1 Palm teori. Palm teori 1
|
|
- Valdemar Asmussen
- 5 år siden
- Visninger:
Transkript
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 betegner med N(t) antallet af {T n } mindre end eller lig med t. Således angiver T N(t) mindste T n som er større end t. For ethvert s 0 defineres θ s X = {X(t + s)} t 0 θ s T = {T N(s)+n s} n N0. Lad nu P være et sandsynlighedsmål på (Ω, F). Der er nu to oplagte definitioner af stationaritet for processen (X, T ). Tidsstationaritet (X, T ) siges at være tidsstationær mht. P, hvis (θ s X, θ s T ) har samme fordeling som (X, T ) for alle s 0. Event-stationaritet (X, T ) siges at være event-stationær mht. P, hvis (θ Tk X, θ Tk T ) har samme fordeling som (X, T ) for alle k N 0. Bemærkning 1.1 Hvis (X, T ) er tidsstationær gælder specielt, at X(s) har samme fordeling for alle s 0. Tilsvarende medfører eventstationaritet specielt, at X(T n ) har samme fordeling for alle n N 0. Den store forkromede pointe med dette afsnit er, at de to former for stationaritet i almindelighed ikke kan optræde samtidigt. Dette forsøges illustreret gennem nogle simple eksempler. Derefter diskuteres, hvordan man kan komme fra den tidsstationære fordeling til den eventstationære fordeling og omvendt. Den generelle teori til løsning af problemer af denne type kaldes Palm teori. Endelig runder vi af med at diskutere en klasse af eksempler, hvor de tids- og eventstationære fordelinger er ens.
2 2 A. T. Jensen 1.1 Eksempel 1: Den fremadrettede rekurrensproces Lad {W n } n N0 være indbyrdes uafhængige ikke-negative stokastiske variable defineret på et sandsynlighedsfelt (Ω, F, P). Antag at {W n } n 1 er identisk fordelte med fordeling A, mens W 0 følger en fordeling A 0. Definerer vi S = {S n } n N0 ved S n = W W n ses, at S bliver en fornyelsesproces med ventetidsfordeling A og forsinkelse A 0. Det antages, at µ = ua(du) <, så vi kan definere Palmfordelingen 0 A P hørende til A. Idet {R(t)} betegner den fremadrettede rekurrensproces, betragter vi processen Z = ({R(t)} t 0, S). I det følgende argumenteres for, at de tids- og eventstationære fordelinger for Z ikke er ens. Hvis Z skal være tidsstationær, skal der bl.a. gælde, at fordelingen af R(t) er uafhængig af t. Vi har tidligere set, at dette er ækvivalent med, at A 0 er lig med Palmfordelingen A P. Hvis Z er tidsstationær mht. P gælder, således for alle t 0 og alle Borelmængder, B, at P(R(t) = B) = A P (B). For at Z er eventstationær mht. P kræves bl.a., at R(S 0 ) har samme fordeling som R(0), dvs Palmfordelingen A P. Imidlertid angiver R(S 0 ) ventetiden fra S 0 til næste fornyelse S 1, der pr. antagelse følger fordeling A. En forudsætning for, at en fornyelsesproces kan være både tidsstationær og eventstationær mht. P er således, at ventetidsfordelingen, A, og den tilhørende Palmfordeling, A P, er ens. Hvis A ikke lever på et gitter, er A = A P netop, hvis A er eksponentialfordelt. Det er et specialtilfælde af sætningen i afsnit 1.3, at Z er tids- og eventstationær i dette specielle tilfælde.
3 Palm teori Eksempel 2: Kø-teori Vi betragter et køsystem med et betjeningssted. Det antages at ventetiden mellem kunders ankomst til køen er uafhængige og identisk fordelte og uafhængige af betjeningstiderne. Disse antages tillige at være uafhængige og identisk fordelte. Med Q(t) betegnes køens længde til tid t. Vi lader T være den voksende følge af tidspunkter givet ved T n : n + 1-te gang, der sker en ændring i kølængden, dvs. enten når kunder ankommer eller når kunder er blevet betjent Betegner vi med P s den tidsstationære fordeling (underforstået at denne eksisterer), vil vi ved simulation illustrere, at den tidsstationære fordeling af kølængden afviger fra kølængen observeret til tiderne T. Vi har tidligere set, at ovenstående køsystem udgør en regenerativ proces, med tidspunkter hvor kunder ankommer til en tom kø som regenereringstidspunkter. Fordelingen af kølængden, P s (Q(0) B), under den tidsstationære fordeling er i nedenstående simulation simuleret ved regenerativ simulation (sort). Samtidig er optegnet et pindediagram over kølængden observeret til tiderne T. Tidsstationære og eventstationære fordeling af kølængden Punktsandsynligheder Kølængde Heraf ses blandt andet, at den gennemsnitlige kølængde over tid er mindre end den gennemsnitlige længde af køen observeret til tiderne T.
4 4 A. T. Jensen 1.3 Palmfordelinger og PASTA I dette afsnit betragtes en stokastisk proces Z = (X, T ) på et måleligt rum (Ω, F). Den følgende sætning fortæller, hvordan den eventstationære fordeling kan konstrueres ud fra den tidsstationære fordeling. Sætning 1.2 Lad Z være tidsstationær mht. P. Definer et nyt sandsynlighedsmål P 0 på (Ω, F) ved P 0 (Z F ) = Da er Z eventstationær mht. P 0. 1 N(t; t + h] E t<t i t+h 1 (θti Z F ). Fordelingen P 0 kaldes Palmfordelingen hørende til P omend vi ikke kommer nærmere ind på sammenhængen med vores sædvanlige definition af Palmfordelingen. Tilsvarende gælder Palms inversionsformel der fortæller, hvordan den tidsstationære fordeling kan konstrueres ud fra den eventstationære fordeling. Sætning 1.3 Lad Z være eventstationær mht. P 0, og definer P på (Ω, F) ved P (Z F ) = 1 T1 E 0 1 (θtz F )dt. E 0 T 1 0 Da er Z tidsstationær mht. P. I praksis er det som oftest svært at beregne Palmfordelingen og at invertere Palmfordelingen eksplicit. Man kan dog opskrive et tilstrækkeligt kriterium for, at tidsstationaritet medfører eventstationaritet. Vi betragter en proces Z = (X, T ), og betegner med N = {N(t)} t 0 tælleprocessen hørende til T. Vi gør nu følgende antagelser: 1. N er en poissonproces med intensitet λ 2. {N(s) N(t)} t s og {(X(s), N(s))} s<t er uafhængige Sætning 1.4 Lad Z være tidsstationær mht. P. Da gælder under ovenstående antagelser, at: P(X(0) F ) = P 0 (X(T n ) F ).
5 Palm teori 5 Det er nok ikke umiddelbart klart, hvad sætningen siger. Man skal tænke på en situation, hvor man ønsker at observere en stokastisk proces X = {X(t)} til en følge af tidspunkter T som opfylder ovenstående betingelse. Måske ønsker man at bestemme fordelingen af X(T n ). Med henvisning til ergodesætningen vil man formode at for eksempel den empiriske frekvens af {X(T n )}, som havner i en mængde B, er tæt på P 0 (X(T n ) B). Sætningen siger, at hvis vi kender fordelingen af X(0) under den tidsstationære fordeling, så vil P(X(0) B) = P 0 (X(T n ) B). Hvis processen X har venstre kontinuerte udfaldsfunktioner i punkterne T, kan T n erstattes med X(T n ). Dette fænomen omtales i litteraturen som PASTA (Poisson Arrival See Time Averages). 1.4 Eksempel 3: Ventetidsparodokset Lad som i afleveringsopgave 2, C = {C(t)} betegne ventetiden mellem sidste fornyelse før tid t og første fornyelse efter tid t i en fornyelsesproces med ligefordelte ventetider. Lad S betegne fornyelsestidspunkterne for processes, og lad T = {T n } være en poissonproces med intensitet 1, som er helt uafhængig af C. Den tidstationære fordeling af C kan essentielt simuleres som den empiriske fordeling af C(10) i et stort antal uafhængige simulationer af C. Man kan vise at under den tidsstationære fordeling, P, gælder, at P(C(10) x) = { x 2 x 1 1 x > 1
6 6 A. T. Jensen Empirisk fordeling af C(10) Density C(10) Vælger vi i stedet observere C til tidspunkter givet ved S fås en ligefordeling ( ventetidsfordelingen ). Dette skyldes, at C(S n ) = S n, for n N 0. Empirisk fordeling af C(S_n) Density C(S_n)
7 Palm teori 7 Endelig kan vi betragte den empiriske fordeling af C observeret til tidspunkterne T (uafhængig poissonproces). Her foreskriver sætning 1.4, at vi skal få den tidsstationære fordeling af C(10) frem igen. Empirisk fordeling af C(T_n) Density C(T_n)
Fornyelsesteori 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 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 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
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 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 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 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 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 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 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 mereWigner s semi-cirkel lov
Wigner s semi-cirkel lov 12. december 2009 Eulers Venner Steen Thorbjørnsen Institut for Matematiske Fag Århus Universitet Diagonalisering af selvadjungeret matrix Lad H være en n n matrix med komplekse
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 mereTeoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts.
Teoretisk Statistik, 9 marts 2005 Empiriske analoger (Kap. 3.7) Normalfordelingen (Kap. 3.12) Opsamling på Kap. 3 nb. Det forventes ikke, at alt materialet dækkes d. 9. marts. 1 Empiriske analoger Betragt
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 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 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 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 9. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1 OPSAMLING EKSAKTE MODELLER Fordele: Praktiske til initierende analyser/dimensionering
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 mereVi har beskæftiget os indgående med ankomst- og servicetidsprocesser. Disse karakteriserer input til et køsystem. Andre karakteriserende størrelser?
Dagens emner Kvalitative egenskaber og karakteristiske størrelser i generelle køsystemer. Little s formel. Repetition af hopdiagrammer og Markovprocesser. Fødsels- og dødskøsystemer. AGR/PSE (I17) VS7-5.
Læs mereStokastiske processer og køteori
Stokastiske processer og køteori 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 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 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 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 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 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 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 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 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 mereEksamen 2014/2015 Mål- og integralteori
Eksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål Ved bedømmelsen indgår de spørgsmål med samme vægt
Læs mereKarakteristiske funktioner og Den Centrale Grænseværdisætning
E6 efterår 1999 Notat 10 Jørgen Larsen 20. oktober 1999 Karakteristiske funktioner og Den Centrale Grænseværdisætning Karakteristiske funktioner som er nære slægtninge til Fourier-transformationen) er
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 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 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 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 mereMM501 forelæsningsslides
MM501 forelæsningsslides uge 40, 2010 Produceret af Hans J. Munkholm bearbejdet af JC 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen s.445-8 dx Eksempler
Læs mereStatistisk model. Definition: En statistisk model består af et repræsentationsrum (X, E) og en familie P af sandsynlighedsmål
Statistisk model Definition: En statistisk model består af et repræsentationsrum (X, E) og en familie P af sandsynlighedsmål på (X, E). Modellen er parametriseret hvis der findes en parametermængde Θ og
Læs 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 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 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 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 mereMM501/MM503 forelæsningsslides
MM501/MM503 forelæsningsslides uge 50, 2009 Produceret af Hans J. Munkholm 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen dx Eksempler = et udtryk, der indeholder
Læs mereDANMARKS TEKNISKE UNIVERSITET Side 1 af 17 sider. Skriftlig prøve, den: 29. maj 2015 Kursus nr : (navn) (underskrift) (bord nr)
DANMARKS TEKNISKE UNIVERSITET Side af 7 sider Skriftlig prøve, den: 9. maj 05 Kursus nr : 0405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret af:
Læs 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 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 mereModelselektion Permeabilitet Permeabilitet Permeabilitet
Modelselektion Permeabilitet Vi vil ud fra et eksempel diskutere de uhyggelige effekter af test-baseret modelselektion. Hvor lang tid er vand om at trænge igennem nyfremstillede byggeplader. Dag Dag Dag
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 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 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 mereHypotesetest. Altså vores formodning eller påstand om tingens tilstand. Alternativ hypotese (hvis vores påstand er forkert) H a : 0
Hypotesetest Hypotesetest generelt Ingredienserne i en hypotesetest: Statistisk model, f.eks. X 1,,X n uafhængige fra bestemt fordeling. Parameter med estimat. Nulhypotese, f.eks. at antager en bestemt
Læs mereStokastiske processer og køteori
Stokastiske processer og køteori 5. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1 DAGENS EMNER Kvalitative egenskaber og karakteristiske størrelser i generelle køsystemer.
Læs mereDefinition: 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 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet Repetition:
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 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 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 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 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 mereTeoretisk Statistik, 2. december 2003. Sammenligning af poissonfordelinger
Uge 49 I Teoretisk Statistik, 2. december 2003 Sammenligning af poissonfordelinger o Generel teori o Sammenligning af to poissonfordelinger o Eksempel Opsummering om multinomialfordelinger Fishers eksakte
Læs 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 mereReeksamen 2014/2015 Mål- og integralteori
Reeksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål. Ved bedømmelsen indgår de spørgsmål med samme vægt.
Læs mereLandmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition:
Læs mereMatematik 3 SS. Københavns Universitet Naturvidenskabelig kandidateksamen, sommeren Opgaver til besvarelse i 3 timer fredag den 18. juni 1993.
Københavns Universitet Opgaver til besvarelse i 3 timer fredag den 18. juni 1993. Opgave 1 (50%) Det bemærkes, at en række af nedenstående spørgsmål kan besvares uafuængigt af de Øvrige spørgsmål (resultaterne,
Læs 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 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 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 mereAgenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede
Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede fordelinger (kap. 4) Middelværdi og varians (kap. 3-4) Fordelingsresultater
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 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 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 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 8. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 8. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner 5.1 og 5.2 Ligefordeling med to
Læs mereSide 9 sætningen: Kolmogorov s konsistensætning Tue Tjur, Institut for Matematisk Statistik
Side 9 sætningen: Kolmogorov s konsistensætning Tue Tjur, Institut for Matematisk Statistik Advarsel: I denne artikel gives udtryk for holdninger til sandsynlighedsregningens grundlag. Disse er forfatterens
Læs mereSandsynlighedsregning 8. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 8. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner 5.1 og 5.2 Ligefordeling med to
Læs mereIntegration m.h.t. mål med tæthed
Integration m.h.t. mål med tæthed Sætning (EH 11.7) Lad ν = f µ på (X, E). For alle g M + (X, E) gælder at gdν = g f dµ. Bevis: Standardbeviset: 1) indikatorfunktioner 2) simple funktioner 3) M + -funktioner.
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 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 mereSandsynlighedsbaserede metoder
Metodeartikel 29 Sandsynlighedsbaserede metoder Monte Carlo-metoden Daniel Kjær I sidste udgave af Famøs kunne læseren finde første halvdel af en todelt artikelserie om sandsynlighedsbaserede metoder under
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 mereCIVILINGENIØREKSAMEN Side 1 af 18 sider. Skriftlig prøve, den: PQ. juli 200Z Kursus nr : (navn) (underskrift) (bord nr)
CIVILINGENIØREKSAMEN Side 1 af 18 sider Skriftlig prøve, den: PQ. juli 200Z Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Tilladte hjælpemidler: Alle Dette sæt er besvaret af: (navn) (underskrift)
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 mereLidt om fordelinger, afledt af normalfordelingen
IMM, 2002-10-10 Poul Thyregod Lidt om fordelinger, afledt af normalfordelingen 1 Introduktion I forbindelse med inferens i normalfordelinger optræder forskellige fordelinger, der er afledt af normalfordelingen,
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 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 mereTØ-opgaver til uge 46
TØ-opgaver til uge 46 Først laver vi en liste over de ligninger med mere i [ITP], der skal bruges: [1]: Ligning (2.5) på side 4. [2]: Sætning 3.1, ligning (3.3) på side 7. [3]: Sætning 3.1, ligning (3.4)
Læs mereCIVILINGENIØREKSAMEN Side 1 af 16 sider. Skriftlig prøve, den: 27. maj 2011 Kursus nr : (navn) (underskrift) (bord nr)
CIVILINGENIØREKSAMEN Side af 6 sider Skriftlig prøve, den: 27. maj 20 Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Tilladte hjælpemidler: Alle Dette sæt er besvaret af: (navn) (underskrift) (bord
Læs mereCIVILINGENIØREKSAMEN Side?? af?? sider. Skriftlig prøve, den: 16. december 2004 Kursus nr : (navn) (underskrift) (bord nr)
CIVILINGENIØREKSAMEN Side?? af?? sider Skriftlig prøve, den: 6. december 2004 Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Tilladte hjælpemidler: Alle Dette sæt er besvaret af: (navn) (underskrift)
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 mereEn martingalversion af CLT
Kapitel 9 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 variable,
Læs mereCIVILINGENIØREKSAMEN Side 1 af 18 sider. Skriftlig prøve, den: XY. december 200Z Kursus nr : (navn) (underskrift) (bord nr)
CIVILINGENIØREKSAMEN Side 1 af 18 sider Skriftlig prøve, den: XY. december 200Z Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Tilladte hjælpemidler: Alle Dette sæt er besvaret af: (navn) (underskrift)
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 mereDANMARKS TEKNISKE UNIVERSITET Side 1 af 16 sider. Skriftlig prøve, den: 27. maj 2019 Kursus nr : (navn) (underskrift) (bord nr)
DANMARKS TEKNISKE UNIVERSITET Side 1 af 16 sider Skriftlig prøve, den: 7. maj 019 Kursus nr : 0405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret
Læs mereStatistiske modeller
Statistiske modeller Statistisk model Datamatrice Variabelmatrice Hændelse Sandsynligheder Data Statistiske modeller indeholder: Variable Hændelser defineret ved mulige variabel værdier Sandsynligheder
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 mereSusanne Ditlevsen Institut for Matematiske Fag susanne
Statistik og Sandsynlighedsregning 1 Repetition MS kapitel 1 3 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Hvad er sandsynlighed? - beskriver systemer
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 mere