f f x f, f, f / / / METODA RÓŻNIC SKOŃCZONYCH niech N = 2 (2 równania różniczkowe zwyczajne liniowe I-rz.) lub jedno II-rzędu

Podobne dokumenty
OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B

Podstawy opracowania wyników pomiarowych, analiza błędów

Tablica Galtona. Mechaniczny model rozkładu normalnego (M10)

Prawdopodobieństwo i statystyka r.

Statystyka Opisowa 2014 część 3. Katarzyna Lubnauer

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH. dr Michał Silarski

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej

Różniczkowanie funkcji rzeczywistych wielu zmiennych. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

Mh n. 2 ε. h h/ n n. Ekstrapolacja Richardsona (szacowanie błędu) błąd. ekstrapolowana wartość całki I. kwadratury z adaptowanym krokiem

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki)

POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1

METODY KOMPUTEROWE 1

MATEMATYKA STOSOWANA W INŻYNIERII CHEMICZNEJ

Podprzestrzenie macierzowe

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn

Planowanie eksperymentu pomiarowego I

( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8

Wyrażanie niepewności pomiaru

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.

Regresja REGRESJA

VI. TWIERDZENIA GRANICZNE

[, ] [, ] [, ] ~ [23, 2;163,3] 19,023 2,7

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MODELOWANIE I PODSTAWY IDENTYFIKACJI

5. OPTYMALIZACJA NIELINIOWA

Statystyka. Analiza zależności. Rodzaje zależności między zmiennymi występujące w praktyce: Funkcyjna

Wnioskowanie statystyczne dla korelacji i regresji.

FUNKCJE DWÓCH ZMIENNYCH

Pomiary bezpośrednie i pośrednie obarczone błędem przypadkowym

Matematyka ubezpieczeń majątkowych r. t warunkowo niezależne i mają (brzegowe) rozkłady Poissona:

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5

ZAGADNIENIE TRANSPORTOWE

ROZKŁADY ZMIENNYCH LOSOWYCH

AKADEMIA MORSKA W SZCZECINIE

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki:

3. OPTYMALIZACJA NIELINIOWA

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

Funkcja wiarogodności

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).

( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości

ma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji

. Wtedy E V U jest równa

ma rozkład normalny z nieznaną wartością oczekiwaną m

1. Relacja preferencji

będą niezależnymi zmiennymi losowymi o tym samym 2 x

JEDNOWYMIAROWA ZMIENNA LOSOWA

wyniki serii n pomiarów ( i = 1,..., n) Stosując metodę największej wiarygodności możemy wykazać, że estymator wariancji 2 i=

Wyznaczanie oporu naczyniowego kapilary w przepływie laminarnym.

Średnia arytmetyczna Klasyczne Średnia harmoniczna Średnia geometryczna Miary położenia inne

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

k k M. Przybycień Rachunek Prawdopodobieństwa i Statystyka Wykład 13-2

STATYKA. Cel statyki. Prof. Edmund Wittbrodt

Badania Maszyn CNC. Nr 2

WYZNACZANIE PRZERWY ENERGETYCZNEJ GERMANU

Linie regresji II-go rodzaju

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA

Podstawowe zadanie statystyki. Statystyczna interpretacja wyników eksperymentu. Zalety statystyki II. Zalety statystyki

METROLOGIA. Dr inż. Eligiusz PAWŁOWSKI Politechnika Lubelska Wydział Elektrotechniki i Informatyki

Teoria i praktyka. Wyższa Szkoła Turystyki i Ekologii. Fizyka. WSTiE Sucha Beskidzka Fizyka

Prawdopodobieństwo i statystyka r.

Statystyczne charakterystyki liczbowe szeregu

Projekt 2 2. Wielomiany interpolujące

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

TMM-2 Analiza kinematyki manipulatora metodą analityczną

Statystyka Opisowa Wzory

będą niezależnymi zmiennymi losowymi z rozkładu o gęstości

dev = y y Miary położenia rozkładu Wykład 9 Przykład: Przyrost wagi owiec Odchylenia Mediana próbkowa: Przykłady Statystyki opisowe Σ dev i =?

Materiały do wykładu 7 ze Statystyki

Opracowanie wyników pomiarów

PDF created with FinePrint pdffactory Pro trial version WIII/1

Zastosowanie metody najmniejszych kwadratów do pomiaru częstotliwości średniej sygnałów o małej stromości zboczy w obecności zakłóceń

TARCIE CIĘGIEN O POWIERZCHNIĘ WALCOWĄ WZÓR EULERA

Regresja linowa metoda najmniejszych kwadratów. Tadeusz M. Molenda Instytut Fizyki US

Modelowanie i Analiza Danych Przestrzennych

Permutacje. } r ( ) ( ) ( ) 1 2 n. f = M. Przybycień Matematyczne Metody Fizyki I Wykład 2-2

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

Liniowe relacje między zmiennymi

WSTĘP METODY OPRACOWANIA I ANALIZY WYNIKÓW POMIARÓW

MODELE OBIEKTÓW W 3-D3 część

będzie próbką prostą z rozkładu normalnego ( 2

Wyrażanie niepewności pomiaru. Andrzej Kubiaczyk Wydział Fizyki, Politechnika Warszawska

Statystyka Inżynierska

Pomiary parametrów napięć i prądów przemiennych

8.1 Zbieżność ciągu i szeregu funkcyjnego

to prawdopodobieństwo znalezienia układu w objętości dx

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH. I Pracownia IF UJ Marzec 2017

RACHUNEK NIEPEWNOŚCI POMIARU

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

O pewnych zastosowaniach rachunku różniczkowego funkcji dwóch zmiennych w ekonomii

KALIBRACJA NIE ZAWSZE PROSTA

X i T (X) = i=1. i + 1, X i+1 i + 1. Cov H0. ( X i. k 31 ) 1 Φ(1, 1818) 0, 12.

METODY NUMERYCZNE dr inż. Mirosław Dziewoński

Statystyka opisowa. () Statystyka opisowa 24 maja / 8

2. Schemat ideowy układu pomiarowego

PŁASKA GEOMETRIA MAS. Środek ciężkości figury płaskiej

Schrödingera. Dr inż. Zbigniew Szklarski. Katedra Elektroniki, paw. C-1, pok

21. WYBRANE WIADOMOŚCI Z MATEMATYKI

Analiza danych pomiarowych

Analiza Matematyczna Ćwiczenia. J. de Lucas

Transkrypt:

METODA RÓŻIC SKOŃCZOYCH (omówee a przykładze rówań lowych) ech ( rówaa różczkowe zwyczaje lowe I-rz.) lub jedo II-rzędu f / / p( x) f / + q( x) f + r( x) a x b, f ( a) α, f ( b) β dea: a satce argumetu X X,,,..., dyskretyzujemy rówae wyrażając / / / f, f, f f f x przez ( ) ; obcając odpowedo rozwęce Taylora f ( x + ) f ( x )

albo wyrażając pochode przez odpowede różce skończoe f h f [ f ] / + oraz f + h [ f f f ] / / + otrzymujemy dla każdego f f f + + h + f f p( x) + q( x) f r( x) h albo aczej ( * ) h + + + h p f ( h q ) f p f + h r dla,..., -, czyl - rówań a ewadomych pozostałe rówaa to f f ( a) α, f f ( b) β

wstawając wartośc f α, f β do ( * ) otrzymamy układ - lowych rówań algebraczych a - ewadomych f,,..., - Af b ( ** ) który możemy rozwązać zaym już metodam postać A jest trójdagoala dla >> mamy ( - ) x rówań (! ) do rozwązaa bardzo dużych ( ale prawe pustych ) rówań trzeba stosować specjale techk - - metody relaksacyje ( p. teracyja metoda Jocobego )

Af b rozwązae przebega teracyje począwszy od przyblżoego rozwązaa ( k ) ( k ) f Tf + c f ( o) aż do osągęca zbeżośc; Rozkładając A a: a a.. a a a.. a........ a a.. a a 0.. 0 0 a 0.... 0.. 0 0.. 0 a 0 0.. 0 0 a.. a a 0.... 0 0.......... 0...... a a.. a, 0 0.. 0 0, ( D L U) f b f D ( L + U) f + D b ( k ) ( k ) f Tf + c

jako f ( o) może służyć p. przyblżoe rozwązae aaltycze (dla uproszczoych rówań) RÓWAIA RÓŻICZKOWE CZĄSTKOWE Rówaa - elptycze, p. rówae Possoa x f ( x, y) + y f ( x, y) g( x, y) w fzyce opsuje p.: - rozkład pola grawtacyjego w obecośc źródeł (g) - rozkład pola (potecjału) elektryczego w obecośc ładuków prawo Gaussa (3D) ϕ 4πρ - rozkład pola prędkośc ceczy wypływającej ze źródeł lub Laplace a g( x, y) 0

p. rówae Schroedgera (bez czasu) m E Ψ ( x, y, z) 0 waruk brzegowe Drchleta: f ( x, y) B( x, y) dla wszystkch x, y a brzegu S obszaru R - parabolcze p. α t f ( x, t) x f ( x, t) 0 rówae przewodctwa ceplego (w jedowymarowym pręce); rówae Schrödgera zależe od czasu w D;... waruk brzegowe:

. w t 0 zaday rozkład f ( x, t) B( x). dla każdego t, f speła war. a brzegu przedzału f ( 0, t) f0, f ( l, t) f l - hperbolcze p. klasycze rówae falowe (drgaa w D) t α f ( x, t ) x f ( x, t). Rozważmy rówae parabolcze metoda satek α t f ( x, t) x f ( x, t) dyskretyzując czas t położee x 0 w przedzałach p. 0 < t < T, 0 < x < L dostajemy prostokątą satkę:

w chwl t 0 zamy wartośc f dla wszystkch x j -> t j azywamy warstwą z rozwęca względem t przyblżamy f ( x, t) w szereg Taylora t f x t f (, j + ) f (, j) (, j ) k a z rozwęca f ( x, t) względem x x f x t f ( +, j) f (, j) + f (, j) (, j ) h

f f j f x t ozaczając j (, ) (, j ) rówae daje zapsać sę jako f k k α f + α ( f + f ) h h, j + j +, j, j dodatkowo dochodzą rówaa brzegowe f ( 0, t) f0, f ( l, t) f l zatem, dla wszystkch ( w jedej warstwe j+ ) wartośc f, j+ mogą być zalezoe ze zajomośc wartośc f, j w warstwe poprzedej

f ( j + ) ( j) Af gdze A jest trójdagoala Elemety modelowaa teor aproksymacj Metoda ajmejszych kwadratów zakładamy stee ( x, y ), gdze puktów pomarowych - x - wartośc zmeej ezależej - y - wyk pomarów pewej welkośc zależej od x

e zamy rzeczywstej zależośc modelujemy tę zależość za pomocą fukcj y(x) M - parametrowej y( x) y( x; a, a,..., a ) M szukamy takch wartośc parametrów a które mmalzują rozbeżość pomędzy y wartoścam pomarowym y( x a oblczoym ) problem MIIMAX szukae takch parametrów, które mmalzują max{ y y( x) } mmalzacja odchylea bezwzględego y y( x )

a j y y( x ) 0, j,.. M zakładając, że każdy pomar wykoay jest z błędem y, oraz, że rozkład (rozrzut) merzoych wartośc y wokół prawdzwych y( x ) jest Gaussowsk (ormaly) tz. gdybyśmy wykoywal wele pomarów dla ustaloego x to prawdopodobeństwo uzyskaa wartośc y ( x ) w wyku pomarów jest: P exp y σ ( ) y x y jako loczy prawdopodobeństw,

gdze σ - odchylee stadardowe rozkładu ( loczy - loczy prawdopodobeństw dla poszczególych puktów pomaru ) maksymalzacja P - maksymalzacja log P lub mmalzacja -log P [ y y( x )] σ log y

σ y stałe, sprowadza do mmalzacj [ y y( x )], tz. a j [ y y x ] (, a ) 0, j,...m puktów pomarowych jest zwykle > M dopasowae do prostej (regresja lowa)

0 [ y + ] ( ) ( ax b) y ax b ( x) a 0 [ y + ] ( ) ( ax b) y ax b ( ) b w rezultace a ( x ) ( x ) ( ) ( )( ) x y x y b ( x ) ( x ) ( x )( y ) ( x )( x y ) ( x ) ( x ) zauważmy, że maowk sprowadza sę do ( x x) waracj rozkładu σ

dopasowae do welomau P ( x) k 0 a x k k [ y P( x )] różczkujemy po a k w rezultace ( + ) rówań a ( + ) ewadomych a k 0 a x + a x +... + a x y x 0 0 + a x + a x +... + a x y x 0... + a x + a x +... + a x y x 0 rozwązae układu lowych rówań algebraczych

a przykładze prostej wdać, że puktów pomarowych e może być mej ż parametrów dopasowaa dopasowae ch-kwadrat ( χ ) pomar y dla x x może być welokrote powtarzay - każdy pukt ( x, y ) może posadać włase odchylee stadardowe σ wówczas mmalzujemy welkość χ y y x (, a) σ oszacowae edopasowaa (regresja lowa) σ a j σ a y j pochode łatwo polczyć z ostateczych wzorów a a b