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: vecka 27, 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: vecka 27, 2019

  • 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