UNIVERZA V LJUBLJANI FAKULTETA ZA MATEMATIKO IN FIZIKO ODDELEK ZA FIZIKO Peter Smerkol SEMINARSKA NALOGA Brownovo Gibanje MENTOR: dr. Tomaž Podobnik L
|
|
- Rebeka Jenko
- pred 5 leti
- Pregledov:
Transkripcija
1 UNIVERZA V LJUBLJANI FAKULTETA ZA MATEMATIKO IN FIZIKO ODDELEK ZA FIZIKO Peter Smerkol SEMINARSKA NALOGA Brownovo Gibanje MENTOR: dr. Tomaž Podobnik Ljubljana, Marec 2007 Povzetek Najpreprostejši model Brownovega gibanja je Wienerjev proces. Rešitve modela ustrezajo difuzijski enačbi, vendar so njegove predpostavke iz fizikalnega stališča sporne, saj zanemarjajo vztrajnost (oz. maso) gibajočih se delcev. Fizikalno korektnejši model izhaja iz Langévinove enačbe in ustreza Ornstein-Uhlenbeckovemu procesu za hitrost delcev pri Brownovem gibanju. Rešitev Langévinove enačbe - krajevna verjetnostna porazdelitev za delec v odvisnosti od časa - reši difuzijsko enačbo za čase, ki so mnogo daljši od karakterističnega časa procesa. Do rešitev obeh modelov najenostavneje pridemo z sekvenčnim pristopom.
2 Kazalo Uvod 2 Pojmi iz teorije verjetnosti 3 Wienerjev proces 2 4 Ornstein-Uhlenbeckov proces 5 5 Zaključek 0 A Izračuni A. Izračun f(x x 0 I 0 ) za Wienerjev proces A.2 Izračun f(x v 0 x 0 V t I 0 ) za Ornstein-Uhlenbeckov proces A.3 Izračun f(v v 0 x 0 V t I 0 ) za Ornstein-Uhlenbeckov proces
3 Uvod Brownovo gibanje je dobilo ime po botaniku Robertu Brownu, ki je leta 827 opazoval gibanje zrnc cvetnega prahu v vodi. Opazil je, da se zrnca neurejeno gibljejo v vseh smereh. Sam pojava ni znal pojasniti, sta pa ga pojasnila Smoluchowski leta 904 in Einstein leta 905, v okviru statistične mehanike (oz. natančneje, kinetične teorije plinov). Kvalitativno pojav razložimo na naslednji način: v delce cvetnega prahu vsak trenutek udarja veliko število molekul vode iz vseh smeri, rezultanta sile zaradi teh trkov pa kaže vsak trenutek v neko drugo, naključno smer. Kvantitativno pa sta Einstein in Smoluchowski napovedala zvezo med difuzijsko konstanto (D) in mobilnostjo delcev (µ) z posebno enačbo: D = µkt () Pot do zveze () vodi preko statističnega opisa in sklicevanja na verjetnostno gostoto, ki je rešitev difuzijske enačbe. Statistični opis temelji na predpostavki, da je snov (voda, v kateri plavajo zrnca) sestavljena iz atomov oz. molekul. Zveza () torej govori v prid atomistične hipoteze, ki v tistem času še ni bila splošno sprejeta. Ko pa je leta 927 Jean Perrin to zvezo potrdil še z eksperimentom, je padel še zadnji dvom o atomski naravi snovi. V nadaljevanju bomo videli, da vse predpostavke Einsteina in Smoluchowskega niso fizikalno korektne, saj vključujejo zahtevo po zanemarljivi masi (vztrajnosti) delcev pri Brownovemu gibanju. Slednje v primeru Brownovega gibanja zagotovo ne drži. Korektnejši model, ki vključuje maso gibajočih se delcev, temelji na Langévinovi enačbi. V okviru takega modela je zveza () limitna rešitev za čase, mnogo večje od karakterističnega časa procesa. V seminarju si bomo natančno ogledali predpostavke dveh modelov za opis Brownovega gibanja: Wienerjevega procesa, ki vključuje predpostavko o zanemarljivi masi gibajočih se delcev, in model na osnovi Langévinove enačbe. Rešitve modelov bomo poiskali v okviru sekvenčnega pristopa z uporabo osnovnih pravil verjetnostnega računa. S takim računom se izognemo teoriji t.i stohastičnih integralov. 2 Pojmi iz teorije verjetnosti Pri izpeljavi rešitev modelov za opis Brownovega gibanja se bom pogosto skliceval na nekatere pojme in pravila verjetnostnega računa, zato jih bom tukaj na kratko naštel. Simbol P (x x 0 I), ki ga uporabljam, preberemo kot pogojno verjetnost, da ima slučajna spremenljivka x vrednost x, če vemo, da je prej imela vrednost x 0 in da imamo za znanje o verjetnosti izbran model I. Namesto verjetnosti lahko podamo tudi gostoto verjetnosti f, ki je definirana z: p(x x 0 I) f(x x 0 I)dx P (x (x, x + dx) x 0 I). (2) V seminarju bom uporabljal dve pravili. Vzamemo verjetnost za to da je x pri x in x 2, s tem da vemo da je prej bil pri x 0 in da je model za znanje o verjetnosti I. Potem velja: PRODUKTNO PRAVILO: P (x 2 x x 0 I) = P (x 2 x 0 I)P (x x 2 x 0 I) = P (x x 0 I)P (x 2 x x 0 I) (3)
4 MARGINALIZACIJA: P (x 2 x 0 I) = P (x 2 x x 0 I)dx, P (x x 0 I) = P (x 2 x x 0 I)dx 2 (4) Enaka pravila veljajo tudi za verjetnostne gostote. Stanje znanja I, od katerega je odvisna verjetnostna porazdelitev f(x I), se da dostikrat zapisati kot I = θi 0, kjer je I 0 družina vzorčnih verjetnostnih porazdelitev, parameter θ pa enolično določa posamezno vzorčno verjetnostno porazdelitev znotraj družine. Najpomembnejša družina vzorčnih verjetnostnih porazdelitev je Gaussova oz. normalna porazdelitev, določena z dvema parametroma µ in σ. Enolično določena vzorčna verjetnostna gostota, določena s tema parametroma, se zapiše kot: 3 Wienerjev proces f(x µσi 0 ) = exp [ (x µ)2 ] 2πσ 2σ 2 Z x bomo sedaj označevali spremenljivko, ki nam pove oddaljenost delca od neke (začetne) točke. Označimo še: x 0 x(t = t 0 = 0) in x x(t = t = t), itd. Za razumevanje Wienerjevega procesa je potrebno razložiti nekaj pojmov, ki se tičejo stohastičnih procesov: (5) a) Def: x je stohastična spremenljivka, kar pomeni, da lahko za vrednost x ob času t povemo le verjetnost P (x x 0 I) = f(x x 0 I)dx, da bo x na intervalu (x, x + dx). Proces, ki ga stohastične spremenljivke opisujejo, pa je stohastični proces. Nasprotje stohastičnega procesa je deterministični proces, kjer lahko iz znane vrednosti x 0 natančno napovemo vrednost x. S pomocjo produktnega pravila (3) to zlahka posplošimo in zapišemo verjetnost, da bo ob času t x na intervalu (x, x + dx) in ob času 2 t na intervalu (x 2, x 2 + dx), i.t.d., tako da v splošnem (za k korakov po t) dobimo za verjetnostno gostoto: f(x x 2...x k x 0 Ĩ) = f(x x 0 I )f(x 2 x x 0 I 2 )...f(x k x k x k 2...x 0 I k ) (6) b) Def: Stohastični proces je Markovski, če je vrednost x j odvisna le od vrednosti x j, ne pa tudi od predhodnih vrednosti x j 2,..., x 0. To pomeni, da se za Markovski proces verjetnostna gostota lahko zapiše: f(x j x j...x 0 I j ) = f(x j x j I j ) (7) c) Def: Stohastični proces je stacionaren, če je I = I 2 =... = I k = I, (8) torej, če se oblika modela ohranja v vseh korakih. d) Def: Stohastični proces je Gaussov, če je I = µv t I 0 in I 0 označuje Gaussovo (normalno) družino verjetnostnih porazdelitev, tako da je verjetnostna gostota: f(x j x j µv t I 0 ) = exp [ (x j x j µ) 2 ] 2πV t 2V t (9) 2
5 e) Def: Če je v Gaussovem procesu µ = 0, je stohastični proces homogen. f) Def: Stohastični proces je Wienerjev, če zanj veljajo definicije a), b), c), d) in e). Če upoštevamo vse te definicije vidimo, da za Wienerjev proces velja: f(x...x k x 0 Ĩ) = (2πV t ) exp [ k/2 2V t k (x j x j ) 2] (0) Vzemimo gibanje v eni dimenziji. Po enačbi (0) začnemo pot do Wienerjevega procesa tako, da najprej vzamemo delec, ki se premika tako, da se ob vsakem časovnem koraku t premakne za korak dolžine, ki je normalno porazdeljena: j= Slika : Prvih 25 korakov treh Wienerjevih procesov Sedaj nas zanima s kakšno verjetnostjo se delec po k časovnih korakih t pojavi v intervalu (x k, x k +dx k ), če vemo, da je bil ob času t = 0 pri x 0, torej, zanima nas P (x k x 0 I 0 ) = f(x k x 0 I 0 )dx. Ko bomo dobili ta izraz, bi radi na njem naredili še zvezno limito t 0, k, in sicer tako, da ostane t k = k t t končen. S tem dobimo pravi Wienerjev proces. Do izraza za f(x k x 0 I 0 ) pridemo tako, da uporabimo marginalizacijo (4), kjer integriramo po vseh spremenljivkah, razen po x k. Ko naredimo ta izračun, nam preostane le, da dobljeni izraz limitiramo tako, kot je povedano zgoraj. S tema dvema postopkoma smo v resnici sešteli prispevke vseh možnih poti delca, izračunali smo torej krivuljni integral. Ker tega izračuna ni v literaturi, podajam natančen izračun v dodatku, rezultat pa se glasi: f(x x 0 I 0 ) = 2πσ2 t exp [ (x x 0) 2 ], σ 2 2σ 2 V t 0 () Taka rešitev zadošča difuzijski enačbi f/ t = (σ 2 /2)( 2 f/ x 2 ). dobimo torej navadno difuzijo z difuzijskim koeficientom D = σ2 2. Pri modelu z Wienerjevim procesom 3
6 Slika 2: Trije Wienerjevi procesi Wienerjev proces ima zanimivo lastnost, in sicer je skalirno invarianten, kar pomeni, da je kvalitativno enak, ne glede na časovno skalo, na kateri ga gledamo. Poglejmo to na slikah: Slika 3: Tri časovne skale za en Wienerjev proces Vsaka naslednja slika je 0x povečana Vidimo, da čeprav smo zvečali skalo za stokrat, se kvalitativne lastnosti Wienerjevega procesa niso spremenile. Z drugimi besedami, Wienerjev proces na večji časovni skali je še vedno isti Wienerjev proces kot tisti na manjši. Wienerjev model pa iz fizikalnega stališča ni sprejemljiv, saj ne upošteva, da ima delec vztrajnost oz. maso, kar se najlepše vidi, če pogledamo sliko, kjer so v točkah premikanja in ustavljanja delca odvodi dx dt iz leve enaki 0, iz desne pa neskončni (delec se premakne in ustavi v trenutku, kar bi bilo možno samo, če ne bi imel mase). 4
7 4 Ornstein-Uhlenbeckov proces Fizikalno korektnejši (bolj upravičen) model stohastičnih procesov dobimo tako, da vzamemo Newtonov zakon deterministične mehanike m a = F, (2) ki mu dodamo dva člena, η v in F S, ter tako dobimo Langévinovo enačbo: m a = F η v + F S (3) oziroma Členi v enačbi pomenijo naslednje: v = a 0 β v + a S, F a 0 m, β η m, a F S S m F je vsota vseh zunanjih determinističnih sil, ki delujejo na delec v stohastičnem procesu (npr. gravitacija ali električna sila na nabit delec v zunanjem električnem polju). Pri navadnem Brownovem gibanju predpostavimo, da je vrednost F enaka 0. η v je linearna sila upora pri gibanju delca v tekočini (npr. gibanja zrnc cvetnega prahu v vodi). V makroskopski sliki si predstavljamo, da se delcu pri trkih z molekulami tekočine spreminja hitrost - njena absolutna vrednost v se tako lahko zviša ali zniža. Ker pa je povprečna hitrost molekul tekočine enaka 0 (ker tekočina miruje), je bolj verjetno, da se absolutna vrednost hitrosti pri trku zniža, kar opišem z determinističnim členom linearnega upora. F S je t.i.stohastična sila in a S t.i.stohastični pospešek, s katerima opišemo naključno spreminjanje hitrosti pri trkih delca z molekulami tekočine. Predpostavimo, da je čas med dvema zaporednima trkoma vedno t, da v času med dvema trkoma ni stohastičnih sil in da je sprememba hitrosti pri trku.) stohastična(naključna), 2.) markovska (odvisna samo od trenutne vrednosti hitrosti), 3.) stacionarna, 4.) Gaussova in 5.) homogena, torej da velja za spremembo hitrosti pri trku Wienerjev proces. Kadar so izpolnjeni vsi našteti pogoji za F S ( a S ) in je a 0 = 0, nam enačba (3) v = β v + a S (4) opisuje t.i. Ornstein-Uhlenbeckov stohastični proces za hitrost v. Enačbo (4) bomo rešili v eni dimenziji, saj je posplošitev tako dobljene rešitve za tridimenzionalno gibanje trivialna. Denimo, da sta ob času t + j = j t + 0 (tik po j-tem trku) položaj in hitrost delca x j in v j. Do naslednjega trka je gibanje deterministično (a S = 0) in ga opisuje linearna diferencialna enačba z konstantnimi koeficienti - v = βv. Rešitev enačbe ob času t j+ = (j + ) t 0 (tik pred (j+)-tim trkom) in iz te rešitve dobljena vrednost za položaj delca ob istem času sta: v j+ = v j e β t, x j+ = x j + v j β ( e β t ) (5) 5
8 Ob trku se hitrost delca naključno spremeni, V skladu z zgornjimi predpostavkami spremembi hitrosti ustreza verjetnostna gostota oblike: f(v j+ v j x j V t I 0 ) = exp [ (v j+ v j+ )2 ] = exp [ (v j+ v j e β t ) 2 ] 2πV t 2V t 2πV t 2V t (6) Položaj delca se pri trku ne spremeni, kar opišemo z neskončno ozko porazdelitvijo - Diracovo δ-funkcijo: f(x j+ v j+ v j x j V t I 0 ) = δ(x j+ x j+ ) = δ(x j+ x j v j β ( e β t )) (7) Slika 4: Prvih 25 korakov za tri Ornstein-Uhlenbeckove procese z istimi parametri Sočasna verjetnostna gostota f(v j+ x j+ v j x j V t I 0 ) za v j+ in x j+ je v skladu s produktnim pravilom (3) tako produkt zgornjih dveh izrazov. Če postopek posplošimo na k časovnih korakov, in si pomagamo z produktnim pravilom (3), dobimo verjetnostno gostoto f(x x 2...x k v v 2...v k v 0 x 0 V t I 0 ), ki ustreza posamezni sledi iz točke (x 0, v 0 ) do točke (x k, v k ), in se zapiše kot (k-)-kratni produkt funkcij (6) in (k-)-kratni produkt funkcij (7). Verjetnostno gostoto f(x k v 0 x 0 V t I 0 ) dobimo podobno kot v prejšnjem poglavju, z seštevanjem prispevkov vseh možnih poti - s krivuljnim integralom. Najprej bomo uporabili marginalizacijo (4), nato pa bomo naredili limito k, t 0, tako da bo produkt k t t ostal končen. Tudi tega računa ni v literaturi, zato je podan v dodatku, rezultat pa je: [ f(x x 0 v 0 V t I 0 ) = 2πVx (t) exp (x x 0 v0 β ( e βt )) 2 ] 2V x (t) (8) kjer je: V V x (t) = 0 2β 3 ( 3 + 4e βt e 2βt V ) + 0 β 2 t (9) Če primerjamo rešitvi () in (8),(9), vidimo, da za čase, dolge v primerjavi z karakterističnim časom sistema, rešitev Ornstein-Uhlenbeckovega procesa prav tako ustreza difuzijiski enačbi z difuzijskim koeficientom V D = 0 2β. Narišimo povprečno vrednost odmika: 2 6
9 Slika 5: Povprečni odmik delca pri O-U procesu Povprečni odmik se ustali pri neki konstantni vrednosti. Narišimo še odmik na različnih časovnih skalah: Slika 6: Tri časovne skale za odmik pri enem O-U procesu Vsaka naslednja slika je 0x povečana Za odmik ugotovimo, da je skalirno invarianten, če zanemarimo dogajanje na začetku procesa, ko je čas še primerljiv z karakterističnim časom. Naredimo še primerjavo variance odmika pri Wienerjevem in pri Ornstein-Uhlenbeckovem procesu. Na eni sliki so parametri izbrani tako, da se za oba procesa ujemajo, na drugi pa je β za Ornstein-Uhlenbeckov proces drugačna: Slika 7: Varianci odmika za Wienerjev in O-U proces 7
10 V obeh primerih gre po dolgem času varianca za Ornstein-Uhlenbeckov proces linearno s t, tako kot pri Wienerjevem procesu, le da je koeficient za Ornstein-Uhlenbeckov proces lahko drugačen. Za majhne čase pa se pojavi že omenjena in izračunana razlika. Razliko med Wienerjevim in Ornstein-Uhlenbeckovim procesom vidimo najlepše, če narišemo verjetnostni gostoti za odmik za oba procesa za različne čase na isti sliki. Začetno hitrost pri O.-U. procesu sem postavil na 0, zato da se vrhova ujemata: Slika 8: Verjetnostni gostoti za odmik za Wienerjev in O-U proces Po času dolgem v primerjavi z karakterističnim, se verjetnostni gostoti ujemata. Z sekvenčnim modelom lahko izračunamo še porazdelitev po hitrosti. To naredimo na enak način kot prej - izračunamo krivuljni integral prispevkov vseh poti. Najprej naredimo marginalizacijo, nato pa limitiramo, enako kot zgoraj. Tudi ta izračun sem podal v dodatku, ker ga ni v literaturi, rezultat pa se glasi: f(v v 0 V t I 0 ) = exp [ (v e βt v 0 ) 2 ] V 2π 0 2β ( e 2βt V ) 2 0 2β ( e 2βt ) (20) Slika 9: Povprečna hitrost delca pri O-U procesu Vidimo, da gre povprečna hitrost od začetne vrednosti proti 0. Ker je Ornstein-Uhlenbeckov proces stohastičen, hitrost ne pade točno na 0, ampak je po dolgem času Gaussovo porazdeljena okoli ničle. Da pade povprečna hitrost na 0 pomeni, da je Ornstein-Uhlenbeckov proces stabilen. To vidimo tudi, če si narišemo varianco hitrosti v odvisnosti od časa: 8
11 Slika 0: Varianca hitrosti delca pri O-U procesu Varianca se po času, dolgem v primerjavi z karakterističnim časom procesa, ustali pri vrednosti smo prej pokazali tudi z enačbo. V 0 2β. To Na naslednji sliki sem narisal 3 Ornstein - Uhlenbeckove procese z različnimi vrednostmi začetne hitrosti in pa poleg njih še časovni potek povprečne hitrosti: Slika : Hitrosti delca za 3 različne O-U procese Vidimo, da se hitrost ne glede na njeno začetno vrednost približuje ničli, in sicer tako, da je vedno naključno porazdeljena okoli teoretične povprečne vrednosti, tako da se na koncu giblje naključno Gaussovo okoli ničle. Poglejmo še, kako je z skalirnimi lastnostmi za hitrost pri Ornstein-Uhlenbeckovem procesu: 9
12 Slika 2: Tri časovne skale za hitrost pri enem O-U procesu Vsaka naslednja slika je 0x povečana Če zanemarimo dogajanje na začetku procesa, ko je čas še primerljiv z karakterističnim časom, vidimo, da je hitrost Wienerjev proces z srednjo vrednostjo okrog ničle, in je tako skalirno invariantna. Za kratke čase pa vidimo, da ima hitrost značilno obliko. 5 Zaključek V seminarju smo si natančno ogledali dva modela za opis Brownovega gibanja. Ugotovili smo, da je Wienerjev proces preveč poenostavljen model, da bi nam to gibanje zadovoljivo opisal, saj ne upošteva dejstva, da ima delec maso in s tem vztrajnost. Posledica poenostavitve je, da dobimo rešitev, ki je prava le za čase, ki so dolgi v primerjavi z karakterističnim časom procesa. Če maso upoštevamo, dobimo model, ki v zgornji limiti da enako rešitev, vendar je uporaben tudi za čase, primerljive s karakterističnim časom procesa. S tem, ko smo rešitev poiskali v okviru sekvenčnega pristopa, smo se izognili teoriji stohastičnih integralov, kjer se do rešitve pride s nekterimi predpostavkami iz kinetične teorije plinov, ki so fizikalno sicer smiselne, vendar pa za sam opis procesa niso nujno potrebne (najbolj očitna predpostavka je, da se verjetnostna porazdelitev za hitrost v limiti zelo dolgih časov v primerjavi z karakterističnim časom procesa približuje Maxwellovi porazdelitvi, glej literaturo [3] in [4]). Pri sekvenčnem pristopu nismo naredili nobenih takih predpostavk, kar se vidi po tem, da v rešitvah nismo dobili nobene termodinamske količine, vendar so vse specifične informacije o sistemu skrite v konstantah V 0 in β. Omeniti je potrebno še da se pri pojavu, kakršnega je opazoval Robert Brown, numerično ne da ločiti med rezultati ki jih napove teorija z Wienerjevim procesom in rezultati z uporabo Ornstein-Uhlenbeckovega procesa, saj je pri delcih cvetnega prahu v vodi značilni čas /β enak 0 8 sekunde in je limita t /β dosežena veliko preden lahko eksperimentalno izmerimo prvi premik delca [5]. Da pa se razliko izmeriti v primeru Brownovega delca v harmoničnem potencialu [6]. Brownov delec je v tem primeru zelo majhno zrcalo, ki je obešeno na kvarčno vlakno. Molekule, ki zadevajo ob zrcalo, povzročijo Brownovo gibanje letega. Če posvetimo na zrcalo z svetlobo in gledamo odboj svetlobe na oddaljenem zaslonu, lahko izmerimo kot, za katerega se zrcalo odkloni pri gibanju. 0
13 A Izračuni A. Izračun f(x x 0 I 0 ) za Wienerjev proces Računamo integral (4), funkcije (0), kjer integriramo po spremenljivkah x,..., x k, torej: f(x k x 0 I 0 ) = dx...dx k f(x...x k x 0 I 0 ) (2) Integral integriramo najprej po spremenljivki x k, nato po x k, i.t.n., do x. Zapisati se da splošen izraz, ki ga dobimo, ko integriramo po x i, tako da lahko iz tega izluščimo iterativno formulo, iz katere hitro dobimo končni izraz, ki se glasi: f(x k x 0 I 0 ) = 2πV t k exp [ (x k x 0 ) 2 ] 2V t k Sedaj naredimo limito. V rešitvi (22) upoštevamo, da gre k t t, in označimo količino V lim t t 0 t = V 0, v kateri prepoznamo varianco na enoto časa, z σ 2, pa dobimo v zvezni limiti rešitev (). A.2 Izračun f(x v 0 x 0 V t I 0 ) za Ornstein-Uhlenbeckov proces Računamo integral (4) (k )-kratnega produkta funkcij (6) in (7), kjer integriramo po spremenljivkah x,..., x k, v,..., v k, torej: f(x k v 0 x 0 V t I 0 ) = f(x x 2...x k v v 2...v k v 0 x 0 V t I 0 )dv k...dv dx k...dx (23) (22) Najprej integriramo po x, nato po x 2, i.t.n. do x k. Imamo same integrale δ-funkcij, tako da nam na koncu po (k )-kratni integraciji ostane le ena δ-funkcija: δ(x k x 0 B β (v v k )) Te ne pointegriramo, ker po x k ne integriramo. Vemo pa, da se da δ-funkcijo zapisati tudi kot: δ(x) = 2π + e isx ds Zato to zadnjo δ-funkcijo pretvorimo na ta način. Za preglednejši račun uvedemo oznake: A = e β t, B = A = e β t, r = sbv t β (24) Celotni integral, ki nam je preostal, zapišemo sedaj tako: f (x k x 0 v 0 V t I 0 ) = [ = 2π( exp ( )] (v 2πV t ) k k Av k ) (v Av 0 ) 2 + 2ir(v k v 0 ) 2V t [ ] exp is(x k x 0 ) dv...dv k ds (25) Vsi integrali tečejo od do. Sedaj integriramo še po spremenljivkah v i, začnemo pri spremenljivki v k, nato integriramo po v k, i.t.n., do v.
14 Vse integrale se da prevesti na obliko + x 2 e a2 dx = π a. Zopet lahko iz splošnega člena, ki nam ostane po integraciji po v, izluščimo iterativno formulo, s pomočjo katere dobimo izraz, ki ga mormao integrirati še po spremenljivki s: f(x k x 0 v 0 V t I 0 ) = 2π exp + [ r2 [ ] exp is(x k x 0 ) ] ( + ( + A) 2 + ( + A + A 2 ) ( + A + A A k 2 ) 2 ) 2V t [ exp ir ] (A + A A k )v 0 ds V t Označimo: a k a k ( t) = (A + A A k ) b k b k ( t) = ( + ( + A) 2 + ( + A + A 2 ) ( + A + A A k 2 ) 2 ) Vstavimo izraz za r in preuredimo člene. Tako dobimo integral 2π [ exp B2 V t 2β b ( k s 2 + is 2β B 2 V b k [ B β a kv 0 (x k x 0 )] )] ds, ki se da zopet prevesti na integral tipa + x 2 dx = π e a2 a. Ko integriramo, dobimo rezultat: Sedaj naredimo zvezno limito. f(x k v 0 x 0 V t I 0 ) = exp [ (x k x 0 Bv0 β a k) 2 ] 2π β B 2 V 2 t b k 2, (26) β B 2 V 2 t b k Limito se da narediti tako, da direktno izračunamo izraza za a k in b k s pomočjo geometrijskih vrst, nato pa limitiramo. Lahko pa si prihranimo nekaj računanja s tem, da vidimo, da ima funkcija (26) obliko Gaussove funkcije. Njena varianca je ravno iskana varianca x-a. Zapišemo varianci ob času t = lim k t 0 (k t) in ob času t + t: Sedaj pa tvorimo formalni odvod variance po x-u: V x (t) = β 2 B2 V t b k, V x (t + t) = β 2 B2 V t b k+ (27) V V x (t + t) V x (t) x (t) = lim t 0 t V = 0 β 2 lim t 0 B2 ( + A + A A k ) 2 S pomočjo pravil za seštevanje geometrijskih vrst in limitiranjem dobimo: V V x (t) = 0 β 2 ( 2e βt + e 2βt ) Sedaj odvod variance integriramo, da dobimo varianco, pri čemer integracijsko konstanto C dobimo iz pogoja, da je varianca x-a ob času t = 0 enaka 0. Konstanto C dobimo iz pogoja, da je varianca x-a ob času t = 0 enaka 0. Ko izračunamo, dobimo rezultat (9). Če hočemo dobiti še rezultat (8),moramo izračunati še limito izraza a k, ki znaša lim k, t 0 a k ( t) = B ( e βt ). Ko limito vstavimo, dobimo rezultat (8). 2
15 A.3 Izračun f(v v 0 x 0 V t I 0 ) za Ornstein-Uhlenbeckov proces Da bi dobili porazdelitev po hitrosti, moramo najprej izvesti marginalizacijo (4) na (k )-kratnem produktu funkcij (8) in (9), kjer integriramo po spremenljivkah x,..., x k, v,..., v k : f(v k v 0 x 0 V t I 0 ) = f(v k...v 0 x k...x 0 v 0 x 0 V t I 0 )dv k...dv dx k...dx, (28) Ko integriramo po spremenljivkah x i, vedno integriramo samo δ-funkcije, tako da bomo iz integracije po vseh x i dobili. Ostane nam integracija po v i, pri čemer najprej integriramo po v k, nato po v k 2, i.t.n., do v. Zopet lahko izluščimo iterativno formulo za integriranje po spremenljivki v i, in s pomočjo te formule lahko zapišemo končni rezultat: f(x k v 0 x 0 V t I 0 ) = exp [ (v k A k v 0 ) 2 ] 2π V t A ( A 2k ) 2 V t 2 A ( A 2k ) 2 Preostane nam le še limita. Ko jo naredimo, grejo členi A nk proti e nβt, člen te izraze vstavimo v (29), dobimo rešitev (20). V t A 2 pa proti V t 2β t = V 0 (29) 2β. Ko 3
16 Literatura I. Kuščer, A. Kodre - Matematika v fiziki in tehniki DMFA, Ljubljana (994) 2 A. Likar - Osnove fizikalnih merjenj in merilnih sistemov DMFA, Ljubljana (200) 3 S. Chandrasekhar - Stochastic problems in Physics and Astronomy, Rev.Mod.Phys., vol.5, -89 (943) 4 M. Wang, G. Uhlenbeck - On the Theory of the Brownian Motion II, Rev.Mod.Phys., vol.36, (945) 5 E.Nelson - Dynamical theories of Brownian motion, Princeton University Press (967) 6 E.Kappler - Versuche zur Messung der Avogadro-Loschmidtschen Zahl aus der Brownschen Bewegung einer Drehwaage, Annalen der Physik, (93) 4
Matematika Diferencialne enačbe prvega reda (1) Reši diferencialne enačbe z ločljivimi spremenljivkami: (a) y = 2xy, (b) y tg x = y, (c) y = 2x(1 + y
Matematika Diferencialne enačbe prvega reda (1) Reši diferencialne enačbe z ločljivimi spremenljivkami: (a) y = 2xy, (b) y tg x = y, (c) y = 2x(1 + y 2 ). Rešitev: Diferencialna enačba ima ločljive spremenljivke,
Prikaži večUniverza v Mariboru Fakulteta za naravoslovje in matematiko Oddelek za matematiko in računalništvo Enopredmetna matematika IZPIT IZ VERJETNOSTI IN STA
Enopredmetna matematika IN STATISTIKE Maribor, 31. 01. 2012 1. Na voljo imamo kovanca tipa K 1 in K 2, katerih verjetnost, da pade grb, je p 1 in p 2. (a) Istočasno vržemo oba kovanca. Verjetnost, da je
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost Pisni izpit 5. februar 2018 Navodila Pazljivo preberite
Ime in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost Pisni izpit 5 februar 018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Nalog je
Prikaži večFAKULTETA ZA STROJNIŠTVO Matematika 2 Pisni izpit 9. junij 2005 Ime in priimek: Vpisna št: Zaporedna številka izpita: Navodila Pazljivo preberite bese
FAKULTETA ZA STROJNIŠTVO Matematika Pisni izpit 9. junij 005 Ime in priimek: Vpisna št: Zaporedna številka izpita: Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja. Veljale bodo
Prikaži večresitve.dvi
FAKULTETA ZA STROJNISTVO Matematika Pisni izpit. junij 22 Ime in priimek Vpisna st Navodila Pazljivo preberite besedilo naloge, preden se lotite resevanja. Veljale bodo samo resitve na papirju, kjer so
Prikaži večglava.dvi
Lastnosti verjetnosti 1. Za dogodka A in B velja: P(A B) = P(A) + P(B) P(A B) 2. Za dogodke A, B in C velja: P(A B C) = P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P(A B C) Kako lahko to pravilo posplošimo
Prikaži večresitve.dvi
FAKULTETA ZA STROJNIŠTVO Matematika 4 Pisni izpit 3. februar Ime in priimek: Vpisna št: Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja. Veljale bodo samo rešitve na papirju, kjer
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 31. avgust 2018 Navodila Pazljivo preberite
Ime in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 31 avgust 018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Za pozitiven
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 6. julij 2018 Navodila Pazljivo preberite be
Ime in priimek: Vpisna št: FAKULEA ZA MAEMAIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 6 julij 2018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Za pozitiven rezultat
Prikaži večBrownova kovariancna razdalja
Brownova kovariančna razdalja Nace Čebulj Fakulteta za matematiko in fiziko 8. januar 2015 Nova mera odvisnosti Motivacija in definicija S primerno izbiro funkcije uteži w(t, s) lahko definiramo mero odvisnosti
Prikaži večOsnove matematicne analize 2018/19
Osnove matematične analize 2018/19 Neža Mramor Kosta Fakulteta za računalništvo in informatiko Univerza v Ljubljani Funkcija je predpis, ki vsakemu elementu x iz definicijskega območja D f R priredi natanko
Prikaži večPoslovilno predavanje
Poslovilno predavanje Matematične teme z didaktiko Marko Razpet, Pedagoška fakulteta Ljubljana, 20. november 2014 1 / 32 Naše skupne ure Matematične tehnologije 2011/12 Funkcije več spremenljivk 2011/12
Prikaži večPoskusi s kondenzatorji
Poskusi s kondenzatorji Samo Lasič, Fakulteta za Matematiko in Fiziko, Oddelek za fiziko, Ljubljana Povzetek Opisani so nekateri poskusi s kondenzatorji, ki smo jih izvedli z merilnim vmesnikom LabPro.
Prikaži večFGG13
10.8 Metoda zveznega nadaljevanja To je metoda za reševanje nelinearne enačbe f(x) = 0. Če je težko poiskati začetni približek (še posebno pri nelinearnih sistemih), si lahko pomagamo z uvedbo dodatnega
Prikaži večMatematika II (UN) 2. kolokvij (7. junij 2013) RE ITVE Naloga 1 (25 to k) ƒasovna funkcija f je denirana za t [0, 2] in podana s spodnjim grafom. f t
Matematika II (UN) 2. kolokvij (7. junij 2013) RE ITVE Naloga 1 (25 to k) ƒasovna funkcija f je denirana za t [0, 2] in podana s spodnjim grafom. f t 0.5 1.5 2.0 t a.) Nari²ite tri grafe: graf (klasi ne)
Prikaži večNAVADNA (BIVARIATNA) LINEARNA REGRESIJA O regresijski analizi govorimo, kadar želimo opisati povezanost dveh numeričnih spremenljivk. Opravka imamo to
NAVADNA (BIVARIATNA) LINEARNA REGRESIJA O regresijski analizi govorimo, kadar želimo opisati povezanost dveh numeričnih spremenljivk. Opravka imamo torej s pari podatkov (x i,y i ), kjer so x i vrednosti
Prikaži večSlide 1
SLUČAJNE SPREMENLJIVKE Povezave med verjetnostjo P, porazdelitveno funcijo F in gostoto porazdelitve p. P F (x) =P( x) P(a b)=f (b)-f (a) F p Slučajna spremenljiva ima gostoto p. Kašno gostoto ima Y=+l?
Prikaži večMicrosoft Word - Astronomija-Projekt19fin
Univerza v Ljubljani Fakulteta za matematiko in fiziko Jure Hribar, Rok Capuder Radialna odvisnost površinske svetlosti za eliptične galaksije Projektna naloga pri predmetu astronomija Ljubljana, april
Prikaži večMrežni modeli polimernih verig Boštjan Jenčič 22. maj 2013 Eden preprostejših opisov polimerne verige je mrežni model, kjer lahko posamezni segmenti p
Mrežni modeli polimernih verig Boštjan Jenčič. maj 013 Eden preprostejših opisov polimerne verige je mrežni model, kjer lahko posameni segmenti polimera asedejo golj ogljišča v kvadratni (ali kubični v
Prikaži večLABORATORIJSKE VAJE IZ FIZIKE
UVOD LABORATORIJSKE VAJE IZ FIZIKE V tem šolskem letu ste se odločili za fiziko kot izbirni predmet. Laboratorijske vaje boste opravljali med poukom od začetka oktobra do konca aprila. Zunanji kandidati
Prikaži večMatematika II (UNI) Izpit (23. avgust 2011) RE ITVE Naloga 1 (20 to k) Vektorja a = (0, 1, 1) in b = (1, 0, 1) oklepata trikotnik v prostoru. Izra una
Matematika II (UNI) Izpit (. avgust 11) RE ITVE Naloga 1 ( to k) Vektorja a = (, 1, 1) in b = (1,, 1) oklepata trikotnik v prostoru. Izra unajte: kot med vektorjema a in b, pravokotno projekcijo vektorja
Prikaži večUniverza na Primorskem FAMNIT, MFI Vrednotenje zavarovalnih produktov Seminarska naloga Naloge so sestavni del preverjanja znanja pri predmetu Vrednot
Univerza na Primorskem FAMNIT, MFI Vrednotenje zavarovalnih produktov Seminarska naloga Naloge so sestavni del preverjanja znanja pri predmetu Vrednotenje zavarovalnih produktov. Vsaka naloga je vredna
Prikaži večC:/Users/Matevž Èrepnjak/Dropbox/FKKT/TESTI-IZPITI-REZULTATI/ /Izpiti/FKKT-avgust-17.dvi
Vpisna številka Priimek, ime Smer: K KT WA Izpit pri predmetu MATEMATIKA I Računski del Ugasni in odstrani mobilni telefon. Uporaba knjig in zapiskov ni dovoljena. Dovoljeni pripomočki so: kemični svinčnik,
Prikaži več2. Model multiple regresije
2. Model multiple regresije doc. dr. Miroslav Verbič miroslav.verbic@ef.uni-lj.si www.miroslav-verbic.si Ljubljana, februar 2014 2.1 Populacijski regresijski model in regresijski model vzorčnih podatkov
Prikaži večPopravki nalog: Numerična analiza - podiplomski študij FGG : popravljena naloga : popravljena naloga 14 domače naloge - 2. skupina
Popravki nalog: Numerična analiza - podiplomski študij FGG 9.8.24: popravljena naloga 4 3..25: popravljena naloga 4 domače naloge - 2. skupina V drugem delu morate rešiti toliko nalog, da bo njihova skupna
Prikaži večAlbert Einstein in teorija relativnosti
Albert Einstein in teorija relativnosti Rojen 14. marca 1879 v judovski družini v Ulmu, odraščal pa je v Münchnu Obiskoval je katoliško osnovno šolo, na materino željo se je učil igrati violino Pri 15
Prikaži večPoglavje 3 Reševanje nelinearnih enačb Na iskanje rešitve enačbe oblike f(x) = 0 (3.1) zelo pogosto naletimo pri reševanju tehničnih problemov. Pri te
Poglavje 3 Reševanje nelinearnih enačb Na iskanje rešitve enačbe oblike f(x) = 0 (3.1) zelo pogosto naletimo pri reševanju tehničnih problemov. Pri tem je lahko nelinearna funkcija f podana eksplicitno,
Prikaži večVrste
Matematika 1 17. - 24. november 2009 Funkcija, ki ni algebraična, se imenuje transcendentna funkcija. Podrobneje si bomo ogledali naslednje transcendentne funkcije: eksponentno, logaritemsko, kotne, ciklometrične,
Prikaži večMatematika 2
Matematika 2 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 23. april 2014 Soda in liha Fourierjeva vrsta Opomba Pri razvoju sode periodične funkcije f v Fourierjevo vrsto v razvoju nastopajo
Prikaži večPowerPoint Presentation
Integral rešujemo nalogo: Dana je funkcija f. Najdimo funkcijo F, katere odvod je enak f. Če je F ()=f() pravimo, da je F() primitivna funkcija za funkcijo f(). Primeri: f ( ) = cos f ( ) = sin f () =
Prikaži večX. PREDAVANJE 6. Termodinamika Termodinamika obravnava pojave v snovi, ki so v povezavi z neurejenim gibanjem molekul in sil med njimi. Snov sestavlja
X. PREDAVANJE 6. Termodinamika Termodinamika obravnava pojave v snovi, ki so v povezavi z neurejenim gibanjem molekul in sil med njimi. Snov sestavlja izredno veliko molekul (atomov), med katerimi delujejo
Prikaži več1 Diskretni naklju ni vektorji 1 1 Diskretni naklju ni vektorji 1. Dopolni tabelo tako, da bosta X in Y neodvisni. X Y x x x x x
1 Diskretni naklju ni vektorji 1 1 Diskretni naklju ni vektorji 1. Dopolni tabelo tako, da bosta X in Y neodvisni. X Y 0 1 2 1 1-1 x x 20 10 1 0 x x x 10 1 1 x x x 20 x x x 1 Dolo i ²e spremenljivko Z,
Prikaži večREŠEVANJE DIFERENCIALNIH ENAČB Z MEHANSKIMI RAČUNSKIMI STROJI Pino Koc Seminar za učitelje matematike FMF, Ljubljana, 25. september 2015 Vir: [1] 1
REŠEVANJE DIFERENCIALNIH ENAČB Z MEHANSKIMI RAČUNSKIMI STROJI Pino Koc Seminar za učitelje matematike FMF, Ljubljana, 25. september 2015 Vir: [1] 1 Nekateri pripomočki in naprave za računanje: 1a) Digitalni
Prikaži več1 Naloge iz Matematične fizike II /14 1. Enakomerno segreto kocko vržemo v hladnejšo vodo stalne temperature. Kako se spreminja s časom temperat
1 Naloge iz Matematične fizike II - 2013/14 1. Enakomerno segreto kocko vržemo v hladnejšo vodo stalne temperature. Kako se spreminja s časom temperatura v kocki? Kakšna je časovna odvisnost toplotnega
Prikaži več11. Navadne diferencialne enačbe Začetni problem prvega reda Iščemo funkcijo y(x), ki zadošča diferencialni enačbi y = f(x, y) in začetnemu pogo
11. Navadne diferencialne enačbe 11.1. Začetni problem prvega reda Iščemo funkcijo y(x), ki zadošča diferencialni enačbi y = f(x, y) in začetnemu pogoju y(x 0 ) = y 0, kjer je f dana dovolj gladka funkcija
Prikaži večdr. Andreja Šarlah Teorijska fizika II (FMF, Pedagoška fizika, 2010/11) kolokviji in izpiti Vsebina Kvantna mehanika 2 1. kolokvij 2 2. kolokvij 4 1.
dr. Andreja Šarlah Teorijska fizika II (FMF, Pedagoška fizika, 2010/11) kolokviji in izpiti Vsebina Kvantna mehanika 2 1. kolokvij 2 2. kolokvij 4 1. izpit 5 2. izpit 6 3. izpit (2014) 7 Termodinamika
Prikaži večC:/Users/Matevž Èrepnjak/Dropbox/FKKT/TESTI-IZPITI-REZULTATI/ /Izpiti/FKKT-junij-17.dvi
Vpisna številka Priimek, ime Smer: K KT WA Izpit pri predmetu MATEMATIKA I Računski del Ugasni in odstrani mobilni telefon. Uporaba knjig in zapiskov ni dovoljena. Dovoljeni pripomočki so: kemični svinčnik,
Prikaži večC:/Users/Matevž Èrepnjak/Dropbox/FKKT/testi in izpiti/ /IZPITI/FKKT-februar-14.dvi
Kemijska tehnologija, Kemija Bolonjski univerzitetni program Smer: KT K WolframA: DA NE Računski del izpita pri predmetu MATEMATIKA I 6. 2. 2014 Čas reševanja je 75 minut. Navodila: Pripravi osebni dokument.
Prikaži večBiometrija 1 Poglavje 1 PORAZDELITVE NAKLJUČNIH SPREMENLJIVK Porazdelitve nam predstavljajo pogostnost posameznih vrednosti. Predstavimo jih lahko s š
Biometrija 1 Poglavje 1 PORAZDELITVE NAKLJUČNIH SPREMENLJIVK Porazdelitve nam predstavljajo pogostnost posameznih vrednosti. Predstavimo jih lahko s številom posameznih vrednosti (dogodkov) ali z deleži
Prikaži večresitve.dvi
FAKULTETA ZA STROJNIŠTVO Matematika 4 Pini izpit 2. januar 22 Ime in priimek: Vpina št: Navodila Pazljivo preberite beedilo naloge, preden e lotite reševanja. Veljale bodo amo rešitve na papirju, kjer
Prikaži večELEKTRIČNI NIHAJNI KROG TEORIJA Električni nihajni krog je električno vezje, ki služi za generacijo visokofrekvenče izmenične napetosti. V osnovi je "
ELEKTRIČNI NIHAJNI KROG TEORIJA Električni nihajni krog je električno vezje, ki služi za generacijo visokofrekvenče izmenične napetosti. V osnovi je "električno" nihalo, sestavljeno iz vzporedne vezave
Prikaži večLaTeX slides
Linearni in nelinearni modeli Milena Kovač 22. december 2006 Biometrija 2006/2007 1 Linearni, pogojno linearni in nelinearni modeli Kriteriji za razdelitev: prvi parcialni odvodi po parametrih Linearni
Prikaži več6.1 Uvod 6 Igra Chomp Marko Repše, Chomp je nepristranska igra dveh igralcev s popolno informacijo na dvo (ali vec) dimenzionalnem prostoru
6.1 Uvod 6 Igra Chomp Marko Repše, 30.03.2009 Chomp je nepristranska igra dveh igralcev s popolno informacijo na dvo (ali vec) dimenzionalnem prostoru in na končni ali neskončni čokoladi. Igralca si izmenjujeta
Prikaži večNaloge 1. Dva električna grelnika z ohmskima upornostma 60 Ω in 30 Ω vežemo vzporedno in priključimo na idealni enosmerni tokovni vir s tokom 10 A. Tr
Naloge 1. Dva električna grelnika z ohmskima upornostma 60 Ω in 30 Ω vežemo vzporedno in priključimo na idealni enosmerni tokovni vir s tokom 10 A. Trditev: idealni enosmerni tokovni vir obratuje z močjo
Prikaži več3. Preizkušanje domnev
3. Preizkušanje domnev doc. dr. Miroslav Verbič miroslav.verbic@ef.uni-lj.si www.miroslav-verbic.si Ljubljana, februar 2014 3.1 Izračunavanje intervala zaupanja za vrednosti regresijskih koeficientov Motivacija
Prikaži večpredstavitev fakultete za matematiko 2017 A
ZAKAJ ŠTUDIJ MATEMATIKE? Ker vam je všeč in vam gre dobro od rok! lepa, eksaktna veda, ki ne zastara matematičnoanalitično sklepanje je uporabno povsod matematiki so zaposljivi ZAKAJ V LJUBLJANI? najdaljša
Prikaži večPrevodnik_v_polju_14_
14. Prevodnik v električnem polju Vsebina poglavja: prevodnik v zunanjem električnem polju, površina prevodnika je ekvipotencialna ploskev, elektrostatična indukcija (influenca), polje znotraj votline
Prikaži večOsnove statistike v fizični geografiji 2
Osnove statistike v geografiji - Metodologija geografskega raziskovanja - dr. Gregor Kovačič, doc. Bivariantna analiza Lastnosti so med sabo odvisne (vzročnoposledično povezane), kadar ena lastnost (spremenljivka
Prikaži večTuringov stroj in programiranje Barbara Strniša Opis in definicija Definirajmo nekaj oznak: Σ abeceda... končna neprazna množica simbolo
Turingov stroj in programiranje Barbara Strniša 12. 4. 2010 1 Opis in definicija Definirajmo nekaj oznak: Σ abeceda... končna neprazna množica simbolov (običajno Σ 2) Σ n = {s 1 s 2... s n ; s i Σ, i =
Prikaži večDOMACA NALOGA - LABORATORIJSKE VAJE NALOGA 1 Dani sta kompleksni stevili z in z Kompleksno stevilo je definirano kot : z = a + b, a p
DOMACA NALOGA - LABORATORIJSKE VAJE NALOGA 1 Dani sta kompleksni stevili z 1 5 2 3 in z 2 3 8 5. Kompleksno stevilo je definirano kot : z = a + b, a predstavlja realno, b pa imaginarno komponento. z 1
Prikaži večC:/Users/Matevz/Dropbox/FKKT/TESTI-IZPITI-REZULTATI/ /Izpiti/FKKT-januar-februar-15.dvi
Kemijska tehnologija, Kemija Bolonjski univerzitetni program Smer: KT K WolframA: DA NE Čas reševanja je 75 minut. Navodila: Računski del izpita pri predmetu MATEMATIKA I Ugasni in odstrani mobilni telefon.
Prikaži večUNIVERZA V LJUBLJANI FAKULTETA ZA MATEMATIKO IN FIZIKO Katja Ciglar Analiza občutljivosti v Excel-u Seminarska naloga pri predmetu Optimizacija v fina
UNIVERZA V LJUBLJANI FAKULTETA ZA MATEMATIKO IN FIZIKO Katja Ciglar Analiza občutljivosti v Excel-u Seminarska naloga pri predmetu Optimizacija v financah Ljubljana, 2010 1. Klasični pristop k analizi
Prikaži večVerjetnost in vzorčenje: teoretske porazdelitve standardne napake ocenjevanje parametrov as. dr. Nino RODE prof. dr. Blaž MESEC
Verjetnost in vzorčenje: teoretske porazdelitve standardne napake ocenjevanje parametrov as. dr. Nino RODE prof. dr. Blaž MESEC VERJETNOST osnovni pojmi Poskus: dejanje pri katerem je izid negotov met
Prikaži večresitve.dvi
FAKULTETA ZA STROJNISTVO Matematika 2. kolokvij. december 2 Ime in priimek: Vpisna st: Navodila Pazljivo preberite besedilo naloge, preden se lotite resevanja. Veljale bodo samo resitve na papirju, kjer
Prikaži večVaje: Matrike 1. Ugani rezultat, nato pa dokaži z indukcijo: (a) (b) [ ] n 1 1 ; n N 0 1 n ; n N Pokaži, da je množica x 0 y 0 x
Vaje: Matrike 1 Ugani rezultat, nato pa dokaži z indukcijo: (a) (b) [ ] n 1 1 ; n N n 1 1 0 1 ; n N 0 2 Pokaži, da je množica x 0 y 0 x y x + z ; x, y, z R y x z x vektorski podprostor v prostoru matrik
Prikaži večOptimizacija z roji delcev - Seminarska naloga pri predmetu Izbrana poglavja iz optimizacije
Univerza v Ljubljani Fakulteta za matematiko in fiziko Seminarska naloga pri predmetu Izbrana poglavja iz optimizacije 2. junij 2011 Koncept PSO Motivacija: vedenje organizmov v naravi Ideja: koordinirano
Prikaži večDN5(Kor).dvi
Koreni Število x, ki reši enačbo x n = a, imenujemo n-ti koren števila a in to označimo z n a. Pri tem je n naravno število, a pa poljubno realno število. x = n a x n = a. ( n a ) n = a. ( n a ) m = n
Prikaži večMicrosoft Word - ELEKTROTEHNIKA2_ junij 2013_pola1 in 2
Šifra kandidata: Srednja elektro šola in tehniška gimnazija ELEKTROTEHNIKA PISNA IZPITNA POLA 1 12. junij 2013 Čas pisanja 40 minut Dovoljeno dodatno gradivo in pripomočki: Kandidat prinese nalivno pero
Prikaži večANALITIČNA GEOMETRIJA V RAVNINI
3. Analitična geometrija v ravnini Osnovna ideja analitične geometrije je v tem, da vaskemu geometrijskemu objektu (točki, premici,...) pridružimo števila oz koordinate, ki ta objekt popolnoma popisujejo.
Prikaži večBYOB Žogica v vesolju Besedilo naloge Glavna ideja igre je paziti, da žoga ne pade na tla igralne površine, pri tem pa zbrati čim več točk. Podobno ig
BYOB Žogica v vesolju Besedilo naloge Glavna ideja igre je paziti, da žoga ne pade na tla igralne površe, pri tem pa zbrati čim več točk. Podobno igro najdemo tudi v knjigi Scratch (Lajovic, 2011), vendar
Prikaži večMicrosoft Word - avd_vaje_ars1_1.doc
ARS I Avditorne vaje Pri nekem programu je potrebno izvršiti N=1620 ukazov. Pogostost in trajanje posameznih vrst ukazov računalnika sta naslednja: Vrsta ukaza Štev. urinih period Pogostost Prenosi podatkov
Prikaži večDELOVNI LIST ZA UČENCA
ZRCALA - UVOD 1. polprepustno zrcalo 2. ploščice različnih barv ( risalni žebljički), svinčnik 3. ravnilo Na bel papir postavi polprepustno zrcalo in označi njegovo lego. Pred zrcalo postavi risalni žebljiček.
Prikaži več1. izbirni test za MMO 2018 Ljubljana, 16. december Naj bo n naravno število. Na mizi imamo n 2 okraskov n različnih barv in ni nujno, da imam
1. izbirni test za MMO 018 Ljubljana, 16. december 017 1. Naj bo n naravno število. Na mizi imamo n okraskov n različnih barv in ni nujno, da imamo enako število okraskov vsake barve. Dokaži, da se okraske
Prikaži večMicrosoft Word - CelotniPraktikum_2011_verZaTisk.doc
Elektrotehniški praktikum Sila v elektrostatičnem polju Namen vaje Našli bomo podobnost med poljem mirujočih nabojev in poljem mas, ter kakšen vpliv ima relativna vlažnost zraka na hitrost razelektritve
Prikaži večMicrosoft PowerPoint - OVT_4_IzolacijskiMat_v1.pptx
Osnove visokonapetostne tehnike Izolacijski materiali Boštjan Blažič bostjan.blazic@fe.uni lj.si leon.fe.uni lj.si 01 4768 414 013/14 Izolacijski materiali Delitev: plinasti, tekoči, trdni Plinasti dielektriki
Prikaži večP181C10111
Š i f r a k a n d i d a t a : Državni izpitni center *P181C10111* SPOMLADANSKI IZPITNI ROK MATEMATIKA Izpitna pola Sobota, 9. junij 018 / 10 minut Dovoljeno gradivo in pripomočki: Kandidat prinese nalivno
Prikaži večSTAVKI _5_
5. Stavki (Teoremi) Vsebina: Stavek superpozicije, stavek Thévenina in Nortona, maksimalna moč na bremenu (drugič), stavek Tellegena. 1. Stavek superpozicije Ta stavek določa, da lahko poljubno vezje sestavljeno
Prikaži večEKVITABILNE PARTICIJE IN TOEPLITZOVE MATRIKE Aleksandar Jurišić Politehnika Nova Gorica in IMFM Vipavska 13, p.p. 301, Nova Gorica Slovenija Štefko Mi
EKVITABILNE PARTICIJE IN TOEPLITZOVE MATRIKE Aleksandar Jurišić Politehnika Nova Gorica in IMFM Vipavska 13, p.p. 301, Nova Gorica Slovenija Štefko Miklavič 30. okt. 2003 Math. Subj. Class. (2000): 05E{20,
Prikaži več(Microsoft PowerPoint - vorsic ET 9.2 OES matri\350ne metode 2011.ppt [Compatibility Mode])
8.2 OBRATOVANJE ELEKTROENERGETSKEGA SISTEMA o Matrične metode v razreševanju el. omrežij Matrične enačbe električnih vezij Numerične metode za reševanje linearnih in nelinearnih enačb Sistem algebraičnih
Prikaži večUniverza v Novi Gorici Fakulteta za aplikativno naravoslovje Fizika (I. stopnja) Mehanika 2014/2015 VAJE Gravitacija - ohranitveni zakoni
Univerza v Novi Gorici Fakulteta za aplikativno naravoslovje Fizika (I. stopnja) Mehanika 2014/2015 VAJE 12. 11. 2014 Gravitacija - ohranitveni zakoni 1. Telo z maso M je sestavljeno iz dveh delov z masama
Prikaži večGeomInterp.dvi
Univerza v Ljubljani Fakulteta za matematiko in fiziko Seminar za Numerično analizo Geometrijska interpolacija z ravninskimi parametričnimi polinomskimi krivuljami Gašper Jaklič, Jernej Kozak, Marjeta
Prikaži večIme in priimek
Polje v osi tokovne zanke Seminar pri predmetu Osnove Elektrotehnike II, VSŠ (Uporaba programskih orodij v elektrotehniki) Ime Priimek, vpisna številka, skupina Ljubljana,.. Kratka navodila: Seminar mora
Prikaži večRAM stroj Nataša Naglič 4. junij RAM RAM - random access machine Bralno pisalni, eno akumulatorski računalnik. Sestavljajo ga bralni in pisalni
RAM stroj Nataša Naglič 4. junij 2009 1 RAM RAM - random access machine Bralno pisalni, eno akumulatorski računalnik. Sestavljajo ga bralni in pisalni trak, pomnilnik ter program. Bralni trak- zaporedje
Prikaži več(Microsoft Word - 3. Pogre\232ki in negotovost-c.doc)
3.4 Merilna negotovost Merilna negotovost je parameter, ki pripada merilnem rezltat. Označje razpršenost vrednosti, ki jih je mogoče z določeno verjetnostjo pripisati merjeni veličini. Navaja kakovost
Prikaži večPoročilo za 1. del seminarske naloge- igrica Kača Opis igrice Kača (Snake) je klasična igrica, pogosto prednaložena na malce starejših mobilnih telefo
Poročilo za 1. del seminarske naloge- igrica Kača Opis igrice Kača (Snake) je klasična igrica, pogosto prednaložena na malce starejših mobilnih telefonih. Obstaja precej različic, sam pa sem sestavil meni
Prikaži večSlide 1
Vsak vektor na premici skozi izhodišče lahko zapišemo kot kjer je v smerni vektor premice in a poljubno število. r a v Vsak vektor na ravnini skozi izhodišče lahko zapišemo kot kjer sta v, v vektorja na
Prikaži večKazalo 1 DVOMESTNE RELACIJE Operacije z dvomestnimi relacijami Predstavitev relacij
Kazalo 1 DVOMESTNE RELACIJE 1 1.1 Operacije z dvomestnimi relacijami...................... 2 1.2 Predstavitev relacij............................... 3 1.3 Lastnosti relacij na dani množici (R X X)................
Prikaži večStatistika, Prakticna matematika, , izrocki
Srednje vrednosti Srednja vrednost...... številske spremenljivke X je tako število, s katerim skušamo kar najbolje naenkrat povzeti vrednosti na posameznih enotah: Polovica zaposlenih oseb ima bruto osebni
Prikaži večDelavnica Načrtovanje digitalnih vezij
Laboratorij za načrtovanje integriranih vezij Univerza v Ljubljani Fakulteta za elektrotehniko Programirljivi Digitalni Sistemi Digitalni sistem Digitalni sistemi na integriranem vezju Digitalni sistem
Prikaži večMicrosoft PowerPoint - p_TK_inzeniring_1_dan_v5_shortTS.ppt [Compatibility Mode]
Telekomunikacijski inženiring dr. Iztok Humar Vsebina Značilnosti TK prometa, preprosti modeli, uporaba Uvod Značilnosti telekomunikacijskega prometa Modeliranje vodovno komutiranih zvez Erlang B Erlang
Prikaži več7. VAJA A. ENAČBA ZBIRALNE LEČE
7. VAJA A. ENAČBA ZBIRALNE LEČE 1. UVOD Enačbo leče dobimo navadno s pomočjo geometrijskih konstrukcij. V našem primeru bomo do te enačbe prišli eksperimentalno, z merjenjem razdalj a in b. 2. NALOGA Izračunaj
Prikaži večDN080038_plonk plus fizika SS.indd
razlage I formule I rešeni primeri I namigi I opozorila I tabele Srednješolski Plonk+ Fizika razlage formule rešeni primeri namigi opozorila tabele Avtor: Vasja Kožuh Strokovni pregled: dr. Gorazd Planinšič
Prikaži večNAVODILA AVTORJEM PRISPEVKOV
Predmetna komisija za nižji izobrazbeni standard matematika Opisi dosežkov učencev 6. razreda na nacionalnem preverjanju znanja Slika: Porazdelitev točk pri matematiki (NIS), 6. razred 1 ZELENO OBMOČJE
Prikaži večCpE & ME 519
2D Transformacije Zakaj potrebujemo transformacije? Animacija Več instanc istega predmeta, variacije istega objekta na sceni Tvorba kompliciranih predmetov iz bolj preprostih Transformacije gledanja Kaj
Prikaži večNEKAJ VPRAŠANJ IZ MATEMATIKE 2 1. Katero točko evklidskega prostora R n imenujemo notranjo (zunanjo, robno) točko množice M R n? 2. Za poljubno množic
NEKAJ VPRAŠANJ IZ MATEMATIKE 2 1. Katero točko evklidskega prostora R n imenujemo notranjo (zunanjo, robno) točko množice M R n? 2. Za poljubno množico M R n evklidskega prostora R n definirajte množice
Prikaži večSpace Invaders Opis igre: Originalna igra: Space Invaders je arkadna igra, ki so jo ustvarili leta Bila je ena izmed prvih streljaških iger, v k
Space Invaders Opis igre: Originalna igra: Space Invaders je arkadna igra, ki so jo ustvarili leta 1978. Bila je ena izmed prvih streljaških iger, v kateri je igralec vodil laserski top ali vesoljsko ladjo,
Prikaži večPowerPointova predstavitev
Obravnava kotov za učence s posebnimi potrebami Reading of angles for pupils with special needs Petra Premrl OŠ Danila Lokarja Ajdovščina OSNOVNA ŠOLA ENAKOVREDNI IZOBRAZBENI STANDARD NIŽJI IZOBRAZBENI
Prikaži večNaloge iz kolokvijev Analize 1 (z rešitvami) E-UNI, GING, TK-UNI FERI dr. Iztok Peterin Maribor 2009 V tej datoteki so zbrane naloge iz kolokvijev za
Naloge iz kolokvijev Analize (z rešitvami) E-UNI, GING, TK-UNI FERI dr. Iztok Peterin Maribor 2009 V tej datoteki so zbrane naloge iz kolokvijev za predmet Analiza na smereh E-UNI, GING in TK-UNI na Fakulteti
Prikaži večM
Š i f r a k a n d i d a t a : Državni izpitni center *M16140111* Osnovna raven MATEMATIKA Izpitna pola 1 SPOMLADANSKI IZPITNI ROK Sobota, 4. junij 016 / 10 minut Dovoljeno gradivo in pripomočki: Kandidat
Prikaži večGeometrija v nacionalnih preverjanjih znanja
Geometrija v nacionalnih preverjanjih znanja Aleš Kotnik, OŠ Rada Robiča Limbuš Boštjan Repovž, OŠ Krmelj Struktura NPZ za 6. razred Struktura NPZ za 9. razred Taksonomska stopnja (raven) po Gagneju I
Prikaži večresitve.dvi
FAKULTETA ZA STROJNIŠTVO Matematika 2. kolokvij 4. januar 212 Ime in priimek: Vpisna št: Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja. Veljale bodo samo rešitve na papirju, kjer
Prikaži večLaTeX slides
Statistični modeli - interakcija - Milena Kovač 23. november 2007 Biometrija 2007/08 1 Število živorojenih pujskov Biometrija 2007/08 2 Sestavimo model! Vplivi: leto, farma Odvisna spremenljivka: število
Prikaži več5 SIMPLICIALNI KOMPLEKSI Definicija 5.1 Vektorji r 0,..., r k v R n so afino neodvisni, če so vektorji r 1 r 0, r 2 r 0,..., r k r 0 linearno neodvisn
5 SIMPLICIALNI KOMPLEKSI Definicija 5.1 Vektorji r 0,..., r k v R n so afino neodvisni, če so vektorji r 1 r 0, r 2 r 0,..., r k r 0 linearno neodvisni. Če so krajevni vektorji do točk a 0,..., a k v R
Prikaži večUvod v diferencialne enačbe, kompleksno in Fourierovo analizo Bojan Magajna Fakulteta za matematiko in fiziko, Univerza v Ljubljani
Uvod v diferencialne enačbe, kompleksno in Fourierovo analizo Bojan Magajna Fakulteta za matematiko in fiziko, Univerza v Ljubljani UVOD V DIFERENCIALNE ENAČBE, KOMPLEKSNO IN FOURIEROVO ANALIZO Povzetek
Prikaži večPREDMETNI KURIKULUM ZA RAZVOJ METEMATIČNIH KOMPETENC
MATEMATIKA 1.razred OSNOVE PREDMETA POKAZATELJI ZNANJA SPRETNOSTI KOMPETENCE Naravna števila -pozna štiri osnovne računske operacije in njihove lastnosti, -izračuna številske izraze z uporabo štirih računskih
Prikaži večPosebne funkcije
10 Posebne funkcije Posebne funkcije Geometrijska vrsta Binomska vrsta Eksponentna funkcija Logaritemska funkcija Kotne funkcije Kotne tabele Grafi kotnih funkcij Obratne kotne funkcije 10.1 Posebne funkcije
Prikaži večMicrosoft Word - Analiza rezultatov NPZ matematika 2018.docx
Analiza dosežkov pri predmetu matematika za NPZ 28 6. razred NPZ matematika 28 Dosežek šole Povprečno število točk v % Državno povprečje Povprečno število točk v % Odstopanje v % 49,55 52,52 2,97 Povprečni
Prikaži večMladi za napredek Maribora srečanje DOLŽINA»SPIRALE«Matematika Raziskovalna naloga Februar 2015
Mladi za napredek Maribora 015 3. srečanje DOLŽINA»SPIRALE«Matematika Raziskovalna naloga Februar 015 Kazalo 1. Povzetek...3. Uvod...4 3. Spirala 1...5 4. Spirala...6 5. Spirala 3...8 6. Pitagorejsko drevo...10
Prikaži večMicrosoft Word - UP_Lekcija04_2014.docx
4. Zanka while Zanke pri programiranju uporabljamo, kadar moramo stavek ali skupino stavkov izvršiti večkrat zaporedoma. Namesto, da iste (ali podobne) stavke pišemo n-krat, jih napišemo samo enkrat in
Prikaži več