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
دسته بندی: الگوریتم ها و ساختارهای داده ویرایش: نویسندگان: Andrzej Lasota. Michael C. Mackey سری: ISBN (شابک) : 052130248X, 9780521302487 ناشر: Cambridge University Press سال نشر: 1985 تعداد صفحات: 185 زبان: English فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
کلمات کلیدی مربوط به کتاب ویژگیهای احتمالی سیستمهای قطعی: مهندسی انفورماتیک و کامپیوتر، نظریه سیستم های عمومی (GTS)
در صورت تبدیل فایل کتاب Probabilistic properties of deterministic systems 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 ویژگیهای احتمالی سیستمهای قطعی 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 نشان می دهد که چگونه چگالی ها در سیستم های قطعی ساده به وجود می آیند. اخیراً رشد انفجاری در علاقه به سیستمهای فیزیکی، بیولوژیکی و اقتصادی وجود داشته است که میتوان آنها را با استفاده از چگالی به طور سودآور مطالعه کرد. به دلیل عدم دسترسی به ادبیات ریاضی، انتشار کمی از ریاضیات کاربردی در مطالعه این سیستمهای "آشوب" وجود داشته است. این کتاب به پر کردن این شکاف کمک خواهد کرد. نویسندگان درمان یکپارچه ای از انواع سیستم های ریاضی ایجاد چگالی ارائه می دهند که از تبدیل های زمانی گسسته یک بعدی تا سیستم های زمانی پیوسته توصیف شده توسط معادلات دیفرانسیل یکپارچه-جزئی را شامل می شود. آنها برای نشان دادن کاربرد تکنیک های ارائه شده، نمونه هایی از بسیاری از زمینه های علمی ترسیم کرده اند. این کتاب دانش حساب پیشرفته و معادلات دیفرانسیل را فرض میکند، اما مفاهیم اساسی از نظریه اندازهگیری، نظریه ارگودیک، هندسه منیفولدها، معادلات دیفرانسیل جزئی، نظریه احتمالات و فرآیندهای مارکوف، و انتگرالهای تصادفی و معادلات دیفرانسیل در صورت نیاز معرفی شدهاند.
This book shows how densities arise in simple deterministic systems. Recently there has been explosive growth in interest in physical, biological, and economic systems that can be profitably studied using densities. Due to the inaccessibility of the mathematical literature there has been little diffusion of the applicable mathematics into the study of these 'chaotic' systems. This book will help to bridge that gap. The authors give a unified treatment of a variety of mathematical systems generating densities, ranging from one-dimensional discrete time transformations through continuous time systems described by integro-partial differential equations. They have drawn examples from many scientific fields to illustrate the utility of the techniques presented. The book assumes a knowledge of advanced calculus and differential equations, but basic concepts from measure theory, ergodic theory, the geometry of manifolds, partial differential equations, probability theory and Markov processes, and stochastic integrals and differential equations are introduced as needed
Title page Preface Chapter 1. Introduction 1.1 A simple system generating a density of states 1.2 The evolution of densities: an intuitive point of view 1.3 Trajectories versus densities Chapter 2. The toolbox 2.1 Measures and measure spaces 2.2 Lebesgue integration 2.3 Convergence of sequences of functions Chapter 3. Markov and Frobenius-Perron operators 3.1 Markov operators 3.2 The Frobenius-Perron operator 3.3 The Koopman operator Chapter 4. Studying chaos with densities 4.1 Invariant measures and measure-preserving transformations 4.2 Ergodic transformations 4.3 Mixing and exactness 4.4 Using the Frobenius-Perron and Koopman operators for c1assifying transformations 4.5 Kolmogorov automorphisms Chapter 5. The asymptotic properties of densities 5.1 Weak and strong precompactness 5.2 Properties of the averages A_nf 5.3 Asymptotic periodicity of {P^nf} 5.4 The existence of stationary densities 5.5 Ergodicity, mixing, and exactness 5.6 Asymptotic stability of {P^n} 5.7 Markov operators defined by a stochastic kernel 5.8 Conditions for the existence of lower-bound functions Chapter 6. The behavior of transformations on intervals and manifolds 6.1 Functions of bounded variation 6.2 Piecewise monotonic mappings 6.3 Piecewise convex transformations with a strong repellor 6.4 Asymptotically periodic transformations 6.5 Change of variables 6.6 Transformations on the real line 6.7 Manifolds 6.8 Expanding mappings on manifolds Chapter 7. Continuous time systems: an introduction 7.1 Two examples of continuous time systems 7.2 Dynamical and semidynamical systems 7.3 Invariance, ergodicity, mixing, and exactness in semidynamical systems 7.4 Semigroups of the Frobenius-Perron and Koopman operators 7.5 Infinitesimal operators 7.6 Infinitesimal operators for semigroups generated by systems of ordinary differential equations 7.7 Applications of the semigroups of the Frobenius-Perron and Koopman operators 7.8 The Hille-Yosida theorem and its consequences 7.9 Further applications of the Hille-Yosida theorem 7.10 The relation between the Frobenius-Perron and Koopman operators Chapter 8. Discrete time processes embedded in continuous time systems 8.1 The relation between discrete and continuous time processes 8.2 Probability theory and Poisson processes 8.3 Discrete time systems governed by Poisson processes 8.4 The linear Boltzmann equation: an intuitive point of view 8.5 Elementary properties of the solutions of the linear Boltzmann equation 8.6 Further properties of the linear Boltzmann equation 8.7 Effect of properties of the Markov operator on solutions of the linear Boltzmann equation 8.8 Linear Boltzmann equation with a stochastic kernel 8.9 The linear Tjon-Wu equation Chapter 9. Entropy 9.1 Basic definitions 9.2 Entropy of P^nf when P is a Markov operator 9.3 Entropy H(P^nf) when P is a Frobenius-Perron operator 9.4 Behavior of P^nf from H(P^nf) Chapter 10. Stochastic perturbation of discrete time systems 10.1 Independent random variables 10.2 Mathematical expectation and variance 10.3 Stochastic convergence 10.4 Discrete time systems with randomly applied stochastic perturbations 10.5 Discrete time systems with constantly applied stochastic perturbations 10.6 Small continuous stochastic perturbations of discrete time systems Chapter 11. Stochastic perturbation of continuous time systems 11.1 One-dimensional Wiener processes (Brownian motion) 11.2 d-Dimensional Wiener processes (Brownian motion) 11.3 The stochastic Itô integral: development 11.4 The stochastic Itô integral: special cases 11.5 Stochastic differential equations 11.6 The Fokker-Planck (Kolmogorov forward) equation 11.7 Properties of the solutions of the Fokker-Planck equation 11.8 Semigroups of Markov operators generated by parabolic equations 11.9 Asymptotic stability of solutions of the Fokker-Planck equation 11.10 An extension of the Liapunov function method References Notation and symbols Index