非参数统计PDF|Epub|txt|kindle电子书版本网盘下载

非参数统计PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 R基础1

1.1R基本概念和操作2

1.1.1R环境2

1.1.2常量3

1.1.3算术运算3

1.1.4赋值4

1.2向量的生成和基本操作4

1.2.1向量的生成4

1.2.2向量的基本操作6

1.2.3向量的运算9

1.2.4向量的逻辑运算9

1.3高级数据结构10

1.3.1矩阵的操作和运算10

1.3.2数组12

1.3.3数据框12

1.3.4列表13

1.4数据处理13

1.4.1保存数据13

1.4.2读入数据14

1.4.3数据转换15

1.5编写程序15

1.5.1循环和控制15

1.5.2函数16

1.6基本统计计算17

1.6.1抽样17

1.6.2统计分布17

1.7R的图形功能18

1.7.1plot函数19

1.7.2多图显示19

1.8R帮助和包21

1.8.1R帮助21

1.8.2R包21

习题21

第2章 基本概念25

2.1非参数统计概念与产生25

2.2假设检验回顾29

2.3经验分布和分布探索34

2.3.1经验分布34

2.3.2生存函数36

2.4检验的相对效率39

2.5分位数和非参数估计42

2.6秩检验统计量46

2.7U统计量48

习题53

第3章 单一样本的推断问题56

3.1符号检验和分位数推断56

3.1.1基本概念56

3.1.2大样本计算60

3.1.3符号检验在配对样本比较中的应用62

3.1.4分位数检验——符号检验的推广63

3.2Cox-Staut趋势存在性检验64

3.3随机游程检验68

3.4Wilcoxon符号秩检验71

3.4.1基本概念71

3.4.2Wilcoxon符号秩检验和抽样分布74

3.5单组数据的位置参数置信区间估计80

3.5.1顺序统计量位置参数置信区间估计80

3.5.2基于方差估计法的位置参数置信区间估计83

3.6正态记分检验87

3.7分布的一致性检验90

3.7.1χ2拟合优度检验90

3.7.2Kolmogorov-Smirnov正态性检验94

3.7.3Liliefor正态分布检验95

3.8单一总体渐近相对效率比较96

习题99

第4章 两独立样本数据的位置和尺度推断102

4.1Brown-Mood中位数检验103

4.2Wilcoxon-Mann-Whitney秩和检验105

4.3Mood方差检验111

4.4Moses方差检验113

习题115

第5章 多组数据位置推断117

5.1试验设计和方差分析的基本概念回顾117

5.2Kruskal-Wallis单因素方差分析124

5.3Jonckheere-Terpstra检验131

5.4Friedman秩方差分析法135

5.5随机区组数据的调整秩和检验140

5.6Cochran检验142

5.7Durbin不完全区组分析法146

习题147

第6章 分类数据的关联分析149

6.1r×s列联表和χ2独立性检验149

6.2χ2齐性检验151

6.3Fisher精确性检验152

6.4Mantel-Haenszel检验155

6.5关联规则157

6.5.1关联规则基本概念157

6.5.2Apriori算法158

6.6Ridit检验法160

6.7对数线性模型166

6.7.1对数线性模型的基本概念167

6.7.2模型的设计矩阵172

6.7.3模型的估计和检验173

6.7.4高维对数线性模型和独立性174

习题177

第7章 秩相关和分位数回归180

7.1Spearman秩相关检验180

7.2Kendallτ相关检验184

7.3多变量Kendall协和系数检验188

7.4Kappa一致性检验191

7.5中位数回归系数估计法193

7.5.1Brown-Mood方法194

7.5.2Theil方法195

7.5.3关于α和β的检验196

7.6线性分位回归模型198

习题201

第8章 非参数密度估计203

8.1直方图密度估计203

8.2核密度估计207

8.2.1核函数的基本概念207

8.2.2贝叶斯决策和非参数密度估计211

8.3k近邻估计215

习题216

第9章 一元非参数回归218

9.1核回归光滑模型219

9.2局部多项式回归220

9.2.1局部线性回归220

9.2.2局部多项式回归的基本原理222

9.3LOWESS稳健回归224

9.4k近邻回归225

9.5正交序列回归227

9.6罚最小二乘法229

习题230

第10章 数据挖掘与机器学习231

10.1分类一般问题231

10.2Logistic回归232

10.2.1Logistic回归模型233

10.2.2Logistic回归模型的极大似然估计234

10.2.3Logistic回归和线性判别函数LDA的比较235

10.3k近邻237

10.4决策树238

10.4.1决策树基本概念238

10.4.2CART240

10.4.3决策树的剪枝241

10.4.4回归树242

10.4.5决策树的特点242

10.5Boosting244

10.5.1Boosting方法244

10.5.2AdaBoost.M1算法244

10.6支持向量机247

10.6.1最大边距分类247

10.6.2支持向量机问题的求解249

10.6.3支持向量机的核方法251

10.7随机森林树253

10.7.1随机森林树算法的定义253

10.7.2随机森林树算法的性质253

10.7.3如何确定随机森林树算法中树的节点分裂变量254

10.7.4随机森林树的回归算法255

10.7.5有关随机森林树算法的一些评价255

10.8多元自适应回归样条256

10.8.1MARS与CART的联系258

10.8.2MARS的一些性质258

习题259

附录 常用统计分布表262

参考文献303