Repetition: Enkel sampling. Systemplanering VT11. Repetition: Enkel sampling. Repetition: Enkel sampling

Save this PDF as:
 WORD  PNG  TXT  JPG

Storlek: px
Starta visningen från sidan:

Download "Repetition: Enkel sampling. Systemplanering VT11. Repetition: Enkel sampling. Repetition: Enkel sampling"

Transkript

1 Systemplaeri VT Föreläsi F6: Mote Carlo Iehåll:. Repetitio av ekel sampli 2. Sampli av elmarkader 3. Multi-areamodelle 4. Räka exempel Repetitio: Ekel sampli Mål: Få fram E[X] Defiitio av E[X]: EX [ ] = x f ( xdx ), EX [ ] = x f ( x), X X då X kotiuerli Okäd! då X diskret Problem: Ka ej beräka E[X] teoretiskt Lösi: Aväd Mote Carlo-simuleri! 2 Repetitio: Ekel sampli Ka ej beräka E[X] exakt teoretiskt uta får öja oss med att skatta vätevärdet: EX [ ] mx Vår skatti Om vi kude eomföra experimet som er observatioer av variabel X (tex sila slat och observera utfallet som i ex. 6.20) så skulle vi kua skatta vätevärdet som medelvärdet av våra observatioer: EX [ ] mx = xi i = Repetitio: Ekel sampli I måa fall är det svårt att utföra verklia experimet! Om täthetsfuktioe till X varit käd skulle vi kuat slumpa fram observatioer uta att behöva öra verklia experimet. Me f X (x) är okäd! Utyttja att vi vet vilke stokastisk variabel Y som påverkar X och hur de påverkar X dvs: ( Y) = X där täthetsfuktioe till Y är käd och som är e matematisk modell av systemet också är käd. Nu ka vi slumpa fram observatioer av Y: y,, y Vi får således också fram observatioer av X eom: x i =(y i ), i=,2,3,, ivet att x,,x är oberoede. 3 4

2 Repetitio: Ekel sampli Slutlie blir vår skatti m = av det sökta vätevärdet E[X]. X x i i= Observera att m X också är e stokastisk variabel (ty medelvärde av slumpmässia observatioer x i =(y i )) Slumpas fram Slumptalseerator Repetitio: Ekel sampli U Iversa trasformmetode Y Matematisk modell (Y)=X Sampli Detta är pricipe för ekel sampli. För att få fram observatioera på Y aväder vi e slumpeerator som eererar oberoede likformia slumptal på itervallet [0,]. Med hjälp av iversa trasformmetode omvadlar vi dessa till observatioer av Y, {y, y 2, y 3, y 4, y 5,, y }. Det eda som vi måste ta fram för att aväda iversa trasformmetode är fördelisfuktioe eller varaktihetskurva till Y. m X 5 6 Repetitio: Ekel sampli Skatties vätevärde är samma som de stokastiska variabels vätevärde, dvs E[m X ] = E[X]. Skatties varias är itressat, eftersom de aer hur mycket e eskild skatti ka förvätas avvika frå de sökta vätevärdet (dvs E[X]) Norahete i skattie ka alltså mätas med skatties varias. Sats 6.22: Var[ X ] Var[ mx ] = Ju fler observatioer, desto midre Var[m x ] oraare skatti. Repetitio: Ekel sampli Me vi ka ite öra oädlit måa observatioer. Vi måste ha ett stoppkriterium för att bestämma Två typer av stoppkriterier Fördefiierat atal sampel (ituitio eller beräkas). Variatioskoefficiete, a (sätter e relativ tolerasivå)

3 Systemplaeri VT Föreläsi F6: Mote Carlo Iehåll:. Repetitio 2. Sampli av elmarkader 3. Multi-areamodelle 4. Räka exempel Sampli av elmarkader Slumptalseerator U Iversa trasformmetode Y Matematisk modell (Y)=X Sampli Mål: Att försöka förutsäa hur elmarkade kommer fuera ivet vissa förutsättiar. Går ej att öra verklia experimet i e elmarkadssimuleri, vill kua eomföra simulerie bara med hjälp av dator. Varje sampel är e observatio av hur elmarkade beter si i ett visst sceario. Det fis ett oädlit atal möjlia scearier. Observera att både X och Y ka vara vektorer av stokastiska variabler. X är e vektor av de variabler vars vätevärde vi vill få fram. Oftast påverkar också flera stokastiska variabler X som samlas i vektor Y. Vad motsvarar X, E[X], Y och är ma samplar elmarkader? m X 9 0 X: Vektor av resultatvariabler X är e vektor av stokastiska variabler. Dessa stokastiska variabler är vårt utdata och kallas resultatvariabler. Resultatvariableras saolikhetsfördeli är ite käda. Typiska resultatvariabler för elmarkadssimuleri: TOC: Total Operatio Cost, de totala driftkostade. LOLO: Loss Of Load Occasio, biär variabel som är om det uppstår effektbrist och 0 aars. ENS: Eery Not Served, icke-levererad eeri pa av kapacitetsberäsiar i elsystemet. Vad motsvarar då E[X] som hela Mote Carlo år ut på att skatta? E[X]: Systemidex Det är jobbit att ta häsy till alla täkbara utfall på X. Vi vill få e mer överripade förståelse för de viktiaste eeskapera som e viss elmarkad har! Därför öjer vi oss med att studera systemidex: E[X]={X=(Y)}=E[(Y)] Typiska systemidex för elmarkadssimuleri: ETOC = E[TOC], de förvätade totala driftkostade. LOLP = E[LOLO], riske för effektbrist, dvs saolikhete att mist e kud är ofrivillit bortkopplad. EENS = E[ENS], de förvätade icke-levererade eeri. 2 3

4 Y: Vektor av scearioparametrar Y är e vektor av stokastiska variabler. Dessa stokastiska variabler är vårt idata och kallas scearioparametrar. Scearioparametraras saolikhetsfördeliar är käda. Dessa beskriver förutsättiara på elmarkade. Typiska scearioparametrar för elmarkadssimuleri: Last/efterfråa på el Maximal tilläli elproduktio i de olika kraftverke : Elmarkadsmodell är e matematisk modell som visar hur elmarkade reaerar på varje täkbart sceario. Dea modell kallas e elmarkadsmodell. I dea modell iår kostater som är de samma för alla scearier. Dessa kostater kallas modellkostater. E elmarkadsmodell består av två delar:. Ataade om hur aktörer på elmarkade aerar. 2. Modell av kraftsystemet. Möjlit att aväda i pricip vilke modell som helst beror på syftet. E vali elmarkadsmodell: Multi-areamodelle. 3 4 Systemplaeri VT Föreläsi F6: Mote Carlo Iehåll:. Repetitio 2. Sampli av elmarkader 3. Multi-areamodelle 4. Räka exempel Multi-areamodelle Multi-areamodelle är de valiaste elmarkadsmodelle, och de eda elmarkadsmodell som preseteras i kurse. E elmarkadsmodell består av två delar:. Ataade om hur aktörer på elmarkade aerar. 2. Modell av kraftsystemet. Sart kommer vi se att multi-areamodelle i själva verket ka formuleras som ett optimerisproblem, där både pukt och pukt 2 ikluderas

5 Multi-areamodelle. Ataade om hur aktörer på elmarkade aerar: Multi-areamodelle. Forts: Ataade om hur aktörer på elmarkade aerar: Vi atar att aktörer på elmarkade kommer att aera så att deras vist maximeras, dvs varje aktör löser optimerisproblemet: Y X=(Y) maximera med häsy till vist kraftsystemets fysiska beräsiar Multi-areaproblemet motsvarar ett föreklat korttidsplaerisproblem. Skillade är att ma i korttidsplaerisproblemet aväder mer detaljerade modeller för kraftverk och elsystem. För varje observatio av y i (e viss efterfråa, e viss maximal elproduktio, osv) optimerar varje aktör si vist. Med lösie till optimerisproblemet ka e observatio av x i beräkas. Geom att lösa opt. prob. flera åer för olika y i eereras måa observatioer på x i och vi ka därmed skatta de sökta vätevärdea ETOC, LOLP, EENS. För att aktörera ska kua fatta optimala beslut det att de har korrekt iformatio och att de ka hadla fritt. Vi atar därför att det råder perfekt kokurres och att alla aktörer har perfekt iformatio. 7 8 Multi-areamodelle 2. Modell av kraftsystemet: Problem: Mote Carlo-simuleri består av ett stort atal scearier och för varje sceario måste ett optimerisproblem lösas Mycket tidskrävade!!! Multi-areamodelle 2. Forts: Modell av kraftsystemet: Area Area 2 Lösi: Ha så få variabler som möjlit i optimerisproblemet dvs vi måste öra förekliar av kraftsystemet. Metod:. Förekla det ursprulia ätet eom att flera oder slås samma till e. Detta ör vi eom att dela i kraftsystemet i areor. 2. Efterfråa iom varje area slås ihop och laste atas ej vara priskäsli. 3. Elätet represeteras bara av förbidelsera mella areora. Det eda som tas häsy till är överföriskapaciteter och trasmissiosförluster mella areora. Distributiosät iuti areora försummas. Area

6 Multi-areamodelle 2. Forts: Modell av kraftsystemet: Fler förekliar:. Termiska kraftverk: Modelleras med e viss tilläli produktioskapacitet och e kostadsfuktio. Tar edast häsy till produktioskostader i kostadsfuktioe (bortser frå startkostader). Multi-areaproblemet Att maximera viste är det samma som att miimera kostade. Följade optimerisproblem löses för varje sceario: miimera produktioskostade + straffkostad för bortkopplad last 2. Icke-relerbara kraftverk: Kraftverk där produktioskapacitete beror av åo faktor utom mäskli kotroll, tex vidkraftverk och vattekraftverk uta maasi. Produktioskostade försummas och de tillälia produktioskapacitete summeras per area för dea typ av kraftverk. då lastbalas i alla areor uppfylls fysiska beräsiar äller 2 22 Multi-areaproblemet Varför behöver vi e variabel för icke-levererad effekt och varför har de e kostad? Ia aratier för att elproduktioe är de samma som efterfråa i varje area. Måste ha e möjlihet att koppla bort laste! iför variabel U som är icke-levererad effekt i area Vi vill miimera produktioskostade. Det billiaste är om ie el produceras, dvs de optimala lösie blir: Efterfråa i varje area= icke-levererad effekt i varje area För att utyttja produktiosresursera ia vi kopplar bort last låter vi U ha e straffkostad som måste vara höre ä produktioskostade i det dyraste kraftverket. Multi-areaproblemet Optimerisvariabler: G = eereri i termiska kraftverket W = eereri i icke-relerbara kraftverk i area P,m = trasmissio frå area till area m U = icke levererad effekt i area Parametrar: P = mäde trasmissiosförbidelser (,m) P m = mäde av areor m som ka exportera till P m = mäde av areor m som ka importera frå

7 Multi-areaproblemet Parametrar (forts): C G = Kostadsfuktio för det termiska kraftverket C U = Kostadsfuktio för icke-levererad effekt i area D = Last i area G = Maximal produktio i kraftverk W = Maximal produktio i icke-relerbara kraftverk i area G = Mäde termiska kraftverk i systemet G = Mäde termiska kraftverk i area L,m = Förlustfuktio för trasmissio frå area och m N = Mäde areor i systemet P, m= Maximal trasmissio frå area till m Multi-areaproblemet Målfuktio: mi G C ( G ) + C ( U ) G Total produktioskostad för de termiska kraftverke N U Total straffkostad för bortkopplad last Observera att produktioskostade för de icke-relerbara kraftverke försummats helt! Observera att startkostadera för de termiska kraftverke försummats! Multi-areaproblemet Bivillkor för lastbalas: Multiareaproblemet Variabelräser: Beräsiar i produktios- och överföriskapacitet: G ( Pm, Lm, ( Pm, )) = D + Pm, U, N G + W + Geereri i area m P m Observera att eereri frå de icke-relerbara kraftverke slås ihop för varje area. Import till area Last i area m P m Export frå area Effektbrist i area 0 G 0 P 0 U 0 W, m G P D W, m G (, m) P N N

8 Multi-areaproblemet Kör optimerie. Ka seda beräka TOC och LOLO: Stryks om vi har e fiktiv straffkostad. TOC = CG ( G ) + CU ( U ) Edast med om det G N hadlar om att ersätti betalas ut. 0 om U = 0 N LOLO = omu > 0 N Mist e area har blivit bortkopplad. Multi-areamodelle Vad är scearioparametrar och resultatvariabler i multi-areamodelle är de aväds i Mote Carlo-simuleri? Scearioparametrar (Y): De parametrar som bestämmer förutsättiara! Tilläli produktioskapacitet i kraftverke: G,W Tilläli överföriskapacitet: P Laste: D Resultatvariabler (X): Driftkostad: TOC Effektbrist: LOLO Systemplaeri VT Föreläsi F6: Mote Carlo Iehåll:. Repetitio av ekel sampli 2. Sampli av elmarkader 3. Multi-areamodelle 4. Räka exempel Nu ska det räkas! Exempel Multi-areamodeller Vill du klara hemuppift 2)? Lyssa oa

9 Multi-areamodelle Exempel 6.: I de östafrikaska stade Mji fis e dieseleeratorer, som har e kapacitet på 250 kwh/h. P..a. bristade uderhåll är det valit med driftstöriar i dieseleerator. Driftkostade är 0 /kwh. 5 km ifrå Mji lier Mlima där fis ett vidkraftverk. De istallerade effekte i vidkraftverket är 200 kw och driftkostade är försumbar. Alldeles itill Mlima lier by Kijiji. Laste i Mji respektive Kijiji ka atas vara ormalfördelade och oberoede av varadra. Nu ska det räkas! Exempel 6.22: Ekel sampli av elmarkader Återkommade exempel är vi seare studerar variasreduceristekiker! Mlima och Kijiji är förbuda med Mji via e trasmissiosledi. Ma ka ata att förlustera på ledie uppår till 2% av de effekt som matas i och att ledie aldri drabbas av driftstöriar. Formulera e tvåareamodell av elsystem. Söker ETOC och LOLP. Vad är Y och E[X]? Ekel sampli av elmarkader Exempel 6.22: Lite by med eet ät. Data el. följade: Normalfördelad last, D, med vätevärde 80 och stadardavvikelse 40. Tre kraftverk: Vattekraftverk (ej maasi), max. effekt 50 kw, driftkostad 0 SEK/kWh Dieseleeratorer 00 kw, driftkostad SEK/kWh, körs aldri på midre ä 40 kw. Evetuell överskottsproduktio förbrukas i varmvatteberedare Dieseleeratorer 50 kw, driftkostad 2 SEK/kWh Alla kraftverk 00% tillälia Beräka ETOC, dels med Mote Carlo (0 obs. räcker för skattie) och dels exakt. Ekel sampli av elmarkader Lösi med Mote Carlo: Slumptalseerator U Iversa trasformmetode Y Matematisk modell (Y)=X Sampli Modellkostater: Är tilläli kapacitet och driftkostader då de är samma för alla scearier. Scearioparametrar Y: Är D, laste, ty de är stokastiskt med e käd saolikhetsfördeli. Vi vet att de är ormalfördelad med vätevärde 80 och varias 40. Resultatvariabler X: Är TOC ty det vätevärde vi söker är ETOC=E[TOC]. Matematisk modell, : Atar att vi kör kraftverke så att driftkostade miimeras. m X

10 Ekel sampli av elmarkader Ekel sampli av elmarkader Tabell visar hur kraftverke körs vid olika lastsituatioer, dvs fuktioe (D)=TOC. Slumptalseerator U Iversa trasformmetode D Matematisk modell (D)=TOC Sampli m TOC D [kw] TOC [SEK/h] Kommetar Vattekrafte körs *(D-50) *(D-50) *(D-250) > Vattekrafte körs fullt, lilla eerator följer laste Vattekrafte körs fullt, stora eerator kostat 40 kw, överskottsprod. förbrukas i vv-beredare Vattekrafte körs fullt, stora eerator följer laste Vattekrafte körs fullt, stora eerator körs fullt, lilla eerator följer laste Samtlia kraftverk körs fullt, last måste kopplas bort. Atar att 0 observatioer av TOC räcker för att skatta ETOC. 2. Börja slumpa 0 st U(0,) och trasformera dessa elit Appedix E till slumptal för laste D frå e N(80,40). Vi har u 0 st slumpmässia observatioer av D: d i, i=,, Ekel sampli av elmarkader Ekel sampli av elmarkader Slumptalseerator U Iversa trasformmetode D Matematisk modell (D)=TOC Sampli m TOC. Atar att 0 observatioer av TOC räcker för att skatta ETOC. 2. Börja slumpa 0 st U(0,) och trasformera dessa elit Appedix E till slumptal för laste D frå e N(80,40). Vi har u 0 st slumpmässia observatioer av D: d i, i=,,0. 3. Aväd som defiierades i tabelle för att räka fram 0 st slumpmässia observatioer av TOC: (d i )=TOC i, i=,,

11 Ekel sampli av elmarkader Ekel sampli av elmarkader Tabell visar hur kraftverke körs vid olika lastsituatioer, dvs fuktioe (D)=TOC. D [kw] TOC [SEK/h] Kommetar Vattekrafte körs *(D-50) *(D-50) *(D-250) > Vattekrafte körs fullt, lilla eerator följer laste Vattekrafte körs fullt, stora eerator kostat 40 kw, överskottsprod. förbrukas i vv-beredare Vattekrafte körs fullt, stora eerator följer laste Vattekrafte körs fullt, stora eerator körs fullt, lilla eerator följer laste Samtlia kraftverk körs fullt, last måste kopplas bort 4 42 Ekel sampli av elmarkader Slumptalseerator U Iversa trasformmetode D Matematisk modell (D)=TOC Sampli m TOC. Atar att 0 observatioer av TOC räcker för att skatta ETOC. 2. Börja slumpa 0 st U(0,) och trasformera dessa elit Appedix E till slumptal för laste D frå e N(80,40). Vi har u 0 st slumpmässia observatioer av D: d i, i=,,0. 3. Aväd som defiierades i tabelle för att räka fram 0 st slumpmässia observatioer av TOC: (d i )=TOC i, i=,,0. 4. Söker ETOC=E[TOC]. Får fram ett approximativt värde för ETOC eom att ta medelvärdet av våra 0 observatioer: 0 m TOC = TOCi 0 i= Ekel sampli av elmarkader Medelvärdet av driftkostade, dvs skatti av ETOC: 0 m TOC = TOCi = 42.6 SEK/h 0 i= Lösi då ETOC beräkas exakt: För detta lilla exempel år det dock att räka ut ETOC exakt: ETOC = TOC( x) f ( x) dx = K = SEK/h D Iterale löses umeriskt! 43 44

12 Nu ska det räkas! Ekel sampli av elmarkader Öv. Uppift 6.3: Övi 6.3 Ekel sampli av elmarkader Nu har vi beräkat ETOC bara att öva på LOLP kvar I e Mote Carlo-simuleri av e multiareamodell har ma eererat scearier. I 2 av dessa scearier blev de totala icke-levererade effekte större ä oll. Vad blir skattie av LOLP? Det viktiaste frå ida: Fuktioe = Elmarkadsmodelle = multiareamodelle Multi-areamodelle: Formuleras som ett optimerisproblem, där ataade om hur aktörer på elmarkade aerar samt kraftsystemet fysiska beräsiar tas med. Nästa å: Mål: Vill öra vår skatti av E[X] oraare uta att behöva ta fler sampel/observatioer! Metod: Välj våra observatioer smartare, dvs aväd variasreduceristekiker: Slumptalskomplemet Kotrollvariabler Stratifierad sampli Eller kombiera dem

Tentamen 19 mars, 8:00 12:00, Q22, Q26

Tentamen 19 mars, 8:00 12:00, Q22, Q26 Avdelige för elektriska eergisystem EG225 DRIFT OCH PLANERING AV ELPRODUKTION Vårtermie 25 Tetame 9 mars, 8: 2:, Q22, Q26 Istruktioer Skriv alla svar på det bifogade svarsbladet. Det är valfritt att också

Läs mer

Kompletteringsskrivning i EG2050 Systemplanering, 17 september 2009, 9:00-11:00, stora konferensrummet

Kompletteringsskrivning i EG2050 Systemplanering, 17 september 2009, 9:00-11:00, stora konferensrummet Kompletterigsskrivig i EG2050 Systemplaerig, 17 september 2009, 9:00-11:00, stora koferesrummet Istruktioer Edast de uppgifter som är markerade på det bifogade svarsbladet behöver lösas (på de övriga uppgiftera

Läs mer

Tentamen i EG2050/2C1118 Systemplanering, 14 mars 2009, 8:00 13:00, Q21, Q22

Tentamen i EG2050/2C1118 Systemplanering, 14 mars 2009, 8:00 13:00, Q21, Q22 Tetame i EG2050/2C1118 Systemplaerig, 14 mars 2009, 8:00 13:00, Q21, Q22 Tillåta hjälpmedel Vid dea tetame får följade hjälpmedel avädas: Miiräkare uta iformatio med akytig till kurse. E hadskrive, ekelsidig

Läs mer

Statistisk analys. Vilka slutsatser kan dras om populationen med resultatet i stickprovet som grund? Hur säkra uttalande kan göras om resultatet?

Statistisk analys. Vilka slutsatser kan dras om populationen med resultatet i stickprovet som grund? Hur säkra uttalande kan göras om resultatet? Statistisk aalys Vilka slutsatser ka dras om populatioe med resultatet i stickprovet som grud? Hur säkra uttalade ka göras om resultatet? Mats Guarsso Tillämpad matematik III/Statistik - Sida 83 Exempel

Läs mer

Monte Carlo-simulering. EG2205 Föreläsning 15 18, vårterminen 2015 Mikael Amelin

Monte Carlo-simulering. EG2205 Föreläsning 15 18, vårterminen 2015 Mikael Amelin Monte Carlo-simulering EG2205 Föreläsning 15 18, vårterminen 2015 Mikael Amelin 1 Kursmål Tillämpa Monte Carlo-simulering för att beräkna förväntad driftkostnad och risk för effektbrist på en elmarknad,

Läs mer

Föreläsning 3. 732G04: Surveymetodik

Föreläsning 3. 732G04: Surveymetodik Föreläsig 3 732G04: Surveymetodik Dages föreläsig Obudet slumpmässigt urval (OSU) Populatiosparametrar och stickprovsstatistikor Vätevärdesriktighet Ädliga och oädliga populatioer Medelvärde, adel Kofidesitervall

Läs mer

Intervallskattning. c 2005 Eric Järpe Högskolan i Halmstad. Antag att vi har ett stickprov x 1,..., x n på X som vi vet är N(µ, σ) men vi vet ej

Intervallskattning. c 2005 Eric Järpe Högskolan i Halmstad. Antag att vi har ett stickprov x 1,..., x n på X som vi vet är N(µ, σ) men vi vet ej Itervallskattig c 005 Eric Järpe Högskola i Halmstad Atag att vi har ett stickprov x,..., x på X som vi vet är Nµ, σ me vi vet ej värdet av µ = EX. Då ka vi beräka x, vvr skattig av µ. För att få reda

Läs mer

Introduktion till statistik för statsvetare

Introduktion till statistik för statsvetare "Det fis iget så praktiskt som e bra teori" November 2011 Bakgrud Stadardiserig E saolikhetsekvatio Kosekves av stora tales lag Stora tales lag ger att är slumpvariablera X i är oberoede, med e och samma

Läs mer

Datorövning 2 Fördelningar inom säkerhetsanalys

Datorövning 2 Fördelningar inom säkerhetsanalys Luds tekiska högskola Matematikcetrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065, HT-15 Datorövig 2 Fördeligar iom säkerhetsaalys I dea datorövig ska vi studera ågra grudläggade

Läs mer

Datastrukturer och algoritmer

Datastrukturer och algoritmer Iehåll Föreläsig 6 Asymtotisk aalys usammafattig experimetell aalys uasymtotisk aalys Lite matte Aalysera pseudokode O-otatio ostrikt o Okulärbesiktig 2 Mäta tidsåtgåge uhur ska vi mäta tidsåtgåge? Experimetell

Läs mer

1. (a) Eftersom X och Y har samma fördelning så har de även samma väntevärde och standardavvikelse. E(X 2 ) = k

1. (a) Eftersom X och Y har samma fördelning så har de även samma väntevärde och standardavvikelse. E(X 2 ) = k LÖSNINGAR TILL Matematisk statistik, Matematikcetrum Tetame: 5 kl 8 Luds tekiska högskola FMS, FMS, FMS, FMS 5, MAS 9 Matematisk statistik för ED, F, I, FED och fysiker. a Eftersom X och Y har samma fördelig

Läs mer

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 20 januari 2007, kl. 09.00-13.00

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 20 januari 2007, kl. 09.00-13.00 0.01.007 Tetame i Statistik, STA A13 Deltetame, 5p 0 jauari 007, kl. 09.00-13.00 Tillåta hjälpmedel: Bifogad formel- och tabellsamlig (skall retureras) samt miiräkare. Asvarig lärare: Haah Hall Övrigt:

Läs mer

Övningstentamen i MA2018 Tillämpad Matematik III-Statistik, 7.5hp

Övningstentamen i MA2018 Tillämpad Matematik III-Statistik, 7.5hp Övigstetame i MA08 Tillämpad Matematik III-Statistik, 7.5hp Hjälpmedel: Räkedosa och medföljade formelsamlig! Täk på att dia lösigar ska utformas så att det blir lätt för läsare att följa dia takegågar.

Läs mer

MS-A0409 Grundkurs i diskret matematik I

MS-A0409 Grundkurs i diskret matematik I MS-A0409 Grudkurs i diskret matematik I G. Gripeberg Mägder och logik Relatioer och fuktioer Aalto-uiversitetet oktober 04 Kombiatorik etc. G. Gripeberg (Aalto-uiversitetet MS-A0409 Grudkurs i diskret

Läs mer

MS-A0409 Grundkurs i diskret matematik Sammanfattning, del I

MS-A0409 Grundkurs i diskret matematik Sammanfattning, del I MS-A0409 Grudkurs i diskret matematik Sammafattig, del I G. Gripeberg Aalto-uiversitetet 2 oktober 2013 G. Gripeberg (Aalto-uiversitetet) MS-A0409 Grudkurs i diskret matematiksammafattig, del 2Ioktober

Läs mer

MA2018 Tillämpad Matematik III-Statistik, 7.5hp, 2014-08-23

MA2018 Tillämpad Matematik III-Statistik, 7.5hp, 2014-08-23 1 MA018 Tillämpad Matematik III-Statistik, 7.5hp, 014-08-3 Hjälpmedel: Räkedosa och medföljade formelsamlig! Täk på att dia lösigar ska utformas så att det blir lätt för läsare att följa dia takegågar.

Läs mer

Tentamen i Statistik STG A01 (12 hp) 5 mars 2010, kl. 08.15 13.15

Tentamen i Statistik STG A01 (12 hp) 5 mars 2010, kl. 08.15 13.15 Karlstads uiversitet Fakultete för ekoomi, kommuikatio och IT Statistik Tetame i Statistik STG A0 ( hp) 5 mars 00, kl. 08.5 3.5 Tillåta hjälpmedel: Bifogad formel- och tabellsamlig (skall retureras) samt

Läs mer

Genomsnittligt sökdjup i binära sökträd

Genomsnittligt sökdjup i binära sökträd Iformatiostekologi Tom Smedsaas 10 augusti 016 Geomsittligt sökdjup i biära sökträd Detta papper visar att biära sökträd som byggs upp av slumpmässiga data är bra. Beteckigar och defiitioer Defiitio De

Läs mer

Borel-Cantellis sats och stora talens lag

Borel-Cantellis sats och stora talens lag Borel-Catellis sats och stora tales lag Guar Eglud Matematisk statistik KTH Vt 2005 Iledig Borel-Catellis sats är e itressat och avädbar sats framför allt för att bevisa stora tales lag i stark form. Vi

Läs mer

TMS136: Dataanalys och statistik Tentamen 2013-10-26 med lösningar

TMS136: Dataanalys och statistik Tentamen 2013-10-26 med lösningar TMS36: Dataaalys och statistik Tetame 03-0-6 med lösigar Examiator och jour: Mattias Sude, tel. 0730 79 9 79 Hjälpmedel: Chalmersgodkäd räkare och formelsamlig formelsamlig delas ut med teta). Betygsgräser:

Läs mer

TENTAMEN I MATEMATISK STATISTIK Datum: 13 mars 08

TENTAMEN I MATEMATISK STATISTIK Datum: 13 mars 08 TENTAMEN I MATEMATISK STATISTIK Datum: 3 mars 8 Te i kurse HF3, 6H3, 6L3 MATEMATIK OCH MATEMATISK STATISTIK, Te i kurse HF ( Tidigare k 6H3), KÖTEORI OCH MATEMATISK STATISTIK, Skrivtid: 8:5-:5 Hjälpmedel:

Läs mer

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 2)

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 2) Fiasiell Statistik (GN, 7,5 hp,, HT 008) Föreläsig 4 (del ) Pukt- och itervallskattig (LLL Kap 10) Departmet of Statistics (Gebreegus Ghilagaber, PhD, Associate Professor) Fiacial Statistics (Basic-level

Läs mer

Analys av algoritmer. Beräkningsbar/hanterbar. Stora Ordo. O(definition) Datastrukturer och algoritmer. Varför analysera algoritmer?

Analys av algoritmer. Beräkningsbar/hanterbar. Stora Ordo. O(definition) Datastrukturer och algoritmer. Varför analysera algoritmer? Datastrukturer och algoritmer Föreläsig 2 Aalys av Algoritmer Aalys av algoritmer Vad ka aalyseras? - Exekverigstid - Miesåtgåg - Implemetatioskomplexitet - Förstålighet - Korrekthet - - 29 30 Varför aalysera

Läs mer

SAMMANFATTNING TAMS79 Matematisk statistik, grundkurs

SAMMANFATTNING TAMS79 Matematisk statistik, grundkurs SAMMANFATTNING TAMS79 Matematisk statistik, grudkurs LÄST SOM EN DEL AV CIVILINGENJÖRSPROGRAMMET I INDUSTRIELL EKONOMI VID LITH, HT 2015 Versio: 1.0 Seast reviderad: 2016-02-01 Författare: Viktor Cheg

Läs mer

Stat. teori gk, ht 2006, JW F13 HYPOTESPRÖVNING (NCT ) Ordlista till NCT

Stat. teori gk, ht 2006, JW F13 HYPOTESPRÖVNING (NCT ) Ordlista till NCT Stat. teori gk, ht 2006, JW F13 HYPOTESPRÖVNING (NCT 10.1-10.3) Ordlista till NCT Hypothesis testig Null hypothesis Alterative hypothesis Simple / composite Oe-sided /two-sided Reject Test statistic Type

Läs mer

Tentamen i Flervariabelanalys F/TM, MVE035

Tentamen i Flervariabelanalys F/TM, MVE035 Tetame i Flervariabelaalys F/TM, MV35 8 3 kl. 8.3.3. Hjälpmedel: Iga, ej räkedosa. Telefo: Oskar Hamlet tel 73-8834 För godkät krävs mist 4 poäg. Betyg 3: 4-35 poäg, betyg 4: 36-47 poäg, betyg 5: 48 poäg

Läs mer

Tentamen i matematisk statistik

Tentamen i matematisk statistik Tetame i matematisk statistik Uppgift : På e arbetsplats skadades % av persoale uder ett år. 60% av alla skadade var mä. 0% av alla aställda var kvior. Är det maliga eller kviliga aställda som löper störst

Läs mer

Tolkning av sannolikhet. Statistikens grunder, 15p dagtid. Lite mängdlära. Lite mängdlära, forts. Frekventistisk n A /n P(A) då n

Tolkning av sannolikhet. Statistikens grunder, 15p dagtid. Lite mängdlära. Lite mängdlära, forts. Frekventistisk n A /n P(A) då n Tolkig av saolikhet Statistikes gruder, 15p dagtid HT 01 Föreläsigar F4-F6 Frekvetistisk A / A) då Klassisk atal(a) / atal(ω) = A) storlek(a) / storlek(ω) = A) Subjektiv (persolig) isats/total vist = A)

Läs mer

2. Konfidensintervall för skillnaden mellan två proportioner.

2. Konfidensintervall för skillnaden mellan två proportioner. Föreläsig 12 LV1, Torsdag 12/10 Upplägg 1. Kofidesitervall för proportioer. 2. Kofidesitervall för skillade mella två proportioer. 3. Grafteori Kofidesitervall för proportioer Atag att vi vill skatta adele

Läs mer

Tentamen Metod C vid Uppsala universitet, , kl

Tentamen Metod C vid Uppsala universitet, , kl Tetame Metod C vid Uppsala uiversitet, 160331, kl. 08.00 12.00 Avisigar Av rättigspraktiska skäl skall var och e av de tre huvudfrågora besvaras på separata pappersark. Börja alltså på ett ytt pappersark

Läs mer

REGULJÄRA SPRÅK (8p + 6p) 1. DFA och reguljära uttryck (6 p) Problem. För följande NFA över alfabetet {0,1}:

REGULJÄRA SPRÅK (8p + 6p) 1. DFA och reguljära uttryck (6 p) Problem. För följande NFA över alfabetet {0,1}: CD58 FOMEA SPÅK, AUTOMATE, OCH BEÄKNINGSTEOI, 5 p JUNI 25 ÖSNINGA EGUJÄA SPÅK (8p + 6p). DFA och reguljära uttryck (6 p) Problem. För följade NFA över alfabetet {,}:, a) kovertera ovaståede till e miimal

Läs mer

Kompletterande kurslitteratur om serier

Kompletterande kurslitteratur om serier KTH Matematik Has Thuberg 5B47 Evariabelaalys Kompletterade kurslitteratur om serier I Persso & Böiers.5.4 itroduceras serier, och serier diskuteras också i kapitel 7.9. Ia du läser vidare här skall du

Läs mer

Föreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin

Föreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin Föreläsig 6 732G70, 732G01 Statistik A Föreläsigsuderlage är baserade på uderlag skriva av Karl Wahli Kapitel 6 Iferes om e populatio Sid 151-185 Puktskattig och itervallskattig Statistisk iferes om populatiosmedelvärde

Läs mer

Föreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin

Föreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin Föreläsig 5 73G70, 73G01 Statistik A Föreläsigsuderlage är baserade på uderlag skriva av Karl Wahli Kapitel 5 Stickprovsteori Sid 15-150 Statistisk iferes Populatio (äve målpopulatio) = de (på logisk väg

Läs mer

Sannolikheter 0 < P < 1. Definition sannolikhet: Definition sannolikhet: En sannolikhet kan anta värden från 0 till 1

Sannolikheter 0 < P < 1. Definition sannolikhet: Definition sannolikhet: En sannolikhet kan anta värden från 0 till 1 Saolikheter E saolikhet ka ata värde frå 0 till 1 0 < P < 1 Beteckas: P Pr Prob Saolikhete för e hädelse Hädelse A P(A) Pr(A) Prob(A) Defiitio saolikhet: De frekves med vilke hädelse av itresse iträffar

Läs mer

Antalet sätt att välja ut r objekt bland n stycken med hänsyn till ordning är np r = n(n 1) (n r + 1).

Antalet sätt att välja ut r objekt bland n stycken med hänsyn till ordning är np r = n(n 1) (n r + 1). Harald Lag Formelsamlig och Tabeller i Statistik och Saolikhetsteori (15/11-10) Datareducerig Om x 1,..., x är ett stickprov ur e populatio så defiieras medelvärdet x x = 1 k=1 x k och stadardavvikelse

Läs mer

Tentamen i Kunskapsbaserade system, 5p, Data 3

Tentamen i Kunskapsbaserade system, 5p, Data 3 Kuskapsbaserade system, tetame 2000-03-0 Istitutioe för tekik Tetame i Kuskapsbaserade system, 5p, Data 3 Datum: 2000-03-0 Tid: 8.00-3.00 Lärare: Potus Bergste, 3365 Hjälpmedel: Miiräkare Uppgiftera ska

Läs mer

Jag läser kursen på. Halvfart Helfart

Jag läser kursen på. Halvfart Helfart KOD: Kurskod: PC106/PC145 Kurs 6: Persolighet, hälsa och socialpsykologi (15 hp) Datum: 3/8 014 Hel- och halvfart VT 14 Provmomet: Socialpsykologi + Metod Tillåta hjälpmedel: Miiräkare Asvarig lärare:

Läs mer

Linjär Algebra (lp 1, 2016) Lösningar till skrivuppgiften Julia Brandes

Linjär Algebra (lp 1, 2016) Lösningar till skrivuppgiften Julia Brandes Lijär Algebra (lp 1, 2016) Lösigar till skrivuppgifte Julia Brades Uppgift 1. Betecka mägde av alla matriser med M(). Vi har e elemetvist defiierad additio av två matriser A, B M(). De är defiierad geom

Läs mer

Hambley avsnitt 12.7 (även 7.3 för den som vill läsa lite mer om grindar)

Hambley avsnitt 12.7 (även 7.3 för den som vill läsa lite mer om grindar) 1 Föreläsig 6, Ht 2 Hambley avsitt 12.7 (äve 7.3 för de som vill läsa lite mer om gridar) Biära tal Vi aväder ormalt det decimala talsystemet, vilket har base 10. Talet 2083 rereseterar då 2 10 3 0 10

Läs mer

F10 ESTIMATION (NCT )

F10 ESTIMATION (NCT ) Stat. teori gk, ht 2006, JW F10 ESTIMATION (NCT 8.1-8.3) Ordlista till NCT Iferece Parameter Estimator Estimate Ubiased Bias Efficiecy Cofidece iterval Cofidece level (Studet s) t distributio Slutledig,

Läs mer

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 1)

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 1) Fiasiell Statistik (GN, 7,5 hp,, HT 008) Föreläsig 4 (del 1) Sampligfördeligar (LLL Kap 8) Departmet of Statistics (Gebreegus Ghilagaber, PhD, Associate Professor) Fiacial Statistics (Basic-level course,

Läs mer

Konsoliderad version av. Styrelsens för ackreditering och teknisk kontroll föreskrifter (STAFS 1993:18) om EEG-märkning av färdigförpackade varor

Konsoliderad version av. Styrelsens för ackreditering och teknisk kontroll föreskrifter (STAFS 1993:18) om EEG-märkning av färdigförpackade varor Kosoliderad versio av Styrelses för ackrediterig och tekisk kotroll föreskrifter (STAFS 1993:18) om EEG-märkig av färdigförpackade varor Rubrike har dea lydelse geom (STAFS 2008:11) Ädrig iförd: t.o.m.

Läs mer

Enkät inför KlimatVardag

Enkät inför KlimatVardag 1 Ekät iför KlimatVardag Frågora hadlar om dia förvätigar på och uppfattigar om projektet, samt om hur det ser ut i ditt/ert hushåll idag. Ekäte är uderlag för att hushållet ska kua sätta rimliga och geomförbara

Läs mer

Föreskrift. om publicering av nyckeltal för elnätsverksamheten. Utfärdad i Helsingfors den 2. december 2005

Föreskrift. om publicering av nyckeltal för elnätsverksamheten. Utfärdad i Helsingfors den 2. december 2005 Dr 1345/01/2005 Föreskrift om publicerig av yckeltal för elätsverksamhete Utfärdad i Helsigfors de 2. december 2005 Eergimarkadsverket har med stöd av 3 kap. 12 3 mom. i elmarkadslage (386/1995) av de

Läs mer

SANNOLIKHETER. Exempel. ( Tärningskast) Vi har sex möjliga utfall 1, 2, 3, 4, 5 och 6. Därför är utfallsrummet Ω = {1, 2, 3, 4, 5,6}.

SANNOLIKHETER. Exempel. ( Tärningskast) Vi har sex möjliga utfall 1, 2, 3, 4, 5 och 6. Därför är utfallsrummet Ω = {1, 2, 3, 4, 5,6}. rmi Halilovic: EXTR ÖVIGR SOLIKHETER GRUDLÄGGDE BEGRE OH BETEKIGR Utfall Resultat av ett slumpmässigt försök. Utfallsrummet ägde av alla utfall (beteckas oftast med Ω ). Hädelse E delmägd av utfallsrummet.

Läs mer

LÖSNINGAR TILL. Räkningar: (z i z) 2 = , Δ = z = 1 n. n 1. Konfidensintervall:

LÖSNINGAR TILL. Räkningar: (z i z) 2 = , Δ = z = 1 n. n 1. Konfidensintervall: LÖSNINGAR TILL Matematisk statistik Tetame: 2014 10 28 kl 14 00 19 00 Matematikcetrum FMS 086 Matematisk statistik för B, K, N och BME, 7.5 hp Luds tekiska högskola MASB02 Matematisk statistik för kemister,

Läs mer

Räkning med potensserier

Räkning med potensserier Räkig med potesserier Serier (termiologi fis i [P,4-4]!) av type P + + + + 4 +... k ( om < ) k + + + + P 4 4 +... k k! ( e för alla ) k och de i [P, sid.9, formler 7-] som ärmast skulle kua beskrivas som

Läs mer

4.2.3 Normalfördelningen

4.2.3 Normalfördelningen 4.2.3 Normalfördelige Biomial- och Poissofördelige är två exempel på fördeligar för slumpvariabler som ka ata ädligt eller uppräkeligt måga olika värde. Sådaa fördeligar sägs vara diskreta. Ofta är ett

Läs mer

Sydkraft Nät AB, Tekniskt Meddelande för Jordningsverktyg : Dimensionering, kontroll och besiktning

Sydkraft Nät AB, Tekniskt Meddelande för Jordningsverktyg : Dimensionering, kontroll och besiktning ydkraft Nät AB, Tekiskt Meddelade för Jordigsverktyg : Dimesioerig, kotroll och besiktig 2005-04-26 Författare NUT-050426-006 Krister Tykeso Affärsområde Dokumettyp Dokumetam Elkrafttekik Rapport 1(6)

Läs mer

Allmänna avtalsvillkor för konsument

Allmänna avtalsvillkor för konsument Godkäare 7.2 Kudakuta Godkät Kommuikatio Distributio Kudservice Kommuikatio, deltagade och samråd Allmäa avtalsvillkor för kosumet för leveras av fjärrvärme Allmäa avtalsvillkor för kosumet för leveras

Läs mer

MS-A0409 Grundkurs i diskret matematik Sammanfattning, del I

MS-A0409 Grundkurs i diskret matematik Sammanfattning, del I MS-A0409 Gudkus i disket matematik Sammafattig, del I G. Gipebeg 1 Mägde och logik 2 Relatioe och fuktioe Aalto-uivesitetet 15 maj 2014 3 Kombiatoik etc. G. Gipebeg Aalto-uivesitetet MS-A0409 Gudkus i

Läs mer

Så här kommer byggherren och entreprenören överens om energianvändningen

Så här kommer byggherren och entreprenören överens om energianvändningen Så här kommer byggherre och etrepreöre överes om eergiavädige Så här kommer byggherre och etrepreöre överes om eergiavädige Sveby står för Stadardisera och verifiera eergiprestada i byggader och är ett

Läs mer

Sannolikheten. met. A 3 = {2, 4, 6 }, 1 av 11

Sannolikheten. met. A 3 = {2, 4, 6 }, 1 av 11 rmi Halilovic: EXTR ÖVIGR SOLIKHETER GRUDLÄGGDE EGRE OH ETEKIGR Utfall Resultat av ett slumpmässigt försök. Utfallsrummet ägde av alla utfall (beteckas oftast medd Ω ). Hädelse E delmägd av utfallsrumm

Läs mer

Funktionsteori Datorlaboration 1

Funktionsteori Datorlaboration 1 Fuktiosteori Datorlaboratio 1 Fuktiosteori vt1 2013 Rekursiosekvatioer och komplex aalys Syftet med datorövige Öviges ädamål är att ge ett smakprov på hur ett datoralgebrasystem ka avädas för att att lösa

Läs mer

Statistik. Språkligt och historiskt betyder statistik ungefär sifferkunskap om staten

Statistik. Språkligt och historiskt betyder statistik ungefär sifferkunskap om staten Statistik Språkligt och historiskt betyder statistik ugefär sifferkuskap om state E Statistisk udersökig består av fyra delar: Plaerig Dataisamlig Bearbetig Beskrivade statistik (kap 1) Statistisk aalys

Läs mer

F19 HYPOTESPRÖVNING (NCT ) Hypotesprövning för en differens mellan två medelvärden

F19 HYPOTESPRÖVNING (NCT ) Hypotesprövning för en differens mellan två medelvärden Stat. teori gk, ht 006, JW F19 HPOTESPRÖVNING (NCT 11.1-11.) Hypotesprövig för e differes mella två medelvärde Samma beteckigar som vid kofidesitervall för differes mella två populatiosmedelvärde: Medelvärde

Läs mer

Föreläsning F3 Patrik Eriksson 2000

Föreläsning F3 Patrik Eriksson 2000 Föreläsig F Patrik riksso 000 Y/D trasformatio Det fis ytterligare ett par koppligar som är värda att käa till och kua hatera, ite mist är ma har att göra med trefasät. Dessa kallas stjärkopplig respektive

Läs mer

Lösningsförslag 081106

Lösningsförslag 081106 Lösigsförslag 86 Uppgift Trädslag: kvalitativ, omialskala (diskret) Diameter: kvatitativ, kvotskala, kotiuerlig Höjd: kvatitativ, kvotskala, kotiuerlig Ålder: kvatitativ, kvotskala, kotiuerlig Trädslag:

Läs mer

Inledande matematisk analys (TATA79) Höstterminen 2016 Föreläsnings- och lekionsplan

Inledande matematisk analys (TATA79) Höstterminen 2016 Föreläsnings- och lekionsplan Iledade matematisk aalys TATA79) Hösttermie 016 Föreläsigs- och lekiospla Föreläsig 1 Logik, axiom och argumet iom matematik, talbeteckigssystem för hetal, ratioella tal, heltalspoteser. Lektio 1 och Hadledigstillfälle

Läs mer

Stokastiska variabler

Stokastiska variabler TNG006 F2 11-04-2016 Stoastisa variabler Ett slumpmässigt försö ger ofta upphov till ett tal som bestäms av utfallet av försöet. Talet är ite ät före försöet uta bestäms av vilet utfall som ommer att uppstå,

Läs mer

Tentamen i Statistik, STA A10 och STA A13 (9 poäng) 26 mars 2004, klockan

Tentamen i Statistik, STA A10 och STA A13 (9 poäng) 26 mars 2004, klockan Karlstads uiversitet Istitutioe för iformatiostekologi Avdelige för Statistik Tetame i Statistik, STA A10 och STA A13 (9 poäg) 6 mars 004, klocka 14.00-19.00 Tillåta hjälpmedel: Bifogad formelsamlig (med

Läs mer

Webprogrammering och databaser. Begrepps-modellering. Exempel: universitetsstudier Kravspec. ER-modellen. Exempel: kravspec forts:

Webprogrammering och databaser. Begrepps-modellering. Exempel: universitetsstudier Kravspec. ER-modellen. Exempel: kravspec forts: Webprogrammerig och databaser Koceptuell datamodellerig med Etitets-Relatiosmodelle Begrepps-modellerig Mål: skapa e högivå-specifikatio iformatiosiehållet i database Koceptuell modell är oberoede DBMS

Läs mer

Geometriska summor. Aritmetiska summor. Aritmetiska talföljder kallar vi talföljder som. Geometriska talföljder kallar vi talföljder som

Geometriska summor. Aritmetiska summor. Aritmetiska talföljder kallar vi talföljder som. Geometriska talföljder kallar vi talföljder som Aritmetiska summor Aritmetiska talföljder kallar vi talföljder som, 4, 6, 8, 10, 1, 14, 000, 1996, 199, 1988, 0.1, 0., 0.3, 0.4, för vilka differese mella på varadra följade tal kostat. Aritmetiska summor

Läs mer

Del A. x 0 (1 + x + x 2 /2 + x 3 /6) x x 2 (1 x 2 /2 + O(x 4 )) = x3 /6 + O(x 5 ) (x 3 /6) + O(x 4 )) = 1 + } = 1

Del A. x 0 (1 + x + x 2 /2 + x 3 /6) x x 2 (1 x 2 /2 + O(x 4 )) = x3 /6 + O(x 5 ) (x 3 /6) + O(x 4 )) = 1 + } = 1 UPPSALA UNIVERSITET Matematiska istitutioe Sigstam, Styf Svar till övigsteta ENVARIABELANALYS 0-0- Svar till övigsteta. Del A. Bestäm e ekvatio för tagete till kurva y f x) x 5 i pukte där x. Skissa kurva.

Läs mer

LÖSNINGSFÖRSLAG TILL UPPGIFTER I PROBLEMSAMLINGEN I MATEMATISK STATISTIK

LÖSNINGSFÖRSLAG TILL UPPGIFTER I PROBLEMSAMLINGEN I MATEMATISK STATISTIK LÖSNINGSFÖRSLAG TILL UPPGIFTER I PROBLEMSAMLINGEN I MATEMATISK STATISTIK Versio 9 december 4 Fel i lösigara mottages tacksamt till mattsso@math.kth.se. Notera att lösigara på vissa ställe utyttjar adra,

Läs mer

Enkel slumpvandring. Sven Erick Alm. 9 april 2002 (modifierad 8 mars 2006) 2 Apan och stupet 3 2.1 Passagesannolikheter... 3 2.2 Passagetider...

Enkel slumpvandring. Sven Erick Alm. 9 april 2002 (modifierad 8 mars 2006) 2 Apan och stupet 3 2.1 Passagesannolikheter... 3 2.2 Passagetider... Ekel slumpvadrig Sve Erick Alm 9 april 2002 (modifierad 8 mars 2006) Iehåll 1 Iledig 2 2 Apa och stupet 3 2.1 Passagesaolikheter............................... 3 2.2 Passagetider....................................

Läs mer

Armin Halilovic: EXTRA ÖVNINGAR

Armin Halilovic: EXTRA ÖVNINGAR Stokastiska rocesser Defiitio E stokastisk rocess är e mägd (familj) av stokastiska variabler X(t) arameter t är oftast (me ite alltid) e tidsvariabel rocesse kallas diskret om X(t) är e diskret s v för

Läs mer

Viktigt! Glöm inte att skriva Tentamenskod på alla blad du lämnar in.

Viktigt! Glöm inte att skriva Tentamenskod på alla blad du lämnar in. Statistisk försöksplaerig Provmomet: Ladokkod: Tetame ges för: Skriftlig tetame 3,0 hp 51SF01 DTEIN14h 4,5 högskolepoäg TetamesKod: Tetamesdatum: 5 ovember 015 Tid: 9.00-13.00 Hjälpmedel: Miiräkare Totalt

Läs mer

Lösning till tentamen för kursen Log-linjära statistiska modeller 29 maj 2007

Lösning till tentamen för kursen Log-linjära statistiska modeller 29 maj 2007 STOCKHOLMS UNIVERSITET MS 3150 MATEMATISKA INSTITUTIONEN TENTAMEN Avd. Matematisk statistik 29 maj 2007 Lösig till tetame för kurse Log-lijära statistiska modeller 29 maj 2007 Uppgift 1 a Modelle uta ågra

Läs mer

FORMELSAMLING MATEMATISK STATISTIK, FMS601. Fördelning Väntevärde Varians. p x (1 p) n x x = 0, 1,..., n np np(1 p) ) x = 0, 1,..., n np.

FORMELSAMLING MATEMATISK STATISTIK, FMS601. Fördelning Väntevärde Varians. p x (1 p) n x x = 0, 1,..., n np np(1 p) ) x = 0, 1,..., n np. LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING MATEMATISK STATISTIK, FMS601 Valiga fördeligar Fördelig Vätevärde Varias Biomialfördelig, Bi (, p ) P (X = x) = ( x) p x (1 p)

Läs mer

Studentens personnummer: Giltig legitimation/pass är obligatoriskt att ha med sig. Tentamensvakt kontrollerar detta.

Studentens personnummer: Giltig legitimation/pass är obligatoriskt att ha med sig. Tentamensvakt kontrollerar detta. KOD: Kurskod: PC106/PC145 Persolighet, hälsa och socialpsykologi (15 hp) Datum: 4/5 014 Hel- och halvfart VT14 Provmomet: Socialpsykologi + Metod Tillåta hjälpmedel: Miiräkare Asvarig lärare: Niklas Frasso

Läs mer

Föreläsning G70 Statistik A

Föreläsning G70 Statistik A Föreläsig 5 732G70 Statistik A Egeskaper hos stickprovsstatistikora Stickprovsmedelvärde Stickprovssumma Stickprovsadel Lägesmått Spridig Medelfel EX VarX 2 2 E X Var X E P Var P X X 1 1 P Eftersom respektive

Läs mer

TNA001 Matematisk grundkurs Övningsuppgifter

TNA001 Matematisk grundkurs Övningsuppgifter TNA00 Matematisk grudkurs Övigsuppgiter Iehåll: Uppgit Uppgit 8 Uppgit 9 6 Uppgit 7 5 Uppgit 55 60 Facit sid. 8-0 Summor, Biomialsatse, Iduktiosbevis Ivers uktio Logaritmer, Expoetialuktioer Trigoometri

Läs mer

( ) ( ) Kap. 5.5-7. Kolligativa egenskaper + fasjämvikter för 2-komponentsystem 5B.2/5.5 Kolligativa egenskaper R T

( ) ( ) Kap. 5.5-7. Kolligativa egenskaper + fasjämvikter för 2-komponentsystem 5B.2/5.5 Kolligativa egenskaper R T Ka. 5.5-7. Kolligativa egeskaer + fasjämvikter för 2-komoetsystem 5.2/5.5 Kolligativa egeskaer Kolligativa egeskaer: Egeskaer som edast beror å atalet artiklar som lösts Förutsättig: utsädda lösigar, lösta

Läs mer

Universitetet: ER-diagram e-namn

Universitetet: ER-diagram e-namn Databaser Desig och programmerig Fortsättig på relatiosmodelle: Normaliserig fuktioella beroede ormalformer iformatiosbevarade relatiosschemauppdelig Varför ormalisera? Metod att skydda oss frå dum desig

Läs mer

Jag läser kursen på. Halvfart Helfart

Jag läser kursen på. Halvfart Helfart KOD: Tetame Psykologi Kurskod: PC106, Kurs 6: Idivide i ett socialt sammahag (15 hp) och PC145 Datum: 5/5-013 Hel- och halvfart VT 13 Provmomet: Socialpsykologi + Metod Tillåta hjälpmedel: Miiräkare Asvarig

Läs mer

Design mönster. n n n n n n. Command Active object Template method Strategy Facade Mediator

Design mönster. n n n n n n. Command Active object Template method Strategy Facade Mediator Desig möster Desig möster Commad Active object Template method Strategy Facade Mediator Commad Ett av de eklaste desig möstre Me också mycket avädbart Ett grässitt med e metod Comm ad do()

Läs mer

Remiss Remissvar lämnas i kolumnen Tillstyrkes term och Tillstyrkes def(inition) och eventuella synpunkter skrivs i kolumnen Synpunkter.

Remiss Remissvar lämnas i kolumnen Tillstyrkes term och Tillstyrkes def(inition) och eventuella synpunkter skrivs i kolumnen Synpunkter. 1(10) Svar lämat av (kommu, ladstig, orgaisatio etc.): Remiss Remissvar lämas i kolume Tillstyrkes term och Tillstyrkes (iitio) och evetuella sypukter skrivs i kolume Sypukter. Begreppe redovisas i Socialstyrelses

Läs mer

Digital signalbehandling Fönsterfunktioner

Digital signalbehandling Fönsterfunktioner Istitutioe för data- och elektrotekik Digital sigalbehadlig Fösterfuktioer 2-2-7 Fösterfuktioer aväds för att apassa mätserie vid frekvesaalys via DFT och FFT samt vid dimesioerig av FIR-filter via ivers

Läs mer

Uppsala Universitet Matematiska Institutionen Bo Styf. Genomgånget på föreläsningarna Föreläsning 26, 9/2 2011: y + ay + by = h(x)

Uppsala Universitet Matematiska Institutionen Bo Styf. Genomgånget på föreläsningarna Föreläsning 26, 9/2 2011: y + ay + by = h(x) Uppsala Uiversitet Matematiska Istitutioe Bo Styf Evariabelaalys, 0 hp STS, X 200-0-27 Föreläsig 26, 9/2 20: Geomgåget på föreläsigara 26-30. Att lösa de ihomogea ekvatioe. De ekvatio vi syftar på är förstås

Läs mer

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 5 juni 2004, kl

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 5 juni 2004, kl Karlstads uiversitet Istitutioe för iformatiostekologi Avdelige för statistik Tetame i Statistik, STA A13 Deltetame, 5p 5 jui 004, kl. 09.00-13.00 Tillåta hjälpmedel: Asvarig lärare: Övrigt: Bifogad formel-

Läs mer

Sannolikhetslära. c 2015 Eric Järpe Högskolan i Halmstad

Sannolikhetslära. c 2015 Eric Järpe Högskolan i Halmstad Saolikhetslära c 201 Eric Järpe Högskola i Halmstad Saolikhetslära hadlar om att mäta hur saolikt (dvs hur ofta ) ma ka förväta sig att ågot iträffar. Därför sorterar saolikhetslära uder de matematiska

Läs mer

Tentamen 11 juni 2015, 8:00 12:00, Q21

Tentamen 11 juni 2015, 8:00 12:00, Q21 Avdelningen för elektriska energisystem EG2205 DRIFT OCH PLANERING AV ELPRODUKTION Vårterminen 205 Tentamen juni 205, 8:00 2:00, Q2 Instruktioner Skriv alla svar på det bifogade svarsbladet. Det är valfritt

Läs mer

LINJÄR ALGEBRA II LEKTION 4

LINJÄR ALGEBRA II LEKTION 4 LINJÄR ALGEBRA II LEKTION 4 JOHAN ASPLUND Iehåll Egevärde, egevektorer och egerum 2 Diagoaliserig 3 Uppgifter 2 5:4-5a) 2 Extrauppgift frå dugga 2 52:8 4 52:3 4 Extrauppgift frå teta 4 Egevärde, egevektorer

Läs mer

Induktion och Binomialsatsen. Vi fortsätter att visa hur matematiska påståenden bevisas med induktion.

Induktion och Binomialsatsen. Vi fortsätter att visa hur matematiska påståenden bevisas med induktion. Idutio och Biomialsatse Vi fortsätter att visa hur matematisa påståede bevisas med idutio. Defiitio. ( )! = ( över ).!( )! Betydelse av talet studeras seare. Med idutio a vi u visa SATS (Biomialsatse).

Läs mer

Z-Testet. Idè. Repetition normalfördelning. rdelning. Testvariabel z

Z-Testet. Idè. Repetition normalfördelning. rdelning. Testvariabel z Repetitio ormalfördelig rdelig Z-Testet X i. Medelvärdets fördelig:.stadardiserad ormalfördelig: N (, ) X N, X X N (, ) N (,) X N, X N(,) 3. Kvatiler: uwe.meel@math.uu.se Vad gör g r Z-testetZ? H : e ormalfördelad

Läs mer

Databaser - Design och programmering. Programutveckling. Programdesign, databasdesign. Kravspecifikation. ER-modellen. Begrepps-modellering

Databaser - Design och programmering. Programutveckling. Programdesign, databasdesign. Kravspecifikation. ER-modellen. Begrepps-modellering Databaser desig och programmerig Desig processe ER-modellerig Programutvecklig Förstudie, behovsaalys Programdesig, databasdesig Implemetatio Programdesig, databasdesig Databasdesig Koceptuell desig Koceptuell

Läs mer

Universitetet: ER-diagram e-namn

Universitetet: ER-diagram e-namn Databaser Desig och programmerig Fortsättig på relatiosmodelle: Normaliserig fuktioella beroede ormalformer iformatiosbevarade relatiosschemauppdelig Varför ormalisera? Metod att skydda oss frå dum desig

Läs mer

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II MS-A0509 Grudkurs i saolikhetskalkyl och statistik Sammafattig, del II G. Gripeberg Aalto-uiversitetet 14 februari 014 G. Gripeberg Aalto-uiversitetet) MS-A0509 Grudkurs i saolikhetskalkyl och statistiksammafattig,

Läs mer

Linköping University Tentamen TEN1 vt 2011 Kurs TMMV09 Johan Hedbrant 2011-05-25

Linköping University Tentamen TEN1 vt 2011 Kurs TMMV09 Johan Hedbrant 2011-05-25 Liköpig Uiversity etame EN vt 0 Joha edbrat 0-05-5 eoridel. I kg helt torr ved fis eligt e valig formel 9. MJ eergi. Om dea mägd ved ligger i fukt lagom läge väger de kg, där hälfte av vikte är fukt. Om

Läs mer

Databaser - Design och programmering. Databasdesign. Kravspecifikation. Begrepps-modellering. Design processen. ER-modellering

Databaser - Design och programmering. Databasdesign. Kravspecifikation. Begrepps-modellering. Design processen. ER-modellering Databaser desig och programmerig Desig processe Databasdesig Förstudie, behovsaalys ER-modellerig Kravspecifikatio För att formulera e kravspecifikatio: Idetifiera avädare Studera existerade system Vad

Läs mer

Normalfördelningens betydelse. Sannolikhet och statistik. Täthetsfunktion, väntevärde och varians för N (µ, σ)

Normalfördelningens betydelse. Sannolikhet och statistik. Täthetsfunktion, väntevärde och varians för N (µ, σ) Normalfördeliges betydelse Empirisktse gur: måga storheter approximativt ormalfördelade Summa av måga ugefär oberoede och ugefär likafördelade s.v. är approximativt ormalfördelad CGS Exempel: mätfel =

Läs mer

(a) om vi kan välja helt fritt? (b) om vi vill ha minst en fisk av varje art? (c) om vi vill ha precis 3 olika arter?

(a) om vi kan välja helt fritt? (b) om vi vill ha minst en fisk av varje art? (c) om vi vill ha precis 3 olika arter? Lösigar Grudläggade Diskret matematik 11054 Tid: 1.00-17.00 Telefo: 036-10160, Examiator: F Abrahamsso 1. I de lokala zoo-affäre fis 15 olika fiskarter med mist 0 fiskar utav varje art). På hur måga sätt

Läs mer

Rättningstiden är i normalfall 15 arbetsdagar, annars är det detta datum som gäller:

Rättningstiden är i normalfall 15 arbetsdagar, annars är det detta datum som gäller: Matematisk Statistik Provmomet: Ladokkod: Tetame ges för: Tetame TT091A KMASK14H 7,5 högskolepoäg Nam: (Ifylles av studet) Persoummer: (Ifylles av studet) Tetamesdatum: 2 jui 2015 Tid: 9:00-13:00 Hjälpmedel:

Läs mer

Slutrapport Bättre vård i livets slutskede

Slutrapport Bättre vård i livets slutskede Team : Stadsvikes VC Syfte med deltagadet i Geombrott Att öka tillite och trygghete till de vård som bedrivs i det ega hemmet för de palliativa patiete. Teammedlemmar Eva Lidström eva.lidstrom@ll.se Viktoria

Läs mer

Samtal med Karl-Erik Nilsson

Samtal med Karl-Erik Nilsson Samtal med Karl-Erik Nilsso,er Ert av Svesk Tidskrifts redaktörer, Rolf. Ertglud, itejuar här Karl-Erik Nilsso, ar kaslichej på TCO och TCO:s represetat ed i litagarfodsutredige. er e t or så å g. ). r

Läs mer

För att minimera de negativa hälsokonsekvenserna av tunnelluft finns i dagsläget tre metoder;

För att minimera de negativa hälsokonsekvenserna av tunnelluft finns i dagsläget tre metoder; MKB till detaljpla Förbifart Stockholm Hälsoeffekter av tuelluft Studier idikerar att oöskade korttidseffekter, blad aat ökat atal iflammatiosmarkörer, börjar uppstå vid e expoerig som motsvaras av tuelluft

Läs mer

Statistik för ingenjörer 1MS008

Statistik för ingenjörer 1MS008 Statistik för igejörer MS8 Föreläsig Kursmål: För godkät betyg på kurse skall studete käa till ett flertal metoder och tekiker för visualiserig av datamaterial; kua geomföra ekla beräkigar av saolikheter;

Läs mer

Kompletteringsskrivning i EG2050 Systemplanering, 4 april 2011, 13:00-15:00, H21

Kompletteringsskrivning i EG2050 Systemplanering, 4 april 2011, 13:00-15:00, H21 Kompletteringsskrivning i EG2050 Systemplanering, 4 april 2011, 13:00-15:00, H21 Instruktioner Endast de uppgifter som är markerade på det bifogade svarsbladet behöver lösas (på de övriga uppgifterna tillgodoräknas

Läs mer