Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás
|
|
- Endre Pap
- 5 évvel ezelőtt
- Látták:
Átírás
1 Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás
2 PI KISZÁMOLÁSI JÁTÉKOK A TENGERPARTON egy kört és köré egy négyzetet rajzolunk véletlenszerűen kavicsokat dobálunk megszámoljuk: - a négyzetben levő kavicsokat - a kör belsejében levő kavicsokat Ncircle =4 Nsquare Werner Krauth: Introduction to Monte Carlo algorithms
3 PI KISZÁMOLÁSI JÁTÉKOK A HELIKOPTER LESZÁLLÓPÁLYÁN a területen állunk valahol és véletlen irányban egy kavicsot eldobunk elsétálunk a kavicshoz a folyamatot ismételjük Ncircle =4 Nsquare probléma: mit teszünk, ha a kavics a négyzeten kívül landol? Werner Krauth: Introduction to Monte Carlo algorithms
4 ALAPVETŐ MONTE CARLO MEGKÖZELÍTÉSEK 1. Direkt mintavételezés: egy független mintahalmazt generálunk 2. Markov-lánc mintavételezés: a minták szekvenciális generálása Pénzérmék a cipősdobozban.
5 RÉSZLETES EGYENSÚLY (DETAILED BALANCE) egyszerűsített, diszkrét 3x3as kavics játék a kavicsot egy lépésben a 4 szomszédos irány valamelyikébe dobjuk sok iteráció után minden mezőt azonos mennyiségű kaviccsal kell megtöltsünk
6 RÉSZLETES EGYENSÚLY (DETAILED BALANCE) 3X3- AS KAVICSJÁTÉK rácspont meglátogatási valószínűségek: (a), (b), etc. rácspont-váltási valószínűségek: p(a! b), p(a! c), etc. normalizálás: valószínűségek kapcsolata: p(a! a) + p(a! b) + p(a! c) = 1 (a) = (b)p(b! a) + (c)p(c! a) + (a)p(a! a) részletes egyensúly: (a)p(a! b) = (b)p(b! a) (a)p(a! c) = (c)p(c! a) itt a rácspont meglátogatási valószínűségek egyenlőek, következésképpen az összes átmeneti valószínűségek egyenlőek kell legyenek > a sarkokban helybenmaradás esetén is kavicsot kell hagynunk > BIZONYOS LÉPÉSEK ELUTASÍTÁSA ez elégséges, de nem szükséges feltétel!
7 A METROPOLIS ALGORITMUS Bizonyos lépések elutasítása az alapvető mechanizmus arra, hogy a Monte Carlo algoritmusok a helyes rácspont meglátogatási valószínűségeket biztosítsák. Az elutasítás költséges, de nem hiábavaló (ezek a kavicsok is beszámolódnak). A 3x3-as kavics-játékban a rácspontok meglátogatási valószínűsége egyenlő. Általában ez nem igaz, azaz (a) 6= (b) A részletes egyensúly betartásával az átmeneti valószínűségeket a Metropolis algoritmussal generálhatjuk: N. Metropolis, A. W. Rosenbluth, M. N. Rosenbluth, A. H. Teller, E. Teller, J. Chem. Phys. 21, 1087 (1953) (b) Az algoritmus bizonyos p(a! b) = min 1, (a) valószínűséggel fogadja el a->b-be való lépést.
8 VÉLETLEN BOLYONGÁS ALGORITMUS VÉLETLEN SZÁMOK GENERÁL ÁSA MEGHATÁROZOTT VALÓSZÍNŰSÉGELOSZL ÁSSAL kiindulunk az x0 pontból rögzítjük a maximális δ lépéshosszt egy adott xi pontban a következő lépést az alábbi módon generáljuk: választunk egy xt próbalépést az [xi-δ, xi+δ] intervallumból kiszámoljuk a w = P(xt)/P(xi) arányt HA w > 1 > xi+1 = xt HA w < 1 generálunk egy r egyenletes eloszlású véletlenszámot a [0, 1] intervallumon HA r < w > xi+1 = xt KÜLÖNBEN > xi+1 = xi
9 Démon algoritmus az ideális gázra időátlag fizikai mennyiségek átlagértéke sokaságátlag E, V, N pl. molekuláris dinamika Monte Carlo módszerek Módszer: Creutz dolgozta ki a háló mértékelmélet alapján egy extra szabadságfokot adunk a rendszerhez démon a démon energiát ad/vesz el, hogy megváltoztassa a rendszer dinamikai változóit ha a rendszer energiája csökken, a vátozás energiáját a démon kapja ha a rendszer energiája nő, a változást a démon adja, ha van neki elegendő megj. a démonnak nem lehet az energiája negatív Algoritmus: 1. Választunk véletlenszerűen egy részecskét és próbából megváltoztatjuk sebességét. 2. Kiszámoljuk a változás miatt bekövetkező ΔE energiaváltozást. 3. Ha ΔE 0, a rendszer a ΔE energiát a démonnak adja, akinek az energiája E d = E d ΔE lesz és a változást elfogadjuk. 4. Ha ΔE > 0, és a démonnak elegendő energiája van (E d ΔE), akkor a démon adja a szükséges energiát (E d = E d ΔE) és a változást elfogadjuk. Ha a démonnak nincselég energiája, a próba konfigurációt elvetjük és a rendszer állapota változatlan marad. Megj. Egy Monte Carlo lépés annyi próbálkozást jelent, ahány részecske van a rendszerben.
10 MC a statisztikus fizikában vizsgált mennyiség eloszlásfüggvény állapottér eleme teljes állapottér rendszer Hamiltonfüggvénye Fontossági mintavételezést használunk az integrálok számítására. Jól megválasztott P(x)-el:
11 Metropolis MC szimuláció kanonikus sokaságban (Boltzmann statisztika) Egy mennyiség átlagértéke T hőmérsékleten: fontossági mintavételezés f ( H [] x ) e H k [ x ] B T KIINDULÁS: a rendszer kezdetben a 0. állapotban van ε 0, A 0 lenullázzuk a következőket: N MC próbálkozások száma A össz a tanulmányozottmennyiségösszege ALGORITMUS: véletlenszerűen megváltoztatjuk a rendszer állapotát i. -ből i+1. -be ε ι+1, A i+1 növeljük N-et összehasonlítjuk az ε ι+1 és az ε ι energiákat HA ε ι+1 < ε ι A össz = A össz + A i+1 HA ε ι+1 > ε ι generálunk egy r véletlen számot az egyenletes eloszlású [0, 1]-ből HA exp{-(ε i+1 ε i )/(k B T)} > r A össz = A össz + A i+1 KÜLÖNBEN A össz = A össz + A i Figyelem! A szimuláció elején a tranziens időszakban a mennyiséget nem összegezzük (nem vesszük bele az átlagérték számításba).
12 Ising modell anyagok mágnesességének tanulmányozása a mágnesezettség eredete: töltött részecskék mozgása zárt pályákon Ampere törvény töltött részecskék saját tengely körüli forgása mágneses momentum egyszerű klasszikus közelítés Ising spin 2D mágnes egy spin csakis a négy legközelebbi szomszédjával hat kölcsön (~r -3 ) kölcsönhatási energia: J > 0 ferromágneses rendszer J < 0 antiferromágneses rendszer mágnesezettség:
13 Ferromágnesség, paramágnesség és a Curie hőmérséklet H = 0 két fázis lehetséges T függvényében Curie hőmérséklet ferromágneses paramágneses ferromágnes-paramágnes fázisátalakulás d>2 (magasabb dimenziókban) másodrendű fázisátalakulás, rend-rendezetlenség fázisátalakulás 2D 3D T c = J/k B egzaktul megoldható T c = 4.44 J/k B szimulációs eredmény négyzetrácson
14 Monte Carlo szimuláció FELADAT: véletlenszerűen generálni egy konfiguráció halmazt (minta) a lehetséges állapotok teréből (konfigurációs tér) egy bizonyos valószínűségi eloszlás szerint, és kiszámítani a megfigyelt mennyiség átlagértékét (pl. mágnesezettség) a minták alapján kofiguráció, vagy minta: mágnesezettség átlagolása Boltzmann statisztika alapján konfigurációs tér: óriási még kevés spin esetében is 20x20-as rács: N s = 400 lehetséges konfigurációk száma: = 2.58 x millió konfiguráció/s 8.8 x év!!!
15 Monte Carlo szimuláció valószínűség-eloszlás, súlyfüggvény: fontossági mintavételezés, a Boltzmann-faktor alapján Monte Carlo átlagérték: generálunk N független konfigurációt a Boltzmann-faktor alapján a mágnesezettség és az energia átlagértékei fajhő és mágneses szuszceptibilitás átlagértékei
16 Monte Carlo szimuláció - átlagértékek
17 Monte Carlo szimuláció - átlagértékek
18 Monte Carlo szimuláció - átlagértékek 0
19 Monte Carlo szimuláció Hogyan generáljunk mintákat a Boltzmann faktor alapján? pl. METROPOLIS algoritmus kiindulunk egy adott konfigurációból kiválasztunk egy spint: s i próbából megfordítjuk: s i,próba = -s i kiszámítjuk a rendszer energiaváltozását: ΔE = E(s 1,...,s i,próba,...s N ) E(s 1,...,s i,...s N ) generálunk egy r egyenletes eloszlású véletlenszámot HA w = e ΔE k T B > ismételjük ezeket a lépéseket r s i = s i,próba MEGJEGYZÉSEK: egy MC lépés N próbálkozás akármilyen kezdeti állapotból kiindulva a rendszert néhány MC lépésen át hagyjuk termalizálódni, az átlagértékeket csak ezután kezdjük számolni erős végesméret effektus periodikus határfeltételek használata
20 Monte Carlo szimuláció ALGORITMUS: rögzítünk egy adott T hőmérsékletet rögzítünk egy kezdeti spinkonfigurációt (pl. véletlenszerűen) több MC lépést végzünk a rendszer termalizálására nagyszámú MC lépésre kiszámoljuk az E, E 2, M, M 2 átlagértékeket rögzítjük az <m(t)>, <E(T)>, <C v (T)> és <χ(t)> átlagértékeket megváltoztatjuk a T hőmérsékletet és megismételjük az algoritmust ábrázoljuk az átlagértékeket a hőmérséklet függvényében
21 Monte Carlo szimuláció a w exponenciális faktor számítása: számítsuk ki előre a H és T ismeretében!!! w = e ΔE k B T exp függvény számolás minden lépésben lassú 4 szomszéd összege j szomszédok j s j x,j y megszorozva a spin értékével ha H 0 +2H vagy -2H s j x 1, j y s j x 1, j y s j x,j y 1 s j x,j y 1 s i j szomszédok s j 10 lehetséges érték w-re double w[17][3];... for (int i = -8; i <= 8; i += 4){ w[i+8][0] = exp( - (i * J + 2 * H) / T ); w[i+8][2] = exp( - (i * J - 2 * H) / T ); } ugyanazok az értékek w 8 2 s i j szomszédok s j 1 s i
22 Monte Carlo szimuláció Periodikus határfeltételek: int Lx, Ly; // spinek száma x és y irányban... // véletlenszerűen kiválasztjuk az i,j -vel jellemzett spint int iprev = i == 0? Lx-1 : i-1; int inext = i == Lx-1? 0 : i+1; int jprev = j == 0? Ly-1 : j-1; int jnext = j == Ly-1? 0 : j+1; int sumneighbors = s[iprev][j] + s[inext][j] + s[i][jprev] + s[i][jnext];...
Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás
Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás Démon algoritmus az ideális gázra időátlag fizikai mennyiségek átlagértéke sokaságátlag E, V, N pl. molekuláris dinamika Monte
RészletesebbenSzilárdtestek mágnessége. Mágnesesen rendezett szilárdtestek
Szilárdtestek mágnessége Mágnesesen rendezett szilárdtestek 2 Mágneses anyagok Permanens atomi mágneses momentumok: irány A kétféle spin-beállású elektronok betöltöttsége különbözik (spin-polarizáció)
RészletesebbenMolekuláris dinamika I. 10. előadás
Molekuláris dinamika I. 10. előadás Miről is szól a MD? nagy részecskeszámú rendszerek ismerjük a törvényeket mikroszkópikus szinten minden részecske mozgását szimuláljuk? Hogyan tudjuk megérteni a folyadékok,
RészletesebbenMolekuláris dinamika. 10. előadás
Molekuláris dinamika 10. előadás Mirőlis szól a MD? nagy részecskeszámú rendszerek ismerjük a törvényeket mikroszkópikus szinten? Hogyan tudjuk megérteni a folyadékok, gázok, szilárdtestek makroszkópikus
RészletesebbenSzámítógépes szimulációk: molekuláris dinamika és Monte Carlo
Számítógépes szimulációk: molekuláris dinamika és Monte Carlo Boda Dezső Fizikai Kémiai Tanszék Pannon Egyetem boda@almos.vein.hu 2014. március 21. Boda Dezső (Pannon Egyetem) Habilitációs előadás 2014.
RészletesebbenKÖZELÍTŐ INFERENCIA II.
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN KÖZELÍTŐ INFERENCIA II. MONTE CARLO MÓDSZEREK ISMÉTLÉS Egy valószínűségi modellben a következtetéseinket a látensek vagy a paraméterek fölötti poszterior írja le.
Részletesebben( Monte-Carlo-módszer)
A munkára fogott véletlen ( Monte-Carlo-módszer) Cserti József Eötvös Loránd Tudományegyetem, Komplex Rendszerek Fizikája Tanszék, H-1117 Budapest, Pázmány Péter sétány 1/A. (23. szeptember 7.) A pécsi
Részletesebben3. Jelöljük meg a numerikus gyökkereső módszerekre vonatkozó egyedüli helyes kijelentést:
INFORMATICĂ PENTRU FIZICIENI 1. Egy mechanikai rendszerre vonatkozó Newtoni-mozgástörvényben megjelenő valamely paraméter nem pontos. Milyen típusú hibát eredményez az említett bizonytalanság az egyenlet
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
RészletesebbenKÖZELÍTŐ INFERENCIA II.
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN KÖZELÍTŐ INFERENCIA II. MONTE CARLO MÓDSZEREK ISMÉTLÉS Egy valószínűségi modellben a következtetéseinket a látensek vagy a paraméterek fölötti poszterior írja le.
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenZajok és fluktuációk fizikai rendszerekben
Zajok és fluktuációk fizikai rendszerekben Zajjelenségek modellezése Makra Péter SZTE Kísérleti Fizikai Tanszék 2009-2010. őszi félév Változat: 0.1 Legutóbbi frissítés: 2009. október 14. Makra Péter (SZTE
RészletesebbenAzonos és egymással nem kölcsönható részecskékből álló kvantumos rendszer makrókanónikus sokaságban.
Kvantum statisztika A kvantummechanika előadások során már megtanultuk, hogy az anyagot felépítő részecskék nemklasszikus, hullámtulajdonságokkal is rendelkeznek aminek következtében viselkedésük sok szempontból
Részletesebbenösszetevője változatlan marad, a falra merőleges összetevő iránya ellenkezőjére változik, miközben nagysága ugyanakkora marad.
A termodinamika 2. főtétele kis rendszerekben Osváth Szabolcs Semmelweis Egyetem Statisztikus sokaságok Nyomás Nyomás: a tartály falával ütköző molekulák, a falra erőt fejtenek ki Az ütközésben a részecske
RészletesebbenValószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
RészletesebbenVéletlenszám generátorok és tesztelésük HORVÁTH BÁLINT
Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Mi a véletlen? Determinisztikus vs. Véletlen esemény? Véletlenszám: számok sorozata, ahol véletlenszerűen követik egymást az elemek Pszeudo-véletlenszám
RészletesebbenUniverzalitási osztályok nemegyensúlyi rendszerekben, Ódor Géza
Univerzalitási osztályok nemegyensúlyi rendszerekben, Ódor Géza odor@mfa.kfki.hu 1. Bevezetõ, dinamikus skálázás, kritikus exponensek, térelmélet formalizmus, renormalizáció, topológius fázis diagrammok,
RészletesebbenSzámítógépek és modellezés a kémiai kutatásokban
Számítógépek és modellezés a kémiai kutatásokban Jedlovszky Pál Határfelületek és nanorendszerek laboratóriuma Alkímia ma 214 április 3. VALÓDI RENDSZEREK MODELL- ALKOTÁS MODELL- RENDSZEREK KÍSÉRLETEK
RészletesebbenMágneses rend vékonyrétegekben
Erdélyi Tudományos Diákköri Konferencia 2010 Kolozsvár Mágneses rend vékonyrétegekben Tyukodi Botond Ioan-Augustin Chioar Babeș-Bolyai Tudományegyetem, Fizika kar, 3. év Témavezető: dr. Néda Zoltán egyetemi
Részletesebben( 1) i 2 i. megbízhatóságú a levont következtetése? A matematikai statisztika eszközeivel értékelje a kapott eredményeket!
1. Név:......................... Egy szabályos pénzérmét feldobunk, ha az els½o FEJ az i-edik dobásra jön, akkor a játékos nyereménye ( 1) i i forint. Vizsgálja szimulációval a játékot, különböz½o induló
RészletesebbenGeorg Cantor (1883) vezette be Henry John Stephen Smith fedezte fel 1875-ben. van struktúrája elemi kis skálákon is önhasonló
láttuk, hogy a Lorenz egyenletek megoldásai egy nagyon bonyolult halmazt alkottak a fázistérben végtelenül komplex felület fraktál: komplex geometriai alakzatok, melyeknek elemi kis skálán is van finomszerkezete
RészletesebbenVéletlenszám generátorok és tesztelésük. Tossenberger Tamás
Véletlenszám generátorok és tesztelésük Tossenberger Tamás Érdekességek Pénzérme feldobó gép: $0,25-os érme 1/6000 valószínűséggel esik az élére 51% eséllyel érkezik a felfelé mutató oldalára Pörgetésnél
RészletesebbenDiszkrét idejű felújítási paradoxon
Magda Gábor Szaller Dávid Tóvári Endre 2009. 11. 18. X 1, X 2,... független és X-szel azonos eloszlású, pozitív egész értékeket felvevő valószínűségi változó (felújítási idők) P(X M) = 1 valamilyen M N
RészletesebbenVéletlenszám generátorok. 6. előadás
Véletlenszám generátorok 6. előadás Véletlenszerű változók, valószínűség véletlen, véletlen változók valószínűség fogalma egy adott esemény bekövetkezésének esélye értékét 0 és között adjuk meg az összes
RészletesebbenAz elektromágneses tér energiája
Az elektromágneses tér energiája Az elektromos tér energiasűrűsége korábbról: Hasonlóképpen, a mágneses tér energiája: A tér egy adott pontjában az elektromos és mágneses terek együttes energiasűrűsége
RészletesebbenKémiai reakciók mechanizmusa számítógépes szimulációval
Kémiai reakciók mechanizmusa számítógépes szimulációval Stirling András stirling@chemres.hu Elméleti Kémiai Osztály Budapest Stirling A. (MTA Kémiai Kutatóközpont) Reakciómechanizmus szimulációból 2007.
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
Részletesebben? ligandum kötés konformációs változás aktiválási energia számítás pka számítás kötési energiák
Szabadenergia Definíció:? ligandum kötés konformációs változás aktiválási energia számítás pka számítás kötési energiák Fázistér teljes térfogatára kell számítani! Mennyiség átlagértéke: Sokaság-átlag
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenChimera állapotok az evolúciós játékelméletben Szabó György MTA EK MFA H-1525 Budapest, POB. 49. Honlap:
Chimera állapotok az evolúciós játékelméletben Szabó György MTA EK MFA H-1525 Budapest, POB. 49. Honlap: http://www.mfa.kfki.hu/~szabo ELFT Vándorgyűlés, Szeged, 2016. augusztus 27. Kivonat: Chimera állapot
RészletesebbenEgy részecske mozgási energiája: v 2 3 = k T, ahol T a gáz hőmérséklete Kelvinben 2 2 (k = 1, J/K Boltzmann-állandó) Tehát a gáz hőmérséklete
Hőtan III. Ideális gázok részecske-modellje (kinetikus gázmodell) Az ideális gáz apró pontszerű részecskékből áll, amelyek állandó, rendezetlen mozgásban vannak. Rugalmasan ütköznek egymással és a tartály
RészletesebbenA Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában
A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában Horváth Gábor ghorvath@hit.bme.hu (Horváth András, Telek Miklós) - p. 1 Motiváció, problémafelvetés
RészletesebbenBabeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár. Hegyi Géza. Filozofia és Történelem Kar, Kolozsvár. M.A. Santos, R. Coelho és J.J.
Vagyoneloszlás a társadalmakban - egy fizikus megközelítése Néda Zoltán Babeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár Hegyi Géza Babeş-Bolyai Tudományegyetem Filozofia és Történelem Kar, Kolozsvár
RészletesebbenSztochasztikus folyamatok alapfogalmak
Matematikai Modellalkotás Szeminárium 2012. szeptember 4. 1 Folytonos idejű Markov láncok 2 3 4 1 Folytonos idejű Markov láncok 2 3 4 Folytonos idejű Markov láncok I Adott egy G = (V, E) gráf Folytonos
Részletesebbeni p i p 0 p 1 p 2... i p i
. vizsga, 06--9, Feladatok és megoldások. (a) Adja meg az diszkrét eloszlás várható értékének a definícióját! i 0... p i p 0 p p... i p i (b) Tegyük fel, hogy a rigófészkekben található tojások X száma
RészletesebbenN I. 02 B. Mágneses anyagvizsgálat G ép. 118 2011.11.30. A mérés dátuma: A mérés eszközei: A mérés menetének leírása:
N I. 02 B A mérés eszközei: Számítógép Gerjesztésszabályzó toroid transzformátor Minták Mágneses anyagvizsgálat G ép. 118 A mérés menetének leírása: Beindítottuk a számtógépet, Behelyeztük a mintát a ferrotestbe.
RészletesebbenStatisztika I. 9. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 9. előadás Előadó: Dr. Ertsey Imre Statisztikai hipotézis vizsgálatok elsősorban a biometriában alkalmazzák, újabban reprezentatív jellegű ökonómiai vizsgálatoknál, üzemi szinten élelmiszeripari
Részletesebben6. Előadás. Vereb György, DE OEC BSI, október 12.
6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás
RészletesebbenGeometriai valo szí nű se g
Geometriai valo szí nű se g Szűk elméleti áttekintő Klasszikus valószínűség: Geometriai valószínűség: - 1 dimenzióban: - dimenzióban: - + dimenzióban: jó esetek összes eset jó szakaszok teljes szakasz
RészletesebbenLehetséges vizsgálatok III: Szimmetrikus bolyongás Jobbra => +1; Balra => -1 P(jobbra) = P(balra) = ½
Véletlen bolyongások (1D 2D 3D) 1 / 35 oldal Definíció: Egy egyenesen (1 dimenziós tér) Jobbra, vagy balra lépünk Minden lépés független a korábbiaktól P(jobbra)=p; P(balra)=q Nincs helyben maradási" lépés,
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
RészletesebbenA racionális gyógyszertervezés lehetőségei. A racionális gyógyszertervezés lehetőségei. A racionális gyógyszertervezés lehetőségei
Cél: kis koncentrációban kötődő célvegyület tervezése Agonista: segíti az enzim működését, hatékonyabb, mint a természetes szubsztrát Antagonista: gátolja az enzim működését, ellentétes hatású, mint a
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
RészletesebbenE.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével.
E.4 Markov-láncok Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével. Egy Markov-láncot (MC) meghatároznak az alapját adó sorbanállási hálózat állapotai és az ezek
RészletesebbenAlkalmazás a makrókanónikus sokaságra: A fotongáz
Alkalmazás a makrókanónikus sokaságra: A fotongáz A fotonok az elektromágneses sugárzás hordozó részecskéi. Spinkvantumszámuk S=, tehát kvantumstatisztikai szempontból bozonok. Fotonoknak habár a spinkvantumszámuk,
RészletesebbenBiostatisztika VIII. Mátyus László. 19 October
Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.
Részletesebben1. Név:... Neptun Kód:... Feladat: Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt
1. Név:......................... Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt a gyártmányt készítik. Egy gyártmány összeszerelési ideje normális eloszlású valószín½uségi változó
RészletesebbenFizika minta feladatsor
Fizika minta feladatsor 10. évf. vizsgára 1. A test egyenes vonalúan egyenletesen mozog, ha A) a testre ható összes erő eredője nullával egyenlő B) a testre állandó értékű erő hat C) a testre erő hat,
RészletesebbenTermodinamika (Hőtan)
Termodinamika (Hőtan) Termodinamika A hőtan nagyszámú részecskéből (pl. gázmolekulából) álló makroszkópikus rendszerekkel foglalkozik. A nagy számok miatt érdemes a mólt bevezetni, ami egy Avogadro-számnyi
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása A csoport
Gazdasági matematika II. vizsgadolgozat megoldása A csoport Definiálja az alábbi fogalmakat!. Egy eseménynek egy másik eseményre vonatkozó feltételes valószínűsége. ( pont) Az A esemény feltételes valószínűsége
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
RészletesebbenEvans-Searles fluktuációs tétel
Az idő folyásának iránya Evans-Searles fluktuációs tétel Osváth Szabolcs Semmelweis Egyetem a folyamatok iránya a termodinamikai második főtétele alapján Nincs olyan folyamat, amelynek egyetlen eredménye,
RészletesebbenValószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
RészletesebbenAZ ELEKTRON MÁGNESES MOMENTUMA. H mágneses erœtérben az m mágneses dipólmomentummal jellemzett testre M = m H forgatónyomaték hat.
AZ ELEKTRON MÁGNESES MOMENTUMA Mágneses dipólmomentum: m H mágneses erœtérben az m mágneses dipólmomentummal jellemzett testre M = m H forgatónyomaték hat. M = m H sinϕ (Elektromos töltés, q: monopólus
RészletesebbenFázisátalakulások, avagy az anyag ezer arca. Sasvári László ELTE Fizikai Intézet ELTE Bolyai Kollégium
Fázisátalakulások, avagy az anyag ezer arca Sasvári László ELTE Fizikai Intézet ELTE Bolyai Kollégium Atomoktól a csillagokig, Budapest, 2016. december 8. Fázisátalakulások Csak kondenzált anyag? A kondenzált
RészletesebbenHipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok
STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris
RészletesebbenMarkov-láncok stacionárius eloszlása
Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius
RészletesebbenA kanonikus sokaság. :a hőtartály energiája
A kanonikus sokaság A mikrokanonikus sokaság esetén megtanultuk, hogy a megengedett mikroállapotok egyenértéküek, és a mikróállapotok száma minimális. A mikrókanónikus sokaság azonban nem a leghasznosabb
RészletesebbenNGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő
SZÉCHENYI ISTVÁN EGYETEM Műszaki Tudományi Kar Informatika Tanszék BSC FOKOZATÚ MÉRNÖK INFORMATIKUS SZAK NGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő Fejlesztői dokumentáció GROUP#6
RészletesebbenKét diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat
Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi fizika és statisztika I. előadás 2016.11.09 Orvosi
RészletesebbenFizikai kémia Részecskék mágneses térben, ESR spektroszkópia. Részecskék mágneses térben. Részecskék mágneses térben
06.08.. Fizikai kémia. 3. Részecskék mágneses térben, ESR spektroszkópia Dr. Berkesi Ottó SZTE Fizikai Kémiai és Anyagtudományi Tanszéke 05 Részecskék mágneses térben A részecskék mágneses térben ugyanúgy
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - következtetés Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Következtetés
Részletesebben3. (b) Kereszthatások. Utolsó módosítás: április 1. Dr. Márkus Ferenc BME Fizika Tanszék
3. (b) Kereszthatások Utolsó módosítás: 2013. április 1. Vezetési együtthatók fémekben (1) 1 Az elektrongáz hővezetési együtthatója A levezetésben alkalmazott feltételek: 1. Minden elektron ugyanazzal
RészletesebbenAz α értékének változtatásakor tanulmányozzuk az y-x görbe alakját. 2 ahol K=10
9.4. Táblázatkezelés.. Folyadék gőz egyensúly kétkomponensű rendszerben Az illékonyabb komponens koncentrációja (móltörtje) nagyobb a gőzfázisban, mint a folyadékfázisban. Móltört a folyadékfázisban x;
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
RészletesebbenElektrosztatikus számítások. Elektrosztatikus számítások. Elektrosztatikus számítások. Elektrosztatikus számítások Definíciók
Jelentősége szubsztrát kötődés szolvatáció ionizációs állapotok (pka) mechanizmus katalízis ioncsatornák szimulációk (szerkezet) all-atom dipolar fluid dipolar lattice continuum Definíciók töltéseloszlás
RészletesebbenSzakdolgozat. Láz József András
Szakdolgozat Láz József András 2010 Eötvös Lóránd Tudományegyetem Természettudományi Kar Elméleti Fizikai Tanszék Monte-Carlo szimulációk Készítette: Láz József András fizika BSc szakos hallgató Témavezető:
RészletesebbenMesterséges Intelligencia I.
Mesterséges Intelligencia I. 10. elıadás (2008. november 10.) Készítette: Romhányi Anita (ROANAAT.SZE) - 1 - Statisztikai tanulás (Megfigyelések alapján történı bizonytalan következetésnek tekintjük a
RészletesebbenBelső energia, hőmennyiség, munka Hőtan főtételei
Belső energia, hőmennyiség, munka Hőtan főtételei Ideális gázok részecske-modellje (kinetikus gázmodell) Az ideális gáz apró pontszerű részecskékből áll, amelyek állandó, rendezetlen mozgásban vannak.
RészletesebbenElektrodinamika. Maxwell egyenletek: Kontinuitási egyenlet: div n v =0. div E =4 div B =0. rot E = rot B=
Elektrodinamika Maxwell egyenletek: div E =4 div B =0 rot E = rot B= 1 B c t 1 E c t 4 c j Kontinuitási egyenlet: n t div n v =0 Vektoranalízis rot rot u=grad divu u rot grad =0 div rotu=0 udv= ud F V
RészletesebbenHőtan I. főtétele tesztek
Hőtan I. főtétele tesztek. álassza ki a hamis állítást! a) A termodinamika I. főtétele a belső energia változása, a hőmennyiség és a munka között állaít meg összefüggést. b) A termodinamika I. főtétele
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
RészletesebbenMagnesia. Itt találtak már az ókorban mágneses köveket. Μαγνησία. (valószínű villámok áramának a tere mágnesezi fel őket)
Mágnesség Schay G. Magnesia Μαγνησία Itt találtak már az ókorban mágneses köveket (valószínű villámok áramának a tere mágnesezi fel őket) maghemit Köbös Fe 2 O 3 magnetit Fe 2 +Fe 3 +2O 4 mágnesvasérc
RészletesebbenHipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás
STATISZTIKA Hipotézis, sejtés 11. Előadás Hipotézisvizsgálatok, nem paraméteres próbák Tudományos hipotézis Nullhipotézis felállítása (H 0 ): Kétmintás hipotézisek Munkahipotézis (H a ) Nullhipotézis (H
RészletesebbenDifferenciálegyenletek numerikus integrálása április 9.
Differenciálegyenletek numerikus integrálása 2018. április 9. Differenciálegyenletek Olyan egyenletek, ahol a megoldást függvény alakjában keressük az egyenletben a függvény és deriváltjai szerepelnek
RészletesebbenTermodinamika. Belső energia
Termodinamika Belső energia Egy rendszer belső energiáját az alkotó részecskék mozgási energiájának és a részecskék közötti kölcsönhatásból származó potenciális energiák teljes összegeként határozhatjuk
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát
RészletesebbenHidden Markov Model. March 12, 2013
Hidden Markov Model Göbölös-Szabó Julianna March 12, 2013 Outline 1 Egy példa 2 Feladat formalizálása 3 Forward-algoritmus 4 Backward-algoritmus 5 Baum-Welch algoritmus 6 Skálázás 7 Egyéb apróságok 8 Alkalmazás
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
RészletesebbenValó szí nű sé gi va ltózó, sű rű sé gfű ggvé ny, élószla sfű ggvé ny
Való szí nű sé gi va ltózó, sű rű sé gfű ggvé ny, élószla sfű ggvé ny Szűk elméleti összefoglaló Valószínűségi változó: egy függvény, ami az eseményteret a valós számok halmazára tudja vetíteni. A val.
RészletesebbenA következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.
Poisson folyamatok, exponenciális eloszlások Azt mondjuk, hogy a ξ valószínűségi változó Poisson eloszlású λ, 0 < λ
RészletesebbenGyakorló feladatok a 2. dolgozathoz
Gyakorló feladatok a. dolgozathoz. Tíz darab tízforintost feldobunk. Mennyi annak a valószínűsége hogy vagy mindegyiken írást vagy mindegyiken fejet kapunk? 9. Egy kör alakú asztal mellett tízen ebédelnek:
RészletesebbenKovács Adrienn. Markov-lánc Monte Carlo módszerek és alkalmazásai gráfokon
Eötvös Loránd Tudományegyetem Természettudományi Kar Kovács Adrienn Markov-lánc Monte Carlo módszerek és alkalmazásai gráfokon Szakdolgozat Alkalmazott matematikus MSc., sztochasztika szakirány Témavezető:
RészletesebbenFIZIKA I. Ez egy gázos előadás lesz! (Ideális gázok hőtana) Dr. Seres István
Ez egy gázos előadás lesz! ( hőtana) Dr. Seres István Kinetikus gázelmélet gáztörvények Termodinamikai főtételek fft.szie.hu 2 Seres.Istvan@gek.szie.hu Kinetikus gázelmélet Az ideális gáz állapotjelzői:
RészletesebbenKözösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
RészletesebbenBaran Ágnes. Gyakorlat MATLAB. Baran Ágnes Gyakorlat 1 / 70
Valószínűségszámítás és matematikai statisztika Baran Ágnes Gyakorlat MATLAB Baran Ágnes Gyakorlat 1 / 7 Véletlenszám generátorok randi(n,n,m) n m pszeudorandom egész szám az [1, N]-en adott diszkrét egyenletes
RészletesebbenBiometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem
Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem Előadások-gyakorlatok 2018-ban (13 alkalom) IX.12, 19, 26, X. 3, 10, 17, 24, XI. 7, 14,
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
RészletesebbenHipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58
u- t- Matematikai statisztika Gazdaságinformatikus MSc 2. előadás 2018. szeptember 10. 1/58 u- t- 2/58 eloszlás eloszlás m várható értékkel, σ szórással N(m, σ) Sűrűségfüggvénye: f (x) = 1 e (x m)2 2σ
RészletesebbenMegerősítéses tanulás 7. előadás
Megerősítéses tanulás 7. előadás 1 Ismétlés: TD becslés s t -ben stratégia szerint lépek! a t, r t, s t+1 TD becslés: tulajdonképpen ezt mintavételezzük: 2 Akcióértékelő függvény számolása TD-vel még mindig
RészletesebbenStatisztika I. 10. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 10. előadás Előadó: Dr. Ertsey Imre Varianciaanalízis A különböző tényezők okozta szórás illetőleg szórásnégyzet összetevőire bontásán alapszik Segítségével egyszerre több mintát hasonlíthatunk
RészletesebbenEgymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?
Egymintás próbák σ s μ m Alapkérdés: A populáció egy adott megegyezik-e egy referencia paraméter értékkel/tulajdonsággal? egymintás t-próba Wilcoxon-féle előjeles
RészletesebbenALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN!
A1 A2 A3 (8) A4 (12) A (40) B1 B2 B3 (15) B4 (11) B5 (14) Bónusz (100+10) Jegy NÉV (nyomtatott nagybetűvel) CSOPORT: ALÁÍRÁS: ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN! 2011. december 29. Általános tudnivalók:
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása, június 10
Gazdasági matematika II. vizsgadolgozat megoldása, 204. június 0 A dolgozatírásnál íróeszközön kívül más segédeszköz nem használható. A dolgozat időtartama: 90 perc. Ha a dolgozat első részéből szerzett
RészletesebbenGyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László
Gyakorló feladatok Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László I/. A vizsgaidőszak második napján a hallgatók %-ának az E épületben, %-ának a D épületben,
RészletesebbenA TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény BABEȘ-BOLYAI TUDOMÁNYEGYETEM 1.2 Kar FIZIKA 1.3 Intézet A MAGYAR TAGOZAT FIZIKA INTÉZETE 1.4 Szakterület FIZIKA 1.5 Képzési
Részletesebbenegyetemi jegyzet Meskó Balázs
egyetemi jegyzet 2011 Előszó 2. oldal Tartalomjegyzék 1. Bevezetés 4 1.1. A matematikai statisztika céljai.............................. 4 1.2. Alapfogalmak......................................... 4 2.
Részletesebben