Modeller for ankomstprocesser
|
|
- Thomas Jakobsen
- 7 år siden
- Visninger:
Transkript
1 Modeller for ankomstprocesser Eric Bentzen Institut for Produktion og Erhvervsøkonomi Handelshøjskolen i København November
2 . Afsnit Indhold Side 1 Indledning 3 2 Ankomstprocessen 3 3 Servicesystemet 4 4 Eksempel: Københavns Lufthavn 5 5 Eksempel: Ankomst til biblioteksskranken 6 6 Eksempel: Ankomst til kasseterminal 7 7 Eksempel: Handelshøjskolens datanetværk 11 Anvendt litteratur 18 Appendix 21 2
3 1 Indledning Serviceydelser er en ydelser mange virksomheder, store som små, tilbyder deres kunder. Efterspørgslen efter en serviceydelse vil opstå mere eller mindre tilfældigt i løbet af en arbejdsdag, og set fra virksomhedens side vil den kunne kategoriseres efter kundernes ankomstmønster, ventetiden i køen, serviceopgaven og endelig hvornår man forlader køen. Den simple struktur i et køsystem kan betragtes som en proces hvor kunder udefra ankommer til en ydelse de efterspørger. Hvis ydelsen er optaget, må kunden vente indtil de kan blive serviceret. I det følgende vil vi se på strukturen: Ankomstproces ) køstruktur ) serviceproces 2 Ankomstprocessen Ankomstprocessen i de este køsystemer antages at være tilfældige og i en ikke-ordnet rækkefølge. Processen betegner derfor en tælleproces med en ankomstintensitet pr. tidsenhed. Generelt gælder det, at en tælleproces betegnes som en Poisson proces med intensitet, > 0, hvis Processen har uafhængige ankomster Antallet af hændelser i et interval af længden t er Poisson fordelt med middelværdi t Sandsynligheden for k ankomster i et tidsinterval t er: P(X=k)= (t)k e t k! Når ankomstprocessen er fastlagt vil der opstå forskellige problemstillinger vedr. køstrukturen: 1) Er der en eller ere køer 2) Hvis der er ere køer, hvordan vælger brugere kø (tilfældigt, korteste,...) og forbliver brugere i samme kø eller skifter de kø? Hvis de skifter kø hvorledes foregår skiftet (efter hvor lang tid, til hvilken anden kø,...) 3) Er der prioriterede køer 4) Er der kunder der forlader en kø for slet ikke at blive serviceret 5) Er der grænser for længden af en kø, og hvad sker med de brugere der ikke er i kø 3
4 3 Servicesystemet Ser vi på servicesystemet kunne man interessere sig for ventetiden i køen. Antag, at tidsintervallet mellem ankomster er uafhængige og identisk fordelte, og lad f(t) være lig tidsintervallet, t, mellem k successive ankomster. Lad 1= være lig den gennemsnitlige tid mellem ankomster, og lad være lig ankomstintensiteten pr. tidsenhed. Generelt gælder det, at ventetiden indtil k te hændelse optræder vil være Erlang fordelt: f(t) = 1 (k 1)! k t k 1 e t Som specialtilfælde er ventetiden indtil første hændelse optræder. Ventetiden for k = 1 vil være eksponentialfordelt: f(t) = te t Hvis vi lader = 120 ankomster pr. time, dvs. = 2 ankomster pr. minut, og hvis vi lader = 180 ekspeditioner pr. time, dvs. = 3 ekspeditioner pr. minut, så kan vi samle dette i: 1) Den gns. tid i køsystemet indtil man bliver serviceret er lig med ( ) Med = 2 ankomster pr. minut, og = 3 ekspeditioner pr. minut, vil den 2 gns. tid i køsystemet være lig = 2=3 minut eller 40 sekunder. 3(3 2) 2) Det gns. antal kunder der venter på at blive serviceret er lig med 2 ( ) Med = 2 ankomster pr. minut, og = 3 ekspeditioner pr. minut, vil det gns. antal kunder der venter på at blive serviceret være lig med 22 = 1:33 kunder. 3(3 2) 4
5 4 Eksempel: Københavns Lufthavn Ved baggageudleveringen i Kastrup Lufthavn har man over en periode opgjort antal reklamationer over manglende baggage. Det gennemsnitlige antal reklamationer pr. tidsenhed er 8. Opstil en model for antal reklamationer. Idet der er tale om en tælleproces over en tidsperiode, vil antallet af hændelser kunne beskrives som en stokastisk variabel, X, der er Poisson fordelt med middelværdi = 8. dvs., at den stokastiske variabel X er Poisson fordelt med middelværdi parameter P (X = i) = e i ; i = 0; 1; 2; ::: i! Idet vi har middelværdi parameteren til at være = 8, kan vi kort skrive dette som: X P o( = 8) Indtegnes Poissonfordelingen for = 8 fås nedenstående gur 1: Poissonfordeling lambda=8 0,16 0,14 0,12 0,10 f(x) 0,08 0,06 0,04 0,02 0, Po(λ=8) 0,00 0,00 0,01 0,02 0,05 0,09 0,12 0,14 0,14 0,12 0,09 0,07 0,04 0,03 0,01 0,00 0,00 0,00 0,00 x Figur 1: Poissonfordeling P o( = 8) 5
6 Tabellen over punkt- og de kummulerede sandsynligheder for P o( = 8) bliver lig med: j f( = 8) F ( = 8) Sandsynligheden for 5 eller færre reklamationer kan a æses direkte af tabeller, og bliver lig med: P (X 5) = P (X = 0) + ::: + P (X = 5) = 0:19 Sandsynligheden for 7 eller ere reklamationer bliver: P (X 7) = 1 P (X 7) = 1 0:45 = 0:55: 5 Eksempel: Ankomst til biblioteksskranken Ankomstprocessen ved biblioteksinformationen kan beskrives som en Poissonproces med intensitet lig. Ekspeditionstiden ved biblioteksinformationen vil efterfølgende kunne beskrives ved en eksponentialfordeling med gennemsnitlig ekspeditionstid lig 1. Antag, at den gns. ekspeditionstid er 5 min. Hvad er sandsynligheden for, at ventetiden ved informationen vil være mere end 10 min.? Vi har modellen for ventetiden: f(t) = 1 te t 1 f(t) = 1 5 e t 5 P (t > 10) = 1 P (t < 10) = 1 (1 e 10 5 ) = 0:1353 Dvs. sandsynligheden for, at ventetiden vil være større end 10 min. er mindre end 13.53%. 6
7 6 Eksempel: Ankomst til kasseterminal Lad ankomstprocessen til en kasseterminal være beskrevet ved en Poisson proces med parameter. Det betyder, at ventetiden indtil første kunde ankommer er eksponentialfordelt med forventet ventetid lig med E(X) = 1 og V (X) = 1 2 Et supermarked har gennem længere tid modtaget en række klager over ventetiden ved kasserne. Bestyreren af supermarkedet har overvejet om han skal investere i opstilling af en kasse mere, eller om han skal foretage ytning af et par kølediske, så der bliver lidt bedre plads i området omkring kasserne. Man har derfor tilsluttet kasseapparaterne til den lokale PC er, og regisrerer hver gang en ekspedient påbegynder betjening af en ny kunde. Man registrerer elektronisk tidspunktet for en påbegyndt betjening. Registreringen foretages med lige store intervaller pr. 1=100 dele sekund. Tabel 1 angiver registreringen over de 80 ankomster der er blevet registreret i en time. Ank Di Ank Di Ank Di Ank Di Tabel 1. Kundeankomsttider ved en kasse i et supermarked og di erencen angivet i minutter og 1/100 min. 7
8 På grundlag af ovenstående ankomsttider til kasseapparaterne ønskes ankomstprocessen beskrevet med anvendelse af en sandsynlighedsteoretisk model. 6.1 Ankomstprocessen Antag, at kundernes ankomst til kasseapparaterne kan karakteriseres ved en Poissonprocess. Poissonprocessen er karakteriseret ved en proces hvor vi foretager en optælling af antal ankomster til kasseapparaterne i tidsrummet 0 til t 1. Kundeankomsterne antages at være uafhængige og ikke overlappende. Med datamaterialet i tabel 1 kan antagelsen veri ceres i form af en nærmere undersøgelse. Dette kan undersøges i form af en optælling af antal ankomster indenfor hvert minut. Dette er foretaget i tabel min min min Tabel 2. Optælling af antal ankomster pr. minut. Såfremt antagelsen om ankomstprocessen holder, så vil disse værdier kunne opfattes som realiserede udfald af indbyrdes uafhængige Poisson-fordelte variable med forventet værdi t, hvor t = 1=60. Antal ankomster pr. minut Observeret Poisson-fordeling antal forventet antal = 80= Tabel 3. Relative hyppigheder. I tabel 3 kan det a æses, at der i det betragtede tidsrum fra kl , med et tidsinterval på 1 minut, har været 16 gange á 1 minut med 0 ankomster, 19 gange á 1 minut med 1 ankomst, etc.. 8
9 Indtegnes tabellens relative hyppigheder, og sammenholdes denne med det forventede antal ved en Poisson fordeling med = 80=60, fås nedenstående gur. 25 Ankomster til kasser i et supermarked 20 Antal Antal pr. minut Observeret P(λ=80/60) Figur 2. Ankomster til kasser i et supermarked Der ses af gur 2, at der synes at være en ganske rimelig overensstemmelse mellem de observerede værdier og de forventede værdier ved en Poisson fordelingen med = 80=60. Dvs. Poisson modellen synes velegnet til at beskrive de betragtede ankomsttider. 9
10 6.2 Ventetiden mellem ankomster Vi interesserer os nu for ventetiden mellem ankomster. Idet vi opfatter ankomsttiderne som en Poissonprocess, så kan vi opfatte ventetiden mellem ankomsterne som en stokastisk variabel af uafhængige eksponentialt fordelte variable med tætheden Ex( = 1=). Med de fundne realiserede udfald af uafhængige, identisk fordelte stokastiske variable X 1 ; :::; X n med tæthedsfunktionen f (x j ) = 1 e x hvor > 0 er den ukendte parameter. Idet vi ønsker at bestemme værdien af.udregnes først summen af de i tabel 1 anførte di erencer til = 5996 og gennemsnittet af dem er 5996/79 = Et estimat for parameteren er derfor /60 = pr. min. og da variansen i eksponentialfordelingen er lig med b 2, fås variansen til min 2 = 1.60 min, og standardafvigelsen pr. min.. Ventetiden mellem ankomsterne er derfor fundet til pr. minut med en standardafvigelse lig pr. minut. 10
11 7 Eksempel: Handelshøjskolens datanetværk Handelshøjskolen i København har etableret et datanetværk, hvor studerende og forskere tilbydes forskellige datatjenester. I dette eksempel vil der blive set på brugernes ankomsttider til datanetværket. Datagrundlaget er hentet fra "log- len" på HP9000 maskinen, hvor al kommunikation mellem brugere og netværket er registreret. Der er hentet et udsnit af denne log- l, idet der kun ses på tidspunktet for en brugers kald af datanetværket, og der fokuseres alene på oktober måned Ialt drejer det sig om 5614 kald, dvs. "ankomster", til datanetværket. Ankomsterne til netværket dækker over studerende og forskere/undervisere, der via opstillede PCere/terminaler i brugerrum eller fra deres kontorer, etablerer en forbindelse til netværket. Afviste opkald er udeladt. 11
12 I nedenstående gur er variationen dag for dag vist for oktober måned. Figur. Antal 1 ankomster dag for dag I oktober måned har de studerende på 1. år af HA-studiet haft en større opgave i statistik, som krævede tilslutning til netværket. Dels for at benytte allerede lagrede oplysninger, dels for at benytte software til løsning af opgaven. Opgaven blev udleveret til de studerende i uge 39, og skulle a everes i uge 41. Figuren viser, at fredag den 7.10 har der været 475 opkald, og fra mandag den til torsdag den er der foretaget ca. 640 opkald pr. dag. Denne sammenhobning af opkaldene stemmer meget godt overens med a everingsfristen, den 14.10, for hjemmeopgaven i statistik. Værd at bemærke er, at lørdag/søndag den 8./9.10 har der været 146/147 opkald. Efter a everingen af hjemmeopgaven falder opkaldene signi kant. Lørdag den er der 15 opkald og søndag den er der 9 opkald; fra den er der gns. 55 opkald pr. dag, og fra den er der gns. 116 opkald pr. dag. Et udvidet overblik over variationen på ankomsterne til netværket, vil være at se på antal ankomster pr. time, jf. nedenstående gur. 12
13 Figur. datanetværk Brugere 1 af Figuren viser optællingen af ankomster pr. time set over hele oktober måned Det ses af gur 2, at ankomsterne til netværket primært koncentrerer sig om tidsrummet fra Dagene op til a everingen af opgaven er interessante på mange måder. Dels fordi der sker en væsentlig forøgelse af antal opkald, der er forskellig fra en "normal" uge, dels fordi dagsvariationen ændres jo tættere vi kommer på a everingsdagen for hjemmeopgaven. Derfor vil der i det følgende blive fokuseret på ugen fra d I dette tidsrum har der været 3657 ankomster, dvs. ca. 65% af ankomsterne i oktober måned, er gennemført indenfor 8 dage. Ses på opkaldene indenfor de 8 dage så viser det sig, at nogle få timetal springer i øjnene. Den 7.10 fra klokken har der været 86 opkald, den fra klokken har der været 91 opkald, og den fra klokken 9-10 har der været 97 opkald. Dvs. jo tættere vi kommer på a everingen af statistikopgaven, jo mere rykkes tidspunktet for de studerendes kald til datanetværket fra typisk frokosttid, til typisk klokken 8-9 om morgenen. De 3 dage og de 3 timer danner udgangspunkt i det videre arbejde, hvor der naturligt vil blive set på ankomstprocessen som en sandsynlighedsteoretisk model. 7.1 En model for ankomsten pr. tidsenhed Antag, at brugernes ankomst til datanetværket kan karakteriseres ved en Poissonprocess. Dvs. en process hvor vi foretager en optælling af antal ankomster der optræder indenfor tidsrummet 0 til t 1. 13
14 Ankomsterne antages at være uafhængige og ikke overlappende. Optælles antal ankomster minut for minut, kan følgende tabel 1 dannes for de 3 timer. Dato/Tidspunkt Datasæt j=1 Dato: 7.10 Kl Datasæt j=2 Dato: Kl Datasæt j=3 Dato: Kl Antal ank. pr. min Antal 86 Tabel 4. Optælling af antal ankomster pr. minut. Såfremt antagelsen om ankomstprocessen holder, så vil disse observerede værdier, kunne opfattes som realiserede udfald af indbyrdes uafhængige Poisson-fordelte variable med forventet værdi j t, hvor t = 1=60 og 1 = 86, 2 = 91 og 3 =
15 En tabel 5 over de relative hyppigheder dannes nu i form af Antal pr. minut Observeret Poisson-fordeling antal forventet antal Datasæt / Datasæt / Datasæt / Tabel 5. Hyppigheder. Af tabel 5 kan det a æses, at der for datasæt 2, i tidsrummet fra kl er observeret, med et tidsinterval på 1 minut, 9 gange á 1 minut med 0 ankomster, 25 gange á 1 minut med 1 ankomst, 16 gange á 1 minut med 2 ankomster, etc.. I tabellen er tillige udregnet værdier for de respektive Poisson fordelinger for 1 =86/60, 2 =91/60 og 3 =97/60. En gra sk sammenligning af de 3 datasæt er foretaget herunder i gur
16 Optælling den Antal Antal pr. minut Observeret P(λ=80/60) Figur 3. Optælling d Optælling den Antal Antal pr. minut Observeret P(λ=91/60) Figur 4. Optælling d
17 Optælling den Antal Antal pr. minut Observeret P(λ=97/60) Figur 5. Optælling d Af gur 3-5 ses der at være nogenlunde overensstemmelse mellem de observerede værdier og de foreslåede Poisson-fordelinger. Poisson modellen synes derfor velegnet til at beskrive de betragtede ankomsttider. 7.2 Ventetiden mellem ankomster Vi interesserer os nu for ventetiden mellem ankomster. Idet vi opfatter ankomsttiderne som en Poissonprocess, så kan vi opfatte ventetiden mellem ankomsterne som en stokastisk variabel af uafhængige eksponentialt fordelte variable med intensitet. Med de fundne realiserede udfald af uafhængige, identisk fordelte stokastiske variable X 1 ; :::; X n med tæthedsfunktionen f(x j) = e x Hvor > 0 er den ukendte parameter. Vi har tidligere fundet, at middelværdien er proportional med intensiteten. Gennemsnit af de i tabel 1 anførte ankomster bliver Datasæt 1: = 86/43 = Datasæt 2: = 91/51 = Datasæt 3: 17
18 = 97/45 = Et estimat for parameteren er derfor 1 = /60 = pr. min. 2 = /60 = pr. min. 3 = /60 = pr. min. Standardafvigelsen er som bekendt lig gennemsnittet. Derfor kan vi konkludere: Datasæt 1: Gns. ventetid pr. min. med en standardafvigelse lig pr. min. Datasæt 2: Gns. ventetid pr. min. med en standardafvigelse lig pr. min. Datasæt 3: Gns. ventetid pr. min. med en standardafvigelse lig pr. min. Anvendt litteratur H.M. Wagner: Principles of Operations Research. PrenticeHall, London
19 Appendix Datamateriale til undersøgelsen. Udsnit fra "Log- len" på HP9000. Dato/Tidspunkt Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13:42 Dato/Tidspunkt Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13:17 Dato/Tidspunkt Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13: Fri13:00 19
20 Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Mon11: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09: Wed09:36 20
Stokastiske 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 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 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 mereHvad 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 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 mereStokastiske processer og køteori
Stokastiske processer og køteori 8. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1 HVAD ER KØNETVÆRK? Åbent kønetværk Lukket kønetværk HVAD ER KØNETVÆRK? 2 Vi skal
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 mereKvantitative Metoder 1 - Forår 2007
Dagens program Kapitel 4: Diskrete fordelinger Hypergeometrisk fordeling, Afsnit 4.3 Multinomial fordeling, Afsnit 4.8 Geometrisk fordeling og Negativ binomialfordeling (Inverse Sampling), Afsnit 4.4 Approksimation
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 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 7. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1 OVERBLIK Sidste gang: M/M/(m, n m)-køsystemet: ligevægtsfordeling; performancestørrelser;
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 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 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 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 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 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 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 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 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 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 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 mereKvantitative 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 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 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 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 mereTeoretisk Statistik, 2. december 2003. Sammenligning af poissonfordelinger
Uge 49 I Teoretisk Statistik, 2. december 2003 Sammenligning af poissonfordelinger o Generel teori o Sammenligning af to poissonfordelinger o Eksempel Opsummering om multinomialfordelinger Fishers eksakte
Læs mereOpgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved
Matematisk Modellering 1 (reeksamen) Side 1 Opgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved { 1 hvis x {1, 2, 3}, p X (x) = 3 0 ellers,
Læs mere02402 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 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 mereNærværende memo er organiseret først med et overblik over de fundne konklusioner og derefter en beskrivelse af de anvendte antagelser
MEMO Projekt Skibsstatistik Kunde Inter Terminals Danmark Dato 19-08-2013 Til Lis Reker Fra Julie Refsgaard Lawaetz KS (KS på tidligere notat af 12-11-2012 er udført af Tue Lehn-Schiøler) 1.1 Indledning
Læs mereKvantitative Metoder 1 - Efterår Dagens program
Dagens program Estimation: Kapitel 9.7-9.10 Estimationsmetoder kap 9.10 Momentestimation Maximum likelihood estimation Test Hypoteser kap. 10.1 Testprocedure kap 10.2 Teststørrelsen Testsandsynlighed 1
Læs mereSkriftlig Eksamen ST501: Science Statistik Tirsdag den 8. juni 2010 kl
Skriftlig Eksamen ST501: Science Statistik Tirsdag den 8. juni 2010 kl. 9.00 12.00 IMADA Syddansk Universitet Alle skriftlige hjælpemidler samt brug af lommeregner er tilladt. Opgavesættet består af 5
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 mereOversigt. 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 mereForelæsning 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 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 mereBeregning af licens for elbybiler
Beregning af licens for elbybiler Rapport Teknik- og Miljøforvaltningen, Københavns Kommune Indholdsfortegnelse 1 Baggrund 3 2 Resultater 3 3 Metode 3 3.1 Datagrundlag 4 3.2 Generelle antagelser 4 3.3
Læs mereStatistik noter - Efterår 2009 Keller - Statistics for management and economics
Statistik noter - Efterår 2009 Keller - Statistics for management and economics Jonas Sveistrup Hansen - stud.merc.it 22. september 2009 1 Indhold 1 Begrebsliste 3 2 Forelæsning 1 - kap. 1-3 3 2.1 Kelvin
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 mereOversigt. Introduktion til Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger
Introduktion til Statistik Forelæsning 2: og diskrete fordelinger Oversigt 1 2 3 Fordelingsfunktion 4 Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 017 Danmarks Tekniske Universitet 2800
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 mereDANMARKS TEKNISKE UNIVERSITET Side 1 af 16 sider. Skriftlig prøve, den: 28. maj 2014 Kursus nr : (navn) (underskrift) (bord nr)
DANMARKS TEKNISKE UNIVERSITET Side af 6 sider Skriftlig prøve, den: 8. maj 04 Kursus nr : 0405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret af:
Læs mereLøsninger til kapitel 5
1 Løsninger til kapitel 5 Opgave 51 Det nemmeste er her at omskrive alle sandsynlighederne til differenser mellem kumulerede sandsynligheder, dvs af sandsynligheder af formen, og derefter beregne disse
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 mereStatistiske modeller
Statistiske modeller Statistisk model Datamatrice Variabelmatrice Hændelse Sandsynligheder Data Statistiske modeller indeholder: Variable Hændelser defineret ved mulige variabel værdier Sandsynligheder
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 - 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 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 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 mereDANMARKS TEKNISKE UNIVERSITET Side 1 af 17 sider. Skriftlig prøve, den: 18. august 2016 Kursus nr : (navn) (underskrift) (bord nr)
DANMARKS TEKNISKE UNIVERSITET Side af 7 sider Skriftlig prøve, den: 8. august 06 Kursus nr : 005 Kursus navn: Sandsynlighedsregning Varighed : timer Tilladte hjælpemidler: Alle Dette sæt er besvaret af:
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 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 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 mereTema. 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 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. Et sandsynlighedsmål er en
Læs mereMatematik 3 SS. Københavns Universitet Naturvidenskabelig kandidateksamen, sommeren Opgaver til besvarelse i 3 timer fredag den 18. juni 1993.
Københavns Universitet Opgaver til besvarelse i 3 timer fredag den 18. juni 1993. Opgave 1 (50%) Det bemærkes, at en række af nedenstående spørgsmål kan besvares uafuængigt af de Øvrige spørgsmål (resultaterne,
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 mereDANMARKS TEKNISKE UNIVERSITET Side 1 af 16 sider. Skriftlig prøve, den: 27. maj 2019 Kursus nr : (navn) (underskrift) (bord nr)
DANMARKS TEKNISKE UNIVERSITET Side 1 af 16 sider Skriftlig prøve, den: 7. maj 019 Kursus nr : 0405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret
Læs mereOvenstående figur viser et (lidt formindsket billede) af 25 svampekolonier på en petriskål i et afgrænset felt på 10x10 cm.
Multiple choice opgaver Der gøres opmærksom på, at ideen med opgaverne er, at der er ét og kun ét rigtigt svar på de enkelte spørgsmål. Endvidere er det ikke givet, at alle de anførte alternative svarmuligheder
Læs mere02402 Vejledende løsninger til hjemmeopgaver og øvelser i kapitel 4
0202 Vejledende løsninger til hjemmeopgaver og øvelser i kapitel Hjemmeopgaver Vejledende løsning.2 Eksperimentet kan beskrives ved binomialfordelingen, X b(x; n, p), hvor n = og p = 1 2. Dermed kan man
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 mere4 Oversigt over kapitel 4
IMM, 2002-09-14 Poul Thyregod 4 Oversigt over kapitel 4 Introduktion Hidtil har vi beskæftiget os med data. Når data repræsenterer gentagne observationer (i bred forstand) af et fænomen, kan det være bekvemt
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 mereKvantitative Metoder 1 - Forår 2007. Dagens program
Dagens program Hypoteser: kap: 10.1-10.2 Eksempler på Maximum likelihood analyser kap 9.10 Test Hypoteser kap. 10.1 Testprocedure kap 10.2 Teststørrelsen Testsandsynlighed 1 Estimationsmetoder Kvantitative
Læs mereLøsning 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 mereStatistik. Hjemmeside: kkb. Statistik - lektion 1 p.1/22
Statistik Kursets omfang: 2 ECTS Inklusiv mini-projekt! Bog: Complete Business Statistics, AD Aczel & J. Sounderpandian Software: SPSS eller Excel?? Forelæser: Kasper K. Berthelsen E-mail: kkb@math.aau.dk
Læs mereDiskrete fordelinger. Fire vigtige diskrete fordelinger: 1. Uniform fordeling (diskret) 2. Binomial fordeling. 3. Hyper-geometrisk fordeling
Disrete fordelinger Fire vigtige disrete fordelinger: 1. Uniform fordeling (disret) 2. Binomial fordeling 3. Hyper-geometris fordeling 4. Poisson fordeling 1 Uniform fordeling Definition Esperiment med
Læs mereOversigt over nyttige fordelinger
Oversigt over nyttige fordelinger Helene Regitze Lund Wandsøe November 14, 2011 1 Bernoulli-fordelingen 1 Når et eksperiment har to mulige udfald: succes eller fiasko. X er en stokastisk variabel med følgende
Læs mereAnvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger
Anvendt Statistik Lektion 2 Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger Sandsynlighed: Opvarmning Udfald Resultatet af et eksperiment kaldes et udfald. Eksempler:
Læs mereEstimation og usikkerhed
Estimation og usikkerhed = estimat af en eller anden ukendt størrelse, τ. ypiske ukendte størrelser Sandsynligheder eoretisk middelværdi eoretisk varians Parametre i statistiske modeller 1 Krav til gode
Læs mereDANMARKS TEKNISKE UNIVERSITET Side 1 af 17 sider. Skriftlig prøve, den: 29. maj 2015 Kursus nr : (navn) (underskrift) (bord nr)
DANMARKS TEKNISKE UNIVERSITET Side af 7 sider Skriftlig prøve, den: 9. maj 05 Kursus nr : 0405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret af:
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 mereStatistisk model. Definition: En statistisk model består af et repræsentationsrum (X, E) og en familie P af sandsynlighedsmål
Statistisk model Definition: En statistisk model består af et repræsentationsrum (X, E) og en familie P af sandsynlighedsmål på (X, E). Modellen er parametriseret hvis der findes en parametermængde Θ og
Læs mereHypotesetest. Altså vores formodning eller påstand om tingens tilstand. Alternativ hypotese (hvis vores påstand er forkert) H a : 0
Hypotesetest Hypotesetest generelt Ingredienserne i en hypotesetest: Statistisk model, f.eks. X 1,,X n uafhængige fra bestemt fordeling. Parameter med estimat. Nulhypotese, f.eks. at antager en bestemt
Læs mereNormalfordelingen og Stikprøvefordelinger
Normalfordelingen og Stikprøvefordelinger Normalfordelingen Standard Normal Fordelingen Sandsynligheder for Normalfordelingen Transformation af Normalfordelte Stok.Var. Stikprøver og Stikprøvefordelinger
Læs mereDANMARKS TEKNISKE UNIVERSITET Side 1 af 17 sider. Skriftlig prøve, den: 30. maj 2016 Kursus nr : (navn) (underskrift) (bord nr)
DANMARKS TEKNISKE UNIVERSITET Side af 7 sider Skriftlig prøve, den: 0. maj 206 Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret
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 mereModul 2: Sandsynlighedsmodeller og diskrete stokastiske variable
Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable 2.1 Sandsynlighedsbegrebet............................... 1 2.1.1
Læs mereStatistik Lektion 1. Introduktion Grundlæggende statistiske begreber Deskriptiv statistik Sandsynlighedsregning
Statistik Lektion 1 Introduktion Grundlæggende statistiske begreber Deskriptiv statistik Sandsynlighedsregning Introduktion Kasper K. Berthelsen, Inst f. Matematiske Fag Omfang: 8 Kursusgang I fremtiden
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 mereSkriftlig eksamen Science statistik- ST501
SYDDANSK UNIVERSITET INSTITUT FOR MATEMATIK OG DATALOGI Skriftlig eksamen Science statistik- ST501 Torsdag den 21. januar Opgavesættet består af 5 opgaver, med i alt 13 delspørgsmål, som vægtes ligeligt.
Læs mereRettevejledning til Kvantitative metoder 1, 2. årsprøve 18. juni timers prøve med hjælpemidler
Rettevejledning til Kvantitative metoder 1, 2. årsprøve 18. juni 2007 4 timers prøve med hjælpemidler Opgaven består af re delopgaver, som alle skal besvares. De re opgaver indgår med samme vægt. Opgaverne
Læs mereVejledende løsninger til opgaver i kapitel 6
Vejledende løsninger til opgaver i kapitel Opgave 1: a) Den stokastiske variabel, X, der angiver, om en elev består, X = 1, eller dumper, X =, sin eksamen i statistik. b) En binomialfordelt variabel fremkommer
Læs mereCIVILINGENIØREKSAMEN Side 1 af 16 sider. Skriftlig prøve, den: 28. maj 2010 Kursus nr : (navn) (underskrift) (bord nr)
CIVILINGENIØREKSAMEN Side af 6 sider Skriftlig prøve, den: 8. maj 00 Kursus nr : 005 Kursus navn: Sandsynlighedsregning Tilladte hjælpemidler: Alle Dette sæt er besvaret af: navn underskrift bord nr Der
Læs mereLøsning 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 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 mereOperationsanalyse, Ordinær Eksamen 2017I Rettevejledning
Operationsanalyse, Ordinær Eksamen 207I Rettevejledning Opgave A Ifølge de givne oplysninger skal der ialt udbringes 000 kg gødning i årets løb. Det fremgår videre af teksten, at der ønskes udbragt en
Læs mereAnvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger
Anvendt Statistik Lektion 2 Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger Sandsynlighed: Opvarmning Udfald Resultatet af et eksperiment kaldes et udfald. Eksempler:
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 mereI 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 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 mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1TS Teoretisk statistik Den skriftlige prøve Sommer 2003 3 timer - alle hjælpemidler tilladt Det er tilladt at skrive
Læs mereNote til styrkefunktionen
Teoretisk Statistik. årsprøve Note til styrkefunktionen Først er det vigtigt at gøre sig klart, at når man laver statistiske test, så kan man begå to forskellige typer af fejl: Type fejl: At forkaste H
Læs mereTRANSPORT TIL OG FRA RIGSHOSPITALET INDHOLD. 1 Indledning 2. 2 Områdeafgrænsning og datagrundlaget 2. 3 Transportmidler 4. 4 Ankomst og afgangstider 4
REGION HOVEDSTADEN TRANSPORT TIL OG FRA RIGSHOSPITALET ADRESSE COWI A/S Parallelvej 2 2800 Kongens Lyngby TLF +45 56 40 00 00 FAX +45 56 40 99 99 WWW cowi.dk BASERET PÅ UDTRÆK FRA DEN NATIONALE TRANSPORTVANEUNDERSØGELSE
Læs mereØkonometri 1. Dagens program. Den simple regressionsmodel 15. september 2006
Dagens program Økonometri Den simple regressionsmodel 5. september 006 Den simple lineære regressionsmodel (Wooldridge kap.4-.6) Eksemplet fortsat: Løn og uddannelse på danske data Funktionel form Statistiske
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 mere2 Gennemsnitligt indhold af aktivt stof i en tablet fra et glas med 200 tabletter
Ekstraopgaver uge 2-02402 Multiple choice opgaver Der gøres opmærksom på, at ideen med opgaverne er, at der er ét og kun ét rigtigt svar på de enkelte spørgsmål. Endvidere er det ikke givet, at alle de
Læs mereBinomialfordelingen. X ~ bin(n,p): X = antal "succeser" i n uafhængige forsøg, der alle har samme sandsynlighed p for at ende med succes.
Uge 9 Teoretisk Statistik 23. februar 24 1. Binomialfordelingen 2. Den hypergeometriske fordeling 3. Poissonfordelingen 4. Den negative binomialfordeling 5. Gammafordelingen Binomialfordelingen X ~ bin(n,p):
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 mere