Buch, Englisch, 653 Seiten, Previously published in hardcover, Format (B × H): 155 mm x 235 mm, Gewicht: 1001 g
Buch, Englisch, 653 Seiten, Previously published in hardcover, Format (B × H): 155 mm x 235 mm, Gewicht: 1001 g
Reihe: Springer Series in Statistics
ISBN: 978-1-4419-2319-6
Verlag: Springer
This book is a comprehensive treatment of inference for hidden Markov models, including both algorithms and statistical theory. Topics range from filtering and smoothing of the hidden Markov chain to parameter estimation, Bayesian methods and estimation of the number of states. In a unified way the book covers both models with finite state spaces and models with continuous state spaces (also called state-space models) requiring approximate simulation-based algorithms that are also described in detail. Many examples illustrate the algorithms and theory. This book builds on recent developments to present a self-contained view.
Zielgruppe
Research
Autoren/Hrsg.
Fachgebiete
- Mathematik | Informatik Mathematik Stochastik Mathematische Statistik
- Mathematik | Informatik Mathematik Stochastik Wahrscheinlichkeitsrechnung
- Interdisziplinäres Wissenschaften Wissenschaften: Forschung und Information Datenanalyse, Datenverarbeitung
- Technische Wissenschaften Elektronik | Nachrichtentechnik Nachrichten- und Kommunikationstechnik
- Mathematik | Informatik Mathematik Numerik und Wissenschaftliches Rechnen Numerische Mathematik
- Technische Wissenschaften Technik Allgemein Mess- und Automatisierungstechnik
- Mathematik | Informatik EDV | Informatik Angewandte Informatik Computeranwendungen in Wissenschaft & Technologie
- Technische Wissenschaften Technik Allgemein Computeranwendungen in der Technik
- Wirtschaftswissenschaften Betriebswirtschaft Wirtschaftsmathematik und -statistik
- Mathematik | Informatik EDV | Informatik Programmierung | Softwareentwicklung Grafikprogrammierung
- Wirtschaftswissenschaften Volkswirtschaftslehre Volkswirtschaftslehre Allgemein Ökonometrie
Weitere Infos & Material
Main Definitions and Notations.- Main Definitions and Notations.- State Inference.- Filtering and Smoothing Recursions.- Advanced Topics in Smoothing.- Applications of Smoothing.- Monte Carlo Methods.- Sequential Monte Carlo Methods.- Advanced Topics in Sequential Monte Carlo.- Analysis of Sequential Monte Carlo Methods.- Parameter Inference.- Maximum Likelihood Inference, Part I: Optimization Through Exact Smoothing.- Maximum Likelihood Inference, Part II: Monte Carlo Optimization.- Statistical Properties of the Maximum Likelihood Estimator.- Fully Bayesian Approaches.- Background and Complements.- Elements of Markov Chain Theory.- An Information-Theoretic Perspective on Order Estimation.
