e E Z = P = 1 Z e E Kanoniczna suma stanów Prawdopodobieństwo wystąpienia mikrostanu U E = =Z 1 Wartość średnia energii
|
|
- Bożena Orłowska
- 6 lat temu
- Przeglądów:
Transkrypt
1 Metoda Metropolisa
2 Z = e E P = 1 Z e E Kanoniczna suma stanów Prawdopodobieństwo wystąpienia mikrostanu U E = P E =Z 1 E e E Wartość średnia energii
3 Średnia wartość A = d r N A r N exp[ U r N ] d r N exp[ U r N ] U r N = 1 kt Energia oddziaływań Odwrotność temperatury r i r N ={r 1, r 2,..., r N } r i = x, y, z
4 Prawdopodobieństwo mikrostanu Z d r N exp [ U r N ] Z suma stanów P r N = exp[ U rn ] Z
5 Załóżmy, że potrafimy generować punkty zgodnie z rozkładem prawdopodobieństwa P(r N ). Wtedy liczba punktów p i generowanych na jednostkę objętości wokół punktu r N jest równa MP(r N ), gdzie M jest całkowitą ilością wygenerowanych punktów. M A 1 M i=1 p i A r N
6
7 Rozważmy jak generować punkty w przestrzeni konfiguracyjnej z względnym prawdopodobieństwem proporcjonalnym do czynnika Boltzmanna. Przygotowujemy układ w konfiguracji r N, która oznaczamy jako o (old), która ma nieznikający czynnik Boltzmanna. Exp[- U(o)] Następnie generujemy próbną konfigurację r' N, która oznaczamy jako n (new), przez dodanie małego losowego przesunięcia do konfiguracji o. Czynnik Boltzmanna dla tej nowej próbnej konfiguracji wynosi Exp[- U(n)] Teraz musimy zdecydować czy zaakceptować nową konfigurację czy nie. Jest wiele reguł mówiących jak podjąć taką decyzję aby spełniony był wiąz aby średnio prawdopodobieństwo znalezienia układu w konfiguracji n było proporcjonalne do P(n). Wyprowadźmy schemat Metropolisa do otrzymania prawdopodobieństwa przejścia z konfiguracji o do n o n
8 o n musi spełniać pewien oczywisty warunek: jeśli dojdzie się do i równowagowego, ten rozkładu nie zostanie on już zniszczony. W równowadze średnia liczba zaakceptowanych próbnych ruchów, których wynikiem jest opuszczenie stanu o musi być równa liczbie zaakceptowanych ruchów próbnych z wszystkich innych stanów n do stanu o. Można narzucić jeszcze silniejszy warunek; mianowicie w równowadze średnia liczba zaakceptowanych ruchów jest ze stanu o do jakiegokolwiek innego stanu n jest dokładnie skasowana przez liczbę ruchów odwrotnych. Ten warunek równowagi szczegółowej implikuje P o o n =P n n o
9 Macierz przejścia składa się z dwu członów. Pierwszy określa prawdopodobieństwo prawdopodobieństwo przeprowadzenia ruchu próbnego od stanu o do stanu n. o n Następny człon określa sposób w jaki akceptuj się bądź odrzuca nową konfigurację. Prawdopodobieństwo zaakceptowania ruchu próbnego ze stanu o do stanu n oznaczane jest przez. acc o n Stąd otrzymujemy o n = o n acc o n
10 W oryginalnym schemacie Metropolisa jest symetryczną macierzą o n = n o Dla symetrycznego warunek równowagi szczegółowej wygląda następująco: P o acc o n =P n acc n o Stąd otrzymujemy acc o n acc n o = P n =exp{ [U n U o ]} P o
11 Warunki Metropolisa Oczywiście prawdopodobieństwo akceptacji nowej konfiguracji nie może przekraczać 1 acc o n =P n / P o acc o n =1 P n P o P n P o Możliwy jest też inny wybór acc, ale oryginalny wybór Metropolisa et al. wydaje się dawać bardziej efektywne próbkowanie przestrzeni konfiguracyjnej od większości innych strategi, które zostały zaproponowane.
12 Podsumowanie W schemacie Metropolisa prawdopodobieństwo przejścia od stanu o do stanu n dane jest przez o n = o n o n = o n P n /P o P n P o P n P o o o =1 n o o n Nadal pozostaje zdefiniowanie macierzy, ale wiemy, że macierz musi być symetryczna
13 Należy jeszcze zdefiniować jak zdecydować czy próbny ruch ma być zaakceptowany czy odrzucony. Załóżmy, że wygenerowaliśmy próbny ruch ze stanu o do stan n z U(n) > U(o). Ten ruch próbny powinien być zaakceptowany z prawdopodobieństwem acc o n =exp { [U n U o ]} 0 Aby zdecydować czy zaakceptować czy odrzucić ten ruch próbny, generuje się liczbę losową z rozkładu jednorodnego w przedziale [0,1]. Oznaczmy tę liczbę przez. Prawdopodobieństwo tego, żeliczba losowa jest mniejsza od acc(o -> n) jest równe acc(o -> n). Dlatego akceptujemy ruch próbny jeśli < acc(o -> n) a odrzucamy w przeciwnym razie. Ta reguła gwarantuje, że prawdopodobieństwo akceptacji ruchu próbnego z konfiguracji o do n jest rzeczywiście równe acc(o - > n). Bardzo ważna jest jakość generatora liczb losowych, aby generowane liczby losowe były rzeczywiście jednorodnie rozłożone w przedziale [0,1]. W przeciwnym wypadku próbkowanie Monte Carlo będzie wypaczone.
14 Procedura Monte Carlo Stwarzamy konfigurację początkową Wprowadzamy zaburzenie tej konfiguracji Sprawdzamy czy można zaakceptować nową konfigurację zgodnie z odpowiednim prawdopodobieństwem Jeśli nowa konfiguracja nie jest zaakceptowana wtedy stara konfiguracja jest liczona jako nowa Wprowadzamy zaburzenie nowej konfiguracji
15 Układ w kontakcie z termostatem T Otoczenie N,V Układ T temperatura N liczba cząsteczek V - objętość Współrzędne cząsteczek x(i),y(i)
16 E 1 E 2 =E 3 = E 4 E 5 E 6 E = i=1 E i
17 Wybór cząsteczki do przesunięcia N ilość cząsteczek Losujemy indeks cząsteczki, która będzie przesuwana i i=[ N ] 1 Podłoga (część całkowita, cecha, entier) liczby rzeczywistej x, oznaczana, [x], Ent(x) lub E(x) to największa liczba całkowita nie większa od x. Symbolicznie: x =max {k, k Z: k x }
18 Wybór cząsteczki do przesunięcia i = IDINT( DBLE( N ) * RAN(dummy)) + 1 FORTRAN Funkcja INT(A) jeśli A < 1 wtedy INT(A) = 0 w przeciwnym razie INT(A) jest liczbą całkowitą, której wartość jest największą liczbą całkowitą, która nie przekracza wartości A i której znak jest taki sam jak znak A Podstawiamy współrzędne wylosowanej cząsteczki x old =x i y old = y i
19 Przesunięcie y x new =x old d max y new = y old d max y new y old x x old xnew x old, y old x new, y new
20 Przesunięcie 2d max P x new =x old 2 1 d max ξ - zmienna losowa d max maksymalne przesunięcie Wydajność symulacji zależy od wartości d max. Wartość d max jest dobierana eksperymentalnie. 0 1
21 Wartość maksymalnego przesunięcie d max dobiera się metodą prób i błędów, tak aby prawdopodobieństwo akceptacji nowych konfiguracji wynosiło 50%
22 Periodyczne warunki brzegowe Układ Repliki Układ jest otoczony przez repliki tego układu Aby badać fazy objętościowe układ jest otoczony swoimi replikami, dzięki czemu można założyć, że układ składający się z N cząsteczek jest otoczony przez nieskończoną liczbę cząsteczek.
23 Jeśli cząsteczka opuściła granice pudła symulacyjnego stosujemy periodyczne warunki brzegowe. IF (x new.lt. 0.0) THEN x new = x new + L ELSEIF( x new.gt.l) THEN x new = x new - L ENDIF FORTRAN IF (y new.lt. 0.0) THEN y new = y new + L ELSEIF( y new.gt. L) THEN y new = y new - L ENDIF L długość boku pudła symulacyjnego (x new,y new ) współrzędne przesuniętego punktu
24 Sprawdzamy czy cząsteczka pokrywa się z innymi DO j = 1, i-1 xd = x new - x(j) yd = y new - y(j) INCLUDE 'MI.inc' IF ( r 2.LT. 2 ) GO TO 8870 ENDDO DO j = i+1, N xd = x new - x(j) yd = y new - y(j) INCLUDE 'MI.inc' IF ( r 2.LT. 2 ) GO TO 8870 ENDDO IF ( xd.gt. L/2.) THEN xd = xd - L ELSEIF ( xd.lt. - L/2. ) THEN xd = xd + L ENDIF IF ( yd.gt. L/2. ) THEN yd = yd - L ELSEIF ( yd.lt. -L/2. ) THEN yd = yd + L ENDIF r 2 MI.inc = xd*xd + yd*yd Minimum image convention
25 1. Przesuwamy cząsteczkę 2. Stosujemy periodyczne warunki brzegowe 3. Sprawdzamy czy cząsteczka nie pokrywa się z innymi cząsteczkami Cząsteczka po przesunięciu pokrywa się z inną cząsteczką w pudle symulacyjnym
26 1. Przesuwamy cząsteczkę 2. Stosujemy periodyczne warunki brzegowe 3. Sprawdzamy czy cząsteczka nie pokrywa się z innymi cząsteczkami Cząsteczka po przesunięciu nie pokrywa się z żadną cząsteczką w pudle symulacyjnym, ale...
27 ... ale pokrywa się z obrazem jednej z cząsteczek.
28 Minimalny obraz Centrum pudła symulacyjnego ustawia się w miejscu, w którym znajduje się wybrana cząsteczka. Oblicza się oddziaływania wybranej cząsteczki z cząsteczkami znajdującymi się w pudle symulacyjnym oraz w obrazach pudła symulacyjnego.
29 Potencjał twardych kul U r ={ 0, r, r Twarde dyski (kule) r odległość między kulami U - energia
30 Potencjał Lenard-Jonesa Energia u r 12 =4 [ r r 12 6] ε σ Odległość
31
32 Schemat Metropolisa acc o n =min {1,e U new U old } Płyn Lenard-Jonesa acc o n ={ 1, 0, Płyn twardych kul U old energia przed zaburzeniem układu U new energia po zaburzeniu układu β odwrotność temperatury
Radialna funkcja korelacji g(r)
Radialna funkcja korelacji g(r) r1 Określa prawdopodobieństwo znalezienia innej cząsteczki w odległości r= r1-r od cząsteczki znajdującej się w punkcie r1 Definicja g(r) Aby zdefiniować g(r) całkuje się
Bardziej szczegółowoProgram 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 szczegółowoOgólny schemat postępowania
Ogólny schemat postępowania 1. Należy zdecydować, który rozkład prawdopodobieństwa chcemy badać. Rozkład oznaczamy przez P; zależy od zespołu statystycznego. 2. Narzucamy warunek równowagi szczegółowej,
Bardziej szczegółowoZespół 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 szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowoWeryfikacja 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 szczegółowoCo to jest model Isinga?
Co to jest model Isinga? Fakty eksperymentalne W pewnych metalach (np. Fe, Ni) następuje spontaniczne ustawianie się spinów wzdłuż pewnego kierunku, powodując powstanie makroskopowego pola magnetycznego.
Bardziej szczegółowoWażne rozkłady i twierdzenia
Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne
Bardziej szczegółowoS ścianki naczynia w jednostce czasu przekazywany
FIZYKA STATYSTYCZNA W ramach fizyki statystycznej przyjmuje się, że każde ciało składa się z dużej liczby bardzo małych cząstek, nazywanych cząsteczkami. Cząsteczki te znajdują się w ciągłym chaotycznym
Bardziej szczegółowoSymulacja 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 szczegółowoSymulacja w przedsiębiorstwie
Symulacja w przedsiębiorstwie Generowanie liczb losowych Cel Celem laboratorium jest zapoznanie się z funkcjami generowania liczb pseudolosowych w środowisku Ms Excel. Funkcje te są podstawą modeli symulacyjnych
Bardziej szczegółowoKwantyle. Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p. , że. Możemy go obliczyć z dystrybuanty: P(X x p.
Kwantyle Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p, że P(X x p ) p P(X x p ) 1 p Możemy go obliczyć z dystrybuanty: Jeżeli F(x p ) = p, to x p jest kwantylem rzędu p Jeżeli F(x p )
Bardziej szczegółowoWYKŁAD 6 KINEMATYKA PRZEPŁYWÓW CZĘŚĆ 2 1/11
WYKŁAD 6 KINEMATYKA PRZEPŁYWÓW CZĘŚĆ 1/11 DEFORMACJA OŚRODKA CIĄGŁEGO Rozważmy dwa elementy płynu położone w pewnej chwili w bliskich sobie punktach A i B. Jak zmienia się ich względne położenie w krótkim
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 11 Łańcuchy Markova
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu
Bardziej szczegółowoMetoda Monte Carlo. Jerzy Mycielski. grudzien Jerzy Mycielski () Metoda Monte Carlo grudzien / 10
Metoda Monte Carlo Jerzy Mycielski grudzien 2012 Jerzy Mycielski () Metoda Monte Carlo grudzien 2012 1 / 10 Przybliżanie całek Powiedzmy, że mamy do policzenia następującą całkę: b f (x) dx = I a Założmy,
Bardziej szczegółowoRównoległe symulacje Monte Carlo na współdzielonej sieci
Równoległe symulacje Monte Carlo na współdzielonej sieci Szymon Murawski, Grzegorz Musiał, Grzegorz Pawłowski Wydział Fizyki, Uniwersytet im. Adama Mickiewicza 12 maja 2015 S. Murawski, G. Musiał, G. Pawłowski
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobieństwo i statystyka 9.06.999 r. Zadanie. Rzucamy pięcioma kośćmi do gry. Następnie rzucamy ponownie tymi kośćmi, na których nie wypadły szóstki. W trzeciej rundzie rzucamy tymi kośćmi, na których
Bardziej szczegółowodla t ściślejsze ograniczenie na prawdopodobieństwo otrzymujemy przyjmując k = 1, zaś dla t > t ściślejsze ograniczenie otrzymujemy przyjmując k = 2.
Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej μ, wariancji momencie centralnym μ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X μ k Pr > μ + t σ ) 0. k k t σ *
Bardziej szczegółowoOptymalizacja. Symulowane wyżarzanie
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Maciej Hapke Wyżarzanie wzrost temperatury gorącej kąpieli do takiej wartości, w której ciało stałe topnieje powolne
Bardziej szczegółowoJanusz Adamowski METODY OBLICZENIOWE FIZYKI Kwantowa wariacyjna metoda Monte Carlo. Problem własny dla stanu podstawowego układu N cząstek
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdział 20 KWANTOWE METODY MONTE CARLO 20.1 Kwantowa wariacyjna metoda Monte Carlo Problem własny dla stanu podstawowego układu N cząstek (H E 0 )ψ 0 (r)
Bardziej szczegółowoĆwiczenia: Ukryte procesy Markowa lista 1 kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II
Ćwiczenia: Ukryte procesy Markowa lista kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II dr Jarosław Kotowicz Zadanie. Dany jest łańcuch Markowa, który może przyjmować wartości,,...,
Bardziej szczegółowoMetody 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 szczegółowoPrawdopodobieństwo 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 szczegółowoKomputerowa 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 szczegółowoWykład 8 i 9. Hipoteza ergodyczna, rozkład mikrokanoniczny, wzór Boltzmanna
Wykład 8 i 9 Hipoteza ergodyczna, rozkład mikrokanoniczny, wzór Boltzmanna dr hab. Agata Fronczak, prof. PW Wydział Fizyki, Politechnika Warszawska 1 stycznia 2017 dr hab. A. Fronczak (Wydział Fizyki PW)
Bardziej szczegółowoWstęp 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 szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze
Bardziej szczegółowoTeoretyczne podstawy informatyki
Teoretyczne podstawy informatyki Wykład 12a: Prawdopodobieństwo i algorytmy probabilistyczne http://hibiscus.if.uj.edu.pl/~erichter/dydaktyka2010/tpi-2010 Prof. dr hab. Elżbieta Richter-Wąs 1 Teoria prawdopodobieństwa
Bardziej szczegółowoAlgorytm Metropolisa-Hastingsa
Seminarium szkoleniowe, 25 kwietnia 2006 Plan prezentacji 1 Problem Metoda MCMC 2 Niezależny algorytm Metropolisa-Hastingsa Bła dzenie losowe Zbieżność procedury Metropolisa-Hastingsa Problem Metoda MCMC
Bardziej szczegółowoP (A B) = P (A), P (B) = P (A), skąd P (A B) = P (A) P (B). P (A)
Wykład 3 Niezależność zdarzeń, schemat Bernoulliego Kiedy dwa zdarzenia są niezależne? Gdy wiedza o tym, czy B zaszło, czy nie, NIE MA WPŁYWU na oszacowanie prawdopodobieństwa zdarzenia A: P (A B) = P
Bardziej szczegółowoZagadnienia na egzamin poprawkowy z matematyki - klasa I 1. Liczby rzeczywiste
Zagadnienia na egzamin poprawkowy z matematyki - klasa I 1. Liczby rzeczywiste Liczby naturalne Liczby całkowite. Liczby wymierne Liczby niewymierne Rozwinięcie dziesiętne liczby rzeczywistej Pierwiastek
Bardziej szczegółowoStatystyka podstawowe wzory i definicje
1 Statystyka podstawowe wzory i definicje Średnia arytmetyczna to suma wszystkich liczb (a 1, a 2,, a n) podzielona przez ich ilość (n) Przykład 1 Dany jest zbiór liczb {6, 8, 11, 2, 5, 3}. Oblicz średnią
Bardziej szczegółowoELEMENTY I OPERACJE SYMETRII Symbol Element symetrii Operacja symetrii
ELEMENTY I OPERACJE SYMETRII Symbol Element symetrii Operacja symetrii C n oś symetrii n-krotna (oś główna - oś o obrót wokół osi symetrii o kąt równy 360 0 /n najwyższej krotności) σ płaszczyzna symetrii
Bardziej szczegółowoPRÓBNY EGZAMIN MATURALNY
PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI ZESTAW PRZYGOTOWANY PRZEZ SERWIS WWW.ZADANIA.INFO POZIOM PODSTAWOWY 8 MARCA 2014 CZAS PRACY: 170 MINUT 1 Zadania zamknięte ZADANIE 1 (1 PKT) ( Liczba 9 3 6 4 27) jest
Bardziej szczegółowoN ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach:
Zadanie. O niezależnych zmiennych losowych N, M M, M 2, 3 wiemy, że: N ma rozkład Poissona z wartością oczekiwaną równą 00 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach: 2, 3 Pr( M = )
Bardziej szczegółowoAgata Boratyńska Statystyka aktuarialna... 1
Agata Boratyńska Statystyka aktuarialna... 1 ZADANIA NA ĆWICZENIA Z TEORII WIAROGODNOŚCI Zad. 1. Niech X 1, X 2,..., X n będą niezależnymi zmiennymi losowymi z rozkładu wykładniczego o wartości oczekiwanej
Bardziej szczegółowoWażne 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 szczegółowoElektrostatyka ŁADUNEK. Ładunek elektryczny. Dr PPotera wyklady fizyka dosw st podypl. n p. Cząstka α
Elektrostatyka ŁADUNEK elektron: -e = -1.610-19 C proton: e = 1.610-19 C neutron: 0 C n p p n Cząstka α Ładunek elektryczny Ładunek jest skwantowany: Jednostką ładunku elektrycznego w układzie SI jest
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoAlgorytmy zrandomizowane
Algorytmy zrandomizowane http://zajecia.jakubw.pl/nai ALGORYTMY ZRANDOMIZOWANE Algorytmy, których działanie uzależnione jest od czynników losowych. Algorytmy typu Monte Carlo: dają (po pewnym czasie) wynik
Bardziej szczegółowoRozkłady wielu zmiennych
Rozkłady wielu zmiennych Uogólnienie pojęć na rozkład wielu zmiennych Dystrybuanta, gęstość prawdopodobieństwa, rozkład brzegowy, wartości średnie i odchylenia standardowe, momenty Notacja macierzowa Macierz
Bardziej szczegółowozadania 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 szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoElementy wspo łczesnej teorii inwersji
Elementy wspo łczesnej teorii inwersji Metoda optymalizacyjna (2) W. Debski, 8.01.2015 Liniowy problem odwrotny m est (λ) = m apr + (G T G + λi) 1 G T ( dobs G m apr) +δ d est d o = + λ I ( G T G + λi
Bardziej szczegółowoAlgorytmy MCMC i ich zastosowania statystyczne
Algorytmy MCMC i ich zastosowania statystyczne Wojciech Niemiro Uniwersytet Mikołaja Kopernika, Toruń i Uniwersytet Warszawski Statystyka Matematyczna Wisła, grudzień 2010 Wykład 2 1 Podstawowe idee symulacji
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych..00 r. Zadanie. Proces szkód w pewnym ubezpieczeniu jest złożonym procesem Poissona z oczekiwaną liczbą szkód w ciągu roku równą λ i rozkładem wartości szkody o dystrybuancie
Bardziej szczegółowoWykład FIZYKA I. 15. Termodynamika statystyczna. Dr hab. inż. Władysław Artur Woźniak
Wykład FIZYKA I 15. Termodynamika statystyczna Dr hab. inż. Władysław Artur Woźniak Instytut Fizyki Politechniki Wrocławskiej http://www.if.pwr.wroc.pl/~wozniak/fizyka1.html TERMODYNAMIKA KLASYCZNA I TEORIA
Bardziej szczegółowoRekurencje. Jeśli algorytm zawiera wywołanie samego siebie, jego czas działania moŝe być określony rekurencją. Przykład: sortowanie przez scalanie:
Rekurencje Jeśli algorytm zawiera wywołanie samego siebie, jego czas działania moŝe być określony rekurencją. Przykład: sortowanie przez scalanie: T(n) = Θ(1) (dla n = 1) T(n) = 2 T(n/2) + Θ(n) (dla n
Bardziej szczegółowoPrawdopodobieństwo geometryczne
Prawdopodobieństwo geometryczne Krzysztof Jasiński Wydział Matematyki i Informatyki UMK, Toruń V Lieceum Ogólnokształące im. Jana Pawała II w Toruniu 13.03.2014 Krzysztof Jasiński (WMiI UMK) Prawdopodobieństwo
Bardziej szczegółowoMikroekonometria 6. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 6 Mikołaj Czajkowski Wiktor Budziński Metody symulacyjne Monte Carlo Metoda Monte-Carlo Wykorzystanie mocy obliczeniowej komputerów, aby poznać charakterystyki zmiennych losowych poprzez
Bardziej szczegółowoPodstawy OpenCL część 2
Podstawy OpenCL część 2 1. Napisz program dokonujący mnożenia dwóch macierzy w wersji sekwencyjnej oraz OpenCL. Porównaj czasy działania obu wersji dla różnych wielkości macierzy, np. 16 16, 128 128, 1024
Bardziej szczegółowoFIZYKA STATYSTYCZNA. d dp. jest sumaryczną zmianą pędu cząsteczek zachodzącą na powierzchni S w
FIZYKA STATYSTYCZNA W ramach fizyki statystycznej przyjmuje się, że każde ciało składa się z dużej liczby bardzo małych cząstek, nazywanych cząsteczkami. Cząsteczki te znajdują się w ciągłym chaotycznym
Bardziej szczegółowoLista 6. Kamil Matuszewski 13 kwietnia D n =
Lista 6 Kamil Matuszewski 3 kwietnia 6 3 4 5 6 7 8 9 Zadanie Mamy Pokaż, że det(d n ) = n.... D n =.... Dowód. Okej. Dla n =, n = trywialne. Załóżmy, że dla n jest ok, sprawdzę dla n. Aby to zrobić skorzystam
Bardziej szczegółowoPrawdopodobieństwo
Prawdopodobieństwo http://www.matemaks.pl/ Wstęp do rachunku prawdopodobieństwa http://www.matemaks.pl/wstep-do-rachunku-prawdopodobienstwa.html Rachunek prawdopodobieństwa pomaga obliczyć szansę zaistnienia
Bardziej szczegółowoParametr Λ w populacji ubezpieczonych ma rozkład dany na półosi dodatniej gęstością: 3 f
Zadanie. W kolejnych latach t =,,,... ubezpieczony charakteryzujący się parametrem ryzyka Λ generuje N t szkód. Dla danego Λ = λ zmienne N, N, N,... są warunkowo niezależne i mają (brzegowe) rozkłady Poissona:
Bardziej szczegółowoStatystyka w przykładach
w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 3..007 r. Zadanie. Każde z ryzyk pochodzących z pewnej populacji charakteryzuje się tym że przy danej wartości λ parametru ryzyka Λ rozkład wartości szkód z tego ryzyka
Bardziej szczegółowoWykład 9: Markov Chain Monte Carlo
RAP 412 17.12.2008 Wykład 9: Markov Chain Monte Carlo Wykładowca: Andrzej Ruciński Pisarz: Ewelina Rychlińska i Wojciech Wawrzyniak Wstęp W tej części wykładu zajmiemy się zastosowaniami łańcuchów Markowa
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Symulowane wyżarzanie Maciej Hapke maciej.hapke at put.poznan.pl Wyżarzanie wzrost temperatury gorącej kąpieli do takiej wartości, w której ciało stałe topnieje powolne zmniejszanie
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 4 6.03.08 dr inż. Łukasz Graczykowski lukasz.graczykowski@pw.edu.pl Semestr letni 07/08 Zamiana zmiennych Transformacje liniowe Propagacja niepewności
Bardziej szczegółowoMatematyka dyskretna - wykład - część Podstawowe algorytmy kombinatoryczne
A. Permutacja losowa Matematyka dyskretna - wykład - część 2 9. Podstawowe algorytmy kombinatoryczne Załóżmy, że mamy tablice p złożoną z n liczb (ponumerowanych od 0 do n 1). Aby wygenerować losową permutację
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 4.04.0 r. Zadanie. Przy danej wartości λ parametru ryzyka Λ liczby szkód generowane przez ubezpieczającego się w kolejnych latach to niezależne zmienne losowe o rozkładzie
Bardziej szczegółowoLiczby rzeczywiste, wyrażenia algebraiczne, równania i nierówności, statystyka, prawdopodobieństwo.
Liczby rzeczywiste, wyrażenia algebraiczne, równania i nierówności, statystyka, prawdopodobieństwo. Zagadnienia szczegółowe: obliczanie wartości wyrażeń arytmetycznych; działania na pierwiastkach i potęgach;
Bardziej szczegółowoStanisław Lamperski. Symulacje komputerowe w chemii
Stanisław Lamperski Symulacje komputerowe w chemii Wydział Chemii Uniwersytetu im. A. Mickiewicza Poznań 2006 SYMULACJE KOMPUTEROWE W CHEMII Stanisław Lamperski Wydział Chemii Uniwersytetu im. A. Mickiewicz
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowoWykład 5 Widmo rotacyjne dwuatomowego rotatora sztywnego
Wykład 5 Widmo rotacyjne dwuatomowego rotatora sztywnego W5. Energia molekuł Przemieszczanie się całych molekuł w przestrzeni - Ruch translacyjny - Odbywa się w fazie gazowej i ciekłej, w fazie stałej
Bardziej szczegółowoWykład 3 Zjawiska transportu Dyfuzja w gazie, przewodnictwo cieplne, lepkość gazu, przewodnictwo elektryczne
Wykład 3 Zjawiska transportu Dyfuzja w gazie, przewodnictwo cieplne, lepkość gazu, przewodnictwo elektryczne W3. Zjawiska transportu Zjawiska transportu zachodzą gdy układ dąży do stanu równowagi. W zjawiskach
Bardziej szczegółowoSymulacja układu sztywnych kul
Symulacja układu sztywnych kul Dawid Toton 5 listopada 4 Streszczenie Opisano program symulujący układ sztywnych kul zderzających się doskonale sprężyście, wykonujących ruch postępowy. Zaprezentowany jest
Bardziej szczegółowoZadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =
Matematyka ubezpieczeń majątkowych 0.0.006 r. Zadanie. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k 5 Pr( N = k) =, k = 0,,,... 6 6 Wartości kolejnych szkód Y, Y,, są i.i.d.,
Bardziej szczegółowoMETODY BADAŃ NA ZWIERZĘTACH ze STATYSTYKĄ wykład 3-4. Parametry i wybrane rozkłady zmiennych losowych
METODY BADAŃ NA ZWIERZĘTACH ze STATYSTYKĄ wykład - Parametry i wybrane rozkłady zmiennych losowych Parametry zmiennej losowej EX wartość oczekiwana D X wariancja DX odchylenie standardowe inne, np. kwantyle,
Bardziej szczegółowoWstęp do Rachunku Prawdopodobieństwa, IIr. WMS
Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS przykładowe zadania na. kolokwium czerwca 6r. Poniżej podany jest przykładowy zestaw zadań. Podczas kolokwium na ich rozwiązanie przeznaczone będzie ok. 85
Bardziej szczegółowoVII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa.
VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. W rozdziale tym zajmiemy się dokładniej badaniem stabilności rozwiązań równania różniczkowego. Pojęcie stabilności w
Bardziej szczegółowoNa A (n) rozważamy rozkład P (n) , który na zbiorach postaci A 1... A n określa się jako P (n) (X n, A (n), P (n)
MODELE STATYSTYCZNE Punktem wyjścia w rozumowaniu statystycznym jest zmienna losowa (cecha) X i jej obserwacje opisujące wyniki doświadczeń bądź pomiarów. Zbiór wartości zmiennej losowej X (zbiór wartości
Bardziej szczegółowoPRÓBNY EGZAMIN MATURALNY
PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI ZESTAW NR 162005 WYGENEROWANY AUTOMATYCZNIE W SERWISIE WWW.ZADANIA.INFO POZIOM PODSTAWOWY CZAS PRACY: 170 MINUT 1 Zadania zamknięte ZADANIE 1 (1 PKT) Na rysunku przedstawiono
Bardziej szczegółowoD. Miszczyńska, M.Miszczyński KBO UŁ 1 GRY KONFLIKTOWE GRY 2-OSOBOWE O SUMIE WYPŁAT ZERO
D. Miszczyńska, M.Miszczyński KBO UŁ GRY KONFLIKTOWE GRY 2-OSOBOWE O SUMIE WYPŁAT ZERO Gra w sensie niżej przedstawionym to zasady którymi kierują się decydenci. Zakładamy, że rezultatem gry jest wypłata,
Bardziej szczegółowoMODELOWANIE RZECZYWISTOŚCI
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN d.wojcik@nencki.gov.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/ Podręcznik Iwo Białynicki-Birula Iwona
Bardziej szczegółowoMATeMAtyka zakres podstawowy
MATeMAtyka zakres podstawowy Proponowany rozkład materiału kl. I (100 h) 1. Liczby rzeczywiste 15 1. Liczby naturalne 1 2. Liczby całkowite. Liczby wymierne 1 1.1, 1.2 3. Liczby niewymierne 1 1.3 4. Rozwinięcie
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoZAKRES PODSTAWOWY. Proponowany rozkład materiału kl. I (100 h)
ZAKRES PODSTAWOWY Proponowany rozkład materiału kl. I (00 h). Liczby rzeczywiste. Liczby naturalne. Liczby całkowite. Liczby wymierne. Liczby niewymierne 4. Rozwinięcie dziesiętne liczby rzeczywistej 5.
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowoPRÓBNY EGZAMIN MATURALNY
PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI ZESTAW NR 196324 WYGENEROWANY AUTOMATYCZNIE W SERWISIE WWW.ZADANIA.INFO POZIOM PODSTAWOWY CZAS PRACY: 170 MINUT 1 Zadania zamknięte ZADANIE 1 (1 PKT) Rozwiazaniem
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 5 dr inż. Anna Skowrońska-Szmer zima 2017/2018 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją
Bardziej szczegółowoWersja testu A 18 czerwca 2012 r. x 2 +x dx
1. Funkcja f : R R jest różniczkowalna na całej prostej, a ponadto dla każdej liczby rzeczywistej x zachodzi nierówność f x
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 4 8.03.06 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr letni 05/06 Zamiana zmiennych Transformacje liniowe Propagacja niepewności Metody Monte
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Zadanie. W pewnej populacji kierowców każdego jej członka charakteryzują trzy zmienne: K liczba przejeżdżanych kilometrów (w tysiącach rocznie) NP liczba szkód w ciągu roku, w których kierowca jest stroną
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.medexp3.dta przygotuj model regresji kwantylowej 1. Przygotuj model regresji kwantylowej w którym logarytm wydatków
Bardziej szczegółowoPropozycja szczegółowego rozkładu materiału dla 4-letniego technikum, zakres podstawowy i rozszerzony. Klasa I (90 h)
Propozycja szczegółowego rozkładu materiału dla 4-letniego technikum, zakres podstawowy i rozszerzony (według podręczników z serii MATeMAtyka) Klasa I (90 h) Temat Liczba godzin 1. Liczby rzeczywiste 15
Bardziej szczegółowoRozkład materiału KLASA I
I. Liczby (20 godz.) Rozkład materiału Wg podręczników serii Prosto do matury. Zakres podstawowy KLASA I 1. Zapis dziesiętny liczby rzeczywistej 1 1.1 2. Wzory skróconego mnoŝenia 3 2.1 3. Nierówności
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoPRÓBNY EGZAMIN MATURALNY
PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI ZESTAW NR 64130 WYGENEROWANY AUTOMATYCZNIE W SERWISIE WWW.ZADANIA.INFO POZIOM ROZSZERZONY CZAS PRACY: 180 MINUT 1 Zadania zamknięte ZADANIE 1 (1 PKT) Wielomian P(x)
Bardziej szczegółowoPodstawy nauk przyrodniczych Matematyka
Podstawy nauk przyrodniczych Matematyka Elementy rachunku prawdopodobieństwa dr inż. Małgorzata Szeląg Zakład Genetyki Molekularnej Człowieka tel. 61 829 59 04 malgorzata.szelag@amu.edu.pl Pokój 1.118
Bardziej szczegółowoPropozycja szczegółowego rozkładu materiału dla 4-letniego technikum, zakres podstawowy. Klasa I (60 h)
Propozycja szczegółowego rozkładu materiału dla 4-letniego technikum, zakres podstawowy (według podręczników z serii MATeMAtyka) Temat Klasa I (60 h) Liczba godzin 1. Liczby rzeczywiste 15 1. Liczby naturalne
Bardziej szczegółowoObliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 03 (uzupełnienie Wykładu 02) Jarosław Miszczak IITiS PAN Gliwice 31/03/2016 1 / 17 1 2 / 17 Dynamika populacji Równania Lotki-Voltery opisują model drapieżnik-ofiara.
Bardziej szczegółowoKURS WSPOMAGAJĄCY PRZYGOTOWANIA DO MATURY Z MATEMATYKI ZDAJ MATMĘ NA MAKSA. przyjmuje wartości większe od funkcji dokładnie w przedziale
Zestaw nr 1 Poziom Rozszerzony Zad.1. (1p) Liczby oraz, są jednocześnie ujemne wtedy i tylko wtedy, gdy A. B. C. D. Zad.2. (1p) Funkcja przyjmuje wartości większe od funkcji dokładnie w przedziale. Wtedy
Bardziej szczegółowoRozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład
Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem
Bardziej szczegółowoPRÓBNY EGZAMIN MATURALNY
PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI ZESTAW NR 49988 WYGENEROWANY AUTOMATYCZNIE W SERWISIE WWW.ZADANIA.INFO POZIOM PODSTAWOWY CZAS PRACY: 70 MINUT Zadania zamknięte ZADANIE ( PKT) Odległość punktu A =
Bardziej szczegółowoMetody Statystyczne. Metody Statystyczne.
gkrol@wz.uw.edu.pl #4 1 Sprawdzian! 5 listopada (ok. 45-60 minut): - Skale pomiarowe - Zmienne ciągłe i dyskretne - Rozkład teoretyczny i empiryczny - Miary tendencji centralnej i rozproszenia - Standaryzacja
Bardziej szczegółowo