S Laskennallisen tieteen erikoiskurssi. Antti Kuronen Teknillinen korkeakoulu Laskennallisen tekniikan laboratorio PL TKK

Koko: px
Aloita esitys sivulta:

Download "S-114.250 Laskennallisen tieteen erikoiskurssi. Antti Kuronen Teknillinen korkeakoulu Laskennallisen tekniikan laboratorio PL 9400 02015 TKK"

Transkriptio

1 S Laskennallisen tieteen erikoiskurssi Antti Kuronen Teknillinen korkeakoulu Laskennallisen tekniikan laboratorio PL TKK maaliskuu 2000

2 i Esittely iii Materiaalia iii Esitiedot ja edellytykset iv Yleistä 1 Fysiikan tietokonesimulaatioista 1 Deterministiset ja stokastiset simulaatiomenetelmät 2 Monte Carlo -menetelmän historiasta 5 Esimerkkejä sovellutuksista 6 Statistista fysiikkaa 10 Faasiavaruus 10 Ensemblet 12 Makroskooppisten suureiden laskeminen 17 Todennäköisyyslaskentaa 20 Yleistä 20 Tärkeimmät todennäköisyysjakaumat 23 Ajasta riippuvat ilmiöt 25 Metropoliksen Monte Carlo 35 Monte Carlo -integrointi 35 Metropolis-algoritmi 38 Metropolis-algoritmin parannuksia 49 Monte Carlo -simulaatiot eri ensembleissä 57 Yleistä 57 Mikrokanoninen ensemble 57 Vakiopaine-ensemble 58 Suurkanoninen ensemble 63 Simulaatio-ohjelma käytännössä 71 Reunaehdot 71 Potentiaalienergian laskeminen 74 Pitkän kantaman potentiaalit 78 Alkuehdot 83 Tulosten analysoinnista 85 Satunnaisluvuista 91 Tasaisesti jakautuneiden satunnaislukujen generointi 91 Erilaiset sartunnaislukujakaumat 100 Atomien välisistä vuorovaikutuspotentiaaleista 105 Yleistä 105 Idealisoidut potentiaalit 106 Redusoidut yksiköt 109 Realistiset potentiaalit 110 Tasapainosimulaatioiden sovellutuksia 115 Tilanyhtälö ja faasitasapaino 115 Faasitasapainon simulointi 121 Ajasta riippuvien ilmiöiden simulointi 128 Yleistä 128 Säteilyn kulkeutumisen simulointi 129 Varaustenkuljettajien kulkeutuminen puolijohdemateriaaleissa 143

3 ii Kineettinen Monte Carlo 144 Yleistä 144 Pinnan kasvu ja pintadiffuusio 149 Van der Waalsin tilanyhtälö 167

4 iii Esittely Kurssi S Laskennallisen tieteen erikoiskurssi kuuluu laskennallisen tekniikan pää/sivuaineen vaihtoehtoisiin opintoihin Kurssin laajuus on 4opintoviikkoa ja suoritus koostuu harjoituksista (osuus loppuarvosanassa 40%) ja lopputyöstä (60%) Kevätlukukaudella 2000 luennoitsijana toimii tutkija Antti Kuronen Laskennallisen tekniikan laboratorio puh Lukujärjestys on seuraavanlainen: luennot: harjoitukset: ma klo sali H402 ke klo sali H402 pe klo sali S3 ma klo sali H402 Päämääränä on perehdyttää opiskelija stokastisiin ja jonkin verran myös deterministisiin simulointimenetelmiin ja niiden soveltamiseen fysikaalisten ilmiöiden tutkimisessa Materiaalia Tärkein materiaali on kurssin luentomoniste, jotka on käsissäsi Muuta materiaalia ja viitteitä löydät kurssin kotisivulta Kotisivulla on mm kurssin ilmoitustaulu Kirjoista voisi mainita seuraavat: 1 M P Allen, D J Tildesley: Computer Simulation of Liquids

5 Varsin kattava ja usein viitattu teos, joka käsittelee molekyylisysteemien siumlointia Monte Carlo - ja molekyylidynamiikkamenetelmillä (Viittauksissa nimellä Allen-Tildesley) 2 DWHeermann: Computer Simulation Methods in Theoretical Physics Kirja käsittelee sekä deterministisiä (molekyylidynamiikka) että stokastisia (Monte Carlo, Langevin) simulointimenetelmiä (Viittauksissa nimellä Heermann) 3 KBinder, DWHeermann: Monte Carlo Simulation in Statistical Physics: An Introduction Kirjassa käydään läpi Monte Carlo -menetelmän teoreettisia perusteita statistisen fysiikan sovellutusten kannalta (Viittauksissa nimellä Binder-Heermann) 4 DFrenkel, BSmit: Understanding Molecular Simulation: From Algorithms to Applications Kirja rajoittuu -kuten nimikin kertoo- molekyylisysteemien simulointiin Sekä molekyylidynamiikka että Monte Carlo -menetelmät käydään läpi Kirjaan liittyy esimerkkiohjelmia, jotka voi hakea kirjan kotisivulta osoitteesta frenkel_smit (Viittauksissa nimellä Frenkel-Smit) 5 AKersch, WJ Mokoroff: Transport Simulation in Microelectronics Kirja käsittelee Monte Carlo -menetelmän käyttöä mikroelektroniikan materiaalien prosessoinnin ja komponenttien varauksenkuljetuksen mallintamisessa (Viittauksissa nimellä Kersch-Mokoroff) iv Esitiedot ja edellytykset Statistisen fysiikan perusteet Jonkin ohjelmointikielen hallinta (C tai Fortran) - Kurssin laskuharjoituksissa ja varsinkin lopputyössä laaditaan ohjelmia, joten ohjelmointitaito on välttämätön Tietokoneen käyttömahdollisuus

6 1 1 Yleistä 11 Fysiikan tietokonesimulaatioista Simulaatioiden (tai laskennallisten menetelmien) asemaa fysiikassa voi parhaiten havainnollistaa seuraavalla kuvalla LUONTO MALLI MITTAUKSET SIMULAATIOT TEORIA KOETULOKSET EKSAKTEJA TULOKSIA MALLISTA TEOREETTISIA ENNUSTUKSIA VERTAILU VERTAILU MALLIN TESTAUS TEORIAN TESTAUS Kuva 11: Tietokonesimulaatioiden asema fysiikassa Simulaatioilla voidaan testata sekä teorioita että malleja Ne kaventavat kuilua teorian ja mittausten välillä Toisaalta tämä menetelmä on algoritminen lähestymistapa: lopputlokseen ei ole oikotietä Äärellisen laskentakapasiteetin vuoksi tutkittavan systeemin koko ja myös ilmiön mallintamisen aikaskaala ovat rajoitettuja Tämän vuoksi ns äärelliseen koon vaikutusten (finite size effects) osuutta simulaatiotuloksiin tulisi aina tutkia Lisäksi simulaatioiden statistisesta luonteesta johtuen tuloksissa on statistista epämääräisyyttä Simulaation suoritus voidaan jakaa eri vaiheisiin kuvan 12 mukaan

7 2 Malli voi olla hyvinkin ilmeinen (esim kiinteä aineatomit, jotka vuorovaikuttavat potentiaalin välityksellä) tai sitten ei Otetaan esimerkiksi ns Isingin malli Siinä systeemi koostuu spineistä S i, joilla voi olla arvot ± 1 Systeemin energia on Fysikaalinen ilmiö E J S i S j i, j, (11) Malli missä summa käy yli lähinaapuriparien Numeerinen algoritmi j i Simulointiohjelma Tietokonemittaus Kuva 13: Isingin malli Isingin mallilla voidaan jossain määrin kuvata ferromagneettisia aineita, mihin malli alunperin kehitettiinkin Mutta se soveltuu moneen muuhunkin ilmiöön Esimerkiksi kaksikomponenttista metalliseosta voidaan kuvata tällä mallilla A Kuva 12: Simulaation suorituksen vaiheet A B Numeerisen algoritmin avulla pystytään laskemaan mallin antamia tuloksia Se voi olla esim algoritmi, jolla kuljetetaan systeemiä ajassa eteenpäin ( liikeyhtälöt ) tai jolla käydään läpi systeemin faasiavaruutta Simulaatioissa ja kokeellisissa mittauksissa on samankaltaisia piirteitä (raakadatan käsittely, statistiset virheet tuloksissa,), joten usein simulaatioita kutsutaan tietokonemittauksiksi (computer experiments) A A B A A Kuva 14: Kaksikomponenttisen metalliseoksen Isingin malli, B 12 Deterministiset ja stokastiset simulaatiomenetelmät Simulaatiomenetelmät voidaan tietyllä tasolla jakaa deterministisiin ja stokastisiin Esimerkiksi laskettaessa monen vapausasteen systeemin tasapaino-ominaisuuksia jako on selkeä Olkoon systeemin Hamiltonin funktio (eli kokonaisenergia) H, ja tilan määrää vektori x

8 3 x ( x 1, x 2,, x n ), (12) missä n on vapausasteiden lukumäärä Monesti systeemi koostuu N:stä atomista tai molekyylistä, jolloin n 6N ja x ( r 1, r 2,, r N, p 1, p 2,, p N ) (13) Usein haluamme laskea tietyn suureen A odotusarvon A Z 1 A( x)f( H( x) ) dx Ω, (14) Z Ω f( H( x) ) dx (15) missä Ω on systeemin faasiavaruus ja f( H( x) ) on todennäköisyystiheysfunktio Tämä on ns ensemblekeskiarvo, jota ei suoraan voi laskea simuloimalla, koska koko faasiavaruutta ei voida käydä läpi On tyydyttävä enemmän tai vähemmän edustavaan otokseen Deterministinen tapa antaa systeemin oman dynamiikan (liikeyhtälöt) kuljettaa tilavektoria halki faasiavaruuden Ensemblekeskiarvo korvataan aikakeskiarvolla A t x t A t t 1 A( x() τ ) dτ 0 (16) Ergodisuus takaa, että A A Käytännössä on tyydyttävä siihen, että A A t Tätä menetelmää kutsutaan molekyylidynamiikaksi (MD) x ( m) Stokastisessa menetelmässä systeemin tiloja generoidaan satunnaisesti Markovin prosessilla Useimmiten ollaan kiinnostuneita vain x:n konfiguraatio-osasta eli koordinaateista r i Liikemäärä voidaan integroida erikseen Suureen A odotusarvo on nyt M A M 1 A( x ( m) ) k 1 (17) Tämä menetelmä on Monte Carlo -simulaatio (MC) Ongelmana on kehittää tehokas algoritmi, jolla käydään läpi faasiavaruuden niitä osia, jotka ovat merkittäviä suureen A laskemisen kannalta Yksi algoritmi on kanonisen ensemblen yhteydessä käytettävä Metropolisalgoritmi: 1 generoi uusi tila: x ( m) x ( m + 1) 2 laske energiaero E H( x ( m + 1) ) H( x ( m) ) 3 jos E < 0, hyväksy uusi tila todennäköisyydellä 1, muuten hyväksy se todennäköisyydellä exp( E kt)

9 4 Voidaan osoittaa (ja myöhemmin kurssilla osoitetaan), että algoritmi generoi tiloja, jotka noudattavat kanonista jakaumaa exp( H( x) kt) MD-menetelmän etuna on, että sillä voidaan tutkia ajasta riippuvia ilmiöitä; Metropolis- MC:llä taas ei Sen avulla toisaalta voidaan tutkia systeemeitä, joilla ei varsinaista sisäistä dynamiikkaa ole ollenkaan Esimerkkinä olkoon Ising-malli: H Ising J S i S j B S ; S (18) i i ± 1 i, j Lisäksi MC-menetelmän avulla voidaan systeemiin tuoda esimerkiksi kemiallisia vapausasteita: algoritmi voi muuttaa atomin tai molekyylin lajia Huomaa, että ylläolevassa esimerkissä ei itse systeemissä (tai sen mallissa) ollut mitään stokastista, satunnaista Integroitaessa faasiavaruuden yli MC-menetelmässä vain käytettiin satunnaisotantaa Itse systeemissä voi olla satunnaiselementtejä i Esimerkiksi gammasäteilyn etenemisessä väliaineessa vuorovaikutusten välimatka on satunnainen suure, joka noudattaa tiettyä todennäköisyysjakaumaa Satunnaisuus voi johtua myös puutteellisesta mallista: jotkut vapausasteet otetaan huomioon stokastisina elementteinä Esimerkkinä Brownin liike, jossa väliaineen vaikutus otetaan huomioon Langevinin liikeyhtälöllä dv m dt γv + Rt (), (19) missä γ on kitkavakio ja Rt () ajasta riippuva satunnaisvoima, jonka statistisista ominaisuuksista tiedämme jotain Langevinin liikeyhtälöitä voidaan käyttää kuvaamaan systeemiä ympäröivää lämpökylpyä (kanoninen ensemble) Termiä Monte Carlo käytetään varsin erilaisisten stokastisten simulaatiomenetelmien yhteydessä Karkeasti ottaen voisi sanoa, että Monte Carlo -menetelmiä ovat simulaatiot, joissa käytetään paljon satunnaislukuja

10 5 13 Monte Carlo -menetelmän historiasta Italialainen matemaatikko Lazzerini arvioi piin likiarvoa heittämällä 3407 kertaa neulan tasavälisten suorien päälle (Buffonin neula) Likiarvoksi tuli eli 7 numeron tarkkuudella oikea (sattumalta?) d P hit 2l πd W S Gossett ( Student ) arvioi -jakaumansa korrelaatiokertoimia otantakokeella Lordi Kelvinin assistentti generoi 5000 satunnaista rataa tutkiessaan hiukkasen ja kaarevan välisiä törmäyksiä l Kuva 15: Buffonin neula Varsinainen Metropolis-MC kehitettiin Los Alamosissa 50-luvulla Ensimmäinen julkaisu lienee N Metropolis, A W Rosenbluth, M N Rosenbluth, A H Teller, E Teller, Equation of State Calculations by Fast Computing Machines, J Chem Phys, 21 (1953) 1087 Julkaisussa tutkittiin kaksiulotteisten kovien kiekkojen tilanyhtälöä Kuva 16: Ensimmäinen MC-julkaisu

11 6 14 Esimerkkejä sovellutuksista Tasapainoilmiöiden simulaatioista otetaan esimerkiksi Lennard-Jones-systeemin (LJ-systeemin) tilanyhtälö LJ-systeemi koostuu atomeista, jotka vuorovaikuttavat LJ-potentiaalin välityksellä V LJ ( r ij ) 4ε σ σ 6 r ij r ij (110) Oheisessa kuvassa on esitetty eri simulaatiomenetelmillä lasketut tilanyhtälöt ρ( P) [F F Abraham Adv Phys 35 (1986) 1] Paineen ja tiheyden yksikköinä on käytetty LJ-systeemin redusoituja yksiköitä Kuvasta näkyvät selvästi eri olomuodot sekä kiteen ylkuumeneminen ja nesteen alijäähtyminen Faasitransitiosta olkoon esimerkkinä kaasun kondensoituminen ja sen klusterimalli [F F Abraham, J Vac Sci Technol B 2 (1984) 534] Kuva 17: Lennard-Jones -systeemin tilanyhtälö MCMonte Carlo, SD,CD,LVdynaamisia menetelmiä Kuva 18: Argonkaasun kondensoituminen

12 Esimerkkinä kuljetusilmiöstä on gamma- ja elektronisäteilyn eteneminen väliaineessa Analyyttisten ratkaisutapojen ongelmana on mm sekundäärihiukkasten synty: elektronigammakaskadi Ilmiön MC-simuloinnin periaate on seuraava: heijastuminen absorptio 7 läpäisy Seurataan hiukkasta väliaineessa vuorovaikutuksesta toiseen Kuva 19: Sätelilyn eteneminen väliaineessa Vuorovaikutusten välimatkan todennäköisyysjakauma on Ps () e s λ λ, missä hiukkasen keskimääräinen vapaa matka λ 1 σ ja on vuorovaikutuksen vaikutusala eli todennäköisyys σ Simuloinnissa generoidaan välimatkoja s ja jokaisen vuorovaikutuksen kohdalla arvotaan vuorovaikutusmekanismi (ks oheinen kuva) Hiukkasen uusi suunta ja energia saadaan ko vuorovaikutuksen differentiaalivaikutusalasta Myös mahdollisen sekundäärihiukkasen tiedot otetaan muistiin Kuvassa 111 on esitetty muutamia MC-menetelmällä simuloituja elektronien ja niiden synnyttämien fotonien ratoja 1 γ 1 γ 2 e - γ γ 1 γ 2 Ze e + e - e - e - γ Ze e -/+ γ 1 e + e - γ 2 e - Kuva 110: Gamma- ja elektronisäteilyn vuorovaikutusmekanismit 1 Elektronin energia lienee muutama sata kev

13 8 05 cm Kuva 111: Energeettisten (muutama sata kev) elektronien eteneminen vedessä Monte Carlo - simulaatiolla laskettuna Erilaisia kuljetus- ja kasvuilmiöitä voidaan mallintaa kineettisellä Monte Carlolla (KMC) Tärkeitä sovellutuksia ovat mm diffuusio kiinteässä aineessa, kiteen kasvu, säteilyvaurioiden kulkeutuminen KMC perustuu siihen, että kuvaamme systeemiä sellaisella tasolla, että voimme erottaa tietyn joukon diskreettejä tapahtumia E { e 1, e 2,, e N }, joissa systeemi siirtyy tilasta toiseen Lisäksi aikaskaala on sellainen, että mitkään tapahtumat eivät tapahdu samanaikaisesti Otetaan esimerkiksi kiteen kasvu kaasufaasista Tapahtumia ovat: adsorptio, desorptio ja atomin hypyt pinnalla erilaisissa geometrioissa adsorptio desorptio diffuusio diffuusio diffuusio

14 9 Kuva 112: Kiteen kasvatuksessa havaittavat tapahtumat Algoritmi tämän toteuttamiseksi voisi olla seuraavanlainen: i Generoi tasaisesti jakautunut satunnaisluku ξ [ 0, QC ( k )) ii Valitse tätä vastaava tapahtuma: valitse ensimmäinen indeksi s, jolle pätee s a 1 R a ( C k ) ξ iii Etene uuteen konfiguraatioon toteuttamalla tapahtuma C k + 1 s iv Päivitä niitä todennäköisyyksiä R a, jotka ovat muuttuneet tapahtuman s seurauksena Päivitä Q ja muut tarvittavat tietorakenteet Tässä C k on systeemin tila simulointiaskeleella k, Q( C k ) on kokonaistodennäköisyys aikayksikköä kohti, että systeemi siirtyy johonkin toiseen tilaan ja R a ( C k ) tapahtuman a todennäköisyys aikayksikköä kohti systeemin tilassa C k Lisäksi Monte Carlo -menetelmiä voidaan käyttää kvanttimekaanisten systeemien tutkimiseen (kvantti-monte Carlo, quantum Monte Carlo QMC)

15 10 2 Statistista fysiikkaa (lähteenä Allen-TIldesley) 21 Faasiavaruus Kertaamme seuraavassa lyhyesti kurssilla tarvittavia statistisen fysiikan käsitteitä Pitäydymme klassisessa statistisessa fysiikassa Statistisessa fysiikassa on viimekädessä kyse siitä, miten aineen mikroskooppisesta kuvauksesta saadaan makroskooppisia (termodynaamisia, mitattavia suureita): { qp, } (tai{ r, p} ) makroskooppiset suureet, missä q { q i } ovat systeemin koordinaatit ja p { p i } liikemäärät Systeemiä kuvaa Hamiltonin funktio (eli kokonaisenergia) H( qp, ) Atomisysteemeille Hamiltonin funktio on useimmiten muotoa H( qp, ) H( rp, ) N i 1 p i m i V ( q) (21) Systeemin dynamiikkaa (aikakehitystä) kuvaavat Hamiltonin liikeyhtälöt 1 q k H( qp, ) p k (22) ṗ k H( qp, ) q k (23) Yksinkertaisissa tapauksissa Hamiltonin yhtälöistä saadaan Newtonin liikeyhtälöt dr i dt v i dm (, i v i ) F( r (24) dt ij ) i j Jos meillä on N hiukkasta, koko systeemin tilaa voidaan kuvata pisteellä Γ 6N-ulotteisessa faasiavaruudessa Pisteen kulun määräävät liikeyhtälöt Olemme luonnollisesti kiinnostuneita jonkin suureen A A( Γ) arvosta Kokeellisesti pääsemme käsiksi keskiarvoon: A obs 1 A t A( Γ() t ) t lim A( Γ() t ) dt t obs t obs t obs 0 (25) 1 Kuten olemme jo todenneet, aina ei mallissa ole liikeyhtälöitä

16 11 Simulaatioissa tulisi pystyä laskemaan mikroskooppisesta mallista lähtien Statistisessa fysiikassa käytetään Gibbsin ensemblejä kuvaamaan systeemin todennäköisyyttä olla tietyssä faasiavaruuden pisteessä Tällä tavalla pystytään helpommin laskemaan erilaisia asioita verrattuna siihen, että integroisimme liikeyhtälöitä Olkoon meillä suuri määrä (ensemble) samanlaisia systeemejä (mutta erilaisissa mikroskooppissa tiloissa) Todennäköisyystiheys ρ ens ( Γ)dΓ on verrannollinen faasiavaruuden alkiossa dγ olevien systeemien lukumäärään Tiheys ρ ens on erilainen erilaisille ulkoisille olosuhteille Koska piste Γ on yhtä kuin systeemi, ρ ens ( Γ) riippuu ajasta ρ ens Tiheydelle pätevät säilymislait i ρ käyttäytyy kuten kokoonpuristumaton neste dρ ii Systeemejä ei häviä eikä synny: ens 0 dt ρ iii Tasapainossa ens 0 t A obs Näistä voidaan johtaa tiheydelle liikeyhtälö ρens ( Γ, t) ilρ t ens ( Γ, t), (26) missä Liouvillen operaattori L on il i r i ri + i p i pi (27) Statistisessa fysiikassa aikakeskiarvo siis korvataan ensemblekeskiarvolla A obs A ens A( Γ)ρ ens ( Γ) Γ (28) Eräs tärkeä ja kiistanalainenkin asia on ergodisuus Jos systeemi on ergodinen, tietystä alkutilasta lähdettäessä käydään läpi (liikeyhtälöiden mukaan) kaikki faasiavaruuden pisteet, joissa on nollasta poikkeava ρ ens Todennäköisyystiheydestä käytetään myös normittamatonta muotoa ρ ens ( Γ) w ens ( Γ) ; Q ens w ens ( Γ) (29) Q ens Γ

17 12 w ens ( Γ)A( Γ) Γ A ens w ens ( Γ) Γ (210) Tuo normitustekijä eli partitiofunktio Q ens riippuu systeemin makroskooppisista ominaisuuksista Yhteys termodynamiikkaan saadaan määrittelemällä Ψ ens lnq ens termodynaaminen potentiaali (211) Simuloinnin 1 tarkoitus on yleensä käydä läpi faasiavaruutta mahdollisimman tehokkaasti keskiarvojen laskemista varten A obs Kuten aikaisemmin mainittiin tähän tehtävään on kaksi lähestymistapaa i molekyylidynamiikka: A t ii Monte Carlo: A ens (importance sampling) Tärkeimmät ensemblet eli ulkoiset olosuhteen statistisessa fysiikassa ovat i mikrokanoninen: hiukkaslukumäärä, tilavuus ja sisäinen energia vakioita (NVE) ii kanoninen (NVT): kuten edellä, mutta energian sijasta lämpötila vakio iii isoterminen-isobaarinen (NPT): kuten edellä, mutta tilavuuden sijasta paine vakio iv suurkanoninen (µvt): kuten kanoninen ensemble, mutta hiukkaslukumäärän sijasta kemiallinen potentiaali vakio (Huom: Seuraavassa symbolilla V merkitään systeemin tilavuutta ja symbolilla U systeemin hiukkasten välistä vuorovaikutuspotentiaalia) 22 Ensemblet Miten saadaan nuo tiheysfunktiot erilaisille ulkoisille olosuhteille? 2 Gibbsin entropia määritellään ρ ens S k B ρ ens ( Γ) ln( C N ρ ens ( Γ) ) dγ, (212) missä on Boltzmannin vakio k B Mikrokanonisessa ensemblessä systeemin hiukkaslukumäärä, tilavuus ja kokonaisenergia ovat 1 Tarkemmin: tasapainosimulaation 2 Katso esimerkiksi L E Reichl, A Modern Course in Statistical Physics

18 vakioita (NVE-ensemble) Tasapainotilassa entropia on maksimissaan ja tiheysfunktion on oltava normitettu: 13 ρ ( NVE Γ ) dγ 1 H( Γ) E (213) Käytetään Lagrangen kerrointa etsittäessä tiheysfunktiota: α 0 δ ( α 0 ρ NVE ( Γ) k B ρ NVE ( Γ) ln( C N ρ NVE ( Γ) ) ) dγ 0 (214) H( Γ) E Tästä edelleen ( α 0 k B ln[ C N ρ NVE ( Γ) ] k )δρ ( Γ) dγ B 0 NVE H( Γ) E, (215) ja koska variaatio δρ NVE ( Γ) on mielivaltainen, on integrandin hävittävä: α 0 k B ln[ C N ρ NVE ( Γ) ] 0 k B (216) Saamme siis ρ NVE ( Γ) KH, ( Γ) E 0, muulloin (217) Normitusehdon huomioonottaen saadaan lopulta ρ NVE ( Γ) 1 Ω , ( E, V, N) H ( Γ ) E 0, muulloin (218) Kanonisen ensemblen tapauksessa energian sijasta lämpötila on vakio Mukaan tulee siten lisäehto, että sisäisen energian keskiarvo pysyy vakiona: E H( Γ)ρ NVT ( Γ) dγ (219) Variaatioyhtälö tulee nyt muotoon (uusi Lagrangen kerroin ): α E δ [ ( α 0 ρ NVE ( Γ) + α E H( Γ)ρ NVT ( Γ) k B ρ NVE ( Γ) ln[ C N ρ NVE ( Γ) ]) dγ] 0, (220)

19 14 josta edelleen Samaan tapaan saadaan muiden ensembleiden tiheydet Metropoliksen MC-algoritmi kehitettiin alunperin kanonista ensembleä varten, mutta on helposti yleistettävissä muihinkin ensembα 0 + α E H( Γ) k B ln[ C N ρ NVT ( Γ) ] k B 0 (221) ja ρ NVT ( Γ) exp C N α H( Γ) k B α E k B (222) Normalisaatiosta seuraa α 0 Q NVT exp k B exp C N α E H( Γ) dγ k B (223) Seuraavaksi määritämme kertoimen α E Kertomalla yhtälö (221) ρ NVT :llä ja integroimalla saadaan ( ) ρ NVT ( Γ) dγ + α E H( Γ)ρ NVT ( Γ) dγ ρ NVT ( Γ) ln[ C N ρ NVT ( Γ) ] dγ 0 α 0 k B k B, (224) jonka voimme kirjoittaa muotoon ln + α E E + S 0 k B Q NVT (225) Helmholtzin vapaa energia määritellään joten voimme tehdä seuraavat identifikaatiot missä partitiofunktio on nyt ja tiheysfunktio A U + ST 0, (226) 1 α E ---, A k, (227) T B TlnQ NVT 1 Q NVT e βh( Γ) d Γ ( β ( k B T ) 1 ) (228) C N ρ NVT ( Γ) C N e βh Γ Q NVT ( ) (229)

20 15 leihin Listataan lopuksi vielä eri ensembleiden tiheysfunktiot ja termodynaamiset potentiaalit 1 Mikrokanoninen ensemble: NVE vakioita (eristetty) ρ NVE ( Γ) δ( H( Γ) E) (230) Q NVE δ( H( Γ) E) Γ C N dr dpδ( H( r,p) E) (231) Termodynaaminen potentiaali on nyt entropia: S lnq k NVE B (232) Kanoninen ensemble : NVT vakioita (suljettu) ρ NVT ( Γ) exp( H( Γ) k B T ) (233) Q NVT exp( H( Γ) k B T ) Γ C N r d dpexp( H( r,p) k B T ) (234) Termodynaaminen potentiaali on Helmholtzin vapaa energia: A lnq k B T NVT (235) Isoterminen-isobaarinen ensemble: NPT vakioita ρ NPT ( Γ) exp( ( H( Γ) + PV) k B T ) (236) Q NPT Γ exp( ( H( Γ) + PV) k B T ) C N drdpexp( ( H( r,p) + PV) k V B T ) 0 (237) Termodynaaminen potentiaali on Gibbsin vapaa energia: G lnq k B T NPT (238) 1 Vakio C N h 3N erilaisille hiukkasille ja N!h 3N identtisille

21 16 Suurkanoninen ensemble: µvt vakioita ρ µvt ( Γ) exp( ( H( Γ) + µn ) k B T ) (239) Q µvt N Γ, N exp( ( H( Γ) + µn ) k B T ) exp( µ N k B T ) C N drdpexp( H( r,p) k B T ) (240) Termodynaaminen potentiaali on suuri potentiaali: Ω lnq k B T µvt (241) Jos systeemin Hamiltonin funk tio voidaan jakaa koordinaateista ja liikemääristä riippuviin osiin H( r,p) K( p) + U( r), (242) voimme integroida pois liikemääräosuuden: 1 Q NVT d pexp( K( p) k B T ) d rexp( U( r) k B T ) C N (243) Q NVT id ex Q NVT Q NVT, (244) Tässä ideaalikaasuosuus on id Q NVT V N h ; (245) N!Λ 3N Λ πmk B T ja hiukkasten vuorovaikutuksesta aiheutuva osuus on ex Q NVT d rexp( U( r) k B T ) V N (246) ex Q NVT Metropolis-MC:llä lasketaan vain koordinaateista riippuva osa (konfiguraatio-osa)

22 17 23 Makroskooppisten suureiden laskeminen Simulaatiossa on tarkoituksena siis laskea makroskooppisia (termodynaamisia) suureita systeemin mikroskooppisten ominaisuuksien avulla Seuraavassa on lyhyesti esitetty tärkeimpien suureiden laskeminen lähinnä atomeista koostuville systeemeille Systeemin sisäinen energia on sen kokonaisenergian keskiarvo E H K + U p i U( q) 2m i i (247) Lämpötila taas on kineettisen energian keskiarvo T 2 K Nk B N p i Nk B m i i 1 (248) Systeemin paine P taas saadaan ns viriaalin avulla PV Nk B T + W, (249) missä viriaali W on N W r i f i i 1, (250) f i ja on hiukkaseen i kohdistuva voima Ylläolevat yhtälöt voidaan johtaa ns yleistetystä ekvipartitioteoreemasta 1 H H p k k, (251) p B T q k k k q B T k Kuten myöhemmin tulemme huomaamaan, ei tasapainoilmiöiden Monte Carlo -simulaatioissa ole ollenkaan mukana hiukkasten liikemääriä, joten lämpötilaa ei voi laskea Toisaalta, jos tutkimme ensembleä, jossa lämpötila on vakio, on se ennalta annettu parametri; siis simulaation syöttötieto Erilaiset vastefunktiot kertovat, miten systeemi reagoi tietyn tilamuuttujan muutokseen Tärkein näistä lienee vakiotilavuuslämpökapasiteetti C V Sehän määritellään sisäisen energian lämpötiladerivaattana 1 Ks Allen-Tildesley kappale 24

23 18 C V ( T ) E T V (252) Simulaatioilla :n laskemisen voisi toteuttaa tekemällä useita ajoja eri lämpötiloilla ja integroimalla yhtälö (252) Toisaalta kanonisessa ensemblessä fluktuaatioilla ja vastefunktioilla on yhteys 1, josta voimme lämpökapasiteetin laskea missä C V δh 2 k B T 2 C V, (253) δh 2 H 2 H 2 (254) Tämän fluktuaatio-vastefunktio -yhteyden avulla voidaan monia muitakin vastefunktioita laskea; esimerkiksi lämpölaajenemiskerroin, isoterminen puristuvuus jne Termodynaamisten potentiaalien (eli vapaiden energioiden) laskemista tarvitaan monessa yhteydessä Esimerkiksi kiinteän aineen sulamispisteen saa selville, jos pystyy laskemaan kiteisen ja nestemäisen rakenteen Helmholtzin vapaat energiat Potentiaalien laskeminen ei ole kuitenkaan kovin helppoa Esimerkiksi Helmholtzin vapaan energian potentiaalienergiasta riippuva osa 2 voidaan lausua muodossa A ex exp k B T exp( U k B T ) Qex NVT (255) Toisaalta kanonisessa ensemblessä todennäköisimmät tilat ovat sellaisia, joille on suuri, joten suora keskiarvon lakeminen on tehotonta exp( U k B T ) Käyttökelpoinen tapa laskea energiaeroja on integrointi reversiibeliä reittiä pitkin Esimerkiksi A --- T 2 A --- T 1 T 2 E dt T 1 T 2 (256) tai A --- T 2 A --- T 1 V 2 P --- T d V V 1 (257) Toinen tapa on lähteä idealisoidusta mallista, jonka vapaa energia pystytään laskemaan eksaktisti Olkoon systeemin potentiaalienergia riippuvainen parametrista λ : U U( r, λ) Tällöin saamme seuraavan yhteyden 1 AT, kappale 25 2 A A id + A ex, ks kaavat (235) ja (245)

24 19 A λ k B T [ ln rexp( U( r,λ) k λ d B T )] U d r exp( U k λ B T ) d rexp( U k B T ) U λ (258) Vapaan energian absoluuttiarvo on laskettavissa, jos λ :n avulla voimme kuvata systeemiä, jonka A on laskettavissa (ideaalikaasu, harmoninen kide): A( λ) A( λ 0 ) λ U dλ λ (259) λ 0 Otetaan esimerkiksi harmoninen kide (Einsteinin malli) U( r, λ) U 0 ( r) + λ ( r i r i0 ) 2 N i 1 (260) Kun λ 0, systeemi on alkuperäinen, ja kun λ kasvaa lähestyy systeemi harmonista kidettä Vapaa energia saadaan integraalina A( λ 0) A( λ) λ 0 U dλ' λ (261) Helmholtzin vapaa energia suurella λ :n arvolla voidaan laskea tarkasti A( λ 0) 3Nhω Nk 2 B T 1 e hω k BT ln( ) + O( 1 λ) (262)

25 3 Todennäköisyyslaskentaa Yleistä Seuraavassa käydään läpi kurssiin liittyvää todennäköisyyslaskentaa Todennäköisyyden avulla voimme kuvata enemmän tai vähemmän kvantitatiivisesti jonkin tapahtuman tai kokeen odotettavissa olevaa tulosta Jos tapahtuman A todennäköisyys on P( A), voimme odottaa, että N :n identtisen kokeen tuloksena saamme NP( A) kappaletta tapahtumia A Rajalla N, tapahtumien A osuus lähestyy arvoa P( A) Kokeen otosavaruus (sample space) S on kokeen mahdollisten tulosten joukko Siis jokainen kokeen tulos vastaa yhtä tai useampaa joukon alkiota (otosavaruuden pistettä) Koe tai tapahtuma on S :n osajoukko Todennäköisyys, että saadaan joko tulos A tai B on P( A B) P( A) + PB ( ) P( A B), (31) missä P( A B) on todennäköisyys, että saadaan sekä A että B Jos tapahtumat A 1, A 2,, A m ovat toisensa poissulkevia ja lisäksi A i :t jakavat S :n osiin: A 1 A 2 A m S, (32) niin pätee P( A 1 ) + P( A 2 ) + + P( A m ) 1 Tapahtumat A ja B ovat riippumattomia, jos P( A B) P( A)PB ( ) (33) Ehdollinen todennäköisyys on todennäköisyys, että tapahtuma A toteutuu ehdolla, että myös tapahtuma B toteutuu Se määritellään PBA ( ) P( A B) PB ( ) (34) Koska P( A B) PB ( A) pätee myös P( A)P( A B) PB ( )PBA ( ) (35) Jos A ja B ovat riippumattomia 1 Lähteenä pääasiassa LEReichl: A Modern Course in Statistical Physics

26 21 PBA ( ) P( A) (36) Suure, jonka arvon määrää edelläesitellyn kokeen tulos on satunnaismuuttuja tai stokastinen muuttuja Otosavaruuden S satunnaismuuttuja X on funktio, joka kuvaa S:n alkiot reaalilukujoukolle Jokaisessa kokeessa muuttuja X voi saada jonkin arvon joukosta { } Pari esimerkkiä X :stä: a) kruunujen lukumäärä kolmen kolikon heiton jälkeen b) noppien silmälukujen maksimi, neljän nopan heiton jälkeen Olkoon X stokastinen muuttuja avaruudessa S Olkoot sallitut arvot X( S) { x 1, x 2, } Voimme tehdä X( S) :stä otosavaruuden antamalla jokaiselle x i :lle todennäköisyyden Nämä todennäköisyydet f( x i ) määrittelevät S :n todennäköisyysjakauman ja niille pätee x i f( x i ) 0 (37) f ( x ) i 1 i (38) Usein meillä on tietoa vain jakauman f momenteista: X n x n i f( x i ) i (39) Ensimmäinen momentti X on keskiarvo ja jakauman standardipoikkema on σ X ( X 2 X 2 ) 12 / (310) Stokastinen muuttuja X voi tietysti saada myös jatkuvia arvoja Esimerkiksi reaalilukuakselin väli a X b voi vastata yhtä tapahtumaa Todennäköisyysjakauma on sellainen paloittain jatkuva funktio, että tapahtuman a X b todennäköisyys on Pa ( X b) f X ( x) dx Lisäksi jakaumafunktio toteuttaa ehdot b a (311) f( x) ja f X ( x) 0 (312) a b Kuva 31: Todennäköisyysjakauma x f ( X x ) d x 1 (313)

27 22 Vastaavasti momentit määritellään x n f X ( x) dx X n (314) Jos tunnemme f X :n kaikki momentit, tunnemme jakauman täysin Tämä voidaan osoittaa ns karakteristisen funktion φ X ( k) avulla: φ X ( k) e ikx e ikx f X ( x) dx n 0 ( ik) n X n n! (315) Todennäköisyystiheys on karakteristisen funktion Fourier-muunnos: f X ( x) e 2π ikx φ X ( k) dk (316) Vastaavasti jakauman momentit saadaan karakteristisen funktion derivaattoina: X n 1 i --- n n d φx dk n ( k) k 0 (317) Stokastisia muuttujia voi olla useampiakin Olkoon meillä muuttujat X( S) { x 1, x 2, } ja Y( S) { y 1, y 2, } Näiden tulojoukko X( S) Y( S) {( x 1, y 1 ), ( x 1, y 2 ),, ( x i, y j ), } muodostaa nyt otosavaruuden, kun määrittelemme parin { x i, y j } todennäköisyydeksi PX ( x i, Y y j ) f( x i, y j ) (318) Muuttujien kovarianssi määritellään cov( X, Y) ( x X )( y Y )f( x, y) dxdy xyf ( x, y) dxdy X Y XY X Y (319) ja korrelaatio cor( X, Y) cov( X, Y) σ X σ Y (320) Korrelaatiolla on seuraavat ominaisuudet (i) cor( X, Y) cor( Y, X), (ii) 1 cor( X, Y) 1,

28 23 (iii) cor( X, X) 1, cor( X, X) 1, (iv) cor( ax + b, cy + d) cor( X, Y), jos ac, 0 (321) Jos muuttujat X ja Y ovat riippumattomia pätevät seuraavat relaatiot (i ) f( x, y) f X ( x)f Y ( y), (ii ) XY X Y, (iii ) ( X + Y) X + Y X 2 X + Y 2 Y, (iv ) cov( X, Y) 0 (322) 32 Tärkeimmät todennäköisyysjakaumat Usein meillä on kyseessä tilanne, jossa on suuri määrä N kokeita, joilla jokaisella on kaksi mahdollista tulosta ( +1 ja 1 ) Esimerkiksi hiukkanen joko siroaa tietyllä matkalla tai sitten ei Olkoot todennäköisyydet tuloksille p ja q Selvästikin p + q 1 Todennäköisyys, että N :n kokeen tuloksena on n 1 kertaa +1 ja n 2 kertaa 1 on P N ( n 1 ) N! p n 1 q n 2 n 1!n 2! (323) Tämä on ns binomijakauma Sen keskiarvo ja standardipoikkeama ovat n 1 pn, σ2 N Npq (324) Binomijakaumasta saadaan rajalla N ja pn (siis p ei ole kovin pieni) Gaussin jakauma P N ( n 1 ) exp 2π σ N ( n 1 n 1 ) σ N 2, (325) missä σ N Npq (326) Gaussin jakauman määräävät kaksi ensimmäistä momenttia n 1 ja σ N Taasen rajalla N ja p 0 siten, että Np a «N (missä a on äärellinen vakio) binomijakaumaa voidaan approksimoida Poissonin jakaumalla

S Laskennallisen tieteen erikoiskurssi. Antti Kuronen Teknillinen korkeakoulu Laskennallisen tekniikan laboratorio PL TKK

S 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

Lisätiedot

LASKENNALLISEN TIETEEN OHJELMATYÖ: Diffuusion Monte Carlo -simulointi yksiulotteisessa systeemissä

LASKENNALLISEN 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.:

Lisätiedot

FYSA242 Statistinen fysiikka, Harjoitustentti

FYSA242 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

Lisätiedot

1 + 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.

1 + 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

Lisätiedot

6. Yhteenvetoa kurssista

6. 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

Lisätiedot

PHYS-C0220 TERMODYNAMIIKKA JA STATISTINEN FYSIIKKA

PHYS-C0220 TERMODYNAMIIKKA JA STATISTINEN FYSIIKKA PHYS-C0220 TERMODYNAMIIKKA JA STATISTINEN FYSIIKKA Kevät 2016 Emppu Salonen Lasse Laurson Arttu Lehtinen Toni Mäkelä Luento 10: Reaalikaasut Pe 1.4.2016 1 AIHEET 1. Malleja, joissa pyritään huomioimaan

Lisätiedot

PHYS-C0220 TERMODYNAMIIKKA JA STATISTINEN FYSIIKKA

PHYS-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

Lisätiedot

3. Simulaatioiden statistiikka ja data-analyysi

3. Simulaatioiden statistiikka ja data-analyysi [5B] TIETOKONESIMULAATIOISTA Luennolla esiteltiin fysiikan alan tietokonesimulaatiomenetelmiä. Esimerkkien puitteissa koodejakin katsellen tarkastelimme samalla joitakin vähemmälle huomiolle jääneitä aiheita

Lisätiedot

Jatkuvat satunnaismuuttujat

Jatkuvat satunnaismuuttujat Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään

Lisätiedot

Satunnaislukujen generointi

Satunnaislukujen 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,

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

Moniulotteisia todennäköisyysjakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen

Lisätiedot

PHYS-C0220 TERMODYNAMIIKKA JA STATISTINEN FYSIIKKA

PHYS-C0220 TERMODYNAMIIKKA JA STATISTINEN FYSIIKKA PHYS-C0220 TERMODYNAMIIKKA JA STATISTINEN FYSIIKKA Kevät 206 Emppu Salonen Lasse Laurson Arttu Lehtinen Toni Mäkelä Luento 2: BE- ja FD-jakaumat, kvanttikaasut Pe 5.4.206 AIHEET. Kvanttimekaanisesta vaihtosymmetriasta

Lisätiedot

Kvanttimekaniikan tulkinta

Kvanttimekaniikan 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

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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,

Lisätiedot

Integrointialgoritmit molekyylidynamiikassa

Integrointialgoritmit molekyylidynamiikassa Integrointialgoritmit molekyylidynamiikassa Markus Ovaska 28.11.2008 Esitelmän kulku MD-simulaatiot yleisesti Integrointialgoritmit: mitä integroidaan ja miten? Esimerkkejä eri algoritmeista Hyvän algoritmin

Lisätiedot

PHYS-A0120 Termodynamiikka syksy 2016

PHYS-A0120 Termodynamiikka syksy 2016 PHYS-A0120 Termodynamiikka syksy 2016 Emppu Salonen Prof. Peter Liljeroth Viikko 6: Faasimuutokset Maanantai 5.12. Kurssin aiheet 1. Lämpötila ja lämpö 2. Työ ja termodynamiikan 1. pääsääntö 3. Lämpövoimakoneet

Lisätiedot

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin

Lisätiedot

4. laskuharjoituskierros, vko 7, ratkaisut

4. laskuharjoituskierros, vko 7, ratkaisut 4. laskuharjoituskierros, vko 7, ratkaisut D1. Kone valmistaa kuulalaakerin kuulia, joiden halkaisija vaihtelee satunnaisesti. Halkaisijan on oltava tiettyjen rajojen sisällä, jotta kuula olisi käyttökelpoinen.

Lisätiedot

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme? TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä

Lisätiedot

TILASTOLLISEN KVANTTIMEKANIIKAN PERUSTEITA (AH 5.1-5.3) Mikrotilat (kertausta Kvanttimekaniikan kurssilta)

TILASTOLLISEN 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

Lisätiedot

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio

Lisätiedot

Harjoitus 2: Matlab - Statistical Toolbox

Harjoitus 2: Matlab - Statistical Toolbox Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat

Lisätiedot

Kvanttifysiikan perusteet 2017

Kvanttifysiikan perusteet 2017 Kvanttifysiikan perusteet 207 Harjoitus 2: ratkaisut Tehtävä Osoita hyödyntäen Maxwellin yhtälöitä, että tyhjiössä magneettikenttä ja sähkökenttä toteuttavat aaltoyhtälön, missä aallon nopeus on v = c.

Lisätiedot

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

MAT 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

Lisätiedot

Luento 10: Työ, energia ja teho. Johdanto Työ ja kineettinen energia Teho

Luento 10: Työ, energia ja teho. Johdanto Työ ja kineettinen energia Teho Luento 10: Työ, energia ja teho Johdanto Työ ja kineettinen energia Teho 1 / 23 Luennon sisältö Johdanto Työ ja kineettinen energia Teho 2 / 23 Johdanto Energia suure, joka voidaan muuttaa muodosta toiseen,

Lisätiedot

Suurkanoninen joukko

Suurkanoninen 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

Lisätiedot

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Yhtälöryhmä 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

Lisätiedot

= P 0 (V 2 V 1 ) + nrt 0. nrt 0 ln V ]

= P 0 (V 2 V 1 ) + nrt 0. nrt 0 ln V ] 766328A Termofysiikka Harjoitus no. 7, ratkaisut (syyslukukausi 2014) 1. Sylinteri on ympäristössä, jonka paine on P 0 ja lämpötila T 0. Sylinterin sisällä on n moolia ideaalikaasua ja sen tilavuutta kasvatetaan

Lisätiedot

Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä

Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä 1 MAT-1345 LAAJA MATEMATIIKKA 5 Tampereen teknillinen yliopisto Risto Silvennoinen Kevät 9 Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä Yksi tavallisimmista luonnontieteissä ja tekniikassa

Lisätiedot

PHYS-C0220 Termodynamiikka ja statistinen fysiikka Kevät 2016

PHYS-C0220 Termodynamiikka ja statistinen fysiikka Kevät 2016 PHYS-C0220 Termodynamiikka ja statistinen fysiikka Kevät 2016 Emppu Salonen Lasse Laurson Toni Mäkelä Arttu Lehtinen Luento 6: Vapaaenergia Pe 11.3.2016 1 AIHEET 1. Kemiallinen potentiaali 2. Maxwellin

Lisätiedot

MS-A0004/A0006 Matriisilaskenta

MS-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

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemianalyysin laboratorio Nordlund Mat-2.090 Sovellettu todennäköisyyslasku A Harjoitus 4 (vko 41/2003) (Aihe: diskreettejä satunnaismuuttujia ja jakaumia, Laininen luvut 4.1 4.7) 1. Kone tekee

Lisätiedot

KULJETUSSUUREET Kuljetussuureilla tai -ominaisuuksilla tarkoitetaan kaasumaisen, nestemäisen tai kiinteän väliaineen kykyä siirtää ainetta, energiaa, tai jotain muuta fysikaalista ominaisuutta paikasta

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,

Lisätiedot

6. laskuharjoitusten vastaukset (viikot 10 11)

6. laskuharjoitusten vastaukset (viikot 10 11) 6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287

Lisätiedot

PHYS-C0220 Termodynamiikka ja statistinen fysiikka Kevät 2017

PHYS-C0220 Termodynamiikka ja statistinen fysiikka Kevät 2017 PHYS-C0220 Termodynamiikka ja statistinen fysiikka Kevät 2017 Emppu Salonen Lasse Laurson Toni Mäkelä Touko Herranen Luento 2: kineettistä kaasuteoriaa Pe 24.2.2017 1 Aiheet tänään 1. Maxwellin ja Boltzmannin

Lisätiedot

PHYS-C0220 TERMODYNAMIIKKA JA STATISTINEN FYSIIKKA

PHYS-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

Lisätiedot

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 Ratkaisut ja pisteytysohjeet

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 Ratkaisut ja pisteytysohjeet Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.01 klo 10 13 t ja pisteytysohjeet 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt. (a) 3 x 3 3 x 1 4, (b)

Lisätiedot

Vapaan hiukkasen Schrödingerin yhtälö (yksiulotteinen)

Vapaan hiukkasen Schrödingerin yhtälö (yksiulotteinen) Vapaan hiukkasen Schrödingerin yhtälö (yksiulotteinen Vapaaseen hiukkaseen ei vaikuta voimia, joten U(x = 0. Vapaan hiukkasen energia on sen liike-energia eli E=p /m. Koska hiukkasella on määrätty energia,

Lisätiedot

KLASSISET TASAPAINOJOUKOT (AH 4.3, , 7.2) Yleisesti joukoista

KLASSISET 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

Lisätiedot

V ar(m n ) = V ar(x i ).

V ar(m n ) = V ar(x i ). Mat-.3 Stokastiset prosessit Syksy 007 Laskuharjoitustehtävät 6 Poropudas/Kokkala. Olkoon M n = X +... + X n martingaali ja M 0 = 0. Osoita, että V ar(m n ) = n V ar(x i ). i= Huomattavaa on, että muuttujia

Lisätiedot

766334A Ydin- ja hiukkasfysiikka

766334A Ydin- ja hiukkasfysiikka 1 76633A Ydin- ja hiukkasfysiikka Luentomonistetta täydentävää materiaalia: 3 5-3 Kuorimalli Juhani Lounila Oulun yliopisto, Fysiikan laitos, 011 Kuva 7-13 esittää, miten parillis-parillisten ydinten ensimmäisen

Lisätiedot

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1 Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien muunnokset ja niiden jakaumat Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja

Lisätiedot

Luento 13: Periodinen liike. Johdanto Harmoninen värähtely Esimerkkejä F t F r

Luento 13: Periodinen liike. Johdanto Harmoninen värähtely Esimerkkejä F t F r Luento 13: Periodinen liike Johdanto Harmoninen värähtely Esimerkkejä θ F t m g F r 1 / 27 Luennon sisältö Johdanto Harmoninen värähtely Esimerkkejä 2 / 27 Johdanto Tarkastellaan jaksollista liikettä (periodic

Lisätiedot

Martingaalit ja informaatioprosessit

Martingaalit ja informaatioprosessit 4A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on tutustua satunnaisvektorin informaation suhteen lasketun ehdollisen odotusarvon käsitteeseen sekä oppia tunnistamaan, milloin annettu

Lisätiedot

Normaalijakaumasta johdettuja jakaumia

Normaalijakaumasta johdettuja jakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2007) 1 Normaalijakaumasta johdettuja jakaumia >> Johdanto χ 2 -jakauma F-jakauma

Lisätiedot

13. Taylorin polynomi; funktioiden approksimoinnista. Muodosta viidennen asteen Taylorin polynomi kehityskeskuksena origo funktiolle

13. Taylorin polynomi; funktioiden approksimoinnista. Muodosta viidennen asteen Taylorin polynomi kehityskeskuksena origo funktiolle 13. Taylorin polynomi; funktioiden approksimoinnista 13.1. Taylorin polynomi 552. Muodosta funktion f (x) = x 4 + 3x 3 + x 2 + 2x + 8 kaikki Taylorin polynomit T k (x, 2), k = 0,1,2,... (jolloin siis potenssien

Lisätiedot

Numeeriset 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 / 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

Lisätiedot

Tässä luvussa keskitytään faasimuutosten termodynaamiseen kuvaukseen

Tässä luvussa keskitytään faasimuutosten termodynaamiseen kuvaukseen KEMA221 2009 PUHTAAN AINEEN FAASIMUUTOKSET ATKINS LUKU 4 1 PUHTAAN AINEEN FAASIMUUTOKSET Esimerkkejä faasimuutoksista? Tässä luvussa keskitytään faasimuutosten termodynaamiseen kuvaukseen Faasi = aineen

Lisätiedot

PHYS-C0220 Termodynamiikka ja statistinen fysiikka Kevät 2016

PHYS-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

Lisätiedot

9. Tila-avaruusmallit

9. 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

Lisätiedot

Ch7 Kvanttimekaniikan alkeita. Tässä luvussa esitellään NMR:n kannalta keskeiset kvanttimekaniikan tulokset.

Ch7 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

Lisätiedot

Matematiikan tukikurssi, kurssikerta 3

Matematiikan tukikurssi, kurssikerta 3 Matematiikan tukikurssi, kurssikerta 3 1 Epäyhtälöitä Aivan aluksi lienee syytä esittää luvun itseisarvon määritelmä: { x kun x 0 x = x kun x < 0 Siispä esimerkiksi 10 = 10 ja 10 = 10. Seuraavaksi listaus

Lisätiedot

Todennäköisyysjakaumia

Todennäköisyysjakaumia 8.9.26 Kimmo Vattulainen Todennäköisyysjakaumia Seuraavassa esitellään kurssilla MAT-25 Todennäköisyyslaskenta esille tulleita diskreettejä todennäköisyysjakaumia Diskreetti tasajakauma Bernoullijakauma

Lisätiedot

2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio

2.2 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

Lisätiedot

Luku 4. Derivoituvien funktioiden ominaisuuksia.

Luku 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

Lisätiedot

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Tilastollinen 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

Lisätiedot

Statistinen fysiikka, osa A (FYSA241)

Statistinen 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

Lisätiedot

BM20A0900, Matematiikka KoTiB3

BM20A0900, Matematiikka KoTiB3 BM20A0900, Matematiikka KoTiB3 Luennot: Matti Alatalo Oppikirja: Kreyszig, E.: Advanced Engineering Mathematics, 8th Edition, John Wiley & Sons, 1999, luvut 1 4. 1 Sisältö Ensimmäisen kertaluvun differentiaaliyhtälöt

Lisätiedot

1 WKB-approksimaatio. Yleisiä ohjeita. S Harjoitus

1 WKB-approksimaatio. Yleisiä ohjeita. S Harjoitus S-114.1427 Harjoitus 3 29 Yleisiä ohjeita Ratkaise tehtävät MATLABia käyttäen. Kirjoita ratkaisut.m-tiedostoihin. Tee tuloksistasi lyhyt seloste, jossa esität laskemasi arvot sekä piirtämäsi kuvat (sekä

Lisätiedot

4.0.2 Kuinka hyvä ennuste on?

4.0.2 Kuinka hyvä ennuste on? Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki

Lisätiedot

ψ(x) = A cos(kx) + B sin(kx). (2) k = nπ a. (3) E = n 2 π2 2 2ma 2 n2 E 0. (4)

ψ(x) = A cos(kx) + B sin(kx). (2) k = nπ a. (3) E = n 2 π2 2 2ma 2 n2 E 0. (4) 76A KIINTEÄN AINEEN FYSIIKKA Ratkaisut 4 Kevät 214 1. Tehtävä: Yksinkertainen malli kovalenttiselle sidokselle: a) Äärimmäisen yksinkertaistettuna mallina elektronille atomissa voidaan pitää syvää potentiaalikuoppaa

Lisätiedot

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 1. Kotitehtävä. 2. Lasketaan aluksi korkoa korolle. Jos korkoprosentti on r, ja korko maksetaan n kertaa vuodessa t vuoden ajan, niin kokonaisvuosikorko

Lisätiedot

Numeerinen integrointi

Numeerinen integrointi Numeerinen integrointi Analyyttisesti derivointi triviaalia, integrointi vaikeaa. Numeerisesti laskettaessa tilanne on päinvastainen. Integrointi on yhteenlaskua, joka on tasoittava operaatio: lähtötietojen

Lisätiedot

3.7 Todennäköisyysjakaumia

3.7 Todennäköisyysjakaumia MAB5: Todennäköisyyden lähtökohdat 4 Luvussa 3 Tunnusluvut perehdyimme jo jakauman käsitteeseen yleensä ja normaalijakaumaan vähän tarkemmin. Lähdetään nyt tutustumaan binomijakaumaan ja otetaan sen jälkeen

Lisätiedot

Markov-ketjut pitkällä aikavälillä

Markov-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;

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 9 1 Implisiittinen derivointi Tarkastellaan nyt yhtälöä F(x, y) = c, jossa x ja y ovat muuttujia ja c on vakio Esimerkki tällaisesta yhtälöstä on x 2 y 5 + 5xy = 14

Lisätiedot

Todennäköisyyden ominaisuuksia

Todennäköisyyden ominaisuuksia Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset

Lisätiedot

T F = T C ( 24,6) F = 12,28 F 12,3 F T K = (273,15 24,6) K = 248,55 K T F = 87,8 F T K = 4,15 K T F = 452,2 F. P = α T α = P T = P 3 T 3

T F = T C ( 24,6) F = 12,28 F 12,3 F T K = (273,15 24,6) K = 248,55 K T F = 87,8 F T K = 4,15 K T F = 452,2 F. P = α T α = P T = P 3 T 3 76628A Termofysiikka Harjoitus no. 1, ratkaisut (syyslukukausi 2014) 1. Muunnokset Fahrenheit- (T F ), Celsius- (T C ) ja Kelvin-asteikkojen (T K ) välillä: T F = 2 + 9 5 T C T C = 5 9 (T F 2) T K = 27,15

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset

Lisätiedot

PHYS-A0120 Termodynamiikka syksy 2016

PHYS-A0120 Termodynamiikka syksy 2016 PHYS-A0120 Termodynamiikka syksy 2016 Emppu Salonen Prof. Peter Liljeroth Viikko 5: Termodynaamiset potentiaalit Maanantai 28.11. ja tiistai 29.11. Kotitentti Julkaistaan to 8.12., palautus viim. to 22.12.

Lisätiedot

TASAPAINOJAKAUMAT 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 1 TASAPAINOJAKAUMAT KVANTTIMEKAANISISSA SYSTEEMEISSÄ (AH 5.4, 6.1, 6.4, 6.5) Mikrokanoninen joukko Aivan kuten klassisessa tapauksessa, myös kvanttimekaanisille monihiukkassysteemeille voidaan määritellä

Lisätiedot

Matematiikan tukikurssi

Matematiikan 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

Lisätiedot

Harjoitus Tarkastellaan luentojen Esimerkin mukaista työttömyysmallinnusta. Merkitään. p(t) = hintaindeksi, π(t) = odotettu inflaatio,

Harjoitus 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

Lisätiedot

1240eV nm. 410nm. Kun kappaleet saatetaan kontaktiin jännite-ero on yhtä suuri kuin työfunktioiden erotus ΔV =

1240eV nm. 410nm. Kun kappaleet saatetaan kontaktiin jännite-ero on yhtä suuri kuin työfunktioiden erotus ΔV = S-47 ysiikka III (ST) Tentti 88 Maksimiaallonpituus joka irroittaa elektroneja metallista on 4 nm ja vastaava aallonpituus metallille on 8 nm Mikä on näiden metallien välinen jännite-ero? Metallin työfunktio

Lisätiedot

VEKTORIANALYYSIN HARJOITUKSET: VIIKKO 4

VEKTORIANALYYSIN 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

Lisätiedot

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: 8.1 Satunnaismuuttuja Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: Esim. Nopanheitossa (d6) satunnaismuuttuja X kertoo silmäluvun arvon. a) listaa kaikki satunnaismuuttujan arvot b)

Lisätiedot

766328A Termofysiikka Harjoitus no. 10, ratkaisut (syyslukukausi 2014)

766328A Termofysiikka Harjoitus no. 10, ratkaisut (syyslukukausi 2014) 7668A Termofysiikka Harjoitus no., ratkaisut (syyslukukausi 4). Johdetaan yksiatomisen klassisen ideaalikaasun kemiallisen potentiaalin µ(t,, N) lauseke. (a) Luentojen yhtälön mukaan kemiallinen potentiaali

Lisätiedot

Ekvipartitioteoreema. Entropia MB-jakaumassa. Entropia tilastollisessa mekaniikassa

Ekvipartitioteoreema. Entropia MB-jakaumassa. Entropia tilastollisessa mekaniikassa Ekvipartitioteoreema lämpötilan ollessa riittävän korkea, kukin molekyylin liikkeen vapausaste tuo energian ½ kt sekä keskimääräiseen liike-energiaan ja kineettiseen energiaan energian lisäys ja riittävän

Lisätiedot

Ekvipartitioteoreema

Ekvipartitioteoreema Ekvipartitioteoreema lämpötilan ollessa riittävän korkea, kukin molekyylin liikkeen vapausaste tuo energian ½ kt sekä keskimääräiseen liike-energiaan ja kineettiseen energiaan energian lisäys ja riittävän

Lisätiedot

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen MAT-25 Todennäköisyyslaskenta Tentti 12.4.216 / Kimmo Vattulainen Funktiolaskin sallittu. Palauta kaavakokoelma 1. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi

Lisätiedot

Ideaalikaasulaki. Ideaalikaasulaki on esimerkki tilanyhtälöstä, systeemi on nyt tietty määrä (kuvitteellista) kaasua

Ideaalikaasulaki. Ideaalikaasulaki on esimerkki tilanyhtälöstä, systeemi on nyt tietty määrä (kuvitteellista) kaasua Ideaalikaasulaki Ideaalikaasulaki on esimerkki tilanyhtälöstä, systeemi on nyt tietty määrä (kuvitteellista) kaasua ja tilanmuuttujat (yhä) paine, tilavuus ja lämpötila Isobaari, kun paine on vakio Kaksi

Lisätiedot

KJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme

KJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme KJR-C1001 Statiikka ja dynamiikka Luento 15.3.2016 Susanna Hurme Päivän aihe: Translaatioliikkeen kinematiikka: asema, nopeus ja kiihtyvyys (Kirjan luvut 12.1-12.5, 16.1 ja 16.2) Osaamistavoitteet Ymmärtää

Lisätiedot

Mekaniikan jatkokurssi Fys102

Mekaniikan jatkokurssi Fys102 Mekaniikan jatkokurssi Fys10 Kevät 010 Jukka Maalampi LUENTO 7 Harmonisen värähdysliikkeen energia Jousen potentiaalienergia on U k( x ) missä k on jousivakio ja Dx on poikkeama tasapainosta. Valitaan

Lisätiedot

m h = Q l h 8380 J = J kg 1 0, kg Muodostuneen höyryn osuus alkuperäisestä vesimäärästä on m h m 0,200 kg = 0,

m h = Q l h 8380 J = J kg 1 0, kg Muodostuneen höyryn osuus alkuperäisestä vesimäärästä on m h m 0,200 kg = 0, 76638A Termofysiikka Harjoitus no. 9, ratkaisut syyslukukausi 014) 1. Vesimäärä, jonka massa m 00 g on ylikuumentunut mikroaaltouunissa lämpötilaan T 1 110 383,15 K paineessa P 1 atm 10135 Pa. Veden ominaislämpökapasiteetti

Lisätiedot

Fr ( ) Fxyz (,, ), täytyy integroida:

Fr ( ) Fxyz (,, ), täytyy integroida: 15 VEKTORIANALYYSI Luento Vektorikentän käyräintegraali Voiman tekemä työ on matka (d) kertaa voiman (F) projektio liikkeen suunnassa, yksinkertaisimmillaan W Fd. Jos liike tapahtuu käyrää pitkin ja voima

Lisätiedot

Molaariset ominaislämpökapasiteetit

Molaariset ominaislämpökapasiteetit Molaariset ominaislämpökapasiteetit Yleensä, kun systeemiin tuodaan lämpöä, sen lämpötila nousee. (Ei kuitenkaan aina, kannattaa muistaa, että työllä voi olla osuutta asiaan.) Lämmön ja lämpötilan muutoksen

Lisätiedot

Luento 4: Liikkeen kuvausta, differentiaaliyhtälöt

Luento 4: Liikkeen kuvausta, differentiaaliyhtälöt Luento 4: Liikkeen kuvausta, differentiaaliyhtälöt Digress: vakio- vs. muuttuva kiihtyvyys käytännössä Kinematiikkaa yhdessä dimensiossa taustatietoa Matlab-esittelyä 1 / 20 Luennon sisältö Digress: vakio-

Lisätiedot

1.4. VIRIAALITEOREEMA

1.4. VIRIAALITEOREEMA 1.4. VIRIAALITEOREEMA Vaikka N-kappaleen ongelman yleistä ratkaisua ei tunneta, on olemassa eräitä tärkeitä yleisiä tuloksia Jos systeemi on stabiili, eli paikat ja nopeudet eivät kasva rajatta kineettisen

Lisätiedot

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1 / 18

Lisätiedot

Insinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut

Insinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut Insinöörimatematiikka D, 406 6 laskuharjoituksien esimerkkiratkaisut Ratkaistaan differentiaaliyhtälö y = y () Tässä = d dy eli kyseessä on lineaarinen kertaluvun differentiaaliyhtälö: Yhtälön () homogenisoidulle

Lisätiedot

min 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

min 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

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo

Lisätiedot

Moniulotteiset satunnaismuuttujat ja jakaumat

Moniulotteiset satunnaismuuttujat ja jakaumat Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat KE (2014) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset

Lisätiedot

Tehtävä 4.7 Tarkastellaan hiukkasta, joka on pakotettu liikkumaan toruksen pinnalla.

Tehtävä 4.7 Tarkastellaan hiukkasta, joka on pakotettu liikkumaan toruksen pinnalla. Tehtävä.7 Tarkastellaan hiukkasta, joka on pakotettu liikkumaan toruksen pinnalla. x = (a + b cos(θ)) cos(ψ) y = (a + b cos(θ)) sin(ψ) = b sin(θ), a > b, θ π, ψ π Figure. Toruksen hajoituskuva Oletetaan,

Lisätiedot

763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 2 Kevät 2017

763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 2 Kevät 2017 763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 2 Kevät 207. Nelinopeus ympyräliikkeessä On siis annettu kappaleen paikkaa kuvaava nelivektori X x µ : Nelinopeus U u µ on määritelty kaavalla x µ (ct,

Lisätiedot

Termodynamiikka. Fysiikka III 2007. Ilkka Tittonen & Jukka Tulkki

Termodynamiikka. Fysiikka III 2007. Ilkka Tittonen & Jukka Tulkki Termodynamiikka Fysiikka III 2007 Ilkka Tittonen & Jukka Tulkki Tilanyhtälö paine vakio tilavuus vakio Ideaalikaasun N p= kt pinta V Yleinen aineen p= f V T pinta (, ) Isotermit ja isobaarit Vakiolämpötilakäyrät

Lisätiedot