京公网安备 11010802034615号
经营许可证编号:京B2-20210330
定性、估算与数学建模
应该说物理学是与数学结合最紧密的学科之一。而且在科学史上,物理学也是最早与数学相结合的学科,甚至很难说清谁对谁的贡献更大;比如牛顿对微积分这种纯粹数学工具的创立,最初也是源于物理学研究的实践和需要。随后才有化学、生物学及至原本归属社会科学的心理学等学科的逐渐精确量化。因而在人们心目中,物理学应该是严密的、准确的,或者说是绝对定量化的。
但当你阅读了赵凯华的《定性与半定量物理学》之后,就会发现原来在物理学中也有诸多并非精确定量甚至仅仅是定性的东西存在。
按照作者在序中的介绍,此书最初起源于1987至1989年的北京大学物理系课程。其时CUSPEA正盛——这是当时中国大学生出国所要通过的一种考试,为李政道所倡导,是没有托福和GRE时代中国大学生留美读书的途径之一,据称当时北大物理系有一半毕业生都要经由此路踏上西行求学之途。而CUSPEA考试不似中国传统考试,较为灵活,风格清新,因而需要为学生补充大量相关知识,故有此课诞生,该书即根据当时的讲稿写成。
说起来这应该算是一部教材,但笔者却是把它当做一部科普图书来阅读的,而且这是一部相当精彩的科普图书。一来在于它与生活的紧密相关,把那些复杂遥远的物理学知识纷纷融入到普通事例当中,让我们感觉到身边原来竟有如此之多的学问和课题;二来在于它的叙述方式,不但平实质朴,而且语言鲜活,同时几乎所有的例证都来自于生活。
本书共分四章:“对称性原理”、“量纲分析”、“数量级估计”和“自然界的物理学”。通过各章内容,作者很大程度上是在教读者如何进行“估算”。
估算在实际生活中具有十分重要的意义。无论是前往某地的大致距离和时间,还是购物时针对不同品牌和商家的选择,恐怕都需要我们进行简单的估算——而且我们平时也在有意或无意地运用着这一方法。大家应该都知道“费米扔纸片”的故事:在一次原子弹实验时,费米迎风扔出一把纸片,根据纸片飞舞的速度等估计数据,大致估算出了原子弹的爆炸当量;后来科学家们进行了详细计算,发现结果与费米的估算数值相当吻合。
有些人也许会不理解:如此粗劣的估算怎么可能准确无误?难道就不会有误差存在吗?诸多的小误差难道不会造成更大的误差吗?不错,是会有误差,但有时候在这里出现的误差,在那里却会为另一个误差所弥补,因而诸多的“正”“负”误差也许刚好互相抵消,使得最终结果大致准确。当然,正确使用估算方法也需要一定的思维方法和训练手段。
在这部著作里,作者就举出了诸多估算的实例。从水滴大约在聚集到怎样的程度就会从房顶滴落,到推算整个宇宙的大致密度、质量和寿命等各种参数。而其中所使用到的数学,其实并不十分复杂。
比如有一道例题是估算地球上的山体最多能有多高。我们都知道,地球上有很多高峰,但它们不可能无限制地高下去,因为超过一定的高度,山体就会因岩石的自重而把自己压垮。因而作者根据岩石的密度等数据进行估算,得出地球上的山峰不会超过15千米。而这一数据与我们的实测数据是相吻合的,因为目前地球上的最高峰珠穆朗玛峰不过8844.43米,不足9千米。唐朝诗人王维曾有诗云:“黄河远上白云间,一片孤城万仞山”,其中“仞”为中国古制单位,没有固定的标准,大约在4至8尺之间,我们姑取其中值6尺,则“万仞”即为20千米,显然比上述估算高,可见此系诗歌的夸张手法
当初阅读此书是因中国科学院物理所的一位博士所荐。其时笔者正在创作科幻小说《蚍蜉的歌唱》,要构造一座比现有高楼还高10倍的大厦;其时纽约的世界贸易中心尚未被恐怖分子所毁,楼高不过400余米,笔者担心自己所“设计”的高厦不足以支撑自重,为识者所笑。那位博士建议笔者阅读此书,并介绍相关的估算方法,结果使笔者受益匪浅。
在仔细重读此书时,笔者正好同时在北京师范大学听讲《数学模型与数学建模》的选修课程——过去没受过这一课程的正规训练,而现在学习也不仅是为了创作上的功利性用途,而是出于一种发自内心的迷恋和喜欢。但听课之后,感觉《定性与半定量物理学》中所讨论的方法,事实上与数学建模的思想非常接近,从思维方法上而言实际上具有异曲同工之妙。只不过现在的数学建模方法,往往会辅以各种软件支持,类似Matlab之类的数学软件,能够将数学建模的结果迅速而直观地表达出来。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26在CDA(Certified Data Analyst)数据分析师的能力体系中,线性回归是连接描述性统计与预测性分析的关键桥梁,也是CDA二级认证的 ...
2026-03-26在数据分析、市场研究、用户画像构建、学术研究等场景中,我们常常会遇到多维度、多指标的数据难题:比如调研用户消费行为时,收 ...
2026-03-25在流量红利见顶、获客成本持续攀升的当下,营销正从“广撒网”的经验主义,转向“精耕细作”的数据驱动主义。数据不再是营销的辅 ...
2026-03-25在CDA(Certified Data Analyst)数据分析师的全流程工作中,无论是前期的数据探索、影响因素排查,还是中期的特征筛选、模型搭 ...
2026-03-25在当下数据驱动决策的职场环境中,A/B测试早已成为互联网产品、运营、营销乃至产品迭代优化的核心手段,小到一个按钮的颜色、文 ...
2026-03-24在统计学数据分析中,尤其是分类数据的分析场景里,卡方检验和显著性检验是两个高频出现的概念,很多初学者甚至有一定统计基础的 ...
2026-03-24