Por supuesto. La correspondencia entre el espacio de estado del modelo y las coordenadas físicas depende de cómo defina el proceso estocástico subyacente que le permite calcular las probabilidades de transición en todas las ramas. Por ejemplo, si el proceso subyacente de Markovian de una partícula difusora (en 1-d) es Weiner,
[matemáticas] dS = \ sigma \ cdot {dW_t} [/ matemáticas]
entonces el desplazamiento (en cualquier unidad de distancia) por unidad de tiempo [matemática] dt [/ matemática] viene dado por [matemática] dS [/ matemática] anterior, donde el proceso de Weiner se relaciona con el tiempo como
- ¿Cuál es la curvatura del espacio-tiempo? ¿Cómo afecta la masa a producir gravedad y puede ser representada?
- Para avanzar y retroceder en el tiempo como en el pasado para presentar, ¿qué tan rápido tendría que moverme?
- Si lo que está fuera del universo no es el tiempo, el espacio o la materia, ¿no podrías decir que no existe?
- ¿Cómo se puede explicar el espacio-tiempo? ¿Qué es el espacio-tiempo? ¿La dilatación del tiempo?
- Si el espacio es como la tela, ¿de qué está hecho el espacio entre los hilos de la tela?
[matemáticas] dW_t \ sim N (0, dt) [/ matemáticas],
es decir, la varianza es el intervalo de tiempo [matemática] dt [/ matemática]. [math] \ sigma [/ math] es una constante cuyo valor depende de las unidades que elija para el tiempo y la distancia. Dependiendo de la discretización de tiempo de la cadena de Markov, puede calcular la probabilidad de transición por rama (ya que conoce la distribución de probabilidad condicional en [matemática] t + dt [/ matemática] dada la filtración hasta [matemática] t [/ matemática ]).
La generalización a los componentes ortogonales del modelo 1-d anterior es directa. También puede elegir un proceso diferente, por ejemplo, Ornstein-Uhlenbeck, para los movimientos de partículas en un medio viscoso, etc.