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: Ray Huffaker, Marco Bittelli, Rodolfo Rosa سری: ISBN (شابک) : 0198782934, 9780198782933 ناشر: Oxford University Press سال نشر: 2017 تعداد صفحات: 371 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 31 مگابایت
کلمات کلیدی مربوط به کتاب تحلیل سری زمانی غیرخطی با R: برنامه نویسی خطی، کاربردی، ریاضیات، علوم و ریاضی، احتمال و آمار، کاربردی، ریاضیات، علوم و ریاضیات، فیزیک ریاضی، فیزیک، علوم و ریاضیات، آمار، ریاضیات، علوم و ریاضیات، جدید، استفاده شده و کتاب های ویژه، اجاره ای فیزیک، علوم و ریاضیات، کتاب های درسی جدید، مستعمل و اجاره ای، بوتیک تخصصی
در صورت تبدیل فایل کتاب Nonlinear Time Series Analysis 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 تحلیل سری زمانی غیرخطی 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.
تجزیه و تحلیل سریهای زمانی غیرخطی با R یک راهنمای
عملی برای تکنیکهای تجربی در حال ظهور ارائه میدهد که به پزشکان
امکان میدهد تشخیص دهند که دادههای بسیار نوسانی و ظاهری تصادفی
به احتمال زیاد توسط نیروهای دینامیکی تصادفی یا قطعی هدایت
میشوند. این به جمع صداهایی می پیوندد که توصیه می کنند "آشنایی
با داده های خود" را به عنوان یک مرحله شواهد اولیه ضروری در مدل
سازی توصیه می کنند. سری های زمانی اغلب با یک ظاهر تصادفی بسیار
نوسان دارند. نوسانات مشاهده شده معمولاً به شوک های تصادفی
اگزوژن به سیستم های دنیای واقعی پایدار نسبت داده می شود. با این
حال، پیشرفتها در دینامیک غیرخطی احتمال دیگری را ایجاد میکند:
دینامیک بسیار پیچیده میتواند به طور درونزا از مدلهای غیرخطی
قطعی به طرز شگفتآوری پدید آید. تجزیه و تحلیل سری زمانی غیرخطی
(NLTS) مجموعه ای از ابزارهای تجربی است که برای کمک به پزشکان
طراحی شده است تا تشخیص دهند که آیا دینامیک تصادفی یا قطعی به
احتمال زیاد پیچیدگی مشاهده شده را ایجاد می کند. پزشکان به
«کارآگاهان داده» تبدیل میشوند و شواهد تجربی سختی را که از
رویکرد مدلسازی آنها پشتیبانی میکند، جمعآوری میکنند.
این کتاب برای متخصصان و دانشجویان فارغالتحصیل در رشتههای
مهندسی، بیوفیزیک و علوم اجتماعی هدفگذاری شده است. اهداف اصلی
آن کمک به غیر ریاضیدانان - با دانش محدود از دینامیک غیرخطی -
برای عملیاتی شدن در NLTS است. و از این طریق راه را برای پذیرش
NLTS در جعبه ابزار تجربی مرسوم و دروس اصلی رشته های هدف هموار
می کند. مطابق با گرایشهای مدرن در آموزش دانشگاه، این کتاب با
آزمایشهای رایانهای عملی در کد R، خوانندگان را به یادگیرندگان
فعال تبدیل میکند که آنها را از طریق روشهای NLTS هدایت میکند
و به آنها کمک میکند تا منطق زیربنایی را درک کنند. کد رایانه با
جزئیات توضیح داده شده است تا خوانندگان بتوانند آن را برای
استفاده در کار خود تنظیم کنند. این کتاب همچنین چارچوبی صریح را
در اختیار خوانندگان قرار می دهد - فشرده شده از رویه های تجربی
صحیح توصیه شده در ادبیات - که یک روش گام به گام برای استفاده از
NLTS در تشخیص داده های دنیای واقعی را شرح می دهد.
Nonlinear Time Series Analysis with R provides a
practical guide to emerging empirical techniques allowing
practitioners to diagnose whether highly fluctuating and random
appearing data are most likely driven by random or
deterministic dynamic forces. It joins the chorus of voices
recommending 'getting to know your data' as an essential
preliminary evidentiary step in modelling. Time series are
often highly fluctuating with a random appearance. Observed
volatility is commonly attributed to exogenous random shocks to
stable real-world systems. However, breakthroughs in nonlinear
dynamics raise another possibility: highly complex dynamics can
emerge endogenously from astoundingly parsimonious
deterministic nonlinear models. Nonlinear Time Series Analysis
(NLTS) is a collection of empirical tools designed to aid
practitioners detect whether stochastic or deterministic
dynamics most likely drive observed complexity. Practitioners
become 'data detectives' accumulating hard empirical evidence
supporting their modelling approach.
This book is targeted to professionals and graduate students in
engineering and the biophysical and social sciences. Its major
objectives are to help non-mathematicians--with limited
knowledge of nonlinear dynamics--to become operational in NLTS;
and in this way to pave the way for NLTS to be adopted in the
conventional empirical toolbox and core coursework of the
targeted disciplines. Consistent with modern trends in
university instruction, the book makes readers active learners
with hands-on computer experiments in R code directing them
through NLTS methods and helping them understand the underlying
logic. The computer code is explained in detail so that readers
can adjust it for use in their own work. The book also provides
readers with an explicit framework--condensed from sound
empirical practices recommended in the literature--that details
a step-by-step procedure for applying NLTS in real-world data
diagnostics.