Coop UQAM | Coopsco

Créer mon profil | Mot de passe oublié?

Magasiner par secteur

Matériel obligatoire et recommandé

Voir les groupes
Devenir membre

Nos partenaires

UQAM
ESG UQAM
Réseau ESG UQAM
Bureau des diplômés
Centre sportif
Citadins
Service de la formation universitaire en région
Université à distance
Société de développement des entreprises culturelles - SODEC
L'institut du tourisme et de l'hotellerie - ITHQ
Pour le rayonnement du livre canadien
Presses de l'Université du Québec
Auteurs UQAM : Campagne permanente de promotion des auteures et auteurs UQAM
Fondation de l'UQAM
Écoles d'été en langues de l'UQAM
Canal savoir
L'économie sociale, j'achète
Millénium Micro



Recherche avancée...

Statistics for Astrophysics


Éditeur : EDP Sciences
ISBN numérique PDF: 9782759822751
Parution : 2019
Catégorisation : Livres numériques / Autre / Autre / Autre.

Formats disponibles

Format Qté. disp. Prix* Commander
Numérique PDF
Protection filigrane***
Illimité Prix : 67,99 $
x

*Les prix sont en dollars canadien. Taxes et frais de livraison en sus.
***Ce produit est protégé en vertu des droits d'auteurs.




Description

This book includes the lectures given during the third session of the School of Statistics for Astrophysics that took place at Autrans, near Grenoble, in France, in October 2017. The subject is Bayesian Methodology. The interest of this statistical approach in astrophysics probably comes from its necessity and its success in determining the cosmological parameters from observations, especially from the cosmic background luctuations. The cosmological community has thus been very active in this field for many years. But the Bayesian methodology, complementary to the more classical frequentist one, has many applications in physics in general due to its ability to incorporate a priori knowledge into inference, such as uncertainty brought by the observational processes. The Bayesian approach becomes more and more widespread in the astrophysical literature. This book contains statistics courses on basic to advanced methods with practical exercises using the R environment, by leading experts in their field. This covers the foundations of Bayesian inference, Markov chain Monte Carlo technique, model building, Approximate Bayesian Computation (ABC) and Bayesian nonparametric inference and clustering.