Kursplan för Beräkningsvetenskap II

Scientific Computing II

Det finns en senare version av kursplanen.

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: 2010-05-03
  • Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Gäller från: HT 2010
  • Behörighet:

    Beräkningsvetenskap I. Matematisk statistik rekommenderas.

  • Ansvarig institution: Institutionen för informationsteknologi

Mål

Efter godkänd kurs ska studenten kunna

  • redogöra för nyckelbegrepp som ingår i kursen;
  • analysera några enkla beräkningsmetoder med avseende på egenskaper relaterade till nyckelbegreppen i föregående punkt
  • översiktligt förklara idén bakom de algoritmer som behandlas i kursen och visa hur de kan användas för lösning av tillämpningsproblem;
  • redogöra för den principiella skillnaden mellan stokastiska respektive deterministiska metoder och modeller;
  • värdera olika metoders egenskaper med avseende på noggrannhet, stabilitetsegenskaper och effektivitet;
  • utgående från en sådan värdering av metoders egenskaper, argumentera för metoders lämplighet givet olika tillämpningsproblem;
  • lösa teknisk-naturvetenskapliga problem givet matematisk modell, genom att strukturera problemet, välja lämplig numerisk metod, samt generera lösning med hjälp av programvara och egen kod;
  • presentera, förklara, sammanfatta, värdera och diskutera lösningsmetoder och resultat i en mindre rapport .

Innehåll

Fortsatt programmering i MATLAB. Fortsatt problemlösningsmetodik. Dataanalys: minstakvadratproblem med lösning baserad på normalekvationerna. Interpolation, med tonvikt på styckvis interpolation (inklusive kubiska spines).

Lösning av ordinära differentialekvationer (begynnelsevärdesproblem). Adaptivitet. Stabilitet. Explicita och implicita metoder och i samband med detta lösning av icke-linjära ekvationssystem. Monte Carlo-metoder och metoder baserade på slumptal, stokastiska modeller, stokastisk simulering, inverse transform sampling.

I kursen ingår följande nyckelbegrepp: diskretisering och diskretiseringsfel (trunkeringsfel), noggrannhet och noggrannhetsordning, effektivitet, stabilitet, ansats, adaptivitet.

Undervisning

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

Examination

Skriftligt prov (3 hp) samt inlämningsuppgifter/miniprojekt (2 hp).

Versioner av kursplanen

Litteratur

Litteraturlista

Gäller från: HT 2010

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

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

    2nd. ed.: Boston: McGraw-Hill Higher Education, 2008

    Se bibliotekets söktjänst

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

Skriv ut kursplan och litteraturlista
Skriv ut