Fysik 7 - Statistisk fysik Formelsamling til eksamen

Størrelse: px
Starte visningen fra side:

Download "Fysik 7 - Statistisk fysik Formelsamling til eksamen"

Transkript

1 Fysik 7 - Statistisk fysik Formelsamling til eksamen Sebastian B. Simonsen og Lykke Pedersen 18. januar 2006 Indhold 1 Kapitel 1 - Indledning 2 2 Kapitel 2 - Sandsynlighedsfordelinger Binomial fordeling Multinomialfordeling Normalfordeling Poisson fordeling Kapitel 3 - Eksperimentelle usikkerheder 6 4 Kapitel 4 - Parameterbestemmelser 6 5 Kapitel 5 - Prior sandsynligheder 8 6 Kapitel 6 - Termodynamik Det kanoniske ensemble Tryk-ensemble Store Kanonisk ensemble Kapitel 7 - Kvantemekanik og varmefylder 15 8 Kapitel 8 - Fermioner og Bosoner Fermioner Bosoner

2 1 KAPITEL 1 - INDLEDNING 2 1 Kapitel 1 - Indledning Regneregler : Hvis A er sand så er Ā falsk. AB = A og B A + B = A el. B AB = Ā + B P (A) er sandsynligheden for A, og der må gælde P (AB) = P (Ā + B) A givet I skrives A I, dvs P (A I) betyder sandsynligheden for A givet informationen I Sumregel : Produktregel : P (A I) + P (Ā I) = 1 } P (AB I ) = P (A I )P (B AI ) A og B afhængige P (AB I ) = P (B I )P (A BI ) P (AB I ) = P (A I )P (B I )} A og B uafhængige Gen. sumregel : Bayes formel : P (A + B I) = P (A I) + P (B I) P (AB I) P (T DI) = P (D T I) P (T I) P (D I) For eks. på brug af bayes formel se side Kontinua : P (A(x) I) = p(a(x) I) x for x 0 bliver det til et kontinua. P (x 0 < x < x 1 I) = x1 x 0 p(x I)dx

3 2 KAPITEL 2 - SANDSYNLIGHEDSFORDELINGER 3 2 Kapitel 2 - Sandsynlighedsfordelinger 2.1 Binomial fordeling Se side 19 for eksempler på problemer, hvor binomialfordelingen kan bruges. Plat og Krone : Begivenhederne er uafhængige og der er kun 2 udfald med sandsynligheder P (K n I) = k og P(T n I) = p Sandsynligheden for i en serie at få M krone og (N-M) plat P (K 1, T 2,..., K N ) = P (K 1 I)P (T 2 I)...P (K N I) = k M p N M Sandsynligheden for at få M krone ud af N kast, når A M er udsagnet: Sekvensen giver netop M krone ( ) N P (A M I) = Antal(N, M)k M p N M = k M p N M N! = k M p N M M M!(N M)! } {{ } Binomial kofficient Sandsynlighederne skal være normeret N P (A M I) = 1 M=0 Middelværdi : M = M MP (A M I) Varians : σ 2 = M (M M ) 2 P (A M I) = M 2 M 2 Tilstandssummen : Z(λ) = e λm N = e λm P (A M I) M Z (n) = M n

4 2 KAPITEL 2 - SANDSYNLIGHEDSFORDELINGER 4 For binomialfordelingen er tilstandssummen (for plat og krone) Z(λ) = (ke λ + p) N M = Z (0) = Nk M 2 = Z (0) = (Nk) 2 + Nk(1 k) σ 2 = Z (0) Z (0) = Nk(1 k) = Nkp Store N : Stirlings approksimation: N! 2πN ( ) N N = N ln N N 2πNe e Se s. 23 (2.7) for binomialfordelingen. For store N kan binomialfordelingen approksimeres med en normalfordeling ( ) 1 P (A M I) exp (M µ)2 2πσ 2 2σ 2 hvor µ = Nk og σ 2 = Nk(1 k) 2.2 Multinomialfordeling Der er k udfald med sandsynlighed p i for i = 1,..., k. Sandsynligheden fo at der i N udfald er n 1 1 ere,..., n k k ere er når N = n n k Tilstandsummen P (A(n 1,..., n k ) I) = N! p n 1 1 p n k k n 1! n k! } {{ } Multinomial koefficient Z(λ 1,..., λ k ) = (p 1 e λ p k e λ k ) N Z(0,..., 0) = 1 Z λ i = n i = Np i λ=0 2 Z λ i λ j = n i n j = N(N 1)p i p j + Np i δ ij λ=0 Variansen i udfaldet for type i σ 2 i = n 2 i n i 2 = Np i (1 p i )

5 2 KAPITEL 2 - SANDSYNLIGHEDSFORDELINGER Normalfordeling Også kaldet Gauss-fordeling eller klokkefordeling ) 1 (x µ)2 p(x µ, σ) = exp ( 2πσ 2σ ( 2 ) (µ + λσ 2 ) 2 µ 2 Z(λ) = exp 2σ 2 Z(0) = Poisson fordeling Z (0) = x = µ Z (0) = x 2 = σ 2 + µ 2 For eksempler se side 28. Man kan bruge poisson-fordelingen når N er meget stor og p 1 M = Np = µ ( ) N N M for M N M M! P (A M I) µm M! e µ Hvis µ 1 kan poisson fordelingen approksimeres med normalfordelingen P (A M I) 1 ) (M µ)2 exp ( 2πµ 2µ Tilstandssummen for poisson-fordelingen Z(λ) = exp(µ(e λ 1)) Z(0) = 1 Z (0) = µ Z (0) = µ(µ + 1) Det giver σ 2 = Z (0) Z (0) 2 = µ

6 Bayes formel : 3 KAPITEL 3 - EKSPERIMENTELLE USIKKERHEDER 6 3 Kapitel 3 - Eksperimentelle usikkerheder Den sande værdi for en måling er a, usikkerheden er δx. Sandsynligheden for x ) 1 (x a)2 P (x a, δx) = exp ( 2πδx 2δx 2 Usikkerheden på f afhænger af x med usikkerheden δx δf = df dx δx f er en funktion af n uafhængige størrelser x 1,..., x n med usikkerhed δx,... δx n (Ophobningsloven) ( ( ) 2 ( ) ) 2 1/2 f f δf = δx δx n x 1 x n 4 Kapitel 4 - Parameterbestemmelser P osterior { }} { P (T i DI) = P (D T i I) P (D T j I)P (T j I) j Apriori { }} { P (T i I) } {{ } Likelihood Hvor D er nye data, I er baggrundsinformation og T i er teori nr. i. Hvis der er tale om kontinuert varierende parametre, så bliver Bayes formel P (D θi) p(θ DI) = P (θ I) P (D θi)p(θ I)dθ } {{ } C Prognoser : I = der er N kugler i urnen M = der er M røde kugler i urnen D(n, m) = m røde kugler blandt de ialt n udtrukne. Sandsynligheden, for at en given kugle er rød, er f = M N Den ønskede sandsynlighed kan approksimeres med en Gaussfordeling P (M D(n, m), N) exp ( n (f f ) 0) 2 2f 0 (1 f 0 )

7 4 KAPITEL 4 - PARAMETERBESTEMMELSER 7 med middelværdi f 0 = m og varians n σ2 = f 0(1 f 0 ). n Resultatet af prognosen er M N = f = f 0 ± med relativ usikkerhed (s.39) σ f 0 = f0 (1 f 0 ) f n Gen. uafh. målinger: Den målte størrelse har en bestemt værdi µ, men målingen har en usikkerhed σ. Når der foretages N uafhængige målinger x af µ, vil disse være Gaussfordelt, så µ = x ± σ N hvis målingerne ikke har samme usikkerhed vil dvs. 1 σ 2 eff µ = N k=1 N k=1 = 1 N x k σ 2 k 1 σ 2 k N 1 σ 2 k=1 k µ = x ± σ eff. N n Jeffreys prior : p(ln σ I)d ln σ = konst d ln σ = konst dσ σ Students fordeling : Sandsynlighed for µ når σ er ukendt, men opfylder Jeffreys prior p(µ {x 1,..., x N }, σ, I) ((µ x ) 2 + x 2 ) N/2 Dette giver middelværdier og varianser x 2 = x 2 x 2 (Observeret varians) µ = x σ 2 µ = x2 N 3 µ = x ± x N?????

8 5 KAPITEL 5 - PRIOR SANDSYNLIGHEDER 8 Efter-sandsynligheden for σ p(σ {x 1,..., x N }, I) σ N exp σ = x σ 2 σ 2 = x2 2N ( ( x2 x 2 ) 2 2σ 2 N Fitning : Bedste rette linie y = Ax + B, når usikkerheden på y er σ, og der ingen usikkerhed er på x ) P (A, B (x 1, y 1 ),, (x N, y N ), I) = N x exp 2πσ 2 [ N 2σ 2 ( A A0 B B 0 ) ( x 2 x x 1 ) ( A A0 B B 0 )] A 0 = xy x y x 2 Korrelation : Korrelationskoefficient mellem A og B B 0 = x2 y x xy x 2 C(A, B) = δaδb δa2 δb 2 δa = A A 0 δb = B B 0 A og B er ukorrelerede når de er uafhængige: δaδb = δa δb = 0 Når A og B er ens bortset fra en faktor k δaδb = k δa 2 = k 1 δb 2 C(A, B) = ±1 hvilket afhænger af k s fortegn. 5 Kapitel 5 - Prior sandsynligheder Skala-faktor : a er en arbitrær skala-faktor p(am)adm = p(m)dm ap(am) = p(m) Maksimal entropi : Middelværdien for en størrelse er m. Vi kan regne os frem til entropien S(p) = i p i ln p i

9 5 KAPITEL 5 - PRIOR SANDSYNLIGHEDER 9 for at kunne maksimere denne, indføres nogle bibetingelser p i = 1 og ip i = m i for at maksimere S bruger vi lagrange-multiplikatorer ( S(p) λ 0 ( p i 1) λ 1 ( ) ip i m) = 0 p i Det giver sandsynligheden i p i = Z(λ 1 ) 1 e λ 1i og Z(λ 1 ) = i e λ 1i hvor λ 1 findes ved bibetingelsen om middelværdien. Her er det netop S(p) der er entropien og den er et mål for informationen. Entropien er en additiv størrelse S(p, q) = S(p) + S(q) MaxEnt : Et antal hypoteser H i er karakteriseret ved størrelsen x i og sandsynligheden p i f k (x i )p i = F k (en række middelværdier) (1) i k = 1,... m, hvor m er antalet af oplysniger. Vi vil finde det p i der maksimerer S(p), med betingelsen (1). Det giver løsningen p i = Z 1 e k λ kf k (x i ) og Z = i e k λ kf k (x i ) Dette er MaxEnt, og ved indsættelse fås S = ln Z + k λ k F k ln Z λ = F k 2 ln Z λ k λ l = f k f l f k f l S F l = λ l δs = k λ k (δ f k δf k ) = k λ k δq k

10 6 KAPITEL 6 - TERMODYNAMIK 10 6 Kapitel 6 - Termodynamik 6.1 Det kanoniske ensemble Volumen og partikel antal er faste, bestemte størrelser. Antag at gennemsnitsenergien er U. Vi kan så maksimere entropien S = i p i ln p i under bibetingelserne p i = 1 og E i p i = U, det giver Boltzmann/Gibbsfordeling i i p i = Z 1 e βe i, hvor Z = e βe i i Summen over alle de små celler i faserummet kan skrives som et integral Z = d 3N r d 3N pe βe(r,p) Ideal gas : Består af N ens atomer Temperatur : E(r, p) = N n=1 p 2 n 2m ) 3N/2 ( 2πm Z = V N β U = ln Z β = 3N 2 [ (2πem ) ] 3/2 S = ln Z + βu = N ln V β T = 1 β Det skal her bemærkes at Per Hedegård i disse noter bruger T i enheden [J], for at omregne til kelvin, skal vi bruge Boltzmanns konstant. 1 β T [J] T [K] = k B = 1, J K

11 6 KAPITEL 6 - TERMODYNAMIK 11 Varmefylde : C er defineret som den varme der skal tilføres et system for at få systemets temperatur til at stige en grad, dvs. δu = CδT, og det giver C = β 2 2 ln Z β 2 ved at sammenbringe to systemer (1 og 2) bliver deres fælles temperatur T = C 1 C 1 + C 2 T 1 + C 2 C 1 + C 2 T 2 Ved en ændring af β vil entropien også ændres. Ændringen er givet ved ds = ln Z U dβ + Udβ + β β β dβ T ds = CdT = dq Arbejde : Hvis energien afhænger af en parameter α, så vil en lille ændring af denne give E δw = δe = δα α Arbejdet er udført på systemets omgivelser. Gas i beholder: δw = pδv 1. hovedsætning : Energien er en bevaret størrelse δu = T δs δw Ændring af Q ændring af sandsynlighederne p i. Ændring af W ændring af energierne E i. Helmholtz : frie energi er defineret som F (T ; α) = 1 β ln Z = U T S Ideal gas df = SdT dw p = F V [ (2πem F = 3N ) ] 2 3/2 2β NT V β p = NT V Tilstandsligningen

12 6 KAPITEL 6 - TERMODYNAMIK Tryk-ensemble En ligevægtssituation, hvor det kun er middelværdien af beholderens volumen der er kendt, og antaget er at systemet har en bestemt temperatur T = β 1. p i (V ) = Z 1 e βe i(v ) αv α = β E(V ) = pβ V Z(T, p) = dv e β(e i(v )+pv ) i 0 S = ln Z + β(u + pv ) Varmefylde : Vi ser på ændringer i p og β. Entropien er givet ved S = ln Z + βu + αv To systemer 1 og 2 kan udveksle energi og volumen δs = (β 1 β 2 )δu 1 + (β 1 p 1 β 2 p 2 )δv 1 0 Varmefylden ved fastholdt tryk er givet ved C p = U T + p V T Den varmefylde vi definerede i sidste afsnit er for fastholdt vol. dvs. C v. For en ideal gas er tilstandssummen ( ) 3N/2 2πM Z = N!(βp) (N+1) Z i (β) N β Z i (β) er tilstandssummen for et enkelt molekyle i hvile. Den beskriver indre bevægelser i molekylet. Udfra Z får vi d ln Z dp V = 1 β U = ln Z β u i = d ln Z i dβ = N βp C p = 3N 2 + N du i dt + N C V = 3N 2 + N du i dt 3N pv = 2β + Nu i(β) (middelværdi af molekylers indre energi)

13 6 KAPITEL 6 - TERMODYNAMIK 13 Ligefordelingslov : Denne lov vedrøre varmefylden for harmoniske oscillator. Z vib = 2π βω U vib = d ln Z = 1 = T dβ β V ibration C vib = 1 Z tr = V U tr = T 2 C tr = 1 2 Z rot = 2π U rot = T 2 C rot = 1 2 2πm β 2πI β T ranslation Rotation Det totale system for molekyler med mange atomer C = 1 2 N tr + N vib N rot Gibbs : Frie energi er defineret som frihedsgrader = N tr + 2N vib + N rot G(T, p) = 1 ln Z = U + pv T S β Ændringer i Gibbs frie energi er givet ved dg = SdT + V dp dw Dvs. hvis tryk og temperatur fastholdes, udtrykker dg det tilgængelige arbejde, som systemet kan udføre. Liouvilles sætning : ρ t = {H, ρ} = H r ρ p H ρ p r 6.3 Store Kanonisk ensemble Her skal vi studere et system, der er i stand til at udveksle partikler og energi med sine omgivelser. V 1 og V 2 er forbundet så V = V 1 + V 2 og det samlede antal partikler er N. Tilstandssummen for 2 systemer, der kan udveksle partikler Z(T, V, N) = N N 1 =0 N! N 1!(N N 1 )! Z 1(T, V 1, N 1 )Z 2 (T, V V 1, N N 1 )

14 6 KAPITEL 6 - TERMODYNAMIK 14 Helmholtz : frie energi bliver ) Kemisk poten. : F (T, V, N) = 1 β ln ( Z N! µ = F N Nu kan vi definere tilstandssummen for et system hvor kun partikkelantallets middelværdi er kendt. Z = N i e βe i(n) e βµn N! S = ln Z + β(u µn) System 1 bringes i kontakt med det større system 2 δs = (β 1 β 2 )δu 1 (β 1 µ 1 β 2 µ 2 )δn 1 Alt dette gør det muligt at definere en ny fri energi, kaldet det termodynamiske potentiale Ω = 1 ln Z = U T S µn β dω = SdT Ndµ + dw Ideal gas : Z = exp ( V ( ) ) 3/2 2πm e βµ β ( ) 3/2 2πm e βµ Ω = V β β N = Ω µ = βω pv = N T

15 7 KAPITEL 7 - KVANTEMEKANIK OG VARMEFYLDER 15 7 Kapitel 7 - Kvantemekanik og varmefylder Middelværdi for A : Middelværdien af en operator A A = T r[âρ] Tæthedsmatrice : ρ = i w i ψ i ψ i w i er sandsynlighedeh for at være i tilstand i. Tæthedsmatricen er hermitisk så den kan diagolaniseres ρ = j p j φ j φ j p j er reel egenværdi og φ j er egentilstand til ρ p j = 1 0 p j 1 Entropien er da j S = j p j ln p j = T r[ρ ln ρ] Max entropi : Lad middelværdier for et fysisk system være givet f k = T r[ρ ˆf k ] = F k Så er tæthedsmatricen, tilstandssummen og entropien ρ = Z 1 e k λ k ˆf k Z = T r[e k λ k ˆf k ] S = ln Z + k λ k F k ln Z λ k = F k S F k = λ k λ k findes ved opfyldelse af middelværdierne F k Kanonisk ens. : Middelværdien for energien er kendt. E i er egenværdi til Ĥ. ρ = Z 1 e βĥ p i = e βe i Z Z = i e βe i

16 7 KAPITEL 7 - KVANTEMEKANIK OG VARMEFYLDER 16 Fri partikel : En fri partikel er i en kasse med volumen V = L x L y L z, og origo er lagt i kassens hjørne. Bølgefunktionen der opfylder bibetingelserne 8 φ k (r) = V sin(k xx) sin(k y y) sin(k z z) hvor kl = nπ, for n N. Hvis L 1 så vil tilstandssummen for en partikel være Z 1 = V (2π) 3 ) d 3 k exp ( β 2 2m (k2 x + ky 2 + kz) 2 = V For N frie partikler vil tilstandssummen være ( 2πm βh 2 ) 3/2 Z N = Z N 1 Hvilket er det samme som i det klassiske tilfælde bortset fra h 3N Harm osc. : Tilstandssummen når energiniveuaerne er ɛ n = ω( n) Z = e βɛ n = n=0 e β ω/2 1 e β ω Middelenergien, Entropien og varmefylde ( 1 U = ω e β ω ) 2 S = x e x 1 ln(1 e x ) C = U T = x2 e x (e x 1) 2 x = β ω Hvis vi ser på grænsetilfældene bliver det: U = T S = ln ( ) T β ω 1, for T 1 ω C = 1 U = ω ( 1 + e β ω) 2 S = β ωe β ω β ω 1, for T 1 C = (β ω) 2 e β ω

17 8 KAPITEL 8 - FERMIONER OG BOSONER 17 Roterende mol. : Der ses på et to-atomigt molekyle. Tilstandssummen for rotationstilstande Z = l=0 (2l + 1)e l(l+1) β2 2 2I hvor I = ms 2 0 og s 0 er minimum for potentialet V (s). For høje temperaturer er Z 2I β 2 U T C 1 For lave temperaturer se s Kapitel 8 - Fermioner og Bosoner Bossoner Fermioner Fasefaktor e iφ = 1 e iφ = 1 Ombytning ψ(r 1, r 2 ) = ψ(r 2, r 1 ) ψ(r 1, r 2 ) = ψ(r 2, r 1 ) 8.1 Fermioner Eks. He Elektroner γ, Z, W ± Kvarker Gluoner Neutrinoer. Protoner Neutron Fermi-stat : Det samlede antal partikler og energien for et system bestående af ikkevekselvirkende og identiske fermioner N = i n i E = i ɛ i n i Tilstandssummen Z = N,E e β(e µn) = i (1 + e β(ɛ 1 µ) )

18 8 KAPITEL 8 - FERMIONER OG BOSONER 18 Energi, antal partikler og kemisk potentiale U µ N = i 1 (ɛ i µ) e β(ɛ i µ) + 1 Middelantallet af partikler i tilstanden φ i (Fermi-fordelingsfuntion) n i = n F (ɛ 1 ) = 1 e β(ɛ i µ) + 1 Fermi energien : Fermi energien, ɛ F,er givet som det kemiske potentiale ved T = 0. Kemisk pot. : For T ɛ L ɛ H er µ(t ) = ɛ L ɛ H 2 gh + T ln g L Tilstandstæthed : g erne er udartninger af hhv. LUMO og HOMO miveau. ρ(ɛ) = R (ɛ) = 3 ( ) V 2m ɛ 2 6π 2 2 R(ɛ) = V ( ) 3/2 2m ɛ 3/2 6π 2 2 tilstande med energier i intervallet ɛ ɛ + ɛ = ρ(ɛ) ɛ. tilstande med energier i intervallet < ɛ = R(ɛ). R(ɛ + ɛ) R(ɛ) = R (ɛ) ɛ = ρ(ɛ) ɛ. Det gennemsnitlige antal partikler og partikeltætheden N = R(ɛ F ) n = 1 6π 2 ( 2m 2 ) 3/2 ɛ 3/2 F Fermi gas : Degenereret Fermi gasser findes når temperaturen er meget lavere end Fermi energien, ɛ F. Sommerfelds approksimation benyttes ofte. Se s For frie partikler er N = R(µ) π2 6 ρ (µ)t 2 µ = ɛ F π2 6 ρ (ɛ F ) ρ(ɛ F ) T 2 µ = ɛ F π2 12 T 2 ɛ F

19 8 KAPITEL 8 - FERMIONER OG BOSONER 19 Varmefylde Fermitryk C = π2 π2 ρ(µ)t = N 3 2 p = 2 5 nɛ F kan approksimeres med pv = N 2 5 ɛ F. (1 + 5π2 12 T ɛ F ) T 2 ɛ F NB!! Man skal huske på, at elektronerne har både spin op og ned, så på mange måder opfører de sig som to fermigasser. 8.2 Bosoner Bosestatistik : Ikke-vekselvirkende gas af bosoner i kontakt med partikelreservoir med kemisk potentiale µ. N = i n i E = i n i ɛ i Z = i ( n i e β(ɛi µ)ni ) = i Z i = 1 1 e β(ɛ i µ) Hver enpartikeltilstand, som bosoner kan være i, svarer til en harmonisk oscillator, og energien for egentilstanden svarer til oscillator frekvensen. Det gennemsnitlige antal bosoner i tilstanden i (Bosefunktionen) n B (ɛ i ) = n i = 1 e β(ɛ i µ) 1 Det kemiske potentiale må altid være mindre end den mindste af enpartikel enegierne ɛ i. Det gennemsnitlige antal partikler for µ 1. N 3 ( V 2mT 2 6π 2 2 Kar. temp. : Den gennemsnitlige afstand mellem partikler l = ( ) 1/3 V N ) 3/2 π 2 eβµ

20 8 KAPITEL 8 - FERMIONER OG BOSONER 20 Typisk kvanteenergi e l = 2ml 2 Karakteristisk temperatur for Bose-gassen 2 T B = e l (2π) 4/3 For T T B vil µ(t ) = T [ ( ) ( )] 3 T 2 2 ln ln π T B Kritisk temp. : T C = g 1/2 (1) 2/3 T B = T B (2, 3152) 2/3 Brøkdel af partikler i grundtilstanden for T < T C ( T x 0 (T ) = 1 T C ) 3/2 Det mikroskopiske antal partikler i en kvantetilstand kaldes et Bosekondensat. Tryk : Varmefylde : T > T C : p = 3 2 nt ( T T C ) 3/2 g 3/2 (z)?? [ 3 g 3/2 (z) C = N 2 g 1/2 (z) 9 ] g 1/2 (z) 2 g 1/2 (z) T < T C : C = N 5 2 ( T Fotongas : Energi af foton ɛ = pc = ck = hc λ = hν Tilstandstæthed (2 tilstande per k) T C ɛ2 ρ(ɛ) = V π (hc) 3 R(ɛ) = V π 3 ɛ 3 (hc) 3 ) 3/2 g 3/2 (1) g 1/2 (1)

21 8 KAPITEL 8 - FERMIONER OG BOSONER 21 Det kemiske potentiale er nul. Trykket pv = Ω = 1 β ln Z = V π 3 Det gennemsnitlige fotontal per volumen 1 (hc) 3 π 4 15 T 4 = 0, 287nT n = N V = 2π 3 1, 2021 T (hc) 3 Energitætheden u = U V = 1 ln Z V β = σt 4

22 Indeks x 0, hovedsætning, 11 Afhængige, 2 Apriori, 6 Arbejde, 11 formel, 6 Bayes formel, 2 Bedste rette linie, 8 Binomial fordeling, 3 Middelværdi, 4 Middelværdi, 3 Store N, 4 Tilstandssum, 3 Varians, 3, 4 Binomialkoefficient, 3 Boltzmann-fordeling, 10 Bosefunktion, 19 Bosegas Tryk, 20 Varmefylde, 20 Bosekondensat, 20 Bosestatistik, 19 Kemisk potentiale, 20 Tilstandssum, 19 Degenereret Fermi gas, 18 Kemisk potentiale, 18 Varmefylde, 19 Entropi, 8, 9 Ændring, 11, 12, 14 Kvant, 15 Regneregler, 9 Fermi energien, 18 Fermi-fordelingsfuntion, 18 Fermi-statistik, 17 Kemisk potentiale, 18 Energi, 18 Tilstandssum, 17 Fermitryk, 19 Fotongas, 20 Energitæthed, 21 Partikeltæthed, 21 Tryk, 21 Fri partikel, 16 Bølgefunktion, 16 Tilstandssum, 16 Frihedsgrader, 13 Gauss-fordeling, 5 Tilstandssum, 5 Gentagne uafhængige målinger, 7 Gibbe-fordeling, 10 frie energi Ændring i, 13 Gibbs frie energi, 13 Harmonisk oscillator, 16 Entropi, 16 Middelenergi, 16 Tilstandssum, 16 Varmefylde, 16 Jeffreys prior, 7 Kanonisk ensemble, 10 Arbejde, 11 Helmholtz frie energi, 11 Ideal gas, 10, 11 Kvantemekanik, 15 Temperatur, 10 Varmefylde, 11 Karakteristisk temperatur, 19 potentiale, 14, 18 Kemisk potentiale, 18 22

23 INDEKS 23 Korrelation, 8 Kritisk temperatur, 20 Lagrange multiplikator, 9 Likelihood, 6 Liouvilles sætning, 13 Maksimal entropi, 8 Entropi, 15 Tæthedsmatrice, 15 Tilstandssum, 15 MaxEnt, 9 Kvantemekanik, 15 Middelværdi af operator, 15 Multinomialfordeling, 4 Tilstandssum, 4 Multinomialkoefficient, 4 Normalfordeling, 5 Tilstandssum, 5 Observeret varians, 7 Ophobningsloven, 6 Plat og Krone, 3 Poisson fordeling, 5 Middelværdi, 5 Tilstandssum, 5 Varians, 5 Posterior, 6 Produktregel, 2 Prognoser, 6 Regneregler, 2 Relativ usikkerhed, 7 Roterende molekyle, 17 Entropi, 17 Tilstandssum, 17 Sandsynlighedstæthed, 2 Skala-faktor, 8 Sommerfelds approksimation, 18 Stirlings approksimation, 4 Store Kanonisk ensemble, 13 Entropi, 14 Helmholtz, 14 Ideal gas, 14 Kemisk potentiale, 14 Tilsstandssum, 14 Students fordeling, 7 Middelværdi, 7 Varians, 7 Sumregel almindelig, 2 generel, 2 Tæthedsmatrice, 15 Termodynamiske potentiale, 14 Ændring i, 14 Tilstandssum, 3 Bosoner, 19 Fermioner, 17 Gauss-fordeling, 5 Ideal gas i kanonisk enseble, 10 Ideal gas i store kanonisk ensemble, 14 Ideal gas i tryk-ensemble, 12 Kanonisk enseble, 10 Kvantemekanik: Fri partikel, 16 Kvantemekanik: Harmonisk oscillator, 16 Kvantemekanik: Kanonisk ensemble, 15 Kvantemekanik: Maksimal entropi, 15 Kvantemekanik: Roterende molekyle, 17 Ligefordelingslov, 13 Maksimal Entropi, 9 MaxEnt, 9 Multinomialfordeling, 4 Normalfordeling, 5 Poisson fordeling, 5 ensemble, 13

24 INDEKS 24 Store kanonisk ensemble, 14 Tryk-ensemble, 12 Tilstandstæthed, 18 Tryk-ensemble, 12 Tilstandssum, 12 Energi, 12 Entropi, 12 Gibbs frie energi, 13 energi, 12 Ligefordelingslov, 13 Varmefylde, 12 Volumen, 12 Uafhængige, 2

Statitisk fysik Minilex

Statitisk fysik Minilex Statitisk fysik Minilex Henrik Dahl 15. januar 006 Indhold 1 Sandsynlighedsteori Fordelinger 3 Eksperimentelle usikkerheder 3 4 Parameterbestemmelse 3 5 Priors, entropi 3 6 Termodynamik 4 6.1 Kanonisk

Læs mere

Benyttede bøger: Statistisk fysik 1, uredigerede noter, Per Hedegård, 2007.

Benyttede bøger: Statistisk fysik 1, uredigerede noter, Per Hedegård, 2007. Formelsamling Noter til Fysik 3 You can know the name of a bird in all the languages of the world, but when you re finished, you ll know absolutely nothing whatever about the bird... So let s look at the

Læs mere

Formelsamling og noter. Statistisk fysik

Formelsamling og noter. Statistisk fysik Formelsamling og noter. Statistisk fysik 19. juni 01 Dennis Hansen P A BI P B AI P B I P A I ρλ BI P B λi P B I ρλ I ρλ BI ρb λi ρb I ρλ I P AB I P A BIP B I P A + B I P A I + P B I P AB I P A I 1 P A

Læs mere

Termodynamik. Esben Mølgaard. 5. april N! (N t)!t! Når to systemer sættes sammen bliver fordelingsfunktionen for det samlede system

Termodynamik. Esben Mølgaard. 5. april N! (N t)!t! Når to systemer sættes sammen bliver fordelingsfunktionen for det samlede system Termodynamik Esben Mølgaard 5. april 2006 1 Statistik Hvis man har N elementer hvoraf t er defekte, eller N elementer i to grupper hvor forskydningen fra 50/50 (spin excess) er 2s, vil antallet af mulige

Læs mere

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M. Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet March 1, 2013 Sandsynlighedsregning og lagerstyring Normalfordelingen

Læs mere

Termodynamikkens første hovedsætning

Termodynamikkens første hovedsætning Statistisk mekanik 2 Side 1 af 13 Termodynamikkens første hovedsætning Inden for termodynamikken kan energi overføres på to måder: I form af varme Q: Overførsel af atomar/molekylær bevægelsesenergi på

Læs mere

KOMPENDIUM TIL STATISTISK FYSIK

KOMPENDIUM TIL STATISTISK FYSIK KOMPENDIUM TIL STATISTISK FYSIK 3. UDGAVE REVIDERET: 18. APRIL 2011 UDARBEJDET AF SØREN RIIS AARHUS SCHOOL OF ENGINEERING Ö Ô Ý º Ùº DETTE VÆRK ER TRYKT MED ADOBE UTOPIA 10PT LAYOUT OG TYPOGRAFI AF FORFATTEREN

Læs mere

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte

Læs mere

Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede

Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede fordelinger (kap. 4) Middelværdi og varians (kap. 3-4) Fordelingsresultater

Læs mere

Første og anden hovedsætning kombineret

Første og anden hovedsætning kombineret Statistisk mekanik 3 Side 1 af 12 Første og anden hovedsætning kombineret I dette afsnit udledes ved kombination af I og II en række udtryk, som senere skal vise sig nyttige. Ved at kombinere udtryk (2.27)

Læs mere

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M. Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 9, 2015 Sandsynlighedsregning og lagerstyring Normalfordelingen

Læs mere

Skriftlig eksamen i Statistisk Mekanik den fra 9.00 til Alle hjælpemidler er tilladte. Undtaget er dog net-opkoblede computere.

Skriftlig eksamen i Statistisk Mekanik den fra 9.00 til Alle hjælpemidler er tilladte. Undtaget er dog net-opkoblede computere. Skriftlig eksamen i Statistisk Mekanik den 18-01-2007 fra 900 til 1300 lle hjælpemidler er tilladte Undtaget er dog net-opkoblede computere Opgave 1: I en beholder med volumen V er der rgon-atomer i gasfasen,

Læs mere

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte

Læs mere

Produkt og marked - matematiske og statistiske metoder

Produkt og marked - matematiske og statistiske metoder Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 19, 2016 1/26 Kursusindhold: Sandsynlighedsregning og lagerstyring

Læs mere

En oversigt over udvalgte kontinuerte sandsynlighedsfordelinger

En oversigt over udvalgte kontinuerte sandsynlighedsfordelinger Institut for Økonomi Aarhus Universitet Statistik 1, Forår 2001 Allan Würtz 4. April, 2001 En oversigt over udvalgte kontinuerte sandsynlighedsfordelinger Uniform fordeling Benyttes som model for situationer,

Læs mere

Nanotermodynamik formelsamling

Nanotermodynamik formelsamling Nanotermodynamik formelsamling Af Asmus Ougaard Dohn & Sune Klamer Jørgensen 2. november 2005 ndhold 1 Kombinatorik 2 2 Termodynamik 3 3 deal gasser: 5 4 Entropi og temp.: 7 5 Kemisk potential: 7 6 Gibbs

Læs mere

Regneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x)

Regneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x) Formelsamlingen 1 Regneregler for middelværdier M(a + bx) a + bm X M(X+Y) M X +M Y Spredning varians og standardafvigelse VAR(X) 1 n n i1 ( X i - M x ) 2 Y a + bx VAR(Y) VAR(a+bX) b²var(x) 2 Kovariansen

Læs mere

Statistisk mekanik 2 Side 1 af 10 Entropi, Helmholtz- og Gibbs-funktionen og enthalpi. Entropi

Statistisk mekanik 2 Side 1 af 10 Entropi, Helmholtz- og Gibbs-funktionen og enthalpi. Entropi Statistisk mekanik 2 Side 1 af 10 Entropi Entropi er en tilstandsvariabel 1, der løst formuleret udtrykker graden af uorden. Entropien er det centrale begreb i termodynamikkens anden hovedsætning (TII):

Læs mere

Tilstandssummen. Ifølge udtryk (4.28) kan MB-fordelingen skrives , (5.1) og da = N, (5.2) . (5.3) Indføres tilstandssummen 1 , (5.

Tilstandssummen. Ifølge udtryk (4.28) kan MB-fordelingen skrives , (5.1) og da = N, (5.2) . (5.3) Indføres tilstandssummen 1 , (5. Statistisk mekanik 5 Side 1 af 10 ilstandssummen Ifølge udtryk (4.28) kan M-fordelingen skrives og da er μ N e e k = N g ε k, (5.1) N = N, (5.2) μ k N Ne g = e ε k. (5.3) Indføres tilstandssummen 1 Z g

Læs mere

Sandsynlighed og Statistik

Sandsynlighed og Statistik 36 Sandsynlighed og Statistik 6.1 Indledning Denne note beskriver de statistiske begreber og formler som man med rimelig sandsynlighed kan komme ud for i eksperimentelle øvelser. Alt er yderst korfattet,

Læs mere

Produkt og marked - matematiske og statistiske metoder

Produkt og marked - matematiske og statistiske metoder Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 11, 2016 1/22 Kursusindhold: Sandsynlighedsregning og lagerstyring

Læs mere

Preben Blæsild og Jens Ledet Jensen

Preben Blæsild og Jens Ledet Jensen χ 2 Test Preben Blæsild og Jens Ledet Jensen Institut for Matematisk Fag Aarhus Universitet Egå Gymnasium, December 2010 Program 8.15-10.00 Forelæsning 10.15-12.00 Statlab: I arbejder, vi cirkler rundt

Læs mere

Sandsynlighedsregning Oversigt over begreber og fordelinger

Sandsynlighedsregning Oversigt over begreber og fordelinger Tue Tjur Marts 2007 Sandsynlighedsregning Oversigt over begreber og fordelinger Stat. MØK 2. år Kapitel : Sandsynlighedsfordelinger og stokastiske variable En sandsynlighedsfunktion på en mængde E (udfaldsrummet)

Læs mere

Statistisk mekanik 2 Side 1 af 10 Entropi, Helmholtz- og Gibbs-funktionen og enthalpi. Entropi

Statistisk mekanik 2 Side 1 af 10 Entropi, Helmholtz- og Gibbs-funktionen og enthalpi. Entropi Statistisk mekanik 2 Side 1 af 10 Entropi Entropi er en tilstandsvariabel 1, der løst formuleret udtrykker graden af uorden i et system. Da der er mange flere uordnede (tilfældigt ordnede) mikrotilstande

Læs mere

Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen

Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen Repetition Lov om total sandsynlighed Bayes sætning P( B A) = P(A) = P(AI B) + P(AI P( A B) P( B) P( A B) P( B) +

Læs mere

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0. Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet Repetition:

Læs mere

Billedbehandling og mønstergenkendelse: Lidt elementær statistik (version 1)

Billedbehandling og mønstergenkendelse: Lidt elementær statistik (version 1) ; C ED 6 > Billedbehandling og mønstergenkendelse Lidt elementær statistik (version 1) Klaus Hansen 24 september 2003 1 Elementære empiriske mål Hvis vi har observationer kan vi udregne gennemsnit og varians

Læs mere

Elementær sandsynlighedsregning

Elementær sandsynlighedsregning Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Et sandsynlighedsmål er en

Læs mere

Statistiske modeller

Statistiske modeller Statistiske modeller Statistisk model Datamatrice Variabelmatrice Hændelse Sandsynligheder Data Statistiske modeller indeholder: Variable Hændelser defineret ved mulige variabel værdier Sandsynligheder

Læs mere

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen Landmålingens fejlteori Lektion Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet En stokastisk variabel er en variabel,

Læs mere

Elementær sandsynlighedsregning

Elementær sandsynlighedsregning Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Den hændelse, der ikke indeholder

Læs mere

Landmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable

Landmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition:

Læs mere

Sandsynlighedsregning

Sandsynlighedsregning Mogens Bladt www2.imm.dtu.dk/courses/02405 21. September, 2007 Lidt om binomialkoefficienter n størrelsen af en mængde/population. Vi ønsker at udtage en sub population af størrelse r. To sub populationer

Læs mere

Sandsynlighedsfordelinger for kontinuerte data på interval/ratioskala

Sandsynlighedsfordelinger for kontinuerte data på interval/ratioskala 3 5% 5% 5% 0 3 4 5 6 7 8 9 0 Statistik for biologer 005-6, modul 5: Normalfordelingen opstår når mange forskellige faktorer uafhængigt af hinanden bidrager med additiv variation til. F.eks. Højde af rekrutter

Læs mere

4 Oversigt over kapitel 4

4 Oversigt over kapitel 4 IMM, 2002-09-14 Poul Thyregod 4 Oversigt over kapitel 4 Introduktion Hidtil har vi beskæftiget os med data. Når data repræsenterer gentagne observationer (i bred forstand) af et fænomen, kan det være bekvemt

Læs mere

Normalfordelingen. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ

Normalfordelingen. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ Normalfordelingen Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: f(x) = ( ) 1 exp (x µ)2 2πσ 2 σ 2 Frekvensen af observationer i intervallet

Læs mere

Uskelnelige kvantepartikler

Uskelnelige kvantepartikler Kvantemekanik 3 Side af 4 Inden for den klassiske determinisme kan man med kendskab til de kræfter, der virker på et partikelsystem, samt begyndelsesbetingelserne for position og hastighed, vha. Newtons

Læs mere

hvor a og b er konstanter. Ved middelværdidannelse fås videre

hvor a og b er konstanter. Ved middelværdidannelse fås videre Uge 3 Teoretisk Statistik. marts 004. Korrelation og uafhængighed, repetition. Eksempel fra sidste gang (uge ) 3. Middelværdivektor, kovarians- og korrelationsmatrix 4. Summer af stokastiske variable 5.Den

Læs mere

Atomare kvantegasser. Michael Budde. Institut for Fysik og Astronomi og QUANTOP: Danmarks Grundforskningsfonds Center for Kvanteoptik

Atomare kvantegasser. Michael Budde. Institut for Fysik og Astronomi og QUANTOP: Danmarks Grundforskningsfonds Center for Kvanteoptik Atomare kvantegasser Når ultrakoldt bliver hot Michael Budde Institut for Fysik og Astronomi og QUANTOP: Danmarks Grundforskningsfonds Center for Kvanteoptik Aarhus Universitet Plan for foredraget Hvad

Læs mere

Kvant 2. Notesamling....Of doom!

Kvant 2. Notesamling....Of doom! Kvant 2 Notesamling...Of doom! Indhold 1 To-partikelsystemer 1 2 Brint 1 3 Perturbation 2 3.1 Udartet perturbationsteori...................... 3 3.2 Zeeman-effekt............................. 4 3.3 Tidsafhængig

Læs mere

Binomialfordelingen. X ~ bin(n,p): X = antal "succeser" i n uafhængige forsøg, der alle har samme sandsynlighed p for at ende med succes.

Binomialfordelingen. X ~ bin(n,p): X = antal succeser i n uafhængige forsøg, der alle har samme sandsynlighed p for at ende med succes. Uge 9 Teoretisk Statistik 23. februar 24 1. Binomialfordelingen 2. Den hypergeometriske fordeling 3. Poissonfordelingen 4. Den negative binomialfordeling 5. Gammafordelingen Binomialfordelingen X ~ bin(n,p):

Læs mere

Sandsynlighedsregning: endeligt udfaldsrum (repetition)

Sandsynlighedsregning: endeligt udfaldsrum (repetition) Program: 1. Repetition: sandsynlighedsregning 2. Sandsynlighedsregning fortsat: stokastisk variabel, sandsynlighedsfunktion/tæthed, fordelingsfunktion. 1/16 Sandsynlighedsregning: endeligt udfaldsrum (repetition)

Læs mere

Karakteristiske funktioner og Den Centrale Grænseværdisætning

Karakteristiske funktioner og Den Centrale Grænseværdisætning E6 efterår 1999 Notat 10 Jørgen Larsen 20. oktober 1999 Karakteristiske funktioner og Den Centrale Grænseværdisætning Karakteristiske funktioner som er nære slægtninge til Fourier-transformationen) er

Læs mere

Statistik Lektion 20 Ikke-parametriske metoder. Repetition Kruskal-Wallis Test Friedman Test Chi-i-anden Test

Statistik Lektion 20 Ikke-parametriske metoder. Repetition Kruskal-Wallis Test Friedman Test Chi-i-anden Test Statistik Lektion 0 Ikkeparametriske metoder Repetition KruskalWallis Test Friedman Test Chiianden Test Run Test Er sekvensen opstået tilfældigt? PPPKKKPPPKKKPPKKKPPP Et run er en sekvens af ens elementer,

Læs mere

Kvantitative Metoder 1 - Efterår Dagens program

Kvantitative Metoder 1 - Efterår Dagens program Dagens program Approksimation af binomialsandsynligheder, Afsnit 4.5 Multinomial fordeling, Afsnit 4.8 Negativ binomialfordeling, Afsnit 4.4 Poisson fordeling og Poisson process, Afsnit 4.6 Kontinuerte

Læs mere

Løsning til eksamen d.27 Maj 2010

Løsning til eksamen d.27 Maj 2010 DTU informatic 02402 Introduktion til Statistik Løsning til eksamen d.27 Maj 2010 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th edition]. Opgave I.1

Læs mere

Kvantitative Metoder 1 - Forår 2007

Kvantitative Metoder 1 - Forår 2007 Dagens program Kapitel 8.7, 8.8 og 8.10 Momenter af gennemsnit og andele kap. 8.7 Eksempel med simulationer Den centrale grænseværdisætning (Central Limit Theorem) kap. 8.8 Simulationer Normalfordelte

Læs mere

Indhold. Noter til statistisk fysik II. 3. januar 2012. Jens Egebjerg Bækhøj & Christian Kraglund Andersen

Indhold. Noter til statistisk fysik II. 3. januar 2012. Jens Egebjerg Bækhøj & Christian Kraglund Andersen Noter til statistisk fysik II 3. januar 2012 Jens Egebjerg Bækhøj & Christian Kraglund Andersen Institut for Fysik og Astronomi Aarhus Universitet, Denmark Indhold Indhold i 1 Termodynamik 1 1.1 Systemet

Læs mere

Teoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts.

Teoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts. Teoretisk Statistik, 9 marts 2005 Empiriske analoger (Kap. 3.7) Normalfordelingen (Kap. 3.12) Opsamling på Kap. 3 nb. Det forventes ikke, at alt materialet dækkes d. 9. marts. 1 Empiriske analoger Betragt

Læs mere

Statistisk mekanik 10 Side 1 af 7 Sortlegemestråling og paramagnetisme. Sortlegemestråling

Statistisk mekanik 10 Side 1 af 7 Sortlegemestråling og paramagnetisme. Sortlegemestråling Statistisk mekanik 0 Side af 7 Sortlegemestråling I SM9 blev vibrationerne i et krystalgitter beskrevet som fononer. I en helt tilsvarende model beskrives de EM svingninger i en sortlegeme-kavitet som

Læs mere

Supplement til kapitel 7: Approksimationen til normalfordelingen, s. 136

Supplement til kapitel 7: Approksimationen til normalfordelingen, s. 136 Supplement til kapitel 7: Approksimationen til normalfordelingen, s. 36 Det er besværligt at regne med binomialfordelingen, og man vælger derfor ofte at bruge en approksimation med normalfordeling. Man

Læs mere

Statistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen

Statistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Statistik Lektion 3 Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Repetition En stokastisk variabel er en funktion defineret på S (udfaldsrummet, der antager

Læs mere

Ikke-parametriske metoder. Repetition Wilcoxon Signed-Rank Test Kruskal-Wallis Test Friedman Test Chi-i-anden Test

Ikke-parametriske metoder. Repetition Wilcoxon Signed-Rank Test Kruskal-Wallis Test Friedman Test Chi-i-anden Test Ikkeparametriske metoder Repetition Wilcoxon SignedRank Test KruskalWallis Test Friedman Test Chiianden Test Run Test Er sekvensen opstået tilfældigt? PPPKKKPPPKKKPPKKKPPP Et run er en sekvens af ens elementer,

Læs mere

Løsning til eksamen 16/

Løsning til eksamen 16/ 1 IMM - DTU 245 Probability 24-5-11 BFN/bfn Løsning til eksamen 16/12 23 Spørgsmål 1) 2 44% Man benytter formlen for skalering og positionsskift i forbindelse med varians og standardafvigelse, samt formlen

Læs mere

Repetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable

Repetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable Normal fordelingen Normal fordelingen Egenskaber ved normalfordelingen Standard normal fordelingen Find sandsynligheder ud fra tabel Transformation af normal fordelte variable Invers transformation Repetition

Læs mere

Kvantitative Metoder 1 - Forår 2007

Kvantitative Metoder 1 - Forår 2007 Dagens program Kapitel 4: Diskrete fordelinger Hypergeometrisk fordeling, Afsnit 4.3 Multinomial fordeling, Afsnit 4.8 Geometrisk fordeling og Negativ binomialfordeling (Inverse Sampling), Afsnit 4.4 Approksimation

Læs mere

INSTITUT FOR MATEMATISKE FAG c

INSTITUT FOR MATEMATISKE FAG c INSTITUT FOR MATEMATISKE FAG c AALBORG UNIVERSITET FREDRIK BAJERS VEJ 7 G 9220 AALBORG ØST Tlf.: 96 35 89 27 URL: www.math.aau.dk Fax: 98 15 81 29 E-mail: bjh@math.aau.dk Dataanalyse Sandsynlighed og stokastiske

Læs mere

StatDataN: Test af hypotese

StatDataN: Test af hypotese StatDataN: Test af hypotese JLJ StatDataN: Test af hypotese p. 1/69 Repetition n uafhængige gentagne målinger: Fordelingsundersøgelse: Pindediagram / Histogram qq-plot Parameter: egenskab ved fordeling

Læs mere

Noter til fysik 3: Statistisk fysik

Noter til fysik 3: Statistisk fysik Noter tl fysk 3: Statstsk fysk Martn Sparre www.logx.dk August 27 Bemærk, at log x denne note er den naturlge logartme. Denne verson er fra d. 16 November, hvor flere trykfejl er blevet rettet. 1 Entrop

Læs mere

Overheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ.

Overheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ. Statistiske modeller (Definitioner) Statistik og Sandsynlighedsregning 2 IH kapitel 0 og En observation er en vektor af tal x (x,..., x n ) E, der repræsenterer udfaldet af et (eller flere) eksperimenter.

Læs mere

Statistiske principper

Statistiske principper Statistiske principper 1) Likelihood princippet - Maximum likelihood estimater - Likelihood ratio tests - Deviance 2) Modelbegrebet - Modelkontrol 3) Sufficient datareduktion 4) Likelihood inferens i praksis

Læs mere

Ovenstående figur viser et (lidt formindsket billede) af 25 svampekolonier på en petriskål i et afgrænset felt på 10x10 cm.

Ovenstående figur viser et (lidt formindsket billede) af 25 svampekolonier på en petriskål i et afgrænset felt på 10x10 cm. Multiple choice opgaver Der gøres opmærksom på, at ideen med opgaverne er, at der er ét og kun ét rigtigt svar på de enkelte spørgsmål. Endvidere er det ikke givet, at alle de anførte alternative svarmuligheder

Læs mere

Statistisk mekanik 10 Side 1 af 7 Sortlegemestråling og paramagnetisme. Sortlegemestråling

Statistisk mekanik 10 Side 1 af 7 Sortlegemestråling og paramagnetisme. Sortlegemestråling Statistisk mekanik 0 Side af 7 Sortlegemestråling I SM9 blev vibrationerne i et krystalgitter beskrevet som fononer. I en helt tilsvarende model beskrives de M svingninger i en sortlegeme-kavitet som fotoner.

Læs mere

Statistisk mekanik 6 Side 1 af 11 Hastighedsfordeling for ideal gas. Enatomig ideal gas

Statistisk mekanik 6 Side 1 af 11 Hastighedsfordeling for ideal gas. Enatomig ideal gas Statistisk ekanik 6 Side 1 af 11 Enatoig ideal gas etragt en enatoig ideal gas bestående af N uskelnelige olekyler ed asse, der befinder sig i en beholder ed rufang V. For at kunne bestee tilstandssuen

Læs mere

Løsning til eksaminen d. 29. maj 2009

Løsning til eksaminen d. 29. maj 2009 DTU Informatik 02402 Introduktion til Statistik 20-2-01 LFF/lff Løsning til eksaminen d. 29. maj 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th

Læs mere

Definition. Definitioner

Definition. Definitioner Definition Landmålingens fejlteori Lektion Diskrete stokastiske variable En reel funktion defineret på et udfaldsrum (med sandsynlighedsfordeling) kaldes en stokastisk variabel. - kkb@math.aau.dk http://people.math.aau.dk/

Læs mere

Kapitel 4 Sandsynlighed og statistiske modeller

Kapitel 4 Sandsynlighed og statistiske modeller Kapitel 4 Sandsynlighed og statistiske modeller Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 Indledning 2 Sandsynlighed i binomialfordelingen 3 Normalfordelingen 4 Modelkontrol

Læs mere

Nanostatistik: Opgaver

Nanostatistik: Opgaver Nanostatistik: Opgaver Jens Ledet Jensen, 19/01/05 Opgaver 1 Opgaver fra Indblik i Statistik 5 Eksamensopgaver fra tidligere år 11 i ii NANOSTATISTIK: OPGAVER Opgaver Opgave 1 God opgaveskik: Når I regner

Læs mere

I dag. Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik (SaSt) Eksempel: kobbertråd

I dag. Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik (SaSt) Eksempel: kobbertråd I dag Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik SaSt) Helle Sørensen Først lidt om de sidste uger af SaSt. Derefter statistisk analyse af en enkelt

Læs mere

For nemheds skyld: m = 2, dvs. interesseret i fordeling af X 1 og X 2. Nemt at generalisere til vilkårligt m.

For nemheds skyld: m = 2, dvs. interesseret i fordeling af X 1 og X 2. Nemt at generalisere til vilkårligt m. 1 Uge 11 Teoretisk Statistik 8. marts 2004 Kapitel 3: Fordeling af en stokastisk variabel, X Kapitel 4: Fordeling af flere stokastiske variable, X 1,,X m (på en gang). NB: X 1,,X m kan være gentagne observationer

Læs mere

Statistik og Sandsynlighedsregning 2

Statistik og Sandsynlighedsregning 2 Statistik og Sandsynlighedsregning 2 Uafhængighed og reelle transformationer Helle Sørensen Uge 8, mandag SaSt2 (Uge 8, mandag) Uafh. og relle transf. 1 / 16 Program I dag: Uafhængighed af kontinuerte

Læs mere

Sandsynlighedsregning

Sandsynlighedsregning Mogens Bladt www2.imm.dtu.dk/courses/02405 12. Oktober, 2007 Kontinuerte fordelinger Vi har hidtil set på fordelinger af stokastiske variable der højst kan antage tælleligt mange værdier (diskrete stokastiske

Læs mere

Statistik og Sandsynlighedsregning 2

Statistik og Sandsynlighedsregning 2 Statistik og Sandsynlighedsregning 2 Normalfordelingens venner og bekendte Helle Sørensen Uge 9, onsdag SaSt2 (Uge 9, onsdag) Normalfordelingens venner 1 / 20 Program Resultaterne fra denne uge skal bruges

Læs mere

Praktiske ting og sager: Forelæsninger tirsdag og torsdag kl i Kirkesalen, Studiestræde 38 Øvelser

Praktiske ting og sager: Forelæsninger tirsdag og torsdag kl i Kirkesalen, Studiestræde 38 Øvelser Uge 36 Velkommen tilbage Praktiske ting og sager: Forelæsninger tirsdag og torsdag kl. -2 i Kirkesalen, Studiestræde 38 Øvelser Hold -4 og 6: mandag og onsdag kl. 8-; start 3. september Hold 5: tirsdag

Læs mere

BM121 Resume af tirsdags forlæsningen, Uge 47

BM121 Resume af tirsdags forlæsningen, Uge 47 BM121 Resume af tirsdags forlæsningen, Uge 47 Morten Källberg (kallberg@imada.sdu.dk) 22/11-2005 1 Probabilistiske modeller Vi vil i det følgende betragte to forskellige måder at evaluerer en given model

Læs mere

Løsning til prøveeksamen 1

Løsning til prøveeksamen 1 IMM - DTU 020 Probability 2006-2-8 BFN/bfn Løsning til prøveeksamen Spørgsmål ) For en indikatorvariabel I A for hændelsen A gælder E(I A ) = P(A) (se for eksemepl side 68). Således er E(X) = P(N ) = =

Læs mere

Kvantitative Metoder 1 - Forår Dagens program

Kvantitative Metoder 1 - Forår Dagens program Dagens program Kontinuerte fordelinger Simultane fordelinger Kovarians og korrelation Uafhængighed Betingede fordelinger - Middelværdi og varians - Sammenhæng med uafhængighed 1 Figur 1: En tæthedsfunktion

Læs mere

Stikprøver og stikprøve fordelinger. Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader

Stikprøver og stikprøve fordelinger. Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader Stikprøver og stikprøve fordelinger Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader Statistik Statistisk Inferens: Prediktere og forekaste værdier af

Læs mere

Fordelinger. En oversigt over de vigtigste sandsynlighedsteoretiske fordelinger Anden udgave. Udvidet version. Ulrich Fahrenberg uli@math.auc.

Fordelinger. En oversigt over de vigtigste sandsynlighedsteoretiske fordelinger Anden udgave. Udvidet version. Ulrich Fahrenberg uli@math.auc. Fordelinger En oversigt over de vigtigste sandsynlighedsteoretiske fordelinger Anden udgave Udvidet version Ulrich Fahrenberg uli@math.auc.dk Da denne fordelingsoversigt's første udgave så verdens lys

Læs mere

1. Beregn sandsynligheden for at samtlige 9 klatter lander i felter med lige numre.

1. Beregn sandsynligheden for at samtlige 9 klatter lander i felter med lige numre. NATURVIDENSKABELIG GRUNDUDDANNELSE Københavns Universitet, 6. april, 2011, Skriftlig prøve Fysik 3 / Termodynamik Benyttelse af medbragt litteratur, noter, lommeregner og computer uden internetadgang er

Læs mere

Kvantitative Metoder 1 - Efterår Dagens program

Kvantitative Metoder 1 - Efterår Dagens program Dagens program Afsnit 3.1-3.2 Middelværdi -Definition - Regneregler Betinget middelværdi Middelværdier af funktioner af stokastiske variable Loven om den itererede middelværdi Eksempler 1 Beskrivelse af

Læs mere

Teoretisk Statistik, 16. februar Generel teori,repetition

Teoretisk Statistik, 16. februar Generel teori,repetition 1 Uge 8 Teoretisk Statistik, 16. februar 2004 1. Generel teori, repetition 2. Diskret udfaldsrum punktssh. 3. Fordelingsfunktionen 4. Tæthed 5. Transformationer 6. Diskrete vs. Kontinuerte stokastiske

Læs mere

Vi kalder nu antal prøverør blandt de 20, hvor der ikke ses vækst for X.

Vi kalder nu antal prøverør blandt de 20, hvor der ikke ses vækst for X. Opgave I I en undersøgelse af et potentielt antibiotikum har man dyrket en kultur af en bestemt mikroorganisme og tilført prøver af organismen til 20 prøverør med et vækstmedium og samtidig har man tilført

Læs mere

Kvantitative Metoder 1 - Forår Dagens program

Kvantitative Metoder 1 - Forår Dagens program Dagens program Afsnit 3.1-3.2 Middelværdi -Definition - Regneregler Betinget middelværdi Middelværdier af funktioner af stokastiske variabler Loven om den itererede middelværdi Eksempler 1 Beskrivelse

Læs mere

Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable

Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/41 Landmålingens fejlteori - lidt om kurset

Læs mere

Landmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3

Landmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3 Landmålingens fejlteori Repetition - Kontinuerte stokastiske variable Lektion 4 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf10 Institut for Matematiske Fag Aalborg Universitet 29. april

Læs mere

Opgaver i sandsynlighedsregning

Opgaver i sandsynlighedsregning Afdeling for Teoretisk Statistik STATISTIK Institut for Matematiske Fag Preben Blæsild Aarhus Universitet 9. januar 005 Opgaver i sandsynlighedsregning Opgave Lad A og B være hændelser således at P(A)

Læs mere

Vejledende løsninger til opgaver i kapitel 6

Vejledende løsninger til opgaver i kapitel 6 Vejledende løsninger til opgaver i kapitel Opgave 1: a) Den stokastiske variabel, X, der angiver, om en elev består, X = 1, eller dumper, X =, sin eksamen i statistik. b) En binomialfordelt variabel fremkommer

Læs mere

Note om Monte Carlo metoden

Note om Monte Carlo metoden Note om Monte Carlo metoden Kasper K. Berthelsen Version 1.2 25. marts 2014 1 Introduktion Betegnelsen Monte Carlo dækker over en lang række metoder. Fælles for disse metoder er, at de anvendes til at

Læs mere

DANMARKS TEKNISKE UNIVERSITET Side 1 af 18 sider. Skriftlig prøve, den: 16. december 2003 Kursus nr : (navn) (underskrift) (bord nr)

DANMARKS TEKNISKE UNIVERSITET Side 1 af 18 sider. Skriftlig prøve, den: 16. december 2003 Kursus nr : (navn) (underskrift) (bord nr) DANMARKS TEKNISKE UNIVERSITET Side 1 af 18 sider Skriftlig prøve, den: 16. december 2003 Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er

Læs mere

Grundlæggende statistik Lektion 2 Indhold Diskrete fordelinger Binomial fordelingen Poisson fordelingen Hypergeometrisk fordeling Data typer el. typer af tilfældige variable Diskrete variable > Kategoriseres

Læs mere

Hvad skal vi lave i dag?

Hvad skal vi lave i dag? p. 1/1 Hvad skal vi lave i dag? Repeterer lidt om diskrete sv. Standardfordelinger (binomial, Poisson, geometrisk) Stokastiske vektorer Diskrete stokastiske vektorer p. 2/1 Repetition Heltallige sv er

Læs mere

Eksamen i Mat F, april 2006

Eksamen i Mat F, april 2006 Eksamen i Mat F, april 26 Opgave 1 Lad F være et vektorfelt, givet i retvinklede koordinater som: F x x F = F x i + F y j + F z k = F y = 2z F z y Udregn F og F: F = F x + F y + F z = 1 + +. F = F z F

Læs mere

Løsning til eksaminen d. 14. december 2009

Løsning til eksaminen d. 14. december 2009 DTU Informatik 02402 Introduktion til Statistik 200-2-0 LFF/lff Løsning til eksaminen d. 4. december 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition,

Læs mere

Aalborg Universitet. Skriftlig eksamen i Grundlæggende Mekanik og Termodynamik. Mandag d. 11. juni 2012 kl. 9 00-13 00

Aalborg Universitet. Skriftlig eksamen i Grundlæggende Mekanik og Termodynamik. Mandag d. 11. juni 2012 kl. 9 00-13 00 Aalborg Universitet Skriftlig eksamen i Grundlæggende Mekanik og Termodynamik Mandag d. 11. juni 2012 kl. 9 00-13 00 Ved bedømmelsen vil der blive lagt vægt på argumentationen (som bør være kort og præcis),

Læs mere

Skriftlig Eksamen i Moderne Fysik

Skriftlig Eksamen i Moderne Fysik Moderne Fysik 10 Side 1 af 7 Navn: Storgruppe: i Moderne Fysik Spørgsmål 1 Er følgende udsagn sandt eller falsk? Ifølge Einsteins specielle relativitetsteori er energi og masse udtryk for det samme grundlæggende

Læs mere

Uge 10 Teoretisk Statistik 1. marts 2004

Uge 10 Teoretisk Statistik 1. marts 2004 1 Uge 10 Teoretisk Statistik 1. marts 004 1. u-fordelingen. Normalfordelingen 3. Middelværdi og varians 4. Mere normalfordelingsteori 5. Grafisk kontrol af normalfordelingsantagelse 6. Eksempler 7. Oversigt

Læs mere

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse

Læs mere

Statistisk mekanik 5 Side 1 af 11 Hastighedsfordeling for ideal gas. Enatomig ideal gas

Statistisk mekanik 5 Side 1 af 11 Hastighedsfordeling for ideal gas. Enatomig ideal gas Statistisk ekanik 5 Side 1 af 11 Enatoig ideal gas etragt en enatoig ideal gas bestående af N uskelnelige olekyler ed asse, der befinder sig i en beholder ed rufang V. For at kunne bestee tilstandssuen

Læs mere

Binomial fordeling. n f (x) = p x (1 p) n x. x = 0, 1, 2,...,n = x. x x!(n x)! Eksempler. Middelværdi np og varians np(1 p). 2/

Binomial fordeling. n f (x) = p x (1 p) n x. x = 0, 1, 2,...,n = x. x x!(n x)! Eksempler. Middelværdi np og varians np(1 p). 2/ Program: 1. Repetition af vigtige sandsynlighedsfordelinger: binomial, (Poisson,) normal (og χ 2 ). 2. Populationer og stikprøver 3. Opsummering af data vha. deskriptive størrelser og grafer. 1/29 Binomial

Læs mere