Gases y aleatoridad

Gerardo Morales

17 de noviembre de 2017
Índice general

0.1. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
0.2. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
0.3. Teoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
0.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
0.5. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
0.6. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

0.1. Resumen
En este trabajo abordaremos el tema de gases, para llevar a cabo la simulación del gas
debemos tomar en cuenta la teorı́a cinética de los gases en la cual vemos el gas como un
conjunto de partı́culas individuales y de las cuales solo podemos conocer su distribución de
posición y velocidad, para esto utilizaremos un generador de números aleatorios ya que en
realidad no podemos conocer la evolución de las variables dinámicas de cada partı́cula que
conforman a un gas.

0.2. Introduccion
Ciencias como la fı́sica y la matemática al pasar de los años han ido cambiando la forma de
ver el mundo que nos rodea, la creación de la misma no ha sido sino una necesidad del hombre
por explicar la naturaleza y nuestro afán de conocimiento hemos recorrido largos caminos como
los de grandes cientı́ficos como Galileo, Newton, Einstein los cuales en sus teorı́a tenı́an un
enfoque determinı́stico de la naturaleza, pero al seguir evolucionando la ciencia ha sido necesario
utilizar un enfoque probabilı́stico para describir la naturaleza de los fenómenos microscópicos
lo que hoy en dı́a nos muestra que vivimos en un mundo caótico que se rige por las leyes de la
probabilidad.
Las distribuciones de probabilidad han sido usadas para describir sistemas fı́sicos como
gases o partı́culas subatómicas pero en general pueden ser utilizadas para describir muchos
otros procesos cotidianos como las filas en un banco o determinar las horas pico en un lavado
de autos o para simular experimentos costosos con el fin de llegar a tomar una decisión oportuna,
muchas de estas simulaciones pueden hacerse utilizando métodos como el Montecarlo el cual
resuelve mediante la utilización de variables aleatorias, este método está basado en la generación
de números aleatorios.

1
 Gases y aleatoriedad
0.3. Teoria
Para la generación de números aleatorios existen diversos modelos, entre ellos tenemos:

Método de congruencias aditivas

Es un método rápido, puesto que no necesita realizar multiplicación. Se precisa una secuencia
de números x1 , x2 ..., xn . El generador produce una extensión de la secuencia xn + 1, xn + 2, ...
de la forma siguiente:

xi = (xi − 1 + xi − n)......modm (1)

Por definición a = b mod m sia − b es divisible por m (resto 0). Por ejemplo, en módulo 4,
los números 2, 6, 10, 14 son equivalentes porque (10 - 2), (10 - 6) . . . son todos divisibles por 4.
Hay que tener en cuenta que, cuando utilizamos módulo m, los valores que resultarán estarán
comprendidos entre 0 y m-1.

Generadores de congruencias lineales

Una gran mayorı́a de los generadores utilizados actualmente utilizan esta técnica introducida
por Lehmer en 1951. Una secuencia de números enteros Z1,Z2, . . . está definida por la fórmula
recursiva:

Zi = (aZi − 1 + c)modm (2)

donde el módulo m, el multiplicador a, el incremento c y la semilla o valor de comienzo Z0
son enteros no negativos.

Método de cuadrados medios

Fue propuesto en la década de los 40 del siglo XX por Von Neumann y Metrópolis. Requiere
un número entero detonador (llamado semilla) con D dı́gitos, el cual es elevado al cuadrado.
Los pasos para generar números mediante cuadrados medios son:
Seleccionar una semilla (X0).
Se eleva al cuadrado la semilla.
Se extrae la cantidad de dı́gitos del centro que se deseen, y este será X1.
Dividir X1 entre 10000 y el resultado es el número aleatorio buscado.
Repetir desde el paso 2 siendo la semilla X1 hasta obtener la cantidad de número aleatorios
deseados.

Estos son solo algunos de los modelos para general n’umeros aleatorios que existen, en
nuestro caso usaremos Python para simular las partı́culas que conforman un gas, este lenguaje
de programaci’on cuenta con su propio generador de números aleatorios entre los cuales tenemos
los siguientes.
Para generar números aleatorios en Python lo primero es utilizar la librerı́a import random
el cual nos permite usar los diferentes módulos que generan numero aleatorios, a continuacion
tenemos algunos ejemplos.

random.randrange([start,] stop [,step]),random.randrange(stop)

El método randrange devuelve un elemento seleccionado al azar y como su nombre lo dice,
el numero aleatorio que nos va a devolver tiene que estar dentro de un rango ingresado por
nosotros.

2 Fisica computacional
 Gases y aleatoriedad

start - punto de inı́cio del rango (el inicio se incluye en el rango)

stop - punto final del rango (no se incluye dentro del rango)

step - agrega un salto en el rango

random.randint(a, b) La única diferencia que encuentro entre randint y randrange es que

al usar randint(1, 10), el 10 es incluido dentro del rango, cosa que en la función randrange no
pasa.

random.uniform(a, b)
Al igual que random.random, devuelve un numero de punto flotante entre a y b.
random.shuffle(a) La función shuffle mezcla aleatoriamente el orden de los elementos de
una lista.

random.gauss( mu , sigma ) Distribución gaussiana. mu es la media, y sigma es la

desviación estándar.

random.lognormvariate( mu , sigma ) Registre la distribución normal. Si toma el

logaritmo natural de esta distribución, obtendrá una distribución normal con media mu y
desviación estándar sigma . mu puede tener cualquier valor, y sigma debe ser mayor que cero.

Hay muchas más funciones en el modulo random.

0.4. Ejercicios
Resuelve el siguiente problema.
Supón que 100 partı́culas idénticas de 10.0g están contenidas dentro de un cubo de 1.0m de
lado. Utiliza un generador de números aleatorios para asignarles las posiciones x, y, z; después
asigna al azar los componentes de la velocidad vx , vy , vz (entre -10 y +10 m/s ) a cada una de
las 100 partı́culas.

1. Calcula la ubicacián del centro de masa de las partı́culas, la energı́a cinética traslacional
del centro, la energı́a cinética rotacional alrededor del centro y la energı́a cinética total del
sistema. ¿Cómo se relacionan las tres clases de energı́a?
2. Repite el proceso con otro con otro conjunto de números aleatorios y prepara un his-
tograma para las tres. ¿En promedio, qué fracción de la energı́a es interna en este tipo de
sistema?

Para calcular en centro de masa y la energı́a en relación del centro de masa usamos las
siguientes ecuaciones obtenidas de la mecánica clásica de sistemas de partı́culas.

Tenemos que la energı́a cinética rotación es:

1
k = Iω 2 (3)
2
P vi
mi Ri2 y ω =
P
donde I = .
ri
Tenemos que la energı́a cinética traslacional es:

3 Fisica computacional
 Gases y aleatoriedad

1
E = M VCM (4)
2
P (vi )(mi ) P
donde VCM = yM= mi
M
El centro de masa

X
CM = mi Ri (5)

Para generar los números aleatorios para la posición y velocidad de las partı́culas que con-
forman el gas usamos el siguiente código en Python.

Usamos la libreria ”f rommplt oolkits.mplot3dimportAxes3D” y ”importmatplotlib.pyplotasplt”

para generar graficos en 3D.Para calcular las variables que nos pide el ejercicio tenemos el si-
guiente código.

4 Fisica computacional
 Gases y aleatoriedad

Para generar los numero aleatorios que representan a las variables de las partı́culas usamos
la función random.unif orm que genera una distribución uniforme de probabilidad.

0.5. Resultados
En el primer ejercicio se utilizó una distribución uniforme en la cual la probabilidad de
ocurrencia es igual para cada partı́cula en el intervalo de cero a uno.
Para las partı́culas de masa m = 10g contenidas en una caja cuadrada de lados L = 1mts
tenemos la siguiente grafica que muestra la distribución (las posiciones) de las mismas las cuales
simulan a un gas.

Para la distribución de velocidades de las partı́culas en un intervalo de -10 a 10 mts, tenemos:

5 Fisica computacional
 Gases y aleatoriedad

para probar que utilizamos una distribución uniforme hacemos un histograma de frecuencias
utilizando una de las variables.

Podemos ver que la mayorı́a de los valores se entran entre cero y 1 que es lo que se espera
de una distribución uniforme, aunque también hay valores que son mayores a 1 los cuales puede
verse que tienen una forma parecida a una gaussiana.

Para los valores del centro de masa y la energı́a entorno al centro de masa tenemos la primera
corrida:

CM 0.249068990520158744
ETC -0.731188917615288
ERC -0.4290482083347499
para la segunda corrida

CM 0.23508306495688158
ETC -0.081229878632503
ERC -0.1028946463960824
para la tercera corrida

CM 0.1821975960805054
ETC 0.286658565921652
ERC 0.7290261264825427

6 Fisica computacional
 Gases y aleatoriedad

Para el segundo ejercicio se utilizaron las mismas caracterı́sticas del ejercicio 1 pero esta
vez utilizamos una distribución normal en la cual la probabilidad de ocurrencia esta alrededor
de la media y difiere en función de la desviación estándar.

Para las posiciones tenemos:

Para la distribución de velocidades.

A diferencia de la distribución uniforme utilizada en el ejercicio anterior tenemos que en

este caso la mayorı́a de las partı́culas están alrededor de la media, esto debido a que utilizamos
una distribución normal.Para determinar que en realidad estamos utilizando una distribución
normal utilizamos un histograma de frecuencias del mismo modo que lo hicimos anteriormente.

7 Fisica computacional
 Gases y aleatoriedad

Tenemos que la distribución es consistente a la forma de una gaussiana y está centrada cerca
del valor nominal de la media µ = 0,5

Para la primera corrida de la energı́a y centro de masa, tenemos:

CM 0.16196984782749788
ETC -0.7643386011303273
ERC -0.39242557194135247
para la segunda corida

CM 0.01813189832486801
ETC 0.07207231398450197
ERC 0.78536653284143020

0.6. Conclusiones
Podemos ver que en las tres corridas que el centro de masa oscila alrededor de 0.2 m
podrı́amos decir que es un valor cercano al deseado ya que las que partı́culas se encuentra
en un espacio de 1m cubico entonces esperarı́amos y como usamos una distribución uniforme
donde las probabilidades son homogéneas para cualquier partı́cula. Tenemos que la suma de las
energı́as traslacional y rotacional en la primera y tercera corrida es cercana a 1 podemos intuir
que la energı́a se conserva, aunque en algunos casos la suma es muy diferente a las anteriores,
como se puede ver en la segunda corrida

Ahora para la distribución gaussiana supondremos que el promedio de las posiciones para
x,y,z es de 0.5 el cual es la media nominal entonces el centro de masa será.

CM = (0,5 + 0,5 + 0,5)(0,1) = ,15 (6)

que es el valor del CM que aparece en la tabla de la primera corrida.También podemos
observar que igual que en el otro ejercicio la energı́a se conserva.

8 Fisica computacional