Modelowanie Agentowe Układów Złożonych Wstęp. Katarzyna Sznajd-Weron
|
|
- Jadwiga Żurawska
- 6 lat temu
- Przeglądów:
Transkrypt
1 Modelowanie Agentowe Układów Złożonych Wstęp Katarzyna Sznajd-Weron
2 Aperitif (2006) Physicists pretend not only to know everything, but also to know everything better. This applies in particular to computational statistical physicists like US. D. Stauffer, doktorat honoris causa Uniwersytet de Liege,
3 Po co tu jesteśmy? Maciek Bieniek żeby napisać kilka prac A po co Ty tu jesteś? Wiem co odpowie kilka osób Jakie mamy możliwości: Praca naukowa zakończona publikacją (grupy 2-4) Wizualizacja modelu (w NetLogo) Jakieś inne pomysły?
4 Co to jest model agentowy? Model mikroskopowy Bottom up Agenci (jednostki) Ludzie, zwierzęta, rośliny, cząstki, Organizacje, społeczności, populacje, gatunki, Jednego typu lub więcej (np. ludzie i organizacje) Każdy agent ma pewne cechy Oddziaływania Środowisko (przestrzeń)
5 Kiedy się pojawiły? Do 2002 ludzie nie zajmowali się na poważnie ABM Dlaczego? A. Borshchev, AnyLogic Od 19 lat w naukach społecznych wg. F. Squazzoni, History of Economic Ideas, xviii/2010/2 Wg. Web of Science Źródło: M. Niazi, A. Hussain, Agent-based computing from multi-agent systems to agent-based models: a visual survey, Scientometrics (2011) 89:
6 Co to jest układ złożony? Składa się z wielu elementów oddziałujących ze sobą Nieliniowe oddziaływanie : Całość to coś więcej niż suma jego części Typowe: Emergencja Samoorganizacja Brak równowagi Sprzężenia zwrotne Prawa potęgowe Budowla termitów Płatki śniegu
7 More Is Different 1977 nagroda Nobla z fizyki prace nad nieuporządkowanymi układami magnetycznymi P. W. Anderson, More Is Different, Science, New Series 177 (Aug. 4, 1972), pp Przejścia fazowe więcej to coś innego!!! Teoria wielkiego wybuchu (cząstki elementarne, kosmologia) Zastosowania interdyscyplinarne: ewolucja biologiczna, genetyka, lingwistyka, epidemiologia,
8 Przykład: Segregacja rasowa
9 Przykład: Model Schellinga (1971) Agenci mogą być tylko dwóch typów i początkowo rozmieszczeni są losowo na sieci Agent jest nieszczęśliwy jeżeli ma w otoczeniu zbyt wielu obcych (>T) W każdym kroku symulacji jeden nieszczęśliwy, losowo wybrany agent jest przesuwany do losowo wybranej wolnej komórki w sąsiedztwie Schelling, T.C. Dynamic Models of Segregation, Journal of Math. Sociology 1: (1971)
10 Przykład: Model Schellinga (1971) Czego się spodziewacie? Zajrzyjcie na Models Library: Social Science: Segregation
11 Jaka nauka płynie z tego modelu? Model segregacji ze względu na pewną cechę (rasa, płeć, wiek, styl życia, pozycja, zamożność) Nikt nie preferuje ścisłej segregacji Ostra segregacja mimo łagodnych preferencji Mikro motywy i makro zachowanie
12 Przejście pomiędzy mikro a makro Marcin Weron
13 Temperatura Curie ciągłe przejście fazowe magnes ferromagnetyk Przejście fazowe Katarzyna Sznajd-Weron Ferromagnetyk T T c Paramagnetyk T > T c Jak to zrozumieć?
14 Model Isinga (Lenza-Isinga?) 1925 rozprawa doktorska Ernsta Isinga Brak przejścia fazowego w 1D Jedyna praca Isinga Przejście fazowe w 2D (lata czterdzieste) Skala mikro tłumaczy zachowania makro H = J L <i,j> L S i S j 1D H = J i=1 S i S i+1
15 Skąd taki Hamiltonian? Każdy układ dąży do minimalizacji energii LÓD WODA LÓD WODA LÓD WODA Lód i woda w równowadze Przechłodzona woda
16 Skąd taki Hamiltonian? H = J H = J L i=1 L i=1 S i S i+1 Każdy układ dąży do minimalizacji energii S i S i+1 = J ( 1) H = J L i=1 S i S i+1 = J L i=1 1 = JN
17 Oddziaływania pomiędzy cząstkami Ferromagnetyk (konformizm) Antyferromagnetyk (antykonformizm) Wpływ (siła oddziaływania) wzrasta wraz Ze zgodnością grupy Z rozmiarem grupy Wysoka temperatura nerwowo Piotr Nyczka
18 Czego się spodziewacie? Czego się spodziewacie? Zajrzyjcie na Models Library: Chemistry & Physics: Ising NetLogo (środowisko do ABM) Prof. Uri Wilensky Northwestern's Center for Connected Learning and Computer-Based Modeling (CCL)
19 Ewolucja układu w czasie (ferromagnetyk) niska temperatura Oddziaływanie porządkuje Temperatura losowe zmiany W niskich temperaturach porządek W wysokich temperaturach nieporządek m =< S i > = 1 N i=1 N S i
20 Dalsze losy modelu Isinga Przejście fazowe w 2D bez pola Onsager, lata czterdzieste Symulacje Komputerowe model Isinga w 3D i 2D z polem Wykorzystanie poza fizyką
21 Symulacja Monte Carlo Modelu Isinga Przygotuj stan początkowy układu Pozwól mu ewoluować Poczekaj aż ustali się magnetyzacja Zanotuj wartość m Powtarzaj to dużo razy Policz średnią magnetyzację Jaka to średnia? N m =< S i > = 1 N i=1 S i
22 Średnia po zespole Średnia po czasie i średnia po zespole Średnia po czasie Układ ergodyczny to średnia po zespole = średnia po czasie
23 Algorytm Metropolisa 1MCS = N losowań Wylosuj jeden spin S i Oblicz energię E = E(S i ) = S i J j nn S j Oblicz energię E = E( S i ) = S i J j nn S j Oblicz zmianę energii ΔE = E E Jeżeli ΔE 0 to S i S i Jeżeli ΔE > 0 to wylosuj r z przedziału [0,1] i akceptuj nową konfigurację jeżeli: r < p = exp ΔE k B T, k B = J = 1
24 Przejście fazowe w modelu Isinga
25 Po co model w fizyce? nieznane zjawisko? Weryfikacja Model Eksperyment Konstrukcja Marcin Weron
26 Spojrzenie fizyka na rzeczywistość Wszystko powinno być tak proste, jak to tylko możliwe, ale nie prostsze
27 Po co nam uproszczenia? Przykład z rozprawy doktorskiej Piotra Nyczki: Oryginalny obraz R, G, B [0,255] Zdjęto kolor jedna zmienna o 256 wartościach Coraz mniejsza liczba odcieni szarości, ostatecznie 2 Łatwiejsza analiza może nawet analityczna Większa kontrola (zrozumienie) Możliwość zupełnej analizy wrażliwości na zmianę parametrów (uwaga na przejścia fazowe!)
28 More can be worse - dyfuzja cząstek leków przez błony komórkowe Bardzo prosty model T. Rezai et all., J Am Chem Soc. 128(8): (2006) Podstawowe założenie: tylko jedna konformacja cząstki zarówno w wodzie jak i membranie Rzeczywistość: typowe cząstki organiczne mają tysiące konformacji Policz konformacje! R. V. Swift, R. E. Amaro, J Comput Aided Mol Des. 25(11): (2011) Gorsza prognostyka Przykładowe cząsteczki leku Ventolin (astma, choroby płuc),
29 More can be worse - modele klimatu Coraz bardziej realistyczne Jednocześnie coraz mniej dokładne w jakim sensie? Mniej użyteczne prognostycznie M. Maslin and P. Austin, Uncertainty: Climate models at their limit?, Nature 486, (2012) Nie zawsze model bardziej skomplikowany jest gorszy! Zacznij od prostego modelu
30 Jak weryfikować modele? Co to znaczy zweryfikować? Eksperyment przywilej fizyki? Obserwacja jak to robić?
31 Jeden wzór może nie wystarczyć! Podstawowe cechy modeli Boidów: Starają się unikać zderzeń Dopasowują prędkość do sąsiadujących osobników Starają się trzymać blisko sąsiadów obserwowany NND<1 długości ryby p = 0 0 wszystkie w tym samym kierunku p = 90 0 w losowych W rzeczywistości p 10 0,20 0
32 Odporność na detale W modelach 1-9 wpływ od uśrednionego sąsiedztwa, a w wpływ od jednego 9 modeli z regułą większościową dało prawie identyczne wyniki Pozostałe różnice okazały się nieistotne Odkrywamy najważniejszy mechanizm!
33 Czy ABM może zastąpić eksperyment społeczny? ABM powinno być uzupełnieniem ABM może pomóc zrozumieć Dlaczego ABM może pomóc odkryć najważniejsze czynniki Jeżeli nie możemy zrobić eksperymentu to ABM odpowiada na Co by było gdyby
34 Przypadek jako narzędzie budowania modeli Miesięczny zapis gry w ruletkę w Monte Carlo może dostarczyć nam podstaw do dyskutowania fundamentów nauki Karl Pearson ( ) Metoda Monte Carlo ABM Metoda Monte Carlo
35 Liczby losowe Tippett (1927) Random Sampling Numbers Pierwsza tablica liczb losowych cyfr ułożonych w zestawach po 4 Dane o powierzchni parafii z brytyjskiego spisu powszechnego (odrzucone 2 pierwsze i 2 ostatnie cyfry)
36 36 Jak inaczej otrzymać liczby losowe? Czy coś zwraca waszą uwagę?
37 37 Albo Idź do szpitala po zapis kolejnych urodzeń chłopców i dziewczynek: CDDDCCD Przetasuj liczby (Tablica liczb przetasowanych czterocyfrowych Hugo Steinhausa wydana w 1954)
38 Generatory liczb pseudolosowych (PRNG) PRNG generuje deterministycznie ciąg bitów, który pod pewnymi względami jest nieodróżnialny od ciągu uzyskanego z prawdziwie losowego źródła. Algorytm liniowy (liczby o rozkładzie jednostajnym): x ax b mod c n 1 n a,b,c liczby magiczne, np: 5 a 7, b 0, c
39 Cechy dobrego generatora do MC Długi okres powtarzalności Losowość brak korelacji, równomierność (specjalne testy) Szybki
40 Generator Mersenne Twister ( Makoto Matsumoto i Takuji Nishimura,1997 Nadaje się do Symulacji Monte Carlo, ale nie do kryptografii Zalety MT19937 Mersenne Twistera: Okres (udowodnione) Wysoki stopień równomiernego rozmieszczenia Spełnia większość testów losowości Szybki
41 Metoda Monte Carlo Metoda Monte Carlo (MC) jest techniką rozwiązania problemów, która polega na generowaniu zmiennych losowych w celu oszacowania parametrów ich rozkładu John von Neumann
42 Idea metody Monte Carlo Jaka jest szansa ułożenia pasjansa? Ciężko to policzyć analitycznie bo wygrana zależy od wielu ruchów A gdyby tak parę razy spróbować ułożyć pasjansa i zobaczyć ile razy się to uda? Przegrana Przegrana Wygrana Przegrana Szansa ułożenia to ¼!
43 Ręczne Monte Carlo Pierwsze udokumentowane doświadczenie wykonał w XVIII w. uczony i pisarz francuski Buffon hr. Georges-Louis Leclerc Buffon ( ) Wykonał 4040 rzutów monetą! Otrzymał średnią wartość 0,5069 (orzeł = 1, reszka = 0) W XX w. eksperyment powtórzył rosyjski statystyk Romanowski Wykonał rzutów monetą!!! Otrzymał średnią wartość 0,4923
44 Prawdopodobieństwo jako długoterminowa względna częstość
45 Igła Buffona a liczba Na kartkę papieru pokrytą liniami równoległymi oddalonymi od siebie o odległość d rzucamy losowo igłę o długości l < d Zliczamy ile razy przetnie ona linie siatki (liczba m) w n rzutach Można pokazać, że prawdopodobieństwo tego, że igła przetnie linię wynosi: m n 2l d 45
46 Igła Buffona sformułowanie problemu
47 Igła Buffona - rozwiązanie
48 Igła Buffona eksperymentalne wyznaczenie
49 Jak dobre jest to oszacowanie? W 1864, kapitan O. C. Fox wykonał ten eksperyment gdy nudził się podczas rekonwalescencji n m l d Powierzchnia nieruchoma obracająca się obracająca się
50 Sprawdźmy to sami ( = 3,14159)
51 Współczesna historia metody Monte Carlo Stanisław Ulam w trakcie... rekonwalescencji układa pasjanse Canfield Nicolas Metropolis nadaje nazwę nowej metodzie Monte Carlo (od kasyna) 1949r. pierwsza publikacja na temat metody Monte Carlo napisana przez Ulama i Metropolisa
52 Matematyczne podstawy MC a - poszukiwana wielkość (np. magnetyzacja) a=ex wartość oczekiwana pewnej zmiennej losowej X. Jeżeli jesteśmy w stanie generować niezależne wartości S1,S2,... z rozkładu zmiennej X, to Prawo wielkich liczb: 1 lim 1 2 n n S S... S a n
53 Istota Monte Carlo Metoda Monte Carlo polega na szacowaniu wielkości a przez średnią z pewnej odpowiednio dobranej n elementowej próby. Co to znaczy odpowiednio dobranej? Generowana z rozkładu zmiennej X (a=ex) EX 2 x W x VarX i i p i E X EX 2
54 Zastosowania metody MC Szacowanie pól figur Obliczanie układów równań liniowych Obliczanie równań różniczkowych cząstkowych Obliczanie całek Interpolacja funkcji wielu zmiennych Prognozy pogody Wycena instrumentów pochodnych Modele mikroskopowe
55 Szacowanie pól figur (c) 2009 K&R Weron 55
56 Literatura D. W. Heermann, Podstawy symulacji komputerowych w fizyce, WNT 1997 D. P. Landau, K. Binder, A Guide to Monte Carlo Simulations in Statistical Physics, Cambridge University Press 2005
57 Do zobaczenia w Monte Carlo
Krytyczność, przejścia fazowe i symulacje Monte Carlo. Katarzyna Sznajd-Weron Physics of Complex System
Krytyczność, przejścia fazowe i symulacje Monte Carlo Katarzyna Sznajd-Weron Physics of Complex System Przejścia fazowe wokół nas woda faza ciekła PUNKT KRYTYCZNY Lód faza stała para faza gazowa ciągłe
Bardziej szczegółowoUkład (fizyczny) Fizyka Systemów Złożonych (Physics of Complex Systems) Wyk 1: Wstęp
Układ (fizyczny) Fizyka Systemów Złożonych (Physics of Complex Systems) Wyk 1: Wstęp Katarzyna Sznajd Weron Wyodrębniony (realnie lub myślowo) fragment rzeczywistości Jednostka, którą będziemy się zajmować
Bardziej szczegółowoModele sieciowe fizyki statystycznej i symulacje Monte Carlo. Katarzyna Sznajd-Weron
Modele sieciowe fizyki statystycznej i symulacje Monte Carlo Katarzyna Sznajd-Weron Perkolacja 2014 Katarzyna Sznajd-Weron Model erkolacji Model erkolacji : Każdy węzeł (wiązanie) sieci jest zajęty niezależnie
Bardziej szczegółowoPotęga modeli agentowych
Potęga modeli agentowych Katarzyna Sznajd-Weron Katedra UNESCO Studiów Interdyscyplinarnych Seminarium S 3, 7 maja 2013 Aperitif (2006) Physicists pretend not only to know everything, but also to know
Bardziej szczegółowoWstęp do fizyki statystycznej: krytyczność i przejścia fazowe. Katarzyna Sznajd-Weron
Wstęp do fizyki statystycznej: krytyczność i przejścia fazowe Katarzyna Sznajd-Weron Co to jest fizyka statystyczna? Termodynamika poziom makroskopowy Fizyka statystyczna poziom mikroskopowy Marcin Weron
Bardziej szczegółowoModel Isinga. Katarzyna Sznajd-Weron
Model Isinga Katarzyna Sznajd-Weron Temperatura Curie ciągłe przejście fazowe magnes ferromagnetyk Przejście fazowe Katarzyna Sznajd-Weron Ferromagnetyk T T c Paramagnetyk T > T c Jak to zrozumieć? Model
Bardziej szczegółowoFizyka statystyczna i termodynamika Wykład 1: Wstęp. Katarzyna Sznajd-Weron Katedra Fizyki Teoretycznej
Fizyka statystyczna i termodynamika Wykład 1: Wstęp Katarzyna Sznajd-Weron Katedra Fizyki Teoretycznej http://www.if.pwr.wroc.pl/~katarzynaweron/ Mój plan zajęć Strona kursu Kim jestem? Prof. dr hab. Katarzyna
Bardziej szczegółowoKrytyczność i przejścia fazowe. Katarzyna Sznajd-Weron
Krytyczność i przejścia fazowe Katarzyna Sznajd-Weron Temperatura Curie Temperatura Curie ciągłe przejście fazowe magnes ferromagnetyk Przejście fazowe Katarzyna Sznajd-Weron Ferromagnetyk T T c Paramagnetyk
Bardziej 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 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 szczegółowoUkłady otwarte, zamknięte i izolowane (termodynamiczne) Fizyka systemów złożonych wykład 1: Wstęp
Układy otwarte, zamknięte i izolowane (termodynamiczne) Fizyka systemów złożonych wykład 1: Wstęp Co tu jest stałe? Co może się zmienić? energia materia energia Katarzyna Sznajd Weron Wykład dla Inżynierii
Bardziej szczegółowoPrawdopodobieństwo geometryczne
Prawdopodobieństwo geometryczne Bartosz Ziemkiewicz Wydział Matematyki i Informatyki UMK, Toruń Uniwersyteckie Koło Matematyczne 23 kwietnia 2009 r. Bartosz Ziemkiewicz (WMiI UMK) Prawdopodobieństwo geometryczne
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 szczegółowoMetody Obliczeniowe w Nauce i Technice
Metody Obliczeniowe w Nauce i Technice 15. Obliczanie całek metodami Monte Carlo Marian Bubak Department of Computer Science AGH University of Science and Technology Krakow, Poland bubak@agh.edu.pl dice.cyfronet.pl
Bardziej szczegółowoRachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych
Rachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych Autorzy: Marta Rotkiel, Anna Konik, Bartłomiej Parowicz, Robert Rudak, Piotr Otręba Spis treści: Wstęp Cel
Bardziej szczegółowoSieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych
Sieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych Plan laboratorium Generatory liczb pseudolosowych dla rozkładów dyskretnych: Generator liczb o rozkładzie równomiernym Generator
Bardziej szczegółowoPrzejścia fazowe w uogólnionym modelu modelu q-wyborcy na grafie zupełnym
Przejścia fazowe w uogólnionym modelu modelu q-wyborcy na grafie zupełnym Piotr Nyczka Institute of Theoretical Physics University of Wrocław Artykuły Opinion dynamics as a movement in a bistable potential
Bardziej 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 szczegółowoMetody probabilistyczne
Metody probabilistyczne. Twierdzenia graniczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 20.2.208 / 26 Motywacja Rzucamy wielokrotnie uczciwą monetą i zliczamy
Bardziej szczegółowoPageRank. Bartosz Makuracki. 28 listopada B. Makuracki PageRank
PageRank Bartosz Makuracki 28 listopada 2013 Definicja Definicja PageRank jest algorytmem używanym przez wyszukiwarkę Google do ustalania kolejności stron pojawiających się w wynikach wyszukiwania. Definicja
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 szczegółowoDynamiki rynków oligopolistycznych oczami fizyka
KNF Migacz, Instytut Fizyki Teoretycznej, Uniwersytet Wrocławski 7-10 listopada 2008 1 1 2 1 2 3 1 2 3 4 Wprowadzenie reklamy 1 2 3 4 Wprowadzenie reklamy 5 1 2 3 4 Wprowadzenie reklamy 5 6 1 2 3 4 Wprowadzenie
Bardziej 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 szczegółowoRuch drogowy, korki uliczne - czy fizyk może coś na to poradzić?
Ruch drogowy, korki uliczne - czy fizyk może coś na to poradzić? KNF Migacz, Instytut Fizyki Teoretycznej, Uniwersytet Wrocławski 16-18 listopada 2007 Spis treści Spis treści 1 Spis treści 1 2 Spis treści
Bardziej szczegółowoAlgorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych
Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w
Bardziej szczegółowo1. Symulacje komputerowe Idea symulacji Przykład. 2. Metody próbkowania Jackknife Bootstrap. 3. Łańcuchy Markova. 4. Próbkowanie Gibbsa
BIOINFORMATYKA 1. Wykład wstępny 2. Bazy danych: projektowanie i struktura 3. Równowaga Hardyego-Weinberga, wsp. rekombinacji 4. Analiza asocjacyjna 5. Analiza asocjacyjna 6. Sekwencjonowanie nowej generacji
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 szczegółowomodel isinga 2d ab 10 grudnia 2016
model isinga 2d ab 10 grudnia 2016 tematyka Model spinów Isinga Hamiltonian i suma statystyczna modelu Metoda Monte-Carlo. Algorytm Metropolisa. Obserwable Modelowanie: Model Isinga 1 hamiltonian I Hamiltonian,
Bardziej szczegółowoBIOINFORMATYKA. Copyright 2011, Joanna Szyda
BIOINFORMATYKA 1. Wykład wstępny 2. Struktury danych w badaniach bioinformatycznych 3. Bazy danych: projektowanie i struktura 4. Bazy danych: projektowanie i struktura 5. Powiązania pomiędzy genami: równ.
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
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 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 szczegółowoTechnologie Informacyjne
POLITECHNIKA KRAKOWSKA - WIEiK - KATEDRA AUTOMATYKI Technologie Informacyjne www.pk.edu.pl/~zk/ti_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład: Generacja liczb losowych Problem generacji
Bardziej szczegółowoSieci Mobilne i Bezprzewodowe laboratorium 1
Sieci Mobilne i Bezprzewodowe laboratorium 1 Plan laboratoriów Teoria zdarzeń dyskretnych Modelowanie zdarzeń dyskretnych Symulacja zdarzeń dyskretnych Problem rozmieszczenia stacji raportujących i nieraportujących
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
Bardziej szczegółowoPodręcznik. Model czy teoria
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN d.wojcik@nencki.gov.pl tel. 58 92 424 http://www.neuroinf.pl/members/danek/swps/ Iwo Białynicki-Birula Iwona Białynicka-Birula
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA
STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;
Bardziej szczegółowoRachunek prawdopodobieństwa
Rachunek prawdopodobieństwa Sebastian Rymarczyk srymarczyk@afm.edu.pl Tematyka zajęć 1. Elementy kombinatoryki. 2. Definicje prawdopodobieństwa. 3. Własności prawdopodobieństwa. 4. Zmienne losowe, parametry
Bardziej szczegółowoWykład Ćwiczenia Laboratorium Projekt Seminarium 45
Zał. nr 4 do ZW /202 WYDZIAŁ PPT / STUDIUM KARTA PRZEDMIOTU Nazwa w języku polskim Studenckie laboratorium obliczeniowe Nazwa w języku angielskim Student computational laboratory Kierunek studiów (jeśli
Bardziej szczegółowoAutomaty komórkowe. Katarzyna Sznajd-Weron
Automaty komórkowe Katarzyna Sznajd-Weron Trochę historii CA (Cellular Automata) Koniec lat 40-tych John von Neuman maszyna z mechanizmem samopowielania Sugestia Ulama 1952 dyskretny układ komórek dyskretne
Bardziej szczegółowoObliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 14 - Losowość Jarosław Miszczak IITiS PAN Gliwice 09/06/2016 1 / 59 1... 2... 3... 2 / 59 1 2 3 Architektura Ivy Bridge Serwis Random.org 3 / 59 Zastosowania Gdzie
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 szczegółowoBadanie słabych przemian fazowych pierwszego rodzaju w eksperymencie komputerowym dla trójwymiarowego modelu Ashkina-Tellera
Badanie słabych przemian fazowych pierwszego rodzaju w eksperymencie komputerowym dla trójwymiarowego modelu Ashkina-Tellera D. Jeziorek-Knioła, Z. Wojtkowiak, G. Musiał Faculty of Physics, A. Mickiewicz
Bardziej szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Bardziej szczegółowoCałkowanie metodą Monte Carlo
Całkowanie metodą Monte Carlo Plan wykładu: 1. Podstawowa metoda Monte Carlo 2. Metody MC o zwiększonej efektywności a) losowania ważonego b) zmiennej kontrolnej c) losowania warstwowego d) obniżania krotności
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoMoneta 1 Moneta 2 Kostka O, R O,R 1,2,3,4,5, Moneta 1 Moneta 2 Kostka O O ( )
Nowa matura kombinatoryka i rachunek prawdopodobieństwa Zadania zamknięte (0 1 pkt) 1. Doświadczenie losowe polega na rzucie dwiema symetrycznymi monetami i sześcienną kostką do gry. Prawdopodobieństwo
Bardziej szczegółowoStatystyka 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 szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoObliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 02 Jarosław Miszczak IITiS PAN Gliwice 06/10/2016 1 / 31 Czego dowiedzieliśmy się na poprzednim wykładzie? 1... 2... 3... 2 / 31 1 2 3 3 / 31 to jeden z pierwszych
Bardziej szczegółowoe E Z = P = 1 Z e E Kanoniczna suma stanów Prawdopodobieństwo wystąpienia mikrostanu U E = =Z 1 Wartość średnia energii
Metoda Metropolisa Z = e E P = 1 Z e E Kanoniczna suma stanów Prawdopodobieństwo wystąpienia mikrostanu U E = P E =Z 1 E e E Wartość średnia energii Średnia wartość A = d r N A r N exp[ U r N ] d r N exp[
Bardziej szczegółowoSpis 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= 10 9 = Ile jest wszystkich dwucyfrowych liczb naturalnych podzielnych przez 3? A. 12 B. 24 C. 29 D. 30. Sposób I = 30.
Kombinatoryka i rachunek prawdopodobieństwa Zadania zamknięte (0 1 pkt) 1. Flagę, taką jak pokazano na rysunku, należy zszyć z trzech jednakowej szerokości pasów kolorowej tkaniny. Oba pasy zewnętrzne
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 szczegółowoSzkice rozwiązań z R:
Szkice rozwiązań z R: Zadanie 1. Założono doświadczenie farmakologiczne. Obserwowano przyrost wagi ciała (przyrost [gram]) przy zadanych dawkach trzech preparatów (dawka.a, dawka.b, dawka.c). Obiektami
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 szczegółowoweryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja) założenie: znany rozkład populacji (wykorzystuje się dystrybuantę)
PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne (na
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 szczegółowoPobieranie 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 szczegółowoMODELOWANIE RZECZYWISTOŚCI
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN Szkoła Wyższa Psychologii Społecznej d.wojcik@nencki.gov.pl dwojcik@swps.edu.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/
Bardziej szczegółowoSCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO
SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania
Bardziej szczegółowoOptymalizacja. Przeszukiwanie lokalne
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Maciej Hapke Idea sąsiedztwa Definicja sąsiedztwa x S zbiór N(x) S rozwiązań, które leżą blisko rozwiązania x
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 szczegółowoWYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI
WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskiego 8, 04-703 Warszawa tel. (0)
Bardziej szczegółowoWarsztat: Randomizacja w programie Excel
Warsztaty szkoleniowe z zakresu ewaluacji wpływu instrumentów Aktywnych Polityk Rynku Pracy Warsztat: Randomizacja w programie Excel Piotr Ćwiakowski Tomasz Gajderowicz, Kraków, 5 czerwca 2017 r. Przydział
Bardziej szczegółowoPrognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie modelu ekonometrycznego Przykład. Firma usługowa świadcząca usługi doradcze w ostatnich kwartałach (t) odnotowała wynik finansowy (yt - tys. zł), obsługując liczbę klientów (x1t)
Bardziej szczegółowoJak z ABM zrobić model analityczny? (Metoda pola średniego) Katarzyna Sznajd-Weron Physics of Complex System
Jak z ABM zrobić model analityczny? (Metoda pola średniego) Katarzyna Sznajd-Weron Physics of Complex System Plan Model dynamiki populacyjnej Pytania Model mikroskopowy Przybliżenie MFA: równania (wady
Bardziej szczegółowoGeneratory 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 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 szczegółowoGenerowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport
Generowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport Michał Krzemiński Streszczenie Projekt dotyczy metod generowania oraz badania własności statystycznych ciągów liczb pseudolosowych.
Bardziej szczegółowoGENEROWANIE ROZDAŃ: TEORIA I PRAKTYKA MICHAŁ KLICHOWICZ KRAJOWA KURSOKONFERENCJA SĘDZIÓW IT PZBS, GRUDZIEŃ 2018
GENEROWANIE ROZDAŃ: TEORIA I PRAKTYKA MICHAŁ KLICHOWICZ KRAJOWA KURSOKONFERENCJA SĘDZIÓW IT PZBS, GRUDZIEŃ 2018 JAK WYGENEROWAĆ ROZKŁAD? METODY INTUICYJNE mieszanie uporządkowanej talii (przez wielokrotną
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 szczegółowoMetody probabilistyczne
Metody probabilistyczne 1. Prawdopodobieństwo klasyczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 03.10.2017 1 / 19 Rys historyczny Francja, XVII w.: gry hazardowe
Bardziej szczegółowoRozkłady statystyk z próby. Statystyka
Rozkłady statystyk z próby tatystyka Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających ten
Bardziej szczegółowo,,Matematyczna Ruletka Czyli jak sie robi liczby (pseudo)losowe.
Wykład habilitacyjny 1 Matematyczna Ruletka Czyli jak sie robi liczby (pseudo)losowe WIESŁAW PŁACZEK Instytut Informatyki Uniwersytetu Jagiellońskiego Plan: Wst ep Co to s liczby losowe i skad a si e bior
Bardziej szczegółowoZadania domowe. Ćwiczenie 2. Rysowanie obiektów 2-D przy pomocy tworów pierwotnych biblioteki graficznej OpenGL
Zadania domowe Ćwiczenie 2 Rysowanie obiektów 2-D przy pomocy tworów pierwotnych biblioteki graficznej OpenGL Zadanie 2.1 Fraktal plazmowy (Plasma fractal) Kwadrat należy pokryć prostokątną siatką 2 n
Bardziej szczegółowoCentrum Europejskie Ekonomia. ćwiczenia 12
Centrum Europejskie Ekonomia ćwiczenia 12 Ekonomia wzrostu, wstęp do Ekonometrii Tomasz Gajderowicz. Agenda Analiza Wzrostu gospodarczego Wstęp do ekonometrii Długi okres What about the long run Mr. Keynes
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoPOLITECHNIKA WROCŁAWSKA STUDIA DOKTORANCKIE JEDNOSTKA ZGŁASZAJĄCA/REALIZUJĄCA KURS: WYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO / STUDIUM DOKTORANCKIE
JEDNOSTKA ZGŁASZAJĄCA/REALIZUJĄCA KURS: WYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO / STUDIUM DOKTORANCKIE KARTA PRZEDMIOTU Nazwa w języku polskim: Symulacje Monte Carlo w obliczeniach inżynierskich Nazwa w
Bardziej szczegółowoMetoda Monte Carlo i jej zastosowania
i jej zastosowania Tomasz Mostowski Zajęcia 31.03.2008 Plan 1 PWL 2 3 Plan PWL 1 PWL 2 3 Przypomnienie PWL Istnieje wiele wariantów praw wielkich liczb. Wspólna ich cecha jest asymptotyczne zachowanie
Bardziej 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 szczegółowoRównowaga w układach termodynamicznych. Katarzyna Sznajd-Weron
Równowaga w układach termodynamicznych. Katarzyna Sznajd-Weron Zagadka na początek wykładu Diagram fazowy wody w powiększeniu, problem metastabilności aktualny (Nature, 2011) Niższa temperatura topnienia
Bardziej szczegółowoStatystyka 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 szczegółowoPodstawy symulacji komputerowej
Podstawy symulacji komputerowej Wykład 3 Generatory liczb losowych Wojciech Kordecki wojciech.kordecki@pwsz-legnica.eu Państwowa Wyższa Szkoła Zawodowa im. Witelona w Legnicy Wydział Nauk Technicznych
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 szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoTERMODYNAMIKA I FIZYKA STATYSTYCZNA
TERMODYNAMIKA I FIZYKA STATYSTYCZNA Lech Longa pok. D.2.49, II piętro, sektor D Zakład Fizyki Statystycznej e-mail: lech.longa@uj.edu.pl Dyżury: poniedziałki 14-15.50 można się umówić wysyłając e-maila
Bardziej szczegółowoIlustracja 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 szczegółowoPrawdopodobieństwo i statystyka Wykład I: Nieco historii
Prawdopodobieństwo i statystyka Wykład I: Nieco historii 6 października 2015 Prawdopodobieństwo i statystyka Wykład I: Nieco historii Zasady zaliczenia przedmiotu: Zaliczenie ćwiczeń rachunkowych. Zdanie
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 szczegółowoPo co nam statystyka matematyczna? Żeby na podstawie próby wnioskować o całej populacji
ODSTWY STTYSTYKI 1. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. opulacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne 6.
Bardziej szczegółowowykład V uzupełnienie notatek: dr Jerzy Białkowski Programowanie C/C++ Język C++ klasy i obiekty wykład V dr Jarosław Mederski Spis Język C++ - klasy
i obiekty Programowanie i obiekty uzupełnienie notatek: dr Jerzy Białkowski i obiekty 1 2 3 4 i obiekty Obiektowość języka C++ Na tym wykładzie poznamy: ˆ Klasa (w języku C++ rozszerzenie struktury, typ
Bardziej szczegółowo6. Zmienne losowe typu ciagłego ( ) Pole trapezu krzywoliniowego
6. Zmienne losowe typu ciagłego (2.04.2007) Pole trapezu krzywoliniowego Przypomnienie: figurę ograniczoną przez: wykres funkcji y = f(x), gdzie f jest funkcją ciągłą; proste x = a, x = b, a < b, oś OX
Bardziej szczegółowoAlgorytmy ewolucyjne NAZEWNICTWO
Algorytmy ewolucyjne http://zajecia.jakubw.pl/nai NAZEWNICTWO Algorytmy ewolucyjne nazwa ogólna, obejmująca metody szczegółowe, jak np.: algorytmy genetyczne programowanie genetyczne strategie ewolucyjne
Bardziej szczegółowoCZEŚĆ PIERWSZA. Wymagania na poszczególne oceny,,matematyka wokół nas Klasa III I. POTĘGI
Wymagania na poszczególne oceny,,matematyka wokół nas Klasa III CZEŚĆ PIERWSZA I. POTĘGI Zamienia potęgi o wykładniku całkowitym ujemnym na odpowiednie potęgi o wykładniku naturalnym. Oblicza wartości
Bardziej szczegółowoWykładnicze grafy przypadkowe: teoria i przykłady zastosowań do analizy rzeczywistych sieci złożonych
Gdańsk, Warsztaty pt. Układy Złożone (8 10 maja 2014) Agata Fronczak Zakład Fizyki Układów Złożonych Wydział Fizyki Politechniki Warszawskiej Wykładnicze grafy przypadkowe: teoria i przykłady zastosowań
Bardziej szczegółowoPrzejścia fazowe w 1D modelu Isinga
Przejścia fazowe w 1D modelu Isinga z zero-temperaturową dynamiką Glaubera Rafał Topolnicki rafal.topolnicki@gmail.com Wydział Fizyki i Astronomii Uniwersytet Wrocławski Wydział Podstawowych Problemów
Bardziej 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 szczegółowoModelowanie komputerowe
Modelowanie komputerowe wykład 1- Generatory liczb losowych i ich wykorzystanie dr Marcin Ziółkowski Instytut Matematyki i Informatyki Akademia im. Jana Długosza w Częstochowie 5,12 października 2016 r.
Bardziej szczegółowo