Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
Gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
Gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Winkels

Verlanglijstje

Winkels

Verlanglijstje

Zoeken

Volg ons op

Wist je dat er in Vlaanderen voor iedereen een Standaard Boekhandel is binnen een straal van 7 km?

Zoek een winkel

€ 48,45

+ 96 punten

Levertermijn 1 à 4 weken

Eenvoudig bestellen

Veilig betalen

In januari gratis thuislevering in België (via bpost)

Gratis levering in je Standaard Boekhandel

Omschrijving

In real life often we need to make inferences about the behaviour of the unobserved responses for a model based on the observed responses from the model. Regression models with normal errors are commonly considered in prediction problems. However, when the underlying distributions have heavier tails, the normal errors assumption fails to allow sufficient probability in the tail areas to make allowance for any extreme value or outliers. As well, it cannot deal with the uncorrelated but not independent observations which are common in time series and econometric studies. In such situations, the Student-t errors assumption is appropriate. Traditionally, a number of statis-tical methods such as the classical, structural distribution and structural relations approaches can lead to prediction distributions, the Bayesian approach is more sound in statistical theory. This book, therefore, deals with the derivation problems of prediction distri-butions for some widely used linear models having Student-t errors under the Bayesian approach. Results reveal that our models are robust and the Baye-sian approach is competitive with traditional methods. In perturbation ana-lysis, process control, optimization, classification, discordancy testing, interim analysis, speech recognition, online environmental learning and sampling cur-tailment studies predictive inferences are successfully used.