9780387961026 - robust and nonlinear time series analysis: proceedings of a workshop organized by the sonderforschungsbereich 123 ''stochastische mathematische ... (lecture notes in statistics, 26, band 26) von wolfgang härdle, jürgen franke (4 Ergebnisse)
Sprache: Englisch
Verlag: Springer, New York ; Berlin ; Heidelberg ; Tokyo, 1984
- Softcover
Anbieter: Antiquariat Lücke, Einzelunternehmung, Schweinfurt, DeutschlandAntiquariat Lücke, Einzelunternehmung
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Gebraucht - Gut
EUR 28,00
EUR 48,00 VersandVersand von Deutschland nach USAAnzahl: 1 verfügbar
Kartoniert. Zustand: Gut. 25 cm Lecture Notes in Statistics, 26. VII, 286 S. Orig.-Karton. Mit graphischen Darstellungen. Gutes Exemplar.
- Softcover
Anbieter: Ria Christie Collections, Uxbridge, Vereinigtes KönigreichRia Christie Collections
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Neu
EUR 116,53
EUR 13,99 VersandVersand von Vereinigtes Königreich nach USAAnzahl: Mehr als 20 verfügbar
Zustand: New. In.
- Softcover
Anbieter: Revaluation Books, Exeter, Vereinigtes KönigreichRevaluation Books
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Neu
EUR 152,30
EUR 14,60 VersandVersand von Vereinigtes Königreich nach USAAnzahl: 2 verfügbar
Paperback. Zustand: Brand New. 1st edition. 286 pages. 9.75x6.75x0.75 inches. In Stock.
- Softcover
Anbieter: AHA-BUCH GmbH, Einbeck, DeutschlandAHA-BUCH GmbH
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Neu
EUR 114,36
EUR 62,61 VersandVersand von Deutschland nach USAAnzahl: 1 verfügbar
Taschenbuch. Zustand: Neu. Druck auf Anfrage Neuware - Printed after ordering - Classical time series methods are based on the assumption that a particular stochastic process model generates the observed data. The, most commonly used assumption is that the data is a realization of a stationary Gaussian process. However, since th…e Gaussian assumption is a fairly stringent one, this assumption is frequently replaced by the weaker assumption that the process is wide~sense stationary and that only the mean and covariance sequence is specified. This approach of specifying the probabilistic behavior only up to 'second order' has of course been extremely popular from a theoretical point of view be cause it has allowed one to treat a large variety of problems, such as prediction, filtering and smoothing, using the geometry of Hilbert spaces. While the literature abounds with a variety of optimal estimation results based on either the Gaussian assumption or the specification of second-order properties, time series workers have not always believed in the literal truth of either the Gaussian or second-order specifica tion. They have none-the-less stressed the importance of such optimali ty results, probably for two main reasons: First, the results come from a rich and very workable theory. Second, the researchers often relied on a vague belief in a kind of continuity principle according to which the results of time series inference would change only a small amount if the actual model deviated only a small amount from the assum ed model.
