Рассмотрим переменную, подчиняющуюся марковскому стохастическому процессу. Предположим, что ее текущее значение равно 10, а изменение в течение года описывается функцией 0(0, 1), где а) - нормальное распределение вероятностей с математическим ожиданием // и стандартным отклонением о. Какое распределение вероятностей описывает изменение этой переменной в течение двух лет?
Изменение переменной через два года описывается суммой двух нормальных распределений с нулевыми математическими ожиданиями и единичными стандартными отклонениями. Поскольку переменная является марковской, эти распределения не зависят друг от друга. Складывая два независимых нормальных распределения, мы получим нормальное распределение, математическое ожидание которого равно сумме математических ожиданий каждого из слагаемых, а дисперсия - сумме их дисперсий. Таким образом, математическое ожидание изменений рассматриваемой переменной на протяжении двух лет равно нулю, а дисперсия - 2,0. Следовательно, изменение значения переменной через два года является случайной величиной с распределением вероятностей ф(0, %/2).
Рассмотрим далее изменение переменной за шесть месяцев. Дисперсия изменений этой переменной в течение одного года равна сумме дисперсий этих изменений на протяжении первых и вторых шести месяцев. Предположим, что эти дисперсии одинаковы. Тогда дисперсия изменений переменной на протяжении шести месяцев равна 0,5, а стандартное отклонение - 1/0,5. Следовательно, распределение вероятностей изменения переменной на протяжении шести месяцев равно ф(0, \ДЩ)
Аналогичные рассуждения позволяют доказать, что изменение переменной на протяжении трех месяцев имеет распределение 0(0, ^/0,25). Вообще говоря, изменение переменной на протяжении временного периода, имеющего длину Т, описывается распределением вероятностей ф(0, \[Т) В частности, изменение переменной за очень короткий промежуток времени, имеющий длину АТ, описывается распределением вероятностей ф(0, л/ДТ).
Квадратные корни в этих выражениях могуг показаться странными. Они возникают изза того, что при анализе марковского процесса дисперсии изменений переменной в последовательные моменты времени складываются, а стандартные отклонения - нет. В нашем примере дисперсия изменений переменной в течение одного года равна 1,0, поэтому дисперсия изменений этой переменной в течение длух лет равна 2,0, а через три года3,0. В то же время стандартные отклоне
ния изменений переменных через два и три года равны \/2 и \/3 соответственно. Строго говоря, мы не должны говорить, что стандартное отклонение изменений переменной за один год равно 1,0 в год. Следует говорить, что оно равно “корню квадратному из единицы в год”. Это объясняет, почему величину неопределенности часто считают пропорциональной квадратному корню из времени.
Винеровские процессы
Процесс, которому подчиняется рассмотренная выше переменная, называется винеровским (Wiener process). Он представляет собой частный случай марковского стохастического процесса, когда математическое ожидание изменений переменной равно нулю, а их дисперсия равна 1,0. Этот процесс широко используется в физике для описания движения частицы, участвующей в большом количестве столкновений с молекулами (это явление называется броуновским движением (Brownian motion)).
Говоря формально, переменная z подчиняется винеровскому процессу, если она имеет следующие свойства.
СВОЙСТВО 1. Изменение Az на протяжении малого промежутка времени At удовлетворяет равенству
Az = ey/At, (12.1)
где е - случайная величина, подчиняющаяся стандартизованному нормальному распределению ф(0,1).
Свойство 2. Величины Az на двух малых промежутках времени At являются независимыми.
Из первого свойства следует, что величина Az имеет нормальное распределение, у которого математическое ожидание равно нулю, стандартное отклонение равно VAt, а дисперсия равна At. Второе свойство означает, что величина 2 подчиняется марковскому процессу.
Рассмотрим увеличение переменной z на протяжении относительно долгого периода времени Т. Это изменение можно обозначить как z(T) - z(0). Его можно представить в виде суммы увеличения переменной г на протяжении N относительно малых промежутков времени, имеющих длину At. Здесь
Следовательно,
z(т)z(o) = J2?^t’ (12.2)
г=1
где?г,г = 1,2,...,ЛГслучайные величины, имеющие распределение вероятностей ф(0,1). Из второго свойства винеровского процесса следует, что величины?
?; являются независимыми друг от друга. Из выражения (12.2) следует, что случайная величина z(T) - z(0) имеет нормальное распределение, математическое ожидание которого равно нулю, дисперсия равна NAt = Т, а стандартное отклонение - у/Т. Эти выводы согласуются с результатами, указанными выше. Пример 12.1
Предположим, что значение г случайной переменной, подчиняющейся винеровскому процессу, в первоначальный момент времени равно 25, а время измеряется годами. В конце первого года значение переменной имеет нормальное распределение с математическим ожиданием, равным 25, и стандартным отклонением, равным 1,0. В конце пятого года значение переменной имеет нормальное распределение с математическим ожиданием, равным 25, и стандартным отклонением, равным л/5, т.е. 2,236. Неопределенность значения переменной в определенный момент в будущем, измеренная его стандартным отклонением, возрастает как квадратный корень из длины прогнозируемого интервала. ?
В математическом анализе широко используется переход к пределу, когда величина малых изменений стремится к нулю. Например, при At -> 0 величина Ах = aAt превращается в величину dx = adt. При анализе стохастических процессов используются аналогичные обозначения. Например, при At -> 0 описанный выше процесс Az стремится к винеровскому процессу dz.
На рис. 12.1 показано, как изменяется траектория переменной z при At -> 0. Обратите внимание на то, что этот график является “зазубренным”. Это объясняется тем, что изменение переменной z за время At пропорционально величине v^Af, а когда величина At становится малой, число \/Аt намного больше, чем At. Благодаря этому, винеровский процесс обладает двумя интригующими свойствами.
1. Ожидаемая длина траектории, которую проходит переменная z в течение любого промежутка времени, является бесконечной.
2. Ожидаемое количество совпадений переменной z с любым конкретным значением на любом промежутке времени является бесконечным.
Обобщенный винеровский процесс
Скоростью дрейфа (drift rate), или коэффициентом сноса, стохастического процесса называется средняя величина изменения переменной величины за единицу времени, а дисперсией (variance rate), или коэффициентом диффузии - величина колебаний за единицу времени. Скорость дрейфа основного винеровского процесса dz, рассмотренного выше, равна нулю, а дисперсия равна 1,0. Нулевой дрейф означает, что ожидаемое значение переменной z в любой момент времени равно ее текущему значению. Единичная дисперсия процесса означает, что дисперсия изменения переменной z на интервале времени Т равна его длине.
Рис. 12.1. Изменение цены акции в примере
Обобщенный винеровский процесс (generalized Wiener process) для переменной х можно определить через величину dz следующим образом.
dx - adt + bdz, (12.3)
где а и b - константы.
Чтобы понять смысл уравнения (12.3), полезно рассмотреть два слагаемых в правой части по отдельности. Слагаемое a dt означает, что ожидаемая скорость дрейфа переменной х равна о единиц в единицу времени. Без второго члена уравнение (12.3) превращается в уравнение
dx = adt,
откуда следует, что
dx
Интегрируя это уравнение по времени, получаем
х = хо + а?,
где хо - значение переменной х в нулевой момент времени. Таким образом, за период времени Т переменная х увеличивается на величину ей. Член Ь dz можно рассматривать как шум, или изменчивость траектории, которую проходит переменная х. Величина этого шума в Ь раз больше значения винеровского процесса. Стандартное отклонение винеровского процесса равно 1,0. Отсюда следует, что стандартное отклонение величины Ь dz равно Ь. На небольших промежутках времени АЬ изменение Ах переменной х определяется уравнениями (12.1) и (12.3).
Ах = аАЬ + ЪЕУ/АЬ,
где е, как и прежде, - случайная величина, имеющая стандартизованное нормальное распределение. Итак, величина Ах имеет нормальное распределение, математическое ожидание которого равно аАЬ, стандартное отклонение - 6л/Д7, а дисперсия - Ь2Д/. Аналогичными рассуждениями можно показать, что изменение переменной х в течение произвольного интервала времени Т имеет нормальное распределение с математическим ожиданием с.Т, стандартным отклонением Ьу/Т и дисперсией Ь2Т. Таким образом, ожидаемая скорость дрейфа обобщенного винеровского процесса (12.3) (т.е. среднее изменение дрейфа в единицу времени) равна а, а дисперсия (т.е. дисперсия переменной за единицу времени) - Ь2. Этот процесс изображен на рис. 12.2. Проиллюстрируем скачанное следующим примером.
Пример 12.2
Рассмотрим ситуацию, в которой доля активов компании, вложенных в краткосрочные денежные эквиваленты (cash position), измеренные тысячами долларов, подчиняется обобщенному винеровскому процессу со скоростью дрейфа, равной 20 тыс. долл. в год, и дисперсией, равной 900 тыс. долл. в год. В первый момент времени доля активов равна 50 тыс. долл. Через год эта доля активов будет иметь нормальное распределение с математическим ожиданием, равным 70 тыс. долл., и стандартным отклонением, равным л/900, т.е. 30 долл. Через шесть месяцев она будет иметь нормальное распределение с математическим ожиданием, равным 60 тыс. долл., и стандартным отклонением, равным 30\ДЦ> = 21,21 долл. Неопределенность, связанная с долей активов, вложенных в краткосрочные эквиваленты наличности, измеренная с помощью стандартного отклонения увеличивается как корень квадратный из длины прогнозируемого интервала. Обратите внимание на то, что эта доля активов может стать отрицательной (когда компания делает займы). ?
Процесс Ито
Стохастическим процессом Ито (Ito process) называется обобщенный винеровский процесс, б котором параметры а и Ь являются функциями, зависящими от переменной х и времени t. Процесс Ито можно выразить следующей формулой.
dx = а(х, t)dt + b(x, t)d,z,?
И ожидаемая скорость дрейфа, и дисперсия этого процесса со временем изменяются. За небольшой промежуток времени от t до At переменная изменяется от
х до х + Ах, где
Ах = а{х, t) At + Ъ(х, t)e\fAt.
Это отношение содержит небольшую натяжку. Она связана с тем, что мы считаем дрейф и дисперсию переменной х постоянными величинами, которые на интервале времени от t до At равны а(х, t) и b(x, t)2 соответственно.
Материал из synset
Эти материалы являются сокращённой электронной версией книги "Стохастический мир". После конвертации из LaTex появились неизбежные артефакты, которые будут постепенно устраняться. Об ошибках или опечатках, найденных в последней версии убедительная просьба сообщать, например, в закладке "обсуждение" вверху на этой странице или почтой mathсайт. Вы этим очень поможете в улучшении книги. Приветствуются также комментарии общего плана: что понравилось, а что нет. Для чтения книги в web-браузере стоит прочитать совет по настройке браузера для более комфортного просмотра формул.
С уважением, Степанов Сергей Сергеевич.
Случайные события
Стохастические уравнения
Средние значения стохастических процессов
Вероятности стохастических процессов
Стохастические интегралы
Системы уравнений
Стохастическая природа
Стохастическое общество
Краткое содержание
Случайные события
Абсолютно детерминированных событий и процессов не бывает. Вселенная разговаривает с нами на языке теории вероятностей. Предполагается, что Читатель хорошо знаком с ней, поэтому напоминаются только факты, необходимые для дальнейшего изучения предмета.
Первый раздел является вводным, он подводит к необходимости использования стохастических дифференциальных уравнений при исследовании различных систем. Затем обсуждается понятие плотности вероятностей, позволяющей вычислять наблюдаемые в среднем величины. Гауссова вероятность лежит в основе шума, воздействующего на детерминированную динамику. Стохастическая связь между случайными величинами и, наоборот, их независимость важны при обнаружении закономерностей между различными объектами и их характеристиками. Ключевым разделом главы является Модель аддитивного блуждания . Именно обобщение этой простой модели приведёт нас в следующей главе к стохастическим дифференциальным уравнениям. Последний раздел Мартингалы и бесплатный сыр содержит ряд формальных определений, которые при желании можно опустить.
Стохастические уравнения
Эта глава является ключевой. В ней вводится основной математический объект нашего интереса -- стохастические дифференциальные уравнения. Мы будем использовать максимально неформальный, интуитивный путь, считая, что получение конкретных практических результатов важнее, чем математически строгое их обоснование.
Стохастические уравнения представляют собой достаточно естественный непрерывный по времени предел дискретных случайных процессов, рассмотренных в предыдущей главе. Даже решая непрерывное уравнение, мы будем постоянно возвращаться к его дискретному аналогу, как для получения общих аналитических результатов, так и для численного моделирования. Исключительно важным результатом главы является лемма Ито, при помощи которой мы научимся находить точные решения уравнений в некоторых простых, но важных для практических приложений задачах. Затем обсуждаются способы вычисления автокорреляционной функции случайного процесса и его спектральные свойства. В заключение мы затронем тему систем уравнений, к которой более последовательно вернёмся в шестой главе.
Средние значения
Дифференциальное уравнение для случайной функции x(t) - это лишь один из возможных языков описания стохастического процесса. В ситуации, когда система эволюционирует со временем, средние значения также изменяются и подчиняются определённым дифференциальным уравнениям. Фактически, их решение является наиболее прямым способом получения практически полезных результатов.
Мы начнём эту главу с вывода динамического уравнения для средних. С его помощью будет получено простое выражение для плотности вероятности в ситуации, когда система имеет стационарный режим. Затем мы подробно проанализируем две стохастические задачи: уравнение Феллера и логистическое уравнение. В заключение будут рассмотрены метод разложения средних величин в степенной ряд по времени и квазидетерминированное приближение.
Вероятности
Ещё одним способом получения информации о поведении стохастического процесса является решение уравнений для условной плотности вероятности которым посвящена эта глава.
На простых примерах будут продемонстрированы методы решения подобных уравнений. Затем мы рассмотрим вопрос о граничных условиях, которые наиболее естественным образом учитываются при помощи уравнения Фоккера-Планка. Будет вычислено среднее время достижения границы и построен простой метод решения уравнения Фоккера-Планка при наличии граничных условий. Решения уравнений x(t) мы часто записываем при помощи гауссовой случайной переменной.
Стохастические интегралы
Как и в обычном анализе, если определено стохастическое дифференцирование, то естественно ввести и стохастическое интегрирование. Соответствующая техника даст нам ещё один инструмент получения соотношений для иногда достаточно общих случайных процессов. Это очень красивый раздел стохастической математики, который к тому же активно используется в учебной и научной литературе.
В дифференциальных уравнениях присутствуют два бесконечно малых изменения -- снос, пропорциональный dt, и волатильность шума. Соответственно, возможно два вида интегралов. В первом разделе мы рассмотрим стохастические интегралы по dt, изучим их основные свойства и найдём представление некоторых интегралов через обычные случайные величины. Во втором разделе рассматривается интеграл Ито по . Далее будут получены условия, при которых решение стохастического дифференциального уравнения единственно, и рассмотрен итерационный метод построения этого решения.
Системы уравнений
Одномерные стохастические уравнения позволяют описывать только сравнительно простые системы. Даже для обычного физического осциллятора необходимо решать систему из двух уравнений первого порядка. Реальность в общем случае -- многомерна. Она даёт нам множество примеров достаточно сложных, но исключительно интересных случайных процессов.
Как и в одномерном случае, мы начнём с дискретных процессов, обобщение которых на непрерывный случай приведёт нас к системе стохастических дифференциальных уравнений. Фактически, эта глава повторяет большинство результатов предыдущих глав. Для тех, кто уверенно владеет тензорной и матричной алгеброй, соответствующие обобщения служат лишь способом повторения уже известного материала. После вывода основных многомерных уравнений будут рассмотрены решения некоторых задач.
Стохастическая природа
В этой главе приведены примеры природных систем, которые естественным образом описываются при помощи стохастических дифференциальных уравнений. Эти системы охватывают широкий спектр приложений от физики до биологии, однако не требуют глубоких познаний в соответствующих областях. Большинство разделов не связаны друг с другом и могут быть прочитаны в любом порядке, независимо друг от друга. Первое стохастическое дифференциальное уравнение в 1908 году записал Поль Ланжевен (Paul Langevin). Именно с него начинается эта глава.
Стохастическое общество
В этой главе собраны некоторые примеры применения стохастических методов к финансовым рынкам и экономике. Волатильный характер цен и экономических индикаторов приводит к тому, что динамика соответствующих систем является существенно стохастической, и член в уравнениях Ито играет ведущую роль.
Сначала мы сделаем небольшой экскурс в финансовые рынки и эмпирические свойства цен финансовых инструментов. Затем рассмотрим теорию диверсификации и бета - коэффициенты. Стохастические методы оказываются очень полезными при изучении сложных финансовых инструментов. Примером такого инструмента является опцион. Мы рассмотрим основные его свойства и двумя различными способами выведем формулу Блэка-Шоулза. После этого будет рассмотрена простая однофакторная модель кривой доходности.
Обнаружение радиолокационных сигналов неопределенно из-за того, что одновременно с ними присутствуют и случайные флуктуации, или "шумы". Если бы можно было предсказать точные значения шумовых напряжений или токов, их можно было бы вычесть из суммарного сигнала и после этого принять определенное решение либо о наличии, либо об отсутствии сигнала. Но такое предсказание невозможно, так как шумовые напряжения появляются вследствие хаотического теплового движения ионов - и электронов в элементах приемника и в пространстве, окружающем антенну. Лучшее, что можно сделать, это описать флуктуации напряжения статистически с помощью распределений вероятностей их значений и использовать эти статистические данные для проектирования приемника, в котором достигалось бы наибольшее возможное число успешных обнаружений при большом числе опытов. В настоящей главе дается статистическое описание шума, а в следующей главе вводятся различные критерии успешного и ошибочного обнаружения в статистических ситуациях, указывающие, какими соображениями следует руководствоваться при поисках оптимальной конструкции приемника.
Если бы напряжение в некоторой точке радиолокационного приемника, например на сетке первой усилительной лампы, было записано как функция времени, запись имела бы совершенно беспорядочный вид и казалось бы, что нет способа вычисления или предсказания значений этого флуктуирующего напряжения. Если бы одновременно были записаны напряжения в соответствующих точках каждого из набора одинаковых приемников, находящихся в одинаковых условиях,
они различались бы в деталях от приемника к приемнику. Однако некоторые грубые или средние свойства записей были бы почти одинаковы. Изучая большое число таких записей и определяя относительные частоты, с которыми рассматриваемые величины принимают различные значения, можно описать поведение флуктуирующих напряжений статистически. Такое описание производится на языке теории вероятностей, позволяющей делать логические заключения о свойствах флуктуирующих напряжений. Краткий обзор теории вероятностей дан в приложении Б. Для более полного ознакомления с ней читателю следует изучить один из учебников, указанных в литературе к приложению Б. В настоящей главе теория вероятностей будет использована для анализа шумовых флуктуаций.
Функция времени, подобная записи флуктуационного напряжения, упомянутой выше, называется временндй последовательностью, а набор временных последовательностей, подобный тому, который получается от большого числа приемников, находящихся в одинаковых условиях, известен как ансамбль. Случайная функция, значения которой описываются только при помощи системы распределений вероятностей, о чем более подробно будет говориться ниже, часто называется стохастическим процессом. Если измерения производятся непрерывно во времени, имеет место непрерывный стохастический процесс. Во многих случаях величины измеряются только в отдельные последовательные моменты времени. При этом получается дискретный стохастический процесс. Пример последнего - ежечасные или ежедневные наблюдения температуры на метеорологических станциях. Мы будем иметь дело в основном с непрерывными процессами, но многие представления могут быть применены в той же мере и к дискретным процессам. Каждый член ансамбля называется реализацией стохастического процесса.
Если член ансамбля временных последовательностей выбран случайно, вероятность, что его значение х в любой данный момент времени лежит в интервале между есть
где функция плотности вероятности переменной х. Под этим мы понимаем в применении к вышеприведенному
примеру следующее. Если напряжения измерены в одинаковых точках в большом числе идентичных приемников, число значений, лежащих в таком интервале, равно длине интервала, умноженной на достаточно малой длине интервала). Во многих случаях не будет зависеть от момента времени, в который производятся измерения. Функция плотности вероятности является основой статистического описания стохастического процесса, но сама по себе она недостаточна, так как ничего не говорит о том, как связано значение х, измеренное в один момент времени, со значениями, измеренными в другие моменты времени.
Обозначим значения временной последовательности измеренные в последовательные моменты времени через Функция плотности совместного распределения вероятностей
определяется утверждением, что вероятность выполнения неравенств
равна Для полного описания непрерывного стохастического процесса требуется задание функций распределения для всех возможных выборов моментов времени для всех положительных целых Все эти функции нормированы так, что выполняется соотношение
в соответствии с определением вероятности. Кроме того, они должны быть согласованы так, чтобы функцию распределения более низкого порядка можно было получить, интегрируя по
интервалу изменения "лишней" переменной. Например,
Любые переменных для которых выполняется равенство
называются статистически независимыми.
Функция плотности совместного распределения операционно определяется с помощью относительных частот осуществления различных комбинаций значений для и рассматриваемых моментов времени. Но, очевидно, определить полную систему функций распределения таким образом невозможно. Вместо этого для получения гипотетических распределений строится теория процессов птем применения законов физики к ситуациям, возникающим в таких областях науки, как статистическая механика или термодинамика. С помощью теории стохастических процессов вычисляются некоторые средние значения, доступные для наблюдения, и вычисленные значения сравниваются с найденными из опыта. Когда ситуация слишком сложна для такого анализа, как, например, в экономике и, вероятно, даже в метеорологии, для стохастического процесса предлагается простая статистическая "модель". Эта модель дает функцию распределения, содержащую несколько неизвестных параметров, значения которых оцениваются на основе доступных данных. Затем строятся логические заключения и, если возможно, производится сравнение с результатами дальнейших наблюдений. К счастью, существует большая теоретическая база, позволяющая рассматривать электрические шумовые процессы, с которыми приходится встречаться в задачах обнаружения сигналов. Некоторые физические основы будут изложены ниже, в разд. 3. Но сначала мы должны обсудить некоторые понятия, которые будут применяться при анализе стохастических процессов.
Пока радиолокационный приемник поддерживается при постоянной температуре и связан с неподвижной антенной,
на которую сигнал не действует, статистическое описание шума в приемнике не будет зависеть от выбора начала отсчета времени. Это значит, что плотность совместного распределения вероятностей зависит только от интервалов между измерениями, а не от самих моментов времени Такие стохастические процессы называют стационарными. Если не будет сделано других утверждений, будем считать, что изучаемые временные последовательности обладают этим свойством временной инвариантности или стационарности.
Длинная запись одиночной реализации стационарной временной последовательности для большинства моментов времени обладает одинаковыми свойствами. По-видимому, большое число отрезков, взятых из одного члена ансамбля, будет создавать ансамбль с такими же статистическими свойствами, как и у основного ансамбля. Если измеряемая переменная связана с механической системой, подобной газу, или электрической, подобной контуру, и если с течением времени система проходит через все состояния, совместимые с внешними условиями, созданными экспериментатором, сделанное выше предположение является обоснованным. В частности, средние, найденные по длинной выборке на одной реализации процесса, равны средним значениям по всем членам ансамбля в какой-либо момент времени. Стохастические процессы, обладающие этим свойством, называются эргодическими.
Например, среднее или "математическое ожидание" стационарной временнбйпоследовательности определяется равенством
где функция плотности распределения вероятностей одиночного наблюдения. Это среднее значение х не зависит от времени. С другой стороны, среднее по времени х можно определить формулой
Из-за условия стационарности это среднее по времени не зависит от момента времени в который начинается усреднение. Если, кроме того, стохастический процесс эргодический, То же самое справедливо для математического ожидания других функций аргумента х.
Легко можно представить себе процессы, не являющиеся эргодическими, например такие, где величина х постепенно перемещается в область, которую она потом не может покинуть, или если есть некоторое количество таких "ловящих" областей. Но в этой книге будет предполагаться, что все изучаемые флуктуационные процессы являются эргодическими. Справедливость такого предположения должна основываться на успехе теорий, в которых оно принято, так как, хотя это допущение и подтверждается интуицией, проверить его экспериментально невозможно. Допущение эргодичности существенно для любых задач, в которых статистические параметры приходится оценивать на основе одиночной экспериментальной реализации процесса.
Любое развитие процесса во времени (неважно, детерминированное или вероятностное) при анализе в терминах вероятностей будет случайным процессом (иными словами, все процессы, имеющие развитие во времени, с точки зрения теории вероятностей, стохастические).
Стохастичность в математике
Использование термина стохастичность в математике относят к работам Владислава Борцкевича , который использовал его в значении выдвигать гипотезы , которое, в свою очередь, отсылает нас к древнегреческим философам, а также к работе Я. Бернулли Ars Conjectandi (лат. искусство загадывать) .
Область исследований случайных в математике , особенно в теории вероятностей , играет большую роль.
Использование методов Монте-Карло требует большого числа случайных величин, что, как следствие, привело к развитию генераторов псевдослучайных чисел , которые были намного быстрее, чем табличные методы генерации, которые ранее использовались для статистической выборки.
Одной из программ, где практически используются методы Монте-Карло, является MCNP .
Биология
В биологических системах было введено понятие "стохастического шума", который помогает усилить сигнал внутренней обратной связи. Применяется для контроля за обменом веществ у диабетиков. Также имеет место понятие «стохастичности речевых сигналов» .
Медицина
Примером подобных стохастических эффектов может служить рак.
Напишите отзыв о статье "Стохастичность"
Примечания
Ссылки
- from Index Funds Advisors
- Formalized Music: Thought and Mathematics in Composition by Iannis Xenakis , ISBN 1-57647-079-2
- Frequency and the Emergence of Linguistic Structure by Joan Bybee and Paul Hopper (eds.), ISBN 1-58811-028-1 /ISBN 90-272-2948-1 (Eur.)
Отрывок, характеризующий Стохастичность
«Нет, она права, – думала старая княгиня, все убеждения которой разрушились пред появлением его высочества. – Она права; но как это мы в нашу невозвратную молодость не знали этого? А это так было просто», – думала, садясь в карету, старая княгиня.В начале августа дело Элен совершенно определилось, и она написала своему мужу (который ее очень любил, как она думала) письмо, в котором извещала его о своем намерении выйти замуж за NN и о том, что она вступила в единую истинную религию и что она просит его исполнить все те необходимые для развода формальности, о которых передаст ему податель сего письма.
«Sur ce je prie Dieu, mon ami, de vous avoir sous sa sainte et puissante garde. Votre amie Helene».
[«Затем молю бога, да будете вы, мой друг, под святым сильным его покровом. Друг ваш Елена»]
Это письмо было привезено в дом Пьера в то время, как он находился на Бородинском поле.
Во второй раз, уже в конце Бородинского сражения, сбежав с батареи Раевского, Пьер с толпами солдат направился по оврагу к Князькову, дошел до перевязочного пункта и, увидав кровь и услыхав крики и стоны, поспешно пошел дальше, замешавшись в толпы солдат.
Одно, чего желал теперь Пьер всеми силами своей души, было то, чтобы выйти поскорее из тех страшных впечатлений, в которых он жил этот день, вернуться к обычным условиям жизни и заснуть спокойно в комнате на своей постели. Только в обычных условиях жизни он чувствовал, что будет в состоянии понять самого себя и все то, что он видел и испытал. Но этих обычных условий жизни нигде не было.
Хотя ядра и пули не свистали здесь по дороге, по которой он шел, но со всех сторон было то же, что было там, на поле сражения. Те же были страдающие, измученные и иногда странно равнодушные лица, та же кровь, те же солдатские шинели, те же звуки стрельбы, хотя и отдаленной, но все еще наводящей ужас; кроме того, была духота и пыль.
Пройдя версты три по большой Можайской дороге, Пьер сел на краю ее.
Сумерки спустились на землю, и гул орудий затих. Пьер, облокотившись на руку, лег и лежал так долго, глядя на продвигавшиеся мимо него в темноте тени. Беспрестанно ему казалось, что с страшным свистом налетало на него ядро; он вздрагивал и приподнимался. Он не помнил, сколько времени он пробыл тут. В середине ночи трое солдат, притащив сучьев, поместились подле него и стали разводить огонь.
Солдаты, покосившись на Пьера, развели огонь, поставили на него котелок, накрошили в него сухарей и положили сала. Приятный запах съестного и жирного яства слился с запахом дыма. Пьер приподнялся и вздохнул. Солдаты (их было трое) ели, не обращая внимания на Пьера, и разговаривали между собой.
– Да ты из каких будешь? – вдруг обратился к Пьеру один из солдат, очевидно, под этим вопросом подразумевая то, что и думал Пьер, именно: ежели ты есть хочешь, мы дадим, только скажи, честный ли ты человек?
– Я? я?.. – сказал Пьер, чувствуя необходимость умалить как возможно свое общественное положение, чтобы быть ближе и понятнее для солдат. – Я по настоящему ополченный офицер, только моей дружины тут нет; я приезжал на сраженье и потерял своих.
– Вишь ты! – сказал один из солдат.
Другой солдат покачал головой.
– Что ж, поешь, коли хочешь, кавардачку! – сказал первый и подал Пьеру, облизав ее, деревянную ложку.
Пьер подсел к огню и стал есть кавардачок, то кушанье, которое было в котелке и которое ему казалось самым вкусным из всех кушаний, которые он когда либо ел. В то время как он жадно, нагнувшись над котелком, забирая большие ложки, пережевывал одну за другой и лицо его было видно в свете огня, солдаты молча смотрели на него.
– Тебе куды надо то? Ты скажи! – спросил опять один из них.
– Мне в Можайск.
– Ты, стало, барин?
– Да.
– А как звать?
– Петр Кириллович.
– Ну, Петр Кириллович, пойдем, мы тебя отведем. В совершенной темноте солдаты вместе с Пьером пошли к Можайску.
Уже петухи пели, когда они дошли до Можайска и стали подниматься на крутую городскую гору. Пьер шел вместе с солдатами, совершенно забыв, что его постоялый двор был внизу под горою и что он уже прошел его. Он бы не вспомнил этого (в таком он находился состоянии потерянности), ежели бы с ним не столкнулся на половине горы его берейтор, ходивший его отыскивать по городу и возвращавшийся назад к своему постоялому двору. Берейтор узнал Пьера по его шляпе, белевшей в темноте.
– Ваше сиятельство, – проговорил он, – а уж мы отчаялись. Что ж вы пешком? Куда же вы, пожалуйте!
– Ах да, – сказал Пьер.
Солдаты приостановились.
– Ну что, нашел своих? – сказал один из них.
– Ну, прощавай! Петр Кириллович, кажись? Прощавай, Петр Кириллович! – сказали другие голоса.
– Прощайте, – сказал Пьер и направился с своим берейтором к постоялому двору.
«Надо дать им!» – подумал Пьер, взявшись за карман. – «Нет, не надо», – сказал ему какой то голос.
В горницах постоялого двора не было места: все были заняты. Пьер прошел на двор и, укрывшись с головой, лег в свою коляску.
Едва Пьер прилег головой на подушку, как он почувствовал, что засыпает; но вдруг с ясностью почти действительности послышались бум, бум, бум выстрелов, послышались стоны, крики, шлепанье снарядов, запахло кровью и порохом, и чувство ужаса, страха смерти охватило его. Он испуганно открыл глаза и поднял голову из под шинели. Все было тихо на дворе. Только в воротах, разговаривая с дворником и шлепая по грязи, шел какой то денщик. Над головой Пьера, под темной изнанкой тесового навеса, встрепенулись голубки от движения, которое он сделал, приподнимаясь. По всему двору был разлит мирный, радостный для Пьера в эту минуту, крепкий запах постоялого двора, запах сена, навоза и дегтя. Между двумя черными навесами виднелось чистое звездное небо.
«Слава богу, что этого нет больше, – подумал Пьер, опять закрываясь с головой. – О, как ужасен страх и как позорно я отдался ему! А они… они все время, до конца были тверды, спокойны… – подумал он. Они в понятии Пьера были солдаты – те, которые были на батарее, и те, которые кормили его, и те, которые молились на икону. Они – эти странные, неведомые ему доселе они, ясно и резко отделялись в его мысли от всех других людей.
Не может быть определен по изначальному состоянию системы.
Стохастические системы - это системы, изменение в которых носит случайный характер. При случайных воздействиях данных о состоянии системы недостаточно для предсказания в последующий момент времени.
Стохастический: Определение процесса, определяемого рядом наблюдений.
См. также
Wikimedia Foundation . 2010 .
Синонимы :Смотреть что такое "Стохастический" в других словарях:
- [гр. stochastikos умеющий угадывать] случайный, вероятностный, беспорядочный, непредсказуемый. Словарь иностранных слов. Комлев Н.Г., 2006. стохастический (гр. stochasis догадка) случайный, или вероятностный, напр, с. процесс процесс, характер… … Словарь иностранных слов русского языка
Вероятностный, случайный; непредсказуемый. Ant. закономерный, обязательный Словарь русских синонимов. стохастический прил., кол во синонимов: 4 беспорядочный (44) … Словарь синонимов
Большой Энциклопедический словарь
Управляемый законами теории вероятностей, случайный. Геологический словарь: в 2 х томах. М.: Недра. Под редакцией К. Н. Паффенгольца и др.. 1978 … Геологическая энциклопедия
Англ. stochastic; нем. stochastisch. В статистике случайный или вероятный; напр., С. процесс процесс, характер изменения к рого во времени точно предсказать невозможно. Antinazi. Энциклопедия социологии, 2009 … Энциклопедия социологии
стохастический - ая, ое. stochastique, нем. stochastisch <гр. stochasis догадка. мат. Случайный, происходящий с вероятностью, которую невозможно предсказать. С.процесс. Стохастичность и, ж. Крысин 1998. Лекс. БСЭ 2: стохасти/ческий … Исторический словарь галлицизмов русского языка
стохастический - tikimybinis statusas T sritis automatika atitikmenys: angl. stochastic vok. stochastisch rus. стохастический pranc. stochastique ryšiai: sinonimas – stochastinis … Automatikos terminų žodynas
Ая, ое [греч. stochasis догадка] Книжн. Случайный, вероятностный, возможный. С ие изменения в экономике. С. процесс эволюции природы. * * * стохастический (от греч. stochastikós умеющий угадывать), случайный, вероятностный … Энциклопедический словарь
Стохастический - то есть случайный, не имеющий очевидной закономерной причины … Физическая Антропология. Иллюстрированный толковый словарь.
Стохастический - (от греч. stochastikos умеющий угадывать) случайный, вероятностный … Начала современного естествознания
Книги
- , Ф. С. Насыров. Книга посвящена применению методов теории функций вещественной переменной и теории дифференциальных уравнений в стохастическом анализе. Материал охватывает общую теорию локальных времен для…
- Локальные времена, симметричные интегралы и стохастический анализ , Насыров Ф.С.. Книга посвящена применению методов теории функций вещественной переменной и теории дифференциальных уравнений в стохастическом анализе. Материал охватывает общую теорию локальных времен для…
