Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
In januari gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
In januari gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Winkels

Verlanglijstje

Winkels

Verlanglijstje

Zoeken

Volg ons op

140 winkels

Wist je dat er in Vlaanderen voor iedereen een Standaard Boekhandel is binnen een straal van 7 km?

Vind hier een winkel

€ 139,95

+ 279 punten

Levering 1 à 2 weken

Eenvoudig bestellen

Veilig betalen

In januari gratis thuislevering in België (via bpost)

Gratis levering in je Standaard Boekhandel

Omschrijving

Smoothness Priors Analysis of Time Series addresses some of the problems of modeling stationary and nonstationary time series primarily from a Bayesian stochastic regression "smoothness priors" state space point of view. Prior distributions on model coefficients are parametrized by hyperparameters. Maximizing the likelihood of a small number of hyperparameters permits the robust modeling of a time series with relatively complex structure and a very large number of implicitly inferred parameters. The critical statistical ideas in smoothness priors are the likelihood of the Bayesian model and the use of likelihood as a measure of the goodness of fit of the model. The emphasis is on a general state space approach in which the recursive conditional distributions for prediction, filtering, and smoothing are realized using a variety of nonstandard methods including numerical integration, a Gaussian mixture distribution-two filter smoothing formula, and a Monte Carlo "particle-path tracing" method in which the distributions are approximated by many realizations. The methods are applicable for modeling time series with complex structures.