Algorytmy rekonstrukcji dżetów w CMS
|
|
- Krystyna Morawska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Algorytmy rekonstrukcji dżetów w CMS Michał Szleper Zebranie analizy fizycznej,
2 Główny cel rekonstrukcji dżetów: ustanowienie ścisłego związku pomiędzy: - wielkościami mierzonymi bezpośrednio w detektorze, - kinematyką cząstek w stanie końcowym, - kinematyką zdarzenia na poziomie partonowym. Czego oczekujemy od dobrego algorytmu rekonstrukcji: - maksymalnej efektywności matchowania zrekonstruowanych dżetów do twardych partonów w każdym zdarzeniu, - maksymalnej czystości matchowania, - maksymalnej rozdzielczości w określeniu pt,, macierzystego partonu, - szybkiego działania,
3 Czego oczekujemy od dobrego algorytmu rekonstrukcji cd.: Stabilności względem: - dodatkowych miękkich cząstek należących do dżetu ( Infrared Safety ), - rozsądnych wariacji w depozytach energii w detektorze i kształcie klastrów ( Collinear Safety ), - kolejności 4-wektorów wejściowych, - dodania miękkich cząstek pochodzących z efektów typu pile-up i underlying event.
4 * Algorytmy stożkowe Dwa główne rodzaje algorytmów: - Przykłady: Iterative Cone (CMS), MidPoint Cone (TeVatron), SISCone (LHC), - Przypisują obiekty do kolejnych obiektów wiodących (o największej energii) na zasadzie geometrycznej, - Na ogół nie są Infrared- & Collinear Safe - oprócz SISCone, - Nielubiane przez teoretyków: brak bezpośredniego przełożenia algorytmu na fizyczny przebieg zdarzenia na poziomie partonowym, - Dotychczas powszechnie używane w eksperymentach przy zderzaczach hadronowych z powodu rozsądnej szybkości rekonstrukcji. * Algorytmy sekwencyjnego klastrowania (rekombinacji) - Przykłady: kt, Cambridge/Aachen, Anty-kT, - Grupują kolejno obiekty najbliższe sobie według geometrii i pt, - Infrared- & Collinear Safe z konstrukcji, - Popierane przez teoretyków przybliżona inwersja procesów radiacji w QCD, - Powszechnie używane przy zderzaczach e+e- i ep, - Problem z szybkością rekonstrukcji przy dużej liczbie obiektów (niedobre dla LHC) - obecnie rozwiązany.
5 * Algorytm Iterative Cone: * Algorytm Midpoint Cone: 1) Wybiera obiekt wiodący o nawiększym pt, 2) Zbiera obiekty wewnątrz stożka o promieniu R wokół obkietu wiodącego, 3) Przelicza oś dżetu i ponownie grupuje obiekty wewnątrz stożka R wokół nowej osi, 4) Itd. aż stożek (dżet) będzie stabilny, 5) Usuwa wszystkie użyte obiekty z listy dostępnych obiektów i powtarza całą procedurę dla pozostałych obiektów, 6) Itd. aż do wyczerpania listy obiektów. - Nie jest Infrared Safe ani Collinear Safe! - Szybki i prosty używany przez CMS w HLT. 1) Podobny do Iterative Cone, 2) Raz użyte obiekty nie są usuwane z listy - uwzględnia możliwość zachodzenia dżetów na siebie, 3) Dodatkowo grupuje obiekty wokół punktów pośrednich pomiędzy dżetami leżącymi od siebie bliżej niż 2R, 4) Jeśli energia w obszarze zachodzenia jest większa niż 50% energii mniejszego dżetu, dżety są łączone w jeden, w przeciwnym wypadku energia jest dzielona według wzajemnych odległości od osi. - Częściowo zapewnia Infrared Safety, - Nie jest Collinear Safe, - Może pozostawiać niesklastrowane obiekty.
6 Co to jest Collinear Safety problem Przykład: działanie algorytmu stożkowego z promieniem R Zbiór obiektów wejściowych Zrekonstruowane dżety Obiekt 1: y=0., =0.0*R, pt=130 GeV, Obiekt 2: y=0., =0.7*R, pt=200 GeV, Obiekt 3: y=0., =1.5*R, pt=90 GeV Dżet 1: y=0., =0.65*R Obiekt 1: y=0., =0.0*R, pt=130 GeV, Obiekt 2a: y=0., =0.7*R, pt=120 GeV, Obiekt 2b: y=0., =0.7*R, pt=80 GeV, Obiekt 3: y=0., =1.5*R, pt=90 GeV Dżet 1: y=0., =0.42*R Dżet 2: y=0., =1.5*R
7 * Algorytm Seedless Infrared Safe Cone (SISCone) 1) Nie sortuje obiektów według energii, 2) Dla danego obiektu wybiera wszystkie obiekty wewnątrz stożka R, 3) Dla każdej pary obiektów definiuje dwa nowe stożki o promieniu R, 4) Stożek jest stabilny jeśli zawiera te same obiekty wewnątrz promienia R od własnej osi, 5) Definiowane są wszystkie możliwe stabilne stożki, następnie łączone i dzielone w dżety jak w algorytmie MidPoint Cone. * Algorytm kt 1) Dla każdego obiektu liczy jego odległość od osi wiązki i od innych obiektów: 2) Szukana jest najmniejsza wartość, 3) Jeśli jest to któreś z d_ij, oba obiekty i,j są łączone w jeden, 4) Jeśli jest to d_ib, obiekt jest traktowany jak dżet i usuwany z listy dostępnych obiektów, 5) Itd. aż do wyczerpania listy obiektów. O(N^3) -> O(N logn)
8 Porównanie szybkości algorytmów
9 Efektywności algorytmów i rodzielczości w pt
10 Rozdzielczość w i
11 Uogólnienie algorytmu kt: algorytmy Cambridge/Aachen i anty-kt p=1: standardowy algorytm kt p=0: algorytm Cambridge/Aachen Obiekty są klastrowane czysto geometrycznie, bez patrzenia na pt algorytm mało zbadany. p=-1: algorytm anty-kt Klastrowanie zaczyna się od twardych obiektów, które zbierają miękkie wewnątrz promienia R wokół siebie. Tylko twarde obiekty wpływają na poprzeczny kształt dżetów. Działanie podobne do algorytmów stożkowych, ale bez problemów typowych dla tych algorytmów.
12 Kształty dżetów w różnych algorytmach Granica w połowie odległości Twardszy dżet definiuje kształt granicy
13 Jet area / R^2 W algorytmie anty-kt powierzchnia izolowanego dżetu wynosi R^2 i nie zależy od pt
14 Algorytm anty-kt ma najlepsze matchowanie Purity = N_reco_matched / N_reco Anti-kT Cone kt SISCone Anti-kT Cone Efficiency = N_truth_matched / N_truth kt SISCone
15 Algorytm anty-kt jest szybki i wyjątkowo stabilny względem efektów pileup i underlying event pt_pileup - pt_no_pileup Różnica w pt zrekonstruowanych dżetów wprowadzona na skutek dodania pile-up
16 Konkluzja Algorytm anty-kt jest uważany w CMS za najlepszego kandydata do zastąpienia dotychczas używanych algorytmów stożkowych, w szczególności SISCone.
Badanie właściwości przypadków produkcji dżet-przerwa w rapidity-dżet na Wielkim Zderzaczu Hadronów
Badanie właściwości przypadków produkcji dżet-przerwa w rapidity-dżet na Wielkim Zderzaczu Hadronów Paula Świerska Promotor: dr Maciej Trzebiński Politechnika Krakowska im. Tadeusza Kościuszki / 24 Plan
Bardziej szczegółowor. akad. 2008/2009 V. Precyzyjne testy Modelu Standardowego w LEP, TeVatronie i LHC
V. Precyzyjne testy Modelu Standardowego w LEP, TeVatronie i LHC 1 V.1 WYNIKI LEP 2 e + e - Z 0 Calkowity przekroj czynny 3 4 r. akad. 2008/2009 s Q N 3 4 s M s N Q I M 12 s ) M (s s s 2 f C 2 Z C f f
Bardziej szczegółowoWyznaczanie efektywności mionowego układu wyzwalania w CMS metodą Tag & Probe
Wyznaczanie efektywności mionowego układu wyzwalania w CMS metodą Tag & Probe Uniwersytet Warszawski - Wydział Fizyki opiekun: dr Artur Kalinowski 1 Plan prezentacji Eksperyment CMS Układ wyzwalania Metoda
Bardziej szczegółowoWYKŁAD 8. Wszechświat cząstek elementarnych dla przyrodników
Wszechświat cząstek elementarnych dla przyrodników WYKŁAD 8 1 Maria Krawczyk, Wydział Fizyki UW 2.12. 2009 Współczesne eksperymenty-wprowadzenie Detektory Akceleratory Zderzacze LHC Mapa drogowa Tevatron-
Bardziej szczegółowoFizyka do przodu Część 2: przegląd wyników z CMS
Fizyka do przodu Część 2: przegląd wyników z CMS Grzegorz Brona Seminarium Fizyki Wielkich Energii Warszawa, 23.03.2012 Do przodu czyli gdzie? Fizyka do przodu = Zjawiska obserwowane pod małym kątem θ
Bardziej szczegółowoLEPTON TAU : jako taki, oraz zastosowania. w niskich i wysokich energiach. Zbigniew Wąs
LEPTON TAU : jako taki, oraz zastosowania w niskich i wysokich energiach Zbigniew Wąs Podziękowania: A. Kaczmarska, E. Richter-Wąs (Atlas); A. Bożek (Belle); T. Przedziński, P. Golonka (IT); R. Decker,
Bardziej szczegółowoJak działają detektory. Julia Hoffman
Jak działają detektory Julia Hoffman wielki Hadronowy zderzacz Wiązka to pociąg ok. 2800 wagonów - paczek protonowych Każdy wagon wiezie ok.100 mln protonów Energia chemiczna: 80 kg TNT lub 16 kg czekolady
Bardziej szczegółowo1. Liczby wymierne. x dla x 0 (wartością bezwzględną liczby nieujemnej jest ta sama liczba)
1. Liczby wymierne. - wartość bezwzględna liczby. dla 0 (wartością bezwzględną liczby nieujemnej jest ta sama liczba) - dla < 0 ( wartością bezwzględną liczby ujemnej jest liczba do niej przeciwna) W interpretacji
Bardziej szczegółowoHierarchiczna analiza skupień
Hierarchiczna analiza skupień Cel analizy Analiza skupień ma na celu wykrycie w zbiorze obserwacji klastrów, czyli rozłącznych podzbiorów obserwacji, wewnątrz których obserwacje są sobie w jakimś określonym
Bardziej szczegółowoTheory Polish (Poland)
Q3-1 Wielki Zderzacz Hadronów (10 points) Przeczytaj Ogólne instrukcje znajdujące się w osobnej kopercie zanim zaczniesz rozwiązywać to zadanie. W tym zadaniu będą rozpatrywane zagadnienia fizyczne zachodzące
Bardziej szczegółowo1. Wcześniejsze eksperymenty 2. Podstawowe pojęcia 3. Przypomnienie budowy detektora ATLAS 4. Rozpady bozonów W i Z 5. Tło 6. Detekcja sygnału 7.
Weronika Biela 1. Wcześniejsze eksperymenty 2. Podstawowe pojęcia 3. Przypomnienie budowy detektora ATLAS 4. Rozpady bozonów W i Z 5. Tło 6. Detekcja sygnału 7. Obliczenie przekroju czynnego 8. Porównanie
Bardziej szczegółowoMetoda Karnaugh. B A BC A
Metoda Karnaugh. Powszechnie uważa się, iż układ o mniejszej liczbie elementów jest tańszy i bardziej niezawodny, a spośród dwóch układów o takiej samej liczbie elementów logicznych lepszy jest ten, który
Bardziej szczegółowoALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH
1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Eksploracja danych Algorytmy klastujące Problem 3 Mając daną chmurę punktów chcielibyśmy zrozumieć ich
Bardziej szczegółowoKorekcja energii dżetów w eksperymencie CMS
Maciej Misiura Wydział Fizyki UW opiekun: dr Artur Kalinowski Wstęp O czym seminarium? Zmierzyliśmy energię dżetu w CMS. Jak ona ma się do energii na poziomie hadronowym? Dlaczego taki temat? Zagadnienie
Bardziej szczegółowoJak to działa: poszukiwanie bozonu Higgsa w eksperymencie CMS. Tomasz Früboes
Plan wystąpienia: 1.Wprowadzenie 2.Jak szukamy Higgsa na przykładzie kanału H ZZ 4l? 3.Poszukiwanie bozonu Higgsa w kanale ττ μτjet 4.Właściwości nowej cząstki Częste skróty: LHC Large Hadron Collider
Bardziej szczegółowoSystem wyzwalania i filtracji w eksperymencie ATLAS na LHC
System wyzwalania i filtracji w eksperymencie ATLAS na LHC Tomasz Bołd, AGH Wydział Fizyki i Informatyki Stosowanej Katedra Oddziaływań i Detekcji Cząstek 1 Plan Przedstawienie problemu Historia Podstawowe
Bardziej szczegółowoAlgorytm SAT. Marek Zając 2012. Zabrania się rozpowszechniania całości lub fragmentów niniejszego tekstu bez podania nazwiska jego autora.
Marek Zając 2012 Zabrania się rozpowszechniania całości lub fragmentów niniejszego tekstu bez podania nazwiska jego autora. Spis treści 1. Wprowadzenie... 3 1.1 Czym jest SAT?... 3 1.2 Figury wypukłe...
Bardziej szczegółowoFizyka cząstek elementarnych warsztaty popularnonaukowe
Fizyka cząstek elementarnych warsztaty popularnonaukowe Spotkanie 3 Porównanie modeli rozpraszania do pomiarów na Wielkim Zderzaczu Hadronów LHC i przyszłość fizyki cząstek Rafał Staszewski Maciej Trzebiński
Bardziej szczegółowoSieci Kohonena Grupowanie
Sieci Kohonena Grupowanie http://zajecia.jakubw.pl/nai UCZENIE SIĘ BEZ NADZORU Załóżmy, że mamy za zadanie pogrupować następujące słowa: cup, roulette, unbelievable, cut, put, launderette, loveable Nie
Bardziej szczegółowoWYKŁAD 8. Wszechświat cząstek elementarnych dla przyrodników. Maria Krawczyk, Wydział Fizyki UW 25.11.2011
Wszechświat cząstek elementarnych dla przyrodników WYKŁAD 8 Maria Krawczyk, Wydział Fizyki UW 25.11.2011 Współczesne eksperymenty Wprowadzenie Akceleratory Zderzacze Detektory LHC Mapa drogowa Współczesne
Bardziej szczegółowoData Mining Wykład 9. Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster. Plan wykładu. Sformułowanie problemu
Data Mining Wykład 9 Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster Plan wykładu Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne Sformułowanie problemu
Bardziej szczegółowoProgramowanie w VB Proste algorytmy sortowania
Programowanie w VB Proste algorytmy sortowania Sortowanie bąbelkowe Algorytm sortowania bąbelkowego polega na porównywaniu par elementów leżących obok siebie i, jeśli jest to potrzebne, zmienianiu ich
Bardziej szczegółowoJeszcze o algorytmach
Jeszcze o algorytmach Przykłady różnych, podstawowych algorytmów 11.01.2018 M. Rad Plan Powtórka Znajdowanie najmniejszego elementu Segregowanie Poszukiwanie przez połowienie Wstawianie Inne algorytmy
Bardziej szczegółowoStruktura porotonu cd.
Struktura porotonu cd. Funkcje struktury Łamanie skalowania QCD Spinowa struktura protonu Ewa Rondio, 2 kwietnia 2007 wykład 7 informacja Termin egzaminu 21 czerwca, godz.9.00 Wiemy już jak wygląda nukleon???
Bardziej szczegółowoWstęp do programowania
Wstęp do programowania Wykład 5 Podstawowe techniki programownia w przykładach Janusz Szwabiński Plan wykładu: Metoda babilońska wyliczania pierwiastka Liczby pierwsze i sito Eratostenesa Metoda bisekcji
Bardziej szczegółowoWykrywanie anomalii w zbiorze danych o dużym wymiarze
Wykrywanie anomalii w zbiorze danych o dużym wymiarze Piotr Kroll Na podstawie pracy: Very Fast Outlier Detection In Large Multidimensional Data Set autorstwa: A. Chandhary, A. Shalay, A. Moore Różne rozwiązania
Bardziej szczegółowoGrupowanie Witold Andrzejewski, Politechnika Poznańska, Wydział Informatyki 201/633
Grupowanie Grupowanie 7 6 5 4 y 3 2 1 0-3 -2-1 0 1 2 3 4 5-1 -2-3 -4 x Witold Andrzejewski, Politechnika Poznańska, Wydział Informatyki 201/633 Wprowadzenie Celem procesu grupowania jest podział zbioru
Bardziej szczegółowoMarcin Kucharczyk Zakład XVII
Strumienie ciężkich kwarków przy energiach LHC: Model Standardowy i modele egzotyczne Marcin Kucharczyk Zakład XVII 27.06.2013 Plan Motywacja fizyczna Eksperyment LHCb Pomiar przekroju czynnego na produkcję
Bardziej szczegółowoStruktura protonu. Elementy fizyki czastek elementarnych. Wykład IV
Struktura protonu Wykład IV akcelerator HERA Elementy fizyki czastek elementarnych rekonstrukcja przypadków NC DIS wyznaczanie funkcji struktury równania ewolucji QCD struktura fotonu % & lub NC DIS Deep
Bardziej szczegółowoĆWICZENIE NR 1. Część I (wydanie poprawione_2017) Charakterystyka licznika Geigera Műllera
ĆWICZENIE NR 1 Część I (wydanie poprawione_2017) Charakterystyka licznika Geigera Műllera 1 I. Cel doświadczenia Wykonanie charakterystyki licznika Geigera-Müllera: I t N min 1 Obszar plateau U V Przykładowy
Bardziej szczegółowoSortowanie. Bartman Jacek Algorytmy i struktury
Sortowanie Bartman Jacek jbartman@univ.rzeszow.pl Algorytmy i struktury danych Sortowanie przez proste wstawianie przykład 41 56 17 39 88 24 03 72 41 56 17 39 88 24 03 72 17 41 56 39 88 24 03 72 17 39
Bardziej szczegółowoLHC i po co nam On. Piotr Traczyk CERN
LHC i po co nam On Piotr Traczyk CERN LHC: po co nam On Piotr Traczyk CERN Detektory przy LHC Planowane są 4(+2) eksperymenty na LHC ATLAS ALICE CMS LHCb 5 Program fizyczny LHC 6 Program fizyczny LHC
Bardziej szczegółowoĆ ź Ą Ć ź ź Ę Ę Ę Ę Ń Ą Ę ź ź Ó Ę Ę Ć Ę Ó ź ź ź ź Ń ź ź Ę Ę Ó ź Ć Ę ź ź Ą Ć Ę Ę Ę Ą Ć Ć Ż Ż Ó Ó Ą Ą Ą Ź Ą ź Ę Ą Ę Ó Ę ź Ę Ą Ś Ń Ż Ś Ó Ó Ó Ż Ę Ę Ę Ż Ź Ę Ę Ę Ę Ę Ę Ż Ż Ę Ę Ę Ę Ę Ę Ę Ż Ż Ń Ę Ś Ę Ę ĘĘ ÓŚ Ę
Bardziej szczegółowoZestaw C-11: Organizacja plików: Oddajemy tylko źródła programów (pliki o rozszerzeniach.cpp i.h)!!! Zad. 1: Zad. 2:
Zestaw C-11: funkcję usun rozpatrującą rozłączne trójki elementów sznura i usuwającą te z elementów trójki, które nie zawierają wartości najmniejszej w obrębie takiej trójki (w każdej trójce pozostaje
Bardziej szczegółowoPL B1. POLITECHNIKA LUBELSKA, Lublin, PL BUP 26/14. TOMASZ KLEPKA, Lublin, PL WUP 12/16. rzecz. pat.
PL 224269 B1 RZECZPOSPOLITA POLSKA (12) OPIS PATENTOWY (19) PL (11) 224269 (13) B1 (21) Numer zgłoszenia: 404317 (51) Int.Cl. B29C 47/12 (2006.01) B29C 47/52 (2006.01) Urząd Patentowy Rzeczypospolitej
Bardziej szczegółowoZestaw A-1: Organizacja plików: Oddajemy tylko źródła programów (pliki o rozszerzeniach.adb i.ads)!!! Zad. 1: 4,3,3 2,2,1 Zad. 2: 3,3,3 Zad.
Zestaw A-1: Oddajemy tylko źródła programów (pliki o rozszerzeniach.adb i.ads)!!! Zad. 1: Napisać pakiet rodzajowy udostępniający: typ Sznur będący dynamiczną listą łączoną, której elementy przechowują
Bardziej szczegółowoJeśli czas działania algorytmu zależy nie tylko od rozmiaru danych wejściowych i przyjmuje różne wartości dla różnych danych o tym samym rozmiarze,
Oznaczenia: Jeśli czas działania algorytmu zależy nie tylko od rozmiaru danych wejściowych i przyjmuje różne wartości dla różnych danych o tym samym rozmiarze, to interesuje nas złożoność obliczeniowa
Bardziej szczegółowoWstęp do oddziaływań hadronów
Wstęp do oddziaływań hadronów Mariusz Przybycień Wydział Fizyki i Informatyki Stosowanej Akademia Górniczo-Hutnicza Wykład 9 M. Przybycień (WFiIS AGH) Wstęp do oddziaływań hadronów Wykład 9 1 / 21 Rozpraszanie
Bardziej szczegółowoGeometria. Hiperbola
Geometria. Hiperbola Definicja 1 Dano dwa punkty na płaszczyźnie: F 1 i F 2 oraz taką liczbę d, że F 1 F 2 > d > 0. Zbiór punktów płaszczyzny będących rozwiązaniami równania: XF 1 XF 2 = ±d. nazywamy hiperbolą.
Bardziej szczegółowoAlgorytmy sortujące i wyszukujące
Algorytmy sortujące i wyszukujące Zadaniem algorytmów sortujących jest ułożenie elementów danego zbioru w ściśle określonej kolejności. Najczęściej wykorzystywany jest porządek numeryczny lub leksykograficzny.
Bardziej szczegółowoBadanie rozkładu pola magnetycznego przewodników z prądem
Ćwiczenie E7 Badanie rozkładu pola magnetycznego przewodników z prądem E7.1. Cel ćwiczenia Prąd elektryczny płynący przez przewodnik wytwarza wokół niego pole magnetyczne. Ćwiczenie polega na pomiarze
Bardziej szczegółowoOPTYKA GEOMETRYCZNA I INSTRUMENTALNA
1100-1BO15, rok akademicki 2018/19 OPTYKA GEOMETRYCZNA I INSTRUMENTALNA dr hab. Rafał Kasztelanic Wykład 6 Optyka promieni 2 www.zemax.com Diafragmy Pęk promieni świetlnych, przechodzący przez układ optyczny
Bardziej szczegółowoKompresja danych Streszczenie Studia Dzienne Wykład 10,
1 Kwantyzacja wektorowa Kompresja danych Streszczenie Studia Dzienne Wykład 10, 28.04.2006 Kwantyzacja wektorowa: dane dzielone na bloki (wektory), każdy blok kwantyzowany jako jeden element danych. Ogólny
Bardziej szczegółowoPL B1. POLITECHNIKA LUBELSKA, Lublin, PL BUP 03/14. ZBIGNIEW PATER, Turka, PL JANUSZ TOMCZAK, Lublin, PL
PL 221649 B1 RZECZPOSPOLITA POLSKA (12) OPIS PATENTOWY (19) PL (11) 221649 (13) B1 Urząd Patentowy Rzeczypospolitej Polskiej (21) Numer zgłoszenia: 400061 (22) Data zgłoszenia: 20.07.2012 (51) Int.Cl.
Bardziej szczegółowoUogólniony model układu planetarnego
Uogólniony model układu planetarnego Michał Marek Seminarium Zakładu Geodezji Planetarnej 22.05.2009 PLAN PREZENTACJI 1. Wstęp, motywacja, cele 2. Teoria wykorzystana w modelu 3. Zastosowanie modelu na
Bardziej szczegółowoSTATYCZNA PRÓBA SKRĘCANIA
Mechanika i wytrzymałość materiałów - instrukcja do ćwiczenia laboratoryjnego: Wprowadzenie STATYCZNA PRÓBA SKRĘCANIA Opracowała: mgr inż. Magdalena Bartkowiak-Jowsa Skręcanie pręta występuje w przypadku
Bardziej szczegółowoRozpraszanie elektron-proton
Rozpraszanie elektron-proton V Badania struktury atomu - rozpraszanie Rutherforda. Rozpraszanie elastyczne elektronu na punktowym protonie. Rozpraszanie elastyczne elektronu na protonie o skończonych wymiarach.
Bardziej szczegółowoLuty 2001 Algorytmy (4) 2000/2001
Mając dany zbiór elementów, chcemy znaleźć w nim element największy (maksimum), bądź najmniejszy (minimum). We wszystkich naturalnych metodach znajdywania najmniejszego i największego elementu obecne jest
Bardziej szczegółowoĆwiczenie: "Zagadnienia optyki"
Ćwiczenie: "Zagadnienia optyki" Opracowane w ramach projektu: "Wirtualne Laboratoria Fizyczne nowoczesną metodą nauczania realizowanego przez Warszawską Wyższą Szkołę Informatyki. Zakres ćwiczenia: 1.
Bardziej szczegółowoLABORATORIUM FIZYKI PAŃSTWOWEJ WYŻSZEJ SZKOŁY ZAWODOWEJ W NYSIE. Ćwiczenie nr 8 Temat: Obserwacja i analiza linii sił pola magnetycznego.
LABORATORIUM FIZYKI PAŃSTWOWEJ WYŻSZEJ SZKOŁY ZAWODOWEJ W NYSIE Ćwiczenie nr 8 Temat: Obserwacja i analiza linii sił pola magnetycznego. Zestaw ćwiczeniowy zawiera cztery magnesy (dwa małe i dwa duże)
Bardziej szczegółowoAlgorytmy i struktury danych
Algorytmy i struktury danych Zaawansowane algorytmy sortowania Witold Marańda maranda@dmcs.p.lodz.pl 1 Sortowanie za pomocą malejących przyrostów metoda Shella Metoda jest rozwinięciem metody sortowania
Bardziej szczegółowoALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH
1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Eksploracja danych Co to znaczy eksploracja danych Klastrowanie (grupowanie) hierarchiczne Klastrowanie
Bardziej szczegółowoEksperyment ALICE i plazma kwarkowo-gluonowa
Eksperyment ALICE i plazma kwarkowo-gluonowa CERN i LHC Jezioro Genewskie Lotnisko w Genewie tunel LHC (długość 27 km, ok.100m pod powierzchnią ziemi) CERN/Meyrin Gdzie to jest? ok. 100m Tu!!! LHC w schematycznym
Bardziej szczegółowoJak działają detektory. Julia Hoffman
Jak działają detektory Julia Hoffman wielki Hadronowy zderzacz Wiązka to pociąg ok. 2800 wagonów - paczek protonowych Każdy wagon wiezie ok.100 mln protonów Energia chemiczna: 80 kg TNT lub 16 kg czekolady
Bardziej szczegółowoW poszukiwaniu sensu w świecie widzialnym
W poszukiwaniu sensu w świecie widzialnym Andrzej Śluzek Nanyang Technological University Singapore Uniwersytet Mikołaja Kopernika Toruń AGH, Kraków, 28 maja 2010 1 Podziękowania Przedstawione wyniki powstały
Bardziej szczegółowoPORÓWNANIE NARZĘDZI DOSTĘPNYCH W OBSZARZE ROBOCZYM SZKICOWNIKA NX Z POLECENIAMI ZAWARTYMI W ANALOGICZNEJ PRZESTRZENI GEOMETRYCZNEJ CATIA V5
PORÓWNANIE NARZĘDZI DOSTĘPNYCH W OBSZARZE ROBOCZYM SZKICOWNIKA NX Z POLECENIAMI ZAWARTYMI W ANALOGICZNEJ PRZESTRZENI GEOMETRYCZNEJ CATIA V5 Tworzenie profili o charakterystycznym kształcie NARZĘDZIA, KTÓRE
Bardziej szczegółowoTechnologie cyfrowe. Artur Kalinowski. Zakład Cząstek i Oddziaływań Fundamentalnych Pasteura 5, pokój 4.15
Technologie cyfrowe Artur Kalinowski Zakład Cząstek i Oddziaływań Fundamentalnych Pasteura 5, pokój 4.15 Artur.Kalinowski@fuw.edu.pl Semestr letni 2014/2015 Zadanie algorytmiczne: wyszukiwanie dane wejściowe:
Bardziej szczegółowoWYKŁAD 3 WYPEŁNIANIE OBSZARÓW. Plan wykładu: 1. Wypełnianie wieloboku
WYKŁ 3 WYPŁNINI OSZRÓW. Wypełnianie wieloboku Zasada parzystości: Prosta, która nie przechodzi przez wierzchołek przecina wielobok parzystą ilość razy. Plan wykładu: Wypełnianie wieloboku Wypełnianie konturu
Bardziej szczegółowoEksperyment CMS w oczekiwaniu na wiązki: plany poszukiwania Nowej Fizyki. Część 1
Eksperyment CMS w oczekiwaniu na wiązki: plany poszukiwania Nowej Fizyki Część 1 Piotr Traczyk Warszawa, Plan Akcelerator LHC Detektor CMS Nowa fizyka w CMS organizacja pracy Wybrane analizy - szczegóły
Bardziej szczegółowoLHC: program fizyczny
LHC: program fizyczny Piotr Traczyk CERN Detektory przy LHC Planowane są 4(+2) eksperymenty na LHC ATLAS ALICE CMS LHCb 2 Program fizyczny LHC Model Standardowy i Cząstka Higgsa Poza Model Standardowy:
Bardziej szczegółowoTEORETYCZNE PODSTAWY INFORMATYKI
1 TEORETYCZNE PODSTAWY INFORMATYKI WFAiS UJ, Informatyka Stosowana II stopień studiów Wykład 13b 2 Eksploracja danych Co rozumiemy pod pojęciem eksploracja danych Algorytmy grupujące (klajstrujące) Graficzna
Bardziej szczegółowoTwój wynik: 4 punktów na 6 możliwych do uzyskania (66,67 %).
Powrót Twój wynik: 4 punktów na 6 możliwych do uzyskania (6667 %). Nr Opcja Punkty Poprawna Odpowiedź Rozważmy algorytm AVLSequence postaci: 1 Niech drzewo będzie rezultatem działania algorytmu AVLSequence
Bardziej szczegółowoMateriały dla finalistów
Materiały dla finalistów Malachoviacus Informaticus 2016 11 kwietnia 2016 Wprowadzenie Poniższy dokument zawiera opisy zagadnień, które będą niezbędne do rozwiązania zadań w drugim etapie konkursu. Polecamy
Bardziej szczegółowoPlan wykładu. Wykład 3. Rzutowanie prostokątne, widoki, przekroje, kłady. Rzutowanie prostokątne - geneza. Rzutowanie prostokątne - geneza
Plan wykładu Wykład 3 Rzutowanie prostokątne, widoki, przekroje, kłady 1. Rzutowanie prostokątne - geneza 2. Dwa sposoby wzajemnego położenia rzutni, obiektu i obserwatora, metoda europejska i amerykańska
Bardziej szczegółowoMatematyka A kolokwium 26 kwietnia 2017 r., godz. 18:05 20:00. i = = i. +i sin ) = 1024(cos 5π+i sin 5π) =
Matematyka A kolokwium 6 kwietnia 7 r., godz. 8:5 : Starałem się nie popełniać błędów, ale jeśli są, będę wdzięczny za wieści o nich Mam też nadzieję, że niektórzy studenci zechcą zrozumieć poniższy tekst,
Bardziej szczegółowo0. OpenGL ma układ współrzędnych taki, że oś y jest skierowana (względem monitora) a) w dół b) w górę c) w lewo d) w prawo e) w kierunku do
0. OpenGL ma układ współrzędnych taki, że oś y jest skierowana (względem monitora) a) w dół b) w górę c) w lewo d) w prawo e) w kierunku do obserwatora f) w kierunku od obserwatora 1. Obrót dookoła osi
Bardziej szczegółowoŁ Ł ń ń Ą ń ń Ś ń Ź ń ń ń Ż ń Ł ń Ś ń ń ń Ą Ą Ł Ż ń ń Ś ń Ź ń ń ć Ź ń ć Ś ć ć ń Ź ń Ą Ł Ł Ę ĘĘ Ż Ź ć Ł ń Ś Ą Ł Ł Ł Ą Ę Ę ń Ń ń Ź ń ć Ż ń Ż Ś ń Ń ń Ń Ź Ą ć Ł ń ć ć Ź Ą Ą Ą Ź Ą Ł Ą Ś ń ń Ś Ś Ą Ć ŚĆ Ł ć Ż
Bardziej szczegółowoĄ Ń Ś Ę ź Ś Ś ź ź Ś Ś ź Ł Ś Ś Ś Ł ĘĘ Ś Ś Ś ć Ś Ś Ś Ś Ł Ó Ś Ł ć Ś Ść Ś Ś Ś Ń ć Ś Ł Ś Ź Ą ć ć Ł ź Ś Ą Ś Ł Ą Ś Ś Ą Ś Ś ź Ś ć Ł ć ć Ł Ł ć Ź ć ć Ś ć ź Ź ć Ś ć ć ć Ś Ą Ś Ś Ś ć Ś Ść Ś ć Ł ć Ś ć Ś Ś Ń ć ć Ł Ś
Bardziej szczegółowoŹ Ę Ę Ś Ś Ś ć Ę ć Ś ć Ź Ż Ś ć Ż Ź Ż Ą Ż Ę Ś Ź Ę Ź Ż Ó Ś ć ć Ś Ż Ć ź Ś Ń Ź ć Ó ź Ś Ń ź Ń Ź Ź ź Ż Ź Ź Ź Ź Ż Ź ć Ż Ę ź Ę ź ć Ń ć ć ć ć Ź Ę Ą ć Ę ć Ń ć ć Ź Ż ć Ó Ó Ó Ż ć Ó Ż Ę Ą Ź Ó Ń Ł ź ź Ń ć ć Ż ć Ś Ą
Bardziej szczegółowoŁ Ł Ś Ś ź Ć ź ź ź Ń Ł Ż Ś ź Ę Ż Ń Ę ź ź ź Ę ź Ł Ę ź Ę Ę Ę ź ź Ś ź ź Ł Ł Ź Ę Ł Ś ź Ę Ę Ę ń ź Ą ó Ę ĘĘ ź Ę ź Ą Ł Ę Ł Ą ź Ę ó Ź Ś ź Ń Ę Ę ĘĘ Ą Ś Ę Ł Ę Ć Ź ź Ź Ę Ę Ź ź Ź Ź Ź Ł Ż Ł Ę ź Ż Ź ź Ź Ź Ź Ź Ą Ż ŚĆ
Bardziej szczegółowoPrzykładowe zadania/problemy egzaminacyjne. Wszystkie bezwymiarowe wartości liczbowe występujące w treści zadań podane są w jednostkach SI.
Przykładowe zadania/problemy egzaminacyjne. Wszystkie bezwymiarowe wartości liczbowe występujące w treści zadań podane są w jednostkach SI. 1. Ładunki q 1 =3,2 10 17 i q 2 =1,6 10 18 znajdują się w próżni
Bardziej szczegółowoMECHANIKA 2 KINEMATYKA. Wykład Nr 5 RUCH KULISTY I RUCH OGÓLNY BRYŁY. Prowadzący: dr Krzysztof Polko
MECHANIKA 2 KINEMATYKA Wykład Nr 5 RUCH KULISTY I RUCH OGÓLNY BRYŁY Prowadzący: dr Krzysztof Polko Określenie położenia ciała sztywnego Pierwszy sposób: Określamy położenia trzech punktów ciała nie leżących
Bardziej szczegółowoAgnieszka Nowak Brzezińska
Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia
Bardziej szczegółowoAlgorytmy Równoległe i Rozproszone Część V - Model PRAM II
Algorytmy Równoległe i Rozproszone Część V - Model PRAM II Łukasz Kuszner pokój 209, WETI http://www.sphere.pl/ kuszner/ kuszner@sphere.pl Oficjalna strona wykładu http://www.sphere.pl/ kuszner/arir/ 2005/06
Bardziej szczegółowoROZWINIĘCIA POWIERZCHNI STOPNIA DRUGIEGO W OPARCIU O MIEJSCA GEOMETRYCZNE Z ZA- STOSOWANIEM PROGRAMU CABRI II PLUS.
Anna BŁACH, Piotr DUDZIK, Anita PAWLAK Politechnika Śląska Ośrodek Geometrii i Grafiki Inżynierskiej ul. Krzywoustego 7 44-100 Gliwice tel./ fax: 0-32 237 26 58, e-mail: anna.blach@polsl.pl, piotr.dudzik@polsl.pl,
Bardziej szczegółowoEksploracja danych. Grupowanie. Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne. Grupowanie wykład 1
Grupowanie Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne Grupowanie wykład 1 Sformułowanie problemu Dany jest zbiór obiektów (rekordów). Znajdź naturalne pogrupowanie
Bardziej szczegółowoWyznaczanie stosunku e/m elektronu
Ćwiczenie 27 Wyznaczanie stosunku e/m elektronu 27.1. Zasada ćwiczenia Elektrony przyspieszane w polu elektrycznym wpadają w pole magnetyczne, skierowane prostopadle do kierunku ich ruchu. Wyznacza się
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska
SYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska DRZEWO REGRESYJNE Sposób konstrukcji i przycinania
Bardziej szczegółowoth- Zakład Zastosowań Metod Obliczeniowych (ZZMO)
Zakład Zastosowań Metod Obliczeniowych (ZZMO) - prof. dr hab. Wiesław Płaczek - prof. dr hab. Elżbieta Richter-Wąs - prof. dr hab. Wojciech Słomiński - prof. dr hab. Jerzy Szwed (Kierownik Zakładu) - dr
Bardziej szczegółowoAlgorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa
Bardziej szczegółowo4. Funkcje. Przykłady
4. Funkcje Przykłady 4.1. Napisz funkcję kwadrat, która przyjmuje jeden argument: długość boku kwadratu i zwraca pole jego powierzchni. Używając tej funkcji napisz program, który obliczy pole powierzchni
Bardziej szczegółowoGrafika 2D. Animacja Zmiany Kształtu. opracowanie: Jacek Kęsik
Grafika 2D Animacja Zmiany Kształtu opracowanie: Jacek Kęsik Wykład przedstawia podstawy animacji zmiany kształtu - morfingu Animacja zmiany kształtu Podstawowe pojęcia Zlewanie (Dissolving / cross-dissolving)
Bardziej szczegółowoStrategia "dziel i zwyciężaj"
Strategia "dziel i zwyciężaj" W tej metodzie problem dzielony jest na kilka mniejszych podproblemów podobnych do początkowego problemu. Problemy te rozwiązywane są rekurencyjnie, a następnie rozwiązania
Bardziej szczegółowoArtur Kalinowski WYBRANE ASPEKTY POSZUKIWA BOZONU HIGGSA Z MODELU STANDARDOWEGO W ZDERZENIACH PROTON PROTON W EKSPERYMENCIE CMS PRZY LHC
Artur Kalinowski WYBRANE ASPEKTY POSZUKIWA BOZONU HIGGSA Z MODELU STANDARDOWEGO W ZDERZENIACH PROTON PROTON W EKSPERYMENCIE CMS PRZY LHC WYBRANE ASPEKTY POSZUKIWA BOZONU HIGGSA Z MODELU STANDARDOWEGO W
Bardziej szczegółowoStosowana Analiza Regresji
Stosowana Analiza Regresji Wykład VIII 30 Listopada 2011 1 / 18 gdzie: X : n p Q : n n R : n p Zał.: n p. X = QR, - macierz eksperymentu, - ortogonalna, - ma zera poniżej głównej diagonali. [ R1 X = Q
Bardziej szczegółowoKrzyżówka oraz hasła do krzyżówki. Kalina R., Przewodnik po matematyce dla klas VII-VIII, część IV, SENS, Poznań 1997, s.20-22.
Omnibus matematyczny 1. Cele lekcji a) Wiadomości Uczeń: zna pojęcia matematyczne z zakresu szkoły podstawowej i gimnazjum. b) Umiejętności Uczeń: potrafi podać odpowiednie pojęcie matematyczne na podstawie
Bardziej szczegółowoMetody numeryczne I Równania nieliniowe
Metody numeryczne I Równania nieliniowe Janusz Szwabiński szwabin@ift.uni.wroc.pl Metody numeryczne I (C) 2004 Janusz Szwabiński p.1/66 Równania nieliniowe 1. Równania nieliniowe z pojedynczym pierwiastkiem
Bardziej szczegółowoAnaliza skupień. Analiza Skupień W sztucznej inteligencji istotną rolę ogrywają algorytmy grupowania
Analiza skupień W sztucznej inteligencji istotną rolę ogrywają algorytmy grupowania Analiza Skupień Elementy składowe procesu grupowania obiekt Ekstrakcja cech Sprzężenie zwrotne Grupowanie klastry Reprezentacja
Bardziej szczegółowojava.util.* :Kolekcje Tomasz Borzyszkowski
java.util.* :Kolekcje Tomasz Borzyszkowski Wstęp Kolekcje w Java dają programiście pewien standardowy sposób radzenia sobie z przetwarzaniem grup obiektów. Implementacja kolekcji w Java składa się z następujących
Bardziej szczegółowooperacje porównania, a jeśli jest to konieczne ze względu na złe uporządkowanie porównywanych liczb zmieniamy ich kolejność, czyli przestawiamy je.
Problem porządkowania zwanego również sortowaniem jest jednym z najważniejszych i najpopularniejszych zagadnień informatycznych. Dane: Liczba naturalna n i ciąg n liczb x 1, x 2,, x n. Wynik: Uporządkowanie
Bardziej szczegółowo( F ) I. Zagadnienia. II. Zadania
( F ) I. Zagadnienia 1. Rozchodzenie się fal akustycznych w układach biologicznych. 2. Wytwarzanie i detekcja fal akustycznych w ultrasonografii. 3. Budowa aparatu ultrasonograficznego metody obrazowania.
Bardziej szczegółowoPrzestrzeń algorytmów klastrowania
20 listopada 2008 Plan prezentacji 1 Podstawowe pojęcia Przykłady algorytmów klastrowania 2 Odległość algorytmów klastrowania Odległość podziałów 3 Dane wejściowe Eksperymenty Praca źródłowa Podstawowe
Bardziej szczegółowoDydaktyka matematyki III-IV etap edukacyjny (wykłady)
Dydaktyka matematyki III-IV etap edukacyjny (wykłady) Wykład nr 9: Geometria w szkole geometria dynamiczna, miejsca geometryczne, przekształcenia geometryczne Semestr zimowy 2018/2019 DGS = Dynamic Geometry
Bardziej szczegółowoKlasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV
Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną
Bardziej szczegółowoPRZEKROJE RYSUNKOWE CZ.1 PRZEKROJE PROSTE. Opracował : Robert Urbanik Zespół Szkół Mechanicznych w Opolu
PRZEKROJE RYSUNKOWE CZ.1 PRZEKROJE PROSTE Opracował : Robert Urbanik Zespół Szkół Mechanicznych w Opolu IDEA PRZEKROJU stosujemy, aby odzwierciedlić wewnętrzne, niewidoczne z zewnątrz, kształty przedmiotu.
Bardziej szczegółowoProgramowanie dynamiczne
Programowanie dynamiczne Patryk Żywica 5 maja 2008 1 Spis treści 1 Problem wydawania reszty 3 1.1 Sformułowanie problemu...................... 3 1.2 Algorytm.............................. 3 1.2.1 Prosty
Bardziej szczegółowo4/4/2012. CATT-Acoustic v8.0
CATT-Acoustic v8.0 CATT-Acoustic v8.0 Oprogramowanie CATT-Acoustic umożliwia: Zaprojektowanie geometryczne wnętrza Zadanie odpowiednich współczynników odbicia, rozproszenia dla wszystkich planów pomieszczenia
Bardziej szczegółowo