Добірка наукової літератури з теми "Differential probability"
Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями
Ознайомтеся зі списками актуальних статей, книг, дисертацій, тез та інших наукових джерел на тему "Differential probability".
Біля кожної праці в переліку літератури доступна кнопка «Додати до бібліографії». Скористайтеся нею – і ми автоматично оформимо бібліографічне посилання на обрану працю в потрібному вам стилі цитування: APA, MLA, «Гарвард», «Чикаго», «Ванкувер» тощо.
Також ви можете завантажити повний текст наукової публікації у форматі «.pdf» та прочитати онлайн анотацію до роботи, якщо відповідні параметри наявні в метаданих.
Статті в журналах з теми "Differential probability"
SMOLYANOV, O. G., and H. v. WEIZSÄCKER. "SMOOTH PROBABILITY MEASURES AND ASSOCIATED DIFFERENTIAL OPERATORS." Infinite Dimensional Analysis, Quantum Probability and Related Topics 02, no. 01 (March 1999): 51–78. http://dx.doi.org/10.1142/s0219025799000047.
Повний текст джерелаBarchielli, A., A. M. Paganoni, and F. Zucca. "On stochastic differential equations and semigroups of probability operators in quantum probability." Stochastic Processes and their Applications 73, no. 1 (January 1998): 69–86. http://dx.doi.org/10.1016/s0304-4149(97)00093-8.
Повний текст джерелаZhou, Shizhong, та Shiyi Lan. "The Intersection Probability of Brownian Motion and SLEκ". Advances in Mathematical Physics 2015 (2015): 1–5. http://dx.doi.org/10.1155/2015/627423.
Повний текст джерелаWatson, Jane M. "Building probability models in a differential equations course." International Journal of Mathematical Education in Science and Technology 22, no. 4 (July 1991): 507–17. http://dx.doi.org/10.1080/0020739910220402.
Повний текст джерелаMyung, I. J., V. Balasubramanian, and M. A. Pitt. "Counting probability distributions: Differential geometry and model selection." Proceedings of the National Academy of Sciences 97, no. 21 (September 26, 2000): 11170–75. http://dx.doi.org/10.1073/pnas.170283897.
Повний текст джерелаLefebvre, Mario. "Similarity Solutions of Partial Differential Equations in Probability." Journal of Probability and Statistics 2011 (2011): 1–13. http://dx.doi.org/10.1155/2011/689427.
Повний текст джерелаRuzhentsev, Victor. "The conditions of provable security of block ciphers against truncated differential attack." Studia Scientiarum Mathematicarum Hungarica 52, no. 2 (June 2015): 176–84. http://dx.doi.org/10.1556/012.2015.52.2.1307.
Повний текст джерелаWu, Yong, and Xiang Hu. "Ruin Probability in Compound Poisson Process with Investment." Journal of Applied Mathematics 2012 (2012): 1–7. http://dx.doi.org/10.1155/2012/286792.
Повний текст джерелаKohlmann, M. "Stochastic differential equation." Metrika 33, no. 1 (December 1986): 246. http://dx.doi.org/10.1007/bf01894752.
Повний текст джерелаDong, Jinshuo, Aaron Roth, and Weijie J. Su. "Gaussian differential privacy." Journal of the Royal Statistical Society: Series B (Statistical Methodology) 84, no. 1 (February 2022): 3–37. http://dx.doi.org/10.1111/rssb.12454.
Повний текст джерелаДисертації з теми "Differential probability"
Athreya, Siva. "Probability and semilinear partial differential equations /." Thesis, Connect to this title online; UW restricted, 1998. http://hdl.handle.net/1773/5799.
Повний текст джерелаFedrizzi, Ennio. "Partial Differential Equation and Noise." Phd thesis, Université Paris-Diderot - Paris VII, 2012. http://tel.archives-ouvertes.fr/tel-00759355.
Повний текст джерелаChen, Linan Ph D. Massachusetts Institute of Technology. "Applications of probability to partial differential equations and infinite dimensional analysis." Thesis, Massachusetts Institute of Technology, 2011. http://hdl.handle.net/1721.1/67787.
Повний текст джерелаCataloged from PDF version of thesis.
Includes bibliographical references (p. 79-80).
This thesis consists of two parts. The first part applies a probabilistic approach to the study of the Wright-Fisher equation, an equation which is used to model demographic evolution in the presence of diffusion. The fundamental solution to the Wright-Fisher equation is carefully analyzed by relating it to the fundamental solution to a model equation which has the same degeneracy at one boundary. Estimates are given for short time behavior of the fundamental solution as well as its derivatives near the boundary. The second part studies the probabilistic extensions of the classical Cauchy functional equation for additive functions both in finite and infinite dimensions. The connection between additivity and linearity is explored under different circumstances, and the techniques developed in the process lead to results about the structure of abstract Wiener spaces. Both parts are joint work with Daniel W. Stroock.
by Linan Chen.
Ph.D.
Treacy, Brian. "A stochastic differential equation derived from evolutionary game theory." Thesis, Uppsala universitet, Analys och sannolikhetsteori, 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-377554.
Повний текст джерелаCalatayud, Gregori Julia. "Computational methods for random differential equations: probability density function and estimation of the parameters." Doctoral thesis, Universitat Politècnica de València, 2020. http://hdl.handle.net/10251/138396.
Повний текст джерела[ES] Los modelos matemáticos basados en ecuaciones diferenciales deterministas no tienen en cuenta la incertidumbre inherente del fenómeno físico (en un sentido amplio) bajo estudio. Además, a menudo se producen inexactitudes en los datos recopilados debido a errores en las mediciones. Por lo tanto, es necesario tratar los parámetros de entrada del modelo como cantidades aleatorias, en forma de variables aleatorias o procesos estocásticos. Esto da lugar al estudio de las ecuaciones diferenciales aleatorias. El cálculo de la función de densidad de probabilidad de la solución estocástica es importante en la cuantificación de la incertidumbre de la respuesta del modelo. Aunque dicho cálculo es un objetivo difícil en general, ciertas expansiones estocásticas para los coeficientes del modelo dan lugar a representaciones fieles de la solución estocástica, lo que permite aproximar su función de densidad. En este sentido, las expansiones de Karhunen-Loève y de caos polinomial generalizado constituyen herramientas para dicha aproximación de la densidad. Además, los métodos basados en discretizaciones de esquemas numéricos de diferencias finitas permiten aproximar la solución estocástica, por lo tanto, su función de densidad de probabilidad. La parte principal de esta disertación tiene como objetivo aproximar la función de densidad de probabilidad de modelos matemáticos importantes con incertidumbre en su formulación. Concretamente, en esta memoria se estudian, en un sentido estocástico, los siguientes modelos que aparecen en diferentes áreas científicas: en Física, el modelo del péndulo amortiguado; en Biología y Epidemiología, los modelos de crecimiento logístico y de Bertalanffy, así como modelos de tipo epidemiológico; y en Termodinámica, la ecuación en derivadas parciales del calor. Utilizamos expansiones de Karhunen-Loève y de caos polinomial generalizado y esquemas de diferencias finitas para la aproximación de la densidad de la solución. Estas técnicas solo son aplicables cuando tenemos un modelo directo en el que los parámetros de entrada ya tienen determinadas distribuciones de probabilidad establecidas. Cuando los coeficientes del modelo se estiman a partir de los datos recopilados, tenemos un problema inverso. El enfoque de inferencia Bayesiana permite estimar la distribución de probabilidad de los parámetros del modelo a partir de su distribución de probabilidad previa y la verosimilitud de los datos. La cuantificación de la incertidumbre para la respuesta del modelo se lleva a cabo utilizando la distribución predictiva a posteriori. En este sentido, la última parte de la tesis muestra la estimación de las distribuciones de los parámetros del modelo a partir de datos experimentales sobre el crecimiento de bacterias. Para hacerlo, se utiliza un método híbrido que combina la estimación de parámetros Bayesianos y los desarrollos de caos polinomial generalizado.
[CAT] Els models matemàtics basats en equacions diferencials deterministes no tenen en compte la incertesa inherent al fenomen físic (en un sentit ampli) sota estudi. A més a més, sovint es produeixen inexactituds en les dades recollides a causa d'errors de mesurament. Es fa així necessari tractar els paràmetres d'entrada del model com a quantitats aleatòries, en forma de variables aleatòries o processos estocàstics. Açò dóna lloc a l'estudi de les equacions diferencials aleatòries. El càlcul de la funció de densitat de probabilitat de la solució estocàstica és important per a quantificar la incertesa de la sortida del model. Tot i que, en general, aquest càlcul és un objectiu difícil d'assolir, certes expansions estocàstiques dels coeficients del model donen lloc a representacions fidels de la solució estocàstica, el que permet aproximar la seua funció de densitat. En aquest sentit, les expansions de Karhunen-Loève i de caos polinomial generalitzat esdevenen eines per a l'esmentada aproximació de la densitat. A més a més, els mètodes basats en discretitzacions mitjançant esquemes numèrics de diferències finites permeten aproximar la solució estocàstica, per tant la seua funció de densitat de probabilitat. La part principal d'aquesta dissertació té com a objectiu aproximar la funció de densitat de probabilitat d'importants models matemàtics amb incerteses en la seua formulació. Concretament, en aquesta memòria s'estudien, en un sentit estocàstic, els següents models que apareixen en diferents àrees científiques: en Física, el model del pèndol amortit; en Biologia i Epidemiologia, els models de creixement logístic i de Bertalanffy, així com models de tipus epidemiològic; i en Termodinàmica, l'equació en derivades parcials de la calor. Per a l'aproximació de la densitat de la solució, ens basem en expansions de Karhunen-Loève i de caos polinomial generalitzat i en esquemes de diferències finites. Aquestes tècniques només són aplicables quan tenim un model cap avant en què els paràmetres d'entrada tenen ja determinades distribucions de probabilitat. Quan els coeficients del model s'estimen a partir de les dades recollides, tenim un problema invers. L'enfocament de la inferència Bayesiana permet estimar la distribució de probabilitat dels paràmetres del model a partir de la seua distribució de probabilitat prèvia i la versemblança de les dades. La quantificació de la incertesa per a la resposta del model es fa mitjançant la distribució predictiva a posteriori. En aquest sentit, l'última part de la tesi mostra l'estimació de les distribucions dels paràmetres del model a partir de dades experimentals sobre el creixement de bacteris. Per a fer-ho, s'utilitza un mètode híbrid que combina l'estimació de paràmetres Bayesiana i els desenvolupaments de caos polinomial generalitzat.
This work has been supported by the Spanish Ministerio de Econom´ıa y Competitividad grant MTM2017–89664–P.
Calatayud Gregori, J. (2020). Computational methods for random differential equations: probability density function and estimation of the parameters [Tesis doctoral no publicada]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/138396
TESIS
Premiado
Köhnlein, Dieter. "Asymptotisches Verhalten von Lösungen stochastischer linearer Differenzengleichungen im Rd." Bonn : [s.n.], 1988. http://catalog.hathitrust.org/api/volumes/oclc/20267120.html.
Повний текст джерелаZhou, Ziqian. "Statistical inference of distributed delay differential equations." Diss., University of Iowa, 2016. https://ir.uiowa.edu/etd/2173.
Повний текст джерелаFarr, Kerry J. "Simple Behavioral Interventions for Typically Functioning Adolescents with Work Refusal in a Classroom Setting." BYU ScholarsArchive, 2019. https://scholarsarchive.byu.edu/etd/7556.
Повний текст джерелаJornet, Sanz Marc. "Mean square solutions of random linear models and computation of their probability density function." Doctoral thesis, Universitat Politècnica de València, 2020. http://hdl.handle.net/10251/138394.
Повний текст джерела[ES] Esta tesis trata el análisis de ecuaciones diferenciales con parámetros de entrada aleatorios, en la forma de variables aleatorias o procesos estocásticos con cualquier tipo de distribución de probabilidad. En modelización, los coeficientes de entrada se fijan a partir de datos experimentales, los cuales suelen acarrear incertidumbre por los errores de medición. Además, el comportamiento del fenómeno físico bajo estudio no sigue patrones estrictamente deterministas. Es por tanto más realista trabajar con modelos matemáticos con aleatoriedad en su formulación. La solución, considerada en el sentido de caminos aleatorios o en el sentido de media cuadrática, es un proceso estocástico suave, cuya incertidumbre se tiene que cuantificar. La cuantificación de la incertidumbre es a menudo llevada a cabo calculando los principales estadísticos (esperanza y varianza) y, si es posible, la función de densidad de probabilidad. En este trabajo, estudiamos modelos aleatorios lineales, basados en ecuaciones diferenciales ordinarias con y sin retardo, y en ecuaciones en derivadas parciales. La estructura lineal de los modelos nos permite buscar ciertas soluciones probabilísticas e incluso aproximar su función de densidad de probabilidad, lo cual es un objetivo complicado en general. Una parte muy importante de la disertación se dedica a las ecuaciones diferenciales lineales de segundo orden aleatorias, donde los coeficientes de la ecuación son procesos estocásticos y las condiciones iniciales son variables aleatorias. El estudio de esta clase de ecuaciones diferenciales en el contexto aleatorio está motivado principalmente por su importante papel en la Física Matemática. Empezamos resolviendo la ecuación diferencial de Legendre aleatorizada en el sentido de media cuadrática, lo que permite la aproximación de la esperanza y la varianza de la solución estocástica. La metodología se extiende al caso general de ecuaciones diferenciales lineales de segundo orden aleatorias con coeficientes analíticos (expresables como series de potencias), mediante el conocido método de Fröbenius. Se lleva a cabo un estudio comparativo con métodos espectrales basados en expansiones de caos polinomial. Por otro lado, el método de Fröbenius junto con la simulación de Monte Carlo se utilizan para aproximar la función de densidad de probabilidad de la solución. Para acelerar el procedimiento de Monte Carlo, se proponen varios métodos de reducción de la varianza basados en reglas de cuadratura y estrategias multinivel. La última parte sobre ecuaciones diferenciales lineales de segundo orden aleatorias estudia un problema aleatorio de tipo Poisson de difusión-reacción, en el que la función de densidad de probabilidad es aproximada mediante un esquema numérico de diferencias finitas. En la tesis también se tratan ecuaciones diferenciales ordinarias aleatorias con retardo discreto y constante. Estudiamos el caso lineal y autónomo, cuando el coeficiente de la componente no retardada i el parámetro del término retardado son ambos variables aleatorias mientras que la condición inicial es un proceso estocástico. Se demuestra que la solución determinista construida con el método de los pasos y que involucra la función exponencial retardada es una solución probabilística en el sentido de Lebesgue. Finalmente, el último capítulo lo dedicamos a la ecuación en derivadas parciales lineal de advección, sujeta a velocidad y condición inicial estocásticas. Resolvemos la ecuación en el sentido de media cuadrática y damos nuevas expresiones para la función de densidad de probabilidad de la solución, incluso en el caso de velocidad no Gaussiana.
[CAT] Aquesta tesi tracta l'anàlisi d'equacions diferencials amb paràmetres d'entrada aleatoris, en la forma de variables aleatòries o processos estocàstics amb qualsevol mena de distribució de probabilitat. En modelització, els coeficients d'entrada són fixats a partir de dades experimentals, les quals solen comportar incertesa pels errors de mesurament. A més a més, el comportament del fenomen físic sota estudi no segueix patrons estrictament deterministes. És per tant més realista treballar amb models matemàtics amb aleatorietat en la seua formulació. La solució, considerada en el sentit de camins aleatoris o en el sentit de mitjana quadràtica, és un procés estocàstic suau, la incertesa del qual s'ha de quantificar. La quantificació de la incertesa és sovint duta a terme calculant els principals estadístics (esperança i variància) i, si es pot, la funció de densitat de probabilitat. En aquest treball, estudiem models aleatoris lineals, basats en equacions diferencials ordinàries amb retard i sense, i en equacions en derivades parcials. L'estructura lineal dels models ens fa possible cercar certes solucions probabilístiques i inclús aproximar la seua funció de densitat de probabilitat, el qual és un objectiu complicat en general. Una part molt important de la dissertació es dedica a les equacions diferencials lineals de segon ordre aleatòries, on els coeficients de l'equació són processos estocàstics i les condicions inicials són variables aleatòries. L'estudi d'aquesta classe d'equacions diferencials en el context aleatori està motivat principalment pel seu important paper en Física Matemàtica. Comencem resolent l'equació diferencial de Legendre aleatoritzada en el sentit de mitjana quadràtica, el que permet l'aproximació de l'esperança i la variància de la solució estocàstica. La metodologia s'estén al cas general d'equacions diferencials lineals de segon ordre aleatòries amb coeficients analítics (expressables com a sèries de potències), per mitjà del conegut mètode de Fröbenius. Es duu a terme un estudi comparatiu amb mètodes espectrals basats en expansions de caos polinomial. Per altra banda, el mètode de Fröbenius juntament amb la simulació de Monte Carlo són emprats per a aproximar la funció de densitat de probabilitat de la solució. Per a accelerar el procediment de Monte Carlo, es proposen diversos mètodes de reducció de la variància basats en regles de quadratura i estratègies multinivell. L'última part sobre equacions diferencials lineals de segon ordre aleatòries estudia un problema aleatori de tipus Poisson de difusió-reacció, en què la funció de densitat de probabilitat és aproximada mitjançant un esquema numèric de diferències finites. En la tesi també es tracten equacions diferencials ordinàries aleatòries amb retard discret i constant. Estudiem el cas lineal i autònom, quan el coeficient del component no retardat i el paràmetre del terme retardat són ambdós variables aleatòries mentre que la condició inicial és un procés estocàstic. Es prova que la solució determinista construïda amb el mètode dels passos i que involucra la funció exponencial retardada és una solució probabilística en el sentit de Lebesgue. Finalment, el darrer capítol el dediquem a l'equació en derivades parcials lineal d'advecció, subjecta a velocitat i condició inicial estocàstiques. Resolem l'equació en el sentit de mitjana quadràtica i donem noves expressions per a la funció de densitat de probabilitat de la solució, inclús en el cas de velocitat no Gaussiana.
This work has been supported by the Spanish Ministerio de Economía y Competitividad grant MTM2017–89664–P. I acknowledge the doctorate scholarship granted by Programa de Ayudas de Investigación y Desarrollo (PAID), Universitat Politècnica de València.
Jornet Sanz, M. (2020). Mean square solutions of random linear models and computation of their probability density function [Tesis doctoral no publicada]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/138394
TESIS
Leman, Hélène. "Probabilistic and deterministic analysis of the evolution : influence of a spatial structure and a mating preference." Thesis, Université Paris-Saclay (ComUE), 2016. http://www.theses.fr/2016SACLX026/document.
Повний текст джерелаWe study the spatial and evolutionary dynamics of a population by using probabilistic and deterministic tools. In the first part of this thesis, we are concerned with the influence of a heterogeneous environment on the evolution of species. The population is modeled by an individual-based process with some interactions and which describes the birth, the death, the mutation and the spatial diffusion of each individual. The rates of those events depend on the characteristics of the individuals : their phenotypic trait and their spatial location. First, we study the system of partial differential equations that describes the spatial and demographic dynamics of a population composed of two traits in a large population limit. We characterize precisely the conditions of extinction and long time survival for this population. Secondly, we study the initial individual-based model under two asymptotic: large population and rare mutations such as demographic and mutational timescales are separated. Thus, when a mutant appears, the resident population has reached its demographic balance. We characterize the survival probability of the population descended from this mutant. Then, by studyingthe process in the mutational scale, we prove that the microscopic process converges to a jump process which describes the successive fixations of the most advantaged traits and the spatial distribution of populations carrying these traits. We then extend the model to introduce mutualistic interactions between two species. We study this model in a limit of large population. We also give numerical results and a detailed biological behavior analysis around two issues: the co-evolution of phenotypic and spatial niches of mutualistic species and the invasion dynamics of a homogeneous space by these species. In the second part of this thesis, we develop a probabilistic model to study the effect of the sexual preference on the speciation. Here, the population is structured on two patches and the individuals, characterized by a trait, are ecologically and demographically similar and differ only in their sexual preferences: two individuals of the same trait are more likely to reproduce than two individuals of distinct traits. We show that in the absence of any other ecological differences, the sexual preferences lead to reproductive isolation between the two patches
Книги з теми "Differential probability"
Williams, D. Probability with martingales. Cambridge: Cambridge University Press, 1992.
Знайти повний текст джерелаservice), SpringerLink (Online, ed. Stochastic Differential Equations. Berlin, Heidelberg: Springer-Verlag Berlin Heidelberg, 2011.
Знайти повний текст джерелаWaymire, Edward C., and Jinqiao Duan, eds. Probability and Partial Differential Equations in Modern Applied Mathematics. New York, NY: Springer New York, 2005. http://dx.doi.org/10.1007/978-0-387-29371-4.
Повний текст джерелаE, Kloeden Peter, and Ombach Jerzy 1950-, eds. From elementary probability to stochastic differential equations with Maple. Berlin: Springer, 2002.
Знайти повний текст джерелаFischer, Gerd. Ruled Varieties: An Introduction to Algebraic Differential Geometry. Wiesbaden: Vieweg+Teubner Verlag, 2001.
Знайти повний текст джерелаBelopolskaya, Ya I. Stochastic Equations and Differential Geometry. Dordrecht: Springer Netherlands, 1990.
Знайти повний текст джерелаservice), SpringerLink (Online, ed. Stochastic Stability of Differential Equations. 2nd ed. Berlin, Heidelberg: Springer-Verlag Berlin Heidelberg, 2012.
Знайти повний текст джерелаCyganowski, Sasha, Peter Kloeden, and Jerzy Ombach. From Elementary Probability to Stochastic Differential Equations with MAPLE®. Berlin, Heidelberg: Springer Berlin Heidelberg, 2002. http://dx.doi.org/10.1007/978-3-642-56144-3.
Повний текст джерелаCyganowski, Sasha. From Elementary Probability to Stochastic Differential Equations with MAPLE®. Berlin, Heidelberg: Springer Berlin Heidelberg, 2002.
Знайти повний текст джерела1953-, Picco Pierre, San Martín Jaime, and C.I.M.P.A. (Center), eds. From classical to modern probability: CIMPA Summer School 2001. Basel: Birkhäuser, 2003.
Знайти повний текст джерелаЧастини книг з теми "Differential probability"
Klenke, Achim. "Stochastic Differential Equations." In Probability Theory, 589–611. London: Springer London, 2014. http://dx.doi.org/10.1007/978-1-4471-5361-0_26.
Повний текст джерелаKlenke, Achim. "Stochastic Differential Equations." In Probability Theory, 665–90. Cham: Springer International Publishing, 2020. http://dx.doi.org/10.1007/978-3-030-56402-5_26.
Повний текст джерелаCohen, Samuel N., and Robert J. Elliott. "Itô’s Differential Rule." In Probability and Its Applications, 337–65. New York, NY: Springer New York, 2015. http://dx.doi.org/10.1007/978-1-4939-2867-5_14.
Повний текст джерелаGawarecki, Leszek, and Vidyadhar Mandrekar. "Stochastic Differential Equations." In Probability and Its Applications, 73–149. Berlin, Heidelberg: Springer Berlin Heidelberg, 2011. http://dx.doi.org/10.1007/978-3-642-16194-0_3.
Повний текст джерелаKallenberg, Olav. "Stochastic Differential Geometry." In Foundations of Modern Probability, 801–26. Cham: Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-61871-1_36.
Повний текст джерелаElworthy, K. D. "Stochastic Differential Equations on Manifolds." In Probability Towards 2000, 165–78. New York, NY: Springer New York, 1998. http://dx.doi.org/10.1007/978-1-4612-2224-8_10.
Повний текст джерелаAnulova, S. V., and A. Yu Veretennikov. "Stochastic Differential and Evolution Equations." In Probability Theory III, 38–110. Berlin, Heidelberg: Springer Berlin Heidelberg, 1998. http://dx.doi.org/10.1007/978-3-662-03640-2_2.
Повний текст джерелаProtter, Philip E. "Stochastic Differential Equations." In Stochastic Modelling and Applied Probability, 249–361. Berlin, Heidelberg: Springer Berlin Heidelberg, 2005. http://dx.doi.org/10.1007/978-3-662-10061-5_6.
Повний текст джерелаPardoux, Etienne, and Aurel Răşcanu. "Stochastic Differential Equations." In Stochastic Modelling and Applied Probability, 135–227. Cham: Springer International Publishing, 2014. http://dx.doi.org/10.1007/978-3-319-05714-9_3.
Повний текст джерелаCohen, Samuel N., and Robert J. Elliott. "Lipschitz Stochastic Differential Equations." In Probability and Its Applications, 397–426. New York, NY: Springer New York, 2015. http://dx.doi.org/10.1007/978-1-4939-2867-5_16.
Повний текст джерелаТези доповідей конференцій з теми "Differential probability"
Barhoumi, A., and H. Ouerdiane. "Quantum Lévy-type Laplacian and associated stochastic differential equations." In Quantum Probability. Warsaw: Institute of Mathematics Polish Academy of Sciences, 2006. http://dx.doi.org/10.4064/bc73-0-5.
Повний текст джерелаMartini, Francesco De, and Enrico Santamato. "Derivation of Dirac's equation from conformal differential geometry." In FOUNDATIONS OF PROBABILITY AND PHYSICS - 6. AIP, 2012. http://dx.doi.org/10.1063/1.3688951.
Повний текст джерелаFAGNOLA, FRANCO. "H-P QUANTUM STOCHASTIC DIFFERENTIAL EQUATIONS." In Proceedings of the RIMS Workshop on Infinite-Dimensional Analysis and Quantum Probability. WORLD SCIENTIFIC, 2003. http://dx.doi.org/10.1142/9789812705242_0002.
Повний текст джерелаSielemann, Michael. "Probability-One Homotopy for Robust Initialization of Differential-Algebraic Equations." In 9th International MODELICA Conference, Munich, Germany. Linköping University Electronic Press, 2012. http://dx.doi.org/10.3384/ecp12076223.
Повний текст джерелаAmanullah, Md, and Mohammad K. Al-Arfaj. "Method and Apparatus to Reduce the Probability of Differential Sticking." In IADC/SPE Asia Pacific Drilling Technology Conference. Society of Petroleum Engineers, 2016. http://dx.doi.org/10.2118/180506-ms.
Повний текст джерелаGao, Yang, Yongjuan Wang, Qingjun Yuan, Tao Wang, Xiangbin Wang, and Lulu Guo. "Methods of differential fault attack on LBlock with analysis of probability." In 2018 IEEE 3rd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC). IEEE, 2018. http://dx.doi.org/10.1109/iaeac.2018.8577744.
Повний текст джерелаAnnoni, Luca Alfredo, Marco Di Renzo, Fabio Graziosi, and Fortunato Santucci. "Mean Acquisition Time and Overall Acquisition Probability for Differential UWB Receivers." In 2006 IEEE International Conference on Communications. IEEE, 2006. http://dx.doi.org/10.1109/icc.2006.255551.
Повний текст джерелаMohjazi, Lina, Sami Muhaidat, Mehrdad Dianati, and Mahmoud Al-Qutayri. "Outage Probability and Throughput of SWIPT Relay Networks with Differential Modulation." In 2017 IEEE 86th Vehicular Technology Conference (VTC-Fall). IEEE, 2017. http://dx.doi.org/10.1109/vtcfall.2017.8288240.
Повний текст джерелаNarang, Ghanishtha, Mona Aggarwal, Hemani Kaushal, and Swaran Ahuja. "Error probability analysis of FSO Communication System using Differential Chaos Shift Keying." In 2018 5th International Conference on Signal Processing and Integrated Networks (SPIN). IEEE, 2018. http://dx.doi.org/10.1109/spin.2018.8474235.
Повний текст джерелаThia Ping Soh, Pooi Yuen Kam, and Chun Sum Ng. "Bit error probability for orthogonal space-time block codes with differential detection." In GLOBECOM '05. IEEE Global Telecommunications Conference, 2005. IEEE, 2005. http://dx.doi.org/10.1109/glocom.2005.1577927.
Повний текст джерелаЗвіти організацій з теми "Differential probability"
Rao, C. R. Differential Metrics in Probability Spaces Based on Entropy and Divergence Measures. Fort Belvoir, VA: Defense Technical Information Center, April 1985. http://dx.doi.org/10.21236/ada160301.
Повний текст джерелаBustelo, Monserrat, Pablo Egana-delSol, Laura Ripani, Nicolas Soler, and Mariana Viollaz. Automation in Latin America: Are Women at Higher Risk of Losing Their Jobs? Inter-American Development Bank, August 2020. http://dx.doi.org/10.18235/0002566.
Повний текст джерела