ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Introduction to time series and forecasting

دانلود کتاب مقدمه ای بر سری های زمانی و پیش بینی

Introduction to time series and forecasting

مشخصات کتاب

Introduction to time series and forecasting

ویرایش: 2 
نویسندگان: ,   
سری: Springer texts in statistics 
ISBN (شابک) : 038721657X, 8181284046 
ناشر: Springer 
سال نشر: 2002 
تعداد صفحات: 449 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 مگابایت

قیمت کتاب (تومان) : 47,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 11


در صورت تبدیل فایل کتاب Introduction to time series and forecasting 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 سری های زمانی و پیش بینی 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 مقدمه ای بر سری های زمانی و پیش بینی

جلد --
فهرست مطالب --
پیشگفتار --
فصل 1. مقدمه --
1.1. نمونه هایی از سری زمانی --
1.2. اهداف تحلیل سری های زمانی --
1.3. برخی از مدل های سری زمانی ساده --
1.4. مدل های ثابت و تابع همبستگی خودکار --
1.5. برآورد و حذف مولفه های روند و فصلی --
1.6. تست توالی نویز تخمینی --
مشکلات --
فصل 2. فرآیندهای ثابت --
2.1. ویژگی های اساسی --
2.2. فرآیندهای خطی --
2.3. مقدمه ای بر فرآیندهای ARMA --
2.4. ویژگی های نمونه میانگین و تابع همبستگی --
2.5. پیش بینی سری زمانی ثابت --
2.6. تجزیه جهان --
مشکلات --
فصل 3. مدل های ARMA --
3.1. فرآیندهای ARMA(p, q) --
3.2. ACF و PACF یک فرآیند ARMA(p, q) --
3.3. پیش بینی فرآیندهای ARMA --
مشکلات --
فصل 4. تجزیه و تحلیل طیفی --
4.1. چگالی طیفی --
4.2. پریودوگرام --
4.3. فیلترهای خطی ثابت زمان --
4.4. چگالی طیفی یک فرآیند ARMA --
مشکلات --
فصل 5. مدل سازی و پیش بینی با فرآیندهای ARMA --
5.1. تخمین اولیه --
5.2. برآورد حداکثر احتمال --
5.3. بررسی تشخیصی --
5.4. پیش بینی --
5.5. انتخاب سفارش --
مشکلات --
فصل 6. مدل های سری زمانی غیر ثابت و فصلی --
6.1. مدل های ARIMA برای سری های زمانی غیر ثابت --
6.2. تکنیک های شناسایی --
6.3. ریشه های واحد در مدل های سری زمانی --
6.4. پیش بینی مدل های ARIMA --
6.5. مدل های فصلی ARIMA --
6.6. رگرسیون با خطاهای ARMA --
مشکلات --
فصل 7. سری زمانی چند متغیره --
7.1. مثال --
7.2. ویژگی های مرتبه دوم سری های زمانی چند متغیره --
7.3. تخمین تابع میانگین و کوواریانس --
7.4. فرآیندهای ARMA چند متغیره --
7.5. بهترین پیش بینی کننده های خطی بردارهای تصادفی مرتبه دوم --
7.6. مدل سازی و پیش بینی با فرآیندهای AR چند متغیره --
7.7. همگرایی --
مشکلات --
فصل 8. مدل های فضای حالت --
8.1. بازنمایی حالت-فضا --
8.2. مدل پایه ساختاری --
8.3. بازنمایی حالت-فضای مدل های ARIMA --
8.4. بازگشت های کالمن --
8.5. تخمین برای مدل های فضای حالت --
8.6. مدل‌های فضای حالت با مشاهدات گمشده --
8.7. الگوریتم EM --
8.8. مدل های حالت-فضای تعمیم یافته --
مشکلات --
فصل 9. تکنیک های پیش بینی --
9.1. الگوریتم ARAR --
9.2. The Holt ... الگوریتم زمستان --
9.3. The Holt ... الگوریتم فصلی زمستان --
9.4. انتخاب الگوریتم پیش بینی --
مشکلات --
فصل 10. موضوعات بیشتر --
10.1. مدل های تابع انتقال --
10.2. تجزیه و تحلیل مداخله --
10.3. مدل های غیر خطی --
10.4. مدل های زمان پیوسته --
10.5. مدل های با حافظه بلند --
مشکلات --
پیوست A. متغیرهای تصادفی و توزیع احتمال --
الف.1. توابع توزیع و انتظار --
الف.2. بردارهای تصادفی --
الف.3. توزیع نرمال چند متغیره --
مشکلات --
پیوست ب. مکمل های آماری --
ب.1. برآورد حداقل مربعات --
ب.2. برآورد حداکثر احتمال --
ب.3. فواصل اطمینان --
ب.4. آزمون فرضیه --
پیوست C. میانگین مربع همگرایی --
ج.1. معیار کوشی


توضیحاتی درمورد کتاب به خارجی

Cover --
Table of Contents --
Preface --
Chapter 1. Introduction --
1.1. Examples of Time Series --
1.2. Objectives of Time Series Analysis --
1.3. Some Simple Time Series Models --
1.4. Stationary Models and the Autocorrelation Function --
1.5. Estimation and Elimination of Trend and Seasonal Components --
1.6. Testing the Estimated Noise Sequence --
Problems --
Chapter 2. Stationary Processes --
2.1. Basic Properties --
2.2. Linear Processes --
2.3. Introduction to ARMA Processes --
2.4. Properties of the Sample Mean and Autocorrelation Function --
2.5. Forecasting Stationary Time Series --
2.6. The Wold Decomposition --
Problems --
Chapter 3. ARMA Models --
3.1. ARMA(p, q) Processes --
3.2. The ACF and PACF of an ARMA(p, q) Process --
3.3. Forecasting ARMA Processes --
Problems --
Chapter 4. Spectral Analysis --
4.1. Spectral Densities --
4.2. The Periodogram --
4.3. Time-Invariant Linear Filters --
4.4. The Spectral Density of an ARMA Process --
Problems --
Chapter 5. Modeling and Forecasting with ARMA Processes --
5.1. Preliminary Estimation --
5.2. Maximum Likelihood Estimation --
5.3. Diagnostic Checking --
5.4. Forecasting --
5.5. Order Selection --
Problems --
Chapter 6. Nonstationary and Seasonal Time Series Models --
6.1. ARIMA Models for Nonstationary Time Series --
6.2. Identification Techniques --
6.3. Unit Roots in Time Series Models --
6.4. Forecasting ARIMA Models --
6.5. Seasonal ARIMA Models --
6.6. Regression with ARMA Errors --
Problems --
Chapter 7. Multivariate Time Series --
7.1. Examples --
7.2. Second-Order Properties of Multivariate Time Series --
7.3. Estimation of the Mean and Covariance Function --
7.4. Multivariate ARMA Processes --
7.5. Best Linear Predictors of Second-Order Random Vectors --
7.6. Modeling and Forecasting with Multivariate AR Processes --
7.7. Cointegration --
Problems --
Chapter 8. State-Space Models --
8.1. State-Space Representations --
8.2. The Basic Structural Model --
8.3. State-Space Representation of ARIMA Models --
8.4. The Kalman Recursions --
8.5. Estimation For State-Space Models --
8.6. State-Space Models with Missing Observations --
8.7. The EM Algorithm --
8.8. Generalized State-Space Models --
Problems --
Chapter 9. Forecasting Techniques --
9.1. The ARAR Algorithm --
9.2. The Holt ... Winters Algorithm --
9.3. The Holt ... Winters Seasonal Algorithm --
9.4. Choosing a Forecasting Algorithm --
Problems --
Chapter 10. Further Topics --
10.1. Transfer Function Models --
10.2. Intervention Analysis --
10.3. Nonlinear Models --
10.4. Continuous-Time Models --
10.5. Long-Memory Models --
Problems --
Appendix A. Random Variables and Probability Distributions --
A.1. Distribution Functions and Expectation --
A.2. Random Vectors --
A.3. The Multivariate Normal Distribution --
Problems --
Appendix B. Statistical Complements --
B.1. Least Squares Estimation --
B.2. Maximum Likelihood Estimation --
B.3. Confidence Intervals --
B.4. Hypothesis Testing --
Appendix C. Mean Square Convergence --
C.1. The Cauchy Criterion





نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی