第二章主方程(Masterequation).pptVIP

第二章 主方程(Master equation) 这里我们研究概率分布随时间的演化。 随机过程：与时间有关的随机变量(time-dependent random variable) 我们只考虑仅有短程记忆的过程 – 马尔科夫过程(Markov process)，该过程的时间演化方程就是主方程。 主方程是统计物理里最重要的方程之一，它几乎是普遍适用的，并广泛地被应用于化学，生物学，人口动力学，布朗运动，流体，半导体，金融等问题。 2.1 主方程的推导 （I）一般情形 对于随机变量Y的概率密度，将采用以下的记号来表示： （随机变量Y在 时刻取 值的概率）; （随机变量Y在 时刻取 值，在 时刻取 值的联合概率）; （随机变量Y在 时刻取 值，在 时刻取 值， 在 时刻取 值的联合概率）。 联合概率密度是正的: 它们可以被约化: 并且是归一化的: 一般性质: 不同时刻概率密度之间的关系（上式对 积分）： 随机变量与时间有关的矩(表征随机变量在不同时刻的值之间的相关): 平稳过程：如果一个过程对一切n与τ都有： 在平衡时，所有物理过程都是平稳的。对一个平稳过程，有： 条件概率： 而 只依赖于 - 时间差的绝对值。 （在 时刻取 值的随机变量Y，在 时刻取 值的概率）; 它由如下恒等式来定义： （II）马尔科夫过程(Markov process) =（固定 时，随机变量Y具有值 的联合概率密度） 联合条件概率密度： 对马尔科夫过程我们有(其中 )： 即tn时刻取yn的条件概率完全由tn-1时刻yn-1的值确定。马尔科夫过程完全由 和 [转移概率]两个函数确定。例如： 对y2积分，容易得到（Chapman-Kolmogorov方程）： Chapman-Kolmogorov方程的重要性：告诉我们对马尔科夫过程来说两个相继步骤的转移概率是两个单个步骤转移概率的乘积，而且相继的步骤是统计独立的。 (III) 主方程(Master equation) 计算（*1）的时间导数我们必须考虑： 这里我们定义 是系统在时间间隔 内，从态y1变到态y2的单位时间的转变概率密度（转移率）。因此 在时间 内，从态y1转变到态y2的概率密度为 ； 在时间τ内不转变的概率密度为 。所以有： （*3) 的时间导数为： 在时刻t1+τ（ τ 是一个非常小的正数），由定义我们有（以连续变量为例）： （*1） 当τ=0时，由（*1）得： （*2） 由（*1-3）我们发现： （*4） 这就是主方程。 (IV) 细致平衡和Monte Carlo模拟 为简单记这里我们考虑离散的情形，这时主方程可写为： 这和我们以前学过的统计物理里的刘维尔定理很相似。对平稳过程，我们有 因此对不同的平衡态有（这里我们略去了时间