- •А.И. Ходанович математическое моделирование на компьютере
- •История математического моделирования на компьютере
- •Задачи аналитического и численного моделирования
- •1. Симметрия и модели с числовыми последовательностями
- •1.1 Формула пути равнопеременного движения
- •1.3 «Золотое сечение» и числа Фибоначчи
- •1.4 Сопротивление бесконечной электрической цепи
- •1.5 Сопротивление конечной электрической цепи
- •1.6 «Золотое сечение» в поле тяготения
- •Равенство тяжелой и инертной массы в свободном падении
- •2.2 Реальная динамика тела в среде
- •2.3 Цепная линия и метод кратных скобок Пуассона
- •2.4 Баллистическая кривая
- •2.5 Модели космической динамики
- •2.6 Посадка «Гюйгенса» на Титан
- •Задача Кеплера
- •Слайд 10. Компьютерно-графическое моделирование в небесной механике
- •2.8 Орбита в пространстве скоростей
- •2.9 Конические сечения в поле тяготения
- •2.10 Прецессия орбиты при малом возмущении
- •2.11 Задача трех тел в небесной механике
- •2.12 Задача о брахистохроне
- •Слайд 11. Иллюстрация экстремальной траектории в поле тяготения
- •2.13 Управление таймером в режиме реального времени
- •2.14 Физический опыт и модель измерений
- •2.15 Водяные часы
- •2.16 Фракталы в комплексной плоскости
- •Слайд 14. Комплексные отображения в нелинейной динамике
- •3. Колебания и адиабатические инварианты
- •3.1 Гармонический осциллятор
- •3.2 Задача «Бездонный колодец»
- •3.3 Фигуры Лиссажу
- •3.4 Параметрические колебания
- •3.5 Маятник Капицы
- •3.6 Хаотическое поведение маятника и отображение Пуанкаре
- •3.8 Задача с соударениями
- •3.9 Хаотические колебания при соударениях
- •3.10 Представление колебаний рядом Фурье
- •3.11 Два тела на пружине
- •3.12 Цепочка Ферми-Паста-Улама
- •3.13 Линейная цепочка связанных осцилляторов
- •3.14 Колебания мембраны в интерактивной графике
- •3.15 Вращение частицы в трехмерной графике
- •4. Вероятностно-статистическая линия математического моделирования
- •4.1 Нормальное распределение и статистический критерий
- •4.2 Распределение расстояний между молекулами газа
- •4.3 Радиоактивный распад изотопа
- •4.4 Флуктуации и биномиальный случай
- •4.5 Статистическое распределение с бесконечной дисперсией
- •4.6 Закон больших чисел и центральная предельная теорема
- •4.7 Статистические усреднения в эксперименте
- •4.8 Диффузия в модели случайных блужданий
- •4.9 Иерархия временных масштабов в броуновской динамике
- •4.10 Метод Монте-Карло с генератором случайных чисел
- •4.11 Алгоритмы числа
- •4.12 Модели плоских фигур
- •4.13 Площадь круга с малым возмущением
- •4.14 «Игла Бюффона»
- •4.15 Выделение сигнала на фоне «шумов»
- •4.16 Регрессионная модель эксперимента и метод наименьших квадратов
- •4.17 Модели линейной регрессии в планировании эксперимента
- •5. Дидактические игры математического моделирования
- •5.1 «Телепат»
- •5.2 Игрушка «Раскидай»
- •5.3 Игрушка «Ванька-встанька»
- •5.4 Игра Баше
- •5.5 «Перевернутая» игра Баше
- •5.6 Игра в 15
- •Литература
- •Ходанович
4.1 Нормальное распределение и статистический критерий
Нормальный закон распределения (часто называемый законом Гаусса) играет исключительно важную роль в науке и занимает среди других законов распределения особое положение. Это- наиболее часто встречающийся в теории и практике закон распределения, например, в оптике или атомной спектроскопии (рис.33, 34). Главная особенность, выделяющая нормальный закон среди других законов, состоит в том, что он является предельным законом, к которому приближаются другие законы распределения при весьма часто встречающихся типичных условиях. Отметим, что расширенные средства графики распространенных математических пакетов обеспечивают наглядность при изучении вероятностно- статистических моделей и методов с помощью компьютера.
Рис. 33. Иллюстрация гауссова пучка в оптике
Согласно центральной предельной теореме сумма достаточно большого числа независимых (или слабо зависимых) случайных величин, подчиненных каким угодно законам распределения (при соблюдении некоторых весьма нежестких ограничений), приближенно подчиняется нормальному закону, и это выполняется тем точнее, чем большее количество случайных величин суммируется.
Большинство встречающихся на практике случайных величин, таких, например, как ошибки физических измерений, могут быть представлены как суммы весьма большого числа сравнительно малых слагаемых- элементарных ошибок, каждая из которых вызвана действием отдельной причины, не зависящей от остальных. Каким бы законам распределения ни были подчинены отдельные элементарные ошибки, особенности этих распределений в сумме большого числа слагаемых нивелируются, и сумма оказывается подчиненной закону, близкому к нормальному.
Математические законы теории вероятностей не являются беспредметными абстракциями, лишенными физического содержания; они представляют собой математическое выражение реальных закономерностей, фактически существующих в массовых случайных явлениях природы.
Оперируя такими понятиями, как события и их вероятности, случайные величины, их законы распределения и числовые характеристики, теория вероятностей дает возможность теоретическим путем определять вероятности одних событий через вероятности других, законы распределения и числовые характеристики одних случайных величин через законы распределения и числовые характеристики других. Такие косвенные методы позволяют значительно экономить время и средства, затрачиваемые на эксперимент, но отнюдь не исключают самого эксперимента. Каждое исследование в области случайных явлений, как бы отвлеченно оно ни было, корнями своими всегда уходит в эксперимент, в опытные данные, в систему наблюдений.
Разработка методов регистрации, описания и анализа статистических экспериментальных данных, получаемых в результате наблюдения массовых случайных явлений, составляет предмет специальной науки- математической статистики. Все задачи математической статистики касаются вопросов обработки наблюдений над массовыми случайными явлениями, но в зависимости от характера решаемого практического вопроса и от объема имеющегося экспериментального материала эти задачи могут принимать ту или иную форму.
Закономерности, наблюдаемые в массовых случайных явлениях, проявляются тем точнее и отчетливее, чем больше объем статистического материала. При обработке обширных по своему объему статистических данных часто возникает вопрос об определении законов распределения тех или иных случайных величин.
Теоретически при достаточном количестве опытов свойственные этим случайным величинам закономерности будут осуществляться сколь угодно точно. На практике нам всегда приходится иметь дело с ограниченным количеством экспериментальных данных; в связи с этим результаты наших наблюдений и их обработки всегда содержат больший или меньший элемент случайности.
Возникает вопрос о том, какие черты наблюдаемого явления относятся к постоянным, устойчивым и действительно присущи ему, а какие являются случайными и проявляются в данной серии наблюдений только за счет ограниченного объема экспериментальных данных. Естественно, к методике обработки экспериментальных данных следует предъявить такие требования, чтобы она, по возможности сохраняла типичные, характерные черты наблюдаемого явления и отбрасывала все несущественное, второстепенное, связанное с недостаточным объемом опытного материала. В связи с этим возникаем характерная для математической статистики задача сглаживания или выравнивания статистических данных, представления их в наиболее компактном виде с помощью простых аналитических зависимостей.
Рис. 34. Модель доплеровского уширения спектральных линий атомов
Если говорить о статистической проверке статистических гипотез, то наиболее распространенным критерием является критерий К. Пирсона.
Рис. 35. Интерактивная аппроксимация критических точек - распределения в среде Maple 9.5
Для распределения составлены специальные таблицы (сумма по числу частных интервалов гистограммы измерений (рис. 36). Пользуясь этими таблицами, можно для каждого значения числа степеней свободы r найти вероятность р того, что величина, распределенная по закону превзойдет это значение. В таблице входными данными являются значение вероятности р и число степеней свободы r. Числа, стоящие в таблице, представляют собой соответствую-щие значения .
Распределение дает возможность оценить степень согласованности теоретического и статистического распределений. Будем исходить из того, что величина X действительно распределена по закону F(x).
Тогда вероятность p определенная по таблице, есть вероятность того, что за счет чисто случайных причин мера расхождения теоретического и статистического распределений будет не меньше, чем фактически наблюдаемое в данной серии опытов значений . Если эта вероятность весьма мала настолько, что событие с такой вероятностью можно считать практически невозможным, то результат опыта следует считать противоречащим гипотезе Н о том, что закон распределения величины X есть F(x). Эту гипотезу следует отбросить как неправдоподобную.
Напротив, если вероятность р сравнительно велика, можно признать расхождения между теоретическим и статистическим распределениями несущественными и отнести их за счет случайных причин. Гипотезу Н о том, что величина X распределена по закону F(x) можно считать правдоподобной или, по крайней мере, не противоречащей опытным данным [1].
В учебной литературе, например, в учебниках [10, 17] дается разная интерпретация данного статистического критерия. В методике учебного физического эксперимента представляет интерес компьютерный вариант реализации критерия согласия теории c опытными данными без использования специальных таблиц и терминов, с помощью универсальной программы. Заметим, что критерий представленный в [10] для программирования предпочтительнее; он не требует дополнительной аппроксимации таблично заданных функций (рис. 35).
Зная плотность распределения - , где Г(r/2)- гамма- функция, искомую вероятность критерия находим интегрированием (рис. 36). Отметим аналитические возможности системы символьной математики Maple, позволяющие вычислить интеграл в явном виде:
, где - Whittaker- функция. К сожалению, полученная формула применима не при всех значениях , представляющих практический интерес.
Рис.36. Плотность распределения в проверке статистических гипотез