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: 1st ed
نویسندگان: Guttorp. Peter
سری: Stochastic modeling
ISBN (شابک) : 0412992817, 020373825X
ناشر: Chapman & Hall
سال نشر: 1995
تعداد صفحات: 385
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 25 مگابایت
کلمات کلیدی مربوط به کتاب مدل سازی تصادفی داده های علمی: فرآیندهای تصادفی -- مدل های ریاضی.، فرآیندهای مارکوف.، ریاضیات / کاربردی.، ریاضیات / احتمالات و آمار / عمومی.
در صورت تبدیل فایل کتاب Stochastic modeling of scientific data 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 مدل سازی تصادفی داده های علمی 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.
مدلسازی تصادفی دادههای علمی، مدلسازی تصادفی و استنتاج آماری را در انواع مدلهای استاندارد و کمتر رایج، مانند فرآیندهای نقطهای، میدانهای تصادفی مارکوف و مدلهای مارکوف پنهان به شیوهای روشن، متفکرانه و مختصر ترکیب میکند. وجه تمایز این کار این است که علاوه بر نظریه احتمال، شامل جنبه های آماری برازش مدل و مجموعه داده های متنوعی است که یا در متن تجزیه و تحلیل می شوند یا به عنوان تمرین استفاده می شوند. روشهای مونت کارلو زنجیره مارکوف برای ارزیابی احتمالات در مدلهای پیچیده معرفی شده و الگوریتم رو به عقب برای تحلیل مدلهای پنهان مارکوف ارائه شده است. نقطه قوت این متن در استفاده از زبان غیررسمی است که موضوع را برای غیرریاضیدانان قابل دسترس تر می کند. ترکیب مباحث علوم سخت با فرآیندهای تصادفی و استنتاج آماری آنها، آن را در دسته جدیدی از کتاب های احتمالی قرار می دهد. مثالها و تمرینهای متعدد از نجوم، زمینشناسی، ژنتیک، هیدرولوژی، فیزیولوژی عصبی و فیزیک استخراج شدهاند.
Stochastic Modeling of Scientific Data combines stochastic modeling and statistical inference in a variety of standard and less common models, such as point processes, Markov random fields and hidden Markov models in a clear, thoughtful and succinct manner. The distinguishing feature of this work is that, in addition to probability theory, it contains statistical aspects of model fitting and a variety of data sets that are either analyzed in the text or used as exercises. Markov chain Monte Carlo methods are introduced for evaluating likelihoods in complicated models and the forward backward algorithm for analyzing hidden Markov models is presented. The strength of this text lies in the use of informal language that makes the topic more accessible to non-mathematicians. The combinations of hard science topics with stochastic processes and their statistical inference puts it in a new category of probability textbooks. The numerous examples and exercises are drawn from astronomy, geology, genetics, hydrology, neurophysiology and physics.
Content: Ch. 1. Introduction --
Ch. 2. Discrete time Markov chains --
Ch. 3. Continuous time Markov chains --
Ch. 4. Markov random fields --
Ch. 5. Point processes --
Ch. 6. Brownian motion and diffusion --
Appendix A. Some statistical theory --
Appendix B. Linear difference equations with constant coefficients --
Appendix C. Some theory of partial differential equations.