Przybliżanie rozwiązań chemicznego równania głównego poprzez

Wielkość: px
Rozpocząć pokaz od strony:

Download "Przybliżanie rozwiązań chemicznego równania głównego poprzez"

Transkrypt

1 Przybliżanie rozwiązań chemicznego równania głównego poprzez domykanie momentów. Uniwersytet Warszawski Studenckie Koło Fizyki Kraków, 16 maj 2010

2 Będzie mowa o tzw. metodzie domykania momentów, która umożliwia przybliżone numeryczne wyznaczanie ewolucji momentów (np. wartości oczekiwanych) zmiennych losowych oznaczających liczbę cząstek w układzie chemicznym opisywanym tzw. chemicznym równaniem głównym - CRG (ang. chemical master equation). Polskie Towarzystwo Fizyczne odradza używania nazw równanie master lub równanie mistrza. Różne warianty tej metody zostały zaproponowane w pracach: 1 Moment-closure approximations for mass-action models, C.S. Gillespie, IET Systems Biology 2 A moment closure method for stochastic reaction networks, Lee C. H. et al., The Journal of Chemical Physics

3 Plan prezentacji: 1 Motywacje biochemiczne 2 Model matematyczny 3 Sposoby domykania i ich własności 4 Eksperymenty numeryczne 5 Plany i przemyślenia

4 Dlaczego modelowanie deterministyczne nie wystarczy? Modelowanie dobrze wymieszanych reagujących układów przy użyciu równań różniczkowych (z prawa działania mas) jest zazwyczaj skuteczne, ale zawodzi np. w następujących przypadkach: gdy są zaangażowane małe liczby czastek np. w szlakach sygnałowych układy o wielu punktach równowagi efekty czysto stochastyczne, np. sygnały wzmacniane szumem. (Więcej na ten temat w: Arkin A. et al, Control, exploitation and tolerance of intracellular noise, Nature 2002) (na podstawie: Pahle J., Biochemical simulations: stochastic, approximate stochastic and hybrid approaches, Briefings in bioinformatics 2008)

5 Czy chemiczne równanie główne jest fizyczne?... chemical master equation is exact for any gas-phase chemical system that is kept well stirred and thermally equilibrated D. T. Gillespie, A rigorous derivation of the chemical master equation, Physica A 1992 We suggest that the importance of the CME to small biochemical reaction systems is on a par with the Boltzmann equation for gases and the Navier Stokes equation for fluids. CHEMICAL BIOPHYSICS, Quantitative Analysis of Cellular Systems, Beard D., Qian H. 2008

6 Oznaczenia Eksperymenty Numeryczne W dalszym ciągu dla wektorów l = (l i ) N i=1, k = (k i) N i=1 NN będziemy oznaczać: l = l 1 + l l N l! = l 1!l 2!...l N! l k = N i=1 l k i i l k i l i k i. ( ) l = k l < k l k i l i < k i l! k!(l k)! dla l k 0, 0 w przeciwnym przypadku

7 Motywacje chemiczne Rozważmy układ chemiczny złożony z N substancji chemicznych {X 1,...X N }. Stan układu jest wyznaczony przez wektor x = (x 1,...x N ), gdzie x i - liczba cząsteczek i-tej substancji w układzie. Może zachodzić L reakcji chemicznych {R 1,...R L }. Reakcję chemiczną R l, zapisujemy symbolicznie: s l1 X s ln X N s l1 X s ln X N Oznaczmy s l = (s li ) N i=1, s l = (s li ) N i=1 - wektory liczb odpowiednio substratów i produktów. Zdefinujmy dodatkowo wektor przejścia odpowiadający reakcji l: s l = s l s l Zajście reakcji R L powoduje przejście układu ze stanu x do x + s l.

8 Formuły kinetyczne Każda reakcja posiada formułę kinetyczną, o której zakładamy, że ma postać wielomianową: a l (x) = a l,j x j j 0 Przy czym a l (x) 0 dla x 0. Intuicyjnie formuły kinetyczne mówią jak szybko zachodzi reakcja nr. l w stanie x, ich precyzyjne znaczenie w przyjętym modelu omówimy dalej. Przez stopień wielomianu a l (x) będziemy rozumieli max i:al,i 0{ i } Często przyjmuje się formuły kinetyczne postaci pewna stała stała razy liczba możliwych kombinacji substratów: ) a l (x) = k l N ( xi W zastosowaniach zazwyczaj mamy do czynienia z reakcjami o co najwyżej dwóch substratach dla których powyższa formuła jest wielomianem stopnia co najwyżej 2 (co dalej zakładamy). i=1 s l,i

9 Rachunek prawdopodobieństwa i procesy stochastyczne Doświadczenie losowe modelujemy przy użyciu przestrzeni probabilistycznej, czyli trójki (Ω, F, P), gdzie Ω - zbiór możliwych zdarzeń elementarnych np. dla rzutu kostką Ω = {ω 1, ω 2,... ω 6 }. F - rodzina podzbiorów Ω nazywanych też zdarzeniami np. zdarzenie że wypadło nieparzyście wiele oczek: A = {ω 1, ω 3, ω 5 } F P - funkcja na zdarzeniach, przypisująca im prawdopodobieństwa, Np. dla A jak powyżej P(A) = 1 2 Zmienna losowa - funkcja ze zbioru zdarzeń elementarnych w R Np. zmienna t. że X (ω i ) = i przypisuje zdarzeniu, że wypadło i oczek liczbę oczek. Proces stochastyczny (X t ) t 0 - rodzina zmiennych losowych określonych na wspólnej przestrzeni probabilistycznej, parametryzowana czasem. Trajektoria procesu stochastycznego odpowiadająca zdarzeniu elementarnemu ω to funkkcja: f (t) = X t (ω)

10 Model matematyczny Zakładamy, że stan układu chemicznego w każdej chwili czasu t opisuje proces stochastyczny o prawostronnie ciągłych trajektoriach (X t ) t 0 o wartosciach w N N

11 Zakładamy, że dla czasów t 1 < t 2 <... < t k i stanów j 1, j 2,......j k zachodzi: P(X tk = j k X tk 1 = j k 1,... X t1 = j 1 ) = P(X tk = j k X tk 1 = j k 1 ) Definicja Dla funkcji f : [0, T ] R będziemy pisali f (h) = o(h) jeśli f (h) lim 0 h 0 h Zakładamy, że dla stanów i, j, i j zachodzi: { al (x)h + o(h) jeśli l : j = i + s l, P(X t+h = j X t = i) = 0 w przeciwnym przypadku Ponadto P(X t+h = j X t = j) = 1 L a l (j)h + o(h) l=1

12 Oznaczmy p i,j (t) = P(X t = j X 0 = i) Zachodzi: p ij (t + h) = p ij (t) ( 1 L a l (j)h ) + l=1 L p i,(j sl )a l (j)[j s l 0]h + o(h) Przerzucamy p ij (t) na lewą stronę, dzielimy przez h i przechodzimy do granicy h 0. Na koniec przemnażamy przez prawdopodobieństwo stanu początkowego i sumujemy po stanach początkowych otrzymując chemiczne równanie główne (oznaczamy p(j)(t) = P(X t = j)): l=1 dp(j)(t) dt L ( = p(j sl )(t)a l (j s l )[j s l 0] p(j)(t)a l (j) ) l=1

13 Algorytm Gillespiego W przypadku nieskończonej liczby stanów bezpośrednie rozwiązywnie CRG jest niemożliwe. Można za to łatwo zasymulować losową trajektorię procesu. Służy do tego algorytm Gillespiego. Daniel T. Gillespie (1977). Exact Stochastic Simulation of Coupled Chemical Reactions. The Journal of Physical Chemistry Pomijając matematyczne szczegóły działa on następujaco: 1 Zainicjalizuj liczbę molekuł w systemie, stałe reakcji, generatory liczb losowych itd. 2 Oblicz formuły kinetyczne oraz reakcję która zaszła i czas oczekiwania na nią. 3 Zaktualizuj czas i liczbę cząstek zgodnie ze współczynnikami stechiometrycznymi wylosowanej reakcji. 4 Wróć do kroku drugiego, chyba że liczba cząstek wynosi zero lub skończył się czas symulacji.

14 Inne metody symulacji Stosuje się też bardziej wydajne przybliżone metody stochastyczne, np.: tau-leaping, stochastyczne równania rózniczkowe, metody hybrydowe. Oprócz efektów stochastycznych można też uwzględniać efekty przesrzenne, korzysta się tu m. in. z równań różniczkowych cząstkowych, dynamiki brownowskiej, przestrzennego algorytmu Gillespie go. W dalszej części prezentacji omówię metodę domykania momentów, względnie tanią, oparta na liczeniu równań różniczkowych zwyczajnych metodę pozwalającą obliczać przybliżone momenty rozkładu prawdopodobieństwa liczb cząstek.

15 Momenty i funkcje tworzące Dla i N N i-tym momentem wektora losowego X(t) nazywamy: µ i (t) = E[X (t) i ] = p(x)(t)x i x 0 Rzędem i-tego momentu nazywamy liczbę i. Niech θ = (θ 1, θ 2,..., θ N ). Funkcją tworzącą momenty X(t) definiujemy następujaco: M(θ)(t) = p(x)(t)e xθ = (xθ) k p(x)(t) k! x 0 x 0 k=0 Przy założeniu że funkcja tworząca momenty istnieje można pokazać, że zachodzi: dµ n (t) dt L = a l,i l=1 i 0 n k>0 ( ) n s k l µ n k+i (t) (1) k

16 Domykanie momentów Dalej rozważamy tylko równania na momenty rzędu co najwyżej n. ( dµn (t) = dt L a l,i l=1 i 0 n k>0 ( ) ) n s k l µ n k+i (t) k n n Jeśli pewna formuła kinetyczna ma rząd większy niż 1, to po prawej stronie powyższego układu mogą wystąpić momenty rzędu wyższego niż n. Rozważyłem 3 sposoby pozbywania się ich. (2)

17 Odrzucanie momentów, odrzucanie momentów centralnych Odrzucanie momentów: Odrzucany momenty rzędu większego niż n. Ta metoda ma taką przewagę nad konkurentami, że jako jedyna prowadzi do liniowych wyrażeń, które można rozwiązać analitycznie. Odrzucanie momentów centralnych: Zaproponowane w pracy C. H. Lee et. al. n-tym momentem centralnym nazywamy: E(X µ) n, gdzie µ - wektor wartości oczekiwanych liczb cząstek. Warunek zerowania się n-tego momentu centralnego realizujemy zastępując n-ty moment wyrażeniem: µ n = ( ) n ( µ) k µ n k k 0<k n

18 Domykanie kumulant: Zaproponowane przez C. H Gillespie go. F-cją tworzącą kumulanty nazywamy: ln(m(θ)), gdzie M(θ) - funkcja tworząca momenty. n-te kumulanty (ξ n ) są to odpowiednie współczynniki rozwinięcia powyższej funkcji w wielowymiarowy szereg Taylora. ln(m(θ)) = k 0 ξ k θ k k! Oznaczmy κ k = G (k) (0) = k! k! ξ k. Kumulant rzędu wyższego niż n pozbywamy się korzystając ze wzoru rekurencyjnego: µ k = κ k + ( ) k ei µ i κ k i i k e i i 0

19 Błąd lokalny metody Oznaczmy wektor momentów rzędu co najwyżej n: M n (t) = (µ l (t)) l n Wektor pewnych ustalonych momentów uogólnionych rzędu n oznaczamy: C n (t) = (ν l (t)) l =n gdzie ν l to odpowiednio l-te kumulanty, momenty, lub momenty centralne. Dla x R N oznaczmy: Definiujemy: x = max i {1,...N} x i. e k (h) = sup t [0,h] M k (t) M k (t), gdzie M k (t), k n - wektor przybliżeń momentów otrzymanych po odrzuceniu momentów uogólnionych rzędu n+1.

20 Definicja Dla funkcji f : [0, T ] R będziemy pisali f (h) = O(h N ) jeśli K > 0, s T h s f (h) Kh N (3) Twierdzenie Przy ustalonym n funkcje (e k (h)) k 1,...n spełniają e k (h) = O(h n k+1 ) (4) Jeśli dodatkowo C n+1 (0) = 0, to e k (h) = O(h n k+2 ) (5) Niestety marna z tego korzyść.

21 Technologia Eksperymenty Numeryczne Do domykania momentów i wypisywania skryptu z równaniami różniczkowymi rozbudowałem program C. Gillespiego z pakietu Pysbml, napisanego w pythonie. Program pobiera reakcje chemiczne w formacie SBML (Systems Biology Markup Language). Dostarcza skrypty dla programu Mathematica.

22 Reakcja dimeryzacji Układ chemiczny: P, P2. Zachodzą reakcje: R1 : 2P P 2 R2 : P 2 2P Oznaczmy #P = x 1, #P 2 = x 2. Współczyniki intensywności są postaci: a 1 (x) = k 1(x 2 1 ) 2 a 2 (x) = k 2 x 2 Jak w pracy C. Gillespiego przyjmujemy stałe reakcji: k 1 = 1, k 2 = 0.1 oraz dane początkowe: x 1 (0) = 301, x 2 (0) = 0.

23 Μ P P t Rysunek: Wartości oczekiwane liczb cząstek w reakcji dimeryzacji.

24 M2 P P t Rysunek: Wariancje liczb cząstek w reakcji dimeryzacji.

25 Log Error Μ N 1 N 2 N 3 N 4 N 5 N 6 N t Rysunek: Log 10 ( Ex 1 (t) z odrzucenia momentów rzędu wyższego niż N - wartość dokładna ).

26 N 1 Log Error Μ N 2 N t N 4 N 5 N 6 N Rysunek: Log 10 ( Ex 1 (t) z odrzucenia kumulant rzedu większego niż N - wartość dokładna ).

27 N 1 Log Error Μ t N 2 N 3 N 4 5 N 5 N 6 10 N Rysunek: Log 10 ( Ex 1 (t) z odrzucenia momentów centralnych rzędu wiekszego niż N - wartość dokładna ).

28 Odwracalna reakcja dwucząsteczkowa Układ chemiczny składa się z trzech substancji: S1,S2 i S3. Zachodzą reakcje: R1 : S 1 + S 2 S 3 R2 : S 3 S 1 + S 2 Oznczamy x i = #S i Współczynniki intensywności są postaci: a 1 (x) = k 1 x 1 x 2, a 2 (x) = k 2 x 3 Jak w pracy C. Gillespiego przyjmujemy stałe reakcji: k 1 = 1, k 2 = 0.1 oraz dane początkowe: x 1 (0) = 20, x 2 (0) = 10, x 3 (0) = 0.

29 Μ S1 20 S2 15 S t Rysunek: Wartości oczekiwane liczb cząstek w odwracalnej reakcji dwucząsteczkowej.

30 M2 S1 2.0 S2 1.5 S t Rysunek: Wariancje liczb cząstek w odwracalnej reakcji dwucząsteczkowej.

31 N 1 Log Error Μ N 2 20 N 3 N 4 15 N 5 10 N 6 N t 5 10 Rysunek: Log 10 ( Ex 1 (t) z odrzucenia momentów rzędu większego niż N - wartość dokładna ).

32 N 1 Log Error Μ N N N 4 N 5 80 N 6 60 N t 20 Rysunek: Log 10 ( Ex 1 (t) z odrzucenia kumulant rzędu większego niż N - wartość dokładna ).

33 N 1 Log Error Μ N 2 N 3 5 N 4 N 5 10 N 6 15 N t Rysunek: Log 10 ( Ex 1 (t)z odrzucenia momentów centralnych rzędu większego niż N - wartość dokładna ).

34 Plany i przemyślenia Metoda domykania przez odrzucenie momentów centralnych sprawuje się przyzwoicie na podanych przykładach, potrzeba testów na reakcjach okresowych i prowadzących do rozkładów bimodalnych. Brak podstaw teoretycznych metody - czy można podać kryteria stosowalności? Planuję wykorzystać otrzymane momenty m. in. do przybliżania rozkładów prawdopodobieństwa liczb cząstek.

35

36 Koniec Eksperymenty Numeryczne Dziękuję za uwagę. Prezentację będzie można pobrać ze strony koła naukowego studentów fizyki: skfiz.fuw.edu.pl

Zmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej

Zmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej Zmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej c Copyright by Ireneusz Krech ikrech@ap.krakow.pl Instytut Matematyki Uniwersytet Pedagogiczny im. KEN w Krakowie

Bardziej szczegółowo

Wstęp do analizy matematycznej

Wstęp do analizy matematycznej Wstęp do analizy matematycznej Andrzej Marciniak Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii informatycznych i ich zastosowań w

Bardziej szczegółowo

Proces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t.

Proces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Procesy stochastyczne WYKŁAD 5 Proces Poissona. Proces {N(t), t } nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Proces zliczający musi

Bardziej szczegółowo

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej 7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach

Bardziej szczegółowo

A B. Modelowanie reakcji chemicznych: numeryczne rozwiązywanie równań na szybkość reakcji chemicznych B: 1. da dt. A v. v t

A B. Modelowanie reakcji chemicznych: numeryczne rozwiązywanie równań na szybkość reakcji chemicznych B: 1. da dt. A v. v t B: 1 Modelowanie reakcji chemicznych: numeryczne rozwiązywanie równań na szybkość reakcji chemicznych 1. ZałóŜmy, Ŝe zmienna A oznacza stęŝenie substratu, a zmienna B stęŝenie produktu reakcji chemicznej

Bardziej szczegółowo

Metody numeryczne. materiały do wykładu dla studentów

Metody numeryczne. materiały do wykładu dla studentów Metody numeryczne materiały do wykładu dla studentów 4. Wartości własne i wektory własne 4.1. Podstawowe definicje, własności i twierdzenia 4.2. Lokalizacja wartości własnych 4.3. Metoda potęgowa znajdowania

Bardziej szczegółowo

III. ZMIENNE LOSOWE JEDNOWYMIAROWE

III. ZMIENNE LOSOWE JEDNOWYMIAROWE III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta

Bardziej szczegółowo

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1. tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1

Bardziej szczegółowo

Niegaussowskie procesy stochastyczne w oceanotechnice

Niegaussowskie procesy stochastyczne w oceanotechnice Niegaussowskie procesy stochastyczne w oceanotechnice Joanna Dys 29 listopada 2009 Streszczenie Referat na podstawie artykułu Michela K. Ochi, Non-Gaussian random processes in ocean engineering, Probabilistic

Bardziej szczegółowo

Podstawy Automatyki. wykład 1 (26.02.2010) mgr inż. Łukasz Dworzak. Politechnika Wrocławska. Instytut Technologii Maszyn i Automatyzacji (I-24)

Podstawy Automatyki. wykład 1 (26.02.2010) mgr inż. Łukasz Dworzak. Politechnika Wrocławska. Instytut Technologii Maszyn i Automatyzacji (I-24) Podstawy Automatyki wykład 1 (26.02.2010) mgr inż. Łukasz Dworzak Politechnika Wrocławska Instytut Technologii Maszyn i Automatyzacji (I-24) Laboratorium Podstaw Automatyzacji (L6) 105/2 B1 Sprawy organizacyjne

Bardziej szczegółowo

Plan wynikowy. Klasa III Technik pojazdów samochodowych/ Technik urządzeń i systemów energetyki odnawialnej. Kształcenie ogólne w zakresie podstawowym

Plan wynikowy. Klasa III Technik pojazdów samochodowych/ Technik urządzeń i systemów energetyki odnawialnej. Kształcenie ogólne w zakresie podstawowym Oznaczenia: wymagania konieczne, P wymagania podstawowe, R wymagania rozszerzające, D wymagania dopełniające, W wymagania wykraczające. Plan wynikowy lasa III Technik pojazdów samochodowych/ Technik urządzeń

Bardziej szczegółowo

FUNKCJE LICZBOWE. Na zbiorze X określona jest funkcja f : X Y gdy dowolnemu punktowi x X przyporządkowany jest punkt f(x) Y.

FUNKCJE LICZBOWE. Na zbiorze X określona jest funkcja f : X Y gdy dowolnemu punktowi x X przyporządkowany jest punkt f(x) Y. FUNKCJE LICZBOWE Na zbiorze X określona jest funkcja f : X Y gdy dowolnemu punktowi x X przyporządkowany jest punkt f(x) Y. Innymi słowy f X Y = {(x, y) : x X oraz y Y }, o ile (x, y) f oraz (x, z) f pociąga

Bardziej szczegółowo

PORÓWNANIE WYBRANYCH SCHEMATÓW RÓŻNICO- WYCH NA PRZYKŁADZIE RÓWNANIA SELECTED DIFFERENTIAL SCHEMES COMPARISON BY MEANS OF THE EQUATION

PORÓWNANIE WYBRANYCH SCHEMATÓW RÓŻNICO- WYCH NA PRZYKŁADZIE RÓWNANIA SELECTED DIFFERENTIAL SCHEMES COMPARISON BY MEANS OF THE EQUATION Mirosław GUZIK Grzegorz KOSZŁKA PORÓWNANIE WYBRANYCH SCHEMATÓW RÓŻNICO- WYCH NA PRZYKŁADZIE RÓWNANIA SELECTED DIFFERENTIAL SCHEMES COMPARISON BY MEANS OF THE EQUATION W artykule przedstawiono niektóre

Bardziej szczegółowo

Rozkłady zmiennych losowych

Rozkłady zmiennych losowych Rozkłady zmiennych losowych Wprowadzenie Badamy pewną zbiorowość czyli populację pod względem występowania jakiejś cechy. Pobieramy próbę i na podstawie tej próby wyznaczamy pewne charakterystyki. Jeśli

Bardziej szczegółowo

Lista 1. Procesy o przyrostach niezależnych.

Lista 1. Procesy o przyrostach niezależnych. Lista. Procesy o przyrostach niezależnych.. Niech N t bedzie procesem Poissona o intensywnoci λ = 2. Obliczyć a) P (N 2 < 3, b) P (N =, N 3 = 6), c) P (N 2 = N 5 = 2), d) P (N =, N 2 = 3, N 4 < 5), e)

Bardziej szczegółowo

Algebra liniowa z geometrią

Algebra liniowa z geometrią Algebra liniowa z geometrią Maciej Czarnecki 15 stycznia 2013 Spis treści 1 Geometria płaszczyzny 2 1.1 Wektory i skalary........................... 2 1.2 Macierze, wyznaczniki, układy równań liniowych.........

Bardziej szczegółowo

SYMULACJA ZAKŁÓCEŃ W UKŁADACH AUTOMATYKI UTWORZONYCH ZA POMOCĄ OBWODÓW ELEKTRYCZNYCH W PROGRAMACH MATHCAD I PSPICE

SYMULACJA ZAKŁÓCEŃ W UKŁADACH AUTOMATYKI UTWORZONYCH ZA POMOCĄ OBWODÓW ELEKTRYCZNYCH W PROGRAMACH MATHCAD I PSPICE POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 76 Electrical Engineering 2013 Piotr FRĄCZAK* SYMULACJA ZAKŁÓCEŃ W UKŁADACH AUTOMATYKI UTWORZONYCH ZA POMOCĄ OBWODÓW ELEKTRYCZNYCH W PROGRAMACH MATHCAD

Bardziej szczegółowo

Wstęp do analitycznych i numerycznych metod wyceny opcji

Wstęp do analitycznych i numerycznych metod wyceny opcji Wstęp do analitycznych i numerycznych metod wyceny opcji Jan Palczewski Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 16 maja 2008 Jan Palczewski Wycena opcji Warszawa, 2008

Bardziej szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

1 Równania różniczkowe zwyczajne liniowe pierwszego rzędu

1 Równania różniczkowe zwyczajne liniowe pierwszego rzędu Równania różniczkowe zwyczajne liniowe I-go rzędu 1 1 1 Równania różniczkowe zwyczajne liniowe pierwszego rzędu Równaniem różniczkowym zwyczajnym liniowym pierwszego rzędu nazywamy równanie postaci (RL1)

Bardziej szczegółowo

Metody numeryczne. Wykład nr 12. Dr Piotr Fronczak

Metody numeryczne. Wykład nr 12. Dr Piotr Fronczak Metody numeryczne Wykład nr 1 Dr Piotr Fronczak Generowanie liczb losowych Metody Monte Carlo są oparte na probabilistyce działają dzięki generowaniu liczb losowych. W komputerach te liczby generowane

Bardziej szczegółowo

ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA

ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA DYNAMICZNYCH LOKAT KAPITAŁOWYCH Krzysztof Gąsior Uniwersytet Rzeszowski Streszczenie Celem referatu jest zaprezentowanie praktycznego zastosowania

Bardziej szczegółowo

Podczas zajęć będziemy zajmować się głownie procesami ergodycznymi zdefiniowanymi na przestrzeniach ciągłych.

Podczas zajęć będziemy zajmować się głownie procesami ergodycznymi zdefiniowanymi na przestrzeniach ciągłych. Trochę teorii W celu przeprowadzenia rygorystycznej ekonometrycznej analizy szeregu finansowego będziemy traktowali obserwowany ciąg danych (x 1, x 2,..., x T ) jako realizację pewnego procesu stochastycznego.

Bardziej szczegółowo

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie Politechnika Wrocławska, Wydział Informatyki i Zarządzania Modelowanie Zad Wyznacz transformaty Laplace a poniższych funkcji, korzystając z tabeli transformat: a) 8 3e 3t b) 4 sin 5t 2e 5t + 5 c) e5t e

Bardziej szczegółowo

KADD Metoda najmniejszych kwadratów funkcje nieliniowe

KADD Metoda najmniejszych kwadratów funkcje nieliniowe Metoda najmn. kwadr. - funkcje nieliniowe Metoda najmniejszych kwadratów Funkcje nieliniowe Procedura z redukcją kroku iteracji Przykłady zastosowań Dopasowanie funkcji wykładniczej Dopasowanie funkcji

Bardziej szczegółowo

W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora.

W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora. 1. Podstawy matematyki 1.1. Geometria analityczna W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora. Skalarem w fizyce nazywamy

Bardziej szczegółowo

REPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH

REPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH REPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH Transport, studia I stopnia rok akademicki 2012/2013 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Adam Wosatko Ewa Pabisek Pojęcie

Bardziej szczegółowo

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16 Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego

Bardziej szczegółowo

Probabilistyczne podstawy statystyki matematycznej. Dr inż. Małgorzata Michalcewicz-Kaniowska

Probabilistyczne podstawy statystyki matematycznej. Dr inż. Małgorzata Michalcewicz-Kaniowska Probabilistyczne podstawy statystyki matematycznej Dr inż. Małgorzata Michalcewicz-Kaniowska 1 Zdarzenia losowe, algebra zdarzeń Do podstawowych pojęć w rachunku prawdopodobieństwa zaliczamy: doświadczenie

Bardziej szczegółowo

Analiza Algorytmów. Informatyka, WPPT, Politechnika Wroclawska. 1 Zadania teoretyczne (ćwiczenia) Zadanie 1. Zadanie 2. Zadanie 3

Analiza Algorytmów. Informatyka, WPPT, Politechnika Wroclawska. 1 Zadania teoretyczne (ćwiczenia) Zadanie 1. Zadanie 2. Zadanie 3 Analiza Algorytmów Informatyka, WPPT, Politechnika Wroclawska 1 Zadania teoretyczne (ćwiczenia) Zadanie 1 Niech k będzie dodatnią liczbą całkowitą. Rozważ następującą zmienną losową Pr[X = k] = (6/π 2

Bardziej szczegółowo

II WYKŁAD STATYSTYKA. 12/03/2014 B8 sala 0.10B Godz. 15:15

II WYKŁAD STATYSTYKA. 12/03/2014 B8 sala 0.10B Godz. 15:15 II WYKŁAD STATYSTYKA 12/03/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 2 Rachunek prawdopodobieństwa zdarzenia elementarne zdarzenia losowe zmienna losowa skokowa i ciągła prawdopodobieństwo i gęstość prawdopodobieństwa

Bardziej szczegółowo

Komputerowa Analiza Danych Doświadczalnych

Komputerowa Analiza Danych Doświadczalnych Komputerowa Analiza Danych Doświadczalnych dr inż. Adam Kisiel kisiel@if.pw.edu.pl pokój 117b (12b) 1 Materiały do wykładu Transparencje do wykładów: http://www.if.pw.edu.pl/~kisiel/kadd/kadd.html Literatura

Bardziej szczegółowo

Systemy. Krzysztof Patan

Systemy. Krzysztof Patan Systemy Krzysztof Patan Systemy z pamięcią System jest bez pamięci (statyczny), jeżeli dla dowolnej chwili t 0 wartość sygnału wyjściowego y(t 0 ) zależy wyłącznie od wartości sygnału wejściowego w tej

Bardziej szczegółowo

Wielomiany. dr Tadeusz Werbiński. Teoria

Wielomiany. dr Tadeusz Werbiński. Teoria Wielomiany dr Tadeusz Werbiński Teoria Na początku przypomnimy kilka szkolnych definicji i twierdzeń dotyczących wielomianów. Autorzy podręczników szkolnych podają różne definicje wielomianu - dla jednych

Bardziej szczegółowo

MATeMAtyka klasa II poziom rozszerzony

MATeMAtyka klasa II poziom rozszerzony MATeMAtyka klasa II poziom rozszerzony W klasie drugiej na poziomie rozszerzonym realizujemy materiał z klasy pierwszej tylko z poziomu rozszerzonego (na czerwono) oraz cały materiał z klasy drugiej. Rozkład

Bardziej szczegółowo

Metoda Monte Carlo i jej zastosowania

Metoda Monte Carlo i jej zastosowania i jej zastosowania Tomasz Mostowski Zajęcia 31.03.2008 Plan 1 PWL 2 3 Plan PWL 1 PWL 2 3 Przypomnienie PWL Istnieje wiele wariantów praw wielkich liczb. Wspólna ich cecha jest asymptotyczne zachowanie

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA

STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;

Bardziej szczegółowo

Rozkład materiału z matematyki dla II klasy technikum zakres podstawowy I wariant (38 tyg. 2 godz. = 76 godz.)

Rozkład materiału z matematyki dla II klasy technikum zakres podstawowy I wariant (38 tyg. 2 godz. = 76 godz.) Rozkład materiału z matematyki dla II klasy technikum zakres podstawowy I wariant (38 tyg. godz. = 76 godz.) I. Funkcja i jej własności.4godz. II. Przekształcenia wykresów funkcji...9 godz. III. Funkcja

Bardziej szczegółowo

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe.

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Rachunek prawdopodobieństwa MAP3040 WPPT FT, rok akad. 2010/11, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Warunkowa wartość oczekiwana.

Bardziej szczegółowo

Zadania o numerze 4 z zestawów licencjat 2014.

Zadania o numerze 4 z zestawów licencjat 2014. Zadania o numerze 4 z zestawów licencjat 2014. W nawiasie przy zadaniu jego występowanie w numerze zestawu Spis treści (Z1, Z22, Z43) Definicja granicy ciągu. Obliczyć granicę:... 3 Definicja granicy ciągu...

Bardziej szczegółowo

Obliczenia naukowe Wykład nr 6

Obliczenia naukowe Wykład nr 6 Obliczenia naukowe Wykład nr 6 Paweł Zieliński Katedra Informatyki, Wydział Podstawowych Problemów Techniki, Politechnika Wrocławska Literatura Literatura podstawowa [1] D. Kincaid, W. Cheney, Analiza

Bardziej szczegółowo

wagi cyfry 7 5 8 2 pozycje 3 2 1 0

wagi cyfry 7 5 8 2 pozycje 3 2 1 0 Wartość liczby pozycyjnej System dziesiętny W rozdziale opiszemy pozycyjne systemy liczbowe. Wiedza ta znakomicie ułatwi nam zrozumienie sposobu przechowywania liczb w pamięci komputerów. Na pierwszy ogień

Bardziej szczegółowo

Zrównoleglona optymalizacja stochastyczna na dużych zbiorach danych

Zrównoleglona optymalizacja stochastyczna na dużych zbiorach danych Zrównoleglona optymalizacja stochastyczna na dużych zbiorach danych mgr inż. C. Dendek prof. nzw. dr hab. J. Mańdziuk Politechnika Warszawska, Wydział Matematyki i Nauk Informacyjnych Outline 1 Uczenie

Bardziej szczegółowo

Wykład z modelowania matematycznego. Zagadnienie transportowe.

Wykład z modelowania matematycznego. Zagadnienie transportowe. Wykład z modelowania matematycznego. Zagadnienie transportowe. 1 Zagadnienie transportowe zostało sformułowane w 1941 przez F.L.Hitchcocka. Metoda rozwiązania tego zagadnienia zwana algorytmem transportowymópracowana

Bardziej szczegółowo

S88 Badanie rzutu kostką sześcienną

S88 Badanie rzutu kostką sześcienną S88 Badanie rzutu kostką sześcienną Andrzej Kapanowski 29 lutego 2012 Streszczenie Celem ćwiczenia jest zbadanie rzutu kostką sześcienną. Dokument ma być pomocą przy przygotowywaniu opracowania z ćwiczenia

Bardziej szczegółowo

Teoria gier. wstęp. 2011-12-07 Teoria gier Zdzisław Dzedzej 1

Teoria gier. wstęp. 2011-12-07 Teoria gier Zdzisław Dzedzej 1 Teoria gier wstęp 2011-12-07 Teoria gier Zdzisław Dzedzej 1 Teoria gier zajmuje się logiczną analizą sytuacji, gdzie występują konflikty interesów, a także istnieje możliwość kooperacji. Zakładamy zwykle,

Bardziej szczegółowo

Rachunek prawdopodobieństwa - Teoria - Przypomnienie.. A i B są niezależne, gdy P(A B) = P(A)P(B). P(A B i )P(B i )

Rachunek prawdopodobieństwa - Teoria - Przypomnienie.. A i B są niezależne, gdy P(A B) = P(A)P(B). P(A B i )P(B i ) Rachunek prawdopodobieństwa - Teoria - Przypomnienie Podstawy Definicja 1. Schemat klasyczny - wszystkie zdarzenia elementarne są równo prawdopodobne, licząc prawdopodobieństwo liczymy stosunek liczby

Bardziej szczegółowo

Ćwiczenie IX KATALITYCZNY ROZKŁAD WODY UTLENIONEJ

Ćwiczenie IX KATALITYCZNY ROZKŁAD WODY UTLENIONEJ Wprowadzenie Ćwiczenie IX KATALITYCZNY ROZKŁAD WODY UTLENIONEJ opracowanie: Barbara Stypuła Celem ćwiczenia jest poznanie roli katalizatora w procesach chemicznych oraz prostego sposobu wyznaczenia wpływu

Bardziej szczegółowo

Finansowe szeregi czasowe

Finansowe szeregi czasowe 24 kwietnia 2009 Modelem szeregu czasowego jest proces stochastyczny (X t ) t Z, czyli rodzina zmiennych losowych, indeksowanych liczbami całkowitymi i zdefiniowanych na pewnej przestrzeni probabilistycznej

Bardziej szczegółowo

Wykład FIZYKA I. 5. Energia, praca, moc. http://www.if.pwr.wroc.pl/~wozniak/fizyka1.html. Dr hab. inż. Władysław Artur Woźniak

Wykład FIZYKA I. 5. Energia, praca, moc. http://www.if.pwr.wroc.pl/~wozniak/fizyka1.html. Dr hab. inż. Władysław Artur Woźniak Wykład FIZYKA I 5. Energia, praca, moc Dr hab. inż. Władysław Artur Woźniak Instytut Fizyki Politechniki Wrocławskiej http://www.if.pwr.wroc.pl/~wozniak/fizyka1.html ENERGIA, PRACA, MOC Siła to wielkość

Bardziej szczegółowo

Rekurencja (rekursja)

Rekurencja (rekursja) Rekurencja (rekursja) Rekurencja wywołanie funkcji przez nią samą wewnątrz ciała funkcji. Rekurencja może być pośrednia funkcja jest wywoływana przez inną funkcję, wywołaną (pośrednio lub bezpośrednio)

Bardziej szczegółowo

Matematyka zajęcia fakultatywne (Wyspa inżynierów) Dodatkowe w ramach projektu UE

Matematyka zajęcia fakultatywne (Wyspa inżynierów) Dodatkowe w ramach projektu UE PROGRAM ZAJĘĆ FAKULTATYWNYCH Z MATEMATYKI DLA STUDENTÓW I ROKU SYLABUS Nazwa uczelni: Wyższa Szkoła Przedsiębiorczości i Administracji w Lublinie ul. Bursaki 12, 20-150 Lublin Kierunek Rok studiów Informatyka

Bardziej szczegółowo

Statystyka Opisowa z Demografią oraz Biostatystyka. Zmienne losowe. Aleksander Denisiuk. denisjuk@euh-e.edu.pl

Statystyka Opisowa z Demografią oraz Biostatystyka. Zmienne losowe. Aleksander Denisiuk. denisjuk@euh-e.edu.pl Statystyka Opisowa z Demografią oraz Biostatystyka Zmienne losowe Aleksander Denisiuk denisjuk@euh-e.edu.pl Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza 2 82-300 Elblag oraz Biostatystyka p.

Bardziej szczegółowo

ALGEBRA Z GEOMETRIĄ LINIOWA NIEZALEŻNOŚĆ, ROZPINANIE I BAZY

ALGEBRA Z GEOMETRIĄ LINIOWA NIEZALEŻNOŚĆ, ROZPINANIE I BAZY ALGEBRA Z GEOMETRIĄ 1/10 LINIOWA NIEZALEŻNOŚĆ, ROZPINANIE I BAZY Piotr M. Hajac Uniwersytet Warszawski Wykład 10, 11.12.2013 Typeset by Jakub Szczepanik. Geometryczne intuicje Dla pierścienia R = R mamy

Bardziej szczegółowo

Ekonomia matematyczna - 1.2

Ekonomia matematyczna - 1.2 Ekonomia matematyczna - 1.2 6. Popyt Marshalla, a popyt Hicksa. Poruszać się będziemy w tzw. standardowym polu preferencji X,, gdzie X R n i jest relacją preferencji, która jest: a) rosnąca (tzn. x y x

Bardziej szczegółowo

Raport: Wycena opcji metodą Quasi Monte Carlo

Raport: Wycena opcji metodą Quasi Monte Carlo Raport: Wycena opcji metodą Quasi Monte Carlo Autor: Dominik Winnicki Spis treści Opis problemu... 2 Wstęp teoretyczny... 2 Liczby Haltona... 4 Liczby Sobol a... 4 Ocena uzyskanych ciągów Haltona i Sobol

Bardziej szczegółowo

Mathcad c.d. - Macierze, wykresy 3D, rozwiązywanie równań, pochodne i całki, animacje

Mathcad c.d. - Macierze, wykresy 3D, rozwiązywanie równań, pochodne i całki, animacje Mathcad c.d. - Macierze, wykresy 3D, rozwiązywanie równań, pochodne i całki, animacje Opracował: Zbigniew Rudnicki Powtórka z poprzedniego wykładu 2 1 Dokument, regiony, klawisze: Dokument Mathcada realizuje

Bardziej szczegółowo

PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com

PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych

Bardziej szczegółowo

WYDAWNICTWO PAŃSTWOWEJ WYŻSZEJ SZKOŁY ZAWODOWEJ WE WŁOCŁAWKU

WYDAWNICTWO PAŃSTWOWEJ WYŻSZEJ SZKOŁY ZAWODOWEJ WE WŁOCŁAWKU WYDAWNICTWO PAŃSTWOWEJ WYŻSZEJ SZKOŁY ZAWODOWEJ WE WŁOCŁAWKU Karolina Kalińska MATEMATYKA: PRZYKŁADY I ZADANIA Włocławek 2011 REDAKCJA WYDAWNICTWA PAŃSTWOWEJ WYŻSZEJ SZKOŁY ZAWODOWEJ WE WŁOCŁAWKU Matematyka:

Bardziej szczegółowo

ODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW

ODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW ODRZUCANIE WYNIKÓW OJEDYNCZYCH OMIARÓW W praktyce pomiarowej zdarzają się sytuacje gdy jeden z pomiarów odstaje od pozostałych. Jeżeli wykorzystamy fakt, że wyniki pomiarów są zmienną losową opisywaną

Bardziej szczegółowo

Wprowadzenie do analizy korelacji i regresji

Wprowadzenie do analizy korelacji i regresji Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących

Bardziej szczegółowo

Analiza matematyczna - 14. Analiza zmiennych dyskretnych: ciągi i szeregi liczbowe

Analiza matematyczna - 14. Analiza zmiennych dyskretnych: ciągi i szeregi liczbowe Analiza matematyczna - 4. Analiza zmiennych dyskretnych: ciągi i szeregi liczbowe Wstęp: zmienne ciągłe i zmienne dyskretne Podczas dotychczasowych wykładów rozważaliśmy przede wszystkim zależności funkcyjne

Bardziej szczegółowo

Biotechnologia, Chemia, Chemia Budowlana - Wydział Chemiczny - 1

Biotechnologia, Chemia, Chemia Budowlana - Wydział Chemiczny - 1 Biotechnologia, Chemia, Chemia Budowlana - Wydział Chemiczny - 1 Równania różniczkowe pierwszego rzędu Równaniem różniczkowym zwyczajnym pierwszego rzędu nazywamy równanie postaci (R) y = f(x, y). Najogólniejszą

Bardziej szczegółowo

Matematyka finansowa w pakiecie Matlab

Matematyka finansowa w pakiecie Matlab Matematyka finansowa w pakiecie Matlab Wykład 6. Wycena opcji modele ciągłe, metoda Monte Carlo Bartosz Ziemkiewicz Wydział Matematyki i Informatyki UMK Kurs letni dla studentów studiów zamawianych na

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 1.10.2012 r.

Matematyka ubezpieczeń majątkowych 1.10.2012 r. Zadanie. W pewnej populacji każde ryzyko charakteryzuje się trzema parametrami q, b oraz v, o następującym znaczeniu: parametr q to prawdopodobieństwo, że do szkody dojdzie (może zajść co najwyżej jedna

Bardziej szczegółowo

Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami:

Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Pr(X 1 = 0) = 6/10, Pr(X 1 = 1) = 1/10, i gęstością: f(x) = 3/10 na przedziale (0, 1). Wobec tego Pr(X 1 + X 2 5/3) wynosi:

Bardziej szczegółowo

Analiza wariancji. dr Janusz Górczyński

Analiza wariancji. dr Janusz Górczyński Analiza wariancji dr Janusz Górczyński Wprowadzenie Powiedzmy, że badamy pewną populację π, w której cecha Y ma rozkład N o średniej m i odchyleniu standardowym σ. Powiedzmy dalej, że istnieje pewien czynnik

Bardziej szczegółowo

Paradygmaty programowania

Paradygmaty programowania Paradygmaty programowania Jacek Michałowski, Piotr Latanowicz 15 kwietnia 2014 Jacek Michałowski, Piotr Latanowicz () Paradygmaty programowania 15 kwietnia 2014 1 / 12 Zadanie 1 Zadanie 1 Rachunek predykatów

Bardziej szczegółowo

1. Liczby zespolone. Jacek Jędrzejewski 2011/2012

1. Liczby zespolone. Jacek Jędrzejewski 2011/2012 1. Liczby zespolone Jacek Jędrzejewski 2011/2012 Spis treści 1 Liczby zespolone 2 1.1 Definicja liczby zespolonej.................... 2 1.2 Postać kanoniczna liczby zespolonej............... 1. Postać

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja hipotez statystycznych Weryfikacja hipotez statystycznych Przykład. Producent pewnych detali twierdzi, że wadliwość jego produkcji nie przekracza 2%. Odbiorca pewnej partii tego produktu chce sprawdzić, czy może wierzyć producentowi.

Bardziej szczegółowo

φ(x 1,..., x n ) = a i x 2 i +

φ(x 1,..., x n ) = a i x 2 i + Teoria na egzamin z algebry liniowej Wszystkie podane pojęcia należy umieć określić i podać pprzykłady, ewentualnie kontrprzykłady. Ponadto należy znać dowody tam gdzie to jest zaznaczone. Liczby zespolone.

Bardziej szczegółowo

Procentowa zawartość sodu (w molu tej soli są dwa mole sodu) wynosi:

Procentowa zawartość sodu (w molu tej soli są dwa mole sodu) wynosi: Stechiometria Każdą reakcję chemiczną można zapisać równaniem, które jest jakościową i ilościową charakterystyką tej reakcji. Określa ono bowiem, jakie pierwiastki lub związki biorą udział w danej reakcji

Bardziej szczegółowo

Wpływ zdarzeń ekstremalnych i superekstermalnych na stochastyczną dynamikę szeregów czasowych

Wpływ zdarzeń ekstremalnych i superekstermalnych na stochastyczną dynamikę szeregów czasowych Proc. niegaussowskie Smoki Metodologia Symulacje Podsumowanie Wpływ zdarzeń ekstremalnych i superekstermalnych na stochastyczną dynamikę szeregów czasowych T.R. Werner 1 T. Gubiec 2 P. Kosewski 2 R. Kutner

Bardziej szczegółowo

Metody numeryczne. materiały do wykładu dla studentów. 7. Całkowanie numeryczne

Metody numeryczne. materiały do wykładu dla studentów. 7. Całkowanie numeryczne Metody numeryczne materiały do wykładu dla studentów 7. Całkowanie numeryczne 7.1. Całkowanie numeryczne 7.2. Metoda trapezów 7.3. Metoda Simpsona 7.4. Metoda 3/8 Newtona 7.5. Ogólna postać wzorów kwadratur

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

Matematyka ubezpieczeń majątkowych 6.04.2009 r.

Matematyka ubezpieczeń majątkowych 6.04.2009 r. Matematyka ubezpieczeń majątkowych 6.04.009 r. Zadanie. Niech N oznacza liczbę szkód zaszłych w ciągu roku z pewnego ubezpieczenia z czego: M to liczba szkód zgłoszonych przed końcem tego roku K to liczba

Bardziej szczegółowo

System bonus-malus z mechanizmem korekty składki

System bonus-malus z mechanizmem korekty składki System bonus-malus z mechanizmem korekty składki mgr Kamil Gala Ubezpieczeniowy Fundusz Gwarancyjny dr hab. Wojciech Bijak, prof. SGH Ubezpieczeniowy Fundusz Gwarancyjny, Szkoła Główna Handlowa Zagadnienia

Bardziej szczegółowo

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Rachunek prawdopodobieństwa MAP1181 Wydział PPT, MS, rok akad. 213/14, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.

Bardziej szczegółowo

Metoda elementów skończonych

Metoda elementów skończonych Metoda elementów skończonych Wraz z rozwojem elektronicznych maszyn obliczeniowych jakimi są komputery zaczęły pojawiać się różne numeryczne metody do obliczeń wytrzymałości różnych konstrukcji. Jedną

Bardziej szczegółowo

Równania liniowe i nieliniowe

Równania liniowe i nieliniowe ( ) Lech Sławik Podstawy Maximy 11 Równania.wxmx 1 / 8 Równania liniowe i nieliniowe 1 Symboliczne rozwiązanie równania z jedną niewiadomą 1.1 solve -- Funkcja: solve() MENU: "Równania->Rozwiąż..."

Bardziej szczegółowo

Z Wikipedii, wolnej encyklopedii.

Z Wikipedii, wolnej encyklopedii. Rozkład normalny Rozkład normalny jest niezwykle ważnym rozkładem prawdopodobieństwa w wielu dziedzinach. Nazywa się go także rozkładem Gaussa, w szczególności w fizyce i inżynierii. W zasadzie jest to

Bardziej szczegółowo

dr inż. Ryszard Rębowski 1 WPROWADZENIE

dr inż. Ryszard Rębowski 1 WPROWADZENIE dr inż. Ryszard Rębowski 1 WPROWADZENIE Zarządzanie i Inżynieria Produkcji studia stacjonarne Konspekt do wykładu z Matematyki 1 1 Postać trygonometryczna liczby zespolonej zastosowania i przykłady 1 Wprowadzenie

Bardziej szczegółowo

Katarzyna Jesionek Zastosowanie symulacji dynamiki cieczy oraz ośrodków sprężystych w symulatorach operacji chirurgicznych.

Katarzyna Jesionek Zastosowanie symulacji dynamiki cieczy oraz ośrodków sprężystych w symulatorach operacji chirurgicznych. Katarzyna Jesionek Zastosowanie symulacji dynamiki cieczy oraz ośrodków sprężystych w symulatorach operacji chirurgicznych. Jedną z metod symulacji dynamiki cieczy jest zastosowanie metody siatkowej Boltzmanna.

Bardziej szczegółowo

6 Układy równań różniczkowych. Równania wyższych rzędów.

6 Układy równań różniczkowych. Równania wyższych rzędów. Układy równań. Równania wyższych rzędów. 6 1 6 Układy równań różniczkowych. Równania wyższych rzędów. 6.1 Podstawowe pojęcia dla układów równań różniczkowych zwyczajnych Definicja. Układem n równań różniczkowych

Bardziej szczegółowo

Matematyka dyskretna

Matematyka dyskretna Matematyka dyskretna wykład 1: Indukcja i zależności rekurencyjne Gniewomir Sarbicki Literatura Kenneth A. Ross, Charles R. B. Wright Matematyka Dyskretna PWN 005 J. Jaworski, Z. Palka, J. Szymański Matematyka

Bardziej szczegółowo

istocie dziedzina zajmująca się poszukiwaniem zależności na podstawie prowadzenia doświadczeń jest o wiele starsza: tak na przykład matematycy

istocie dziedzina zajmująca się poszukiwaniem zależności na podstawie prowadzenia doświadczeń jest o wiele starsza: tak na przykład matematycy MODEL REGRESJI LINIOWEJ. METODA NAJMNIEJSZYCH KWADRATÓW Analiza regresji zajmuje się badaniem zależności pomiędzy interesującymi nas wielkościami (zmiennymi), mające na celu konstrukcję modelu, który dobrze

Bardziej szczegółowo

KARTA KURSU. Mathematics

KARTA KURSU. Mathematics KARTA KURSU Nazwa Nazwa w j. ang. Matematyka Mathematics Kod Punktacja ECTS* 4 Koordynator Dr Maria Robaszewska Zespół dydaktyczny dr Maria Robaszewska Opis kursu (cele kształcenia) Celem kursu jest zapoznanie

Bardziej szczegółowo

Algorytmy i bazy danych (wykład obowiązkowy dla wszystkich)

Algorytmy i bazy danych (wykład obowiązkowy dla wszystkich) MATEMATYKA I EKONOMIA PROGRAM STUDIÓW DLA II STOPNIA Data: 2010-11-07 Opracowali: Krzysztof Rykaczewski Paweł Umiński Streszczenie: Poniższe opracowanie przedstawia projekt planu studiów II stopnia na

Bardziej szczegółowo

Rozdział 4. Ciągi nieskończone. 4.1 Ciągi nieskończone

Rozdział 4. Ciągi nieskończone. 4.1 Ciągi nieskończone Rozdział 4 Ciągi nieskończone W rozdziale tym wprowadzimy pojęcie granicy ciągu. Dalej rozszerzymy to pojęcie na przypadek dowolnych funkcji. Jak zauważyliśmy we wstępie jest to najważniejsze pojęcie analizy

Bardziej szczegółowo

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący

Bardziej szczegółowo

SZYBKOŚĆ REAKCJI CHEMICZNYCH. RÓWNOWAGA CHEMICZNA

SZYBKOŚĆ REAKCJI CHEMICZNYCH. RÓWNOWAGA CHEMICZNA SZYBKOŚĆ REAKCJI CHEMICZNYCH. RÓWNOWAGA CHEMICZNA Zadania dla studentów ze skryptu,,obliczenia z chemii ogólnej Wydawnictwa Uniwersytetu Gdańskiego 1. Reakcja między substancjami A i B zachodzi według

Bardziej szczegółowo

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Politechnika Poznańska Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Joanna Józefowska POZNAŃ 2010/11 Spis treści Rozdział 1. Metoda programowania dynamicznego........... 5

Bardziej szczegółowo

Matematyka dyskretna. Andrzej Łachwa, UJ, 2013 andrzej.lachwa@uj.edu.pl. Przykłady zadań egzaminacyjnych (do liczenia lub dowodzenia)

Matematyka dyskretna. Andrzej Łachwa, UJ, 2013 andrzej.lachwa@uj.edu.pl. Przykłady zadań egzaminacyjnych (do liczenia lub dowodzenia) Matematyka dyskretna Andrzej Łachwa, UJ, 2013 andrzej.lachwa@uj.edu.pl Przykłady zadań egzaminacyjnych (do liczenia lub dowodzenia) 1. Ile układów kart w pokerze to Dwie pary? Dwie pary to układ 5 kart

Bardziej szczegółowo

4 Kilka klas procesów

4 Kilka klas procesów Marek Beśka, Całka Stochastyczna, wykład 4 48 4 Kilka klas procesów 4.1 Procesy rosnące i przestrzenie V,, loc Jak poprzednio niech (Ω, F, F, P ) będzie zupełną bazą stochastyczną. Definicja 4.1 Proces

Bardziej szczegółowo

1. Ubezpieczenia życiowe

1. Ubezpieczenia życiowe 1. Ubezpieczenia życiowe Przy ubezpieczeniach życiowych mamy do czynienia z jednorazową wypłatą sumy ubezpieczenia. Moment jej wypłaty i wielkość wypłaty może być funkcją zmiennej losowej T a więc czas

Bardziej szczegółowo

Grupy. Permutacje 1. (G2) istnieje element jednostkowy (lub neutralny), tzn. taki element e G, że dla dowolnego a G zachodzi.

Grupy. Permutacje 1. (G2) istnieje element jednostkowy (lub neutralny), tzn. taki element e G, że dla dowolnego a G zachodzi. Grupy. Permutacje 1 1 Definicja grupy Niech G będzie zbiorem. Działaniem na zbiorze G nazywamy odwzorowanie (oznaczane, jak mnożenie, przez ) przyporządkowujące każdej parze uporządkowanej (a, b) G G element

Bardziej szczegółowo

Modelowanie reakcji chemicznych

Modelowanie reakcji chemicznych Modelowanie reakcji chemicznych Przykładowe ćwiczenia w Excelu i Modellusie 2007 IT for US Projekt jest finansowany przy wsparciu Komisji Europejskiej, nr grantu 119001-CP-1-2004-1-PL-COMENIUS-C21. Materiały

Bardziej szczegółowo

Równania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych.

Równania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych. Równania różniczkowe. Lisa nr 2. Lieraura: N.M. Mawiejew, Meody całkowania równań różniczkowych zwyczajnych. W. Krysicki, L. Włodarski, Analiza Maemayczna w Zadaniach, część II 1. Znaleźć ogólną posać

Bardziej szczegółowo

Wokół wyszukiwarek internetowych

Wokół wyszukiwarek internetowych Wokół wyszukiwarek internetowych Bartosz Makuracki 23 stycznia 2014 Przypomnienie Wzór x 1 = 1 d N x 2 = 1 d N + d N i=1 p 1,i x i + d N i=1 p 2,i x i. x N = 1 d N + d N i=1 p N,i x i Oznaczenia Gdzie:

Bardziej szczegółowo

L A TEX krok po kroku

L A TEX krok po kroku L A TEX krok po kroku Imię i nazwisko Spis treści 1 Sekcja pierwsza 1 1.1 Lista numerowana.......................... 1 2 Wymagania podstawowe 2 2.1 Lista numerowana.......................... 2 3 Troszkę

Bardziej szczegółowo