Geschäftskunden Kundenprogramme
Vor Ort
Merkzettel Warenkorb
  • Produktbild: Markov Chains
  • Produktbild: Markov Chains
Band 1

Markov Chains Analytic and Monte Carlo Computations

Aus der Reihe Wiley Series in Probability and Statistics

Fr. 143.00

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

27.05.2014

Verlag

John Wiley & Sons

Seitenzahl

260

Maße (L/B/H)

23.5/15.7/1.9 cm

Gewicht

534 g

Auflage

1. Auflage

Sprache

Englisch

ISBN

978-1-118-51707-9

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

27.05.2014

Verlag

John Wiley & Sons

Seitenzahl

260

Maße (L/B/H)

23.5/15.7/1.9 cm

Gewicht

534 g

Auflage

1. Auflage

Sprache

Englisch

ISBN

978-1-118-51707-9

Herstelleradresse

Libri GmbH
Europaallee 1
36244 Bad Hersfeld
DE

Email: gpsr@libri.de

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
Die Leseprobe wird geladen.
  • Produktbild: Markov Chains
  • Produktbild: Markov Chains
  • Preface ix

    List of Figures xi

    Nomenclature xiii

    Introduction xv

    1 First steps 1

    1.1 Preliminaries 1

    1.2 First properties of Markov chains 2

    1.2.1 Markov chains, finite-dimensional marginals, and laws 2

    1.2.2 Transition matrix action and matrix notation 5

    1.2.3 Random recursion and simulation 9

    1.2.4 Recursion for the instantaneous laws, invariant laws 10

    1.3 Natural duality: algebraic approach 11

    1.3.1 Complex eigenvalues and spectrum 11

    1.3.2 Doeblin condition and strong irreducibility 15

    1.3.3 Finite state space Markov chains 17

    1.4 Detailed examples 21

    1.4.1 Random walk on a network 21

    1.4.2 Gambler's ruin 22

    1.4.3 Branching process: evolution of a population 25

    1.4.4 Ehrenfest's Urn 27

    1.4.5 Renewal process 33

    1.4.6 Word search in a character chain 36

    1.4.7 Product chain 38

    Exercises 40

    2 Past, present, and future 47

    2.1 Markov property and its extensions 47

    2.1.1 Past -field, filtration, and translation operators 47

    2.1.2 Markov property 48

    2.1.3 Stopping times and strong Markov property 50

    2.2 Hitting times and distribution 51

    2.2.1 Hitting times, induced chain, and hitting distribution 51

    2.2.2 "One step forward" method, Dirichlet problem 53

    2.3 Detailed examples 60

    2.3.1 Gambler's ruin 60

    2.3.2 Unilateral hitting time for a random walk 64

    2.3.3 Exit time from a box 67

    2.3.4 Branching process 67

    2.3.5 Word search 71

    Exercises 73

    3 Transience and recurrence 79

    3.1 Sample paths and state space 79

    3.1.1 Communication and closed irreducible classes 79

    3.1.2 Transience and recurrence, recurrent class decomposition 80

    3.1.3 Detailed examples 83

    3.2 Invariant measures and recurrence 87

    3.2.1 Invariant laws and measures 87

    3.2.2 Canonical invariant measure 89

    3.2.3 Positive recurrence, invariant law criterion 91

    3.2.4 Detailed examples 93

    3.3 Complements 97

    3.3.1 Hitting times and superharmonic functions 97

    3.3.2 Lyapunov functions 99

    3.3.3 Time reversal, reversibility, and adjoint chain 105

    3.3.4 Birth-and-death chains 108

    Exercises 111

    4 Long-time behavior 119

    4.1 Path regeneration and convergence 119

    4.1.1 Pointwise ergodic theorem, extensions 120

    4.1.2 Central limit theorem for Markov chains 124

    4.1.3 Detailed examples 126

    4.2 Long-time behavior of the instantaneous laws 128

    4.2.1 Period and aperiodic classes 128

    4.2.2 Coupling of Markov chains and convergence in law 132

    4.2.3 Detailed examples 139

    4.3 Elements on the rate of convergence for laws 140

    4.3.1 The Hilbert space framework 140

    4.3.2 Dirichlet form, spectral gap, and exponential bounds 143

    4.3.3 Spectral theory for reversible matrices 146

    4.3.4 Continuous-time Markov chains 149

    Exercises 150

    5 Monte Carlo methods 155

    5.1 Approximate solution of the Dirichlet problem 155

    5.1.1 General principles 155

    5.1.2 Heat equation in equilibrium 156

    5.1.3 Heat equation out of equilibrium 158

    5.1.4 Parabolic partial differential equations 159

    5.2 Invariant law simulation 162

    5.2.1 Monte Carlo methods and ergodic theorems 162

    5.2.2 Metropolis algorithm, Gibbs law, and simulated annealing 163

    5.2.3 Exact simulation and backward recursion 166

    Appendix A Complements 171

    A.1 Basic probabilistic notions 171

    A.1.1 Discrete random variable, expectation, and generating function 171

    A.1.2 Conditional probabilities and independence 175

    A.2 Discrete measure convergence 177

    A.2.1 Total variation norm and maximal coupling 177

    A.2.2 Duality between measures and functions 180

    A.2.3 Weak convergence of laws and convergence in law 182

    A.3 Measure-theoretic framework 183

    A.3.1 Probability spaces 183

    A.3.2 Measurable spaces and functions: signed and nonnegative 185

    A.3.3 Random variables, their laws, and expectations 186

    A.3.4 Random sequences and Kolmogorov extension theorem 192

    References 195

    Solutions for the exercises 197

    Index 229