Tidsserieanalys handlar om matematisk modellering av tidsvariabla stokastiska fenomen som t.ex. havsvågor, vattenstånd i sjöar och floder, efterfrågan på elkraft, radarsignaler, muskelreaktioner, EKG-signaler eller optionskurser på aktiemarknaden. Modellens struktur väljs dels med ledning av fysikalisk kunskap om processen, dels med hjälp av observerade data. Centrala problem är olika modellers egTime series analysis concerns the mathematical modelling of time varying phenomena, e.g., ocean waves, water levels in lakes and rivers, demand for electrical power, radar signals, muscular reactions, ECG-signals, or option prices at the stock market. The structure of the model is chosen both with regard to the physical knowledge of the process, as well as using observed data. Central problems are

Grundläggande datahantering och vanliga visualiseringsmetoder för data. Metoder för oövervakad och övervakad inlärning så som: klustring; hierarkisk klustring; samt regressions- och beslutsträdsmetoder för klassificering och regressionsproblem. Metoder för modellval och modellvalidering så som: bootstrap, uppdelning av data i träning och test, samt korsvalidering.Basic methods for data handling and common visualisation methods for data. Methods for unsupervised and supervised learning such as: clustering; hierarchical clustering; and regression and decision tree methods for classification and regression problems. Methods for model selection and validation such as: bootstrap, split of data into training and test, and cross-validation.

Kursen behandlar: Grundläggande egenskaper hos Fourierserier av funktioner i en variabel. Exponentialform och trigonometrisk form. Riemann-Lebesgues lemma. Elementära villkor för punktvis och likformig konvergens. Gibbs fenomen. Grundläggande egenskaper hos faltningar av periodiska funktioner i en variabel. Samspelet med Fourierserier. Faltningskärnor och deras tillämpningar vid summering av FoThe course treats: Basic properties of Fourier series of functions in one variable. Exponential form and trigonometric form. Riemann-Lebesgue lemma. Elementary conditions for pointwise and uniform convergence. Gibbs phenomenon. Basic properties of convolutions of periodic functions in one variable. Interaction with Fourier series. Convolution kernels and their applications in summing Fourier se

Kursen läses under hela höstterminen vid Lunds universitet och vid Institutionen för matematisk modellering vid Danmarks tekniska universitet i Lyngby. Kursens innehåll: Olika alternativa icke-linjära modeller för tidsserier, parametriska och icke-parametriska (kärnestimatorer) metoder för bestämning av systemets olinjäriteter. Tillståndsrepresentation och filtrering för icke-linjära system, stoThe course is given during the autumn semester at Lunds university and at the Technical University of Denmark in Lyngby. The graduate course in Advanced Time Series Analysis has its target audience amongst students with technical or natural science background and with adequate basic knowledge in mathematical statistics. The primary goal to give a thorough knowledge on modeling dynamic systems. A

This research monograph explores new frontiers in Markov chains. Although time-homogeneous Markov chains are well understood, this is not at all the case with time-inhomogeneous ones. The book, after a review on the classical theory of homogeneous chains, including the electrical network approach, introduces several new models which involve inhomogeneous chains as well as related new types of rand