Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь FAQ Написать работу КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Обработка результатов наблюденияСодержание книги
Поиск на нашем сайте
Распределение Пуассона В физике часто приходится встречаться с измерениями, результаты которых представляются в виде целых чисел. Через счетчик Гейгера за время измерения приходит целое – и обычно не очень большое – число частиц. Делящееся ядро распадается на целое число частей. Статистические закономерности, которые имеют место в этом случае, обладают некоторыми особенностями. Рассмотрим счетчик, регистрирующий космические частицы. В то время как число отсчетов счетчика за любой промежуток времени является целым числом, интенсивность ν космического излучения (т. е. отнесенное к единице площади число отсчетов счетчика в секунду, усредненное за очень большой отрезок времени), вообще говоря, целым числом не выражается. Найдем вероятность того, что при интенсивности ν счетчик за время измерения сработает n раз. Будем для простоты считать, что счетчик обладает единичной площадью,– окончательные формулы от этого предположения не зависят. Поскольку мы приступаем к вычислению вероятностей, следует представить себе очень большое число совершенно одинаковых одновременно работающих счетчиков. Некоторая часть их сработает ровно n раз. Доля, составляемая этими счетчиками, по отношению к полному числу счетчиков и равна вероятности того, что через счетчик за время измерения пройдет n частиц. Обозначим полное число счетчиков буквой N. Через них в секунду в среднем проходит N ν частиц, а за небольшое время dt пройдет N ν dt частиц. Если dt достаточно мало, то ни через один из счетчиков за это время не пройдет двух частиц, и наши счетчики можно разбить на два класса: те, через которые за dt прошла частица, и те, через которые не прошла. Последние составляют, конечно, огромное большинство. Число счетчиков, через которые прошла частица, равно, очевидно, числу сосчитанных частиц, т. е. приблизительно N ν dt, а их доля по отношению к полному числу счетчиков составляет N ν dt / N= ν dt. Вероятность того, что за время dt через счетчик пройдет частица, равна, следовательно, ν dt. Это утверждение справедливо только в том случае, если dt очень мало. Вычислим теперь вероятность P 0(t) того, что за время t через счетчик не пройдет ни одной частицы. По определению число таких счетчиков в момент t составляет NP 0(t), а в момент t + dt равно NP 0(t + dt). Это число меньше, чем NP 0(t), потому что за время dt их число убавится на NP 0(t)ν dt. Поэтому NP 0(t + dt) = NP 0(t) – NP 0(t)ν dt, или P 0(t + dt) – P 0(t) = – P 0(t)ν dt, Деля это равенство на dt и переходя к пределу, получим: dP 0/ dt= –ν P 0 Интегрируя, найдем: P 0(t) = – e– ν t. (П.1) При интегрировании было принято во внимание, что в начальный момент времени вероятность найти счетчик, не сработавший ни разу, равна, конечно, единице. Вычислим теперь Pn (t + dt) – вероятность того, что за время: t + dt через счетчик пройдет ровно n частиц. Эти счетчики делятся на две группы. К первой принадлежат те, через которые все n частиц прошли за время t, а за время dt не прошло ни одной. Ко второй группе принадлежат счетчики, через которые за время t прошла n – 1 частица, а последняя частица прошла за время dt. Число первых счетчиков равно NPn (t)(1 – ν dt), а число вторых составляет NPn– 1(t)ν dt. (Каждое из этих выражений состоит из двух сомножителей. Первый из них определяет вероятность нужного числа срабатываний за время t, а второй – вероятность несрабатывания или срабатывания за время dt.) Имеем, следовательно: NPn (t + dt) = NPn (t)(1 – ν dt) – NPn– 1(t)ν dt. Перенесем NPn (t)(1 – ν dt) в левую часть равенства и разделит его на Ndt: Последовательно применяя полученную рекуррентную формулу к n = 1, n = 2 и т. д., с помощью (П.1) найдем: . Заметим теперь, что ν t, которое мы обозначим через n 0, равно среднему числу частиц, проходящих через счетчик за время t. Наша формула примет вид (П.2) Эта формула является окончательной и носит название закона распределения Пуассона. Она определяет вероятность того, что при среднем числе срабатываний n 0 (это число, вообще говоря, не является целым) произойдет именно n срабатываний (n – целое число). Закон распределения Пуассона записан в такой форме, что из всех характеристик работы счетчика осталась только одна – его среднее число срабатываний за время измерения. Ни само время измерения, ни, тем более, площадь счетчика, которую мы вначале для простоты положили равной единице, в формулу не входят. Равным образом в формуле никак не отражено то обстоятельство, что мы рассматривали счетчик Гейгера, регистрирующий космическое излучение. С равным успехом эта формула применима к числу соединений на телефонной станции или к любой другой задаче, где число случаев является целым, а их появление в любой момент времени не зависит от числа случаев, произошедших ранее (независимые события). Для иллюстрации на рис. 1 изображено распределение Пуассона для n 0 = 2,6. Ни для какого n величина Pn не равна нулю. Она достигает максимума при n = 2. Вероятность найти n = 0 оказывается довольно велика. Достаточно велика также вероятность того, что счетчик срабатывает 3, 5 и даже 7 раз. Рассмотрим некоторые свойства формулы (П.2). Вычислим, прежде всего, вероятность найти какое угодно значение n: . Этот результат является очевидным, потому что хоть какое-нибудь значение n, конечно, всегда будет найдено на опыте, так что мы вычисляли вероятность достоверного события. Вычислим среднее значение n: . Полученный результат тоже можно было предсказать заранее, поскольку мы исходили из того, что среднее значение n равно n 0. Найдем теперь среднеквадратичное отклонение (стандартную ошибку) величины n. Для этого сначала вычислим дисперсию n (среднее значение квадрата отклонения): . Вычисление суммы в качестве полезного упражнения мы предоставляем читателям. Имеем, следовательно: (П.3) Этот результат мы уже использовали ранее без доказательства: стандартная погрешность, допускаемая при измерении числа отсчетов, равна корню квадратному из числа отсчетов. Распределение Гаусса Распределение Гаусса является предельным случаем распределения Пуассона и многих других законов распределения. Рассмотрим распределение Пуассона при больших n 0 и n. Дискретность распределения по n в этом случае теряет свое значение, так как n меняется практически непрерывно. Будем характеризовать отличие n от n 0 с помощью ε, определенного соотношением n = n 0(1 + ε). Подставляя формулу Стерлинга в выражение (П.2), найдем: , откуда . (П.4) Вероятность Pn может быть обобщена на непрерывные величины. Чтобы это сделать, заметим, что n – n 0 равно отклонению найденной на опыте величины n от среднего значения n 0. Обозначим это отклонение через x: x = n – n 0. Заменим n 0 стандартным отклонением σ с помощью (П.3). Наконец, заметим, что Pn можно интерпретировать как вероятность того, что найденное на опыте значение n лежит в интервале между n – ½ и n + ½. Этому интервалу соответствует Δ x = 1. Произведя указанные замены и перейдя от обозначения Pn к обозначению P (x), получим: . (П.5) Распределение (П.5) носит название распределения Гаусса. P (x) определяет вероятность того, что величина x попадает в единичный интервал Δ x, окружающий точку х. Выбирая вместо единичного бесконечно малый интервал dx, найдем: . (П.6) С помощью (П.6) нетрудно найти вероятность того, что для x будет найдено значение, лежащее между x 1 и x 2, где x 1 и x 2 – любые числа. Как нетрудно понять, . (П.7) Интеграл (П.7) в элементарных функциях не выражается. Он может быть вычислен с помощью таблиц интеграла вероятности erf(x): . (П.8) Нетрудно показать, что . (П.9) График функции erf(x) изображен на рис. 3. Функция erf(x) антисимметрична относительно точки x = 0, так что erf(– x) = – erf(x). (П.10) С помощью таблиц или графика erf(x) нетрудно найти вероятность того, что для искомой величины будет найдено значение, лежащее между –σ и σ, между –2σ и 2σ и между любыми другими значениями x: . Вероятность найти величину x в заданных пределах при увеличении ширины интервала быстро приближается к единице. Так. , и т. д. Из этого факта часто делается неверное утверждение о том, что погрешности, превосходящие 3σ, а тем более 4σ, практически никогда не встречаются. На самом деле они встречаются не так уж редко. Это происходит потому, что истинные распределения погрешностей очень разнообразны и никогда в точности не следуют закону Гаусса. Эти распределения обычно считают гауссовыми за неимением лучшего. В области малых отклонений от среднего закон распределения Гаусса по большей части неплохо оценивает вероятности различных встречающихся на практике отклонений, а в области больших отклонений описывает их плохо, и чем отклонения больше – тем хуже. Метод наименьших квадратов Метод наименьших квадратов позволяет находить по результатам эксперимента наилучшие значения параметров, входящих в формулы, вид которых считается известным. Пусть, например, исследуется растяжение тела. Обозначим значения приложенной к телу силы через yi (i –номер опыта), а значения удлинений – через xi. Считается известным, что сила, действующая на образец, и его удлинение связаны между собой законом Гука: y = kx. (П.11) Неизбежные погрешности опыта приводят к тому, что точки (xi, yi) не лежат на одной прямой. Метод наименьших квадратов позволяет найти наилучшее значение k аналитическим методом. В качестве такого значения в методе наименьших квадратов принимается значение, при котором величина (П.12) (σ i – среднеквадратичная погрешность i -го измерения) имеет минимум. Иначе говоря, ищется значение k, при котором dφ/dk обращается в нуль. Имеем: . (П.13) Легко видеть, что мы пришли к линейному относительно k выражению, которое легко может быть решено. Приведем результат для случая, когда все σ i равны друг другу. Из (П.13) следует в этом случае: . Разделив обе части этого уравнения на п, получим: , где угловые скобки, как обычно, обозначают средние значения. Из этого уравнения находим: . (П.14) Формула (П.14) определяет k с некоторой погрешностью, величина которой может быть оценена по разбросу экспериментальных данных. Вычисления дают: . (П.15) В формулу (П.15) следует подставлять значение k, полученное из (П.14). Аналогичным образом могут быть получены формулы для случая, когда стандартные погрешности σ i не равны друг другу, и формулы для определения параметров в формулах более сложных, чем (П.11). Формулы для определения параметров в формуле y = a + bx. (П.16) приведены выше. Скажем несколько слов о случаях, когда зависимость y от x описывается более сложными формулами, например функцией произвольного вида: у = f (x, а, b, с,...), (П.17) где а, b, с,... – искомые параметры. Если погрешности измерения величины yi описываются законом Гаусса, то решение задачи находится путем отыскания минимума величины , (П.18) для чего приравниваются нулю частные производные dφ/da, dφ/db, dφ/dc и т. д. Легко видеть, что при этом возникает столько уравнений сколько имеется подлежащих определению величин а, b, с,... Эти уравнения в общем случае нелинейны и могут быть решены только численно. Если погрешности в измерении yi не описываются законом Гаусса, то задача становится еще более сложной и приводится к отысканию экстремума функций существенно более сложных, чем (П.18). Соответствующий метод носит название метода наибольшего правдоподобия. Мы этого случая рассматривать не будем. В том случае, когда в формуле подбирается не один, а несколько параметров, решение приобретает новые важные черты. Погрешности параметров обычно оказываются связанными друг с другом: отклонения сразу по двум параметрам – при определенном соотношении между ними – могут оказаться более вероятными, чем отклонение только по одному параметру. При решении одномерной задачи указывают среднеквадратичную погрешность – погрешность, которая при гауссовом распределении превышается, как мы уже отмечали, приблизительно в одной трети случаев. В двумерной задаче нужно в плоскости искомых параметров проводить кривую, выделяющую соответствующую область. При гауссовых распределениях эта кривая является эллипсом. Как известно, величина и положение эллипса определяются не двумя, а тремя числами, например размерами его полуосей и углом их поворота. При измерениях, в которых следует определить два параметра, задание погрешностей требует поэтому, строго говоря, указания не двух, а трех чисел, которые образуют квадратную симметричную «матрицу ошибок». Мы не будем более развивать эту тему и отошлем интересующихся к литературе. § 4. Критерии значимости. Метод χ2. Вернемся к опыту по исследованию упругих свойств металлического стержня. Пусть результаты опытов изображаются точками на рис. 4. Первый же взгляд на график убеждает нас в том, что зависимость удлинения от нагрузки является линейной или почти линейной. В самом деле, прямая, проведенная на рис. 4 сплошной линией, не противоречит экспериментальным данным. Им не противоречит, однако, и изогнутая штриховая линия. Более того, эта линия даже несколько лучше удовлетворяет экспериментальным данным, чем прямая. Мы хотели бы, однако, думать, что истинная связь удлинения и нагрузки все-таки является прямолинейной. Задача сводится к отысканию критерия, позволяющего судить о том, является ли представление искомой зависимости в виде прямой линии достаточно хорошим или экспериментальные данные заставляют отдать предпочтение криволинейной зависимости, например зависимости, изображенной штриховой линией. Сформулированная сейчас задача в применении к закону Гука представляется несколько искусственной. В этом случае лучше всего попросту повторить опыт, уменьшив экспериментальные ошибки, и вопрос решится сам собой. Встречаются, однако, случаи, когда такое повторение опыта оказывается затруднительным или даже невозможным. Так бывает, например, при опытах с редкими частицами в космических лучах или на ускорителях, когда повторение опыта требует нескольких лет работы или попросту невозможно. Возможно, более полная интерпретация имеющихся данных становится в этом случае особенно существенной. Общий вопрос, который возникает в таких случаях, сводится обычно к следующему. На графике, изображающем некоторую зависимость, точки легли не вполне регулярно. Следует ли придавать значение наблюденным отступлениям от гладкой кривой? Совместима ли с экспериментальными данными гипотеза о том, что искомая зависимость на самом деле является гладкой (или даже прямолинейной), или эти данные указывают на негладкий, аномальный ход кривой? Исследование проблемы достоверности гипотез производится обычно с помощью критериев значимости. Одним из наиболее удобных критериев значимости является так называемый «критерий χ2»• В предыдущем параграфе мы рассматривали метод наименьших квадратов, с помощью которого можно, например, провести через экспериментальные точки наилучшую прямую. Исследуем теперь вопрос о том, насколько данные, использованные для проведения этой прямой, согласуются с представлением о том, что рассматриваемая прямолинейная зависимость действительно имеет место. Единственной мерой, которая может быть использована для расчета, является, естественно, точность, с которой экспериментальные точки удовлетворяют предполагаемому закону. В методе χ2 в качестве такой меры принимается сумма квадратов отклонений от предполагаемой зависимости: . (П.19) Отклонения экспериментальных точек от ожидаемых значений, как мы видим, выражаются в долях стандартной ошибки данного измерения. Найденное значение χ2 должно быть сопоставлено с теорией. Это делается с помощью таблицы 1. В таблице для разного числа степеней свободы (числом степеней свободы в этом случае называется число измерений без одного, если гипотеза не содержит определяемых из опыта коэффициентов; число измерений без двух, если из опыта находится один коэффициент, например наклон прямой, и т. д.) приведены значения χ2 для ряда чисел p. Для 10 степеней свободы находим из таблицы, что χ2 = 2,6 для p = 99, χ2 = 3,9 для p = 95, х2 = 7,3 для p = 70, χ2 = 23,2 для p = 1 и т. д. Это означает, что в том случае, если гипотеза справедлива, рассчитанное по (П.19) значение χ2 с вероятностью 99% (p = 99) окажется больше 2,6, с вероятностью 95% (p = 95) больше. 3,9, с вероятностью 70%.больше 7,3, с вероятностью 1% больше 23,2 и т. д. Пусть мы найдем в результате расчета по формуле (П.19) χ2 = 3,5. Такое значение χ2 должно наблюдаться больше чем в 95% случаев; отклонение наших данных от ожидаемой прямолинейной зависимости является в этом случае совершенно несущественным. Если бы мы нашли в результате расчета χ2 = 18, сопоставление с таблицей показало бы нам, что такие отклонения следует ожидать только в 5% случаев. Существование прямолинейной зависимости и в этом случае нельзя считать исключенным, но должно быть поставлено под сомнение. Естественно в этом случае повторить опыт, чтобы получить более ясный результат. Если бы χ2 оказалось равным 30 (вероятность получить на опыте такое значение ≈0,1%), можно было бы утверждать, что проверяемая гипотеза почти наверное является ошибочной. При сравнении отклонений с таблицей обычно применяют следующую терминологию: если найденная из опыта величина χ2 должна наблюдаться с вероятностью, заключенной между 1 и 5%, отклонения называются почти значимыми, если вероятность заключена между 0,1 и 1%,– значимыми и, наконец, если вероятность обнаружить найденное значение χ2 оказывается меньше 0,1%, отклонения являются высокозначимыми. При вероятности больше 5% следует считать, что экспериментальные данные недостаточны для того, чтобы отвергнуть гипотезу. На этом мы заканчиваем краткое изложение общих методов обработки результатов наблюдений. Более подробные сведения могут быть найдены в специальных книгах. Таблица 1. Распределение χ2 p – вероятность (в%) найти на опыте значение χ2, большее, чем указано в таблице; n – число степеней свободы системы.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Последнее изменение этой страницы: 2016-08-26; просмотров: 305; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 18.224.32.243 (0.009 с.) |