= 1, = = + 1D, + 2D<,
|
|
- Antoni Grabowski
- 6 lat temu
- Przeglądów:
Transkrypt
1 'Przypadkowe bladzenie' jako przyklad prostego problemu, ktory moze byc pierwszym zadaniem, dla studiujacych 'Mathematica', zwiazanychm z rozwiazaniem 'rzeczywistego' problemu. Rozwazmy ruch jednowymiarowy polegajacy na pokonywaniu jednostkowych odcinkow drogi w jednostkowych odstepach czasu, przy czym wybor kierunku (lewo - prawo) jest losowy i podlega rozkladowi 'jednorodnemu'. Postawione tak zadanie jest uproszczonym podejsciem do problemu 'przypadkowego bladzenia' (oraz ruchow Browna), ktorego rozwiazanie podane zostalo przez A. Einsteina i M. Smoluchowskiego na pocz. 2-go wieku. NN 1 ; liczba krokow czasowych IleRysunkow 3; ilosc prob wygenerowania ruchu o NN krokach Do Clear Polozenia, Polozenia2, Polozenia Table Sign RandomReal 1 2, i, NN, Polozenia2 Table Sum Polozenia j, j, 1, i, i, NN, rys k ListPlot Table i, Polozenia2 i, i, NN, Axes False, Frame True, Joined True, k, IleRysunkow linia do przestudiowania z http: reference.wolfram.com language TablicaRysunkow Table rys k, rys k 1, rys k 2, k, 1, IleRysunkow, 3 ; Generujemy tablice rysunkow: w sumie sztuk 'IleRysunkow' podzielonych tak, zwe bedzie po 3 w wierszu. GraphicsGrid TablicaRysunkow
2 2 QuasiRandomWalk.nb
3 QuasiRandomWalk.nb UWAGA: uzycie definicji (:=) dla posrednich macierzy bardzo mocno spowalnia. Widac jakies oscylacje o okresie ok. 5. Jesli tak jest, od czego zalezy okres oscylacji. Z wygenerowanych powyzej rysunkow trudno wnioskowac, czy bladzaca kulka oddala sie z biegiem czasu od zera, czy tez oscyluje wokol niego. Sprobujmy usrednic po ilosci prob (IloscRysunkow)polozenie, ktore osiagnela kulka po i-tym kroku. W tym celu liczymy mediany z tego zbioru prob dla kazdej z osobna liczby zrobionych dotychczas krokow. Lista 'Mediana' zawiera mediane wyliczona ze zbiru liczacego 'IleRysunkow' prob. Wyraz 'i' tej listy zawiera mediane policzona ze zbioru 'IleRysunkow'dla sumy 'i' krokow zrobionych do tej pory. 'Mediana' pelni role sredniego (mediana po 'IlosciRysunkow') polozenia ciala w funkcji ilosci krokow. Dodatkowo na rysunek przedstawiajacy liste punktow nakladamy funkcje x(t)=λ*sqrt(t), gdzie Λ jest "na oko" wybranym wspolczynnikiem. Proporcjonalnosc polozenia po t- krokach do Sqrt[t] jest przewidywana zaleznoscia przez teorie Einsteina- Smoluchowskiego.
4 4 QuasiRandomWalk.nb NN 1 ; IleRysunkow 2; Do SumaPoKroku i, i,nn SumaPoKrokuJ ; Mediana ; Do SumaPoKrokuJ, Do SumaPoKrokuJ Append SumaPoKrokuJ, Sum Sign RandomReal 1 2, i, j, k, IleRysunkow, Mediana Append Mediana, Median SumaPoKrokuJ, j, NN rys1 Plot 2 Sqrt x, x, 1, NN, PlotRange Max Mediana, Max Mediana, Axes False, Frame True, PlotStyle Red ; rys2 ListPlot Mediana, Axes False, Frame True, Joined True, FrameLabel "Czas", "Mediana odleglosci" ; Show rys1, rys Ta zaleznosc zmierza do f(t)= dla duzej ilosci sampli ('IleRysunkow'). Wniosek z tego taki, ze po dowolnej liczbie krokow czastka wykonala przemieszczenie dowolne zarowno w lewa jak i prawa. Zadnych preferencji co do polozenia. Nie jest to jednak to co intuicyjnie rozumiemy przez polozenie KONKRETNEJ obserwowanej czastki. Bardziej intuicyjne wydaje sie zapytanie o sume przemieszczen dla pojedynczej czastki (i ewentualnie zapytanie o wartosc bezwzgledna takiego sumarycznego przemieszczenia). Zatem sredniujemy teraz wyrazenie (x_i) :
5 QuasiRandomWalk.nb NN 1 ; IleRysunkow 1; Do SumaPoKroku i, i,nn SumaPoKrokuJ ; Mediana ; Do SumaPoKrokuJ, Do SumaPoKrokuJ Append SumaPoKrokuJ, Abs Sum Sign RandomReal 1 2, i, j, k, IleRysunkow, Mediana Append Mediana, Median SumaPoKrokuJ, j, NN rys1 Plot 2 Sqrt x, x, 1, NN, PlotRange, Max Mediana, Axes False, Frame True, PlotStyle Red ; rys2 ListPlot Mediana, Axes False, Frame True, Joined True, FrameLabel "Czas", "Mediana odleglosci" ; Show rys1, rys Teraz tez (x_i) ale po wielu wynikach:
6 6 QuasiRandomWalk.nb NN 1 ; IleRysunkow 1; Do SumaPoKroku i, i,nn SumaPoKrokuJ ; Mediana ; Do SumaPoKrokuJ, Do SumaPoKrokuJ Append SumaPoKrokuJ, Abs Sum Sign RandomReal 1 2, i, j, k, IleRysunkow, Mediana Append Mediana, Median SumaPoKrokuJ, j, NN rys1 Plot.7 Sqrt x, x, 1, NN, PlotRange, Max Mediana, Axes False, Frame True, PlotStyle Red ; rys2 ListPlot Mediana, Axes False, Frame True, Joined True, FrameLabel "Czas", "Mediana odleglosci" ; Show rys2, rys1 8 Mediana odleglosci Jak widac srednie przemieszczenie z funkcji ilosci krokow zmienia sie zgodnie z przewidywaniami modelu Einsteina-Smoluchowskiego (tym bardziej, im wiecej prob wezmiemy do usrednienia). Jak wytlumaczyc fakt, ze losowy wybor kierunku ruchu powoduje "wolne" (w porownaniu do ruchu jednostajnego x t lub jednostajne przyspieszonego x t 2 ) przesuwanie sie ciala w okreslonym kierunku? Zauwazmy, ze jesli czastka wybrala poczatkowo kierunek 'prawo', to kontynuowanie tego kierunku w nastepnym kroku jest realizowane z prawdopodobienstwem 1/2, natomiast powrot do analogicznego punktu po drugiej stronie polozenia zero (z ktorego wystartowala) realizuje sie z prawdopodobienstwem 1/2 x 1/2 (tylko). Pytanie otwarte: Jak wytlumaczyc lokalne oscylacje widoczne na poczatkowych rysunkach? Jesli rozwazany ruch jest czysto losowy, to dlugofalowe podazanie w jakims kierunku mozna porownac do losowania tylko (z preferencja) orla. Takich okresow stabilnosi losowania w rzucie kostka nie ma. Zauwazmy, ze wyspy te ksztaltuja sie jako struktury widziane w pewnej skali, mimo, ze lokalnie (w mikroskali) wystepuja tradycyjne przypadkowe wyniki. Zbadaj ten problem.
16 Jednowymiarowy model Isinga
16 Jednowymiarowy model Isinga Jest to liniowy łańcuch N spinów mogących przyjmować wartości ± 1. Mikrostanem układu jest zbiór zmiennych σ i = ±1, gdzie i = 1,,..., N (16.1) Określają one czy i-ty spin
Bardziej szczegółowoŚ Ś Ś Ś Ś Ś Ę Ą Ę ŚĘ Ę Ś ń Ę Ę Ą Ł Ż Ń Ł ć Ą ć Ł Ę Ó ć Ź ć ź ń Ń ń Ś Ą Ę Ł Ę Ą Ę ń ć ń Ź ć ń ć ń Ś ń ŚĆ ć ź Ł Ę Ę Ś Ę Ę Ę ń ŚĘ Ń Ę Ę ń ŚĘ Ę Ę Ś Ś ć ń Ę ń Ś Ę ć ć Ę Ę ć ź ć ń Ę Ń ń ć Ł Ę Ę Ę Ę ć Ę ć ć ź
Bardziej szczegółowoKurs Komputerowy S System Symboliczny Mathematica
Kurs Komputerowy S System Symboliczny Mathematica Obliczenia numeryczne Dokladnosc i precyzja Precision[wartosc] SetPrecision[wartosc, precyzja] Accuracy[wartosc] SetAccuracy[wartosc, dokladnosc] MachinePrecision
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 szczegółowozdarzenie losowe - zdarzenie którego przebiegu czy wyniku nie da się przewidzieć na pewno.
Rachunek prawdopodobieństwa Podstawowym celem rachunku prawdopodobieństwa jest określanie szans zajścia pewnych zdarzeń. Pojęcie podstawowe rachunku prawdopodobieństwa to: zdarzenie losowe - zdarzenie
Bardziej szczegółowoWykład 2. Przykład zastosowania teorii prawdopodobieństwa: procesy stochastyczne (Markova)
Wykład 2 Przykład zastosowania teorii prawdopodobieństwa: procesy stochastyczne (Markova) 1. Procesy Markova: definicja 2. Równanie Chapmana-Kołmogorowa-Smoluchowskiego 3. Przykład dyfuzji w kapilarze
Bardziej szczegółowoRozdział 7 ZARZĄDZANIE PROJEKTAMI
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 7 ZARZĄDZANIE PROJEKTAMI 7.2. Ćwiczenia komputerowe Ćwiczenie 7.1 Wykorzystując
Bardziej szczegółowoDeska Galtona. Adam Osękowski. Instytut Matematyki, Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski
a schemat Bernoulliego Instytut Matematyki, Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski XV Festiwal Nauki, 21 września 2011r. a schemat Bernoulliego Schemat Bernoulliego B(n, p)
Bardziej szczegółowoJeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Bardziej szczegółowon p 2 i = R 2 (8.1) i=1
8.9 Rozkład Maxwella Jest to rozkład prędkości cząstek w gazie doskonałym. Wielkość f (p) jest gęstością prawdopodobieństwa znalezienia cząstki o pędzie p. Różnica pomiędzy rozkładem Maxwella i rozkładem
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 szczegółowoWielki rozkład kanoniczny
Ćwiczenia nr 0 Wielki rozkład kanoniczny Jest to rozkład prawdopodobieństwa dla układu o zmiennej liczbie cząstek N. Liczbę cząstek możemy potraktować jako dodatkową liczbą kwantową układu. ψ jest to stan
Bardziej szczegółowoI jest narzędziem służącym do porównywania rozproszenia dwóch zmiennych. Używamy go tylko, gdy pomiędzy zmiennymi istnieje logiczny związek
ZADANIA statystyka opisowa i CTG 1. Dokonano pomiaru stężenia jonów azotanowych w wodzie μg/ml 1 0.51 0.51 0.51 0.50 0.51 0.49 0.52 0.53 0.50 0.47 0.51 0.52 0.53 0.48 0.59 0.50 0.52 0.49 0.49 0.50 0.49
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 szczegółowoPrzetwarzanie równoległe Zadanie domowe III
Przetwarzanie równoległe Zadanie domowe III Jarosław Marek Gliwiński #indeksu 7439 16 stycznia 010 1 Wstęp 1.1 Wykaz skrótów i oznaczeń W pierwszej kolejności przedstawione zostaną używane w pracy oznaczenia,
Bardziej szczegółowoAkademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe
Bardziej szczegółowoPROBABILISTYKA - test numery zestawów 1,3,5,7,9,...,41
1 numery zestawów 1,3,5,7,9,...,41 (a) Jeśli P (A) = 0.5 oraz P (B) = 0.3 oraz B A, to P (B \ A) = 0.2. (b) Przy jednokrotnym rzucie kostk a prawdopodobieństwo, że wypadnie szóstka pod warunkiem, że wypad
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 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 szczegółowoTEMAT Analiza ruchów przedstawionych na zdjeciach stroboskopowych zastosowanie komputerowego programu RUCH2W
TEMAT Analiza ruchów przedstawionych na zdjeciach stroboskopowych zastosowanie komputerowego programu RUCH2W ZAKRES NAUCZANIA rozszerzony PROGRAM RUCH2W/Zdjecie stroboskopowe Program ten pozwala na otworzenie
Bardziej szczegółowoAnaliza stanów gry na potrzeby UCT w DVRP
Analiza stanów gry na potrzeby UCT w DVRP Seminarium IO na MiNI 04.11.2014 Michał Okulewicz based on the decision DEC-2012/07/B/ST6/01527 Plan prezentacji Definicja problemu DVRP DVRP na potrzeby UCB Analiza
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 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 szczegółowoZadanie 1. Oblicz prawdopodobieństwo, że rzucając dwiema kostkami do gry otrzymamy:
Zadanie 1. Oblicz prawdopodobieństwo, że rzucając dwiema kostkami do gry otrzymamy: a) sumę oczek równą 6, b) iloczyn oczek równy 6, c) sumę oczek mniejszą niż 11, d) iloczyn oczek będący liczbą parzystą,
Bardziej szczegółowoWSPOLCZYNNIKI ZBIEZNOSCI ALGORYTMOW GIBBSA
Please cite this article as: Paweł Kopciuszewski, Współczynniki zbieżności algorytmów Gibbsa, Scientific Research of the Institute of Mathematics and Computer Science, 2002, Volume 1, Issue 1, pages 77-84.
Bardziej szczegółowoProcesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.
Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. 2 Łańcuchem Markowa nazywamy proces będący ciągiem zmiennych
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 0.0.005 r. Zadanie. Likwidacja szkody zaistniałej w roku t następuje: w tym samym roku z prawdopodobieństwem 0 3, w następnym roku z prawdopodobieństwem 0 3, 8 w roku
Bardziej szczegółowoLista 1. Procesy o przyrostach niezależnych.
Lista. Procesy o przyrostach niezależnych.. Niech N t bedzie procesem Poissona o intensywnoci λ = 2. Obliczyć a) P (N 2 < 3, b) P (N =, N 3 = 6), c) P (N 2 = N 5 = 2), d) P (N =, N 2 = 3, N 4 < 5), e)
Bardziej szczegółowoPrzepustowość kanału, odczytywanie wiadomości z kanału, poprawa wydajności kanału.
Przepustowość kanału, odczytywanie wiadomości z kanału, poprawa wydajności kanału Wiktor Miszuris 2 czerwca 2004 Przepustowość kanału Zacznijmy od wprowadzenia równości IA, B HB HB A HA HA B Można ją intuicyjnie
Bardziej szczegółowoInstytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 6 Model matematyczny elementu naprawialnego Prowadzący: mgr inż. Marcel Luzar Cele ćwiczenia:
Bardziej szczegółowoŁ ŚĆ ń Ś Ł Ź Ć Ł Ą ńń ć Ż Ą Ł Ś ń Ł ć Ś ń ć ć ć Ó Ż ć ć Ą Ś ć Ś ć Ń Ś ć Ś ć Ś Ć Ś Ż Ś Ś Ż Ś Ó ń ć ć Ź Ł ć ć ć ń ń ć ć Ą ć ć ć Ź ć ć ć ć ć ć Ó Ź Ó Ł Ł Ń ć ć Ź Ą ć ć ń ć Ą ć ć ć Ł Ź Ź Ź Ż Ł Ż Ł Ż ć ń ć Ą
Bardziej szczegółowoĄ Ń Ę Ę Ą Ę Ć ź Ż Ż Ą ń Ź Ż Ż ń ń Ź Ą Ń Ą Ą Ę ń ź Ę Ę Ż Ć Ą ź Ą Ę ń ź Ę ń ń Ą Ż Ę ń Ą ń ń Ę Ę Ę Ź ń Ę ń ń ń ń Ź Ę Ś ź Ą Ń ń Ż Ź Ę Ź ń ń ń Ę Ę ń Ż Ą ń ńń Ś ń ń Ż Ż Ę Ż Ń Ę Ą Ń Ł ń ń ń ń ń ń ń ń Ś Ź Ę Ś
Bardziej szczegółowoStrategie ewolucyjne (ang. evolu4on strategies)
Strategie ewolucyjne (ang. evolu4on strategies) Strategia ewolucyjna (1+1) W Strategii Ewolucyjnej(1 + 1), populacja złożona z jednego osobnika generuje jednego potomka. Kolejne (jednoelementowe) populacje
Bardziej szczegółowoZajęcia nr 2 Programowanie strukturalne. dr inż. Łukasz Graczykowski mgr inż. Leszek Kosarzewski Wydział Fizyki Politechniki Warszawskiej
Zajęcia nr 2 Programowanie strukturalne dr inż. Łukasz Graczykowski mgr inż. Leszek Kosarzewski Wydział Fizyki Politechniki Warszawskiej Pętla while #include using namespace std; int main ()
Bardziej szczegółowoIII. ZMIENNE LOSOWE JEDNOWYMIAROWE
III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta
Bardziej szczegółowoSpis treści. Definicje prawdopodobieństwa. Częstościowa definicja prawdopodobieństwa. Wnioskowanie_Statystyczne_-_wykład
Wnioskowanie_Statystyczne_-_wykład Spis treści 1 Definicje prawdopodobieństwa 1.1 Częstościowa definicja prawdopodobieństwa 1.1.1 Przykład 1.1.2 Rozwiązanie: 1.1.3 Inne rozwiązanie: 1.1.4 Jeszcze inne
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 szczegółowoUkłady równań liniowych. Ax = b (1)
Układy równań liniowych Dany jest układ m równań z n niewiadomymi. Liczba równań m nie musi być równa liczbie niewiadomych n, tj. mn. a a... a b n n a a... a b n n... a a... a b m m mn n m
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 szczegółowoDrgania wymuszone - wahadło Pohla
Zagadnienia powiązane Częstość kołowa, częstotliwość charakterystyczna, częstotliwość rezonansowa, wahadło skrętne, drgania skrętne, moment siły, moment powrotny, drgania tłumione/nietłumione, drgania
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 szczegółowoZamiana sumowania po stanach jednocząstkowych na całkowanie
TiFS, Ćwiczenia nr 11 Zamiana sumowania po stanach jednocząstkowych na całkowanie Gęstość stanów kwantowych na osi energii f (E) określa liczbę stanów N(E) w określonym przedziale energii de: f (E) de
Bardziej szczegółowoZakładamy, 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 szczegółowoKonstrukcje warunkowe Pętle
* Konstrukcje warunkowe Pętle *Instrukcja if sposób na sprawdzanie warunków *Konstrukcja: if(warunek) else { instrukcje gdy warunek spełniony} {instrukcje gdy warunek NIE spełniony} * 1. Wylicz całkowity
Bardziej szczegółowoInstrukcje Obowiązuje zakaz rozmawiania z innymi uczestnikami, pod rygorem wykluczenia z eksperymentu!
Instrukcje Dziękujemy za udział w eksperymencie! Za samo przyjście na eksperyment otrzymasz 0 zł. Będziesz mógł zatrzymać tę kwotę niezależnie od wyników eksperymentu. Dodatkowe wynagrodzenie będzie zależało
Bardziej szczegółowo7. Identyfikacja defektów badanego obiektu
7. Identyfikacja defektów badanego obiektu Pierwszym krokiem na drodze do identyfikacji defektów było przygotowanie tzw. odcisku palca poszczególnych defektów. W tym celu został napisany program Gaussian
Bardziej szczegółowoUKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać układu równań liniowych Układ liniowych równań algebraicznych
Bardziej szczegółowoNotacja Denavita-Hartenberga
Notacja DenavitaHartenberga Materiały do ćwiczeń z Podstaw Robotyki Artur Gmerek Umiejętność rozwiązywania prostego zagadnienia kinematycznego jest najbardziej bazową umiejętność zakresu Robotyki. Wyznaczyć
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 szczegółowoSzeregFouriera-Legendre a
SzeregFouriera-Legendre a Szereg Fouriera-Legendre a : n=0 P n (t) f n Współczynniki f n = Pn (t) f (t) dt - Pn (t) 2 dt - = 2 n + Pn 2 - (t) f (t) dt Pn - (t) 2 dt = 2 2 n + Zadanie Policz kwadrat normy
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 11 Ogólna postać metody iteracyjnej Definicja 11.1. (metoda iteracyjna rozwiązywania układów równań) Metodą iteracyjną rozwiązywania { układów równań liniowych nazywamy ciąg wektorów zdefiniowany
Bardziej szczegółowoTechniki Optymalizacji: Metody regresji
Techniki Optymalizacji: Metody regresji Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje: piątek 15:10-16:40
Bardziej szczegółowoOdwrócimy macierz o wymiarach 4x4, znajdującą się po lewej stronie kreski:
Przykład 2 odwrotność macierzy 4x4 Odwrócimy macierz o wymiarach 4x4, znajdującą się po lewej stronie kreski: Będziemy dążyli do tego, aby po lewej stronie kreski pojawiła się macierz jednostkowa. Na początek
Bardziej szczegółowoKurs komputerowy S - Mathematica - cz. 3 Suma i iloczyn elementow ciagu NSum[wyr, {zm, w_pocz, w_konc}], NProduct[wyr, {zm, w_pocz, w_konc}]
OBLICZENIA NUMERYCZNE, Karolina Mikulska-Ruminska Kurs komputerowy S - Mathematica - cz. Suma i iloczyn elementow ciagu NSum[wyr, {zm, w_pocz, w_konc}], NProduct[wyr, {zm, w_pocz, w_konc}]? *Sum* System`
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 szczegółowoPochodna funkcji: definicja, podstawowe własności wykład 5
Pochodna funkcji: definicja, podstawowe własności wykład 5 dr Mariusz Grządziel Rok akademicki 214/15, semestr zimowy Problem obliczanie prędkości chwilowej Droga s, jaką przemierzy kulka ołowiana upuszczona
Bardziej szczegółowoWstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa. P. F. Góra
Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2012 Uwarunkowanie zadania numerycznego Niech ϕ : R n R m będzie pewna funkcja odpowiednio wiele
Bardziej szczegółowoPochodne cząstkowe i ich zastosowanie. Ekstrema lokalne funkcji
Pochodne cząstkowe i ich zastosowanie. Ekstrema lokalne funkcji Adam Kiersztyn Lublin 2014 Adam Kiersztyn () Pochodne cząstkowe i ich zastosowanie. Ekstrema lokalne funkcji maj 2014 1 / 24 Zanim przejdziemy
Bardziej szczegółowoObliczenia iteracyjne
Lekcja Strona z Obliczenia iteracyjne Zmienne iteracyjne (wyliczeniowe) Obliczenia iteracyjne wymagają zdefiniowania specjalnej zmiennej nazywanej iteracyjną lub wyliczeniową. Zmienną iteracyjną od zwykłej
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 szczegółowo2. Układy równań liniowych
2. Układy równań liniowych Grzegorz Kosiorowski Uniwersytet Ekonomiczny w Krakowie zima 2017/2018 rzegorz Kosiorowski (Uniwersytet Ekonomiczny w Krakowie) 2. Układy równań liniowych zima 2017/2018 1 /
Bardziej szczegółowoZakresem tonalnym dynamika wejscia calkowitym uzytecznym rozdzielczosc tonalna
Zakresem tonalnym sensora, albo rozpietoscia tonalna nazywa sie zakres zmian natezenia swiatla, na ktore reaguje sensor zmianami przeplywu pradu. Terminu " dynamika" uzywa sie do ilorazu wartosci maksymalnej
Bardziej szczegółowoElementy statystyki opisowej, teoria prawdopodobieństwa i kombinatoryka
Wymagania egzaminacyjne: a) oblicza średnią arytmetyczną, średnią ważoną, medianę i odchylenie standardowe danych; interpretuje te parametry dla danych empirycznych, b) zlicza obiekty w prostych sytuacjach
Bardziej szczegółowo9.1 Rozkład kanoniczny dla układów kwantowych
9 Rozkład kanoniczny 9.1 Rozkład kanoniczny dla układów kwantowych Jest to funkcja rozkładu w stanie równowagi termodynamicznej, dla układu mogącego wymieniać ciepło z otoczeniem. Układ znajduje się w
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH Dr Benedykt R. Jany I Pracownia Fizyczna Ochrona Środowiska grupa F1 Rodzaje Pomiarów Pomiar bezpośredni - bezpośrednio
Bardziej szczegółowoZadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami:
Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Pr(X 1 = 0) = 6/10, Pr(X 1 = 1) = 1/10, i gęstością: f(x) = 3/10 na przedziale (0, 1). Wobec tego Pr(X 1 + X 2 5/3) wynosi:
Bardziej szczegółowoProgramowanie aplikacji mobilnych
Katedra Inżynierii Wiedzy laborki 3 Rysunek: Tworzymy projekt Rysunek: Tworzymy projekt Tworzenie GUI szybki sposób - ustawiamy kontrolki tak, aby łącznie uzyskać 9 przycisków typu ToggleButton oraz 3
Bardziej szczegółowoZadania przygotowawcze do I kolokwium z MD
Zadania przygotowawcze do I kolokwium z MD Nizej znajduja sie wskazowki i rozwiazania. Wskazowki i rozwiazania do kazdego z zadan umiescilem na oddzielnych stronach. Gdy nie wiecie jak zaczac polecam spojrzenie
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 szczegółowoCo to jest wektor? Jest to obiekt posiadający: moduł (długość), kierunek wraz ze zwrotem.
1 Wektory Co to jest wektor? Jest to obiekt posiadający: moduł (długość), kierunek wraz ze zwrotem. 1.1 Dodawanie wektorów graficzne i algebraiczne. Graficzne - metoda równoległoboku. Sprowadzamy wektory
Bardziej szczegółowoLista 5. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym
Lista 5 Zadania na zastosowanie nierównosci Markowa i Czebyszewa. Zadanie 1. Niech zmienna losowa X ma rozkład jednostajny na odcinku [0, 1]. Korzystając z nierówności Markowa oszacować od góry prawdopodobieństwo,
Bardziej szczegółowoPodstawowe operacje na macierzach
Podstawowe operacje na macierzach w pakiecie GNU octave. (wspomaganie obliczeń inżynierskich) Cel ćwiczenia Celem ćwiczenia jest zapoznanie się z tworzeniem macierzy i wektorów w programie GNU octave.
Bardziej szczegółowoGranice ciągów liczbowych
Granice ciągów liczbowych Obliczyć z definicji granicę ciągu o wyrazie, gdzie jest pewną stałą liczbą. Definicja: granicą ciągu jest liczba, jeśli Sprawdzamy, czy i kiedy granica rozpatrywanego ciągu wynosi
Bardziej szczegółowoSkrypt 29. Statystyka. Opracowanie L2
Projekt Innowacyjny program nauczania matematyki dla liceów ogólnokształcących współfinansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego Skrypt 29 Statystyka 1. Przypomnienie
Bardziej szczegółowoGRUPA ĆWICZENIOWA (ZAKREŚL ODPOWIEDNIĄ): MG8 MG13 MB13 MD13 BT13
Nazwisko i imię: Nr indeksu: 1 2 3 4 Σ MiNI/MatLic/AiPP/2014 2015/Kolokwium-IIA (30) GRUPA ĆWICZENIOWA (ZAKREŚL ODPOWIEDNIĄ): MG8 MG13 MB13 MD13 BT13 Uwaga: Za każde zadanie można uzyskać tę samą liczbę
Bardziej szczegółowoMetody teorii gier. ALP520 - Wykład z Algorytmów Probabilistycznych p.2
Metody teorii gier ALP520 - Wykład z Algorytmów Probabilistycznych p.2 Metody teorii gier Cel: Wyprowadzenie oszacowania dolnego na oczekiwany czas działania dowolnego algorytmu losowego dla danego problemu.
Bardziej szczegółowoII WYKŁAD STATYSTYKA. 12/03/2014 B8 sala 0.10B Godz. 15:15
II WYKŁAD STATYSTYKA 12/03/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 2 Rachunek prawdopodobieństwa zdarzenia elementarne zdarzenia losowe zmienna losowa skokowa i ciągła prawdopodobieństwo i gęstość prawdopodobieństwa
Bardziej szczegółowoAleksander Adamowski (s1869) zmienn ą losow ą T o rozkładzie wykładniczym o średniej 5 minut.
Zadanie Statystyczna Analiza Danych - Zadania 6 Aleksander Adamowski (s869) W pewnym biurze czas losowo wybranej rozmowy telefonicznej jest zmienn ą losow ą T o rozkładzie wykładniczym o średniej 5 minut.
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 4. Równania różniczkowe zwyczajne podstawy teoretyczne
Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 4. Równania różniczkowe zwyczajne podstawy teoretyczne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2005/06 Wstęp
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 szczegółowoZbigniew S. Szewczak Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki. Graniczne własności łańcuchów Markowa
Zbigniew S. Szewczak Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Graniczne własności łańcuchów Markowa Toruń, 2003 Co to jest łańcuch Markowa? Każdy skończony, jednorodny łańcuch Markowa
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Łańcuchy Markowa: zagadnienia graniczne. Ukryte modele Markowa. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ KLASYFIKACJA STANÓW Stan i jest osiągalny
Bardziej szczegółowoRozwiązywanie problemów z użyciem Solvera programu Excel
Rozwiązywanie problemów z użyciem Solvera programu Excel Podstawowe czynności: aktywować dodatek Solver oraz ustawić w jego opcjach maksymalny czas trwania algorytmów na sensowną wartość (np. 30 sekund).
Bardziej szczegółowoRozkłady 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 szczegółowoKADD Minimalizacja funkcji
Minimalizacja funkcji n-wymiarowych Forma kwadratowa w n wymiarach Procedury minimalizacji Minimalizacja wzdłuż prostej w n-wymiarowej przestrzeni Metody minimalizacji wzdłuż osi współrzędnych wzdłuż kierunków
Bardziej szczegółowoModele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 1
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 1 Konrad Miziński, nr albumu 233703 1 maja 2015 Zadanie 1 Parametr λ wyestymowano jako średnia z próby: λ = X n = 3.73 Otrzymany w
Bardziej szczegółowo6. Dyfuzja w ujęciu atomowym
6. Dyfuzja w ujęciu atomowym Do tej pory rozpatrywaliśmy dyfuzję w kategoriach makroskopowych - wszystkie nasze równania odnosiły się do sytuacji, w których opisywany układ traktowany był jako ciągłe medium.
Bardziej szczegółowoMETODA SIŁ KRATOWNICA
Część. METDA SIŁ - RATWNICA.. METDA SIŁ RATWNICA Sposób rozwiązywania kratownic statycznie niewyznaczalnych metodą sił omówimy rozwiązują przykład liczbowy. Zadanie Dla kratownicy przedstawionej na rys..
Bardziej szczegółowoANALIZA II 15 marca 2014 Semestr letni. Ćwiczenie 1. Czy dan a funkcjȩ da siȩ dookreślić w punkcie (0, 0) tak, żeby otrzymana funkcja by la ci ag la?
Ci ag lość i norma Ćwiczenie. Czy dan a funkcjȩ da siȩ dookreślić w punkcie (0, 0) tak, żeby otrzymana funkcja by la ci ag la? f (x, y) = x2 y 2 x 2 + y 2, f 2(x, y) = x2 y x 2 + y 2 f 3 (x, y) = x2 y
Bardziej szczegółowoEGZAMIN MAGISTERSKI, 25.06.2009 Biomatematyka
Biomatematyka 80...... Zadanie 1. (8 punktów) Rozpatrzmy prawo Hardy ego Weinberga dla loci związanej z chromosomem X o dwóch allelach A 1 i A 2. Załóżmy, że początkowa częstość allelu A 2 u kobiet jest
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Przestrzeń probabilistyczna Niech Ω będzie dowolnym zbiorem, zwanym przestrzenią zdarzeń elementarnych. Elementy ω tej przestrzeni nazywamy zdarzeniami elementarnymi.
Bardziej szczegółowoAKADEMIA 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 szczegółowo1 Rozklady dyskretne. Rachunek p-stwa Przeksztalcenia zmiennych losowych. 2. Rozklad dwumianowy. 3. Rozklad Poissona
Rachunek p-stwa 2010-2011 1 Rozklady dyskretne 1. Przeksztalcenia zmiennych losowych 2. Rozklad dwumianowy 3. Rozklad Poissona 4. Inne rozklady dyskretne 1 Przeksztalcenia zmiennych losowych Zmienna losowa
Bardziej szczegółowoMetoda eliminacji Gaussa
Metoda eliminacji Gaussa Rysunek 3. Rysunek 4. Rozpoczynamy od pierwszego wiersza macierzy opisującej nasz układ równań (patrz Rys.3). Zakładając, że element a 11 jest niezerowy (jeśli jest, to niezbędny
Bardziej szczegółowoRozdział 3 ZADANIE TRANSPORTOWE I PROBLEM KOMIWOJAŻERA
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 3 ZADANIE TRANSPORTOWE I PROBLEM KOMIWOJAŻERA 3.2. Ćwiczenia komputerowe
Bardziej szczegółowo