Avslutande föreläsning LGMA65

Relevanta dokument
Modellbygge och simulering av L. Ljung och T. Glad - Kap 1-2

Modellering och problemlösning

Modellering och problemlösning LGMA65

Grundläggande programmering med matematikdidaktisk inriktning för lärare som undervisar i gy eller komvux gy nivå, 7,5 hp

MICROECONOMICS Mid Sweden University, Sundsvall (Lecture 2) Peter Lohmander &

TNSL05 Optimering, Modellering och Planering. Föreläsning 2: Forts. introduktion till matematisk modellering

Optimeringslara = matematik som syftar till att analysera och. Optimeringslara ar en gren av den tillampade matematiken.

Algebra och Geometri SF1624

Vardagssituationer och algebraiska formler

FFM234, Datoruppgift 2: Värmeledning

Ekvationer och system av ekvationer

Målet för D2 är att studenterna ska kunna följande: Dra slumptal från olika sannolikhetsfördelningar med hjälp av SAS

Problembanken - utmanande problem. Gymnasieskolan, modul: Undervisa matematik utifrån problemlösning

Optimering och simulering: Hur fungerar det och vad är skillnaden?

Uppgift 1. Minimeringsproblemet löses med en Monte Carlo algoritm:

UTBILDNINGSPLAN. Masterprogram i matematik och modellering, 120 högskolepoäng. Master programme in Mathematics and Modelling, 120 ECTS Credits

Kursplan. NA3009 Ekonomi och ledarskap. 7,5 högskolepoäng, Avancerad nivå 1. Economics of Leadership

Exempel ode45 parametrar Miniprojekt 1 Rapport. Problemlösning. Anastasia Kruchinina. Uppsala Universitet. Januari 2016

Laboration 1 i SF1544: Öva på Matlab och konstruera en optimal balk Avsikten med denna laboration är att:

Optimering av olika slag används inom så vitt skilda områden som produktionsplanering,

EXTREMVÄRDESPROBLEM MED BIVILLKOR. LAGRANGES MULTIPLIKATORMETOD. Problem. Bestäm lokala (eller globala) extremvärden till

Strukturdynamiska simuleringar och PDE

Föreläsning 6: Spelteori II

Filoson bakom Bayesiansk statistik med tillämpningar inom hjärnavbildning och budgivningar på ebay

Funktionsstudier med derivata

Optimering med bivillkor

En matematiklärarkollega hade tillsammans med sin klass noterat att talet

Föreläsning 2: Simplexmetoden. 1. Repetition av geometriska simplexmetoden. 2. Linjärprogrammeringsproblem på standardform.

What is mathematical modelling?

Utbildningsplan för Matematikprogrammet (N1MAT) Bachelor s Programme in Mathematics Grundnivå

Dynamisk programmering. Dynamisk programmering. Dynamisk programmering. Dynamisk programmering

TNK049 Optimeringslära

Beräkningsvetenskap introduktion. Beräkningsvetenskap I

0,22 m. 45 cm. 56 cm. 153 cm 115 cm. 204 cm. 52 cm. 38 cm. 93 cm 22 cm. 140 cm 93 cm. 325 cm

FYTA11 HT10 (fulltid) Kursutvärdering (andra delen) FYTA11

Olinjärt med Whats Best!

GÖTEBORGS UNIVERSITET Naturvetenskapliga fakultetsnämnden. Utbildningsplan för Matematikprogrammet (N1MAT) 1. Beslut om fastställande. 2.

What is mathematical modelling?

SF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko.

Handledning Det didaktiska kontraktet. 19 september 2012

NATURVETENSKAPLIGA FAKULTETEN

1 Duala problem vid linjär optimering

Målet för D3 är att studenterna ska kunna följande: Dra slumptal från olika sannolikhetsfördelningar med hjälp av SAS

Matematik: Det centrala innehållet i kurserna i Gy 2011 i relation till kurserna i Gy 2000

. Bestäm Rez och Imz. i. 1. a) Låt z = 1+i ( b) Bestäm inversen av matrisen A = (3p) x + 3y + 4z = 5, 3x + 2y + 7z = 3, 2x y + z = 4.

Optimalitetsvillkor. Optimum? Matematisk notation. Optimum? Definition. Definition

x 2 2(x + 2), f(x) = by utilizing the guidance given by asymptotes and stationary points. γ : 8xy x 2 y 3 = 12 x + 3

Föreläsning 14: Exempel på randvärdesproblem. LU-faktorisering för att lösa linjära ekvationssystem.

Bayes i praktiken. exempel och reflektioner från en forskarutbildningskurs. Ralf Rittner, Arbets och Miljömedicin

Fysikens matematiska metoder hösten 2006

Samråd har skett med utbildningsledare vid akademin för innovation, design och teknik för de kurser de ansvarar för.

Inledande matematik M+TD

Förra gången. Allmänt om samarbete. Dagens föreläsning

Regressionsmodellering inom sjukförsäkring

Extramaterial till Matematik X

NAMAT, Masterprogram i matematik, 120 högskolepoäng Master Programme in Mathematics, 120 credits

TNK047 [TEN1] OPTIMERING OCH SYSTEMANALYS

FMNF15 HT18: Beräkningsprogrammering Numerisk Analys, Matematikcentrum

Undervisa i matematik genom problemlösning

MA2018 Tillämpad Matematik III-ODE, 4.0hp,

Utbildningsplan. Fakulteten för teknik

Talmängder. Målet med första föreläsningen:

Tentamensinstruktioner

Systemidentifiering för läkemedelsutveckling modeller, skattning och analys.

Denna föreläsning. DN1212 Numeriska metoder och grundläggande programmering FN Runge-Kuttas metoder. Repetition av FN6 (GNM kap 6.

5B1817 Tillämpad ickelinjär optimering. Metoder för problem utan bivillkor, forts.

Hemuppgift 2, SF1861 Optimeringslära för T, VT-10

MA2018 Tillämpad Matematik III-ODE, 4.0hp,

TMA226 datorlaboration

b) NY KURS (Ange kursnamn, årskurs, önskad läsperiod, schemablocksplacering. Bifoga utkast till kursplan.)

1. Vad är optimering?

Markovprocesser SF1904

Utbildningsplan för Matematiska vetenskaper, masterprogram (N2MAT), 120 hp

Matematik och Kemi på Chalmers

Erfarenheter från labben

TATA42: Föreläsning 8 Linjära differentialekvationer av högre ordning

Ger bilder stöd för förståelsen av och förmågan att minnas kunskapskraven?

Något om Dimensionsanalys och Mathematica. Assume period T Cm Α g Β L Γ s 1 kg Α m Β m Γ s 1 kg Α m Β. Identify exponents VL HL kg 0 Α m 0 Β Γ s 1 2 Β

Föreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar

Gradientbaserad Optimering,

Informellt och formellt lärande: Om motivation och förståelse

Diskutera sedan lösningarna utifrån följande frågor (med tillhörande kommentarer): 1. Var någon lösning bättre än de andra? I sådana fall, varför?

Tentamensinstruktioner

Sannolikhetslära och statistik, grundkurs

Introduktionsföreläsning. Outline. Beräkningsvetenskap I. Sara Zahedi Hanna Holmgren. Institutionen för Informationsteknologi, Uppsala Universitet

Linjärprogramming. EG2205 Föreläsning 7, vårterminen 2015 Mikael Amelin

Tentamen i Digitalteknik, EITF65

2 Tillämpad Matematik I, Övning 1 HH/ITE/BN. De objekt som finns G men inte i H.

Matematisk problemlösning

Demonstration av laboration 2, SF1901

Numerisk lösning av PDE: Comsol Multiphysics

Modellering av Dynamiska system Bengt Carlsson Rum 2211

DIFFERENTIALEKVATIONER. INLEDNING OCH GRUNDBEGREPP

DD

Tekniska beräkningar. Vad är tekn beräkningar? Vad är beräkningsvetenskap? Informationsteknologi. Informationsteknologi

MICROECONOMICS Mid Sweden University, Sundsvall (Lecture 1) Peter Lohmander &

Beräkningsvetenskap introduktion. Beräkningsvetenskap I

MATEMATIK GU. LLMA60 MATEMATIK FÖR LÄRARE, GYMNASIET Analys, ht Block 5, översikt

Till ampad statistik (A5) Förläsning 13: Logistisk regression

Transkript:

Avslutande föreläsning LGMA65

Innehåll Modulerna Modelleringscykeln Strategier för problemlösning Två exempel från uppgifterna Diskussion: För lite teori? Otydliga frågor Matematik vs. fysik Problemlösningsplan

Modulerna

Funktioner och ekvationer som modeller Vad är en bra modell (kurvanpassning)? Vrid och vänd på datan Begriplighet vs. prediktionskraft With four parameters I can fit an elephant, and with five I can make him wiggle his trunk. -John von Neumann

Optimering Formulera modellen: Variabler Målfunktion Bivillkor Ett kraftfullt verktyg är linjär programmering: proportionalitet additivitet (kontinuerliga variabler)

Dynamiska modeller Beskriver koncentrationer, populationer etc. över tid Olika typer av lösningar: analytiska numeriska stationära Stabilitet av stationära lösningar

Sannolikhetsmodeller Skattning av parametrar: val av modell mycket viktigt Maximum likelihood och Bayesiansk skattning Markovkedjor: diskret/kontinuerlig tid stationära lösningar (kort minne i systemet)

Spelteori Vilka situationer kan betraktas som spel? Definiera en vinstfunktion Nash-jämvikt Konflikt mellan individ och kollektivet

Rumsliga modeller slumpvandring diffusion värmeledning Bestäm lösningsdomän Begynnelse- och randvillkor Reaktion-diffusion modeller (ODE PDE)

Modelleringscykeln simplify and make assumptions! try to understand the problem! begin here! a precisely defined problem enables the mathematical analysis real problem /situation the mathematical problem we actually solve solve manually or with some algorithm real solution solution An iterative process

Verklighet Modell

Problemlösning enligt Polya 1. Förstå problemet 2. Tänk ut en plan 3. Genomför planen 4. Betrakta lösningen

Förstå problemet Vad är det som efterfrågas? Kan du formulera problemet med egna ord? Har du tillräckligt med data för att lösa problemet? Förstår du alla definitioner?

Tänk ut en plan Rita en bild Bestäm notation Kan du identifiera delproblem? Finns det några symmetrier? Har du löst ett liknande problem förut? Finns det någon modell/ekvation du kan använda?

Genomför planen Bra planering gör detta steg kortare Kontrollera varje steg i lösningen

Betrakta lösningen Är lösningen rimlig? (testa med extrema värden på parametrar) Finns det några andra sätt att lösa problemet? Förstår du lösningen intuitivt? Kan metoden användas för att lösa liknande problem?

4. Person A vill undvika person B, som envisas med att träffa Apålunchen. Vid universitetet finns två restauranger, en billig (där man i medel spenderar 20 min) och en tjusig (där man i medel spenderar 50 min). Ni kan anta att A och B alltid äter lunch kl 12.00 och att de varje dag måste äta lunch. Vilken strategi bör A använda för att minimera tiden som spenderas tillsammans med B. Å andra sidan, vad vore en bra strategi för B? Hur mycket tid måste då A spendera med B? 1. Förstå problemet (vad? data? def.?) 2. Tänk ut en plan (bild, notation, ekvation) 3. Genomför planen (iterativt) 4. Betrakta lösningen (rimlig? andra lösningar/problem?)

2. Gör en modell av hur ett ägg kokas. Ni kan anta att vitan koagulerar vid 60 och gulan vid 65.Dentermiskadiffusiviteten är 1.45 10 3 cm 2 /s i vitan och 1.25 10 3 cm 2 /s i gulan. Lös sedan er modell i Mathematica. Hur lång tid tar det enligt er modell att koka ett hårdkokt ägg? 1. Förstå problemet (vad? data? def.?) 2. Tänk ut en plan (bild, notation, ekvation) 3. Genomför planen (iterativt) 4. Betrakta lösningen (rimlig? andra lösningar/problem?)

Diskussionsfrågor

Hur mycket teori? Denna kurs är har lite teori och mycket praktik (brukar vara tvärtemot på MV) Fördel: ger utrymme för kreativt tänkande Nackdel: lätt att känna sig vilsen

Otydliga frågor Många problem är (avsiktligt) oklart formulerade En del av problemlösningen består då i att definiera en tydlig fråga

Fysik vs. matematik Har ert ämne påverkat hur ni tar er an problemen?

Problemlösning Har ni använt samma strategi hela tiden? Har den blivit bättre? Behöver varje problem en egen strategi?