- •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
4.7 Статистические усреднения в эксперименте
Установление закономерностей, которым подчинены массовые случайные процессы и явления, основано на изучении методами теории вероятностей статистических данных- результатов наблюдений.
Первая задача математической статистики- указать способы сбора и группировки статистических сведений, полученных в результате наблюдений или в результате специально поставленных экспериментов. Вторая задача математической статистики- разработать методы анализа статистических данных в зависимости от целей исследования. Сюда относятся: а) оценка неизвестной вероятности события; оценка неизвестной функции распределения; оценка параметров распределения, вид которого известен; оценка зависимости случайной величины от одной или нескольких случайных величин; б) проверка статистических гипотез о виде неизвестного распределения или о величине параметров распре-деления, вид которого известен.
Современная математическая статистика разрабатывает способы определения числа необходимых испытаний до начала исследования (планирование эксперимента), в ходе исследования (последовательный анализ) и решает многие другие задачи. Современную математическую статистику определяют как науку о принятии решений в условиях неопределенностей.
Итак, задача математической статистики состоит в создании методов сбора и обработки статистических данных для получения научных и практических выводов. Статистическая наука возникла (XVII в) и разви-валась параллельно с теорией вероятностей. Дальнейшее развитие мате-матической статистики (вторая половина XIX- начало XX в.) обязано, в первую очередь, П.Л. Чебышеву, А. А.Маркову, А.М.Ляпунову, а также К. Гауссу, А. Кетле, Ф. Гальтону, К. Пирсону и др. В XX в. наиболее су-щественный вклад в математическую статистику был сделан советскими математиками (В.И.Романовский, Е.Е.Слуцкий, А.Н.Колмогоров, Н.В.Смирнов), а также английскими (Стьюдент, Р. Фишер, Э.Пирсон) и американскими учеными (Ю. Нейман, А. Вальд).
Обычно для измерения некоторой физической величины в эксперименте производят несколько измерений, а затем находят среднее арифметическое полученных чисел, которое принимают за приближенное значение измеряемой величины. Предполагая, что измерения производятся в одних и тех же условиях, можно показать, что среднее арифметическое дает результат более надежный, чем отдельные измерения и с увеличением числа измерений надежность этого результата возрастает. Отдельные измерения дают неодинаковые значения измеряемой физической величины. Результат каждого измерения зависит от многих случайных причин (изменения температуры, колебания показаний прибора и т. п.), которые не могут быть заранее полностью учтены.
Поэтому мы вправе рассматривать возможные результаты отдельных измерений в качестве дискретной случайной величины. Причем, величина имеет одинаковое распределение вероятностей (измерения производятся по одной и той же методике и теми же приборами), следовательно, и одинаковые числовые характеристики; кроме того, они взаимно независимы (результат каждого отдельного измерения не зависит от остальных измерений). В данном случае применима модель дискретных случайных величин с законом распределения , причем, сумма вероятностей и .
Среднее арифметическое случайных величин имеет меньшее рассеяние, чем каждая отдельная величина. Иначе говоря, среднее арифметическое оказывается более близким к истинному значению измеряемой величины. Действительно из свойств дисперсии следует, что среднее квадратичное отклонение среднего взаимно независимых измерений случайной величины в раз меньше среднего квадратичного отклонения каждого измерения в терминах случайных величин, т.е. . Кроме того в силу теоремы Чебышева для случайных величин с ограниченной дисперсией различия между средним и неизвестным истинным значением измеряемой величины (математическим ожиданием) сколь угодно малы при неограниченной выборке измерений, т.е. .
Отметим, что точечной называют оценку, которая определяется одним числом. При выборке малого объема точечная оценка может значительно отличаться от оцениваемого параметра, т. е. приводить к грубым ошибкам. По этой причине при небольшом объеме выборки следует пользоваться интервальными оценками. В реальном эксперименте с конечным числом измерений случайная ошибка оценивается методом доверительных интервалов (Ю.Нейман, Р.Фишер). Интервальной называют оценку, которая определяется двумя числами - концами интервала. Интервальные оценки позволяют установить точность и надежность оценок.
Пусть найденная по данным выборки статистическая характеристика служит оценкой неизвестного параметра . Будем считать постоянным числом ( может быть и случайной величиной). Ясно, что тем точнее определяет параметр в, чем меньше абсолютная величина разности . Другими словами, если и , то чем меньше , тем оценка точнее. Таким образом, положительное число характеризует точность оценки.
Однако статистические методы не позволяют категорически утверждать, что оценка удовлетворяет неравенству ; можно лишь говорить о вероятности , с которой это неравенство осуществляется.
Надежностью (доверительной вероятностью) оценки по называют вероятность , с которой осуществляется неравенство |. Обычно надежность оценки задается наперед, причем в качестве берут число, близкое к единице. Таким образом, . Это соотношение следует понимать так: вероятность того, что интервал заключает в себе (покрывает) неизвестный параметр , равна .
Рассмотрим доверительные интервалы для оценки математического ожидания распространенного в физике нормального распределения при неизвестном стандартном отклонении. Пусть количественный признак X генеральной совокупности распределен нормально, причем среднее квадратичное отклонение неизвестно. Требуется оценить неизвестное математическое ожидание а с помощью доверительных интервалов.
Оказывается, что по данным выборки можно построить случайную величину (ее возможные значения будем обозначать через t): , которая имеет распределение Стьюдента с k = n-1 степенями свободы; здесь <X> - выборочная средняя, S- «исправленное» среднее квадратичное отклонение, п- объем выборки.
Плотность распределения Стьюдента, , где . Заметим, что , поэтому вводить Г- функцию в учебном курсе можно не прибегая к определению спецфункции.
Из предельных соотношений , , следует, что при неограниченном возрастания объема выборки распределение Стьюдента стремится к нормальному (рис. 39). Из рисунка видно, что для оценки случайной ошибки учебного физического эксперимента целесообразно проводить несколько измерений на уровне надежности 0.8, что весьма актуально в условиях дефицита учебного времени.
Мы видим, что распределение Стьюдента определяется параметром п- объемом выборки (или числом степеней свободы k = n - 1) и не зависит от неизвестных параметров а и ; эта особенность является его достоинством. Поскольку S(t, n) - четная функция от t, вероятность осуществления неравенства определяется следующим образом: .
Итак, пользуясь распределением Стьюдента, мы нашли доверительный интервал , покрывающий неизвестный параметр а с надежностью . Здесь - «исправленное» среднее квадратичное отклонение. На компьютере (например, в среде Maple) по заданным п и рассчитываем .
Однако важно подчеркнуть, что для малых выборок, в особенности для малых значений n, замена распределения нормальным приводит к грубым ошибкам, а именно к неоправданному сужению доверительно-го интервала, т. е. к «повышению» точности оценки.
То обстоятельство, что распределение Стьюдента при малой выборке дает не вполне определенные результаты (широкий доверительный интервал), вовсе не свидетельствует об ограниченности метода Стьюдента, а объясняется тем, что малая выборка, разумеется, содержит малую информацию об интересующем нас признаке.
Рис. 39. Распределение Стьюдента и нормальный закон при n=10 и =0.8
Понятия «среднего по времени значения функции» встречаются в общем курсе физики в теореме вириала, в задачах статистических усреднений. Для финитных движений справедлива теорема вириала, имеющая многочисленные применения в разных разделах физики. Теорема была сформулирована и доказана немецким физиком Рудольфом Клаузиусом (1822- 1888).
В методическом контексте междисциплинарного взаимодействия, формирования статистических понятий и представлений теорема вириала позволяет корректно получить основное уравнение МКТ в общем виде (для сосуда произвольной формы).
Согласно теореме вириала средняя кинетическая энергия системы частиц определяется средним вириалом сил, действующих в системе . Здесь - сила, дейcтвующая со стороны стенки сосуда на частицу, - радиус-вектор i-ой молекулы. Причем ; здесь N = nV- общее число молекул во всем объеме сосуда V. Очевидно, что , где nk - орт внешней нормали в окрестности точки k стенки, pk - давление в этой точке.
Тогда . По формуле Гаусса- Остроградского . Следовательно, , и окончательно получаем [50].