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:
نویسندگان: Arthur David Snider
سری:
ISBN (شابک) : 9781498799041, 1315365480
ناشر: CRC Press
سال نشر: 2017
تعداد صفحات: 208
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 مگابایت
کلمات کلیدی مربوط به کتاب فرآیندهای تصادفی برای مهندسان: یک آغازگر: فرآیندهای تصادفی -- کتابهای درسی، ریاضیات مهندسی -- کتابهای درسی، ریاضیات مهندسی، فرآیندهای تصادفی
در صورت تبدیل فایل کتاب Random Processes for Engineers: A Primer 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 تصادفی برای مهندسان: یک آغازگر 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 رویکردی شهودی به فرآیندهای تصادفی ارائه میدهد و به خواننده نحوه تفسیر و پیشبینی رفتار خود را آموزش میدهد. با پیشفرض این ایده که تکنیکهای جدید به بهترین وجه با مثالهای خاص و کمبعد معرفی میشوند، توضیح ریاضی آسانتر و لذتبخشتر است و به تعمیمهای بعدی انگیزه میدهد. این علم بین علم استخراج اطلاعات آماری از دادههای خام - به عنوان مثال، یک سری زمانی که هیچ چیز از قبل مشخص نیست - و علم تجزیه و تحلیل مدلهای آماری خاص، مانند آزمایشهای برنولی، صفهای پواسون، تمایز قائل میشود. فرآیندهای ARMA و مارکوف. اولی مفاهیم تحلیل طیفی آماری (مانند نظریه وینر-خینچین) را تحریک می کند و دومی آنها را در زمینه های فیزیکی خاص اعمال و تفسیر می کند. فیلتر قدرتمند کالمن در یک زمینه اسکالر ساده معرفی شده است، جایی که استراتژی اصلی آن شفاف است، و به تدریج به شکل ماتریس تکرار شونده کامل گسترش می یابد.
This book offers an intuitive approach to random processes and educates the reader on how to interpret and predict their behavior. Premised on the idea that new techniques are best introduced by specific, low-dimensional examples, the mathematical exposition is easier to comprehend and more enjoyable, and it motivates the subsequent generalizations. It distinguishes between the science of extracting statistical information from raw data--e.g., a time series about which nothing is known apriori--and that of analyzing specific statistical models, such as Bernoulli trials, Poisson queues, ARMA, and Markov processes. The former motivates the concepts of statistical spectral analysis (such as the Wiener-Khintchine theory), and the latter applies and interprets them in specific physical contexts. The formidable Kalman filter is introduced in a simple scalar context, where its basic strategy is transparent, and gradually extended to the full-blown iterative matrix form.
Content: Chapter 1. Probability basics : a retrospective --
Chapter 2. Random processes --
Chapter 3. Analysis of raw data --
Chapter 4. Models for random processes --
Chapter 5. Least mean-square error predictors --
Chapter 6. The kalman filter.