Co to jest model Isinga?

Wielkość: px
Rozpocząć pokaz od strony:

Download "Co to jest model Isinga?"

Transkrypt

1 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. Makroskopowe pole magnetyczne obserwowane jest dla T < T c (temperatura Curie) Dla T = T c występuje ciągłe przejście fazowe Co byłoby gdybyśmy z poziomu makro przeszli na mikro, tzn. zajrzeli wgłąb układu? Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada 208 / 35

2 Co to jest model Isinga? Model - idea Lenza z 920 roku Kryształ złożony z N jonów o spinie s = /2 i wewnętrznym momencie magnetycznym µ 0. Jony są zlokalizowane w węzłach sieci krystalicznej i działa na nie zewnętrzne pole magnetyczne h. Moment magnetyczny każdego atomu może być skierowany albo do góry (tzn. równolegle do kierunku pola zewnętrznego) lub w dół (antyrównolegle do pola). Oddziaływania między cząstkami zadane są następującym hamiltonianem: H = J σ i σ j h σ i, () <i,j> i gdzie < i, j > oznacza sumowanie po parach najbliższych sąsiadów. Jak widać łatwo w przypadku bez pola h = 0 dla J > 0 hamiltonian opisuje ferromagnetyk, a w przypadku J < 0 antyferromagnetyk Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

3 Co to jest model Isinga? Schemat postępowania Zaczynamy od znalezienia sumy stanów Z. Korzystając ze związku pomiędzy fizyką statystyczną a termodynamiką wyznaczamy energię swobodną: F = k B T log Z (2) Mając F wyznaczamy pozostałe wielkości termodynamiczne, np. magnetyzację, ciepło właściwe, podatność magnetyczną Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

4 Model Isinga bez pola Suma stanów - Model Isinga bez pola H = J N i= Suma stanów w rozkładzie kanonicznym ma postać: Z = {σ i ±} σ i σ i+ (3) e βh (4) gdzie {σ i ± } {σ = ±,..., σ N = ±}. Wprowadźmy oznaczenie: Z N = σ =± σ 2 =±... σ N =± exp { βj N i= σ i σ i+ } (5) dla sumy statystycznej układu N cząstek. Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

5 Model Isinga bez pola Można pokazać, że: Z N = 2 cosh βjz N. (6) i ostatecznie: Z N = (2 cosh βj) N 2 Z 2, (7) Ostatecznie otrzymujemy: Z 2 = 4 cosh(βj). (8) Z N = 2(2 cosh βj) N. (9) Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

6 Model Isinga bez pola Wobec tego energia swobodna: F = k B T ln Z N = k B T [ln 2 + (N ) ln(2 cosh βj)]. (0) Jeżeli chcielibyśmy otrzymać wielkość niezależną od rozmiaru układu wówczas wprowadzamy energię swobodną na cząstkę: f = F N = k BT N W granicy termodynamicznej: [ln 2 + (N ) ln(2 cosh βj)]. () lim f = k BT ln(2 cosh βj). (2) N Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

7 Model Isinga z Polem Teraz mamy do czynienia z następującym hamiltonianem: H = J σ i σ j h σ i. (3) <i,j> i Wobec tego suma stanów: Z = ( ) N N exp Jβ σ i σ i+ + hβ σ i. (4) {σ i ±} i= i= Oczywiście w przypadku cyklicznych warunków brzegowych: N σ i = N (σ i + σ i+ ). (5) 2 i= i= Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

8 Model Isinga z Polem Wobec tego możemy zapisać naszą sumę stanów jako: Z = ( N exp Jβ σ i σ i+ + N ) 2 hβ (σ i + σ i+ ) {σ i ±} i= i= = N ( exp Jβσ i σ i+ + ) 2 hβ(σ i + σ i+ ). (6) {σ i ±} i= Zdefiniujmy teraz następującą macierz (korzystamy z notacji Diraca, ze względu na wygodę): ( < σ i T σ i+ >= exp Jβσ i σ i+ + ) 2 hβ(σ i + σ i+ ). (7) Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

9 Model Isinga z Polem ( < σ i T σ i+ >= exp Jβσ i σ i+ + ) 2 hβ(σ i + σ i+ ). (8) Macierz ta, zwana macierzą przejścia, ma w tym przypadku jawną postać: ( ) (, ) (, ) T = (9) (, ) (, ). czyli: ( exp(jβ + hβ) exp( Jβ) ) T = exp( Jβ) exp( Jβ hβ). (20) Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

10 Model Isinga z Polem Suma stanów może być natomiast zapisana przy pomocy macierzy przejścia jako: Z = N < σ i T σ i+ > {σ i ±} i= =... < σ T σ 2 >< σ i T σ 2 >... < σ N T σ N > {σ ±} = {σ ±}... {σ N ±} {σ N 2 ±} < σ N 3 T σ N 2 > = {σ ±} < σ T σ 2 >< σ i T σ 2 >... {σ N ±} < σ N 2 T σ N >< σ N T σ > < σ T N σ >= TrT N = λ N + + λ N (2) Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

11 Model Isinga z Polem Wartości własne mogą być łatwo obliczone z równania charakterystycznego: det(t λi) = 0 (22) czyli: exp(jβ + hβ) λ exp( Jβ) exp( Jβ) exp( Jβ hβ) λ. = 0 (23) Znajdź wartości własne (ćwiczenia). Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada 208 / 35

12 Model Isinga z Polem Energię swobodną na cząstkę liczymy w granicy termodynamicznej, tzn. dla N, V, V /N = const: f = F = kt lim ln Z (24) N N N = kt lim N N ln(λn + + λ N ) (25) ( ( ) ) N = kt lim N N ln λ λ + + (26) λ + = kt N ln λn + = kt ln λ + (27) Mając energię swobodną możemy obliczyć namagnesowanie: m = f h = sinh(βh) sinh 2 (βh) + exp( 4βJ) (28) Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

13 Model Isinga z Polem Mając namagnesowanie możemy również wyznaczyć podatność magnetyczną: χ = m h. (29) Możemy również wyznaczyć ciepło właściwe: c h=0 = 2 f β 2. (30) Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

14 Model Isinga z Polem W dwóch wymiarach model Isinga bez pola dla T < T c : m(t ) = [ ( tanh2 K) 4 6 tanh 4 K gdzie K = βj Dla T > T c, m(t ) = 0 ] /8, (3) Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

15 Stanisław Ulam wspomina "(...) Pomysł ten, nazwany później metodą Monte Carlo, wpadł mi do głowy, kiedy podczas choroby stawiałem pasjanse. Zauważyłem, że znacznie praktyczniejszym sposobem oceniania prawdopodobieństwa ułożenia pasjansa (takiego jak Canfield, gdzie umiejętności gracza nie mają większego znaczenia) jest wykładanie kart, czyli eksperymentowanie z procesem i po prostu zapisywanie procentu wygranych, niż próba obliczenia wszystkich możliwości kombinatorycznych, których liczba rośnie wykładniczo i jest tak wielka, że pomijając najprostsze przypadki, jej oszacowanie jest niemożliwe. (...)". Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

16 Metoda Monte Carlo jest metodą obliczania wielkości dających się przedstawić w postaci wartości oczekiwanej pewnych rozkładów probabilistycznych. Niech a oznacza poszukiwaną wielkość, może to być na przykład magnetyzacja układu spinów Isinga, i jest wartością oczekiwaną a = EX pewnej zmiennej losowej X. Jeżeli jesteśmy w stanie generować niezależne wartości S, S 2,... z rozkładu zmiennej X, to z mocnego prawa wielkich liczb wynika, że: lim n n (S S n ) = a. (32) Metoda Monte Carlo polega więc na szacowaniu wielkości a przez średnią z pewnej odpowiednio dobranej n elementowej próby. Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

17 W jaki sposób należy dobrać próbę w przypadku modeli fizyki statycznej? Każdy układ przy niezmiennych warunkach zewnętrznych znajduje się w stanie równowagi termodynamicznej, a jeżeli przy takich warunkach nie jest w stanie równowagi to w końcu do stanu równowagi termodynamicznej przechodzi. Temperatura jest parametrem określającym równowagę termodynamiczną. Niech E α będzie energią mikrostanu oznaczonego indeksem α. Jeżeli układ jest w równowadze termicznej z termostatem o temperaturze T to prawdopodobieństwo p α, że układ znajduje się w mikrostanie α jest proporcjonalne do exp( βe α ), gdzie β = /k B T, k B = J K jest stałą Boltzmanna. Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

18 Prawdopodobieństwo jest równe: P eq (α) p α = Z exp( βe α). (33) Rozkład prawdopodobieństwa zdefiniowany wzorem (33) nosi nazwę rozkładu Gibbsa i przy jego pomocy można oczywiście wyznaczyć średnią termodynamiczną < X > dowolnej wielkości X (np. energii, magnetyzacji itd.): < X >= p α X α = P eq (α)x α (34) α α Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

19 X - pewna zmienną losową, która może przyjmować jedną z dopuszczalnych wartości X α zgodnie z rozkładem prawdopodobieństwa Gibbsa p α. Rozkład prawdopodobieństwa naszej zmiennej losowej może zmieniać się w czasie. Niech naszą zmienną losową będzie magnetyzacja: m = N N S i (35) i= P m (0) = δ m,m0 = δ m, (T 0) Niech T >> 0 rozkład P m będzie ewoluował. Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

20 Ewolucja zmiennej losowej W teorii prawdopodobieństwa jest to tak zwany proces stochastyczny. Procesem stochastycznym nazwiemy funkcję, która każdej chwili t przypisuje pewną zmienną losową X t. Z punktu widzenia fizyki statystycznej proces stochastyczny - zespół realizacji procesu (tzw. trajektorii). Zmienną losowa była magnetyzacja (poziom makro) Zmienna losowa - onfiguracja σ opisująca mikrostan układu (fizyka statystyczna) Założenie - proces stochastyczny jest markowski. Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

21 Procesy Markowa to procesy stochastyczne polegające na tym, że warunkowe rozkłady prawdopodobieństwa przyszłych stanów procesu są zdeterminowane wyłącznie przez jego bieżący stan, bez względu na przeszłość. Zdefiniujmy proces stochastyczny z czasem dyskretnym t < t 2 <... < t n, dla układu ze skończoną liczbą możliwych stanów σ, σ 2, σ 3,..., σ N. Zmienna losowa X t opisuje stan układu w chwili t. Warunkowe prawdopodobieństwo na to, że X tn = σ in można zapisać: P(X tn = σ in X tn = σ in, X tn 2 = σ in 2,..., X t = σ i ), (36) Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

22 Dla procesu Markowa, w którym prawdopodobieństwo warunkowe jest zależne tylko od poprzedniego stanu: P(X tn = σ in X tn = σ in,..., X t = σ i ) = P(X tn = σ in X tn = σ in ). (37) Powyższe prawdopodobieństwo warunkowe może być interpretowane jako prawdopodobieństwo przejścia ze stanu i do stanu j Spełnia ono warunki: W ij = W (σ i σ j ) = P(X tn = σ j X tn = σ i ). (38) W ij 0, W ij =, (39) j Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

23 W przypadku łańcucha Markowa, zapisać prawdopodobieństwo P(X tn = σ j ) tego, że w czasie t n układ znajdzie się w stanie σ j jako: P(X tn = σ j ) = P(X tn = σ j X tn = σ i )P(X tn = σ i ) (40) Równanie master opisuje dynamikę takiego układu, czyli zmianę prawdopodobieństwa P w czasie t (przy założeniu, że interwały czasowe są nieskończenie małe możemy przejść do postaci ciągłej P(X tn = σ j ) = P(σ j, t)): dp(σ j, t) dt = i W ji P(σ j, t) + i W ij P(σ i, t). (4) Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

24 Żądamy aby po pewnym czasie P(σ j, t) osiągnęło rozkład równowagowy Gibbsa: P eq (σ j ) = Z e E(σ j)/t. (42) warunek równowagi szczegółowej (inaczej warunek mikroodwracalności): W ji P eq (σ j ) = W ij P eq (σ i ). (43) W ogólności układ może nie osiągać stanu równowagowego, lecz jedynie stan stacjonarny, tzn. dp(σ j, t) = 0. (44) dt W takim przypadku, z równanie fundamentalnego: W ji P stady state (σ j ) = i i W ij P stady state (σ i ). (45) Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

25 Przykład: Model stochastyczny Glaubera Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

26 Rozważmy układ N cząstek o spinie /2 Każda cząstka w chwili t znajduje się w stanie σ j (t) = ± W każdej chwili czasu mamy jeden z 2 N możliwych stanów p(σ,..., σ N, t) - prawdopodobieństwo, że w chwili t układ jest w stanie σ,..., σ N w i (σ i ) - prawdopodobieństwo na jednostkę czasu zmiany σ i σ i, podczas gdy inne j i (j =,.., N) pozostają bez zmian Można teraz zapisać równanie fundamentalne, ale jak wybrać w i (σ i )? Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

27 w(σ i ) = α 2 [ ] 2 γσ i(σ i + σ i+ ), (46) σ i σ i σ i+ w(σ i ) 2α( γ) 2α( γ) 2 2 α( + γ) α( γ) α 2 α 2 α 2 α 2 (47) Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

28 Jaki jest związek z modelem Isinga H = J i σ iσ i+? Jeżeli układ osiągnie równowagę w temperaturze T to wówczas spełniony ma być warunek równowagi szczegółowej: p j ( σ i ) p j (σ i ) = w i(σ i ) w i ( σ i ) (48) Z drugiej strony w stanie równowagi: p j (σ i ) exp[jβσ i (σ i + σ i+ )] (49) To daje warunek: γ = tanh (2J/k B T ) Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

29 γ = tanh (2J/k B T ) γ T [2J/k=] Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

30 lim T w(σ i ) =?, γ = 0 w(σ i ) = α 2 lim T 0 w(σ i ) =?, γ = w(σ i ) = α 2 [ ] 2 σ i(σ i + σ i+ ), (50) σ i σ i σ i+ w(σ i ) 2α( γ) = 0 2α( γ) = α( + γ) = α α( γ) = α α 2 α 2 α 2 α 2 (5) Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

31 Warunek równowagi szczegółowej spełnia również funkcja Metropolisa W ij = min(, exp( β H)). (52) Algorytm Metropolisa: Wybierz stan początkowy (np. σ i = dla i =, 2,..., N) 2 Wybierz (losowo) węzeł i. 3 Oblicz zmianę energii E gdy σ i zmienia wartość na przeciwną tzn. σ i σ i 4 Wygeneruj liczbę losową r z rozkładu jednostajnego na przedziale (0, ). 5 Jeżeli r < exp( E/k B T ) to zmianę akceptuj. 6 Wróć do 2 Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

32 Rysunek: Zależność magnetyzacji od temperatury w dwuwymiarowym modelu Isinga bez pola. Wyniki uzyskane droga symulacji Monte Carlo przez pana Macieja Tabiszewskiego (październik 2009). Rozmiar siatki 00 00, czas termalizacji 00MCS, liczba uśrednień 00. Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

33 Rysunek: Podatność magnetyczna ξ = m h Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

34 Rysunek: Ciepło właściwe c h=0 = 2 f β 2. Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

35 Rysunek: Zależność temperatury krytycznej od rozmiaru układu - finite size scalling. Katarzyna Sznajd-Weron (Katedra Fizyki Teoretycznej, PWR)Model Isinga 9 listopada / 35

Model Isinga. Katarzyna Sznajd-Weron

Model 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 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

Wstęp do fizyki statystycznej: krytyczność i przejścia fazowe. Katarzyna Sznajd-Weron

Wstęp 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 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

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

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 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 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

Elementy termodynamiki i wprowadzenie do zespołów statystycznych. Katarzyna Sznajd-Weron

Elementy termodynamiki i wprowadzenie do zespołów statystycznych. Katarzyna Sznajd-Weron Elementy termodynamiki i wprowadzenie do zespołów statystycznych Katarzyna Sznajd-Weron Wielkości makroskopowe - termodynamika Termodynamika - metoda fenomenologiczna Fenomenologia w fizyce: widzimy jak

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

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

1 Rachunek prawdopodobieństwa

1 Rachunek prawdopodobieństwa 1 Rachunek prawdopodobieństwa 1. Obliczyć średnią i wariancję rozkładu Bernouliego 2. Wykonać przejście graniczne p 0, N w rozkładzie Bernouliego przy zachowaniu stałej wartości średniej: λ = N p = const

Bardziej szczegółowo

Fizyka 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 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 szczegółowo

Prognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania

Prognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym

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

Spacery losowe generowanie realizacji procesu losowego

Spacery 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 szczegółowo

Wykład 1 i 2. Termodynamika klasyczna, gaz doskonały

Wykład 1 i 2. Termodynamika klasyczna, gaz doskonały Wykład 1 i 2 Termodynamika klasyczna, gaz doskonały dr hab. Agata Fronczak, prof. PW Wydział Fizyki, Politechnika Warszawska 1 stycznia 2017 dr hab. A. Fronczak (Wydział Fizyki PW) Wykład: Elementy fizyki

Bardziej szczegółowo

Dynamiki rynków oligopolistycznych oczami fizyka

Dynamiki 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 szczegółowo

Obliczenia inspirowane Naturą

Obliczenia 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 szczegółowo

Procesy 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. 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 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

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

Wykład 2. Przykład zastosowania teorii prawdopodobieństwa: procesy stochastyczne (Markova)

Wykład 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 szczegółowo

Fizyka statystyczna Teoria Ginzburga-Landaua w średnim polu. P. F. Góra

Fizyka statystyczna Teoria Ginzburga-Landaua w średnim polu. P. F. Góra Fizyka statystyczna Teoria Ginzburga-Landaua w średnim polu P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2015 Parametr porzadku W niskich temperaturach układy występuja w fazach, które łamia symetrię

Bardziej szczegółowo

Krytyczność i przejścia fazowe. Katarzyna Sznajd-Weron

Krytyczność 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 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

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

Rozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład

Rozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem

Bardziej 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

Lista 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 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 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

Modelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski

Modelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

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

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 9 Sieci rekurencyjne. Autoasocjator Hopfielda

Wstęp do sieci neuronowych, wykład 9 Sieci rekurencyjne. Autoasocjator Hopfielda Wstęp do sieci neuronowych, wykład 9. M. Czoków, J. Piersa 2010-12-07 1 Sieci skierowane 2 Modele sieci rekurencyjnej Energia sieci 3 Sieci skierowane Sieci skierowane Sieci skierowane graf połączeń synaptycznych

Bardziej szczegółowo

Wykład 12. Rozkład wielki kanoniczny i statystyki kwantowe

Wykład 12. Rozkład wielki kanoniczny i statystyki kwantowe Wykład 12 Rozkład wielki kanoniczny i statystyki kwantowe dr hab. Agata Fronczak, prof. PW Wydział Fizyki, Politechnika Warszawska 1 stycznia 2017 dr hab. A. Fronczak (Wydział Fizyki PW) Wykład: Elementy

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

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej

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

Wykład 4, 5 i 6. Elementy rachunku prawdopodobieństwa i kombinatoryki w fizyce statystycznej

Wykład 4, 5 i 6. Elementy rachunku prawdopodobieństwa i kombinatoryki w fizyce statystycznej Wykład 4, 5 i 6 Elementy rachunku prawdopodobieństwa i kombinatoryki w fizyce statystycznej dr hab. Agata Fronczak, prof. PW Wydział Fizyki, Politechnika Warszawska 1 stycznia 2017 dr hab. A. Fronczak

Bardziej szczegółowo

Kwantyle. 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. 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 szczegółowo

Agata Boratyńska Statystyka aktuarialna... 1

Agata 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 szczegółowo

Procesy stochastyczne

Procesy stochastyczne Wykład I: Istnienie procesów stochastycznych 21 lutego 2017 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane

Bardziej szczegółowo

Zespół kanoniczny N,V, T. acc o n =min {1, exp [ U n U o ] }

Zespół kanoniczny N,V, T. acc o n =min {1, exp [ U n U o ] } Zespół kanoniczny Zespół kanoniczny N,V, T acc o n =min {1, exp [ U n U o ] } Zespół izobaryczno-izotermiczny Zespół izobaryczno-izotermiczny N P T acc o n =min {1, exp [ U n U o ] } acc o n =min {1, exp[

Bardziej szczegółowo

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

Procesy stochastyczne

Procesy stochastyczne Wykład I: Istnienie procesów stochastycznych 2 marca 2015 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane są

Bardziej szczegółowo

Metody probabilistyczne

Metody 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 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

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

Testowanie hipotez statystycznych.

Testowanie hipotez statystycznych. Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie

Bardziej szczegółowo

Wykład 3. Entropia i potencjały termodynamiczne

Wykład 3. Entropia i potencjały termodynamiczne Wykład 3 Entropia i potencjały termodynamiczne dr hab. Agata Fronczak, prof. PW Wydział Fizyki, Politechnika Warszawska 1 stycznia 2017 dr hab. A. Fronczak (Wydział Fizyki PW) Wykład: Elementy fizyki statystycznej

Bardziej szczegółowo

Procesy 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. Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. Przykład Symetryczne błądzenie przypadkowe na prostej. 1 2 Łańcuchem

Bardziej szczegółowo

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,

Bardziej szczegółowo

N ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach:

N ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach: Zadanie. O niezależnych zmiennych losowych N, M M, M 2, 3 wiemy, że: N ma rozkład Poissona z wartością oczekiwaną równą 00 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach: 2, 3 Pr( M = )

Bardziej 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

Załóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb

Załóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb Współzależność Załóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb (x i, y i ). Geometrycznie taką parę

Bardziej szczegółowo

Prawa wielkich liczb, centralne twierdzenia graniczne

Prawa wielkich liczb, centralne twierdzenia graniczne , centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja

Bardziej szczegółowo

Zmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015

Zmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015 Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 9 Sieci rekurencyjne. Autoasocjator Hopfielda

Wstęp do sieci neuronowych, wykład 9 Sieci rekurencyjne. Autoasocjator Hopfielda Wstęp do sieci neuronowych, wykład 9. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-12-10 Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 10 Sieci rekurencyjne. Autoasocjator Hopfielda

Wstęp do sieci neuronowych, wykład 10 Sieci rekurencyjne. Autoasocjator Hopfielda Wstęp do sieci neuronowych, wykład 10. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-12-13 1 Modele sieci rekurencyjnej Energia sieci 2 3 Modele sieci

Bardziej szczegółowo

Rysunek 1: Schemat doświadczenia Sterna-Gerlacha. Rysunek 2: Schemat doświadczenia Sterna-Gerlacha w różnych rzutach przestrzennych.

Rysunek 1: Schemat doświadczenia Sterna-Gerlacha. Rysunek 2: Schemat doświadczenia Sterna-Gerlacha w różnych rzutach przestrzennych. VII. SPIN 1 Rysunek 1: Schemat doświadczenia Sterna-Gerlacha. Rysunek 2: Schemat doświadczenia Sterna-Gerlacha w różnych rzutach przestrzennych. 1 Wstęp Spin jest wielkością fizyczną charakteryzującą cząstki

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

Procesy Markowa zawdzięczają swoją nazwę ich twórcy Andriejowi Markowowi, który po raz pierwszy opisał problem w 1906 roku.

Procesy Markowa zawdzięczają swoją nazwę ich twórcy Andriejowi Markowowi, który po raz pierwszy opisał problem w 1906 roku. Procesy Markowa zawdzięczają swoją nazwę ich twórcy Andriejowi Markowowi, który po raz pierwszy opisał problem w 1906 roku. Uogólnienie na przeliczalnie nieskończone przestrzenie stanów zostało opracowane

Bardziej szczegółowo

Ćwiczenia: Ukryte procesy Markowa lista 1 kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II

Ćwiczenia: 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 szczegółowo

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

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

Bardziej szczegółowo

Proces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t.

Proces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Procesy stochastyczne WYKŁAD 5 Proces Poissona. Proces {N(t), t } nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Proces zliczający musi

Bardziej szczegółowo

Fizyka statystyczna, elementy termodynamiki nierównowagowej Cele, zakres zagadnień

Fizyka statystyczna, elementy termodynamiki nierównowagowej Cele, zakres zagadnień Fizyka statystyczna, elementy termodynamiki nierównowagowej Cele, zakres zagadnień Narzędzia przypomnienie podstawowych definicji i twierdzeń z rachunku prawdopodobienstwa; podstawowe rozkłady statystyczne

Bardziej szczegółowo

17.1 Podstawy metod symulacji komputerowych dla klasycznych układów wielu cząstek

17.1 Podstawy metod symulacji komputerowych dla klasycznych układów wielu cząstek Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdział 17 KLASYCZNA DYNAMIKA MOLEKULARNA 17.1 Podstawy metod symulacji komputerowych dla klasycznych układów wielu cząstek Rozważamy układ N punktowych cząstek

Bardziej szczegółowo

Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/

Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl

Bardziej szczegółowo

Przejścia fazowe w 1D modelu Isinga

Przejścia 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 szczegółowo

Ważne rozkłady i twierdzenia c.d.

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

Bardziej szczegółowo

Biostatystyka, # 3 /Weterynaria I/

Biostatystyka, # 3 /Weterynaria I/ Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl

Bardziej szczegółowo

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn

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

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład IV: 27 października 2014 Współczynnik korelacji Brak korelacji a niezależność Definicja współczynnika korelacji Współczynnikiem korelacji całkowalnych z kwadratem zmiennych losowych X i Y nazywamy

Bardziej szczegółowo

OPTYKA KWANTOWA Wykład dla 5. roku Fizyki

OPTYKA KWANTOWA Wykład dla 5. roku Fizyki OPTYKA KWANTOWA Wykład dla 5. roku Fizyki c Adam Bechler 2006 Instytut Fizyki Uniwersytetu Szczecińskiego Rezonansowe oddziaływanie układu atomowego z promieniowaniem "! "!! # $%&'()*+,-./-(01+'2'34'*5%.25%&+)*-(6

Bardziej szczegółowo

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ. Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.

Bardziej szczegółowo

W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:

W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe

Bardziej szczegółowo

WYKŁAD NR 3 OPIS DRGAŃ NORMALNYCH UJĘCIE KLASYCZNE I KWANTOWE.

WYKŁAD NR 3 OPIS DRGAŃ NORMALNYCH UJĘCIE KLASYCZNE I KWANTOWE. 1 WYKŁAD NR 3 OPIS DRGAŃ NORMALNYCH UJĘCIE KLASYCZNE I KWANTOWE. Współrzędne wewnętrzne 2 F=-fq q ξ i F i =-f ij x j U = 1 2 fq2 U = 1 2 ij f ij ξ i ξ j 3 Najczęściej stosowaną metodą obliczania drgań

Bardziej szczegółowo

F t+ := s>t. F s = F t.

F t+ := s>t. F s = F t. M. Beśka, Całka Stochastyczna, wykład 1 1 1 Wiadomości wstępne 1.1 Przestrzeń probabilistyczna z filtracją Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną i niech F = {F t } t 0 będzie rodziną

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka

Rachunek 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 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

Wariacyjna teoria grupy renormalizacji w opisie uczenia głębokiego czyli Deep

Wariacyjna teoria grupy renormalizacji w opisie uczenia głębokiego czyli Deep Wariacyjna teoria grupy renormalizacji w opisie uczenia głębokiego czyli Deep Learning oczami fizyka statystycznego Zakład Algebry i Kombinatoryki Wydział Matematyki i Nauk Informacyjnych 18 kwietnia 2018

Bardziej szczegółowo

VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa.

VII. 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 szczegółowo

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe.

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Rachunek prawdopodobieństwa MAP3040 WPPT FT, rok akad. 2010/11, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Warunkowa wartość oczekiwana.

Bardziej szczegółowo

1 Gaussowskie zmienne losowe

1 Gaussowskie zmienne losowe Gaussowskie zmienne losowe W tej serii rozwiążemy zadania dotyczące zmiennych o rozkładzie normalny. Wymagana jest wiedza na temat własności rozkładu normalnego, CTG oraz warunkowych wartości oczekiwanych..

Bardziej szczegółowo

HISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =

HISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N = HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki

Bardziej szczegółowo

Funkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju

Funkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju Funkcje charakterystyczne zmiennych losowych, linie regresji -go i 2-go rodzaju Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

Wykład 3 Momenty zmiennych losowych.

Wykład 3 Momenty zmiennych losowych. Wykład 3 Momenty zmiennych losowych. Wrocław, 19 października 2016r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną

Bardziej szczegółowo

Wykład 3 Momenty zmiennych losowych.

Wykład 3 Momenty zmiennych losowych. Wykład 3 Momenty zmiennych losowych. Wrocław, 18 października 2017r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną

Bardziej szczegółowo

MODELE MATEMATYCZNE W UBEZPIECZENIACH

MODELE MATEMATYCZNE W UBEZPIECZENIACH MODELE MATEMATYCZNE W UBEZPIECZENIACH WYKŁAD 3: WYZNACZANIE ROZKŁADU CZASU PRZYSZŁEGO ŻYCIA 1 Hipoteza jednorodnej populacji Rozważmy pewną populację osób w różnym wieku i załóżmy, że każda z tych osób

Bardziej szczegółowo

1.1 Przegląd wybranych równań i modeli fizycznych. , u x1 x 2

1.1 Przegląd wybranych równań i modeli fizycznych. , u x1 x 2 Temat 1 Pojęcia podstawowe 1.1 Przegląd wybranych równań i modeli fizycznych Równaniem różniczkowym cząstkowym rzędu drugiego o n zmiennych niezależnych nazywamy równanie postaci gdzie u = u (x 1, x,...,

Bardziej szczegółowo

Wykład 9: Markov Chain Monte Carlo

Wykład 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 szczegółowo

1 Relacje i odwzorowania

1 Relacje i odwzorowania Relacje i odwzorowania Relacje Jacek Kłopotowski Zadania z analizy matematycznej I Wykazać, że jeśli relacja ρ X X jest przeciwzwrotna i przechodnia, to jest przeciwsymetryczna Zbadać czy relacja ρ X X

Bardziej szczegółowo

Układy stochastyczne

Układy stochastyczne Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009 Definicja Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych.

Bardziej szczegółowo

Statystyka i eksploracja danych

Statystyka i eksploracja danych Wykład I: Formalizm statystyki matematycznej 17 lutego 2014 Forma zaliczenia przedmiotu Forma zaliczenia Literatura Zagadnienia omawiane na wykładach Forma zaliczenia przedmiotu Forma zaliczenia Literatura

Bardziej szczegółowo

Weryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1

Weryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1 Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie

Bardziej szczegółowo

Defi f nicja n aprę r żeń

Defi f nicja n aprę r żeń Wytrzymałość materiałów Stany naprężeń i odkształceń 1 Definicja naprężeń Mamy bryłę materialną obciążoną układem sił (siły zewnętrzne, reakcje), będących w równowadze. Rozetniemy myślowo tę bryłę na dwie

Bardziej szczegółowo

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ. Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.

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

Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład 1

Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład 1 Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład dr Mariusz Grządziel 5 lutego 04 Paradoks Zenona z Elei wersja uwspółcześniona Zenek goni Andrzeja; prędkość Andrzeja:

Bardziej szczegółowo