Druga zasada termodynamiki a modelowanie sieci.
|
|
- Roman Walczak
- 6 lat temu
- Przeglądów:
Transkrypt
1 13 października 2009
2 O czym będzie mowa? Eksperyment biologiczny eksperyment biologiczny: mikromacierze modelowanie sieci interakcji: II zasada termodynamiki cel: weryfikacja metody metoda symulowania danych: algorytm Gillespiego modele reakcji biochemicznych: BioModels
3 motywacja: projekt COST Eksperyment biologiczny poznanie mechanizmów molekularnych odpowiedzi roślin na stresy rozszerzenie zasięgu roślin uprawnych model: Arabidopsis thaliana (Rzodkiewnik zwyczajny) badanie i porównywanie transkryptomu rośliny poddanej i nie poddanej stresom przy użyciu mikromacierzy
4 Mikromacierz Wprowadzenie Eksperyment biologiczny szklana lub plastikowa płytka, na którą naniesiono krótkie fragmenty DNA na płytkę wylewa się materiał genetyczny wyznakowany znacznikiem fluorescencyjnym cząsteczki kwasu nukleinowego wiążą się do komplementarnych sekwencji obraz odczytuje się za pomocą lasera lub mikroskopu intensywność sygnału dla poszczególnych sond jest proporcjonalna do ilości DNA o danej sekwencji w próbce
5 Eksperyment biologiczny Eksperyment biologiczny eksperyment powtarzamy w pewnych odstępach czasu informacja na temat zmian ekspresji poszczególnych genów w czasie cel metody matematycznej: znalezienie sieci interakcji genów
6 Postać danych Wprowadzenie postać danych Entropia i II zasada termodynamiki Poszukiwanie rozkładu Interpretacja Procedura obliczeń uzyskane dane - macierz, której wiersze to kolejne geny, a kolumny - punkty czasowe przyjmujemy N - liczba genów, T- liczba punktów pomiarowych X 1, X 2,..X N - oznaczają poziomy ekspresji kolejnych N genów X 1, X 2,...X T - kolejne stany - wartości ekspresji w kolejnych punktach czasowych p k - prawdopodobieństwo k-tego stanu
7 trochę fizyki Wprowadzenie postać danych Entropia i II zasada termodynamiki Poszukiwanie rozkładu Interpretacja Procedura obliczeń w układzie termodynamicznie izolowanym istnieje funkcja stanu zwana entropią S S = i p i ln(p i ), gdzie p i - prawdopodobieństwo i- tego stanu układu entropia - niepewność wystąpienia danego zdarzenia; jeśli zdarzenie występuje z prawdopodobieństwem równym 1, to entropia wynosi 0,jest zaś maksymalna, gdy wszystkie zdarzenia są równoprawdopodobne. II ZT: każdy układ izolowany dąży do stanu równowagi, w którym entropia osiąga maksimum
8 Zadanie matematyczne postać danych Entropia i II zasada termodynamiki Poszukiwanie rozkładu Interpretacja Procedura obliczeń będziemy poszukiwać rozkładu p(x ), który zmaksymalizuje entropię systemu T S = p k ln(p k ) (1) przy ograniczeniach: 1 Tk=1 p k = 1 k=1 2 EX i = T k=1 p k x k i = 1 T Tk=1 x k i 3 E(X i X j ) = T k=1 p k x k i x k j = 1 T Tk=1 x k i x k j warunek pierwszy stanowi, że prawdopodobieństwa wszystkich stanów sumują się do 1 warunek drugi i trzeci mówią, że rozkład zachowuje średnią wartość oraz korelację między zmiennymi
9 mnożniki Lagrange a postać danych Entropia i II zasada termodynamiki Poszukiwanie rozkładu Interpretacja Procedura obliczeń zastosujemy metodę mnożników Lagrange a: wprowadzamy współczynniki ν, µ i oraz λ ij i maksymalizujemy: F = S ν T k=1 p k N i=1 µ i Tk=1 p k x k i N i,j=1 λ ij Tk=1 p k x k i x k j
10 mnożniki Lagrange a c.d. postać danych Entropia i II zasada termodynamiki Poszukiwanie rozkładu Interpretacja Procedura obliczeń poprzedni warunek prowadzi do k równań postaci: F p k = ln(p k ) + 1 ν N i=1 µ i x k i N i,j=1 λ ij x k i x k j = 0 zatem p k = e 1 ν N i=1 µ i x k i N i,j=1 λ ij x k i x k j, a używając zapisu wektorowego i przyjmując M 1 2 λ otrzymujemy: p( x) = e 1 ν µ i x 1 2 x M x = Ae 1 2 y M y, gdzie y = x + µm 1 a stała A = e 1 2 µm 1 µ e 1 ν.
11 Poszukiwanie rozkładu c.d. postać danych Entropia i II zasada termodynamiki Poszukiwanie rozkładu Interpretacja Procedura obliczeń wzór p( x) = Ae 1 2 y M y to gęstość w rozkładzie normalnym pomijając skomplikowany dowód; przy założeniu, że x R N oraz i [1,N] EX i = 0 można pokazać, że M = C 1, gdzie C - macierz kowariancji
12 Interpretacja: rozkład Boltzmanna postać danych Entropia i II zasada termodynamiki Poszukiwanie rozkładu Interpretacja Procedura obliczeń analogia do rozkładu Boltzmanna p(x) e H sposób obsadzania poziomów energetycznych przez atomy w stanie równowagi termicznej prawdopodobieństwo obsadzenia stanu maleje wykładniczo wraz z energią poziomu funkcja H = 1 2 xm x odpowiada funkcji energii M - macierz interakcji między genami
13 trochę wróżenia z kart.. postać danych Entropia i II zasada termodynamiki Poszukiwanie rozkładu Interpretacja Procedura obliczeń M = C 1 wysoka wartość pozytywna zmiana w ekspresji jednego genu powoduje odwrotną zmianę w ekspresji drugiego wartość negatywna zmiana w ekspresji jednego genu powoduje podobną zmianę w ekspresji drugiego
14 procedura obliczeń Wprowadzenie postać danych Entropia i II zasada termodynamiki Poszukiwanie rozkładu Interpretacja Procedura obliczeń metoda krok po kroku: 1 normalizacja macierzy danych tak, by średnia ekspresja genu w czasie wynosiła 0 2 wyliczenie macierzy kowariancji 3 odwrócenie macierzy kowariancji 4 identyfikacja krawędzi (interakcji)
15 konstrukcja wynikowej sieci postać danych Entropia i II zasada termodynamiki Poszukiwanie rozkładu Interpretacja Procedura obliczeń metoda nie specyfikuje, które wartości M definiują krawędź dla celów weryfikacji przyjmujemy, że ilość krawędzi jest z góry znana
16 na następnych slajdach.. Definicje Model reakcji Algorytm Gillespiego przypomnienie: dane stanowią wartości ekspresji genów w czasie dla celów weryfikacji dane będziemy sztucznie generować, wykorzystując: 1 program Copasi, który implementuje algorytm Gillespiego (symuluje szeregi czasowe opierając się na pewnym modelu reakcji) 2 bazę modeli reakcji BioModels
17 Definicje Model reakcji Algorytm Gillespiego konieczne definicje: proces stochastyczny proces stochastyczny - rodzina zmiennych losowych określonych na pewnej przestrzeni probabilistycznej o wartościach w pewnej przestrzeni mierzalnej w praktyce dziedziną, na której zdefiniowana jest funkcja, jest najczęściej przedział czasowy, taki proces nazywany jest szeregiem czasowym
18 Definicje Model reakcji Algorytm Gillespiego konieczne definicje: proces Markowa proces Markowa ciąg zdarzeń, w którym prawdopodobieństwo każdego zdarzenia zależy jedynie od wyniku poprzedniego, czyli procesy stochastyczne, które spełniają własność Markowa własność Markowa: P{X (t i+1 ) = s i+1 X (t i ) = s i, X (t i 1 ) = s i1,..., X (t 0 ) = s 0 } = P{X (t i+1 ) = s i+1 X (t i ) = s i } dla wszystkich i N, s 0,..., s i+1 S, t 0,..., t i+1 takich, że t 0 <... < t i < t i+1 łańcuch Markowa to proces Markowa, który zdefiniowany jest na dyskretnej przestrzeni stanów dalej przedstawimy model układu reakcji, którego ewolucja to proces stochastyczny, będący łańcuchem Markowa
19 Definicje Model reakcji Algorytm Gillespiego stochastyczny model układu reakcji R 1,..., R M - reakcje S 1,..., S N - populacje molekuł #S(t) = (#S 1 (t),..., #S N (t)) - dynamiczny stan systemu #S n (t) oznacza liczbę molekuł populacji S n w chwili t wielkości #S n (t) są zmiennymi losowymi, gdzie przestrzeń zdarzeń elementarnych to pozycje i prędkości wszystkich molekuł
20 Definicje Model reakcji Algorytm Gillespiego Funkcja intensywności i wektory zmiany stanu dla każdej reakcji R m wprowadzamy funkcję intensywności jej zajścia q m : S R - prawdopodobieństwo zajścia reakcji R m w stanie systemu #S(t) = s w małym przedziale czasowym [t, t + dt] przyjmujemy, że dt są tak małe, że prawdopodobieństwo zajścia więcej niż jednej reakcji jest nieistotne dla każdej reakcji definiujemy wektory zmiany stanu: c m = (c 1,m,..., c N,m ), gdzie c n,m Z oznacza zmianę liczby molekuł populacji S n opisaną przez reakcję R m
21 algorytm Gillespiego Wprowadzenie Definicje Model reakcji Algorytm Gillespiego służy do symulacji trajektorii łańcucha Markowa używany do analizy układów reakcji opisanych przy pomocy modelu stochastycznego
22 Definicje Model reakcji Algorytm Gillespiego algorytm Gillespiego:wejście i wyjście na wejściu określamy stan początkowy systemu #S(t 0 ) = s 0, prawdopodobieństwa zajścia reakcji q m, wektory zmian stanu c m oraz czas zakończenia symulacji t max na wyjściu otrzymujemy stany systemu w kolejnych krokach
23 algorytm Gillespiego: kroki Definicje Model reakcji Algorytm Gillespiego w każdym kroku generowane są wartości m oraz τ, gdzie m oznacza numer reakcji, która zachodzi w czasie [t, t + τ] m oraz τ są generowane przez wylosowanie z rozkładu jednostajnego U[0, 1] dwóch liczb: r m oraz r τ po wylosowaniu r m oraz r τ obliczamy: 1 τ = 1 q 0 (s) ln( 1 r τ ), gdzie q 0 (s) = j q j(s). 2 oraz index kolejnej reakcji m jako najmniejsza wartość j taka, że: j i=1 q i(s) > r m q 0 (s)
24 algorytm Gillespiego: kroki Definicje Model reakcji Algorytm Gillespiego po zajściu reakcji R m stan systemu jest poprawiany: t := t + τ #S := #S + c m zgodnie z wartościami w wektorze zmiany stanu c m algorytm przebiega dopóki t < t max
25 Definicje Model reakcji Algorytm Gillespiego algorytm Gillespiego: kroki - podsumowanie 1 inicjalizacja: określenie stanu początkowego systemu, stałych reakcji oraz inicjalizacja generatorów liczb pseudolosowych 2 wyliczenie funkcji intensywności dla danego stanu systemu; prawdopodobieństwo zajścia reakcji zależy od ilości substratów 3 krok Monte Carlo: wylosowanie wartości r m i r τ ; ustalenie m i τ 4 aktualizacja stanu systemu; t := t + τ oraz S := S + c m. Kroki są powtarzane dopóki t < t max.
26 Copasi Wprowadzenie Copasi SBML - Systems Biology Markup Language BioModels narzędzie pozwalające na symulowanie szeregów czasowych przy użyciu algorytmu Gillespiego umożliwia wczytywanie modelu reakcji w formacie SBML (Systems Biology Markup Language)
27 Copasi: intuicyjny interfejs Copasi SBML - Systems Biology Markup Language BioModels
28 Copasi SBML - Systems Biology Markup Language BioModels SBML - Systems Biology Markup Language język oparty na xml-u służy do reprezentacji procesów biologicznych zakłada zdefiniowanie takich elementów jak: typy populacji i zbiory cząstek, definicje reakcji, funkcji, parametrów i stanów początkowych umożliwia precyzyjny opis stochastycznego modelu reakcji
29 skąd bierzemy modele reakcji? Copasi SBML - Systems Biology Markup Language BioModels baza BioModels - gotowe modele reakcji biochemicznych w formacie SBML
30 przebieg weryfikacji: podsumowanie Copasi SBML - Systems Biology Markup Language BioModels 1 pobranie odpowiedniego modelu z bazy BioModels 2 zaimportowanie odpowiedniego pliku SBML do programu Copasi 3 symulacja szeregów czasowych przy pomocy algorytmu Gillespiego zaimplementowanego w Copasi 4 analiza wygenerowanych danych metodą maksymalnej entropii (skrypt w R), uzyskanie wynikowej sieci interakcji dla wybranego modelu i porównanie z początkową siecią
31 Model cyklu dobowego rzodkiewnika model pierwszy: cykl dobowy rzodkiewnika model złożony z 13 typów molekuł oraz 32 reakcji, obejmujących transkrypcję, translację, degradację oraz transport z i do jądra typy molekuł: mrna LHY (clm), cytoplazmatyczne LHY (clc), jądrowe LHY (cln), mrna TOC1 (ctm), cytoplazmatyczne TOC1 (ctc), jądrowe TOC1 (ctn), mrna X (cxm), cytoplazmatyczne X (cxc), jądrowe X (cxn), mrna Y (cym), cytoplazmatyczne Y (cyc), jądrowe Y (cyn), jądrowe P (cpn)
32 sieć cyklu dobowego rzodkiewnika Model cyklu dobowego rzodkiewnika w tej sieci uwzględniamy tylko reakcje, w których zniknięciu jednej cząsteczki towarzyszy pojawienie się innej takie związki uwzględniono w oryginalnej pracy dotyczacej metody
33 algorytm Gillespiego: wyniki Model cyklu dobowego rzodkiewnika czas symulacji wynosi 24 godziny, po tym czasie wartości stężeń powracają do stanu bliskiego początkowemu
34 wynikowa sieć Wprowadzenie Model cyklu dobowego rzodkiewnika żadna krawędź nie została poprawnie zidentyfikowana
35 nie dajemy za wygraną Model cyklu dobowego rzodkiewnika nadinterpretujemy oryginalną pracę i uwzględniamy również reakcje, w których jedna cząstka katalizuje/ blokuje powstawanie innej (w reakcji powstaje jeden typ cząstki, ale funkcja intensywności zależy od innej)
36 poszerzona sieć - wyniki Model cyklu dobowego rzodkiewnika uzyskany ranking - boldem zaznaczono poprawne krawędzie
37 Co dalej? Wprowadzenie Model cyklu dobowego rzodkiewnika sprawdzenie poprawności sieci dla większej liczby punktów czasowych weryfikacja dla innych modeli
38 Model cyklu dobowego rzodkiewnika KONIEC
39 Bibliografia Wprowadzenie Model cyklu dobowego rzodkiewnika Timothy R R. Lezon, Jayanth R R. Banavar, Marek Cieplak, Amos Maritan, Nina V V. Fedoroff, Using the principle of entropy maximization to infer genetic interaction networks from gene expression patterns, Proc Natl Acad Sci USA, November 2006 N. Le Novere at al., BioModels Database: A Free, Centralized Database of Curated, Published, Quantitative Kinetic Models of Biochemical and Cellular Systems, Nucleic Acids research, 2006 Daniel T. Gillespie, Exact Stochastic Simulation of Coupled Chemical Reactions, The Journal of Physical Chemistry,1977
40 Bibliografia Wprowadzenie Model cyklu dobowego rzodkiewnika T. Gillespie, A General Method for Numerically Simulating the Stochastic Time Evolution of Coupled Chemical Reactions, Journal of Computational Physics, 1976S. Hoops at al., COPASI a COmplex PAthway SImulator, Bioinformatics, 2006mod1 J. C. Locke at al., Extension of a genetic network model by iterative experimentation and mathematical analysis, Molecular Systems Biology, June 2005
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 szczegółowoPrzybliżanie rozwiązań chemicznego równania głównego poprzez
Przybliżanie rozwiązań chemicznego równania głównego poprzez domykanie momentów. Uniwersytet Warszawski Studenckie Koło Fizyki Kraków, 16 maj 2010 Będzie mowa o tzw. metodzie domykania momentów, która
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa
Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa M. Czoków, J. Piersa 2012-01-10 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego 3 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego
Bardziej szczegółowoKwantyle. 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 szczegółowoUkłady 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 szczegółowoWstęp do sieci neuronowych, wykład 11 Łańcuchy Markova
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu
Bardziej szczegółowoModelowanie komputerowe
Modelowanie komputerowe wykład 1- Generatory liczb losowych i ich wykorzystanie dr Marcin Ziółkowski Instytut Matematyki i Informatyki Akademia im. Jana Długosza w Częstochowie 5,12 października 2016 r.
Bardziej szczegółowoStrategie ewolucyjne (ang. evolu4on strategies)
Strategie ewolucyjne (ang. evolu4on strategies) Strategia ewolucyjna (1+1) W Strategii Ewolucyjnej(1 + 1), populacja złożona z jednego osobnika generuje jednego potomka. Kolejne (jednoelementowe) populacje
Bardziej szczegółowoPrawdopodobieństwo 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 szczegółowoAlgorytmy 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 szczegółowoDane mikromacierzowe. Mateusz Markowicz Marta Stańska
Dane mikromacierzowe Mateusz Markowicz Marta Stańska Mikromacierz Mikromacierz DNA (ang. DNA microarray) to szklana lub plastikowa płytka (o maksymalnych wymiarach 2,5 cm x 7,5 cm) z naniesionymi w regularnych
Bardziej szczegółowoCo to jest model Isinga?
Co to jest model Isinga? Fakty eksperymentalne W pewnych metalach (np. Fe, Ni) następuje spontaniczne ustawianie się spinów wzdłuż pewnego kierunku, powodując powstanie makroskopowego pola magnetycznego.
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowoRozdział 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 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 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 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 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 szczegółowoWykład 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 szczegółowoUkłady 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 szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowoStatystyczna analiza danych
Statystyczna analiza danych ukryte modele Markowa, zastosowania Anna Gambin Instytut Informatyki Uniwersytet Warszawski plan na dziś Ukryte modele Markowa w praktyce modelowania rodzin białek multiuliniowienia
Bardziej szczegółowoRozkłady statyczne Maxwella Boltzmana. Konrad Jachyra I IM gr V lab
Rozkłady statyczne Maxwella Boltzmana Konrad Jachyra I IM gr V lab MODEL STATYCZNY Model statystyczny hipoteza lub układ hipotez, sformułowanych w sposób matematyczny (odpowiednio w postaci równania lub
Bardziej szczegółowoModelowanie 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 szczegółowoPrawdopodobieństwo 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 szczegółowoStosowana Analiza Regresji
Stosowana Analiza Regresji Wykład VIII 30 Listopada 2011 1 / 18 gdzie: X : n p Q : n n R : n p Zał.: n p. X = QR, - macierz eksperymentu, - ortogonalna, - ma zera poniżej głównej diagonali. [ R1 X = Q
Bardziej szczegółowoRozkłady wielu zmiennych
Rozkłady wielu zmiennych Uogólnienie pojęć na rozkład wielu zmiennych Dystrybuanta, gęstość prawdopodobieństwa, rozkład brzegowy, wartości średnie i odchylenia standardowe, momenty Notacja macierzowa Macierz
Bardziej szczegółowoSieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych
Sieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych Plan laboratorium Generatory liczb pseudolosowych dla rozkładów dyskretnych: Generator liczb o rozkładzie równomiernym Generator
Bardziej szczegółowoModelowanie motywów łańcuchami Markowa wyższego rzędu
Modelowanie motywów łańcuchami Markowa wyższego rzędu Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki 23 października 2008 roku Plan prezentacji 1 Źródła 2 Motywy i ich znaczenie Łańcuchy
Bardziej szczegółowoBiostatystyka, # 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 szczegółowoWażne rozkłady i twierdzenia
Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne
Bardziej szczegółowoProces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką
z losową stopą procentową i losową składką Instytut Matematyki i Informatyki Politechniki Wrocławskiej 10 czerwca 2008 Oznaczenia Wprowadzenie ξ n liczba wypłat w (n 1, n], Oznaczenia Wprowadzenie ξ n
Bardziej szczegółowoAnaliza Algorytmów 2018/2019 (zadania na laboratorium)
Analiza Algorytmów 2018/2019 (zadania na laboratorium) Wybór lidera (do 9 III) Zadanie 1 W dowolnym języku programowania zaimplementuj symulator umożliwiający przetestowanie algorytmu wyboru lidera ELECT
Bardziej szczegółowoRównowaga 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 szczegółowoSymulacja w przedsiębiorstwie
Symulacja w przedsiębiorstwie Generowanie liczb losowych Cel Celem laboratorium jest zapoznanie się z funkcjami generowania liczb pseudolosowych w środowisku Ms Excel. Funkcje te są podstawą modeli symulacyjnych
Bardziej szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311
Sztuczne sieci neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311 Wykład 7 PLAN: - Repetitio (brevis) -Algorytmy miękkiej selekcji: algorytmy ewolucyjne symulowane wyżarzanie
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowoWstęp 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 szczegółowoMetody numeryczne. Wykład nr 12. Dr Piotr Fronczak
Metody numeryczne Wykład nr 1 Dr Piotr Fronczak Generowanie liczb losowych Metody Monte Carlo są oparte na probabilistyce działają dzięki generowaniu liczb losowych. W komputerach te liczby generowane
Bardziej szczegółowoAlgorytmy estymacji stanu (filtry)
Algorytmy estymacji stanu (filtry) Na podstawie: AIMA ch15, Udacity (S. Thrun) Wojciech Jaśkowski Instytut Informatyki, Politechnika Poznańska 21 kwietnia 2014 Problem lokalizacji Obserwowalność? Determinizm?
Bardziej szczegółowoUczenie sieci typu MLP
Uczenie sieci typu MLP Przypomnienie budowa sieci typu MLP Przypomnienie budowy neuronu Neuron ze skokową funkcją aktywacji jest zły!!! Powszechnie stosuje -> modele z sigmoidalną funkcją aktywacji - współczynnik
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Bardziej szczegółowoBogdan Walkowiak. Zakład Biofizyki
Bogdan Walkowiak Zakład Biofizyki Politechnika Łódzka Potencjał termodynamiczny - jest to taka funkcja termodynamiczna, której zmiana w procesie odwracalnym jest równa różnicy całkowitej pracy wykonanej
Bardziej szczegółowoWYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI
WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskiego 8, 04-703 Warszawa tel. (0)
Bardziej szczegółowoMetody klasyfikacji dla nielicznej próbki wektorów o wielkim wymiarze
Metody klasyfikacji dla nielicznej próbki wektorów o wielkim wymiarze Small n large p problem Problem w analizie wielu zbiorów danych biologicznych: bardzo mała liczba obserwacji (rekordów, próbek) rzędu
Bardziej szczegółowoWażne 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 szczegółowoKADD Minimalizacja funkcji
Minimalizacja funkcji Poszukiwanie minimum funkcji Foma kwadratowa Metody przybliżania minimum minimalizacja Minimalizacja w n wymiarach Metody poszukiwania minimum Otaczanie minimum Podział obszaru zawierającego
Bardziej szczegółowoTransformaty. Kodowanie transformujace
Transformaty. Kodowanie transformujace Kodowanie i kompresja informacji - Wykład 10 10 maja 2009 Szeregi Fouriera Każda funkcję okresowa f (t) o okresie T można zapisać jako f (t) = a 0 + a n cos nω 0
Bardziej szczegółowoJanusz 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 szczegółowoProcesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.
Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. 2 Łańcuchem Markowa nazywamy proces będący ciągiem zmiennych
Bardziej szczegółowoL.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 3 ZADANIA - ZESTAW 3
ZADANIA - ZESTAW 3 Zadanie 3. L Prawdopodobieństwo trafienia celu w jednym strzale wynosi 0,6. Do celu oddano niezależnie 0 strzałów. Oblicz prawdopodobieństwo, że cel został trafiony: a) jeden raz, b)
Bardziej szczegółowoAlgorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009
Algorytmy genetyczne Paweł Cieśla 8 stycznia 2009 Genetyka - nauka o dziedziczeniu cech pomiędzy pokoleniami. Geny są czynnikami, które decydują o wyglądzie, zachowaniu, rozmnażaniu każdego żywego organizmu.
Bardziej szczegółowoProgramowanie liniowe
Badania operacyjne Problem Model matematyczny Metoda rozwiązania Znaleźć optymalny program produkcji. Zmaksymalizować 1 +3 2 2 3 (1) Przy ograniczeniach 3 1 2 +2 3 7 (2) 2 1 +4 2 12 (3) 4 1 +3 2 +8 3 10
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA
STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;
Bardziej szczegółowoZmienne losowe ciągłe i ich rozkłady
Statystyka i opracowanie danych W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Rozkład Poissona. Zmienna losowa ciągła Dystrybuanta i funkcja gęstości
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 szczegółowoObliczenia 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 szczegółowoProcesy 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 szczegółowoO procesie Wienera. O procesie Wienera. Procesy stochastyczne Wykład XV, 15 czerwca 2015 r. Proces Wienera. Ruch Browna. Ułamkowe ruchy Browna
Procesy stochastyczne Wykład XV, 15 czerwca 2015 r. Ruch 1 {X t } jest martyngałem dokładnie wtedy, gdy E(X t F s ) = X s, s, t T, s t. Jeżeli EX 2 (t) < +, to E(X t F s ) jest rzutem ortogonalnym zmiennej
Bardziej szczegółowoProgram 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 szczegółowoWynik pomiaru jako zmienna losowa
Wynik pomiaru jako zmienna losowa Wynik pomiaru jako zmienna losowa Zmienne ciągłe i dyskretne Funkcja gęstości i dystrybuanta Wartość oczekiwana Momenty rozkładów Odchylenie standardowe Estymator zmiennej
Bardziej szczegółowoWykład 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 szczegółowoLista 1. Procesy o przyrostach niezależnych.
Lista. Procesy o przyrostach niezależnych.. Niech N t bedzie procesem Poissona o intensywnoci λ = 2. Obliczyć a) P (N 2 < 3, b) P (N =, N 3 = 6), c) P (N 2 = N 5 = 2), d) P (N =, N 2 = 3, N 4 < 5), e)
Bardziej szczegółowoMetoda największej wiarygodności
Metoda największej wiarygodności Próbki w obecności tła Funkcja wiarygodności Iloraz wiarygodności Pomiary o różnej dokładności Obciążenie Informacja z próby i nierówność informacyjna Wariancja minimalna
Bardziej szczegółowoMODELOWANIE RZECZYWISTOŚCI
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN d.wojcik@nencki.gov.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/ Podręcznik Iwo Białynicki-Birula Iwona
Bardziej szczegółowoPrzybliżone algorytmy analizy ekspresji genów.
Przybliżone algorytmy analizy ekspresji genów. Opracowanie i implementacja algorytmu analizy danych uzyskanych z eksperymentu biologicznego. 20.06.04 Seminarium - SKISR 1 Wstęp. Dane wejściowe dla programu
Bardziej szczegółowoRozkład normalny Parametry rozkładu zmiennej losowej Zmienne losowe wielowymiarowe
Statystyka i opracowanie danych W4 Rozkład normalny Parametry rozkładu zmiennej losowej Zmienne losowe wielowymiarowe Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Rozkład normalny wykres funkcji gęstości
Bardziej szczegółowoAlgorytmy MCMC i ich zastosowania statystyczne
Algorytmy MCMC i ich zastosowania statystyczne Wojciech Niemiro Uniwersytet Mikołaja Kopernika, Toruń i Uniwersytet Warszawski Statystyka Matematyczna Wisła, grudzień 2010 Wykład 1 1 Co to jest MCMC? 2
Bardziej szczegółowoMetoda Monte Carlo. Jerzy Mycielski. grudzien Jerzy Mycielski () Metoda Monte Carlo grudzien / 10
Metoda Monte Carlo Jerzy Mycielski grudzien 2012 Jerzy Mycielski () Metoda Monte Carlo grudzien 2012 1 / 10 Przybliżanie całek Powiedzmy, że mamy do policzenia następującą całkę: b f (x) dx = I a Założmy,
Bardziej szczegółowoP (A B) = P (A), P (B) = P (A), skąd P (A B) = P (A) P (B). P (A)
Wykład 3 Niezależność zdarzeń, schemat Bernoulliego Kiedy dwa zdarzenia są niezależne? Gdy wiedza o tym, czy B zaszło, czy nie, NIE MA WPŁYWU na oszacowanie prawdopodobieństwa zdarzenia A: P (A B) = P
Bardziej szczegółowoZadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik
Zadanie transportowe i problem komiwojażera Tadeusz Trzaskalik 3.. Wprowadzenie Słowa kluczowe Zbilansowane zadanie transportowe Rozwiązanie początkowe Metoda minimalnego elementu macierzy kosztów Metoda
Bardziej szczegółowo2. 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 szczegółowoRachunek Prawdopodobieństwa i Statystyka
Rachunek Prawdopodobieństwa i Statystyka W 2. Probabilistyczne modele danych Zmienne losowe. Rozkład prawdopodobieństwa i dystrybuanta. Wartość oczekiwana i wariancja zmiennej losowej Dr Anna ADRIAN Zmienne
Bardziej szczegółowoTechnologie Informacyjne
POLITECHNIKA KRAKOWSKA - WIEiK - KATEDRA AUTOMATYKI Technologie Informacyjne www.pk.edu.pl/~zk/ti_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład: Generacja liczb losowych Problem generacji
Bardziej szczegółowoKlasyfikacja w oparciu o metrykę budowaną poprzez dystrybuanty empiryczne na przestrzeni wzorców uczących
Klasyfikacja w oparciu o metrykę budowaną poprzez dystrybuanty empiryczne na przestrzeni wzorców uczących Cezary Dendek Wydział Matematyki i Nauk Informacyjnych PW Plan prezentacji Plan prezentacji Wprowadzenie
Bardziej szczegółowoAlgorytm genetyczny (genetic algorithm)-
Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie
Bardziej szczegółowo2. 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 szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Momenty Zmienna losowa jest wystarczająco dokładnie opisana przez jej rozkład prawdopodobieństwa. Względy praktyczne dyktują jednak potrzebę znalezienia charakterystyk
Bardziej szczegółowoAlgorytmy stochastyczne Wykład 12, Uczenie parametryczne w sieciach bayesowskich
Algorytmy stochastyczne Wykład 2, Uczenie parametryczne w sieciach bayesowskich Jarosław Piersa 204-05-22 Zagadnienie uczenia sieci bayesowskich Problem mamy strukturę sieci bayesowskiej węzły, stany i
Bardziej szczegółowoZmienne losowe ciągłe i ich rozkłady
Rachunek Prawdopodobieństwa i Statystyka - W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Zmienna losowa ciągła Dystrybuanta i unkcja gęstości rozkładu
Bardziej szczegółowoWystępują fluktuacje w stanie równowagi Proces przejścia do stanu równowagi jest nieodwracalny proces powrotny jest bardzo mało prawdopodobny.
Wykład 14: Fizyka statystyczna Zajmuje sie układami makroskopowymi (typowy układ makroskopowy składa się z ok. 10 25 atomów), czyli ok 10 25 równań Newtona? Musimy dopasować inne pojęcia do opisu takich
Bardziej szczegółowoProces 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 szczegółowoOptymalizacja. 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 szczegółowoStochastic modelling of phase transformations using HPC infrastructure
Stochastic modelling of phase transformations using HPC infrastructure (Stochastyczne modelowanie przemian fazowych z wykorzystaniem komputerów wysokiej wydajności) Daniel Bachniak, Łukasz Rauch, Danuta
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
Bardziej szczegółowoGenerowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport
Generowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport Michał Krzemiński Streszczenie Projekt dotyczy metod generowania oraz badania własności statystycznych ciągów liczb pseudolosowych.
Bardziej szczegółowo17.1 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 szczegółowoWeryfikacja 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 szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 3 11.03.2016 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Wykłady z poprzednich lat (dr inż. H. Zbroszczyk): http://www.if.pw.edu.pl/~gos/student
Bardziej szczegółowoZmienne losowe. dr Mariusz Grządziel Wykład 12; 20 maja 2014
Zmienne losowe dr Mariusz Grządziel Wykład 2; 20 maja 204 Definicja. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje
Bardziej szczegółowoModelowanie glikemii w procesie insulinoterapii
Dawid Kaliszewski Modelowanie glikemii w procesie insulinoterapii Promotor dr hab. inż. Zenon Gniazdowski Cel pracy Zbudowanie modelu predykcyjnego przyszłych wartości glikemii diabetyka leczonego za pomocą
Bardziej szczegółowoKolejny krok iteracji polega na tym, że przechodzimy do następnego wierzchołka, znajdującego się na jednej krawędzi z odnalezionym już punktem, w
Metoda Simpleks Jak wiadomo, problem PL z dowolną liczbą zmiennych można rozwiązać wyznaczając wszystkie wierzchołkowe punkty wielościanu wypukłego, a następnie porównując wartości funkcji celu w tych
Bardziej szczegółowoPrawdopodobieństwo 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 szczegółowoSCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO
SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania
Bardziej szczegółowoWykład 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 szczegółowoPodejście memetyczne do problemu DCVRP - wstępne wyniki. Adam Żychowski
Podejście memetyczne do problemu DCVRP - wstępne wyniki Adam Żychowski Na podstawie prac X. S. Chen, L. Feng, Y. S. Ong A Self-Adaptive Memeplexes Robust Search Scheme for solving Stochastic Demands Vehicle
Bardziej szczegółowoPROGRAMOWANIE KWADRATOWE
PROGRAMOWANIE KWADRATOWE Programowanie kwadratowe Zadanie programowania kwadratowego: Funkcja celu lub/i co najmniej jedno z ograniczeń jest funkcją kwadratową. 2 Programowanie kwadratowe Nie ma uniwersalnej
Bardziej szczegółowo