4.év Mérnoki Informatika BBTE Matematika és Informatika.

Slides:



Advertisements
Hasonló előadás
Készítette: Kosztyán Zsolt Tibor
Advertisements

Passzívház.
Lineáris egyenletrendszerek megoldása Gauss elimináció, Cramer-szabály Dr. Kovács Sándor DE GVK Gazdaságelemzési és Statiszikai Tanszék.
I. előadás.
KÉSZÍTETTE: Takács Sándor
Adatelemzés számítógéppel
Kamatszámítás.
A mi generációnk nem lesz híres semmiről, Soha nem mondja majd senki, hogy Mi vagyunk az emberiség csúcsa. Tévedés, az igazság az, hogy A generációnk.
2006. február 17. Valószínűségszámítás és statisztika II. Telefonos feladat Egy kalapban van két korong, az egyiknek mindkét oldala piros, a másiknak.
Matematika és Tánc Felkészítő tanár: Komáromi Annamária
Létezik valamilyen emberi alkotás, amely megközelíti a természet szépségét? Talán a zene! Kapcsolja be a hangszórókat!
E képlet akkor ad pontos eredményt, ha az exponenciális tényező kitevőjében álló >>1 feltétel teljesül. Ha a kitevőben a potenciálfal vastagságát nanométerben,
Matematika II. 2. előadás Geodézia szakmérnöki szak 2012/2013. tanév Műszaki térinformatika ágazat őszi félév.
 Alapja a véletlen minták kiértékelése  Matematikai rendszerek  Fizikai szimuláció  Sok szabadság fokú csatolt rendszerek  Folyadékok, sejt struktúrák,
A konformációs entrópia becslése Gauss-keverék függvények segítségével
A lyukas dob hangjai Hagymási Imre Bolyai Kollégium fizikus szakszeminárium november 15.
Bayes hálók október 20. Farkas Richárd
MI 2003/ Alakfelismerés - még egy megközelítés: még kevesebbet tudunk. Csak a mintánk adott, de címkék nélkül. Csoportosítás (klaszterezés, clustering).
Hálózati Biológia A sejt funkcionális működésének megértése.
Becsléselméleti ismétlés
Készítette: Pető László
Memóriák.
Mintavételes eljárások
Vámossy Zoltán 2006 Gonzales-Woods, SzTE (Kató Zoltán) anyagok alapján
1. Univerzális nyelő Csúcsmátrixos ábrázolás esetén a legtöbb gráfalgoritmus futási ideje O(n2) azonban van kivétel. Egy irányított gráf egy csúcsa univerzális.
KÖZMŰ INFORMATIKA NUMERIKUS MÓDSZEREK I.
Mérnöki Fizika II előadás
Regresszióanalízis 10. gyakorlat.
Magfúzió.
Fogolydilemma játékok három stratégiával önkéntes fogolydilemma játék Nyereménymátrix: A három stratégia ciklikusan dominálja egymást: C legyőzi L-t L.
Statisztika.
Hőtan.
Készítette: Horváth Zoltán (2012)
Szükségünk lesz valamilyen spreadsheet / táblázat kezelő programra
Minőségtechnikák I. (Megbízhatóság)
Problémás függvények : lokális optimalizáció nem használható Globális optimalizáció.
Ritka események szimulációja - Transition Path Sampling NYME TTK Kémia és Környezettudományi Tanszék 9700 Szombathely, Károlyi Gáspár tér 4. Borzsák István.
Bemutatjuk a híres/fontos W  és Z 0 Bozonokat Sheldon Glashow Steven WeinbergAbdus Salam Ők jósolták meg elméletileg. Nobel díj: 1979 Ők pedig felfedezték.
A DÖNTÉSHOZATAL METODIKÁJA.
Alapsokaság (populáció)
Alapfogalmak.
avagy Négy halálos lórugás egy év alatt! Mit tesz a kormány?
Binomiális eloszlás.
Dr Jedlovszky Pál ELTE TTK
Torlódás (Jamming) Kritikus pont-e a J pont? Szilva Attila 5. éves mérnök-fizikus hallgató.
1 Szélességi Bejárás Györgyi Tamás – GYTNAAI.ELTE 2007 Március 22 Algoritmusok És Adatszerkezetek 2 Gráfalgoritmus S b a d e f h g c.
A Van der Waals-gáz molekuláris dinamikai modellezése Készítette: Kómár Péter Témavezető: Dr. Tichy Géza TDK konferencia
Szoftverfejlesztés az Informatikus Szakigazgatási Agrármérnök szakon Bakó Mária Várallyai László DE, Gazdaságtudományi Kar.
I. előadás.
Hő és áram kapcsolata.
Mesterséges Intelligencia 1. Eddig a környezet teljesen megfigyelhető és determinisztikus volt, az ágens tisztában volt minden cselekvésének következményével.
Egyenes vonalú mozgások
A mozgás egy E irányú egyenletesen gyorsuló mozgás és a B-re merőleges síkban lezajló ciklois mozgás szuperpoziciója. Ennek igazolására először a nagyobb.
A probléma gyökere: a szuperpozíció elve
Valószínűségszámítás II.
Fraktálok. Motiváció Three-Dimensional Mapping of Dislocation Avalanches: Clustering and Space/Time Coupling Jérôme Weiss and David Marsan Science 3 January.
Útkeresések.
Struktúra predikció Struktúra lehet Felügyelt tanulási probléma
Gyorsulás, lassulás. Fékút, féktávolság, reakció idő alatt megtett út
GPU alapú fotontranszport nagyfelbontású heterogén közegben BME IIT Szirmay-Kalos László Magdics Milán Tóth Balázs.
E-HÓD HÓDítsd meg a biteket!.
Kontinuum modellek 1.  Bevezetés a kontinuum modellekbe  Numerikus számolás alapjai.
Az amőba játék algoritmusa. A játék  Az amőba játék, vagy ahogy Magyarországon sokan ismerik, az ötödölő, az egyik legnépszerűbb logikai játék. Sikerét.
TRIGONOMETRIA.
Statisztikai folyamatszabályozás
Fizikai kémia 2 – Reakciókinetika
Fizikai kémia 2 – Reakciókinetika
Érdekességek a matematikáról, matematikusokról
I. Előadás bgk. uni-obuda
Hőtan.
Előadás másolata:

4.év Mérnoki Informatika BBTE Matematika és Informatika

Monte Carlo szimuláció Egy másik nagy módszer a Molekuláris Dinamika módszer mellett Los Alamosból ered a módszer: Stanislaw Ulam fizikus találta ki, Neumann Jánossal együtt, a Manhatten projekt keretén belül.

Radioaktív anyagok-meg kell oldani az árnyékolást. Milyen vastag pajzs kell ahhoz hogy leárnyékolják az anyagot? Attól függ hogy milyen sugárzásról van szó ők konkrétan a neutron sugárzást akarták

 átlag távolság amíg a neutron ütközik egy atommal  átlag energia amit egy neutron elveszít egy ilyen ütközéskor bár a részleteket ismerték, az analitikus számítás mégis nagyon nehéz volt, nem tudták elvégezni

Solitaire játék (Ulam is ezt használta példának) Ismerjük az összes szabályt tudjuk pontosan hány kártya van a pakliban az a kérdés hogy az összes random kezteti állapotból hány állatotban lehet sikeresen kirakni a menetet. Ez nagyok bonyolult kombinatorikai számításhoz vezet.

Egy gyakorlati megoldás: rakjuk ki 100-szor a játékot. Számoljuk meg hányszor sikeres a kirakás. Ebből tudunk következtetni arra hogy mi lehet a valószínűsége annak hogy ki lehet rakni a játékot. Hasonló módszerrel számolták a neutron elnyelődést is: elindítottak egy neutront a szimulációban és követték. Sokszor megcsinálták ezt (más kezdeti sebesség stb.) Ebből ki lehetett következtetni azt a valószínűséget amire kíváncsiak voltak.

Enrico Fermi Stanislaw Ulam, János Neumann , Manhattan Project Los Alamos

Monte Carlo: kódnevet kellett találni rá, mert egy titkos projekt volt(a Manhattan része) Neumann tudta hogy Ulam nagybátyja sok pénzt veszített a Monaco-i kaszinóban (Monte Carlo)

Neumann programozta be az első ilyen szimulációt az ENIAC-on

Monte Carlo módszer: véletlenszerű mintavételezésen alapul, sokszor futtatják le azért hogy valószínűségeket számoljanak ki akkor használják amikor nem lehet zárt formájú megoldást találni a feladatra vagy amikor nem éri meg determinisztikus algoritmust alkalmazni (pl. Molekuláris Dinamika, numerikus számítások)

Monte Carlo:  optimizáció  numerikus integrálás  mintavételezés valamilyen eloszlásból sok csatolt szabadsági fokkal rendelkező rendszerek: folyadékok, rendezetlen anyagok (üveg, granuláris anyagok), csatolt elemekből álló modellek mint a Potts modell (erre látunk majd példát amit ezzel oldunk meg)

Monte Carlo:  rizikó számítása üzleti életben  multidimenzionális határozott integrálok elvégzése bonyolult határfeltételekkel  űrkutatás, olajmezők feltárása az alap egy véletlenszám-generátor, egy nagyon jó véletlenszám-generátorra van szükség az MC-hez (jobbra mint a sima rand)

sima rand() használata C-ben a rand() ad egy számot 0 és RAND_MAX között m*rand()/(RAND_MAX+1.0) sokkal jobb mint: rand() % m

sima rand() használata C-ben a rand() ad egy számot 0 és RAND_MAX között m*rand()/(RAND_MAX+1.0) legfontosabb biteket használja MSB sokkal jobb mint: rand() % m a legkisebb biteket használja LSB

Egy példa a Monte Carlo módszerre Buffon tűje ezt már nagyon jól ismeritek a statisztika óráról mi köze ennek a valószínűségnek π-hez? (+3 pont quiz)

A tű közepének a poziciója és a szög is egyenletes eloszlásból jön, vagyis x: 0 – t/2 1/(t/2) 2/t θ: 0 – π 1/π ezek közül nekünk csak azok az esetek kellenek ahol metszi is a vonalat

Egy integrálást végzünk el Erre ma is használják az MC-t sok dimenziós int., irreguláris határfeltételek

Ahhoz hogy megértsük a különböző mintavételezési módokat, játsszunk egy pár játékot: a gyerekek játéka Monte Carlo-ban

A körbe eső és a négyzetbe eső kövek számának az aránya fogja megadni π-t

A felnőttek is játszanak egy játékot, de ők egy sokkal nagyobb terepen játszanak amit nem tudnak egyszerűen bejárni egy nő kidob egy követ a területről mit tegyen?

egy nő kidob egy követ a területről mit tegyen? (c pontnál van)

A direct sampling az nagyon könnyűvé teszi a munkát, nem is kell olyan sok mintát venni. A probléma az hogy a legtöbb feladatnál nem látjuk be egyszerre az egész eseményteret és/vagy nem tudunk egyenletes valószínűséggel állapotokat generálni benne. Példa a cipősdoboz esete a pénzérmékkel

Random sequential adsorption (RSA)  ez nem direkt mintavételezés  azt még senki se tudott csinálni ehhez a problémához  egy Markov-chainnel lehet így mintavételezni  ezzel az a probléma hogy nagyon sok mintát kell venni ahhoz hogy az annak megfelelőt kapjuk mintha tényleg direct sampling lenne

A csecsemők és a felnőttek játéka Markov chainDirect SamplingSampling

a felnőttek játékszabályok szerint mennek de ők is szeretnének egyenletes eloszlást generálni

Condition of detailed balance

Hogyan teljesülhet ez a felnőttek játékánál?

Condition of detailed balance Hogyan teljesülhet ez a felnőttek játékánál?

Condition of detailed balance Hogyan teljesülhet ez a felnőttek játékánál?

Condition of detailed balance Az egyik mód ahogy ezt a feltételt teljesíteni lehet, az a Metropolis Monte Carlo

mikrokankonikus sokaság kanonikus sokaság makrokanonikus sokaság amikor arról beszélünk hogy minden állapot egyenlő valószínűséggel fordul elő az a mikrokanonikus sokaság N,V,E konstans (izolált rendszer)

mikrokankonikus sokaság kanonikus sokaság makrokanonikus sokaság amikor arról beszélünk hogy állandó a hőmérséklet akkor már nem minden állapot fordul elő egyenlő valószínűséggel (ez a kanonikus sokaság) N,V,T konstans (termosztatált rendszer)

mikrokankonikus sokaság kanonikus sokaság makrokanonikus sokaság makrokanonikus sokaságban N is változhat, de a kémiai potenciál állandó

kanonikus sokaság π(a) ~ e^(-E a /kt) π(b) ~ e^(-E b /kt) π(b)/π(a) ~ e^-((E b -E a )/kt) = e^-ΔE/kT tehát a Metropolis algoritmusban a ΔE fog számítani

Emberek csoportosítása optimális társaságokra Kölcsönhatási mátrix Szomszédsági mátrix az elsőből kiszámolni a másodikat (NP hard)

Simulated annealing miért szükséges hogy működik alkalmazva a csoportosítás példára mi a hőmérséklet, mi az energia (cost function)