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: نویسندگان: Ruggeri. Fabrizio, Wiper. Michael P., Ríos Insua. David سری: Wiley series in probability and statistics ISBN (شابک) : 9780470744536, 0470975911 ناشر: Wiley سال نشر: 2012 تعداد صفحات: 316 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب تحلیل بیزی مدلهای فرآیند تصادفی: فرآیندهای تصادفی، نظریه تصمیم گیری آماری بیزی
در صورت تبدیل فایل کتاب Bayesian analysis of stochastic process models 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 تحلیل بیزی مدلهای فرآیند تصادفی 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.
"کتابی منحصر به فرد در مورد تحلیل های بیزی مدل های مبتنی بر فرآیند تصادفی"--;1 فرآیندهای تصادفی -- 1.1 مقدمه -- 1.2 مفاهیم کلیدی در فرآیندهای تصادفی -- 1.3 کلاس های اصلی فرآیندهای تصادفی -- 1.4 استنتاج، پیش بینی و تصمیم گیری -- 1.5 بحث -- 2. تحلیل بیزی -- 2.1 مقدمه -- 2.2 آمار بیزی -- 2.3 تجزیه و تحلیل تصمیم بیزی -- 2.4 محاسبات بیزی -- 2.5 بحث -- 3. زمان گسسته مارکوف زنجیره -- 3.1 مقدمه -- 32. مدلهای زنجیره مارکوف -- 3.3 استنتاج برای زنجیرههای مرتبه اول -- 3.4 موضوعات ویژه -- 3.5 مطالعه موردی: جهتهای باد در گیجیون -- 3.6 فرآیندهای تصمیمگیری مارکوف -- 3.7 بحث -- 4. زمان پیوسته زنجیرهها و پسوندهای مارکوف -- 4.1 مقدمه -- 4.2 راه اندازی اساسی و نتایج -- 4.3 استنتاج و پیش بینی برای CTMC ها -- 4.4 مطالعه موردی: در دسترس بودن سخت افزار از طریق CTMC ها -- 4.5 فرآیندهای نیمه مارکوی -- 4.6 تصمیم گیری با فرآیندهای تصمیم گیری نیمه مارکوی -- 4.5 بحث -- فرآیندهای پواسون و الحاقات -- 5.1 مقدمه -- 5.2 مبانی فرآیندهای پواسون -- 5.3 فرآیندهای پواسون همگن -- 5.4 فرآیندهای پواسون غیرهمگن -- 5.5 فرآیندهای پواسون مرکب -- 5.6 پسوندهای بیشتر O Processes. -- 5.8 بحث -- 6. زمان پیوسته فرآیندهای فضایی پیوسته -- 6.1 مقدمه -- 6.2 فرآیندهای گاوسی -- 6.3 حرکت براونی و حرکت براونی کسری -- 6.4 Dilusions -- 6.5 مطالعه موردی: Prey-predator Discussions -- -6. - 7. تجزیه و تحلیل صف -- 7.1 مقدمه -- 7.2 مفاهیم اولیه صف -- 7.3 مدل های صف اصلی -- 7.4 استنتاج برای سیستم های صف -- 7.5 استنتاج برای سیستم های M=M=1 -- 7.6 استنتاج برای سیستم های غیر مارکویی -- 7.7 مشکلات تصمیم گیری در سیستم های صف -- 7.8 مطالعه موردی: تعداد بهینه تخت در یک بیمارستان -- 7.9 بحث -- 8. قابلیت اطمینان -- 8.1 مقدمه -- 8.2 مفاهیم پایه قابلیت اطمینان -- 8.3 فرآیندهای تجدید -- 8.4 -- فرآیندهای پواسون 8.5 سایر فرآیندها -- 8.6 نگهداری -- 8.7 مطالعه موردی: فرارهای گاز -- 8.8 بحث -- 9 شبیه سازی رویداد گسسته -- 9.1 مقدمه -- 9.2 روش های شبیه سازی رویداد گسسته -- 9.3 دیدگاه بیزی از DES -- مطالعه 9.4 یک سیستم صف G=G=1 -- 9.5 تجزیه و تحلیل خروجی بیزی -- 9.6 شبیه سازی و بهینه سازی -- 9.7 بحث -- 10. تجزیه و تحلیل ریسک -- 10.1 مقدمه -- 10.2 اقدامات ریسک -- 10.3 مشکلات خرابی -- 10.4 مطالعه موردی: ویرانی تخمین احتمال -- 10.5 بحث -- ضمیمه A توزیع های اصلی -- پیوست B توابع تولید کننده و تبدیل لاپلاس-استیلجس. مدلسازی، محاسباتی، استنتاج، پیشبینی، تصمیمگیری و مدلهای کاربردی مهم مبتنی بر فرآیندهای تصادفی. در معرفی MCMC و سایر ماشینهای محاسباتی آماری که پیشرفتها را در روش بیزی پیش بردهاند، ارائه میدهد. این کتاب با توجه به علاقه رو به رشد برای تحلیل بیزی مدل های پیچیده تر، بر اساس فرآیندهای تصادفی، قصد دارد اطلاعات پراکنده را در یک جلد جامع و قابل اعتماد متحد کند.
"A unique book on Bayesian analyses of stochastic process based models"--;1 Stochastic Processes -- 1.1 Introduction -- 1.2 Key Concepts in Stochastic Processes -- 1.3 Main Classes of Stochastic Processes -- 1.4 Inference, Prediction and Decision Making -- 1.5 Discussion -- 2. Bayesian Analysis -- 2.1 Introduction -- 2.2 Bayesian Statistics -- 2.3 Bayesian Decision Analysis -- 2.4 Bayesian Computation -- 2.5 Discussion -- 3. Discrete Time Markov Chains -- 3.1 Introduction -- 3.2 Important Markov Chain Models -- 3.3 Inference for First Order Chains -- 3.4 Special Topics -- 3.5 Case Study: Wind Directions at Gij́on -- 3.6 Markov Decision Processes -- 3.7 Discussion -- 4. Continuous Time Markov Chains and Extensions -- 4.1 Introduction -- 4.2 Basic Setup and Results -- 4.3 Inference and Prediction for CTMCs -- 4.4 Case Study: Hardware Availability through CTMCs -- 4.5 Semi-Markovian Processes -- 4.6 Decision Making with Semi-Markovian Decision Processes -- 4.7 Discussion -- 5. Poisson Processes and Extensions -- 5.1 Introduction -- 5.2 Basics on Poisson Processes -- 5.3 Homogeneous Poisson Processes -- 5.4 Nonhomogeneous Poisson Processes -- 5.5 Compound Poisson Processes -- 5.6 Further Extensions of Poisson Processes -- 5.7 Case Study: Earthquake Occurrences -- 5.8 Discussion -- 6. Continuous Time Continuous Space Processes -- 6.1 Introduction -- 6.2 Gaussian Processes -- 6.3 Brownian Motion and Fractional Brownian Motion -- 6.4 Dilusions -- 6.5 Case Study: Prey-predator Systems -- 6.6 Discussion -- 7. Queueing Analysis -- 7.1 Introduction -- 7.2 Basic Queueing Concepts -- 7.3 The Main Queueing Models -- 7.4 Inference for Queueing Systems -- 7.5 Inference for M=M=1 Systems -- 7.6 Inference for Non Markovian Systems -- 7.7 Decision Problems in Queueing Systems -- 7.8 Case Study: Optimal Number of Beds in a Hospital -- 7.9 Discussion -- 8. Reliability -- 8.1 Introduction -- 8.2 Basic Reliability Concepts -- 8.3 Renewal Processes -- 8.4 Poisson Processes -- 8.5 Other Processes -- 8.6 Maintenance -- 8.7 Case Study: Gas Escapes -- 8.8 Discussion -- 9 Discrete Event Simulation -- 9.1 Introduction -- 9.2 Discrete Event Simulation Methods -- 9.3 A Bayesian View of DES -- 9.4 Case Study: A G=G=1 Queueing System -- 9.5 Bayesian Output Analysis -- 9.6 Simulation and Optimization -- 9.7 Discussion -- 10. Risk Analysis -- 10.1 Introduction -- 10.2 Risk Measures -- 10.3 Ruin Problems -- 10.4 Case Study: Ruin Probability Estimation -- 10.5 Discussion -- Appendix A Main Distributions -- Appendix B Generating Functions and the Laplace-Stieltjes Transform.;"This book provides analysis of stochastic processes from a Bayesian perspective with coverage of the main classes of stochastic processing, including modeling, computational, inference, prediction, decision-making and important applied models based on stochastic processes. In offers an introduction of MCMC and other statistical computing machinery that have pushed forward advances in Bayesian methodology. Addressing the growing interest for Bayesian analysis of more complex models, based on stochastic processes, this book aims to unite scattered information into one comprehensive and reliable volume"--
1 Stochastic Processes --
1.1 Introduction --
1.2 Key Concepts in Stochastic Processes --
1.3 Main Classes of Stochastic Processes --
1.4 Inference, Prediction and Decision Making --
1.5 Discussion --
2. Bayesian Analysis --
2.1 Introduction --
2.2 Bayesian Statistics --
2.3 Bayesian Decision Analysis --
2.4 Bayesian Computation --
2.5 Discussion --
3. Discrete Time Markov Chains --
3.1 Introduction --
3.2 Important Markov Chain Models --
3.3 Inference for First Order Chains --
3.4 Special Topics --
3.5 Case Study: Wind Directions at Gij́on --
3.6 Markov Decision Processes --
3.7 Discussion --
4. Continuous Time Markov Chains and Extensions --
4.1 Introduction --
4.2 Basic Setup and Results --
4.3 Inference and Prediction for CTMCs --
4.4 Case Study: Hardware Availability through CTMCs --
4.5 Semi-Markovian Processes --
4.6 Decision Making with Semi-Markovian Decision Processes --
4.7 Discussion --
5. Poisson Processes and Extensions --
5.1 Introduction --
5.2 Basics on Poisson Processes --
5.3 Homogeneous Poisson Processes --
5.4 Nonhomogeneous Poisson Processes --
5.5 Compound Poisson Processes --
5.6 Further Extensions of Poisson Processes --
5.7 Case Study: Earthquake Occurrences --
5.8 Discussion --
6. Continuous Time Continuous Space Processes --
6.1 Introduction --
6.2 Gaussian Processes --
6.3 Brownian Motion and Fractional Brownian Motion --
6.4 Dilusions --
6.5 Case Study: Prey-predator Systems --
6.6 Discussion --
7. Queueing Analysis --
7.1 Introduction --
7.2 Basic Queueing Concepts --
7.3 The Main Queueing Models --
7.4 Inference for Queueing Systems --
7.5 Inference for M=M=1 Systems --
7.6 Inference for Non Markovian Systems --
7.7 Decision Problems in Queueing Systems --
7.8 Case Study: Optimal Number of Beds in a Hospital --
7.9 Discussion --
8. Reliability --
8.1 Introduction --
8.2 Basic Reliability Concepts --
8.3 Renewal Processes --
8.4 Poisson Processes --
8.5 Other Processes --
8.6 Maintenance --
8.7 Case Study: Gas Escapes --
8.8 Discussion --
9 Discrete Event Simulation --
9.1 Introduction --
9.2 Discrete Event Simulation Methods --
9.3 A Bayesian View of DES --
9.4 Case Study: A G=G=1 Queueing System --
9.5 Bayesian Output Analysis --
9.6 Simulation and Optimization --
9.7 Discussion --
10. Risk Analysis --
10.1 Introduction --
10.2 Risk Measures --
10.3 Ruin Problems --
10.4 Case Study: Ruin Probability Estimation --
10.5 Discussion --
Appendix A Main Distributions --
Appendix B Generating Functions and the Laplace-Stieltjes Transform.