Merkzettel Warenkorb
  • Produktbild: Random Processes and Learning
  • Produktbild: Random Processes and Learning
Band 150

Random Processes and Learning

Aus der Reihe Grundlehren der mathematischen Wissenschaften

49,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Lieferung nach Hause

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

25.02.2012

Verlag

Springer Berlin

Seitenzahl

308

Maße (L/B/H)

23,5/15,5/1,8 cm

Gewicht

486 g

Auflage

Softcover reprint of the original 1st ed. 1969

Sprache

Englisch

ISBN

978-3-642-46186-6

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

25.02.2012

Verlag

Springer Berlin

Seitenzahl

308

Maße (L/B/H)

23,5/15,5/1,8 cm

Gewicht

486 g

Auflage

Softcover reprint of the original 1st ed. 1969

Sprache

Englisch

ISBN

978-3-642-46186-6

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: GPSR Kontakt

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern
  • Produktbild: Random Processes and Learning
  • Produktbild: Random Processes and Learning
  • 1 A study of random sequences via the dependence coefficient.- 1.1. The general case.- 1.1.1. The dependence coefficient.- 1.1.1.1. Borel-Cantelli type properties.- 1.1.1.2. The 0–1 law.- 1.1.1.3. Two auxiliary results.- 1.1.2. Generalizations of Bienaymé’s equality.- 1.1.2.1. Some inequalities concerning the covariance.- 1.1.2.2. Applications to the variance of sums.- 1.1.3. Convergence of series.- 1.1.3.1. The a.s. convergence.- 1.1.3.2. The strong law of large numbers.- 1.1.4. The central limit theorem.- 1.1.4.1. The variance of sums.- 1.1.4.2. Different variants.- 1.1.5. The law of the iterated logarithm.- 1.1.5.1. Two auxiliary results.- 1.1.5.2. The main theorem.- 1.2. The Markovian case.- 1.2.1. The coefficient of ergodicity.- 1.2.1.1. Introductory definitions.- 1.2.1.2. Properties.- 1.2.1.3. The relationship to the independence coefficient.- 1.2.2. A lower bound for the variance.- 1.2.2.1. The main theorem.- 1.2.2.2. Auxiliary results.- 1.2.3. Asymptotic properties.- 1.2.3.1. Borel-Cantelli lemma and the 0–1 law.- 1.2.3.2. Generalizations of Bienaymé’s equality.- 1.2.3.3. Convergence of series.- 1.2.3.4. The strong law of large numbers.- 1.2.3.5. The central limit theorem and the law of the iterated logarithm.- 2 Random systems with complete connections.- 2.1. Ergodicity.- 2.1.1. Basic definitions.- 2.1.1.1. The concept of random system with complete connections.- 2.1.1.2. The associated Markov system.- 2.1.1.3. The associated operators.- 2.1.2. Different types of ergodicity.- 2.1.2.1. Definitions and auxiliary results.- 2.1.2.2. Uniform ergodicity in the weak sense.- 2.1.2.3. Uniform ergodicity for the homogeneous case.- 2.1.2.4. Uniform ergodicity in the strong sense.- 2.1.2.5. Application to multiple Markov chains.- 2.1.2.6. Application to the associated Markov system.- 2.1.3. An operator-theoretical approach.- 2.1.3.1. Mean and uniform ergodic theorems.- 2.1.3.2. Ergodic theorems for a special class of operators.- 2.1.3.3. Application to the associated Markov system.- 2.1.3.4. Application to the ergodicity of homogeneous random systems with complete connections.- 2.2. Asymptotic behaviour.- 2.2.1. Properties not supposing the ergodicity.- 2.2.1.1. Borel-Cantelli lemma and the 0–1 law.- 2.2.1.2. Convergence and the strong law of large numbers.- 2.2.2. Properties supposing the ergodicity.- 2.2.2.1. Basic results.- 2.2.2.2. The strong law of large numbers.- 2.2.2.3. The weak law of large numbers.- 2.2.2.4. The central limit theorem.- 2.2.2.5. The law of the iterated logarithm.- 2.2.2.6. Some nonparametric statistics.- 2.3. Special random systems with complete connections.- 2.3.1. OM-chains.- 2.3.1.1. Basic definitions.- 2.3.1.2. Examples.- 2.3.1.3. Ergodic theorems.- 2.3.1.4. The Monte Carlo simulation.- 2.3.1.5. The case of an arbitrary set of states.- 2.3.2. Chains of infinite order.- 2.3.2.1. Definition and several special cases.- 2.3.2.2. An existence theorem.- 2.3.2.3. The case of a finite set of states.- 2.3.3. Other examples.- 2.3.3.1. Partially observable sequences.- 2.3.3.2. Miscellanea.- 3 Learning.- 3.1. Basic models.- 3.1.1. Introductory definitions and notions.- 3.1.1.1. Description of models.- 3.1.1.2. The simulation of models.- 3.1.2. Distance diminishing models.- 3.1.2.1. Description of the model.- 3.1.2.2. Theorems concerning states.- 3.1.2.3. Theorems concerning events.- 3.1.3. Finite state models.- 3.1.3.1. Introductory comments.- 3.1.3.2. Properties.- 3.2. Linear models.- 3.2.1. The (t + 1)-operator model.- 3.2.1.1. Description of the model.- 3.2.1.2. The (m + 1)2-operator model with reinforcement.- 3.2.1.3. The limiting distribution function.- 3.2.2. Experimenter-, subject- and experimenter-subject-controlled events.- 3.2.2.1. Experimenter-controlled events.- 3.2.2.2. Subject-controlled events.- 3.2.2.3. Experimenter-subject-controlled events.- 3.3. Nonlinear models.- 3.3.1. The beta model.- 3.3.1.1. Description of the model.- 3.3.1.2. Some auxiliary results.- 3.3.1.3. Properties.- 3.3.2. The simultaneous discrimination learning model.- 3.3.2.1. Description of the model.- 3.3.2.2. Properties.- 3.3.3. The fixed sample size model.- 3.3.3.1. Description of the model.- 3.3.3.2. Properties.- Notation index.- Author and subject index.