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 Introductory Time Series with R

دانلود کتاب سری زمانی مقدماتی با R

Introductory Time Series with R

مشخصات کتاب

Introductory Time Series with R

دسته بندی: آمار ریاضی
ویرایش: 1 
نویسندگان: ,   
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 

قیمت کتاب (تومان) : 38,000



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



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 15


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.


توضیحاتی در مورد کتاب سری زمانی مقدماتی با R



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.


توضیحاتی درمورد کتاب به خارجی

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.



فهرست مطالب

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




نظرات کاربران