Noget om en symmetrisk random walks tilbagevenden til udgangspunktet
|
|
|
- Lotte Bundgaard
- 9 år siden
- Visninger:
Transkript
1 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 med diskret tid med sandsynlighed 1 vender tilbage til sit udgangspunkt før eller senere (og derfor uendelig ofte), hvorimod dette ikke er tilfældet for en random walk i tre dimensioner. 1 Vi begynder med et lidt mere generelt resultat om begivenheder der indtræffer på stokastiske tidspunkter, sådan at ventetiderne er uafhængige og identisk fordelte; i de efterfølgende anvendelser vil»begivenhederne«være en random walks tilbagevenden til start. 1 Et vist fænomen F indtræffer til de heltallige tidspunkter 0 T 0 < T 1 < T 2 <... der antages at kunne skrives som T 0 0, T 1 V 1, T 2 V 1 + V 2, T 3 V 1 + V 2 + V 3,. hvor ventetiderne V 1,V 2,V 3,... er uafhængige, identisk fordelte stokastiske variable med værdier i N. Punktsandsynlighederne for V -ernes fordeling betegnes f n : f n P(V n), n 1,2,3,..., så f n er sandsynligheden for at første forekomst af F efter tid 0 sker til tid n, og derfor er sandsynligheden for at F indtræffer før eller senere P(V < ) f n. 1 Notation: Z er mængden af hele tal.
2 Tilbagevenden til start Side 2 af 5 Vi indfører desuden betegnelsen u n for sandsynligheden for at der til tid n er en forekomst af F, altså sandsynligheden for at T j n for et eller andet j 0, u n P ( j 0 : T j n ) P ( j {0,1,2,3,...,n} : T j n ), hvor det sidste lighedstegn skyldes at der til hvert tidspunkt kan være 0 eller 1 forekomst, dvs. forekomsten til tid n kan højst være forekomst nummer n. Da T j V 1 + V V j, kan vi skrive 2 Vi skal vise Sætning 1 u n P ( j {0,1,2,3,...,n} : V 1 + V V j n ). F indtræffer med sandsynlighed 1, hvis og kun hvis u n +. Ved at dele op efter tidspunktet for den første F -forekomst efter tid 0 får vi for n > 0 u n n0 P ( T 1 k og j {0,1,2,3,...,n} : V 1 + V V j n ) k1 P ( V 1 k og j {1,2,3,...,n k} : V 2 + V V j n k ) k1 P ( V 1 k ) P ( j {1,2,3,...,n k} : V 2 + V V j n k ) k1 P ( V 1 k ) P ( j {0,1,2,3,...,n k} : V 1 + V V j n k ) k1 f k u n k. k1 Vi indfører de to frembringende funktioner F(z) f n z n og U(z) u n z n, der begge er defineret for 0 z < 1; F er desuden defineret i z 1. Vi omskriver U(z) 2 Når j 0, er V 1 + V V j en sum uden led,»den tomme sum«, som altid er lig 0 (fordi 0 er det neutrale element mht. addition). Derfor er betingelsen V 1 + V V j 0 opfyldt for j 0, så formlen udsiger at u 0 1. n0
3 Tilbagevenden til start Side 3 af 5 ved hjælp af det netop fundne udtryk for u n : U(z) 1 + u n z n k1 ( k1 f k u n k z n nk 1 + U(z)F(z), u n k z n k ) f k z k hvoraf fås at F(z) 1 1/U(z), så sandsynligheden for at F indtræffer før eller senere, er 1 f n F(1) limf(z) 1 limu(z), og denne sandsynlighed er lig 1, hvis og kun hvis limu(z) +. Det er en simpel analyse-øvelse, som vi ikke vil gå nærmere i detaljer med, at vise at Hermed er sætningen vist. limu(z) + u n +. Sætning 2 Hvis u n +, indtræffer F med sandsynlighed 1 uendelig mange gange. n0 Det vides at summen af u n -erne divergerer. Fra Sætning 1 ved vi da at F med sandsynlighed 1 indtræffer i hvert fald én gang. Antag at det vides at F med sandsynlighed 1 indtræffer mindst g gange, dvs. T g er med sandsynlighed 1 et endeligt tal. Så er P ( F indtræffer mindst g + 1 gange ) n0 P ( F indtræffer mindst g + 1 gange Tg k ) P(T g k) kg P ( F indtræffer efter tid k Tg k ) P(T g k) kg P ( V g+1 < Tg k ) P(T g k). kg
4 Tilbagevenden til start Side 4 af 5 I de led hvor P(T g k) > 0, er den betingede sandsynlighed lig med 1, fordi V g+1 og T g V 1 + V V g er stokastisk uafhængige og dermed P ( V g+1 < Tg k ) P(V g+1 < ) P(V < ) der vides at være lig 1. Vi har således at P ( F indtræffer mindst g + 1 gange ) P(T g k) P(T g < ) der pr. antagelse er lig 1. Ved induktion har vi så at for ethvert g vil F med sandsynlighed 1 indtræffe mindst g gange. Sandsynligheden for at F kun indtræffer endeligt mange gange er da P ( {F indtræffer højst g gange} ) P ( F indtræffer højst g gange ) 0 g1 g1 da alle leddene er lig 0. Hermed er sætningen vist. kg 2 Vi skal nu anvende det foregående på symmetriske random walks Y 0,Y 1,Y 2,...;»fænomenet«F er tilbagevenden til start (som er 0), så u n P(Y n 0), der er forskellig fra 0 netop når n er et lige tal. Sætning 3 Lad Y 0,Y 1,Y 2,... være en symmetrisk random walk på de hele tal Z. Der gælder at med sandsynlighed 1 vender processen uendelig ofte tilbage til sit udgangspunkt. ( ) 2n (1 ) 2n, Antag at Y 0 0. Vi ved at P(Y 2n 0) og den størrelse vokser som 1/ πn n 2 når n vokser (det ses ved brug af Stirlings formel). Men da således u 2n 1/ πn, er u 2n +, så sætningen følger af Sætning 2. Korollar 1 Lad Y 0,Y 1,Y 2,... være en symmetrisk random walk på Z. Der gælder at med sandsynlighed 1 besøger processen ethvert punkt i tilstandsrummet Z uendelig ofte. For ethvert k gælder at processen med sandsynlighed 1 når til k før eller senere (det følger for eksempel af formlen for ruinsandsynligheden r k (formel (3.14) i bogen) når p q og N ). Derefter vender den ifølge Sætning 3 med sandsynlighed 1 tilbage til k uendelig ofte. Da alle hændelserne {Y n k uendelig ofte} har sandsynlighed 1, har deres fællesmængde også sandsynlighed 1.
5 Tilbagevenden til start Side 5 af 5 Sætning 4 Lad Y 0,Y 1,Y 2,... være en symmetrisk random walk på de hele tal Z, og lad V være ventetiden til første tilbagevenden til 0, dvs. V min{n N : Y n 0}. Da gælder at middelværdien af V er +. Med notationen fra beviset for Sætning 1 har vi at den frembringende funktion for V er F(z), der fandtes at være lig 1 1/U(z). Da vi nu har et eksplicit udtryk for u 2n og dermed for U(z), kan vi få et udtryk for F(z), nemlig 3 F(z) 1 1 z. Fra den generelle teori for sandsynlighedsfrembringende funktioner ved vi at E(V ) F (1), hvor F (1) skal forstås som lim F (z). I det foreliggende tilfælde er F (z) 1/(2 1 z) der går mod + når z 1. Sætning 5 Lad Y 0,Y 1,Y 2,... være en todimensional symmetrisk random walk på Z 2. Der gælder at med sandsynlighed 1 vender processen uendelig ofte tilbage til sit udgangspunkt. (( ) ) 2n (1 ) 2 Antag at Y 0 0. Vi ved 4 2n at P(Y 2n 0) der vokser som 1/(πn) når n 2 n vokser (det ses ved brug af Stirlings formel). Men da således u 2n 1/(πn), er u 2n +, så sætningen følger af Sætning 2. Sætning 6 Lad Y 0,Y 1,Y 2,... være en tredimensional symmetrisk random walk på Z 3. Der gælder at med positiv sandsynlighed vender processen aldrig tilbage til sit udgangspunkt. Antag at Y 0 0. Der gælder 5 at u 2n ( ) 1 2n( 2n 2) n j,k :j+k n ( (1 3 ) n n! ) 2 j!k!(n j k)! der vokser som n 3/2, og da Sætning 1. u 2n derfor er konvergent, følger det ønskede af 3 Se side 68 i bogen. 4 Se afsnit i bogen. 5 Se side 361 i W. Feller: An Introduction to Probability Theory and Its Applications, Vol. I, Third Edition
TØ-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)
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
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
Nogle grundlæggende begreber
BE2-kursus 2010 Jørgen Larsen 5. februar 2010 Nogle grundlæggende begreber Lidt simpel mængdelære Mængder består af elementer; mængden bestående af ingen elementer er, den tomme mængde. At x er element
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 ) = =
Forelæsning 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
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
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) +
En martingalversion af CLT
Kapitel 11 En martingalversion af CLT Når man har vænnet sig til den centrale grænseværdisætning for uafhængige, identisk fordelte summander, plejer næste skridt at være at se på summer af stokastiske
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
Normalfordelingen og Stikprøvefordelinger
Normalfordelingen og Stikprøvefordelinger Normalfordelingen Standard Normal Fordelingen Sandsynligheder for Normalfordelingen Transformation af Normalfordelte Stok.Var. Stikprøver og Stikprøvefordelinger
Sandsynlighedsregning: endeligt udfaldsrum (repetition)
Program: 1. Repetition: sandsynlighedsregning 2. Sandsynlighedsregning fortsat: stokastisk variabel, sandsynlighedsfunktion/tæthed, fordelingsfunktion. 1/16 Sandsynlighedsregning: endeligt udfaldsrum (repetition)
Lad os som eksempel se på samtidigt kast med en terning og en mønt:
SANDSYNLIGHEDSREGNING Stokastisk eksperiment Et stokastisk eksperiment er et eksperiment, hvor vi fornuftigvis ikke på forhånd kan have en formodning om resultatet af eksperimentet Til gengæld kan vi prøve
Statistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Uafhængighed og reelle transformationer Helle Sørensen Uge 8, mandag SaSt2 (Uge 8, mandag) Uafh. og relle transf. 1 / 16 Program I dag: Uafhængighed af kontinuerte
13 Markovprocesser med transitionssemigruppe
13 Markovprocesser med transitionssemigruppe I nærværende kapitel vil vi antage at tilstandsrummet er polsk, hvilket sikrer, at der findes regulære betingede fordelinger. Vi skal se på eksistensen af Markovprocesser.
Skriftlig Eksamen Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528)
Skriftlig Eksamen Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528) Institut for Matematik & Datalogi Syddansk Universitet Mandag den 3 Januar 2011, kl. 9 13 Alle sædvanlige hjælpemidler
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 - [email protected] Institut for Matematiske Fag Aalborg Universitet Kursusholder
TALTEORI Følger og den kinesiske restklassesætning.
Følger og den kinesiske restklassesætning, december 2006, Kirsten Rosenkilde 1 TALTEORI Følger og den kinesiske restklassesætning Disse noter forudsætter et grundlæggende kendskab til talteori som man
Her skal du lære om 1. Talfølge og talrække 2. Afsnitssum 3. Konvergens 4. Konvergente rækker har små led 5. Regneregler
Oversigt [S] 8.2 Her skal du lære om. Talfølge og talrække 2. Afsnitssum 3. Konvergens 4. Konvergente rækker har små led 5. Regneregler Calculus - 2003 Uge 4. - Uendelig række Definition Givet en talfølge
Billedbehandling 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
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
Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: [email protected] Dagens emner afsnit 6.1 og 6.2 Betingede diskrete
Matematisk induktion
Induktionsbeviser MT01.0.07 1 1 Induktionsbeviser Matematisk induktion Sætninger der udtaler sig om hvad der gælder for alle naturlige tal n N, kan undertiden bevises ved matematisk induktion. Idéen bag
Fortolkning. 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
Modul 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
TØ-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.
Fornyelsesteori med anvendelser: Afleveringsopgave 1
Fornyelsesteori med anvendelser: Afleveringsopgave 1 February 27, 2003 Opgaven stilles fredag d. 28/2-2003 og afleveres d. 14/3-2003 ved forelæsningen. Opgaven kan besvares i grupper af 1-3 studerende.
Kønsproportion og familiemønstre.
Københavns Universitet Afdeling for Anvendt Matematik og Statistik Projektopgave forår 2005 Kønsproportion og familiemønstre. Matematik 2SS Inge Henningsen februar 2005 Indledning I denne opgave undersøges,
Statistik 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,
Landmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - [email protected] http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition:
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
Talteoriopgaver Træningsophold ved Sorø Akademi 2007
Talteoriopgaver Træningsophold ved Sorø Akademi 2007 18. juli 2007 Opgave 1. Vis at når a, b og c er positive heltal, er et sammensat tal. Løsningsforslag: a 4 + b 4 + 4c 4 + 4a 3 b + 4ab 3 + 6a 2 b 2
standard normalfordelingen på R 2.
Standard normalfordelingen på R 2 Lad f (x, y) = 1 x 2 +y 2 2π e 2. Vi har så f (x, y) = 1 2π e x2 2 1 2π e y2 2, og ved Tonelli f dm 2 = 1. Ved µ(a) = A f dm 2 defineres et sandsynlighedsmål på R 2 målet
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
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 - [email protected] http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet Repetition:
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
Teoretisk 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
Sandsynlighedsbaserede metoder
48 Metodeartikel Sandsynlighedsbaserede metoder Et førstehåndsindtryk med pseudotilfældige tal Daniel Kjær For nogle uger siden pålagde jeg mig selv den opgave at aflevere to artikler til Famøs om Monte
Euklids algoritme og kædebrøker
Euklids algoritme og kædebrøker Michael Knudsen I denne note vil vi med Z, Q og R betegne mængden af henholdsvis de hele, de rationale og de reelle tal. Altså er { m } Z = {..., 2,, 0,, 2,...} og Q = n
Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: [email protected] Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse
Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen
Landmålingens fejlteori Lektion Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ - [email protected] Institut for Matematiske Fag Aalborg Universitet En stokastisk variabel er en variabel,
Statistik. 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: [email protected]
Statistik Lektion 2. Uafhængighed Stokastiske Variable Sandsynlighedsfordeling Middelværdi og Varians for Stok. Var.
Statistik Lektion Uafhængighed Stokastiske Variable Sandsynlighedsfordeling Middelværdi og Varians for Stok. Var. Repetition Stikprøve Stikprøvestørrelse n Stikprøvemiddelværdi Stikprøvevarians s Population
Teoretisk 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
Lineære differentialligningers karakter og lineære 1. ordens differentialligninger
enote 11 1 enote 11 Lineære differentialligningers karakter og lineære 1. ordens differentialligninger I denne note introduceres lineære differentialligninger, som er en speciel (og bekvem) form for differentialligninger.
Kalkulus 2 - Grænseovergange, Kontinuitet og Følger
Kalkulus - Grænseovergange, Kontinuitet og Følger Mads Friis 8. januar 05 Indhold Grundlæggende uligheder Grænseovergange 3 3 Kontinuitet 9 4 Følger 0 5 Perspektivering 4 Grundlæggende uligheder Sætning
01017 Diskret Matematik E12 Alle bokse fra logikdelens slides
01017 Diskret Matematik E12 Alle bokse fra logikdelens slides Thomas Bolander 1 Udsagnslogik 1.1 Formler og sandhedstildelinger symbol står for ikke eller og ( A And) hvis... så... hvis og kun hvis...
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
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,
Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: [email protected] Dagens emner Stokastiske variable: udfald
Noter til Perspektiver i Matematikken
Noter til Perspektiver i Matematikken Henrik Stetkær 25. august 2003 1 Indledning I dette kursus (Perspektiver i Matematikken) skal vi studere de hele tal og deres egenskaber. Vi lader Z betegne mængden
1 Sandsynlighed Sandsynlighedsbegrebet Definitioner Diskret fordeling Betinget sandsynlighed og uafhængighed...
Indhold 1 Sandsynlighed 1 1.1 Sandsynlighedsbegrebet................................. 1 1.2 Definitioner........................................ 2 1.3 Diskret fordeling.....................................
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
Oversigt. 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:
Plan. 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
Kædebrøker. b 0 f.eks. 3 b 0 + a 1. f.eks. 3 + 1 b 1 7. a 1. b 1 + a f.eks. 3 + 1 7 + 1. f.eks. 3 + b 1 + a 2 7 + Notation: a 2 b 2 + an.
Kædebrøker Naturvidenskabsfestivalen 2006 foredrag på Herning htx, 26. september Flemming Topsøe Institut for Matematiske Fag, Københavns Universitet b 0 f.eks. 3 b 0 + a 1 f.eks. 3
Sandsynlighedsregning & Statistik
Sandsynlighedsregning & Statistik for matematikstuderende Jørgen Larsen 2006 Roskilde Universitet Teksten er sat med skriften Kp-Fonts ved hjælp af KOMA- Script og LATEX. Tegningerne er fremstillet med
Matematik YY Foråret Kapitel 1. Grupper og restklasseringe.
Matematik YY Foråret 2004 Elementær talteori Søren Jøndrup og Jørn Olsson Kapitel 1. Grupper og restklasseringe. Vi vil i første omgang betragte forskellige typer ligninger og søge efter heltalsløsninger
Statistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Sandsynlighedstætheder og kontinuerte fordelinger på R Helle Sørensen Uge 6, mandag SaSt2 (Uge 6, mandag) Tætheder og kont. fordelinger 1 / 19 Program Velkommen I dag:
Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: [email protected] Dagens emner: Afsnit 4.2, 4.3 og 4.4 Poissonprocessen/eksponentialfordelingen
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
Binomialfordelingen. Binomialfordelingen. Binomialfordelingen
Statistik og Sandsynlighedsregning 1 MS kapitel 3 Susanne Ditlevsen Institut for Matematiske Fag Email: [email protected] http://math.ku.dk/ susanne Definition 3.2.1 Lad X 1, X 2,..., X n være uafhængige
Sandsynlighedsregning
Mogens Bladt www2.imm.dtu.dk/courses/02405 28. September, 2007 Stokastiske variable Betragt 3 kast med en mønt. Så er udfaldsrummet Ω = {(p, p, p), (p, p, k), (p, k, p), (p, k, k), (k, p, p), (k, p, k),
Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable
Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - [email protected] Institut for Matematiske Fag Aalborg Universitet 1/41 Landmålingens fejlteori - lidt om kurset
Sandsynlighedsregning & Statistik
Jørgen Larsen Sandsynlighedsregning & Statistik for matematikstuderende 2006 Indhold Forord 5 Del I Sandsynlighedsregning 7 Indledning 9 Endelige udfaldsrum. Grundlæggende definitioner.....................
Iteration af et endomorft kryptosystem. Substitutions-permutations-net (SPN) og inversion. Eksklusiv disjunktion og dens egenskaber
Produktsystemer, substitutions-permutations-net samt lineær og differentiel kryptoanalyse Kryptologi, fredag den 10. februar 2006 Nils Andersen (Stinson 3., afsnit 2.7 3.4 samt side 95) Produkt af kryptosystemer
Stokastiske 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;
