Model Isinga. Katarzyna Sznajd-Weron

Wielkość: px
Rozpocząć pokaz od strony:

Download "Model Isinga. Katarzyna Sznajd-Weron"

Transkrypt

1 Model Isinga Katarzyna Sznajd-Weron

2 Temperatura Curie ciągłe przejście fazowe magnes ferromagnetyk Przejście fazowe Katarzyna Sznajd-Weron Ferromagnetyk T T c Paramagnetyk T > T c Jak to zrozumieć?

3 Model Isinga (Lenza-Isinga?) 1920 Lenz wymyślił prosty model 1925 rozprawa doktorska Ernsta Isinga Brak przejścia fazowego w 1D Konkluzja: brak przejścia w dowolnym wymiarze Jedyna praca Isinga L H = J <i,j> S i S j h i S i

4 Beitrag zur Theorie des Ferromagnetismus Ising, Ernst. Zeitschrift für Physik Volume: 31 Issue 1 (1924)

5 Artykuły nawiązujące do modelu

6 Model Isinga w 1D brak przejścia L L H = J 1D S i S j h S i H = J i=1 S i S i+1 h S i <i,j> i i Z = exp βh = exp βh S i =±1 S 1 =±1 S 2 =±1 S L =±1 f = F N = kt lim N 1 N lnz = ktlnz max m = f h T = 0 T > 0

7 Complexity and criticality, strony

8 Energia swobodna - ścisłe rozwiązanie modelu Isinga w 1D

9 Podatność - ścisłe rozwiązanie modelu Isinga w 1D

10 Energia wewnętrzna

11 Ciepło właściwe

12 Ising się mylił

13 Dalsze losy modelu Isinga Przejście fazowe w 2D bez pola Średnie pole: T c = qj k B = 4 J k B Peierls (1936): T c = J Onsager (1944): sinh 2J k B T k B = 1, T c = J k B Nie istnieje rozwiązanie w 2D+pole i 3D Symulacje Komputerowe 3D i 2D z polem

14 Rozwiązanie średniopolowe m = tanh βjzm + βh m 0 = tanh βjzm 0 = tanh T c T m 0 T c = Jz/k B

15 Rozwiązanie średniopolowe

16 Rozwiązanie średniopolowe

17 Wynik analityczny w 2D

18 Argument Landaua o braku porządku w 1D dla oddziaływań krótkozasięgowych L min E E 0 min E E 0 ε E 0 + ε ΔE = ε W stanie równowagi energia swobodna minimalna: F = E TS ΔF = ΔE TΔS = ε TΔS

19 Co ze zmianą entropii? L S = k B lnω Ω = L 1 L 1 ΔF = ΔE TΔS = ε TΔS = ε Tk B ln(l 1) Dla L mamy ΔF < 0 Energia maleje gdy pojawia się ściana domenowa!!!

20 Co jeśli oddziaływanie dalekozasięgowe? (Efekt Thoulessa)

21 Algorytm Metropolisa

22 Algorytm Metropolisa 1MCS = N losowań Wylosuj jeden spin S i Oblicz energię E = E(S i ) = S i J σ j nn S j Oblicz energię E = E( S i ) = S i J σ j nn S j Oblicz zmianę energii ΔE = E E Jeżeli ΔE 0 to S i S i Jeżeli ΔE > 0 to wylosuj r z przedziału [0,1] i akceptuj nową konfigurację jeżeli: r < p = exp ΔE k B T, k B = J = 1

23 Wylosuj spin S i Oblicz ΔE obrotu S i S i Obróć spin TAK NIE ΔE < 0? S i S i Wylosuj x U(0, 1) Obróć spin TAK x < exp( ΔE/ NIE S i S i T)? iter N? TAK Oblicz magnetyzację NIE

24 Trajektorie dla T=1.85, L=100 (symulacje Jakub Pawłowski)

25 Trajektorie dla T=2.26 (symulacje Jakub Pawłowski)

26 Przejście fazowe w modelu Isinga (symulacje Maciej Tabiszewski)

27 Symulacja Monte Carlo Modelu Isinga dla zadanej temperatury T Przygotuj stan początkowy układu Pozwól mu ewoluować jak? Poczekaj aż ustali się magnetyzacja Zanotuj wartość m Powtarzaj to dużo razy Policz średnią magnetyzację Jaka to średnia? N m =< S i > 1 N i=1 S i

28 Średnia po zespole Średnia po czasie i średnia po zespole Średnia po czasie Układ ergodyczny to średnia po zespole = średnia po czasie

29 Ewolucja układu w czasie (ferromagnetyk) niska temperatura Oddziaływanie porządkuje Temperatura losowe zmiany W niskich temperaturach porządek W wysokich temperaturach nieporządek m =< S i > = 1 N i=1 N S i

30 Dynamiki w modelu Isinga

31 Ewolucja gęstości prawdopodobieństwa dp r dt = s r dp r dt = s r W s r P s s r W r s P r W s r P s W r s P r = 0 W s r P s = W r s P r Warunek stacjonarności Warunek równowagi szczegółowej P r = Zexp βe r Rozkład w równowadze W s r W r s = P r P s = Zexp βe r Zexp βe S = exp( βδe)

32 Prawdopodobieństwo przejścia dynamika Metropolisa: W M = min[1, exp( βδe)] dynamika Glaubera lub heat-bath: W G = exp(βδe) W temperaturze T = 0: 0 jeśli ΔE > 0 W(ΔE) = W 0 jeśli ΔE = 0 1 jeśli ΔE < 0

33 Prawdopodobieństwo przejścia

34 Rozkład magnetyzacji w czasie dla T=1.85 (symulacje Jakub Pawłowski)

35 Rozkład magnetyzacji w czasie dla T=2.26 (symulacje Jakub Pawłowski)

36 Relaksacja w T=0 z aktualizacją sekwencyjną

37 Co jeśli aktualizacja synchroniczna?

38 Jaki jest typ przejścia fazowego? Przejścia nieciągłe: Skok parametru porządku β = 0 Histereza (czułość na warunki początkowe) Współistnienie faz Brak skalowania?

39 Jaki jest typ przejścia fazowego?

40 Dyskusja o typie przejścia Dla W absorpcyjny stan ferromagnetyczny Dla W 0 > 0.5 stan stacjonarny zależy od typu aktualizacji Dla aktualizacji synchronicznej nieciągłe przejście fazowe w W 0 = 0.5 T = 0 brak równowagi

Krytyczność i przejścia fazowe. Katarzyna Sznajd-Weron

Krytyczność i przejścia fazowe. Katarzyna Sznajd-Weron Krytyczność i przejścia fazowe Katarzyna Sznajd-Weron Temperatura Curie Temperatura Curie ciągłe przejście fazowe magnes ferromagnetyk Przejście fazowe Katarzyna Sznajd-Weron Ferromagnetyk T T c Paramagnetyk

Bardziej szczegółowo

Krytyczność, przejścia fazowe i symulacje Monte Carlo. Katarzyna Sznajd-Weron Physics of Complex System

Krytyczność, przejścia fazowe i symulacje Monte Carlo. Katarzyna Sznajd-Weron Physics of Complex System Krytyczność, przejścia fazowe i symulacje Monte Carlo Katarzyna Sznajd-Weron Physics of Complex System Przejścia fazowe wokół nas woda faza ciekła PUNKT KRYTYCZNY Lód faza stała para faza gazowa ciągłe

Bardziej szczegółowo

Wstęp do fizyki statystycznej: krytyczność i przejścia fazowe. Katarzyna Sznajd-Weron

Wstęp do fizyki statystycznej: krytyczność i przejścia fazowe. Katarzyna Sznajd-Weron Wstęp do fizyki statystycznej: krytyczność i przejścia fazowe Katarzyna Sznajd-Weron Co to jest fizyka statystyczna? Termodynamika poziom makroskopowy Fizyka statystyczna poziom mikroskopowy Marcin Weron

Bardziej szczegółowo

Co to jest model Isinga?

Co to jest model Isinga? Co to jest model Isinga? Fakty eksperymentalne W pewnych metalach (np. Fe, Ni) następuje spontaniczne ustawianie się spinów wzdłuż pewnego kierunku, powodując powstanie makroskopowego pola magnetycznego.

Bardziej szczegółowo

Fizyka statystyczna i termodynamika Wykład 1: Wstęp. Katarzyna Sznajd-Weron Katedra Fizyki Teoretycznej

Fizyka statystyczna i termodynamika Wykład 1: Wstęp. Katarzyna Sznajd-Weron Katedra Fizyki Teoretycznej Fizyka statystyczna i termodynamika Wykład 1: Wstęp Katarzyna Sznajd-Weron Katedra Fizyki Teoretycznej http://www.if.pwr.wroc.pl/~katarzynaweron/ Mój plan zajęć Strona kursu Kim jestem? Prof. dr hab. Katarzyna

Bardziej szczegółowo

Układ (fizyczny) Fizyka Systemów Złożonych (Physics of Complex Systems) Wyk 1: Wstęp

Układ (fizyczny) Fizyka Systemów Złożonych (Physics of Complex Systems) Wyk 1: Wstęp Układ (fizyczny) Fizyka Systemów Złożonych (Physics of Complex Systems) Wyk 1: Wstęp Katarzyna Sznajd Weron Wyodrębniony (realnie lub myślowo) fragment rzeczywistości Jednostka, którą będziemy się zajmować

Bardziej szczegółowo

Przejścia fazowe w 1D modelu Isinga

Przejścia fazowe w 1D modelu Isinga Przejścia fazowe w 1D modelu Isinga z zero-temperaturową dynamiką Glaubera Rafał Topolnicki rafal.topolnicki@gmail.com Wydział Fizyki i Astronomii Uniwersytet Wrocławski Wydział Podstawowych Problemów

Bardziej szczegółowo

Obliczenia inspirowane Naturą

Obliczenia inspirowane Naturą Obliczenia inspirowane Naturą Wykład 03 (uzupełnienie Wykładu 02) Jarosław Miszczak IITiS PAN Gliwice 31/03/2016 1 / 17 1 2 / 17 Dynamika populacji Równania Lotki-Voltery opisują model drapieżnik-ofiara.

Bardziej szczegółowo

Modele sieciowe fizyki statystycznej i symulacje Monte Carlo. Katarzyna Sznajd-Weron

Modele sieciowe fizyki statystycznej i symulacje Monte Carlo. Katarzyna Sznajd-Weron Modele sieciowe fizyki statystycznej i symulacje Monte Carlo Katarzyna Sznajd-Weron Perkolacja 2014 Katarzyna Sznajd-Weron Model erkolacji Model erkolacji : Każdy węzeł (wiązanie) sieci jest zajęty niezależnie

Bardziej szczegółowo

model isinga 2d ab 10 grudnia 2016

model isinga 2d ab 10 grudnia 2016 model isinga 2d ab 10 grudnia 2016 tematyka Model spinów Isinga Hamiltonian i suma statystyczna modelu Metoda Monte-Carlo. Algorytm Metropolisa. Obserwable Modelowanie: Model Isinga 1 hamiltonian I Hamiltonian,

Bardziej szczegółowo

Równowaga w układach termodynamicznych. Katarzyna Sznajd-Weron

Równowaga w układach termodynamicznych. Katarzyna Sznajd-Weron Równowaga w układach termodynamicznych. Katarzyna Sznajd-Weron Zagadka na początek wykładu Diagram fazowy wody w powiększeniu, problem metastabilności aktualny (Nature, 2011) Niższa temperatura topnienia

Bardziej szczegółowo

e E Z = P = 1 Z e E Kanoniczna suma stanów Prawdopodobieństwo wystąpienia mikrostanu U E = =Z 1 Wartość średnia energii

e E Z = P = 1 Z e E Kanoniczna suma stanów Prawdopodobieństwo wystąpienia mikrostanu U E = =Z 1 Wartość średnia energii Metoda Metropolisa Z = e E P = 1 Z e E Kanoniczna suma stanów Prawdopodobieństwo wystąpienia mikrostanu U E = P E =Z 1 E e E Wartość średnia energii Średnia wartość A = d r N A r N exp[ U r N ] d r N exp[

Bardziej szczegółowo

Układy statystyczne. Jacek Jurkowski, Fizyka Statystyczna. Instytut Fizyki

Układy statystyczne. Jacek Jurkowski, Fizyka Statystyczna. Instytut Fizyki Instytut Fizyki 2015 Stany mikroskopowe i makroskopowe w układzie wielopoziomowym Stany mikroskopowe i makroskopowe w układzie wielopoziomowym N rozróżnialnych cząstek, z których każda może mieć energię

Bardziej szczegółowo

Wielki rozkład kanoniczny

Wielki rozkład kanoniczny , granica termodynamiczna i przejścia fazowe Instytut Fizyki 2015 Podukład otwarty Podukład otwarty S opisywany układ + rezerwuar R Podukład otwarty S opisywany układ + rezerwuar R układ S + R jest izolowany

Bardziej szczegółowo

Modelowanie Agentowe Układów Złożonych Wstęp. Katarzyna Sznajd-Weron

Modelowanie Agentowe Układów Złożonych Wstęp. Katarzyna Sznajd-Weron Modelowanie Agentowe Układów Złożonych Wstęp Katarzyna Sznajd-Weron Aperitif (2006) Physicists pretend not only to know everything, but also to know everything better. This applies in particular to computational

Bardziej szczegółowo

Ilustracja metody Monte Carlo obliczania pola obszaru D zawartego w kwadracie [a,b]x[a,b]

Ilustracja metody Monte Carlo obliczania pola obszaru D zawartego w kwadracie [a,b]x[a,b] Ilustracja metody Monte Carlo obliczania pola obszaru D zawartego w kwadracie [a,b]x[a,b] Dagna Bieda, Piotr Jarecki, Tomasz Nachtigall, Jakub Ciesiółka, Marek Kubiczek Metoda Monte Carlo Metoda Monte

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa

Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa M. Czoków, J. Piersa 2012-01-10 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego 3 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova

Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 14 Maszyna Boltzmanna

Wstęp do sieci neuronowych, wykład 14 Maszyna Boltzmanna do sieci neuronowych, wykład 14 Maszyna Boltzmanna M. Czoków, J. Piersa Faculty of Mathematics and Computer Science, Nicolaus Copernicus University, Toruń, Poland 2014-01-21 Problemy z siecią Hopfilda

Bardziej szczegółowo

Równoległe symulacje Monte Carlo na współdzielonej sieci

Równoległe symulacje Monte Carlo na współdzielonej sieci Równoległe symulacje Monte Carlo na współdzielonej sieci Szymon Murawski, Grzegorz Musiał, Grzegorz Pawłowski Wydział Fizyki, Uniwersytet im. Adama Mickiewicza 12 maja 2015 S. Murawski, G. Musiał, G. Pawłowski

Bardziej szczegółowo

WĘDRÓWKI ATOMÓW W KRYSZTAŁACH: SKĄD SIĘ BIORĄ WŁASNOŚCI MATERIAŁÓW. Rafał Kozubski. Instytut Fizyki im. M. Smoluchowskiego Uniwersytet Jagielloński

WĘDRÓWKI ATOMÓW W KRYSZTAŁACH: SKĄD SIĘ BIORĄ WŁASNOŚCI MATERIAŁÓW. Rafał Kozubski. Instytut Fizyki im. M. Smoluchowskiego Uniwersytet Jagielloński WĘDRÓWKI ATOMÓW W KRYSZTAŁACH: SKĄD SIĘ BIORĄ WŁASNOŚCI MATERIAŁÓW Rafał Kozubski Instytut Fizyki im. M. Smoluchowskiego Uniwersytet Jagielloński TWARDOŚĆ: Odporność na odkształcenie plastyczne Co to jest

Bardziej szczegółowo

17.1 Podstawy metod symulacji komputerowych dla klasycznych układów wielu cząstek

17.1 Podstawy metod symulacji komputerowych dla klasycznych układów wielu cząstek Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdział 17 KLASYCZNA DYNAMIKA MOLEKULARNA 17.1 Podstawy metod symulacji komputerowych dla klasycznych układów wielu cząstek Rozważamy układ N punktowych cząstek

Bardziej szczegółowo

Klasyfikacja przemian fazowych

Klasyfikacja przemian fazowych Klasyfikacja przemian fazowych Faza- jednorodna pod względem własności część układu, oddzielona od pozostałej częsci układu powierzchnią graniczną, po której przekroczeniu własności zmieniaja się w sposób

Bardziej szczegółowo

Fizyka statystyczna Fenomenologia przejść fazowych. P. F. Góra

Fizyka statystyczna Fenomenologia przejść fazowych. P. F. Góra Fizyka statystyczna Fenomenologia przejść fazowych P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2015 Przejście fazowe transformacja układu termodynamicznego z jednej fazy (stanu materii) do innej, dokonywane

Bardziej szczegółowo

Momentem dipolowym ładunków +q i q oddalonych o 2a (dipola) nazwamy wektor skierowany od q do +q i o wartości:

Momentem dipolowym ładunków +q i q oddalonych o 2a (dipola) nazwamy wektor skierowany od q do +q i o wartości: 1 W stanie równowagi elektrostatycznej (nośniki ładunku są w spoczynku) wewnątrz przewodnika natężenie pola wynosi zero. Cały ładunek jest zgromadzony na powierzchni przewodnika. Tuż przy powierzchni przewodnika

Bardziej szczegółowo

Badanie słabych przemian fazowych pierwszego rodzaju w eksperymencie komputerowym dla trójwymiarowego modelu Ashkina-Tellera

Badanie słabych przemian fazowych pierwszego rodzaju w eksperymencie komputerowym dla trójwymiarowego modelu Ashkina-Tellera Badanie słabych przemian fazowych pierwszego rodzaju w eksperymencie komputerowym dla trójwymiarowego modelu Ashkina-Tellera D. Jeziorek-Knioła, Z. Wojtkowiak, G. Musiał Faculty of Physics, A. Mickiewicz

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 9 Sieci rekurencyjne. Autoasocjator Hopfielda

Wstęp do sieci neuronowych, wykład 9 Sieci rekurencyjne. Autoasocjator Hopfielda Wstęp do sieci neuronowych, wykład 9. M. Czoków, J. Piersa 2010-12-07 1 Sieci skierowane 2 Modele sieci rekurencyjnej Energia sieci 3 Sieci skierowane Sieci skierowane Sieci skierowane graf połączeń synaptycznych

Bardziej szczegółowo

Program MC. Obliczyć radialną funkcję korelacji. Zrobić jej wykres. Odczytać z wykresu wartość radialnej funkcji korelacji w punkcie r=

Program MC. Obliczyć radialną funkcję korelacji. Zrobić jej wykres. Odczytać z wykresu wartość radialnej funkcji korelacji w punkcie r= Program MC Napisać program symulujący twarde kule w zespole kanonicznym. Dla N > 100 twardych kul. Gęstość liczbowa 0.1 < N/V < 0.4. Zrobić obliczenia dla 2,3 różnych wartości gęstości. Obliczyć radialną

Bardziej szczegółowo

Dynamiki rynków oligopolistycznych oczami fizyka

Dynamiki rynków oligopolistycznych oczami fizyka KNF Migacz, Instytut Fizyki Teoretycznej, Uniwersytet Wrocławski 7-10 listopada 2008 1 1 2 1 2 3 1 2 3 4 Wprowadzenie reklamy 1 2 3 4 Wprowadzenie reklamy 5 1 2 3 4 Wprowadzenie reklamy 5 6 1 2 3 4 Wprowadzenie

Bardziej szczegółowo

Algorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa

Algorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa Algorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa Wojciech Niemiro 1 Uniwersytet Warszawski i UMK Toruń XXX lat IMSM, Warszawa, kwiecień 2017 1 Wspólne prace z Błażejem Miasojedowem,

Bardziej szczegółowo

Kwantyle. Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p. , że. Możemy go obliczyć z dystrybuanty: P(X x p.

Kwantyle. Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p. , że. Możemy go obliczyć z dystrybuanty: P(X x p. Kwantyle Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p, że P(X x p ) p P(X x p ) 1 p Możemy go obliczyć z dystrybuanty: Jeżeli F(x p ) = p, to x p jest kwantylem rzędu p Jeżeli F(x p )

Bardziej szczegółowo

Modelarnia krytyczność i złożoność

Modelarnia krytyczność i złożoność Modelarnia krytyczność i złożoność skrypt do wykładu Katarzyna Weron Projekt Rozwój potencjału i oferty edukacyjnej Uniwersytetu Wrocławskiego szansą zwiększenia konkurencyjności Uczelni współfinansowany

Bardziej szczegółowo

Stochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów

Stochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów Stochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski Warszawa 14

Bardziej szczegółowo

Metody inwersji Bayesowskiej -L7- IGF PAN, 21.IV.2005

Metody inwersji Bayesowskiej -L7- IGF PAN, 21.IV.2005 Metody inwersji Bayesowskiej -L7- Podejście optymalizacyjne i probabilistyczne podobieństwa i różnice (C) G(m) d obs + λ m m apr = min d obs m apr d th = d true + ɛ obs = m true + ɛ apr = G(m) + ɛ th G(m)

Bardziej szczegółowo

PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω)

PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) określonych na tej samej przestrzeni probabilistycznej

Bardziej szczegółowo

Elementy termodynamiki i wprowadzenie do zespołów statystycznych. Katarzyna Sznajd-Weron

Elementy termodynamiki i wprowadzenie do zespołów statystycznych. Katarzyna Sznajd-Weron Elementy termodynamiki i wprowadzenie do zespołów statystycznych Katarzyna Sznajd-Weron Wielkości makroskopowe - termodynamika Termodynamika - metoda fenomenologiczna Fenomenologia w fizyce: widzimy jak

Bardziej szczegółowo

Janusz Adamowski METODY OBLICZENIOWE FIZYKI Kwantowa wariacyjna metoda Monte Carlo. Problem własny dla stanu podstawowego układu N cząstek

Janusz Adamowski METODY OBLICZENIOWE FIZYKI Kwantowa wariacyjna metoda Monte Carlo. Problem własny dla stanu podstawowego układu N cząstek Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdział 20 KWANTOWE METODY MONTE CARLO 20.1 Kwantowa wariacyjna metoda Monte Carlo Problem własny dla stanu podstawowego układu N cząstek (H E 0 )ψ 0 (r)

Bardziej szczegółowo

Zespół kanoniczny N,V, T. acc o n =min {1, exp [ U n U o ] }

Zespół kanoniczny N,V, T. acc o n =min {1, exp [ U n U o ] } Zespół kanoniczny Zespół kanoniczny N,V, T acc o n =min {1, exp [ U n U o ] } Zespół izobaryczno-izotermiczny Zespół izobaryczno-izotermiczny N P T acc o n =min {1, exp [ U n U o ] } acc o n =min {1, exp[

Bardziej szczegółowo

Wykład 8 i 9. Hipoteza ergodyczna, rozkład mikrokanoniczny, wzór Boltzmanna

Wykład 8 i 9. Hipoteza ergodyczna, rozkład mikrokanoniczny, wzór Boltzmanna Wykład 8 i 9 Hipoteza ergodyczna, rozkład mikrokanoniczny, wzór Boltzmanna dr hab. Agata Fronczak, prof. PW Wydział Fizyki, Politechnika Warszawska 1 stycznia 2017 dr hab. A. Fronczak (Wydział Fizyki PW)

Bardziej szczegółowo

Wykładnicze grafy przypadkowe: teoria i przykłady zastosowań do analizy rzeczywistych sieci złożonych

Wykładnicze grafy przypadkowe: teoria i przykłady zastosowań do analizy rzeczywistych sieci złożonych Gdańsk, Warsztaty pt. Układy Złożone (8 10 maja 2014) Agata Fronczak Zakład Fizyki Układów Złożonych Wydział Fizyki Politechniki Warszawskiej Wykładnicze grafy przypadkowe: teoria i przykłady zastosowań

Bardziej szczegółowo

16 Jednowymiarowy model Isinga

16 Jednowymiarowy model Isinga 16 Jednowymiarowy model Isinga Jest to liniowy łańcuch N spinów mogących przyjmować wartości ± 1. Mikrostanem układu jest zbiór zmiennych σ i = ±1, gdzie i = 1,,..., N (16.1) Określają one czy i-ty spin

Bardziej szczegółowo

TERMODYNAMIKA MODELU FALICOVA KIMBALLA SYMULACJE MONTE CARLO

TERMODYNAMIKA MODELU FALICOVA KIMBALLA SYMULACJE MONTE CARLO TERMODYNAMIKA MODELU FALICOVA KIMBALLA SYMULACJE MONTE CARLO Katarzyna Czajka, Maciej M. Maśka Zakład Fizyki Teoretycznej, Instytut Fizyki Uniwersytet Ślaski Kazimierz 2005 PLAN Model Falicova-Kimballa

Bardziej szczegółowo

Przejścia fazowe w uogólnionym modelu modelu q-wyborcy na grafie zupełnym

Przejścia fazowe w uogólnionym modelu modelu q-wyborcy na grafie zupełnym Przejścia fazowe w uogólnionym modelu modelu q-wyborcy na grafie zupełnym Piotr Nyczka Institute of Theoretical Physics University of Wrocław Artykuły Opinion dynamics as a movement in a bistable potential

Bardziej szczegółowo

Metody probabilistyczne

Metody probabilistyczne Metody probabilistyczne. Twierdzenia graniczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 20.2.208 / 26 Motywacja Rzucamy wielokrotnie uczciwą monetą i zliczamy

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 10 Sieci rekurencyjne. Autoasocjator Hopfielda

Wstęp do sieci neuronowych, wykład 10 Sieci rekurencyjne. Autoasocjator Hopfielda Wstęp do sieci neuronowych, wykład 10. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-12-13 1 Modele sieci rekurencyjnej Energia sieci 2 3 Modele sieci

Bardziej szczegółowo

Ogólny schemat postępowania

Ogólny schemat postępowania Ogólny schemat postępowania 1. Należy zdecydować, który rozkład prawdopodobieństwa chcemy badać. Rozkład oznaczamy przez P; zależy od zespołu statystycznego. 2. Narzucamy warunek równowagi szczegółowej,

Bardziej szczegółowo

Potęga modeli agentowych

Potęga modeli agentowych Potęga modeli agentowych Katarzyna Sznajd-Weron Katedra UNESCO Studiów Interdyscyplinarnych Seminarium S 3, 7 maja 2013 Aperitif (2006) Physicists pretend not only to know everything, but also to know

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 12 Wykorzystanie sieci rekurencyjnych w optymalizacji grafowej

Wstęp do sieci neuronowych, wykład 12 Wykorzystanie sieci rekurencyjnych w optymalizacji grafowej Wstęp do sieci neuronowych, wykład 12 Wykorzystanie sieci rekurencyjnych w optymalizacji grafowej Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2013-01-09

Bardziej szczegółowo

zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych

zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:

Bardziej szczegółowo

WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa

WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna

Bardziej szczegółowo

Fizyka statystyczna Teoria Ginzburga-Landaua w średnim polu. P. F. Góra

Fizyka statystyczna Teoria Ginzburga-Landaua w średnim polu. P. F. Góra Fizyka statystyczna Teoria Ginzburga-Landaua w średnim polu P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2015 Parametr porzadku W niskich temperaturach układy występuja w fazach, które łamia symetrię

Bardziej szczegółowo

Metoda Monte Carlo. Katarzyna Sznajd-Weron

Metoda Monte Carlo. Katarzyna Sznajd-Weron Metoda Monte Carlo Katarzyna Sznajd-Weron Stanisław Ulam i metoda Monte Carlo The idea for what was later called the Monte Carlo method occurred to me when I was laying solitaire during my illness. I noticed

Bardziej szczegółowo

Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap

Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody

Bardziej szczegółowo

MODELOWANIE RZECZYWISTOŚCI

MODELOWANIE RZECZYWISTOŚCI MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN d.wojcik@nencki.gov.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/ Podręcznik Iwo Białynicki-Birula Iwona

Bardziej szczegółowo

Rozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE

Rozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE 1. 1. W p r owadze n ie 1 Rozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE 1.1. WPROWADZENIE SYGNAŁ nośnik informacji ANALIZA SYGNAŁU badanie, którego celem jest identyfikacja własności, cech, miar sygnału; odtwarzanie

Bardziej szczegółowo

Rzadkie gazy bozonów

Rzadkie gazy bozonów Rzadkie gazy bozonów Tomasz Sowiński Proseminarium Fizyki Teoretycznej 15 listopada 2004 Rzadkie gazy bozonów p.1/25 Bardzo medialne zdjęcie Rok 1995. Pierwsza kondensacja. Zaobserwowana w przestrzeni

Bardziej szczegółowo

2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27

2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27 SYGNAŁY STOCHASTYCZNE Przestrzeń probabilistyczna i zmienna losowa Definicja Przestrzenią probabilistyczną (doświadczeniem) nazywamy trójkę uporządkowaną (E, B, P ), gdzie: E przestrzeń zdarzeń elementarnych;

Bardziej szczegółowo

S ścianki naczynia w jednostce czasu przekazywany

S ścianki naczynia w jednostce czasu przekazywany FIZYKA STATYSTYCZNA W ramach fizyki statystycznej przyjmuje się, że każde ciało składa się z dużej liczby bardzo małych cząstek, nazywanych cząsteczkami. Cząsteczki te znajdują się w ciągłym chaotycznym

Bardziej szczegółowo

Algorytmy MCMC i ich zastosowania statystyczne

Algorytmy MCMC i ich zastosowania statystyczne Algorytmy MCMC i ich zastosowania statystyczne Wojciech Niemiro Uniwersytet Mikołaja Kopernika, Toruń i Uniwersytet Warszawski Statystyka Matematyczna Wisła, grudzień 2010 Wykład 1 1 Co to jest MCMC? 2

Bardziej szczegółowo

Algorytm Metropolisa-Hastingsa

Algorytm Metropolisa-Hastingsa Seminarium szkoleniowe, 25 kwietnia 2006 Plan prezentacji 1 Problem Metoda MCMC 2 Niezależny algorytm Metropolisa-Hastingsa Bła dzenie losowe Zbieżność procedury Metropolisa-Hastingsa Problem Metoda MCMC

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 9 Sieci rekurencyjne. Autoasocjator Hopfielda

Wstęp do sieci neuronowych, wykład 9 Sieci rekurencyjne. Autoasocjator Hopfielda Wstęp do sieci neuronowych, wykład 9. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-12-10 Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu

Bardziej szczegółowo

Wielowymiarowy próbnik Gibbsa

Wielowymiarowy próbnik Gibbsa 29.05.2006 Seminarium szkoleniowe 30 maja 2006 Plan prezentacji Slgorytm MH i PG przypomnienie wiadomości Wielowymiarowy PG Algorytm PG z dopełnieniem Odwracalny PG Modele hierarchiczne Modele hybrydowe

Bardziej szczegółowo

Ważne rozkłady i twierdzenia

Ważne rozkłady i twierdzenia Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne

Bardziej szczegółowo

Redukcja wariancji w metodach Monte-Carlo

Redukcja wariancji w metodach Monte-Carlo 14.02.2006 Seminarium szkoleniowe 14 lutego 2006 Plan prezentacji Wprowadzenie Metoda losowania warstwowego Metoda próbkowania ważonego Metoda zmiennych kontrolnych Metoda zmiennych antytetycznych Metoda

Bardziej szczegółowo

Spis treści. Przedmowa Obraz makroskopowy Ciepło i entropia Zastosowania termodynamiki... 29

Spis treści. Przedmowa Obraz makroskopowy Ciepło i entropia Zastosowania termodynamiki... 29 Przedmowa... XI 1. Obraz makroskopowy... 1 1.1. Termodynamika... 1 1.2. Parametry termodynamiczne... 2 1.3. Granica termodynamiczna... 3 1.4. Procesy termodynamiczne... 4 1.5. Klasycznygazdoskonały...

Bardziej szczegółowo

Elementy termodynamiki

Elementy termodynamiki Elementy termodynamiki Katarzyna Sznajd-Weron Katedra Fizyki Teoretycznej Politechnika Wrocławska 5 stycznia 2019 Katarzyna Sznajd-Weron (K4) Wstęp do Fizyki Statystycznej 5 stycznia 2019 1 / 27 Wielkości

Bardziej szczegółowo

Prawdopodobieństwo geometryczne

Prawdopodobieństwo geometryczne Prawdopodobieństwo geometryczne Krzysztof Jasiński Wydział Matematyki i Informatyki UMK, Toruń V Lieceum Ogólnokształące im. Jana Pawała II w Toruniu 13.03.2014 Krzysztof Jasiński (WMiI UMK) Prawdopodobieństwo

Bardziej szczegółowo

Modelowanie rynków finansowych z wykorzystaniem pakietu R

Modelowanie rynków finansowych z wykorzystaniem pakietu R Modelowanie rynków finansowych z wykorzystaniem pakietu R Metody numeryczne i symulacje stochastyczne Mateusz Topolewski woland@mat.umk.pl Wydział Matematyki i Informatyki UMK Plan działania 1 Całkowanie

Bardziej szczegółowo

Elementy termodynamiki

Elementy termodynamiki Elementy termodynamiki Katarzyna Sznajd-Weron Katedra Fizyki Teoretycznej Politechnika Wrocławska 11 marca 2019 Katarzyna Sznajd-Weron (K4) Wstęp do Fizyki Statystycznej 11 marca 2019 1 / 37 Dwa poziomy

Bardziej szczegółowo

RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3.

RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3. RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3. ZMIENNA LOSOWA JEDNOWYMIAROWA. Zmienną losową X nazywamy funkcję (praktycznie każdą) przyporządkowującą zdarzeniom elementarnym liczby rzeczywiste. X : Ω R (dokładniej:

Bardziej szczegółowo

Procesy stochastyczne

Procesy stochastyczne Wykład IV: dla łańcuchów Markowa 14 marca 2017 Wykład IV: Klasyfikacja stanów Kiedy rozkład stacjonarny jest jedyny? Przykład Macierz jednostkowa I wymiaru #E jest macierzą stochastyczną. Dla tej macierzy

Bardziej szczegółowo

Funkcje charakteryzujące proces. Dr inż. Robert Jakubowski

Funkcje charakteryzujące proces. Dr inż. Robert Jakubowski Funkcje charakteryzujące proces eksploatacji Dr inż. Robert Jakubowski Niezawodność Niezawodność Rprawdopodobieństwo, że w przedziale czasu od do t cechy funkcjonalne statku powietrznego Ubędą się mieścić

Bardziej szczegółowo

LABORATORIUM PODSTAW TELEKOMUNIKACJI

LABORATORIUM PODSTAW TELEKOMUNIKACJI WOJSKOWA AKADEMIA TECHNICZNA im. Jarosława Dąbrowskiego w Warszawie Wydział Elektroniki LABORATORIUM PODSTAW TELEKOMUNIKACJI Grupa Podgrupa Data wykonania ćwiczenia Ćwiczenie prowadził... Skład podgrupy:

Bardziej szczegółowo

Równowaga. równowaga metastabilna (niepełna) równowaga niestabilna (nietrwała) równowaga stabilna (pełna) brak równowagi rozpraszanie energii

Równowaga. równowaga metastabilna (niepełna) równowaga niestabilna (nietrwała) równowaga stabilna (pełna) brak równowagi rozpraszanie energii Równowaga równowaga stabilna (pełna) równowaga metastabilna (niepełna) równowaga niestabilna (nietrwała) brak równowagi rozpraszanie energii energia swobodna Co jest warunkiem równowagi? temperatura W

Bardziej szczegółowo

Maksymalne powtórzenia w tekstach i zerowa intensywność entropii

Maksymalne powtórzenia w tekstach i zerowa intensywność entropii Maksymalne powtórzenia w tekstach i zerowa intensywność entropii Łukasz Dębowski ldebowsk@ipipan.waw.pl i Instytut Podstaw Informatyki PAN Warszawa 1 Wprowadzenie 2 Ograniczenia górne i dolne 3 Przykłady

Bardziej szczegółowo

Metody Obliczeniowe w Nauce i Technice

Metody Obliczeniowe w Nauce i Technice Metody Obliczeniowe w Nauce i Technice 15. Obliczanie całek metodami Monte Carlo Marian Bubak Department of Computer Science AGH University of Science and Technology Krakow, Poland bubak@agh.edu.pl dice.cyfronet.pl

Bardziej szczegółowo

1 Rachunek prawdopodobieństwa

1 Rachunek prawdopodobieństwa 1 Rachunek prawdopodobieństwa 1. Obliczyć średnią i wariancję rozkładu Bernouliego 2. Wykonać przejście graniczne p 0, N w rozkładzie Bernouliego przy zachowaniu stałej wartości średniej: λ = N p = const

Bardziej szczegółowo

Prezentacje do wykładu: Modelarnia krytyczność i złożoność

Prezentacje do wykładu: Modelarnia krytyczność i złożoność Prezentacje do wykładu: Modelarnia krytyczność i złożoność Katarzyna Weron Wrocław, 2012 Projekt Rozwój potencjału i oferty edukacyjnej Uniwersytetu Wrocławskiego szansą zwiększenia konkurencyjności Uczelni

Bardziej szczegółowo

Ferromagnetyki, paramagnetyki, diamagnetyki.

Ferromagnetyki, paramagnetyki, diamagnetyki. Ferromagnetyki, paramagnetyki, diamagnetyki https://www.youtube.com/watch?v=u36qppveh2c Materiały magnetyczne Do tej pory rozważaliśmy przewody z prądem umieszczone w powietrzu lub w próżni. Jednak w praktycznych

Bardziej szczegółowo

Sterowanie wielkością zamówienia w Excelu - cz. 3

Sterowanie wielkością zamówienia w Excelu - cz. 3 Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji

Bardziej szczegółowo

GRA Przykład. 1) Zbiór graczy. 2) Zbiór strategii. 3) Wypłaty. n = 2 myśliwych. I= {1,,n} S = {polować na jelenia, gonić zająca} S = {1,,m} 10 utils

GRA Przykład. 1) Zbiór graczy. 2) Zbiór strategii. 3) Wypłaty. n = 2 myśliwych. I= {1,,n} S = {polować na jelenia, gonić zająca} S = {1,,m} 10 utils GRA Przykład 1) Zbiór graczy n = 2 myśliwych I= {1,,n} 2) Zbiór strategii S = {polować na jelenia, gonić zająca} S = {1,,m} 3) Wypłaty jeleń - zając - 10 utils 3 utils U i : S n R i=1,,n J Z J Z J 5 0

Bardziej szczegółowo

Podstawy OpenCL część 2

Podstawy OpenCL część 2 Podstawy OpenCL część 2 1. Napisz program dokonujący mnożenia dwóch macierzy w wersji sekwencyjnej oraz OpenCL. Porównaj czasy działania obu wersji dla różnych wielkości macierzy, np. 16 16, 128 128, 1024

Bardziej szczegółowo

Geometryczna zbieżność algorytmu Gibbsa

Geometryczna zbieżność algorytmu Gibbsa Geometryczna zbieżność algorytmu Gibbsa Iwona Żerda Wydział Matematyki i Informatyki, Uniwersytet Jagielloński 6 grudnia 2013 6 grudnia 2013 1 / 19 Plan prezentacji 1 Algorytm Gibbsa 2 Tempo zbieżności

Bardziej szczegółowo

Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa

Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 3..007 r. Zadanie. Każde z ryzyk pochodzących z pewnej populacji charakteryzuje się tym że przy danej wartości λ parametru ryzyka Λ rozkład wartości szkód z tego ryzyka

Bardziej szczegółowo

Termodynamika materiałów

Termodynamika materiałów Termodynamika materiałów Plan wykładu 1. Funkcje termodynamiczne, pojemność cieplna. 2. Warunki równowagi termodynamicznej w układach jedno- i wieloskładnikowych, pojęcie potencjału chemicznego. 3. Modele

Bardziej szczegółowo

Czym się różni ciecz od ciała stałego?

Czym się różni ciecz od ciała stałego? Szkła Czym się różni ciecz od ciała stałego? gęstość Czy szkło to ciecz czy ciało stałe? Szkło powstaje w procesie chłodzenia cieczy. Czy szkło to ciecz przechłodzona? kryształ szkło ciecz przechłodzona

Bardziej szczegółowo

Wykład 9: Markov Chain Monte Carlo

Wykład 9: Markov Chain Monte Carlo RAP 412 17.12.2008 Wykład 9: Markov Chain Monte Carlo Wykładowca: Andrzej Ruciński Pisarz: Ewelina Rychlińska i Wojciech Wawrzyniak Wstęp W tej części wykładu zajmiemy się zastosowaniami łańcuchów Markowa

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VII: Metody specjalne Monte Carlo 24 listopada 2014 Transformacje specjalne Przykład - symulacja rozkładu geometrycznego Niech X Ex(λ). Rozważmy zmienną losową [X ], która przyjmuje wartości naturalne.

Bardziej szczegółowo

Stochastyczne dynamiki z opóźnieniami czasowymi w grach ewolucyjnych

Stochastyczne dynamiki z opóźnieniami czasowymi w grach ewolucyjnych Stochastyczne dynamiki z opóźnieniami czasowymi w grach ewolucyjnych Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski Warszawa 10 listopada 2016 Proseminarium licencjackie

Bardziej szczegółowo

Model Pasywnego Trasera w Lokalnie Ergodycznym Środowisku

Model Pasywnego Trasera w Lokalnie Ergodycznym Środowisku w Lokalnie Ergodycznym Środowisku Tymoteusz Chojecki UMCS, Lublin Tomasz Komorowski IMPAN, Warszawa Kościelisko, 10 września 2016, XLV Konferencja Zastosowań Matematyki T. Komorowski, T. Chojecki w Lokalnie

Bardziej szczegółowo

Statystyki kwantowe. P. F. Góra

Statystyki kwantowe. P. F. Góra Statystyki kwantowe P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2016 Statystyki kwantowe Rozpatrujemy gaz doskonały o Hamiltonianie H = N i=1 p i 2 2m. (1) Zamykamy czastki w bardzo dużym pudle o idealnie

Bardziej szczegółowo

Mikroekonometria 6. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 6. Mikołaj Czajkowski Wiktor Budziński Mikroekonometria 6 Mikołaj Czajkowski Wiktor Budziński Metody symulacyjne Monte Carlo Metoda Monte-Carlo Wykorzystanie mocy obliczeniowej komputerów, aby poznać charakterystyki zmiennych losowych poprzez

Bardziej szczegółowo

Nadsubtelne pola magnetyczne 57 Fe w kwazibinarnych fazach Lavesa Sc(Fe Ni 1 x x ) 2 zsyntetyzowanych pod wysokim ciśnieniem

Nadsubtelne pola magnetyczne 57 Fe w kwazibinarnych fazach Lavesa Sc(Fe Ni 1 x x ) 2 zsyntetyzowanych pod wysokim ciśnieniem OGÓLNOPOLSKIE SEMINARIUM SPEKTROSKOPII MÖSSBAUEROWSKIEJ Koninki, 8 11 czerwca 28 Nadsubtelne pola magnetyczne 57 Fe w kwazibinarnych fazach Lavesa Sc(Fe Ni 1 x x ) 2 zsyntetyzowanych pod wysokim ciśnieniem

Bardziej szczegółowo

Problemy i rozwiązania

Problemy i rozwiązania Problemy i rozwiązania Znakomita większość układów, które badamy liczy sobie co najmniej mol cząsteczek >> 10 23 Typowy krok czasowy symulacji to 10-15 s natomiast zjawiska, które zachodzą wokół nas trwają

Bardziej szczegółowo

FIZYKA STATYSTYCZNA. d dp. jest sumaryczną zmianą pędu cząsteczek zachodzącą na powierzchni S w

FIZYKA STATYSTYCZNA. d dp. jest sumaryczną zmianą pędu cząsteczek zachodzącą na powierzchni S w FIZYKA STATYSTYCZNA W ramach fizyki statystycznej przyjmuje się, że każde ciało składa się z dużej liczby bardzo małych cząstek, nazywanych cząsteczkami. Cząsteczki te znajdują się w ciągłym chaotycznym

Bardziej szczegółowo

Tematy prac magisterskich i doktorskich

Tematy prac magisterskich i doktorskich Tematy prac magisterskich i doktorskich Stochastyczna dynamika z opóźnieniami czasowymi w grach ewolucyjnych oraz modelach ekspresji i regulacji genów Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki

Bardziej szczegółowo

Monte Carlo, bootstrap, jacknife

Monte Carlo, bootstrap, jacknife Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje

Bardziej szczegółowo

Podstawy termodynamiki

Podstawy termodynamiki Podstawy termodynamiki Organizm żywy z punktu widzenia termodynamiki Parametry stanu Funkcje stanu: U, H, F, G, S I zasada termodynamiki i prawo Hessa II zasada termodynamiki Kierunek przemian w warunkach

Bardziej szczegółowo