[inventory_dynamics]Update Translation

Author: SW36

lectures/inventory_dynamics.md

@@ -172,13 +172,13 @@ plt.show()
 
 ## 边际分布
 
-现在让我们来看看某个固定时间点 $T$ 时 $X_T$ 的边际分布 $\psi_T$。
+现在让我们来看看某一固定时间点 $T$ 时 $X_T$ 的边际分布 $\psi_T$。
 
-我们将通过在给定初始条件 $X_0$ 的情况下生成多个 $X_T$ 的样本来实现这一点。
+我们将通过在给定初始条件 $X_0$ 的情况下，生成多个 $X_T$ 的样本来实现。
 
 通过这些 $X_T$ 的样本，我们可以构建其分布 $\psi_T$ 的图像。
 
-这里是一个可视化示例，其中 $T=50$。
+下面是$T=50$的情况下，一个可视化示例。
 
 ```{code-cell} ipython3
 T = 50
@@ -219,7 +219,7 @@ axes[1].hist(sample,
 plt.show()
 ```
 
-通过绘制更多样本，我们可以得到一个更清晰的图像
+通过抽取更多样本，我们可以得到一个更清晰的图像
 
 ```{code-cell} ipython3
 T = 50
@@ -241,18 +241,18 @@ ax.hist(sample,
 plt.show()
 ```
 
-请注意分布呈双峰
+注意到分布呈双峰
 
-* 大多数公司已经补货两次，但少数公司只补货一次（见上图路径）。
-* 第二类公司的库存较低。
+* 大多数公司已经补了两次货，但也有少部分公司只补货一次（见上图路径）。
+* 第二种公司的库存较少。
 
-我们也可以使用[核密度估计](https://en.wikipedia.org/wiki/Kernel_density_estimation)来近似这个分布。
+我们还可以使用[核密度估计](https://baike.baidu.com/item/核密度估计/10349033)来近似这个分布。
 
 核密度估计可以被理解为平滑的直方图。
 
-当被估计的分布可能是平滑的时候，核密度估计比直方图更可取。
+当被估计的分布很可能是平滑的时候，核密度估计比直方图更可取。
 
-我们将使用[scikit-learn](https://scikit-learn.org/stable/)中的核密度估计器
+我们将使用[scikit-learn](https://scikit-learn.org/stable/)中的核密度估计量
 
 ```{code-cell} ipython3
 from sklearn.neighbors import KernelDensity
@@ -282,30 +282,30 @@ plt.show()
 
 这个模型是渐近平稳的，具有唯一的平稳分布。
 
-（有关平稳性的背景讨论，请参见{doc}`我们关于AR(1)过程的讲座 <intro:ar1_processes>`——基本概念是相同的。）
+（作为背景知识，有关平稳性的讨论，请参见{doc}`我们关于AR(1)过程的讲座 <intro:ar1_processes>`——基本概念是相同的。）
 
-特别是，边际分布序列$\{\psi_t\}$正在收敛到一个唯一的极限分布，该分布不依赖于初始条件。
+特别是，边际分布序列$\{\psi_t\}$正在收敛到一个唯一的极限分布，且该分布不依赖于初始条件。
 
-虽然我们在这里不会证明这一点，但我们可以通过模拟来研究它。
+虽然我们不会在此证明这一点，但我们可以通过模拟来研究这一性质。
 
-你的任务是根据上述讨论，在时间点$t = 10, 50, 250, 500, 750$生成并绘制序列$\{\psi_t\}$。
+你的任务是，根据上述讨论，在时间点$t = 10, 50, 250, 500, 750$生成并绘制序列$\{\psi_t\}$。
 
-（核密度估计器可能是呈现每个分布的最佳方式。）
+（核密度估计量可能是呈现每个分布最佳的方式。）
 
-你应该能看到收敛性，体现在连续分布之间的差异越来越小。
+你应该能看到收敛性，体现在两个连续分布之间的差异越来越小。
 
-尝试不同的初始条件来验证，从长远来看，分布在不同初始条件下是不变的。
+尝试不同的初始条件来验证，长期来看，不同初始条件下分布是不变的。
 ```
 
 ```{solution-start} id_ex1
 :class: dropdown
 ```
 
-以下是一个可能的解决方案：
+以下是一种可能的解法：
 
-这些计算涉及大量的CPU周期，所以我们试图高效地编写代码。
+因为其中的计算涉及大量的CPU周期，所以我们试图更高效地编写代码。
 
-这意味着编写一个专门的函数，而不是使用上面的类。
+也就是编写一个专门的函数，而不是使用上面的类。
 
 ```{code-cell} ipython3
 s, S, mu, sigma = firm.s, firm.S, firm.mu, firm.sigma
@@ -354,11 +354,11 @@ ax.legend()
 plt.show()
 ```
 
-注意到在 $t=500$ 或 $t=750$ 时密度几乎不再变化。
+注意到，在 $t=500$ 或 $t=750$ 时密度几乎不再变化。
 
-我们已经得到了平稳密度的合理近似。
+我们得到了平稳密度的合理近似。
 
-你可以通过测试几个不同的初始条件来确信初始条件并不重要。
+你可以通过测试多个不同的初始条件，来确定初始条件确实不重要。
 
 例如，尝试用所有公司从 $X_0 = 20$ 或 $X_0 = 80$ 开始重新运行上面的代码。
 
@@ -368,7 +368,7 @@ plt.show()
 ```{exercise}
 :label: id_ex2
 
-使用模拟计算从 $X_0 = 70$ 开始的公司在前50个周期内需要订货两次或更多次的概率。
+使用模拟的方式，计算从 $X_0 = 70$ 开始的公司在前50个周期内需要订货两次或更多的概率。
 
 你需要一个较大的样本量来获得准确的结果。
 ```
@@ -377,9 +377,9 @@ plt.show()
 :class: dropdown
 ```
 
-这是一个解决方案。
+这里是一种解法。
 
-同样，由于计算量相对较大，我们编写了一个专门的函数而不是使用上面的类。
+同样地，由于计算量相对较大，我们编写了一个专门的函数而不是使用上面的类。
 
 我们还将使用跨公司的并行化处理。
 
@@ -420,7 +420,7 @@ print(f"至少发生两次缺货的频率 = {freq}")
 
 根据你的系统配置，运行速度的差异可能会很大。
 
-（在我们的台式机上，速度提升了5倍。）
+（在台式机上，速度提升了5倍。）
 
 ```{solution-end}
 ```