Opgaveløsninger til Eksamensopgaver i Matematik F2 1. Den fjerde afledede regnes for konstant i intervallet [f (4) (t) =M 4 = 24] og dermed er:

Størrelse: px
Starte visningen fra side:

Download "Opgaveløsninger til Eksamensopgaver i Matematik F2 1. Den fjerde afledede regnes for konstant i intervallet [f (4) (t) =M 4 = 24] og dermed er:"

Transkript

1 Opgaveløsninger til Eksamensopgaver i Matematik F Opgave a) Simpsons algoritme med m =6ogh =.: som medfører at s = f + f 6 =3.356 s = f + f 3 + f 5 = s = f + f 4 =.899 J = h 3 (s +4s +s )= Den fjerde afledede regnes for konstant i intervallet [f (4) (t) =M 4 = 4] og dermed er: (b a) 5.65 ɛ s = M 4 = 4 =.8 5 8(m) [Tabelværdier og M 4 = 4 er resultater af antagelsen f(x) =+x + x + x 3 + x 4, og i dette tilfælde er J = J + ɛ s =.89995]. b) Benyttes Kreyszigs betegnelser kan følgende tabel opstilles: x j f j f j f j 3 f j [opstilles næste linie i tabellen fås 4 f =.4 = M 4 h 4 ]. Benyttes ligning (4) (6) i 7.3 ( 8.3 i 7.ed.) med x =,x =.5 r = x x =.5 fås h r(r ) p 3 (.5) = f + r f + r(r )(r ) f + 3 f 3! = =.7635 hvor f(.5) p 3 (.5) med fejlen ɛ 3 = h4 4! r(r )(r )(r 3) f (4) (t) =.4.5.5(.5)(.5)4 = [Benyttes f(x) =+x+x +x 3 +x 4 fås f(.5) = p 3 (.5)+ɛ 3 =.76383]. Niels Bohr Institutet, Februar 6

2 Opgaveløsninger til Eksamensopgaver i Matematik F Opgave a) j t j f j =cos( π t j ) og dermed s = f + f = s = f + f f 9 = s = f + f f 8 = C() = h (s +s +s )=.7777 C() = h 3 (s +4s +s )=.7799 (trapez) (Simpson) b) Benyttes f(t) =cos( π t )fås: f (t) = πt sin ( π t ) f () =, f () = π f (t) = π sin ( π t ) (πt) cos ( π t ) f (t) = 3π t cos ( π t )+(πt) 3 sin ( π t ) f () =, f () = π 3 og fejlene bliver ɛ = h ɛ = h4 8 og dermed [ f () f () ] =. ( π) =.6 (trapez) [ f () f () ] =.4 8 π3 =.7 5 (Simpson) C() C() + ɛ = (trapez og Simpson) Simpsons algoritme C() =.7799 med en fejl 5. Udnyttes dette ses, at C() + ɛ forbedrer nøjagtigheden af trapez-resultatet med en faktor. Antages en lignende forbedring af Simpson-resultatet er C() = med en fejl.5 5 svarende til at afrundingsfejlen dominerer [tabelværdien er C()= ].

3 Opgaveløsninger til Eksamensopgaver i Matematik F 3 Opgave 3 a) Benyttes (4a) side 85 (side 939 i 7.ed.) fås: (x )(x )(x 3) )(x )(x 3) p 3 (x) = +(x ( )( )( 3) ( )( )( 3) (x )(x )(x 3) )(x )(x ) +( ) +3(x ( )( )( 3) (3 )(3 )(3 ) = ( x 3 6x +x 6 ) + ( x 3 5x +6x) 3 + ( x 3 4x +3x ) + ( x 3 3x +x ) eller p 3 (x) = 5 3 x3 6x + 3 x + b) Newtons iterationsmetode er beskrevet i tabel 7. side 84 (tabel 8. side 93 i 7.ed.): x n+ = x n p 3 (x n) p 3 (x n), p 3(x) =5x x + 3 fås n x n p 3 (x n ) p 3 (x n) og dermed x p =.67 c) Vurdering af fejlen ved at tilnærme f(x) medp 3 (x) ergivetved(5)på side 85 (939): ɛ = ɛ 3 (x p ) = (x 4! p )(x p )(x p )(x p 3)f (4) (t x p ) =.77 Vi har, at f(x) x f (x) p 3 (x) og dermed at fejlen ɛ svarer til en variation af x, somer ɛ x p 3 (x p ) = =.46 Dvs. at løsningen af f(x) =,når <x<, må forventes at ligge i intervallet x p x <x<x p + x, eller.57 <x<.67

4 Opgaveløsninger til Eksamensopgaver i Matematik F 4 Opgave 4 a) Ifølge Kreyszig 7.3 ( 8.3 i 7.ed.), ligning (6) (7), haves: hvor f(x) =p 4 (x) =p 3 (x)+a 4 (x x )(x x )(x x )(x x 3 ) a 4 = og dermed f 4 p 3 (x 4 ) (x 4 x )(x 4 x )(x 4 x )(x 4 x 3 ) = = f(x) =x 3 4x +3x + x(x )(x )(x 3) = x 3 4x +3x + x4 +3x 3 x +3x = x4 +4x 3 9 x +6x + Integreres funktionen fås 4 f(x)dx = [ x5 + x x3 +3x + x ] 4 = 44 5 =.9333 b) Benyttes Kreyszigs notation i Tabel 7.4 (8.4 i 7.ed.) om Simpsons algoritme fås: og idet h =fås s = f + f 4 =; s = f + f 3 =; s = f = J = h 3 (s +4s +s )= 3 ( + 8 ) = 8 3 =.6667 Foratvurderefejlenɛ udregnes: og vi får: f (x) = x +4 ogdermed f () = 4; f (4) = 4 ɛ h4 [ f (b) f (a) ] = 8 8 ( 4 4) = 4 5 =.667 som er identisk med den korrekte størrelse af fejlen: ɛ = J J = = = (Vurderingen af fejlen udnytter en fjerdegrads-polynomium-tilnærmelse, som er eksakt i dette tilfælde).

5 Opgaveløsninger til Eksamensopgaver i Matematik F 5 Opgave 5 a) Anvendes Lagrange interpolations metode, (3a) og (3b) i 7.3 ( 8.3 i 7. udgave) fås: (x )(x 3) p (x) =f ( )( 3) + f (x )(x 3) ( )( 3) + f (x )(x ) (3 )(3 ) = f ( x 5x +6 ) ( f x 4x +3 ) + f ( 3 x 3x + ) =.865x.675x Ligningen J (x) p (x) = for <x<3 har løsningen x =.448. Benyttes ligning (5) i Kreyszig haves ɛ ( x) ( x x )( x x )( x x 3 )J ( x)/3! =. b) Benyttes intervallængden h =.π fås, idet g j = g( x, θ j ) j θ j π g j =cos(.448 sin θ)..π.776.π π π π og trapez-metoden giver J ( x) =h [.5(g + g 5 )+(g + g + g 3 + g 4 ) ] =.π π [ ] =. Idet π g(.448,θ=.5π) =.595 fås i tilfældet h =.5π J ( x) =.5π π [ ] =. Antages ɛ J h ved trapez-metoden er fejlen i første regning.5 gange mindre end i andet tilfælde og dermed /(.5 ) gange differensen mellem de to resultater, dvs. ɛ J [. (.)]/5.5 = Ved at udnytte J ( x) =. kan bestemmelsen af nulpunktets position x forbedres: x x J ( x)/j ( x) J ( x) p ( x) =.865 x.675 =.487 x =.44 [Det korrekte resultat er.448].

6 Opgaveløsninger til Eksamensopgaver i Matematik F 6 Opgave 6 a) Med h =.π fås følgende værdier for x j og f j =/ sin x j j x j f j g j = f j x j.π π π π π s = f + f 4 =4.367 ; s = f + f 3 =.7576 ; s = f =.367 Simpsons algoritme med m = 4 eller h =.π giver resultatet: J a = h 3 (s +4s +s )= Den analytiske udtryk for integralet giver J =.8473 og dermed er fejlen: b) Fra søjlen med g j = f j x j fås ɛ = J J a =.83 s = g + g 4 =.4635 ; s = g + g 3 = ; s = g =.754 og dermed J b =.5π J = h 3 (s +4s +s )=.3334.π De afledede af f(x) ogg(x) =f(x) x er f (x) = cos x sin x f (x) = 5cosx sin x 6cos3 x sin 4 x Dermed fås følgende fejlvurderinger: x dx + J =ln =.8477 ; f (x) = sin x + cos x sin 3 x ; g (x) =f (x)+ 6 x 4 ɛ a = h4 8 [f (b) f (a)] = (.π)4 ( ) = ɛ b = h4 8 [g (b) g (a)] = (.π)4 (.986.9) = Polynomium-beskrivelsen, som udnyttes i Simpsons algoritme, er ikke en god tilnærmelse til f(x) forx. Det betyder, at udregningen i a) giver en stor fejl og at fejlvurderingen ɛ a er næsten en faktor 3 forkert. Fremgangsmåden i b) giver et meget bedre resultat for J og en korrekt vurdering af fejlens størrelse (ɛ = 4. 5 ).

7 Opgaveløsninger til Eksamensopgaver i Matematik F 7 Opgave 7 a) Benyttes Kreyszigs betegnelser i afsnit 7.3 kan følgende tabel opstilles: x j f j f j f j 3 f j h = og r = x x ( ) 3 x = x og dermed f(x) p h 3 (x) = s f s= s eller x(x ) x(x )(x ) f(x).+x(.34) + (.3) x(x )(x )(x 3) ɛ(x) =f(x) p 3 (x) f (4) (t); f (4) (t).5 4 Udtrykkene udledes fra Kreyszig 7.3, ligning (4) og (6), og giver følgende f(.5).968 ; ɛ(.5) =. f(.5).759 ; ɛ(.5) =. f(.5).66 ; ɛ(.5) =. b) Trapez-metoden, 7.5 ligning (), giver resultatet (h = ): J = h(.5f + f + f +.5f 3 )= =.866 Benyttes f (t) 3 [f (3) f ()] f j (.3.34).8 fås fra 7.5 ligning (3) eller Supplementets ligning (.): ɛ h (3 )f (t) h [f (3) f ()].45 Simpsons algoritme, 7.5 Table 7.4, giver følgende resultat (h =.5): J =(h/3)[{f + f 3 } +{f + f } +4{f(.5) + f(.5) + f(.5)}] (.5/3)[ ] =.97 I dette tilfælde er der to bidrag til fejlen, dels bidraget som skyldes Simpson tilnærmelsen ved udregning af J [ 7.5 ligning (8) eller Supplementet (.)] og dels fejlen ved at benytte interpolationsværdierne for f(x): ɛ h4 8 (3 )f (4) (t)+ 4h [ɛ(.5) + ɛ(.5) + ɛ(.5)] 3 = (.5) (.8) = =.9 Fejlen domineres af bidraget fra interpolationen, men er stadigvæk en faktor mindre end ved den simple udregning. Dvs. benyttes (højere ordens) interpolation kan fejlen ved udregning af et integral reduceres betydeligt. Bemærk, at trapez-metoden kun ville have reduceret fejlen med en faktor 4. Eksempel: f(x) =cos(πx/6) J =6/π =.999.

8 Opgaveløsninger til Eksamensopgaver i Matematik F 8 Opgave 8 a) Idet Laplace-transformen af y betegnes Y = L{y} fås eller L{y } = sy y() = sy =L{x y} = s Y (s +)Y =+ s Y = s + + s (s +) = s + + s s Den inverse Laplace-transformation af denne ligning giver resultatet: y = y(x) = e x + x ; y() =.7358 b) Runge-Kutta algoritmen er beskrevet i tabel 9.4 side 948 (tabel.4 side 4 i 7.ed.). Her er h =,x =,y =,ogf(x, y) =x y: og dermed k = hf(x,y )=hf(, ) = k = hf(x + h, y + k )=hf(.5,.5) = k 3 = hf(x + h, y + k )=hf(.5, ) =.5 k 4 = hf(x + h, y + k 3 )=hf(,.5) =.5 y() y =+ 6 (k +k +k 3 + k 4 )=+ 6 ( + +.5) =.75 c) Funktionen y = y(x) går gennem (x, y) =(, ) med hældningen y = og gennem (x, y) =(,.7358) med hældningen y = x y =.64. y skifter fortegn mellem de to punkter, og minimumspunktet bestemmes af y = x y = exp( x) + =, som har løsningen x =ln y =ln=.693. Igrænsenx fås den asymptotiske opførsel y(x) y = x. 4 3 y y = x 3 4 x

9 Opgaveløsninger til Eksamensopgaver i Matematik F 9 Opgave 9 a) Den Laplace transformerede af foldningsintegralet t f(t) = τ sin(t τ)dτ = t sin t er og dermed F (s) =L{t}L{sin t} = s s + = s s + f(t) =L {F (s)} = t sin t og idet sin(π/ τ) =cosτ fås for t = π/ f(π/) = π τ cos τdτ = π =.578 b) Funktionen g(τ) =τ cos τ med intervalopdelingen h =.π, mellem a = og b = π/, er beskrevet ved følgende tabel [g j = g(τ j )]: Benyttes trapez-metoden fås: j τ j g j.π.9878.π π π π f(π/) = h [ g + g + g + g 3 + g 4 + g 5] =.π = Idet g (t) =cosτ τ sin τ, ogdermedg () = og g (π/) = π/, fås ɛ = h [ g (b) g (a) ] = (.π) ( π ) =.4 Den relative forskel mellem den tilnærmede værdi af integralet f(π/) f(π/) + ɛ =.5773 og den korrekte værdi er af størrelsesordenen 4.

10 Opgaveløsninger til Eksamensopgaver i Matematik F Opgave a) Benyttes relationerne L{y } = sy y() og L x {x} =/s transformeres differentialligningen over i L{y = y +x} sy =Y + s Y (s) = s + s (s ) Omskrivning af brøken Y (s) = s + s (s ) = a s + b s + c s = as + bs b + cs cs s (s ) giver resultatet: a + c =,b c =, b = eller b = c = oga =3og dermed Y (s) = 3 s s y(x) =L {Y (s)} =3e x x s b) Algoritmen for Eulers forberede metode er opstillet i Table 9. (. i 7. udgave), og vi har følgende parameterværdier: h =. ; f(x n,y n )=y n +x n ; x =,y = Udnyttes ligningerne (7a) og (7b) i 9. [(5a) og (5b) i. i 7. udgave] fås: y n+ = y n + h[f(x n,y n )+f(x n+,yn+ = y n + hf(x n,y n ))] = y n + h[y n +x n + {y n + h(y n +x n )+x n+ }] =(+h + h )y n +(h + h )x n + h(x n + h) =. y n +.44 x n +.4 = y n + (k + k ) I tabelform bliver resultatet, idet k = hf(x n,y n ), k = hf(x n+,y n + k ), n x n y n y(x n ) y(x n ) y n y(x n ) k k De resultater, der er bedt om, er: ỹ() = y 5 =4.8 og ɛ r = y(x 5 ) y 5 y(x 5 ) =.

11 Opgaveløsninger til Eksamensopgaver i Matematik F Opgave a) Den Laplace transformerede differentialligning er L{y = y + x } sy y() = Y + s 3 Y (s) = s 3 (s ) Omskrivning af brøken Y (s) = s 3 (s ) = a s + b s 3 + c s + d s = as3 +(s )(b + cs + ds ) s 3 (s ) giver resultatet a + d =,c d =,b c =,og b =, eller a = b = c = d =ogdermed Y (s) = s s 3 s y(x) =L {Y (s)} =e x x x s b) Algoritmen for Eulers forberede metode er opstillet i tabel 9. og h =. ; f(x n,y n )=y n + x n ; x =,y = Udnyttes ligningerne (7a) og (7b) i 9. fås: y n+ = y n + h[f(x n,y n )+f(x n+,yn+)] og yn+ = y n + hf(x n,y n )=y n + h(y n + x n ) y n+ = y n + h[y n + x n + {y n + h(y n + x n)+(x n + h) }] =. y n +. x n +.4 x n +.4 Benyttes tabel 9. direkte haves y n+ = y n + (k + k ), hvor k = hf(x n,y n )ogk = hf(x n+,y n + k ) På tabelform bliver resultatet n x n y n k k og dermed er svaret: ỹ() = y 5 = Den korrekte værdi er y() = og dermed bliver den relative fejl: ɛ r = y() ỹ() y() =4. 4

12 Opgaveløsninger til Eksamensopgaver i Matematik F Opgave a) Ifølge tabel 5.9 er L{ t/π} =/s 3/ eller F (s) =L{ π t} = s 3/ G(s) =L{t 3/ } = L{tf(t)} = F (s) = 3 π 4s 5/ Benyttes foldningsintegral-sætningen ( 5.5 teorem ) fås t 3π y(t) = g(τ)f(t τ)dτ Y (s) =F (s)g(s) = 8s 4 og dermed y(t) =L {Y (s)} = π 6 t3 ; y() = π 6 =.9635 b) j x j f j Trapez metoden med h =.5 og f j = f(x j )=(x 3/ j ) x j J = h[ (f + f 4 )+f + f + f 3 ]=.4753 Idet f (x) = 3 x( x) x3/ x og benyttes l Hôpitals regel [ x f 3/ ] () = lim x = lim x x fås følgende vurdering af fejlen Benyttes [ f () = 3 ] x/ ( x) / ɛ = h [f () f ()] =.5 (.5) =.6 = [ y() = J + xdx= J + 3 ( x) 3/] = J + 3 giver de numeriske regninger at y() J + ɛ + 3 = =.9674 Den relative fejl er.%. En tilsvarende direkte beregning af y() vha. trapez metoden giver resultatet y() = ɛ, hvorfejlenɛ ikke kan vurderes ved udtrykket ovenfor, idet den afledede af x 3/ x for x. Dette viser at polynomium tilnærmelsen til x 3/ x, som udnyttes i trapez metoden, ikke er pålidelig når x er tæt ved.

13 Opgaveløsninger til Eksamensopgaver i Matematik F 3 Opgave 3 a) Benyttes ligning (7) side 77 (8.ed.), at L{xy } = Y (s) sy (s) fås, at en Laplace transformation af differentialligningen giver resultatet: Y (s) sy (s)+y (s) =G(s) Y (s) = G(s) s som, i følge ligning () side 75, har løsningen { } xy(x) =L { Y (s)} = L G(s) s y(x) = { } G(s) x L s Benyttes g(x) =δ(x a) erg(s) =e as, ifl. (8) side 7, og anvendes (4) side 68 fås, L { G(s) s } { = L e as } = u(x a) y(x) = s u(x a) x b) Eulers simple metode er, ifl. () i afsnit 9., at benytte y n+ = y n + hf(x n,y n ), hvor y (x) =f(x, y). I dette tilfælde er y (x) =f(x, y) = g(x) y = sin x y x x Idet y() = g() =, fås i grænsen x y sin x y y(x) y() () = lim = lim x x x x n x n y n f(x n,y n ) eller y () = y (), og dermed f(x,y )=f(, ) = y () =.5. Den numeriske løsning af differentialligningen vha. Eulers metode med steplængden h =.5 er vist i tabellen og y().778 Indsættes g(x) =sinx i løsningen udledt i a) fås: G(s) s = s(s +) = s s s + { } L G(s) = cos x s eller y(x) = { } G(s) x L = cos x s x og dermed afviger det tilnærmede resultat for y() med ca. 9% fra den korrekte værdi y() =.78.

14 Opgaveløsninger til Eksamensopgaver i Matematik F 4 Opgave 4 a) Indføres g(x) =r(x) e x e x = ; J = g(x)dx +x er g() =, g(.5) =.4569, g(.5) =.47466, g(.75) =.6936 og g() =.9. Anvendes trapezmetoden på integraletfås: J = h [ g() + g(.5) + g(.5) + g(.75) + g()] = y() ỹ a () = [y() + J ] e =.98 Den afledede af g(x) er: g e x (x) = xe x +x ( + x ) 3/ ; g () = ; g () = g() =.966 og fejlene [ligning (.) i Supplementet ] er: ɛ(j) = h [g () g ()] =. ɛ(y) =ɛ(j) e =.7 b) Anvendes Laplace transformationen på differentialligningen og betegner Y = Y (s) =L{y(x)} og R = R(s) =L{r(x)}, fås L{y + y = r(x)} sy y() + Y = R Y = y() s + + s + R Benyttes foldningsintegralsætningen (Kreyszig 5.5, teorem ) fås x y(x) =y()e x + e x r(x) =y()e x + e (x u) r(u) du og dermed lining (), når den fælles faktor e x sættes uden for en parentes. Algoritmen for Eulers forberede metode er opstillet i Kreyszigs tabel 9. og h =.5 ; f(x n,y n )= y n + ; x =; y =; +x n k = hf(x n,y n ); k = hf(x n+,y n + k ) y n+ = y n + (k + k ) På tabelform bliver resultatet n x n y n k k og dermed er svaret: y() ỹ b () = y 4 = Forskellen mellem de to resultater ỹ a () ỹ b () =.37 er mange ( 34) gange større end den anslåede fejl ɛ(y) påỹ a (), og dermed må resultatet bestemt fra integraludtrykket () være det mest nøjagtige. [ỹ a () + ɛ(y) =.987 og den korrekte værdi er y()=.988. Begge integrationsmetoder er af. orden i h, men de ekstra fejlbidrag til Eulers metode, som stammer fra f/ y, er her dominerende. Bemærk, at vi kan drage fordel af Laplace transformationen, selvom vi, som i dette tilfælde, ikke kender L{r(x)}.]

15 Opgaveløsninger til Eksamensopgaver i Matematik F 5 Opgave 5 a) Benyttes Kreyszigs betegnelser i 7.3 kan følgende tabel opstilles: j x j y j y j y j 3 y j h =. ogx =. betyder at r =(x x )/h = x, og dermed: p (x) =y + r y + r(r ) y = (x )(.6784) + (x )(x )(.88) = x.44 x D =[.46 4(.44).4779] / =.955 for ligningen p (x) =: x p = =.464 (Roden x = er ikke brugbar) (.44) Benyttes ligning (6) i 7.3, plus bemærkningen øverst på side 857, i kombination med den udvidede tabel ovenfor, fås: ( ) r ɛ (x) 3 3 y = 6r(r )(r ).687 =.35(x )(x )(x 3) b) Indføres Laplace transformationerne Y (s) = L{y(x)} og R(s) = L{r(x)} og benyttes foldningsintegralsætningen, ligning () i 5.5, fås: Y = R + RY Y = R R, hvor R = s + (s + ) + og dermed Y = s + s y(x) = cos ( 3 x ) + 3 sin ( 3 x ) Indsættes x = x p i dette udtryk fås y( x p )=cos(.38) sin(.38) = =.4 i god overensstemmelse med fejlvurderingen under punkt a), idet y( x p ) p ( x p )+ɛ ( x p )= (.5396) =.4 [Den korrekte løsning til y(x) = er 3 tan( x) = 3 x = π 3 + nπ og dermed x p = π 3 3 = 4π 3 =.484. Benyttes samme fremgangsmåde som 3 ved opstillingen af Newtons iterationsmetode fås at x p x p y( x p )/y ( x p ), hvor y( x p ) ɛ ( x p ) =.4 og y ( x p ) p ( x p ) =.955 og dermed at x p =.473.] 3

16 Opgaveløsninger til Eksamensopgaver i Matematik F 6 Opgave 6 a) Benyttes relationerne L{y } = sy y() og L x {cos x} = transformeres differentialligningen over i L{y = y+cos x} sy =Y + s s + Omskrivning af brøken Y (s) = Y (s) = s s + s (s )(s +) s (s )(s +) = a s + bs + c s + = (a + b)s +(c b)s + a c (s )(s +) giver resultatet: a + b =,c b =,a c = eller a = c = b = og og dermed Y (s) = ( s ) s + + s + y(x) =L {Y (s)} = ( e x cos x +sinx ) b) Algoritmen for Eulers forberede metode er opstillet i Table 9. ud fra ligningerne (7a) og (7b). Vi har følgende parameterværdier: h =.5 ; f(x n,y n )=y n +cosx n ; x =,y = og ligningerne er x n+ = x n + h, y n+ = y n + (k + k ) hvor k = h(y n +cosx n ), k = h(y n + k +cosx n+ ) Benyttes disse ligninger fås i tabelform n x n y n k k y(x n ) y(x n ) y n og dermed er resultatet: ỹ() = y =.43 Eulers forbedrede metode er en. ordens metode (se side 947), dvs. at fejlen ɛ er, tilnærmelsesvis, proportional med h. Med denne antagelse fås ved en gentagelse af regningerne nederst på side 87 [ligning (5) i afsnit 7.5]: ɛ / = 3 [ỹ / () ỹ()] = 3 ( ) =.89 som er rimelig tæt på den reelle fejl ɛ = y() ỹ / () = =.3

17 Opgaveløsninger til Eksamensopgaver i Matematik F 7 Opgave 7 a) Laplace transformeres y +y +5y =5 ; y() = a ; y () = b fås følgende sekulære ligning, hvor Y = Y (s) = L{y(t)}, s Y sa b +sy a +5Y = 5 s En omskrivning af sidste brøk giver og dermed hvoraf fås (s +s +5)Y (s +)a b = 5 s (s +)a + b Y (s) = s +s s(s +s +5) 5 s(s +s +5) = s s + s +s +5 = s s + (s +) + Y = s + (s +)(a ) + b (s +) + = s +(a ) s + (s +) + + (a + b ) (s +) + y(t) =L {Y } =+e t [(a ) cos(t)+ (a + b ) sin(t)] b) y() = + (a ) = i) y( π 4 )=+e π 4 (a + b ) = a = ; b = og dermed y(t) = +e t cos(t) ii) Indsættes begyndelsesbetingelserne, y () = og y () =, direkte i differentialligningen fortæller den, at 5y() = 5. Dermed er y() = a = og y () = b = og resultatet er y(t) =

18 Opgaveløsninger til Eksamensopgaver i Matematik F 8 Opgave 8 a) Benyttes følgende relationer, se fx side 77 (side 9 i 7.ed.) L{ty } = d ds[ s Y (s) sy() y () ] = sy s Y + y() L{y } = sy y() L{ty} = d Y (s) = Y ds transformeres differentialligningen over i L{ty + y + ty} = (s +)Y sy = (s>) og dermed bliver differentialligningen til bestemmelse af Y = Y (s): Løsningerne er: ln Y = eller Y = Y (s) = Y + s s + Y = s s + ds = ln(s +)+konstant A s + (A arbitrær konstant) b) Taylor-rækkeudvikling af Laplace-integralet: F (s) = e st f(t)dt = e st[ f() + f ()t +! f ()t + ]dt = s f() + s f () +!! s 3 f () + 3! 3! s 4 f () + eller [ lim sf (s) = lim s s f() + s f () + + s n f (n) () + ] = f() som det skulle vises. Anvendes dette resultat på den generelle løsning fundet under punkt a) fås As lim sy (s) = lim s s s + = A og dermed, at valget A = betyder at Y (s) er Laplace transformationen af funktionen y(t) med randbetingelsen y() =, eller L{J (t)} = s +

19 Opgaveløsninger til Eksamensopgaver i Matematik F 9 Opgave 9 a) Benyttes Heaviside funktionen, u(t a), kan v(t) skrives: t v(t) =V a [ u(t a)] + V u(t a) = V [ ] t (t a)u(t a) a og benyttes t-forskydningsreglen, (3) side 67 [(4) side 79 i 7.ed.], fås V (s) =L{v(t)} = V as ( e as ) b) Laplace transformationen af differentialligningen er: og dermed V = RI + L[sI i()] = RI + LsI V I = I(s) = Ls + R = V ( e as ) al s (s + R L ) = V ( L L ) ( ar s + R R e as ) s + R s L som ved invertering giver resultatet: i(t) = V ( t L ( e R L t) [ u(t a) t a L ( e R L (t a))]) ar R R c) For <t a er u(t a) =oge R L t R L t + R L t, som indsat giver i(t) V [ t L ( R ar R L t R )] L t = V al t For t er u(t a) =oge R L t, og dermed i(t) V (t L [ ar R t a L ]) = V R R

20 Opgaveløsninger til Eksamensopgaver i Matematik F Opgave a) En Laplace transformation af differentialligningen () giver: +s = I + si i() I = (s +)(s +) idet i() =. Resultatet dekomponeres i stambrøker: I = a s + + bs + c s + = as + a + bs + bs + cs + c (s +)(s = +) a + b =,b + c =oga + c = a = c = b = eller og dermed I = ( s + s s + + ) s + i(t) =L {I(s)} = ( e t cos t +sint ) (s +)(s +) b) v(t) =sint erstattes med v(t) =[ u(t π)] sin t, som omskrives til v(t) =sint + u(t π)sin(t π) idet sin(t π) = sin t. Anvendes t-forskydningsreglen (Kreyszig: teorem side 67) fås V = L{v(t)} = s + + s + e πs og I = +e πs (s +)(s +) = ( s + s s + + ) (+e πs ) s + som betyder, at i(t) = ( e t cos t +sint ) + u(t π) ( e t+π cos(t π)+sin(t π) ) Idet cos(t π) = cos t og sin(t π) = sin t fås i(t) = ( + eπ ) e t, for t π Strømmen aftager eksponentielt til med tidskonstanten τ = L/R =, fra den værdi i(t ), som strømmen har til tidspunktet t, hvor spændingen afbrydes. Dvs. det generelle resultat er i(t) =i(t ) e (t t) = ( ) e t cos t +sint e (t t ), for t t

21 Opgaveløsninger til Eksamensopgaver i Matematik F Opgave a) j x j x j x (x j x) Fra tabellen fås, idet n =5, x = n n j= x j = =3.9 s = n n (x j x) = 7.54 j= 4 s =.9 9% konfidensintervallet for µ er bestemt ud fra Student s t-fordelingen med n = 4 frihedsgrader og γ =.9, dvs.: F (c) = ( + γ) =.95 c =.3 (tabel A9 i 8. og A i 7. udgave) og dermed k = sc/ n =.. Resultatet er, ifølge Table 3. i 8. udgave af Kreyszig (Table 4.6 i 7. udgave): CONF{x k<µ<x + k} =CONF{3.9 <µ<34.9} b) Det totale antal af mulige udfald er 6 6 = 36. Blandt disse udfald optælles mulighederne for en syver: + 6, 6 +, + 5, 5 +, 3 + 4, 4 + 3, dvs. af de 36 muligheder er der 6 udfald med syv øjne: P (7 øjne) = p = 36 6 = 6. Sandsynligheden for at ( slå ) x syvere i 4 kast er bestemt af binomialfordelingen: n P (X = x) =f(x) = p x ( p) n x med n =4ogp = x 6,dvs. P (X ) = P (X =)+P (X =3)+P (X =4) ( ) ( ) ( ) = ( p) p + ( p)p 3 + p =6 ( 5 6 ) ( 6 ) +4 ( 56 )( 6 ) 3 + ( 6 ) 4 =.39 Ifølge Kreyszig, ligning (3) og (4) i.7 ( 3.6 i 7.ed.), er middelværdien af denne fordeling: µ = np =4 6 = 3 og variansen σ = np( p) = = 5 9 og dermed σ =.745.

22 Opgaveløsninger til Eksamensopgaver i Matematik F Opgave a) Normering af sandsynlighedstætheden giver: a f(x)dx = cdx= ac = c = a a Middelværdien X =, dvs. at variansen bliver σ = X X = X = a a x dx a = 3 For den diskrete fordeling er X i = b b =og σ = b + ( b) =b og dermed at σ = σ b = a. ( a ) 3 a = a y(n) =±b ± b ± ±b (n tal) med sandsynligheden de enkelte b er er +, eller ( ) n P (i plustegn) = i n for at fortegnet foran (binomialfordeling med p = ). Med i plusser bliver y = y i = ib (n i)b = (i n)b ( ) n f n (y i )= i n, hvor y i =(i n)b og i =,,,...,n. b) I grænsen n kan Y (n) tilnærmes med normalfordelingen, uanset valg af f(x), med µ =og σ = σn n = σ = n a i= Dermed har Y (n)/σ n tilnærmelsesvis fordelingsfunktionen Φ(z = y(n)/σ n ), eller P ( 5a <Y(n) 5a) =P ( 5a/σ n <Z 5a/σ n ) =Φ(5a/σ n ) Φ( 5a/σ n )= for n = n.opslagitabel8viseratz(d) =.674 og betyder at z(d) = 5a σ n = 5a a n / =.674 ( ) 5 n = 66.4 eller n.674 = 66 (±)

23 Opgaveløsninger til Eksamensopgaver i Matematik F 3 Opgave 3 a) Sandsynlighederne er bestemt ved Poisson fordelingen, som har frekvensfunktionen: f P (x) = µx x! e µ = x x! e hvor x er antallet af henfald i tidsintervallet t = /λ og µ = λt = er middelværdien. Dvs. P (X 3) = F P () = f P () f P () f P () = e ( ++) =.333 (se også tabel A6 side A88, side A i 7.ed.). b) Igrænsenµ er Dvs. P (µ µ X µ+ µ) = f P (x) πσ e ( x µ σ ), σ = µ µ+ µ µ µ f P (x)dx Φ( µ/σ) Φ( µ/σ) =.95 som medfører µ/σ =.96 (tabel A8). Indsættes µ =.5µ og σ = µ fås.5µ µ =.96 µ = 537 c) I det generelle tilfælde er µ = λt og p(t) =f P () = exp( λt), dvs. Med denne fordelingsfunktion fås: og F (t) = e λt, for t f(t) =F (t) = λe λt, for t [ ] G(u) = exp(ut ) = λe (u λ)t λ dt = u λ e (λ u)t = λ λ u idet det er forudsat at λ u>. Momenterne kan beregnes direkte, men udnyttes den moment-genererende funktion fås: T = G λ () = (λ u) = λ u= og dermed T = G λ () = (λ u) 3 =λ u= σ = T T =λ λ = λ

24 Opgaveløsninger til Eksamensopgaver i Matematik F 4 Opgave 4 a) Sandsynligheden for at slå sekser i første kast er P (X =)=f() = 6. Sandsynligheden for først at slå sekser i andet kast er lig sandsynligheden for seksere i første kast, 6 = 5 6, gange sandsynligheden for en sekser i andet kast, eller P (X =)=f() = Generelt er f(x) = 6( 56 ) x hvor x =,, 3,... Fordelingsfunktionen er F (x) =f() + f() + + f(x) = [ ( ) 5 x ] 6 ( ) 56 n {( ) 56 x ( ) + 56 x+ + }] = [ 6 n= = [ ( ) 56 n ( ) 6 56 x n= n= = ( 5 6 ) x ( 56 ) n ] = 6 [ ( 56 ) x ] 5 6 og det ses umiddelbart, at F (x) =for x. Desuden fås: P (3 <X 9) = F (9) F (3) = ( 5 6 ) 9 + ( 56 ) 3 =.385 b) Den moment-genererende funktion er: De afledede er og dermed G(t) = x= ( ) 56 x 6 e xt = et 6 ( 56 e t) n n= = et 6 5 = e t 6 et 6 5 e t (for 5e t < 6) G e t (t) = 6 5 e t et ( 5e t ) (6 5 e t ) = 6e t (6 5 e t ) G 6e t (t) = (6 5 e t ) et ( 5e t ) (6 5 e t ) 3 = (6 + 5et )6e t (6 5 e t ) 3 µ = X = G () = 6 ; σ = X X = G () µ =66 36 = 3 Eksperimentet med at slå 4 seksere i højst tre kast med fire terninger, når man efter hvert kast beholder de seksere man har slået, kan ækvivaleres med et eksperiment, hvor man kaster de fire terninger hver for sig. Sandsynligheden for at der er sekser i højst tre kast er F(3) for hver af terningerne, dvs. den ønskede sandsynlighed er P (4 seksere i 3 kast) = [F (3)] 4 = [ ( 5 ) 3 ] 4 ( ) 6 = =.35

25 Opgaveløsninger til Eksamensopgaver i Matematik F 5 Opgave 5 a) Der er forskellige mulige udfald med lige stor sandsynlighed, dvs.: f(x) = for x =,,,, 9 og for alle andre x. Middelværdien svarende til denne frekvensfunktion er 9 µ x = X = xf(x) = 4.5 x= 9 og idet x = 85 fås x= σx = X X = =8.5 σ x =.87 Tælles antal udfald, hvor y(n) =,y(n) =,, y(n) = n og divideres med antallet af mulige udfald n fås: P (Y () ) = ( + ) =. P (Y () )=(++3) =.6 P (Y (3) 3)=(+3+6+) 3 =. b) X i er statistisk uafhængige, og ifølge teorem og 3 i.9 ( 3.8 i 7.ed.) gælder derfor generelt n n µ n = µ x = nµ x =4.5n ; σn = σx = nσx σ n =.87 n i= Når n kan vi benytte The central limit theorem i 3.3 ( 4.6 i 7.ed.), og dermed at fordelingen er normal med middelværdi µ n og standardafvigelse σ n eller f n (y) = i= [ exp 6.5nπ (y 4.5n) 6.5n At finde 95% konfidensintervallet svarer til at bestemme k således, at P (µ n k Y (n) µ n +k) =P ( k σ n Y (n) µ n σ n ] k σ n ) =Φ ( k σn ) =.95 og dermed, ifølge tabel A7 A8, at k =.96σ n. Når n = er µ n = 45 og k = = 78, og dermed bliver konfidensintervallet CONF{43 y() 4678}

26 Opgaveløsninger til Eksamensopgaver i Matematik F 6 Opgave 6 a) j x j x j x (x j x) Fra tabellen fås, idet n =5, s = n x = n n j= n (x j x) = 8.8 j= 4 x j = 5. 5 =. s =.48 9% konfidensintervallet for µ er bestemt ud fra Student s t-fordelingen med n = 4 frihedsgrader og γ =.9, dvs.: F (c) = ( + γ) =.95 c =.3 (tabel A9 i 8. og A i 7. udgave) og dermed k = sc/ n =.4. Resultatet er, ifølge Table 3. i 8. udgave af Kreyszig (Table 4.6 i 7. udgave): CONF{x k<µ<x + k} =CONF{8.79 <µ<.6} b) x-interval b j z-interval e j (b j e j ) x< 7 7 <z< <x< 8.5 <z< <x< 9. <z< <x<.5 <z< <x< 9. <z< <x< 6.5 <z< <x< 3 8. <z< <x 7.5 <z< e j b j er antallet af målepunkter i de forskellige x-intervaller, b j = n =. Næste søjle viser de tilsvarende intervaller af z =(x µ)/σ, medµ =. og σ =.. Fjerde søjle er de udregnede værdier af e j = n[φ(z ) Φ(z )], hvor z og z er intervalendepunkterne, og Φ(z) er den standardiserede normalfordeling opstillet i tabel A7. Antallet af intervaller er K = 8ogfrasidste søjle fås: χ K = (b j e j ) =.69 e j j= Dette resultat skal sammenlignes med χ -fordelingen med K r =5 frihedsgrader. To frihedsgrader, r =, er udnyttet ved at antage µ = x = og σ = s =. Ifølge Table 3.7 (4. i 7. udgave) kan hypotesen om at X er normalfordelt accepteres, hvis χ c, hvorc er løsningen til ligningen P (χ c) = α =.95. Fra tabel A (A i 7. udgave) fås, at c =.7 >χ =.69, og dermed at hypotesen kan accepteres.

27 Opgaveløsninger til Eksamensopgaver i Matematik F 7 Opgave 7 a) De første fire søjler i følgende tabel opstilles: x y x xy y y y Benyttes ligning (7.4) i Supplement til Kreyszig fås fra tabellen, idet n = og D = n x i ( x i ) = 85, x k = i yi x i xi y i =.8 D k = n x i y i x i yi =.486 D b) De to sidste søjler i tabellen er udfyldt ved at benytte y i = k + k x i = x i, hvorefter (7.6) (7.8) i supplementet giver: s (y) = (yi y n i ) =.3965 =.496 ; s(y) =.7 8 x s (k )= i D s (y) =.3 ; s(k )=.48 s (k )= n D s (y) =.6 ; s(k )=.78 95% konfidensintervallet for κ, og dermed også forκ og µ, er bestemt af Student s t-fordelingen med n = 8 frihedsgrader og γ =.95, dvs.: F (c) = ( + γ) =.975 c =.3 (tabel A9 i 8. og A i 7. udgave). Ifølge tabel 3. (4.3 i 7. udgave) og sidste paragraf i supplementet: CONF{ k cs(k ) <κ <k + cs(k )} =CONF{. <κ <.} CONF{ k cs(k ) <κ <k + cs(k )} =CONF{.468 <κ <.54} CONF{ y cs( y ) < µ< y + cs( y )} =CONF{.63 < µ<.73} I sidste linie er y = y i /n =.683 med standardafvigelsen s( y ) = s(y)/ =.. Ifølge hypotesen er κ =,κ =.5, og µ = µ(x)/n =.5x i / =.75. Værdierne af κ og κ tilhører 95% konfidensintervallerne, men µ =.75 ligger uden for 95% konfidensintervallet for µ. Benyttes det hertil svarende signifikans-niveau på 5% er svaret ja til at hypotesen kan afvises.

28 Opgaveløsninger til Eksamensopgaver i Matematik F 8 Opgave 8 a) Idet log a +logb =log(ab) og log = fås F (x) =f() + f() + + f(k) = [log log ] + + [log(k +) log k] 3 (k +) =log =log(k +) ; k x<k+ k F (x) = for x< ; F (x) =F (9) = log = for x 9. Sandsynligheden for at første ciffer er lige er P (k lige) = f() + f(4) + f(6) + f(8) = log 3 log + log 5 log 4 + =log =.39 Middelværdien er, idet x log k =logk x, b) 9 µ = x = kf(k) = [log log ] + [log 3 log ] + k= =log =log9 =3.44 9! k b k e k (b k e k ) b k er antallet af tal der har k som første ciffer, b k = n =. Næste søjle er de udregnede værdier forudsagt af Benford fordelingen: e k = nf(k) = log[(k +)/k]. Antallet af intervaller er K = 9 og fra sidste søjle fås: χ K = (b j e j ) =.58 e j k= Dette resultat skal sammenlignes med χ -fordelingen med K r =8 frihedsgrader. r =, da Benford fordelingen er fastlagt på forhånd uden brug af stikprøven. Hypotesen er, at tallene i stikprøven har en fordeling som er i overensstemmelse med Benford fordelingen. Ifølge Table 3.7 (4. i 7. udgave) kan hypotesen accepteres, hvis χ c, hvorc er løsningen til ligningen P (χ c) = α =.95. Fra tabel A (A i 7. udgave) fås, at c =5.5 >χ =.58, og dermed: hypotesen kan ikke afvises. e k

29 Opgaveløsninger til Eksamensopgaver i Matematik F 9 Opgave 9 a) Frekvensfunktionen for Poisson fordelingen er f(x) = µx x! e µ,hvorµ er middelværdien. Udnyttes det at X og Y er statistisk uafhængige fås 3 3 P (Z =3)= P (X = x Y =3 x) = P (X = x)p (Y =3 x) x= x= 3 x 3 3 x = x= x! e (3 x)! e 3 = e 5( 33 3! + 3! +! ! ) =.8333 e 5 =.44 For Poisson fordelingen er variansen lig med middelværdien, og benyttes teorem og 3 i.9 fås: µ = Z = X + Y = X + Y = µ + µ σ = Z Z = σ (x)+σ (y) = µ + µ Z s fordeling tilnærmes med normalfordelingen med µ =5ogσ = 5og ( ) ( ) P (Z =3) Φ Φ 5 5 =Φ(.67) Φ(.8) = =.93 ved brug af lineær interpolation i tabel A7. b) Ligningen xy = 3 har kun de (ikke-negative) heltallige løsningerne (x, y) = (, 3) og (3,). Det betyder, at nu er P (Z =3)=P (X =)P (Y =3)+P (X =3)P (Y =)=.876 I det generelle tilfælde fås (se også teoremi.9): µ = Z = XY = X Y = µ µ Benyttes X = σ (x)+ X = µ + µ og tilsvarende for Y fås: σ = Z Z = X Y µ µ = X Y µ µ =(µ + µ )(µ + µ ) µ µ = µ µ (µ + µ +) Dvs., at i det betragtede tilfælde er µ =6ogσ = 3( ) = 6 og ( ) ( ) P (Z =3) Φ Φ = = Alle resultater under a) er i overensstemmelse med at Z = X +Y har Poisson fordelingen med µ = µ + µ,idetp(z =3)= 53 3! e 5. Dette forekommer intuitivt rigtigt og kan let eftervises generelt vha. moment-genererende funktioner. I tilfældet Z = XY er µ σ,ogz har ikke en Poisson fordeling. µ = 5erpå grænsen af hvor normalfordelingstilnærmelsen kan benyttes (især ude i halerne) og den relative fejl er 5% i a). µ er større i b) men den relative fejl er ca. to gange større i dette tilfælde (fordelingen er meget langt fra at være normal).

30 Opgaveløsninger til Eksamensopgaver i Matematik F 3 Opgave 3 a) I følge Supplementet (6.5) har Y en normalfordeling og Y = X X = µ µ (teorem i.9). X og X er uafhængige stokastiske variable med varianserne σ (x )=σ /n og σ (x )=σ /n, hvilket medfører ( σ (y) =σ (x )+σ (x )= σ + ) n n (teorem i.9). Ifølge teorem i 3.3 [tabel 3. eller Supplementet (5.6)] er konfidensintervallerne givet ved { CONF γ x α c α s α µ α x α + c α s } α nα nα og F t (c α )=(+γ)/, hvor F t er Student s t-fordelingen med n α frihedsgrader. Idet ( + γ)/ =.975 er c =.78 og c =.6 ifl. tabel A9 og dermed CONF γ {65.96 µ 78.64} ; CONF γ {63.38 µ 68.8} b) Idet P ( c T c) =F t (c) F t ( c) =F t (c) =γ =.95, hvor F t er Student s t-fordelingen med n + n =3frihedsgraderfås fra tabel A9, at c =.6. Stikprøvens resultat for T er: t = x x (µ µ ) σ, og CONF γ { c t c} σ n + s y n Benyttes s y =(4s +9s )/3 = 8. og indsættes tallene i udtrykkene ovenfor fås, at 95% konfidensintervallet for Y = µ µ bliver CONF γ {.8 µ µ.} Med et signifikans niveau α = γ =.5 er µ µ.8, hvilket betyder, at hypotesen µ = µ kan afvises. Bemærk, at det ret store overlap mellem de to konfidensintervaller i a), fra til 68.8, kunne forlede til den modsatte konklusion. Ifølge definitionen i (3) er (n + n )S y/σ =(n )S /σ +(n )S /σ De to led på højre side er stokastiske uafhængige størrelser, der har en χ fordeling med henholdsvis n ogn frihedsgrader [teorem 3 i 3.3, Supplementet (5.3)]. Det betyder at (n + n )S y /σ har en χ fordeling med n +n =n + n frihedsgrader.

31 Opgaveløsninger til Eksamensopgaver i Matematik F 3 Opgave 3 a) De første fire søjler i følgende tabel opstilles: x y x xy y y y y y y Benyttes ligning (7.4) i Supplement til Kreyszig og indsættes tabelværdierne og n =6fås D = n x i ( x i ) = 5 og x k = i yi x i xi y i = 5.33 D k = n x i y i x i yi =3.9 eller y = x D Femte og sjette søjle i tabellen er udfyldt ved at benytte y i = k + k x i = x i. Fra ligning (7.6) i supplementet fås s (y) = n (yi y i ) =.49 4 =3.5 ; s(y) =.76 b) De to sidste søjler i tabellen er udfyldt ved at benytte resultatet af den kvadratiske regressionskurve: y i =(7 7 x +x )/35. Denne regressionskurve har 3 frie parametre og n i (7.6) erstattes af n 3og s (y) = (yi y n 3 i ) =.8 =.76 ; s(y) = % konfidensintervallet for σ(y) bestemmes af χ -fordelingen med n frihedsgrader i det lineære og n 3 frihedsgrader i det kvadratiske tilfælde. Table A viser, at F (c )=( γ)/ =.5 c =.48 og F (c )= ( + γ)/ =.975 c =.4, med 4 frihedsgrader og γ =.95. Benyttes (5.5) i supplementet (med n erstattet med n ) fås i det lineære tilfælde: CONF { n γ s (y) <σ (y) < n s (y) } CONF c c γ {.6 <σ(y) < 5.9} Benyttes den kvadratiske regressionskurve er c =. og c =9.35 (3 frihedsgrader) og dermed CONF { n 3 γ s (y) <σ (y) < n 3 s (y) } CONF c c γ {.6 <σ(y) <.} De to konfidensintervaller overlapper ikke, dvs. de to hypoteser forudsiger signifikant forskellige værdier for σ(y) hypotesen, at regressionskurven er lineær, kan afvises. Hvis regressionskurven er lineær vil en antagelse om et ekstra kvadratisk led ikke resultere i en signifikant mindre værdi for σ(y). Omvendt, er regressionskurven kvadratisk, så vil antagelsen af en lineær kurve give et fejlbidrag til s(y) og dermed resultere i en større værdi for σ(y).

32 Opgaveløsninger til Eksamensopgaver i Matematik F 3 Opgave 3 a) Y har Poisson fordelingen: P (Y = m) = µm m! e µ, hvilket betyder at ( ) m P (X = n) = p n ( p m=n n ) m n P (Y = m) m! = n!(m n)! pn m n µm ( p ) m! e µ m=n = µn n! pn e µ m=n = µn n! pn e µ r= µ m n (m n)! ( p )m n [µ( p )] r r! = µn n! pn e µ e µ( p ) = (p µ)n n! som viser at X har en Poisson fordeling med middelværdien p µ. Antallet af personer i bilerne der passerer broen er: Z = X +X +3X 3 e p µ Generelt har X i en Poisson fordeling med middelværdien µ i = p i µ og variansen σi = µ i.idetµ =fås: µ = σ =., µ = σ =.6 og µ 3 = σ 3 =.. Y har en Poisson fordeling med µ y = σy = µ + µ + µ 3 = µ =. Ifølge teorem og 3 i.9 haves: µ z = Z = µ +µ 3 +3µ 3 = = 3., og variansen af Z-fordelingen: σz = σ + σ +3 σ3 = = 5.4. b) P (X i = x) = µx i x! e µ i og dermed er sandsynligheden for at der sammenlagt er tre personer med i de biler der passerer i løbet af ét minut: P (Z =3) = P (X =3 X = X 3 =)+P (X = X = X 3 =) + P (X = X = X 3 =) =.3 e. e.6 e. + (.e.)(.6e.6) e. + e. e.6(.e.) 3! = e ( ) =.635 Når t = time er middelværdierne for de tre X i fordelinger henholdsvis, µ = 7, µ =36ogµ 3 =, som alle er større end 5, og de tre fordelinger kan tilnærmes med de tilsvarende normalfordelinger. Det betyder at Z med en god tilnærmelse har en normalfordeling med middelværdien µ z = = 8 og variansen σz = = 34. Konfidensintervallet bestemmes af, at P (µ z cσ z Z µ z + cσ z )=Φ(c) Φ( c) =.95, når fordelingen tilnærmes med normalfordelingen. Dvs. c =.96 og dermed cσ z = 35.3, og afrundes til nærmeste hele tal bliver konfidensintervallet: CONF{45 z 5}.

33 Opgaveløsninger til Eksamensopgaver i Matematik F 33 Opgave 33 a) Der er 6 forskellige mulige udfald, som hver har lige stor sandsynlighed: f(x) = 6 for x =,,3,4,5,6 og f(x) = for alle andre x. Med denne frekvensfunktion fås 6 µ = X = xf(x) = 3.5 ; X 6 = x f(x) = 9 x= x= 6 σ = X X = 9 ( ) = σ =.78 Tælles antallet af udfald, hvor et kast med fire terninger giver y(4) = 4, 5 eller 6, og divideres med antallet 6 4 af mulige udfald fås: P (Y (4)=4) = P ( (X,X,X 3,X 4 )=(,,, ) ) =[P (X =)] 4 = 96 ( ) 4 P (Y (4)=5) = P ( (X,X,X 3,X 4 )=(,,, ) ) = = 34 ( ) 4 P (Y (4)=6) = P ( (X,X,X 3,X 4 )=(3,,, ) ) ( ) 4 + P ( (X,X,X 3,X 4 )=(,,, ) ) = = Idet fordelingerne er symmetriske m.h.t. deres middelværdier er P (6 <Y(4) ) = [ f 4 (4) + f 4 (5) + f 4 (6) + f 4 () + f 4 (3) + f 4 (4) ] = [ f 4 (4) + f 4 (5) + f 4 (6) ] = = 6 =.977 b) X i er indbyrdes statistisk uafhængige og ifølge teorem og 3 i.9 er n µ n = µ = nµ =3.5n ; σn n = σ = nσ σ n =.78 n i= Når n kan vi benytte The central limit theorem i 3.3, og dermed at fordelingen er normal med middelværdi µ n og standardafvigelse σ n eller f n (y) = exp [ (y µ ] n) = σ n π σn.78 πn exp[ (y 3.5n) ] 5.833n At finde 9% konfidensintervallet svarer til at bestemme k således, at i= P (µ n k Y (n) µ n + k) =P ( σ k n Y (n) µ n σ n som, ifølge tabel A7 A8, betyder at σ k n =.645. k σ n ) =Φ ( k σn ) =.9 Når n = µ n = 35 og k = = 8. 8 (afrundet til nærmeste hele tal), og dermed bliver konfidensintervallet CONF{3 y() 378} eller CONF{3 <y() 378} [Benyttes normalfordelings-tilnærmelsen ( i sidste ) spørgsmål ( ) i a) fås:.5 µ4 6.5 µ4 P (6 <Y(4) ) Φ Φ =.97 ] σ 4 σ 4

34 Opgaveløsninger til Eksamensopgaver i Matematik F 34 Opgave 34 a) Sandsynlighedstætheden er: f(t) =F (t) = τ e t/τ (t ) (t<) og dermed T = tf(t)dt = t τ e t/τ dt = τ ue u du = τγ() = τ T = t f(t)dt = τ u e u du = τ Γ(3) = τ µ = T = τ ; σ = T T = τ Benyttes ligning () i.5 for den kontinuerte fordeling: P (a <T <b)= F (b) F (a) fås: P (T >τ)=f ( ) F (τ) = ( e τ/τ )= e =.368 P ( <T <t )=F (t )=.5 e t /τ =.5 t = τ ln b) For serie-kredsløbet fås: t [ F s (t) = x τ e x/τ e y/τ dy ] dx = t τ = t τ e x/τ dx = e t/τ e x/τ [ ( τ)e y/τ ] x dx og en sammenligning (τ τ ) med resultaterne ovenfor viser, at f s (t) = τ e t/τ (t ), µ s = τ, σ s = τ Fordelingsfunktionen for parallelforbindelsen er t [ x F p (t) = τ e x/τ e y/τ dy ] dx = t [ τ e x/τ ( τ)e y/τ ] x dx = t ( e x/τ e x/τ ) dx = ( e t/τ ) ( e t/τ ) = ( e t/τ ) τ og de analoge udregninger som i a) giver resultaterne: f p (t) = τ e t/τ ( e t/τ ) (t ), µ p = 3τ, σ s = 5τ [Integralerne i () udtrykker, at serieforbindelsen ikke er funktionsdygtig hvis der er en defekt komponent, dvs. at t bestemmes af x (x t) når det antages at y x. Det omvendte tilfælde, x y, er inkluderet vha. faktoren. Parallelkredsløbet accepteres hvis blot en af komponenterne virker, idet t levetiden af begge komponenter: y x t eller x y t. Som resultaterne viser giver denne forskel sig udtryk ved en faktor 3 i middellevetiderne, samt en relativ mere skarp fordeling for parallelforbindelsen, hvor σ p =.745µ p mens σ s = µ s.] 4 4

35 Opgaveløsninger til Eksamensopgaver i Matematik F 35 Opgave 35 a) Sandsynligheden for at udfaldet A forekommer x gange i løbet af n eksperimenter er binomialfordelt, dvs. ( ) n f(x) = p x ( p) n x, x =,,,..., n x og f(x) = for alle andre x. Med denne frekvensfunktion fås, at sandsynligheden for hændelsen B = P (X 3), for n =5ogp =.3, er ( ) ( ) 5 5 P (B) =f(3) + f(4) + f(5) = p 3 ( p) + p 4 ( p)+p = =.638 Hændelsen C udgøres af 3 ud af de tilfælde, hvor kabalen går op 3 gange, ud af 5, hvor kabalen går op 4 gange, plus tilfældet hvor kabalen går op alle 5 gange, dvs. P (C) = =.5346 og den betingede sandsynlighed er [lign. () på side 6 i Kreyszig]: P (C B) = P (C B) P (B) = P (C) P (B) =.378 b) Når n kan vi benytte The central limit theorem i 3.3, og dermed at fordelingen er normal med middelværdi µ = np og standardafvigelse σ = np( p) [lign. (3) og (4) på side 8 i Kreyszig], eller [ ] f(x) = πnp( p) exp (x np) np( p) For at finde 95% konfidensintervallet skal der bestemmes et k således, at P (µ k X µ + k) =P ( σ k X µ σ σ k ) ( ) Φ kσ =.95 som, ifølge tabel A7 A8, betyder at σ k = c =.96. Resultatet er { } CONF np c np( p) x np + c np( p), c =.96 Indsættes n = og x = 3 bestemmer konfidensintervallet et tilsvarende interval for p, (3 p).96 p( p) 384.5p p + 9 Andengradsligningen har rødderne p = og p =.895 og dermed bliver 95% konfidensintervallet: CONF {.9 p.396} [Selv med n = er usikkerheden på en eksperimentel bestemmelse af p stor. Bemærk at midtpunktet i intervallet er.37, som er lidt større end x/n =.3.]

36 Opgaveløsninger til Eksamensopgaver i Matematik F 36 Opgave 36 a) Sandsynlighedstætheden for X i er pr. definition: p hvis x = f(x) = p hvis x = ellers Udfaldet af Y n er lig det antal gange hændelsen X i = forekommer i n eksperimenter, dvs. at Y n har binomialfordelingen: ( ) n p y ( p) n y hvis y =,,...,n g(y) = y ellers Udfaldet af Z n har kun to muligheder Z n =hvisblotetx i =ogz n = hvis alle X i =, og dermed er frekvensfunktionen den samme som for X i blot med p erstattet af P (X =X = =X n =) = p n : p n hvis z = h(z) = p n hvis z = ellers b) Benyttes f(x) fås: X i = x j f(x j )x j =( p) +p = p X i = x j f(x j )x j =( p) + p = p σ x = p p = pq Binomialfordelingen er gennemregnet i bogen [ligning (3) og (4) i.7] eller vi kan benytte de generelle resultater i.9: n Y n = X i = np, σy n = σx = nσ x σ y = np q i= For Z n fordelingen fås samme resultat som for X i når p erstattes af p n : Z n = p n, σ z = p n ( p n ) For n =5ogp =.5 fås: ( ) 5 P (Y n =3) = = P (Y n > ) = P (Y n ) = g() g() = =.367 i= For n = og p =.5 kan g(y) tilnærmes med normal-fordelingstætheden med µ = np = 5 og σ = np q =3.69, dvs.: ( P (3 Y n 7) = P < Y ) n µ < 3.69 σ 3.69 =Φ(.497) Φ(.497) =.938 (.938) =.8656

37 Opgaveløsninger til Eksamensopgaver i Matematik F 37 Opgave 37 a) De kovariante basisvektorer er givet ved, (9.5) eller (9.53): e i = r u i, dvs. e = r θ =( sinθ, cos θ, ), e = r =(,, ) z Heraf bestemmes den metriske tensors kovariante komponenter ( g ij = e i e j = 4sin θ +cos ) θ b) Ifølge (9.63) er g ij g jk = δ i k (gij -matricen er den inverse til g ij -matricen): g ij = 4sin θ +cos θ De kontravariante komponenter g ij kan benyttes til at bestemme de kontravariante basisvektorer, e i = g ij e j (nederst side 77): e = g e = ( sinθ, cos θ, ) 4sin θ +cos θ, e = g e =(,, ) Christoffel symbolet af anden art er defineret, (9.74), Γ k ij = ek e i u j : Γ = ( sinθ, cos θ, ) 4sin θ +cos θ og alle de andre 7 komponenter er. c) r s kontravariante komponenter er: ( cosθ, sin θ, ) = 3sinθ cos θ 4sin θ +cos θ og dermed r = r e = 3sinθcos θ 4sin θ +cos θ, r = r e = z r θ = sin4 θ 3cos 4 θ +9sin θ cos θ (4 sin θ +cos θ), r z = Indsættes fås r i ;i = r θ + r z +Γ r =+ sin4 θ 3cos 4 θ (4 sin θ +cos θ) = 4 (3 sin θ +)

38 Opgaveløsninger til Eksamensopgaver i Matematik F 38 Opgave 38 a) De kovariante basisvektorer er givet ved (9.5) eller (9.53): e i = r u i, dvs. e = r α =( α, β, ) ; e = r β =(β,α,) ; e 3 = r =(,, ) γ Heraf bestemmes den metriske tensors kovariante komponenter { } { } α + β gij = ei e j = α + β og g = α + β Ifølge (9.63) er g ij g jk = δ i k (gij -matricen er den inverse til g ij -matricen): { g ij } = { } α + β g ij = α + β b) Indsættes x, y, z i funktionsudtrykket fås: f(α, β, γ) = 4 (α + β ) + γ, og dermed v = f α = α(α + β ) ; v = f β = β(α + β ) ; v 3 = f γ =γ v = g j v j = α ; v = g j v j = β ; v 3 = g 3j v j =γ Det indre produkt af v med sig selv er v v = v v + v v + v 3 v 3 =(α + β ) +4γ =4f(α, β, γ) og ifølge (9.95) er v = g u i ( gv i ) = = [ { (α α + β + β )α } + { (α + β )β } + { (α + β )γ }] α β γ [ 3α α + β + β +3β + α +(α + β ) ] =6 Benyttes det kartesianske koordinatsystem fås: v = (r r) =(x, y, z), v v =4(x + y + z ), v = ++ = 6 som er de samme resultater som ovenfor. Dette er i overensstemmelse med at v er en. ordens tensor og dermed at kontraktionerne v v og v er skalare størrelser, der er uafhængige af koordinattransformationen.

39 Opgaveløsninger til Eksamensopgaver i Matematik F 39 Opgave 39 a) De kovariante basisvektorer er givet ved (9.5) eller (9.53), e i = r u i : e = r α =(β,) ; e = r β =(α, ) Heraf bestemmes den metriske tensors kovariante komponenter ( ) { } { } +β +αβ gij = ei e j = +αβ +α Indføres e =(c,c ) giver ortogonalitetsbetingelserne de to ligninger: () βc + c = og () αc + c =. og benyttes samme fremgangsmåde for e fås løsningerne: e = α β (,α) ; e = (, β) α β De eneste afledede af de kovariante basisvektorer, der ikke er, er: e u = e β =(, ) ; e u = e =(, ) α Christoffel symbolet af anden art er defineret, (9.74), Γ k ij = e k e i u j,og Γ =Γ = e (, ) = α β ; Γ =Γ = e (, ) = α β og de resterende fire: Γ =Γ =Γ =Γ =. b) De kontravariante komponenter af r = r e + r e er r = r e = [ αβ + α(α + β)] = α α β og dermed fås: r = α β ; r = r e = β α β ( α α β α ) ( β (α β) + α β β ) (α β) +Γ r +Γ r = α + β (α β) + β α β α β + α α β α β = Benyttes a = a e +a e fås a =(, ) e = α α β og a =(, ) e = β α β og T s kontravariante komponenter er givet ved: { T ij } ( = a r a r ) a r a r = (α β) α (α ) β (α ) α ( β) β ( β)

40 Opgaveløsninger til Eksamensopgaver i Matematik F 4 Opgave 4 a) De kovariante basisvektorer er givet ved (9.5) eller (9.53) e i = r u i e = r cos θ cos φ θ = a cos θ sin φ ; e = r sin θ sin φ sin θ φ = a sin θ cos φ Heraf bestemmes den metriske tensors kovariante komponenter ( ) { } { } a gij = ei e j = a sin θ Basisvektorerne skal opfylde ortonormeringsbetingelsen e i e j = δ j i og det ses uden videre at udtrykkene for e og e medfører at e e =oge e =. Desuden gælder generelt at g = g ij =(e e )(e e ) (e e ) og dermed at e e =oge e =. Det vil sige at alle fire relationer er opfyldt. De kontravariante basisvektorer er e = e a = cos θ cos φ cos θ sin φ ; e e = a sin θ a sin θ = sin φ cos φ a sin θ b) De afledede af de kovariante basisvektorer er e u = a sin θ cos φ sin θ sin φ ; cos θ e u = e cos θ sin φ u = a e sin θ cos φ cos θ cos φ ; u = a sin θ sin φ { } Christoffel symbolerne af. art er defineret Γ k k ij = = e ij k e i u j og { } { } { = sin θ cos θ ; = =cotθ } mens de resterende fem komponenter er. En direkte udregning viser at R = { { }{ } + θ } = cot θ θ +cot θ = og idet g =/g og g =/g fås R = g ij R ij = a R + a sin θ R = a

41 Opgaveløsninger til Eksamensopgaver i Matematik F 4 Opgave 4 Ligningerne fremstiller overfladen af en torus (se figuren), hvis midterlinie er en cirkel med radius a liggende i xy-planet. Torus-rørets tværsnit er en cirkel med radius b, hvorb =.4a på figuren. a) De kovariante basisvektorer er givet ved (9.5) eller (9.53), e i = r u i : e = r θ = b cos θ cos φ cos θ sin φ ; e = r =(a + b sin θ) sin φ cos φ sin θ φ Heraf bestemmes den metriske tensors kovariante komponenter, g ij = e i e j, {g ij } = ( ) b (a + b sin θ) og {g ij } = ( ) b (a + b sin θ) hvor de kontravariante komponenter er udregnet som den inverse matrix, g ik g kj = δ i j eller {gij } = {g ij }. De kontravariante basisvektorer er e = g j e j = cos θ cos φ cos θ sin φ ; e = g j e b j = sin θ cos sin φ φ a + b sin θ b) En generalisering af (9.56) betyder at i to dimensioner er arealelementet da = gdu du,hvorg er determinanten af {g ij } = b (a + b sin θ),og dermed da = b(a + b sin θ)dθdφ og det totale overfladeareal A = π π b(a + b sin θ)dθdφ = π πab dφ =4π ab De kovariante komponenter af T = r r er T ij = r i r j,hvorr i = r e i.idet r = ab cos θ og r =fås T = r r =(ab) cos θ og T = T = T = Ifølge øverst side 7 i noterne er komponenterne af den kovariante afledede: T ij;k = T ij,k Γ l ikt lj Γ l jkt il De to sidste led bidrager ikke når k =,og hvorimod T ; = T, = (ab) sin θ cos θ T ; = T ; = Γ T =(a + b sin θ)a b cos 3 θ De resterende 5 komponenter af den kovariante afledede er.

Opgaveløsninger til Eksamensopgaver i Matematik F2 1. Den fjerde afledede regnes for konstant i intervallet [f (4) (t) =M 4 = 24] og dermed er:

Opgaveløsninger til Eksamensopgaver i Matematik F2 1. Den fjerde afledede regnes for konstant i intervallet [f (4) (t) =M 4 = 24] og dermed er: Opgaveløsninger til Eksamensopgaver i Matematik F 1 Opgave 1 a) Simpsons algoritme med m =6ogh =.1: som medfører at s = f + f 6 =3.356 s 1 = f 1 + f 3 + f 5 =4.4737 s = f + f 4 =.899 J = h 3 (s +4s 1 +s

Læs mere

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen Landmålingens fejlteori Lektion Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet En stokastisk variabel er en variabel,

Læs mere

Elementær sandsynlighedsregning

Elementær sandsynlighedsregning Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Den hændelse, der ikke indeholder

Læs mere

Eksamensopgaver i Matematik F2

Eksamensopgaver i Matematik F2 Eksamensopgaver i Matematik F2 I. Numeriske metoder og Laplace transformation Opgave 1 (V 97/98) Funktionen f(x) er beskrevet ved følgende tabel [f j = f(x j )]: j x j f j 0 0 1.00000 1 0.1 1.11110 2 0.2

Læs mere

Besvarelser til Calculus Ordinær eksamen - Forår - 6. Juni 2016

Besvarelser til Calculus Ordinær eksamen - Forår - 6. Juni 2016 Besvarelser til Calculus Ordinær eksamen - Forår - 6. Juni 16 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan. Dette dokument har udelukkende

Læs mere

Teoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts.

Teoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts. Teoretisk Statistik, 9 marts 2005 Empiriske analoger (Kap. 3.7) Normalfordelingen (Kap. 3.12) Opsamling på Kap. 3 nb. Det forventes ikke, at alt materialet dækkes d. 9. marts. 1 Empiriske analoger Betragt

Læs mere

Elementær sandsynlighedsregning

Elementær sandsynlighedsregning Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Et sandsynlighedsmål er en

Læs mere

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0. Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet Repetition:

Læs mere

Kvantitative Metoder 1 - Forår Dagens program

Kvantitative Metoder 1 - Forår Dagens program Dagens program Afsnit 6.1 Den standardiserede normalfordeling Normalfordelingen Beskrivelse af normalfordelinger: - Tæthed og fordelingsfunktion - Middelværdi, varians og fraktiler Lineære transformationer

Læs mere

Kvantitative Metoder 1 - Efterår Dagens program

Kvantitative Metoder 1 - Efterår Dagens program Dagens program Afsnit 6.1. Ligefordelinger, fra sidst Den standardiserede normalfordeling Normalfordelingen Beskrivelse af normalfordelinger: - Tæthed og fordelingsfunktion - Middelværdi, varians og fraktiler

Læs mere

Produkt og marked - matematiske og statistiske metoder

Produkt og marked - matematiske og statistiske metoder Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 19, 2016 1/26 Kursusindhold: Sandsynlighedsregning og lagerstyring

Læs mere

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte

Læs mere

Eksamensopgaver i Matematik F2

Eksamensopgaver i Matematik F2 Eksamensopgaver i Matematik F2 I. Numeriske metoder og Laplace transformation Opgave 1 (V 97/98) Funktionen f(x) er beskrevet ved følgende tabel [f j = f(x j )]: j x j f j 0 0 1.00000 1 0.1 1.11110 2 0.2

Læs mere

Landmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable

Landmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition:

Læs mere

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M. Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet March 1, 2013 Sandsynlighedsregning og lagerstyring Normalfordelingen

Læs mere

Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable

Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/41 Landmålingens fejlteori - lidt om kurset

Læs mere

MM501 forelæsningsslides

MM501 forelæsningsslides MM501 forelæsningsslides uge 40, 2010 Produceret af Hans J. Munkholm bearbejdet af JC 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen s.445-8 dx Eksempler

Læs mere

MM501/MM503 forelæsningsslides

MM501/MM503 forelæsningsslides MM501/MM503 forelæsningsslides uge 50, 2009 Produceret af Hans J. Munkholm 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen dx Eksempler = et udtryk, der indeholder

Læs mere

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte

Læs mere

1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable

1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable Landmålingens fejlteori - lidt om kurset Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet Kursusholder

Læs mere

Reeksamen 2014/2015 Mål- og integralteori

Reeksamen 2014/2015 Mål- og integralteori Reeksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål. Ved bedømmelsen indgår de spørgsmål med samme vægt.

Læs mere

Institut for Matematiske Fag Aalborg Universitet Specielt: Var(aX) = a 2 VarX 1/40. Lad X α, X β og X γ være stokastiske variable (vinkelmålinger) med

Institut for Matematiske Fag Aalborg Universitet Specielt: Var(aX) = a 2 VarX 1/40. Lad X α, X β og X γ være stokastiske variable (vinkelmålinger) med Repetition: Varians af linear kombination Landmålingens fejlteori Lektion 5 Fejlforplantning - rw@math.aau.dk Antag X 1, X,..., X n er uafhængige stokastiske variable, og Y er en linearkombination af X

Læs mere

Overheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ.

Overheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ. Statistiske modeller (Definitioner) Statistik og Sandsynlighedsregning 2 IH kapitel 0 og En observation er en vektor af tal x (x,..., x n ) E, der repræsenterer udfaldet af et (eller flere) eksperimenter.

Læs mere

Den todimensionale normalfordeling

Den todimensionale normalfordeling Den todimensionale normalfordeling Definition En todimensional stokastisk variabel X Y siges at være todimensional normalfordelt med parametrene µ µ og når den simultane tæthedsfunktion for X Y kan skrives

Læs mere

Besvarelser til Calculus Ordinær Eksamen Juni 2019

Besvarelser til Calculus Ordinær Eksamen Juni 2019 Besvarelser til Calculus Ordinær Eksamen - 14. Juni 2019 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan. Dette dokument har udelukkende

Læs mere

Landmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3

Landmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3 Landmålingens fejlteori Repetition - Kontinuerte stokastiske variable Lektion 4 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf10 Institut for Matematiske Fag Aalborg Universitet 29. april

Læs mere

Sandsynlighed og Statistik

Sandsynlighed og Statistik 36 Sandsynlighed og Statistik 6.1 Indledning Denne note beskriver de statistiske begreber og formler som man med rimelig sandsynlighed kan komme ud for i eksperimentelle øvelser. Alt er yderst korfattet,

Læs mere

Regneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x)

Regneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x) Formelsamlingen 1 Regneregler for middelværdier M(a + bx) a + bm X M(X+Y) M X +M Y Spredning varians og standardafvigelse VAR(X) 1 n n i1 ( X i - M x ) 2 Y a + bx VAR(Y) VAR(a+bX) b²var(x) 2 Kovariansen

Læs mere

Sandsynlighedsregning

Sandsynlighedsregning Mogens Bladt www2.imm.dtu.dk/courses/02405 21. September, 2007 Lidt om binomialkoefficienter n størrelsen af en mængde/population. Vi ønsker at udtage en sub population af størrelse r. To sub populationer

Læs mere

Kvantitative Metoder 1 - Forår 2007

Kvantitative Metoder 1 - Forår 2007 Dagens program Kapitel 8.7, 8.8 og 8.10 Momenter af gennemsnit og andele kap. 8.7 Eksempel med simulationer Den centrale grænseværdisætning (Central Limit Theorem) kap. 8.8 Simulationer Normalfordelte

Læs mere

Fejlforplantning. Landmålingens fejlteori - Lektion 5 - Fejlforplantning. Repetition: Varians af linear kombination. Eksempel: Vinkelberegning

Fejlforplantning. Landmålingens fejlteori - Lektion 5 - Fejlforplantning. Repetition: Varians af linear kombination. Eksempel: Vinkelberegning Fejlforplantning Landmålingens fejlteori Lektion 5 Fejlforplantning - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf13 Landmåling involverer ofte bestemmelse af størrelser som ikke kan

Læs mere

Wigner s semi-cirkel lov

Wigner s semi-cirkel lov Wigner s semi-cirkel lov 12. december 2009 Eulers Venner Steen Thorbjørnsen Institut for Matematiske Fag Århus Universitet Diagonalisering af selvadjungeret matrix Lad H være en n n matrix med komplekse

Læs mere

Uge 10 Teoretisk Statistik 1. marts 2004

Uge 10 Teoretisk Statistik 1. marts 2004 1 Uge 10 Teoretisk Statistik 1. marts 004 1. u-fordelingen. Normalfordelingen 3. Middelværdi og varians 4. Mere normalfordelingsteori 5. Grafisk kontrol af normalfordelingsantagelse 6. Eksempler 7. Oversigt

Læs mere

Eksamen i Mat F, april 2006

Eksamen i Mat F, april 2006 Eksamen i Mat F, april 26 Opgave 1 Lad F være et vektorfelt, givet i retvinklede koordinater som: F x x F = F x i + F y j + F z k = F y = 2z F z y Udregn F og F: F = F x + F y + F z = 1 + +. F = F z F

Læs mere

Forelæsning 3: Kapitel 5: Kontinuerte fordelinger

Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Kursus 02402 Introduktion til Statistik Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800

Læs mere

Sandsynlighedsregning 5. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 5. forelæsning Bo Friis Nielsen Sandsynlighedsregning 5. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 3.5 og 4.1 Poissonfordelingen

Læs mere

Karakteristiske funktioner og Den Centrale Grænseværdisætning

Karakteristiske funktioner og Den Centrale Grænseværdisætning E6 efterår 1999 Notat 10 Jørgen Larsen 20. oktober 1999 Karakteristiske funktioner og Den Centrale Grænseværdisætning Karakteristiske funktioner som er nære slægtninge til Fourier-transformationen) er

Læs mere

Kvantitative Metoder 1 - Forår Dagens program

Kvantitative Metoder 1 - Forår Dagens program Dagens program Kontinuerte fordelinger Ventetider i en Poissonproces Beskrivelse af kontinuerte fordelinger: - Median og kvartiler - Middelværdi - Varians Simultane fordelinger 1 Ventetider i en Poissonproces

Læs mere

hvor a og b er konstanter. Ved middelværdidannelse fås videre

hvor a og b er konstanter. Ved middelværdidannelse fås videre Uge 3 Teoretisk Statistik. marts 004. Korrelation og uafhængighed, repetition. Eksempel fra sidste gang (uge ) 3. Middelværdivektor, kovarians- og korrelationsmatrix 4. Summer af stokastiske variable 5.Den

Læs mere

Statistik og Sandsynlighedsregning 2

Statistik og Sandsynlighedsregning 2 Statistik og Sandsynlighedsregning 2 Normalfordelingens venner og bekendte Helle Sørensen Uge 9, onsdag SaSt2 (Uge 9, onsdag) Normalfordelingens venner 1 / 20 Program Resultaterne fra denne uge skal bruges

Læs mere

CIVILINGENIØREKSAMEN Side 1 af 18 sider. Skriftlig prøve, den: PQ. juli 200Z Kursus nr : (navn) (underskrift) (bord nr)

CIVILINGENIØREKSAMEN Side 1 af 18 sider. Skriftlig prøve, den: PQ. juli 200Z Kursus nr : (navn) (underskrift) (bord nr) CIVILINGENIØREKSAMEN Side 1 af 18 sider Skriftlig prøve, den: PQ. juli 200Z Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Tilladte hjælpemidler: Alle Dette sæt er besvaret af: (navn) (underskrift)

Læs mere

Nanostatistik: Konfidensinterval

Nanostatistik: Konfidensinterval Nanostatistik: Konfidensinterval JLJ Nanostatistik: Konfidensinterval p. 1/37 Fraktilpåmindelse u p : Φ(u p ) = p, Φ( z ) = 1 Φ( z ) t p [f] : F t[f] (t p [f]) = p, F t[f] ( t ) = 1 F t[f] ( t ) F-fordeling:

Læs mere

Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner: Afsnit 4.2, 4.3 og 4.4 Poissonprocessen/eksponentialfordelingen

Læs mere

Løsning til eksaminen d. 29. maj 2009

Løsning til eksaminen d. 29. maj 2009 DTU Informatik 02402 Introduktion til Statistik 20-2-01 LFF/lff Løsning til eksaminen d. 29. maj 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th

Læs mere

Sandsynlighedsregning 9. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 9. forelæsning Bo Friis Nielsen Sandsynlighedsregning 9. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 5.3 og 5.4 Simultane kontinuerte

Læs mere

Antag X 1, X 2,..., X n er n uafhængige stokastiske variable, hvor Var(X 1 )=σ 2 1,..., Var(X n )=σ 2 n.

Antag X 1, X 2,..., X n er n uafhængige stokastiske variable, hvor Var(X 1 )=σ 2 1,..., Var(X n )=σ 2 n. Simple fejlforplantningslov Landmålingens fejlteori Lektion 6 Den generelle fejlforplantningslov Antag X, X,, X n er n uafhængige stokastiske variable, hvor Var(X )σ,, Var(X n )σ n Lad Y g(x, X,, X n ),

Læs mere

Binomial fordeling. n f (x) = p x (1 p) n x. x = 0, 1, 2,...,n = x. x x!(n x)! Eksempler. Middelværdi np og varians np(1 p). 2/

Binomial fordeling. n f (x) = p x (1 p) n x. x = 0, 1, 2,...,n = x. x x!(n x)! Eksempler. Middelværdi np og varians np(1 p). 2/ Program: 1. Repetition af vigtige sandsynlighedsfordelinger: binomial, (Poisson,) normal (og χ 2 ). 2. Populationer og stikprøver 3. Opsummering af data vha. deskriptive størrelser og grafer. 1/29 Binomial

Læs mere

Normalfordelingen. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ

Normalfordelingen. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ Normalfordelingen Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: f(x) = ( ) 1 exp (x µ)2 2πσ 2 σ 2 Frekvensen af observationer i intervallet

Læs mere

Statistik og Sandsynlighedsregning 2. Repetition og eksamen. Overheads til forelæsninger, mandag 7. uge

Statistik og Sandsynlighedsregning 2. Repetition og eksamen. Overheads til forelæsninger, mandag 7. uge Statistik og Sandsynlighedsregning 2 Repetition og eksamen Overheads til forelæsninger, mandag 7. uge 1 Normalfordelingen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange

Læs mere

INSTITUT FOR MATEMATISKE FAG c

INSTITUT FOR MATEMATISKE FAG c INSTITUT FOR MATEMATISKE FAG c AALBORG UNIVERSITET FREDRIK BAJERS VEJ 7 G 9220 AALBORG ØST Tlf.: 96 35 89 27 URL: www.math.aau.dk Fax: 98 15 81 29 E-mail: bjh@math.aau.dk Dataanalyse Sandsynlighed og stokastiske

Læs mere

02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4

02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4 02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4 Vejledende løsning 5.46 P (0.010 < error < 0.015) = (0.015 0.010)/0.050 = 0.1 > punif(0.015,-0.025,0.025)-punif(0.01,-0.025,0.025) [1] 0.1

Læs mere

Introduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher

Introduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk

Læs mere

Oversigt. Kursus Introduktion til Statistik. Forelæsning 3: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff.

Oversigt. Kursus Introduktion til Statistik. Forelæsning 3: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Kursus 242 Introduktion til Statistik Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik Bygning 35/324 Danmarks Tekniske Universitet 28 Lyngby Danmark e-mail:

Læs mere

Tema. Dagens tema: Indfør centrale statistiske begreber.

Tema. Dagens tema: Indfør centrale statistiske begreber. Tema Dagens tema: Indfør centrale statistiske begreber. Model og modelkontrol Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse. konfidensintervaller Vi tager udgangspunkt i Ex. 3.1 i

Læs mere

Teoretisk Statistik, 16. februar Generel teori,repetition

Teoretisk Statistik, 16. februar Generel teori,repetition 1 Uge 8 Teoretisk Statistik, 16. februar 2004 1. Generel teori, repetition 2. Diskret udfaldsrum punktssh. 3. Fordelingsfunktionen 4. Tæthed 5. Transformationer 6. Diskrete vs. Kontinuerte stokastiske

Læs mere

Eksamen i Calculus. 14. juni f (x, y, z) = 1 + x 2 + y 2. Hele rummet uden z aksen

Eksamen i Calculus. 14. juni f (x, y, z) = 1 + x 2 + y 2. Hele rummet uden z aksen Eksamen i Calculus Første Studieår ved Det Tekniske Fakultet for IT og Design, Det Sundhedsvidenskabelige Fakultet samt Det Ingeniør- og Naturvidenskabelige Fakultet 14. juni 019 Opgave 1 (6 point) En

Læs mere

Eksamen i Calculus. 14. juni f (x, y, z) = 1 + x 2 + y 2. x 2 + y 2 1 Hele rummet uden z aksen

Eksamen i Calculus. 14. juni f (x, y, z) = 1 + x 2 + y 2. x 2 + y 2 1 Hele rummet uden z aksen Eksamen i Calculus Første Studieår ved Det Tekniske Fakultet for IT og Design, Det Sundhedsvidenskabelige Fakultet samt Det Ingeniør- og Naturvidenskabelige Fakultet 14. juni 19 Opgave 1 (6 point) En funktion

Læs mere

Statistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen

Statistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Statistik Lektion 3 Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Repetition En stokastisk variabel er en funktion defineret på S (udfaldsrummet, der antager

Læs mere

Definition. Definitioner

Definition. Definitioner Definition Landmålingens fejlteori Lektion Diskrete stokastiske variable En reel funktion defineret på et udfaldsrum (med sandsynlighedsfordeling) kaldes en stokastisk variabel. - kkb@math.aau.dk http://people.math.aau.dk/

Læs mere

Lidt om fordelinger, afledt af normalfordelingen

Lidt om fordelinger, afledt af normalfordelingen IMM, 2002-10-10 Poul Thyregod Lidt om fordelinger, afledt af normalfordelingen 1 Introduktion I forbindelse med inferens i normalfordelinger optræder forskellige fordelinger, der er afledt af normalfordelingen,

Læs mere

Statistiske modeller

Statistiske modeller Statistiske modeller Statistisk model Datamatrice Variabelmatrice Hændelse Sandsynligheder Data Statistiske modeller indeholder: Variable Hændelser defineret ved mulige variabel værdier Sandsynligheder

Læs mere

02402 Vejledende løsninger til Splus-opgaverne fra hele kurset

02402 Vejledende løsninger til Splus-opgaverne fra hele kurset 02402 Vejledende løsninger til Splus-opgaverne fra hele kurset Vejledende løsning SPL3.3.1 Der er tale om en binomialfordeling med n =10ogp=0.6, og den angivne sandsynlighed er P (X =4) som i bogen også

Læs mere

Uge 43 I Teoretisk Statistik, 21. oktober Forudsigelser

Uge 43 I Teoretisk Statistik, 21. oktober Forudsigelser Uge 43 I Teoretisk Statistik,. oktober 3 Simpel lineær regressionsanalyse Forudsigelser Fortolkning af regressionsmodellen Ekstreme observationer Transformationer Sammenligning af to regressionslinier

Læs mere

MLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som

MLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som MLR antagelserne Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som y = β 0 + β 1 x 1 + β 2 x 2 + + β k x k + u, hvor β 0, β 1, β 2,...,β k er ukendte parametere,

Læs mere

Supplement til kapitel 7: Approksimationen til normalfordelingen, s. 136

Supplement til kapitel 7: Approksimationen til normalfordelingen, s. 136 Supplement til kapitel 7: Approksimationen til normalfordelingen, s. 36 Det er besværligt at regne med binomialfordelingen, og man vælger derfor ofte at bruge en approksimation med normalfordeling. Man

Læs mere

Landmålingens fejlteori - Lektion 5 - Fejlforplantning

Landmålingens fejlteori - Lektion 5 - Fejlforplantning Landmålingens fejlteori Lektion 5 Fejlforplantning - kkb@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/30 Fejlforplantning Landmåling involverer ofte bestemmelse af størrelser som ikke

Læs mere

Repetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable

Repetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable Normal fordelingen Normal fordelingen Egenskaber ved normalfordelingen Standard normal fordelingen Find sandsynligheder ud fra tabel Transformation af normal fordelte variable Invers transformation Repetition

Læs mere

GEOMETRI-TØ, UGE 3. og resultatet følger fra [P] Proposition 2.3.1, der siger, at

GEOMETRI-TØ, UGE 3. og resultatet følger fra [P] Proposition 2.3.1, der siger, at GEOMETRI-TØ, UGE 3 Hvis I falder over tryk- eller regne-fejl i nedenstående, må I meget gerne sende rettelser til fuglede@imf.au.dk. Opvarmningsopgave 1. Lad γ : (α, β) R 2 være en regulær kurve i planen.

Læs mere

Eksamen 2014/2015 Mål- og integralteori

Eksamen 2014/2015 Mål- og integralteori Eksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål Ved bedømmelsen indgår de spørgsmål med samme vægt

Læs mere

DESIGNMAT FORÅR 2012: UGESEDDEL Forberedelse Læs alle opgaverne fra tidligere ugesedler, og læg særlig mærke til dem du har spørgsmål til.

DESIGNMAT FORÅR 2012: UGESEDDEL Forberedelse Læs alle opgaverne fra tidligere ugesedler, og læg særlig mærke til dem du har spørgsmål til. DESIGNMAT FORÅR 2012: UGESEDDEL 13 INSTITUT FOR MATEMATIK 1. Forberedelse Læs alle opgaverne fra tidligere ugesedler, og læg særlig mærke til dem du har spørgsmål til. 2. Aktiviteter mandag 13 17 2.1.

Læs mere

Sandsynlighedsregning Oversigt over begreber og fordelinger

Sandsynlighedsregning Oversigt over begreber og fordelinger Tue Tjur Marts 2007 Sandsynlighedsregning Oversigt over begreber og fordelinger Stat. MØK 2. år Kapitel : Sandsynlighedsfordelinger og stokastiske variable En sandsynlighedsfunktion på en mængde E (udfaldsrummet)

Læs mere

Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen

Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen Repetition Lov om total sandsynlighed Bayes sætning P( B A) = P(A) = P(AI B) + P(AI P( A B) P( B) P( A B) P( B) +

Læs mere

Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede

Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede fordelinger (kap. 4) Middelværdi og varians (kap. 3-4) Fordelingsresultater

Læs mere

Motivation. Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser

Motivation. Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser Motivation Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser Rasmus Waagepetersen October 26, 2018 Eksempel: En landmåler får til opgave at måle længden λ fra A til B. Entreprenøren

Læs mere

Løsning til prøveeksamen 1

Løsning til prøveeksamen 1 IMM - DTU 020 Probability 2006-2-8 BFN/bfn Løsning til prøveeksamen Spørgsmål ) For en indikatorvariabel I A for hændelsen A gælder E(I A ) = P(A) (se for eksemepl side 68). Således er E(X) = P(N ) = =

Læs mere

Besvarelser til Calculus Ordinær Eksamen Juni 2018

Besvarelser til Calculus Ordinær Eksamen Juni 2018 Besvarelser til Calculus Ordinær Eksamen - 5. Juni 08 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan. Dette dokument har udelukkende

Læs mere

Besvarelser til Calculus Ordinær Eksamen Juni 2017

Besvarelser til Calculus Ordinær Eksamen Juni 2017 Besvarelser til Calculus Ordinær Eksamen - 12. Juni 2017 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan. Dette dokument har udelukkende

Læs mere

Et eksempel på en todimensional normalfordeling Anders Milhøj September 2006

Et eksempel på en todimensional normalfordeling Anders Milhøj September 2006 Et eksempel på en todimensional normalfordeling Anders Milhøj September 006 I dette notat gennemgås et eksempel, der illustrerer den todimensionale normalfordelings egenskaber. Notatet lægger sig op af

Læs mere

Kvantitative Metoder 1 - Efterår Dagens program

Kvantitative Metoder 1 - Efterår Dagens program Dagens program Approksimation af binomialsandsynligheder, Afsnit 4.5 Multinomial fordeling, Afsnit 4.8 Negativ binomialfordeling, Afsnit 4.4 Poisson fordeling og Poisson process, Afsnit 4.6 Kontinuerte

Læs mere

EKSAMENSOPGAVELØSNINGER CALCULUS 2 (2005) JANUAR 2006 AARHUS UNIVERSITET.. Beregn den retningsafledede D u f(0, 0).

EKSAMENSOPGAVELØSNINGER CALCULUS 2 (2005) JANUAR 2006 AARHUS UNIVERSITET.. Beregn den retningsafledede D u f(0, 0). EKSAMENSOPGAVELØSNINGER CALCULUS 2 (2005) JANUAR 2006 AARHUS UNIVERSITET H.A. NIELSEN & H.A. SALOMONSEN Opgave. Lad f betegne funktionen f(x, y) = x cos(y) + y sin(x). ) Angiv gradienten f. 2) Lad u betegne

Læs mere

DesignMat Uge 1 Gensyn med forårets stof

DesignMat Uge 1 Gensyn med forårets stof DesignMat Uge 1 Gensyn med forårets stof Preben Alsholm Efterår 2010 1 Hovedpunkter fra forårets pensum 11 Taylorpolynomium Taylorpolynomium Det n te Taylorpolynomium for f med udviklingspunkt x 0 : P

Læs mere

Løsning til eksamen 16/

Løsning til eksamen 16/ 1 IMM - DTU 245 Probability 24-5-11 BFN/bfn Løsning til eksamen 16/12 23 Spørgsmål 1) 2 44% Man benytter formlen for skalering og positionsskift i forbindelse med varians og standardafvigelse, samt formlen

Læs mere

Normalfordelingen og Stikprøvefordelinger

Normalfordelingen og Stikprøvefordelinger Normalfordelingen og Stikprøvefordelinger Normalfordelingen Standard Normal Fordelingen Sandsynligheder for Normalfordelingen Transformation af Normalfordelte Stok.Var. Stikprøver og Stikprøvefordelinger

Læs mere

Note om Monte Carlo metoden

Note om Monte Carlo metoden Note om Monte Carlo metoden Kasper K. Berthelsen Version 1.2 25. marts 2014 1 Introduktion Betegnelsen Monte Carlo dækker over en lang række metoder. Fælles for disse metoder er, at de anvendes til at

Læs mere

Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfn@dtu.dk Dagens emner: Afsnit 4.2, 4.3 og 4.4 Poissonprocessen/eksponentialfordelingen

Læs mere

StatDataN: Plot af data

StatDataN: Plot af data StatDataN: Plot af data JLJ StatDataN: Plot af data p. 1/39 Repetition binomial(n,p): P(X = k) = ( n) k p k (1 p) n k n uafhængige kast med en mønt, X= antal krone X binomial(n, p), Y binomial(m, p), uafhængige

Læs mere

Den homogene ligning. Vi betragter den n te ordens, homogene, lineære differentialligning. d n y dt n. an 1 + any = 0 (1.2) dt. + a1 d n 1 y dt n 1

Den homogene ligning. Vi betragter den n te ordens, homogene, lineære differentialligning. d n y dt n. an 1 + any = 0 (1.2) dt. + a1 d n 1 y dt n 1 1/7 Den homogene ligning Vi betragter den n te ordens, homogene, lineære differentialligning a 0 d n y dt n + a1 d n 1 y dt n 1 hvor a 0,..., a n R og a 0 0. Vi skriver ligningen på kort form som + + dy

Læs mere

Matematisk modellering og numeriske metoder

Matematisk modellering og numeriske metoder Matematisk modellering og numeriske metoder Morten Grud Rasmussen 5. september 2016 1 Ordinære differentialligninger ODE er 1.1 ODE er helt grundlæggende Definition 1.1 (Ordinære differentialligninger).

Læs mere

Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: bfn@dtu.dk Dagens emner afsnit 4.5 og 4.6 (Kumulerede) fordelingsfunktion

Læs mere

Besvarelser til Calculus Ordinær Eksamen - 3. Januar 2017

Besvarelser til Calculus Ordinær Eksamen - 3. Januar 2017 Besvarelser til Calculus Ordinær Eksamen - 3. Januar 17 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan. Dette dokument har udelukkende

Læs mere

Kvantitative Metoder 1 - Forår Dagens program

Kvantitative Metoder 1 - Forår Dagens program Dagens program Kontinuerte fordelinger Simultane fordelinger Kovarians og korrelation Uafhængighed Betingede fordelinger - Middelværdi og varians - Sammenhæng med uafhængighed 1 Figur 1: En tæthedsfunktion

Læs mere

Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 4.5 og 4.6 (Kumulerede)

Læs mere

Løsninger til eksamensopgaver på A-niveau 2017

Løsninger til eksamensopgaver på A-niveau 2017 Løsninger til eksamensopgaver på A-niveau 017 18. maj 017: Delprøven UDEN hjælpemidler Opgave 1: Alle funktionerne f, g og h er lineære funktioner (og ingen er mere lineære end andre) og kan skrives på

Læs mere

I dag. Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik (SaSt) Eksempel: kobbertråd

I dag. Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik (SaSt) Eksempel: kobbertråd I dag Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik SaSt) Helle Sørensen Først lidt om de sidste uger af SaSt. Derefter statistisk analyse af en enkelt

Læs mere

Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 4.5 og 4.6 (Kumulerede)

Læs mere

Det Teknisk-Naturvidenskabelige Basisår Computerstøttet Beregning Naturvidenskab - Datalogi/Software/Matematik E-OPG 3

Det Teknisk-Naturvidenskabelige Basisår Computerstøttet Beregning Naturvidenskab - Datalogi/Software/Matematik E-OPG 3 Det Teknisk-Naturvidenskabelige Basisår 2003-2004 Computerstøttet Beregning Naturvidenskab - Datalogi/Software/Matematik 1 Introduktion E-OPG 3 Dette er den tredje store opgave, som skal danne grundlag

Læs mere

Om hypoteseprøvning (1)

Om hypoteseprøvning (1) E6 efterår 1999 Notat 16 Jørgen Larsen 11. november 1999 Om hypoteseprøvning 1) Det grundlæggende problem kan generelt formuleres sådan: Man har en statistisk model parametriseret med en parameter θ Ω;

Læs mere

Besvarelser til Calculus Ordinær Eksamen - 5. Januar 2018

Besvarelser til Calculus Ordinær Eksamen - 5. Januar 2018 Besvarelser til Calculus Ordinær Eksamen - 5. Januar 18 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan. Dette dokument har udelukkende

Læs mere

Eksamen i Calculus. 14. juni f (x, y, z) = 1 + x 2 + y 2. x 2 + y 2 1 Hele rummet uden z aksen

Eksamen i Calculus. 14. juni f (x, y, z) = 1 + x 2 + y 2. x 2 + y 2 1 Hele rummet uden z aksen Eksamen i Calculus Første Studieår ved Det Tekniske Fakultet for IT og Design, Det Sundhedsvidenskabelige Fakultet samt Det Ingeniør- og Naturvidenskabelige Fakultet 14. juni 019 Opgave 1 (6 point) En

Læs mere

INSTITUT FOR MATEMATIK OG DATALOGI. TIDLIGERE EKSAMENSOPGAVER MM501 Calculus I, MM502 Calculus II Januar 2006 juni 2010

INSTITUT FOR MATEMATIK OG DATALOGI. TIDLIGERE EKSAMENSOPGAVER MM501 Calculus I, MM502 Calculus II Januar 2006 juni 2010 INSTITUT FOR MATEMATIK OG DATALOGI TIDLIGERE EKSAMENSOPGAVER MM501 Calculus I, MM502 Calculus II Januar 2006 juni 2010 Forord Denne opgavesamling indeholder samtlige eksamensopgaver, der har været stillet

Læs mere