Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás
|
|
- Veronika Boros
- 7 évvel ezelőtt
- Látták:
Átírás
1 Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás
2 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.
3 MC a statisztikus fizikában vizsgált mennyiség eloszlásfüggvény állapottér eleme teljes állapottér rendszer Hamiltonfüggvénye Fontossági mintavételezést használunk az integrálok számítására. Jól megválasztott P(x)-el:
4 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 tanulmányozott mennyiség összege 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).
5 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:
6 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
7 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!!!
8 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
9 Monte Carlo szimuláció - átlagértékek
10 Monte Carlo szimuláció - átlagértékek
11 Monte Carlo szimuláció - átlagértékek 0
12 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
13 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
14 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
15 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 PI KISZÁMOLÁSI JÁTÉKOK A TENGERPARTON egy kört és köré egy négyzetet rajzolunk véletlenszerűen kavicsokat dobálunk megszámoljuk:
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)
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.
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
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,
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
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
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.
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.
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
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
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
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,
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
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
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
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
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
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 :
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,
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
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.
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
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
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
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
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
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.
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
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
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
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,
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
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
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.
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.
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
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
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
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
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
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
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,
RészletesebbenMunka, energia, teljesítmény
Munka, energia, teljesítmény Ha egy tárgyra, testre erő hat és annak hatására elmozdul, halad, megváltoztatja helyzetét, akkor az erő munkát végez. Ez a munka annál nagyobb, minél nagyobb az erő (F) és
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
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
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,
RészletesebbenEloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok
Eloszlás-független módszerek (folytatás) 14. elıadás (7-8. lecke) Illeszkedés-vizsgálat 7. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok elemzésére Illeszkedés-vizsgálat Gyakorisági sorok
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
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
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,
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
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
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
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
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
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
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
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
RészletesebbenMunka, energia, teljesítmény
Munka, energia, teljesítmény Ha egy tárgyra, testre erő hat és annak hatására elmozdul, halad, megváltoztatja helyzetét, akkor az erő munkát végez. Ez a munka annál nagyobb, minél nagyobb az erő (F) és
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.
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
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
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.
Részletesebbenhttp://www.nature.com 1) Magerő-sugár: a magközéppontból mért távolság, ameddig a magerők hatótávolsága terjed. Rutherford-szórásból határozható meg. R=1,4 x 10-13 A 1/3 cm Az atommag terének potenciálja
RészletesebbenGVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet
GVMST22GNC Statisztika II. 3. előadás: 8. Hipotézisvizsgálat Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Hipotézisvizsgálat v becslés Becslés Ismeretlen paraméter Közeĺıtő
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
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
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
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:
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
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)
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:
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:
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
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
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
RészletesebbenAz Ising-modell figyelembe veszi a szomszédos spinek közötti kölcsönhatást, egy (ferromágneses) rendszer energiája így: s i s j H s i i
1. Ising-modell Az Ising-modell figyelembe veszi a szomszédos spinek közötti kölcsönhatást, egy (ferromágneses) rendszer energiája így: E = J i,j s i s j H s i i A második összegzés csak azokra az i, j
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
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
RészletesebbenFermi Dirac statisztika elemei
Fermi Dirac statisztika elemei A Fermi Dirac statisztika alapjai Nagy részecskeszámú rendszerek fizikai jellemzéséhez statisztikai leírást kell alkalmazni. (Pl. gázokra érvényes klasszikus statisztika
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
RészletesebbenSzilárd testek sugárzása
A fény keletkezése Szilárd testek sugárzása A szilárd test melegítés hatására fényt bocsát ki A sugárzás forrása a közelítőleg termikus egyensúlyban lévő kibocsátó test atomi részecskéinek véletlenszerű
Részletesebben1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása
HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat
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:
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
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek tesztelése I.
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós
RészletesebbenKvantummechanika gyakorlat Beadandó feladatsor Határid : 4. heti gyakorlatok eleje
Kvantummechanika gyakorlat 015 1. Beadandó feladatsor Határid : 4. heti gyakorlatok eleje 1. Mutassuk meg, hogy A és B tetsz leges operátorokra igaz, hogy e B A e B = A + [B, A] + 1![ B, [B, A] ] +....
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
RészletesebbenBiometria gyakorló feladatok BsC hallgatók számára
Biometria gyakorló feladatok BsC hallgatók számára 1. Egy üzem alkalmazottainak megoszlása az elért teljesítmény %-a szerint a következı: Norma teljesítmény % Dolgozók száma 60-80 30 81-90 70 91-100 90
RészletesebbenNavigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel
Navigáci ció és s mozgástervez stervezés Algoritmusok és alkalmazásaik Osváth Róbert Sorbán Sámuel Feladat Adottak: pálya (C), játékos, játékos ismerethalmaza, kezdőpont, célpont. Pálya szerkezete: akadályokkal
RészletesebbenAbszorpciós spektroszkópia
Tartalomjegyzék Abszorpciós spektroszkópia (Nyitrai Miklós; 2011 február 1.) Dolgozat: május 3. 18:00-20:00. Egész éves anyag. Korábbi dolgozatok nem számítanak bele. Felmentés 80% felett. A fény; Elektromágneses
RészletesebbenMolekuláris fluidumok fázisegyensúlyi. viselkedésének tanulmányozása
Doktori (Ph.D.) értekezés tézisei Molekuláris fluidumok fázisegyensúlyi viselkedésének tanulmányozása Boda Dezső Veszprémi Egyetem Fizikai Kémia Tanszék Veszprém 1996 Bevezetés A statisztikus termodinamika
RészletesebbenBevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika
Bevezetés 1. előadás, 2015. február 11. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Heti 2 óra előadás + 2 óra
RészletesebbenA spin. November 28, 2006
A spin November 28, 2006 1 A spin a kvantummechanikában Az elektronnak és sok más kvantummechanikai részecskének is van egy saját impulzusnyomatéka amely független a mozgásállapottól. (Úgy is mondhatjuk,
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.
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:
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p
RészletesebbenFüggvények ábrázolása
Függvények ábrázolása Matematikai függvényeket analitikusan nem tudunk a matlabban megadni (tudunk, de ilyet még nem tanulunk). Ahhoz, hogy egy függvényt ábrázoljuk, hasonlóan kell eljárni, mint a házi
Részletesebben