Numeryczne obliczanie całki oznaczonej

Slides:



Advertisements
Podobne prezentacje
OBLICZENIA NUMERYCZNE
Advertisements

ESTYMACJA PRZEDZIAŁOWA
Funkcje tworzące są wygodnym narzędziem przy badaniu zmiennych losowych o wartościach całkowitych nieujemnych. Funkcje tworzące pierwszy raz badał de.
Estymacja. Przedziały ufności.
Wykład 5 Standardowy błąd a odchylenie standardowe
Ilustracja obliczania całek oznaczonych metodą Monte Carlo
Metody numeryczne część 3. Całkowanie metodą Eulera i Simpsona.
Równanie różniczkowe zupełne i równania do niego sprowadzalne
Rozdział XIV - Ubezpieczenia życiowe
Rachunek prawdopodobieństwa 2
Zmienne losowe i ich rozkłady
Metoda simpleks Simpleks jest uniwersalną metodą rozwiązywania zadań programowania liniowego. Jest to metoda iteracyjnego poprawiania wstępnego rozwiązania.
Andrzej Dąbrowski Wrocław
Modelowanie konstrukcji z uwzględnieniem niepewności parametrów
Elementy Modelowania Matematycznego
Materiały pochodzą z Platformy Edukacyjnej Portalu
Metody wnioskowania na podstawie podprób
ZLICZANIE cz. II.
Analiza korelacji.
Wykład 6 Standardowy błąd średniej a odchylenie standardowe z próby
Wykład 4 Przedziały ufności
Elementy Rachunku Prawdopodobieństwa c.d.
Elementy Rachunku Prawdopodobieństwa c.d.
Metoda simpleks opracowanie na podstawie „Metody wspomagające podejmowanie decyzji w zarządzaniu” D. Witkowska, Menadżer Łódź Simpleks jest uniwersalną.
Wykład 6 Metody Monte Carlo
Analiza matematyczna - Ciągi liczbowe wykład I
6. Pochodne cząstkowe funkcji n zmiennych
PROF. DOMINIK SANKOWSKI
Metody matematyczne w Inżynierii Chemicznej
Metody Symulacyjne w Telekomunikacji (MEST) Wykład 4: Generowanie zdarzeń  Dr inż. Halina Tarasiuk p. 337, tnt.tele.pw.edu.pl.
Metody Symulacyjne w Telekomunikacji (MEST) Wykład 6/7: Analiza statystyczna wyników symulacyjnych  Dr inż. Halina Tarasiuk
Hipoteza cegiełek, k-ramienny bandyta, minimalny problem zwodniczy
Elementy Rachunku Prawdopodobieństwa i Statystyki
Metody matematyczne w inżynierii chemicznej
Ekonometria. Co wynika z podejścia stochastycznego?
Elementy Rachunku Prawdopodobieństwa i Statystyki
BADANIE STATYSTYCZNE Badanie statystyczne to proces pozyskiwania danych na temat rozkładu cechy statystycznej w populacji. Badanie może mieć charakter:
Metody numeryczne SOWIG Wydział Inżynierii Środowiska III rok
Analiza matematyczna IV. Całki Zastosowanie całek oznaczonych
przygotował: mgr inż. Bartłomiej Krawczyk
Projekt wykonany przez studentów I roku ARI Politechniki Wrocławskiej:
II. Matematyczne podstawy MK
Elementy Rachunku Prawdopodobieństwa i Statystyki
Kilka wybranych uzupelnień
Planowanie badań i analiza wyników
FUNKCJE Opracował: Karol Kara.
Wyznaczanie liczby  Przygotowali i przeprowadzili uczniowie Zespołu Szkolno-Przedszkolnego nr 3 w Wodzisławiu Śląskim.
Co to jest dystrybuanta?
Metody numeryczne szukanie pierwiastka metodą bisekcji
Metody matematyczne w inżynierii chemicznej Wykład 3. Całkowanie numeryczne.
Wnioskowanie statystyczne
Metody Matematyczne w Inżynierii Chemicznej Podstawy obliczeń statystycznych.
Metody matematyczne w inżynierii chemicznej
Wstęp do metod numerycznych
Przenoszenie błędów (rachunek błędów) Niech x=(x 1,x 2,...,x n ) będzie n-wymiarową zmienną losową złożoną z niezależnych składników o rozkładach normalnych.
Wstęp do metod numerycznych
MODELOWANIE ZMIENNOŚCI CEN AKCJI
Zbiory fraktalne I Ruchy browna.
Logistyka – Ćwiczenia nr 6
Monte Carlo, bootstrap, jacknife. 2 Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej :
Przeprowadzenie badań niewyczerpujących, (częściowych – prowadzonych na podstawie próby losowej), nie daje podstaw do formułowania stanowczych stwierdzeń.
Testy nieparametryczne – testy zgodności. Nieparametryczne testy istotności dzielimy na trzy zasadnicze grupy: testy zgodności, testy niezależności oraz.
Model Poissona w ujęciu bayesowskim
POTENCJALNY OPŁYW WALCA
Rozkład z próby Jacek Szanduła.
Statystyka matematyczna
Metody matematyczne w inżynierii chemicznej
Jednorównaniowy model regresji liniowej
Analiza niepewności pomiarów Zagadnienia statystyki matematycznej
Monte Carlo, bootstrap, jacknife
Zapis prezentacji:

Numeryczne obliczanie całki oznaczonej METODA MONTE CARLO Numeryczne obliczanie całki oznaczonej

Spis treści Rys historyczny Metoda Igły Buffona Objaśnienie metody MC Algorytm metody Monte Wady i zalety MC Prezentacja zastosowania

Rys historyczny G. Buffon - 1777r. Prawdopodobnie jednym z najwcześniejszych udokumentowanym użycie próbkowania losowego do obliczenia wielkośći nielosowej była „metoda igły”, która polegała na rzuceniu igły na poziomą płaszczyznę pokrytą równoległymi prostymi. M. Laplace – 1886r. – wyznaczenie wartości liczby przy pomocy metody Buffona. Lord Kelvin – 1901r. – obliczanie pewnych całek w kinetycznej teorii gazów przy użyciu próbkowania losowego.

Rys historyczny cd. W. S. Gosset – 1908r. – podobne losowanie pomogło mu w odkryciu rozkładu współczynnika korelacji oraz potwierdzeniu rozkładu t-Studenta. E. Fermi – ok.1930r. – eksperymenty losowania numerycznego dotyczące dyfuzji i transportu neutronów w reaktorach jądrowych (skonstruował FERMIAC – mechaniczne urządzenie losujące). •J. von Neumann, S. Ulam, N. Metropolis, R. Feynman i in. –ok. 1940r. – pierwsze na dużą skalę rachunki oparte o użycie liczb losowych; dotyczyły rozpraszania i absorpcji neutronów w ramach projektu ,,Manhattan”. Nazwa ,,Monte Carlo” została wymyślona jako kryptonim dla tego typu rachunków i odpowiednich metod matematycznych.

Metoda igły Buffona W statystyce matematycznej, Igła Buffona jest jednym z najpopularniejszych problemów prawdopodobieństwa geometrycznego. Problem został sformułowany w 1733 przez Georges'a-Louisa Leclerca, hrabiego Buffon, a w 1777 podał on jego rozwiązanie . Opisany w problemie eksperyment jest statystyczną symulacją pozwalającą oszacować liczbę π. Otrzymana metoda estymacji liczby π należy do klasy metod Monte Carlo.

Metoda igły Buffon cd. Igłę o długości l rzucamy losowo na poziomą płaszczyznę pokrytą równoległymi liniami prostymi o odstępie L (L ≥ l). Jeżeli rzucona igła przetnie linię, to liczymy ,,trafienie”, w przeciwnym wypadku liczymy ,,chybienie”. Przez zliczanie trafień i chybień wyznaczyć wartość liczby π.

Obliczanie całki za pomocą metody MC Niech X1,X2, . . .Xn będzie ciągiem niezależnych zmiennych losowych o jednakowym rozkładzie jednostajnym na przedziale [a,b] oraz niech f będzie funkcja rzeczywista taka, ze Ef(X1) istnieje i jest skończona. Przy powyższych założeniach f(X1), f(X2), . . . f(Xn) jest także ciągiem niezależnych zmiennych losowych o jednakowym rozkładzie, przy czym istnieje wartość oczekiwana i jest skończona Z Mocnego Prawa Wielkich Liczb Kołmogorowa mamy:

Algorytm obliczania przybliżonej wartości całki oznaczonej Możemy zatem do obliczania przybliżonej wartości całki oznaczonej zastosować następujący algorytm: I losujemy niezależnie liczby u1, u2, . . . , un z rozkładu jednostajnego U[0, 1]; II przekształcamy dla k = 1, 2,...,n otrzymując w ten sposób próbkę z rozkładu U(a,b); III jako przybliżoną wartość całki przyjmujemy

Wady i zalety metody MC Zalety możliwość obliczenia złożonych całek, gdy bardziej niż precyzja liczy się szybkość rosnąca moc obliczeniowa komputerów prosta forma zastąpienia rozwiązań analitycznych Wady eksperyment dla skończonej liczby prób wyniki zależą od generatora liczb pseudolosowych

Autorzy Piotr Szczepański Piotr Sobczak Radosław Misiuk Michał Cieślak Piotr Lemański Wojciech Fabiańczuk