Vi har beskæftiget os indgående med ankomst- og servicetidsprocesser. Disse karakteriserer input til et køsystem. Andre karakteriserende størrelser?
|
|
- Signe Camilla Holmberg
- 7 år siden
- Visninger:
Transkript
1 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. minimodul 1 / 19
2 Dagens emner Ud over ankomst- og ekspeditionstidsprocesser Vi har beskæftiget os indgående med ankomst- og servicetidsprocesser. Disse karakteriserer input til et køsystem. Andre karakteriserende størrelser? Antal servere, antal ventepladser. Kødisciplin hvordan betjenes kunder? (Kundeopførsel utålmodige kunder etc.) (Flere køer, forbindelse mellem servere (kønetværk)). AGR/PSE (I17) VS7-5. minimodul 2 / 19
3 Dagens emner Kødiscipliner FIFO. LIFO. SIRO. First-In-First-Out. Kunder ekspederes i ankomstrækkefølge. Last-In-First-Out. Senest ankomne kunde ekspederes først. Service-In-Random-Order. Tilfældig ekspeditionsrækkeflg. P. Prioritet. Hver kunde tildeles ved ankomst en prioritet og betjenes i rækkefølge efter prioritet. RR. PS. Round-Robin. Hver kunde får en lille del af service, én efter én indtil ekspedition færdiggjort. Processor-Sharing. Kapacitet deles ligeligt ml. kunder samtidig. Disciplin påvirker normalt ikke kvantitative størrelser (gnsnt. kølængde, tid i system etc.). Men kan påvirke variabilitet af ventetid. AGR/PSE (I17) VS7-5. minimodul 3 / 19
4 Køsystemer notation Notation for parallelforbundne ekspeditionssystemer X /Y (m, q). Ankomstproces X og ekspeditionstidsproces Y kan antage værdier: M: Uafhængige og eksponentialfordelte ventetider. Dvs. X = M specificerer en Poissonproces. E r : Ventetider er uafhængige og Erlangfordelte af orden r. D: Deterministisk ventetidsfordeling. GI : Uafhængige (independent) ventetider med en fast fordeling. Dvs. ingen nærmere antagelse om fordelingstype. G: Generel (stationær) proces, dvs. ingen antagelser. AGR/PSE (I17) VS7-5. minimodul 4 / 19
5 Køsystemer notation X /Y /(m, q)-systemer Ekspedienter er parallelforbundne man bliver ekspederet ved højest én ekspedient (modsat serieforbundne ekspedienter). q angiver antallet af køpladser (q = muligt). m angiver antallet af ekspedienter (m = muligt). AGR/PSE (I17) VS7-5. minimodul 5 / 19
6 Køsystemer notation Eksempler Notationen M/E 4 (3, ) specificerer følgende køsystem: Ankomstproces er Poisson. Ekspeditionstider er Erlangfordelte af orden 4. Ubegrænset antal køpladser (q = ) 3 ekspedienter. Notationen G/GI (1, 0) specificerer følgende køsystem Ankomstproces er en generel stationær proces. Ekspeditionstider uafhængige fra fast (uspecificeret) fordeling. 0 køpladser. 1 ekspedient. Disciplin fremgår ej af notation FIFO med mindre andet nævnt. AGR/PSE (I17) VS7-5. minimodul 6 / 19
7 Trafiktilbud og kundespærring Trafiktilbud Betragt et G/G(m, q)-system. Definér a: gennemsnitligt antal ankomster per tidsenhed. 1/b: gennemsnitlig ekspeditionstid. A = a/b kaldes trafiktilbuddet. Enheden ankomster per ekspedition kaldes en Erlang. Vi kan opspalte trafiktilbud som A = afvist trafik + utålmodig trafik + afviklet trafik. Kundespærring E: gennemsnitligt antal optagede ekspedienter. π = 1 E/A er kundespærringen (brøkdel afviste kunder). AGR/PSE (I17) VS7-5. minimodul 7 / 19
8 Trafiktilbud og kundespærring Tidsspærring og kundespærring Kundespærring er sandsynlighed (i det lange løb) for afvisning af en kunde, dvs. sandsynligheden for at systemet er optaget til et ankomsttidspunkt. Kan tilsvarende definere tidsspærring som sandsynlighed (i det lange løb) for at systemet er optaget til et arbitrært tidspunkt. Generelt gælder kundespærring tidsspærring. Poissonankomster Hvis ankomstproces er Poisson, er sandsynligheden for et givet antal kunder i systemet uafhængig af, om t er et ankomsttidspunkt. Dvs. M/G(m, q)-køsystem kundespærring = tidsspærring. AGR/PSE (I17) VS7-5. minimodul 8 / 19
9 Trafiktilbud og kundespærring Eksempel: M/M(1, 0)-system (afvisningssystem) Velkendt fra første forelæsning. Ankomstproces Poisson med intensitet a = 1 per time. Ekspeditionstider eksponentialfordelte med middelværdi 1/b = 1/2 time. Beskrives ved antal kunder i systemet til tid t: N(t) {0, 1}. Trafiktilbud A = a/b = 1/2 Erlang. Ligevægtssandsynligheder p 0 = b/(a + b) = 1/(1 + A) = 2/3. p 1 = 1 p 0 = 1/3. Udnyttelsesgrad af ekspedient E = p1 = A/(1 + A) = 1/3. Kundespærring π = 1 E/A = A/(1 + A) = 1/3. AGR/PSE (I17) VS7-5. minimodul 9 / 19
10 Little s formel Betragt et G/G(m, q)-system. Definér a: middel (gennemsnitligt) antal ankomster per tidsenhed (intensitet). L q : middel (gennemsnitligt) antal kunder i system. V q : middel (gennemsnitligt) opholdstid i systemet for en vilkårlig kunde. V q er bestemt ved Little s formel: L q = av q, dvs. V q = L q a = middel antal kunder ankomstintensitet Anvendelser Ofte let at beregne gennemsnitligt antal kunder i systemet (fx ud fra ligevægtssandsynligheder). Så kan Little s formel bruges til bestemmelse af gennemsnitlig opholdstid. AGR/PSE (I17) VS7-5. minimodul 10 / 19
11 Little s formel Eksempel: M/M(1, 0)-system (afvisningssystem) Ankomstproces Poisson med intensitet a = 1 per time. Ekspeditionstider eksponentialfordelte med middelværdi 1/b = 1/2 time (trafiktilbud A = a/b = 1/2). Beskrives ved antal kunder i systemet til tid t: N(t) {0, 1}. Ligevægtssandsynligheder p 0 = b/(a + b) = 1/(1 + A) = 2/3, p 1 = 1 p 0 = 1/3. Gennemsnitligt antal kunder i systemet L 0 = p p 1 1 = p 1 = Little s formel giver gennemsnitlig opholdstid A 1 + A = 1/3. V 0 = L 0 /a = 1/3 time (bemærk < 1/b = 1/2 time, idet en kunde afvises, hvis optaget ). AGR/PSE (I17) VS7-5. minimodul 11 / 19
12 Little s formel Mere om Little s formel V q er den gennemsnitlige opholdstid for alle kunder i systemet (afviste, forsinkede, straksekspederede). Vi er normalt mest interesserede i opholdstid for kunder, som ikke straksekspederes, dvs. forsinkede kunder. Hvis brøkdel D, som ej straksekspederes og W q gennemsnitlig opholdstid for disse, så gælder V q = DW q og dermed L q = adw q. Generelt Mange andre lignende formler for sammenhæng mellem gennemsnitligt antal og gennemsnitlig opholdstid. AGR/PSE (I17) VS7-5. minimodul 12 / 19
13 Little s formel Argument for Little s formel Antal kunder i system til tid t: N(t). Gennemsnitligt antal kunder i [0, t]: Lq = A(t)/t. Hver kunde bidrager i snit med Vq til A(t). Der ankommer i snit at kunder i [0, t]. Dvs. A(t) = atv q atv q = L q t L q = av q. AGR/PSE (I17) VS7-5. minimodul 13 / 19
14 Reminder Markovprocesser Stationær Markovproces X med tilstandsrum {0, 1,..., n}. Beskrives ved overgangssands. p ij (t). Ligevægtssystemer lim p ij(t) = p j, i, j {0, 1,..., n} (ligevægtssandsynligheder). t Vi kan også beskrive X ved intensiteter c ij = p ij(0) for i j. Beskriver momentan tilbøjelighed til overgang i j (rate). Find ligevægtssandsynligheder ved at løse ligningssystemet { n l=0 p l = 1 (normerende ligning) n l=0 p lc lj = 0, j = 0, 1,..., n hvor c jj = i: i j c ji. AGR/PSE (I17) VS7-5. minimodul 14 / 19
15 Reminder Markovprocesser M/M(1, N)-kø Poisson ankomstproces med intensitet a og eksponentialfordelte ekspeditionstider med middelværdi 1/b. 1 ekspedient; N køpladser. Antal kunder i system N(t) {0, 1,..., N + 1}. Ligevægtssands. p i = lim t P(N(t) = i), i = 0,..., N + 1. Et eksempel på et fødsels- og dødskøsystem. AGR/PSE (I17) VS7-5. minimodul 15 / 19
16 Reminder Markovprocesser M/M(1, N)-kø Ligevægtsligninger: Dvs. N+1 i=0 p i = 1 (normerende ligning) samt bp 1 = ap 0 ap 0 + bp 2 = (a + b)p 1.. ap i 1 + bp i+1 = (a + b)p i. ap N = bp N+1. p 1 = (a/b)p 0 = Ap 0 p 2 = (a/b)p 0 + (a/b + 1)p 1 = A 2 p 0. p i+1 = (a/b)p i 1 + (a/b + 1)p i = A i+1 p 0. p N+1 = (a/b)p N = A N+1 p 0. AGR/PSE (I17) VS7-5. minimodul 16 / 19
17 Reminder Markovprocesser M/M(1, N)-kø Ligevægtssandsynligheder hvis A = a/b 1: p i = 1 A 1 A N+2 Ai, i = 0, 1,..., N + 1. Ligevægtssandsynligheder hvis A = a/b = 1: p i = 1, i = 0, 1,..., N + 1. N + 2 Lad N (uendeligt mange køpladser). Ligevægt i M/M(1, ) eksisterer kun hvis A < 1. Ligevægtsfordelingen er da (kaldes en geometrisk fordeling). p i = A i (1 A), i = 0, 1, 2,... AGR/PSE (I17) VS7-5. minimodul 17 / 19
18 Reminder Markovprocesser Karakteristiske størrelser i M/M(1, ) Gennemsnitligt antal kunder i systemet L = ip i = i=0 A 1 A. Gennemsnitlig opholdstid V i systemet L = av V = 1 b 1 1 A (Little s formel). Brøkdel af kunder, som ikke straksekspederes D = 1 p 0 = A. Gennemsnitligt antal optagede ekspedienter E = A (da rent ventesystem, Andersen (2001), p.36ø.). AGR/PSE (I17) VS7-5. minimodul 18 / 19
19 Reminder Markovprocesser Karakteristiske størrelser i M/M(1, ) Gennemsnitlig kølængde L (ej straksekspedition) L = (i 1)p i = i=2 ip i p i = L A = i=1 Gennemsnitlig opholdstid V i køen V = L a = 1 b Alternativ beregning her: A 1 A i=1 (også en Little s formel) A2 1 A. samt V = gnsn. systemtid gnsn. eksp. tid = V 1 b = 1 ( 1 ) b 1 A 1 = 1 b A 1 A. L = DL = A A 1 A. AGR/PSE (I17) VS7-5. minimodul 19 / 19
20 Reminder Markovprocesser Taleksempel I et produktionssystem ankommer emner efter en Poissonproces med en intensitet på a = 3 emner per time. Forarbejdningstid er eksponentialfordelt. Middelværdi 1/b =15 minutter = 1/4 time. 1 ekspedient, uendelig mange køpladser. Beregninger Trafiktilbud A = a/b = Ligevægtssandsynligheder p i = (0.25)(0.75) i for i = 0, 1, 2,.... Sandsynlighed for forsinkelse D = A = Gennemsnitlig kølængde L = = Gennemsnitlig produktionstid V = = 1 time. AGR/PSE (I17) VS7-5. minimodul 20 / 19
Stokastiske 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 mereMarkovkæder med endeligt tilstandsrum
Kapitel 9 Markovkæder med endeligt tilstandsrum En følge af stokastiske variable {X t } = {X 0, X 1, X 2,...} kaldes en stokastisk proces. Vi kan nemlig tænke på de stokastiske variable som tilstanden
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 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 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 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 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 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 mereSchedulering. dopsys
Schedulering Schedulering Ide: tag beslutning om fordeling af resurser på parter Resurse kan tildeles, fratages Bestemte situationer muliggør beslutninger 2 Designvalg i schedulering Beslutningsform: hvornår
Læs mere13 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.
Læs mereBernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen
Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen Repetition Lov om total sandsynlighed Bayes sætning P( B A) = P(A) = P(AI B) + P(AI P( A B) P( B) P( A B) P( B) +
Læs 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 mereStatistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen
Statistik Lektion 3 Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Repetition En stokastisk variabel er en funktion defineret på S (udfaldsrummet, der antager
Læs mereProfitten i det første år kan da beregnes som (i kr.)
Chapter 13: Simulation Simulation er en kvantitativ metode til bestemmelse af et real life systems basale karakteristika under usikkerhed v.h.a. eksperimenter indenfor en modelramme, der repræsenterer
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 mereSandsynlighedsregning: endeligt udfaldsrum (repetition)
Program: 1. Repetition: sandsynlighedsregning 2. Sandsynlighedsregning fortsat: stokastisk variabel, sandsynlighedsfunktion/tæthed, fordelingsfunktion. 1/16 Sandsynlighedsregning: endeligt udfaldsrum (repetition)
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 mereFornyelsesteori 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.
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 mereHvad skal vi lave i dag?
p. 1/1 Hvad skal vi lave i dag? Repeterer lidt om diskrete sv. Standardfordelinger (binomial, Poisson, geometrisk) Stokastiske vektorer Diskrete stokastiske vektorer p. 2/1 Repetition Heltallige sv er
Læs mereSandsynlighedsregning
Mogens Bladt www2.imm.dtu.dk/courses/02405 21. September, 2007 Lidt om binomialkoefficienter n størrelsen af en mængde/population. Vi ønsker at udtage en sub population af størrelse r. To sub populationer
Læs 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 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 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 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 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 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 mereLigningssystemer - nogle konklusioner efter miniprojektet
Ligningssystemer - nogle konklusioner efter miniprojektet Ligningssystemet Ax = 0 har mere end en løsning (uendelig mange) hvis og kun hvis nullity(a) 0 Løsningerne til et konsistent ligningssystem Ax
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 mere1 Trekantens linjer. Definition af median En median er en linje i en trekant der forbinder en vinkelspids med midtpunktet af modstående side.
Geometrinoter 1, januar 2009, Kirsten Rosenkilde 1 Geometrinoter 1 Disse noter omhandler grundlæggende sætninger om trekantens linjer, sammenhængen mellem en vinkel og den cirkelbue den spænder over, samt
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 mereMatematik: Struktur og Form Matrixmultiplikation. Regulære og singulære matricer
Matematik: Struktur og Form Matrixmultiplikation. Regulære og singulære matricer Martin Raussen Department of Mathematical Sciences Aalborg University 2017 1 / 12 Matrixmultiplikation Am n = [aij ], Bn
Læs mereÅRSPLAN MATEMATIK 8. KL SKOLEÅRET 2017/2018
ÅRSPLAN MATEMATIK 8. KL SKOLEÅRET 2017/2018 Der tages udgangspunkt i forenklede fællesmål fra UVM for matematik på 7-9. Klasse. Ved denne plan skal der tages højde for, at ændringer kan forekomme i løbet
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 mere1 Beviser for fornyelsessætningen
Hvordan beviser man fornyelsessætningen? 1 1 Beviser for fornyelsessætningen I dette notat skal vi diskutere, hvorman man kan bevise fornyelsessætningen. Vi vil starte med at se på tilfældet, hvor ventetidsfordelingen
Læs mereLineære 1. ordens differentialligningssystemer
enote enote Lineære ordens differentialligningssystemer Denne enote beskriver ordens differentialligningssystemer og viser, hvordan de kan løses enoten er i forlængelse af enote, der beskriver lineære
Læs mereMatematisk modellering af en flertrådet server
Matematisk modellering af en flertrådet server Mathematical modelling of a multithreaded server µ 1 µ 2 µ n µ n+1 1 n λ λ 1 λ n 1 λ n 12 11 Modelleret 1 9 8 7 6 5 4 3 2 1 2 3 4 5 6 7 8 9 1 11 12 13 14
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 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 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 mereAlgebra - Teori og problemløsning
Algebra - Teori og problemløsning, januar 05, Kirsten Rosenkilde. Algebra - Teori og problemløsning Kapitel -3 giver en grundlæggende introduktion til at omskrive udtryk, faktorisere og løse ligningssystemer.
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 mereMatricer og lineære ligningssystemer
Matricer og lineære ligningssystemer Grete Ridder Ebbesen Virum Gymnasium Indhold 1 Matricer 11 Grundlæggende begreber 1 Regning med matricer 3 13 Kvadratiske matricer og determinant 9 14 Invers matrix
Læs mereKursusgang 3 Matrixalgebra Repetition
Kursusgang 3 Repetition - froberg@mathaaudk http://peoplemathaaudk/ froberg/oecon3 Institut for Matematiske Fag Aalborg Universitet 12 september 2008 1/12 Lineære ligningssystemer Et lineært ligningssystem
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 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
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 mereSammenhængsanalyser. Et eksempel: Sammenhæng mellem rygevaner som 45-årig og selvvurderet helbred som 51 blandt mænd fra Københavns amt.
Sammenhængsanalyser Et eksempel: Sammenhæng mellem rygevaner som 45-årig og selvvurderet helbred som 51 blandt mænd fra Københavns amt. rygevaner som 45 årig * helbred som 51 årig Crosstabulation rygevaner
Læs mereSandsynlighed og Statistik
36 Sandsynlighed og Statistik 6.1 Indledning Denne note beskriver de statistiske begreber og formler som man med rimelig sandsynlighed kan komme ud for i eksperimentelle øvelser. Alt er yderst korfattet,
Læs 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 mereOversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger
Course 02402/02323 Introducerende Statistik Forelæsning 2: Stokastisk variabel og diskrete fordelinger Klaus K. Andersen og Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Danmarks Tekniske Universitet
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 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 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 mereStatistik 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:
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 mereCoS. Class of Service. Rasmus Elmholt V1.0
CoS Class of Service Rasmus Elmholt V1.0 CoS Converged networks IP CoS Converged network ser god ud på papiret Flere netværk bliver samlet i et bærenet Maksimal return of investment Men fordelene forsvinder
Læs mereMånedlig Driftsstatusrapport IC4 Rapporteringsperiode: januar 2018
Transport-, Bygnings- og Boligministeriet Frederiksholms Kanal 27 F 1220 København K 1. Nuværende indsættelsesplan DSB planlagde i januar måned med en driftspulje på 52 IC4 togsæt, heraf 40 togsæt til
Læs mereCIVILINGENIØREKSAMEN Side 1 af 16 sider. Skriftlig prøve, den: 20. december 2011 Kursus nr : (navn) (underskrift) (bord nr)
CIVILINGENIØREKSAMEN Side 1 af 16 sider Skriftlig prøve, den: 20. december 2011 Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Tilladte hjælpemidler: Alle Dette sæt er besvaret af: (navn) (underskrift)
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 mereSandsynlighedsregning 10. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 6.1 og 6.2 Betingede diskrete
Læs mereKonfidensintervaller og Hypotesetest
Konfidensintervaller og Hypotesetest Konfidensinterval for andele χ -fordelingen og konfidensinterval for variansen Hypoteseteori Hypotesetest af middelværdi, varians og andele Repetition fra sidst: Konfidensintervaller
Læs mereDirektionssekretariatet
Transport-, Bygnings- og Boligministeriet Frederiksholms Kanal 27 F 1220 København K Direktionssekretariatet 1. Nuværende indsættelsesplan DSB planlagde i februar måned med en driftspulje på 52 IC4 togsæt,
Læs mereCenter for Statistik. Multipel regression med laggede responser som forklarende variable
Center for Statistik Handelshøjskolen i København MPAS Tue Tjur November 2006 Multipel regression med laggede responser som forklarende variable Ved en tidsrække forstås i almindelighed et datasæt, der
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 mereNB: KUN DE HVIDE FELTER SKAL UDFYLDES DE ANDRE INDEHOLDER FORMLER BILAG NSTmarts 2011 ark VMPIIvådområdeprojekt, kvælstofberegning Projekt: Hjeds Sø
Projekt: Hjeds Sø OPGØRELSE AF TILFØRSEL/UDVASKNING FRA VANDLØBSOPLAND, DIREKTE OPLAND OG PROJEKTOMRÅDE Tilførsler: Vandløboplandet Beregnes på baggrund af oplandsarealet eller målt Nudvaskning f.eks.
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 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 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 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 mereSandsynlighedsregning 10. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 6.1 og 6.2 Betingede diskrete
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 mereLandmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable
Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/41 Landmålingens fejlteori - lidt om kurset
Læs 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 mereDirektionssekretariatet
Transport-, Bygnings- og Boligministeriet Frederiksholms Kanal 27 F 1220 København K 1. Nuværende indsættelsesplan DSB planlagde i april måned med en driftspulje på 52 IC4 togsæt, heraf 37 togsæt til indsættelse
Læs mereFormler, ligninger, funktioner og grafer
Formler, ligninger, funktioner og grafer Omskrivning af formler, funktioner og ligninger... 1 Grafisk løsning af ligningssystemer... 1 To ligninger med to ubekendte beregning af løsninger... 15 Formler,
Læs mereSandsynlighedsregning 10. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 0. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 6. og 6. Betingede diskrete
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 mere