دانلود کتاب عناصر تحلیل و پیش بینی سری های زمانی غیرخطی بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
نام کتاب : Elements of Nonlinear Time Series Analysis and Forecasting
ویرایش : 1st ed. 2017
عنوان ترجمه شده به فارسی : عناصر تحلیل و پیش بینی سری های زمانی غیرخطی
سری : Springer Series in Statistics
نویسندگان : Jan G. De Gooijer
ناشر : Springer
سال نشر : 2017
تعداد صفحات : 626
ISBN (شابک) : 9783319432519 , 3319432516
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 8 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
این کتاب نمای کلی از پیشرفتهترین پیشرفتهترین تحلیل سریهای زمانی غیرخطی را ارائه میدهد، که بهطور کامل با مثالها، الگوریتمهای شبه کد و برنامههای کاربردی در دنیای واقعی نشان داده شده است. با اجتناب از قالب «ضد قضیه»، کاربردهای ملموس را در انواع سریهای زمانی تجربی نشان میدهد. این کتاب را میتوان در دورههای تحصیلات تکمیلی در سریهای زمانی غیرخطی استفاده کرد و در عین حال حاوی مطالب جالبی برای خوانندگان پیشرفتهتر است. اگرچه این کتاب تا حد زیادی مستقل است، اما خوانندگان به درک مفاهیم سریهای زمانی خطی، زنجیرههای مارکوف و روشهای شبیهسازی مونت کارلو نیاز دارند.
این کتاب روشهای حوزه زمان و دامنه فرکانس را برای تحلیل هر دو پوشش میدهد. سری زمانی تک متغیره و چند متغیره (بردار). تمایز واضحی بین مدلهای پارامتریک از یک سو و مدلها/روشهای نیمه و ناپارامتریک از سوی دیگر ایجاد میکند. این به خواننده این امکان را میدهد که منحصراً روی یکی از این روشهای تحلیل سریهای زمانی غیرخطی تمرکز کند.
برای اینکه کتاب تا حد امکان کاربرپسند باشد، مفاهیم اصلی پشتیبانی و جداول تخصصی در پایان هر فصل ضمیمه میشوند. . علاوه بر این، هر فصل با مجموعه ای از اصطلاحات و مفاهیم کلیدی و همچنین خلاصه ای از یافته های اصلی به پایان می رسد. در نهایت، این کتاب تمرینهای نظری و تجربی متعددی را ارائه میکند که پاسخهای آن توسط نویسنده در کتابچه راهنمای راهحلهای گسترده ارائه شده است.
This book provides an overview of the current state-of-the-art of nonlinear time series analysis, richly illustrated with examples, pseudocode algorithms and real-world applications. Avoiding a “theorem-proof” format, it shows concrete applications on a variety of empirical time series. The book can be used in graduate courses in nonlinear time series and at the same time also includes interesting material for more advanced readers. Though it is largely self-contained, readers require an understanding of basic linear time series concepts, Markov chains and Monte Carlo simulation methods.
The book covers time-domain and frequency-domain methods for the analysis of both univariate and multivariate (vector) time series. It makes a clear distinction between parametric models on the one hand, and semi- and nonparametric models/methods on the other. This offers the reader the option of concentrating exclusively on one of these nonlinear time series analysis methods.
To make the book as user friendly as possible, major supporting concepts and specialized tables are appended at the end of every chapter. In addition, each chapter concludes with a set of key terms and concepts, as well as a summary of the main findings. Lastly, the book offers numerous theoretical and empirical exercises, with answers provided by the author in an extensive solutions manual.