更改

<math>

<math>

\begin{aligned}

\begin{aligned}

C_{μ}(\textbf {R}) & \equiv H[R] \ (15) \\

C_{μ}(\textbf {R}) & \equiv H[R] \\

　& = - \sum_{ρ \in \mathcal R } P(\mathcal R = ρ)\log_{2}P(\mathcal R = ρ). \\

　& = - \sum_{ρ \in \mathcal R } P(\mathcal R = ρ)\log_{2}P(\mathcal R = ρ). \\

  \end{aligned}

  \end{aligned}

当和收敛到一个有限值。

当和收敛到一个有限值。

μ中<math>C_{μ}</math>中提示我们它有着量化理论的特性，并且最终依赖于过程序列的分布，能导出状态上的测量。

在<math>C_{μ}</math>含有下标μ中提示我们它有着量化理论的特性，并且最终依赖于过程序列的分布，能导出状态上的测量。

一个状态类的统计复杂度是平均不确定度（单位是比特），在此过程的当前状态。这个，换句话说，是跟平均存储数量（单位是比特）一样，过程看上去是在保持过去，在给定选定的状态类<math>\mathbfcal{R}</math>的条件下。这个目标是在尽可能少的存储下完成。再次申明，我们希望最小化统计复杂度，并符合最大准确预测的原则。

一个状态类的统计复杂度是平均不确定度（单位是比特），在此过程的当前状态。这个，换句话说，是跟平均存储数量（单位是比特）一样，过程看上去是在保持过去，在给定选定的状态类<math>\mathbfcal{R}</math>的条件下。这个目标是在尽可能少的存储下完成。再次申明，我们希望最小化统计复杂度，并符合最大准确预测的原则。