دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Estimation of Stochastic Processes with Stationary Increments and Cointegrated Sequences
دانلود کتاب تخمین فرآیندهای تصادفی با افزایش های ثابت و توالی های همزمان
مشخصات کتاب
Estimation of Stochastic Processes with Stationary Increments and Cointegrated Sequences
ویرایش: نویسندگان: Maksym Luz, Mikhail Moklyachuk سری: ISBN (شابک) : 1786305038, 9781786305039 ناشر: John Wiley & Sons سال نشر: 2019 تعداد صفحات: 299 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
قیمت کتاب (تومان) : 57,000
در صورت تبدیل فایل کتاب Estimation of Stochastic Processes with Stationary Increments and Cointegrated Sequences 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 تخمین فرآیندهای تصادفی با افزایش های ثابت و توالی های همزمان 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.
توضیحاتی در مورد کتاب تخمین فرآیندهای تصادفی با افزایش های ثابت و توالی های همزمان
تخمین فرآیندهای تصادفی برای محققان در زمینه اقتصاد سنجی،
ریاضیات مالی، آمار یا پردازش سیگنال در نظر گرفته شده است. این
کتاب درک عمیقی از نظریه طیفی و تکنیک های تخمین برای فرآیندهای
تصادفی با افزایش های ثابت می دهد. این کتاب بر تخمین توابع
مقادیر مشاهده نشده برای فرآیندهای تصادفی با افزایش های ثابت،
از جمله فرآیندهای ARIMA، سری های زمانی فصلی و دسته ای از
توالی های هم انباشته شده تمرکز دارد.
علاوه بر این، این کتاب راه حل هایی برای برون یابی (پیش بینی)،
درون یابی ارائه می کند. (تخمین مقادیر از دست رفته) و مشکلات
فیلترینگ (صاف کردن) بر اساس مشاهدات با و بدون نویز، در حوزه
های زمانی گسسته و پیوسته. با گسترش رویکرد کلاسیک که زمانی که
چگالی طیفی فرآیندها مشخص است، استفاده می‌شود، روش حداقل
حداکثر برای مواردی توسعه می‌یابد که اطلاعات طیفی ناقص است و
روابطی که کمترین چگالی طیفی مطلوب را برای تخمین‌های بهینه
تعیین می‌کنند، پیدا می‌شوند. p>
توضیحاتی درمورد کتاب به خارجی
Estimation of Stochastic Processes is intended for
researchers in the field of econometrics, financial
mathematics, statistics or signal processing. This book gives
a deep understanding of spectral theory and estimation
techniques for stochastic processes with stationary
increments. It focuses on the estimation of functionals of
unobserved values for stochastic processes with stationary
increments, including ARIMA processes, seasonal time series
and a class of cointegrated sequences.
Furthermore, this book presents solutions to extrapolation
(forecast), interpolation (missed values estimation) and
filtering (smoothing) problems based on observations with and
without noise, in discrete and continuous time domains.
Extending the classical approach applied when the spectral
densities of the processes are known, the minimax method of
estimation is developed for a case where the spectral
information is incomplete and the relations that determine
the least favorable spectral densities for the optimal
estimations are found.
فهرست مطالب
Content: Notations ixIntroduction xiChapter 1. Stationary Increments of Discrete Time Stochastic Processes: Spectral Representation 1Chapter 2. Extrapolation Problem for Stochastic Sequences with Stationary nth Increments 92.1. The classical method of extrapolation 92.2. Minimax (robust) method of extrapolation 212.3. Least favorable spectral density in the class D0f 242.4. Least favorable spectral densities which admit factorization in the class D0f 252.5. Least favorable spectral density in the class Duv 292.6. Least favorable spectral density which admits factorization in the class Duv 29Chapter 3. Interpolation Problem for Stochastic Sequences with Stationary nth Increments 313.1. The classical method of interpolation 313.2. Minimax method of interpolation 413.3. Least favorable spectral densities in the class D 0,n 433.4. Least favorable spectral densities in the class D M,n 47Chapter 4. Extrapolation Problem for Stochastic Sequences with Stationary nth Increments Based on Observations with Stationary Noise 534.1. The classical method of extrapolation with noise 534.2. Extrapolation of cointegrated stochastic sequences 714.3. Minimax (robust) method of extrapolation 754.4. Least favorable spectral densities in the class D0f x D0g 804.5. Least favorable spectral densities which admit factorization in the class D0f x D0g 824.6. Least favorable spectral densities in the class Duv x D 844.7. Least favorable spectral densities which admit factorization in the class Duv x D 86Chapter 5. Interpolation Problem for Stochastic Sequences with Stationary nth Increments Based on Observations with Stationary Noise 895.1. The classical method of interpolation with noise 895.2. Interpolation of cointegrated stochastic sequences 965.3. Minimax (robust) method of interpolation 975.4. Least favorable spectral densities in the class D 0,fx D 0,g 1005.5. Least favorable spectral densities in the class D2 1x D1 2 103Chapter 6. Filtering Problem of Stochastic Sequences with Stationary nth Increments Based on Observations with Stationary Noise 1076.1. The classical method of filtering 1076.2. Filtering problem for cointegrated stochastic sequences 1196.3. Minimax (robust) method of filtering 1246.4. Least favorable spectral densities in the class D0f x D0g 1296.5. Least favorable spectral densities which admit factorization in the class D0f x D0g 1316.6. Least favorable spectral densities in the class Duv x D 1346.7. Least favorable spectral densities which admit factorization in the class Duv x D 135Chapter 7. Interpolation Problem for Stochastic Sequences with Stationary nth Increments Observed with Non-stationary Noise 1397.1. The classical interpolation problem in the case of non-stationary noise 1407.2. Minimax (robust) method of interpolation 1487.3. Least favorable spectral densities in the class D 0, x D 0, 1507.4. Least favorable spectral densities in the class D M, xD M, 153Chapter 8. Filtering Problem for Stochastic Sequences with Stationary nth Increments Observed with Non-stationary Noise 1558.1. The classical filtering problem in the case of non-stationary noise 1568.2. Minimax filtering based on observations with non-stationary noise 1708.3. Least favorable spectral densities in the class D0f x D0g 1748.4. Least favorable spectral densities which admit factorizations in theclass D0f x D0g 1758.5. Least favorable spectral densities in the class Duv x D 1778.6. Least favorable spectral densities which admit factorizations in the class Duv x D 178Chapter 9. Stationary Increments of Continuous Time Stochastic Processes: Spectral Representation 181Chapter 10. Extrapolation Problem for Stochastic Processes with Stationary nth Increments 18710.1. Hilbert space projection method of extrapolation 18710.2. Minimax (robust) method extrapolation 20510.3. Least favorable spectral densities in the class D0f x D0g 20810.4. Least favorable spectral density in the class D0f 21010.5. Least favorable spectral density which admits factorization in the class D0f 21110.6. Least favorable spectral densities in the class Duv x D 21310.7. Least favorable spectral densities which allow factorization in the class D 215Chapter 11. Interpolation Problem for Stochastic Processes with Stationary nth Increments 21711.1. Hilbert space projection method of interpolation 21711.2. Minimax (robust) method of interpolation 22611.3. Least favorable spectral densities in the class D0f x D0g 22911.4. Least favorable spectral density in the class D0f 23011.5. Least favorable spectral densities in the class D01/f x D01/g 23111.6. Least favorable spectral density in the class D01/f 23311.7. Least favorable spectral densities in the class Duv x D 23411.8. Least favorable spectral density in the class Duv 23511.9. Least favorable spectral density in the class D2 236Chapter 12. Filtering Problem for Stochastic Processes with Stationary nth Increments 23912.1. Hilbert space projection method of filtering 23912.2. Minimax (robust) method of filtering 24612.3. Least favorable spectral densities in the class D0f x D0g 24812.4. Least favorable spectral densities in the class Duv x D 250Problems to Solve 253Appendix 259References 267Index 281
