Porównanie różnych podejść typu ODE do modelowania sieci regu
|
|
- Michalina Kosińska
- 4 lat temu
- Przeglądów:
Transkrypt
1 Porównanie różnych podejść typu ODE do modelowania sieci regulacji genów 8 stycznia 2010
2 Plan prezentacji 1 Praca źródłowa Sieci regulacji genów 2 Założenia Funkcja Hill a Modele dyskretne 3 Przykład Modele dla przykładu Model dyskretny 4 Analiza teoretyczna Przykłady zachowania modeli Linearyzacja - modele CPWLM i SPWLM Efekty dyskretyzacji 5
3 Praca źródłowa Praca źródłowa Sieci regulacji genów Comparing different ODE modelling approaches for gene regulatory networks A. Polynikis, S.J. Hogan, M. di Bernardo Journal of Theoretical Biology
4 Sieci regulacji genów Praca źródłowa Sieci regulacji genów Sieć regulacji genów jest to sposób organizacji zależności w procesie tworzenia białek. Podstawowe modele sieci regulacji dzielą się na deterministyczne i stochastyczne.
5 Praca źródłowa Sieci regulacji genów Przykłady podejść do modelowania Przykłady podejść do modelowania sieci regulacji genów: równania różniczkowe modele stochastyczne sieci boolowskie modele Bayesowskie...
6 Założenia Funkcja Hill a Modele dyskretne Ordinary Differential Equations (ODE) Model Zazwyczaj do modelowania dynamiki procesów transkrypcji i translacji w podejściu ODE używa się takich równań: gdzie: Transkrypcja: dr i dt Translacja: dp i dt = F (f R i = f p i (r i ) δ i p i, (p 1 ), fi R (p 2 ),..., fi R (p n)) γ i r i, funkcje fi R (p j ) : R R wyrażają zależność koncentracji mrna od koncentracji białka p j, funkcja F : R n R zazwyczaj jest zdefiniowana jako suma lub iloczyn funkcji f R j, funkcja f p i (r i ) opisuje dynamikę translacji mrna r i w białko p i, stałe γ i, δ i reprezentują parametry degradacji mrna i białek i-tego genu.
7 Funkcja Hill a Założenia Funkcja Hill a Modele dyskretne Eksperymenty potwierdzają monotoniczny kształt funkcji fi R, która rośnie gdy białko p i jest aktywatorem, a maleje gdy p i jest inhibitorem. Funkcja Hill a to użyteczna funkcja spełniająca tę własność. Funkcja Hill a: dla aktywatora: h + (p i ; θ i, n i ) = p n i i pn i i +θ n i i dla inhibitora: h (p i ; θ i, n i ) = 1 h + (p i ; θ i, n i ) = parametr θ i, to próg ekspresji parametr n i, nazywa się współczynnikiem Hill a, kontroluje skokowość funkcji p n i i θn i i +θ n i i
8 Funkcja schodkowa Założenia Funkcja Hill a Modele dyskretne Dla sieci wielu genów często nie mogą być wyznaczone rozwiązania równań różniczkowych, w których występuje funkcja Hill a. W związku z tym często analizuje się schodkową wersję funkcji Hill a, postaci: s + (p i, θ i ) = 1 {pi >θ i }, s (p i, θ i ) = 1 s + (p i, θ i )
9 Funkcja trójkątna Założenia Funkcja Hill a Modele dyskretne Niestety, funkcja schodkowa nie jest ciągła, co intuicyjnie źle nadaje się do modelowania procesów regulacji. Aby rozwiązać ten problem stosuje się funkcję trójkątną : { 0 jezeli: pi < θ 1 l + (p i, θi 1, θ2 i ) = i 1 jezeli: p i > θi 2 µp i + λ wpp l (p i, θ 1 i, θ2 i ) = 1 l+ (p i, θ 1 i, θ2 i )
10 Założenia Funkcja Hill a Modele dyskretne Założenie quasi-steady-state dla koncentracji mrna Dla wielu modelów przyjmowane jest upraszczające założenie, że koncentracja mrna znajduje się w stanie stabilnym, bazuje ono na fakcie, że dynamika mrna jest znacznie szybsza niż białek, co prowadzi do szybszego uzyskania stanu stabilnego przez mrna. Powyższe założenie możemy modelować matematycznie przyjmując: r i = 0, wtedy: r i = 1 γ i F (f R i (p 1 ), f R i (p 2 ),..., fi R (p n)), po podstawieniu do równania opisującego translację: ṗ i = f P i ( 1 γ i F (f R i (p 1 ), f R i ) (p 2 ),..., fi R (p n)) δ i p i
11 Modele z czasem dyskretnym Założenia Funkcja Hill a Modele dyskretne Idea: Napisanie modelu ODE (równań różniczkowych) i jego dyskretyzacja. Modele dyskretne wykorzystują założenie stanu quasi-stabilnego dla koncentracji mrna.
12 Modele przeanalizowane w pracy Założenia Funkcja Hill a Modele dyskretne CNM - complete nonlinear model (funkcja Hill a dla trankrypcji, funkcje liniowe dla translacji) CPWLM - complete piecewise linear model (zamiast funkcji Hill a funkcja schodkowa) SNM - simlified nonlinear model (CNM + założenie o quasi stabilności) SPWLM - simplified piecewise linear model (SNM + zamiast funkcji Hill a funkcja schodkowa) discrete time model - (Coutinho et al. 2006), dyskretyzacja czasu w SPWLM
13 Modele przeanalizowane w pracy Założenia Funkcja Hill a Modele dyskretne
14 Przykład Przykład Modele dla przykładu Model dyskretny Aby zaprezentować zalety i wady wybranych modeli użyto sieci złożonej z dwóch genów: W dalszych rozważaniach będziemy przyjmować i = a, b.
15 Model CNM dla przykładowej sieci Przykład Modele dla przykładu Model dyskretny ṙ a = m ah + (p b ; θ b, n b ) γ ar a, ṙ b = m ah + (p a; θ a, n a) γ b r b, ṗ a = k ar a δ ap a ṗ b = k b r b δ b p b
16 Model SNM dla przykładowej sieci Przykład Modele dla przykładu Model dyskretny W poprzednim modelu (CNM) przyjmujemy założenie: ṙ a 0 i ṙ b 0, wtedy: r a = ma γ a h + (p b ; θ b, n b ) r b = m b γ b h (p a; θ a, n a) ṗ a = k a h+ (p b ; θ b, n b ) δ ap a ṗ b = k b h (p a; θ a, n a) δ b p b gdzie: k a = ma γ a k a, k b = m b γ b k b
17 Przykład Modele dla przykładu Model dyskretny Modele CPWLM i SPWLM dla przykładowej sieci ṙ a = m as + (p b ; θ b, n b ) γ ar a, ṙ b = m as (p a; θ a, n a) γ b r b, ṗ a = k ar a δ ap a ṗ b = k b r b δ b p b Dla modelu SPWLM otrzymujemy: ṗ a = k a s+ (p b ; θ b, n b ) δ ap a ṗ b = k b s (p a; θ a, n a) δ b p b
18 Model dyskretny Przykład Modele dla przykładu Model dyskretny Zapiszmy równania z modelu SPWLM na koncentrację białek w następującej postaci: ṗ = Ap + Bu, gdzie: Rozwiązując powyższe równanie otrzymujemy: p(t) = e At p(0) + (e At Id)A 1 Bu
19 Model dyskretny II Przykład Modele dla przykładu Model dyskretny Dla dostatecznie małego czasu T, otrzymujemy: Przyjmujemy t = 0, wtedy otrzymujemy: p a(t ) = e δat p a(0) + k a δ a (1 e δa )s + (p b (0); θ b ) p b (T ) = e δ bt p b (0) + k b δ b (1 e δ b )s (p a(0); θ a)
20 Model dyskretny III Przykład Modele dla przykładu Model dyskretny Przyjmujemy T = 1, niech p a(0) = p a(n) oraz p a(t ) = p a(n + 1), wtedy otrzymujemy rekurencyjne wzory na p a(n): p a(n + 1) = e δa p a(n) + k a δ a (1 e δa )s + (p b (n); θ b ) p b (n + 1) = e δ b p b (n) + k b δ b (1 e δ b )s (p a(n); θ a) Robiąc kolejne uproszczenie: δ a = k a = δ b = k b oraz α = e δa, otrzymujemy: p a(n + 1) = αp a(n) + (1 α)s + (p b (n); θ b ) p b (n + 1) = αp b (n) + (1 α)s (p a(n); θ a) Ten model został zaproponowany przez Coutinho w 2006.
21 Analiza Analiza teoretyczna Przykłady zachowania modeli Linearyzacja - modele CPWLM i SPWLM Efekty dyskretyzacji Analiza została przeprowadzona dla modeli opisanych wcześniej na przykładzie sieci składającej się z dwóch genów (również jak wcześniej).
22 Analiza CNM i SNM Analiza teoretyczna Przykłady zachowania modeli Linearyzacja - modele CPWLM i SPWLM Efekty dyskretyzacji Startujemy od modelu CNM. Przyjmijmy, że znajdujemy sie w stanie stabilnym, czyli: ṙ a = ṙ b = ṗ a = ṗ a = 0. Oznaczmy przez ˆr a, ˆr b, ˆp a, ˆp b wartości koncentracji mrna i białek w stanie stabilnym. Zgodnie ze wzorami: ṗ a = k ar a δ ap a, ṗ b = k b r b δ b p b, otrzymujemy: ˆr a = δa k a ˆp a, ˆr b = δ b k b ˆp b, stąd można uzyskać zależności dla: ˆr a, ˆr b, ˆr a, ˆp b.
23 Analiza teoretyczna Przykłady zachowania modeli Linearyzacja - modele CPWLM i SPWLM Efekty dyskretyzacji Analiza CNM i SNM - zbieżność modeli Zachowanie (p a, p b ): Czerwona linia - SNM Czerwona linia - CNM Wniosek: SNM zbiega szybciej
24 Analiza CNM i SNM - różnice Analiza teoretyczna Przykłady zachowania modeli Linearyzacja - modele CPWLM i SPWLM Efekty dyskretyzacji
25 Analiza teoretyczna Przykłady zachowania modeli Linearyzacja - modele CPWLM i SPWLM Efekty dyskretyzacji W pracy zostało analitycznie udowodnione, że model SNM (dla potencjalnie interesujących parametrów) jest zawsze zbieżny, natomiast CNM niekoniecznie. Dla pewnych parametrów w modelu CNM powstaje bifurkacja Hopfa- w portrecie fazowym powstaje okrąg, wokół którego koncentrują się trajektorie.
26 Analiza CNM - bifurkacja Hopfa Analiza teoretyczna Przykłady zachowania modeli Linearyzacja - modele CPWLM i SPWLM Efekty dyskretyzacji Wykresy ukazujące bifurkacje Hopfa w modelu CNM w zależności od różnych parametrów n a, n b w modelu CNM.
27 Analiza teoretyczna Analiza teoretyczna Przykłady zachowania modeli Linearyzacja - modele CPWLM i SPWLM Efekty dyskretyzacji Zachowanie modeli CPWLM i SPWLM jest analogiczne do ich odpowiedników CNM i SNM opartych na funkcji Hill a, tzn.: model SPWLM jest zawsze zbieżny, a CPWLM niekoniecznie SPWLM jest również szybciej zbieżny.
28 Zachowanie modeli CPWLM i SPWLM Analiza teoretyczna Przykłady zachowania modeli Linearyzacja - modele CPWLM i SPWLM Efekty dyskretyzacji
29 Porównanie SNM i SPWLM Analiza teoretyczna Przykłady zachowania modeli Linearyzacja - modele CPWLM i SPWLM Efekty dyskretyzacji
30 Model dyskretny Analiza teoretyczna Przykłady zachowania modeli Linearyzacja - modele CPWLM i SPWLM Efekty dyskretyzacji najważniejsza różnica pomiędzy modelami dyskretnymi a ciągłymi to taka, że modele dyskretne zawsze dają rozwiązania okresowo oscylujące, niezależnie od doboru parametrów. dla modeli CNM i CPWLM okresowe oscylacje istnieją tylko dla specyficznych wartości parametrów dla modeli SNM i SPWLM układ równań nie wpada w okresowe oscylacje
31 Wnioski Często wyniki dla różnych modeli są bardzo różne, nawet w przypadku prostej sieci. Brakuje metod pozwalających rozstrzygnąć kompromis pomiędzy złożonością modelu a jakością predykcji. Nie ma pełnego zrozumienia wpływu poszczególnych założeń modeli na całościowe zachowanie modelu oraz jego jakość.
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 szczegółowoWykład z modelowania matematycznego.
Załóżmy, że równanie różniczkowe x (t) = f (t, x) (1) ma rozwiązanie ogólne x(t) = ϕ(t, c). (2) Załóżmy, że równanie różniczkowe x (t) = f (t, x) (1) ma rozwiązanie ogólne x(t) = ϕ(t, c). (2) Rodzina funkcji
Bardziej szczegółowoModel pajęczyny: Równania modelu: Q d (t)=α-βp(t) Q s (t)=-γ+δp(t-1) Q d (t)= Q s (t) t=0,1,2. α,β,γ,δ>0
Model pajęczyny: Dorota Pawlicka Model jest modelem dynamicznym z czasem dyskretnym t=0,1,2 Rozważmy rynek pewnego pojedynczego dobra. Celem modelu jest ustalenie takiej ścieżki cenowej {} na dobro aby
Bardziej szczegółowoTwierdzenie 2: Własności pola wskazujące na istnienie orbit
Cykle graniczne Dotychczas zajmowaliśmy się głównie znajdowaniem i badaniem stabilności punktów stacjonarnych. Wiele ciekawych procesów ma naturę cykliczną. Umiemy już sobie poradzić z cyklicznością występującą
Bardziej szczegółowoϕ(t k ; p) dla pewnego cigu t k }.
VI. Trajektorie okresowe i zbiory graniczne. 1. Zbiory graniczne. Rozważamy równanie (1.1) x = f(x) z funkcją f : R n R n określoną na całej przestrzeni R n. Będziemy zakładać, że funkcja f spełnia założenia,
Bardziej szczegółowoINSTRUKCJA DO ĆWICZENIA NR 7
KATEDRA MECHANIKI STOSOWANEJ Wydział Mechaniczny POLITECHNIKA LUBELSKA INSTRUKCJA DO ĆWICZENIA NR 7 PRZEDMIOT TEMAT OPRACOWAŁ LABORATORIUM MODELOWANIA Przykładowe analizy danych: przebiegi czasowe, portrety
Bardziej szczegółowoIII. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań.
III. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań. Analiza stabilności rozwiązań stanowi ważną część jakościowej teorii równań różniczkowych. Jej istotą jest poszukiwanie odpowiedzi
Bardziej szczegółowoZasada maksimum Pontriagina
25.04.2015 Abstrakt Wiele zagadnień praktycznych dotyczących układów dynamicznych wymaga optymalizacji pewnych wielkości. Jednakże zwykła teoria gładkich układów dynamicznych zajmuje się jednak tylko opisem
Bardziej szczegółowoAnaliza modelu ekspresji genu białka Hes1
Analiza modelu ekspresji genu białka Hes1 Agnieszka Bartłomiejczyk Politechnika Gdańska Konferencja Śladami Kobiet w Matematyce w stulecie urodzin Profesor Heleny Rasiowej Rzeszów, 24 czerwca 2017 (współautor:
Bardziej szczegółowoZadania do wykładu Jakościowa Teoria Równań Różniczkowych Zwyczajnych
Zadania do wykładu Jakościowa Teoria Równań Różniczkowych Zwyczajnych [ ] e Zadanie 1 Pokazać, że X(t) = 2t cos t sin t e 2t jest specjalną macierzą fundamentalną w sin t cos t [ 2 cos chwili τ = 0 układu
Bardziej szczegółowoInformacja o przestrzeniach Sobolewa
Wykład 11 Informacja o przestrzeniach Sobolewa 11.1 Definicja przestrzeni Sobolewa Niech R n będzie zbiorem mierzalnym. Rozważmy przestrzeń Hilberta X = L 2 () z iloczynem skalarnym zdefiniowanym równością
Bardziej szczegółowoStochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów
Stochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski Warszawa 14
Bardziej szczegółowoAnaliza matematyczna dla informatyków 3 Zajęcia 14
Analiza matematyczna dla informatyków 3 Zajęcia 14 Metoda rozwiązywania (Jednorodne równanie różniczkowe liniowe rzędu n o stałych współczynnikach). gdzie a 0,..., a n 1 C. Wielomian charakterystyczny:
Bardziej szczegółowoRównania różniczkowe liniowe rzędu pierwszego
Katedra Matematyki i Ekonomii Matematycznej SGH 21 kwietnia 2016 Wstęp Definicja Równanie różniczkowe + p (x) y = q (x) (1) nazywamy równaniem różniczkowym liniowym pierwszego rzędu. Jeśli q (x) 0, to
Bardziej szczegółowoRÓWNANIA NIELINIOWE Maciej Patan
RÓWNANIA NIELINIOWE Maciej Patan Uniwersytet Zielonogórski Przykład 1 Prędkość v spadającego spadochroniarza wyraża się zależnością v = mg ( 1 e c t) m c gdzie g = 9.81 m/s 2. Dla współczynnika oporu c
Bardziej szczegółowoMetody numeryczne. materiały do wykładu dla studentów
Metody numeryczne materiały do wykładu dla studentów 5. Przybliżone metody rozwiązywania równań 5.1 Lokalizacja pierwiastków 5.2 Metoda bisekcji 5.3 Metoda iteracji 5.4 Metoda stycznych (Newtona) 5.5 Metoda
Bardziej szczegółowoAlgebra liniowa II. Lista 1. 1 u w 0 1 v 0 0 1
Algebra liniowa II Lista Zadanie Udowodnić, że jeśli B b ij jest macierzą górnotrójkątną o rozmiarze m m, to jej wyznacznik jest równy iloczynowi elementów leżących na głównej przekątnej: det B b b b mm
Bardziej szczegółowoPolitechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie
Politechnika Wrocławska, Wydział Informatyki i Zarządzania Modelowanie Zad Procesy wykładniczego wzrostu i spadku (np populacja bakterii, rozpad radioaktywny, wymiana ciepła) można modelować równaniem
Bardziej szczegółowoEGZAMIN MAGISTERSKI, 18 września 2013 Biomatematyka
Biomatematyka Liczebność populacji pewnego gatunku jest modelowana przez równanie różnicowe w którym N k stałymi. rn 2 n N n+1 =, A+Nn 2 oznacza liczebność populacji w k tej generacji, a r i A są dodatnimi
Bardziej szczegółowon=0 (n + r)a n x n+r 1 (n + r)(n + r 1)a n x n+r 2. Wykorzystując te obliczenia otrzymujemy, że lewa strona równania (1) jest równa
Równanie Bessela Będziemy rozważać następujące równanie Bessela x y xy x ν )y 0 ) gdzie ν 0 jest pewnym parametrem Rozwiązania równania ) nazywamy funkcjami Bessela rzędu ν Sprawdzamy, że x 0 jest regularnym
Bardziej szczegółowoII. Równania autonomiczne. 1. Podstawowe pojęcia.
II. Równania autonomiczne. 1. Podstawowe pojęcia. Definicja 1.1. Niech Q R n, n 1, będzie danym zbiorem i niech f : Q R n będzie daną funkcją określoną na Q. Równanie różniczkowe postaci (1.1) x = f(x),
Bardziej szczegółowoO pewnych klasach funkcji prawie okresowych (niekoniecznie ograniczonych)
(niekoniecznie ograniczonych) Wydział Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza, Poznań Będlewo, 25-30 maja 2015 Funkcje prawie okresowe w sensie Bohra Definicja Zbiór E R nazywamy względnie
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoIteracyjne rozwiązywanie równań
Elementy metod numerycznych Plan wykładu 1 Wprowadzenie Plan wykładu 1 Wprowadzenie 2 Plan wykładu 1 Wprowadzenie 2 3 Wprowadzenie Metoda bisekcji Metoda siecznych Metoda stycznych Plan wykładu 1 Wprowadzenie
Bardziej szczegółowoRównania różniczkowe. Notatki z wykładu.
Równania różniczkowe Notatki z wykładu http://robert.brainusers.net 17.06.2009 Notatki własne z wykładu. Są niekompletne, bez bibliografii oraz mogą zawierać błędy i usterki. Z tego powodu niniejszy dokument
Bardziej szczegółowoRekurencyjna przeliczalność
Rekurencyjna przeliczalność Jerzy Pogonowski Zakład Logiki Stosowanej UAM www.logic.amu.edu.pl pogon@amu.edu.pl Funkcje rekurencyjne Jerzy Pogonowski (MEG) Rekurencyjna przeliczalność Funkcje rekurencyjne
Bardziej szczegółowoSekantooptyki owali i ich własności
Sekantooptyki owali i ich własności Magdalena Skrzypiec Wydział Matematyki, Fizyki i Informatyki Uniwersytet Marii Curie-Skłodowskiej 19 października 2009r. Informacje wstępne Definicja Owalem nazywamy
Bardziej szczegółowoRównania różniczkowe liniowe wyższych rzędów o stałych współcz
Równania różniczkowe liniowe wyższych rzędów o stałych współczynnikach Katedra Matematyki i Ekonomii Matematycznej SGH 12 maja 2016 Równanie liniowe n-tego rzędu Definicja Równaniem różniczkowym liniowym
Bardziej szczegółowoPolitechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie
Politechnika Wrocławska, Wydział Informatyki i Zarządzania Modelowanie Zad Wyznacz transformaty Laplace a poniższych funkcji, korzystając z tabeli transformat: a) 8 3e 3t b) 4 sin 5t 2e 5t + 5 c) e5t e
Bardziej szczegółowozastosowania patron sesji Andrzej Lasota
zastosowania patron sesji Andrzej Lasota Jubileuszowy Zjazd Matematyków Polskich w stulecie Polskiego Towarzystwa Matematycznego Kraków 3-7 września 2019 Table of contents Thursday 05 September 2019...
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 szczegółowoTEORIA OBWODÓW I SYGNAŁÓW LABORATORIUM
TEORIA OBWODÓW I SYGNAŁÓW LABORATORIUM AKADEMIA MORSKA Katedra Telekomunikacji Morskiej ĆWICZENIE 3 BADANIE CHARAKTERYSTYK CZASOWYCH LINIOWYCH UKŁADÓW RLC. Cel ćwiczenia Celem ćwiczenia są pomiary i analiza
Bardziej szczegółowoZnaleźć wzór ogólny i zbadać istnienie granicy ciągu określonego rekurencyjnie:
Ciągi rekurencyjne Zadanie 1 Znaleźć wzór ogólny i zbadać istnienie granicy ciągu określonego rekurencyjnie: w dwóch przypadkach: dla i, oraz dla i. Wskazówka Należy poszukiwać rozwiązania w postaci, gdzie
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 szczegółowoPrognozowanie 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 szczegółowoDRGANIA SWOBODNE UKŁADU O DWÓCH STOPNIACH SWOBODY. Rys Model układu
Ćwiczenie 7 DRGANIA SWOBODNE UKŁADU O DWÓCH STOPNIACH SWOBODY. Cel ćwiczenia Doświadczalne wyznaczenie częstości drgań własnych układu o dwóch stopniach swobody, pokazanie postaci drgań odpowiadających
Bardziej szczegółowoDeterminanty kursu walutowego w ujęciu modelowym
Determinanty kursu walutowego w ujęciu modelowym Model Dornbuscha dr Dagmara Mycielska c by Dagmara Mycielska Względna sztywność cen i model Dornbuscha. [C] roz. 7 Spadek podaży pieniądza w modelu Dornbuscha
Bardziej szczegółowo8. PODSTAWY ANALIZY NIELINIOWEJ
8. PODSTAWY ANALIZY NIELINIOWEJ 1 8. 8. PODSTAWY ANALIZY NIELINIOWEJ 8.1. Wprowadzenie Zadania nieliniowe mają swoje zastosowanie na przykład w rozwiązywaniu cięgien. Przyczyny nieliniowości: 1) geometryczne:
Bardziej szczegółowoKierunek: Matematyka Poziom studiów: Studia II stopnia Forma i tryb studiów: Stacjonarne
Wydział: Matematyki Stosowanej Kierunek: Matematyka Poziom studiów: Studia II stopnia Forma i tryb studiów: Stacjonarne Specjalność: Matematyka finansowa Rocznik: 2014/2015 Język wykładowy: Polski Semestr
Bardziej szczegółowoMetody Lagrange a i Hamiltona w Mechanice
Metody Lagrange a i Hamiltona w Mechanice Mariusz Przybycień Wydział Fizyki i Informatyki Stosowanej Akademia Górniczo-Hutnicza Wykład 9 M. Przybycień (WFiIS AGH) Metody Lagrange a i Hamiltona... Wykład
Bardziej szczegółowoZestaw zadań 5: Sumy i sumy proste podprzestrzeni. Baza i wymiar. Rzędy macierzy. Struktura zbioru rozwiązań układu równań.
Zestaw zadań : Sumy i sumy proste podprzestrzeni Baza i wymiar Rzędy macierzy Struktura zbioru rozwiązań układu równań () Pokazać, że jeśli U = lin(α, α,, α k ), U = lin(β, β,, β l ), to U + U = lin(α,
Bardziej szczegółowoMetody numeryczne Wykład 4
Metody numeryczne Wykład 4 Dr inż. Michał Łanczont Instytut Elektrotechniki i Elektrotechnologii E419, tel. 4293, m.lanczont@pollub.pl, http://m.lanczont.pollub.pl Zakres wykładu Metody skończone rozwiązywania
Bardziej szczegółowoWykład 3 Równania rózniczkowe cd
7 grudnia 2010 Definicja Równanie różniczkowe dy dx + p (x) y = q (x) (1) nazywamy równaniem różniczkowym liniowym pierwszego rzędu. Jeśli q (x) 0, to równanie (1) czyli równanie dy dx + p (x) y = 0 nazywamy
Bardziej szczegółowoRegresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna
Regresja wieloraka Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna zmienna niezależna (można zobrazować
Bardziej szczegółowo21 maja, Mocna własność Markowa procesu Wienera. Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126
Mocna własność Markowa procesu Wienera Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 21 maja, 2012 Mocna własność Markowa W = (W 1,..., W d ) oznaczać
Bardziej szczegółowoRekurencje. Jeśli algorytm zawiera wywołanie samego siebie, jego czas działania moŝe być określony rekurencją. Przykład: sortowanie przez scalanie:
Rekurencje Jeśli algorytm zawiera wywołanie samego siebie, jego czas działania moŝe być określony rekurencją. Przykład: sortowanie przez scalanie: T(n) = Θ(1) (dla n = 1) T(n) = 2 T(n/2) + Θ(n) (dla n
Bardziej szczegółowoLogarytmy. Funkcje logarytmiczna i wykładnicza. Równania i nierówności wykładnicze i logarytmiczne.
Logarytmy. Funkcje logarytmiczna i wykładnicza. Równania i nierówności wykładnicze i logarytmiczne. Definicja. Niech a i b będą dodatnimi liczbami rzeczywistymi i niech a. Logarytmem liczby b przy podstawie
Bardziej szczegółowoskłada się z m + 1 uporządkowanych niemalejąco liczb nieujemnych. Pomiędzy p, n i m zachodzi następująca zależność:
TEMATYKA: Krzywe typu Splajn (Krzywe B sklejane) Ćwiczenia nr 8 Krzywe Bezier a mają istotne ograniczenie. Aby uzyskać kształt zawierający wiele punktów przegięcia niezbędna jest krzywa wysokiego stopnia.
Bardziej szczegółowoPraca domowa - seria 6
Praca domowa - seria 6 28 grudnia 2012 Zadanie 1. Znajdź bazę jądra i obrazu przekształcenia liniowego φ : R 4 wzorem: R 3 danego φ(x 1, x 2, x 3, x 4 ) = (x 1 +2x 2 x 3 +3x 4, x 1 +x 2 +2x 3 +x 4, 2x
Bardziej szczegółowoMatematyka A kolokwium: godz. 18:05 20:00, 24 maja 2017 r. rozwiązania. ) zachodzi równość: x (t) ( 1 + x(t) 2)
Matematyka A kolokwium: godz. 18:05 0:00, 4 maja 017 r. rozwiązania 1. 7 p. Znaleźć wszystkie takie funkcje t xt, że dla każdego t π, π zachodzi równość: x t 1 + xt 1+4t 0. p. Wśród znalezionych w poprzedniej
Bardziej szczegółowoRodzinę F złożoną z podzbiorów zbioru X będziemy nazywali ciałem zbiorów, gdy spełnione są dwa następujące warunki.
3. Funkcje borelowskie. Rodzinę F złożoną z podzbiorów zbioru X będziemy nazywali ciałem zbiorów, gdy spełnione są dwa następujące warunki. (1): Jeśli zbiór Y należy do rodziny F, to jego dopełnienie X
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
Bardziej szczegółowoAproksymacja. j<k. L 2 p[a, b] l 2 p,n X = Lemat 1. Wielomiany ortogonalne P 0,P 1,...,P n tworza przestrzeni liniowej Π n. Dowód.
Metody numeryczne Paweł Zieliński p. 1/19 Lemat 1. Wielomiany ortogonalne P 0,P 1,...,P n tworza bazę przestrzeni liniowej Π n. Dowód. Lemat 2. Dowolny wielomian Q j stopnia j niższego od k jest prostopadły
Bardziej szczegółowoWykład 5. Metoda eliminacji Gaussa
1 Wykład 5 Metoda eliminacji Gaussa Rozwiązywanie układów równań liniowych Układ równań liniowych może mieć dokładnie jedno rozwiązanie, nieskończenie wiele rozwiązań lub nie mieć rozwiązania. Metody dokładne
Bardziej szczegółowoSterowanie Napędów Maszyn i Robotów
Wykład 3 - Metodyka projektowania sterowania. Opis bilansowy Instytut Automatyki i Robotyki Warszawa, 2015 Metodyka projektowania sterowania Zrozumienie obiektu, możliwości, ograniczeń zapoznanie się z
Bardziej szczegółowoZadania do Rozdziału X
Zadania do Rozdziału X 1. 2. Znajdź wszystkie σ-ciała podzbiorów X, gdy X = (i) {1, 2}, (ii){1, 2, 3}. (b) Znajdź wszystkie elementy σ-ciała generowanego przez {{1, 2}, {2, 3}} dla X = {1, 2, 3, 4}. Wykaż,
Bardziej szczegółowoW3 - Niezawodność elementu nienaprawialnego
W3 - Niezawodność elementu nienaprawialnego Henryk Maciejewski Jacek Jarnicki Jarosław Sugier www.zsk.iiar.pwr.edu.pl Niezawodność elementu nienaprawialnego 1. Model niezawodności elementu nienaprawialnego
Bardziej szczegółowoBioFizMat 5. Bistabilny przełącznik genetyczny
BioFizMat 5 Bistabilny przełącznik genetyczny Marta Tyran-Kamińska Instytut Matematyki Uniwersytet Śląski Warszawa, 9 grudnia 2016 Badania finansowane przez NCN grant 2014/13/B/ST1/00224 Od DNA poprzez
Bardziej szczegółowoFinansowe szeregi czasowe
24 kwietnia 2009 Modelem szeregu czasowego jest proces stochastyczny (X t ) t Z, czyli rodzina zmiennych losowych, indeksowanych liczbami całkowitymi i zdefiniowanych na pewnej przestrzeni probabilistycznej
Bardziej szczegółowo1. PODSTAWY TEORETYCZNE
1. PODSTAWY TEORETYCZNE 1 1. 1. PODSTAWY TEORETYCZNE 1.1. Wprowadzenie W pierwszym wykładzie przypomnimy podstawowe działania na macierzach. Niektóre z nich zostały opisane bardziej szczegółowo w innych
Bardziej szczegółowoMetody iteracyjne dla hiperbolicznych równań różniczkowo-funkcyjnych
Metody iteracyjne dla hiperbolicznych równań różniczkowo-funkcyjnych Instytut Matematyki Uniwersytet Gdański 6 Wrzesień 2016 Zastosowania równań hiperbolicznych Nieliniowe równania hiperboliczne wykorzystywane
Bardziej szczegółowoTeoretyczne podstawy informatyki
Teoretyczne podstawy informatyki Wykład 4a: Rozwiązywanie rekurencji http://kiwi.if.uj.edu.pl/~erichter/dydaktyka2010/tpi-2010 Prof. dr hab. Elżbieta Richter-Wąs 1 Czas działania programu Dla konkretnych
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 szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metody kierunków poparwy (metoda Newtona-Raphsona, metoda gradientów sprzężonych) Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 28.03.2019 1
Bardziej szczegółowo26 marzec, Łańcuchy Markowa z czasem ciągłym. Procesy Stochastyczne, wykład 7, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136
Procesy Stochastyczne, wykład 7, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 26 marzec, 212 Łańcuchy z czasem ciągłym S = {, 1,..., }, B S = 2 S, ale T = [, ) lub T = (, ). Gdy S skończone,
Bardziej szczegółowoDOPASOWYWANIE KRZYWYCH
DOPASOWYWANIE KRZYWYCH Maciej Patan Uniwersytet Zielonogórski Motywacje Przykład 1. Dane o przyroście światowej populacji są aktualizowane co każde 10 lat, celem szacowania średniego przyrostu rocznego.
Bardziej szczegółowoLI Olimpiada Matematyczna Rozwiązania zadań konkursowych zawodów stopnia trzeciego 3 kwietnia 2000 r. (pierwszy dzień zawodów)
LI Olimpiada Matematyczna Rozwiązania zadań konkursowych zawodów stopnia trzeciego 3 kwietnia 2000 r. (pierwszy dzień zawodów) Zadanie 1. Dana jest liczba całkowita n 2. Wyznaczyć liczbę rozwiązań (x 1,x
Bardziej szczegółowoKonrad Słodowicz sk30792 AR22 Zadanie domowe satelita
Konrad Słodowicz sk3079 AR Zadanie domowe satelita Współrzędne kartezjańskie Do opisu ruchu satelity potrzebujemy 4 zmiennych stanu współrzędnych położenia i prędkości x =r x =r x 3 = r 3, x 4 = r 4 gdzie
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Równania różniczkowe Differential equations Kierunek: Rodzaj przedmiotu: obowiązkowy dla wszystkich specjalności Rodzaj zajęć: wykład, ćwiczenia Matematyka Poziom kwalifikacji: I stopnia
Bardziej szczegółowoRównania różniczkowe z opóźnieniem w opisie zjawisk biologicznych
Równania różniczkowe z opóźnieniem w opisie zjawisk biologicznych Marek Bodnar Zakład Biomatematyki i Teorii Gier, Instytut Matematyki Stosowanej i Mechaniki, Wydział Matematyki, Informatyki i Mechaniki,
Bardziej szczegółowo4.2 Analiza fourierowska(f1)
Analiza fourierowska(f1) 179 4. Analiza fourierowska(f1) Celem doświadczenia jest wyznaczenie współczynników szeregu Fouriera dla sygnałów okresowych. Zagadnienia do przygotowania: szereg Fouriera; sygnał
Bardziej szczegółowo13. Równania różniczkowe - portrety fazowe
13. Równania różniczkowe - portrety fazowe Grzegorz Kosiorowski Uniwersytet Ekonomiczny w Krakowie rzegorz Kosiorowski (Uniwersytet Ekonomiczny 13. wrównania Krakowie) różniczkowe - portrety fazowe 1 /
Bardziej szczegółowoDynamika nieliniowa i chaos deterministyczny. Fizyka układów złożonych
Dynamika nieliniowa i chaos deterministyczny Fizyka układów złożonych Wahadło matematyczne F θ = mgsinθ Druga zasada dynamiki: ma = mgsinθ a = d2 x dt 2 = gsinθ Długość łuku: x = Lθ Równanie ruchu: θ ሷ
Bardziej szczegółowoWyprowadzenie wzoru na krzywą łańcuchową
Wyprowadzenie wzoru na krzywą łańcuchową Daniel Pęcak 16 sierpnia 9 1 Wstęp Być może zastanawiałeś się kiedyś drogi czytelniku nad kształtem, jaki kształt przyjmuje zwisający swobodnie łańcuch lub sznur
Bardziej szczegółowoManipulatory i roboty mobilne AR S1 semestr 5
Manipulatory i roboty mobilne AR S semestr 5 Konrad Słodowicz MN: Zadanie proste kinematyki manipulatora szeregowego - DOF Położenie manipulatora opisać można dwojako w przestrzeni kartezjańskiej lub zmiennych
Bardziej szczegółowoPodstawy Automatyki. Wykład 2 - podstawy matematyczne. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 2 - podstawy matematyczne Instytut Automatyki i Robotyki Warszawa, 2015 Wstęp Rzeczywiste obiekty regulacji, a co za tym idzie układy regulacji, mają właściwości nieliniowe, n.p. turbulencje, wiele
Bardziej szczegółowoRównania różniczkowe zwyczajne
Równania różniczkowe zwyczajne Zajmiemy się teraz problemem numerycznego rozwiązywania równań różniczkowych zwyczajnych o postaci: z warunkeim początkowym. Zauważmy że przykładowe równanie różniczkowe
Bardziej szczegółowoProcesy stochastyczne 2.
Procesy stochastyczne 2. Listy zadań 1-3. Autor: dr hab.a. Jurlewicz WPPT Matematyka, studia drugiego stopnia, I rok, rok akad. 211/12 1 Lista 1: Własność braku pamięci. Procesy o przyrostach niezależnych,
Bardziej szczegółowoRozwiązywanie zależności rekurencyjnych metodą równania charakterystycznego
Rozwiązywanie zależności rekurencyjnych metodą równania charakterystycznego WMS, 2019 1 Wstęp Niniejszy dokument ma na celu prezentację w teorii i na przykładach rozwiązywania szczególnych typów równań
Bardziej szczegółowoINTERFERENCJA WIELOPROMIENIOWA
INTERFERENCJA WIELOPROMIENIOWA prof. dr hab. inż. Krzysztof Patorski W tej części wykładu rozważymy przypadek koherentnej superpozycji większej liczby wiązek niż dwie. Najważniejszym interferometrem wielowiązkowym
Bardziej szczegółowoDystrybucje, wiadomości wstępne (I)
Temat 8 Dystrybucje, wiadomości wstępne (I) Wielkości fizyczne opisujemy najczęściej przyporządkowując im funkcje (np. zależne od czasu). Inną drogą opisu tych wielkości jest przyporządkowanie im funkcjonałów
Bardziej szczegółowoMechanika Kwantowa. Maciej J. Mrowiński. 24 grudnia Funkcja falowa opisująca stan pewnej cząstki ma następującą postać: 2 x 2 )
Mechanika Kwantowa Maciej J. Mrowiński 4 grudnia 11 Zadanie MK1 Funkcja falowa opisująca stan pewnej cząstki w chwili t = ma następującą postać: A(a Ψ(x,) = x ) gdy x [ a,a] gdy x / [ a,a] gdzie a +. Wyznacz
Bardziej szczegółowoCałki niewłaściwe. Całki w granicach nieskończonych
Całki niewłaściwe Całki w granicach nieskończonych Wiemy, co to jest w przypadku skończonego przedziału i funkcji ograniczonej. Okazuje się potrzebne uogólnienie tego pojęcia w różnych kierunkach (przedział
Bardziej szczegółowoReakcja Bielousowa-Żabotyńskiego
Reakcja Bielousowa-Żabotyńskiego 1 Kryteria pomocne przy badaniu stabilności punktów stacjonarnych Często badamy układy dynamiczne w pobliżu punktów stacjonarnych. Rozważamy wtedy ich postać zlinearyzowaną:
Bardziej szczegółowoHypatia? 415 PROCESY KAWAŁKAMI DETERMINISTYCZNE I ICH ASYMPTOTYKA RYSZARD RUDNICKI ŚLADAMI KOBIET W MATEMATYCE RZESZÓW, Strona 1 z 36 Wróć
Strona 1 z 36 Wróć PROCESY KAWAŁKAMI Hypatia? 415 DETERMINISTYCZNE I ICH ASYMPTOTYKA RYSZARD RUDNICKI ŚLADAMI KOBIET W MATEMATYCE RZESZÓW, 23.06.2017 Strona 2 z 36 Wróć Plan: Co to sa procesy kawałkami
Bardziej szczegółowoZagadnienia brzegowe dla równań eliptycznych
Temat 7 Zagadnienia brzegowe dla równań eliptycznych Rozważmy płaski obszar R 2 ograniczony krzywą. la równania Laplace a (Poissona) stawia się trzy podstawowe zagadnienia brzegowe. Zagadnienie irichleta
Bardziej szczegółowoModele epidemiologiczne
Modele epidemiologiczne Anna Zesławska 20 maj 2013 Wstęp Wstęp Przyjrzymy się dwóm podstawowym modelom epidemiologicznym: bez nabywania odporności Model Kermacka-McKendricka SIR z jej uwzględnieniem Celem
Bardziej szczegółowoRozwiązania, seria 5.
Rozwiązania, seria 5. 26 listopada 2012 Zadanie 1. Zbadaj, dla jakich wartości parametru r R wektor (r, r, 1) lin{(2, r, r), (1, 2, 2)} R 3? Rozwiązanie. Załóżmy, że (r, r, 1) lin{(2, r, r), (1, 2, 2)}.
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 4. Metody kierunków poprawy (metoda spadku wzdłuż gradientu) Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 21.03.2019 1 / 41 Plan wykładu Minimalizacja
Bardziej szczegółowoEkonomia matematyczna Dynamiczny model wymiany rynkowej (Arrowa-Hurwicza)
Ekonoia ateatyczna -. Dynaiczny odel wyiany rynkowej (Arrowa-Hurwicza) W oencie t 0, na rynku, na który występuje skończona liczba n towarów,,...,n o cenach pt p t,...,p n t operuje agentów,...,. Każdy
Bardziej szczegółowo2 Równania różniczkowe zwyczajne o rozdzielonych zmiennych
2. Równania o rozdzielonych zmiennych 2 1 2 Równania różniczkowe zwyczajne o rozdzielonych zmiennych Równaniem różniczkowym zwyczajnym pierwszego rzędu o rozdzielonych zmiennych nazywamy równanie różniczkowe
Bardziej szczegółowoSchemat programowania dynamicznego (ang. dynamic programming)
Schemat programowania dynamicznego (ang. dynamic programming) Jest jedną z metod rozwiązywania problemów optymalizacyjnych. Jej twórcą (1957) był amerykański matematyk Richard Ernest Bellman. Schemat ten
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 1. Optymalizacja funkcji jednej zmiennej Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 28.02.2019 1 / 54 Plan wykładu Optymalizacja funkcji jednej
Bardziej szczegółowoSIMR 2016/2017, Analiza 2, wykład 1, Przestrzeń wektorowa
SIMR 06/07, Analiza, wykład, 07-0- Przestrzeń wektorowa Przestrzeń wektorowa (liniowa) - przestrzeń (zbiór) w której określone są działania (funkcje) dodawania elementów i mnożenia elementów przez liczbę
Bardziej szczegółowoFunkcja wykładnicza kilka dopowiedzeń
Funkcje i ich granice Było: Zbiór argumentów; zbiór wartości; monotoniczność; funkcja odwrotna; funkcja liniowa; kwadratowa; wielomiany; funkcje wymierne; funkcje trygonometryczne i ich odwrotności; funkcja
Bardziej szczegółowoPodstawy Automatyki. wykład 1 (26.02.2010) mgr inż. Łukasz Dworzak. Politechnika Wrocławska. Instytut Technologii Maszyn i Automatyzacji (I-24)
Podstawy Automatyki wykład 1 (26.02.2010) mgr inż. Łukasz Dworzak Politechnika Wrocławska Instytut Technologii Maszyn i Automatyzacji (I-24) Laboratorium Podstaw Automatyzacji (L6) 105/2 B1 Sprawy organizacyjne
Bardziej szczegółowoLaboratorium komputerowe z wybranych zagadnień mechaniki płynów
FORMOWANIE SIĘ PROFILU PRĘDKOŚCI W NIEŚCIŚLIWYM, LEPKIM PRZEPŁYWIE PRZEZ PRZEWÓD ZAMKNIĘTY Cel ćwiczenia Celem ćwiczenia będzie analiza formowanie się profilu prędkości w trakcie przepływu płynu przez
Bardziej szczegółowoEkonomia matematyczna i dynamiczna optymalizacja
Ekonomia matematyczna i dynamiczna optymalizacja Ramy wyk ladu i podstawowe narz edzia matematyczne SGH Semestr letni 2012-13 Uk lady dynamiczne Rozwiazanie modelu dynamicznego bardzo czesto można zapisać
Bardziej szczegółowoGRA Przykład. 1) Zbiór graczy. 2) Zbiór strategii. 3) Wypłaty. n = 2 myśliwych. I= {1,,n} S = {polować na jelenia, gonić zająca} S = {1,,m} 10 utils
GRA Przykład 1) Zbiór graczy n = 2 myśliwych I= {1,,n} 2) Zbiór strategii S = {polować na jelenia, gonić zająca} S = {1,,m} 3) Wypłaty jeleń - zając - 10 utils 3 utils U i : S n R i=1,,n J Z J Z J 5 0
Bardziej szczegółowoTematy prac magisterskich i doktorskich
Tematy prac magisterskich i doktorskich Stochastyczna dynamika z opóźnieniami czasowymi w grach ewolucyjnych oraz modelach ekspresji i regulacji genów Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki
Bardziej szczegółowo