Tematy prac magisterskich i doktorskich

Wielkość: px
Rozpocząć pokaz od strony:

Download "Tematy prac magisterskich i doktorskich"

Transkrypt

1 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 Uniwersytet Warszawski 1 marca 2017

2 Przykład elementarny

3 Dlaczego opóźnienie czasowe może powodować powstawanie cykli t=0,1, dynamika strzałkowa -m 0 m wprowadźmy opóźnienie warunki początkowe Pojawia się cykl stabilny o amplitudzie i okresie

4 Wprowadźmy stochastyczne zaburzenie z prawdopodobieństwem 1 - ε = z prawdopodobieństwem ε Otrzymaliśmy prosty przykład dynamiki stochastycznej z opóźnieniem czasowym

5 m = 20 = 9 ε = 0.1

6 jeżeli przez stan naszego układu w czasie t będziemy uważaćτ+ 1 położeń (x(t), x(t-1), x(t-2), x(t-τ)) to otrzymamy ergodyczny łańcuch Markowa z rozkładem stacjonarnym µ ε i przestrzenią stanówω Definicja jest stochastycznie stabilny jeśli lim ε 0 µ ε (x) > 0 (=1) Twierdzenie lim ε 0 µ ε (cykl) = 1

7 Modele

8 Teoria gier ewolucyjnych

9 Deterministyczna dynamika replikatorowa A B U = A a b B c d p A (t) liczba osobników grających strategią A w czasie t p B (t) liczba osobników grających strategią B w czasie t U A = ax + b(1-x) U B = cx + d(1-x) Proponujemy p A (t+ε)=(1-ε)p A (t) + εp A (t)u A (t) U av = xu A +(1-x)U B

10 p A (t+ε) = (1-ε)p A (t) + εp A (t)u A (t) p B (t+ε) = (1-ε)p B (t) + εp B (t)u B (t) p(t+ε) = (1-ε)p(t) + εp(t)u av (t)

11 dx/dt = x(1-x)(u A U B ) Polowanie na jelenia J Z J 5 0 Z 3 3 Gołąb - Jastrząb 0 3/ 5 1 wewnętrzny stan stacjonarny jest niestabilny J G J -1 2 G /2 1 wewnętrzny stan stacjonarny jest stabilny

12 Opóźnienie czasowe Opóźnienie typu społecznego Zakładamy, że gracze w czasie t replikują się proporcjonalnie do średniej wypłaty w czasie t-τ Proponujemy x *

13 Odpowiednie równanie replikatorowe w czasie ciągłym ma następująca postać może być też zapisane jako Twierdzenie (Jan Alboszta i JM, J. Theor. Biol. 231: , 2004) x * jest asymptotycznie stabilny dla odpowiednio małego τ x * jest asymptotycznie niestabilny dla odpowiednio dużego τ

14 Opóźnienie czasowe typu biologicznego Zakładamy, że dzieci rodzą sięτjednostek czasu po tym jak ich rodzice grali i otrzymali wypłaty. Proponujemy Twierdzenie (JA i JM, JTB 2004) x * jest asymptotycznie stabilny dla każdego opóźnienia τ

15 Stochastyczna dynamika skończonych populacji n - liczba osobników z t - liczba osobników grających A w czasie t Ω ={0,,n} - przestrzeń stanów z t+1 > z t selekcja jeśli średnia z A > średnia z B mutacje Każdy osobnik może zmienić swoją strategię z prawdopodobieństwem ε

16 Klasyczny model, Kandori-Mailath-Rob, 1993 A B A a b B c d a>c i d>b, (A,A) i (B,B) równowagi Nasha A jest stategią efektywną, a>d B jest strategią dominującą ze względu na ryzyko c+d>a+b Twierdzenie Dla dostatecznie dużych n, B jest stochastycznie stabilne

17 Ekspresja i regulacja genów

18 Komórka matematyczna DNA mrna Ø białko Ø

19 Poziom makroskopowy DNA mrna Ø białko Ø

20 Poziom mikroskopowy r - liczba cząsteczek mrna p - liczba cząsteczek białka prawdopodobieństwo zajścia w czasie (t,t+h) proces urodzin i śmierci

21 Auto-represja genów w komórce

22

23 Równania Mistrzów prawdopodobieństwo, że w komórce jest n cząsteczek białka i gen jest odpowiednio w stanie 0 lub 1 w czasie t

24 Tematy prac magisterskich 1. Wpływ heterogenicznych opóźnień czasowych na stochastyczna stabilność w niesymetrycznych grach ewolucyjnych 2. Zbadanie prawdopodobieństw wymierania strategii w grach ewolucyjnych z opóźnieniami czasowymi 3. Wpływ opóźnień czasowych procesu translacji na wariancję liczby białek w stanie stacjonarnym 4. Wpływ opóźnień czasowych procesu transkrypcji na zachowanie się układów bi-stabilnych

25 Dodatkowe motywacje 4 stypendia magisterskie, 800 PLN przez 9 miesięcy 1 stypendium doktorskie, 2500 PLN przez 24 miesiące w ramach grantu NCN OPUS Opóźnienia czasowe w stochastycznych modelach biologicznych kierownik: Jacek Miękisz, współwykonawca: Marek Bodnar

26 Zadania badawcze grantu Wpływ opóźnień na zachowanie układów genetycznych ze sprzężeniami zwrotnymi Równowaga szczegółowa w stochastycznych układach biologicznych Osobliwe zaburzenia skokowych procesów Markowa Stabilność stanów stacjonarnych w modelach z wieloma opóźnieniami

27 Dziękuję za uwagę wiecej na

Stochastyczna 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 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 szczegółowo

GRA 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. 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 szczegółowo

Stochastyczne dynamiki z opóźnieniami czasowymi w grach ewolucyjnych

Stochastyczne dynamiki z opóźnieniami czasowymi w grach ewolucyjnych Stochastyczne dynamiki z opóźnieniami czasowymi w grach ewolucyjnych Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski Warszawa 10 listopada 2016 Proseminarium licencjackie

Bardziej szczegółowo

Gry hazardowe, gry ewolucyjne, ekspresja genów, tak czy owak łańcuchy Markowa

Gry hazardowe, gry ewolucyjne, ekspresja genów, tak czy owak łańcuchy Markowa Kampus Ochota 18 kwietnia 2015 Gry hazardowe, gry ewolucyjne, ekspresja genów, tak czy owak łańcuchy Markowa Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski Andrey (Andrei)

Bardziej szczegółowo

Gry hazardowe, gry ewolucyjne, ekspresja genów, tak czy owak łańcuchy Markowa

Gry hazardowe, gry ewolucyjne, ekspresja genów, tak czy owak łańcuchy Markowa Po co nam matematyka? 7 kwietnia 2016 Gry hazardowe, gry ewolucyjne, ekspresja genów, tak czy owak łańcuchy Markowa Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski Empik

Bardziej szczegółowo

Matematyk Ci powie, co łączy Eugeniusza Oniegina i gry hazardowe

Matematyk Ci powie, co łączy Eugeniusza Oniegina i gry hazardowe Matematyk Ci powie, co łączy Eugeniusza Oniegina i gry hazardowe Empik każdego inspiruje inaczej Aleksander Puszkin (1799 1837) Andrey (Andrei) Andreyevich Markov (1856 1922) Wśród 20 tysięcy początkowych

Bardziej szczegółowo

Zasada średniego potencjału w grach ewolucyjnych. Paweł Nałęcz-Jawecki

Zasada średniego potencjału w grach ewolucyjnych. Paweł Nałęcz-Jawecki Zasada średniego potencjału w grach ewolucyjnych Paweł Nałęcz-Jawecki O czym będzie ten komunikat O czym będzie ten komunikat Jak powiązać procesy błądzenia losowego na dyskretnym grafie ze (stochastycznymi

Bardziej szczegółowo

Analiza modelu ekspresji genu białka Hes1

Analiza 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 szczegółowo

H. SKRÓCONY OPIS PROJEKTU

H. SKRÓCONY OPIS PROJEKTU H. SKRÓCONY OPIS PROJEKTU 1. Cel naukowy projektu Wiele społecznych i biologicznych procesów można modelować jako systemy oddziałujących obiektów. Naszym celem jest wyprowadzenie makroskopowego zachowania

Bardziej szczegółowo

Równania różniczkowe z opóźnieniem w opisie zjawisk biologicznych

Równania 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 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

Hypatia? 415 PROCESY KAWAŁKAMI DETERMINISTYCZNE I ICH ASYMPTOTYKA RYSZARD RUDNICKI ŚLADAMI KOBIET W MATEMATYCE RZESZÓW, Strona 1 z 36 Wróć

Hypatia? 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 szczegółowo

Twierdzenia graniczne fluktuacji procesów przebywania dla układów gałazkowych

Twierdzenia graniczne fluktuacji procesów przebywania dla układów gałazkowych Publiczna obrona rozprawy doktorskiej Twierdzenia graniczne fluktuacji procesów przebywania dla układów gałazkowych Piotr Miłoś Instytut Matematyczny Polskiej Akademii Nauk 23.10.2008 Warszawa Plan 1 Układy

Bardziej szczegółowo

EGZAMIN DYPLOMOWY, część II, 23.09.2008 Biomatematyka

EGZAMIN DYPLOMOWY, część II, 23.09.2008 Biomatematyka Biomatematyka W 200-elementowej próbie losowej z diploidalnej populacji wystąpiło 89 osobników genotypu AA, 57 osobników genotypu Aa oraz 54 osobników genotypu aa. Na podstawie tych danych (a) dokonaj

Bardziej szczegółowo

EGZAMIN DYPLOMOWY, część II, Biomatematyka

EGZAMIN DYPLOMOWY, część II, Biomatematyka Biomatematyka Badamy wpływ dwóch czynników mutagennych na DNA. W tym celu podczas każdej replikacji nić DNA poddawana jest na przemian działaniu pierwszego i drugiego czynnika wywołującego mutacje. Wiemy,

Bardziej szczegółowo

Dryf genetyczny i jego wpływ na rozkłady próbek z populacji - modele matematyczne. Adam Bobrowski, IM PAN Katowice

Dryf genetyczny i jego wpływ na rozkłady próbek z populacji - modele matematyczne. Adam Bobrowski, IM PAN Katowice Dryf genetyczny i jego wpływ na rozkłady próbek z populacji - modele matematyczne Adam Bobrowski, IM PAN Katowice 1 Tematyka cyklu referatów Dryf genetyczny Matematyczne modele równowagi między mutacja

Bardziej szczegółowo

11. Gry Macierzowe - Strategie Czyste i Mieszane

11. Gry Macierzowe - Strategie Czyste i Mieszane 11. Gry Macierzowe - Strategie Czyste i Mieszane W grze z doskonałą informacją, gracz nie powinien wybrać akcję w sposób losowy (o ile wypłaty z różnych decyzji nie są sobie równe). Z drugiej strony, gdy

Bardziej szczegółowo

Rozkład materiału z biologii dla klasy III AD. 7 godz / tyg rok szkolny 2016/17

Rozkład materiału z biologii dla klasy III AD. 7 godz / tyg rok szkolny 2016/17 Rozkład materiału z biologii dla klasy III AD zakres rozszerzony LO 7 godz / tyg rok szkolny 2016/17 Biologia na czasie 2 zakres rozszerzony nr dopuszczenia 564/2/2012 Biologia na czasie 3 zakres rozszerzony

Bardziej szczegółowo

EGZAMIN DYPLOMOWY, część II, Biomatematyka

EGZAMIN DYPLOMOWY, część II, Biomatematyka Biomatematyka Niech X n oznacza proporcję pozycji w nici DNA, które po n replikacjach są obsadzone takimi samymi nukleotydami, jak w chwili początkowej, tak więc X 0 = 1. Zakładamy, że w każdej replikacji

Bardziej szczegółowo

2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27

2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27 SYGNAŁY STOCHASTYCZNE Przestrzeń probabilistyczna i zmienna losowa Definicja Przestrzenią probabilistyczną (doświadczeniem) nazywamy trójkę uporządkowaną (E, B, P ), gdzie: E przestrzeń zdarzeń elementarnych;

Bardziej szczegółowo

Hopfa w modelach reakcji biochemicznych z opóźnieniem

Hopfa w modelach reakcji biochemicznych z opóźnieniem Nieujemność rozwiazań, stabilność i bifurkacja Hopfa w modelach reakcji biochemicznych z opóźnieniem Marek Bodnar Wydział Matematyki, Informatyki i Mechaniki, Instytut Matematyki Stosowanej i Mechaniki,

Bardziej szczegółowo

Algorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych

Algorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w

Bardziej 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

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

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

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

BioFizMat 5. Bistabilny przełącznik genetyczny

BioFizMat 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 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

Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału

Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Magdalena Frąszczak Wrocław, 22.02.2017r Zasady oceniania Ćwiczenia 2 kolokwia (20 punktów każde) 05.04.2017 oraz 31.05.2017 2 kartkówki

Bardziej szczegółowo

MODELOWANIE RZECZYWISTOŚCI

MODELOWANIE RZECZYWISTOŚCI MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN Szkoła Wyższa Psychologii Społecznej d.wojcik@nencki.gov.pl dwojcik@swps.edu.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, 18 września 2013 Biomatematyka

EGZAMIN 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 szczegółowo

Twierdzenie 2: Własności pola wskazujące na istnienie orbit

Twierdzenie 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 szczegółowo

Podstawy Automatyki. Wykład 5 - stabilność liniowych układów dynamicznych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki

Podstawy Automatyki. Wykład 5 - stabilność liniowych układów dynamicznych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki Wykład 5 - stabilność liniowych układów dynamicznych Instytut Automatyki i Robotyki Warszawa, 2015 Wstęp Stabilność - definicja 1 O układzie możemy mówić, że jest stabilny gdy wytrącony ze stanu równowagi

Bardziej szczegółowo

ALGORYTMY GENETYCZNE (wykład + ćwiczenia)

ALGORYTMY GENETYCZNE (wykład + ćwiczenia) ALGORYTMY GENETYCZNE (wykład + ćwiczenia) Prof. dr hab. Krzysztof Dems Treści programowe: 1. Metody rozwiązywania problemów matematycznych i informatycznych.. Elementarny algorytm genetyczny: definicja

Bardziej szczegółowo

Statystyka matematyczna dla leśników

Statystyka matematyczna dla leśników Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje

Bardziej szczegółowo

ALHE Z11 Jarosław Arabas wykład 11

ALHE Z11 Jarosław Arabas wykład 11 ALHE Z11 Jarosław Arabas wykład 11 algorytm ewolucyjny inicjuj P 0 {x 1, x 2... x } t 0 while! stop for i 1: if a p c O t,i mutation crossover select P t, k else O t,i mutation select P t,1 P t 1 replacement

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

III. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań.

III. 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 szczegółowo

Teoria gier. Strategie stabilne ewolucyjnie Zdzisław Dzedzej 1

Teoria gier. Strategie stabilne ewolucyjnie Zdzisław Dzedzej 1 Teoria gier Strategie stabilne ewolucyjnie 2012-01-11 Zdzisław Dzedzej 1 John Maynard Smith (1920-2004) 2012-01-11 Zdzisław Dzedzej 2 Hawk- Dove Game Przedstawimy uproszczony model konfliktu omówiony w

Bardziej szczegółowo

Centralne twierdzenie graniczne

Centralne twierdzenie graniczne Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 4 Ważne uzupełnienie Dwuwymiarowy rozkład normalny N (µ X, µ Y, σ X, σ Y, ρ): f XY (x, y) = 1 2πσ X σ Y 1 ρ 2 { [ (x ) 1

Bardziej szczegółowo

TEORIA ERGODYCZNA. Bartosz Frej Instytut Matematyki i Informatyki Politechniki Wrocławskiej

TEORIA ERGODYCZNA. Bartosz Frej Instytut Matematyki i Informatyki Politechniki Wrocławskiej TEORIA ERGODYCZNA Bartosz Frej Instytut Matematyki i Informatyki Politechniki Wrocławskiej Przedmiot zainteresowania Teoria ergodyczna to dziedzina matematyki zajmująca się badaniem przekształceń określonych

Bardziej szczegółowo

Elementy modelowania matematycznego

Elementy modelowania matematycznego Elementy modelowania matematycznego Łańcuchy Markowa: zagadnienia graniczne. Ukryte modele Markowa. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ KLASYFIKACJA STANÓW Stan i jest osiągalny

Bardziej szczegółowo

EGZAMIN DYPLOMOWY, część II, 20.09.2006 Biomatematyka

EGZAMIN DYPLOMOWY, część II, 20.09.2006 Biomatematyka Biomatematyka Załóżmy, że częstości genotypów AA, Aa i aa w całej populacji wynoszą p 2, 2pq i q 2. Wiadomo, że czynnik selekcyjny sprawia, że osobniki o genotypie aa nie rozmnażają się. 1. Wyznacz częstości

Bardziej szczegółowo

Układy dynamiczne. proseminarium dla studentów III roku matematyki. Michał Krych i Anna Zdunik. rok akad. 2014/15

Układy dynamiczne. proseminarium dla studentów III roku matematyki. Michał Krych i Anna Zdunik. rok akad. 2014/15 Układy dynamiczne proseminarium dla studentów III roku matematyki Michał Krych i Anna Zdunik rok akad. 2014/15 Układy dynamiczne Układy dynamiczne Układy dynamiczne, i związana z nimi Teoria ergodyczna

Bardziej szczegółowo

Zadania do wykładu Jakościowa Teoria Równań Różniczkowych Zwyczajnych

Zadania 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 szczegółowo

Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych

Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej

Bardziej szczegółowo

Modelowanie stochastyczne Stochastic Modeling. Poziom przedmiotu: II stopnia. Liczba godzin/tydzień: 2W E, 2C

Modelowanie stochastyczne Stochastic Modeling. Poziom przedmiotu: II stopnia. Liczba godzin/tydzień: 2W E, 2C Nazwa przedmiotu: Kierunek: Matematyka Rodzaj przedmiotu: obowiązkowy dla specjalności matematyka przemysłowa Rodzaj zajęć: wykład, ćwiczenia Modelowanie stochastyczne Stochastic Modeling Poziom przedmiotu:

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

TEORIA CHAOSU. Autorzy: Szymon Sapkowski, Karolina Seweryn, Olaf Skrabacz, Kinga Szarkowska

TEORIA CHAOSU. Autorzy: Szymon Sapkowski, Karolina Seweryn, Olaf Skrabacz, Kinga Szarkowska TEORIA CHAOSU Autorzy: Szymon Sapkowski, Karolina Seweryn, Olaf Skrabacz, Kinga Szarkowska Wydział MiNI Politechnika Warszawska Rok akademicki 2015/2016 Semestr letni Krótki kurs historii matematyki DEFINICJA

Bardziej szczegółowo

Statystyka matematyczna dla leśników

Statystyka matematyczna dla leśników Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2013/2014 Wykład 3 Zmienna losowa i jej rozkłady Zdarzenia losowe Pojęcie prawdopodobieństwa

Bardziej szczegółowo

Konstruktywne metody znajdowania równowag w dużych gospodarkach.

Konstruktywne metody znajdowania równowag w dużych gospodarkach. Konstruktywne metody znajdowania równowag w dużych gospodarkach. Łukasz Balbus 1 Wojewódzki Urza d Pracy w Zielonej Górze, 28 Maja 2014 1 Uniwersytet Zielonogórski. Cele teorii gier w ekonomii: próba zrozumenia

Bardziej szczegółowo

Rozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE

Rozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE 1. 1. W p r owadze n ie 1 Rozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE 1.1. WPROWADZENIE SYGNAŁ nośnik informacji ANALIZA SYGNAŁU badanie, którego celem jest identyfikacja własności, cech, miar sygnału; odtwarzanie

Bardziej szczegółowo

ϕ(t k ; p) dla pewnego cigu t k }.

ϕ(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 szczegółowo

Wstęp do rachunku prawdopodobieństwa. Cz. 2 / William Feller. wyd. 4, dodr. 3. Warszawa, Spis treści

Wstęp do rachunku prawdopodobieństwa. Cz. 2 / William Feller. wyd. 4, dodr. 3. Warszawa, Spis treści Wstęp do rachunku prawdopodobieństwa. Cz. 2 / William Feller. wyd. 4, dodr. 3. Warszawa, 2012 Spis treści Przedmowa 5 Oznaczenia i konwencje 7 Rozdział I Rozkład wykładniczy i rozkład jednostajny 1. Wprowadzenie

Bardziej szczegółowo

Uniwersytet Śląski w Katowicach WYDZIAŁ MATEMATYKI, FIZYKI I CHEMII. Kierunek Matematyka. Studia stacjonarne i niestacjonarne I i II stopnia

Uniwersytet Śląski w Katowicach WYDZIAŁ MATEMATYKI, FIZYKI I CHEMII. Kierunek Matematyka. Studia stacjonarne i niestacjonarne I i II stopnia Uniwersytet Śląski w Katowicach WYDZIAŁ MATEMATYKI, FIZYKI I CHEMII Kierunek Matematyka Studia stacjonarne i niestacjonarne I i II stopnia Organizacja roku akademickiego 2017/2018 Studia stacjonarne I

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA. rachunek prawdopodobieństwa

STATYSTYKA MATEMATYCZNA. rachunek prawdopodobieństwa STATYSTYKA MATEMATYCZNA rachunek prawdopodobieństwa treść Zdarzenia losowe pojęcie prawdopodobieństwa prawo wielkich liczb zmienne losowe rozkłady teoretyczne zmiennych losowych Zanim zajmiemy się wnioskowaniem

Bardziej szczegółowo

Do czego przydaje się matematyka? Od układów dynamicznych, przez optymalizację, do algorytmów genetycznych

Do czego przydaje się matematyka? Od układów dynamicznych, przez optymalizację, do algorytmów genetycznych Do czego przydaje się matematyk(a)? Od układów dynamicznych, przez optymalizację, do algorytmów genetycznych Interdyscyplinarne Centrum Modelowania UW 26 października 2012 Spis treści wykładu 1 Wstęp 2

Bardziej szczegółowo

Wykład 11: Martyngały: definicja, twierdzenia o zbieżności

Wykład 11: Martyngały: definicja, twierdzenia o zbieżności RAP 412 14.01.2009 Wykład 11: Martyngały: definicja, twierdzenia o zbieżności Wykładowca: Andrzej Ruciński Pisarz:Mirosława Jańczak 1 Wstęp Do tej pory zajmowaliśmy się ciągami zmiennych losowych (X n

Bardziej szczegółowo

Stabilność II Metody Lapunowa badania stabilności

Stabilność II Metody Lapunowa badania stabilności Metody Lapunowa badania stabilności Interesuje nas w sposób szczególny system: Wprowadzamy dla niego pojęcia: - stabilności wewnętrznej - odnosi się do zachowania się systemu przy zerowym wejściu, czyli

Bardziej szczegółowo

Metody probabilistyczne

Metody probabilistyczne Metody probabilistyczne Teoria estymacji Jędrzej Potoniec Bibliografia Bibliografia Próba losowa (x 1, x 2,..., x n ) Próba losowa (x 1, x 2,..., x n ) (X 1, X 2,..., X n ) Próba losowa (x 1, x 2,...,

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

Teoria ewolucji. Podstawowe pojęcia. Wspólne pochodzenie.

Teoria ewolucji. Podstawowe pojęcia. Wspólne pochodzenie. Teoria ewolucji Podstawowe pojęcia. Wspólne pochodzenie. Informacje Kontakt: Paweł Golik Instytut Genetyki i Biotechnologii, Pawińskiego 5A pgolik@igib.uw.edu.pl Informacje, materiały: http://www.igib.uw.edu.pl/

Bardziej szczegółowo

Katedra Fizyki Ciała Stałego Uniwersytetu Łódzkiego. Ćwiczenie 2 Badanie funkcji korelacji w przebiegach elektrycznych.

Katedra Fizyki Ciała Stałego Uniwersytetu Łódzkiego. Ćwiczenie 2 Badanie funkcji korelacji w przebiegach elektrycznych. Katedra Fizyki Ciała Stałego Uniwersytetu Łódzkiego Ćwiczenie Badanie unkcji korelacji w przebiegach elektrycznych. Cel ćwiczenia: Celem ćwiczenia jest zbadanie unkcji korelacji w okresowych sygnałach

Bardziej szczegółowo

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl

Bardziej szczegółowo

Metody probabilistyczne opracowane notatki 1. Zdefiniuj zmienną losową, rozkład prawdopodobieństwa. Przy jakich założeniach funkcje: F(x) = sin(x),

Metody probabilistyczne opracowane notatki 1. Zdefiniuj zmienną losową, rozkład prawdopodobieństwa. Przy jakich założeniach funkcje: F(x) = sin(x), Metody probabilistyczne opracowane notatki 1. Zdefiniuj zmienną losową, rozkład prawdopodobieństwa. Przy jakich założeniach funkcje: Fx sinx, Fx a e x mogą być dystrybuantami?. Podaj twierdzenie Lindeberga

Bardziej szczegółowo

Metody probabilistyczne

Metody probabilistyczne Metody probabilistyczne 6. Momenty zmiennych losowych Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 8.11.2018 1 / 47 Funkcje zmiennych losowych Mierzalna funkcja Y

Bardziej szczegółowo

Kurs z NetLogo - część 4.

Kurs z NetLogo - część 4. Kurs z NetLogo - część 4. Mateusz Zawisza Zakład Wspomagania i Analizy Decyzji Instytut Ekonometrii Szkoła Główna Handlowa Seminarium Wieloagentowe Warszawa, 10.01.2011 Agenda spotkań z NetLogo 15. listopada

Bardziej szczegółowo

PROGRAM. XVIII Krajowej Konferencji Zastosowań Matematyki w Biologii i Medycynie

PROGRAM. XVIII Krajowej Konferencji Zastosowań Matematyki w Biologii i Medycynie Niedziela 23 września 2012 16 00 18 00 Rejestracja uczestników 18 00 Kolacja 19 30 22 00 Rejestracja uczestników Poniedziałek 24 września 2012 9 15 Otwarcie konferencji Sesja I, przewodniczący: Mariusz

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

WYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady

WYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady WYKŁAD 2 Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady Metody statystyczne metody opisu metody wnioskowania statystycznego syntetyczny liczbowy opis właściwości zbioru danych ocena

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

Zmienna losowa. Rozkład skokowy

Zmienna losowa. Rozkład skokowy Temat: Zmienna losowa. Rozkład skokowy Kody kolorów: żółty nowe pojęcie pomarańczowy uwaga * - materiał nadobowiązkowy Anna Rajfura, Matematyka i statystyka matematyczna na kierunku Rolnictwo SGGW 1 Zagadnienia

Bardziej szczegółowo

PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω)

PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) określonych na tej samej przestrzeni probabilistycznej

Bardziej szczegółowo

10. Wstęp do Teorii Gier

10. Wstęp do Teorii Gier 10. Wstęp do Teorii Gier Definicja Gry Matematycznej Gra matematyczna spełnia następujące warunki: a) Jest co najmniej dwóch racjonalnych graczy. b) Zbiór możliwych dezycji każdego gracza zawiera co najmniej

Bardziej szczegółowo

Rozdział 1. Zmienne losowe, ich rozkłady i charakterystyki. 1.1 Definicja zmiennej losowej

Rozdział 1. Zmienne losowe, ich rozkłady i charakterystyki. 1.1 Definicja zmiennej losowej Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Zbiór możliwych wyników eksperymentu będziemy nazywać przestrzenią zdarzeń elementarnych i oznaczać Ω, natomiast

Bardziej szczegółowo

Matematyka ubezpieczeń życiowych r.

Matematyka ubezpieczeń życiowych r. . W populacji, w której śmiertelnością rządzi prawo de Moivre a z wiekiem granicznym ω = 50, dzieckiem jest się do wieku d. W wieku d rozpoczyna się pracę i pracuje się do wieku p.w wieku p przechodzi

Bardziej szczegółowo

19 marzec, Łańcuchy Markowa z czasem dyskretnym. Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136

19 marzec, Łańcuchy Markowa z czasem dyskretnym. Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 19 marzec, 2012 Przykłady procesów Markowa (i). P = (p ij ) - macierz stochastyczna, tzn. p ij 0, j p ij =

Bardziej szczegółowo

Lista 1. Procesy o przyrostach niezależnych.

Lista 1. Procesy o przyrostach niezależnych. Lista. Procesy o przyrostach niezależnych.. Niech N t bedzie procesem Poissona o intensywnoci λ = 2. Obliczyć a) P (N 2 < 3, b) P (N =, N 3 = 6), c) P (N 2 = N 5 = 2), d) P (N =, N 2 = 3, N 4 < 5), e)

Bardziej szczegółowo

Teoria gier. wstęp. 2011-12-07 Teoria gier Zdzisław Dzedzej 1

Teoria gier. wstęp. 2011-12-07 Teoria gier Zdzisław Dzedzej 1 Teoria gier wstęp 2011-12-07 Teoria gier Zdzisław Dzedzej 1 Teoria gier zajmuje się logiczną analizą sytuacji, gdzie występują konflikty interesów, a także istnieje możliwość kooperacji. Zakładamy zwykle,

Bardziej szczegółowo

Nowe terapie choroby Huntingtona. Grzegorz Witkowski Katowice 2014

Nowe terapie choroby Huntingtona. Grzegorz Witkowski Katowice 2014 Nowe terapie choroby Huntingtona Grzegorz Witkowski Katowice 2014 Terapie modyfikujące przebieg choroby Zahamowanie produkcji nieprawidłowej huntingtyny Leki oparte o palce cynkowe Małe interferujące RNA

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

Wprowadzenie do modelowania matematycznego w biologii. Na podstawie wykładów dr Urszuli Foryś, MIM UW

Wprowadzenie do modelowania matematycznego w biologii. Na podstawie wykładów dr Urszuli Foryś, MIM UW Wprowadzenie do modelowania matematycznego w biologii Na podstawie wykładów dr Urszuli Foryś, MIM UW Model matematyczny Jest to teoretyczny opis danego zjawiska na podstawie bieżącej wiedzy (często zwany

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

Modelowanie Preferencji a Ryzyko. Dlaczego w dylemat więźnia warto grać kwantowo?

Modelowanie Preferencji a Ryzyko. Dlaczego w dylemat więźnia warto grać kwantowo? Modelowanie Preferencji a Ryzyko Dlaczego w dylemat więźnia warto grać kwantowo? Marek Szopa U n iwe r s y t e t Ś l ą s k i INSTYTUT FIZYKI im. Augusta Chełkowskiego Zakład Fizyki Teoretycznej Klasyczny

Bardziej szczegółowo

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III. Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej

Bardziej szczegółowo

Metody Lagrange a i Hamiltona w Mechanice

Metody Lagrange a i Hamiltona w Mechanice Metody Lagrange a i Hamiltona w Mechanice Mariusz Przybycień Wydział Fizyki i Informatyki Stosowanej Akademia Górniczo-Hutnicza Wykład 8 M. Przybycień (WFiIS AGH) Metody Lagrange a i Hamiltona... Wykład

Bardziej szczegółowo

Co ma piekarz do matematyki?

Co ma piekarz do matematyki? Instytut Matematyki i Informatyki Politechnika Wrocławska Dolnośląski Festiwal Nauki Wrzesień 2009 x x (x 1, x 2 ) x (x 1, x 2 ) (x 1, x 2, x 3 ) x (x 1, x 2 ) (x 1, x 2, x 3 ) (x 1, x 2, x 3, x 4 ). x

Bardziej szczegółowo

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie

Politechnika 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 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

Zmienność. środa, 23 listopada 11

Zmienność.  środa, 23 listopada 11 Zmienność http://ggoralski.com Zmienność Zmienność - rodzaje Zmienność obserwuje się zarówno między poszczególnymi osobnikami jak i między populacjami. Różnice te mogą mieć jednak różne podłoże. Mogą one

Bardziej szczegółowo

Podstawy Automatyki. Wykład 5 - stabilność liniowych układów dynamicznych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki

Podstawy Automatyki. Wykład 5 - stabilność liniowych układów dynamicznych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki Wykład 5 - stabilność liniowych układów dynamicznych Instytut Automatyki i Robotyki Warszawa, 2015 Wstęp Stabilność O układzie możemy mówić, że jest stabilny gdy układ ten wytrącony ze stanu równowagi

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, czerwiec 2015 Biomatematyka

EGZAMIN MAGISTERSKI, czerwiec 2015 Biomatematyka Biomatematyka Rozpatrzmy chorobę, która rozprzestrzenia się za pośrednictwem nosicieli, u których nie występują jej symptomy. Niech C(t) oznacza liczbę nosicieli w chwili t. Zakładamy, że nosiciele są

Bardziej szczegółowo

Dobór parametrów algorytmu ewolucyjnego

Dobór parametrów algorytmu ewolucyjnego Dobór parametrów algorytmu ewolucyjnego 1 2 Wstęp Algorytm ewolucyjny posiada wiele parametrów. Przykładowo dla algorytmu genetycznego są to: prawdopodobieństwa stosowania operatorów mutacji i krzyżowania.

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

Generowanie i optymalizacja harmonogramu za pomoca

Generowanie i optymalizacja harmonogramu za pomoca Generowanie i optymalizacja harmonogramu za pomoca na przykładzie generatora planu zajęć Matematyka Stosowana i Informatyka Stosowana Wydział Fizyki Technicznej i Matematyki Stosowanej Politechnika Gdańska

Bardziej szczegółowo

Autorzy: Anna Gambin, Urszula Foryś, Jacek Miękisz, Bartosz Wilczyński

Autorzy: Anna Gambin, Urszula Foryś, Jacek Miękisz, Bartosz Wilczyński Nowoczesne metody, leki i terapie w ochronie zdrowia i gospodarce Europy XXI wieku interdyscyplinarne kształcenie w obszarze nauk biomedycznych na studiach II i III stopnia, POKL.04.03.00-00-060/12 Zadanie

Bardziej szczegółowo

MODELE STOCHASTYCZNE Plan wykładu

MODELE STOCHASTYCZNE Plan wykładu UNIWERSYTET WROCŁAWSKI Wydział Matematyki i Informatyki Instytut Matematyczny M.Majsnerowska rok akademicki 2018/2019 MODELE STOCHASTYCZNE Plan wykładu 1. Łańcuchy Markowa 1.1. Podstawowe pojęcia i przykłady

Bardziej szczegółowo

Superdyfuzja. Maria Knorps. Wydział Fizyki Technicznej i Matematyki stosowanej, Politechnika Gdańska

Superdyfuzja. Maria Knorps. Wydział Fizyki Technicznej i Matematyki stosowanej, Politechnika Gdańska VI Matematyczne Warsztaty KaeNeMów p. 1/2 Superdyfuzja Maria Knorps maria.knorps@gmail.com Wydział Fizyki Technicznej i Matematyki stosowanej, Politechnika Gdańska VI Matematyczne Warsztaty KaeNeMów p.

Bardziej szczegółowo

Teoria ergodyczności: co to jest? Średniowanie po czasie vs. średniowanie po rozkładach Twierdzenie Poincare o powrocie Twierdzenie ergodyczne

Teoria ergodyczności: co to jest? Średniowanie po czasie vs. średniowanie po rozkładach Twierdzenie Poincare o powrocie Twierdzenie ergodyczne WYKŁAD 23 1 Teoria ergodyczności: co to jest? Średniowanie po czasie vs. średniowanie po rozkładach Twierdzenie Poincare o powrocie Twierdzenie ergodyczne (Birkhoff, Ter Haar) Hipoteza semi-ergodyczna

Bardziej szczegółowo

Wstęp do równań różniczkowych, studia I stopnia. 1. Znaleźć (i narysować przykładowe) rozwiązania ogólne równania y = 2x.

Wstęp do równań różniczkowych, studia I stopnia. 1. Znaleźć (i narysować przykładowe) rozwiązania ogólne równania y = 2x. Wstęp do równań różniczkowych, studia I stopnia 1. Znaleźć (i narysować przykładowe) rozwiązania ogólne równania y = 2x. 2. Znaleźć wszystkie (i narysować przykładowe) rozwiązania równania y + 3 3 y 2

Bardziej szczegółowo