دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Gaussian Random Processes
دانلود کتاب فرایندهای تصادفی گوسی
مشخصات کتاب
Gaussian Random Processes
ویرایش: 1 نویسندگان: I.A. Ibragimov, Y.A. Rozanov, A.B. Aries سری: Applications of Mathematics ISBN (شابک) : 038790302X, 9780387903026 ناشر: Springer سال نشر: 1978 تعداد صفحات: 289 زبان: English فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
قیمت کتاب (تومان) : 34,000
در صورت تبدیل فایل کتاب Gaussian Random Processes 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 فرایندهای تصادفی گوسی 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 فرایندهای تصادفی گوسی
این کتاب عمدتاً به سه مشکل مربوط به گاوسی ثابت می پردازد فرآیندها اولین مشکل شامل روشن کردن شرایط برای متقابل است پیوستگی مطلق (معادل) توزیع های احتمال یک \"تصادفی بخش فرآیند\" و یافتن فرمول های موثر برای چگالی معادلات توزیع های وام داده شده مشکل دوم ما توصیف کلاس های طیفی است اقداماتی که به نوعی با فرآیندهای ثابت منظم مطابقت دارند Ticular، ارضای شناخته شده \"شرایط اختلاط قوی\") و همچنین به زیر کلاس های مرتبط با \"نرخ اختلاط\" را توصیف کنید. مشکل سوم شامل تخمین یک مقدار متوسط ناشناخته از یک فرآیند تصادفی است، این ثابت بودن فرآیند تصادفی به جز میانگین آن، یعنی مشکل آن است \"تمایز سیگنال از نویز ثابت\". علاوه بر این، ما اینجا می دهیم اطلاعات کمکی (در مورد توزیع در فضاهای هیلبرت، ویژگی های sam- توابع ple، قضایای توابع یک متغیر مختلط و غیره). از سال 1958 بسیاری از ریاضیدانان مسئله هم ارزی را مطالعه کرده اند توزیع‌های گاوسی بی‌بعدی مختلف (جزئیات و سیستم ارائه موضوعی نتایج اساسی را می توان به عنوان مثال در [23] یافت. در این کتاب فرآیندهای ثابت گاوسی را در نظر گرفتیم و رسیدیم. ما به راه حل های نسبتاً قطعی معتقدیم. مشکل دوم که در بالا ذکر شد، ارتباط نزدیکی با مشکلات دارد شامل نظریه ارگودیک سیستم‌های دینامیکی گاوسی و همچنین پیش‌بینی است نظریه فرآیندهای ساکن از دیدگاه احتمالی، این احتمال lem شامل شرایط وابستگی ضعیف «آینده» پروسه است. ess در \"گذشته\" آن. استفاده از این شرایط منجر به ثمره تئوری کامل قضایای حدی برای متغیرهای ضعیف وابسته (به عنوان مثال نگاه کنید به [14]، [22])؛ شناخته شده ترین شرایط از این نوع بدیهی است که به اصطلاح شرایط \"اختلاط قوی\". مشکلات ناشی از در نظر گرفتن نظم شرایط در مورد فرآیندهای گاوسی به یک تقریبی عجیب کاهش می یابد. مسئله مربوط به نظریه طیفی خطی کتاب حاوی نتایج است بررسی این مشکل که تقریباً به حل آن کمک کرد. مشکل تخمین میانگین شاید قدیمی ترین و گسترده ترین مشکل باشد در آمار ریاضی شناخته شده است. دو رویکرد برای حل وجود دارد این مشکل: اول، بهترین تخمین های بی طرفانه را می توان بر اساس ساخت چگالی طیفی نویز ثابت. در غیر این صورت روش حداقل مربعات قابل بکارگیری است. ما یک کلاس رایج از تخمین‌های \"شبه بهترین\" را پیشنهاد می‌کنیم که بهترین‌ها را شامل شود برآوردهای بی طرفانه و همچنین برآوردهای حداقل مربعات کلاسیک. برای اینها \"شبه بهترین\" عبارات صریح را تخمین می زند، شرایط سازگاری یافت می شود، فرمول های مجانبی برای ماتریس همبستگی خطا به دست می آیند، و شرایط برای اثربخشی مجانبی تعریف شده است. باید مرد باشد - بیان کرد که نتایج مربوط به شرایط نظم و میانگین تخمین tion در شرایط طیفی فرموله می شود و می تواند به طور خودکار حمل شود (در \"نظریه خطی\") به فرآیندهای ثابت دلخواه با حس گسترده. هر فصل دارای شماره گذاری فرمول ها، قضایا و غیره خاص خود است. ample، فرمول (4.21) به معنای فرمول 21 از بخش 4 همان فصل است جایی که ارجاع داده می شود. برای راحتی خواننده ارائه می دهیم ارجاع به کتاب های درسی یا کتاب های مرجع. منابع در پایان ذکر شده است از کتاب.
توضیحاتی درمورد کتاب به خارجی
The book deals mainly with three problems involving Gaussian stationary processes. The first problem consists of clarifying the conditions for mutual absolute continuity (equivalence) of probability distributions of a "random process segment" and of finding effective formulas for densities of the equiva- lent distributions. Our second problem is to describe the classes of spectral measures corresponding in some sense to regular stationary processes (in par- ticular, satisfying the well-known "strong mixing condition") as well as to describe the subclasses associated with "mixing rate". The third problem involves estimation of an unknown mean value of a random process, this random process being stationary except for its mean, i.e., it is the problem of "distinguishing a signal from stationary noise". Furthermore, we give here auxiliary information (on distributions in Hilbert spaces, properties of sam- ple functions, theorems on functions of a complex variable, etc.). Since 1958 many mathematicians have studied the problem of equivalence of various infinite-dimensional Gaussian distributions (detailed and sys- tematic presentation of the basic results can be found, for instance, in [23]). In this book we have considered Gaussian stationary processes and arrived,. we believe, at rather definite solutions. The second problem mentioned above is closely related with problems involving ergodic theory of Gaussian dynamic systems as well as prediction theory of stationary processes. From a probabilistic point of view, this prob- lem involves the conditions for weak dependence of the "future" of the proc- ess on its "past". The employment of these conditions has resulted in a fruit- ful theory of limit theorems for weakly dependent variables (see, for instance, [14], [22]); the best known condition of this kind is obviously the so-called condition of "strong mixing". The problems arising in considering regularity conditions reduce in the case of Gaussian processes to a peculiar approxima- tion problem related to linear spectral theory. The book contains the results of investigations of this problem which helped solve it almost completely. The problem of estimating the mean is perhaps the oldest and most widely known in mathematical statistics. There are two approaches to the solution of this problem: first, the best unbiased estimates can be constructed on the basis of the spectral density of stationary noise; otherwise the least squares method can be applied. We suggest one common class of "pseudobest" estimates to include best unbiased estimates as well as classical least squares estimates. For these "pseudo best" estimates explicit expressions are given, consistency conditions are found, asymptotic formulas are derived for the error correlation matrix, and conditions for asymptotic effectiveness are defined. It should be men- tioned that the results relevant to regularity conditions and the mean estima- tion are formulated in spectral terms and can automatically be carried over (within the "linear theory") to arbitrary wide-sense stationary processes. Each chapter has its own numbering of formulas, theorems, etc. For ex- ample, formula (4.21) means formula 21 of Section 4 of the same chapter where the reference is made. For the convenience of the reader we provide references to textbooks or reference books. The references are listed at the end of the book.
