Stokastiske processer og køteori
|
|
|
- Morten Jepsen
- 10 år siden
- Visninger:
Transkript
1 Stokastiske processer og køteori 8. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1
2 HVAD ER KØNETVÆRK? Åbent kønetværk Lukket kønetværk HVAD ER KØNETVÆRK? 2
3 Vi skal kun se på åbne kønetværk (ankomst fra eksterne kilder, hver kunde forlader systemet med sandsynlighed 1). Ideelt vil vi gerne, at hvert delsystem ligner de køsystemer, vi véd, hvordan vi analyserer (M/M-systemer, M/GI-systemer). Interessante spørgsmål: 1. Hvordan ser ankomst/afgangsprocesser i delsystemer ud? 2. Hvilken indflydelse har det på beregninger, at delsystemer generelt afhænger af hinanden? 3. Hvordan beregnes performancestørrelser for (del)system? HVAD ER KØNETVÆRK? 3
4 POISSON AFGANGSPROCES HVORNÅR? Antag ankomstproces til et køsystem med intensitet a. Vi har Poisson afgangsproces m. intensitet a i køsystemerne M/M(m, ) med trafiktilbud A, hvis A/m < 1 (ligevægt) (Burke s sætning, del 1). M/GI(, 0)-køsystemet (uendeligt mange ekspedienter). Intuition: når systemet er i ligevægt er flow ind = flow ud. Ankomst- og afgangsprocessen må altså se ens ud. Burke s sætning, del 2: I M/M(m, ) gælder også, at antal kunder til t, N(t), er uafhængig af afgangsprocessen før tid t. Vi kan altså ikke bruge observationer af afgangsprocessen nu til at sige noget om antallet af kunder i systemet nu. POISSON AFGANGSPROCES HVORNÅR? 4
5 EKSEMPEL: SIMPEL TANDEMKØ Poisson M/M(1, ) Poisson M/M(1, ) Poisson Hvert delsystem kan analyseres separat som M/M(1, ). Lad N i (t) = antal kunder i delsystem i til tid t. Eftersom N 2 (t) kun afhænger af ankomstproces før tid t, som er uafhængig af N 1 (t) iflg. Burke s sætning, er N 1 (t) faktisk uafhængig af N 2 (t) (gælder generelt i Jacksonnetværk). EKSEMPEL: SIMPEL TANDEMKØ 5
6 FRA AFGANGSPROCES TIL ANKOMSTPROCES Ankomstprocesser til delsystemer er typisk Sammensat af flere afgangsproc./eksterne ankomstproc. En procentdel af en afgangsproc./eksterne ankomstproc. Begge dele. Reminder fra 2. forelæsning: Sum. Hvis N i uafhængige Poissonprocesser med int. a i, i = 1, 2, så er N 1 + N 2 en Poissonproces med intensitet a 1 + a 2. Udtynding. Lad N være en Poissonproces med intensitet a. Hvis Ñ er tælleprocessen, som fremkommer ved uafhængigt at inkludere den nte ankomst i N med sandsynlighed p, så er Ñ en Poissonproces med intensitet ap. FRA AFGANGSPROCES TIL ANKOMSTPROCES 6
7 Flere uafhængige Poissonkilder: Poisson (a 1 ) Poisson (a 2 ) Poisson (a k ). Poisson (a 1 +a 2 + +a k ) Sumproces har intensitet givet ved sum af afgangsintensiteter. Tilfældig allokering: Poisson (a) p 1 p 2 p k. Poisson (ap 1 ) Poisson (ap 2 ) Poisson (ap k ) Sandsynlighed p j for delproces j giver denne intensitet ap j. FRA AFGANGSPROCES TIL ANKOMSTPROCES 7
8 ERLANG ANKOMSTPROCESSER Cyklisk allokering: Poisson (a). Erlang (k, a/k) Erlang (k, a/k) Erlang (k, a/k) Delproces j får præcis hver jte ankomst. Dermed fås en Erlangproces af orden k m. intensitet a/k. Vanskeligt at benytte dette til eksakte beregninger pånær i meget simple kønetværk, fx simpel tandemkø. ERLANG ANKOMSTPROCESSER 8
9 EKSAKTE BEREGNINGER OPSUMMERING Vi kan regne eksakt på åbne kønetværk, hvor Eksterne ankomstprocesser er Poisson. Delsystemer med m servere, uafhængige eksp. fordelte ekspeditionstider og uendeligt mange ventepladser. Tilfældig kundeallokering mellem delsystemer. (Der ingen løkker er, dvs. hver kunde besøger hvert delsystem højest én gang). Fremgangsmåde: 1. Bestem ankomstintensitet for hvert delsystem vha. regnereglerne på slide Regn på hvert delsystem som på M/M(m, ). 3. Sammensæt evt. performancestørrelser fra delsystemer. EKSAKTE BEREGNINGER OPSUMMERING 9
10 EKSEMPEL: KØNETVÆRK UDEN LØKKER a = 2/time Antag at hvert delsystem er et M/M(1, )-system. Ekspeditionsintensiteter b 1 = 3, b 2 = 2.5, b 3 = 0.5, b 4 = 3. Dvs. delsystemer med ankomst/ekspeditionsintensiteter 1 : a = 2, b = 3, 3 : a = = 0.2, b = : a = = 1.8, b = : a = 2, b = 4. EKSEMPEL: KØNETVÆRK UDEN LØKKER 10
11 Hvad er den gennemsnitlige produktionstid (i ligevægt)? Gnsnt. antal kunder n i i delsystem i (i ligevægt); vi véd at n i = A i 1 A i, hvor A i trafiktilbud i delsystem i. Dvs. 1 : n 1 = 2/3 1 2/3 = 2, 2 : n 2 = 1.8/ /2.5 = : n 3 = 0.2/ /0.5 = : n 4 = 2/4 1 2/4 = 1. Dvs. samlet gnsnt. produktionstid (vha. Little s formel) V = 1 a (n 1 + n 2 + n 3 + n 4 ) = 3.79 EKSEMPEL: KØNETVÆRK UDEN LØKKER 11
12 KØNETVÆRK MED LØKKER (FEEDBACK) Eksempel på kønetværk med løkke/feedback. 2 a 1 1 p Antag at delsystemer kan modelleres som G/M(m, )-systemer og at ekstern ankomstproces er Poisson. Bemærk at intern ankomstproces (dvs. når feedback medregnes) ikke er en Poissonproces! Kan systemerne stadig analyseres som separate M/M(1, )-køsystemer? Ja ifølge Jackson s sætning. p KØNETVÆRK MED LØKKER (FEEDBACK) 12
13 JACKSONNETVÆRK Et Jacksonnetværk er et åbent kønetværk af G/M(m, )-køer, hvor eksterne ankomstprocesser er uafhængige Poisson, og kunder fra et køsystem allokeres tilfældigt til næste køsystem indtil kunden forlader køsystemet. Jackson s sætning: Et Jacksonnetværk kan analyseres ved at 1. Bestemme ankomstintensiteter a i til hvert delsystem ved at udnytte, at flow ind = flow ud for hvert delsystem i ligevægt. 2. Behandle hvert delsystem som om det var et M/M(m, )-system med ankomsintensitet a i uafhængigt af de øvrige delsystemer. 3. Evt. kombinere performancestørrelser på tværs af delsystemer. JACKSONNETVÆRK 13
14 EKSEMPEL: BEREGNINGER I JACKSONNETVÆRK Præcis samme teknik, som I brugte til 2. opgaveregning. λ 1 =9/time λ 2 =1/time 1 : a 1 = a + 0.2a 4 4 : a 4 = a 3 + a 2 2 : a 2 = 0.5a 1 5 a 5 = 0.8a 4 + λ 2 = λ 1 + λ 2. 3 : a 3 = 0.5a 1 a 1 = a 2 = 5.63 a 3 = 5.63 a 4 = a 5 = 10 EKSEMPEL: BEREGNINGER I JACKSONNETVÆRK 14
15 Antag at eksempelnetværk er et Jacksonnetværk med M/M(1, )-delsystemer og ekspeditionsintensiteter b 1 = = b 5 = 12/time Gnsnt. antal kunder n i i delsystem i (i ligevægt); vi véd at N i = A i 1 A i, hvor A i trafiktilbud i delsystem i. Dvs. 1 : n 1 = 11.25/ /12 = 15, 3 : n 3 = 5.63/ /12 = : n 2 = 5.63/ /12 = : n 4 = 11.25/ /12 = 15 5 : n 5 = 10/ /12 = 5. Dvs. samlet gnsnt. produktionstid (vha. Little s formel) V = 1 λ 1 + λ 2 (n 1 + n 2 + n 3 + n 4 ) = 3.7 EKSEMPEL: BEREGNINGER I JACKSONNETVÆRK 15
16 KARAKTERISTISKE STØRRELSER I JACKSONNETVÆRK Poisson eksterne ankomstprocesser med intensiteter λ 1,...,λ l. Sæt λ = λ λ l (samlet throughput). Antag k delsystemer med ankomstintensiteter a i ; gennemsnitlige ekspeditionstider b i ; m i ekspedienter; N i (t) kunder til tid t. Ekspedientbelastning ved delsystem i; med trafiktilbud A i = a i /b i ρ i = A i m i, (skal være mindre end 1 for ligevægt!). Gennemsnitligt antal besøg til delsystem i: v i = a i /λ. Gennemsnitligt antal kunder i system: L = k i=1 EN i. Gennemsnitlig opholdstid i system: V = 1 λ k i=1 EN i. KARAKTERISTISKE STØRRELSER I JACKSONNETVÆRK 16
17 REKAPITULATION: DIMENSIONERING OG ANALYSE Vi kan regne eksakt på åbne kønetværk m. M/M(m, ) delsystemer og tilfældig allokering til delsystemer. Velegnet til initiel dimensionering og analyse. Bemærk: Analysen forudsætter eksponentialfordelte ventetider. Ofte er ventetidernes varians mindre end eksponentialfordelingens. Det betyder, at analysen giver konservative performancemål. Eksempelvis vil den faktiske gennemsnitlige ventetid være mindre end analysens resultat, jf. PK-formlen V q = b A ( 1 VarS ). 1 A (ES) 2 REKAPITULATION: DIMENSIONERING OG ANALYSE 17
18 KORT OM M/GI(, 0)-DELSYSTEMER Vi kan også kan regne eksakt på åbne kønetværk med M/GI(, 0)-delsystemer; uden løkker(!!!). Mindre interessante i dimensioneringssammenhæng pga. uendeligt mange ekspedienter per delsystem dvs. kunder bliver altid straksekspederet. For antal kunder i delsystem i gælder N i Poisson(A i ). Heraf eksempelvis antal kunder i delsystem i EN i = A i Dvs. gennemsnitligt antal kunder EN EN k ; gennemsnitligt produktionstid: V = λ 1 (A A k ). KORT OM M/GI(, 0)-DELSYSTEMER 18
Stokastiske processer og køteori
Stokastiske processer og køteori 7. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1 OVERBLIK Sidste gang: M/M/(m, n m)-køsystemet: ligevægtsfordeling; performancestørrelser;
Stokastiske 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).
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.
Stokastiske processer og køteori
Stokastiske processer og køteori 2. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1 STOKASTISK MODEL FOR KØSYSTEM Population Ankomst Kø Ekspedition Output Ankomstproces
Stokastiske 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
Modeller 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
Stokastiske 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
Kursusindhold: 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
Stokastiske 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.
Kursusindhold: 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
Lidt 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
Produkt 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
En 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,
Vægte motiverende eksempel. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægtet model. Vægtrelationen
Vægte motiverende eksempel Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - kkb@mathaaudk Institut for Matematiske Fag Aalborg Universitet Højdeforskellen mellem punkterne P
Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl
Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - [email protected] http://people.math.aau.dk/ kkb/undervisning/lf13 Institut for Matematiske Fag Aalborg Universitet 1/1 Vægtet
Teoretisk Statistik, 13 april, 2005
Poissonprocessen Teoretisk Statistik, 13 april, 2005 Setup og antagelser Fordelingen af X(t) og et eksempel Ventetider i poissonprocessen Fordeling af ventetiden T 1 til første ankomst Fortolkning af λ
Program. 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
Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl
Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - [email protected] Institut for Matematiske Fag Aalborg Universitet 1/36 Estimation af varians/spredning Antag X 1,...,X n stokastiske
Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte
Stokastiske 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
Kvantitative Metoder 1 - Forår 2007
Dagens program Kapitel 8.7, 8.8 og 8.10 Momenter af gennemsnit og andele kap. 8.7 Eksempel med simulationer Den centrale grænseværdisætning (Central Limit Theorem) kap. 8.8 Simulationer Normalfordelte
Produkt 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
Oversigt. Kursus 02402 Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Eksponential fordelingen
Kursus 02402 Introduktion til Statistik Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik Bygning 305/324 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
Antag X 1, X 2,..., X n er n uafhængige stokastiske variable, hvor Var(X 1 )=σ 2 1,..., Var(X n )=σ 2 n.
Simple fejlforplantningslov Landmålingens fejlteori Lektion 6 Den generelle fejlforplantningslov Antag X, X,, X n er n uafhængige stokastiske variable, hvor Var(X )σ,, Var(X n )σ n Lad Y g(x, X,, X n ),
Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: [email protected] Dagens emner: Afsnit 4.2, 4.3 og 4.4 Poissonprocessen/eksponentialfordelingen
Løsning til prøveeksamen 1
IMM - DTU 020 Probability 2006-2-8 BFN/bfn Løsning til prøveeksamen Spørgsmål ) For en indikatorvariabel I A for hændelsen A gælder E(I A ) = P(A) (se for eksemepl side 68). Således er E(X) = P(N ) = =
Skriftlig 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.
Program. 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
Fortolkning. Foldning af sandsynlighedsmål. Foldning af tætheder. Foldning af Γ-fordelinger Eksempel: Hvis X og Y er uafhængige og. Sætning (EH 20.
Foldning af sandsnlighedsmål Lad µ og ν være to sandsnlighedsmål på (R, B). Fortolkning Lad φ : R R være φ(, ) = + for (, ) R. Lad X og Y være to reelle stokastiske variable defineret på (Ω, F, P). Definition
Eksamen 2014/2015 Mål- og integralteori
Eksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål Ved bedømmelsen indgår de spørgsmål med samme vægt
Udvikling 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
Hvad 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.
Oversigt. 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
Teoretisk Statistik, 16. februar Generel teori,repetition
1 Uge 8 Teoretisk Statistik, 16. februar 2004 1. Generel teori, repetition 2. Diskret udfaldsrum punktssh. 3. Fordelingsfunktionen 4. Tæthed 5. Transformationer 6. Diskrete vs. Kontinuerte stokastiske
Kiosk-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
1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable
Landmålingens fejlteori - lidt om kurset Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - [email protected] Institut for Matematiske Fag Aalborg Universitet Kursusholder
Billedbehandling og mønstergenkendelse: Lidt elementær statistik (version 1)
; C ED 6 > Billedbehandling og mønstergenkendelse Lidt elementær statistik (version 1) Klaus Hansen 24 september 2003 1 Elementære empiriske mål Hvis vi har observationer kan vi udregne gennemsnit og varians
TØ-opgaver til uge 45
TØ-opgaver til uge 45 Først laver vi en liste over de ligninger med mere i [IPT], der skal bruges: [1]: Ligning (2.5) på side 4. [2]: Ligning (2.6) på side 5. [3]: Sætning 3.1, ligning (3.3) på side 7.
Statistik vejledende læreplan og læringsmål, efteråret 2013 SmartLearning
Side 1 af 6 Statistik vejledende læreplan og læringsmål, efteråret 2013 SmartLearning Litteratur: Kenneth Hansen & Charlotte Koldsø: Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave,
Sandsynlighedsregning
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
t 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
Statistik vejledende læreplan og læringsmål, foråret 2015 SmartLearning
Side 1 af 6 Statistik vejledende læreplan og læringsmål, foråret 2015 SmartLearning Litteratur: Kenneth Hansen & Charlotte Koldsø: Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave,
Statistik Lektion 2. Betinget sandsynlighed Bayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV Binomialfordelingen
Statistik Lektion etinget sandsynlighed ayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV inomialfordelingen Repetition Udfaldsrum S Hændelse S Simpel hændelse O i 1, 3 4,
Kvantitative 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
University of Copenhagen. Notat om statistisk inferens Larsen, Martin Vinæs. Publication date: Document Version Peer-review version
university of copenhagen University of Copenhagen Notat om statistisk inferens Larsen, Martin Vinæs Publication date: 2014 Document Version Peer-review version Citation for published version (APA): Larsen,
Introduktion 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: [email protected]
Fagplan for statistik, efteråret 2015
Side 1 af 7 M Fagplan for statistik, efteråret 20 Litteratur Kenneth Hansen & Charlotte Koldsø (HK): Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave, ISBN 9788741256047 HypoStat
Sandsynlighedsregning og statistik
og statistik Jakob G. Rasmussen, Institut for Matematiske Fag [email protected] Litteratur: Walpole, Myers, Myers & Ye: Probability and Statistics for Engineers and Scientists, Prentice Hall, 8th ed. Slides
Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: [email protected] Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse
Binomialfordelingen. Binomialfordelingen. Binomialfordelingen
Statistik og Sandsynlighedsregning 1 MS kapitel 3 Susanne Ditlevsen Institut for Matematiske Fag Email: [email protected] http://math.ku.dk/ susanne Definition 3.2.1 Lad X 1, X 2,..., X n være uafhængige
Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)
Kursus 02402 Introduktion til Statistik Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske
Skriftlig 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.
Landmålingens fejlteori - Sandsynlighedsregning - Lektion 1
Landmålingens fejlteori Sandsynlighedsregning Lektion 1 - [email protected] http://people.math.aau.dk/ kkb/undervisning/lf10 Institut for Matematiske Fag Aalborg Universitet 23. april 2009 1/28 Landmålingens
Oversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 3: Kontinuerte fordelinger. Per Bruun Brockhoff
Course 242/2323 Introducerende Statistik Forelæsning 3: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 22 Danmarks Tekniske Universitet 28 Lyngby Danmark
Principper for Samtidighed og Styresystemer
Principper for Samtidighed og Styresystemer kursusintroduktion og Introduktion til Styresystemer René Rydhof Hansen Februar 2008 PSS 08 (Forelsning 00) Kursus intro./intro. styresystemer Februar 2008 1
Plan. Markovkæder Matematisk modelling af kølængde, yatzy, smittespredning og partikelbevægelser. Materiale mm.
Institut for Matematiske Fag Plan Markovkæder Matematisk modelling af kølængde, yatzy, smittespredning og partikelbevægelser Helle Sørensen Eftermiddagen vil være bygget om 3 4 eksempler: A. B. Random
Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen
Landmålingens fejlteori Lektion Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ - [email protected] Institut for Matematiske Fag Aalborg Universitet En stokastisk variabel er en variabel,
INSTITUT FOR MATEMATISKE FAG c
INSTITUT FOR MATEMATISKE FAG c AALBORG UNIVERSITET FREDRIK BAJERS VEJ 7 G 9220 AALBORG ØST Tlf.: 96 35 89 27 URL: www.math.aau.dk Fax: 98 15 81 29 E-mail: [email protected] Dataanalyse Sandsynlighed og stokastiske
Statistik 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
Program. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18
Program 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18 Fordeling af X Stikprøve X 1,X 2,...,X n stokastisk X stokastisk. Ex (normalfordelt stikprøve)
Statistik Lektion 1. Introduktion Grundlæggende statistiske begreber Deskriptiv statistik
Statistik Lektion 1 Introduktion Grundlæggende statistiske begreber Deskriptiv statistik Introduktion Kursusholder: Kasper K. Berthelsen Opbygning: Kurset består af 5 blokke En blok består af: To normale
Repetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable
Normal fordelingen Normal fordelingen Egenskaber ved normalfordelingen Standard normal fordelingen Find sandsynligheder ud fra tabel Transformation af normal fordelte variable Invers transformation Repetition
Gruppeteori. 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,
Elementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Den hændelse, der ikke indeholder
Eksempler Determinanten af en kvadratisk matrix. Calculus Uge
Oversigt [LA] 8 Her skal du lære om 1. Helt simple determinanter 2. En udvidelse der vil noget 3. Effektive regneregler 4. Genkend determinant nul 5. Produktreglen 6. Inversreglen 7. Potensreglen 8. Entydig
Landmålingens fejlteori - Lektion 3. Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering
Landmålingens fejlteori Lektion 3 Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering - [email protected] Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition: Middelværdi og
Noget 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
t 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.
07-12-2015. Måleusikkerhed. FVM temadag, 1. oktober 2015, Hotel Koldingfjord
Måleusikkerhed FVM temadag, 1. oktober 2015, Hotel Koldingfjord 1 Baggrund Teknologisk Institut Selvejende, almennyttigt, non-profit GTS-institut 1000+ medarbejdere fordelt på MANGE forskellige områder
TØ-opgaver til uge 46
TØ-opgaver til uge 46 Først laver vi en liste over de ligninger med mere i [ITP], der skal bruges: [1]: Ligning (2.5) på side 4. [2]: Sætning 3.1, ligning (3.3) på side 7. [3]: Sætning 3.1, ligning (3.4)
Undervisningsbeskrivelse
Undervisningsbeskrivelse Stamoplysninger til brug ved prøver til gymnasiale uddannelser Termin Juni, 2014 Institution Vid Gymnasier, Rønde Uddannelse Fag og niveau Lærer(e) Hold hhx Matematik B Ann Risvang
