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 Markov Processes for Stochastic Modeling

دانلود کتاب فرآیندهای مارکوف برای مدلسازی تصادفی

Markov Processes for Stochastic Modeling

مشخصات کتاب

Markov Processes for Stochastic Modeling

ویرایش: 1 
نویسندگان:   
سری:  
ISBN (شابک) : 0123744512, 9780123744517 
ناشر: Academic Press 
سال نشر: 2008 
تعداد صفحات: 505 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت 

قیمت کتاب (تومان) : 40,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 4


در صورت تبدیل فایل کتاب Markov Processes for Stochastic Modeling 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 فرآیندهای مارکوف برای مدلسازی تصادفی 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 فرآیندهای مارکوف برای مدلسازی تصادفی

فرآیندهای مارکوف برای مدل سازی سیستم هایی با حافظه محدود استفاده می شود. آنها در بسیاری از زمینه ها از جمله سیستم های ارتباطی، شبکه های حمل و نقل، تقسیم بندی و تجزیه و تحلیل تصویر، سیستم های بیولوژیکی و تجزیه و تحلیل توالی DNA، حرکت تصادفی اتمی و انتشار در فیزیک، تحرک اجتماعی، مطالعات جمعیت، اپیدمیولوژی، مهاجرت حیوانات و حشرات، سیستم های صف، منابع استفاده می شوند. مدیریت، سدها، مهندسی مالی، علم اکچوئری و سیستم های تصمیم گیری. این کتاب که برای دانشجویان مقاطع بالاتر و مقاطع کارشناسی ارشد و محققین نوشته شده است، ارائه یکپارچه از فرآیندهای مارکوف را ارائه می دهد. علاوه بر موضوعات سنتی مانند سیستم صف مارکوف، این کتاب موضوعاتی مانند راه رفتن تصادفی پیوسته، راه رفتن تصادفی همبسته، حرکت براونی، فرآیندهای انتشار، مدل‌های پنهان مارکوف، میدان‌های تصادفی مارکوف، فرآیندهای نقطه مارکوف و زنجیره مارکوف مونت کارلو را مورد بحث قرار می‌دهد. پیاده‌روی تصادفی پیوسته در حال حاضر در اقتصاد فیزیک برای مدل‌سازی بازار مالی استفاده می‌شود، که به طور سنتی به عنوان یک حرکت براونی مدل‌سازی می‌شود. پیاده روی تصادفی همبسته به طور رایج در مطالعات اکولوژیکی برای مدل سازی حرکت حیوانات و حشرات استفاده می شود. مدل های پنهان مارکوف در تجزیه و تحلیل گفتار و تجزیه و تحلیل توالی DNA استفاده می شود در حالی که از میدان های تصادفی مارکوف و فرآیندهای نقطه مارکوف در تجزیه و تحلیل تصویر استفاده می شود. بنابراین، کتاب به گونه ای طراحی شده است که جذابیت بسیار گسترده ای داشته باشد. - کاربردهای عملی و فعلی فرآیندهای مارکوف را ارائه می دهد - پوشش HMM، فرآیندهای نقطه ای و مونت کارلو - شامل تئوری کافی برای کمک به دانش آموزان برای دستیابی به درک کامل از موضوع است - اصول را می توان بلافاصله در بسیاری از پروژه های تحقیقاتی خاص به کار برد و در وقت محققان صرفه جویی کرد. تمرینات پایان فصل تقویت، تمرین و افزایش درک را برای دانش آموز فراهم می کند


توضیحاتی درمورد کتاب به خارجی

Markov processes are used to model systems with limited memory. They are used in many areas including communications systems, transportation networks, image segmentation and analysis, biological systems and DNA sequence analysis, random atomic motion and diffusion in physics, social mobility, population studies, epidemiology, animal and insect migration, queueing systems, resource management, dams, financial engineering, actuarial science, and decision systems. This book, which is written for upper level undergraduate and graduate students, and researchers, presents a unified presentation of Markov processes. In addition to traditional topics such as Markovian queueing system, the book discusses such topics as continuous-time random walk,correlated random walk, Brownian motion, diffusion processes, hidden Markov models, Markov random fields, Markov point processes and Markov chain Monte Carlo. Continuous-time random walk is currently used in econophysics to model the financial market, which has traditionally been modelled as a Brownian motion. Correlated random walk is popularly used in ecological studies to model animal and insect movement. Hidden Markov models are used in speech analysis and DNA sequence analysis while Markov random fields and Markov point processes are used in image analysis. Thus, the book is designed to have a very broad appeal. - Provides the practical, current applications of Markov processes- Coverage of HMM, Point processes, and Monte Carlo- Includes enough theory to help students gain throrough understanding of the subject- Principles can be immediately applied in many specific research projects, saving researchers time- End of chapter exercises provide reinforcement, practice and increased understanding to the student



فهرست مطالب

Markov Processes for Stochastic Modeling......Page 4
Copyright Page......Page 5
Contents......Page 6
Preface......Page 14
1.1 Review of Probability......Page 16
1.1.2 Independence......Page 19
1.1.3 Total Probability and the Bayes’ Theorem......Page 20
1.2.2 Discrete Random Variables......Page 21
1.2.3 Continuous Random Variables......Page 22
1.2.6 Moments of Random Variables and the Variance......Page 23
1.3.1 The s-Transform......Page 24
1.3.2 The z-Transform......Page 25
1.4 Bivariate Random Variables......Page 27
1.4.2 Continuous Bivariate Random Variables......Page 28
1.5 Many Random Variables......Page 29
1.6 Fubini’s Theorem......Page 30
1.7 Sums of Independent Random Variables......Page 31
1.8.1 The Bernoulli Distribution......Page 33
1.8.2 The Binomial Distribution......Page 34
1.8.4 The Pascal Distribution......Page 35
1.8.6 The Exponential Distribution......Page 36
1.8.7 The Erlang Distribution......Page 37
1.8.8 Normal Distribution......Page 38
1.9 Introduction to Stochastic Processes......Page 39
1.11 Characterizing a Stochastic Process......Page 40
1.11.1 Mean and Autocorrelation Function of a Stochastic Process......Page 41
1.12.1 Strict-Sense Stationary Processes......Page 42
1.13 Ergodic Stochastic Processes......Page 43
1.14.1 Martingales......Page 44
1.14.3 Independent Increment Processes......Page 47
1.14.5 Poisson Processes......Page 48
1.15 Problems......Page 53
2.1 Introduction......Page 60
2.2 Structure of Markov Processes......Page 61
2.3 Strong Markov Property......Page 63
2.4.1 Branching Processes......Page 64
2.5.1 Queueing Systems......Page 65
2.5.3 Stochastic Storage Systems......Page 66
2.6.2 Applications of Brownian Motion......Page 67
3.1 Introduction......Page 70
3.2.1 The n-Step State Transition Probability......Page 71
3.3 State Transition Diagrams......Page 73
3.4 Classification of States......Page 74
3.5 Limiting-State Probabilities......Page 76
3.5.1 Doubly Stochastic Matrix......Page 80
3.6 Sojourn Time......Page 81
3.7 Transient Analysis of Discrete-Time Markov Chains......Page 82
3.8 First Passage and Recurrence Times......Page 84
3.9 Occupancy Times......Page 87
3.10 Absorbing Markov Chains and the Fundamental Matrix......Page 88
3.10.1 Time to Absorption......Page 89
3.10.2 Absorption Probabilities......Page 92
3.11 Reversible Markov Chains......Page 93
3.12 Problems......Page 94
4.1 Introduction......Page 98
4.2 Transient Analysis......Page 101
4.3 Birth and Death Processes......Page 105
4.3.1 Local Balance Equations......Page 109
4.3.2 Transient Analysis of Birth and Death Processes......Page 110
4.4 First Passage Time......Page 111
4.5 The Uniformization Method......Page 113
4.7 Problems......Page 114
5.2 Description of a Queueing System......Page 120
5.3 The Kendall Notation......Page 123
5.4 The Little’s Formula......Page 124
5.6 The M/M/1 Queueing System......Page 125
5.6.2 Total Time and Waiting Time Distributions of the M/M/1 Queueing System......Page 129
5.7 Examples of Other M/M Queueing Systems......Page 132
5.7.1 The M/M/c Queue: The c-Server System......Page 133
5.7.2 The M/M/1/K Queue: The Single-Server Finite-Capacity System......Page 136
5.7.3 The M/M/c/c Queue: The c-Server Loss System......Page 141
5.7.4 The M/M/1//K Queue: The Single-Server Finite-Customer Population System......Page 143
5.8 M/G/1 Queue......Page 145
5.8.1 Waiting Time Distribution of the M/G/1 Queue......Page 147
5.8.2 The M/Ek/1 Queue......Page 150
5.8.3 The M/D/1 Queue......Page 152
5.8.5 The M/HK/1 Queue......Page 153
5.9 G/M/1 Queue......Page 155
5.9.1 The Ek/M/1 Queue......Page 159
5.9.2 The D/M/1 Queue......Page 160
5.9.3 The H2/ M/1 Queue......Page 161
5.10 Applications of Markovian Queues......Page 162
5.11 Problems......Page 163
6.1 Introduction......Page 168
6.2 The Renewal Equation......Page 169
6.2.1 Alternative Approach......Page 171
6.3 The Elementary Renewal Theorem......Page 173
6.4 Random Incidence and Residual Time......Page 174
6.5 Markov Renewal Process......Page 176
6.5.1 The Markov Renewal Function......Page 177
6.6 Semi-Markov Processes......Page 179
6.6.1 Discrete-Time Semi-Markov Processes......Page 180
6.6.2 Continuous-Time Semi-Markov Processes......Page 185
6.7 Markov Jump Processes......Page 190
6.7.1 The Homogeneous Markov Jump Process......Page 193
6.8 Problems......Page 196
7.1 Introduction......Page 200
7.2 Overview of Matrix-Analytic Methods......Page 201
7.3 Markovian Arrival Process......Page 206
7.3.1 Properties of MAP......Page 209
7.4 Batch Markovian Arrival Process......Page 211
7.4.1 Properties of BMAP......Page 214
7.5 Markov-Modulated Poisson Process......Page 215
7.5.1 The Interrupted Poisson Process......Page 216
7.5.3 Properties of MMPP......Page 218
7.5.4 The MMPP(2)/M/1 Queue......Page 220
7.6 Markov-Modulated Bernoulli Process......Page 224
7.6.1 The MMBP(2)......Page 225
7.7 Sample Applications of MAP and Its Derivatives......Page 227
7.8 Problems......Page 228
8.1 Introduction......Page 230
8.2 The Two-Dimensional Random Walk......Page 232
8.3 Random Walk as a Markov Chain......Page 233
8.5 Random Walk with Barriers......Page 234
8.6.1 Ruin Probability......Page 235
8.6.2 Duration of a Game......Page 237
8.7 First Return Times......Page 239
8.8 First Passage Times......Page 242
8.9 Maximum of a Random Walk......Page 244
8.10 Random Walk on a Graph......Page 246
8.10.1 Random Walk on a Weighted Graph......Page 251
8.11 Markov Random Walk......Page 252
8.11.1 Markov Random Walk in Semisupervised Machine Learning......Page 254
8.12 Random Walk with Correlation......Page 255
8.13 Continuous-Time Random Walk......Page 261
8.13.1 The Master Equation......Page 263
8.14.1 The Ballot Problem......Page 266
8.14.2 Web Search......Page 269
8.14.3 Mobility Models in Mobile Networks......Page 270
8.14.5 Content of a Dam......Page 272
8.15 Problems......Page 273
9.2 Brownian Motion......Page 278
9.2.2 Brownian Motion as a Markov Process......Page 280
9.2.4 First Passage Time of a Brownian Motion......Page 281
9.2.5 Maximum of a Brownian Motion......Page 283
9.2.6 First Passage Time in an Interval......Page 284
9.2.7 The Brownian Bridge......Page 285
9.3.1 The Ito Integral......Page 286
9.3.3 The Ito’s Formula......Page 288
9.4 Geometric Brownian Motion......Page 289
9.5 Fractional Brownian Motion......Page 291
9.6 Application of Brownian Motion to Option Pricing......Page 292
9.7 Random Walk Approximation of Brownian Motion......Page 295
9.8 The Ornstein-Uhlenbeck Process......Page 296
9.8.1 Mean Reverting Ornstein-Uhlenbeck Process......Page 300
9.8.2 Applications of the Ornstein-Uhlenbeck Process......Page 301
9.9 Diffusion Processes......Page 302
9.10.1 Brownian Motion......Page 304
9.10.2 Brownian Motion with Drift......Page 306
9.10.3 Levy Processes......Page 307
9.11 Relationship Between the Diffusion Process and Random Walk......Page 309
9.12 Problems......Page 310
10.2 Markov Decision Processes......Page 312
10.2.1 Overview of Dynamic Programming......Page 314
10.2.2 Markov Reward Processes......Page 317
10.2.3 MDP Basics......Page 319
10.2.4 MDPs with Discounting......Page 321
10.2.5 Solution Methods......Page 322
10.3 Semi-Markov Decision Processes......Page 332
10.3.1 Semi-Markov Reward Model......Page 333
10.3.2 Discounted Reward......Page 335
10.3.3 Analysis of the Continuous-Decision-Interval SMDPs......Page 336
10.3.4 Solution by Policy-Iteration......Page 338
10.3.5 SMDP with Discounting......Page 340
10.3.6 Solution by Policy Iteration when Discounting Is Used......Page 342
10.3.7 Analysis of the Discrete-Decision-Interval SMDPs with Discounting......Page 343
10.3.8 Continuous-Time Markov Decision Processes......Page 344
10.4 Partially Observable Markov Decision Processes......Page 345
10.4.1 Partially Observable Markov Processes......Page 347
10.4.2 POMDP Basics......Page 349
10.4.3 Solving POMDPs......Page 352
10.4.5 Approximate Solutions of POMDP......Page 353
10.5 Problems......Page 354
11.1 Introduction......Page 356
11.2 HMM Basics......Page 358
11.3 HMM Assumptions......Page 360
11.4 Three Fundamental Problems......Page 361
11.5.1 The Evaluation Problem......Page 362
11.5.2 The Decoding Problem and the Viterbi Algorithm......Page 371
11.5.3 The Learning Problem and the Baum-Welch Algorithm......Page 377
11.6 Types of Hidden Markov Models......Page 380
11.8 Extensions of Hidden Markov Models......Page 381
11.8.1 Hierarchical Hidden Markov Model......Page 382
11.8.2 Factorial Hidden Markov Model......Page 383
11.8.3 Coupled Hidden Markov Model......Page 384
11.8.4 Hidden Semi-Markov Models......Page 385
11.8.5 Profile HMMs for Biological Sequence Analysis......Page 386
11.9 Other Extensions of HMM......Page 390
11.10 Problems......Page 391
12.1 Introduction......Page 396
12.2 Markov Random Fields......Page 397
12.2.1 Graphical Representation......Page 401
12.2.2 Gibbs Random Fields and the Hammersley-Clifford Theorem......Page 403
12.3.1 The Ising Model......Page 405
12.3.2 The Potts Model......Page 407
12.3.3 Gauss-Markov Random Fields......Page 408
12.4 Hidden Markov Random Fields......Page 409
12.5 Applications of Markov Random Fields......Page 412
12.6 Problems......Page 413
13.1 Introduction......Page 416
13.2 Temporal Point Processes......Page 417
13.2.1 Specific Temporal Point Processes......Page 419
13.3 Spatial Point Processes......Page 420
13.3.1 Specific Spatial Point Processes......Page 422
13.4 Spatial-Temporal Point Processes......Page 425
13.5.1 Thinning......Page 428
13.5.3 Clustering......Page 429
13.6 Marked Point Processes......Page 430
13.7 Markov Point Processes......Page 431
13.8 Markov Marked Point Processes......Page 434
13.10 Problems......Page 435
14.1 Introduction......Page 438
14.2 Monte Carlo Simulation Basics......Page 439
14.2.1 Generating Random Variables from the Random Numbers......Page 441
14.2.2 Monte Carlo Integration......Page 444
14.3 Markov Chains Revisited......Page 446
14.4 MCMC Simulation......Page 448
14.4.1 The Metropolis-Hastings Algorithm......Page 449
14.4.2 Gibbs Sampling......Page 451
14.5.1 Simulated Annealing......Page 457
14.5.2 Inference in Belief Networks......Page 460
14.6 Choice of Method......Page 462
14.7 Problems......Page 463
References......Page 466
Index......Page 486




نظرات کاربران