Kursplan för Beräkningsvetenskap II

Scientific Computing II

Kursplan

  • 5 högskolepoäng
  • Kurskod: 1TD395
  • Utbildningsnivå: Grundnivå
  • Huvudområde(n) och successiv fördjupning: Datavetenskap G1F, Teknik G1F

    Förklaring av koder

    Koden visar kursens utbildningsnivå och fördjupning i förhållande till andra kurser inom huvudområdet och examensfordringarna för generella examina:

    Grundnivå

    • G1N: har endast gymnasiala förkunskapskrav
    • G1F: har mindre än 60 hp kurs/er på grundnivå som förkunskapskrav
    • G1E: innehåller särskilt utformat examensarbete för högskoleexamen
    • G2F: har minst 60 hp kurs/er på grundnivå som förkunskapskrav
    • G2E: har minst 60 hp kurs/er på grundnivå som förkunskapskrav, innehåller examensarbete för kandidatexamen
    • GXX: kursens fördjupning kan inte klassificeras

    Avancerad nivå

    • A1N: har endast kurs/er på grundnivå som förkunskapskrav
    • A1F: har kurs/er på avancerad nivå som förkunskapskrav
    • A1E: innehåller examensarbete för magisterexamen
    • A2E: innehåller examensarbete för masterexamen
    • AXX: kursens fördjupning kan inte klassificeras

  • Betygsskala: Underkänd (U), godkänd (3), icke utan beröm godkänd (4), med beröm godkänd (5)
  • Inrättad: 2007-03-15
  • Inrättad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Reviderad: 2019-02-19
  • Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Gäller från: HT 2019
  • Behörighet: Beräkningsvetenskap I. Grundkurs i matematisk statistik rekommenderas.
  • Ansvarig institution: Institutionen för informationsteknologi

Mål

Efter godkänd kurs ska studenten kunna:

  • redogöra för och utföra uppgifter som kräver kännedom om de nyckelbegrepp som ingår i kursen;
  • beskriva och använda de algoritmer som ingår i kursen;
  • undersöka egenskaper hos beräkningsalgoritmer och matematiska modeller med hjälp av de analysförfaranden som ingår i kursen;
  • värdera egenskaper hos beräkningsalgoritmer och matematiska modeller samt utgående från sådan värdering argumentera för metoders lämplighet givet olika tillämpningsproblem;
  • lösa problem inom naturvetenskap och teknik genom att strukturera problemet i delproblem och använda programvara, inklusive egen kod, på ett effektivt och generellt sätt;
  • presentera, förklara, sammanfatta, värdera och diskutera lösningsmetoder och resultat i en mindre rapport.

Innehåll

Programmering i MATLAB och problemlösningsmetodik.

Lösning av ordinära differentialekvationer (begynnelsevärdesproblem). Adaptivitet. Stabilitet. Explicita och implicita metoder. Olika metoders noggrannhet och noggrannhetsordning. Monte Carlo-metoder och metoder baserade på slumptal, stokastiska modeller, stokastisk simulering, stokastiska differentialekvationer, inverse transform sampling.

I kursen ingår följande nyckelbegrepp: diskretisering och diskretiseringsfel (trunkeringsfel), noggrannhet och noggrannhetsordning, lokalt och globalt fel, effektivitet, stabilitet och instabilitet, adaptivitet, styv respektive icke-styv ordinär differentialekvation, deterministisk respektive stokastisk modell och metod.

Undervisning

Föreläsningar, lektioner/workouts, laborationer, obligatoriska inlämningsuppgifter/miniprojekt.

Examination

Skriftligt prov (3 hp). Miniprojekt med skriftlig rapport samt workoutuppgifter (2 hp).

Om särskilda skäl finns får examinator göra undantag från det angivna examinationssättet och medge att en enskild student examineras på annat sätt. Särskilda skäl kan t.ex. vara besked om särskilt pedagogiskt stöd från universitetets samordnare för studenter med funktionsnedsättning.

Litteratur

Litteraturlista

Gäller från: HT 2019

I bibliotekets söktjänst kan du se om en titel finns elektroniskt.

  • Chapra, Steven C. Applied numerical methods with MATLAB for engineers and scientists

    3. international ed.: Boston: McGraw-Hill Higher Education, 2012

    Se bibliotekets söktjänst

    Obligatorisk

Kompendium: Andreas Hellander: Stochastic Simulation and Monte Carlo Methods. TDB, 2009