{"product_id":"9781439840955","title":"BAYESIAN DATA ANALYSIS","description":"\u003ch2\u003eBAYESIAN DATA ANALYSIS\u003c\/h2\u003e\n\u003ch3\u003eResumen del libro\u003c\/h3\u003e\n\u003cp\u003eEsta obra es la referencia definitiva en el análisis de datos desde una perspectiva bayesiana, galardonada con el prestigioso Premio De Groot 2016. En su tercera edición, el libro ofrece un tratamiento completo y actualizado de los fundamentos teóricos y las aplicaciones prácticas de la estadística bayesiana. Los lectores encontrarán una guía rigurosa que combina principios matemáticos con métodos computacionales modernos, ideal tanto para la formación académica como para la investigación aplicada en disciplinas cuantitativas.\u003c\/p\u003e\n\u003ch3\u003e¿De qué trata?\u003c\/h3\u003e\n\u003cp\u003eEl libro desarrolla de manera sistemática el enfoque bayesiano para el análisis de datos, partiendo de los conceptos fundamentales de probabilidad e inferencia. Aborda en profundidad la construcción de modelos, la especificación de distribuciones a priori y la actualización de creencias mediante el teorema de Bayes. La obra dedica una atención especial a las técnicas computacionales modernas, como los métodos de Monte Carlo basados en cadenas de Markov (MCMC), que permiten abordar problemas complejos del mundo real. Incluye numerosos ejemplos aplicados en campos como la bioestadística, la econometría, las ciencias sociales y la ingeniería, ilustrando cómo implementar los modelos con software estadístico. La tercera edición incorpora nuevos capítulos sobre modelos jerárquicos, selección de variables y métodos no paramétricos bayesianos, manteniendo el equilibrio entre teoría y práctica que caracteriza a la serie Chapman \u0026amp; Hall\/CRC Texts in Statistical Science.\u003c\/p\u003e\n\u003ch3\u003eTemas principales\u003c\/h3\u003e\n\u003cul\u003e\n\u003cli\u003eFundamentos de la inferencia bayesiana y probabilidad subjetiva\u003c\/li\u003e\n\u003cli\u003eModelos jerárquicos y multinivel para datos estructurados\u003c\/li\u003e\n\u003cli\u003eMétodos computacionales: MCMC, Gibbs sampling y algoritmos Metropolis-Hastings\u003c\/li\u003e\n\u003cli\u003eSelección de modelos y comparación mediante factores de Bayes\u003c\/li\u003e\n\u003cli\u003eModelos de regresión lineal y generalizada desde una perspectiva bayesiana\u003c\/li\u003e\n\u003cli\u003eAnálisis de datos faltantes y modelos de variables latentes\u003c\/li\u003e\n\u003cli\u003eMétodos no paramétricos bayesianos con procesos de Dirichlet\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003e¿Para quién está recomendado?\u003c\/h3\u003e\n\u003cp\u003eEste libro está dirigido a estudiantes de posgrado, investigadores y profesionales con una sólida base en estadística y probabilidad. Es especialmente útil para estadísticos, científicos de datos, econometristas, bioestadísticos e ingenieros que deseen dominar el enfoque bayesiano aplicado. Se requiere familiaridad con conceptos de cálculo multivariable, álgebra lineal y fundamentos de inferencia estadística frecuentista. También resulta valioso para docentes que impartan cursos avanzados de estadística bayesiana.\u003c\/p\u003e\n\u003ch3\u003eQué aporta este libro\u003c\/h3\u003e\n\u003cul\u003e\n\u003cli\u003eProporciona una base teórica sólida para comprender y aplicar la inferencia bayesiana en contextos reales\u003c\/li\u003e\n\u003cli\u003eOfrece técnicas computacionales prácticas para implementar modelos complejos que no tienen solución analítica\u003c\/li\u003e\n\u003cli\u003ePresenta una visión unificada de la estadística moderna, integrando teoría de decisión, predicción y modelización\u003c\/li\u003e\n\u003cli\u003eIncluye ejercicios y ejemplos reproducibles que facilitan el aprendizaje autónomo y la aplicación inmediata\u003c\/li\u003e\n\u003cli\u003eActualiza al lector con los desarrollos más recientes en métodos bayesianos hasta la fecha de publicación\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eFicha técnica\u003c\/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cstrong\u003eAutor:\u003c\/strong\u003e Varios autores\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eEditorial:\u003c\/strong\u003e Crc Press\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eIdioma:\u003c\/strong\u003e Inglés\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eTema:\u003c\/strong\u003e Ciencias - Matemáticas - Estadística y probabilidad\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eColección:\u003c\/strong\u003e CHAPMAN \u0026amp; HALL\/CRC TEXTS IN STATISTICAL SCIENCE\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eEncuadernación:\u003c\/strong\u003e Tapa dura\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eFecha de edición:\u003c\/strong\u003e 2013\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eNúmero de páginas:\u003c\/strong\u003e 675\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eDimensiones:\u003c\/strong\u003e 25.4 cm x 17.8 cm\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003ePeso:\u003c\/strong\u003e 1386.0 gr\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eValoración editorial\u003c\/h3\u003e\n\u003cp\u003eEsta tercera edición de \"Bayesian Data Analysis\" consolida su posición como el manual de referencia en la materia, reconocido con el Premio De Groot 2016. Su enfoque equilibrado entre teoría y aplicación práctica, junto con el tratamiento detallado de métodos computacionales, lo convierten en una herramienta indispensable para cualquier profesional que trabaje con datos complejos. La profundidad técnica y la claridad expositiva lo hacen adecuado tanto para cursos avanzados como para consulta autodidacta, aunque requiere un nivel matemático avanzado. Es una inversión segura para quienes buscan una comprensión rigurosa y actualizada del análisis bayesiano.\u003c\/p\u003e","brand":"CRC PRESS","offers":[{"title":"Default Title","offer_id":53542679970139,"sku":"9781439840955","price":142.5,"currency_code":"EUR","in_stock":false}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1018\/0650\/6331\/files\/9781439840955.jpg?v=1783511229","url":"https:\/\/kalamobooks.com\/products\/9781439840955","provider":"Kalamo Books","version":"1.0","type":"link"}