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 Large deviations for discrete-time processes with averaging

دانلود کتاب انحرافات بزرگ برای فرآیندهای زمان گسسته با میانگین گیری

مشخصات کتاب

Large deviations for discrete-time processes with averaging

دسته بندی: ریاضیات
ویرایش:  
نویسندگان: Veretennikov. A. Yu,  Gulinsky. O. V.  
سری:  
ISBN (شابک) : 9789067641487, 9067641480 
ناشر: VSP 
سال نشر: 1993 
تعداد صفحات: 195 
زبان: English 
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت

قیمت کتاب (تومان) : 32,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 17

در صورت تبدیل فایل کتاب Large deviations for discrete-time processes with averaging 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 انحرافات بزرگ برای فرآیندهای زمان گسسته با میانگین گیری 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 انحرافات بزرگ برای فرآیندهای زمان گسسته با میانگین گیری

این کتاب عمدتاً بر اساس قضیه معروف Cramir--Chernoff است که به مجانبی لگاریتمی خشن توزیع مجموع متغیرهای تصادفی مستقل و با توزیع یکسان می پردازد. نویسندگان عمدتاً به گسترش این نظریه به موارد وابسته و به ویژه موارد غیرمارکوویی در فضاهای تابعی نزدیک می شوند. الگوریتم‌های تکرارشونده شناسایی و کنترل تطبیقی نمونه‌های اصلی پشت مشکلات انحراف بزرگ در این جلد را تشکیل می‌دهند. بخش اول کتاب از برخی ایده ها و مفاهیم رویکرد مارتینگل، به ویژه مفهوم نمایی تصادفی بهره برداری می کند. بخش دوم کتاب رویکرد فریندلین را پوشش می‌دهد که بر اساس قضایای نوع فروبنیوس برای عملگرهای مثبت است که برای موارد مورد بررسی مؤثر است.

توضیحاتی درمورد کتاب به خارجی

This book is mainly based on the Cramir--Chernoff renowned theorem, which deals with the \'rough\' logarithmic asymptotics of the distribution of sums of independent, identically distributed random variables. The authors approach primarily the extensions of this theory to dependent, and in particular, nonmarkovian cases on function spaces. Recurrent algorithms of identification and adaptive control form the main examples behind the large deviation problems in this volume. The first part of the book exploits some ideas and concepts of the martingale approach, especially the concept of the stochastic exponential. The second part of the book covers Freindlin\'s approach, based on the Frobenius-type theorems for positive operators, which prove to be effective for the cases in consideration.

فهرست مطالب

Part 1 Introduction to large deviations: Cramer-type results (the classical Cramer theorem
the extensions of Cramer\'s theorem)
large deviations on the space of probability measures
application to statistical mechanics
basic large deviations concepts
large deviations for sums of independent and identically distributed variables in function space
applications to recursive estimation and control theory. Part 2 Large deviations for non-Markovian recursive scheme with additive \"white noise\". Part 3 Large deviation for the recursive scheme with stationary disturbances: large deviations for the sums of stationary
large deviations for recursive scheme with the Wold-type disturbances. Part 4 Generalization of Cramar\'s theorem: large deviations for sums of stationary sequences
large deviations for sums of semimartingales. Part 5 Mixing for Markov processes: definitions
main results
preliminary results
proofs of theorems 5.1-5.6
mixing coeficients for recursive procedure. Part 6 The averaging principle for some recursive schemes. Part 7 Normal deviations. Part 8 Large deviations for Markov processes: examples
Markovian noncompact case
auxiliary results
proofs of theorems 8.6-8.8
proof of theorem 8.9. Part 9 Large deviations for stationary processes: compact nonsingular case
noncompact nonsingular case. Part 10 Large deviations for empirical measures: Markov chain with Doeblin-type condition
noncompact Markov case
stationary compact case
stationary noncompact case. Part 11 Large deviations for empirical measures: compact case
noncompact case.