(Lưu ý: Tôi đã thay đổi thành .)ξx
Đối với một biến ngẫu nhiên có mật độ , nếu bạn có các ràng buộc
với , mật độ entropy tối đa là
trong đó được xác định từ 's và là hằng số chuẩn hóa.Xp
∫Gi(x)p(x)dx=ci,
i=1,…,np0(x)=Aexp(∑i=1naiGi(x)),
aiciA
Trong bối cảnh này, phép tính gần đúng Gaussian ("gần-gaussianity") có nghĩa là hai điều:
1) Bạn chấp nhận giới thiệu hai ràng buộc mới: giá trị trung bình của là và phương sai là (nói);X01
2) tương ứng (xem phần dưới) lớn hơn nhiều so với các khác .an+2ai
Các ràng buộc bổ sung này được biểu diễn dưới dạng
năng suất
có thể được viết lại thành (chỉ "thêm số không" vào số mũ)
dẫn đến những gì bạn muốn:
sẵn sàng để Taylor mở rộng (sử dụng điều kiện thứ hai của phép tính gần đúng Gaussian).
Gn+1(x)=x,cn+1=0,
Gn+2(x)=x2,cn+2=1,
p0(x)=Aexp(an+2x2+an+1x+∑i=1naiGi(x)),
p0(x)=Aexp(x22−x22+an+2x2+an+1x+∑i=1naiGi(x)),
p0(x)=A′ϕ(x)exp(an+1x+(an+2+12)x2+∑i=1naiGi(x));
Thực hiện phép tính gần đúng như Nhà vật lý (có nghĩa là chúng tôi không quan tâm đến thứ tự của cụm từ lỗi), sử dụng , chúng tôi có mật độ gần đúng
Để kết thúc, chúng ta phải xác định và các giá trị của ' s. Điều này được thực hiện áp đặt các điều kiện
để có được một hệ phương trình, giải pháp của nó đưa ra và ' s.exp(t)≈1+t
p0(x)≈A′ϕ(x)(1+an+1x+(an+2+12)x2+∑i=1naiGi(x)).
A′ai∫p0(x)dx=1,∫xp0(x)dx=0,∫x2p0(x)dx=1
∫Gi(x)p0(x)dx=ci,i=1,…,n,
A′ai
Không áp đặt các điều kiện bổ sung cho , tôi không tin rằng có một giải pháp đơn giản ở dạng đóng.Gi
PS Mohammad đã làm rõ trong một cuộc trò chuyện rằng với các điều kiện trực giao bổ sung cho , chúng ta có thể giải quyết hệ thống.Gi