MÉTODOS AVANÇADOS EM INFERÊNCIA ESTATÍSTICA NÃO-PARAMÉTRICA: Teoria Matemática, Processos de Difusão e Estimação por Kernel
Você está pronto para dominar os fundamentos mais profundos da inferência moderna e superar as limitações dos modelos paramétricos tradicionais?
Este livro é um guia definitivo e rigoroso para quem busca excelência teórica e aplicabilidade prática na fronteira da estatística matemática. Com uma abordagem que concilia formalismo analítico e resolução passo a passo, a obra conduz o leitor desde os conceitos estruturais da Teoria de Medida até a modelagem avançada de processos estocásticos.
O que você encontrará nesta obra:
• Fundamentação Teórica Sólida: Mergulhe na integração de Lebesgue, espaços funcionais e na passagem dos paradigmas paramétricos para os não-paramétricos.
• Estimação por Kernel Clássica e Avançada: Análise detalhada do estimador de Rosenblatt-Parzen, eficiência assintótica relativa, kernels ótimos e estimação de densidades.
• Processos Estocásticos e de Difusão: Estudo rigoroso de Equações Diferenciais Estocásticas (EDEs) e Processos de Markov aplicados à modelagem não-paramétrica.
• Métodos Modernos de Projeção e Aderência: Domine o Método PCO, Estimadores de Projeção de Mínimos Quadrados, Análise de Dados Funcionais e testes de aderência avançados.
• Exercícios Resolvidos: Demonstrações analíticas e dedução de fórmulas passo a passo para consolidar o aprendizado em nível de pós-graduação.
| Número de páginas | 410 |
| Edição | 1 (2026) |
| Idioma | Português |
Tem algo a reclamar sobre este livro? Envie um email para [email protected]
Faça o login deixe o seu comentário sobre o livro.