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
نویسندگان: Evarist Giné. Richard Nickl
سری: Cambridge Series in Statistical and Probabilistic Mathematics 40
ISBN (شابک) : 1107043166, 9781107043169
ناشر: Cambridge University Press
سال نشر: 2015
تعداد صفحات: 705
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب مبانی ریاضی مدل های آماری بینهایت بعدی: اقتصاد، بانک و بانکداری، بازرگانی، سیاست تجاری، تطبیقی، توسعه و رشد، ارزهای دیجیتال، اقتصادسنجی، شرایط اقتصادی، تاریخچه اقتصادی، سیاست اقتصادی و توسعه، اقتصاد محیط زیست، شرکت های آزاد، نابرابری درآمد و نابرابری بین صنعتی، تورم مجدد اقتصاد کلان، اقتصاد خرد، پول و سیاست پولی، مالیه عمومی، توسعه پایدار، نظریه، بیکاری، شهری و منطقه ای، کسب و کار و پول، احتمال و آمار، کاربردی، ریاضیات، علوم و ریاضی، دانشگاه علوم پزشکی
در صورت تبدیل فایل کتاب Mathematical Foundations of Infinite-Dimensional Statistical Models 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 مبانی ریاضی مدل های آماری بینهایت بعدی 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.
در مدلهای آماری ناپارامتریک و با ابعاد بالا، نظریه کلاسیک گاوس-فیشر-لو کم در مورد بهینه بودن برآوردگرهای حداکثر درستنمایی و استنتاج پسین بیزی کاربرد ندارد و مبانی و ایدههای جدیدی در چند دهه گذشته توسعه یافته است. این کتاب گزارشی منسجم از نظریه آماری در فضاهای پارامتری بیبعدی ارائه میدهد. مبانی ریاضی شامل «کورسهای کوچک» در تئوری گاوسی و فرآیندهای تجربی، در نظریه تقریب و موجک، و در مورد نظریه پایه فضاهای تابعی است. تئوری استنتاج آماری در چنین مدل هایی - آزمون فرضیه، برآورد و مجموعه های اطمینان - سپس در پارادایم حداقلی نظریه تصمیم ارائه می شود. این شامل تئوری اصلی هسته کانولوشن و تخمین طرح ریزی، اما همچنین ناپارامتریک بیزی و تخمین حداکثر درستنمایی ناپارامتریک است. در فصل آخر، نظریه استنتاج تطبیقی در مدلهای ناپارامتریک، از جمله روش لپسکی، آستانه موجک و استنتاج تطبیقی برای توابع خود مشابه، توسعه مییابد.
In nonparametric and high-dimensional statistical models, the classical Gauss-Fisher-Le Cam theory of the optimality of maximum likelihood estimators and Bayesian posterior inference does not apply, and new foundations and ideas have been developed in the past several decades. This book gives a coherent account of the statistical theory in infinite-dimensional parameter spaces. The mathematical foundations include self-contained 'mini-courses' on the theory of Gaussian and empirical processes, on approximation and wavelet theory, and on the basic theory of function spaces. The theory of statistical inference in such models - hypothesis testing, estimation and confidence sets - is then presented within the minimax paradigm of decision theory. This includes the basic theory of convolution kernel and projection estimation, but also Bayesian nonparametrics and nonparametric maximum likelihood estimation. In a final chapter the theory of adaptive inference in nonparametric models is developed, including Lepski's method, wavelet thresholding, and adaptive inference for self-similar functions.
Content: 1. Nonparametric statistical models
2. Gaussian processes
3. Empirical processes
4. Function spaces and approximation theory
5. Linear nonparametric estimators
6. The minimax paradigm
7. Likelihood-based procedures
8. Adaptive inference.