Wigner s semi-cirkel lov

Størrelse: px
Starte visningen fra side:

Download "Wigner s semi-cirkel lov"

Transkript

1 Wigner s semi-cirkel lov 12. december 2009 Eulers Venner Steen Thorbjørnsen Institut for Matematiske Fag Århus Universitet

2 Diagonalisering af selvadjungeret matrix Lad H være en n n matrix med komplekse indgange, og antag, at H er selvadjungeret: H = H. Husk, at H har n reelle egenværdier: λ 1 λ 2 λ n. Endvidere findes en unitær n n matrix U, således at λ 1 0 UHU λ 2 =... 0 λ n

3 Spektralafbildning Lad I være et interval, således at λ 1,λ 2,...,λ n I, og betragt en funktion f : I R. Vi definerer da f (λ 1 ) 0 f (H) := U f (λ 2 )... U. 0 f (λ n )

4 Den empiriske egenværdi-fordeling Den empiriske egenværdi-fordeling for H er sandsynlighedsmålet µ H på R givet ved: µ H = 1 n δ λj. n For en delmængde B af R har vi, at µ H (B) = 1 n n δ λj (B) j=1 j=1 = 1 n #{ j {1,2,...,n} λj B } = andelen af H s egenværdier der ligger i B.

5 Hvordan integrerer man med hensyn til egenværdifordelingen? For en funktion f : R R har vi, at f (t)µ H (dt) = f (t) ( 1 n n j=1 δ ) λ j (dt) R = 1 n = 1 n R n j=1 R n f (λ j ) j=1 f (t)δ λj (dt) f (λ 1 ) 0 = tr n U... U 0 f (λ n ) = tr n [ f (H) ].

6 Stokastiske matricer og deres egenværdier Betragt et sandsynlighedsfelt (Ω, F, P). En stokastisk n n matrix er en n n matrix T = (T ij ) 1 i,j n, hvor T ij : Ω C er en stokastisk variabel. T er en selvadjungeret stokastisk matrix, hvis T(ω) = T (ω) for alle ω i Ω. Hvis T er en selvadjungeret stokastisk matrix kan vi for hvert ω betragte egenværdierne for T(ω): λ 1 (ω) λ 2 (ω) λ n (ω). For hvert j bliver λ j : Ω R en reel stokastisk variabel.

7 Spektralfordelingen af en s.a. stokastisk matrix Lad T være en selvadjungeret stokastisk n n matrix. For hvert ω kan vi betragte egenværdifordelingen: µ T(ω) = 1 n δ n λj (ω). Spektralfordelingen for L T for T defineres for B i B(R) ved: L T (B) = µ T(ω) (B)P(dω) = 1 n = 1 n Ω Ω ( n n j=1 j=1 Ω j=1 ) δ λj (ω)(b) P(dω) 1 B (λ j (ω))p(dω).

8 Hvordan integrerer man mht. spektralfordelingen? Lad T være en selvadjungeret stokastisk n n matrix. For enhver Borel-mængde B i R har vi, at 1 B (t)l T (dt) = L T (B) = µ T(ω) (B)P(dω) R = Ω ( R Ω ) 1 B (t)µ T(ω) (dt) P(dω). Ved anvendelse af standard-beviset følger det så, at ( ) f (t)l T (dt) = f (t)µ T(ω) (dt) P(dω) R for enhver begænset Borel-funktion f : R R. Ω R

9 Hvordan integrerer man mht. spektralfordelingen? Vi finder videre, at f (t)l T (dt) = R = Ω Ω ( R ) f (t)µ T(ω) (dt) P(dω) tr n (f (T(ω))P(dω) = E [ tr n (f (T)) ].

10 The Gaussian Unitary Ensemble (GUE) Definition. Med GUE(n,σ 2 ) betegner vi klassen af stokastiske matricer W = (w ij ) 1 i,j n, defineret på (Ω, F,P), og således at i j : w ij = w ji. de stokastiske variable w ij, 1 i j n er uafhængige. i < j : Re(w ij ),Im(w ij ) i.i.d. N(0, 1 2 σ2 ). i : w ii N(0,σ 2 ). Hvis W GUE(n,σ 2 ), da gælder der, at E { w i,j w k,l } = σ 2 δ(i,l)δ(j,k).

11 Spektralfordelingen af GUE(n, 1 n ) Lad W n være en stokastisk matrix i GUE(n, 1 n ). Da gælder for enhver Borel-mængde B i R, at L Wn (B) = h n (x)λ(dx), hvor h n (x) = 1 n 1 ( ϕ n j 2n 2 x) 2. j=0 ϕ 0,ϕ 1,ϕ 2,... er følgen af Hermite funktioner: B ϕ k (x) = 1 (2 k k! π) 1/2 H k (x)exp( x2 2 ), (k N 0), H 0,H 1,H 2,..., er Hermite polynomierne: ( d H k (x) = ( 1) k exp(x 2 k ) ) dx k exp( x2 ).

12 Den asymptotiske opførsel af L Wn for n Graferne for h 4 (x) og 1 2π 4 x 2 1 [ 2,2] (x).

13 Den asymptotiske opførsel af L Wn for n Graferne for h 8 (x) og 1 2π 4 x 2 1 [ 2,2] (x).

14 Den asymptotiske opførsel af L Wn for n Graferne for h 16 (x) og 1 2π 4 x 2 1 [ 2,2] (x).

15 Den asymptotiske opførsel af L Wn for n Graferne for h 32 (x) og 1 2π 4 x 2 1 [ 2,2] (x).

16 Wigner s semi-cirkel lov. Betragt for ethvert n i N en stokastisk matrix W n fra GUE(n, 1 n ). Da gælder der, at L Wn w γ, for n. Her er γ målet med tæthed h (x) := 1 4 x 2π 2 1 [ 2,2] (x), (x R) med hensyn til Lebesgue-målet λ.

17 Svag konvergens af sandsynlighedsmål w Konvergensen L Wn γ betyder at følgende ækvivalente betingelser er opfyldte: (i) L Wn (I) γ(i) for ethvert interval I i R. (ii) R f (x)l W n (dx) R f (x)γ(dx) for enhver kontinuert begrænset funktion f : R R. (iii) R eiθx L Wn (dx) R eiθx γ(dx) for ethvert θ i R. (iv) R xp L Wn (dx) R xp γ(dx) for alle p i N 0.

18 Momenterne for semi-cirkel fordelingen Benyttes substitutionen x = 2 sin θ, θ ( π/2, π/2), finder man 1 2 x 2p 4 x 2π 2 dx = 1 π/2 4 p sin 2p θ 4 4sin 2 θ 2cos θ dθ 2π 2 = 4p+1 2π π/2 π/2 π/2 sin 2p θ cos 2 θ dθ = 4p+1 [ π/2 π/2 ] sin 2p dθ sin 2p+2 θ dθ 2π π/2 π/2 ) ] = 4p+1 [ ( ) π 2p 2π 4 p p = 1 p + 1 ( ) 2p p π 4 p+1 ( 2p + 2 p + 1 = p te Catalan tal.

19 n n matrix enhederne For i,j fra {1,2,...,n} lader vi e(i,j) betegne n n matricen med indgange e(i,j) rs givet ved: { 1, hvis (i,j) = (r,s) e(i,j) rs = 0, ellers. Der gælder regnereglen: e(i,j)e(k,l) = δ(j,k)e(i,l) for alle i,j,k,l fra {1,2,...,n}.

20 Wick s formel Lad X 1,X 2,...,X d være stokastiske variable på (Ω, F,P), således at E[X i ] = 0 for alle i. (X 1,...,X d ) normalfordeling på R d. For vilkårlige p i N og i 1,i 2,...,i p fra {1,2,...,r} gælder da, at E [ ] X i1 X i2 X ip = E [ ] X ir X is. π P 2 (p) (r,s) π Her er P 2 (p) = { par-dannelser af {1,2,...,p} }.

21 Pardannelse permutation En pardannelse π af {1, 2,..., 2p} kan vi naturligt opfatte som en permutation π af {1,2,...,2p}: Det følger da, at (r,s) π (r,s) π π(r) = s og π(s) = r. δ(i r,i s+1 )δ(i s,i r+1 ) = Her er τ = (1,2,3,...,2p). 2p r=1 δ(i r,i π(r)+1 ) = 2p r=1 δ(i r,i τ π(r) ).

22 Biane s geodesic condition For enhver par-dannelse π af {1,2,...,2p} gælder der, at c(τ π) p + 1 og c(τ π) = p + 1 π har ingen krydsninger.

23 Antallet af ikke-krydsende par-dannelser For hvert p i N sætter vi Der gælder da, at C p := # { π P 2 (2p) π har ingen krydsninger }. C p = 1 ( ) 2p. p + 1 p Dette kan f.eks. indses ved at bevise, at tallene (C p ) p N0 opfylder rekusionsformlerne: { C 0 = C 1 = 1, C p = p j=1 C j 1C p j, p 2. Det er ikke svært at checke, at løsningerne til disse rekusionsformler netop er Catalan-tallene!

24 Stærk version af Wigner s semi-cirkel lov Ved nøjere analyse af de foregående overvejelser, kan man indse, at E { tr n [Wn 2p ] } = 1 2 x 2p 4 x 2π 2 dx + O(n 2 ) 2 Var { tr n [W 2p n ]} = O(n 2 ). For hvert n i N sættes nu: Y n = tr n [W 2p n ] E{ tr n [W 2p n ]}. Ved anvendelse af Chebychev s Ulighed følger det for ethvert ǫ > 0, at P(Y n > ǫ) 1 ǫ 2Var{ tr n [W 2p n ]} = O(n 2 ). Specielt fremgår det, at n=1 P(Y n > ǫ) <.

25 Stærk version af Wigner s semi-cirkel lov Det følger da fra Borel-Cantelli lemmaet, at Dermed har vi også, at P(Y n > ǫ, for uendeligt mange n) = 0. P(N) = 0, hvor N = k N { Yn > k 1, for uendeligt mange n }. Hvis ω N c, har vi, at Y n (ω) 0 for n, og dermed at Det fremgår således, at tr n [W n (ω) 2p ] 1 2 x 2p 4 x 2π 2 dx. 2 µ Wn(ω) w γ for P-n.a. ω.

26 Største og mindste egenværdi Ved analoge argumenter, kan man vise, at lim λ max(w n (ω)) = 2, for P-n.a. ω, n og lim λ min(w n (ω)) = 2, for P-n.a. ω. n

Eksamen 2014/2015 Mål- og integralteori

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

Læs mere

Momenter som deskriptive størrelser. Hvad vi mangler fra onsdag. Momenter for sandsynlighedsmål

Momenter 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 mere

Hvad vi mangler fra onsdag. Vi starter med at gennemgå slides fra onsdag.

Hvad 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 mere

standard normalfordelingen på R 2.

standard normalfordelingen på R 2. Standard normalfordelingen på R 2 Lad f (x, y) = 1 x 2 +y 2 2π e 2. Vi har så f (x, y) = 1 2π e x2 2 1 2π e y2 2, og ved Tonelli f dm 2 = 1. Ved µ(a) = A f dm 2 defineres et sandsynlighedsmål på R 2 målet

Læs mere

Reeksamen 2014/2015 Mål- og integralteori

Reeksamen 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 mere

Integration m.h.t. mål med tæthed

Integration 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 mere

Statistik og Sandsynlighedsregning 2

Statistik og Sandsynlighedsregning 2 Statistik og Sandsynlighedsregning 2 Uafhængighed og reelle transformationer Helle Sørensen Uge 8, mandag SaSt2 (Uge 8, mandag) Uafh. og relle transf. 1 / 16 Program I dag: Uafhængighed af kontinuerte

Læs mere

Elementær sandsynlighedsregning

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

Læs mere

Heisenbergs usikkerhedsrelationer. Abstrakt. Hvorfor? Funktionsrum. Nils Byrial Andersen Institut for Matematik. Matematiklærerdag 2013

Heisenbergs usikkerhedsrelationer. Abstrakt. Hvorfor? Funktionsrum. Nils Byrial Andersen Institut for Matematik. Matematiklærerdag 2013 Heisenbergs usikkerhedsrelationer Nils Byrial Andersen Institut for Matematik Matematiklærerdag 013 1 / 17 Abstrakt Heisenbergs usikkerhedsrelationer udtrykker at man ikke på samme tid både kan bestemme

Læs mere

Kvantitative Metoder 1 - Efterår Dagens program

Kvantitative Metoder 1 - Efterår Dagens program Dagens program Afsnit 6.1. Ligefordelinger, fra sidst Den standardiserede normalfordeling Normalfordelingen Beskrivelse af normalfordelinger: - Tæthed og fordelingsfunktion - Middelværdi, varians og fraktiler

Læs mere

Elementær sandsynlighedsregning

Elementær sandsynlighedsregning Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Et sandsynlighedsmål er en

Læs mere

Kvantitative Metoder 1 - Forår Dagens program

Kvantitative Metoder 1 - Forår Dagens program Dagens program Afsnit 6.1 Den standardiserede normalfordeling Normalfordelingen Beskrivelse af normalfordelinger: - Tæthed og fordelingsfunktion - Middelværdi, varians og fraktiler Lineære transformationer

Læs mere

Fortolkning. Foldning af sandsynlighedsmål. Foldning af tætheder. Foldning af Γ-fordelinger Eksempel: Hvis X og Y er uafhængige og. Sætning (EH 20.

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

Læs mere

8 Regulære flader i R 3

8 Regulære flader i R 3 8 Regulære flader i R 3 Vi skal betragte særligt pæne delmængder S R 3 kaldet flader. I det følgende opfattes S som et topologisk rum i sportopologien, se Definition 5.9. En åben omegn U af p S er således

Læs mere

Integration m.h.t. mål med tæthed

Integration 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 mere

Aarhus Universitet 5. februar Meddelelse 2

Aarhus Universitet 5. februar Meddelelse 2 fdeling for Teoretisk Statistik IOSTTISTIK Institut for Matematiske Fag Preben læsild arhus Universitet 5. februar 2003 Meddelelse 2 Forelæsningerne i uge 6 (3-7.2) Ved forelæsningen den 4.2 gav Frank

Læs mere

INSTITUT FOR MATEMATISKE FAG c

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: bjh@math.aau.dk Dataanalyse Sandsynlighed og stokastiske

Læs mere

Hvorfor er normalfordelingen så normal?

Hvorfor er normalfordelingen så normal? Hvorfor er normalfordelingen så normal? Søren Højsgaard Institut for Matematiske Fag, Aalborg Universitet October 24, 2018 normalfordelingen så normal? October 24, 2018 1 / 13 Højde af kvinder Histogram

Læs mere

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0. Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet Repetition:

Læs mere

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

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: bfni@dtu.dk Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse

Læs mere

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

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: bfni@dtu.dk Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse

Læs mere

Sandsynlighedsregning Oversigt over begreber og fordelinger

Sandsynlighedsregning Oversigt over begreber og fordelinger Tue Tjur Marts 2007 Sandsynlighedsregning Oversigt over begreber og fordelinger Stat. MØK 2. år Kapitel : Sandsynlighedsfordelinger og stokastiske variable En sandsynlighedsfunktion på en mængde E (udfaldsrummet)

Læs mere

Program. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål

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

Læs mere

Den Brownske Bevægelse

Den Brownske Bevægelse Den Brownske Bevægelse N.J. Nielsen 1 Notation I dette notesæt vil vi generelt benytte samme notation som i det øvrige undervisningsmateriale i MM23. For ethvert n N betegner B n Borelalgebraen på R, og

Læs mere

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

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: bfni@dtu.dk Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse

Læs mere

Indledning. 1 Martingalerepræsentationssætningen

Indledning. 1 Martingalerepræsentationssætningen Indledning I disse noter vil uddybe nogle af Øksendals resultater i afsnittene 4 og 7 samt give andre beviser for dem. Disse resultater er gennemgået til forelæsningerne. 1 Martingalerepræsentationssætningen

Læs mere

DesignMat Uge 1 Gensyn med forårets stof

DesignMat Uge 1 Gensyn med forårets stof DesignMat Uge 1 Gensyn med forårets stof Preben Alsholm Efterår 2010 1 Hovedpunkter fra forårets pensum 11 Taylorpolynomium Taylorpolynomium Det n te Taylorpolynomium for f med udviklingspunkt x 0 : P

Læs mere

Differentialregning i R k

Differentialregning i R k Differentialregning i R k Lad U R k være åben, og lad h : U R m være differentiabel. Den afledte i et punkt x U er Dh(x) = h 1 (x) x 1 h 2 (x) x 1. h m (x) x 1 h 1 (x) x 2... h 2 (x) x 2.... h m (x) x

Læs mere

Antag at. 1) f : R k R m er differentiabel i x, 2) g : R m R p er differentiabel i y = f(x), . p.1/18

Antag at. 1) f : R k R m er differentiabel i x, 2) g : R m R p er differentiabel i y = f(x), . p.1/18 Differentialregning i R k Kæderegel Lad U R k være åben, og lad h : U R m være differentiabel Antag at Den afledte i et punkt x U er Dh(x) = 1) f : R k R m er differentiabel i x, 2) g : R m R p er differentiabel

Læs mere

= λ([ x, y)) + λ((y, x]) = ( y ( x)) + (x y) = 2(x y).

= λ([ x, y)) + λ((y, x]) = ( y ( x)) + (x y) = 2(x y). Analyse 2 Øvelser Rasmus Sylvester Bryder 17. og 20. september 2013 Supplerende opgave 1 Lad λ være Lebesgue-målet på R og lad A B(R). Definér en funktion f : [0, ) R ved f(x) = λ(a [ x, x]). Vis, at f(x)

Læs mere

MM501 forelæsningsslides

MM501 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 mere

DesignMat Uge 1 Repetition af forårets stof

DesignMat Uge 1 Repetition af forårets stof DesignMat Uge 1 Repetition af forårets stof Preben Alsholm Efterår 008 01 Lineært ligningssystem Lineært ligningssystem Et lineært ligningssystem: a 11 x 1 + a 1 x + + a 1n x n = b 1 a 1 x 1 + a x + +

Læs mere

DOK-facitliste DOK. DOK-facitliste 1

DOK-facitliste DOK. DOK-facitliste 1 -facitliste 1 -facitliste Listens numre refererer til samlingen af supplerede -opgaver (de gamle eksamensopgaver. På listen står næsten kun facitter, og ikke tilstrækkelige svar på opgaverne. [Korrigeret

Læs mere

Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: bfn@dtu.dk Dagens emner afsnit 4.5 og 4.6 (Kumulerede) fordelingsfunktion

Læs mere

1 Palm teori. Palm teori 1

1 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 mere

Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 4.5 og 4.6 (Kumulerede)

Læs mere

Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 4.5 og 4.6 (Kumulerede)

Læs mere

Landmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable

Landmålingens 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 mere

Karakteristiske funktioner og Den Centrale Grænseværdisætning

Karakteristiske 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 mere

MM501/MM503 forelæsningsslides

MM501/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 mere

6.1 Reelle Indre Produkter

6.1 Reelle Indre Produkter SEKTION 6.1 REELLE INDRE PRODUKTER 6.1 Reelle Indre Produkter Definition 6.1.1 Et indre produkt på et reelt vektorrum V er en funktion, : V V R således at, for alle x, y V, I x, x 0 med lighed x = 0, II

Læs mere

Kvantitative Metoder 1 - Forår 2007

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

Læs mere

Supplerende opgaver. S1.3.1 Lad A, B og C være delmængder af X. Vis at

Supplerende opgaver. S1.3.1 Lad A, B og C være delmængder af X. Vis at Supplerende opgaver Analyse Jørgen Vesterstrøm Forår 2004 S.3. Lad A, B og C være delmængder af X. Vis at (A B C) (A B C) (A B) C og find en nødvendig og tilstrækkelig betingelse for at der gælder lighedstegn

Læs mere

Overheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ.

Overheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ. Statistiske modeller (Definitioner) Statistik og Sandsynlighedsregning 2 IH kapitel 0 og En observation er en vektor af tal x (x,..., x n ) E, der repræsenterer udfaldet af et (eller flere) eksperimenter.

Læs mere

hvor a og b er konstanter. Ved middelværdidannelse fås videre

hvor a og b er konstanter. Ved middelværdidannelse fås videre Uge 3 Teoretisk Statistik. marts 004. Korrelation og uafhængighed, repetition. Eksempel fra sidste gang (uge ) 3. Middelværdivektor, kovarians- og korrelationsmatrix 4. Summer af stokastiske variable 5.Den

Læs mere

Den todimensionale normalfordeling

Den todimensionale normalfordeling Den todimensionale normalfordeling Definition En todimensional stokastisk variabel X Y siges at være todimensional normalfordelt med parametrene µ µ og når den simultane tæthedsfunktion for X Y kan skrives

Læs mere

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen Landmålingens fejlteori Lektion Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet En stokastisk variabel er en variabel,

Læs mere

Klassisk Taylors formel

Klassisk Taylors formel p. 1/17 Klassisk Taylors formel Sætning Lad f : (a, b) R være n gange differentiabel. For x 0, x (a, b) findes et ξ mellem x 0 og x der opfylder at f(x) = f(x 0 )+ f (x 0 ) 1! (x x 0 )+...+ f(n 1) (x 0

Læs mere

NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. MI 2007 Obligatorisk opgave 4

NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. MI 2007 Obligatorisk opgave 4 NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. MI 2007 Obligatorisk opgave 4 Sættet består af 3 opgaver med ialt 15 delopgaver. Besvarelsen vil blive forkastet, medmindre der er gjort et

Læs mere

1 Beviser for fornyelsessætningen

1 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 mere

DesignMat Den komplekse eksponentialfunktion og polynomier

DesignMat Den komplekse eksponentialfunktion og polynomier DesignMat Den komplekse eksponentialfunktion og polynomier Preben Alsholm Uge 8 Forår 010 1 Den komplekse eksponentialfunktion 1.1 Definitionen Definitionen Den velkendte eksponentialfunktion x e x vil

Læs mere

Program. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål

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

Læs mere

Statistik og Sandsynlighedsregning 2

Statistik 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 mere

Bachelorprojekt Statistik og Sandsynlighedsteori

Bachelorprojekt Statistik og Sandsynlighedsteori Bachelorprojekt Statistik og Sandsynlighedsteori Preben Blæsild 24. november 2010 På bacheloruddannelsen i matematik skal du lave et bachelorprojekt, der har et omfang på 10 ECTS. Projektet evalueres efter

Læs mere

Fejlforplantning. Landmålingens fejlteori - Lektion 5 - Fejlforplantning. Repetition: Varians af linear kombination. Eksempel: Vinkelberegning

Fejlforplantning. Landmålingens fejlteori - Lektion 5 - Fejlforplantning. Repetition: Varians af linear kombination. Eksempel: Vinkelberegning Fejlforplantning Landmålingens fejlteori Lektion 5 Fejlforplantning - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf13 Landmåling involverer ofte bestemmelse af størrelser som ikke kan

Læs mere

Landmålingens fejlteori - Lektion 3. Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering

Landmålingens fejlteori - Lektion 3. Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering Landmålingens fejlteori Lektion 3 Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition: Middelværdi og

Læs mere

GEOMETRI-TØ, UGE 8. X = U xi = {x i } = {x 1,..., x n }, U α, U α = α. (X \ U α )

GEOMETRI-TØ, UGE 8. X = U xi = {x i } = {x 1,..., x n }, U α, U α = α. (X \ U α ) GEOMETRI-TØ, UGE 8 Hvis I falder over tryk- eller regne-fejl i nedenstående, må I meget gerne sende rettelser til fuglede@imf.au.dk. Opvarmningsopgave 1. Lad X være en mængde og T familien af alle delmængder

Læs mere

Meddelelse 2. Forelæsningerne i uge 6 ( ) Gennemgangen af BPT fortsættes. Vi afslutter Kapitel 4 og når sikkert et godt stykke ind i Kapitel 5.

Meddelelse 2. Forelæsningerne i uge 6 ( ) Gennemgangen af BPT fortsættes. Vi afslutter Kapitel 4 og når sikkert et godt stykke ind i Kapitel 5. Institut for Matematiske Fag arhus Universitet STTISTIK(2003-ordning) Jens Ledet Jensen Jørgen Granfeldt 2. februar 2006 Meddelelse 2 Forelæsningerne i uge 5 (30.1 5.2) Ved forelæsningen mandag den 30.

Læs mere

Hilbert rum. Chapter 3. 3.1 Indre produkt rum

Hilbert rum. Chapter 3. 3.1 Indre produkt rum Chapter 3 Hilbert rum 3.1 Indre produkt rum I det følgende skal vi gøre brug af komplekse såvel som reelle vektorrum. Idet L betegner enten R eller C minder vi om, at et vektorrum over L er en mængde E

Læs mere

Teoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts.

Teoretisk 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 mere

En martingalversion af CLT

En martingalversion af CLT Kapitel 11 En martingalversion af CLT Når man har vænnet sig til den centrale grænseværdisætning for uafhængige, identisk fordelte summander, plejer næste skridt at være at se på summer af stokastiske

Læs mere

1.1. n u i v i, (u, v) = i=1

1.1. n u i v i, (u, v) = i=1 1.1 1. Hilbert rum 1.1. Hilbert rum og deres geometri. Definition 1.1. Et komplekst vektor rum V kaldes et indre produkt rum (eller præ-hilbert rum), når det er forsynet med en funktion (, ): V V C, som

Læs mere

Løsning til prøveeksamen 1

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 ) = =

Læs mere

Sandsynlighedsregning 9. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 9. forelæsning Bo Friis Nielsen Sandsynlighedsregning 9. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 5.3 og 5.4 Simultane kontinuerte

Læs mere

Foldningsintegraler og Doobs martingale ulighed

Foldningsintegraler og Doobs martingale ulighed Foldningsintegraler og Doobs martingale ulighed N.J. Nielsen Indledning I dette notat vil vi vise en sætning om foldningsintegraler, som blev benyttet trin 2 i onstrutionen af Itointegralet, gennemgå esempel

Læs mere

Landmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3

Landmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3 Landmålingens fejlteori Repetition - Kontinuerte stokastiske variable Lektion 4 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf10 Institut for Matematiske Fag Aalborg Universitet 29. april

Læs mere

MATEMATIK 11 Eksamensopgaver Juni 1995 Juni 2001, 3. fjerdedel

MATEMATIK 11 Eksamensopgaver Juni 1995 Juni 2001, 3. fjerdedel MATEMATIK Eksamensopgaver Juni 995 Juni 200, 3. fjerdedel August 998 Opgave. Lad f : R \ {0} R betegne funktionen givet ved f(x) = ex x for x 0. (a) Find eventuelle lokale maksimums- og minimumspunkter

Læs mere

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.

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 ),

Læs mere

Ekstremumsbestemmelse

Ekstremumsbestemmelse Ekstremumsbestemmelse Preben Alsholm 24. november 2008 1 Ekstremumsbestemmelse 1.1 Ekstremum for funktion af én variabel: Definitioner Ekstremum for funktion af én variabel: Definitioner Punktet a kaldes

Læs mere

Betingning med en uafhængig variabel

Betingning 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 mere

Statistik og Sandsynlighedsregning 2

Statistik 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 mere

Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable

Landmålingens 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 mere

Institut for Matematiske Fag Aalborg Universitet Specielt: Var(aX) = a 2 VarX 1/40. Lad X α, X β og X γ være stokastiske variable (vinkelmålinger) med

Institut for Matematiske Fag Aalborg Universitet Specielt: Var(aX) = a 2 VarX 1/40. Lad X α, X β og X γ være stokastiske variable (vinkelmålinger) med Repetition: Varians af linear kombination Landmålingens fejlteori Lektion 5 Fejlforplantning - rw@math.aau.dk Antag X 1, X,..., X n er uafhængige stokastiske variable, og Y er en linearkombination af X

Læs mere

Gult Foredrag Om Net

Gult Foredrag Om Net Gult Foredrag Om Net University of Aarhus Århus 8 th March, 2010 Introduktion I: Fra Metriske til Topologiske Rum Et metrisk rum er en mængde udstyret med en afstandsfunktion. Afstandsfunktionen bruges

Læs mere

1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable

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 - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet Kursusholder

Læs mere

13 Markovprocesser med transitionssemigruppe

13 Markovprocesser med transitionssemigruppe 13 Markovprocesser med transitionssemigruppe I nærværende kapitel vil vi antage at tilstandsrummet er polsk, hvilket sikrer, at der findes regulære betingede fordelinger. Vi skal se på eksistensen af Markovprocesser.

Læs mere

Kvantitative Metoder 1 - Forår Dagens program

Kvantitative Metoder 1 - Forår Dagens program Dagens program Kontinuerte fordelinger Simultane fordelinger Kovarians og korrelation Uafhængighed Betingede fordelinger - Middelværdi og varians - Sammenhæng med uafhængighed 1 Figur 1: En tæthedsfunktion

Læs mere

Om hypoteseprøvning (1)

Om hypoteseprøvning (1) E6 efterår 1999 Notat 16 Jørgen Larsen 11. november 1999 Om hypoteseprøvning 1) Det grundlæggende problem kan generelt formuleres sådan: Man har en statistisk model parametriseret med en parameter θ Ω;

Læs mere

ANALYSE 1. Uge 7, 4. juni juni, 2007

ANALYSE 1. Uge 7, 4. juni juni, 2007 ANALYSE 1 Uge 7, 4. juni - 10. juni, 2007 Forelæsninger Mandag 4. juni Formålet med denne dags forelæsninger er at etablere en overgang til emnet metriske rum, hvis hovedformål er at udvide begreber som

Læs mere

Repetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable

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

Læs mere

Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable

Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable 2.1 Sandsynlighedsbegrebet............................... 1 2.1.1

Læs mere

Besvarelse, Eksamen Analyse 1, 2013

Besvarelse, Eksamen Analyse 1, 2013 Københavns Universitet Prøve ved Det naturvidenskabelige Fakultet juni 23 Besvarelse, Eksamen Analyse, 23 Opgave Lad, for n N, funktionen f n : [, ) R være givet ved NB. Trykfejl. Burde være x. f n (x)

Læs mere

2. Fourierrækker i en variabel

2. Fourierrækker i en variabel .1. Fourierrækker i en variabel I Kapitel II 7 blev der indført, dels funktionsrummene L p (X, µ) (mere udførligt skrevet L p (X, E, µ)), dels rummene L p (X, µ), der fås af L p (X, µ) ved at funktioner

Læs mere

Potensrækker. Morten Grud Rasmussen 1 10. november 2015. Definition 1 (Potensrække). En potensrække er en uendelig række på formen

Potensrækker. Morten Grud Rasmussen 1 10. november 2015. Definition 1 (Potensrække). En potensrække er en uendelig række på formen Potensrækker Morten Grud Rasmussen 1 10 november 2015 Definition og konvergens af potensrækker Definition 1 Potensrække) En potensrække er en uendelig række på formen a n pz aq n, 1) hvor afsnittene er

Læs mere

MATEMATIK 11 Eksamensopgaver Juni 1995 Juni 2001, 4. fjerdedel

MATEMATIK 11 Eksamensopgaver Juni 1995 Juni 2001, 4. fjerdedel Juni 2000 MATEMATIK 11 Eksamensopgaver Juni 1995 Juni 2001, 4. fjerdedel Opgave 1. (a) Find den fuldstændige løsning til differentialligningen y 8y + 16y = 0. (b) Find den fuldstændige løsning til differentialligningen

Læs mere

Første konstruktion af Cantor mængden

Første konstruktion af Cantor mængden DYNAMIK PÅ CANTOR MÆNGDEN KLAUS THOMSEN Første konstruktion af Cantor mængden For de fleste der har hørt on Cantor-mængden, er den blevet defineret på flg måde: I = 0 I = I = 0 0 OSV Cantor mængden C er

Læs mere

Teoretisk Statistik, 16. februar Generel teori,repetition

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

Læs mere

Landmålingens fejlteori - Lektion 5 - Fejlforplantning

Landmålingens fejlteori - Lektion 5 - Fejlforplantning Landmålingens fejlteori Lektion 5 Fejlforplantning - kkb@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/30 Fejlforplantning Landmåling involverer ofte bestemmelse af størrelser som ikke

Læs mere

Produkt og marked - matematiske og statistiske metoder

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

Læs mere

Taylors formel. Kapitel Klassiske sætninger i en dimension

Taylors formel. Kapitel Klassiske sætninger i en dimension Kapitel 3 Taylors formel 3.1 Klassiske sætninger i en dimension Sætning 3.1 (Rolles sætning) Lad f : [a, b] R være kontinuert, og antag at f er differentiabel i det åbne interval (a, b). Hvis f (a) = f

Læs mere

Højde af kvinder 2 / 18

Højde af kvinder 2 / 18 Hvorfor er normalfordelingen så normal? og er den nu også det? Søren Højsgaard (updated: 2019-03-17) 1 / 18 Højde af kvinder 2 / 18 Inddeler man i mindre grupper kan man forestille sig at histogrammet

Læs mere

Et eksperiment beskrives af et udfaldsrum udstyret med et. alle mulige resultater af eksperimentet

Et eksperiment beskrives af et udfaldsrum udstyret med et. alle mulige resultater af eksperimentet Sandsynlighedsteori Et eksperiment beskrives af et udfaldsrum udstyret med et sandsynlighedsmål, (X, E, ν). Udfaldsrummet X indeholder alle mulige resultater af eksperimentet men ofte også yderligere elementer

Læs mere

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.

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

Læs mere

Sandsynlighedsbaserede metoder

Sandsynlighedsbaserede 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 mere

Eksamen i Matematik F2 d. 19. juni Opgave 2. Svar. Korte svar (ikke fuldstændige)

Eksamen i Matematik F2 d. 19. juni Opgave 2. Svar. Korte svar (ikke fuldstændige) Eksamen i Matematik F2 d. 9. juni 28 Korte svar (ikke fuldstændige Opgave Find realdelen, Re z, og imaginærdelen, Im z, for følgende værdier af z, a z = 2 i b z = i i c z = ln( + i Find realdelen, Re z,

Læs mere

EKSAMEN Flerdimensional Analyse Sommer sider

EKSAMEN Flerdimensional Analyse Sommer sider EKSAMEN Flerdimensional Analyse Sommer 2008 5 sider Formaliteter Eksamen er en 24-timers eksamen, der udleveres mandag den 23/6-2008 klokken 0.00 og afleveres tirsdag den 24/6-2008 inden klokken 0.00.

Læs mere

Besvarelser til Calculus Ordinær Eksamen Juni 2019

Besvarelser til Calculus Ordinær Eksamen Juni 2019 Besvarelser til Calculus Ordinær Eksamen - 14. Juni 2019 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan. Dette dokument har udelukkende

Læs mere

Sandsynlighedsregning 5. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 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 mere

5.3 Konvergens i sandsynlighed Konvergens i sandsynlighed 55. Hvis vi regner den karakteristiske funktion for X, v ud i argumentet 1, fås

5.3 Konvergens i sandsynlighed Konvergens i sandsynlighed 55. Hvis vi regner den karakteristiske funktion for X, v ud i argumentet 1, fås 5.3. Konvergens i sandsynlighed 55 BEVIS: Lad φ 1, φ 2,... og φ være de karakteristiske funktioner for X 1, X 2,... og X. Hvis vi regner den karakteristiske funktion for X, v ud i argumentet 1, fås φ X,v

Læs mere

Oversigt [S] 7.2, 7.5, 7.6; [LA] 18, 19

Oversigt [S] 7.2, 7.5, 7.6; [LA] 18, 19 Oversigt [S] 7.2, 7.5, 7.6; [LA] 18, 19 Nøgleord og begreber Eksistens og entydighed Elementære funktioner Eksponential af matrix Retningsfelt Eulers metode Hastighedsfelt for system Eulers metode for

Læs mere