Número de decaimientos en una reacción en cadena

Es ampliamente conocido que la probabilidad de norte decae de un sistema a otro A B (p. ej., electrones que se descomponen de un nivel de energía atómica a otro o muones que se descomponen en neutrinos y electrones, etc.) en un período de tiempo dado viene dado por una distribución de Poisson.

Sin embargo, considere la siguiente reacción en cadena simple

A λ A B λ B C

dónde λ i es la tasa de decaimiento. En t = 0 (tiempo inicial) no hay partículas en B o C , todos ellos están en A . La pregunta es cómo calcular o estimar la probabilidad de un número dado de decaimientos de A a B más el número de desintegraciones de B a C en un periodo de tiempo dado . En otras palabras, se puede suponer que en cada una de las reacciones se emite una partícula, digamos un fotón, y se desea estimar la probabilidad de obtener cierto número de fotones emitidos durante un período de tiempo.

La probabilidad de norte decae de A a B en un tiempo Δ t debe estar dada por una distribución de Poisson con número promedio λ A Δ t . Sin embargo, me pregunto cuál es la probabilidad de metro decae entre B y C en un periodo de tiempo es. No creo que siga una distribución de Poisson dado que la probabilidad de obtener norte decae en un período dado de tiempo debe depender del tiempo.

Esto debe ser algo bien conocido ya que tiene aplicaciones en física nuclear (fisión), atómica (emisión espontánea) y de partículas ( π ir a m (emitiendo v ¯ m ) seguido de desintegración de muones). Y también en química. Parece ser algo bastante común.

Las referencias son bienvenidas.

NB: No estoy preguntando sobre la distribución de partículas en A , B , y C como una función del tiempo.

Creo que es una simple convolución de las poblaciones en función de tine con las probabilidades de decaimiento por átomo. No sé si hay una solución de forma cerrada o no, pero es bastante fácil para Monte Carlo una gran población obtener una muestra útil.
@dmckee ¡Gracias! Sé sobre Monte Carlo, pero estoy buscando una solución analítica exacta o aproximada. ¿Puedes expandir tu comentario en una respuesta? No veo de dónde viene la convolución. ¿Cuál es la "probabilidad de desintegración por átomo"$?
@dmckee ¿Podría comentar mi respuesta a continuación?

Respuestas (1)

La probabilidad de obtener norte decae en un intervalo de tiempo Δ t es dado por

pag ( norte ) = metro = 0 norte pag A ( metro ) pag B ( norte metro )

dónde pag A ( norte ) es una distribución de Poisson con promedio

λ A t i t i + Δ t norte A ( t ) d t
y equivalentemente para pag B ( norte ) . Y norte A ( t ) , norte B ( t ) son, respectivamente, el número de A -partículas y B -partículas. Tenga en cuenta que estos son el número actual de partículas, en lugar de los números promedio dados por

norte A ( t ) = norte 0 mi λ A t
norte B ( t ) = norte 0 λ A λ A λ B ( mi λ B t mi λ A t ) ,

como lo señaló dmckee. Estos promedios pueden ser una aproximación razonable a los valores actuales siempre que las poblaciones sean lo suficientemente grandes.

(No he comprobado esta respuesta, siéntete libre de criticar)

Me parece mal porque para t = 0 la probabilidad es cero para cada norte dado que norte B ( 0 ) = 0
"número de partículas numéricas"? ¿Quiso decir totales?
Esta versión editada parece estar bien como punto de partida, pero para comprender la distribución completa de pag ( norte ) tienes que entender la variación de norte A ( t ) y norte B ( t ) cuál es la parte difícil del problema y lo que quise decir con convolucionar con las poblaciones.
@dmckee ¿Qué quiere decir con "entender"? La evolución de las poblaciones viene dada por ecuaciones diferenciales de primer orden muy sencillas. las circunvoluciones \int_0^t'f(t')g(tt')dt'
La expectativa para las poblaciones está dada por esas agradables ecuaciones de primer orden, pero en cualquier ejecución dada, las poblaciones reales variarán, lo que contribuye a la variación total de pag ( norte ) . Si sus poblaciones ( norte A y norte B ) son grandes, puede ignorar esto, pero asumí que estaba haciendo la pregunta difícil.
@dmckee Sí, me interesa el caso en que las poblaciones cambien significativamente. Entonces, lo que estás diciendo es que la probabilidad depende del número real de partículas en lugar del número promedio , ¿verdad?
Sí. Esto es más importante cuando las poblaciones son muy pequeñas, pero al menos esos son los casos fáciles para Monte Carlo.