- •Кафедра физики
- •Элементы статистической физики
- •Введение
- •Микро- и макропараметры
- •Флуктуации
- •Броуновское движение
- •3. Плотность потока физических величин
- •Величина потока
- •Физический смысл плотности потока импульса
- •4 Понятие вероятности
- •Многокомпонентные случайные величины
- •Теоремы сложения и умножения вероятностей
- •1.Теорема сложения вероятностей
- •2. Теорема умножения вероятностей
- •Условие нормировки
- •5. Формальные задачи статистики
- •6. Термодинамическое равновесие. Распределение Гиббса
- •7. Распределения Максвелла
- •Среднее значение компоненты скорости
- •Среднее значение квадрата компоненты скорости
- •Распределение Максвелла для модуля скорости.
- •9. Основное уравнение кинетической теории газов
- •10. Уравнение состояния идеального газа. Закон равнораспределения Больцмана
- •Количество вещества
- •11. Чёрное излучение.
- •12. Функции распределения в квантовой механике
- •Контрольные тестовые вопросы и упражнения для самоподготовки
- •Библиографический список
- •Оглавление
2. Теорема умножения вероятностей
Другая ситуация возникает, если налагается более жёсткое условие. Пусть теперь требуется определить вероятность ситуации, когда Z1 и Z2 чётко фиксированы, , то есть какова вероятность того, что первая случайная величина принимает значение Z1, а вторая = обязательно значение Z2. Это, конечно, более ограничительное требование. В примере с гранями кубика оно оз0начает, что одно выпадение должно быть обязательно 2, а другое = обязательно 3 (и никакое другое). Очевидно, что чем более жёсткое требование, тем менее вероятным должно оказаться такое событие. Именно в таком случае и оказывается справедливой теорема умножения вероятностей. Если случайные величины статистически независимы, то вероятность реализации процесса с чётко требуемыми значениями (то есть должно реализоваться обязательно и конкретное Z1, и конкретное Z2) равно произведению вероятностей этих случайных величин:
(4.7) |
В примере с игральным кубиком вероятность события: выпадение цифры 2, а затем обязательно выпадение цифры 3, есть (1/6)(1/6) = 1/36. Как видно это значительно меньше, чем 1/3. Теорема умножения вероятностей распространяется и на большее количество случайных величин:
|
(4.8)
|
Эта теорема оказывается полезной для нахождения вероятностей много компонентных случайных величин. Так, полная функция распределения вероятностей f() , в случае статистической независимости, может быть записана через функции распределения отдельных величин в виде:
f(u1,…uN)=f1(u1),,,fN(uN) |
(4.9) |
Условие нормировки
Теорема сложения вероятностей даёт математическое простого, но очень важного свойства вероятности. А именно, сумма всех вероятностей даёт вероятность того, что хотя бы какое то событие обязательно произойдёт, так что вероятность этой суммы равна 1. Итак, сумма всех вероятностей случайной величины должна равняться единице. В общем случае это свойство записывается следующим образом:
|
(4.10)
|
Это и есть обязательное условие нормировки вероятности (нормировка на единицу). В написанном выражении подразумевается, что случайная величина имеет как сплошной, так и дискретный спектр значений. Интеграл и сумма распространяются на все возможные значения случайной величины.
Средние значения
Пусть некоторая случайная величина Ф является комбинацией (функцией) других случайных величин, ф(U1,...Un). По определению, среднее значение Ф вычсляется по формуле:
(4.11) |
Обратим внимание, что может быть использовано два типа обозначения средних - угловые скобки и чёрточка сверху символа. Эта формула записана для непрерывного спектра. Аналогично, можно записать и для дискретного спектра:
(4.12) |
Как и в случае непрерывного (сплошного) спектра, для дискретной (квантовой) ситуации полная вероятность может зависеть от нескольких случайных переменных, принимающих дискретные значения. возможна также и смешанная ситуация, когда одни случайные величины непрерывны, а другие = дискретны. И, наконец, ещё раз напомним, что важность процесса усреднения заключается в том, что при этом микропараметры системы становятся макроскопическими.