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 The spectral analysis of time series

دانلود کتاب تحلیل طیفی سری های زمانی

مشخصات کتاب

The spectral analysis of time series

دسته بندی: آمار ریاضی
ویرایش:  
نویسندگان: Lambert H. Koopmans  
سری: Probability and Mathematical Statistics 
ISBN (شابک) : 9780124192515, 0124192513 
ناشر: Academic Press 
سال نشر: 1995 
تعداد صفحات: 385 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 14 مگابایت

قیمت کتاب (تومان) : 44,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 23

در صورت تبدیل فایل کتاب The spectral analysis of 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 تحلیل طیفی 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 تحلیل طیفی سری های زمانی

برای تطبیق مدل‌های سری زمانی برای یک مشکل فیزیکی خاص و دنبال کردن کار تکنیک‌های مختلف برای پردازش و تحلیل داده‌ها، باید نظریه پایه تحلیل طیفی (حوزه فرکانس) سری‌های زمانی را درک کرد. این کتاب کلاسیک مقدمه ای بر تکنیک ها و نظریه های تحلیل طیفی سری های زمانی ارائه می دهد. این کتاب در سبک گفتمانی و با حداقل وابستگی به ریاضیات، ساختار هندسی تحلیل طیفی را ارائه می‌کند. این رویکرد تفسیرهای مفید و شهودی پارامترهای مهم سری زمانی را ممکن می‌سازد و یک چارچوب یکپارچه برای مجموعه‌ای پراکنده از نتایج به‌ظاهر مجزا فراهم می‌کند. قوت کتاب در کاربرد آن برای نیازهای خوانندگان بسیاری از رشته ها با پیشینه های مختلف در ریاضیات نهفته است. این یک پایه محکم در تجزیه و تحلیل طیفی برای زمینه هایی است که شامل آمار، مهندسی فرآیند سیگنال، اقتصاد، ژئوفیزیک، فیزیک و زمین شناسی می شود. ضمیمه ها جزئیات و شواهدی را برای کسانی که در ریاضیات پیشرفته هستند ارائه می دهد. تئوری ها با مثال ها و کاربردهایی در طیف گسترده ای از موضوعات مانند هواشناسی، زلزله شناسی و مخابرات دنبال می شوند. موضوعات تحت پوشش شامل فضاهای هیلبرت است. مدل های تک متغیره برای تحلیل طیفی. مدل های طیفی چند متغیره؛ نمونه‌برداری، نام‌گذاری و مدل‌های زمان گسسته؛ فیلتر زمان واقعی؛ فیلترهای دیجیتال؛ فیلترهای خطی؛ نظریه توزیع؛ خواص نمونه برداری از تخمین های طیفی. و پیش بینی خطی ویژگی‌های کلیدی * فضاهای هیلبرت * مدل‌های تک متغیره برای تحلیل طیفی * مدل‌های طیفی چند متغیره * نمونه‌برداری، همخوانی و مدل‌های زمان گسسته * فیلتر زمان واقعی * فیلترهای دیجیتال * فیلترهای خطی * تئوری توزیع * خواص نمونه‌برداری از تخمین‌های طیفی * پیش‌بینی خطی

توضیحاتی درمورد کتاب به خارجی

To tailor time series models to a particular physical problem and to follow the working of various techniques for processing and analyzing data, one must understand the basic theory of spectral (frequency domain) analysis of time series. This classic book provides an introduction to the techniques and theories of spectral analysis of time series. In a discursive style, and with minimal dependence on mathematics, the book presents the geometric structure of spectral analysis. This approach makes possible useful, intuitive interpretations of important time series parameters and provides a unified framework for an otherwise scattered collection of seemingly isolated results. The books strength lies in its applicability to the needs of readers from many disciplines with varying backgrounds in mathematics. It provides a solid foundation in spectral analysis for fields that include statistics, signal process engineering, economics, geophysics, physics, and geology. Appendices provide details and proofs for those who are advanced in math. Theories are followed by examples and applications over a wide range of topics such as meteorology, seismology, and telecommunications. Topics covered include Hilbert spaces; univariate models for spectral analysis; multivariate spectral models; sampling, aliasing, and discrete-time models; real-time filtering; digital filters; linear filters; distribution theory; sampling properties ofspectral estimates; and linear prediction. Key Features * Hilbert spaces * univariate models for spectral analysis * multivariate spectral models * sampling, aliasing, and discrete-time models * real-time filtering * digital filters * linear filters * distribution theory * sampling properties of spectral estimates * linear prediction

فهرست مطالب

Front Cover......Page 1
The Spectral Analysis of Time Series......Page 4
Copyright Page......Page 5
Contents......Page 8
Preface......Page 12
Acknowledgements......Page 14
Preface to the Second Edition......Page 16
1.2 Time Series and Spectra......Page 18
1.3 Summary of Vector Space Geometry......Page 30
1.4 Some Probability Notations and Properties......Page 43
2.1 Introduction......Page 46
2.2 The Wiener Theory of Spectral Analysis......Page 47
2.3 Stationary and Weakly Stationary Stochastic Processes......Page 54
2.4 The Spectral Representation for Weakly Stationary Stochastic Processes—A Special Case......Page 56
2.5 The General Spectral Representation for Weakly Stationary Processes......Page 58
2.6 The Discrete and Continuous Components of the Process......Page 63
2.7 Physical Realization of the Different Kinds of Spectra......Page 66
2.8 The Real Spectral Representation......Page 67
2.9 Ergodicity and the Connection between the Wiener and Stationary Process Theories......Page 70
2.10 Statistical Estimation of the Autocovariance and the Mean Ergodic Theorem......Page 72
Appendix to Chapter 2......Page 78
3.1 Introduction......Page 83
3.2 Sampling and the Aliasing Problem......Page 84
3.3 The Spectral Model for Discrete-Time Series......Page 91
4.1 Introduction......Page 96
4.2 Linear Filters......Page 97
4.3 Combining Linear Filters......Page 113
4.4 Inverting Linear Filters......Page 122
4.5 Nonstationary Processes Generated by Time Varying Linear Filters......Page 128
Appendix to Chapter 4......Page 131
5.1 Introduction......Page 136
5.2 The Spectrum of a Multivariate Time Series–Wiener Theory......Page 138
5.3 Multivariate Weakly Stationary Stochastic Processes......Page 141
5.4 Linear Filters for Multivariate Time Series......Page 146
5.5 The Bivariate Spectral Parameters, Their Intepretations and Uses......Page 152
5.6 The Multivariate Spectral Parameters, Their Interpretations and Uses......Page 169
Appendix to Chapter 5......Page 179
6.1 Introduction......Page 182
6.2 General Properties of Digital Filters......Page 183
6.3 The Effect of Finite Data Length......Page 193
6.4 Digital Filters with Finitely Many Nonzero Weights......Page 199
6.5 Digital Filters Obtained by Combining Simple Filters......Page 207
6.6 Filters with Gapped Weights and Results Concerning the Filtering of Series with Polynomial Trends......Page 213
Appendix to Chapter 6......Page 222
7.1 Introduction......Page 227
7.2 Moving Averages......Page 229
7.3 Autoregressive Processes......Page 234
7.4 The Linear Prediction Problem......Page 243
7.5 Mixed Autoregressive–Moving Average Processes and Recursive Prediction......Page 257
7.6 Linear Filtering in Real Time......Page 266
Appendix to Chapter 7......Page 269
8.1 Introduction......Page 274
8.2 Distribution of the Finite Fourier Transform and the Periodogram......Page 275
8.3 Distribution Theory for Univariate Spectral Estimators......Page 282
8.4 Distribution Theory for Multivariate Spectral Estimators with Applications to Statistical Inference......Page 297
Appendix to Chapter 8......Page 308
9.1 Introduction......Page 311
9.2 Properties of Spectral Estimators and the Selection of Spectral Windows......Page 312
9.3 Experimental Design......Page 327
9.4 Methods for Computing Spectral Estimators......Page 338
9.5 Data Processing Problems and Techniques......Page 347
Appendix to Chapter 9......Page 351
References......Page 371
Index......Page 376
Probability and Mathematical Statistics......Page 384