representation -- Graphical Modeling -- Parametric Models -- Computational Inference -- Bayesian Software Packages -- Model choice -- Linear Models -- Nonparametric Models -- Nonparametric Regression -- Clustering and Latent Factor Models -- Conjugate Parametric Models. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i An Introduction to Bayesian Inference, Methods and Computation [documento electrónico] / Heard, Nick, Autor . - 1 ed. . - [s.l.] : Springer, 2021 . - XII, 169 p. 82 ilustraciones, 70 ilustraciones en color.
ISBN : 978-3-030-82808-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Estadísticas Investigación cuantitativa Inferencia bayesiana Estadística y Computación Análisis de datos y Big Data Índice Dewey: 519.542 Resumen: Estas notas de clase proporcionan una introducción rápida y accesible a los métodos estadísticos bayesianos. El curso cubre la filosofía y los principios fundamentales de la inferencia bayesiana, incluido el razonamiento detrás de la construcción del modelo previo/de probabilidad sinónimo de los métodos bayesianos, hasta temas avanzados como los no paramétricos, los procesos gaussianos y los modelos de factores latentes. Estas técnicas de modelado avanzadas se pueden aplicar fácilmente utilizando ejemplos de código informático escritos en Python y Stan que están integrados en el texto principal. Es importante destacar que el lector aprenderá métodos para evaluar el ajuste del modelo y elegir entre enfoques de modelado rivales. . Nota de contenido: Uncertainty and Decisions -- Prior and Likelihood Representation -- Graphical Modeling -- Parametric Models -- Computational Inference -- Bayesian Software Packages -- Model choice -- Linear Models -- Nonparametric Models -- Nonparametric Regression -- Clustering and Latent Factor Models -- Conjugate Parametric Models. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Bayesian Claims Reserving Methods in Non-life Insurance with Stan : An Introduction Tipo de documento: documento electrónico Autores: Gao, Guangyuan, Autor Mención de edición: 1 ed. Editorial: Singapore [Malasya] : Springer Fecha de publicación: 2018 Número de páginas: XII, 205 p. 72 ilustraciones, 62 ilustraciones en color. ISBN/ISSN/DL: 978-981-1336096-- Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Estadísticas Econometría Inferencia bayesiana Estadística en Negocios Gestión Economía Finanzas Seguros Economía cuantitativa Índice Dewey: 519.542 Resumen: Este libro ofrece primero una revisión de varios aspectos de la estadística bayesiana. Luego investiga tres tipos de modelos de reserva de reclamaciones en el marco bayesiano: modelos de escalera de cadenas, modelos de expansión de bases que involucran un factor de cola y modelos de cópula multivariados. Para los métodos inferenciales bayesianos, este libro se basa en gran medida en Stan, un entorno de software especializado que aplica el método hamiltoniano de Monte Carlo y el Bayes variacional. . Nota de contenido: Chapter1 Introduction -- Chapter2 Bayesian Fundamentals -- Chapter3 Advanced Bayesian Computation -- Chapter4 Bayesian Chain Ladder Models -- Chapter5 Bayesian Basis Expansion Models -- Chapter6 Multivariate Modelling Using Copulas -- Chapter7 Epilogue. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Bayesian Claims Reserving Methods in Non-life Insurance with Stan : An Introduction [documento electrónico] / Gao, Guangyuan, Autor . - 1 ed. . - Singapore [Malasya] : Springer, 2018 . - XII, 205 p. 72 ilustraciones, 62 ilustraciones en color.
ISBN : 978-981-1336096--
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Estadísticas Econometría Inferencia bayesiana Estadística en Negocios Gestión Economía Finanzas Seguros Economía cuantitativa Índice Dewey: 519.542 Resumen: Este libro ofrece primero una revisión de varios aspectos de la estadística bayesiana. Luego investiga tres tipos de modelos de reserva de reclamaciones en el marco bayesiano: modelos de escalera de cadenas, modelos de expansión de bases que involucran un factor de cola y modelos de cópula multivariados. Para los métodos inferenciales bayesianos, este libro se basa en gran medida en Stan, un entorno de software especializado que aplica el método hamiltoniano de Monte Carlo y el Bayes variacional. . Nota de contenido: Chapter1 Introduction -- Chapter2 Bayesian Fundamentals -- Chapter3 Advanced Bayesian Computation -- Chapter4 Bayesian Chain Ladder Models -- Chapter5 Bayesian Basis Expansion Models -- Chapter6 Multivariate Modelling Using Copulas -- Chapter7 Epilogue. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Bayesian Compendium Tipo de documento: documento electrónico Autores: van Oijen, Marcel, Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XIV, 204 p. 60 ilustraciones, 23 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-55897-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Estadísticas Biometría Monitoreo ambiental Química analítica Inferencia bayesiana Bioestadística Teoría y métodos estadísticos Índice Dewey: 519.542 Resumen: Este libro describe cómo funcionan los métodos bayesianos. Su objetivo principal es desmitificarlos y mostrar a los lectores que el pensamiento bayesiano no es difícil y puede utilizarse prácticamente en todo tipo de investigación. Además de revelar la simplicidad subyacente de los métodos estadísticos, el libro explica cómo parametrizar y comparar modelos teniendo en cuenta las incertidumbres en los datos, los parámetros del modelo y las estructuras del modelo. ¿Cómo se deben utilizar exactamente los datos en el modelado? La literatura ofrece una variedad desconcertante de técnicas y enfoques (calibración bayesiana, asimilación de datos, filtrado de Kalman, fusión de datos y modelos). Este libro proporciona una guía breve y sencilla para todo esto y más. Fue escrito desde una perspectiva bayesiana unificadora, que revela cómo la multitud de técnicas y enfoques están relacionados entre sí. Se introducen nociones básicas de la teoría de la probabilidad. Se incluyen ejemplos de código ejecutable para mejorar el uso práctico del libro para los modeladores científicos, y todo el código también está disponible en línea. Nota de contenido: Preface -- 1 Introduction to Bayesian thinking -- 2 Introduction to Bayesian science -- 3 Assigning a prior distribution -- 4 Assigning a likelihood function -- 5 Deriving the posterior distribution -- 6 Sampling from any distribution by MCMC -- 7 Sampling from the posterior distribution by MCMC -- 8 Twelve ways to fit a straight line -- 9 MCMC and complex models -- 10 Bayesian calibration and MCMC: Frequently asked questions -- 11 After the calibration: Interpretation, reporting, visualization -- 2 Model ensembles: BMC and BMA -- 13 Discrepancy -- 14 Gaussian Processes and model emulation -- 15 Graphical Modelling (GM) -- 16 Bayesian Hierarchical Modelling (BHM) -- 17 Probabilistic risk analysis and Bayesian decision theory -- 18 Approximations to Bayes -- 19 Linear modelling: LM, GLM, GAM and mixed models -- 20 Machine learning -- 21 Time series and data assimilation -- 22 Spatial modelling and scaling error -- 23 Spatio-temporal modelling and adaptive sampling -- 24 What next? -- Appendix 1: Notation and abbreviations -- Appendix 2: Mathematics for modellers -- Appendix 3: Probability theory for modellers -- Appendix 4: R -- Appendix 5: Bayesian software. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Bayesian Compendium [documento electrónico] / van Oijen, Marcel, Autor . - 1 ed. . - [s.l.] : Springer, 2020 . - XIV, 204 p. 60 ilustraciones, 23 ilustraciones en color.
ISBN : 978-3-030-55897-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Estadísticas Biometría Monitoreo ambiental Química analítica Inferencia bayesiana Bioestadística Teoría y métodos estadísticos Índice Dewey: 519.542 Resumen: Este libro describe cómo funcionan los métodos bayesianos. Su objetivo principal es desmitificarlos y mostrar a los lectores que el pensamiento bayesiano no es difícil y puede utilizarse prácticamente en todo tipo de investigación. Además de revelar la simplicidad subyacente de los métodos estadísticos, el libro explica cómo parametrizar y comparar modelos teniendo en cuenta las incertidumbres en los datos, los parámetros del modelo y las estructuras del modelo. ¿Cómo se deben utilizar exactamente los datos en el modelado? La literatura ofrece una variedad desconcertante de técnicas y enfoques (calibración bayesiana, asimilación de datos, filtrado de Kalman, fusión de datos y modelos). Este libro proporciona una guía breve y sencilla para todo esto y más. Fue escrito desde una perspectiva bayesiana unificadora, que revela cómo la multitud de técnicas y enfoques están relacionados entre sí. Se introducen nociones básicas de la teoría de la probabilidad. Se incluyen ejemplos de código ejecutable para mejorar el uso práctico del libro para los modeladores científicos, y todo el código también está disponible en línea. Nota de contenido: Preface -- 1 Introduction to Bayesian thinking -- 2 Introduction to Bayesian science -- 3 Assigning a prior distribution -- 4 Assigning a likelihood function -- 5 Deriving the posterior distribution -- 6 Sampling from any distribution by MCMC -- 7 Sampling from the posterior distribution by MCMC -- 8 Twelve ways to fit a straight line -- 9 MCMC and complex models -- 10 Bayesian calibration and MCMC: Frequently asked questions -- 11 After the calibration: Interpretation, reporting, visualization -- 2 Model ensembles: BMC and BMA -- 13 Discrepancy -- 14 Gaussian Processes and model emulation -- 15 Graphical Modelling (GM) -- 16 Bayesian Hierarchical Modelling (BHM) -- 17 Probabilistic risk analysis and Bayesian decision theory -- 18 Approximations to Bayes -- 19 Linear modelling: LM, GLM, GAM and mixed models -- 20 Machine learning -- 21 Time series and data assimilation -- 22 Spatial modelling and scaling error -- 23 Spatio-temporal modelling and adaptive sampling -- 24 What next? -- Appendix 1: Notation and abbreviations -- Appendix 2: Mathematics for modellers -- Appendix 3: Probability theory for modellers -- Appendix 4: R -- Appendix 5: Bayesian software. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Bayesian Optimization with Application to Computer Experiments Tipo de documento: documento electrónico Autores: Pourmohamad, Tony, Autor ; K. H. Lee, Herbert, Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: X, 104 p. 64 ilustraciones, 56 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-82458-7 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Estadísticas Diseño experimental Aprendizaje automático Inferencia bayesiana Red bayesiana Diseño de experimentos Índice Dewey: 519.542 Resumen: Este libro presenta a los lectores la optimización bayesiana, destaca los avances en este campo y muestra sus aplicaciones exitosas en experimentos informáticos. El código R está disponible como material complementario en línea para la mayoría de los ejemplos incluidos, de modo que los lectores puedan comprender y reproducir mejor los métodos. Compacto y accesible, el volumen se divide en cuatro capítulos. El capítulo 1 presenta al lector el tema de los experimentos informáticos; Incluye una variedad de ejemplos en muchas industrias. El Capítulo 2 se centra en la tarea de construcción de modelos sustitutos y contiene una combinación de varios modelos sustitutos diferentes que se utilizan en las comunidades de modelado por computadora y aprendizaje automático. El Capítulo 3 presenta los conceptos centrales de la optimización bayesiana y analiza la optimización sin restricciones. El capítulo 4 pasa a la optimización restringida y muestra algunos de los métodos más novedosos encontrados en este campo. Será un compañero útil para investigadores y profesionales que trabajan con experimentos y modelos informáticos. Además, los lectores con experiencia en aprendizaje automático pero mínima experiencia en experimentos informáticos encontrarán en este libro un interesante estudio de caso sobre la aplicabilidad de la optimización bayesiana fuera del ámbito del aprendizaje automático. Nota de contenido: 1. Computer experiments -- 2. Surrogate models -- 3. Unconstrained optimization -- 4. Constrained optimization. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Bayesian Optimization with Application to Computer Experiments [documento electrónico] / Pourmohamad, Tony, Autor ; K. H. Lee, Herbert, Autor . - 1 ed. . - [s.l.] : Springer, 2021 . - X, 104 p. 64 ilustraciones, 56 ilustraciones en color.
ISBN : 978-3-030-82458-7
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Estadísticas Diseño experimental Aprendizaje automático Inferencia bayesiana Red bayesiana Diseño de experimentos Índice Dewey: 519.542 Resumen: Este libro presenta a los lectores la optimización bayesiana, destaca los avances en este campo y muestra sus aplicaciones exitosas en experimentos informáticos. El código R está disponible como material complementario en línea para la mayoría de los ejemplos incluidos, de modo que los lectores puedan comprender y reproducir mejor los métodos. Compacto y accesible, el volumen se divide en cuatro capítulos. El capítulo 1 presenta al lector el tema de los experimentos informáticos; Incluye una variedad de ejemplos en muchas industrias. El Capítulo 2 se centra en la tarea de construcción de modelos sustitutos y contiene una combinación de varios modelos sustitutos diferentes que se utilizan en las comunidades de modelado por computadora y aprendizaje automático. El Capítulo 3 presenta los conceptos centrales de la optimización bayesiana y analiza la optimización sin restricciones. El capítulo 4 pasa a la optimización restringida y muestra algunos de los métodos más novedosos encontrados en este campo. Será un compañero útil para investigadores y profesionales que trabajan con experimentos y modelos informáticos. Además, los lectores con experiencia en aprendizaje automático pero mínima experiencia en experimentos informáticos encontrarán en este libro un interesante estudio de caso sobre la aplicabilidad de la optimización bayesiana fuera del ámbito del aprendizaje automático. Nota de contenido: 1. Computer experiments -- 2. Surrogate models -- 3. Unconstrained optimization -- 4. Constrained optimization. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Case Studies in Applied Bayesian Data Science / Mengersen, Kerrie L. ; Pudlo, Pierre ; Robert, Christian P.
Título : Case Studies in Applied Bayesian Data Science : CIRM Jean-Morlet Chair, Fall 2018 Tipo de documento: documento electrónico Autores: Mengersen, Kerrie L., ; Pudlo, Pierre, ; Robert, Christian P., Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: VI, 420 p. 110 ilustraciones, 94 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-42553-1 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Estadísticas Probabilidades Inferencia bayesiana Teoría de probabilidad Estadísticas aplicadas Índice Dewey: 519.542 Resumen: Este libro, que presenta una variedad de problemas aplicados sustantivos dentro de la estadística bayesiana junto con sus soluciones bayesianas, surge de un programa de investigación en CIRM en Francia en el segundo semestre de 2018, que apoyó a Kerrie Mengersen como presidenta visitante Jean-Morlet y a Pierre Pudlo como presidente. Profesor investigador local. El campo de la estadística bayesiana se ha disparado en los últimos treinta años y ahora es un campo de investigación establecido en estadística matemática e informática, un componente clave de la ciencia de datos y una metodología subyacente en muchos dominios de la ciencia, los negocios y las ciencias sociales. Además, aunque permanecen naturalmente entrelazadas, las tres ramas de la estadística bayesiana, a saber, el modelado, la computación y la inferencia, se han convertido en campos de investigación independientes. Si bien las ramas de investigación de la estadística bayesiana continúan creciendo en muchas direcciones, se aprovechan cuando la atención se centra en resolver problemas sustantivos aplicados. Cada uno de estos conjuntos de problemas tiene sus propios desafíos y, por lo tanto, extrae del conjunto de investigaciones una solución personalizada. El libro será útil tanto para los estadísticos teóricos como aplicados, así como para los profesionales, para inspeccionar estas soluciones en el contexto de los problemas, con el fin de obtener una mayor comprensión, conciencia e inspiración. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Case Studies in Applied Bayesian Data Science : CIRM Jean-Morlet Chair, Fall 2018 [documento electrónico] / Mengersen, Kerrie L., ; Pudlo, Pierre, ; Robert, Christian P., . - 1 ed. . - [s.l.] : Springer, 2020 . - VI, 420 p. 110 ilustraciones, 94 ilustraciones en color.
ISBN : 978-3-030-42553-1
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Estadísticas Probabilidades Inferencia bayesiana Teoría de probabilidad Estadísticas aplicadas Índice Dewey: 519.542 Resumen: Este libro, que presenta una variedad de problemas aplicados sustantivos dentro de la estadística bayesiana junto con sus soluciones bayesianas, surge de un programa de investigación en CIRM en Francia en el segundo semestre de 2018, que apoyó a Kerrie Mengersen como presidenta visitante Jean-Morlet y a Pierre Pudlo como presidente. Profesor investigador local. El campo de la estadística bayesiana se ha disparado en los últimos treinta años y ahora es un campo de investigación establecido en estadística matemática e informática, un componente clave de la ciencia de datos y una metodología subyacente en muchos dominios de la ciencia, los negocios y las ciencias sociales. Además, aunque permanecen naturalmente entrelazadas, las tres ramas de la estadística bayesiana, a saber, el modelado, la computación y la inferencia, se han convertido en campos de investigación independientes. Si bien las ramas de investigación de la estadística bayesiana continúan creciendo en muchas direcciones, se aprovechan cuando la atención se centra en resolver problemas sustantivos aplicados. Cada uno de estos conjuntos de problemas tiene sus propios desafíos y, por lo tanto, extrae del conjunto de investigaciones una solución personalizada. El libro será útil tanto para los estadísticos teóricos como aplicados, así como para los profesionales, para inspeccionar estas soluciones en el contexto de los problemas, con el fin de obtener una mayor comprensión, conciencia e inspiración. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
