Основные положения теории
вероятностей
Окружающий нас мир полон случайностей. Номера выигрышных билетов
в лотерее, количество солнечных дней в году, результаты спортивных состязаний, выпадение
“решки” при подбрасывании монеты, неожиданная случайная встреча, кардинально переворачивающая судьбу – все это примеры случайных событий,
Теория вероятностей не может предсказать, произойдет или не произойдет какое_то реальное событие, а лишь предлагает математический
аппарат для анализа и прогнозирования вероятности
его появления. Она изучает вероятностные закономерности случайных
событий, существующие объективно,
т.е. независимо
от наших желаний и предпочтений.
Исторически зарождение теории вероятностей связано с поиском закономерностей в азартных играх, таких как карты и кости. Именно тогда были предприняты первые попытки математического
прогнозирования и количественного определения шансов на успех. Исходными понятиями здесь являются понятия “случайное
событие” и “испытание” (опыт, эксперимент).
Случайное событие – это явление, которое при одних и
техже условиях может или произойти, или не произойти.
Испытание – это создание и осуществление этих
неопределенных условий. Любое испытание приводит к результату или исходу, который заранее невозможно точно предсказать. Случайные события происходят повсеместно – в природе, науке, технике,
экономике, военном деле и т.д. Приведем простейшие
примеры
испытаний и соответствующих им случайных событий.
Важно отметить, что на самом деле “случайные события” вовсе не случайны просто
для их расчета пришлось бы учесть такое количество
факторов и произвести расчеты такой сложности, что никто этим не занимается. Однако
с совершенстованием компьютеров и датчиков люди cмогут
анализировать данные все
Табл 3. Примеры простейших
испытаний и событий
быстрее
и точнее и многие события перестают быть случайными.
Например,
попадание снаряда в цель перестало быть случайным, когда в нем появился компьютер, рассчитывающий и корректирующий траекторию
полета. Выигрыш в рулетку сотни лет считался случайностью, пока хитрые игроки не
наловчились передавать данные об игре через видеокамеру в суперкомпьютер, который
смог рассчитать, на какую цифру упадет шарик. С развитием нанотехнологии компьютеры станут еще мощнее и компактнее, а значит, многие события перестанут быть случайными и станут не только предсказуемыми, но и управляемыми.
Случайные события могут быть:
а) достоверными или невозможными;
Достоверным называется событие, которое в данных условиях всегда
происходит, невозможным – если оно никогда не может быть результатом данного испытания. Например, при бросании монеты событие А – “Выпадение какой_либо стороны монеты”
будет достоверным, а B – “Одновременное выпа дение “решки”
и “орла”” – невозможным.
б) зависимыми или независимыми;
Если появление одного события влечет за собой появление другого, то говорят, что второе событие зависит от первого.
в) равновероятными или неравновероятными;
Например, в случае бросания игральной кости события выпадения каждой
цифры равновероятны (если, конечно, это “честная”
кость, без смещенного центра тяжести).
А вот вероятности события “В полдень в Москве выпадет снег” будут сильно различаться в зависимости от времени года, соответствующего данному испытанию.
К определению самого понятия вероятности существует несколько различных
подходов. Мы рассмотрим лишь те из них, которые необходимы нам для понимания изучаемых
квантовых явлений, а именно – классический и статистический
подходы.
Вероятность – это отношение числа благоприятных
событию исходов m к общему числу всех равновозможных исходов n |
Обычно вероятность обозначают буквой P (от англ. “probability” _ вероятность).
Вероятность в данном случае понимается как количественная
мера объективной возможности появления случайного события А и определяется формулой:
В нашем примере событиям выпадения красного, зеленого и желтого шара будут соответствовать вероятности 6/10, 3/10 и 1/10.
Функция вероятности обладает некоторыми специальными свойствами:
1. 0<P<1 , так как количество благоприятных исходов не может быть больше их общего
числа.
2. Вероятность достоверного события = 1
3. Вероятность невозможного события = 0
Статистическое определение
вероятности
Классическим подходом к вероятности удобно пользоваться,
когда количество
всех равновозможных исходов в опыте ограничено и не
слишком
велико. Однако эти условия не всегда соблюдаются на практике: иногда
приходится
решать задачи, в которых число исходов постоянно меняется или
бесконечно велико. Кроме того, не всегда события могут быть равновероятными.
Практика показывает, что массовые случайные явления обладают одним
уникальным свойством: с увеличением числа испытаний повышается устойчивость их появления.
Например,если повторить опыт бросания монетки 100 раз, то примерно в 50% испытаний выпадет “орел”, а в 50% _ “решка”. Если увеличить число
испытаний до 1000 раз, это в конце концов приведет к еще большей устойчивости частоты полученных значений, а это уже определенная закономерность.
При статистическом подходе нас интересует не исход отдельно взятого испытания, а то, что получается в результате его многократного повторения,
то есть в качестве статистической вероятности события принимают частоту появления того или иного события при неограниченном увеличении числа
испытаний.
Например, если в результате достаточно большого числа испытаний оказалось, что относительная частота
весьма близка к 0.4, то это число можно принять за
статистическую вероятность события.
Статистический вероятностный подход используется повсеместно для анализа и прогнозирования событий, процессов,явлений. На его основе построены некоторые научные теории физики, квантовой механики, эволюции, генетики, информатики и др.
Вероятностно_статистические методы широко при меняются в промышленности для контроля качества продукции, технической
диагностики оборудования, организации массового
обслуживания, астрономических наблюдений и т.д.
В рамках статистического подхода вводится понятие плотности распределения вероятности
р(х), вид функции которой определяет
закон распределения случайных величин. Существуют самые разные законы распределения: равномерное распределение, распределение Пуассона,
распределение Бернулли и др., но наиболее распространено в
природе так называемое нормальное распределение, или распределение Гаусса. На рисунке представлен вид функции такого нормального распределения, а смысл его заключается в том, что в результате большого числа испытаний относительная частота появления какого-то события группируется вокруг некоторого среднего числа, которое
и
можно принять за значение статистической вероятности.
Рис 39. График функции плотности
вероятности при нормальном распределении
Следующий пример наглядно иллюстрирует данный закон распределения: предположим, мы высыпаем мешок гороха на пол, держа его в одном и том же вертикальном положении. В принципе, после этого существуют некоторая вероятность обнаружить
горошину в любом месте комнаты, даже в самом дальнем
углу. Однако вероятность того, что мы найдем горошину в самом центре образовавшейся
на полу “кучки”, гораздо выше. Значение вероятности, соответствующее координате центра
кучки, мы и принимаем за статистическую вероятность.
Другой пример: пусть производится серия выстрелов по цели. Если учесть, что стрелки палят не наобум, а прилагают все усилия, чтобы попасть в “яблочко”, то вероятность попадания пули будет возрастать с приближением к центру мишени. Но “вернемся к нашим баранам”. Итак, мы решаем задачу нахождения микрочастицы в некотором объеме dV, например, ищем местоположение электрона в атоме. Как мы уже знаем, из-за несовершенства измерительных приборов мы не можем точно указать его местоположение, а можем лишь указать вероятность dP его местонахождения в той или иной
части объема dV.
Кроме того, мы знаем, что эта вероятность dP прямо про порциональна dV и связана с ней следующим соотношением:
Перепишем данное уравнение в виде:
Теперь ясно видно, что |_|2
определяет вероятность нахождения частицы в некоторый момент
времени t в некотором объеме dV,
то есть фактически место ее нахождения в точке с координатами
x,y,z (объем имеет три
измерения)
В атоме водорода единственный электрон как бы образует вокруг ядра электронное облако – облако отрицательного заряда, плотность которого в некоторой точке характеризует вероятность нахождения там электрона. На рисунке показана вероятность обнаружить
электрон на расстоянии r от ядра атома водорода.
Рис 40. График вероятности
обнаружения
электрона на разном расстоянии
от ядра
Максимальная вероятность найти электрон
соответствует расстоянию r=0,053нм. Вполне возможно, что в некоторый момент электрон находится или ближе к ядру, или дальше, но вероятность его обнаружения при этом убывает.
Область
пространства, для которой вероятность обнаружения электрона составляет 95%, называется атомной орбиталью.
Итак, мы усвоили еще одну важную особенность квантовой механики:
Чтобы определить волновую функцию частицы для конкретной задачи, физики решают уравнение
Шредингера, которое учитывает влияние электромагнитных сил на ее движение.
Это дифференциальное уравнение в частных производных второго порядка.
Страшно? Для решения этого уравнения потребутся знания, которые не
может обеспечить школьная программа по математике, поэтому мы не будем обсуждать
его в нашем курсе. Заметим лишь то, что для квантового мира уравнение Шредингера играет ту же роль, что законы Ньютона для мира классического.