Couvre les chaînes de Markov et leurs applications dans les algorithmes, en se concentrant sur l'échantillonnage Markov Chain Monte Carlo et l'algorithme Metropolis-Hastings.
Explore les mouvements de Monte Carlo en simulation, y compris les mouvements d'essai et les mouvements biaisés, en comparant Monte Carlo avec la dynamique moléculaire.
Couvre la théorie du traitement du signal numérique, y compris l'échantillonnage, les méthodes de transformation, la numérisation et les contrôleurs PID.
Explore les techniques de Monte Carlo pour l'échantillonnage et la simulation, couvrant l'intégration, l'échantillonnage d'importance, l'ergonomie, l'équilibrage et l'acceptation de Metropolis.
Couvre la théorie et les aspects pratiques des simulations de Monte Carlo en dynamique moléculaire, y compris les moyennes d'ensemble et l'algorithme Metropolis.
Couvre les bases des simulations de dynamique moléculaire, des propriétés d'ensemble, des formulations de mécanique classique, de l'intégration numérique, de la conservation de l'énergie et des algorithmes de contrainte.
Explique les moments, l'attente, la variance et les quantiles dans les distributions de probabilités avec des exemples comme Poisson et des distributions exponentielles.
Discute des mesures statistiques de la tendance centrale et de la dispersion, en se concentrant sur la moyenne, la médiane et leurs implications dans l'analyse des données.
Explore les applications de la théorie ergonomique à la combinatoire et la théorie des nombres, y compris le théorème de Szemerédi et le théorème d'Erdős-Kac.
