Verbesserte Zufallsprozesse

Mathematica Version 10 erweitert das bereits vorhandene extensive Zufallsprozess-Framework mit neuen Prozessen, inklusive Hidden-Markov-Modellen. Hidden-Markov-Modelle werden typischerweise verwendet, um Rückschlüsse über die versteckten inneren Zustände aufgrund ihrer Emissionen abzuleiten, wie z. B. in der Spracherkennung, Computerlinguistik oder biologischen Sequenzanalyse. Das Framework für Zufallsprozesse umfasst außerdem fortschrittliche Zeitreihenprozesse und Transformationsmöglichkeiten von bestehenden Prozessen; zusätzlich deutlich verbesserte Berechnungen mit Zeitintervall-Verteilungen - der Verbindung von Zufallsprozessen zu Zufallsvariablen - oft mit dem Ergebnis, zuverlässige Rückschlüsse vom Modell auf das erwartete Verhalten des Prozesses ziehen zu können.

Hidden Markov Processes with Discrete or Continuous, Univariate or Multivariate Emissions »	Hidden Markov Processes with Silent States »	Find Hidden States Underlying Given Emissions of HMM Process »	Estimate Hidden Markov Processes from Data »
Perform Typo Correction without a Dictionary »	Track Player Movement in a First-Person Shooter Game »	Find a Splice Site in a DNA Sequence »	Track Lizard Movement with a Capture-Recapture Model
Use TransformedProcess to Create a Custom Process »	Study the Stochastic Exponential Function »	Simulate the Surplus Process for Insurance »	Model Option Prices Using Merton Jump-Diffusion »
Generate White Noise Based on Any Distribution »	Apply ARMA Filter to a Heavy-Tailed White Noise Process »	Test for Serial Correlation »	Fractional Gaussian Noise versus FARIMA Noise »
Improved Support of Random Processes in Expectation »	Improved Support of Random Processes in Probability »	Identify Regularly Sampled Ornstein–Uhlenbeck Process as an Autoregressive Process »	Improved Documentation for Probability and Statistics »