- •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
4.5 Статистическое распределение с бесконечной дисперсией
Рассмотрим следующую задачу. Фонарь установлен на единичном расстоянии от длинной стены и случайным образом мерцает. Найти плотность распределения светлых пятен на стене при равномерном вращении источника света вокруг вертикальной оси.
Рис. 37. Иллюстрация задачи, приводящей к бесконечной дисперсии
В силу того, что все значения углов падения лучей равновероятны, для случайного угла имеем равномерное распределение на интервале от до : . Поскольку , то . Таким образом, плотность распределения случайной координаты светлого пятна на стене выражается функцией . Это экзотическое распределение Коши имеет бесконечную дисперсию. В этом легко убедиться с помощью расчетов на компьютере.
Слайд 26. Статистическое распределение с бесконечной дисперсией
4.6 Закон больших чисел и центральная предельная теорема
Как известно, в эксперименте нельзя заранее уверенно предвидеть, какое из возможных значений примет случайная величина в итоге испытания; это зависит от многих случайных причин, учесть которые невозможно. Казалось бы, поскольку о каждой случайной величине мы располагаем в этом смысле весьма скромными сведениями, то вряд ли можно установить закономерности поведения и суммы достаточно большого числа случайных величин. Но, оказывается, что при некоторых сравнительно широких условиях суммарное поведение достаточно большого числа случайных величин почти утрачивает случайный характер и становится закономерным.
Для практики очень важно знание условий, при выполнении которых совокупное действие очень многих случайных причин приводит к результату, почти не зависящему от случая, так как позволяет предвидеть ход явлений. Эти условия и указываются в теоремах, носящих общее название закона больших чисел. К ним относятся теоремы Чебышева и Бернулли. Теорема Чебышева является наиболее общим законом больших чисел, теорема Бернулли – простейшим [1].
Сущность теоремы Чебышева состоит в том, что хотя отдельные независимые случайные величины могут принимать значения, далекие от своих математических ожиданий, среднее арифметическое достаточно большого числа случайных величин с большой вероятностью принимает значения, близкие к определенному постоянному числу, а именно к математическому ожиданию. Иными словами, отдельные случайные величины могут иметь значительный разброс, а их среднее арифметическое рассеянно мало.
Таким образом, нельзя уверенно предсказать, какое возможное значение примет каждая из случайных величин, но можно предвидеть, какое значение примет их среднее арифметическое. Теорема Чебышева справедлива не только для дискретных, но и для непрерывных случайных величин.
Обычно для измерения некоторой физической величины производят несколько измерений и их среднее арифметическое принимают в качестве искомого.
К физическим величинам можно применить теорему Чебышева, если: 1) они попарно независимы, 2) имеют одно и то же математичес-кое ожидание, 3) дисперсии их равномерно ограничены.
Первое требование выполняется, если результат каждого измерения не зависит от результатов остальных. Второе требование выполняется, если измерения произведены без систематических (одного знака) ошибок. В этом случае математические ожидания всех случайных величин одинаковы. Третье требование выполняется, если прибор обеспечивает определенную точность измерений. Хотя при этом результаты отдельных измерений различны, но рассеяние их ограничено.
Если все указанные требования выполнены, мы вправе применить к результатам измерений теорему Чебышева: при достаточно большом п вероятность неравенства . Другими словами, при достаточно большом числе измерений почти достоверно, что их среднее арифметическое как угодно мало отличается от истинного значения измеряемой величины.
Итак, теорема Чебышева указывает условия, при которых описанный способ измерения может быть применен. Однако ошибочно думать, что, увеличивая число измерений, можно достичь сколь угодно большой точности. Дело в том, что сам прибор (методика эксперимента) дает показания с конечной точностью ограничивающей точность эксперимента.
Пусть производится п независимых испытаний, в каждом из которых вероятность появления события А равна р. Можно ли предвидеть, какова примерно будет относительная частота появлений события? Положительный ответ на этот вопрос дает теорема, доказанная Якобом Бернулли (опубликована в 1713 г.), которая получила название «закона больших чисел» и положила начало теории вероятностей как науке. Доказательство Бернулли было сложным; простое доказательство дано П.Л.Чебышевым в 1846 г. Итак, теорема Бернулли утверждает, что сходится по вероятности при . Другими словами, например, можно предсказать относительную частоту падение тела в заданную точку при случайных порывах ветра обобщая решения типовых физических задач.
Известно, что нормально распределенные физические величины широко распространены на практике. Чем это объясняется? Ответ на этот вопрос был дан выдающимся русским математиком А.М.Ляпуно-вым (центральная предельная теорема): если случайная величина X представляет собой сумму очень большого числа взаимно независимых случайных величин, влияние каждой из которых на всю сумму ничтожно мало, то X имеет распределение, близкое к нормальному.
Рис. 38. Иллюстрация вероятностных теорем на компьютере
В частности, если все случайные величины одинаково распределены, то к этой последовательности применима центральная предельная Теорема, если дисперсии всех величии конечны и отличны от нуля. А. М. Ляпунов доказал, что если для при отношение Ляпунова , где стремится к нулю (условие Ляпунова), то к последовательности применима центральная предельная теорема.
Для иллюстрации вероятностных теорем воспользуемся компьютерным генератором случайных чисел и наглядной графикой, которая дает представление о законах распределения случайных измерений, гистограмме, о правиле «трех сигм» для нормального распределения (рис. 38).