fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf

Site Breadcrumb

Verkauf durch Sack Fachmedien

Stein

Interpolation of Spatial Data

Some Theory for Kriging

Medium: Buch
ISBN: 978-0-387-98629-6
Verlag: Springer
Erscheinungstermin: 22.06.1999
In den Warenkorb
Lieferfrist: bis zu 10 Tage
Auf die Merkliste Drucken

Leseprobe
Überschrift

Beschreibung

Kostenloser Versand

nach Deutschland, Österreich und in die Schweiz

Bequem zahlen

Rechnung, Kreditkarte, PayPal oder Bankeinzug

Wir sind gerne für Sie da

0800 000-1378 (Inland)
service@fachmedien.de
<<Kontaktformular>>

Fragen

Fragen Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua
Anwtorten

Anwtorten At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet

Prediction of a random field based on observations of the random field at some set of locations arises in mining, hydrology, atmospheric sciences, and geography. Kriging, a prediction scheme defined as any prediction scheme that minimizes mean squared prediction error among some class of predictors under a particular model for the field, is commonly used in all these areas of prediction. This book summarizes past work and describes new approaches to thinking about kriging.

Produkteigenschaften

  • Artikelnummer: 9780387986296
  • Medium: Buch
  • ISBN: 978-0-387-98629-6
  • Verlag: Springer
  • Erscheinungstermin: 22.06.1999
  • Sprache(n): Englisch
  • Auflage: 1999
  • Serie: Springer Series in Statistics
  • Produktform: Gebunden
  • Gewicht: 1250 g
  • Seiten: 249
  • Format (B x H x T): 160 x 241 x 20 mm
  • Ausgabetyp: Kein, Unbekannt

Themen

Autoren/Hrsg.

Autoren

1 Linear Prediction.- 1.1 Introduction.- 1.2 Best linear prediction.- 1.3 Hilbert spaces and prediction.- 1.4 An example of a poor BLP.- 1.5 Best linear unbiased prediction.- 1.6 Some recurring themes.- 1.7 Summary of practical suggestions.- 2 Properties of Random Fields.- 2.1 Preliminaries.- 2.2 The turning bands method.- 2.3 Elementary properties of autocovariance functions.- 2.4 Mean square continuity and differentiability.- 2.5 Spectral methods.- 2.6 Two corresponding Hilbert spaces.- 2.7 Examples of spectral densities on 112.- 2.8 Abelian and Tauberian theorems.- 2.9 Random fields with nonintegrable spectral densities.- 2.10 Isotropic autocovariance functions.- 2.11 Tensor product autocovariances.- 3 Asymptotic Properties of Linear Predictors.- 3.1 Introduction.- 3.2 Finite sample results.- 3.3 The role of asymptotics.- 3.4 Behavior of prediction errors in the frequency domain.- 3.5 Prediction with the wrong spectral density.- 3.6 Theoretical comparison of extrapolation and ointerpolation.- 3.7 Measurement errors.- 3.8 Observations on an infinite lattice.- 4 Equivalence of Gaussian Measures and Prediction.- 4.1 Introduction.- 4.2 Equivalence and orthogonality of Gaussian measures.- 4.3 Applications of equivalence of Gaussian measures to linear prediction.- 4.4 Jeffreys’s law.- 5 Integration of Random Fields.- 5.1 Introduction.- 5.2 Asymptotic properties of simple average.- 5.3 Observations on an infinite lattice.- 5.4 Improving on the sample mean.- 5.5 Numerical results.- 6 Predicting With Estimated Parameters.- 6.1 Introduction.- 6.2 Microergodicity and equivalence and orthogonality of Gaussian measures.- 6.3 Is statistical inference for differentiable processes possible?.- 6.4 Likelihood Methods.- 6.5 Matérn model.- 6.6 A numerical study of the Fisherinformation matrix under the Matérn model.- 6.7 Maximum likelihood estimation for a periodic version of the Matérn model.- 6.8 Predicting with estimated parameters.- 6.9 An instructive example of plug-in prediction.- 6.10 Bayesian approach.- A Multivariate Normal Distributions.- B Symbols.- References.