ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Stochastic Models for Time Series

دانلود کتاب مدل های تصادفی برای سری های زمانی

Stochastic Models for Time Series

مشخصات کتاب

Stochastic Models for Time Series

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9783319769387 
ناشر: Springer 
سال نشر: 2018 
تعداد صفحات: 315 
زبان: english 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

قیمت کتاب (تومان) : 32,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 7


در صورت تبدیل فایل کتاب Stochastic Models for Time Series 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 های تصادفی برای سری های زمانی 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.


توضیحاتی در مورد کتاب مدل های تصادفی برای سری های زمانی

این کتاب ابزارهای ضروری برای مدل‌سازی سری‌های زمانی غیرخطی را ارائه می‌کند. بخش اول کتاب ابزارهای استاندارد اصلی احتمال و آمار را توصیف می کند که مستقیماً در زمینه سری زمانی اعمال می شود تا طیف گسترده ای از احتمالات مدل سازی را به دست آورد. تخمین عملکردی و راه‌انداز مورد بحث قرار می‌گیرد و ثابت بودن بررسی می‌شود. بخش دوم تعدادی از ابزارها از آشوب گاوسی را توصیف می کند و توری از مدل های سری زمانی خطی را پیشنهاد می کند. در ادامه به بررسی غیرخطی بودن مدل‌های چندجمله‌ای یا آشفته‌ای می‌پردازد که بسط‌های صریح برای آن‌ها در دسترس است، سپس به مدل‌های خطی مارکوف و غیرمارکوف می‌پردازد و مدل‌های سری زمانی شیفت برنولی را مورد بحث قرار می‌دهد. در نهایت، این جلد بر روی نظریه حد تمرکز می کند، که با قضیه ارگودیک شروع می شود، که به عنوان اولین گام برای آمار سری های زمانی دیده می شود. محدوده توزیعی را برای به دست آوردن ابزارهای عمومی برای تئوری حد تحت وابستگی های بلند یا کوتاه برد (LRD/SRD) تعریف می کند و نمونه هایی از رفتارهای LRD را توضیح می دهد. تکنیک‌های عمومی‌تر (قضیه‌های حد مرکزی) در زیر SRD توضیح داده شده‌اند. اختلاط و وابستگی ضعیف نیز بررسی شده است. در پایان، تکنیک‌های لحظه‌ای را همراه با روابط آن‌ها با مبالغ تجمعی و همچنین کاربردی برای تخمین نوع هسته توصیف می‌کند. پیوست حقایق پایه نظریه احتمال را بررسی می‌کند و قوانین مفید ناشی از قوانین گاوسی و همچنین اصول اولیه احتمال را مورد بحث قرار می‌دهد. با R-اسکریپت های مورد استفاده برای شکل ها تکمیل می شود. این کتاب که با مثال‌ها و شبیه‌سازی‌ها بسیار مصور است، برای دوره‌های کارشناسی ارشد پیشرفته برای ریاضیدانانی که تازه وارد حوزه سری‌های زمانی می‌شوند، و آماردانانی که می‌خواهند بینش‌های ریاضی بیشتری در زمینه سری‌های زمانی غیرخطی داشته باشند، توصیه می‌شود.


توضیحاتی درمورد کتاب به خارجی

This book presents essential tools for modelling non-linear time series. The first part of the book describes the main standard tools of probability and statistics that directly apply to the time series context to obtain a wide range of modelling possibilities. Functional estimation and bootstrap are discussed, and stationarity is reviewed. The second part describes a number of tools from Gaussian chaos and proposes a tour of linear time series models. It goes on to address nonlinearity from polynomial or chaotic models for which explicit expansions are available, then turns to Markov and non-Markov linear models and discusses Bernoulli shifts time series models. Finally, the volume focuses on the limit theory, starting with the ergodic theorem, which is seen as the first step for statistics of time series. It defines the distributional range to obtain generic tools for limit theory under long or short-range dependences (LRD/SRD) and explains examples of LRD behaviours. More general techniques (central limit theorems) are described under SRD; mixing and weak dependence are also reviewed. In closing, it describes moment techniques together with their relations to cumulant sums as well as an application to kernel type estimation.The appendix reviews basic probability theory facts and discusses useful laws stemming from the Gaussian laws as well as the basic principles of probability, and is completed by R-scripts used for the figures. Richly illustrated with examples and simulations, the book is recommended for advanced master courses for mathematicians just entering the field of time series, and statisticians who want more mathematical insights into the background of non-linear time series.





نظرات کاربران