---

name: simulate-stochastic-process locale: wenyan source_locale: en source_commit: 82c77053 fence_basis_commit: 82c77053 translator: "Julius Brussee homage — caveman" translation_date: "2026-05-03" description: > Simulate stochastic processes (Markov chains, random walks, SDEs, MCMC) with convergence diagnostics, variance reduction, and visualization. Use when generating sample paths for estimation, prediction, or visualization; when analytical solutions are intractable; running Monte Carlo estimation needing convergence guarantees; validating analytical results against empirical simulation; or sampling from complex posteriors via MCMC. license: MIT allowed-tools: Read Write Edit Bash Grep Glob metadata: author: Philipp Thoss version: "1.0" domain: stochastic-processes complexity: advanced language: multi tags: stochastic, simulation, mcmc, convergence, monte-carlo

仿隨機之程

仿隨機程之樣徑——含離散馬可夫鏈、續時程、隨機微分方程、MCMC 之取樣——並收斂之察、減方之術、徑之繪。

用時

• 須生樣徑以估、預、繪乃用
• 解析不可解，仿為唯可行之途乃用
• 行蒙特卡羅之估而須收斂之保與不確之量乃用
• 欲驗解析之果（穩態分布、擊中時）於實仿乃用
• 須以 MCMC 取樣於繁後驗乃用
• 全析前先試隨機之模乃用

入

必要

Input	Type	Description
process_type	string	程之類："dtmc"、"ctmc"、"random_walk"、"brownian_motion"、"sde"、"mcmc"
parameters	dict	程特之參（轉移矩、漂／散係、目密度等）
n_paths	integer	獨樣徑之數
n_steps	integer	各徑之步數（或 MCMC 全迭數）

可選

Input	Type	Default	Description
initial_state	scalar/vector	process-specific	各徑之始態或始分布
dt	float	0.01	續時離散之時步
seed	integer	random	隨種以可復
burn_in	integer	n_steps / 10	棄之初步數（MCMC）
thinning	integer	1	每 k 取一以減自相關
variance_reduction	string	"none"	法："none"、"antithetic"、"stratified"、"control_variate"
target_function	callable	none	沿徑求蒙特卡羅估之函

法

第一步：定程之模與參

1.1. 識程之類而集所須之參：

• DTMC：轉移矩 P 與態空。驗 P 為行隨機。
• CTMC：率矩 Q。驗行和為 0，非對角為非負。
• 隨機行：步分布（如等概之 {-1, +1}）、邊界（若有）。
• 布朗動：漂 mu、波 sigma、維 d。
• SDE（伊藤）：漂函 a(x,t)、散函 b(x,t)。
• MCMC：目對數密度、提機制（隨機行 Metropolis、Hamiltonian、Gibbs 諸件）。

1.2. 驗參之諧：

• 矩維合態空之大。
• SDE 係滿足長與 Lipschitz 條件（至少非式）為所擇之解。
• MCMC 提於目分布之支可定。

1.3. 設隨種以可復。

得：完設之隨機模，已驗之參與可復之隨態。

敗則：若參不諧（如非隨機矩），先正之而後續。若 SDE 係病，考他離散之法。

第二步：擇仿之法

2.1. 依程類擇宜之算：

Process	Method	Key Property
DTMC	Direct sampling from transition row	Exact
CTMC	Gillespie algorithm (SSA)	Exact, event-driven
CTMC (approx.)	Tau-leaping	Approximate, faster for high rates
Random walk	Direct sampling of increments	Exact
Brownian motion	Cumulative sum of Gaussian increments	Exact for fixed dt
SDE (general)	Euler-Maruyama	Order 0.5 strong, order 1.0 weak
SDE (higher order)	Milstein	Order 1.0 strong (scalar noise)
SDE (stiff)	Implicit Euler-Maruyama	Stable for stiff drift
MCMC (general)	Metropolis-Hastings	Asymptotically exact
MCMC (gradient)	Hamiltonian Monte Carlo (HMC)	Better mixing for high dimensions
MCMC (conditional)	Gibbs sampler	Exact conditionals when available

2.2. 為 SDE 法，擇 dt 足小以求數值穩。常法：自 dt = 0.01 始，半之至果穩。

2.3. 為 MCMC，調提之尺以求受率約：

• 高維隨機行 Metropolis 為 23.4%
• 一維目為 57.4%
• HMC 為 65-90%（依軌長）

2.4. 若請減方，設之：

• 對偶：每徑有隨增 Z，亦仿 -Z。
• 層別：分概空為層而於各層取樣。
• 控變：識相關之量有已知期以減方。

得：擇與程類合之仿算與宜之調參。

敗則：若所擇之法不穩（如 Euler-Maruyama 散），轉隱法或減 dt。

第三步：實而行仿

3.1. 為 n_paths 軌分配儲，各長 n_steps（或為事件驅之法如 Gillespie 動態）。

3.2. 各徑 i = 1, ..., n_paths：

DTMC / 隨機行：

• 設 x[0] = initial_state
• 為 t = 1, ..., n_steps：自 x[t-1] 之轉移分布取 x[t]

CTMC（Gillespie）：

• 設 x[0] = initial_state、time = 0
• 當 time < T_max：
  • 算總率 lambda = -Q[x, x]
  • 取持時 tau ~ Exp(lambda)
  • 自轉移概 Q[x, j] / lambda 為 j != x 取下態
  • 更 time += tau，記轉移

SDE（Euler-Maruyama）：

• 設 x[0] = initial_state
• 為 t = 1, ..., n_steps：
  • dW = sqrt(dt) * N(0, I)（Wiener 增）
  • x[t] = x[t-1] + a(x[t-1], t*dt) * dt + b(x[t-1], t*dt) * dW

MCMC（Metropolis-Hastings）：

• 設 x[0] = initial_state
• 為 t = 1, ..., n_steps：
  • 提 x' ~ q(x' | x[t-1])
  • 算受率 alpha = min(1, p(x') * q(x[t-1]|x') / (p(x[t-1]) * q(x'|x[t-1])))
  • 以概 alpha 受：受則 x[t] = x'，否 x[t] = x[t-1]
  • 記受之決

3.3. 若供 target_function，於各徑各態求之而存其值。

3.4. 行稀化：每 thinning 取一。

3.5. 棄各徑首之 burn_in 樣（主為 MCMC）。

得：n_paths 完軌存於憶，含可選之函求值。MCMC 受率於目範圍。

敗則：若仿生 NaN 或 Inf，為 SDE 減 dt 或察參之效。若 MCMC 受率近 0% 或 100%，調提尺。

第四步：施收斂之察

4.1. 跡圖：繪部分徑各分量之值於時。觀其穩（無趨、方穩）。

4.2. Gelman-Rubin 之察（R-hat）：MCMC 多鏈：

• 算鏈內方 W 與鏈間方 B。
• R_hat = sqrt((n-1)/n + B/(n*W))
• R_hat < 1.01（嚴）或 R_hat < 1.1（寬）示收斂。

4.3. 有效樣本數（ESS）：

• 估增延遲之自相關。
• ESS = n_samples / (1 + 2 * sum(autocorrelations))
• 規則：ESS > 400 為可信之後驗總。

4.4. Geweke 之察：比各鏈首 10% 與末 50% 之均。z 分宜於 [-2, 2] 內為收斂。

4.5. 非 MCMC 程：驗時均之計（均、方）隨徑長而穩。繪行均。

4.6. 報總表：

Diagnostic	Value	Threshold	Status
R-hat (max)	...	< 1.01	...
ESS (min)	...	> 400	...
Geweke z (max abs)	...	< 2.0	...
Acceptance rate	...	0.15-0.50	...

得：諸收斂之察皆過閾。跡圖示穩、混好之鏈。

敗則：若 R-hat > 1.1，行更長之鏈或改提。若 ESS 甚低，增稀化或轉更佳之取樣（如 HMC）。若 Geweke 敗，延 burn-in。

第五步：算總計與信區

5.1. 各關之量（態占、函期、擊中時）：

• 算點估為樣均跨諸徑（burn-in 與稀化後）。
• 以 ESS 算標誤：SE = SD / sqrt(ESS)。

5.2. 構信區：

• 正態近：estimate +/- z_{alpha/2} * SE
• 為偏分布，用百分位 bootstrap 或批均。

5.3. 若施減方，算減方之比：

• VRF = Var(naive estimator) / Var(reduced estimator)
• 報有效之速倍。

5.4. 蒙特卡羅積分之估：

• 報估、標誤、95% CI、ESS、函求值之數。

5.5. 分布之估：

• 算實分位（中、2.5、97.5 百分位）。
• 為續量之核密度估。

5.6. 列諸總計與其不確。

得：點估有相應之標誤與信區。減方（若施）生 VRF > 1。

敗則：若信區太寬，增 n_paths 或 n_steps。若減方反劣（VRF < 1），閉之——控變或對偶之術或不宜此問題。

第六步：繪軌與分布

6.1. 軌圖：繪具表之少數樣徑（5-20）於時。重疊用透明。

6.2. 總計：迭均軌與點之 95% 信帶於諸徑。

6.3. 邊際分布：選時點，繪態分布之直方或密度估。

6.4. 穩態分布之比：若有解析穩態，迭之於末時切之實直方上。

6.5. 自相關圖：MCMC 各分量繪自相關函（ACF）至理之延遲。

6.6. 察之盤：合跡、ACF、行均、邊密為一多板圖以全察。

6.7. 存諸圖為向量（PDF/SVG）與點陣（PNG）以為文。

得：可發版之圖示軌行、分布收斂、察總。解析（若有）合實果。

敗則：若繪示非穩或多模而模未期，回第一二步察參或法之誤。若圖雜，減顯之徑或增圖大。

驗

• 諸仿軌皆於有效態空（無越界、無 NaN/Inf）
• DTMC/CTMC：實穩態分布收斂於解析者（於預期蒙卡誤之內）
• SDE：半 dt 不變果之質（收斂階之察）
• MCMC：R-hat < 1.01、ESS > 400、Geweke z 於 [-2, 2]
• 信區寬以 1/sqrt(n_paths) 比減（中央極限）
• 減方術生 VRF > 1（估改非劣）
• 可復：同種重行生同果

陷

• MCMC burn-in 不足：自劣始態須長 burn-in 方代目分布。常觀跡圖而用收斂察，勿猜其長。
• Euler-Maruyama 為剛 SDE 不穩：若漂項梯度大，顯式 Euler-Maruyama 散。轉隱法或用適步。
• 強弱收斂之惑於 SDE：強收斂量徑誤（要於個軌）；弱收斂量分布誤（足於期）。Euler-Maruyama 弱階一，強階半。
• 偽隨數之質：甚長仿中，劣 RNG 生相關樣。用驗之器（Mersenne Twister、PCG、Xoshiro）而驗其獨立。
• 忽 MCMC 之自相關：以自相 MCMC 樣為獨低估不確。用有效樣本數，非生樣本之數，為標誤。
• 對偶為非單調函：對偶取樣唯估為底均勻之單調函時減方。為非單調，反增方。
• 大仿之憶：存多長徑之諸時步耗憶。若全軌不為繪所須，用線上計（行均、行方）。

參

• Model Markov Chain — 供轉移矩與解析果以仿之驗
• Fit Hidden Markov Model — 自擬 HMM 之仿使後驗預測察與合資生