Биология · объяснение и практика

Видовое богатство и выравненность: одинаковое число видов не означает одинаковое разнообразие

Считаем виды в двух сообществах, сравниваем распределение численности и учитываем одинаковость выборки.

Синий лист бережно держит оранжевое семя — метафора жизни и роста.

В теме Организмы, популяции и экосистемы · Учебная карта

Главная мысль

В двух пробах могут встречаться по три вида, но в одной доминирует единственный вид, а в другой все три представлены поровну. Видовое богатство одинаково, распределение численности разное. Поэтому одного числа видов недостаточно для описания всех сторон разнообразия.

Сначала определите единицу сравнения

Видовое богатство — количество обнаруженных видов в заданной системе или выборке. Оно отличается от общего числа особей. Сто особей одного вида дают богатство один, а три особи трёх разных видов — три. Для сравнения нужно согласовать площадь, время, способ учёта и правила определения видов. Более интенсивное обследование часто находит больше редких видов, поэтому разные усилия наблюдателей способны создать различие, не связанное напрямую с реальным устройством сообществ. Отсутствие обнаружения не всегда равно доказанному отсутствию вида.

Проследите относительное представительство

Выравненность описывает, насколько равномерно распределены особи между видами. Если один вид составляет почти всю выборку, а остальные единичны, распределение менее равномерное, чем при близких численностях. Разные индексы разнообразия объединяют богатство и распределение разными способами, поэтому в числовой задаче нужно указать конкретное определение. Нельзя взять одно число индекса и истолковать его как точное количество видов. Для первого качественного сравнения достаточно таблицы численности и расчёта доли каждого вида в общем числе особей.

Пример

В пробе А три вида представлены 40, 10 и 10 особями, в пробе Б —20, 20 и 20. Сравните богатство и выравненность.

В обеих пробах по 60 особей и по три вида, поэтому наблюдаемое видовое богатство равно трём. В А первый вид составляет 40/60, то есть около двух третей. В Б каждый составляет одну треть. Проба Б более выровнена по численности. Это не означает автоматически большего числа видов: по условию оно одинаково. Для вычисления конкретного индекса понадобилось бы выбрать его формулу.

Не ограничивайте биоразнообразие одной таблицей

Биоразнообразие рассматривают и на других уровнях, включая генетическое и экосистемное разнообразие. Учёт видов отвечает лишь на часть вопросов. Два участка с одинаковыми числом видов и долями особей могут различаться самими видами, их функциями и условиями. Поэтому вывод следует формулировать узко: одинаковое богатство или более равномерная представленность в конкретной выборке. Сравнение требует проверки определений и полноты данных, а не автоматического ранжирования всех свойств экосистемы по одному столбцу чисел.

От чтения к действию

А теперь — вы

На участке найдены 25 особей вида A и 5 особей вида B. Наблюдаемое видовое богатство равно…

Частые вопросы

Можно ли заменить число видов общим числом особей?

Нет. Это разные показатели: особи могут относиться к одному или нескольким видам.

Доказывает ли одинаковое богатство полное сходство экосистем?

Нет. Могут различаться состав видов, их численность, функции и среда.

Углублённый разбор

Покрытие выборки по редким видам и невидимая вероятностная масса

Синглетоны оценивают вероятностную массу ненаблюдавшихся видов; вывод относится к будущим находкам и не восстанавливает число невидимых видов.

Перед началом: Независимая выборка из дискретного распределения; Синглетон как категория с ровно одной находкой.

Вывод и выбор модели

Оценка невидимой вероятностной массы Гуда — Тьюринга в простейшем виде равнаf1/N, гдеf1 — число видов, встретившихся ровно один раз. Покрытие выборки оценивается как 1−f1/N.

После выборки известен набор встреченных видов, но их истинные вероятности неизвестны. Покрытием называют суммарную вероятность этого набора при следующем независимом наблюдении. Один очень обычный вид может давать почти всё покрытие, оставляя множество редких видов невстреченными. Поэтому число уже найденных названий и шанс узнать новое название в следующей пробе являются разными характеристиками полноты обследования.

Почему важны именно единичные находки? Удалим по очереди каждое наблюдение и спросим, оказалось ли удалённое название новым относительно остальных. Это происходит ровно у синглетонов: повторная находка своего вида остаётся представленной в сокращённой выборке. Доля таких удалений равна f1/N и оценивает шанс новой категории по идее отложенного наблюдения. Эта логика объясняет роль редких видов без знания их ненаблюдаемых индивидуальных вероятностей.

Как интерпретировать наблюдение

Покрытие относится к вероятности следующего наблюдения, а не к доле всех существующих видов. Много крайне редких видов может иметь большое богатство и малую суммарную вероятность.

При фиксированном N математическое ожидание f1/N равно сумме pi(1−pi)^(N−1), то есть ожидаемой невидимой массе после N−1 наблюдений. После N наблюдений показатель степени другой. Следовательно простая формула не является точно несмещённой оценкой любой условной невидимой массы уже полученной выборки. В примере0,85 — осмысленная оценка, но не доказанная истинная вероятность, известная до последнего десятичного знака.

Ограничения и проверка предпосылок

Независимые наблюдения из неизменного распределения видов, определения без ошибок. Используется простая оценка без доверительного интервала и без утверждения точности при любой выборке.

Отсутствие синглетонов даёт формальную оценку покрытия1, однако не устанавливает отсутствие редких видов. Например, распределение с очень редкой категорией может случайно дать только многочисленные повторы обычной. Зависимые наблюдения, сезонная смена сообщества и ошибки распознавания также меняют смысл синглетонов. Полезная проверка дизайна — одинаково ли определены независимые пробы и категории во всём наборе. Увеличение числа практически одинаковых записей одного объекта не равнозначно новым независимым наблюдениям.

Самостоятельный расчёт с проверкой

Условие. Среди 20 наблюдений три вида представлены единичными находками. Найти оценку покрытия вероятностной массы.

  1. Число синглетоновf1=3.
  2. Оценка невидимой массы равна 3/20=0,15.
  3. Видимая масса дополняет её до единицы.
  4. Оценка покрытия равна 0,85.

Ответ. Результат: 0,85.

Проверка. Результат не сообщает число ненайденных видов. Распределения с разным богатством могут иметь одинаковые N иf1, а значит одинаковую такую оценку покрытия.

Где легко ошибиться. Перевести покрытие0,85 в утверждение «найдены85% всех видов»: вероятностная масса и число категорий не совпадают.

Проверьте понимание

В выборке нет синглетонов. Следует ли из этого, что в распределении нет ни одного ненаблюдавшегося вида?

Вопросы к этой главе

Можно ли оценить число невидимых видов делением невидимой массы на что-нибудь?

Без дополнительной модели частот нет. Одна и та же масса может быть распределена между одним или тысячами редких видов.

Почему ошибка определения вида особенно заметна здесь?

Ложное новое название создаёт синглетон и искусственно увеличивает оценку невидимой массы, даже если фактическое сообщество не изменилось.

Сверить определения и условия

Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.

  • Daniel Hsu, Missing mass problem and Good-Turing estimator,2025

    Прочитана одностраничная авторская лекция: определение missing mass, f1/n, leave-one-out и точное различие m(n−1) и m(n). Формула здесь оценочная; собственные видовые числа не взяты из источника.

Присутствие и обнаружимость: совместная оценка по историям визитов

Парные истории визитов разделяют долю занятых участков и обнаружимость, которые один визит смешивает в одно произведение.

Перед началом: Условные вероятности обнаружения; Истории00,10,01,11 для одних и тех же участков.

Вывод и выбор модели

При двух независимых визитах с постоянной обнаружимостьюp вероятности историй 11,10,01 равныψp²,ψp(1−p),ψp(1−p). Повторные истории позволяют разделить присутствиеψ и обнаружимостьp.

Нулевая история имеет два происхождения: участок действительно пуст или вид присутствовал, но оба раза остался незамеченным. Поэтому даже два визита не превращают нули в непосредственный список пустых участков. Польза повторности состоит в другом: среди положительных историй появляется отношение повторных и одиночных регистраций, содержащее сведения об обнаружимости. Оно позволяет оценить, сколько нулевых историй могло возникнуть при присутствии.

Обозначим присутствие через скрытый индикатор с вероятностью ψ. На занятом участке два визита независимы с одной вероятностью p. Тогда вероятность11 равна ψp², а вероятность находки в первом визите равна ψp. Отношение этих вероятностей даёт p. После этого одна из маргинальных долей определяет ψ. Условная независимость не распространяется на смесь пустых и занятых участков: именно общий индикатор присутствия создаёт зависимость регистраций.

Как интерпретировать наблюдение

Один визит определяет только произведениеψp. Повторность даёт дополнительную структуру данных: повторные встречи соотносят с единичными регистрациями, а нулевые истории включают как отсутствие, так и пропуски.

В собственных числах модель предсказывает20% повторных регистраций и по10% одиночных. На занятые, но дважды пропущенные участки приходится ψ(1−p)²=0,05; ещё0,55 составляют действительно пустые. Вместе они восстанавливают наблюдаемые0,60 нулевых историй. Такую обратную проверку всех четырёх ячеек следует выполнять после оценивания: совпадение только одной положительной доли недостаточно для согласованной интерпретации.

Ограничения и проверка предпосылок

Участки независимы, занятость не меняется между двумя визитами, ложных находок нет. p одинакова на занятых участках и визитах; используется точная модель пропорций без оценки ошибок.

При малой конечной выборке оценки пропорций могут давать недопустимые параметры или большую неопределённость. Здесь отношения объявлены точной моделью частот, без доверительного интервала. Если вид заселяет участки между визитами, если есть ложные находки или устойчивые различия p между участками, те же формулы уже не разделяют исходные механизмы. Особенно вырожден случай p=0: все истории нулевые при любом ψ, поэтому отсутствие регистраций не идентифицирует присутствие.

Самостоятельный расчёт с проверкой

Условие. Для 100 участков истории 00,10,01,11 имеют количества 60,10,10,20. Найтиψ.

  1. Из 11/(11+10) получаемp=20/30=2/3.
  2. Вероятность истории 11 равна 0,20.
  3. Делим её наp²=4/9.
  4. Получаемψ=0,20·9/4=0,45.

Ответ. Результат: 0,45.

Проверка. Модель предсказывает 10 и 01 по 0,45·(2/3)(1/3)=0,10, а 00=0,60. Восстанавливаются все четыре исходные частоты.

Где легко ошибиться. Приравнять долю участков хотя бы с одной находкой к занятости или считать два визита безусловно независимыми при скрытом присутствии.

Проверьте понимание

Если p=0, все истории00. Можно ли восстановить ψ по двум визитам этой модели?

Вопросы к этой главе

Почему два визита сами по себе не гарантируют идентифицируемость?

Нужны ненулевые регистрации и ограничения модели. При p=0 данные одинаковы для любой занятости; неодинаковая обнаружимость требует дополнительных параметров.

Можно ли менять участки между визитами?

Тогда теряется совместная история одного участка. Отдельные маргинальные доли дают меньше информации и не образуют описанное отношение повторных встреч.

Сверить определения и условия

Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.

  • MacKenzie et al.,2002, USGS author abstract

    Прочитана авторская аннотация в USGS: ненаблюдение не означает отсутствия, совместное оценивание occupancy и detection. Полный PDF на USP вернул403; двухвизитные вероятности, идентифицируемость и пример ниже выведены самостоятельно, не приписаны прочитанной полной статье.

Ложные регистрации вида: зачем нужен подтверждённый второй канал

Регистрация вида может быть как пропуском настоящего присутствия, так и ошибочным положительным сигналом. Выводим таблицу двух условно независимых каналов, один из которых не даёт ложных регистраций, и устанавливаем, какие параметры восстанавливаются при известной чувствительности подтверждения.

Перед началом: Условная независимость наблюдений при скрытом состоянии; Вероятности совместных событий и формула Байеса.

Два разных вида ошибок требуют разных параметров

На случайно выбранном участке вид присутствует с вероятностью ψ. Быстрый канал Y даёт положительный сигнал с вероятностью p при присутствии и f при отсутствии. Подтверждающий канал C имеет известную чувствительность c>0 при присутствии и нулевую вероятность положительного сигнала при отсутствии. Все параметры относятся к одному фиксированному сезону; состояние участка за время обоих измерений не меняется.

Условно на истинном состоянии ошибки Y и C независимы. Это сильное содержательное условие: общая загрязнённость проб, одна и та же запись голоса или общая зависимость качества от участка могут его нарушать. Нулевая ложноположительная вероятность подтверждения также должна иметь внешнее обоснование, а не следовать из удобства расчёта.

Подтверждённая часть отделяет чувствительность от ложного сигнала

Маргинальные вероятности равны P(C=1)=ψc и P(Y=1)=ψp+(1−ψ)f. Совместный положительный исход имеет вероятность P(Y=1, C=1)=ψpc. При 0<ψ<1, c>0 из этих трёх величин последовательно получаем ψ=P(C=1)/c, p=P(Y=1, C=1)/P(C=1), затем f=[P(Y=1)−ψp]/(1−ψ).

Один быстрый канал даёт только одно число ψp+(1−ψ)f: множество троек параметров воспроизводит его. Добавление второго канала полезно благодаря известному c, нулевому ложному подтверждению и условной независимости. Если c тоже неизвестно, три наблюдаемые вероятности уже не определяют четыре неизвестных без дополнительных данных или ограничений.

Отрицательное подтверждение не равнозначно отсутствию

Подтверждение идеально специфично, но не обязательно чувствительно: при c<1 оно пропускает часть присутствующих участков. Поэтому положительное C устанавливает присутствие в данной модели, а отрицательное C оставляет ненулевую апостериорную вероятность ψ(1−c)/(1−ψc). Симметрично трактовать оба результата нельзя.

Восстановленные параметры обязаны лежать между нулём и единицей. Отрицательная оценка f или p>1 при точных вероятностях опровергает совместимость данных и предпосылок, а не сообщает о физически отрицательной ошибке. При конечных выборках добавляются статистическая неопределённость и возможные граничные оценки; формулы инверсии сами по себе не дают доверительных интервалов.

Восстановление присутствия и двух ошибок

Условие. Чувствительность подтверждения c=0,5 известна извне. В точном ансамбле P(C=1)=0,20, P(Y=1)=0,38, P(Y=1, C=1)=0,16. Используйте объявленную модель и найдите ψ, p, f.

  1. Из подтверждений ψ=0,20/0,5=0,4.
  2. Доля быстрых положительных среди подтверждённых равна p=0,16/0,20=0,8.
  3. Настоящее присутствие вносит в быстрые положительные ψp=0,4·0,8=0,32.
  4. Остаток 0,38−0,32=0,06 приходится на долю отсутствующих 0,6, поэтому f=0,06/0,6=0,1.

Ответ. Присутствие ψ=0,4; чувствительность быстрого канала p=0,8; ложноположительная вероятность f=0,1.

Проверка. Полная таблица (Y, C) имеет вероятности 11: 0,16; 10: 0,22; 01: 0,04; 00: 0,58. Все неотрицательны и суммируются до единицы.

Где легко ошибиться. Считать отсутствие подтверждения доказательством отсутствия вида, хотя у подтверждающего метода задана только безошибочность положительного сигнала.

Проверьте понимание

В данном примере получено только C=0. Какова вероятность истинного присутствия до учёта Y?

Вопросы к этой главе

Можно ли заменить независимость двумя названиями методов?

Нет. Разные названия не исключают общие источники ошибок. Нужны экспериментальный дизайн или дополнительные проверки условной зависимости.

Что произойдёт при неизвестном c?

Текущая инверсия потеряет однозначность. Калибровка чувствительности подтверждения является частью исходных данных, а не результатом этих трёх частот.

Сверить определения и условия

Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.

  • Miller et al., Improving occupancy estimation, USGS2011

    Прочитана официальная авторская аннотация о совместном учёте non-detection/misidentification и методе, где часть регистраций не имеет ложноположительных исходов. Полная статья не прочитана; двухканальная независимая таблица с известным c — собственная постановка.

Невидимые виды: нижняя граница из синглтонов и дублетонов

Число невидимых видов отличается от суммарной вероятностной массы невидимого сообщества. Для независимых пуассоновских чисел регистраций выводим нижнюю границу ожидаемого числа незамеченных видов через ожидаемые синглтоны и дублетоны и точно указываем, что меняется при подстановке случайных наблюдений.

Перед началом: Вероятности нуля,одного и двух событий Пуассона; Неравенство Коши–Буняковского для конечных сумм.

Три частотных класса описывают разные части выборки

Пусть в конечном сообществе S видов. Число регистраций вида i независимо распределено по Пуассону с положительным средним λi. Общий размер выборки случайный. Обозначим fj число видов, зарегистрированных ровно j раз, а νj=E[fj]. Тогда ν0=Σexp(−λi), ν1=Σλi exp(−λi), ν2=Σλi²exp(−λi)/2.

Здесь f0 нельзя непосредственно увидеть: это целые виды, ни разу не встретившиеся в выборке. ν0 — математическое ожидание этого числа по повторным выборкам. Оно не равно вероятности, что следующая особь принадлежит новому виду: для такой массы требуются дополнительные веса относительных обилий. Перенос формулы покрытия на число видов меняет оцениваемый объект.

Квадрат линейного момента ограничен нулевым и вторым

Положим ai=exp(−λi/2), bi=λi exp(−λi/2). Тогда ν1=Σaibi, ν0=Σai², 2ν2=Σbi². Неравенство Коши–Буняковского даёт ν1²≤2ν0ν2, следовательно ν0≥ν1²/(2ν2). Для положительных λi знаменатель положителен. Все виды учитываются в суммах, включая невидимые в конкретной реализации.

Равенство требует пропорциональности векторов a, b, то есть одинаковых λi для всех видов. При неодинаковой обнаруживаемости граница обычно строга: редкие виды могут внести много невидимого разнообразия при слабом следе в дублетонах. Поэтому граница не обещает точного восстановления всего сообщества из двух частотных классов.

Случайная подстановка не превращает оценку в гарантию

Практическая подстановка f1²/(2f2) вместо отношения ожиданий использует случайные величины. Она не обязана быть нижней границей фактического f0 в каждой выборке. Называя её нижней оценкой, нужно сохранять различие между доказанным неравенством для ожиданий и свойствами конкретного статистического оценивателя.

Если наблюдаемый f2 равен нулю, исходная подстановка не определена, хотя истинное ν2 положительно. Нельзя автоматически объявлять сообщество бесконечным: отсутствие дублетонов может быть результатом малого объёма. Нужны дополнительная выборка или явно выбранная регуляризация, чьи свойства проверяются отдельно. Мы не заменяем нулевой знаменатель произвольным малым числом и не выдаём это за строгую границу.

Три вида с неодинаковой видимостью

Условие. В пуассоновской модели три вида имеют средние числа регистраций λ=(1,1,3). Вычислите ν0, ν1, ν2 и нижнюю границу ν1²/(2ν2). Сравните её с настоящим ожидаемым невидимым числом.

  1. Для двух видов с λ=1 и одного с λ=3: ν0=2e⁻¹+e⁻³≈0,78554595.
  2. Синглтоны имеют ожидание ν1=2e⁻¹+3e⁻³≈0,88512009.
  3. Дублетоны имеют ожидание ν2=e⁻¹+(9/2)e⁻³≈0,59192125.
  4. Граница ν1²/(2ν2)≈0,661775 меньше ν0. Разность положительна из-за неодинаковых λ.

Ответ. Ожидаемо невидимы около 0,785546 вида; нижняя моментная граница около 0,661775 вида.

Проверка. Строгость можно проверить без округления: 2ν0ν2−ν1²=8e⁻⁴>0. Ожидаемое дробное число видов допустимо, хотя каждая реализация f0 целая.

Где легко ошибиться. Выдавать отношение наблюдённых синглтонов и дублетонов за гарантированное число отсутствующих в выборке видов или путать число видов с невидимой вероятностной массой.

Проверьте понимание

Какое утверждение о доказанном неравенстве верно при всех λi>0?

Вопросы к этой главе

Когда граница для ожиданий точна?

При одинаковых положительных пуассоновских средних для всех видов. Тогда два вектора в доказательстве пропорциональны.

Почему оценка может быть дробной?

Она относится к ожиданию числа по повторным выборкам. Целочисленность каждой реализации не требует целого среднего.

Сверить определения и условия

Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.

  • Daley,Smith, Better lower bounds for missing species,2019

    Прочитаны pp.2–4: ограниченность Chao данными один/два, Model с независимыми Poisson yi и ожидания частотных классов, Harris change of measure. Наше конечносуммовое доказательство и трёхвидовой пример самостоятельные; более поздняя квадратура статьи не используется.

Разнообразие между сообществами: эффективное число разных составов

Два участка могут иметь одинаковое локальное разнообразие и резко отличаться сменой самих видов. Отношение общего эффективного разнообразия к локальному измеряет этот оборот, но его диапазон зависит от числа и весов сообществ.

Перед началом: Нормированные видовые доли; Сумма квадратов и скалярное произведение; Неравенство среднего квадрата.

Сначала усреднить концентрации вероятностей

Условия модели: Заданы m полностью известных сообществ с одинаковым весом 1/m, а не автоматически объединённые выборки разного размера. В каждом доли pij≥0 суммируются по видам в 1; названия видов согласованы, отсутствующие имеют нулевую долю. Рассматривается эффективное разнообразие Хилла порядка 2 по истинным заданным составам, без оценки ненаблюдаемых видов или выборочного смещения.

Положим A=(1/m)ΣjΣi pij², p̄i=(1/m)Σj pij, G=Σi p̄i². Определим Dα=1/A, Dγ=1/G, Dβ=Dγ/Dα=A/G. Здесь локальное Dα не является произвольным средним обратных сумм: сначала усредняется A, затем берётся обратная величина.

Равновесовая конвенция сравнивает составы участков независимо от их общего количества особей. Если цель — разнообразие всех особей большого ландшафта, веса могут быть другими и должны быть определены заново. Тихая замена средних долей на суммы сырых численностей меняет вопрос.

Две точные границы имеют разные условия равенства

Тождество A−G=(1/m)Σj||pj−p̄||²≥0 даёт Dβ≥1. Равенство достигается ровно при одинаковых полных векторах долей всех сообществ. Одинаковый один скалярный индекс сам по себе не обеспечивает этот случай.

С другой стороны m²G=Σj||pj||²+2Σj<k pj·pk≥mA, поскольку доли неотрицательны. Поэтому Dβ≤m. Верхняя граница достигается при попарно непересекающихся наборах видов: все перекрёстные скалярные произведения нулевые. Эти доказательства относятся к равным весам и не требуют равномерности долей внутри каждого участка.

Оборот состава не оценивает полноту обследования

Dβ можно понимать как эффективное число различных сообществ в заданном порядке чувствительности к обычным видам. Оно не обязано быть целым и не равно числу эксклюзивных видов. Разные частотные различия способны давать одинаковое отношение A/G.

Недостаточный учёт редких видов и ошибки таксономии требуют отдельных методов наблюдения. Здесь составы заданы полностью, поэтому ни покрытие выборки, ни нижняя граница числа невидимых видов не участвуют в расчёте. Также показатель не ранжирует экологическую ценность, функции или устойчивость сообществ.

Условие. Фиксированный первый участок имеет p=(3/4,1/4,0,0). Второй либо совпадает с ним, либо имеет q=(0,0,3/4,1/4). Участки равновесовые. Найдите Dα,Dγ,Dβ в обоих случаях, затем проверьте промежуточный q=(0,3/4,1/4,0).

  1. 1. В каждом участке сумма квадратов 5/8, поэтому A=5/8 и Dα=8/5 независимо от выбора второго состава.
  2. 2. Для одинаковых составов p̄=p и G=5/8. Получаем Dγ=8/5,Dβ=1.
  3. 3. При непересекающихся видах p̄=(3/8,1/8,3/8,1/8), G=5/16. Тогда Dγ=16/5,Dβ=2, верхняя граница двух участков.
  4. 4. Для промежуточного q скалярное произведение p·q=3/16. G=(||p||²+||q||²+2p·q)/4=13/32. Поэтому Dγ=32/13,Dβ=20/13≈1.53846.

Ответ. Одинаковое локальное Dα=1.6 сочетается с Dβ=1,2 или 20/13. Различается межучастковый состав, а не число локально доминирующих видов.

Проверка. Независимо для промежуточного случая A−G=5/8−13/32=7/32. Прямой расчёт средних квадратов отклонений двух векторов от p̄ даёт те же 7/32, подтверждая нижнюю границу и порядок усреднения.

Где легко ошибиться. Не усредняйте уже обращённые индексы вместо квадратных концентраций и не считайте одинаковое локальное разнообразие доказательством одинаковых видов.

Проверьте понимание

Что обеспечивает Dβ=1 в заданной равновесовой модели?

Вопросы к этой главе

Может ли Dβ превышать 2 для двух равновесовых участков?

Нет в указанном определении: неотрицательность перекрёстного произведения доказывает верхнюю границу 2. Превышение требует проверки нормировки, весов или формулы.

Если все виды общие, обязательно Dβ=1?

Нет. Для единицы нужны одинаковые доли, а не только одинаковый список названий. Разное доминирование создаёт ненулевое квадратное отклонение составов.

Сверить определения и условия

Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.

  • Выбранный случай одинаковых весов, эффективные числа и исправленная скобка при усреднении gamma. Квадратичные доказательства границ и три точных состава рассчитаны отдельно.

Источники и работа с материалом

Объяснение, примеры и вопросы написаны для erudeet. Факты и определения сверены по источникам ниже; это ссылки для самостоятельной проверки.

Продолжить разбираться