Cтраница 1
Стохастический случай: пусть л ( t): оо / оо означает выборочную функцию стационарного в узком смысле процесса, в котором моменты всех порядков ограничены. [1]
В стохастическом случае нельзя обратной подстановкой, как мы делали в разд. Это обусловлено тем, что результаты преобразований можно узнать лишь непосредственным наблюдением. [2]
В стохастическом случае пусть r ( t); - со t 00 будет выборочной функцией стационарного в узком смысле процесса, в котором моменты всех порядков ограничены. [3]
Переходы в стохастическом случае могут быть очень быстрыми, однако могут происходить и в течение достаточно долгого времени. При этом переменные состояния не обязаны меняться монотонно. [4]
Формулировка задачи в стохастическом случае в основном идентична детерминированному случаю, описываемому уравнениями ( 11) и ( 12), приведенными в разд. Отличительной чертой стохастического варианта является наличие двух членов: pFx - i () и qFN - i (), указывающих на две стохастические возможности. [5]
Метрика р определяется на основе нормы для стохастического случая и на основе нормы 4 - для квантового случая. [6]
Вопрос о том, Как поступать в стохастическом случае при однократной реализации, является дискуссионным и здесь не обсуждается. [7]
Постановка задачи прямого факторного анализа распространяется на детерминированный и стохастический случай. [8]
Проблема синтеза оптимальных систем ( с обратной связью) в стохастических случаях приобретает особенное значение, так как именно этот аспект задачи позволяет при формировании управляющих воздействий учесть реальный ход осуществления случайных движений, не предсказываемый точно заранее. [9]
Рассматриваются возможности распространения известных детерминированных поста новок задач нелинейного программирования на стохастический случай. При этом затрагива ются как статический, так и динамический варианты. Для рассмотренных стохастических задач получены условия оптимальности и предлагаются некоторые вычислительные процедуры. [10]
Это соответствует шагам 2 - 5 основных алгоритмов, полученных для стохастических случаев. Затем переходим к шагу 6 и к следующим шагам по основным алгоритмам. [11]
Приведенный нами пример подтверждает, что самое непосредственное обобщение детерминированных понятий на стохастический случай дает наилучшие результаты. Качественное изменение стационарного состояния однозначно отражается на экстремумах плотности вероятности. Единственным исключением является переход от вырожденной к подлинно случайной величине. В этом случае наилучшим индикатором перехода служит дисперсия. В частности, мы отнюдь не утверждаем, что максимумы определяют стационарное распределение вероятности. Внешний шум имеет макроскопическую природу и не мал по сравнению с внутренними флуктуациями, что, естественно, приводит к расширению переходной зоны и уширению пиков, но не исключает возможность экспериментального наблюдения. [12]
Мы считаем, что в процессе выделены такие состояния, а каждому состоянию сопоставлены такие управления, что управление, выбранное в данном состоянии при любой предыстории процесса, определяет ( в детерминированном случае полностью, а в стохастическом случае с точностью до выбора некоторого случайного воздействия) следующее состояние процесса. [13]
Экстремумы стационарной плотности вероятности с этой точки зрения позволяют отслеживать такое качественное изменение. Число и положение экстремумов плотности вероятности ps ( x) в стохастическом случае и потенциала VK ( X) в детерминированном случае являются наиболее характерными отличительными особенностями стационарного поведения системы. [14]
В зависимости от свойств реальной системы хранения запасов могут быть сформулированы разнообразные модели, отличающиеся по уровню сложности. Здесь будет рассмотрена одна довольно простая ситуация, дающая представление об основных подходах к описанию систем хранения запасов в стохастическом случае. [15]