更改

[[文件:黑盒实例.png|无框|粗粒化布尔图|600x600px|替代=]]

[[文件:黑盒实例.png|无框|粗粒化布尔图|600x600px|替代=]]

其中，A,B,C,D,E五个变量的微观动力学与上例相同，而“黑盒”外部化变量F则与前面例子不同之处在于，变量F接受来自另外五个变量的输入，并且它的响应方式为逻辑判断“五个输入加和是否等于5”，也就是只有A,B,C,D,E同时为1的时候，F才转移至1。

其中，A,B,C,D,E五个变量的微观动力学与上例相同，而“黑盒”外部化变量F则与前面例子不同，不同之处在于，变量F接受来自另外五个变量的输入，并且它的响应方式为逻辑判断“五个输入加和是否等于5”，也就是只有A,B,C,D,E同时为1的时候，F才转移至1。

在所有变量都是内生变量时，所有状态都发生的是确定性转移，因为机制是完全确定的。在将变量D做黑盒化处理后，相当于我们不再关注它的变化了。举例来说，假设采样发现F取0和1的概率为是11:1（可人为设定，但要注意取0的概率远大于1），当{ABCDE}的状态为{01011}时，那么下一时刻，有11/12的概率继续保持{01011}（对应当前黑盒D的状态为0），而有1/12的概率转移至{11111}（对应当前黑盒的D状态为1）。相比于原系统，黑盒化F后的五变量系统的转移不再是确定性的，F的变化仅视作系统的噪声。从原TPM得到黑盒化后的TPM，需要将转移概率对黑盒变量的概率做边际化（marginalize），在新的TPM中不再出现F的状态，可参考如下三步操作：

在所有变量都是内生变量时，所有状态都发生的是确定性转移，因为机制是完全确定的。在将变量D做黑盒化处理后，相当于我们不再关注它的变化了。举例来说，假设采样发现F取0和1的概率为是11:1（可人为设定，但要注意取0的概率远大于1），当{ABCDE}的状态为{01011}时，那么下一时刻，有11/12的概率继续保持{01011}（对应当前黑盒D的状态为0），而有1/12的概率转移至{11111}（对应当前黑盒的D状态为1）。相比于原系统，黑盒化F后的五变量系统的转移不再是确定性的，F的变化仅视作系统的噪声。从原TPM得到黑盒化后的TPM，需要将转移概率对黑盒变量的概率做边际化（marginalize），在新的TPM中不再出现F的状态，可参考如下三步操作：