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 نویسندگان: Pavel S. Knopov, Evgeniya J. Kasitskaya (auth.) سری: Applied Optimization 71 ISBN (شابک) : 9781441952240, 9781475735673 ناشر: Springer US سال نشر: 2002 تعداد صفحات: 255 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب برآورد تجربی در بهینه سازی تصادفی و شناسایی: آمار، عمومی، نظریه سیستم ها، کنترل، بهینه سازی، نظریه احتمال و فرآیندهای تصادفی
در صورت تبدیل فایل کتاب Empirical Estimates in Stochastic Optimization and Identification 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 برآورد تجربی در بهینه سازی تصادفی و شناسایی 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 شامل مسائل بهینه سازی تصادفی و شناسایی است. نتایج مربوط به قانون یکنواخت اعداد بزرگ، همگرایی تخمینهای تقریبی نقاط مابقی، و همچنین تخمینهای تجربی تابعها با احتمال 1 و در احتمال ارائه شدهاند. نشان داده شده است که بررسی خواص مجانبی تخمین های تقریبی و تخمین پارامترهای مجهول در مدل های رگرسیونی مختلف با استفاده از روش های کلی که توسط نویسندگان ارائه شده است، قابل انجام است. ارتباط بین روش های برنامه ریزی تصادفی و تئوری تخمین شرح داده شده است. فرض بر این بود که از روش های تحلیل تصادفی مجانبی برای بررسی نقاط اکسترمال استفاده شود و از سوی دیگر از روش های برنامه ریزی تصادفی برای یافتن برآوردهای بهینه استفاده شود.
مخاطبان: متخصصان بهینهسازی تصادفی و تخمینها، دانشجویان تحصیلات تکمیلی و دانشجویان تحصیلات تکمیلی که چنین موضوعاتی را مطالعه میکنند.
This book contains problems of stochastic optimization and identification. Results concerning uniform law of large numbers, convergence of approximate estimates of extremal points, as well as empirical estimates of functionals with probability 1 and in probability are presented. It is shown that the investigation of asymptotic properties of approximate estimates and estimates of unknown parameters in various regression models can be carried out by using general methods, which are presented by the authors. The connection between stochastic programming methods and estimation theory is described. It was assumed to use the methods of asymptotic stochastic analysis for investigation of extremal points, and on the other hand to use stochastic programming methods to find optimal estimates.
Audience: Specialists in stochastic optimization and estimations, postgraduate students, and graduate students studying such topics.
Front Matter....Pages i-viii
Introduction....Pages 1-9
Parametric Empirical Methods....Pages 11-70
Parametric Regression Models....Pages 71-162
Periodogram Estimates for Random Processes and Fields....Pages 163-197
Nonparametric Identification Problems....Pages 199-237
Back Matter....Pages 239-250