This book provides a comprehensive introduction to performing meta-analysis using the statistical software R. It is intended for quantitative researchers and students in the medical and social sciences who wish to learn how to perform meta-analysis with R. As such, the book introduces the key concepts and models used in meta-analysis. It also includes chapters on the following advanced topics: publication bias and small study effects; missing data; multivariate meta-analysis, network meta-analysis; and meta-analysis of diagnostic studies.

Designed for engineers, computer scientists, and physicists or for use as a textbook in computational courses, Applied Linear Algebra & Optimization Using MATLAB, provides the reader with numerous applications, m-files, and practical examples to solve problems. Balancing theoretical concepts with computational speed and accuracy, the book includes numerous short programs in MATLAB that can be used to solve problems involving systems of linear equations, matrices, vectors, computer graphics, and more. The book is accompanied by a CD-ROM with all of the figures, m-files for all of the programs, and MATLAB simulations from industry. Complete solutions and Microsoft PowerPoint slides are available to instructors for use as a textbook.Brief Table of Contents: 1. Matrices and Linear Systems. 2. Iterative Methods for Linear Systems. 3. The Eigenvalue Problems. 4. Numerical Computation of Eigenvalues. 5. Interpolation and Approximation. 6. Linear Programming. 7. Nonlinear Programming. Appendices. About the CD-ROM

Typische Argumentationen der Mathematischen Statistik werden exemplarisch erlautert: Warum kann aus den Ergebnissen einer Stichprobenuntersuchung auf die Gesamtheit geschlossen werden? Welche Ungenauigkeiten und Unsicherheiten sind dabei moeglich? Wie und warum koennen zufallsbedingte Abweichungen mit mathematischen Methoden analysiert werden? Das Buch ist nicht im klassischen Satz-Beweis-Stil geschrieben. Aufgaben und Schaubilder verdeutlichen die moeglichst weitgehend verbal beschriebenen Gedankengange. Symbol-Graber gibt es nicht. Wichtige Sachverhalte werden mehrfach wiederholt. Einfuhrende Motivationen und abschliessende Resumees runden die Darstellungen ab.

What are the models used in phylogenetic analysis and what exactly is involved in Bayesian evolutionary analysis using Markov chain Monte Carlo (MCMC) methods? How can you choose and apply these models, which parameterisations and priors make sense, and how can you diagnose Bayesian MCMC when things go wrong? These are just a few of the questions answered in this comprehensive overview of Bayesian approaches to phylogenetics. This practical guide: * Addresses the theoretical aspects of the field * Advises on how to prepare and perform phylogenetic analysis * Helps with interpreting analyses and visualisation of phylogenies * Describes the software architecture * Helps developing BEAST 2.2 extensions to allow these models to be extended further. With an accompanying website providing example files and tutorials (http://beast2.org/), this one-stop reference to applying the latest phylogenetic models in BEAST 2 will provide essential guidance for all users - from those using phylogenetic tools, to computational biologists and Bayesian statisticians.

Dieses Buch richtet sich an Studierende verschiedener Fachrichtungen, die das Softwarepaket Octave als kostenfreien und praktischen Lernassistenten nutzen moechten. Es stellt dar, wie sich Octave zur Loesung mathematischer Probleme aus technischen und ingenieurwissenschaftlichen Anwendungen einsetzen lasst. Nebenbei koennen mit diesem Buch elementare Programmierkenntnisse erlernt oder aufgefrischt werden. Da Octave Parallelen zu dem kostenpflichtigen, haufig auf Rechnerarbeitsplatzen in Hochschulen und forschungsorientierten Einrichtungen installierten Softwarepaket MATLAB aufweist, lassen sich die in diesem Buch besprochenen Inhalte und Methoden bequem in die Hochschule und daruber hinaus in die spatere Berufspraxis ubertragen. Das Buch eignet sich damit auch fur Anwender, die in ihrem Berufsleben mathematische Probleme mit Octave oder MATLAB zu loesen haben. Behandelt werden die wichtigsten Grundlagen und Methoden von Octave: elementare Rechnungen mit reellen und komplexen Zahlen, die besonders wichtige Arbeit mit Matrizen und Vektoren, die Arbeit mit Zeichenketten, die Loesung von linearen Gleichungssystemen, die Erstellung von Grafiken mit und ohne animierten Inhalten, die Nutzung und die eigene Programmierung von Octave-Skripten und Octave-Funktionen. Lernenden wird an ausgewahlten Beispielen aus den Bereichen Lineare Algebra, Analysis und numerische Mathematik erlautert, wie Octave zur UEberprufung und Korrektur von Rechenergebnissen bzw. Rechenwegen sowie zum Verstehen und Entdecken von mathematischen Sachverhalten eingesetzt werden kann. Ausserdem werden die Loesung linearer und nichtlinearer Optimierungsprobleme, die Approximation von Daten und Funktionen (Methode der kleinsten Quadrate, Interpolation mit Polynomen und Splines), die Loesung nichtlinearer Gleichungssysteme sowie ausgewahlte Grundlagen der beschreibenden Statistik und Wahrscheinlichkeitsrechnung behandelt. UEbungsaufgaben laden zum Mitmachen ein und helfen, die besprochenen Inhalte zu verstehen, anzuwenden und auf die Aufgaben und Probleme aus den eigenen Mathematikvorlesungen zu ubertragen. Zu jeder Aufgabe gibt es mehr oder weniger ausfuhrliche Musterloesungen. Zusatzmaterialien zum Download erganzen das Buch, wobei die enthaltenen Skripte und Funktionen von den Lesern als Ausgangspunkt fur eigene Programmiertatigkeiten genutzt werden koennen und sollen.

Dieses Lehrbuch liefert einen Einstieg in die mathematische Statistik und baut systematisch eine Brucke zum maschinellen Lernen. Dabei werden sowohl klassische und bis heute wichtige Verfahren untersucht als auch moderne Klassifikationsmethoden des statistischen Lernens. Diese werden mathematisch prazise analysiert und anhand von lebensnahen Beispielen illustriert. Das Buch verschafft den Leserinnen und Lesern einen UEberblick uber statistische Methoden der Datenanalyse und deren mathematischen Grundprinzipien. Der Fokus auf nicht-asymptotische Resultate erlaubt den Zugang zu modernen Anwendungen und fuhrt an aktuelle Forschungsfragen heran. Aufgaben am Kapitelende runden das Buch ab.

R is a statistical computer program used and developed by statisticians around the world. It is probably the leading statistical program, at least among statisticians, and it is freely available. This book is intended for the newcomer who wants to do statistical analysis with R and needs a guide to get started. The book focuses on statistical data problems that are often encountered within the biosceinces. It puts special emphasis on linear models and analysis of repeated measurements data, but also deals with binary data and survival data, among others. Problems are presented and solutions -- along with the corresponding OR code and output -- are provided. The guide is divided into two parts: the first part on R basics and the second part on the statistical analyses using R. Various datasets are used for illustration and they are all available in the R package Guide1data.

Building SPSS Graphs to Understand Data is for anyone needing to understand large or small amounts of data. It describes how to build and interpret graphs, showing how understanding data means that the graph must clearly and succinctly answer questions about the data. In 16 of the 19 chapters research questions are presented, and the reader builds the appropriate graph needed to answer the questions. This handy guide can be used in conjunction with any introductory or intermediate statistics book where the focus is on in-depth presentation of how graphs are used. This book will also useful for graduate students doing research at the masters or doctoral level. The book also contains a chapter designed to address many of the ways that graphs can be used to mislead the graph reader.

In the last decade, the boundary between physics and computer science has become a hotbed of interdisciplinary collaboration. Every passing year shows that physicists and computer scientists have a great deal to say to each other, sharing metaphors, intuitions, and mathematical techniques. In this book, two leading researchers in this area introduce the reader to the fundamental concepts of computational complexity. They go beyond the usual discussion of P, NP and NP-completeness to explain the deep meaning of the P vs. NP question, and explain many recent results which have not yet appeared in any textbook. They then give in-depth explorations of the major interfaces between computer science and physics: phase transitions in NP-complete problems, Monte Carlo algorithms, and quantum computing. The entire book is written in an informal style that gives depth with a minimum of mathematical formalism, exposing the heart of the matter without belabouring technical details. The only mathematical prerequisites are linear algebra, complex numbers, and Fourier analysis (and most chapters can be understood without even these). It can be used as a textbook for graduate students or advanced undergraduates, and will be enjoyed by anyone who is interested in understanding the rapidly changing field of theoretical computer science and its relationship with other sciences.

Dieses Buch bietet eine kompakte Einfuhrung in die Datenauswertung mit der freien Statistikumgebung R. Ziel ist es dabei, einen UEberblick uber die Funktionalitat von R zu liefern und einen schnellen Einstieg in die deskriptive Datenauswertung sowie in die Umsetzung der wichtigsten statistischen Tests zu ermoeglichen. Zudem deckt das Buch die vielfaltigen Moeglichkeiten ab, Diagramme zu erstellen, Daten mit anderen Programmen auszutauschen und R durch Zusatzpakete zu erweitern. Das Buch ist damit fur Leser geeignet, die R kennenlernen und rasch in konkreten Aufgabenstellungen einsetzen moechten. Fur die 3. Auflage wurde das Buch grundlegend uberarbeitet und auf Neuerungen der R Version 4.1.0 sowie der aktuellen Landschaft der Zusatzpakete abgestimmt. Mit einer starkeren Ausrichtung auf Data Science Anwendungen stellt das Buch nun ausfuhrlich die Pakete dplyr zur Datenaufbereitung und ggplot2 fur Diagramme vor. Daruber hinaus enthalt das Buch eine Darstellung von dynamischen R Markdown Dokumenten zur Unterstutzung reproduzierbarer Auswertungen.

Discover what you can do with R! Introducing the R system, covering standard regression methods, then tackling more advanced topics, this book guides users through the practical, powerful tools that the R system provides. The emphasis is on hands-on analysis, graphical display, and interpretation of data. The many worked examples, from real-world research, are accompanied by commentary on what is done and why. The companion website has code and datasets, allowing readers to reproduce all analyses, along with solutions to selected exercises and updates. Assuming basic statistical knowledge and some experience with data analysis (but not R), the book is ideal for research scientists, final-year undergraduate or graduate-level students of applied statistics, and practising statisticians. It is both for learning and for reference. This third edition expands upon topics such as Bayesian inference for regression, errors in variables, generalized linear mixed models, and random forests.

Employ the essential and hands-on tools and functions of MATLAB's ordinary differential equation (ODE) and partial differential equation (PDE) packages, which are explained and demonstrated via interactive examples and case studies. This book contains dozens of simulations and solved problems via m-files/scripts and Simulink models which help you to learn programming and modeling of more difficult, complex problems that involve the use of ODEs and PDEs. You'll become efficient with many of the built-in tools and functions of MATLAB/Simulink while solving more complex engineering and scientific computing problems that require and use differential equations. Practical MATLAB Modeling with Simulink explains various practical issues of programming and modelling. After reading and using this book, you'll be proficient at using MATLAB and applying the source code from the book's examples as templates for your own projects in data science or engineering. What You Will Learn Model complex problems using MATLAB and Simulink Gain the programming and modeling essentials of MATLAB using ODEs and PDEs Use numerical methods to solve 1st and 2nd order ODEs Solve stiff, higher order, coupled, and implicit ODEs Employ numerical methods to solve 1st and 2nd order linear PDEs Solve stiff, higher order, coupled, and implicit PDEs Who This Book Is For Engineers, programmers, data scientists, and students majoring in engineering, applied/industrial math, data science, and scientific computing. This book continues where Apress' Beginning MATLAB and Simulink leaves off.

Dieses Buch zeigt Ihnen, wie Sie mit Excel beinahe muhelos Informationen aus Daten gewinnen und Datensatze systematisch analysieren koennen. Beides ist (k)eine Kunst! Die statistischen Methoden werden anhand eines einzigen Datensatzes vorgestellt und diskutiert. So wird deutlich, wie die Methoden aufeinander aufbauen und nach und nach immer mehr Informationen aus den Daten entnommen werden koennen. Die verwendeten Funktionen von Excel werden dabei ausfuhrlich erklart - die Vorgehensweise lasst sich daher leicht auf andere Datensatze ubertragen. Verschiedene didaktische Elemente erleichtern die Orientierung und das Arbeiten mit dem Buch: An den Checkpoints sind die wichtigsten Aspekte aus jedem Kapitel kurz zusammengefasst. In der Rubrik Freak-Wissen werden weiterfuhrende Aspekte angesprochen, um Lust auf mehr zu machen. Alle Beispiele werden mit Hand und Excel gerechnet. Zahlreiche Anwendungen und Loesungen sowie weitere Datensatze stehen auf der Internetplattform des Autors zur Verfugung. Passende Foliensatze sind fur Lehrende auf der Verlagsseite des Buchs abrufbar. Fur die zweite Auflage wurde das Buch vollstandig auf Excel 2019 umgestellt und aktualisiert. Daruber hinaus wurden Abschnitte zu Preis- und Mengenindizes, Teststarke sowie ein Kapitel zu Varianzanalyse erganzt.

Dieses Buch fuhrt anwendungsorientiert in die Beschreibende und Schliessende Statistik, in die Wahrscheinlichkeitsrechnung und in die Stochastische Modellierung ein und wendet sich insbesondere an Studierende der Informatik, des Ingenieur- und Wirtschaftsingenieurwesens sowie der Wirtschaftswissenschaften. Es ist ein idealer Begleiter zu jeder einsemestrigen Grundvorlesung in Statistik: Die Autoren stellen die wesentlichen Inhalte und Aspekte in kurzer und pragnanter Form dar und verzichten bewusst auf ausfuhrliche Motivationen. Zur UEberprufung des eigenen Wissens stehen Beispielaufgaben mit detaillierten Loesungen zur Verfugung. Die durchgesehene Neuauflage wurde um etwa 50 Multiple-Choice-Fragen erweitert. Diese koennen mit der Springer-Nature-Flashcards-App kostenlos heruntergeladen und interaktiv genutzt werden und sind auszugsweise auch im Buch enthalten. Auf diese Weise kann das eigene Verstandnis der Inhalte getestet werden.

R is rapidly becoming the standard software for statistical analyses, graphical presentation of data, and programming in the natural, physical, social, and engineering sciences. Getting Started with R is now the go-to introductory guide for biologists wanting to learn how to use R in their research. It teaches readers how to import, explore, graph, and analyse data, while keeping them focused on their ultimate goals: clearly communicating their data in oral presentations, posters, papers, and reports. It provides a consistent workflow for using R that is simple, efficient, reliable, and reproducible. This second edition has been updated and expanded while retaining the concise and engaging nature of its predecessor, offering an accessible and fun introduction to the packages dplyr and ggplot2 for data manipulation and graphing. It expands the set of basic statistics considered in the first edition to include new examples of a simple regression, a one-way and a two-way ANOVA. Finally, it introduces a new chapter on the generalised linear model. Getting Started with R is suitable for undergraduates, graduate students, professional researchers, and practitioners in the biological sciences.

Das Buch fuhrt anwendungsorientiert in die Optimization Programming Language (OPL) zur Modellierung linearer und ganzzahliger linearer Optimierungsprobleme im Rahmen des IBM ILOG CPLEX Optimization Studio ein. Es beinhaltet zehn aufeinander aufbauende Lektionen, erganzt um zahlreiche Aufgaben und Anwendungsstudien. Das Buch richtet sich an Lehrende und Studierende der Betriebswirtschaftslehre mit quantitativer Ausrichtung (Operations Research), (Wirtschafts-)Informatiker, (Wirtschafts-)Mathematiker und Wirtschaftsingenieure und kann an Universitaten und Hochschulen in entsprechenden Vorlesungs- und Kursangeboten eingesetzt werden. Zudem eignet es sich zum Selbststudium fur Praktiker, die mit der Modellierung und Optimierung von Planungs- und Entscheidungsproblemen befasst sind und einen fundierten Einstieg in die Software benoetigen. UEber die buchbegleitende Website sind unter anderem Aufgabenloesungen und samtliche Programm-Codes abrufbar: www.opl-buch.de

Dieses Buch verschafft Ihnen einen UEberblick uber einige der bekanntesten Verfahren des maschinellen Lernens aus der Perspektive der mathematischen Statistik. Nach der Lekture kennen Sie die jeweils gestellten Forderungen an die Daten sowie deren Vor- und Nachteile und sind daher in der Lage, fur ein gegebenes Problem ein geeignetes Verfahren vorzuschlagen. Beweise werden nur dort ausfuhrlich dargestellt oder skizziert, wo sie einen didaktischen Mehrwert bieten - ansonsten wird auf die entsprechenden Fachartikel verwiesen. Fur die praktische Anwendung ist ein genaueres Studium des jeweiligen Verfahrens und der entsprechenden Fachliteratur noetig, zu der Sie auf Basis dieses Buchs aber schnell Zugang finden. Das Buch richtet sich an Studierende der Mathematik hoeheren Semesters, die bereits Vorkenntnisse in Wahrscheinlichkeitstheorie besitzen. Behandelt werden sowohl Methoden des Supervised Learning und Reinforcement Learning als auch des Unsupervised Learning. Der Umfang entspricht einer einsemestrigen vierstundigen Vorlesung. Die einzelnen Kapitel sind weitestgehend unabhangig voneinander lesbar, am Ende jedes Kapitels kann das erworbene Wissen anhand von UEbungsaufgaben und durch Implementierung der Verfahren uberpruft werden. Quelltexte in der Programmiersprache R stehen auf der Springer-Produktseite zum Buch zur Verfugung.

Studies of evolution at the molecular level have experienced phenomenal growth in the last few decades, due to rapid accumulation of genetic sequence data, improved computer hardware and software, and the development of sophisticated analytical methods. The flood of genomic data has generated an acute need for powerful statistical methods and efficient computational algorithms to enable their effective analysis and interpretation. Molecular Evolution: a statistical approach presents and explains modern statistical methods and computational algorithms for the comparative analysis of genetic sequence data in the fields of molecular evolution, molecular phylogenetics, statistical phylogeography, and comparative genomics. Written by an expert in the field, the book emphasizes conceptual understanding rather than mathematical proofs. The text is enlivened with numerous examples of real data analysis and numerical calculations to illustrate the theory, in addition to the working problems at the end of each chapter. The coverage of maximum likelihood and Bayesian methods are in particular up-to-date, comprehensive, and authoritative. This advanced textbook is aimed at graduate level students and professional researchers (both empiricists and theoreticians) in the fields of bioinformatics and computational biology, statistical genomics, evolutionary biology, molecular systematics, and population genetics. It will also be of relevance and use to a wider audience of applied statisticians, mathematicians, and computer scientists working in computational biology.

Some probability problems are so difficult that they stump the smartest mathematicians. But even the hardest of these problems can often be solved with a computer and a Monte Carlo simulation, in which a random-number generator simulates a physical process, such as a million rolls of a pair of dice. This is what "Digital Dice" is all about: how to get numerical answers to difficult probability problems without having to solve complicated mathematical equations.

Popular-math writer Paul Nahin challenges readers to solve twenty-one difficult but fun problems, from determining the odds of coin-flipping games to figuring out the behavior of elevators. Problems build from relatively easy (deciding whether a dishwasher who breaks most of the dishes at a restaurant during a given week is clumsy or just the victim of randomness) to the very difficult (tackling branching processes of the kind that had to be solved by Manhattan Project mathematician Stanislaw Ulam). In his characteristic style, Nahin brings the problems to life with interesting and odd historical anecdotes. Readers learn, for example, not just how to determine the optimal stopping point in any selection process but that astronomer Johannes Kepler selected his second wife by interviewing eleven women.

The book shows readers how to write elementary computer codes using any common programming language, and provides solutions and line-by-line walk-throughs of a MATLAB code for each problem.

"Digital Dice" will appeal to anyone who enjoys popular math or computer science. In a new preface, Nahin wittily addresses some of the responses he received to the first edition.

Dieses Lehrbuch stellt eine Vielzahl von Werkzeugen zur Analyse von Experimenten zur Verfugung: Es zeigt die Grundlagen der Auswertung faktorieller Versuchsplane mittels ein- oder mehrfaktorieller Varianzanalysen (ANOVA) sowie mittels gangiger nichtparametrischer Alternativen. Daruber hinaus werden auch Verfahren zur UEberprufung der Annahmen von Varianzanalysen vorgestellt. Die einzelnen Verfahren werden zunachst anhand ubersichtlicher Beispiele und Datensatze motiviert, vorgestellt und mit Papier und Stift durchgerechnet. Fur groessere Beispiele kommt die frei verfugbare statistische Software R zum Einsatz, mit der die manuellen Berechnungen nachvollzogen und schliesslich auch groessere Datensatze ausgewertet werden koennen.

Learn statistical methods quickly and easily with the discovery method
With its emphasis on the discovery method, this publication encourages readers to discover solutions on their own rather than simply copy answers or apply a formula by rote. Readers quickly master and learn to apply statistical methods, such as bootstrap, decision trees, t-test, and permutations to better characterize, report, test, and classify their research findings. In addition to traditional methods, specialized methods are covered, allowing readers to select and apply the most effective method for their research, including:
* Tests and estimation procedures for one, two, and multiple samples
* Model building
* Multivariate analysis
* Complex experimental design
Throughout the text, Microsoft Office Excel(r) is used to illustrate new concepts and assist readers in completing exercises. An Excel Primer is included as an Appendix for readers who need to learn or brush up on their Excel skills.
Written in an informal, highly accessible style, this text is an excellent guide to descriptive statistics, estimation, testing hypotheses, and model building. All the pedagogical tools needed to facilitate quick learning are provided:
* More than 100 exercises scattered throughout the text stimulate readers' thinking and actively engage them in applying their newfound skills
* Companion FTP site provides access to all data sets discussed in the text
* An Instructor's Manual is available upon request from the publisher
* Dozens of thought-provoking questions in the final chapter assist readers in applying statistics to solve real-life problems
* Helpful appendices include an index to Excel and Excel add-in functions
This text serves as an excellent introduction to statistics for students in all disciplines. The accessible style and focus on real-life problem solving are perfectly suited to both students and practitioners.

Dieses Lehrbuch fuhrt in 16 einheitlich gegliederten Kapiteln in die Wahrscheinlichkeitstheorie und Statistik ein. Dabei sind die Lernziele und benoetigten Vorkenntnisse jeweils angegeben und erleichtern in Kombination mit pragnanten Zusammenfassungen die Orientierung je Kapitel. Dank vieler durchgerechneter Beispiele und UEbungsaufgaben mit Loesungen kann das Buch gut zum Selbststudium oder als Begleitliteratur zur Vorlesung verwendet werden. Nach einer sorgfaltigen Einfuhrung der Grundlagen geben weiterfuhrende Kapitel spannende Ausblicke in Anwendungsbereiche der Stochastik und der stochastischen Modellierung - etwa Markov-Ketten, stochastische Algorithmen, Warteschlangen und Monte-Carlo-Simulationen. Leserinnen und Leser erhalten so ein solides mathematisches Fundament, um die Stochastik im weiteren Studium und in der Praxis auch in komplexen Situationen anwenden zu koennen. Das Buch richtet sich an Studierende der Informatik und technischer Fachrichtungen ab dem dritten Studiensemester. Dozenten liefert es eine passgenaue Auswahl fur eine einsemestrige Vorlesung.

Carry out a variety of advanced statistical analyses including generalized additive models, mixed effects models, multiple imputation, machine learning, and missing data techniques using R. Each chapter starts with conceptual background information about the techniques, includes multiple examples using R to achieve results, and concludes with a case study. Written by Matt and Joshua F. Wiley, Advanced R Statistical Programming and Data Models shows you how to conduct data analysis using the popular R language. You'll delve into the preconditions or hypothesis for various statistical tests and techniques and work through concrete examples using R for a variety of these next-level analytics. This is a must-have guide and reference on using and programming with the R language. What You'll Learn Conduct advanced analyses in R including: generalized linear models, generalized additive models, mixed effects models, machine learning, and parallel processing Carry out regression modeling using R data visualization, linear and advanced regression, additive models, survival / time to event analysis Handle machine learning using R including parallel processing, dimension reduction, and feature selection and classification Address missing data using multiple imputation in R Work on factor analysis, generalized linear mixed models, and modeling intraindividual variability Who This Book Is For Working professionals, researchers, or students who are familiar with R and basic statistical techniques such as linear regression and who want to learn how to use R to perform more advanced analytics. Particularly, researchers and data analysts in the social sciences may benefit from these techniques. Additionally, analysts who need parallel processing to speed up analytics are given proven code to reduce time to result(s).

This book constitutes the refereed proceedings of the 9th International Conference on Optimization and Applications, OPTIMA 2018, held in Petrovac, Montenegro, in October 2018.The 35 revised full papers and the one short paper presented were carefully reviewed and selected from 103 submissions. The papers are organized in topical sections on mathematical programming; combinatorial and discrete optimization; optimal control; optimization in economy, finance and social sciences; applications.