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

Afhalen na 1 uur in een winkel met voorraad
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 aan op alles gedurende de hele maand januari.

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

Winkels

Verlanglijstje

Winkels

Verlanglijstje

Zoeken

Volg ons op

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

Zoek een winkel

€ 62,45

+ 124 punten

Uitvoering

Verwachte leverdatum onbekend

Eenvoudig bestellen

Veilig betalen

In januari gratis thuislevering in België (via bpost)

Gratis levering in je Standaard Boekhandel

Omschrijving

Stochastic Analysis for Gaussian Random Processes and Fields: With Applications presents Hilbert space methods to study deep analytic properties connecting probabilistic notions. In particular, it studies Gaussian random fields using reproducing kernel Hilbert spaces (RKHSs).

The book begins with preliminary results on covariance and associated RKHS before introducing the Gaussian process and Gaussian random fields. The authors use chaos expansion to define the Skorokhod integral, which generalizes the Itô integral. They show how the Skorokhod integral is a dual operator of Skorokhod differentiation and the divergence operator of Malliavin. The authors also present Gaussian processes indexed by real numbers and obtain a Kallianpur-Striebel Bayes' formula for the filtering problem. After discussing the problem of equivalence and singularity of Gaussian random fields (including a generalization of the Girsanov theorem), the book concludes with the Markov property of Gaussian random fields indexed by measures and generalized Gaussian random fields indexed by Schwartz space. The Markov property for generalized random fields is connected to the Markov process generated by a Dirichlet form.