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

Wielkość: px
Rozpocząć pokaz od strony:

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

Transkrypt

1 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) = 0 (20.1) E 0 energia stanu podstawowego ψ 0 (r) funkcja falowa tego stanu r = (r 1,..., r N ) zbiór 3N współrzędnych przestrzennych określających położenia wszystkich cząstek w układzie. Z zasady wariacyjnej Rayleigha-Ritza ψ(r) próbna funkcja falowa E = ψ H ψ ψ ψ E 0. (20.2) Definiujemy energię lokalną ε(r) df = 1 ψ(r) H ψ(r). (20.3) Hamiltonian układu N cząstek o jednakowych masach m H = h2 2m N 2 i + U(r) (20.4)

2 2 Rozdział 20. Kwantowe metody Monte Carlo U(r) energia potencjalna układu ε(r) = h2 2m ψ(r) Wariacyjne oszacowanie energii (20.2) N 2 ψ(r) i + U(r). (20.5) E = dr ψ 2 (r)ε(r) dr ψ 2 (r). (20.6) Zgodnie z wariacyjną metodą Monte Carlo oszacowaniem Monte Carlo całki (20.6) jest E N = 1 N ε(r i ), (20.7) N N liczba losowań r i punkty w 3N-wymiarowej przestrzeni rozłożone zgodnie z funkcją rozkładu ψ 2. Rozkład ten może być generowany za pomocą algorytmu Metropolisa. Funkcja próbna ψ powinna: (i) być możliwie prosta (aby łatwo było policzyć energię lokalną ε(r)). (ii) możliwie dobrze przybliżać funkcję dokładną ψ 0. Wariacyjna metoda Monte Carlo dostarcza na ogół rozwiązań przybliżonych (jedynie dla ψ = ψ 0 otrzymujemy rozwiązania dokładne ε(r) = E 0 ) Kwantowa dyfuzyjna metoda Monte Carlo Rozwiązanie równania Schrödingera zależnego od czasu Równanie Schrödingera zależne od czasu i h Ψ t = HΨ (20.8) Ψ = Ψ(r, t) r = (r 1,..., r N ) Zakładamy, że hamiltonian układu nie zależy od czasu.

3 Janusz Adamowski METODY OBLICZENIOWE FIZYKI 3 Równanie Schrödingera dla wektora stanu Ψ(t) i h d Ψ(t) = H Ψ(t). (20.9) dt Formalne rozwiązanie równanie Schrödingera wyrażone za pomocą operatora ewolucji w czasie Ψ(t) = e (i/ h)ht Ψ(0), (20.10) Ψ(0) warunek początkowy W reprezentacji położeniowej Ψ(r, t) = r Ψ(t) = e (i/ h)ht Ψ(r, 0), (20.11) H hamiltonian układu w reprezentacji położeniowej Analogia z równaniem dyfuzji Równanie dyfuzji w przestrzeni 3N-wymiarowej ϕ N t = D 2 jϕ + S(r, t), (20.12) j=1 r = (r 1,..., r N ) zbiór wektorów położeń cząstek ϕ = ϕ(r, t) wielkość podlegająca dyfuzji S(r, t) funkcja źródła Zakładamy, że współczynnik samodyfuzji D nie zależy od r oraz t. Po zmianie zmiennej czasowej t na τ według τ = i, (20.13) t h otrzymamy równanie Schorödingera zależne od czasu Ψ(r, τ) = HΨ(r, τ). (20.14) τ Jeżeli zdefiniujemy współczynnik samodyfuzji D = h2 2m, (20.15) to równanie Schrödingera (20.14) przyjmuje postać równania dyfuzji (20.12) Ψ N τ = D 2 jψ U(r)Ψ. (20.16) j=1 Równanie (20.16) jest tzw. kwantowym równaniem dyfuzji (ewolucja funkcji falowej Ψ(r, τ) podlega równaniu dyfuzji (20.16)). Zmienna τ odgrywa rolę czasu, mierzonego w jednostkach (energia) 1.

4 4 Rozdział 20. Kwantowe metody Monte Carlo Zachowanie asymptotyczne dla długiego czasu gdzie Rozwiązanie kwantowego równania dyfuzji Jeżeli τ, to Ψ(r, τ) = α c α e E ατ ψ α (r). (20.17) E 0 < E 1 < E 2 <... (E α 0) (20.18) Ψ(r, τ) c 0 ψ 0 (r)e E 0τ. (20.19) Problem: rozwiązanie (20.19) zaniknie do zera przy τ, o ile nie okaże się, że E 0 = 0. Rozwiązanie: wprowadzamy poziom odniesienia U 0 (stała energia potencjalna), dobrany tak, aby E 0 U 0 0 oraz E 0 U 0 0. Otrzymujemy równanie którego rozwiązaniem jest Ψ N τ = D 2 jψ [U(r) U 0 ]Ψ. (20.20) j=1 Ψ(r, τ) = α c α ψ α (r)e (E α U 0 )τ, (20.21) Dla τ posiada ono zachowanie asymptotyczne [por. (20.19)] Ψ(r, τ) c 0 ψ 0 (r)e (E 0 U 0 )τ. (20.22) Uogólnienie kwantowo-mechanicznej zasady wariacyjnej Definiujemy nową próbną funkcję falową Ψ(r, τ) df = e (H U 0)τ ψ(r) (20.23) która posiada zachowanie asymptotyczne dla τ : Ψ(r, τ) d 0 ψ 0 (r)e (E 0 U 0 )τ = constψ 0 (r). (20.24) Definiujemy uogólnioną wartość oczekiwaną Własności uogólnionej wartości oczekiwanej: E(τ) = df ψ H Ψ(τ). (20.25) ψ Ψ(τ)

5 Janusz Adamowski METODY OBLICZENIOWE FIZYKI 5 (i) Jeżeli τ = 0, to Ψ(r, τ) = ψ(r) standardowa zasada wariacyjna Rayleigha- Ritza ψ H ψ E(0) = E var = E 0. (20.26) ψ ψ (ii) Jeżeli τ, to H Ψ(r, τ) const Hψ 0 (r) = const E 0 ψ 0 (r). Wtedy E(τ) E 0 (20.27) Definiujemy nową funkcję rozkładu F (r, τ) = df ψ(r) Ψ(r, τ), (20.28) wtedy E(τ) = drf (r, τ)ε(r) drf (r, τ). (20.29) Oszacowaniem Monte Carlo wartości oczekiwanej (20.29) jest E N (τ) = 1 N N ε(r i ), (20.30) gdzie punkty r i generowane są w 3N-wymiarowej przestrzeni zgodnie z funkcją rozkładu F (r, τ). Jeżeli ψ = ψ 0, to ε(r) = E 0 oraz E(τ) = E 0, a więc otrzymujemy rozwiązanie dokładne (w granicy błędu statystycznego) Generowanie konfiguracji położeń zgodnie z zależną od czasu funkcją rozkładu F (r, τ) Algorytm Metropolisa może być użyty tylko do wygenerowania początkowej konfiguracji dla τ = 0. F (r, 0) = ψ(r) 2, (20.31) W celu wygenerowania konfiguracji (r 1,..., r N ) zgodnych z żądanym rozkładem F (r, τ) stosujemy równanie dyfuzji Ψ τ = HΨ. (20.32) Żądamy, aby Ψ(r, τ) spełniała równanie dyfuzji Ψ τ = (U 0 H) Ψ. (20.33)

6 6 Rozdział 20. Kwantowe metody Monte Carlo Dla jednej cząstki w przestrzeni 3-wymiarowej wprowadzamy energię lokalną ε(r) = 1 ψ Hψ = D ψ 2 ψ + U (20.34) i definiujemy siłę kwantową f df = ln ψ 2 = 2 ψ ψ. (20.35) Wtedy równanie dyfuzji dla funkcji rozkładu F (r, τ) ma postać F τ = D 2 F + (U 0 ε)f D (F f). (20.36) Pierwszy wyraz D 2 F opisuje zwykły proces dyfuzji Zwykłe równanie dyfuzji w 3 wymiarach a jego rozwiązanie F τ = D 2 F, (20.37) F (x, y, z, τ) = F 1 (x, τ)f 2 (y, τ)f 3 (z, τ), (20.38) gdzie każda z funkcji F i (x i, τ) (i = 1, 2, 3, x 1 = x, x 2 = y, x 3 = z) spełnia jednowymiarowe równanie dyfuzji F i τ = D 2 F i x 2 i. (20.39) Rozwiązaniem jednowymiarowego równania dyfuzji jest funkcja Gaussa (tzw. fundamentalne rozwiązanie równania dyfuzji) Własności: F i (x i, τ) = 1 (4πDτ) 1//2 e (x i µ i ) 2 /4Dτ. (20.40) (i) Średnie przesunięcie cząstki w kierunku x i, x i = µ i. (ii) Średni kwadrat przesunięcia cząstki jest równy wariancji rozkładu normalnego (x i µ i ) 2 = x 2 i x i 2 = 2Dτ = σ 2 (20.41)

7 Janusz Adamowski METODY OBLICZENIOWE FIZYKI 7 (iii) Rozwiązanie równania (20.39) w 3 wymiarach ma postać F (r, τ) = 1 (4πDτ) 3/2 e (r µ)2 /4Dτ, (20.42) gdzie r = (x, y, z), µ = (µ 1, µ 2, µ 3 ), r = µ, oraz (r µ) 2 = 2Dτ. Drugi wyraz tzw. funkcja źródła S(r, τ) = [U 0 ε(r)]f (r, τ). (20.43) Równanie (20.36), w którym po prawej stronie występuje tylko funkcja źródła, jest typowym równaniem rozpadu, np. promieniotwórczego, lub równaniem wzrostu, np. populacji. jego rozwiązania + proces wzrostu proces rozpadu F τ = (U 0 ε)f. (20.44) F (r, τ) = F (r, 0)e U 0τ e ± ε τ, (20.45) Trzeci wyraz D (F f) opisuje procesy unoszenia (dryfu) funkcji rozkładu Rozwiązanie równania dyfuzji dla zależnej od czasu funkcji rozkładu Funkcja Greena G(r, r, τ) spełnia równanie (20.36),z warunkiem początkowym G(r, r, 0) = δ(r r ). (20.46) Jeżeli znamy funkcję Greena to dla odpowiednio małych τ, ewolucja w czasie funkcji rozkładu w przypadku N cząstek w przestrzeni 3-wymiarowej dana jest F (r, τ + τ) = drg(r, r, τ)f (r, τ), (20.47) dr = d 3N r element objętości w przestrzeni 3N-wymiarowej. Zależna od czasu funkcja Greena (propagator) powoduje propagację w czasie funkcji rozkładu F (r, τ) zaczynając od wartości początkowej F (r, 0). Funkcja Greena (dla małych τ) jako funkcja w 3N zmiennych G(r, r, τ) = 1 (4πD τ) 3N/2 n e (r i r i D τf)2 /4D τ e τ{[ε(r i)+ε(r i )]/2 U0}. (20.48)

8 8 Rozdział 20. Kwantowe metody Monte Carlo Algorytm rozwiązywania metodą Monte Carlo równania dyfuzji dla funkcji rozkładu F (r, τ) (0) Wybieramy ψ(r) i generujemy F (r, 0) = ψ(r) 2 metodą Metropolisa. (1) Wybieramy małe τ i generujemy rozkład Gaussa o wartości średniej µ = D τf i wariancji 2D τ. Stosujemy wzór (20.48) na ewolucję w czasie funkcji rozkładu: wektor położenia i-tej cząstki w konfiguracji k-tej zmieniamy według przepisu r (k) i = r (k) i + D τf(r (k) i ) + ξ, (20.49) ξ trójwymiarowa zmienna losowa podlegająca rozkładowi Gaussa o średniej zero i wariancji 2D τ. (2) r (k) akceptowana z prawdopodobieństwem (wagą) n w(r, r ) = e τ{[ε(r i)+ε(r i )]/2 U0}. (20.50) (3) Kroki (1) (2) (1) powtarzane są tak długo, aż τ total = τ osiągnie wystarczająco dużą wartość. Uwaga: U 0 jest dopasowywany dla każdego kroku czasowego tak, aby średnie prawdopodobieństwo wystąpienia danej konfiguracji było bliskie 1. W trakcie tych obliczeń otrzymujemy dodatkowo użyteczne oszacowania: E 0 U 0 ε. (20.51) Stany wzbudzone Mamy: E 0, ψ 0 (r), oraz U 0 dopasowane do E 0. Korzystamy z rozwiązania (20.21) Ψ(r, τ) = c α ψ α e (E α U 0 )τ. (20.52) α Dla pierwszego stanu wzbudzonego żądamy Ψ(τ) ψ 0 = 0. (20.53) czyli c 0 = ψ 0 Ψ(0) = 0, (20.54)

9 Janusz Adamowski METODY OBLICZENIOWE FIZYKI 9 rozwinięcie (20.52) zaczyna się od wyrazu c 1 ψ 1 (r)e (E 1 U 0 )τ, (20.55) który odpowiada pierwszemu stanowi wzbudzonemu. Rozwiązanie asymptotyczne Ψ(r, τ) dla τ, da nam E 1. Poziom odniesienia U 0 musi być teraz dobrany do wartości E 1.

Rozdział 22 METODA FUNKCJONAŁÓW GĘSTOŚCI Wstęp. Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1

Rozdział 22 METODA FUNKCJONAŁÓW GĘSTOŚCI Wstęp. Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdział 22 METODA FUNKCJONAŁÓW GĘSTOŚCI 22.1 Wstęp Definiujemy dla gazu elektronowego operatory anihilacji ψ σ (r) i kreacji ψ σ(r) pola fermionowego ψ σ

Bardziej szczegółowo

II. POSTULATY MECHANIKI KWANTOWEJ W JĘZYKU WEKTORÓW STANU. Janusz Adamowski

II. POSTULATY MECHANIKI KWANTOWEJ W JĘZYKU WEKTORÓW STANU. Janusz Adamowski II. POSTULATY MECHANIKI KWANTOWEJ W JĘZYKU WEKTORÓW STANU Janusz Adamowski 1 1 Przestrzeń Hilberta Do opisu stanów kwantowych używamy przestrzeni Hilberta. Przestrzenią Hilberta H nazywamy przestrzeń wektorową

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

13.1 Układy helopodobne (trójcząstkowe układy dwuelektronowe)

13.1 Układy helopodobne (trójcząstkowe układy dwuelektronowe) Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdział 13 UKŁADY KILKU CZĄSTEK W MECHANICE KWANTOWEJ 13.1 Układy helopodobne (trójcząstkowe układy dwuelektronowe) Zajmiemy się kwantowym opisem atomu He

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja hipotez statystycznych Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta

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

Dystrybucje, wiadomości wstępne (I)

Dystrybucje, wiadomości wstępne (I) Temat 8 Dystrybucje, wiadomości wstępne (I) Wielkości fizyczne opisujemy najczęściej przyporządkowując im funkcje (np. zależne od czasu). Inną drogą opisu tych wielkości jest przyporządkowanie im funkcjonałów

Bardziej szczegółowo

Ważne rozkłady i twierdzenia c.d.

Ważne rozkłady i twierdzenia c.d. Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby

Bardziej szczegółowo

POSTULATY MECHANIKI KWANTOWEJ cd i formalizm matematyczny

POSTULATY MECHANIKI KWANTOWEJ cd i formalizm matematyczny POSTULATY MECHANIKI KWANTOWEJ cd i formalizm matematyczny Funkcja Falowa Postulat 1 Dla każdego układu istnieje funkcja falowa (funkcja współrzędnych i czasu), która jest ciągła, całkowalna w kwadracie,

Bardziej szczegółowo

V. RÓWNANIA MECHANIKI KWANTOWEJ

V. RÓWNANIA MECHANIKI KWANTOWEJ V. RÓWNANIA MECHANIKI KWANTOWEJ 1 1 Postulaty mechaniki kwantowej Istota teorii kwantowej może być sformułowana za pomocą postulatów, których spełnienie postulujemy i których nie można wyprowadzić z żadnych

Bardziej szczegółowo

FIZYKA-egzamin opracowanie pozostałych pytań

FIZYKA-egzamin opracowanie pozostałych pytań FIZYKA-egzamin opracowanie pozostałych pytań Andrzej Przybyszewski Michał Witczak Marcin Talarek. Definicja pracy na odcinku A-B 2. Zdefiniować różnicę energii potencjalnych gdy ciało przenosimy z do B

Bardziej szczegółowo

Wstęp do Modelu Standardowego

Wstęp do Modelu Standardowego Wstęp do Modelu Standardowego Plan Wstęp do QFT (tym razem trochę równań ) Funkcje falowe a pola Lagranżjan revisited Kilka przykładów Podsumowanie Tomasz Szumlak AGH-UST Wydział Fizyki i Informatyki Stosowanej

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

AKADEMIA GÓRNICZO-HUTNICZA Wydział Matematyki Stosowanej ROZKŁAD NORMALNY ROZKŁAD GAUSSA

AKADEMIA GÓRNICZO-HUTNICZA Wydział Matematyki Stosowanej ROZKŁAD NORMALNY ROZKŁAD GAUSSA AKADEMIA GÓRNICZO-HUTNICZA Wydział Matematyki Stosowanej KATEDRA MATEMATYKI TEMAT PRACY: ROZKŁAD NORMALNY ROZKŁAD GAUSSA AUTOR: BARBARA MARDOSZ Kraków, styczeń 2008 Spis treści 1 Wprowadzenie 2 2 Definicja

Bardziej szczegółowo

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl

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

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

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014 Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu

Bardziej szczegółowo

Wykład 13 Mechanika Kwantowa

Wykład 13 Mechanika Kwantowa Wykład 13 Mechanika Kwantowa Maciej J. Mrowiński mrow@if.pw.edu.pl Wydział Fizyki Politechnika Warszawska 25 maja 2016 Maciej J. Mrowiński (IF PW) Wykład 13 25 maja 2016 1 / 21 Wprowadzenie Sprawy organizacyjne

Bardziej szczegółowo

JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY

JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY Będziemy zapisywać wektory w postaci (,, ) albo traktując go jak macierz jednokolumnową (dzięki temu nie będzie kontrowersji przy transponowaniu wektora ) Model

Bardziej szczegółowo

5 Reprezentacje połozeniowa i pedowa

5 Reprezentacje połozeniowa i pedowa 5 Reprezentacje połozeniowa i pedowa 5.1 Reprezentacja położeniowa W poprzednim rozdziale znaleźliśmy jawną postać operatora Ĥ w przedstawieniu położeniowym. Co to znaczy? W przedstawieniu położeniwym

Bardziej szczegółowo

WYKŁAD 5 TEORIA ESTYMACJI II

WYKŁAD 5 TEORIA ESTYMACJI II WYKŁAD 5 TEORIA ESTYMACJI II Teoria estymacji (wyznaczanie przedziałów ufności, błąd badania statystycznego, poziom ufności, minimalna liczba pomiarów). PRÓBA Próba powinna być reprezentacyjna tj. jak

Bardziej szczegółowo

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem

Bardziej szczegółowo

PODSTAWY MECHANIKI KWANTOWEJ

PODSTAWY MECHANIKI KWANTOWEJ PODSTAWY MECHANIKI KWANTOWEJ De Broglie, na podstawie analogii optycznych, w roku 194 wysunął hipotezę, że cząstki materialne także charakteryzują się dualizmem korpuskularno-falowym. Hipoteza de Broglie

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

Komputerowa Analiza Danych Doświadczalnych

Komputerowa Analiza Danych Doświadczalnych Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11; środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd

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

Uogolnione modele liniowe

Uogolnione modele liniowe Uogolnione modele liniowe Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Uogolnione modele liniowe grudzien 2013 1 / 17 (generalized linear model - glm) Zakładamy,

Bardziej szczegółowo

x x 0.5. x Przykłady do zadania 4.1 :

x x 0.5. x Przykłady do zadania 4.1 : Rachunek prawdopodobieństwa MAP5 Wydział Elektroniki, rok akad. /, sem. letni Wykładowca: dr hab. A. Jurlewicz Przykłady do listy 4: Wartość oczekiwana, wariancja, mediana, kwartyle rozkładu prawdopodobieństwa.

Bardziej szczegółowo

Rozkład normalny. Marcin Zajenkowski. Marcin Zajenkowski () Rozkład normalny 1 / 26

Rozkład normalny. Marcin Zajenkowski. Marcin Zajenkowski () Rozkład normalny 1 / 26 Rozkład normalny Marcin Zajenkowski Marcin Zajenkowski () Rozkład normalny 1 / 26 Rozkład normalny Krzywa normalna, krzywa Gaussa, rozkład normalny Rozkłady liczebności wielu pomiarów fizycznych, biologicznych

Bardziej szczegółowo

Metoda największej wiarygodności

Metoda największej wiarygodności Metoda największej wiarygodności Próbki w obecności tła Funkcja wiarygodności Iloraz wiarygodności Pomiary o różnej dokładności Obciążenie Informacja z próby i nierówność informacyjna Wariancja minimalna

Bardziej szczegółowo

Równanie przewodnictwa cieplnego (I)

Równanie przewodnictwa cieplnego (I) Wykład 4 Równanie przewodnictwa cieplnego (I) 4.1 Zagadnienie Cauchy ego dla pręta nieograniczonego Rozkład temperatury w jednowymiarowym nieograniczonym pręcie opisuje funkcja u = u(x, t), spełniająca

Bardziej szczegółowo

3 Ewolucja układu w czasie, trajektorie kwantowe

3 Ewolucja układu w czasie, trajektorie kwantowe 3 Ewolucja układu w czasie, trajektorie kwantowe Pytanie: jak ewoluuje funkcja falowa stanu kwantowego ψ? W tym rozdzoale zajmiemy się ruchem cząstki w jednym wymiarze. 3.1 Trajektorie klasyczne Klasyczne

Bardziej szczegółowo

II. RÓŻNICZKOWANIE I CAŁKOWANIE NUMERYCZNE Janusz Adamowski

II. RÓŻNICZKOWANIE I CAŁKOWANIE NUMERYCZNE Janusz Adamowski II. RÓŻNICZKOWANIE I CAŁKOWANIE NUMERYCZNE Janusz Adamowski 1 1 Różniczkowanie numeryczne Rozważmy funkcję f(x) określoną na sieci równoodległyc węzłów. Funkcja f(x) może być dana za pomocą wzoru analitycznego

Bardziej szczegółowo

Co ma piekarz do matematyki?

Co ma piekarz do matematyki? Instytut Matematyki i Informatyki Politechnika Wrocławska Dolnośląski Festiwal Nauki Wrzesień 2009 x x (x 1, x 2 ) x (x 1, x 2 ) (x 1, x 2, x 3 ) x (x 1, x 2 ) (x 1, x 2, x 3 ) (x 1, x 2, x 3, x 4 ). x

Bardziej szczegółowo

Estymacja parametrów rozkładu cechy

Estymacja parametrów rozkładu cechy Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział

Bardziej szczegółowo

po lożenie cz astki i od czasu (t). Dla cz astki, która może poruszać siȩ tylko w jednym wymiarze (tu x)

po lożenie cz astki i od czasu (t). Dla cz astki, która może poruszać siȩ tylko w jednym wymiarze (tu x) Stan czastki określa funkcja falowa Ψ zależna od wspó lrzȩdnych określaj acych po lożenie cz astki i od czasu (t). Dla cz astki, która może poruszać siȩ tylko w jednym wymiarze (tu x) Wartości funkcji

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

Obliczenia iteracyjne

Obliczenia iteracyjne Lekcja Strona z Obliczenia iteracyjne Zmienne iteracyjne (wyliczeniowe) Obliczenia iteracyjne wymagają zdefiniowania specjalnej zmiennej nazywanej iteracyjną lub wyliczeniową. Zmienną iteracyjną od zwykłej

Bardziej szczegółowo

Instytut Fizyki Politechniki Łódzkiej Laboratorium Metod Analizy Danych Doświadczalnych Ćwiczenie 3 Generator liczb losowych o rozkładzie Rayleigha.

Instytut Fizyki Politechniki Łódzkiej Laboratorium Metod Analizy Danych Doświadczalnych Ćwiczenie 3 Generator liczb losowych o rozkładzie Rayleigha. Instytut Fizyki Politechniki Łódzkiej Laboratorium Metod Analizy Danych Doświadczalnych Generator liczb losowych o rozkładzie Rayleigha. Generator liczb losowych o rozkładzie Rayleigha. 1. Cel ćwiczenia

Bardziej szczegółowo

Metody Statystyczne. Metody Statystyczne. #8 Błąd I i II rodzaju powtórzenie. Dwuczynnikowa analiza wariancji

Metody Statystyczne. Metody Statystyczne. #8 Błąd I i II rodzaju powtórzenie. Dwuczynnikowa analiza wariancji gkrol@mail.wz.uw.edu.pl #8 Błąd I i II rodzaju powtórzenie. Dwuczynnikowa analiza wariancji 1 Ryzyko błędu - powtórzenie Statystyka niczego nie dowodzi, czyni tylko wszystko mniej lub bardziej prawdopodobnym

Bardziej szczegółowo

Rozkład normalny, niepewność standardowa typu A

Rozkład normalny, niepewność standardowa typu A Podstawy Metrologii i Technik Eksperymentu Laboratorium Rozkład normalny, niepewność standardowa typu A Instrukcja do ćwiczenia nr 1 Zakład Miernictwa i Ochrony Atmosfery Wrocław, listopad 2010 r. Podstawy

Bardziej szczegółowo

Pochodna i różniczka funkcji oraz jej zastosowanie do obliczania niepewności pomiarowych

Pochodna i różniczka funkcji oraz jej zastosowanie do obliczania niepewności pomiarowych Pochodna i różniczka unkcji oraz jej zastosowanie do obliczania niepewności pomiarowych Krzyszto Rębilas DEFINICJA POCHODNEJ Pochodna unkcji () w punkcie określona jest jako granica: lim 0 Oznaczamy ją

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

Atom wodoru. Model klasyczny: nieruchome jądro +p i poruszający się wokół niego elektron e w odległości r; energia potencjalna elektronu:

Atom wodoru. Model klasyczny: nieruchome jądro +p i poruszający się wokół niego elektron e w odległości r; energia potencjalna elektronu: ATOM WODORU Atom wodoru Model klasyczny: nieruchome jądro +p i poruszający się wokół niego elektron e w odległości r; energia potencjalna elektronu: U = 4πε Opis kwantowy: wykorzystując zasadę odpowiedniości

Bardziej szczegółowo

Pobieranie prób i rozkład z próby

Pobieranie prób i rozkład z próby Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.

Bardziej szczegółowo

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH 1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne dla zmiennych numerycznych Porównywanie dwóch średnich Boot-strapping Analiza

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

Różniczkowe prawo Gaussa i co z niego wynika...

Różniczkowe prawo Gaussa i co z niego wynika... Różniczkowe prawo Gaussa i co z niego wynika... Niech ładunek będzie rozłożony w objętości V z ciągłą gęstością ρ(x,y,z). Wytworzone przez ten ładunek pole elektryczne będzie również zmieniać się w przestrzeni

Bardziej szczegółowo

Statystyka. Wydział Zarządzania Uniwersytetu Łódzkiego

Statystyka. Wydział Zarządzania Uniwersytetu Łódzkiego Statystyka Wydział Zarządzania Uniwersytetu Łódzkiego 2017 Podstawowe rozkłady zmiennych losowych Rozkłady zmiennych skokowych Rozkład zero-jedynkowy Rozpatrujemy doświadczenie, którego rezultatem może

Bardziej szczegółowo

1 Metody rozwiązywania równań nieliniowych. Postawienie problemu

1 Metody rozwiązywania równań nieliniowych. Postawienie problemu 1 Metody rozwiązywania równań nieliniowych. Postawienie problemu Dla danej funkcji ciągłej f znaleźć wartości x, dla których f(x) = 0. (1) 2 Przedział izolacji pierwiastka Będziemy zakładać, że równanie

Bardziej szczegółowo

mechanika analityczna 1 nierelatywistyczna L.D.Landau, E.M.Lifszyc Krótki kurs fizyki teoretycznej

mechanika analityczna 1 nierelatywistyczna L.D.Landau, E.M.Lifszyc Krótki kurs fizyki teoretycznej mechanika analityczna 1 nierelatywistyczna L.D.Landau, E.M.Lifszyc Krótki kurs fizyki teoretycznej ver-28.06.07 współrzędne uogólnione punkt materialny... wektor wodzący: prędkość: przyspieszenie: liczba

Bardziej szczegółowo

Oznacza to, że chcemy znaleźć minimum, a właściwie wartość najmniejszą funkcji

Oznacza to, że chcemy znaleźć minimum, a właściwie wartość najmniejszą funkcji Wykład 11. Metoda najmniejszych kwadratów Szukamy zależności Dane są wyniki pomiarów dwóch wielkości x i y: (x 1, y 1 ), (x 2, y 2 ),..., (x n, y n ). Przypuśćmy, że nanieśliśmy je na wykres w układzie

Bardziej szczegółowo

Testowanie hipotez. Marcin Zajenkowski. Marcin Zajenkowski () Testowanie hipotez 1 / 25

Testowanie hipotez. Marcin Zajenkowski. Marcin Zajenkowski () Testowanie hipotez 1 / 25 Testowanie hipotez Marcin Zajenkowski Marcin Zajenkowski () Testowanie hipotez 1 / 25 Testowanie hipotez Aby porównać ze sobą dwie statystyki z próby stosuje się testy istotności. Mówią one o tym czy uzyskane

Bardziej szczegółowo

Weryfikacja hipotez statystycznych za pomocą testów statystycznych

Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej

Bardziej szczegółowo

Rozkłady statystyk z próby

Rozkłady statystyk z próby Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny

Bardziej szczegółowo

Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych

Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie hipotez statystycznych Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom

Bardziej szczegółowo

Zakładamy, że są niezależnymi zmiennymi podlegającymi (dowolnemu) rozkładowi o skończonej wartości oczekiwanej i wariancji.

Zakładamy, że są niezależnymi zmiennymi podlegającymi (dowolnemu) rozkładowi o skończonej wartości oczekiwanej i wariancji. Wnioskowanie_Statystyczne_-_wykład Spis treści 1 Centralne Twierdzenie Graniczne 1.1 Twierdzenie Lindeberga Levy'ego 1.2 Dowód 1.2.1 funkcja tworząca sumy zmiennych niezależnych 1.2.2 pochodna funkcji

Bardziej szczegółowo

WEKTORY I WARTOŚCI WŁASNE MACIERZY. = λ c (*) problem przybliżonego rozwiązania zagadnienia własnego dla operatorów w mechanice kwantowej

WEKTORY I WARTOŚCI WŁASNE MACIERZY. = λ c (*) problem przybliżonego rozwiązania zagadnienia własnego dla operatorów w mechanice kwantowej WEKTORY I WARTOŚCI WŁASNE MACIERZY Ac λ c (*) ( A λi) c nietrywialne rozwiązanie gdy det A λi problem przybliżonego rozwiązania zagadnienia własnego dla operatorów w mechanice kwantowej A - macierzowa

Bardziej szczegółowo

Dokładne i graniczne rozkłady statystyk z próby

Dokładne i graniczne rozkłady statystyk z próby Dokładne i graniczne rozkłady statystyk z próby Przypomnijmy Populacja Próba Wielkość N n Średnia Wariancja Odchylenie standardowe 4.2 Rozkład statystyki Mówimy, że rozkład statystyki (1) jest dokładny,

Bardziej szczegółowo

Statystyka i eksploracja danych

Statystyka i eksploracja danych Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja

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

), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0

), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0 Testowanie hipotez Każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy nazywamy hipotezą statystyczną. Hipoteza określająca jedynie wartości nieznanych parametrów liczbowych badanej cechy

Bardziej szczegółowo

Równanie przewodnictwa cieplnego (II)

Równanie przewodnictwa cieplnego (II) Wykład 5 Równanie przewodnictwa cieplnego (II) 5.1 Metoda Fouriera dla pręta ograniczonego 5.1.1 Pierwsze zagadnienie brzegowe dla pręta ograniczonego Poszukujemy rozwiązania równania przewodnictwa spełniającego

Bardziej szczegółowo

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III. Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej

Bardziej szczegółowo

KINEMATYKA I DYNAMIKA CIAŁA STAŁEGO. dr inż. Janusz Zachwieja wykład opracowany na podstawie literatury

KINEMATYKA I DYNAMIKA CIAŁA STAŁEGO. dr inż. Janusz Zachwieja wykład opracowany na podstawie literatury KINEMATYKA I DYNAMIKA CIAŁA STAŁEGO dr inż. Janusz Zachwieja wykład opracowany na podstawie literatury Funkcje wektorowe Jeśli wektor a jest określony dla parametru t (t należy do przedziału t (, t k )

Bardziej szczegółowo

WYKŁAD 8 ANALIZA REGRESJI

WYKŁAD 8 ANALIZA REGRESJI WYKŁAD 8 ANALIZA REGRESJI Regresja 1. Metoda najmniejszych kwadratów-regresja prostoliniowa 2. Regresja krzywoliniowa 3. Estymacja liniowej funkcji regresji 4. Testy istotności współczynnika regresji liniowej

Bardziej szczegółowo

JEDNOSTKI ATOMOWE =1, m e =1, e=1, ; 1 E 2 h = 4, J. Energia atomu wodoru lub jonu wodoropodobnego w jednostkach atomowych:

JEDNOSTKI ATOMOWE =1, m e =1, e=1, ; 1 E 2 h = 4, J. Energia atomu wodoru lub jonu wodoropodobnego w jednostkach atomowych: do wyk ladu z 1.10.13 Atom wodoru i jon wodoropodobny Ze - ladunek jadra, e - ladunek elektronu, µ - masa zredukowana µ = mem j m e+m j ( µ m e ) M j - masa jadra, m e - masa elektronu, ε 0 - przenikalność

Bardziej szczegółowo

Statystyka i Analiza Danych

Statystyka i Analiza Danych Warsztaty Statystyka i Analiza Danych Gdańsk, 20-22 lutego 2014 Zastosowania analizy wariancji w opracowywaniu wyników badań empirycznych Janusz Wątroba StatSoft Polska Centrum Zastosowań Matematyki -

Bardziej szczegółowo

Ćwiczenie M-2 Pomiar przyśpieszenia ziemskiego za pomocą wahadła rewersyjnego Cel ćwiczenia: II. Przyrządy: III. Literatura: IV. Wstęp. l Rys.

Ćwiczenie M-2 Pomiar przyśpieszenia ziemskiego za pomocą wahadła rewersyjnego Cel ćwiczenia: II. Przyrządy: III. Literatura: IV. Wstęp. l Rys. Ćwiczenie M- Pomiar przyśpieszenia ziemskiego za pomocą wahadła rewersyjnego. Cel ćwiczenia: pomiar przyśpieszenia ziemskiego przy pomocy wahadła fizycznego.. Przyrządy: wahadło rewersyjne, elektroniczny

Bardziej szczegółowo

RÓWNANIA RÓŻNICZKOWE WYKŁAD 4

RÓWNANIA RÓŻNICZKOWE WYKŁAD 4 RÓWNANIA RÓŻNICZKOWE WYKŁAD 4 Obszar określoności równania Jeżeli występująca w równaniu y' f ( x, y) funkcja f jest ciągła, to równanie posiada rozwiązanie. Jeżeli f jest nieokreślona w punkcie (x 0,

Bardziej szczegółowo

Kubatury Gaussa (całka podwójna po trójkącie)

Kubatury Gaussa (całka podwójna po trójkącie) Kubatury Gaussa (całka podwójna po trójkącie) Całka podwójna po trójkącie Dana jest funkcja dwóch zmiennych f (x, y) ciągła i ograniczona w obszarze trójkątnym D. Wierzchołki trójkąta wyznaczają punkty

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

Generatory takie mają niestety okres, po którym sekwencja liczb powtarza się.

Generatory takie mają niestety okres, po którym sekwencja liczb powtarza się. 1 Wstęp Będziemyrozważaćgeneratorytypux n+1 =f(x n,x n 1,...,x n k )(modm). Zakładamy,żeargumentamifunkcjifsąliczbycałkowitezezbioru0,1,...,M 1. Dla ustalenia uwagi mogą to być generatory liniowe typu:

Bardziej szczegółowo

Nieskończona jednowymiarowa studnia potencjału

Nieskończona jednowymiarowa studnia potencjału Nieskończona jednowymiarowa studnia potencjału Zagadnienie dane jest następująco: znaleźć funkcje własne i wartości własne operatora energii dla cząstki umieszczonej w nieskończonej studni potencjału,

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach

Bardziej szczegółowo

Numeryczne rozwiązywanie równań i układów równań

Numeryczne rozwiązywanie równań i układów równań Lekcja Strona z 2 Numeryczne rozwiązywanie równań i układów równań Rozwiązywanie pojedynczego równania - funkcja root Do rozwiązywania jednego równania z jedną niewiadomą służy funkcja root(f(z), z), gdzie:

Bardziej szczegółowo

Przestrzenie wektorowe

Przestrzenie wektorowe Rozdział 4 Przestrzenie wektorowe Rozważania dotyczące przestrzeni wektorowych rozpoczniemy od kilku prostych przykładów. Przykład 4.1. W przestrzeni R 3 = {(x, y, z) : x, y, z R} wprowadzamy dwa działania:

Bardziej szczegółowo

27. RÓWNANIA RÓŻNICZKOWE CZĄSTKOWE

27. RÓWNANIA RÓŻNICZKOWE CZĄSTKOWE 27. RÓWNANIA RÓŻNICZKOWE CZĄSTKOWE 27.1. Wiadomości wstępne Równaniem różniczkowym cząstkowym nazywamy związek w którym występuje funkcja niewiadoma u dwóch lub większej liczby zmiennych niezależnych i

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

Elementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej

Elementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej Elementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

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

5. Ruch harmoniczny i równanie falowe

5. Ruch harmoniczny i równanie falowe 5. Ruch harmoniczny i równanie falowe 5.1. Mamy dwie nieważkie sprężyny o współczynnikach sprężystości, odpowiednio, k 1 i k 2. Wyznaczyć współczynnik sprężystości układu tych dwóch sprężyn w przypadku,

Bardziej szczegółowo

Symulacja Monte Carlo izotermy adsorpcji w układzie. ciało stałe-gaz

Symulacja Monte Carlo izotermy adsorpcji w układzie. ciało stałe-gaz Ćwiczenie nr 2 Symulacja Monte Carlo izotermy adsorpcji w układzie ciało stałe-gaz I. Cel ćwiczenia Celem ćwiczenia jest określenie wpływu parametrów takich jak temperatura, energia oddziaływania cząsteczka-powierzchnia

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

ESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW

ESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW ESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW POPULACJI Szkic wykładu Wprowadzenie 1 Wprowadzenie 2 3 4 Przypomnienie dotychczasowych rozważań Przedziałem ufności nazywamy przedział losowy, o którym przypuszczamy

Bardziej szczegółowo

czyli o szukaniu miejsc zerowych, których nie ma

czyli o szukaniu miejsc zerowych, których nie ma zerowych, których nie ma Instytut Fizyki im. Mariana Smoluchowskiego Centrum Badania Systemów Złożonych im. Marka Kaca Uniwersytet Jagielloński Metoda Metoda dla Warszawa, 9 stycznia 2006 Metoda -Raphsona

Bardziej szczegółowo

ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL. sin x2 (1)

ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL. sin x2 (1) ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL 1. Problem Rozważmy układ dwóch równań z dwiema niewiadomymi (x 1, x 2 ): 1 x1 sin x2 x2 cos x1 (1) Nie jest

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

b) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas:

b) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas: ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. Można założyć, że przy losowaniu trzech kul jednocześnie kolejność ich wylosowania nie jest istotna. A więc: Ω = 20 3. a) Niech: - wśród trzech wylosowanych opakowań

Bardziej szczegółowo

O ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE

O ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE Ryszard Zieliński, IMPAN Warszawa O ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE XXXIX Ogólnopolska Konferencja Zastosowań Matematyki Zakopane-Kościelisko 7-14 września 2010 r Model statystyczny pomiaru: wynik pomiaru

Bardziej szczegółowo

Excel i VBA w analizach i modelowaniu finansowym Pomiar ryzyka. Pomiar ryzyka

Excel i VBA w analizach i modelowaniu finansowym Pomiar ryzyka. Pomiar ryzyka Pomiar ryzyka Miary obiektywne stosowane w kwantyfikacji ryzyka rynkowego towarzyszącego zaangażowaniu środków w inwestycjach finansowych obejmują: Miary zmienności, Miary zagrożenia, Miary wrażliwości.

Bardziej szczegółowo

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie

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

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie: ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość

Bardziej szczegółowo

Wykład z równań różnicowych

Wykład z równań różnicowych Wykład z równań różnicowych 1 Wiadomości wstępne Umówmy się, że na czas tego wykładu zrezygnujemy z oznaczania n-tego wyrazu ciągu symbolem typu x n, y n itp. Zamiast tego pisać będziemy x (n), y (n) itp.

Bardziej szczegółowo

Zadania do wykładu Jakościowa Teoria Równań Różniczkowych Zwyczajnych

Zadania do wykładu Jakościowa Teoria Równań Różniczkowych Zwyczajnych Zadania do wykładu Jakościowa Teoria Równań Różniczkowych Zwyczajnych [ ] e Zadanie 1 Pokazać, że X(t) = 2t cos t sin t e 2t jest specjalną macierzą fundamentalną w sin t cos t [ 2 cos chwili τ = 0 układu

Bardziej szczegółowo

1. Jednoczynnikowa analiza wariancji 2. Porównania szczegółowe

1. Jednoczynnikowa analiza wariancji 2. Porównania szczegółowe Zjazd 7. SGGW, dn. 28.11.10 r. Matematyka i statystyka matematyczna Tematy 1. Jednoczynnikowa analiza wariancji 2. Porównania szczegółowe nna Rajfura 1 Zagadnienia Przykład porównania wielu obiektów w

Bardziej szczegółowo

METODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie

METODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem

Bardziej szczegółowo