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: Hossein Pishro-Nik
سری:
ISBN (شابک) : 9780990637202, 0990637204
ناشر: Kappa Research, LLC
سال نشر: 2014
تعداد صفحات: 744
[1007]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 21 Mb
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Introduction to Probability, Statistics, and 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 مقدمه ای بر احتمالات، آمار و فرآیندهای 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.
این کتاب دانش آموزان را با احتمالات، آمار و فرآیندهای تصادفی آشنا می کند. هم برای دانشجویان و هم برای شاغلین در مهندسی، علوم مختلف، امور مالی و سایر زمینه های مرتبط قابل استفاده است. با حفظ دقت ریاضی، یک رویکرد روشن و شهودی به این موضوعات ارائه می دهد.
این کتاب موارد زیر را پوشش میدهد:
کتاب شامل تعداد زیادی تمرین حل شده است. وابستگی بین بخشهای مختلف این کتاب به حداقل رسیده است تا حداکثر انعطافپذیری را برای مربیان فراهم کند و خواندن کتاب را برای دانشآموزان آسان کند. نمونههایی از برنامهها - مانند مهندسی، مالی، زندگی روزمره و غیره - برای کمک به ایجاد انگیزه در موضوع گنجانده شدهاند. نسخه دیجیتالی کتاب و همچنین مطالب اضافی مانند ویدئوها در www.probabilitycourse.com موجود است.
This book introduces students to probability, statistics, and stochastic processes. It can be used by both students and practitioners in engineering, various sciences, finance, and other related fields. It provides a clear and intuitive approach to these topics while maintaining mathematical accuracy.
The book covers:
The book contains a large number of solved exercises. The dependency between different sections of this book has been kept to a minimum in order to provide maximum flexibility to instructors and to make the book easy to read for students. Examples of applications—such as engineering, finance, everyday life, etc.—are included to aid in motivating the subject. The digital version of the book, as well as additional materials such as videos, is available at www.probabilitycourse.com.
Preface Chapter 1 1.0 Introduction 1.1.0 Introduction: What Is Probability? 1.1.1 Example: Communication Systems 1.2 Review of Set Theory 1.2.1 Venn Diagrams 1.2.2 Set Operations 1.2.3 Cardinality: Countable and Uncountable Sets 1.2.4 Functions 1.2.5 Solved Problems:Review of Set Theory 1.3.1 Random Experiments 1.3.2 Probability 1.3.3 Finding Probabilities 1.3.4 Discrete Probability Models 1.3.5 Continuous Probability Models 1.3.6 Solved Problems:Random Experiments and Probabilities 1.4.0 Conditional Probability 1.4.1 Independence 1.4.2 Law of Total Probability 1.4.3 Bayes' Rule 1.4.4 Conditional Independence 1.4.5 Solved Problems:Conditional Probability 1.5.0 End of Chapter Problems Chapter 2 2.1 Counting 2.1.1 Ordered Sampling with Replacement 2.1.2 Ordered Sampling without Replacement: Permutations 2.1.3 Unordered Sampling without Replacement: Combinations 2.1.4 Unordered Sampling with Replacement 2.1.5 Solved Problems:Combinatorics 2.2.0 End of Chapter Problems Chapter 3 3.1.1 Random Variables 3.1.2 Discrete Random Variables 3.1.3 Probability Mass Function (PMF) 3.1.4 Independent Random Variables 3.1.5 Special Distributions 3.1.6 Solved Problems:Discrete Random Variables 3.2.1 Cumulative Distribution Function 3.2.2 Expectation 3.2.3 Functions of Random Variables 3.2.4 Variance 3.2.5 Solved Problems:More about Discrete Random Variables 3.3 End of Chapter Problems Chapter 4 4.0.0 Introduction 4.1.0 Continuous Random Variables and their Distributions 4.1.1 Probability Density Function (PDF) 4.1.2 Expected Value and Variance 4.1.3 Functions of Continuous Random Variables 4.1.4 Solved Problems: Continuous Random Variables 4.2.1 Uniform Distribution 4.2.2 Exponential Distribution 4.2.3 Normal (Gaussian) Distribution 4.2.4 Gamma Distribution 4.2.5 Other Distributions 4.2.6 Solved Problems: Special Continuous Distributions 4.3.1 Mixed Random Variables 4.3.2 Using the Delta Function 4.3.3 Solved Problems:Mixed Random Variables 4.4 End of Chapter Problems Chapter 5 5.1.0 Joint Distributions: Two Random Variables 5.1.1 Joint Probability Mass Function (PMF) 5.1.2 Joint Cumulative Distributive Function (CDF) 5.1.3 Conditioning and Independence 5.1.4 Functions of Two Random Variables 5.1.5 Conditional Expectation (Revisited) and Conditional Variance 5.1.6 Solved Problems 5.2.0 Two Continuous Random Variables 5.2.1 Joint Probability Density Function (PDF) 5.2.2 Joint Cumulative Distribution Function (CDF) 5.2.3 Conditioning and Independence 5.2.4 Functions of Two Continuous Random Variables 5.2.5 Solved Problems 5.3.1 Covariance and Correlation 5.3.2 Bivariate Normal Distribution 5.3.3 Solved Problems 5.4.0 End of Chapter Problems Chapter 6 6.0.0 Introduction 6.1.1 Joint Distributions and Independence 6.1.2 Sums of Random Variables 6.1.3 Moment Generating Functions 6.1.4 Characteristic Functions 6.1.5 Random Vectors 6.1.6 Solved Problems 6.2.0 Probability Bounds 6.2.1 The Union Bound and Extension 6.2.2 Markov and Chebyshev Inequalities 6.2.3 Chernoff Bounds 6.2.4 Cauchy-Schwarz Inequality 6.2.5 Jensen's Inequality 6.2.6 Solved Problems 6.3.0 Chapter Problems Chapter 7 7.0.0 Introduction 7.1.0 Limit Theorems 7.1.1 Law of Large Numbers 7.1.2 Central Limit Theorem 7.1.3 Solved Problems 7.2.0 Convergence of Random Variables 7.2.1 Convergence of a Sequence of Numbers 7.2.2 Sequence of Random Variables 7.2.3 Different Types of Convergence for Sequences of Random Variables 7.2.4 Convergence in Distribution 7.2.5 Convergence in Probability 7.2.6 Convergence in Mean 7.2.7 Almost Sure Convergence 7.2.8 Solved Problems 7.3.0 End of Chapter Problems Chapter 8 8.1.0 Introduction 8.1.1 Random Sampling 8.2.0 Point Estimation 8.2.1 Evaluating Estimators 8.2.2 Point Estimators for Mean and Variance 8.2.3 Maximum Likelihood Estimation 8.2.4 Asymptotic Properties of MLEs 8.2.5 Solved Problems 8.3.0 Interval Estimation (Confidence Intervals) 8.3.1 The General Framework of Interval Estimation 8.3.2 Finding Interval Estimators 8.3.3 Confidence Intervals for Normal Samples 8.3.4 Solved Problems 8.4.1 Introduction 8.4.2 General Setting and Definitions 8.4.3 Hypothesis Testing for the Mean 8.4.4 P-Values 8.4.5 Likelihood Ratio Tests 8.4.6 Solved Problems 8.5.0 Linear Regression 8.5.1 Simple Linear Regression Model 8.5.2 The First Method for Finding $\beta_0$ and $\beta_1$ 8.5.3 The Method of Least Squares 8.5.4 Extensions and Issues 8.5.5 Solved Problems 8.6.0 End of Chapter Problems Chapter 9 9.1.0 Bayesian Inference 9.1.10 Solved Problems 9.1.1 Prior and Posterior 9.1.2 Maximum A Posteriori (MAP) Estimation 9.1.3 Comparison to ML Estimation 9.1.4 Conditional Expectation (MMSE) 9.1.5 Mean Squared Error (MSE) 9.1.6 Linear MMSE Estimation of Random Variables 9.1.7 Estimation for Random Vectors 9.1.8 Bayesian Hypothesis Testing 9.1.9 Bayesian Interval Estimation 9.2.0 End of Chapter Problems Chapter 10 10.1.0 Basic Concepts 10.1.1 PDFs and CDFs 10.1.2 Mean and Correlation Functions 10.1.3 Multiple Random Processes 10.1.4 Stationary Processes 10.1.5 Gaussian Random Processes 10.1.6 Solved Problems 10.2.0 Processing of Random Signals 10.2.1 Power Spectral Density 10.2.2 Linear Time-Invariant (LTI) Systems with Random Inputs 10.2.3 Power in a Frequency Band 10.2.4 White Noise 10.2.5 Solved Problems 10.3.0 End of Chapter Problems Chapter 11 11.0.0 Introduction 11.1.1 Counting Processes 11.1.2 Basic Concepts of the Poisson Process 11.1.3 Merging and Splitting Poisson Processes 11.1.4 Nonhomogeneous Poisson Processes 11.1.5 Solved Problems 11.2.1 Introduction 11.2.2 State Transition Matrix and Diagram 11.2.3 Probability Distributions 11.2.4 Classification of States 11.2.5 Using the Law of Total Probability with Recursion 11.2.6 Stationary and Limiting Distributions 11.2.7 Solved Problems 11.3.1 Introduction 11.3.2 Stationary and Limiting Distributions 11.3.3 The Generator Matrix 11.3.4 Solved Problems 11.4.0 Brownian Motion (Wiener Process) 11.4.1 Brownian Motion as the Limit of a Symmetric Random Walk 11.4.2 Definition and Some Properties 11.4.3 Solved Problems 11.5.0 End of Chapter Problems Chapter 12 Chapter 13 Chapter 14 Appendix Review of Fourier Transform Some Important Distributions Bibliography