دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [1 ed.] نویسندگان: Gabriel J. Lord, Catherine E. Powell, Tony Shardlow سری: Cambridge Texts in Applied Mathematics ISBN (شابک) : 0521728525, 9780521728522 ناشر: Cambridge University Press سال نشر: 2014 تعداد صفحات: 520 [513] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 12 Mb
در صورت تبدیل فایل کتاب An Introduction to Computational Stochastic PDEs به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب مقدمه ای بر PDE های تصادفی محاسباتی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب مقدمهای جامع بر روشهای عددی و تجزیه و تحلیل فرآیندهای تصادفی، میدانهای تصادفی و معادلات دیفرانسیل تصادفی ارائه میکند و به دانشجویان فارغالتحصیل و محققان ابزارهای قدرتمندی برای درک کمیت عدم قطعیت برای تجزیه و تحلیل ریسک ارائه میدهد. پوشش شامل ODE های تصادفی سنتی با اجبار نویز سفید، تقریب قوی و ضعیف و روش مونت کارلو چند سطحی است. فصلهای بعدی تئوری میدانهای تصادفی را برای حل عددی PDEهای بیضوی با دادههای تصادفی همبسته اعمال میکنند، روش مونت کارلو را مورد بحث قرار میدهند، و روشهای المان محدود گالرکین تصادفی را معرفی میکنند. در نهایت، PDE های سهموی تصادفی توسعه یافته اند. با فرض مواجهه کمی قبلی با احتمالات و آمار، نظریه در کنار روشهای محاسباتی پیشرفته از طریق مثالهای کار شده، تمرینها، قضایا و برهانها توسعه مییابد. مجموعه کدهای متلب گنجانده شده (و قابل دانلود) به خوانندگان این امکان را می دهد که محاسبات را خودشان انجام دهند و مسائل تست مورد بحث را حل کنند. مثالهای عملی از امور مالی، زیستشناسی ریاضی، علوم اعصاب، مدلسازی جریان سیال و علم مواد استخراج شدهاند.
This book gives a comprehensive introduction to numerical methods and analysis of stochastic processes, random fields and stochastic differential equations, and offers graduate students and researchers powerful tools for understanding uncertainty quantification for risk analysis. Coverage includes traditional stochastic ODEs with white noise forcing, strong and weak approximation, and the multi-level Monte Carlo method. Later chapters apply the theory of random fields to the numerical solution of elliptic PDEs with correlated random data, discuss the Monte Carlo method, and introduce stochastic Galerkin finite-element methods. Finally, stochastic parabolic PDEs are developed. Assuming little previous exposure to probability and statistics, theory is developed in tandem with state-of the art computational methods through worked examples, exercises, theorems and proofs. The set of MATLAB codes included (and downloadable) allows readers to perform computations themselves and solve the test problems discussed. Practical examples are drawn from finance, mathematical biology, neuroscience, fluid flow modeling and materials science.