Processing math: 100%

電子學考試解答

48647

Sunday, December 10, 2017

Testing: Embedding iPython Notebook on Blogger

這是一個簡單的jupyter notebook範例,寫中文也可以,也支援LaTeX語法。 F(\omega) = \int^{\infty}_{0}f(t)e^{j\omega t}dt

In [1]:
import numpy as np
import matplotlib.pyplot as plt

# Make some fake data.
a = b = np.arange(0, 3, .02)
c = np.exp(a)
d = c[::-1]

# Create plots with pre-defined labels.
fig, ax = plt.subplots()
ax.plot(a, c, 'k--', label='Model length')
ax.plot(a, d, 'k:', label='Data length')
ax.plot(a, c + d, 'k', label='Total message length')

legend = ax.legend(loc='upper center', shadow=True, fontsize='x-large')

# Put a nicer background color on the legend.
legend.get_frame().set_facecolor('#00FFCC')

plt.show()

也可以寫腳本,可以畫圖。

Wednesday, October 18, 2017

內積空間

定義:(\mathbb{V}, \mathbb{F})是一個向量空間,\mathbb{V}上的內積 (inner product) 是一個函數,記做\bracket{\cdot}{\cdot}: \mathbb{V}\times\mathbb{V}\rightarrow \mathbb{F},且對所有的\ket{\alpha}, \ket{\beta}, \ket{\gamma}\in\mathbb{V},滿足

  1. \bracket{\alpha +\beta}{\gamma} = \bracket{\alpha}{\gamma} + \bracket{\beta}{\gamma}.
  2. \bracket{a\alpha}{\beta} = a\bracket{\alpha}{\beta}.
  3. \bracket{\alpha}{\beta} = \bracket{\beta}{\alpha}^*. (其中,'*'表示共軛複數。)
  4. \ket{\alpha}\ne\ket{0},則\bracket{\alpha}{\alpha} > 0
一個具有內積函數的向量空間,稱為內積空間 (inner product space)。

定義:考慮一個內積空間\mathbb{V},若\bracket{\alpha}{\beta}=0,則稱此二向量為正交 (orthogonal)。

定義:假設\mathbb{V}是一個內積空間,定義\Vert\alpha\Vert = \sqrt{\bracket{\alpha}{\alpha}}\ket{\alpha}的長度或範數 (norm),範數為1的向量稱為單位向量 (unit vector)。

定義:一組基底中,若所有向量的長度皆為1,且兩兩正交,則稱該基底為單範正交基底 (orthonormal basis)。

考慮一個向量空間\mathbb{V},假設\mathcal{B} = \{\ket{1}, \ket{2}, ..., \ket{n}\}\mathbb{V}的一組基底,則任意的向量\ket{\alpha}, \ket{\beta}可以表示為:
\ket{\alpha} = \sum_i a_i\ket{i}
\ket{\beta} = \sum_j b_j\ket{j}
由內積的性質可知:
\bracket{\alpha}{\beta} = \sum_i\sum_j a_i^* b_j\bracket{i}{j}
若欲進一步推導,則需要知道如何計算\bracket{i}{j}。一般而言\ket{i}, \ket{j}不一定正交,但依據Gram-Schmidt定理,我們一定可以由\mathcal{B}造出一組正交基底。

定理:(Gram-Schmidt Orthogonalization Process) 給定一組線性獨立的向量,則必定可以經過適當的線性組合,得到一組單範正交的集合。

我們將在稍後證明上述定理 (應該會吧!),現在先將其視位正確的,則不失一般性,我們可以假設前述的基底是單範正交基底,亦即
\bracket{i}{j} = \delta_{ij} = \left\{\begin{array}{l} 1,\,\,\,\, i=j \\ 0,\,\,\,\, i\ne j\end{array}\right.
其中\delta_{ij}稱為Kronecker Delta。將此結果代入前一個方程式,可得
\bracket{\alpha}{\beta} = \sum_i a_i^*b_j
本文前面曾經提到,當選定基底\mathcal{B}時,\ket{\alpha}的座標向量可以唯一決定,亦即在此基底之下,\ket{\alpha}可以等效地以行向量 (column vector) 來表示:
\ket{\alpha}\rightarrow \left[\begin{array}{c} a_1 \\ a_2 \\ \vdots \\ a_n \end{array}\right]  
同理,\ket{\beta}可以表示為:
\ket{\beta}\rightarrow \left[\begin{array}{c} b_1 \\ b_2 \\ \vdots \\ b_n \end{array}\right]  
如此一來,內積\bracket{\alpha}{\beta}可以等效地寫為\ket{\alpha}的行座標向量之共軛轉置與\ket{\beta}之行座標向量的矩陣乘積,亦即
\bracket{\alpha}{\beta} = [a_1^*,\, a_2^*,\ldots, a_n^*]\left[\begin{array}{c} b_1 \\ b_2 \\ \vdots \\ b_n \end{array}\right]
上述的過程可以視為是將抽象的ket-vector,"具體化"成一個\mathbb{R}^n空間中的行向量。這個過程也可以反轉過來,想成是將一個行向量,"抽象化"變成一個ket-vector。同樣的道理,我們也可以將每一個列向量 (row vector),例如上面的[a_1^*,\, a_2^*,\ldots, a_n^*],抽象化成一個"物件",Paul Dirac稱這個"物件"為bra-vector (出現了!),並記做\bra{\alpha}。也可以等效地想成是將ket-vector \ket{\alpha}取其共軛轉置之後,得到bra-vector \bra{\alpha}。所以實際上我們有兩個空間,一個是由ket-vector組成,也就是原本的向量空間\mathbb{V},另一個空間是由bra-vector所組成,稱為對偶空間 (dual space),內積實際上是bras與kets之間的數學運算。可以找到一組向量\ket{i}形成kets空間的基底,同樣也可以找到另一組向量\bra{i},形成bras空間的基底。







Sunday, October 15, 2017

向量空間

向量空間

定義:向量空間係由兩個集合組成,其中一個集合是由向量 (vectors) \mathbb{V} = \{\ket{\alpha}, \ket{\beta}, \ket{\gamma},... \} 組成,另一個集合是由純量 (scalars) \mathbb{F} = \{a, b, c, ... \} (在量子力學中,通常是複數) 構成。以及兩個二元運算,分別稱為向量加法 (vector addition) 以及純量乘法 (scalar multiplication),這兩個集合在這兩種運算之下,具備封閉性,且必須滿足下列性質:

向量加法

1. 任意兩個向量相加,得到另一個向量 :
\ket{\alpha} + \ket{\beta} = \ket{\gamma}
2. 向量加法具備交換性 (commutative):
\ket{\alpha} + \ket{\beta} = \ket{\beta} + \ket{\alpha}
3. 向量加法具備結合性 (associative):
\ket{\alpha} + (\ket{\beta} + \ket{\gamma}) = (\ket{\alpha} + \ket{\beta}) + \ket{\gamma}  
4. 存在一個向量\ket{0},稱為零向量 (zero or null vector),滿足下列性質: 
\ket{\alpha} + \ket{0} = \ket{\alpha}, \,\,\,\,\forall\ket{\alpha}\in\mathbb{V}  
5. 對\mathbb{V}中的每一個向量\ket{\alpha},皆存在一個對應的加法反元數 \ket{-\alpha},使得
\ket{\alpha} + \ket{-\alpha} = \ket{0}  

純量乘法

 6. 純量與向量相乘之後,得到另一個向量:
a\ket{\alpha} = \ket{\gamma}
7.  純量乘法相對於向量加法,具備分配性 (distributive):
a(\ket{\alpha} + \ket{\beta}) = a\ket{\alpha} + a\ket{\beta}
8. 純量加法對純量乘法具備分配性:
(a+b)\ket{\alpha} = a\ket{\alpha}+b\ket{\alpha}
9. 一般的乘法與純量乘法具備結合性:
a(b\ket{\alpha}) = (ab)\ket{\alpha}
10. 在\mathbb{F}中存在一個元素1,使得
1\ket{\alpha} = \ket{\alpha}
稱為乘法的單位元素。 

上述這種向量符號,是Paul Dirac發明的,通常也稱為ket  vector,之後會用到另一種向量\bra{\alpha},稱為bra vector (不是那個bra,只是拼法剛好一樣)。需要注意的是,在這種表示方法中,\alpha只是一個符號,不是一個數值。舉例來說,\ket{1}這個表示方法中,1並不是代表數值,他只是一個符號,這個向量的值不一定是1

線性組合、線性相依與線性獨立

定義:假設有一組向量S=\{\ket{\alpha}, \ket{\beta}, \ket{\gamma}, ... \},以及一組純量\{a, b, c, ... \},則
a\ket{\alpha} + b\ket{\beta} +c\ket{\gamma} + \cdots
稱為S的一種線性組合 (linear combination)。

定義:若找得到一組不全為零的係數\{a, b, c, ... \},使得
a\ket{\alpha} + b\ket{\beta} +c\ket{\gamma} + \cdots = \ket{0}
則稱S為線性相依 (linearly dependent),反之則稱為線性獨立 (linearly independent)。

線性獨立有另一種等效的說法,亦即:若a\ket{\alpha} + b\ket{\beta} +c\ket{\gamma} + \cdots = \ket{0} ,則此式成立的唯一解是係數全為零的解,a=b=c=\cdots = 0

定義:若向量空間\mathbb{V}中的每一個向量,皆可以寫成S的線性組合,則稱S生成\mathbb{V},記作span(S)=\mathbb{V}。若該集合S又同時為線性獨立集,則S為向量空間的一個基底 (basis),基底這個集合中的向量個數,稱為\mathbb{V}的維度 (dimension),記作dim\mathbb{V}

假設\mathbb{V}的維度為n,選擇一組適當的基底\mathcal{B} = \{\ket{e_1}, \ket{e_2},..., \ket{e_n}\},則空間中的任一個向量\ket{\alpha}可以唯一地表示為
\ket{\alpha} = a_1\ket{e_1} + a_2\ket{e_2} + \cdots + a_n\ket{e_n}
其中
(a_1, a_2,..., a_n) = \left[\begin{array}{c} a_1 \\ a_2 \\ \vdots \\ a_n \end{array}\right]
稱為\ket{\alpha}相對於基底\mathcal{B}之座標向量 (coordinate vector),當\mathcal{B}選定時,座標向量是唯一的。

Problem:試證明座標向量為唯一。
證明:假設
\ket{\alpha} = a_1\ket{e_1} + a_2\ket{e_2} + \cdots + a_n\ket{e_n},

\ket{\alpha} = b_1\ket{e_1} + b_2\ket{e_2} + \cdots + b_n\ket{e_n}.
兩式相減可得:
\ket{0} = (a_1-b_1)\ket{e_1} + (a_2 - b_2)\ket{e_2} + \cdots + (a_n - b_n)\ket{e_n}
若其中某一項係數不為零,例如a_j \ne b_j,可將上式同除以a_j - b_j並移項之後可得:
\ket{e_j} = -\frac{(a_1 - b_1)}{(a_j - b_j)}\ket{e_1} - \frac{(a_2 - b_2)}{(a_j - b_j)}\ket{e_2} - \cdots - \frac{(a_n - b_n)}{(a_j - b_j)}\ket{e_n}
此式意味\ket{e_j}可以表示為其他(n-1)個向量的線性組合,所以\mathcal{B}不為基底,此與問題假設矛盾,因此可知所有分量必須相等a_1 = b_1, a_2 = b_3,..., a_n = b_n,亦即座標向量是唯一的。





Saturday, October 14, 2017

薛丁格方程式

一個粒子在空間中的"狀態",滿足薛丁格方程式 (Schrodinger Equation):
i\hbar\frac{\partial\Psi}{\partial t} = -\frac{\hbar^2}{2m}\frac{\partial^2\Psi}{\partial x^2} + V\Psi
是一個波動方程式 (Wave Equation),其中i = \sqrt{-1}是複數符號,\Psi = \Psi (x, t)是一個波函數,代表粒子在時間t時,"可能"出現的位置x\hbar = 1.054572\times 10^{-34} J-s 為普朗克常數 (Planck's Constant);V是位能函數 (Potential Energy Function)。\Psi (x, t)代表的並非是粒子的動態,而是粒子在空間中某一個位置出現的機率,這種解釋方式是由Max Born提出來的,他的解釋是一個粒子在時間t時,出現在位置x的機率密度函數為|\Psi (x, t)|^2,也就是說,依據統計學的觀點
\int^b_a\left|\Psi (x, t)\right|^2 dx = \mbox{時間為t,在位置a與b之間發現粒子的機率}


如上圖所示,a與b之間的面積是機率,且由圖中可以得知,在A點發現粒子的機率,比在B點發現的機率高。可是由古典力學的觀點來看,在某一個時刻,粒子所在的位置應該是確定的,所以上述的波函數要如何解釋能?量子力學的解釋是都有可能,有點像是說粒子可能同時出現在所有滿足波函數的位置上,這就是後來大家可能聽過的薛丁格的貓的故事:在打開微波爐之前,貓可能是死可能是活,也可能兩個狀況同時存在。

現在假設我來實際觀測 (或者說是測量) 這個粒子的位置 (微波爐被打開了),會發生甚麼事呢?實際上是我應該會在某一個位置發現粒子,例如在C發現,接著我再馬上重複一次測量 (馬上關上微波爐的門,然後再次打開),此時粒子的位置會是在哪裡呢?量子學家都同意,應該還是會在C點上。這樣一來就衍伸出一個新的問題了,這時候機率的說法不就不成立了嗎?或者說,這時候的波函數是甚麼?物理學家Paul Dirac發明了一個新的函數,解決了這個問題。當我第一次測量的時候,粒子的狀態就會塌縮成如下圖的樣子,會是一個在C點上一個非常狹長的"脈波",它的面積是1,所以幾乎可以確定會在C上再次發現粒子。這個函數就是我們在工數課本中提到的Delta Function (更明確的說是Dirac Delta Function),通常記做\delta (x),他也是一個"波函數"。









Monday, October 09, 2017

機率公設

定義:S為樣本空間 (sample space),\mathcal{E}為所有可能事件的集合類,P是定義在\mathcal{E}上的一個實數函數,若P滿足下列公設 (axiom),則稱P為機率函數 (probability function),並稱P(A)為事件A\in\mathcal{E}的機率:
[A1] 對任意的事件A, 0\le P(A)\le 1
[A2] P(S)=1
[A3] 若A_1, A_2, A_3,...是一個序列的互斥事件 (亦即A_i\cap A_j =\emptyset , \forall i\ne j),則
P(A_1\cup A_2\cup \cdots) = P(A_1) + P(A_2) + P(A_2) +\cdots

定理:\emptyset為空集合,則P(\emptyset)=0
證明:令A為任意的集合,則A與空集合為互斥事件,A\cup\emptyset = A。由[A3]可知
P(A) = P(A\cup\emptyset) = P(A) + P(\emptyset)
兩邊同減P(A),可得:P(\emptyset) = 0

定理:A^c為事件A的補集 (亦即A\cup A^c = S,且A\cap A^c = \emptyset),則P(A^c)=1-P(A)
證明:依據補集的定義,S可以拆解成兩個互斥的事件AA^c,亦即A\cup A^c = S。由公設[A2], [A3]可得
1 = P(S) = P(A\cup A^c) = P(A)+P(A^c)
移項之後可得:P(A^c) = 1- P(A)

定理:A\subset B,則P(A)\le P(B)
證明:若A\subset B,則B可拆解成兩個互斥的事件,事件A以及事件B\cap A^c (通常以B\setminus A表示B\cap A^c)。則
P(B) = P(A)+P(B\setminus A)
依據[A1],P(B\setminus A)\ge 0,因此由上式可知:P(B)\ge P(A)





定理:AB為任意兩個事件,則
P(A\setminus B) = P(A) - P(A\cap B)
證明A可以拆解成兩個互斥的事件,A\setminus B以及A\cap B,亦即
A = (A\setminus B)\cup (A\cap B)
因此,由[A3]可得
P(A) = P(A\setminus B) + P(A\cap B)



定理:假設AB為任意兩個事件,則
P(A\cup B) = P(A) + P(B) - P(A\cap B)
證明A\cup B可以拆解成兩個互斥的事件:A\setminus B以及B,則依據[A3]可知
\begin{array}{rcl} P(A\cup B) & = & P(A\setminus B) + P(B) \\        & = & P(A) - P(A\cap B) + P(B) \\        & = & P(A) + P(B) - P(A\cap B) \end{array}











Sunday, July 26, 2015

GPS衛星的相對論效應

GPS似乎是目前唯一需要考慮相對論效應的商用系統 (或者至少是第一個)。依據狹義相對論(Special Theory of Relativity),移動中的物體,時間會變慢,而依據廣義相對論 (General Theory of Relativity),在高處的物體(重力較小),時間會變快。GPS衛星的移動速度大約每秒4公里(時間變慢),距離地表約兩萬多公里(時間變快),兩者的效應並不會完全抵消。相對論效應對GPS的影響,在下列這篇文章中有詳細的推導與說明。

N. Asby and J. J. Spilker Jr., "Introduction to Relativistic Effects on the Global Positioning System," Chapter 13 in Global Positioning System: Theory and Applications Vol. 1, AIAA, 1996.

這篇文章介紹得十分詳細,但是相對的也比較難讀。後來發現在Serway寫的近代物理:

R. A. Serway, C. J. Moses, and C. A. Moyer, Modern Physics, 3rd Edition, Thomson Brooks/Cole, 2005.

這本書中也提到這個問題,而且講得比較淺顯易懂。我想利用這篇文章介紹一下Serway的方法,大致上分為四個步驟。

1. 假設GPS衛星運動是一個正圓形軌道,繞行地球一周的週期是11小時58分,依據牛頓運動定律以及萬有引力定律可知:

\sum F = ma\Rightarrow \frac{GM_E m}{r^2} = \frac{mv^2}{r} = \frac{m}{r}\left(\frac{2\pi r}{T}\right)^2

其中,G=6.67\times 10^{-11}\rm{N}\cdot\rm{m}^2是地球重力常數,M_E = 5.98\times 10^{24}\rm{kg}是地球的質量,T=43080\rm{s}是軌道週期,m是衛星的質量,r是軌道半徑。帶入上式化簡之後,可得到軌道半徑為:

GM_ET^2 = 4\pi^2r^3\Rightarrow r=2.66\times 10^7 \rm{m}

2. 第二步驟是計算衛星的速率。由第一步驟得到的軌道半徑,以及軌道週期,可以得到衛星的運動速率v,如下:

v = \frac{2\pi r}{T} = \frac{2\pi(2.66\times 10^{-7})\rm{m}}{43080\rm{s}} = 3.87\times 10^3 \rm{m/s}

3. 第三步驟是計算由於衛星的移動所造成之時間膨脹因子 (狹義相對論)。每一個GPS衛星上都會承載一個振盪器(其基礎振盪頻率為10.23 MHz,其他訊號的頻率都是這個頻率乘上或者除以一個整數),用以產生GPS訊號的載波頻率。民用的頻率為1575.42 MHz ( = 10.23 MHz \times 154),或者更精確一點來說,在衛星的參考座標上,訊號的傳送頻率為1575.42 MHz。當地面的使用者接收到衛星訊號時,由於時間膨脹的影響,訊號的頻率會有些微的改變。時間膨脹因子通常以\gamma表示

\gamma = \frac{1}{\sqrt{1-(v/c)^2}}

其中c為真空中的光速。為了簡化起見,這邊是令c=3\times 10^8\rm{m}。利用Lorentz Transformation,可得到發射頻率f_{\rm source}與觀測頻率f_{\rm obs}之間的關係,如下:

f_{\rm obs} = \frac{\sqrt{1-(v/c)^2}}{\sqrt{1+(v/c)^2}}f_{\rm source}

上面這個方程式的推倒,請讀者自行參閱Serway的書。由上面這個方程式,可得到因為時間膨脹造成的頻率變化為:

\Delta f_{\rm special} = (1-\gamma)f_{\rm source}

為了之後運算方便起見,通常是以fractional change,也就是以百分比的方式表示:

\frac{\Delta f_{\rm special}}{f_{\rm source}} = 1-\gamma \approx -8.34\times 10^{-11}

4. 第四步驟是計算廣義相對論的影響。由於廣義相對論所造成頻率之fractional change,可以表示如下:

\frac{\Delta f_{\rm general}}{f_{\rm source}} = \frac{\Delta U_g}{mc^2}

其中,U_g=-\frac{GM_Em}{r}為重力位能,\Delta U_g/m表示發射端與接收端之間,單位質量的位能變化。這個方程式的推導,同樣請讀者參閱Serway的書。由於衛星距離地表的高度,相較於地球的半徑\rho = 6.37\times 10^{6}而言,要大得多,因此\Delta U_g的計算可以近似為:

\Delta U_g = -\frac{GM_Em}{r} + \frac{GM_Em}{\rho}

帶入適當的數值之後可得\Delta U_g = 4.76\times 10^{7}\rm{J/kg}m。因此,由於重力所造成頻率之fractional change為:

\frac{\Delta f_{\rm general}}{f_{\rm source}} = \frac{\Delta U_g}{mc^2} = +5.29\times 10^{-10}

最後,將第三、第四步驟得到之值合起來,即爲全部之fractional change:

-8.34\times 10^{-11} + 5.29\times 10^{-10} = +4.46\times 10^{-10} 

衛星上面所承載的振盪器基礎頻率是10.23 MHz,由於相對論的影響,官方會將頻率調低大約10.23\times 10^6\times 4.46\times 10^{-10}\approx 0.00456\rm{Hz}

下面這個連結:

GPS, Relativity, and Nuclear Detection

是一個Youtube的影片,提到當初設計GPS的科學家不太相信相對論會有多大的影響,因此沒有將頻率調整,結果不到一天GPS定位誤差就大到不能使用。





Sunday, January 25, 2015

Exercises

線性代數

1. 對任意的n\times n矩陣,皆可以找到n個特徵值。(True or False)

2. 求下列\mathbb{R}^3空間基底之對偶基底(dual basis):(a) {(1, 0, 0), (0, 1, 0), (0, 0, 1)} (b) {(1, -2, 3), (1, -1, 1), (2, -4, 7)}.

3. 令\phi表示\mathbf{R}^2的線性泛函(linear functional),定義為\phi(x, y) = x - 2y。若T為下列在\mathbf{R}^2上的線性映射,試求(T^t(\phi))(x, y),其中T^t表示transpose map(有些書寫為T^*):(a)T(x, y) = (x, 0), (b)T(x, y) = (y, x+y), (c) T(x, y) = (2x-3y, 5x+2y)

4. 令W\mathbb{R}^4的子空間,W=span\{(1, 2, -3, 4), (1, 3, -2, 6), (1, 4, -1, 8)\}。求W的零化集(annihilator)之一組基底。

5. 若\mathbf{A}為實對稱正定矩陣,試證明\mathbf{A}=\mathbf{P}^t\mathbf{P},其中\mathbf{P}是一個非奇異矩陣。

6. 求\mathbf{A}的奇異值分解,其中
\mathbf{A} = \left[\begin{array}{rrr}  1 & 2 &3 \\  4 & -2 & -1 \end{array}\right]

7. \mathbf{A}是一個regular Markov matrix (每一列加起來皆等於1)
\mathbf{A} = \left[\begin{array}{rrr}  0.4 & 0.2 & 0.2 \\  0.1 & 0.7 & 0.2 \\  0.5 & 0.1 &0.6 \end{array}\right]
求 (a) \lim_{k\rightarrow\infty}\mathbf{A}^k = ? (b) 求\mathbf{A}的穩定機率向量(亦即求\mathbf{p},使得\mathbf{Ap}=\mathbf{p})。(思考:這樣的矩陣在通訊上有何用途?什麼條件下穩定機率向量才存在?有什麼用處?)