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
دسته بندی: احتمال ویرایش: 1 نویسندگان: Alexandre B. Tsybakov سری: Springer series in statistics ISBN (شابک) : 0387790527, 9780387790510 ناشر: Springer سال نشر: 2009 تعداد صفحات: 221 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Introduction to nonparametric estimation 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 برآورد غیر پارامتری 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 متن مختصری است که از یادداشتهای سخنرانی تهیه شده و آماده استفاده برای دورهای در سطح کارشناسی ارشد است. ایده اصلی این است که مفاهیم بنیادی نظریه را با حفظ ارائه مناسب برای اولین رویکرد در این زمینه، معرفی کنیم. بنابراین، نتایج همیشه به کلیترین شکل ارائه نمیشوند، بلکه بر اساس فرضیاتی ارائه میشوند که منجر به اثباتهای کوتاهتر یا ظریفتر میشوند.
کتاب دارای سه فصل است. فصل 1 برآوردگرهای رگرسیون و چگالی ناپارامتری اصلی را ارائه میکند و خواص آنها را تحلیل میکند. فصل 2 به یک درمان دقیق از حداقل حد پایین اختصاص داده شده است. فصل 3 موضوعات پیشرفتهتری را توسعه میدهد: قضیه پینسکر، نابرابریهای اوراکل، انقباض استین، و تطبیق حداقلی تیز.
این کتاب برای محققان و دانشجویان مقطع کارشناسی ارشد علاقهمند به جنبههای نظری تکنیکهای هموارسازی مفید خواهد بود. نتایج مهم و مفید زیادی در مورد تخمین بهینه و تطبیقی ارائه شده است. نویسنده به عنوان یکی از پیشروترین آماردانان ریاضی که در زمینه ناپارامتریک کار می کند، در این موضوع صاحب نظر است.
This is a concise text developed from lecture notes and ready to be used for a course on the graduate level. The main idea is to introduce the fundamental concepts of the theory while maintaining the exposition suitable for a first approach in the field. Therefore, the results are not always given in the most general form but rather under assumptions that lead to shorter or more elegant proofs.
The book has three chapters. Chapter 1 presents basic nonparametric regression and density estimators and analyzes their properties. Chapter 2 is devoted to a detailed treatment of minimax lower bounds. Chapter 3 develops more advanced topics: Pinsker’s theorem, oracle inequalities, Stein shrinkage, and sharp minimax adaptivity.
This book will be useful for researchers and grad students interested in theoretical aspects of smoothing techniques. Many important and useful results on optimal and adaptive estimation are provided. As one of the leading mathematical statisticians working in nonparametrics, the author is an authority on the subject.
Front Matter....Pages 1-10
Nonparametric estimators....Pages 1-76
Lower bounds on the minimax risk....Pages 77-135
Asymptotic efficiency and adaptation....Pages 137-190
Back Matter....Pages 1-22