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: آمار ریاضی ویرایش: 1 نویسندگان: Andrew V. Metcalfe, Paul S.P. Cowpertwait (auth.) سری: Use R ISBN (شابک) : 0387886974, 9780387886985 ناشر: Springer-Verlag New York سال نشر: 2009 تعداد صفحات: 262 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
کلمات کلیدی مربوط به کتاب سری زمانی مقدماتی با R: پایش/تحلیل محیطی، پردازش سیگنال، تصویر و گفتار، اقتصاد سنجی، بازاریابی، احتمال و آمار در علوم کامپیوتر، نظریه و روش های آماری
در صورت تبدیل فایل کتاب Introductory Time Series with R 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 سری زمانی مقدماتی با R 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.
میانگین دمای جهانی سالانه و سطح اقیانوس ها، قیمت روزانه سهام و سیگنال هایی که توسط فضاپیمای وویجر به زمین ارسال می شود، همگی نمونه هایی از مشاهدات متوالی در طول زمان هستند که به عنوان سری های زمانی شناخته می شوند. این کتاب به شما معرفی گام به گام تجزیه و تحلیل سری های زمانی با استفاده از نرم افزار منبع باز R را می دهد. هنگامی که مدل معرفی شد برای تولید داده های مصنوعی با استفاده از کد R استفاده می شود و این داده های تولید شده برای تخمین پارامترهای آن استفاده می شود. این دنباله درک هر دو مدل سری زمانی و تابع R را که برای تطبیق مدل با داده ها استفاده می شود، افزایش می دهد. در نهایت، این مدل برای تجزیه و تحلیل داده های مشاهده شده از یک برنامه کاربردی استفاده می شود. با استفاده از R، کل رویه می تواند توسط خواننده بازتولید شود. تمام مجموعه داده های استفاده شده در کتاب در وب سایت http://staff.elena.aut.ac.nz/Paul-Cowpertwait/ts/ موجود است.
این کتاب برای دانشجویان کارشناسی ریاضی نوشته شده است. ، اقتصاد، تجارت و امور مالی، جغرافیا، مهندسی و رشته های مرتبط، و دانشجویان تحصیلات تکمیلی که ممکن است به تجزیه و تحلیل سری های زمانی به عنوان بخشی از برنامه آموزشی یا تحقیقات خود نیاز داشته باشند.
پل کاوپرت ویت دانشیار علوم ریاضی (تحلیل) در دانشگاه فناوری اوکلند با سابقه تحقیقاتی قابل توجهی در تئوری و کاربردهای سری های زمانی و مدل های تصادفی است. اندرو متکالف دانشیار دانشکده علوم ریاضی در دانشگاه آدلاید و نویسنده شش کتاب درسی آمار و مقالات تحقیقاتی متعدد است. هر دو نویسنده تجربه گسترده ای از آموزش سری های زمانی به دانش آموزان در تمام سطوح دارند.
Yearly global mean temperature and ocean levels, daily share prices, and the signals transmitted back to Earth by the Voyager space craft are all examples of sequential observations over time known as time series. This book gives you a step-by-step introduction to analysing time series using the open source software R. Each time series model is motivated with practical applications, and is defined in mathematical notation. Once the model has been introduced it is used to generate synthetic data, using R code, and these generated data are then used to estimate its parameters. This sequence enhances understanding of both the time series model and the R function used to fit the model to data. Finally, the model is used to analyse observed data taken from a practical application. By using R, the whole procedure can be reproduced by the reader. All the data sets used in the book are available on the website http://staff.elena.aut.ac.nz/Paul-Cowpertwait/ts/.
The book is written for undergraduate students of mathematics, economics, business and finance, geography, engineering and related disciplines, and postgraduate students who may need to analyse time series as part of their taught programme or their research.
Paul Cowpertwait is an associate professor in mathematical sciences (analytics) at Auckland University of Technology with a substantial research record in both the theory and applications of time series and stochastic models. Andrew Metcalfe is an associate professor in the School of Mathematical Sciences at the University of Adelaide, and an author of six statistics text books and numerous research papers. Both authors have extensive experience of teaching time series to students at all levels.
Preface Contents Time Series Data Purpose Time series R language Plots, trends, and seasonal variation A flying start: Air passenger bookings Unemployment: Maine Multiple time series: Electricity, beer and chocolate data Quarterly exchange rate: GBP to NZ dollar Global temperature series Decomposition of series Notation Models Estimating trends and seasonal effects Smoothing Decomposition in R Summary of commands used in examples Exercises Correlation Purpose Expectation and the ensemble Expected value The ensemble and stationarity Ergodic series* Variance function Autocorrelation The correlogram General discussion Example based on air passenger series Example based on the Font Reservoir series Covariance of sums of random variables Summary of commands used in examples Exercises Forecasting Strategies Purpose Leading variables and associated variables Marine coatings Building approvals publication Gas supply Bass model Background Model definition Interpretation of the Bass model* Example Exponential smoothing and the Holt-Winters method Exponential smoothing Holt-Winters method Four-year-ahead forecasts for the air passenger data Summary of commands used in examples Exercises Basic Stochastic Models Purpose White noise Introduction Definition Simulation in R Second-order properties and the correlogram Fitting a white noise model Random walks Introduction Definition The backward shift operator Random walk: Second-order properties Derivation of second-order properties* The difference operator Simulation Fitted models and diagnostic plots Simulated random walk series Exchange rate series Random walk with drift Autoregressive models Definition Stationary and non-stationary AR processes Second-order properties of an AR(1) model Derivation of second-order properties for an AR(1) process* Correlogram of an AR(1) process Partial autocorrelation Simulation Fitted models Model fitted to simulated series Exchange rate series: Fitted AR model Global temperature series: Fitted AR model Summary of R commands Exercises Regression Purpose Linear models Definition Stationarity Simulation Fitted models Model fitted to simulated data Model fitted to the temperature series (1970--2005) Autocorrelation and the estimation of sample statistics* Generalised least squares GLS fit to simulated series Confidence interval for the trend in the temperature series Linear models with seasonal variables Introduction Additive seasonal indicator variables Example: Seasonal model for the temperature series Harmonic seasonal models Simulation Fit to simulated series Harmonic model fitted to temperature series (1970--2005) Logarithmic transformations Introduction Example using the air passenger series Non-linear models Introduction Example of a simulated and fitted non-linear series Forecasting from regression Introduction Prediction in R Inverse transform and bias correction Log-normal residual errors Empirical correction factor for forecasting means Example using the air passenger data Summary of R commands Exercises Stationary Models Purpose Strictly stationary series Moving average models MA(q) process: Definition and properties R examples: Correlogram and simulation Fitted MA models Model fitted to simulated series Exchange rate series: Fitted MA model Mixed models: The ARMA process Definition Derivation of second-order properties* ARMA models: Empirical analysis Simulation and fitting Exchange rate series Electricity production series Wave tank data Summary of R commands Exercises Non-stationary Models Purpose Non-seasonal ARIMA models Differencing and the electricity series Integrated model Definition and examples Simulation and fitting IMA(1, 1) model fitted to the beer production series Seasonal ARIMA models Definition Fitting procedure ARCH models S&P500 series Modelling volatility: Definition of the ARCH model Extensions and GARCH models Simulation and fitted GARCH model Fit to S&P500 series Volatility in climate series GARCH in forecasts and simulations Summary of R commands Exercises Long-Memory Processes Purpose Fractional differencing Fitting to simulated data Assessing evidence of long-term dependence Nile minima Bellcore Ethernet data Bank loan rate Simulation Summary of additional commands used Exercises Spectral Analysis Purpose Periodic signals Sine waves Unit of measurement of frequency Spectrum Fitting sine waves Sample spectrum Spectra of simulated series White noise AR(1): Positive coefficient AR(1): Negative coefficient AR(2) Sampling interval and record length Nyquist frequency Record length Applications Wave tank data Fault detection on electric motors Measurement of vibration dose Climatic indices Bank loan rate Discrete Fourier transform (DFT)* The spectrum of a random process* Discrete white noise AR Derivation of spectrum Autoregressive spectrum estimation Finer details Leakage Confidence intervals Daniell windows Padding Tapering Spectral analysis compared with wavelets Summary of additional commands used Exercises System Identification Purpose Identifying the gain of a linear system Linear system Natural frequencies Estimator of the gain function Spectrum of an AR(p) process Simulated single mode of vibration system Ocean-going tugboat Non-linearity Exercises Multivariate Models Purpose Spurious regression Tests for unit roots Cointegration Definition Exchange rate series Bivariate and multivariate white noise Vector autoregressive models VAR model fitted to US economic series Summary of R commands Exercises State Space Models Purpose Linear state space models Dynamic linear model Filtering* Prediction* Smoothing* Fitting to simulated univariate time series Random walk plus noise model Regression model with time-varying coefficients Fitting to univariate time series Bivariate time series -- river salinity Estimating the variance matrices Discussion Summary of additional commands used Exercises References Index