STOKASTISISTA PROSESSEISTA JA SIMULAATIOMENETELMISTÄ
|
|
- Pauli Siitonen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 STOKASTISISTA PROSESSEISTA JA SIMULAATIOMENETELMISTÄ Simulaatiokurssi 2004 muokattu (J.Merikoski) Stokastisten simulaatiomenetelmien yleisiä lähtökohtia. Satunnaismuuttujat, stokastiset prosessit ja Markovin ketjut. Statistista fysiikkaa. Otanta. 1. Stokastisista prosesseista Olkoon x(t) ajasta t jollain tavalla riippuva satunnaismuuttuja (ei yleensä skalaari). Stokastiseksi prosessiksi (SP) sanomme funktiota f = f(x, t), merkitään usein Esim. Y X (t) = f(x, t). x(t) itse on SP. Satunnaiskävely x(t) on SP. Sen neliöpoikkeama [ x(t) x(0)] 2 on SP. Aluksi keskitymme satunnaismuuttujiin, joille x(t) on diskreetti ja ajan fuktiona paloittain vakio siten, että jotakin tapahtuu (tai joskus on tapahtumatta) tasavälein eli ajan hetkillä t = t 1, t 2,..., t M ja x k = x(t k t < t k+1 ), missä t k = kδt. Ellei toisin sanota, olkoon t 0 = 0. Kurssikirja Binder&Heermannissa (BH) merkitään τ s = N t samaistaen δt = τ s. Kyseisissä malleissa yksi atomi/spin liikahtaa/flippaa (keskimäärin) kerran t:ssa. 1
2 2 Tältä pohjalta: Markovin ketju (MC) = jono yrityksiä, joissa yrityksen tulos riippuu vain välittömästi edellisen (ei sitä edeltävien) yrityksen tuloksesta. Määritellään siirtymämatriisi w = (w ij ) seuraavasti: w ij (k) = P(x(k) = j x(k 1) = i). Jatkossa on (ellei toisin mainita) x ij (k) = w ij eli w ij :t eivät riipu ajasta, jolloin sanomme, ett MC on homogeeninen. Edelleen, simuloidut MC:t ovat äärellisiä eli yritysten mahdollisten tulosten joukko on äärellinen (jos ei muuta niin äärellisen laskentatarkkuuden vuoksi). Näitä mahdollisia tuloksia kutsumme jatkossa usein järjestelmän mahdollisiksi (mikro)tiloiksi. Kirjavien merkintöjen (tämä ja muut luentomateriaalit ja kirjat) ei pidä antaa hämätä: monesti e.g. w ij w i j W(i j) q ij jne. Todennäköisyysjakaumille ja etenkin siirtymätodennäköisyyksille käytetyt merkinnät eivät ole vakiintuneet, etenkään sovellusaloilla.
3 3 Vektori b on stokastinen, jos sen komponenteille on b i 0 i Matriisi w taas on stokastinen, jos ja b i = 1. i w ij 0 i, j ja rivisummat w ij = 1 i. j Siirrymme algoritmitasoa kohti: Olkoon g ij generointitodennäköisyys eli todennäköisyys, jolla generoimme tilasta i tilan j ja olkoon a ij sen hyväksymistodennäköisyys. Tällöin w ij = g ij a ij, kun i j j i w ij = 1 w ij, kun i = j j Jatkossa g ij = χ Si (j)/ S i, missä S i on niiden tilojen joukko, johon tilasta i voidaan siirtyä. Selvästi (w ij ) ja (g ij ) ovat stokastisia matriiseja (a ij ) ei ole stokastinen matriisi Huomaa, että puhuttaessa (diskreetin ajan) algoritmeista on tavallista puhua siirtymätodennäköisyyksistä (aika-askelta kohti) sen sijaan että puhuttaisiin siirtymätaajuuksista (fysikaalinen tulkinta).
4 4 Stationaarinen jakauma äärelliselle MC:lle p i := lim P(x(k) = i x(0) = j) j k Tätä merkitään fysiikassa usein symbolilla p eq i. Oletetaanpa, että p i on olemassa. Olkoon b i (k) tuloksen i todennäköisyys yrityskerralla (askeleella) k eli Tällöin b i (k) = m b m(k 1)w mi (k) ja = m b i (k) = P(x(k) = i). lim b(k) = lim P(x(k) = i x(0) = m)p(x(0) = m) k k m [ lim k P(x(k) = i x(0) = m)]p(x(0) = m) = p i P(x(0) = m) = p i, koska viimeinen summa on yli mahdollisten alkutilojen todennäköisyyksien. Vektorilla p on myös seuraava ominaisuus: m p = lim k b(0) wk = lim k b(0) wk 1 w = lim l b(0) w l w = p w eli se on w:n vasen ominasivektori ominaisarvolla 1.
5 5 Markovin ketju on redusoitumaton, jos i, j n Z + siten, että (w n ) ij > 0. Huom. Matriisissa g ij on usein paljon nollia. Olkoon D i = {n n > 0 ja(w n ) ij > 0}. Markovin ketju on jaksoton, jos i on gcd(d i ) = 1. Tähän riittää esimerkiksi, että w ii > 0 jollekin i. Lause: Äärelliselle homogeeniselle redusoitumattomalle jaksottomalle Markovin ketjulle stokastinen vektori p, jonka komponentit määräytyvät yksikäsitteisesti ehdosta (global balance) p ij w ji = p i i ja joka siis määrää stationaarisen jakauman. Todistus: Uskotaan. j Jos on voimassa detailed balance -ehto (mikroskooppinen reversiibeliys) p i w ij = p j w ji (DB) niin summaamalla yli j:n ja w:n stokastisuuden perusteella p i w ij = j j p j w ji p i = j p j w ji eli DB on riittävä ehto stationaariselle jakaumalle p.
6 6 2. STATISTISTA FYSIIKKAA Taustaksi sekä stokastisille (MC) että deterministisille (MD) menetelmille. Lähtökohta: termodynaaminen tasapainotila (kts. fysiikan peruskurssit ja fysa240). Perusidea: Kuvataan fysikaalisen järjestelmän, jonka mikrotiloja (kvanttitiloja) indeksoimme x:llä (kvanttiluvut), kontaktia ympäristönsä kanssa muutamalla termodynaamisella (makroskooppisella) muuttujalla, esim. T, V, N, P, B,... Kytkentä ympäristöön: mikroskopia usein tarkemmin määrittelemätön! 2.1. Klassinen statistinen mekaniikka Järjestelmän (hiukkasjoukon) mikrotila: ( q, p). Tilojen jatkumo, 6N-ulotteinen faasiavaruus. 3N yleistettyä koordinaattia ja 3N yleistettyä liikemäärää. Deterministiset liikeyhtälöt F = ma eli: q k = H/ p i ja ṗ k = H/ q i Lisää yksityiskohtia: kurssi fys211 ja kurssikirja Allen-Tildesley (AT). Mikrokanoninen joukko Todennäköisyystiheys ρ( q, p; E) = C norm δ(h( q, p) E). Vrt. toisella luennolla esitelty vakioenergia-md.
7 7 Kanoninen joukko eli ensemble Todennäköisyystiheys: ρ( q, p; T, V, N) exp{ H( q, p)/kt } ρ(e) g(e)exp( E/kT) Kiinteillä V, N järjestelmän kontaktia ympäristöön parametrisoi siis lämpötila T. Kun kontaktin mikroskooppiset yksityiskohdat eivät (usein) ole oleellisia, niitä mallinnetaan stokastisella prosessilla (Monte Carlo -menetelmässä algoritmi). Kanonisessa ensemblessa teemmekin kohta MC-simulaatioita. Myos deterministiseen MD-simulaatioon voidaan liittää stokastinen kytkentä lämpökylpyyn ( termostaatti ) peukaloimalla liikeyhtälöitä. Suurkanoninen ensemble Todennäköisyystiheys : ρ( q, p; T, V, µ) exp{ [H( q, p) µn]/kt } Paljon käytetty MC-simulaatioissa, joissa järjestelmän tila muutenkin muuttuu hyvin epäjatkuvasti hiukkasen lisääminen tai poistaminen ( N=±1) luontevaa. Vakiopaine-ensemble Todennäköisyystiheys: ρ( q, p; T, P, N) exp{ [H( q, p) + PV ]/kt } Vakiopaine-ensemblea, jossa simulaatiokopin koko ja muoto elää simulaation kuluessa, käytetään paljon MD-simulaatioissa (kts. kurssin MD-osa).
8 8 Partitiofunktio Jotta ρ olisi todennäköisyystiheys, se on normitettava. Kutsumme normitustekijää partitiofunktioksi em. jakaumien tapauksessa se on muotoa Z = dx exp{ [H( q, p) +...]/kt } dx = vakio d 3N qd 3N p ja klassisessa fysiikassa todennäköisyysmitta (faasiavaruuden tilavuuselementti) kiinnittyy vakiota vaille. Normitettu todennäköisyystiheys on ρ( q, p) = 1 exp{ [H( q, p) +...]/kt } Z Aika- ja ensembleeskiarvot Käytännössä simulaatioista ei yleensä lasketa Z:aa vaan termodynaamisten (TD) suureiden keskiarvoja. Nämä voivat olla luonteeltaan puhtaita aikakeskiarvoja (vrt. deterministinen MD) tai ensemblekeskiarvoja (MC) tai jotain siltä väliltä (MD stokastisella termostaatilla). TD suureen A aikakeskiarvo on A t = 1 t t 0 dta( q(t), p(t)) 1 N s A( q(t i ), p(t i )), t i [0, t]. N s Edellytyksin, jotka meidän tarpeisiimme ovat riittävän usein voimassa (ergodisuus ja sekoittuminen), on tämä pitkän ajan rajalla sama kuin ensemblekeskiarvo eli lim A t = A dxρ( q, p)a( q, p). t i=1
9 Diskreetti statistinen mekaniikka Oletetaan nyt diskreetit mikrotilat/kvanttitilat {x} ja konkreettisuuden vuoksi kanoninen ensemble. Tällöin yo. saa muodon A = x p(x)a(x) p(x) = 1 Z e E(x)/kT Z = x e E(x)/kT. Kvanttimekaniikan näkökulmasta, olettaen x :t Ĥ:n ominaistiloiksi ja lisäksi [Ĥ, Â]=0, tämä on sama kuin  = Tr ˆρ ˆρ = 1 Z e Ĥ/kT Z = Tre Ĥ/kT E(x) = x Ĥ x A(x) = x  x. Seuraavien muutaman luentokerran ajan oletamme, että luvut E(x) ja A(x) tunnetaan, ja keskitymme laskemaan keskiarvoa A. Jos nyt muutamme indeksointia/merkintää siten, että p(x) p i ja E(x) E i, havaitsemme DB-ehdossa sivulla 5 partitiofunktion Z supistuvan yhtälön kummaltakin puolelta pois. Siten partitiofunktiota ei tarvitse tuntea stationaariseen jakaumaan p i exp( E i /kt) konvergoivan stokastisen prosessin (siirtymämatriisin w ij ) konstruoimiseksi!
10 10 3. MONTE CARLO -MENETELMÄ: DISKREETTI TAPAUS Käytëtään havainnollisuuden vuoksi esimerkkinä kanonista ensemblea. Aloitetaan yksinkertaisimmasta/ilmeisestä ratkaisusta: 3.1. Satunnaisotanta (simple sampling) Valitaan kaikkien tilojen joukosta {x} täysin satunnaisesti M kpl tiloja eli tilat {x 1, x 2,..., x M }, jolloin approksimatiivisesti A M l=1 A(x l)exp[ E(x l )/kt] M l=1 exp[ E(x l)/kt]. Jono x 1, x 2,..., x M voidaan nähdä myös stokastisena prosessina, jossa millä tahansa askeleella on siirrytty yhtä suurella todennäköisyydellä mihin tahansa tiloista x, mutta se ei toteuta jakauman p(x) exp[ E(x)/kT] määräämää DB-ehtoa, joten joudumme yllä laskemaan sillä painotetun keskiarvon. Käytännössä tiloja x on suuri määrä ja yleensä on olemassa luonnollinen tapa (H:n näkökulmasta) sijoittaa ne johonkin korkeadimensioiseen konfiguraatioavaruuteen. Moniulotteisesta integroinnista tiedämme, että esim. valitsemalla pisteet, joissa integroitavaa funktiota arvioidaan, tasavälein (grid) virhearvio on luokkaa M a/d, missä a on pienehkö luku (vaikkapa kaksi). Satunnaisotannalle taas keskeinen raja-arvolause (KRAL) antaa virhearvion M 1/2, mikä ei riipu dimensiosta, ja on siksi hyvin korkeissa dimensioissa usein parempi vaihtoehto. Harjoitustehtävä (joka voi tuottaa huviakin): Laske π:n luku/likiarvo MC-menetelmällä. Yksi tapa: Arvo (x, y)-tason pisteitä tasanjakaumasta yksikköneliöön [0, 1] [0, 1], jolloin π/4 on niiden pisteiden osuus, joille x 2 + y 2 < 1. Jos jaksat, kokeile vastaavaa useampidimensioiselle pallolle ja arvioi suhteellista virhettä dimension funktiona.
11 Painotusotanta (biased sampling) Monissa kiinnostavissa ongelmissa vain hyvin pieni osa tiloista x eli konfiguraatioavaruudesta on merkitsevä termodynaamisen keskiarvon A laskemisessa. Voisimme koettaa tuottaa tilat {x 1, x 2,..., x M } jollakin sopivasti valitulla todennäköisyydellä p(x), jolloin A M l=1 A(x l)p(x l )/ p(x l ) M l=1 p(x l)/ p(x l ). Käytännössä tämä auttaa vain, jos p(x) vähintäänkin karkeasti noudattelee halutun jakauman p(x) piirteitä. Joskus tällainen approksimatiivinen jakauma on numeerisesti helpompi, mutta useimmiten luonnollinen valinta on jakauma p(x) itse. Joskus taas voi käytössämme olla jossakin lämpötilassa tuotettuja tiloja (jakauma p), jolloin voimme käyttää niitä myös A :n laskemiseen jossain lähellä olevassa lämpötilassa (jakauma p). Esimerkki (tekemällä tehty) Olkoon ongelmana laskea E systeemille, jonka mahdolliset sijainnit (tilat) olkoot x =..., 2, 1, 0, +1, +2,... ja E(x)/kT = x 2. Tuotetaan tätä varten tiloja biasoidulla satunnaiskävelyllä, jolle siirtymätodennäköisyys on x :n kasvaessa µ ja x :n pienenetessä 1 µ. Jos valitaan µ = 1/2, tulee simulaatiosta kanonisen jakauman kannalta hyvin tehoton, koska tuloksena on tavallinen satunnaiskävely. Jos µ < 1/2, tämäkin prosessi viihtyy origon x = 0 ympäristössä. Esimerkki (SAW) Konstruoidaan prosessi, jossa valmiiksi N step segmentin pituinen polymeeri luikertelee hilassa dynamiikalla, joka tuottaa polymeerin konfiguraatioita jollain statistiikalla siten, että jokaisessa hilan pisteessä voi kerrallaan olla korkeintaan yksi polymeerin segmentti, jolloin kukin tuotettu konfiguraatio on myös SAW. Tuloksena on konfiguraatioavaruudessa kävely, joka voi olla Markovin prosessi, vaikka SAW sinänsä hiukkasen liikkeeksi paikka-avaruudessa tulkittuna ei sitä ole.
12 MCMC-otanta (importance sampling) Markovin ketju Monte Carlo -menetelmässä (MCMC) tuotamme järjestelmän tilat eli näytteet {x 1, x 2,..., x M } jo valmiiksi halutulla jakaumalla, jolloin suureen A termodynaaminen keskiarvo on aritmeettinen keskiarvo A 1 M M A(x l ). l=1 Tiedämme jo, mitä tehdä: Tuotetaan Markovin ketju eli jono x 1, x 2,..., x M, jolle stationaarinen jakauma eli todennäköisyysjakauma rajalla M on suoraan kanonisen joukon todennäköisyysjakauma (termodynaamisessa tasapainossa) p(x l ) = 1 Z e E(x l)/kt, mikä onnistuu helpoiten (ei kuitenkaan ainoa mahdollisuus) DB-ehdon kautta. Ensimmäisen tällaisen prosessin esittivät ja sitä numeerisesti käyttivät Nicolas Metropolis kumppaneineen vuonna 1953 (JCP 21, s.1087). Metropolis-algoritmiksi kutsutaan siirtymätodennäköisyyksien muotoa w(x x ) = 1 τ s min{1, e δe/kt }, (Metropolis-dynamiikka) missä δe = E(x ) E(x). Jatkossa valitsemme simulaation tehostamiseksi ajan yksikön siten, että τ s = 1, jolloin mahdollisimman vähän siirtymiä hylätään. Välittömästi näemme, että Metropolis-muoto toteuttaa DB-ehdon, joka kirjoitettuna tavanomaisin Monte Carlo -ihmisten merkinnöin kanoniselle joukolle on: p(x)w(x x ) = p(x )w(x x) e E(x)/kT w(x x ) = e E(x )/kt w(x x), joten Metropolis-algoritmi todellakin vie kohti tasapainojakaumaa p(x). Käytännön simulaatioissa generointitodennäköisyys (g ij ) on usein harva ja symmetrinen matriisi ja hyväksymistodennäköisyys (a ij ) Metropolis-muotoa DB ok.
13 13 Metropolis ja kumppanit perustelivat (BH: plausibility argument ) algoritminsa käyttäen statistisen fysiikan ensemble-ajattelua ( gedanken experiment ), jossa tarkastellaan suurta määrää järjestelmän kopioita ja erityisesti kahden tilan x ja x välisiä siirtymiä. Tässä voidaan valita E(x) < E(x ). Jos nyt N x ja N x ovat jollain aika-askeleella ko. tiloissa olevien kopioiden lukumäärät sekä N x x ja N x x siirtymien lukumäärät, niin nettomääräksi transitioita suuntaan x x saadaan N x x N x x =... = N x τ s [ e E(x )/kt Nx e E(x)/kT N x Stationaarisessa tilassa tämän täytyy olla nolla, joten stationaarisessa tilassa (jonka olemassaoloa alkuperäinen perustelu ei takaa) on N x /N x =e E(x)/kT /e E(x )/kt. Käytännössäkin simulaatioissa tuotetaan yleensä monta toisistaan rippumatonta Markovin ketjua, usein eri alkutiloista, konvergenssin varmistamiseksi. Toinen paljon käytetty DB-ehdon toteuttava siirtymätodennäköisyyksien muoto on w(x x ) = 1 τ s e δe/kt, jossa Metropolis-algoritmista poiketen w on jatkuvasti derivoituva δe:n funktio ja hyväksymistodennäköisyys mentäessä energiassa alaspäin ei ole vakio. Käytännössä tuloksena on kuitenkin hyvin samankaltainen dynamiikka. Valittuamme esimerkiksi Metropolis-muotoisen siirtymätodennäköisyyden on edelleenkin monta tapaa rakentaa itse algoritmi. Useinkaan ei ole tehokasta yrittää siirtymää mihin tahansa toiseen tilaan vaan rajoitutaan siirtymiin (jollakin tavalla) lähekkäisten tilojen välillä. Tätä ajatellen kirjoitamme seuraavaksi w(x x ) = g(x x )a(x x ), ja oletetaan, että tilojen generointitodennäköisyys g(x x ) on symmetrinen eli g(x x ) = g(x x) ja että hyväksymistodennäköisyys a(x x ) on Metropolismuotoa. Selvästi DB toteutuu. Käytännön simulaatoissa g(x x ) on nolla useimmille siirtymille x x. ].
14 14 4. MALLEISTA JA ALGORITMEISTA 4.1. Ising-malli: Glauber-dynamiikka Olkoon kuhunkin hilapisteeseen r on määritelty klassinen spin-muuttuja S r. Lähinaapuri-Ising-magneetin energia (mikro)tilassa x on E(x) = J r,s S r (x)s s (x) B N S r (x), missä N on nyt spinien lukumäärä ja S r (x) = ±1 on spinin r suunta (ylös tai alas) ko. tilassa. Merkintä r, s tarkoittaa summaamista yli kaikkien lähinaapuriparien siten, että jokainen pari lasketaan kerran (2d neliöhilassa kullakin spinillä on neljä naapurispiniä). Jälkimmäinen summa taas käy yli kaikkien spinien. Vuorovaikutusparametrin J ollessa positiivinen eli ferromagneetin tapauksessa systeemi voittaa energiaa spinien kääntyessä samansuuntaisiksi ja myös niiden kääntyessä magneettikentän B suuntaan. Keskeisiä laskettavia suureita ovat magneettinen momentti spiniä kohti ja sen itseisarvo, M = 1 N S r M = 1 N S r, N N r=1 joista jälkimmäinen on varsinainen järjestyksen mittari eli ns. järjestysparametri tapauksessa J > 0. Keskimääräinen energia spiniä kohti on tietenkin E N = 1 J N S r S s B S r N r,s ja M:n ja E:n fluktuaatioille käytetään merkintöjä r=1 r=1 r=1 ( M) 2 = (M M ) 2 ( E) 2 = (E E ) 2.
15 15 Perus-MC-algoritmi Ising-mallin ratkaisemiseksi on seuraava: 0. Tuotetaan alkutila. 1. Valitaan satunnaisesti yksi spin, jonka tilaa koetetaan muuttaa. 2. Lasketaan δe. 3. Lasketaan ehdotetulle muutokselle hyväksymistodennäköisyys a. 4. Tuotetaan satunnaisluku ξ [0, 1]. 5. Toteutetaan muutos, jos a > ξ. 6. Palataan kohtaan 1, kunnes tiloja on tuotettu tarpeeksi. Huomautuksia yo. algoritmin käytännön toteutuksesta: 0. Mahdollinen riippuvuus alkutilasta testattava. 1. Joskus hilaa käydään läpi järjestyksessä (kts. BH). 2. Muutos on lokaali, joten δe voidaan laskea lokaalisti. 3. Hyväksymistodennäköisyydet voidaan taulukoida etukäteen. 4. Yleensä kannattaa tuottaa useampia satunnaislukuja kerralla. 5. Vaikka a ξ, lasketaan vanha uudeksi konfiguraatioksi. 6. Jokaista konfiguraatiota ei kannata ottaa keskiarvoihin, koska peräkkäiset konfiguraatiot eivät ole toisistaan riippumattomia. Ellei olla kiinnostuneita reunailmiöistä, hilaan määritellään yleensä periodiset reunaehdot (PBC). Kaksiulotteisessa neliöhilassa hilapisteen r=(x, y), missä x, y=1, 2,..., L, naapurit ovat (x, y ±1), (x±1, y) ja hilan reunoilla asetetaan 0 L ja L Kuten jatkossa käy ilmeiseksi, tällainen hila ei ole ääretön vaikka se onkin reunaton. Periodiset reunaehdot voidaan toteuttaa usealla eri tavalla: Testataan aina vaiheessa 2 ollaanko reunalla ja toimitaan sen mukaan. Luodaan reunaehtotaulukot, joista y ± 1 ja x ± 1 haetaan. Luodaan naapurilistat, joista naapureiden indeksit haetaan. Pidetään yllä järjestelmän kopioita sen kullakin reunalla. Eri ratkaisuilla on omat käyttötilanteensa, osalla koodin analyysiosassa laskettaessa tuotetuista konfiguraatioista termodynaamisia suureita. Esim. pitkän kantaman korrelaatioiden laskemista varten reunaehdot kannattaa usein toteuttaa eri tavalla kuin lyhyen kantaman vuorovaikutusten määräämässä dynamiikkaosassa.
16 Ising-malli: Kawasaki-dynamiikka Edellä simulaatio toteutettiin Glauber-dynamiikalla, jossa magnetoituma ei säily, eli ns. (T, B)-ensemblessa. Toisinaan käytetään myös Kawasaki-dynamiikkaa, jossa magnetoituma on säilyvä suure, ja puhumme (T, M)-ensemblesta. Tällöin simulaation alkukonfiguraatioilla on oltava haluttu kokonaismagnetoituma M ja simulaatio etenee vaihtamalla erimerkkisten naapurispinien suunnat keskenään hyväksymistodennäköisyyksien mukaan. Mallin kokonaisenergian lausekkeessa kenttätermillä B r S r(x) ei tällöin ole merkitystä dynamiikan kannalta. Termodynaamisella rajalla L nämä kaksi ensemblea johtavat samoihin keskiarvoihin staattisille suureille kuten E, mutta dynamiikat ovat hyvin erilaiset. Kawasakidynamiikan voi arvata olevan hitaampi tapa liikkua konfiguraatioavaruudessa, kun säilymislaki rajoittaa mahdollisia siirtymiä Hilakaasumalli (lattice-gas model) Tekemällä Ising-mallissa muuttujien vaihto s r = 2n r 1, jolloin siis n r = 0, 1, päädymme ns. hilakaasumalliin, jonka energia on tapana kirjoittaa muodossa E(x) µn(x) = ǫ r,s n r (x)n s (x) µ r=1 n r (x) (+vakio). Yllä n r tulkitaan hilapisteen r miehitysluvuksi, ǫ on atomien (pisteissä joissa n r =1) välisen lähinaapurivuorovaikutuksen energia ja µ on kemiallinen potentiaali, joka säätää hiukkastiheyttä. Lähtökohtaisesti olemme siis suurkanonisessa ensemblessa, jolloin käytämme Glauber-dynamiikkaa, jossa yksittäisille siirtymille N = ±1. Tässä sovelluksessa N ei ole hilapisteiden lukumäärä vaan muuttuva hiukkasluku. Tutkittaessa kuitenkin esim. atomien diffuusiota (vrt. erillinen harjoitustyö rajapinnaksikin kuvautuvalle asep-mallille) on luonnollista valita kanoninen ensemble ja käyttää Kawasaki-dynamiikkaa, jossa N=vakio Harjoistustyö Ising-mallista Rakenna Monte Carlo -simulaatio kaksiulotteisessa neliöhilassa määritellylle ferromagnetismin lähinaapuri-ising-mallille. Tutki magnetoituman M ja sen itseisarvon M odotusarvojen käyttäytymistä lämpötilan T ja magneettikentän B funktiona. Määritä karkeasti mallin kriittinen lämpötila T C, jonka yläpuolella spontaani magnetoituma M nollakentässä (B=0) häviää. Tutki tarkemmin magnetoituman ja sen fluktuaatioiden käyttäytymistä kriittisen pisteen (T=T C,B=0) lähellä systeemin koon L (nyt N=L 2 ) funktiona; kts. erillinen ohje ja BH.
3. Simulaatioiden statistiikka ja data-analyysi
[5B] TIETOKONESIMULAATIOISTA Luennolla esiteltiin fysiikan alan tietokonesimulaatiomenetelmiä. Esimerkkien puitteissa koodejakin katsellen tarkastelimme samalla joitakin vähemmälle huomiolle jääneitä aiheita
Lisätiedot1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.
Algoritmien DP ja MF vertaileminen tapahtuu suoraviivaisesti kirjoittamalla kummankin leskimääräinen kustannus eksplisiittisesti todennäköisyyksien avulla. Lause T MF ave = 1 + 2 1 i
Lisätiedot6. Yhteenvetoa kurssista
Statistinen fysiikka, osa A (FYSA241) Vesa Apaja vesa.apaja@jyu.fi Huone: YN212. Ei kiinteitä vastaanottoaikoja. kl 2016 6. Yhteenvetoa kurssista 1 Keskeisiä käsitteitä I Energia TD1, siirtyminen lämpönä
LisätiedotFYSA241/K1. Juha Merikoski ja Sami Kähkönen (1999,2005) Janne Juntunen (2006) ja Vesa Apaja (2006-)
ISING-MALLIN MONTE CARLO -SIMULOINTI Statistinen fysiikka FYSA1/K1 Juha Merikoski ja Sami Kähkönen (1999,005) Janne Juntunen (00) ja Vesa Apaja (00-) Työssä tutustutaan magneettiseen järjestäytymiseen
LisätiedotLASKENNALLISEN TIETEEN OHJELMATYÖ: Diffuusion Monte Carlo -simulointi yksiulotteisessa systeemissä
LASKENNALLISEN TIETEEN OHJELMATYÖ: Diffuusion Monte Carlo -simulointi yksiulotteisessa systeemissä. Diffuusio yksiulotteisessa epäjärjestäytyneessä hilassa E J ii, J ii, + 0 E b, i E i i i i+ x Kuva.:
LisätiedotEsimerkki: Tietoliikennekytkin
Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen
LisätiedotSuurkanoninen joukko
Suurkanoninen joukko Suurkanonisessa joukossa systeemi on kanonisen joukon tavoin yhdistettynä lämpökylpyyn, mutta nyt systeemin ja kylvyn väliset (kuvitellut) seinät läpäisevät energian lisäksi myös hiukkasia
LisätiedotMikrotila Makrotila Statistinen paino Ω(n) 3 Ω(3) = 4 2 Ω(2) = 6 4 Ω(4) = 1
76628A Termofysiikka Harjoitus no. 4, ratkaisut (syyslukukausi 204). (a) Systeemi koostuu neljästä identtisestä spin- -hiukkasesta. Merkitään ylöspäin olevien spinien lukumäärää n:llä. Systeemin mahdolliset
LisätiedotThe Metropolis-Hastings Algorithm
The Metropolis-Hastings Algorithm Chapters 6.1 6.3 from Monte Carlo Statistical Methods by Christian P. Robert and George Casella 08.03.2004 Harri Lähdesmäki The Metropolis-Hastings Algorithm p. 1/21 Taustaa
LisätiedotMarkov-ketjut pitkällä aikavälillä
2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton; oppia tunnistamaan, milloin
Lisätiedot2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 208 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I. Satunnaismuuttuja U Exp(2) ja V = U/(3 + U). Laske f V käyttämällä muuttujanvaihtotekniikkaa.
LisätiedotMarkov-kustannusmallit ja kulkuajat
2B Markov-kustannusmallit ja kulkuajat Tämän harjoituksen tavoitteena on oppia laskemaan Markov-kustannusmallien kustannuskertymiä ja -vauhteja, ketjujen odotettuja kulkuaikoja sekä todennäköisyyksiä osua
LisätiedotFYSA242 Statistinen fysiikka, Harjoitustentti
FYSA242 Statistinen fysiikka, Harjoitustentti Tehtävä 1 Selitä lyhyesti: a Mikä on Einsteinin ja Debyen kidevärähtelymallien olennainen ero? b Mikä ero vuorovaikutuksessa ympäristön kanssa on kanonisella
LisätiedotLineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen
LisätiedotSTOKASTISET PROSESSIT Peruskäsitteitä
J. Virtamo 38.3143 Jonoteoria / Stokastiset prosessit 1 STOKASTISET PROSESSIT Peruskäsitteitä Usein tarkasteltava järjestelmä kehittyy ajan mukana ja meitä kiinnostaa sen dynaaminen, yleensä satunnaisuutta
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2
LisätiedotSatunnaislukujen generointi
Satunnaislukujen generointi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Satunnaislukujen generointi 1/27 Kevät 2003 Lähteet Knuth, D., The Art of Computer Programming,
Lisätiedot8. Klassinen ideaalikaasu
Statistinen fysiikka, osa B (FYSA242) Tuomas Lappi tuomas.v.v.lappi@jyu.fi Huone: FL240. Ei kiinteitä vastaanottoaikoja. kl 2016 8. Klassinen ideaalikaasu 1 Fysikaalinen tilanne Muistetaan: kokeellisesti
LisätiedotKannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:
8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden
LisätiedotLaboratoriotyö 1 FYSA240 (FYS242) Juha Merikoski (työohjeet) ja Sami Kähkönen (tietokoneohjelma) 1999,2005
ISING-MALLIN MONTE CARLO -SIMULOINTI Laboratoriotyö Statistinen fysiikka FYSA40 (FYS4) Juha Merikoski (työohjeet) ja Sami Kähkönen (tietokoneohjelma) 999,005 Työssä tutustutaan magneettiseen järjestäytymiseen
LisätiedotErilaisia Markov-ketjuja
MS-C2 Stokastiset prosessit Syksy 207 3A Erilaisia Markov-ketjuja Tuntitehtävät 3A Lepakoiden rengastaja (tai kuponkien keräilijä) Lepakkoluolassa on lepakkoa, joista jokainen lentää luolasta ulos joka
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotOletetaan ensin, että tangenttitaso on olemassa. Nyt pinnalla S on koordinaattiesitys ψ, jolle pätee että kaikilla x V U
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 018 Harjoitus 4 Ratkaisuehdotukset Tehtävä 1. Olkoon U R avoin joukko ja ϕ = (ϕ 1, ϕ, ϕ 3 ) : U R 3 kaksiulotteisen C 1 -alkeispinnan
LisätiedotMS-A0004/A0006 Matriisilaskenta
4. MS-A4/A6 Matriisilaskenta 4. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto..25 Tarkastellaan neliömatriiseja. Kun matriisilla kerrotaan vektoria, vektorin
LisätiedotNumeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden
LisätiedotHY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan
LisätiedotTILASTOLLISEN KVANTTIMEKANIIKAN PERUSTEITA (AH 5.1-5.3) Mikrotilat (kertausta Kvanttimekaniikan kurssilta)
TILASTOLLISEN KVANTTIMEKANIIKAN PERUSTEITA (AH 5.1-5.3) Mikrotilat (kertausta Kvanttimekaniikan kurssilta) Kvanttimekaniikassa yhden hiukkasen systeemin täydellisen kuvauksen antaa tilavektori, joka on
LisätiedotAikariippuva Schrödingerin yhtälö
Aineaaltodynamiikka Aineaaltokenttien riippuvuus ajasta aikariippuva Schrödingerin yhtälö Stationääriset ja ei-stationääriset tilat Aaltopaketit Kvanttimekaniikan postulaatit Aikariippuva Schrödingerin
LisätiedotTehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
LisätiedotMartingaalit ja informaatioprosessit
4A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on tutustua satunnaisvektorin informaation suhteen lasketun ehdollisen odotusarvon käsitteeseen sekä oppia tunnistamaan, milloin annettu
LisätiedotVEKTORIANALYYSIN HARJOITUKSET: VIIKKO 4
VEKTORIANALYYSIN HARJOITUKSET: VIIKKO 4 Jokaisen tehtävän jälkeen on pieni kommentti tehtävään liittyen Nämä eivät sisällä mitään kovin kriittistä tietoa tehtävään liittyen, joten niistä ei tarvitse välittää
LisätiedotPHYS-C0220 Termodynamiikka ja statistinen fysiikka Kevät 2016
PHYS-C0220 Termodynamiikka ja statistinen fysiikka Kevät 2016 Emppu Salonen Lasse Laurson Toni Mäkelä Arttu Lehtinen Luento 1: Lämpötila ja Boltzmannin jakauma Ke 24.2.2016 1 YLEISTÄ KURSSISTA Esitietovaatimuksena
LisätiedotS Fysiikka III (EST) Tentti ja välikoeuusinta
S-437 Fysiikka III (EST) Tentti ja välikoeuusinta 65007 Välikoeuusinnassa vastataan vain kolmeen tehtävään Kokeesta saatu pistemäärä kerrotaan tekijällä 5/3 Merkitse paperiin uusitko jommankumman välikokeen,
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotSuurkanoninen joukko
Suurkanoninen joukko Suurkanonisessa joukossa systeemi on kanonisen joukon tavoin yhdistettynä lämpökylpyyn, mutta nyt systeemin ja kylvyn väliset (kuvitellut) seinät läpäisevät energian lisäksi myös hiukkasia
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotStatistinen fysiikka, osa A (FYSA241)
Statistinen fysiikka, osa A (FYSA241) Tuomas Lappi tuomas.v.v.lappi@jyu.fi Huone: FL249. Ei kiinteitä vastaanottoaikoja. kl 2013 0. Käytännön asioita 1 Ajat, paikat Ajan tasalla olevat tiedot kurssin kotisivulta
LisätiedotEpäyhtälöt ovat yksi matemaatikon voimakkaimmista
6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 7
Inversio-ongelmien laskennallinen peruskurssi Luento 7 Kevät 2012 1 Tilastolliset inversio-ongelmat Tilastollinen ionversio perustuu seuraaviin periaatteisiin: 1. Kaikki mallissa olevat muuttujat mallinnetaan
LisätiedotP (A)P (B A). P (B) P (A B) = P (A = 0)P (B = 1 A = 0) P (B = 1) P (A = 1)P (B = 1 A = 1) P (B = 1)
Harjoitustehtäviä (erä 1) 1 1. Käytetään yksinkertaisesti Bayesin kaavaa: P (A B) = P (A)P (B A). P (B) Tapauksessa B = 1 saadaan P (A = 0 B = 1) = P (A = 1 B = 1) = P (A = 0)P (B = 1 A = 0) P (A = 1)P
Lisätiedot1 Lineaariavaruus eli Vektoriavaruus
1 Lineaariavaruus eli Vektoriavaruus 1.1 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä V epätyhjä joukko. Oletetaan, että joukossa V on määritelty laskutoimitus
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä
Lisätiedot3. Statistista mekaniikkaa
Statistinen fysiikka, osa A (FYSA241) Tuomas Lappi tuomas.v.v.lappi@jyu.fi Huone: FL249. Ei kiinteitä vastaanottoaikoja. kl 2013 3. Statistista mekaniikkaa 1 Mikrotilojen laskenta Kvanttimekaniikka: diskreetit
Lisätiedot802320A LINEAARIALGEBRA OSA I
802320A LINEAARIALGEBRA OSA I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 72 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä
LisätiedotS Laskennallisen tieteen erikoiskurssi. Antti Kuronen Teknillinen korkeakoulu Laskennallisen tekniikan laboratorio PL TKK
S-114250 Laskennallisen tieteen erikoiskurssi Antti Kuronen Teknillinen korkeakoulu Laskennallisen tekniikan laboratorio PL 9400 02015 TKK tammikuu 1999 i Esittely iii Materiaalia iii Esitiedot ja edellytykset
Lisätiedot9. Tila-avaruusmallit
9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia
LisätiedotPHYS-C0220 TERMODYNAMIIKKA JA STATISTINEN FYSIIKKA
PHYS-C0220 TERMODYNAMIIKKA JA STATISTINEN FYSIIKKA Kevät 2017 Emppu Salonen Lasse Laurson Touko Herranen Toni Mäkelä Luento 11: Faasitransitiot Ke 29.3.2017 1 AIHEET 1. 1. kertaluvun transitioiden (esim.
LisätiedotCh7 Kvanttimekaniikan alkeita. Tässä luvussa esitellään NMR:n kannalta keskeiset kvanttimekaniikan tulokset.
Ch7 Kvanttimekaniikan alkeita Tässä luvussa esitellään NMR:n kannalta keskeiset kvanttimekaniikan tulokset. Spinnittömät hiukkaset Hiukkasta kuvaa aineaaltokenttä eli aaltofunktio. Aaltofunktio riippuu
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotMarkov-ketjut pitkällä aikavälillä
MS-C2111 Stokastiset prosessit 2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton;
LisätiedotKanta ja Kannan-vaihto
ja Kannan-vaihto 1 Olkoon L vektoriavaruus. Äärellinen joukko L:n vektoreita V = { v 1, v 2,..., v n } on kanta, jos (1) Jokainen L:n vektori voidaan lausua v-vektoreiden lineaarikombinaationa. (Ts. Span(V
LisätiedotViikon aiheet. Funktion lineaarinen approksimointi
Viikon aiheet Funktion ääriarvot Funktion lineaarinen approksimointi Vektorit, merkintätavat, pituus, yksikkövektori, skalaarilla kertominen, kanta ja kannan vaihto Funktion ääriarvot 6 Väliarvolause Implisiittinen
Lisätiedot(1.1) Ae j = a k,j e k.
Lineaarikuvauksen determinantti ja jälki 1. Lineaarikuvauksen matriisi. Palautetaan mieleen, mikä lineaarikuvauksen matriisi annetun kannan suhteen on. Olkoot V äärellisulotteinen vektoriavaruus, n = dim
Lisätiedot3. Statistista mekaniikkaa
Statistinen fysiikka, osa A (FYSA241) Vesa Apaja vesa.apaja@jyu.fi Huone: YN212. Ei kiinteitä vastaanottoaikoja. kl 2016 3. Statistista mekaniikkaa 1 Mikrotilojen laskenta Kvanttimekaniikka: diskreetit
Lisätiedot2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio
x = x 2 = 5/2 x 3 = 2 eli Ratkaisu on siis x = (x x 2 x 3 ) = ( 5/2 2) (Tarkista sijoittamalla!) 5/2 2 Tämä piste on alkuperäisten tasojen ainoa leikkauspiste Se on myös piste/vektori jonka matriisi A
LisätiedotStatistinen fysiikka, osa A (FYSA241)
Statistinen fysiikka, osa A (FYSA241) Vesa Apaja vesa.apaja@jyu.fi Huone: YN212. Ei kiinteitä vastaanottoaikoja. kl 2016 1 Ajat, paikat 0. Käytännön asioita Ajan tasalla olevat tiedot kurssin kotisivulta
LisätiedotLuento 9: Yhtälörajoitukset optimoinnissa
Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio TKK (c) Ilkka Mellin (2007) 1 Kertymäfunktio >> Kertymäfunktio: Määritelmä Diskreettien jakaumien
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotOsittaisdifferentiaaliyhtälöt
Osittaisdifferentiaaliyhtälöt Harjoituskokoelmat 4 ja 5, kevät 2011 Palautus Eemeli Blåstenille to 23.6. klo 16.00 mennessä 1. Ratkaise Dirichlet ongelma u(x, y) = 0, x 2 + y 2 < 1, u(x, y) = y + x 2,
LisätiedotT Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi
T-79.179 Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi 15. maaliskuuta 2004 T-79.179: Stokastinen analyysi 8-1 Mihin tarvitaan stokastista analyysiä? Saavutettavuusanalyysissä
LisätiedotAvaruuden R n aliavaruus
Avaruuden R n aliavaruus 1 / 41 Aliavaruus Esimerkki 1 Kuva: Suora on suljettu yhteenlaskun ja skalaarilla kertomisen suhteen. 2 / 41 Esimerkki 2 Kuva: Suora ei ole suljettu yhteenlaskun ja skalaarilla
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
LisätiedotKuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t
Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Valkoinen kohina ε t 2 1 0 1 2 Voimme tehdä saman laskun myös yleiselle välille [ a, a], missä 0 < a
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =
Lisätiedot1. Johdanto. FYSA241, kevät Tuomas Lappi kl Huone: FL249. Ei kiinteitä vastaanottoaikoja.
FYSA241, kevät 2012 Tuomas Lappi tuomas.v.v.lappi@jyu.fi Huone: FL249. Ei kiinteitä vastaanottoaikoja. kl 2012 1. Johdanto 1 Ajat, paikat Luennot: 20h ma, ke klo 10.15, FYS1,, 9.1.-22.2 Demot: 10h, ke
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
LisätiedotP (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.
Yhteenveto: Satunnaisvektorit ovat kuvauksia tn-avaruudelta seillaiselle avaruudelle, johon sisältyy satunnaisvektorin kaikki mahdolliset reaalisaatiot. Satunnaisvektorin realisaatio eli otos on jokin
LisätiedotMATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ
MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 4.9.09 HYVÄN VASTAUKSEN PIIRTEITÄ Alustavat hyvän vastauksen piirteet on suuntaa-antava kuvaus kokeen tehtäviin odotetuista vastauksista ja tarkoitettu ensisijaisesti
LisätiedotPHYS-C0220 TERMODYNAMIIKKA JA STATISTINEN FYSIIKKA
PHYS-C0220 TERMODYNAMIIKKA JA STATISTINEN FYSIIKKA Kevät 2016 Emppu Salonen Lasse Laurson Arttu Lehtinen Toni Mäkelä Luento 7: Ekvipartitioteoreema, partitiofunktio ja ideaalikaasu Ke 16.3.2016 1 KURSSIN
LisätiedotKLASSISET TASAPAINOJOUKOT (AH 4.3, , 7.2) Yleisesti joukoista
KLASSISET TASAPAINOJOUKOT (AH 4.3, 6.1-6.7, 7.2) 1 Yleisesti joukoista Seuraavaksi tarkastelemme konkreettisella tasolla erilaisia termodynaamisia ensemblejä eli joukkoja, millä tarkoitamme tiettyä makrotilaa
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-5 Todennäköisyyslaskenta Tentti.. / Kimmo Vattulainen Vastaa jokainen tehtävä eri paperille. Funktiolaskin sallittu.. a) P A). ja P A B).6. Mitä on P A B), kun A ja B ovat riippumattomia b) Satunnaismuuttujan
LisätiedotKvanttimekaniikan tulkinta
Kvanttimekaniikan tulkinta 20.1.2011 1 Klassisen ja kvanttimekaniikan tilastolliset formuloinnit 1.1 Klassinen mekaniikka Klassisen mekaniikan systeemin tilaa kuvaavat kappaleiden koordinaatit ja liikemäärät
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotJohdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotT Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi
T-79.179 Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi 12. maaliskuuta 2002 T-79.179: Stokastinen analyysi 8-1 Stokastinen analyysi, miksi? Tavallinen Petri-verkkojen saavutettavuusanalyysi
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 4 Jatkuvuus Jatkuvan funktion määritelmä Tarkastellaan funktiota f x) jossakin tietyssä pisteessä x 0. Tämä funktio on tässä pisteessä joko jatkuva tai epäjatkuva. Jatkuvuuden
LisätiedotOdotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61
3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on
LisätiedotTASAPAINOJAKAUMAT KVANTTIMEKAANISISSA SYSTEEMEISSÄ (AH 5.4, 6.1, 6.4, 6.5) Mikrokanoninen joukko
1 TASAPAINOJAKAUMAT KVANTTIMEKAANISISSA SYSTEEMEISSÄ (AH 5.4, 6.1, 6.4, 6.5) Mikrokanoninen joukko Aivan kuten klassisessa tapauksessa, myös kvanttimekaanisille monihiukkassysteemeille voidaan määritellä
LisätiedotLineaariavaruudet. Span. Sisätulo. Normi. Matriisinormit. Matriisinormit. aiheita. Aiheet. Reaalinen lineaariavaruus. Span. Sisätulo.
Lineaariavaruudet aiheita 1 määritelmä Nelikko (L, R, +, ) on reaalinen (eli reaalinen vektoriavaruus), jos yhteenlasku L L L, ( u, v) a + b ja reaaliluvulla kertominen R L L, (λ, u) λ u toteuttavat seuraavat
LisätiedotValintahetket ja pysäytetyt martingaalit
4B Valintahetket ja pysäytetyt martingaalit Tämän harjoituksen tavoitteena on oppia tunnistamaan, mitkä satunnaishetket ovat valintahetkiä ja oppia laskemaan lukuarvoja ja estimaatteja satunnaisprosessien
Lisätiedot6. Differentiaaliyhtälösysteemien laadullista teoriaa.
1 MAT-13450 LAAJA MATEMATIIKKA 5 Tampereen teknillinen yliopisto Risto Silvennoinen Kevät 2010 6. Differentiaaliyhtälösysteemien laadullista teoriaa. Olemme keskittyneet tässä kurssissa ensimmäisen kertaluvun
Lisätiedot3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
Lisätiedot6 Vektoriavaruus R n. 6.1 Lineaarikombinaatio
6 Vektoriavaruus R n 6.1 Lineaarikombinaatio Määritelmä 19. Vektori x œ R n on vektorien v 1,...,v k œ R n lineaarikombinaatio, jos on olemassa sellaiset 1,..., k œ R, että x = i v i. i=1 Esimerkki 30.
Lisätiedotmin x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 21. syyskuuta 2007 Antti Rasila () TodB 21. syyskuuta 2007 1 / 19 1 Satunnaismuuttujien riippumattomuus 2 Jakauman tunnusluvut Odotusarvo Odotusarvon ominaisuuksia
Lisätiedotk S P[ X µ kσ] 1 k 2.
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 28 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan
LisätiedotHarjoitus Tarkastellaan luentojen Esimerkin mukaista työttömyysmallinnusta. Merkitään. p(t) = hintaindeksi, π(t) = odotettu inflaatio,
Differentiaaliyhtälöt, Kesä 06 Harjoitus 3 Kaikissa tehtävissä, joissa pitää tarkastella kriittisten pisteiden stabiliteettia, jos kyseessä on satulapiste, ilmoita myös satulauraratkaisun (tai kriittisessä
LisätiedotTASAPAINOJAKAUMAT KVANTTIMEKAANISISSA SYSTEEMEISSÄ (AH 5.4, 6.1, 6.4, 6.5) Mikrokanoninen joukko
TASAPAINOJAKAUMAT KVANTTIMEKAANISISSA SYSTEEMEISSÄ (AH 5.4, 6.1, 6.4, 6.5) Mikrokanoninen joukko Aivan kuten klassisessa tapauksessa, myös kvanttimekaanisille monihiukkassysteemeille voidaan määritellä
LisätiedotPHYS-C0220 TERMODYNAMIIKKA JA STATISTINEN FYSIIKKA
PHYS-C0220 TERMODYNAMIIKKA JA STATISTINEN FYSIIKKA Kevät 2016 Emppu Salonen Lasse Laurson Arttu Lehtinen Toni Mäkelä Luento 8: Kemiallinen potentiaali, suurkanoninen ensemble Pe 18.3.2016 1 AIHEET 1. Kanoninen
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016 Antti Rasila
Lisätiedotw + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.
Kotitehtävät, tammikuu 2011 Vaikeampi sarja 1. Ratkaise yhtälöryhmä w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Ratkaisu. Yhtälöryhmän ratkaisut (w, x, y, z)
LisätiedotKeskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)
Mat-.3 Koesuunnittelu ja tilastolliset mallit kevät Keskipisteen lisääminen k -faktorikokeeseen (ks. Montgomery 9-6) Esim (Montg. ex. 9-, 6-): Tutkitaan kemiallisen prosessin saannon Y riippuvuutta faktoreista
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotLuku 4. Derivoituvien funktioiden ominaisuuksia.
1 MAT-1343 Laaja matematiikka 3 TTY 1 Risto Silvennoinen Luku 4 Derivoituvien funktioiden ominaisuuksia Derivaatan olemassaolosta seuraa funktioille eräitä säännöllisyyksiä Näistä on jo edellisessä luvussa
Lisätiedotinfoa tavoitteet E = p2 2m kr2 Klassisesti värähtelyn amplitudi määrää kokonaisenergian Klassisesti E = 1 2 mω2 A 2 E = 1 2 ka2 = 1 2 mω2 A 2
infoa tavoitteet Huomenna keskiviikkona 29.11. ei ole luentoa. Oppikirjan lukujen 12-13.3. lisäksi kotisivulla laajennettu luentomateriaali itse opiskeltavaksi Laskarit pidetään normaalisti. Ymmärrät mitä
LisätiedotNumeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 12 Kirsi Valjus Jyväskylän yliopisto Luento 12 () Numeeriset menetelmät 25.4.2013 1 / 33 Luennon 2 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Rungen
LisätiedotKKT: log p i v 1 + v 2 x i = 0, i = 1,...,n.
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 7. harjoitus - ratkaisut 1. Oletetaan aluksi, että epäyhtälöt eivät ole aktiivisia p i > 0. Tässä tapauksess KKTehdot
Lisätiedot