Metody inwersji Bayesowskiej -L7- IGF PAN, 21.IV.2005

Wielkość: px
Rozpocząć pokaz od strony:

Download "Metody inwersji Bayesowskiej -L7- IGF PAN, 21.IV.2005"

Transkrypt

1 Metody inwersji Bayesowskiej -L7-

2 Podejście optymalizacyjne i probabilistyczne podobieństwa i różnice (C) G(m) d obs + λ m m apr = min d obs m apr d th = d true + ɛ obs = m true + ɛ apr = G(m) + ɛ th G(m) d true +ɛ obs +ɛ th +λ m m apr +ɛ apr = min

3 Podejście optymalizacyjne i probabilistyczne podobieństwa i różnice (D) Rozwiazania dla różnych realizacji ɛ obs, ɛ th ɛ apr : m (1), m (2), m (K) Pozwala utworzyć histogram rozwiazań: h(m) = N α (m) N K który jest przybliżeniem σ(m) Technika nieefektywna w przypadkach wielowymiarowych!!!

4 Model najbardziej prawdopodobny - optymalizacja szukanie modelu najbardziej prawdopodobnego m ml : σ(m ml ) = max metody gradientowe metody Monte Carlo Symulowane wyżarzanie Algorytm Genetyczny technika równoważna podejściu optymalizacyjnemu

5 Optymalizacja gradientowa i Monte Carlo

6 Metoda: preconditioned sttepest descent 1. m 0 - dowolny, Ŝ 0 (I + C M G t C 1 D G) 1 2. γ n = C M G t C 1 D (Gm n d obs ) + (m n m apr ) 3. φ n = Ŝ0γ n 4. b n = Gφ n 5. µ n = γ t n C 1 M φ n φ t n C 1 M φ n+b t n C Db n 6. m n+1 = m n µ n φ n

7 Optymalizacja gradientowa - ograniczenia

8 System z wieloma stopniami swobody Roztopiony metal, skały, itp: 1m 3 : N Jak opisać taki układ??? ( r i, v i )

9 Podejście statystyczne Interesuja nas na ogół makroskopiczne wielkości: temperatura, gestość, lepkość, itp. Wiele różnych mikroskopowych stanów odpowiada tej samemej wielkości makroskopowej Równowaga termodynamiczna: stan makroskopowy nie zmienia sie w czasie jednakże stany mikroskopowy - tak

10 Thermodynamika srównowagowa Rozkład Boltzmana (kanoniczny) p(c) = 1 ( Z exp E(C) ) kt E - energy of a given state T - temperature Z(T, M,...) = ( exp E ) i kt C prwdopodobieństwo realizacji stanu makroskopowego przez dany stan mikroskopowy C

11 Proces schładzania schładzanie powolne Proces schładzania - system zdaża do stanu o minimum energii wewnetrznej - ruchy termiczne zostaja zamrożone T - high T - low

12 Proces schładzania szybkie schładzanie T - high T - low

13 Proces schładzania - zmiany w rozkładzie Boltzmanna Cooling system Cooling system States C States C

14 Proces schładzania ewolucja rozkładu Boltzmana T=10 T=1 T=0.1

15 Proces schładzania: krystalizacja Model Space Temperature

16 Symulowane schładzanie - optymalizacja Szukamy absolutnego minimum dodatniej funkcji S(m) > 0 S(m) = e S(m) T

17 Algorytmy typu Simulated Annealing Wybierz To Wygeneruj C z p(c) Zmniejsz T Zakoncz gdy T = Tk

18 Generowane próbki T=10 T=1 T=0.1

19 Stan podstawowy i stany metatrwałe

20 Utwórz rozkład Boltzmanowski p(m, T ) = exp( S(m)/T ) Wybierz T 0, i model poczatkowy m α i oceń go p α = p(m α, T 0 ) Dla danej temperatury T k wylosuj m α+1 z p(m, T k ) wylosuj próbke testowa m β : m β = m α + δm oceń m β : p β = p(m β, T k ) Utwóż m α+1 zaakceptuj m β z prawdopodobiństwem p = min (1, p β /p α ) m α+1 = m β jeśli m β odrzucona duplikuj stan obecny m α+1 = m α Zmniejsz temperatur e T k+1 = f(t k ) Powtarzaj aż do osiagni ecia końcowej temperatury

21 Algorytm SA przykład while( T > Tf) /* decrease T loop */ { nc =ceil( p2+p3*exp(-(double)k/(double)sa->n)); if(nc<=1) nc=1; ++k; for(l=0;l<nc;l++) /* T=const loop */ { for(j=0;j<n;j++) /* generate new sample */ { u=sarandval(0,1); /* modified VFSA */ x= fabs(2*u -1); z= T*( pow(1+1/t,x) - 1); if(u >=0.5) p=mi[j] + z * (mu[j]-mi[j]); else

22 p= mi[j] - z * (mi[j]-ml[j]); mf[j]=p; } tt= (*fun)(mf); /* evaluate */ e = tt-ta; z=exp(-e/t); u=sarandval(0,1); if( e<0 z > u) /* accept */ { ta=tt; mc = mi; mi = mf; mf=mc; if(ta < ts) /* keep the best */ { ts=ta; for(i=0;i < N; i++) ms[i]=mi[i]; }

23 } } /* End of T=const loop */ To=T; /* decrease T (VFSA scheme) */ z=tc*pow((double)(k),di); T = Ti*exp(-z); if(sa->pf>0) /* messages to STD_ERR */ { if(k%sa->pf==0) fprintf(stderr," VFSA: T = %.2e dt = %.2e iter: %-6d nc: %- } } /* End of cooling (T) loop */

24 Thermodynamika - Optymalizacja/Inwersja analogie Termodynamika Optymalizacja wiele stopni swobody optymalizacja wielo parametrowa rozkład Boltzmana rozkład a posteriori energia niedopasowanie stan podstawowy globalne maksimum możliwe stany metatrwałe lokalne maksima Schładzanie wymaga by układ był w stanie równowagi termodynamicznej

Elementy wspo łczesnej teorii inwersji

Elementy 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 szczegółowo

Elementy wspo łczesnej teorii inwersji

Elementy wspo łczesnej teorii inwersji Elementy wspo łczesnej teorii inwersji W. Debski, 11.12.2014 Liniowy problem odwrotny m est (λ) = m apr + (G T G + λi) 1 G T ( dobs G m apr) +δ debski@igf.edu.pl: W3-1 IGF PAN, 11.12.2014 Metoda algebraiczna

Bardziej szczegółowo

Optymalizacja. Symulowane wyżarzanie

Optymalizacja. 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 szczegółowo

Techniki optymalizacji

Techniki 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 szczegółowo

Współczesna technika inwersyjna - dokad zmierzamy? Wojciech Dȩbski

Współczesna technika inwersyjna - dokad zmierzamy? Wojciech Dȩbski Współczesna technika inwersyjna - dokad zmierzamy? Wojciech Dȩbski 24.5.2 Pomiar bezpośredni IGF, 24.5.2 IGF - Pomiar pośredni IGF, 24.5.2 IGF - 2 Interpretacja matematyczna m m + dm m d + dd d = G(m)

Bardziej szczegółowo

Układy statystyczne. Jacek Jurkowski, Fizyka Statystyczna. Instytut Fizyki

Układy statystyczne. Jacek Jurkowski, Fizyka Statystyczna. Instytut Fizyki Instytut Fizyki 2015 Stany mikroskopowe i makroskopowe w układzie wielopoziomowym Stany mikroskopowe i makroskopowe w układzie wielopoziomowym N rozróżnialnych cząstek, z których każda może mieć energię

Bardziej szczegółowo

Temperatura, ciepło, oraz elementy kinetycznej teorii gazów

Temperatura, ciepło, oraz elementy kinetycznej teorii gazów Temperatura, ciepło, oraz elementy kinetycznej teorii gazów opis makroskopowy równowaga termodynamiczna temperatura opis mikroskopowy średnia energia kinetyczna molekuł Równowaga termodynamiczna A B A

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa

Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa M. Czoków, J. Piersa 2012-01-10 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego 3 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova

Wstęp 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 szczegółowo

Co to jest model Isinga?

Co 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 szczegółowo

Przeszukiwanie lokalne

Przeszukiwanie lokalne Przeszukiwanie lokalne 1. Klasyfikacja algorytmów 2. Przeszukiwanie lokalne 1. Klasyfikacja algorytmów Algorytmy dokładne znajdują rozwiązanie optymalne, 1. Klasyfikacja algorytmów Algorytmy dokładne znajdują

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 14 Maszyna Boltzmanna

Wstęp do sieci neuronowych, wykład 14 Maszyna Boltzmanna do sieci neuronowych, wykład 14 Maszyna Boltzmanna M. Czoków, J. Piersa Faculty of Mathematics and Computer Science, Nicolaus Copernicus University, Toruń, Poland 2014-01-21 Problemy z siecią Hopfilda

Bardziej szczegółowo

Metody Obliczeniowe w Nauce i Technice

Metody Obliczeniowe w Nauce i Technice 18 - Optymalizacja metodą simulated annealing Marian Bubak Department of Computer Science AGH University of Science and Technology Krakow, Poland bubak@agh.edu.pl dice.cyfronet.pl Contributors Marcin Przewięźlikowski

Bardziej szczegółowo

model isinga 2d ab 10 grudnia 2016

model 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 szczegółowo

METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne

METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne dr hab. inż. Andrzej Obuchowicz, prof. UZ Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski A. Obuchowicz: MSI - algorytmy ewolucyjne

Bardziej szczegółowo

n p 2 i = R 2 (8.1) i=1

n 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 szczegółowo

Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation)

Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation) Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation) Jest to technika probabilistyczna rozwiązywania problemów obliczeniowych, które mogą zostać sprowadzone do problemu znalezienie

Bardziej szczegółowo

Bezgradientowe metody optymalizacji funkcji wielu zmiennych. informacje dodatkowe

Bezgradientowe metody optymalizacji funkcji wielu zmiennych. informacje dodatkowe Bezgradientowe metody optymalizacji funkcji wielu zmiennych informacje dodatkowe Wybór kierunku poszukiwań Kierunki bazowe i ich modyfikacje metody bezgradientowe. Kierunki oparte na gradiencie funkcji

Bardziej szczegółowo

Lokalizacja zjawisk sejsmicznych w kopalni - problemy. Lokalizacja - problemy. brak czasu w ognisku. Lokalizacja względna. niedokładne wyznaczanie

Lokalizacja zjawisk sejsmicznych w kopalni - problemy. Lokalizacja - problemy. brak czasu w ognisku. Lokalizacja względna. niedokładne wyznaczanie Lokalizacja zjawisk sejsmicznych w kopalni - problemy Lokalizacja - problemy niedokładne wyznaczanie brak czasu w ognisku głębokości Absolutna lokalizacja pojedynczych zjawisk Lokalizacja względna wyznaczamy

Bardziej szczegółowo

Wykład 8 i 9. Hipoteza ergodyczna, rozkład mikrokanoniczny, wzór Boltzmanna

Wykład 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 szczegółowo

Przegląd metod optymalizacji wielowymiarowej. Funkcja testowa. Funkcja testowa. Notes. Notes. Notes. Notes. Tomasz M. Gwizdałła

Przegląd metod optymalizacji wielowymiarowej. Funkcja testowa. Funkcja testowa. Notes. Notes. Notes. Notes. Tomasz M. Gwizdałła Przegląd metod optymalizacji wielowymiarowej Tomasz M. Gwizdałła 2012.12.06 Funkcja testowa Funkcją testową dla zagadnień rozpatrywanych w ramach tego wykładu będzie funkcja postaci f (x) = (x 1 1) 4 +

Bardziej szczegółowo

Elementy wspo łczesnej teorii inwersji

Elementy wspo łczesnej teorii inwersji Elementy wspo łczesnej teorii inwersji W. Debski, 27.11.2014 Zagadnienia modelowania i inwersji uogólnienie debski@igf.edu.pl: W2-1 IGF PAN, 27.11.2014 Zagadnienie odwrotne - pomiary pośrednie zagadnienie

Bardziej szczegółowo

Testowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.

Testowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4. Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ

Bardziej szczegółowo

e E Z = P = 1 Z e E Kanoniczna suma stanów Prawdopodobieństwo wystąpienia mikrostanu U E = =Z 1 Wartość średnia energii

e 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 szczegółowo

Elementy wspo łczesnej teorii inwersji

Elementy wspo łczesnej teorii inwersji Elementy wspo łczesnej teorii inwersji W. Debski, 5.02.2015 Przykład - 1 (Wiek A. Tarantoli???) debski@igf.edu.pl: W6-1 IGF PAN, 5.02.2015 Pomysł na rozwiazanie debski@igf.edu.pl: W6-2 IGF PAN, 5.02.2015

Bardziej szczegółowo

Metody Rozmyte i Algorytmy Ewolucyjne

Metody 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 szczegółowo

Uczenie ze wzmocnieniem

Uczenie ze wzmocnieniem Uczenie ze wzmocnieniem Maria Ganzha Wydział Matematyki i Nauk Informatycznych 2018-2019 Przypomnienia (1) Do tych czas: stan X t u, gdzie u cel aktualizacji: MC : X t G t TD(0) : X y R t+1 + γˆv(x t,

Bardziej szczegółowo

Dynamiczne stochastyczne modele równowagi ogólnej

Dynamiczne stochastyczne modele równowagi ogólnej Dynamiczne stochastyczne modele równowagi ogólnej mgr Anna Sulima Instytut Matematyki UJ 8 maja 2012 mgr Anna Sulima (Instytut Matematyki UJ) Dynamiczne stochastyczne modele równowagi ogólnej 8 maja 2012

Bardziej szczegółowo

Uczenie sieci typu MLP

Uczenie sieci typu MLP Uczenie sieci typu MLP Przypomnienie budowa sieci typu MLP Przypomnienie budowy neuronu Neuron ze skokową funkcją aktywacji jest zły!!! Powszechnie stosuje -> modele z sigmoidalną funkcją aktywacji - współczynnik

Bardziej szczegółowo

Metody numeryczne II

Metody numeryczne II Metody numeryczne II Poszukiwanie ekstremów funkcji Janusz Szwabiński szwabin@ift.uni.wroc.pl Metody numeryczne II (C) 2004 Janusz Szwabiński p.1/55 Poszukiwanie ekstremów funkcji 1. Funkcje jednej zmiennej

Bardziej szczegółowo

Występują fluktuacje w stanie równowagi Proces przejścia do stanu równowagi jest nieodwracalny proces powrotny jest bardzo mało prawdopodobny.

Występują fluktuacje w stanie równowagi Proces przejścia do stanu równowagi jest nieodwracalny proces powrotny jest bardzo mało prawdopodobny. Wykład 14: Fizyka statystyczna Zajmuje sie układami makroskopowymi (typowy układ makroskopowy składa się z ok. 10 25 atomów), czyli ok 10 25 równań Newtona? Musimy dopasować inne pojęcia do opisu takich

Bardziej szczegółowo

Metody Numeryczne Optymalizacja. Wojciech Szewczuk

Metody Numeryczne Optymalizacja. Wojciech Szewczuk Metody Numeryczne Optymalizacja Optymalizacja Definicja 1 Przez optymalizację będziemy rozumieć szukanie minimów lub maksimów funkcji. Optymalizacja Definicja 2 Optymalizacja lub programowanie matematyczne

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka 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 szczegółowo

FIZYKA STATYSTYCZNA. d dp. jest sumaryczną zmianą pędu cząsteczek zachodzącą na powierzchni S w

FIZYKA 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 szczegółowo

Program MC. Obliczyć radialną funkcję korelacji. Zrobić jej wykres. Odczytać z wykresu wartość radialnej funkcji korelacji w punkcie r=

Program MC. Obliczyć radialną funkcję korelacji. Zrobić jej wykres. Odczytać z wykresu wartość radialnej funkcji korelacji w punkcie r= Program MC Napisać program symulujący twarde kule w zespole kanonicznym. Dla N > 100 twardych kul. Gęstość liczbowa 0.1 < N/V < 0.4. Zrobić obliczenia dla 2,3 różnych wartości gęstości. Obliczyć radialną

Bardziej szczegółowo

Fizyka statystyczna Termodynamika bliskiej nierównowagi. P. F. Góra

Fizyka statystyczna Termodynamika bliskiej nierównowagi. P. F. Góra Fizyka statystyczna Termodynamika bliskiej nierównowagi P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2015 Nasze wszystkie dotychczasowe rozważania dotyczyły układów w równowadze termodynamicznej lub

Bardziej szczegółowo

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311 Sztuczne sieci neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311 Wykład 7 PLAN: - Repetitio (brevis) -Algorytmy miękkiej selekcji: algorytmy ewolucyjne symulowane wyżarzanie

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 13. PROBLEMY OPTYMALIZACYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska PROBLEMY OPTYMALIZACYJNE Optymalizacja poszukiwanie

Bardziej szczegółowo

Hybrydy symulowanego wyżarzania

Hybrydy symulowanego wyżarzania Symulowane wyżarzanie Hybrydy symulowanego wyżarzania Inspiracje fizyczne Urszula Boryczka ENTROPIA Nieporządek mierzymy liczbą sposobów, na które można poustawiać składniki, nie naruszając wyglądu zewnętrznego

Bardziej szczegółowo

2) wzrost i hodowla kryształów, metalurgia algorytm symulowanego wygrzewania

2) wzrost i hodowla kryształów, metalurgia algorytm symulowanego wygrzewania Przewodnik do przeszukiwania losowego inspiracje przyrodnicze Przyrodnicze (naturalne) algorytmy optymalizacji MC 1) teoria doboru naturalnego algorytmy genetycze wygląd owada zoptymalizowany na drodze

Bardziej szczegółowo

Zadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =

Zadanie 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 szczegółowo

Algorytmy MCMC i ich zastosowania statystyczne

Algorytmy 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 1 1 Co to jest MCMC? 2

Bardziej szczegółowo

Aproksymacja funkcji a regresja symboliczna

Aproksymacja funkcji a regresja symboliczna Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą

Bardziej szczegółowo

Przykłady problemów optymalizacyjnych

Przykłady problemów optymalizacyjnych Przykłady problemów optymalizacyjnych NAJKRÓTSZA ŚCIEŻKA W zadanym grafie G = (V, A) wyznacz najkrótsza ścieżkę od wierzchołka s do wierzchołka t. 2 7 5 5 3 9 5 s 8 3 1 t 2 2 5 5 1 5 4 Przykłady problemów

Bardziej szczegółowo

REGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO. Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój

REGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO. Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój 1 REGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój 2 DOTYCHCZASOWE MODELE Regresja liniowa o postaci: y

Bardziej szczegółowo

Matematyka stosowana i metody numeryczne

Matematyka stosowana i metody numeryczne Ewa Pabisek Adam Wosatko Piotr Pluciński Matematyka stosowana i metody numeryczne Konspekt z wykładu 6 Rozwiązywanie równań nieliniowych Rozwiązaniem lub pierwiastkiem równania f(x) = 0 lub g(x) = h(x)

Bardziej szczegółowo

P(F=1) F P(C1 = 1 F = 1) P(C1 = 1 F = 0) P(C2 = 1 F = 1) P(C2 = 1 F = 0) P(R = 1 C2 = 1) P(R = 1 C2 = 0)

P(F=1) F P(C1 = 1 F = 1) P(C1 = 1 F = 0) P(C2 = 1 F = 1) P(C2 = 1 F = 0) P(R = 1 C2 = 1) P(R = 1 C2 = 0) Sieci bayesowskie P(F=) F P(C = F = ) P(C = F = 0) C C P(C = F = ) P(C = F = 0) M P(M = C =, C = ) P(M = C =, C = 0) P(M = C = 0, C = ) P(M = C = 0, C = 0) R P(R = C = ) P(R = C = 0) F pali papierosy C

Bardziej szczegółowo

Jednostki podstawowe. Tuż po Wielkim Wybuchu temperatura K Teraz ok. 3K. Długość metr m

Jednostki podstawowe. Tuż po Wielkim Wybuchu temperatura K Teraz ok. 3K. Długość metr m TERMODYNAMIKA Jednostki podstawowe Wielkość Nazwa Symbol Długość metr m Masa kilogramkg Czas sekunda s Natężenieprąduelektrycznego amper A Temperaturatermodynamicznakelwin K Ilość materii mol mol Światłość

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo 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 szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka 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 szczegółowo

Strategie ewolucyjne. Gnypowicz Damian Staniszczak Łukasz Woźniak Marek

Strategie ewolucyjne. Gnypowicz Damian Staniszczak Łukasz Woźniak Marek Strategie ewolucyjne Gnypowicz Damian Staniszczak Łukasz Woźniak Marek Strategie ewolucyjne, a algorytmy genetyczne Podobieństwa: Oba działają na populacjach rozwiązań Korzystają z zasad selecji i przetwarzania

Bardziej szczegółowo

Układy równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona) f(x) = 0, gdzie. dla n=2 np.

Układy równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona) f(x) = 0, gdzie. dla n=2 np. Układy równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona f(x 0, f ( f, f,..., f n gdzie 2 x ( x, x 2,..., x n dla n2 np. f ( x, y 0 g( x, y 0 dla każdej wielowymiarowej rozwinięcie w szereg Taylora

Bardziej szczegółowo

dla t ściślejsze ograniczenie na prawdopodobieństwo otrzymujemy przyjmując k = 1, zaś dla t > t ściślejsze ograniczenie otrzymujemy przyjmując k = 2.

dla 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 szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka 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 szczegółowo

Elementy termodynamiki

Elementy termodynamiki Elementy termodynamiki Katarzyna Sznajd-Weron Katedra Fizyki Teoretycznej Politechnika Wrocławska 5 stycznia 2019 Katarzyna Sznajd-Weron (K4) Wstęp do Fizyki Statystycznej 5 stycznia 2019 1 / 27 Wielkości

Bardziej szczegółowo

Równoległe symulacje Monte Carlo na współdzielonej sieci

Równoległe 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 szczegółowo

S ścianki naczynia w jednostce czasu przekazywany

S 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 szczegółowo

Metody Rozmyte i Algorytmy Ewolucyjne

Metody Rozmyte i Algorytmy Ewolucyjne mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawy optymalizacji Plan prezentacji 1 Podstawy matematyczne 2 3 Eliminacja ograniczeń Metody

Bardziej szczegółowo

Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 1

Modele 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 szczegółowo

Fuzja sygnałów i filtry bayesowskie

Fuzja sygnałów i filtry bayesowskie Fuzja sygnałów i filtry bayesowskie Roboty Manipulacyjne i Mobilne dr inż. Janusz Jakubiak Katedra Cybernetyki i Robotyki Wydział Elektroniki, Politechnika Wrocławska Wrocław, 10.03.2015 Dlaczego potrzebna

Bardziej szczegółowo

SPOTKANIE 3: Regresja: Regresja liniowa

SPOTKANIE 3: Regresja: Regresja liniowa Wrocław University of Technology SPOTKANIE 3: Regresja: Regresja liniowa Adam Gonczarek Studenckie Koło Naukowe Estymator adam.gonczarek@pwr.wroc.pl 22.11.2013 Rozkład normalny Rozkład normalny (ang. normal

Bardziej szczegółowo

Czym się różni ciecz od ciała stałego?

Czym się różni ciecz od ciała stałego? Szkła Czym się różni ciecz od ciała stałego? gęstość Czy szkło to ciecz czy ciało stałe? Szkło powstaje w procesie chłodzenia cieczy. Czy szkło to ciecz przechłodzona? kryształ szkło ciecz przechłodzona

Bardziej szczegółowo

w analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.

w analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych. Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(), zwaną funkcją aproksymującą

Bardziej szczegółowo

Elementy termodynamiki

Elementy termodynamiki Elementy termodynamiki Katarzyna Sznajd-Weron Katedra Fizyki Teoretycznej Politechnika Wrocławska 11 marca 2019 Katarzyna Sznajd-Weron (K4) Wstęp do Fizyki Statystycznej 11 marca 2019 1 / 37 Dwa poziomy

Bardziej szczegółowo

Optymalizacja. Przeszukiwanie lokalne

Optymalizacja. 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 szczegółowo

Optymalizacja kryteriów selekcji dla rozpadu Λ+c pμ+μza pomocą wielowymiarowej analizy danych

Optymalizacja kryteriów selekcji dla rozpadu Λ+c pμ+μza pomocą wielowymiarowej analizy danych Optymalizacja kryteriów selekcji dla rozpadu Λ+c pμ+μza pomocą wielowymiarowej analizy danych Maciej Kościelski Jakub Malczewski opiekunowie prof. dr hab. Mariusz Witek mgr inż. Małgorzata Pikies LHCb

Bardziej szczegółowo

Elementy modelowania matematycznego

Elementy modelowania matematycznego Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski

Bardziej szczegółowo

Selekcja cech. Wprowadzenie Metody selekcji cech. Przykład zastosowania. Miary niepodobieństwa. Algorytmy przeszukiwania

Selekcja cech. Wprowadzenie Metody selekcji cech. Przykład zastosowania. Miary niepodobieństwa. Algorytmy przeszukiwania Selekcja cech Wprowadzenie Metody selekcji cech Miary niepodobieństwa Algorytmy przeszukiwania Przykład zastosowania Wprowadzenie 2 Cel selekcji: dobór cech obiektu, na których opierać się będzie klasyfikacja

Bardziej szczegółowo

Algorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa

Algorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa Algorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa Wojciech Niemiro 1 Uniwersytet Warszawski i UMK Toruń XXX lat IMSM, Warszawa, kwiecień 2017 1 Wspólne prace z Błażejem Miasojedowem,

Bardziej szczegółowo

Ogólny schemat postępowania

Ogólny 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 szczegółowo

Termodynamika. Część 11. Układ wielki kanoniczny Statystyki kwantowe Gaz fotonowy Ruchy Browna. Janusz Brzychczyk, Instytut Fizyki UJ

Termodynamika. Część 11. Układ wielki kanoniczny Statystyki kwantowe Gaz fotonowy Ruchy Browna. Janusz Brzychczyk, Instytut Fizyki UJ Termodynamika Część 11 Układ wielki kanoniczny Statystyki kwantowe Gaz fotonowy Ruchy Browna Janusz Brzychczyk, Instytut Fizyki UJ Układ otwarty rozkład wielki kanoniczny Rozważamy układ w równowadze termicznej

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja hipotez statystycznych Weryfikacja hipotez statystycznych Przykład (wstępny). Producent twierdzi, że wadliwość produkcji wynosi 5%. My podejrzewamy, że rzeczywista wadliwość produkcji wynosi 15%. Pobieramy próbę stuelementową

Bardziej szczegółowo

XIII International PhD Workshop OWD 2011, October 2011 WIZUALIZACJA SYSTEMÓW GRZEWCZYCH VISUALISATION OF THE HEATING SYSTEMS

XIII International PhD Workshop OWD 2011, October 2011 WIZUALIZACJA SYSTEMÓW GRZEWCZYCH VISUALISATION OF THE HEATING SYSTEMS XIII International PhD Workshop OWD 2011, 22 25 October 2011 WIZUALIZACJA SYSTEMÓW GRZEWCZYCH VISUALISATION OF THE HEATING SYSTEMS Paweł Dąbrowski, Faculty of Electrical Engineering, Computer Science and

Bardziej szczegółowo

Statystyka Matematyczna Anna Janicka

Statystyka Matematyczna Anna Janicka Statystyka Matematyczna Anna Janicka wykład X, 9.05.206 TESTOWANIE HIPOTEZ STATYSTYCZNYCH II: PORÓWNYWANIE TESTÓW Plan na dzisiaj 0. Przypomnienie potrzebnych definicji. Porównywanie testów 2. Test jednostajnie

Bardziej szczegółowo

Teoria ze Wstępu do analizy stochastycznej

Teoria ze Wstępu do analizy stochastycznej eoria ze Wstępu do analizy stochastycznej Marcin Szumski 22 czerwca 21 1 Definicje 1. proces stochastyczny - rodzina zmiennych losowych X = (X t ) t 2. trajektoria - funkcja (losowa) t X t (ω) f : E 3.

Bardziej szczegółowo

Metody systemowe i decyzyjne w informatyce

Metody systemowe i decyzyjne w informatyce Metody systemowe i decyzyjne w informatyce Laboratorium MATLAB Zadanie nr 2 κ-nn i Naive Bayes autorzy: M. Zięba, J.M. Tomczak, A. Gonczarek, S. Zaręba Cel zadania Celem zadania jest implementacja klasyfikatorów

Bardziej szczegółowo

Wykład 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 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 szczegółowo

2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7

2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7 Spis treści Spis treści 1 Przedziały ufności 1 1.1 Przykład wstępny.......................... 1 1.2 Określenie i konstrukcja...................... 3 1.3 Model dwupunktowy........................ 5 1.4

Bardziej szczegółowo

Testowanie hipotez statystycznych cd.

Testowanie hipotez statystycznych cd. Temat Testowanie hipotez statystycznych cd. Kody znaków: żółte wyróżnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Przykłady testowania hipotez dotyczących:

Bardziej szczegółowo

Prawdopodobieństwo i rozkład normalny cd.

Prawdopodobieństwo i rozkład normalny cd. # # Prawdopodobieństwo i rozkład normalny cd. Michał Daszykowski, Ivana Stanimirova Instytut Chemii Uniwersytet Śląski w Katowicach Ul. Szkolna 9 40-006 Katowice E-mail: www: mdaszyk@us.edu.pl istanimi@us.edu.pl

Bardziej szczegółowo

Metody rozwiązywania równań nieliniowych

Metody rozwiązywania równań nieliniowych Metody rozwiązywania równań nieliniowych Rozwiązywanie równań nieliniowych Ogólnie równanie o jednej niewiadomej x można przedstawić w postaci f ( x)=0, x R, (1) gdzie f jest wystarczająco regularną funkcją.

Bardziej szczegółowo

1. Symulacje komputerowe Idea symulacji Przykład. 2. Metody próbkowania Jackknife Bootstrap. 3. Łańcuchy Markova. 4. Próbkowanie Gibbsa

1. 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 szczegółowo

Plan. Zakres badań teorii optymalizacji. Teoria optymalizacji. Teoria optymalizacji a badania operacyjne. Badania operacyjne i teoria optymalizacji

Plan. Zakres badań teorii optymalizacji. Teoria optymalizacji. Teoria optymalizacji a badania operacyjne. Badania operacyjne i teoria optymalizacji Badania operacyjne i teoria optymalizacji Instytut Informatyki Poznań, 2011/2012 1 2 3 Teoria optymalizacji Teoria optymalizacji a badania operacyjne Teoria optymalizacji zajmuje się badaniem metod optymalizacji

Bardziej szczegółowo

3 MODELE PROCESÓW STOCHASTYCZNYCH 3

3 MODELE PROCESÓW STOCHASTYCZNYCH 3 3 MODELE PROCESÓW STOCHASTYCZNYCH 3 3.1. Wprowadzenie Prawdopodobieństwo i procesy stochastyczne służą do opisu i reprezentacji niepewności lub niejednoznaczności. Podejście probabilistyczne nie jest w

Bardziej szczegółowo

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

Janusz 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 szczegółowo

Porównanie modeli regresji. klasycznymi modelami regresji liniowej i logistycznej

Porównanie modeli regresji. klasycznymi modelami regresji liniowej i logistycznej Porównanie modeli logicznej regresji z klasycznymi modelami regresji liniowej i logistycznej Instytut Matematyczny, Uniwersytet Wrocławski Małgorzata Bogdan Instytut Matematyki i Informatyki, Politechnika

Bardziej szczegółowo

Algorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009

Algorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009 Algorytmy genetyczne Paweł Cieśla 8 stycznia 2009 Genetyka - nauka o dziedziczeniu cech pomiędzy pokoleniami. Geny są czynnikami, które decydują o wyglądzie, zachowaniu, rozmnażaniu każdego żywego organizmu.

Bardziej szczegółowo

Wielki rozkład kanoniczny

Wielki rozkład kanoniczny , granica termodynamiczna i przejścia fazowe Instytut Fizyki 2015 Podukład otwarty Podukład otwarty S opisywany układ + rezerwuar R Podukład otwarty S opisywany układ + rezerwuar R układ S + R jest izolowany

Bardziej szczegółowo

Imputacja brakujacych danych binarnych w modelu autologistycznym 1

Imputacja brakujacych danych binarnych w modelu autologistycznym 1 Imputacja brakujacych danych binarnych w modelu autologistycznym 1 Marta Zalewska Warszawski Uniwesytet Medyczny Statystyka Matematyczna Wisła, grudzień 2009 1 Współautorzy: Wojciech Niemiro, UMK Toruń

Bardziej szczegółowo

Szkła specjalne Przejście szkliste i jego termodynamika Wykład 5. Ryszard J. Barczyński, 2017 Materiały edukacyjne do użytku wewnętrznego

Szkła specjalne Przejście szkliste i jego termodynamika Wykład 5. Ryszard J. Barczyński, 2017 Materiały edukacyjne do użytku wewnętrznego Szkła specjalne Przejście szkliste i jego termodynamika Wykład 5 Ryszard J. Barczyński, 2017 Materiały edukacyjne do użytku wewnętrznego Czy przejście szkliste jest termodynamicznym przejściem fazowym?

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 2 - statystyka opisowa cd

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 2 - statystyka opisowa cd WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 2 - statystyka opisowa cd Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 2 1 / 20 MIARY ROZPROSZENIA, Wariancja Wariancją z próby losowej X

Bardziej szczegółowo

Radialna funkcja korelacji g(r)

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 szczegółowo

Równowaga w układach termodynamicznych. Katarzyna Sznajd-Weron

Równowaga 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 szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VII: Metody specjalne Monte Carlo 24 listopada 2014 Transformacje specjalne Przykład - symulacja rozkładu geometrycznego Niech X Ex(λ). Rozważmy zmienną losową [X ], która przyjmuje wartości naturalne.

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 13 i 14 1 / 15 MODEL BAYESOWSKI, przykład wstępny Statystyka

Bardziej szczegółowo

Numeryczne metody optymalizacji Optymalizacja w kierunku. informacje dodatkowe

Numeryczne metody optymalizacji Optymalizacja w kierunku. informacje dodatkowe Numeryczne metody optymalizacji Optymalizacja w kierunku informacje dodatkowe Numeryczne metody optymalizacji x F x = min x D x F(x) Problemy analityczne: 1. Nieliniowa złożona funkcja celu F i ograniczeń

Bardziej szczegółowo

Inverse problems - Introduction - Probabilistic approach

Inverse problems - Introduction - Probabilistic approach Inverse problems - Introduction - Probabilistic approach Wojciech Dȩbski Instytut Geofizyki PAN debski@igf.edu.pl Wydział Fizyki UW, 13.10.2004 Wydział Fizyki UW Warszawa, 13.10.2004 (1) Plan of the talk

Bardziej szczegółowo

16 Jednowymiarowy model Isinga

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 szczegółowo

WŁASNOŚCI CIAŁ STAŁYCH I CIECZY

WŁASNOŚCI CIAŁ STAŁYCH I CIECZY WŁASNOŚCI CIAŁ STAŁYCH I CIECZY Polimery Sieć krystaliczna Napięcie powierzchniowe Dyfuzja 2 BUDOWA CIAŁ STAŁYCH Ciała krystaliczne (kryształy): monokryształy, polikryształy Ciała amorficzne (bezpostaciowe)

Bardziej szczegółowo

SPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization

SPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization Wrocław University of Technology SPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization Jakub M. Tomczak Studenckie Koło Naukowe Estymator jakub.tomczak@pwr.wroc.pl 4.1.213 Klasteryzacja Zmienne

Bardziej szczegółowo