Plan. Markovkæder Matematisk modelling af kølængde, yatzy, smittespredning og partikelbevægelser. Materiale mm.
|
|
- Stig Larsen
- 7 år siden
- Visninger:
Transkript
1 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 walk (partikelbevægelse). Opgaver C. Yatzy. Kun overfladisk. D. Smittespredning. Meget kort hvis vi overhovedet når det Vil veksle mellem præsentation fra mig og opgaveregning. NAT-workshop, 28 februar 20 Dias 2/38 Materiale mm. A. Disse slides Svært at finde velegnet materiale på dansk. Fremragende lille bog på engelsk: Finite Markov Chains and Algorithmic Applications af Olle Häggström. Se evt. item6979/?site_locale=en_gb En smule Maple i dag. Institut for Matematiske Fag Hjemsted for uddannselserne Matematik, Matematik-Økonomi, Forsikringsvidenskab (Aktuar), Statistik Gymnasietilbud, se Vi betragter længden af køen ved kassen i banken/kiosken/... Til hvert tidspunkt kan der ske en af følgende tre ting: En ekspedition slutter (hvis der er en i gang) Der ankommer en ny kunde. Hvis der allerede er k kunder i kø, går kunden igen. Ellers stiller kunden sig i kø. Ingenting Lad X n være antal personer i køen til tid n for n = 0,,2,... De tre hændelser svarer til at X n+ er lig X n, X n +, eller X n, Vi vil lave en model for hvordan X ændrer sig. Tilfældigt hvad der sker, så vi skal have en stokastisk model. Dias 3/38 Dias 4/38
2 A. Tilstandsrum og overgangsgraf De mulige værdier for X n er 0,,2,...,k. Mængden S = {0,,2,...,k} kaldes tilstandsrummet for X n. Overgangsgrafen illustrerer de mulige overgange mellem tilstande: 0 2 k 2 k k I modellen skal vi beskrive hvor sandsynlige de forskellige overgange er. A. Markovegenskaben Længden af køen til tidpunkt n + afhænger kun af to ting: Antallet at kunder til tid n: i Den tilfældige hændelse til tid n + : ekspedition slutter, kunde ankommer (og bliver), ingenting. Forhistorien er derimod ligegyldig. Det er ligegyldigt hvordan det er kommet for sig at der er s kunder i køen til tid i. Denne egenskab kaldes for markovegenskaben. Fremtiden afhænger kun af fortiden via nutiden. Formelt, formulerer vi dette vha. betingede sandsynligheder: P(X n+ = j X 0 = i 0,X = i,...,x n = i) = P(X n+ = j X n = i) Hvis dette er opfyldt kaldes (X 0,X,X 2,...) en markovkæde. Dias 5/38 Dias 6/38 A. Homogen markovkæde A. Overgangssandsynligheder Vi antager at udviklingen i køen kan beskrives med den samme model til alle tidspunkter, dvs. at P(X n+ = j X n = i) ikke afhænger af tidspunktet n, men kun af i og j. Hvis dette er opfyldt kaldes (X 0,X,...) en homogen markovkæde. Definer Q ij = P(X n+ = j X n = i). Hvordan ser disse overgangssandsynligheder ud? Antag at der ankommer en ny kunde med sandsynlighed p, og at en ekspedition slutter med sandsynlighed q. Begge dele kan ikke ske på en gang. Hvis X n = 0, så bliver X n+ = med sandsynlighed p og X n+ = 0 med sandsynlighed p Hvis X n = k, så bliver X n+ = k med sandsynlighed q og X n+ = k med sandsynlighed q: Hvis X n = i hvor i / {0,k}, så bliver X n+ = i + med sandsynlighed p, X n+ = i med sandsynlighed q, og X n+ = i med sandsynlighed p q. Dias 7/38 Dias 8/38
3 A. Overgangsmatrix Overgangssandsynligh. samles i en matrix, overgangsmatricen. Element (i,j) er lig P(X n+ = j X n = i), altså sandsynligheden for at gå til tilstand j hvis man er i tilstand i. Q = p p q p q p q p q p q p q p q q Egenskaber ved Q: Alle elementer er 0. Alle rækkesummer er A. Tilfældet k = 3 Antag at k = 3 svarende til at kunder går hvis der er 3 personer i køen allerede. Så er tilstandsrummet {0,, 2, 3} og overgangsmatricen er Q = p p 0 0 q p q p 0 0 q p q p 0 0 q q Resten af tiden med dette eksempel arbejder vi med k = 3. Dias 9/38 Dias 0/38 A. Simulation A. Algoritme Lad os prøve at simulere nogle forløb af markovkæden, dvs. imitere processen hvormed kæden udvikler sig. Kæden starter in 0, dvs. X 0 = 0. Tre forskellige værdier for sandsynlighederne: (p, q) lig (0.5, 0.3), (0.25, 0.6), (0.5, 0.5) Har brug for at kunne generere tilfældigheder. Hvordan? Fysisk : terninger, mønter,... Tilfældige tal genereret af en computer, fx. i Maple Algoritme til simulation af X 0,...,X N.. Lad X 0 = 0 og Y 0 = X 0 + = 2. Sæt gammel lig. 3. For n = 0,...,N : Vælg ny efter fordel. givet ved række nummer gammel i Q. Sæt gammel lig ny, sæt Y n+ lig ny 4. Sæt X n = Y n for alle n Dias /38 Dias 2/38
4 A. Fire simulationer med p = 0.5, q = 0.3 A. Fire simulationer med p = 0.25, q = 0.6 Dias 3/38 Dias 4/38 A. Fire simulationer med p = 0.5, q = 0.5 A. Simulation Hvad får vi få ud af simulationerne? Ide om egenskaber ved udviklingen i processen. Hvordan afhænger egenskaberne af p og q? Hvad er fordelingen af kølængden til tid 00 (for eksempel)? P(X 00 = 0), P(X 00 = ), P(X 00 = 2), P(X 00 = 3)? Fordeling til tid 00? Simuler en masse (0.000) markovkæder op til tid 00 Tæt antal 0er, ere, 2ere, 3ere blandt de simulerede værdier af X 00. Beregn andele. Prøv med forskellige værdier af p og q. Dias 5/38 Dias 6/38
5 A. Simuleret fordeling af X 00 B. Random walk på lille gitter Hvad er fordelingen af X 00? Simuler 0000 kæder op til tid 00 Hvordan fordeler de 00 simulerede værdier af X 00 sig på værdierne 0,, 2 og 3? p q Fire gadehjørner og fire gader: X n : placering til tidspunkt n (efter n ryk) efter følgende procedure: Start i hjørne, dsv. X 0 = ; På hvert tidspunkt n : Ryk en gang med uret med sandsynlighed p med uret med sandsynlighed p. Med et større gitter kunne dette blive en model for partikelbevægelser på gitter. Dias 7/38 Dias 8/38 B. Opgave B. Opgave Med antagelserne fra før: Hvad er tilstandsrummet? Hvorfor er værdierne p = 0 og p = uinteressante? Antag at 0 < p <. Er det muligt at ramme alle tilstande til alle tidspunkter? Hvorfor er (X 0,X,...) en homogen markovkæde? Opskriv overgangsmatricen Vælg en værdi af p og lav simulationer af markovkæden. Brug Maple eller terninger. Prøv evt. flere forskellige værdier af p. Ny situation. Til hvert tidspunkt n : Slå med en terning og ryk lige så mange gange med uret som terningen viser. Er det muligt at ramme alle tilstande til alle tidspunkter? Opskriv overgangsmatricen Lav simulationer af markovkæden Dias 9/38 Dias 20/38
6 A. Fordeling af X n A. Fordeling af X Før undersøgte vi fordelingen af X 00 vha. simulationer. Kunne vi have regnet eksplit på det? Før antog vi at X 0 = 0 med sikkerhed. Kan gøre det mere generelt, så også X 0 vælges tilfældigt. Begyndelsesfordeling, µ 0 = (µ 0 0, µ0, µ0 2, µ0 3 ), dvs. P(X 0 = i) = µ 0 i Hvad er så fordelingen af X? Notation, for j = 0,,2,3: µ j = P(X = j) µ j = P(X = j) = P(X = j,x 0 = 0) + P(X = j,x 0 = ) + P(X = j,x 0 = 2) + P(X = j,x 0 = 3) = P(X 0 = 0)P(X = j X 0 = 0) + P(X 0 = )P(X = j X 0 = ) + P(X 0 = 2)P(X = j X 0 = 2) + P(X 0 = 3)P(X = j X 0 = 3) = µ 0 0 Q 0j + µ 0 Q j + µ 2 0 Q 2j + µ 3 0 Q 3j = (µ 0 Q) j Multiplikation af 4 matrix (række) med 4 4 matrix. Sandsynligh. for at X er lig j er j te element i rækkevektoren µ. Altså: µ = µ 0 Q. Dias 2/38 Dias 22/38 A. Fordeling af X n A. Stationær begyndelsesfordeling Fordeling af X 0 : µ 0. Iterativt: Fordeling af X : µ = µ 0 Q Fordeling af X 2 : µ 2 = µ Q = (µ 0 Q)Q = µ 0 Q 2... Fordeling af X n : µ n = µ 0 Q n Element (i,j) i Q n angiver sandsynlighederne for overgang fra i til j i n trin: (Q n ) ij = P(X n = j X 0 = i) Findes der en fordeling µ sådan at hvis X 0 har denne fordeling, så har alle X n den samme fordeling? I så fald kaldes µ en stationær begyndelsesfordeling. Betingelser: µq = µ µ j 0 og µ 0 + µ + µ 2 + µ 3 = (sandsynligheder) Den første betingelse består af fire ligninger med fire ubekendte. Dias 23/38 Dias 24/38
7 A. Stationær begyndelsesfordeling A. Stationær begyndelsesfordeling Skrevet ud: µ 0 ( p) + µ q = µ 0 µ 0 p + µ ( p q) + µ 2 q = µ µ p + µ 2 ( p q) + µ 3 q = µ 2 µ 2 p + µ 3 ( q) = µ 3 µ j 0 og µ 0 + µ + µ 2 + µ 3 = Regne-regne-regne... Så får vi: Lad z = p/q og c = ( + z + z 2 + z 3 ) Så er µ = c (,z,z 2,z 3 ) en stationær begyndelsesfordeling p = 0.5, q = 0.3: µ = (0.0994,0.654,0.2757,0.4596) p = 0.25, q = 0.6: µ = (0.605,0.2506,0.044,0.0435) p = 0.5, q = 0.5: µ = (0.25,0.25,0.25,0.25) Sammenlign med Q n for n stor og med simulationsresultaterne! Dias 25/38 Dias 26/38 A. Eksistens, entydighed af SBF og konvergens B. Stationær begyndelsesfordeling Sætning Antag at (X 0,X,...) er irreducibel og aperiodisk. Så: Der findes en og kun en stationær begyndelsesfordeling µ For enhver begyndelsesfordeling µ 0 gælder at µ 0 Q n konvergerer mod µ. Uanset hvordan kæden startes, ender den med (cirka) at have fordeling µ. Betingelserne: Irreducibel: Enhver tilstand kan nås fra enhver anden tilstand (i et antal skridt) Aperiodisk: Vil ikke give jer den præcise definition i dag... Betingelserne er ok for kølængde-eksemplet. Antag P(X 0 = ) =, dvs. µ 0 = (,0,0,0). Fordeling af X? Antag i stedet at µ 0 = (0.5,0.5,0,0). Fordeling af X? Beregn Q 2 og forklar strukturen (nullerne). Er kæden irreducibel? Er kæden mon aperiodisk? Kan sætningen bruges til at sige noget om eksistensen af en staionær begyndelsesfordeling? Vis at µ = (0.25,0.25,0.25,0.25) er en stationær begyndelsesfordeling for all p ]0, [. Forklar dette intuitivt. Konvergerer fordelingen af X n mod µ for enhver begyndelsesfordeling? Dias 27/38 Dias 28/38
8 C. Yatzy Terningespil: Kast med fem terninger. Hvis du har fem ens: Stop! Ellers: Behold de terninger du har flest af, og kast de resterende. Hvis du har fem ens: Stop! Fortsæt indtil du har fem ens. Lad X 0, være antal ens efter første kast, X antal ens efter andet kast, X 2 være antal ens efter tredje kast, osv. Specielt interesseret i at ssh. for yatzy i tre slag, dvs. i P(X 2 = 5). (X 0,X,X 2,...) er en homogen markovkæde med tilstandsrum S = {,2,3,4,5}, så vi kan bruge markovkædetorien. C. Fordeling af X 0 Fordeling af X 0 givet ved: ( 20 µ 0 =, 900, 250 ), 25, For eksempel, P(X 0 = 3): Antal mulige slag i alt: 6 5 = 7776 Antal måder man kan vælge 3 ud af 5: ( 5 3) = 0 Antal muligheder for de tre ens: 6 Antal muligheder for de to andre 5 5 = 25 Antal gunstige slag: = 500. Sandsynlighed = 500/7776 = 250/. Dias 29/38 Dias 30/38 C. Overgangssandsynligheder Overgangsgraf: Ikke så simpelt at beregne overgangssandsynlighederne men det viser sig at overgangsmatricen er: Q = er en absorberende tilstand. Når kæden først er nået derhen, slipper den ikke væk igen. C. Overgangssandsynligheder Eksempel: Tredje række, svarende til at man efter n kast har 3 ens. Kaster så med 2 terninger, mulige udfald P(X n+ = 5 X n = 3) = /, thi i et af udfaldene har begge terninger samme antal øjne som de tre ens. P(X n+ = 3 X n = 3) = 25/ thi i 5 5 = 25 af udfaldene har ingen af de to terninger samme antal øjne som de tre ens. P(X n+ = 4 X n = 3) = 0/ thi i ( 2 ) 5 = 0 af udfaldene har netop en af de to terninger samme antal øjne som de tre. Første og anden række er vanskeligere fordi antal øjne man samler på kan skifte! Dias 3/38 Dias 32/38
9 C. Sandsynlighed for yatzy i tre slag Fordeling af X 2 (største antal ens efter tre kast), µ 2 = µ 0 Q 2 : ( 20, 900, 250 ), 25, der bliver µ 2 = ( ,0.2562, , , ). Specielt er ssh. for at slå yatzy i tre slag, P(X 2 = 5) = D. Smittespredning Tre individer. Hvert individ kan enten være syg ( ) eller rask ( ). I alt 2 3 = 8 mulige tilstande: X n er tilstanden til tid n med følgende simple model for smittespredning: Syg til tid n rask til tid n + Rask og uden syge naboer til tid n rask til tid n + Rask og med mindst en syg nabo til tid n syg til tid n + med sandsynlighed p og rask med sandsynlighed p. Så er (X 0,X,...) en homogen markovkæde. Overgangsgraf? Overgangssandsynl.? Absorberende tilstande? Dias 33/38 Dias 34/38 D. Smittespredning D. Tilføjet efter workshoppen Lad Y n være antallet af smittede til tid n. Tilstandsrum S = {0,,2,3}. Mulige overgange: 0 0, 0,, 2, 2 0, 2, 3 0 (Y 0,Y...) er ikke en markovkæde! Hvorfor ikke? Beregn evt. P(Y 2 = 2 Y 0 = 2,Y = ) og P(Y 2 = 2 Y 0 =,Y = ). De er ikke ens! Så giver det ikke mening at tale om overgangsmatricen Q. Vi kunne ikke rigtigt finde ud af at beregne sandsynlighederne på forrige side. Med god grund: vi har brug for antagelser om fordelingen af X 0, altså konfigurationen til tid 0. Antag at hver af de tre personer til tid 0 er syg med ssh. p og rask med sssh. p, samt at der er uafhængighed. Kan nu regne på P(Y 2 = 2 Y 0 = 2,Y = ) og P(Y 2 = 2 Y 0 =,Y = ) og se at de ikke er ens. Dias 35/38 Dias /38
10 D. Tilføjet efter workshoppen Vil beregne P(Y 2 = 2 Y 0 = 2,Y = ) = P(Y 0=2,Y =,Y 2 =2) P(Y 0 =2,Y =). Hændelsen i nævneren kan ske på tre måde:,,, alle med ssh. p 2 ( p) p Hændelsen i tælleren kan kun ske på en måde: med ssh. p 2 ( p) p p 2. I alt fås P(Y 2 = 2 Y 0 = 2,Y = ) = p5 ( p) 3p 3 ( p) = p2 3 D. Tilføjet efter workshoppen Vil beregne P(Y 2 = 2 Y 0 =,Y = ) = P(Y 0=,Y =,Y 2 =2) P(Y 0 =,Y =). Hændelsen i nævneren kan ske på fire måde:,,,, med ssh. p( p) 2 p, p( p) 2 p( p), p( p) 2 p( p), hhv. p( p) 2 p. Hændelsen i tælleren kan kun ske på to måde:, begge med ssh. p( p) 2 p p 2. I alt fås P(Y 2 = 2 Y 0 =,Y = ) = 2p 4 ( p) 2 2p 2 ( p) 2 (2 p) = p2 2 p Dias 37/38 Dias 38/38
Markovkæder 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 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 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 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 mereDefinition. Definitioner
Definition Landmålingens fejlteori Lektion Diskrete stokastiske variable En reel funktion defineret på et udfaldsrum (med sandsynlighedsfordeling) kaldes en stokastisk variabel. - kkb@math.aau.dk http://people.math.aau.dk/
Læs 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 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 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 mereHvad skal vi lave i dag?
p. 1/15 Hvad skal vi lave i dag? Definition af sandsynlighedsrum. Egenskaber ved Sandsynlighedsmål. (Kap. 3). Fødselsdagsproblemet (supplerende eksempel 3.1). Betingede sandsynligheder og uafhængighed
Læs mereMarkovkæder og kodesprog
Markovkæder og kodesprog Britta Anker Bak (statistik) 1 / 61 Hvem er jeg? Britta Anker Bak, 23 år Skolegang på Mors og Thylands Ungdomsskole. Matematisk student fra Morsø Gymnasium i år 2007. Fandt i 3.
Læs mereHvem er jeg? Markovkæder og kodesprog. Kommentarer. Opbygningen af studiet. En uge på studiet. Kommentarer. Hvor får man arbejde som statistiker?
Hvem er jeg? Britta Anker Bak, 23 år Markovkæder og kodesprog Britta Anker Bak Skolegang på Mors og Thylands Ungdomsskole. Matematisk student fra Morsø Gymnasium i år 2007. Fandt i 3. g ud af, jeg ville
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 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 mereKønsproportion 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,
Læs mereKursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte
Læs mereSandsynlighedsregning 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 mereSandsynlighedsregning 3. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner Stokastiske variable:
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 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 mereLad 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
Læs mereSandsynlighedsregning 3. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner Stokastiske variable: udfald
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 mereBinomialfordelingen. Binomialfordelingen. Binomialfordelingen
Statistik og Sandsynlighedsregning 1 MS kapitel 3 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Definition 3.2.1 Lad X 1, X 2,..., X n være uafhængige
Læs mereSkriftlig Eksamen Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528)
Skriftlig Eksamen Kombinatorik, sandsynlighed og randomiserede algoritmer (DM58) Institut for Matematik & Datalogi Syddansk Universitet Torsdag den 7 Januar 010, kl. 9 13 Alle sædvanlige hjælpemidler (lærebøger,
Læs mereNanostatistik: Stokastisk variabel
Nanostatistik: Stokastisk variabel JLJ Nanostatistik: Stokastisk variabel p. 1/29 Repetition Ω: udfaldsrummet: alle de mulige udfald af et experiment P(A): ss for hændelsen A = frekvens i uafhængige gentagelser
Læs mereLinAlgDat 2014/2015 Google s page rank
LinAlgDat 4/5 Google s page rank Resumé Vi viser hvordan lineære ligninger naturligt optræder i forbindelse med en simpel udgave af Google s algoritme for at vise de mest interessante links først i en
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 mereStatistik Lektion 2. Betinget sandsynlighed Bayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV Binomialfordelingen
Statistik Lektion etinget sandsynlighed ayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV inomialfordelingen Repetition Udfaldsrum S Hændelse S Simpel hændelse O i 1, 3 4,
Læs mereNanostatistik: Stokastisk variabel
Nanostatistik: Stokastisk variabel JLJ Nanostatistik: Stokastisk variabel p. 1/34 Repetition Ω: udfaldsrummet: alle de mulige udfald af et experiment P(A): ss for hændelsen A = frekvens i uafhængige gentagelser
Læs meret a l e n t c a m p d k Matematiske Metoder Anders Friis Anne Ryelund 25. oktober 2014 Slide 1/42
Slide 1/42 Hvad er matematik? 1) Den matematiske metode 2) Hvad vil det sige at bevise noget? 3) Hvor begynder det hele? 4) Hvordan vælger man et sæt aksiomer? Slide 2/42 Indhold 1 2 3 4 Slide 3/42 Mængder
Læs mereNote om Monte Carlo metoden
Note om Monte Carlo metoden Kasper K. Berthelsen Version 1.2 25. marts 2014 1 Introduktion Betegnelsen Monte Carlo dækker over en lang række metoder. Fælles for disse metoder er, at de anvendes til at
Læs mereKursusgang 3 Matrixalgebra Repetition
Kursusgang 3 Repetition - froberg@math.aau.dk http://people.math.aau.dk/ froberg/oecon3 Institut for Matematiske Fag Aalborg Universitet 16. september 2008 1/19 Betingelser for nonsingularitet af en Matrix
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 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 mereMatematik A. Studentereksamen. Forberedelsesmateriale. Digital eksamensopgave med adgang til internettet
Matematik A Studentereksamen Digital eksamensopgave med adgang til internettet Forberedelsesmateriale frs-matn/a-270420 Onsdag den 27. april 20 Forberedelsesmateriale til stx-a-net MATEMATIK Der skal afsættes
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 mereSandsynlighedsregning
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),
Læs mereFig. 1 Billede af de 60 terninger på mit skrivebord
Simulation af χ 2 - fordeling John Andersen Introduktion En dag kastede jeg 60 terninger Fig. 1 Billede af de 60 terninger på mit skrivebord For at danne mig et billede af hyppighederne flyttede jeg rundt
Læs mereSandsynlighedsregning
Mogens Bladt www2.imm.dtu.dk/courses/02405 7. September, 2007 Hvad er sandsynlighedsregning? Formel matematisk måde til at håndtere tilfældigheder. Dybest set en formalisering af udregninger med proportioner.
Læs mere13.1 Matrixpotenser og den spektrale radius
SEKTION 3 MATRIXPOTENSER OG DEN SPEKTRALE RADIUS 3 Matrixpotenser og den spektrale radius Cayley-Hamilton-sætningen kan anvendes til at beregne matrixpotenser: Proposition 3 (Lasalles algoritme) Lad A
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 mereDet Ingeniør-, Natur- og Sundhedsvidenskabelige basisår Matematik 2A, Forår 2007, Hold 4 Opgave A Kommenteret version
Det Ingeniør-, Natur- og Sundhedsvidenskabelige basisår Matematik 2A, Forår 2007, Hold 4 Opgave A Kommenteret version Opgaven består af et antal delopgaver Disse er af varierende omfang Der er også en
Læs mereSimulering af stokastiske fænomener med Excel
Simulering af stokastiske fænomener med Excel John Andersen, Læreruddannelsen i Aarhus, VIA Det kan være en ret krævende læreproces at udvikle fornemmelse for mange begreber fra sandsynlighedsregningen
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 meredpersp Uge 40 - Øvelser Internetalgoritmer
Øvelse 1 dpersp Uge 40 - Øvelser Internetalgoritmer (Øvelserne 4 og 6 er afleveringsopgaver) a) Hver gruppe får en terning af instruktoren. Udfør 100 skridt af nedenstående RandomWalk på grafen, som også
Læs mereSandsynlighedsregning Stokastisk variabel
Sandsynlighedsregning Stokastisk variabel I eksperimenter knyttes ofte en talværdi til hvert udfald. S s X(s) R Definition: En stokastisk variabel X er en funktion defineret på S, der antager værdier på
Læs mereMatematik for økonomer 3. semester
Matematik for økonomer 3. semester cand.oecon. studiet, 3. semester Planchesæt 2 - Forelæsning 3 Esben Høg Aalborg Universitet 10. september 2009 Institut for Matematiske Fag Aalborg Universitet Esben
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Afsnit 3.1-3.2 Middelværdi -Definition - Regneregler Betinget middelværdi Middelværdier af funktioner af stokastiske variabler Loven om den itererede middelværdi Eksempler 1 Beskrivelse
Læs mereKursusgang 3 Matrixalgebra fortsat
Kursusgang 3 fortsat - froberg@math.aau.dk http://people.math.aau.dk/ froberg/oecon3 Institut for Matematiske Fag Aalborg Universitet 12. september 2008 1/31 Nødvendige betingelser En nødvendig betingelse
Læs mereEn 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
Læs mereSandsynlighedsregning: endeligt udfaldsrum (repetition)
Program: 1. Repetition: sandsynlighedsregning 2. Sandsynlighedsregning fortsat: stokastisk variabel, sandsynlighedsfunktion/tæthed, fordelingsfunktion. 1/16 Sandsynlighedsregning: endeligt udfaldsrum (repetition)
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 mereMatematisk modellering og numeriske metoder. Lektion 13
Matematisk modellering og numeriske metoder Lektion 3 Morten Grud Rasmussen 3. november 206 Numerisk metode til Laplace- og Poisson-ligningerne. Finite difference-formulering af problemet I det følgende
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 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 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 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 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 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 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 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 mereEuklids 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
Læs mereSimulering af stokastiske fænomener med Excel
Simulering af stokastiske fænomener med Excel John Andersen, Læreruddannelsen i Aarhus, VIA Det kan være en ret krævende læreproces at udvikle fornemmelse for mange begreber fra sandsynlighedsregningen
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 mereStatistik 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
Læs mereMLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som
MLR antagelserne Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som y = β 0 + β 1 x 1 + β 2 x 2 + + β k x k + u, hvor β 0, β 1, β 2,...,β k er ukendte parametere,
Læs 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 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 mereProdukt og marked - betinget sandsynlighed
Produkt og marked - betinget sandsynlighed Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 12, 2019 1 / 11 Tænkeboks opgave i Ingeniøren Se webside https://ing.dk/artikel/taenkeboks-sandsynligheden-fejlved-positiv-test-221355
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 mereGruppeteori. Michael Knudsen. 8. marts For at motivere indførelsen af gruppebegrebet begynder vi med et eksempel.
Gruppeteori Michael Knudsen 8. marts 2005 1 Motivation For at motivere indførelsen af gruppebegrebet begynder vi med et eksempel. Eksempel 1.1. Lad Z betegne mængden af de hele tal, Z = {..., 2, 1, 0,
Læs mereMatematikken i kunstig intelligens Opgaver om koordinerende robotter
Matematikken i kunstig intelligens Opgaver om koordinerende robotter Thomas Bolander 2. juni 2018 Vejledning til opgaver Opgave 1 kan eventuelt springes over, hvis man har mindre tid. De resterende opgaver
Læs mereStatistik II 1. Lektion. Sandsynlighedsregning Analyse af kontingenstabeller
Statistik II 1. Lektion Sandsynlighedsregning Analyse af kontingenstabeller Kursusbeskrivelse Omfang 5 kursusgange (forelæsning + opgaveregning) 5 kursusgange (mini-projekt) Emner Analyse af kontingenstabeller
Læs mereMatematikken i kunstig intelligens Opgaver om koordinerende robotter LØSNINGER
Matematikken i kunstig intelligens Opgaver om koordinerende robotter LØSNINGER Thomas Bolander 25. april 2018 Vejledning til opgaver Opgave 1 kan eventuelt springes over, hvis man har mindre tid. De resterende
Læs merefortsætte høj retning mellem mindre over større
cirka (ca) omtrent overslag fortsætte stoppe gentage gentage det samme igen mønster glat ru kantet høj lav bakke lav høj regel formel lov retning højre nedad finde rundt rod orden nøjagtig præcis cirka
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 mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Lineære transformationer, middelværdi og varians Helle Sørensen Uge 8, onsdag SaSt2 (Uge 8, onsdag) Lineære transf. og middelværdi 1 / 15 Program I formiddag: Fordeling
Læs mereAllan C. Malmberg. Terningkast
Allan C. Malmberg Terningkast INFA 2008 Programmet Terning Terning er et INFA-program tilrettelagt med henblik på elever i 8. - 10. klasse som har særlig interesse i at arbejde med situationer af chancemæssig
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 mereLandmålingens fejlteori - Sandsynlighedsregning - Lektion 1
Landmålingens fejlteori Sandsynlighedsregning Lektion 1 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf10 Institut for Matematiske Fag Aalborg Universitet 23. april 2009 1/28 Landmålingens
Læs 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 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 mereHvis α vælges meget lavt, bliver β meget stor. Typisk vælges α = 0.01 eller 0.05
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
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 mereMomenter som deskriptive størrelser. Hvad vi mangler fra onsdag. Momenter for sandsynlighedsmål
Hvad vi mangler fra onsdag Momenter som deskriptive størrelser Sandsynlighedsmål er komplicerede objekter de tildeler numeriske værdier til alle hændelser i en σ-algebra. Vi har behov for simplere, deskriptive
Læs mereHvad vi mangler fra onsdag. Vi starter med at gennemgå slides fra onsdag.
Hvad vi mangler fra onsdag Vi starter med at gennemgå slides 34-38 fra onsdag. Slide 1/17 Niels Richard Hansen MI forelæsninger 6. December, 2013 Momenter som deskriptive størrelser Sandsynlighedsmål er
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 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 mereKvantitative Metoder 1 - Efterår Dagens program
Dagens program Afsnit 3.1-3.2 Middelværdi -Definition - Regneregler Betinget middelværdi Middelværdier af funktioner af stokastiske variable Loven om den itererede middelværdi Eksempler 1 Beskrivelse af
Læs mereKapitlet indledes med en beskrivelse af - og opgaver med - de tre former for sandsynlighed, som er omtalt i læseplanen for 7.- 9.
Kapitlet indledes med en beskrivelse af - og opgaver med - de tre former for sandsynlighed, som er omtalt i læseplanen for 7.- 9. klassetrin: statistisk sandsynlighed, kombinatorisk sandsynlighed og personlig
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 mereTØ-opgaver til uge 45
TØ-opgaver til uge 45 Først laver vi en liste over de ligninger med mere i [IPT], der skal bruges: [1]: Ligning (2.5) på side 4. [2]: Ligning (2.6) på side 5. [3]: Sætning 3.1, ligning (3.3) på side 7.
Læs mereElementær Matematik. Mængder og udsagn
Elementær Matematik Mængder og udsagn Ole Witt-Hansen 2011 Indhold 1. Mængder...1 1.1 Intervaller...4 2. Matematisk Logik. Udsagnslogik...5 3. Åbne udsagn...9 Mængder og Udsagn 1 1. Mængder En mængde er
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 mereTrin 1: Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Kapitel 8.1-8.3 Tilfældig stikprøve (Random Sampling) Likelihood Eksempler på likelihood funktioner Sufficiente statistikker Eksempler på sufficiente statistikker 1 Tilfældig stikprøve Kvantitative
Læs mere{ } { } {( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )}
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 at sige noget om,
Læs mereProjekt 7.9 Euklids algoritme, primtal og primiske tal
Projekter: Kapitel 7 Projekt 79 Euklids algoritme, primtal og primiske tal Projekt 79 Euklids algoritme, primtal og primiske tal Projektet giver et kig ind i metodee i modee talteori Det kan udbygges med
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 mere