|
Guía DocenteCurso Facultade de Ciencias |
| Grao en Nanociencia e Nanotecnoloxía |
 Asignaturas |
| Métodos Numéricos e Estatísticos |
| Contidos |
|
|
|
| Datos Identificativos | 2022/23 | |||||||||||||
| Asignatura | Métodos Numéricos e Estatísticos | Código | 610G04013 | |||||||||||
| Titulación |
|
|||||||||||||
| Descriptores | Ciclo | Período | Curso | Tipo | Créditos | |||||||||
| Grao | 1º cuadrimestre |
Segundo | Obrigatoria | 6 | ||||||||||
|
||||||||||||||
| Temas | Subtemas |
| Tema 0: Introdución | Xeneralidades de métodos e algoritmos numéricos. Erros |
| Tema 1: Resolución numérica de sistemas lineais e cálculo numérico de autovalores. |
- Métodos directos (LU, Cholesky) - Métodos iterativos (Jacobi, Gauss-Seidel) - Aproximación de autovalores: QR - Aplicacións |
| Tema 2: Resolución numérica de ecuacións e sistemas non lineais. |
- Resolución numérica de ecuacións (dicotomía, Newton e variantes, iteración funcional) - Resolución de sistemas non lineaies (iteración funcional, Newton) - Aplicacións |
| Tema 3: Interpolación, derivación e integración numéricas. | - Interpolación (Lagrange, Chebyshev, Spline) - Derivación numérica - Integración numérica (punto medio, trapecio, simpson, cuadratura gaussiana) - Apliacións. |
| Tema 4. Fundamentos do cálculo de probabilidades |
- Cálculo de probabilidades - Probabilidade condicionada e independencia de sucesos - Teorema de Bayes |
| Tema 5. Variables aleatorias | - Variables aleatorias discretas e continuas - Distribución normal e teorema central do límite - Aplicacións en Nanociencia e Nanotecnoloxía |
| Tema 6. Introdución á inferencia estatística |
- Estimadores e distribucións muestrais - Regresión lineal - Ferramentas de software |
|
