Stokastiske processer og køteori
|
|
- Morten Jepsen
- 8 år siden
- Visninger:
Transkript
1 Stokastiske processer og køteori 8. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1
2 HVAD ER KØNETVÆRK? Åbent kønetværk Lukket kønetværk HVAD ER KØNETVÆRK? 2
3 Vi skal kun se på åbne kønetværk (ankomst fra eksterne kilder, hver kunde forlader systemet med sandsynlighed 1). Ideelt vil vi gerne, at hvert delsystem ligner de køsystemer, vi véd, hvordan vi analyserer (M/M-systemer, M/GI-systemer). Interessante spørgsmål: 1. Hvordan ser ankomst/afgangsprocesser i delsystemer ud? 2. Hvilken indflydelse har det på beregninger, at delsystemer generelt afhænger af hinanden? 3. Hvordan beregnes performancestørrelser for (del)system? HVAD ER KØNETVÆRK? 3
4 POISSON AFGANGSPROCES HVORNÅR? Antag ankomstproces til et køsystem med intensitet a. Vi har Poisson afgangsproces m. intensitet a i køsystemerne M/M(m, ) med trafiktilbud A, hvis A/m < 1 (ligevægt) (Burke s sætning, del 1). M/GI(, 0)-køsystemet (uendeligt mange ekspedienter). Intuition: når systemet er i ligevægt er flow ind = flow ud. Ankomst- og afgangsprocessen må altså se ens ud. Burke s sætning, del 2: I M/M(m, ) gælder også, at antal kunder til t, N(t), er uafhængig af afgangsprocessen før tid t. Vi kan altså ikke bruge observationer af afgangsprocessen nu til at sige noget om antallet af kunder i systemet nu. POISSON AFGANGSPROCES HVORNÅR? 4
5 EKSEMPEL: SIMPEL TANDEMKØ Poisson M/M(1, ) Poisson M/M(1, ) Poisson Hvert delsystem kan analyseres separat som M/M(1, ). Lad N i (t) = antal kunder i delsystem i til tid t. Eftersom N 2 (t) kun afhænger af ankomstproces før tid t, som er uafhængig af N 1 (t) iflg. Burke s sætning, er N 1 (t) faktisk uafhængig af N 2 (t) (gælder generelt i Jacksonnetværk). EKSEMPEL: SIMPEL TANDEMKØ 5
6 FRA AFGANGSPROCES TIL ANKOMSTPROCES Ankomstprocesser til delsystemer er typisk Sammensat af flere afgangsproc./eksterne ankomstproc. En procentdel af en afgangsproc./eksterne ankomstproc. Begge dele. Reminder fra 2. forelæsning: Sum. Hvis N i uafhængige Poissonprocesser med int. a i, i = 1, 2, så er N 1 + N 2 en Poissonproces med intensitet a 1 + a 2. Udtynding. Lad N være en Poissonproces med intensitet a. Hvis Ñ er tælleprocessen, som fremkommer ved uafhængigt at inkludere den nte ankomst i N med sandsynlighed p, så er Ñ en Poissonproces med intensitet ap. FRA AFGANGSPROCES TIL ANKOMSTPROCES 6
7 Flere uafhængige Poissonkilder: Poisson (a 1 ) Poisson (a 2 ) Poisson (a k ). Poisson (a 1 +a 2 + +a k ) Sumproces har intensitet givet ved sum af afgangsintensiteter. Tilfældig allokering: Poisson (a) p 1 p 2 p k. Poisson (ap 1 ) Poisson (ap 2 ) Poisson (ap k ) Sandsynlighed p j for delproces j giver denne intensitet ap j. FRA AFGANGSPROCES TIL ANKOMSTPROCES 7
8 ERLANG ANKOMSTPROCESSER Cyklisk allokering: Poisson (a). Erlang (k, a/k) Erlang (k, a/k) Erlang (k, a/k) Delproces j får præcis hver jte ankomst. Dermed fås en Erlangproces af orden k m. intensitet a/k. Vanskeligt at benytte dette til eksakte beregninger pånær i meget simple kønetværk, fx simpel tandemkø. ERLANG ANKOMSTPROCESSER 8
9 EKSAKTE BEREGNINGER OPSUMMERING Vi kan regne eksakt på åbne kønetværk, hvor Eksterne ankomstprocesser er Poisson. Delsystemer med m servere, uafhængige eksp. fordelte ekspeditionstider og uendeligt mange ventepladser. Tilfældig kundeallokering mellem delsystemer. (Der ingen løkker er, dvs. hver kunde besøger hvert delsystem højest én gang). Fremgangsmåde: 1. Bestem ankomstintensitet for hvert delsystem vha. regnereglerne på slide Regn på hvert delsystem som på M/M(m, ). 3. Sammensæt evt. performancestørrelser fra delsystemer. EKSAKTE BEREGNINGER OPSUMMERING 9
10 EKSEMPEL: KØNETVÆRK UDEN LØKKER a = 2/time Antag at hvert delsystem er et M/M(1, )-system. Ekspeditionsintensiteter b 1 = 3, b 2 = 2.5, b 3 = 0.5, b 4 = 3. Dvs. delsystemer med ankomst/ekspeditionsintensiteter 1 : a = 2, b = 3, 3 : a = = 0.2, b = : a = = 1.8, b = : a = 2, b = 4. EKSEMPEL: KØNETVÆRK UDEN LØKKER 10
11 Hvad er den gennemsnitlige produktionstid (i ligevægt)? Gnsnt. antal kunder n i i delsystem i (i ligevægt); vi véd at n i = A i 1 A i, hvor A i trafiktilbud i delsystem i. Dvs. 1 : n 1 = 2/3 1 2/3 = 2, 2 : n 2 = 1.8/ /2.5 = : n 3 = 0.2/ /0.5 = : n 4 = 2/4 1 2/4 = 1. Dvs. samlet gnsnt. produktionstid (vha. Little s formel) V = 1 a (n 1 + n 2 + n 3 + n 4 ) = 3.79 EKSEMPEL: KØNETVÆRK UDEN LØKKER 11
12 KØNETVÆRK MED LØKKER (FEEDBACK) Eksempel på kønetværk med løkke/feedback. 2 a 1 1 p Antag at delsystemer kan modelleres som G/M(m, )-systemer og at ekstern ankomstproces er Poisson. Bemærk at intern ankomstproces (dvs. når feedback medregnes) ikke er en Poissonproces! Kan systemerne stadig analyseres som separate M/M(1, )-køsystemer? Ja ifølge Jackson s sætning. p KØNETVÆRK MED LØKKER (FEEDBACK) 12
13 JACKSONNETVÆRK Et Jacksonnetværk er et åbent kønetværk af G/M(m, )-køer, hvor eksterne ankomstprocesser er uafhængige Poisson, og kunder fra et køsystem allokeres tilfældigt til næste køsystem indtil kunden forlader køsystemet. Jackson s sætning: Et Jacksonnetværk kan analyseres ved at 1. Bestemme ankomstintensiteter a i til hvert delsystem ved at udnytte, at flow ind = flow ud for hvert delsystem i ligevægt. 2. Behandle hvert delsystem som om det var et M/M(m, )-system med ankomsintensitet a i uafhængigt af de øvrige delsystemer. 3. Evt. kombinere performancestørrelser på tværs af delsystemer. JACKSONNETVÆRK 13
14 EKSEMPEL: BEREGNINGER I JACKSONNETVÆRK Præcis samme teknik, som I brugte til 2. opgaveregning. λ 1 =9/time λ 2 =1/time 1 : a 1 = a + 0.2a 4 4 : a 4 = a 3 + a 2 2 : a 2 = 0.5a 1 5 a 5 = 0.8a 4 + λ 2 = λ 1 + λ 2. 3 : a 3 = 0.5a 1 a 1 = a 2 = 5.63 a 3 = 5.63 a 4 = a 5 = 10 EKSEMPEL: BEREGNINGER I JACKSONNETVÆRK 14
15 Antag at eksempelnetværk er et Jacksonnetværk med M/M(1, )-delsystemer og ekspeditionsintensiteter b 1 = = b 5 = 12/time Gnsnt. antal kunder n i i delsystem i (i ligevægt); vi véd at N i = A i 1 A i, hvor A i trafiktilbud i delsystem i. Dvs. 1 : n 1 = 11.25/ /12 = 15, 3 : n 3 = 5.63/ /12 = : n 2 = 5.63/ /12 = : n 4 = 11.25/ /12 = 15 5 : n 5 = 10/ /12 = 5. Dvs. samlet gnsnt. produktionstid (vha. Little s formel) V = 1 λ 1 + λ 2 (n 1 + n 2 + n 3 + n 4 ) = 3.7 EKSEMPEL: BEREGNINGER I JACKSONNETVÆRK 15
16 KARAKTERISTISKE STØRRELSER I JACKSONNETVÆRK Poisson eksterne ankomstprocesser med intensiteter λ 1,...,λ l. Sæt λ = λ λ l (samlet throughput). Antag k delsystemer med ankomstintensiteter a i ; gennemsnitlige ekspeditionstider b i ; m i ekspedienter; N i (t) kunder til tid t. Ekspedientbelastning ved delsystem i; med trafiktilbud A i = a i /b i ρ i = A i m i, (skal være mindre end 1 for ligevægt!). Gennemsnitligt antal besøg til delsystem i: v i = a i /λ. Gennemsnitligt antal kunder i system: L = k i=1 EN i. Gennemsnitlig opholdstid i system: V = 1 λ k i=1 EN i. KARAKTERISTISKE STØRRELSER I JACKSONNETVÆRK 16
17 REKAPITULATION: DIMENSIONERING OG ANALYSE Vi kan regne eksakt på åbne kønetværk m. M/M(m, ) delsystemer og tilfældig allokering til delsystemer. Velegnet til initiel dimensionering og analyse. Bemærk: Analysen forudsætter eksponentialfordelte ventetider. Ofte er ventetidernes varians mindre end eksponentialfordelingens. Det betyder, at analysen giver konservative performancemål. Eksempelvis vil den faktiske gennemsnitlige ventetid være mindre end analysens resultat, jf. PK-formlen V q = b A ( 1 VarS ). 1 A (ES) 2 REKAPITULATION: DIMENSIONERING OG ANALYSE 17
18 KORT OM M/GI(, 0)-DELSYSTEMER Vi kan også kan regne eksakt på åbne kønetværk med M/GI(, 0)-delsystemer; uden løkker(!!!). Mindre interessante i dimensioneringssammenhæng pga. uendeligt mange ekspedienter per delsystem dvs. kunder bliver altid straksekspederet. For antal kunder i delsystem i gælder N i Poisson(A i ). Heraf eksempelvis antal kunder i delsystem i EN i = A i Dvs. gennemsnitligt antal kunder EN EN k ; gennemsnitligt produktionstid: V = λ 1 (A A k ). KORT OM M/GI(, 0)-DELSYSTEMER 18
Hvad er kønetværk? AGR/PSE (I17) VS7-8. minimodul 1 / 17
Hvad er kønetværk? AGR/PSE (I17) VS7-8. minimodul 1 / 17 Hvad er kønetværk? Vi skal kun se på åbne kønetværk (ankomst fra eksterne kilder, hver kunde forlader systemet med sandsynlighed 1). Ideelt vil
Læs mereStokastiske processer og køteori
Stokastiske processer og køteori 7. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1 OVERBLIK Sidste gang: M/M/(m, n m)-køsystemet: ligevægtsfordeling; performancestørrelser;
Læs mereStokastiske processer og køteori
Stokastiske processer og køteori 6. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1 KØSYSTEMER NOTATION Notation for parallelforbundne ekspeditionssystemer X/Y(m, q).
Læs mereStokastiske processer og køteori
Stokastiske processer og køteori 5. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1 DAGENS EMNER Kvalitative egenskaber og karakteristiske størrelser i generelle køsystemer.
Læs mereNotation for parallelforbundne ekspeditionssystemer
Køsystemer notation Notation for parallelforbundne ekspeditionssystemer X /Y (m, q). Ankomstproces X og ekspeditionstidsproces Y kan antage værdier: M: Uafhængige og eksponentialfordelte ventetider. Dvs.
Læs mereVi har beskæftiget os indgående med ankomst- og servicetidsprocesser. Disse karakteriserer input til et køsystem. Andre karakteriserende størrelser?
Dagens emner Kvalitative egenskaber og karakteristiske størrelser i generelle køsystemer. Little s formel. Repetition af hopdiagrammer og Markovprocesser. Fødsels- og dødskøsystemer. AGR/PSE (I17) VS7-5.
Læs mereStokastiske processer og køteori
Stokastiske processer og køteori 2. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1 STOKASTISK MODEL FOR KØSYSTEM Population Ankomst Kø Ekspedition Output Ankomstproces
Læs mereStokastiske processer og køteori
Stokastiske processer og køteori 9. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1 OPSAMLING EKSAKTE MODELLER Fordele: Praktiske til initierende analyser/dimensionering
Læs mereMatematisk model for køsystem
Matematisk model for køsystem Ankomstproces T 1, T 2,... (ankomsttid per kunde). Kødisciplin (rækkefølge for service). Ekspeditionstidsproces S 1, S 2,... (servicetid per kunde). Dagens emne: ankomstprocesser.
Læs mereKræver generelt at diverse ventetider er eksponentialfordelte. Faste rammer for serverdiscipliner mv. Svært at modellere ikke-standard køsystemer.
Opsamling eksakte modeller Fordele Praktiske til initierende analyser/dimensionering Ofte nemme at regne på. Kan bruges til at løse optimeringsopgaver, som ellers ville kræve snedige simulationsdesigns.
Læs mereModeller for ankomstprocesser
Modeller for ankomstprocesser Eric Bentzen Institut for Produktion og Erhvervsøkonomi Handelshøjskolen i København November 2007 1 . Afsnit Indhold Side 1 Indledning 3 2 Ankomstprocessen 3 3 Servicesystemet
Læs mereStokastiske processer og køteori
Info Stokastiske processer og køteori 1. kursusgang Jesper Møller Institut for Matematiske Fag Aalborg Universitet http://www.math.aau.dk/ jm JM (I17) VS7-1. minimodul 1 / 40 Info Praktisk information
Læs mereKursusindhold: 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 February 9, 2015 Sandsynlighedsregning og lagerstyring Normalfordelingen
Læs mereStokastiske processer og køteori
Stokastiske processer og køteori 1. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1 PRAKTISK INFORMATION Hjemmeside: http://www.math.aau.dk/~gorst/vs7 Litteratur: 1.
Læs mereKursusindhold: 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 mereKursusindhold: 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 mereLidt supplerende køteori (ikke pensum)
H.Keiding: Operationsanalyse MØK 205II Note om køteori, side. Lidt mere om M/M/ Lidt supplerende køteori (ikke pensum).. Rate-equality. I den første note endte vi de generelle betragtninger med en hurtig
Læs mere1 Palm teori. Palm teori 1
Palm teori 1 1 Palm teori Lad X = {X(t)} t 0 være en stokastisk proces defineret på et måleligt rum (Ω, F), og lad T = {T n } n N0 være en voksende følge af ikke-negative stokastiske variable herpå. Vi
Læs mereProdukt og marked - matematiske og statistiske metoder
Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 11, 2016 1/22 Kursusindhold: Sandsynlighedsregning og lagerstyring
Læs mereEn oversigt over udvalgte kontinuerte sandsynlighedsfordelinger
Institut for Økonomi Aarhus Universitet Statistik 1, Forår 2001 Allan Würtz 4. April, 2001 En oversigt over udvalgte kontinuerte sandsynlighedsfordelinger Uniform fordeling Benyttes som model for situationer,
Læs mereLandmålingens fejlteori - Repetition - Fordeling af slutfejl - Lektion 8
Landmålingens fejlteori Repetition - Fordeling af slutfejl Lektion 8 - tvede@math.aau.dk http://www.math.aau.dk/ tvede/teaching/l4 Institut for Matematiske Fag Aalborg Universitet 15. maj 2008 1/13 Fordeling
Læs mereVægte motiverende eksempel. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægtet model. Vægtrelationen
Vægte motiverende eksempel Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - kkb@mathaaudk Institut for Matematiske Fag Aalborg Universitet Højdeforskellen mellem punkterne P
Læs mereLandmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl
Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf13 Institut for Matematiske Fag Aalborg Universitet 1/1 Vægtet
Læs mereTeoretisk Statistik, 13 april, 2005
Poissonprocessen Teoretisk Statistik, 13 april, 2005 Setup og antagelser Fordelingen af X(t) og et eksempel Ventetider i poissonprocessen Fordeling af ventetiden T 1 til første ankomst Fortolkning af λ
Læs mereProgram. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning Sandsynlighedstætheder og kontinuerte fordelinger på R Varians og middelværdi Normalfordelingen Susanne Ditlevsen Uge 48, tirsdag Tætheder og fordelingsfunktioner
Læs mereLandmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl
Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/36 Estimation af varians/spredning Antag X 1,...,X n stokastiske
Læs mereKursusindhold: 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 mereSandsynlighedsregning 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 mereStokastiske processer og køteori
Stokastiske processer og køteori 3. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1 SIDSTE GANG Ankomstproces T 1, T 2,... (ankomsttid per kunde) til køsystem. Modellér
Læs mereKvantitative 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 mereProdukt 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 mereOversigt. Kursus 02402 Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Eksponential fordelingen
Kursus 02402 Introduktion til Statistik Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik Bygning 305/324 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
Læs mereAntag 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 mereSandsynlighedsregning 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 mereOversigt. Kursus Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger
Kursus 02402 Introduktion til Statistik Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Rune Haubo B Christensen (based on slides by Per Bruun Brockhoff) DTU Compute, Statistik og Dataanalyse Bygning
Læs mereLøsning 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 mereSkriftlig Eksamen ST501: Science Statistik Mandag den 11. juni 2007 kl. 15.00 18.00
Skriftlig Eksamen ST501: Science Statistik Mandag den 11. juni 2007 kl. 15.00 18.00 Forskningsenheden for Statistik IMADA Syddansk Universitet Alle skriftlige hjælpemidler samt brug af lommeregner er tilladt.
Læs mereBetingning med en uafhængig variabel
Betingning med en uafhængig variabel Sætning Hvis X er en reel stokastisk variabel med første moment og Y er en stokastisk variabel uafhængig af X, så er E(X Y ) = EX. Bevis: Observer at D σ(y ) har formen
Læs mereProgram. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag I formiddag: Tætheder og fordelingsfunktioner kort resume fra i mandags og et par eksempler mere om sammenhængen
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag SaSt2 (Uge 6, onsdag) Middelværdi og varians 1 / 18 Program I formiddag: Tætheder og fordelingsfunktioner kort resume
Læs mereFortolkning. Foldning af sandsynlighedsmål. Foldning af tætheder. Foldning af Γ-fordelinger Eksempel: Hvis X og Y er uafhængige og. Sætning (EH 20.
Foldning af sandsnlighedsmål Lad µ og ν være to sandsnlighedsmål på (R, B). Fortolkning Lad φ : R R være φ(, ) = + for (, ) R. Lad X og Y være to reelle stokastiske variable defineret på (Ω, F, P). Definition
Læs mereEksamen 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 mereFornyelsesteori med anvendelser: Punktprøve
Fornyelsesteori med anvendelser: Punktprøve May 9, 2003 For at få kredit for kurset Fornyelsesteori med anvendelser kræves at afleveringsopgave 1 og 2 samt nedenstående punktprøve besvares tilfredsstillende.
Læs mereUdvikling af operations karakteristika/performance mål for køsystemer
Chapter 2: Genstandsområde: Køteori Analyse af køsystemer Formål: Udvikling af operations karakteristika/performance mål for køsystemer > ssh for 0 enheder i system > gns # enheder i køen > gns # enheder
Læs mereHvad skal vi lave i dag?
p. 1/2 Hvad skal vi lave i dag? Eksempler på stokastiske variable. Ventetid på krone ved møntkast. Antal plat ved n kast. Antal radioaktive henfald. Ventetiden på en flyulykke. Udtrækning af tal i et interval.
Læs mereOversigt. Kursus Introduktion til Statistik. Forelæsning 2: Kapitel 4, Diskrete fordelinger. Per Bruun Brockhoff. Stokastiske Variable
Kursus 02402 Introduktion til Statistik Forelæsning 2: Kapitel 4, Diskrete fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereTeoretisk 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 mereForelæsning 2: Kapitel 4, Diskrete fordelinger
Kursus 02402 Introduktion til Statistik Forelæsning 2: Kapitel 4, Diskrete fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereKiosk-modellen (News vendor s model) og EOQ modellen
Kiosk-modellen (News vendor s model) og EOQ modellen Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet September 17, 2014 1/15 Stokastiske modeller i økonomi Fundamentale modeller i
Læs mere1/41. 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 mereenote 2: Kontinuerte fordelinger Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher enote 2: Continuous Distributions
Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 33B, Rum 9 Danmarks Tekniske Universitet 28 Lyngby Danmark e-mail: pbac@dtu.dk Efterår
Læs mereInstitut 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 mereBilledbehandling og mønstergenkendelse: Lidt elementær statistik (version 1)
; C ED 6 > Billedbehandling og mønstergenkendelse Lidt elementær statistik (version 1) Klaus Hansen 24 september 2003 1 Elementære empiriske mål Hvis vi har observationer kan vi udregne gennemsnit og varians
Læs mereTØ-opgaver til uge 45
TØ-opgaver til uge 45 Først laver vi en liste over de ligninger med mere i [IPT], der skal bruges: [1]: Ligning (2.5) på side 4. [2]: Ligning (2.6) på side 5. [3]: Sætning 3.1, ligning (3.3) på side 7.
Læs mereStatistik vejledende læreplan og læringsmål, efteråret 2013 SmartLearning
Side 1 af 6 Statistik vejledende læreplan og læringsmål, efteråret 2013 SmartLearning Litteratur: Kenneth Hansen & Charlotte Koldsø: Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave,
Læs mereSandsynlighedsregning
Mogens Bladt www2.imm.dtu.dk/courses/02405 12. Oktober, 2007 Kontinuerte fordelinger Vi har hidtil set på fordelinger af stokastiske variable der højst kan antage tælleligt mange værdier (diskrete stokastiske
Læs meret a l e n t c a m p d k Matematik Intro Mads Friis, stud.scient 7. november 2015 Slide 1/25
Slide 1/25 Indhold 1 2 3 4 5 6 7 8 Slide 2/25 Om undervisningen Hvorfor er vi her? Slide 3/25 Om undervisningen Hvorfor er vi her? Hvad kommer der til at ske? 1) Teoretisk gennemgang ved tavlen. 2) Instruktion
Læs mereStatistik vejledende læreplan og læringsmål, foråret 2015 SmartLearning
Side 1 af 6 Statistik vejledende læreplan og læringsmål, foråret 2015 SmartLearning Litteratur: Kenneth Hansen & Charlotte Koldsø: Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave,
Læs mereStatistik Lektion 2. Betinget sandsynlighed Bayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV Binomialfordelingen
Statistik Lektion etinget sandsynlighed ayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV inomialfordelingen Repetition Udfaldsrum S Hændelse S Simpel hændelse O i 1, 3 4,
Læs mereHvorfor er normalfordelingen så normal?
Hvorfor er normalfordelingen så normal? Søren Højsgaard Institut for Matematiske Fag, Aalborg Universitet October 24, 2018 normalfordelingen så normal? October 24, 2018 1 / 13 Højde af kvinder Histogram
Læs mereKvantitative 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 mereUniversity of Copenhagen. Notat om statistisk inferens Larsen, Martin Vinæs. Publication date: Document Version Peer-review version
university of copenhagen University of Copenhagen Notat om statistisk inferens Larsen, Martin Vinæs Publication date: 2014 Document Version Peer-review version Citation for published version (APA): Larsen,
Læs mereVK#Galla#04/05# #2018#ankomster#
VK#Galla#04/05# #2018#ankomster# Tidspunkt# Par#og#Klasse# # 15.00.00# Karen&Holm&Jørgensen&(3.A)&&&Sara&Krarup&Møller&(3.E)&# 15.00.40# Christina&Skøtt&Juul&(3.E)&&&Trine&Nyborg&(3.E)&# 15.01.20# Julie&Munk&Vestergaard&(3.E)&&&Julie&Lund&Fisker&(3.E)&#
Læs mereIntroduktion 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 mereFagplan for statistik, efteråret 2015
Side 1 af 7 M Fagplan for statistik, efteråret 20 Litteratur Kenneth Hansen & Charlotte Koldsø (HK): Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave, ISBN 9788741256047 HypoStat
Læs mereSandsynlighedsregning og statistik
og statistik Jakob G. Rasmussen, Institut for Matematiske Fag jgr@math.aau.dk Litteratur: Walpole, Myers, Myers & Ye: Probability and Statistics for Engineers and Scientists, Prentice Hall, 8th ed. Slides
Læs merePraktiske ting og sager: Forelæsninger tirsdag og torsdag kl i Kirkesalen, Studiestræde 38 Øvelser
Uge 36 Velkommen tilbage Praktiske ting og sager: Forelæsninger tirsdag og torsdag kl. -2 i Kirkesalen, Studiestræde 38 Øvelser Hold -4 og 6: mandag og onsdag kl. 8-; start 3. september Hold 5: tirsdag
Læs mereSandsynlighedsregning 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 mereSandsynlighedsregning 4. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse
Læs mereKvantitative Metoder 1 - Forår 2007. Dagens program
Dagens program Approksimation af binomialsandsynligheder, Afsnit 4.5 Poisson fordeling og Poisson process, Afsnit 4.6 Kontinuerte fordelinger, Afsnit 5.1-5.2: - Fordelingsfunktion - Tæthedsfunktion - Eksempel:
Læs mereBinomialfordelingen. Binomialfordelingen. Binomialfordelingen
Statistik og Sandsynlighedsregning 1 MS kapitel 3 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Definition 3.2.1 Lad X 1, X 2,..., X n være uafhængige
Læs mereForelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)
Kursus 02402 Introduktion til Statistik Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske
Læs mereSandsynlighedsregning 4. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse
Læs mereSandsynlighedsregning 4. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse
Læs mereSkriftlig Eksamen ST501: Science Statistik Mandag den 11. juni 2007 kl. 15.00 18.00
Skriftlig Eksamen ST501: Science Statistik Mandag den 11. juni 2007 kl. 15.00 18.00 Forskningsenheden for Statistik IMADA Syddansk Universitet Alle skriftlige hjælpemidler samt brug af lommeregner er tilladt.
Læs mereLandmålingens fejlteori - Sandsynlighedsregning - Lektion 1
Landmålingens fejlteori Sandsynlighedsregning Lektion 1 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf10 Institut for Matematiske Fag Aalborg Universitet 23. april 2009 1/28 Landmålingens
Læs mereOversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 3: Kontinuerte fordelinger. Per Bruun Brockhoff
Course 242/2323 Introducerende Statistik Forelæsning 3: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 22 Danmarks Tekniske Universitet 28 Lyngby Danmark
Læs mereKvantitative Metoder 1 - Efterår 2006. Dagens program
Dagens program Afsnit 2.4-2.5 Bayes sætning Uafhængige stokastiske variable - Simultane fordelinger - Marginale fordelinger - Betingede fordelinger Uafhængige hændelser - Indikatorvariable Afledte stokastiske
Læs merePrincipper for Samtidighed og Styresystemer
Principper for Samtidighed og Styresystemer kursusintroduktion og Introduktion til Styresystemer René Rydhof Hansen Februar 2008 PSS 08 (Forelsning 00) Kursus intro./intro. styresystemer Februar 2008 1
Læs merePlan. Markovkæder Matematisk modelling af kølængde, yatzy, smittespredning og partikelbevægelser. Materiale mm.
Institut for Matematiske Fag Plan Markovkæder Matematisk modelling af kølængde, yatzy, smittespredning og partikelbevægelser Helle Sørensen Eftermiddagen vil være bygget om 3 4 eksempler: A. B. Random
Læs mereLandmålingens 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 mereINSTITUT 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 mereStatistik for ankomstprocesser
Statistik for ankomstprocesser Anders Gorst-Rasmussen 20. september 2006 Resumé Denne note er en kortfattet gennemgang af grundlæggende statistiske værktøjer, man kunne tænke sig brugt til at vurdere rimeligheden
Læs mereProgram. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18
Program 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18 Fordeling af X Stikprøve X 1,X 2,...,X n stokastisk X stokastisk. Ex (normalfordelt stikprøve)
Læs mereStatistik Lektion 1. Introduktion Grundlæggende statistiske begreber Deskriptiv statistik
Statistik Lektion 1 Introduktion Grundlæggende statistiske begreber Deskriptiv statistik Introduktion Kursusholder: Kasper K. Berthelsen Opbygning: Kurset består af 5 blokke En blok består af: To normale
Læs mereRepetition. 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 mereGruppeteori. Michael Knudsen. 8. marts For at motivere indførelsen af gruppebegrebet begynder vi med et eksempel.
Gruppeteori Michael Knudsen 8. marts 2005 1 Motivation For at motivere indførelsen af gruppebegrebet begynder vi med et eksempel. Eksempel 1.1. Lad Z betegne mængden af de hele tal, Z = {..., 2, 1, 0,
Læs mereAlgoritmer og Datastrukturer 1. Gerth Stølting Brodal Aarhus Universitet
Algoritmer og Datastrukturer 1 Gerth Stølting Brodal Aarhus Universitet Kursusbeskrivelsen Kursusbeskrivelsen: Algoritmer og datastrukturer 1 Formål Deltagerne vil efter kurset have indsigt i algoritmer
Læs mereElementær 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 mereEksempler Determinanten af en kvadratisk matrix. Calculus Uge
Oversigt [LA] 8 Her skal du lære om 1. Helt simple determinanter 2. En udvidelse der vil noget 3. Effektive regneregler 4. Genkend determinant nul 5. Produktreglen 6. Inversreglen 7. Potensreglen 8. Entydig
Læs mereLandmålingens fejlteori - Lektion 3. Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering
Landmålingens fejlteori Lektion 3 Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition: Middelværdi og
Læs mereNoget om en symmetrisk random walks tilbagevenden til udgangspunktet
Random Walk-kursus 2014 Jørgen Larsen 14. oktober 2014 Noget om en symmetrisk random walks tilbagevenden til udgangspunktet Dette notat giver et bevis for at en symmetrisk random walk på Z eller Z 2 og
Læs meret a l e n t c a m p d k Matematik Intro Mads Friis, stud.scient 27. oktober 2014 Slide 1/25
Slide 1/25 Indhold 1 2 3 4 5 6 7 8 Slide 2/25 Om undervisningen Hvorfor er vi her? Hvad kommer der til at ske? 1) Teoretisk gennemgang ved tavlen. 2) Instruktion i eksempler. 3) Opgaveregning. 4) Opsamling.
Læs mereDefinition. 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 mere07-12-2015. Måleusikkerhed. FVM temadag, 1. oktober 2015, Hotel Koldingfjord
Måleusikkerhed FVM temadag, 1. oktober 2015, Hotel Koldingfjord 1 Baggrund Teknologisk Institut Selvejende, almennyttigt, non-profit GTS-institut 1000+ medarbejdere fordelt på MANGE forskellige områder
Læs mereGlobal temperatur politik eller videnskab?
? Global temperatur politik eller videnskab? Bjarne Andresen Niels Bohr Institutet, Københavns Universitet Universitetsparken 5, 00 København Ø, Danmark Forbehold Jeg er termodynamiker, ikke klimatolog.
Læs mereUndervisningsbeskrivelse
Undervisningsbeskrivelse Stamoplysninger til brug ved prøver til gymnasiale uddannelser Termin Maj-juni, 2015/16 Institution Vid Gymnasier Uddannelse Fag og niveau Lærer(e) Hold hhx Matematik B Hasse Rasmussen
Læs mereTØ-opgaver til uge 46
TØ-opgaver til uge 46 Først laver vi en liste over de ligninger med mere i [ITP], der skal bruges: [1]: Ligning (2.5) på side 4. [2]: Sætning 3.1, ligning (3.3) på side 7. [3]: Sætning 3.1, ligning (3.4)
Læs mereUndervisningsbeskrivelse
Undervisningsbeskrivelse Stamoplysninger til brug ved prøver til gymnasiale uddannelser Termin Juni, 2014 Institution Vid Gymnasier, Rønde Uddannelse Fag og niveau Lærer(e) Hold hhx Matematik B Ann Risvang
Læs mere