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: [1 ed.]
نویسندگان: Michel Benaïm. Tobias Hurth
سری: Universitext
ISBN (شابک) : 9783031118210, 9783031118227
ناشر: Springer Nature
سال نشر: 2022
تعداد صفحات: 197
[205]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 Mb
در صورت تبدیل فایل کتاب Markov Chains on Metric Spaces 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 زنجیرهای مارکوف در فضاهای متریک 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 مقدمهای بر زنجیرههای مارکوف در زمان گسسته است که در یک فضای متریک قابل تفکیک تکامل مییابند. تمرکز بر روی ویژگیهای ارگودیکی چنین زنجیرههایی است، یعنی روی رفتار آماری بلندمدت آنها. از جمله موضوعات اصلی وجود و منحصربهفرد بودن معیارهای احتمال ثابت، کاهشناپذیری، عود، خواص منظمکننده برای هستههای مارکوف و همگرایی به تعادل است. این مفاهیم با ابزارهایی مانند توابع لیاپانوف، مجموعه های کوچک و کوچک، دوبلین و نقاط در دسترس، جفت و همچنین مفاهیم کلیدی از نظریه ارگودیک کلاسیک بررسی می شوند. این تئوری از طریق چندین کلاس تکرارشونده از مثال ها، به عنوان مثال، انقباضات تصادفی، میدان های برداری تصادفی سوئیچ شده، و معادلات دیفرانسیل تصادفی نشان داده شده است، که دومی پلی برای فرآیندهای مارکوف زمان پیوسته ارائه می دهد. این کتاب می تواند به عنوان هسته اصلی یک دوره تحصیلات تکمیلی یک ترم یا یک ساله در نظریه احتمال با تأکید بر زنجیره های مارکوف یا دینامیک تصادفی باشد. برخی از مطالب نیز برای دوره تئوری ارگودیک مناسب هستند. خوانندگان باید یک دوره مقدماتی در مورد تئوری احتمال بر اساس نظریه اندازه گیری می گذرانند. در حالی که فصلی به زنجیرهها در فضای حالت قابل شمارش اختصاص دارد، آشنایی خاصی با زنجیرههای مارکوف در فضای حالت محدود نیز توصیه میشود.
This book gives an introduction to discrete-time Markov chains which evolve on a separable metric space. The focus is on the ergodic properties of such chains, i.e., on their long-term statistical behaviour. Among the main topics are existence and uniqueness of invariant probability measures, irreducibility, recurrence, regularizing properties for Markov kernels, and convergence to equilibrium. These concepts are investigated with tools such as Lyapunov functions, petite and small sets, Doeblin and accessible points, coupling, as well as key notions from classical ergodic theory. The theory is illustrated through several recurring classes of examples, e.g., random contractions, randomly switched vector fields, and stochastic differential equations, the latter providing a bridge to continuous-time Markov processes. The book can serve as the core for a semester- or year-long graduate course in probability theory with an emphasis on Markov chains or random dynamics. Some of the material is also well suited for an ergodic theory course. Readers should have taken an introductory course on probability theory, based on measure theory. While there is a chapter devoted to chains on a countable state space, a certain familiarity with Markov chains on a finite state space is also recommended.