دانلود کتاب Statistical reasoning with imprecise probabilities

ترجمه فارسی توضیحات (ترجمه ماشینی)

استدلال آماری با احتمالات غیر دقیق

این متن نظریه ای از استدلال احتمالی، استنتاج آماری و تصمیم را ارائه می دهد. این کتاب به مشکلات استدلال در شرایط عدم قطعیت، اطلاعات جزئی و ناآگاهی می پردازد. استدلال می‌شود که برای دادن وزن مناسب به جهل و عدم قطعیت، احتمالات غیردقیق باید ارزیابی شوند. عدم دقت را می توان به صورت ریاضی با احتمالات بالا و پایین یا (به طور کلی) پیش بینی های بالا و پایین مدل سازی کرد. درجه عدم دقت می‌تواند هم میزان اطلاعاتی را که احتمالات بر آن استوار است و هم میزان تضاد بین انواع مختلف اطلاعات را منعکس کند. این کتاب روش های ریاضی را برای استدلال با استفاده از احتمالات نادقیق توسعه می دهد. اینها شامل روش هایی برای ارزیابی احتمالات، اصلاح ارزیابی ها برای دستیابی به انسجام، به روز رسانی آنها برای در نظر گرفتن اطلاعات جدید، و ترکیب آنها برای محاسبه احتمالات دیگر، نتیجه گیری و تصمیم گیری است. روش‌ها در نیمه دوم کتاب برای ساخت یک نظریه عمومی احتمال شرطی و استنتاج آماری بسط داده شده‌اند. نظریه ریاضی بر اصول ساده و قانع کننده اجتناب از ضرر مطمئن، انسجام و گسترش طبیعی استوار است. توجه دقیقی به مبانی فلسفی، تفسیر و توجیه نظریه شده است. با نظریه‌های استنتاج جایگزین، از جمله نظریه‌های بیزی (که نیاز به همه ارزیابی‌های احتمالی دقیق دارند)، تحلیل حساسیت بیزی، نظریه فواصل اطمینان نیمن-پیرسون، نظریه توابع باور دمپستر-شافر و نظریه مجموعه‌های فازی مقایسه می‌شود. . این نظریه برای طیف گسترده ای از رشته ها از جمله آمار، نظریه تصمیم گیری، اقتصاد، روانشناسی، فلسفه علم، علم مدیریت، تحقیق در عملیات، مهندسی و هوش مصنوعی قابل استفاده است. (مراجع به کارهای مرتبط در این زمینه ها آورده شده است). در واقع، این نظریه پیامدهای مهمی برای هر حوزه ای دارد که در آن مشکلات عدم قطعیت و اطلاعات محدود جدی گرفته می شود. این کتاب باید مورد توجه محققین آمار و رشته های مرتبط باشد.

Statistical reasoning with imprecise probabilities

This text presents a theory of probabilistic reasoning, statistical inference and decision. The book is concerned with the problems of reasoning under conditions of uncertainty, partial information and ignorance. It is argued that, in order to give appropriate weight to both ignorance and uncertainty, imprecise probabilities need to be assessed. The imprecision can be modelled mathematically by upper and lower probabilities or (more generally) upper and lower previsions. The degree of imprecision can reflect both the amount of information on which probabilities are based and the extent of conflict between different types of information. The book develops mathematical methods for reasoning using imprecise probabilities. These include methods for assessing probabilities, modifying the assessments to achieve coherence, updating them to take account of new information, and combining them to calculate other probabilities, draw conclusions and make decisions. The methods are extended in the second half of the book to construct a general theory of conditional probability and statistical inference. The mathematical theory is based on simple and compelling principles of avoiding sure loss, coherence and natural extension. Careful attention is given to the philosophical foundations, interpretation and justification of the theory. It is compared with alternate theories of inference, including Bayesian theories (which require all probability assesments to be precise), Bayesian sensitivity analysis, the Neyman-Pearson theory of confidence intervals, the Dempster-Shafer theory of belief functions and the theory of fuzzy sets. The theory is applicable to a wide range of disciplines including statistics, decision theory, economics, psychology, philosophy of science, management science, operations research, engineering and artificial intelligence. (References are given to related work in these fields). In fact, the theory has important implications for any field in which the problems of uncertainty and limited information are taken seriously. This book should be of interest to researchers in statistics and those in related disciplines.