Lösningsförslag till Problem i kapitel 7 i Mobil Radiokommunikation

Storlek: px
Starta visningen från sidan:

Download "Lösningsförslag till Problem i kapitel 7 i Mobil Radiokommunikation"

Transkript

1 Lösningsförslag till Problem i kapitel 7 i Mobil adiokommunikation Två lognormalt fördelade stokastiska variabler X och Y med log-standardavvikelserna σ logx och σ logy. Att den stokastiska variabeln V = X/Y också är lognormalt fördelad. Logstandardavvikelsen för V. X = 0 logx Y = 0 logy logx och logy är normalfördelade. Summan av och skillnaden mellan två normalfördelade stokastiska variabler är också normalfördelad. V = X Y = 0logX 0 V är också lognormalt fördelad. Variansen [σ logx ] = E{(logX m logx ) } där m logx = E{logX} Variansen [σ logy ] = E{(logY m logy ) } där m logy = E{logY} Variansen [σ logv ] = E{(logX m logx + logy m logy ) } = = E{(logX m logx ) + (logy m logy ) + (logx m logx )(logy m logy )} = [σ logx ] + [σ logy ] + σ logx σ logy = {X och Y oberoende} = = [σ logx ] + [σ logy ] Standardavvikelsen: σ logv = σ logx + σ logy logy = 0logX logy Ett mobiltelefonsystem med 00 kanaler och en basstation mitt i varje cell med kravet att [SI] db = 5 db på cellranden samt tidstillgängligheten 95 %. Signal från egen basstation är rayleighfädande. Signaler från närliggande celler har konstant effekt. Mottagen medeleffekt från egen basstation och störare avtar som /r. Mobilen har en halvvågsantenn medan basstationens antenn är rundstrålande i horisontalplanet.

2 a) Systemets kapacitet i antal kanaler/cell. b) Systemets kapacitet i antal kanaler/cell med två antenner arrangerade i valdiversitet. Fädningsförloppen i de två antennerna är oberoende. a) Kanalen är rayleighfädande mottagen effekt (och SI = Γ) är exponentialfördelad. Minimi-SI: γ = 0 5/0 Fördelningsfunktionen: P{Γ < γ } = F Γ (γ ) = e γ /γ 0 Beräkna först fädningsmarginalen: P{Γ > γ } 0,95 P{Γ < γ } 0,95 + e γ /γ 0 0,95 γ γ 0 ln 0,95 γ 0 γ ln 0,95 9,5 γ 0 db γ db +,9 db Vi behöver alltså ett medelsignalbrusförhållande: [γ 0 ] db 5 +,9 db = 7,9 db eller 0,79 7 ggr på cellranden. Mottagen effekt är proportionell (proportionalitetskonstanten = c) mot utsänd effekt, P, och omvänt proportionell mot (avståndet). cp SI = () cp = Δ > 7 D där är avståndet till egen basstation, D är avståndet till närmaste störare och Δ = är det normerade upprepningsavståndet. D För hexagonala symmetriska celler med K kanalgrupper gäller Δ = K Av () fås att Δ > 7,8 () () och () ger att K > 0, Tag närmast större heltalsvärde på K som satisfierar (7.7) på sidan 50 ()

3 7. välj K = Enligt (7.8) på sidan 50 får vi nu systemets kapacitet uttryckt som antalet kanaler som samtidigt finns tillgängliga i varje cell: η = C. K = 00 = kanaler/cell b) Valdiversitet med oberoende kanaler. Den största av oberoende exponentialfördelningar Γ a och Γ b väljs: Beräkna fädningsmarginalen: P{Γ > γ } 0,95 Vi behöver alltså ett medelsignalbrusförhållande: [γ 0 ] db 5 +,0 db =,0 db eller 0, ggr på cellranden. cp SI = cp = Δ > D Δ > 5, Δ = K K > 9, P\Γ < γ} = P{Γ a < γ Γ b < γ} = P{Γ a < γ} P{Γ b < γ}= e γ/γ 0 e γ/γ 0 0,95 0,05 e γ/γ 0 e γ/γ 0 0,05 γ γ 0 ln 0,05 γ 0 γ ln 0,05,95 γ 0 db γ db +,0 db Välj K = Systemkapacitet = η = K C = 00 = 8 kanaler/cell Ett cellbaserat mobiltelefonisystem med basstationerna placerade i cellmitten. Talkvalitetskravet i mottagarna är att signalstörförhållandet [SI] db skall vara minst db. Felkorrigerande kodning övervägs införas för att kunna sänka [SI] db -kravet 5 db.

4 Hur många procent färre basstationer åtgår då vid samma ytkapacitet? Antag att effekten avtar som /r. SI = 0, = 5 cp SI = cp = Δ > 5 D Δ >, Δ = K K >,9 Välj K = Systemkapacitet: η = C kanaler/cell med area A. K Inför kodning: Krav: [SI] db > 9 db SI = 0,9 = 79, cp SI = cp = Δ > 79, D Δ >,7 K > 7, Välj K = 9 Utnyttja denna vinst i K till att minska antalet basstationer ( göra större celler). Systemkapacitet: η = K C kanaler/cell med area A. Ytkapacitet: Lika många kanaler/area d.v.s. C C K A = K A A A = K K = 9 Om vi vill täcka en yta med arean B med celler krävs N basstationer. N = B A respektive N = B A

5 7. sökt: N N N Ett cellulärt persontelefonsystem för inomhusbruk med kanalgrupper. Ett symmetriskt upprepningsmönster med kvadratiska celler används. Mönstret har basstationer med samma kanalgrupp på upprepningsavståndet. Utsänd effekt avtar som /r. De närmast liggande störarna kan approximativt uppfattas som liggande på samma avstånd. = a) Minsta signalstörförhållande som en telefon måste klara för att kunna fungera i hela cellen. b) Verklig yttäckning under förutsättning att kravet på SI måste höjas med 0 /0 ggr. B A B A B A = A A = 9 % D a) SI är minst i ett cellhörn: SI = cp cp D = D = = 0 lg db 5

6 b) Telefonerna kräver i praktiken 0 /0 ggr större SI. Antag, att SI-kravet = är uppfyllt på avståndet SI = Yttäckningen: cell 7.5 Ett cellulärt mobiltelefonnät uppbyggt av triangulära celler enligt figur överst på nästa sida. Avståndet mellan två närliggande basstationsplatser är km. Basstationsplatserna sänder på olika kanaler i stycken 0 sektorer. Systemet disponerar 00 kanaler (eg. kanalpar). π π = = π 79 % a) Systemets ytkapacitet. b) Garanterat maximalt signalstörförhållande på godtycklig plats i systemet om utsänd effekt avtar som /r. a) Antalet kanalgrupper K = Varje basstation sänder till triangelformade celler, som tillsammans inehåller 00 kanaler. Eftersom avståndet mellan två närbelägna basstationer är km är höjden i varje triangel km och arean av trianglar är: basen höjden = =, km Ytkapaciteten = antalet kanaler dividerat med arean: 00, 9 kanaler/km

7 M B S S S Med hjälp av Pythagoras sats fås avstånden angivna i ovanstående figur: Avståndet mellan basstationen B och mobilen M: =,57 Avståndet mellan störaren S och mobilen M: D = + 7, Avståndet mellan störaren S och mobilen M D = +,055 Avståndet mellan störaren S och mobilen M D = + 8 SI = cp cp D + cp D + cp D,0 =,57, +,055 +, 5, db, 7. Analogt cellbaserat system med 00 kanaler. Cellerna är hexagonala med basstationen i mitten. Utsänd signaleffekt avtar som /r. Minsta signalstörförhållande skall vara 0 /0. Ytkapaciteten skall vara minst 0 kanaler/km. Avståndet mellan två närliggande basstationer. 7

8 Arean av en cell: A = = Ytkapaciteten = SI = η A = η A = C K A = 00 Δ cp cp = Δ > 0/0 99,5 Δ >, D > 0 Δ < 0 K = Δ >,,5 välj K = Δ = = < 0 < 0,57 km Avständet mellan två basstationer = = 0,5 km 7.7 Ett mobiltelefonsystem med hexagonala celler och basstationerna i mitten. För acceptabel kvalitet krävs ett [SI] db på minst db. Signal från egen basstation är utsatt för lognormal skuggfädning med standardavvikelsen db. Mottaget medel-si avtar som /r. a) Fädningsmarginalen för en mobil på cellranden om tidstillgängligheten skall vara 90 %. 8

9 7.8 b) Antalet kanalgrupper för att kravet enligt a) skall vara uppfyllt. a) Antag, att signalstörförhållandet är en stokastisk variabel Γ och att G är en lognormal stokastisk variabel med standardavvikelsen db. Om vi endast tar hänsyn till de närmaste störarna och förutsätter att dessas störande inverkan inte är utsatt för lognormal skuggfädning får vi följande uttryck för signalstörförhållandet (se även Exempel 7. på sidorna 0-): b) G cp Γ = cp = G D = GΔ D Tidstillgängligheten kan nu tecknas: 0 lg Δ > + 7,7 [SI] db > + 7,7 db fädningsmarginalen = 7,7 db. Ett cellbaserat mobiltelefonsystem med basstationerna i mitten. Yttillgängligheten skall vara 90 %. Mottagen signals nivå är en produkt av en rayleighfödelad variabel och ett medelvärde som avtar som /r. Samkanalstörningen från omgivande celler har konstant effekt. Lägsta acceptabla [SI] db = db. Cellarean är cirkulär. P Γ > 0 /0 = P 0 lgγ > = P 0 lg G Δ = P 0 lgg > 0 lg Δ = P 0 lgg 0 lg Δ a) Systemets kapacitet. 0 lg Δ > <,8 Δ > 0( + 7,7)/0 K = Δ = {σ G = } = = Q K 7 0 lg Δ > = b) Jämför kapaciteten om tillgängligheten på cellranden skall vara 90 %. < 0,9 9

10 a) Antag, att medelsignalstörningsförhållandet, γ 0, är proportionellt mot /r, d.v.s. γ 0 (r) = c r Sannolikheten att signalstörförhållandet Γ är lägre än en viss nivå γ givet r är: P{Γ < γ r} = e γ /γ 0(r) = e γ r /c tjocklek dr r Mobilerna antas vara likformigt fordelade över cellens area Den differentiella arean da (skuggad i ovanstående figur) = πrdr. Sannolikheten att mobilen befinner sig på avståndet r från centrum: P(r)dr = πrdr π = rdr Medelvärdesbilda över hela cellen: 0 P{Γ < γ r} P(r) dr < 0,0 0 e γ r /c r dr = 0 re γ r /c dr = = = t = γ c r t = γ c r r = ct γ dt = γ c rdr c γ π π = 0 γ 0 γ c = c e t / dt = c γ e t / dt 0

11 = πc γ Q = πc γ Q γ c = normera cellradien = = γ c < 0, γ = 0 /0 9,95 0,9 < πc γ Q varav c > 0, γ c γ 0 på randen, d.v.s. när r = = γ 0 (r) = c r = 0, = 0, eller 7,8 db SI = Δ K > Δ > 0, Δ >, =, välj K = 7 Kapaciteten: η = K C = 00 7 b) Krav: 90 % tillgänglighet på randen: = kanaler/cell P{Γ > γ } 0,9 e γ /γ 0 0,9 γ 0 γ ln 0,9 = 9,9 γ 0 db = γ db + 9,8 = + 9,8 =,8 db SI = Δ > 0,8/0 = 90,5 Δ > 5,8 K > Δ =, välj K = η = K C = 00 = 8 kanaler/cell Jämför detta med fallet i a) med 90 % yttillgänglighet: fädningsmarginalen var 7,8 =,8 db eller 0,8/0 ggr. Detta motsvarar x % tillgänglighet på randen där x ges av ln x = varav x 7 % 00

12 Ett cellbaserat mobiltelefonsystem med hexagonala celler och basstationerna i mitten har 00 kanaler. Signalnivån avtar som /r,5. Maximal kapacitet i systemet är 8, kanaler/cell. Ökningen av systemets störtålighet, d.v.s. minskningen i [SI] db -kravet för att kunna öka kapaciteten samt den nya kapaciteten. Ledning: Studera värsta fallet. Kapaciteten: η = K C = 00 = 8, kanaler/cell K = K Signalstörförhållandet: SI = Δ,5 = {K = Δ = K = } = 88,8 SI db = 9,5 db En ökning av kapaciteten medför en minskning av antalet kanalgrupper K välj närmast mindre K = 9. SI = Δ,5 = {K = 9 Δ = K 5,} = 5, SI db = 7,7 db minska kravet på [SI] db med 9,5 7,7, db. Den nya kapaciteten blir: η = C K = 00 9 [SI] db -förbättringen på 5 db i Problem 7. för att öka systemets kapacitet. a) Kapacitetsökningen mätt i kanaler/cell. b) Kapacitetsökningen mätt i medelantal samtal/cell vid % kanalbristfrekvens. a) Kapaciteten i Problem 7. före kodningen: η = C K = 00 = 7 =, kanaler/cell

13 Kapaciteten i Problem 7. efter kodningen: η = C K = 00 9 Den relativa kapacitetsökningen: b) Enligt (7.0) på sidan 5 är kanalbristfrekvensen där η = antalet kanaler/cell ω = antalet aktiva mobiler/areaenhet A c = arean/cell = η η = 7 0 % η 7 ν = (k η) ωa c k k! k = η e ωa c Enligt (7,) på sidan 5 är den relativa trafiklasten: ν 0, ϖ η = ωa c η mobiler/kanal 0, 0,05 0,0 η = ,0 0,005 0,00 ϖ η 0,00 0, 0, 0, 0,8,0, Fig 7. Kanalbristfrekvens, ν, som funktion av relativ trafiklast för kanalkapaciteterna η = 5, 7,, 0 respektive 80 kanaler/cell.

14 7. I Figur 7. avläser vi vid ν = 0,0 för η = att ϖ η = 0,7 ω A c = ϖ η η = 0,7 = 7,7 η = 7 att ϖ η = 0,57 ω A c = ϖ η η = 0,57 7 =,99 Den relativa kapacitetsvinsten är: Ett mobiltelefonsystem med hexagonala celler och basstationerna i mitten. Signal från egen basstation är utsatt för lognormal skuggfädning med standardavvikelsen db. Mottaget medel-si avtar som /r. Vid ett symmetriskt 9-cellsmönster uppnås en tillgänglighet av 95 % på cellranden. ω A c ωa c 7,7,99 = 85 % ωa c,99 a) Lägsta [SI] db i systemet. b) Kapacitetsökningen mätt i kanaler/cell om tillgänglighetskravet på randen sänks till 80 %. a) För uttryckens form, se även Problem 7.7: Med K = 9 fås: SI db = 0 lg Δ K = 0 lg 0,85 db Antag, att lägsta [SI] db i systemet är x db, då fås följande samband: x 0 lg Δ Q = Q x 0,85 < 0,95 varav x db. b) Tillgänglighetskravet sänkt till 80 % på randen: Antag, att medel-si i db är y, då fås följande samband: Q y < 0,80 y < 0,8 Δ = 0/0 och K = Δ K = 5 välj K = 7 Kapacitetsökningen: C C 7 9 = % C 7 9 varav y > db, men

15 7. Ett mobiltelefonsystem med fix kanaltilldelning och kapaciteten η = 0 kanaler/cell. Ankomstprocessen för nya samtal modelleras med en poissonprocess med intensiteten λ = 80 samtal/(h km ). Samtalens tidslängd är exponentialfördelad med väntevärdet /µ = minuter. a) Trafikintensiteten i Erlang/cell om cellradien = km (hexagonala celler). b) Spärrsannolikheten för den i a) beräknade trafikintensiteten. a) Ankomstprocess: Poisson med intensiteten λ = 80 samtal/(h km ) = samtal/(min km ) på tiden Δt och arean A är sannolikheten för n stycken ankomster: P(M = n) = λ Δt A n e. n! λ Δt A Vid poissonankomster och exponentialfördelad samtalslängd ges spärrsannolikheten av (7.) på sidan 5: E η (ρ c ) = och A c är cellarean. ρ c η η! η k = 0 ρ c k k! där enligt (7.) Cellarean A c vid hexagonala celler och = km: A c =, km ρ c = λ µ A c =, = 5, Erlang/cell ρ c = λ c µ = λ A c µ b) Bestäm E η (ρ c ) för den i a) beräknade trafikintensiteten. Den relativa trafikintensiteten per kanal och cell (Erlang/(cell kanal): ρ c η = 5, 0 0,78 5

16 Avläs i Figur 7.7 på sidan 5: 0, 0, 0, Spärrsannolikhet 0,05 0,0 0,0 0,005 η = ,00 0,00 0,0 0, 0, 0, 0,8,0, ρ c η 7. Figur 7.7 Spärrsannolikhet som funktion av relativ trafikintensitet per kanal och cell. E 0 (0,78) 5, % Ett 00 kanalers mobiltelefonsystem med hexagonala celler och basstationerna i mitten. Avståndet mellan två basstationer är km. Lägsta [SI] db = db. Fädningsmarginalen på cellranden är 8 db. Medelsignaleffekten avtar som /r. Systemets ytkapacitet i mobiler/km (eller samtal/km ) om kanalbristfrekvensen inte får överstiga %. SI = Δ > 0( + 8)/0 K = Δ Kapaciteten: η = C K = 00 9 = kanaler/cell 7, välj K = 9

17 ν 0, 0, 0,05 0,0 η = ,0 0,005 0,00 ϖ η 0,00 0, 0, 0, 0,8,0, 7. Figur 7. Kanalbristfrekvens ν som funktion av relativ trafiklast för η = 5, 7,, 0 respektive 80 kanaler/cell. Avläs i Figur 7. den relativa trafiklasten vid % kanalbristfrekvens och kapaciteten η = kanaler/cell: ϖ 0, mobiler /kanal Enligt (7.) på sidan 5 fås nu ytkapaciteten vid % kanalbristfrekvens: ω = ϖ ηη 0, = =,9 mobiler/km A c Systemet i Problem 7.. Kapaciteten i Erlang/cell om spärrsannolikheten är högst %. Systemet i Problem 7. har 00 kanaler och K =, d.v.s. kapaciteten: η = 00 = 8 kanaler/cell 7

18 I en Erlang-B tabell finner man med m = 8 vid spärrsannolikheten %, att ρ,, d.v.s. kapaciteten är, Erlang/cell, vilket man också kan få fram ur Figur 7.7 på sidan 5 genom grafisk interpolation mellan η = 7 och η =. Systemet i Problem 7.9. Ökningen av systemets störtålighet, d.v.s. minskningen i [SI] db -kravet för att kunna öka kapaciteten samt den nya kapaciteten. Kapaciteten skall anges i medelantalet samtal/cell vid % kanalbristfrekvens. Den ursprungliga kapaciteten var η = 8 kanaler/cell. Med spärrsannolikheten % fås ur Erlang-B tabell (m = 8) att ρ =, mobiler/cell (kan också erhållas genom grafisk interpolation mellan η = 7 och η = i Figur 7.7 på sidan 5). Den nya kapaciteten η = ger på motsvarande sätt efter avläsning i Erlang-B tabell attρ = 5, mobiler/cell (kan även utläsas ur Figur 7.7 på sidan 5). Kapacitetsändringen medför alltså en kapacitetshöjning från, till 5, mobiler/cell. Ett cellulärt 00 kanalers mobiltelefonsystem med basstationerna placerade i mitten. Signalstyrkan avtar som /r. Signalen från den egna basstationen är utsatt för lognormal skuggfädning med standardavvikelsen db medan övriga störare är fria från skuggfädning. Systemets maximala kapacitet uttryckt i kanaler/cell med kravet att sannolikheten att signalstörförhållandet [SI] db < db skall vara mindre än 0 % i ett hörn av en cell. Antag, att signalstörförhållandet är en stokastisk variabel Γ och att G är en lognormal stokastisk variabel med standardavvikelsen db. Tidstillgängligheten: P Γ > 0 /0 = P 0 lgγ > = P 0 lg G Δ > = 8

19 = P 0 lgg > 0 lg Δ = P 0 lgg 0 lg Δ 0 lg Δ Δ > 0( + 7,7)/0 K = Δ Kapaciteten. 0 lg Δ > <,8 > + 7,7 η = C K = 00 = 7 kanaler/cell = {σ G = } = = Q 0 lg Δ < 0,9 K,5 välj K = 9

Lösningsförslag till Problem i kapitel 5 i Mobil Radiokommunikation

Lösningsförslag till Problem i kapitel 5 i Mobil Radiokommunikation Lösningsförslag till Problem i kapitel 5 i obil Radiokommunikation 5. Rayleighfädande kanal med medelsignalenergin/bit Ws. AVGB med spektraltätheten N / W/Hz. ottagare som fungerar tillfredsställande med

Läs mer

ÖVNINGSUPPGIFTER KAPITEL 9

ÖVNINGSUPPGIFTER KAPITEL 9 ÖVNINGSUPPGIFTER KAPITEL 9 STOKASTISKA VARIABLER 1. Ange om följande stokastiska variabler är diskreta eller kontinuerliga: a. X = En slumpmässigt utvald person ur populationen är arbetslös, där x antar

Läs mer

ÖVNINGSUPPGIFTER KAPITEL 9

ÖVNINGSUPPGIFTER KAPITEL 9 ÖVNINGSUPPGIFTER KAPITEL 9 STOKASTISKA VARIABLER 1. Ange om följande stokastiska variabler är diskreta eller kontinuerliga: a. X = En slumpmässigt utvald person ur populationen är arbetslös, där x antar

Läs mer

TMS136. Föreläsning 4

TMS136. Föreläsning 4 TMS136 Föreläsning 4 Kontinuerliga stokastiska variabler Kontinuerliga stokastiska variabler är stokastiska variabler som tar värden i intervall av den reella axeln Det kan handla om längder, temperaturer,

Läs mer

Industriell matematik och statistik, LMA136 2013/14

Industriell matematik och statistik, LMA136 2013/14 Industriell matematik och statistik, LMA136 2013/14 7 Mars 2014 Disposition r Kondensintervall och hypotestest Kondensintervall Statistika Z (eller T) har fördelning F (Z en funktion av ˆθ och θ) q 1 α/2

Läs mer

SF1911: Statistik för bioteknik

SF1911: Statistik för bioteknik SF1911: Statistik för bioteknik Föreläsning 6. TK 14.11.2016 TK Matematisk statistik 14.11.2016 1 / 38 Lärandemål Stokastiska modeller för kontinuerliga datatyper Fördelningsfunktion (cdf) Sannolikhetstäthetsfunktion

Läs mer

Övning 1 Sannolikhetsteorins grunder

Övning 1 Sannolikhetsteorins grunder Övning 1 Sannolikhetsteorins grunder Två händelser A och B är disjunkta om {A B} =, det vill säga att snittet inte innehåller några element. Om vi har en mängd händelser A 1, A 2, A 3,..., A n, vilka är

Läs mer

Lösningsförslag till Problem i kapitel 6 i Mobil Radiokommunikation

Lösningsförslag till Problem i kapitel 6 i Mobil Radiokommunikation Lösningsförslag till Problem i kapitel 6 i Mobil Radiokommunikation 6. En NMT 9 mobiltelefon med sändning och mottagning via MHz åtskilda kanaler. Mottagare och sändare åtskilda av duplexfilter. Telefonen

Läs mer

Kunna beräkna P (spärr) för system med begränsat antal kunder och köplatser. Kunna beräkna medelantal upptagna betjänare.

Kunna beräkna P (spärr) för system med begränsat antal kunder och köplatser. Kunna beräkna medelantal upptagna betjänare. Övning 5 Vad du ska kunna efter denna övning Kunna beräkna P (spärr) för system med begränsat antal kunder och köplatser. Kunna beräkna λ eff. Kunna beräkna medelantal upptagna betjänare. Problem. Antag

Läs mer

Veckoblad 3. Kapitel 3 i Matematisk statistik, Dahlbom, U.

Veckoblad 3. Kapitel 3 i Matematisk statistik, Dahlbom, U. Veckoblad 3 Kapitel 3 i Matematisk statistik, Dahlbom, U. Poissonfördelningen: ξ är Po(λ) λ = genomsnittligt antal händelser i ett intervall. Sannolikhet: P(ξ = ) = e λ λ! Väntevärde: E(ξ) = λ Varians:

Läs mer

ÖVNINGSUPPGIFTER KAPITEL 9

ÖVNINGSUPPGIFTER KAPITEL 9 ÖVNINGSUPPGIFTER KAPITEL 9 STOKASTISKA VARIABLER 1. Ange om följande stokastiska variabler är diskreta eller kontinuerliga: a. X = En slumpmässigt utvald person ur populationen är arbetslös, där x antar

Läs mer

Tentamen i matematisk statistik (9MA241/9MA341, STN2) kl 08-12

Tentamen i matematisk statistik (9MA241/9MA341, STN2) kl 08-12 LINKÖPINGS UNIVERSITET MAI Johan Thim Tentamen i matematisk statistik (9MA21/9MA31, STN2) 212-8-2 kl 8-12 Hjälpmedel är: miniräknare med tömda minnen och formelbladet bifogat. Varje uppgift är värd 6 poäng.

Läs mer

Lektionsanteckningar 11-12: Normalfördelningen

Lektionsanteckningar 11-12: Normalfördelningen Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet

Läs mer

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3 Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3 Kontinuerliga sannolikhetsfördelningar (LLL Kap 7 & 9) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics

Läs mer

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2 LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 27 / TEN 2 augusti 218, klockan 8.-12. Examinator: Jörg-Uwe Löbus (Tel: 79-62827) Tillåtna hjälpmedel är en räknare, formelsamling i matematisk

Läs mer

Övning 1. Vad du ska kunna efter denna övning. Problem, nivå A

Övning 1. Vad du ska kunna efter denna övning. Problem, nivå A Övning 1 Vad du ska kunna efter denna övning Redogöra för begreppen diskret och kontinuerlig stokastisk variabel. Definiera fördelningsfunktionen för en stokastisk variabel. Definiera frekvensfunktionen

Läs mer

TAMS79: Föreläsning 4 Flerdimensionella stokastiska variabler

TAMS79: Föreläsning 4 Flerdimensionella stokastiska variabler TAMS79: Föreläsning 4 Flerdimensionella stokastiska variabler Johan Thim (johan.thim@liu.se) 1 november 18 Vi fokuserar på två-dimensionella variabler. Det är steget från en dimension till två som är det

Läs mer

Tentamen MVE301 Sannolikhet, statistik och risk

Tentamen MVE301 Sannolikhet, statistik och risk Tentamen MVE30 Sannolikhet, statistik och risk 207-06-0 kl. 8:30-3:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 03-7725348 Hjälpmedel: Valfri miniräknare.

Läs mer

Moment Viktiga exempel Övningsuppgifter

Moment Viktiga exempel Övningsuppgifter Moment Viktiga exempel Övningsuppgifter Inga Inga Inga Fler exempel på optimering Exempel 1. Utifrån en rektangulär pappskiva med bredden 7 dm och längden 11 dm, vill man åstadkomma en kartong utan lock,

Läs mer

Övning 1(a) Vad du ska kunna efter denna övning. Problem, nivå A. Redogöra för begreppen diskret och kontinuerlig stokastisk variabel.

Övning 1(a) Vad du ska kunna efter denna övning. Problem, nivå A. Redogöra för begreppen diskret och kontinuerlig stokastisk variabel. Övning 1(a) Vad du ska kunna efter denna övning Redogöra för begreppen diskret och kontinuerlig stokastisk variabel. Definiera fördelningsfunktionen för en stokastisk variabel. Definiera frekvensfunktionen

Läs mer

Provet består av Del I, Del II, Del III samt en muntlig del och ger totalt 76 poäng varav 28 E-, 24 C- och 24 A-poäng.

Provet består av Del I, Del II, Del III samt en muntlig del och ger totalt 76 poäng varav 28 E-, 24 C- och 24 A-poäng. NpMac vt 01 Del I Del II Provtid Hjälpmedel Uppgift 1-10. Endast svar krävs. Uppgift 11-15. Fullständiga lösningar krävs. 10 minuter för del I och del II tillsammans. Formelblad och linjal. Kravgränser

Läs mer

Fördelningsfunktionen för en kontinuerlig stokastisk variabel. Täthetsfunktionen för en kontinuerlig och en diskret stokastisk variabel.

Fördelningsfunktionen för en kontinuerlig stokastisk variabel. Täthetsfunktionen för en kontinuerlig och en diskret stokastisk variabel. Övning 1 Vad du ska kunna efter denna övning Diskret och kontinuerlig stokastisk variabel. Fördelningsfunktionen för en kontinuerlig stokastisk variabel. Täthetsfunktionen för en kontinuerlig och en diskret

Läs mer

Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar

Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, FÖR I/PI, FMS 121/2, HT-3 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar

Läs mer

Kap 2. Sannolikhetsteorins grunder

Kap 2. Sannolikhetsteorins grunder Kap 2. Sannolikhetsteorins grunder Olika händelser och deras mängbetäckningar Sats 2.7 Dragning utan återläggning av k element ur n (utan hänsyn till ordning) kan ske på ( n ) olika sätt k För två händelser

Läs mer

SF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016

SF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016 SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 4 KONTINUERLIGA STOKASTISKA VARIABLER Tatjana Pavlenko 7 september 2016 PLAN FÖR DAGENS FÖRELÄSNING Repetition av diskreta stokastiska variabler. Väntevärde

Läs mer

Provet består av Del I, Del II, Del III samt en muntlig del och ger totalt 76 poäng varav 28 E-, 24 C- och 24 A-poäng.

Provet består av Del I, Del II, Del III samt en muntlig del och ger totalt 76 poäng varav 28 E-, 24 C- och 24 A-poäng. Del I Del II Provtid Hjälpmedel Uppgift 1-10. Endast svar krävs. Uppgift 11-15. Fullständiga lösningar krävs. 10 minuter för del I och del II tillsammans. Formelblad och linjal. Kravgränser Provet består

Läs mer

Poisson Drivna Processer, Hagelbrus

Poisson Drivna Processer, Hagelbrus Kapitel 6 Poisson Drivna Processer, Hagelbrus Poissonprocessen (igen) Vi har använt Poissonprocessen en hel del som exempel. I den här föreläsningen kommer vi att titta närmare på den, och även andra processer

Läs mer

Blandade problem från elektro- och datateknik

Blandade problem från elektro- och datateknik Blandade problem från elektro- och datateknik Sannolikhetsteori (Kapitel 1-10) E1. En viss typ av elektroniska komponenter anses ha exponentialfördelade livslängder. Efter 3000 timmar brukar 90 % av komponenterna

Läs mer

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2 LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 7 / TEN 8 maj 18, klockan 8.-1. Examinator: Jörg-Uwe Löbus Tel: 79-687 Tillåtna hjälpmedel är en räknare, formelsamling i matematisk statistik

Läs mer

Kunna definiera laplacetransformen för en kontinuerlig stokastisk variabel. Kunna definiera z-transformen för en diskret stokastisk variabel.

Kunna definiera laplacetransformen för en kontinuerlig stokastisk variabel. Kunna definiera z-transformen för en diskret stokastisk variabel. Övning 2 Vad du ska kunna efter denna övning Kunna definiera laplacetransformen för en kontinuerlig stokastisk variabel. Kunna definiera z-transformen för en diskret stokastisk variabel. Kunna beräkna

Läs mer

Kunna beräkna medelantal kunder för alla köer i ett könät utan återkopplingar. I denna övning kallas ett kösystem som ingår i ett könät oftast nod.

Kunna beräkna medelantal kunder för alla köer i ett könät utan återkopplingar. I denna övning kallas ett kösystem som ingår i ett könät oftast nod. Övning 7 Vad du ska kunna efter denna övning Kunna beräkna medelantal kunder för alla köer i ett könät utan återkopplingar. Kunna beräkna medeltiden som en kund tillbringar i ett könät utan återkopplingar.

Läs mer

SF1901: Sannolikhetslära och statistik

SF1901: Sannolikhetslära och statistik SF9: Sannolikhetslära och statistik Föreläsning 3. Stokastiska variabler, diskreta och kontinuerliga Jan Grandell & Timo Koski 8.9.28 Jan Grandell & Timo Koski () Matematisk statistik 8.9.28 / 45 Stokastiska

Läs mer

Tentamen MVE301 Sannolikhet, statistik och risk

Tentamen MVE301 Sannolikhet, statistik och risk Tentamen MVE31 Sannolikhet, statistik och risk 218-5-31 kl. 8:3-13:3 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 31-7725325 Hjälpmedel: Valfri miniräknare.

Läs mer

P(ξ > 1) = 1 P( 1) = 1 (P(ξ = 0)+P(ξ = 1)) = 1 0.34. ξ = 2ξ 1 3ξ 2

P(ξ > 1) = 1 P( 1) = 1 (P(ξ = 0)+P(ξ = 1)) = 1 0.34. ξ = 2ξ 1 3ξ 2 Lösningsförslag TMSB18 Matematisk statistik IL 101015 Tid: 12.00-17.00 Telefon: 101620, Examinator: F Abrahamsson 1. Varje dag levereras en last med 100 maskindetaljer till ett företag. Man tar då ett

Läs mer

SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2010

SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2010 Avd. Matematisk statistik SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2010 0 Allmänna anvisningar Arbeta med handledningen, och skriv rapport, i grupper om två eller tre personer. Närvaro vid laborationstiden

Läs mer

Uppgift a b c d e Vet inte Poäng

Uppgift a b c d e Vet inte Poäng TENTAMEN: Dataanalys och statistik för I2, TMS135 Fredagen den 12 mars kl. 8:45-11:45 på V. Jour: Jenny Andersson, ankn 8294 (mobil:070 3597858) Hjälpmedel: Utdelad formelsamling med tabeller, BETA, på

Läs mer

SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler. Jörgen Säve-Söderbergh

SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler. Jörgen Säve-Söderbergh SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler Jörgen Säve-Söderbergh Stokastisk variabel Singla en slant två gånger. Ω = {Kr Kr, Kr Kl, Kl Kr, Kl Kl}

Läs mer

SF1901: Övningshäfte

SF1901: Övningshäfte SF1901: Övningshäfte 24 september 2013 Uppgifterna under rubriken Övning kommer att gås igenom under övningstillfällena. Uppgifterna under rubriken Hemtal är starkt rekommenderade och motsvarar nivån på

Läs mer

Repetition inför tentamen

Repetition inför tentamen Sidor i boken Repetition inför tentamen Läxa 1. Givet en rätvinklig triangel ACD, där AD = 10 cm, AB = 40 cm och BC = 180 cm. Beräkna vinkeln BDC. Läxa. Beräkna omkretsen av ABC, där BE = 4 cm, EA = 8

Läs mer

8. NÅGRA SPECIELLA KONTINUERLIGA SANNOLIKHETSFÖRDELNINGAR

8. NÅGRA SPECIELLA KONTINUERLIGA SANNOLIKHETSFÖRDELNINGAR 8. NÅGRA SPECIELLA KONTINUERLIGA SANNOLIKHETSFÖRDELNINGAR 8.1 Normalfördelningen Den kanske viktigaste och mest kända sannolikhetsfördelning är den s k normalfördelningen. Den har en mycket stor betydelse

Läs mer

Veckoblad 3. Kapitel 3 i Matematisk statistik, Blomqvist U.

Veckoblad 3. Kapitel 3 i Matematisk statistik, Blomqvist U. Veckoblad 3 Kapitel 3 i Matematisk statistik, Blomqvist U. ya begrepp: likformig fördelning, hypergeometerisk fördelning, Hyp(, n, p), binomialfördelningen, Bin(n, p), och Poissonfördelningen, Po(λ). Standardfördelningarna

Läs mer

Grundläggande matematisk statistik

Grundläggande matematisk statistik Grundläggande matematisk statistik Kontinuerliga fördelningar Uwe Menzel, 8 www.matstat.de Begrepp fördelning Hur beter sig en variabel slumpmässigt? En slumpvariabel (s.v.) har en viss fördelning, d.v.s.

Läs mer

Oberoende stokastiska variabler

Oberoende stokastiska variabler Kapitel 6 Oberoende stokastiska variabler Betrakta ett försök med ett ändligt (eller högst numrerbart) utfallsrum Ω samt två stokastiska variabler ξ och η med värdemängderna Ω ξ och Ω η. Vi bildar funktionen

Läs mer

Kunna beräkna medelantal kunder för alla köer i ett könät utan återkopplingar.

Kunna beräkna medelantal kunder för alla köer i ett könät utan återkopplingar. Övning 8 Vad du ska kunna efter denna övning Kunna beräkna medelantal kunder för alla köer i ett könät utan återkopplingar. Kunna beräkna medeltiden som en kund tillbringar i ett könät utan återkopplingar.

Läs mer

TAMS79: Föreläsning 6. Normalfördelning

TAMS79: Föreläsning 6. Normalfördelning TAMS79: Föreläsning 6 Normalfördelningen Johan Thim (johan.thim@liu.se 3 november 018 Normalfördelning Definition. Låt µ R och > 0. Om X är en stokastisk variabel med täthetsfunktion f X ( = 1 ( ep ( µ,

Läs mer

Väntevärde och varians

Väntevärde och varians TNG6 F5 19-4-216 Väntevärde och varians Exempel 5.1. En grupp teknologer vid ITN slår sig ihop för att starta ett företag som utvecklar datorspel. Man vet att det är 8% chans för ett felfritt spel som

Läs mer

4 Diskret stokastisk variabel

4 Diskret stokastisk variabel 4 Diskret stokastisk variabel En stokastisk variabel är en variabel vars värde bestäms av utfallet av ett slumpmässigt försök. En stokastisk variabel betecknas ofta med X, Y eller Z (i läroboken används

Läs mer

Föreläsning 5, FMSF45 Summor och väntevärden

Föreläsning 5, FMSF45 Summor och väntevärden Föreläsning 5, FMSF45 Summor och väntevärden Stas Volkov 2017-09-19 Stanislav Volkov s.volkov@maths.lth.se FMSFF45 F5: väntevärden 1/18 2D stokastisk variabel Tvådimensionella stokastisk variabel (X, Y)

Läs mer

Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden

Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden Anna Lindgren 20+21 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F5: väntevärden 1/18 2D stokastisk variabel Tvådim. stokastisk

Läs mer

FACIT: Tentamen L9MA30, LGMA30

FACIT: Tentamen L9MA30, LGMA30 Göteborgs Universitetet GU Lärarprogrammet 06 FACIT: Matematik för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik för gymnasielärare, Sannolikhetslära och statistik 07-0-04 kl..0-.0 Examinator

Läs mer

SF1901 Sannolikhetsteori och statistik I

SF1901 Sannolikhetsteori och statistik I SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 6 13 november 2017 1 / 29 Idag Förra gången Mer om väntevärden och varianser (Kap. 5.2 5.3) Beroendemått (Kap. 5.4) Summor, linjärkombinationer

Läs mer

8-1 Formler och uttryck. Namn:.

8-1 Formler och uttryck. Namn:. 8-1 Formler och uttryck. Namn:. Inledning Ibland vill du lösa lite mer komplexa problem. Till exempel: Kalle är dubbelt så gammal som Stina, och tillsammans är de 33 år. Hur gammal är Kalle och Stina?

Läs mer

Stokastisk geometri. Lennart Råde. Chalmers Tekniska Högskola och Göteborgs Universitet

Stokastisk geometri. Lennart Råde. Chalmers Tekniska Högskola och Göteborgs Universitet Stokastisk geometri Lennart Råde Chalmers Tekniska Högskola och Göteborgs Universitet Inledning. I geometrin studerar man geometriska objekt och deras inbördes relationer. Exempel på geometriska objekt

Läs mer

Uppdaterade uppgifter 1-10 till Krzysztofs häfte

Uppdaterade uppgifter 1-10 till Krzysztofs häfte Uppdaterade uppgifter 1-10 till Krzysztofs häfte Dessa uppgifter ersätter de tio uppgifterna som fanns i slutet av Krzysztofs häfte som tar upp teorin från föreläsning 8 inom kursen TNIU23. 1) Låt c för

Läs mer

Lektionsanteckningar 2: Matematikrepetition, tabeller och diagram

Lektionsanteckningar 2: Matematikrepetition, tabeller och diagram Lektionsanteckningar 2: Matematikrepetition, tabeller och diagram 2.1 Grundläggande matematik 2.1.1 Potensfunktioner xmxn xm n x x x x 3 4 34 7 x x m n x mn x x 4 3 x4 3 x1 x x n 1 x n x 3 1 x 3 x0 1 1

Läs mer

NpMa3c vt Kravgränser

NpMa3c vt Kravgränser Kravgränser Provet består av ett muntligt delprov (Del A) och tre skriftliga delprov (Del B, Del C och Del D). Tillsammans kan de ge 66 poäng varav 25 E-, 24 C- och 17 A-poäng. Observera att kravgränserna

Läs mer

LINKÖPINGS UNIVERSITET EXAM TAMS 79 / TEN 1

LINKÖPINGS UNIVERSITET EXAM TAMS 79 / TEN 1 LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 79 / TEN 1 augusti 14, klockan 8.00-12.00 Examinator: Jörg-Uwe Löbus Tel: 28-1474) Tillåtna hjälpmedel är en räknare, formelsamling i matematisk

Läs mer

1.1 Diskret (Sannolikhets-)fördelning

1.1 Diskret (Sannolikhets-)fördelning Föreläsning III. Diskret (Sannolikhets-)fördelning Med diskret menas i matematik, att något antar ett ändligt antal värden eller uppräkneligt oändligt med värden e.vis {, 2, 3,...}. Med fördelning menas

Läs mer

SF1901 Sannolikhetsteori och statistik I

SF1901 Sannolikhetsteori och statistik I SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 4 7 november 2017 1 / 29 Idag Förra gången Viktiga kontinuerliga fördelningar (Kap. 3.6) Fördelningsfunktion (Kap. 3.7) Funktioner av stokastiska

Läs mer

Kap 3: Diskreta fördelningar

Kap 3: Diskreta fördelningar Kap 3: Diskreta fördelningar Sannolikhetsfördelningar Slumpvariabler Fördelningsfunktion Diskreta fördelningar Likformiga fördelningen Binomialfördelningen Hypergeometriska fördelningen Poisson fördelningen

Läs mer

Statistiska metoder för säkerhetsanalys

Statistiska metoder för säkerhetsanalys F3: Slumpvariaber och fördelningar Diskret Kontinuerlig Slumpvariabler Slumpvariabler = stokastiska variabler = random variables = s.v. Heter ofta X, Y, T. Diskreta kan anta ändligt eller uppräkneligt

Läs mer

Avd. Matematisk statistik

Avd. Matematisk statistik Avd. Matematisk statistik TENTAMEN I SF1901 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 8:E JANUARI 2018 KL 14.00 19.00. Examinator: Thomas Önskog, 08 790 84 55. Tillåtna hjälpmedel: Formel- och tabellsamling

Läs mer

Tentamen MVE301 Sannolikhet, statistik och risk

Tentamen MVE301 Sannolikhet, statistik och risk Tentamen MVE31 Sannolikhet, statistik och risk 218-1-12 kl. 8:3-13:3 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 31-7725325 Hjälpmedel: Valfri miniräknare.

Läs mer

Exempel. Kontinuerliga stokastiska variabler. Integraler i stället för summor. Integraler i stället för summor

Exempel. Kontinuerliga stokastiska variabler. Integraler i stället för summor. Integraler i stället för summor Kontinuerliga stokastiska variabler Exempel En stokastisk variabel är kontinuerlig om den kan anta vilka värden som helst i ett intervall, men sannolikheten för varje enskilt utfall är noll: P(X = x) =.

Läs mer

REPETITION 2 A. a) Är sträckan proportionell mot tiden? b) Beräkna medelhastigheten under de fem första sekunderna.

REPETITION 2 A. a) Är sträckan proportionell mot tiden? b) Beräkna medelhastigheten under de fem första sekunderna. REPETITION Hur mcket är a) 9 b) 00 0 c) 00 På en karta i skala : 0 000 är det, cm mellan två små sjöar. Hur långt är det i verkligheten? Grafen visar hur långt en bil hinner de se första sekunderna efter

Läs mer

Finansiell Statistik (GN, 7,5 hp,, VT 2009) Föreläsning 2. Diskreta Sannolikhetsfördelningar. (LLL Kap 6) Stokastisk Variabel

Finansiell Statistik (GN, 7,5 hp,, VT 2009) Föreläsning 2. Diskreta Sannolikhetsfördelningar. (LLL Kap 6) Stokastisk Variabel Finansiell Statistik (GN, 7,5 hp,, VT 009) Föreläsning Diskreta (LLL Kap 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course, 7,5 ECTS,

Läs mer

Kapitel 4. Kontinuerliga slumpvariabler och deras sannolikhetsfördelningar. Sannolikhetslära och inferens II

Kapitel 4. Kontinuerliga slumpvariabler och deras sannolikhetsfördelningar. Sannolikhetslära och inferens II Sannolikhetslära och inferens II Kapitel 4 Kontinuerliga slumpvariabler och deras sannolikhetsfördelningar 1 Kontinuerliga slumpvariabler En slumpvariabel som kan anta alla värden på något intervall sägs

Läs mer

Vektorgeometri för gymnasister

Vektorgeometri för gymnasister Vektorgeometri för gymnasister Per-Anders Svensson http://homepage.lnu.se/staff/psvmsi/vektorgeometri/gymnasiet.html Fakulteten för teknik Linnéuniversitetet Räta linjens och planets ekvationer I Innehåll

Läs mer

Statistiska metoder för säkerhetsanalys

Statistiska metoder för säkerhetsanalys F10: Intensiteter och Poissonmodeller Frågeställningar Konstant V.v.=Var Cyklister Poissonmodeller för frekvensdata Vi gör oberoende observationer av de (absoluta) frekvenserna n 1, n 2,..., n k från den

Läs mer

Tentamen'i'TMA321'Matematisk'Statistik,'Chalmers'Tekniska'Högskola.''

Tentamen'i'TMA321'Matematisk'Statistik,'Chalmers'Tekniska'Högskola.'' Tentamen'i'TMA321'Matematisk'Statistik,'Chalmers'Tekniska'Högskola.'' Hjälpmedel:'Valfri'räknare,'egenhändigt'handskriven'formelsamling'(4''A4Esidor'på'2'blad)' och'till'skrivningen'medhörande'tabeller.''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''

Läs mer

Kunna använda Littles sats för enkla räkningar på kösystem.

Kunna använda Littles sats för enkla räkningar på kösystem. Övning 3 Vad du ska kunna efter denna övning Kunna använda Littles sats för enkla räkningar på kösystem. Känna till begreppen ankomstintensitet, avgångsintensitet, medelavstånd mellan ankomster och medelbetjäningstid

Läs mer

SF1901: Sannolikhetslära och statistik

SF1901: Sannolikhetslära och statistik SF1901: Sannolikhetslära och statistik Föreläsning 4. Väntevärde och varians, funktioner av s.v:er, flera stokastiska variabler. Jan Grandell & Timo Koski 10.09.2008 Jan Grandell & Timo Koski () Matematisk

Läs mer

Stokastiska vektorer

Stokastiska vektorer TNG006 F2 9-05-206 Stokastiska vektorer 2 Kovarians och korrelation Definition 2 Antag att de sv X och Y har väntevärde och standardavvikelse µ X och σ X resp µ Y och σ Y Då kallas för kovariansen mellan

Läs mer

Föreläsning 2 (kap 3): Diskreta stokastiska variabler

Föreläsning 2 (kap 3): Diskreta stokastiska variabler Föreläsning 2 (kap 3): Diskreta stokastiska variabler Marina Axelson-Fisk 20 april, 2016 Idag: Diskreta stokastiska (random) variabler Frekvensfunktion och fördelningsfunktion Väntevärde Varians Några

Läs mer

Matematisk statistik för B, K, N, BME och Kemister

Matematisk statistik för B, K, N, BME och Kemister Matematisk statistik för B, K, N, BME och Kemister Föreläsning 3 Johan Lindström 4 september 7 Johan Lindström - johanl@maths.lth.se FMSF7/MASB F3 /3 fördelningsplot log- Johan Lindström - johanl@maths.lth.se

Läs mer

Gamla tentemensuppgifter

Gamla tentemensuppgifter Inte heller idag någon ny teori! Gamla tentemensuppgifter 1 Bestäm det andragradspolynom vars kurva skär x-axeln i x = 3 och x = 1 och y-axeln i y = 3 f(x) = (x 3)(x + 1) = x x 3 är en bra start, men vi

Läs mer

Föreläsning 3. Kapitel 4, sid Sannolikhetsfördelningar

Föreläsning 3. Kapitel 4, sid Sannolikhetsfördelningar Föreläsning 3 Kapitel 4, sid 79-124 Sannolikhetsfördelningar 2 Agenda Slumpvariabel Sannolikhetsfördelning 3 Slumpvariabel (Stokastisk variabel) En variabel som beror av slumpen Ex: Tärningskast, längden

Läs mer

Vidare får vi S 10 = 8,0 10 4 = 76, Och då är 76

Vidare får vi S 10 = 8,0 10 4 = 76, Och då är 76 Ellips Sannolikhet och statistik lösningar till övningsprov sid. 38 Övningsprov.. i) P(:a äss och :a äss och 3:e äss och 4:e äss ) P(:a äss) P(:a äss :a äss) P(3:e äss :a och :a äss) antal P(4:a äss :a

Läs mer

1 Stokastiska processer. 2 Poissonprocessen

1 Stokastiska processer. 2 Poissonprocessen 1 Stokastiska processer En stokastisk process är en stokastisk variabel X(t), som beror på en parameter t, kallad tiden. Tiden kan vara kontinuerlig, eller diskret (i vilket fall man brukar beteckna processen

Läs mer

Laboration 2: 1 Syfte. 2 Väntevärde och varians hos en s.v. X med fördelningen F X (x) MATEMATISK STATISTIK, AK FÖR BYGG, FMS 601, HT-08

Laboration 2: 1 Syfte. 2 Väntevärde och varians hos en s.v. X med fördelningen F X (x) MATEMATISK STATISTIK, AK FÖR BYGG, FMS 601, HT-08 LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK MATEMATISK STATISTIK, AK FÖR BYGG, FMS 601, HT-08 Laboration 2: Om väntevärden och fördelningar 1 Syfte I denna laboration skall vi försöka

Läs mer

Del A: Digitala verktyg är inte tillåtna. Endast svar krävs. Skriv dina svar direkt på provpappret.

Del A: Digitala verktyg är inte tillåtna. Endast svar krävs. Skriv dina svar direkt på provpappret. NAN: KLASS: Del A: Digitala verktyg är inte tillåtna. Endast svar krävs. Skriv dina svar direkt på provpappret. 1) a) estäm ekvationen för den räta linjen i figuren. b) ita i koordinatsystemet en rät linje

Läs mer

Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar

Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR I, FMS 120, HT-00 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar

Läs mer

Tentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola.

Tentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola. Tentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola. Tid: Måndagen den 2015-06-01, 8.30-12.30. Examinator och Jour: Olle Nerman, tel. 7723565, rum 3056, MV, Chalmers. Hjälpmedel: Valfri

Läs mer

Hur måttsätta osäkerheter?

Hur måttsätta osäkerheter? Geotekniska osäkerheter och deras hantering Hur måttsätta osäkerheter? Lars Olsson Geostatistik AB 11-04-07 Hur måttsätta osäkerheter _LO 1 Sannolikheter Vi måste kunna sätta mått på osäkerheterna för

Läs mer

Provmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling. Tentamensdatum: 28 maj 2018 Tid: 9-13

Provmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling. Tentamensdatum: 28 maj 2018 Tid: 9-13 Matematisk Statistik 7,5 högskolepoäng Provmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling Tentamensdatum: 28 maj 2018 Tid: 9-13 Hjälpmedel: Miniräknare

Läs mer

Föreläsning 5, Matematisk statistik Π + E

Föreläsning 5, Matematisk statistik Π + E Repetition Summor max/min Väntevärde Varians Föreläsning 5, Matematisk statistik Π + E Sören Vang Andersen 25 november 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F5 1/16 Repetition Summor max/min

Läs mer

Namn Klass Personnummer (ej fyra sista)

Namn Klass Personnummer (ej fyra sista) Prövning matematik 4 april 06 (prövningstillfälle 6) Namn Klass Personnummer (ej fyra sista) Mobiltelefonnummer e-post SKRIV TYDLIGT! Alla papper ska förses med namn och återlämnas Skriv tydligt. Oläsliga

Läs mer

Matematikcentrum 1(6) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs VT2014, lp3. Laboration 2. Fördelningar och simulering

Matematikcentrum 1(6) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs VT2014, lp3. Laboration 2. Fördelningar och simulering Matematikcentrum 1(6) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs VT2014, lp3 Laboration 2 Fördelningar och simulering Introduktion 2014-02-06 Syftet med laborationen är dels

Läs mer

Tentamen i matematisk statistik (9MA241/9MA341, STN2) kl 14 18

Tentamen i matematisk statistik (9MA241/9MA341, STN2) kl 14 18 LINKÖPINGS UNIVERSITET MAI Johan Thim Tentamen i matematisk statistik (9MA241/9MA341, STN2) 213-1-11 kl 14 18 Hjälpmedel är: miniräknare med tömda minnen och formelbladet bifogat. Varje uppgift är värd

Läs mer

DIFFERENTIALEKVATIONER. INLEDNING OCH GRUNDBEGREPP

DIFFERENTIALEKVATIONER. INLEDNING OCH GRUNDBEGREPP DIFFERENTIALEKVATIONER INLEDNING OCH GRUNDBEGREPP Differentialekvation (DE) är en ekvation som innehåller derivator av en eller flera okända funktioner ORDINÄRA DIFFERENTIAL EKVATIONER i) En differentialekvation

Läs mer

TENTAMEN I SF1904 MARKOVPROCESSER FREDAGEN DEN 17 AUGUSTI 2018 KL

TENTAMEN I SF1904 MARKOVPROCESSER FREDAGEN DEN 17 AUGUSTI 2018 KL Avd. Matematisk statistik TENTAMEN I SF1904 MARKOVPROCESSER FREDAGEN DEN 17 AUGUSTI 2018 KL 8.00 13.00. Examinator: Björn-Olof Skytt tel. 790 86 49 Kursansvarig: Björn-Olof Skytt tel. 790 86 49 Tillåtna

Läs mer

Ur en kortlek på 52 kort väljer man ( utan återläggning och utan hänsyn till ordning) slumpvis 5 kort. Vad är sannolikheten för att få

Ur en kortlek på 52 kort väljer man ( utan återläggning och utan hänsyn till ordning) slumpvis 5 kort. Vad är sannolikheten för att få Tentamen TEN, HF, aug 9 Matematisk statistik Kurskod HF Skrivtid: 8:-: Lärare och examinator : Armin Halilovic Hjälmedel: Bifogat formelhäfte ("Formler och tabeller i statistik ") och miniräknare av vilken

Läs mer

Våra vanligaste fördelningar

Våra vanligaste fördelningar Sida Våra vanligaste fördelningar Matematisk statistik för D3, VT Geometrisk fördelning X är geometriskt fördelad med parameter p, X Geo(p), om P (X = k) = ( p) k p P (X k) = ( p) k för k =,,... Beskriver

Läs mer

1 Föreläsning I, Mängdlära och elementär sannolikhetsteori,

1 Föreläsning I, Mängdlära och elementär sannolikhetsteori, 1 Föreläsning I, Mängdlära och elementär sannolikhetsteori, LMA201, LMA521 1.1 Mängd (Kapitel 1) En (oordnad) mängd A är en uppsättning av element. En sådan mängd kan innehålla ändligt eller oändlligt

Läs mer

( ) = 2x + y + 2 cos( x + 2y) omkring punkten ( 0, 0), och använd sedan detta ( ).

( ) = 2x + y + 2 cos( x + 2y) omkring punkten ( 0, 0), och använd sedan detta ( ). KTH matematik Tentamen i SF66 Flervariabelanalys den 7 juni kl 8.3. Tillåtet hjälpmedel: Endast Beta Mathematics Handbook. Tydliga lösningar med fullständiga meningar och utförliga motiveringar krävs för

Läs mer

Kursombud sökes! Kursens syfte är att ge en introduktion till metoder för att förutsäga realtidsegenskaper hos betjäningssystem, i synnerhet för data- och telekommunikationssystem. Såväl enkla betjäningssystem,

Läs mer

Lärmål Sannolikhet, statistik och risk 2015

Lärmål Sannolikhet, statistik och risk 2015 Lärmål Sannolikhet, statistik och risk 2015 Johan Jonasson Februari 2016 Följande begrepp och metoder ska behärskas väl, kunna förklaras och tillämpas. Direkta bevis av satser från kursen kommer inte på

Läs mer

Del I: Digitala verktyg är inte tillåtna. Endast svar krävs. Skriv dina svar direkt i provhäftet.

Del I: Digitala verktyg är inte tillåtna. Endast svar krävs. Skriv dina svar direkt i provhäftet. Del I: Digitala verktyg är inte tillåtna. Endast svar krävs. Skriv dina svar direkt i provhäftet. 1. a) Bestäm ekvationen för den räta linjen i figuren. (1/0/0) b) Rita i koordinatsystemet en rät linje

Läs mer

en observerad punktskattning av µ, ett tal. x = µ obs = 49.5.

en observerad punktskattning av µ, ett tal. x = µ obs = 49.5. February 6, 2018 1 Föreläsning VIII 1.1 Punktskattning Punktskattning av µ Vi låter {ξ 1, ξ 2,..., ξ n } vara oberoende likafördelade stokastiska variabler (med ett gemensamt µ). ξ =: µ är en punktskattning

Läs mer

20 Gamla tentamensuppgifter

20 Gamla tentamensuppgifter 20 Gamla tentamensuppgifter 20.1 Lätta avdelningen Övning 20.1 Beräkna f 0 ( 3) för f(x) = 3x2 2x + 1 med jälp av derivatans definition. Lösning: Här är det allmänna uttrycket för derivatans definition

Läs mer