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: 2018-02-27
- Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden
- Gäller från: VT 2018
-
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) samt skriftlig rapport på miniprojekt (2 hp).
Versioner av kursplanen
Litteratur
Litteraturlista
Gäller från: VT 2018
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
Obligatorisk
Kompendium: Andreas Hellander: Stochastic Simulation and Monte Carlo Methods. TDB, 2009