更改

* 然后，将所有这些t时刻的状态综合在一起，我们便可以得到在ABCD四变量形成的联合状态下（总共有[math]2^4=16[/math]种可能性，即16个微观态），ABCD在t+1取16种可能状态值的条件概率（因为在给定t时刻状态的条件下，ABCD的取值彼此独立，因此联合变量ABCD的条件概率取值可以将上述每一个条件概率乘到一起得到），从而得到微观态的16 × 16的概率转移矩阵 [math]P_m[/math]——即微观动力学（如图c所示）。

* 然后，将所有这些t时刻的状态综合在一起，我们便可以得到在ABCD四变量形成的联合状态下（总共有[math]2^4=16[/math]种可能性，即16个微观态），ABCD在t+1取16种可能状态值的条件概率（因为在给定t时刻状态的条件下，ABCD的取值彼此独立，因此联合变量ABCD的条件概率取值可以将上述每一个条件概率乘到一起得到），从而得到微观态的16 × 16的概率转移矩阵 [math]P_m[/math]——即微观动力学（如图c所示）。

* 最后，根据EI的公式可以计算得到有效信息[math]EI(P_m) = Det(P_m) - Deg(P_m) = 1.35 - 0.20 = 1.15 \text{ bits}[/math]，[math]Eff(P_m) = EI(P_m)/ \log N = 1.15/4 = 0.29[/math]，其中Det表示确定度，Deg表示简并度。

* 最后，根据EI的公式可以计算得到有效信息[math]EI(P_m) = Det(P_m) - Deg(P_m) = 1.35 - 0.20 = 1.15 \text{ bits}[/math]，[math]Eff(P_m) = EI(P_m)/ \log N = 1.15/4 = 0.29[/math]，其中Det表示确定度，Deg表示简并度。

{| style="text-align: center;"

{| style="text-align: center;"

本例中，在宏观动力学的有效性[math]\Delta I_{Eff}[/math]的增益主要来自于减少噪声干扰，即确定性提高（归一化后：[math]Det(P_m) = 0.34[/math]; [math]Det(P_M) = 0.78[/math]），少部分来源于简并性减少（归一化后：[math]Deg(P_m) = 0.05[/math]; [math]Deg(P_M) = 0.006[/math]）。

本例中，在宏观动力学的有效性[math]\Delta I_{Eff}[/math]的增益主要来自于减少噪声干扰，即确定性提高（归一化后：[math]Det(P_m) = 0.34[/math]; [math]Det(P_M) = 0.78[/math]），少部分来源于简并性减少（归一化后：[math]Deg(P_m) = 0.05[/math]; [math]Deg(P_M) = 0.006[/math]）。

{| style="text-align: center;"

{| style="text-align: center;"