Uniform Central Limit Theorems, 2nd edition

دسته بندی: آمار ریاضی
ویرایش:  
نویسندگان: Dudley R.M.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 484 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

قیمت کتاب (تومان) : 40,000

انتشارات دانشگاه کمبریج، 2014. — 469 p. این کتاب نشان می‌دهد که چگونه وقتی نمونه‌ها بزرگ می‌شوند، قوانین احتمال اعداد بزرگ و حقایق مرتبط تضمین می‌شوند دامنه های گسترده نویسنده، یک متخصص شناخته شده، به بررسی کامل موضوع می پردازد، از جمله موضوعات متعددی که در هیچ کتاب قبلی یافت نشده اند، مانند قضیه اندازه گیری عمده فرنیک-تالاگراند برای فرآیندهای گاوسی، درمان گسترده ای از ترکیبیات Vapnik-Chervonenkis، Ossiander L2. قضیه حد مرکزی براکتینگ، قضیه حد مرکزی بوت استرپ جین زین در احتمال، قضیه برونشتاین در مورد تقریب مجموعه‌های محدب، و قضیه شور در مورد نرخ همگرایی در لایه‌های پایین‌تر. سایر نتایج اخیر تالاگرند و دیگران بدون اثبات در بخش‌های جداگانه بررسی شده‌اند. مسائل در پایان هر فصل گنجانده شده است، بنابراین می توان از کتاب به عنوان یک متن پیشرفته استفاده کرد. این کتاب ریاضیدانان علاقه مند به احتمالات، آماردانان ریاضی و دانشمندان کامپیوتری را که در تئوری یادگیری کامپیوتر کار می کنند، مورد توجه قرار خواهد داد.

Cambridge University Press, 2014. — 469 p. This book shows how, when samples become large, the probability laws of large numbers and related facts are guaranteed to hold over wide domains. The author, an acknowledged expert, gives a thorough treatment of the subject, including several topics not found in any previous book, such as the Fernique-Talagrand majorizing measure theorem for Gaussian processes, an extended treatment of Vapnik-Chervonenkis combinatorics, the Ossiander L2 bracketing central limit theorem, the Giné-Zinn bootstrap central limit theorem in probability, the Bronstein theorem on approximation of convex sets, and the Shor theorem on rates of convergence over lower layers. Other recent results of Talagrand and others are surveyed without proofs in separate sections. Problems are included at the end of each chapter so the book can be used as an advanced text. The book will interest mathematicians with an interest in probability, mathematical statisticians, and computer scientists working in computer learning theory.