att genomföra laborationen) kan du sedan spara filen med ev. ändringar på ditt eget konto med Save As, såsom anges i introduktionslaborationen.
|
|
- Fredrik Pettersson
- för 7 år sedan
- Visningar:
Transkript
1 LUNDS UNIVERSITET MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 3: SIMULERING AV MARKOVPROCESSER MED TILLFÖRLITLIGHETSTILLÄMPNING MATEMATISK STATISTIK AK, MAS 101:A, VT-01 1 Förberedelser Denna laboration handlar om hur man simulerar Markovprocesser i kontinuerlig tid genom att bilda en inbäddad Markovkedja, som innehåller alla processens hopp. Läs igenom Avsnitt och i Tilläggskompendiet (TK). 2 Att starta MATLAB, användning av befintliga m-filer Gå in i MATLAB på det sätt som beskrivs i introduktionslaborationen. Väl inne i MATLAB anger du sedan >> mh_init( MAS101A ) Då skapas automatiskt en sökväg till underbiblioteket...\mas101a\, som innehåller alla m-filer som behövs för datorlaborationerna till kursen (se även appendix för de m-filer du behöver till just denna laboration). Filerna i...\mas101a\ listas med kommandot 1 >> what MAS101A Hjälptexten till en godtycklig fil från listan får du fram genom >> help... där... är namnet på den fil du vill ha hjälptexten för. Om du dessutom vill läsa in hela filen till Matlabs editor anger du >> edit... där återigen... står för filnamnet. Om du gör ändringar i den inlästa filen (ej nödvändigt för att genomföra laborationen) kan du sedan spara filen med ev. ändringar på ditt eget konto med Save As, såsom anges i introduktionslaborationen. 3 Simulering av Markovprocesser. Vi ska börja med att simulera Markovprocesser i kontinuerlig tid med hjälp av sats 5.7 i TK, avsnitt Det syns inte i den lista du får upp på skärmen att samtliga filer är av typen.m.
2 Förberedelseuppgift 1 (Inbäddad övergångsmatris.) Givet en Markovprocess med fyra tillstånd, numrerade E 1, E 2, E 3, E 4, och intensitetsmatris A = , bestäm övergångsmatrisen P för den inbäddade Markovkedjan. Den inbäddade Markovkedjans övergångsmatris anger med vilka sannolikheter vi hoppar mellan olika tillstånd, utan hänsyn till hur lång tid det tar mellan hoppen. Med hjälp av sats 5.7 kan vi simulera hoppen och tidsintervallen mellan hoppen var för sig. Förberedelseuppgift 2 (Fördelning för ett hopp.) Anta att vi hoppar till E 3 vid tidpunkten T i (det i:te hoppet). Ange sannolikhetsfunktionen för X i+1 = X (T i+1 ), dvs nästa tillstånd som processen hoppar till. Hur kan man simulera detta hopp? (Ledning: se Avsnitt i TK.) Förberedelseuppgift 3 (Tiden i ett tillstånd.) Vilken fördelning har T i+1 T i, under samma förutsättningar som i föregående uppgift? Förberedelseuppgift 4 (Flera hopp.) Vilken är sannolikheten att vi givet start i E 3 först tillbringar minst 0.4 tidsenheter i E 3, därefter hoppar till E 2, tillbringar mellan 0.1 och 0.4 tidsenheter i E 2 samt slutligen hoppar till E 1? Funktionen markovkont_sim.m (se appendix eller använd hjälpfunktionen i MATLAB, dvs help markovkont_sim) simulerar en Markovprocess i kontinuerlig tid med intensitetsmatris A och starttillstånd X (0), under T tidsenheter: >> A =... >> X0 =... >> T =... >> [tau,x,t_hopp] = markovkont_sim(a,t,x0) Utparametrarna till funktionen skrivs nu ut på skärmen. För att plotta realiseringen av processen kan man använda >> stairs(t_hopp,x) Gränserna i grafikfönstret, som automatiskt sätts av MATLAB, är inte så bra i detta fall. Du kan själv ändra dem genom >> N = size(a,1); >> axis([0 T 0 N+1]); där N anger antal tillstånd hos Markovkedjan. Uppgift 1 Simulera Markovprocessen med intensitetsmatris ( ) A = 3 3 under en lämpligt vald tidsperiod T och valfritt starttillstånd. Plotta ut realiseringen av processen. Beräkna (T ) = ( 1 (T ), 2(T )), där i(t ) anger hur stor del av tiden processen befinner sig i E i (så att 1(T ) + 2 (T ) = 1). Förklara processens utseende. 2
3 Uppgift 2 Gör samma sak för Markovprocessen i Förberedelseuppgift 1, för några olika värden på T. Plotta sedan i (T ) som funktion av T för i = 1, 2, 3, 4 i samma plot: >> T_vec = [...] Lägg de T-värden du väljer i en vektor T_vec >> pi_1 = [...] Motsvarande värden på pi_1(t) >> plot(t_vec,pi_1, r ) Plotta pi_1(t) mot T med röd färg ( r ) >> hold on Grafikfönstret raderas ej inför nästa plottning >> pi_2 = [...] >> plot(t_vec,pi_2, b ) Här valde vi blå färg ( b )... >> hold off Pröva gärna, om tiden tillåter, att simulera Markovprocesser med olika intensitetsmatriser, för att se hur realiseringarna beror av A. 4 Stationära sannolikheter Om T är stor bör vektorn (T ) = ( 1 (T ),..., N(T )) svänga in sig mot den stationära sannolikhetsvektorn = ( 1,..., N ). Funktionen pi_kont (se appendix) beräknar för en allmän Markovprocess. Den utnyttjar omskrivningen { A = 0, N i=1 i = 1 B = (0,..., 0, 1), där anger transponat, B = ( A 1 ) = ( A 1 ) och 1 är en radvektor innehållande N ettor. Genom denna omskrivning ges ett ekvationssystem med N + 1 linjärt beroende ekvationer och N obekanta. som lösningen till Uppgift 3 Beräkna den stationära fördelningen för Markovprocessen i Förberedelseuppgift 1. Jämför resultatet med det värde du fick i Uppgift 2. 5 Passiv redundans med reparation av komponenter Vi tänker oss följande tillförlitlighetsproblem: En maskin innehåller en komponent. Så snart denna går sönder, kan den bytas ut mot en annan. Totalt finns n komponenter att tillgå, och trasiga komponenter kan lagas av en reparatör. Komponenterna antas ha oberoende och exponentialfördelade livslängder med väntevärde 1, och reparationstiderna är också exponentialfördelade, med väntevärde 1. Frågeställningen är nu när reparatören ska tillkallas för att underhållskostnaden ska bli så låg som möjlig. Tre typer av kostnader förekommer: 1) kostnad per tidsenhet vid driftsstopp (alla komponenter trasiga) 2) kostnad att tillkalla reparatör 3) reparationskostnad per tidsenhet. Anta att vi tillkallar reparatören (momentant) då den r:te komponenten går sönder, 1 r n. När reparatören har anlänt, lagar han alla komponenter som är trasiga vid ankomst samt de som blir trasiga innan han återvänder. Om r är liten ökar kostnaden 2), eftersom vi måste tillkalla reparatören 3
4 oftare. Ett stort r ökar å andra sidan sannolikheten för driftsstopp och därmed ökar kostnad 1). Vi antar ett linjärt samband för den totala kostnaden K under T tidsenheter: där K = K (r, T ) = a 1n (T ) + bn rep (T ) + c 1 (T ), (1) 1n(T ) = driftsstoppstid under [0, T ] n rep (T ) = antal gånger reparatören tillkallas under [0, T ] 1(T ) = total reparationstid under [0, T ] (indexen kommer strax att få sin förklaring) och a, b och c är konstanter som beskriver den relativa vikten av de olika kostnadstyperna. Systemet kan beskrivas av en Markovprocess i kontinuerlig tid, med N = n + r tillstånd E 00, E 01,..., E 0,r 1, E 11, E 12,..., E 1n, där E ij = i reparatörer tillkallade, j komponenter trasiga. Tydligen blir 1n den tid vi tillbringar E 1n, n rep antalet hopp E 0,r 1 E 1r och 1 den sammanlagda tiden vi är i något av tillstånden E 11,..., E 1n. Förberedelseuppgift 5 (Tillståndsdiagram.) Ställ upp ett tillståndsdiagram för systemet med intensiteter angivna mellan alla tillstånd. Efter byte av tidsskala kan vi alltid anta att = 1, vilket vi gör fortsättningsvis. Funktionen A_tillflab (se appendix) beräknar tillståndsmatrisen för godtyckligt n, r och (med tillstånden numrerade 1, 2,..., N enligt ordningsföljden E 00, E 01,..., E 0,r 1, E 11, E 12,..., E 1n ). Uppgift 4 Beräkna intensitetsmatrisen då n = 6 och r = 3 och = Simulering Med hjälp av funktionen kostnad (se appendix), simuleras systemet under tiden T, och den genomsnittliga kostnaden K medel = K /T bestäms. Uppgift 5 (Grafisk illustration av systemet.) Simulera systemet under en ganska kort tid för lämpligt valda värden på n, r,, a, b och c. Plotta ut antal trasiga komponenter (utparametern Y) som funktion av tiden samt i samma plot när reparatören är tillkallad (utparametern Z) som funktion av tiden. För att kunna särskilja de två kurvorna åt, använd olika färger, exempelvis stairs(t_hopp,y, b ) för en blå Y -kurva osv. Kom ihåg hold on, så att du inte raderar den befintliga kurvan när du ritar in en ny. Gör sedan en ny plot med ett annat värde på. Hur ändras medelkostnaden och varför? Uppgift 6 (Optimalt val av r.) Simulera systemet du valde i föregående uppgift för ett stort T (exempelvis T = 1000 eller ett mindre värde om det tar för lång tid), beräkna och plotta medelkostnaden som funktion av r, då a = 10, b = 1 och c = 1. Vilket r är optimalt? Gör sedan om simuleringen med andra värden på a, b och c. Hur ändras det optimala värdet på r och varför? 4
5 5.2 Analytisk metod Om T i (1) får vi K medel (r, T ) = K (r, T ) T = a 1n (T ) T + b n rep(t ) T + c 1 (T ) T a 1n + b 0,r 1 + c n i=1 1i, (2) där ij är den stationära sannolikheten att befinna sig i E ij. Då systemet svängt in sig i jämvikt kan alltså de stationära sannolikheterna användas för att beskriva medelkostnaden. Vi utnyttjade att 1n(T )/T är proportionen av tiden vi befinner oss i E 1n, som för stora T bör ligga nära 1n. Av samma anledning bör 1(T )/T ligga nära n i=1 1i, då ju 1 (T ) är den sammanlagda tiden vi befinner oss i något av tillstånden E 11,..., E 1n. Vidare gäller n rep (T ) T = 0,r 1 (T )/T 0,r 1(T )/n rep 0,r 1 1 = 0,r 1, eftersom 0,r 1 (T )/n rep är den genomsnittliga längen av de n rep tidsintervall Markovprocessen befinner sig i E 0,r 1, och väntevärdet är 1 för vart och ett av dessa intervall 2, 3. Uppgift 7 (Medelkostnad vid jämvikt.) Använd dig av funktionen kostnad_limit (se appendix) för att beräkna medelkostnaden vid jämvikt som funktion av r. Utgå från samma system som du simulerade i föregående uppgift, samt jämför resultaten. Uppgift 8 (Konvergens av medelkostnad.) Välj ett system, använd kostnad för att beräkna K medel (r, T ) som funktion av T, och plotta funktionen. Räkna också ut gränsvärdet T, samt lägg in detta värde som en horisontell linje i plotten. En horisontell linje på nivån K i intervallet [T 0, T 1 ] kan erhållas med kommandona >> U = [T0 T1]; >> V = [K K]; >> plot(u,v) 2 Eftersom T är stor, kan vi bortse från att det eventuellt finns n rep + 1 intervall i E 0,r 1 inkluderade i 0,r 1(T ), nämligen om simuleringen avslutas i E 0,r 1, dvs X (T ) = E 0,r 1. 3 Enligt sats 5.7 i TK, avsnitt 5.5, är tiden i E ij varje gång exponentialfördelad med väntevärde ( a ij,ij ) 1, där a ij,ij är diagonalelementet i intensitetsmatrisen svarande mot E ij. 5
6 Appendix function [k] = disk_sim(p) Funktionen [k] = disk_sim(p) genererar ett slumptal k från en diskret fördelning med sannolikhetsfunktion p (som ska vara en ändlig radvektor) med hjälp av inversa transformationsmetoden. L = length(p); F = cumsum(p); F_shift = [0 F(1:L-1)]; u = rand*ones(1,l); k = find((u <= F)&(u>F_shift)); Beräkna fördelningsfunktionen Hitta det värde k där födelningsfunk- tionen hoppar förbi u function [tau,x,t_hopp] = markovkont_sim(a,t,x0) Funktionen [tau,x,t_hopp] = markovkont_sim(a,t,x0) simulerar en Markovprocess i kontinuerlig tid med intensitetsmatris A under tidsperioden [0,T], med start i tillståndet X0. Utparametrar: tau - vektor som anger tiden processn varit i de olika tillstånden T_hopp - vektor som anger tidpunkter för processens hopp (T_hopp(1)=0) X - vektor som anger processens värde under de olika tidsintervall som definieras av T_hopp Generera övergångsmatris (Pt) för den inbäddade Markovkedjan samt plocka ut diagonalelementen i A (med omvänt tecken) i en vektor a N = size(a,1); a = -diag(a); A_diag = diag(a); Pt = inv(a_diag)*a+eye(n); Påbörja simulering X = [X0]; X_nu = X0; T_hopp = [0]; T_nu = 0; tau = zeros(1,n); while T_nu<T X_next = disk_sim(pt(x_nu,:)); Generera nästa tillstånd hopptid = exprnd(1/a(x_nu)); Tidsavstånd till nästa hopp tau(x_nu) = tau(x_nu) + hopptid; T_next = T_nu + min(hopptid,t-t_nu); T_hopp = [T_hopp T_next]; X = [X X_next]; X_nu = X_next; T_nu = T_next; end; 6
7 function [pi] = pi_kont(a); Funktionen [pi] = pi_kont(a) bestämmer den stationära fördelningen pi till en Markovprocess i kontinuerlig tid med intensitetsmatris A N = size(a,1); u = zeros(1,n+1); u(1,n+1) = 1; B = [A ;ones(1,n)]; pi = (B\(u )) ; function [A] = A_tillflab(n,r,mu) Funktionen [A] = A_tillflab(n,r,mu) genererar en intensitets- matris A för tillförlitlighetsproblem med n komponenter, där reparatören tillkallas då r komponenter är trasiga. Reparationsintensiteten ges av mu, och komponenterna går sönder med intensiteten 1 (=lambda). Tillstånden är numrerade i ordning E_{00},...,E_{0,r-1},E_{11},...,E_{1n} function [K_medel,Y,Z,T_hopp] = kostnad(n,r,a,b,c,mu,t) Funktionen [K_medel,Y,Z,T_hopp] = kostnad(n,r,a,b,c,mu,t) simulerar ett Markovskt tillförlitlighetssystem bestående av n komponenter under T tidsenheter, där reparatören tillkallas då r enheter är trasiga. Övriga inparametrar: mu - reparationsintensitet a - kostnad per tidsenhet för avbrott (n trasiga komponenter) b - kostnad att tillkalla reparatör c - kostnad per tidsenhet att anlita reparatör Utparametrar: K_medel - totalkostnad per tidsenhet T_hopp - anger tidpunkter då systemet ändras (T_hopp(1) = 0) Y - anger antal trasiga komponenter i de olika tidsintervall som definieras av T_hopp Z - = -1 i de tidsintervall då reparatören är tillkallad, annars = -2 Simulera systemet under T tidsenheter, A = A_tillflab(n,r,mu); N = size(a,1); X0 = 1; [tau,x,t_hopp] = markovkont_sim(a,t,x0); Räkna ut n_rep - antal hopp Markovprocessen gör från E_{0,r-1} (ordningsnummer r) till E_{1r} (ordningsnummer 2*r), dvs antal gånger reparatören tillkallas NX = size(x,1); rep_tillkallas = r*ones(1,nx); rep_kommit = 2*r*ones(1,NX); X_shift = [0 X(1:NX-1)]; 7
8 n_rep = sum((x_shift == rep_tillkallas)&(x == rep_kommit)); Räkna ut medelkostnaden K_medel = ( a*tau(n) + b*n_rep + c*sum(tau(r+1:n)) )/T; Beräkna antal trasiga komponenter samt när reparatören är tillkallad Y = (X <= r).*(x-1) + (X>r).*(X-r); Z = (X>r)-2; function [K_medel] = kostnad_limit(n,r,a,b,c,mu) Funktionen [K_medel] = kostnad_limit(n,r,a,b,c,mu) beräknar medelkostnaden vid jämvikt, K_medel för ett Markovskt system med n komponenter, där reparatören tillkallas då den r:te komponenten går sönder. a - kostnad per tidsenhet för avbrott (n trasiga komponenter) b - kostnad att tillkalla reparatör c - kostnad per tidsenhet att anlita reparatör Beräkna intensitetsmatrisen för systemet A = A_tillflab(n,r,mu); Beräkna stationär lösning N = size(a,1); pi = pi_kont(a); Beräkna medelkostnad K_medel = a*pi(n) + b*pi(r)*(-a(r,r)) + c*sum(pi(r+1:n)); 8
1 Förberedelser. 2 Teoretisk härledning av värmeförlust LABORATION 4: VÄRMEKRAFTVERK MATEMATISK STATISTIK AK, MAS 101:A, VT-01
LUNDS UNIVERSITET MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 4: VÄRMEKRAFTVERK MATEMATISK STATISTIK AK, MAS 101:A, VT-01 1 Förberedelser I denna laboration modelleras värmeförlusten i ett kraftverk
Läs mer3 Jämförelse mellan Polyas urna och en vanlig urna
LUNDS UNIVERSITET MATEMATIKCENTRUM MATEMATISK STATISTIK 1 Förberedelser LABORATION 1: POLYAS URNMODELL MATEMATISK STATISTIK AK, MAS 101:A, VT-01 Laborationen, som presenterar en urnmodell introducerad
Läs mer1 Förberedelser. 2 Att starta MATLAB, användning av befintliga m-filer. 3 Geometriskt fördelad avkomma
LUNDS UNIVERSITET MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 2: FÖRGRENINGSPROCESSER MATEMATISK STATISTIK AK, MAS 101:A, VT-01 1 Förberedelser Syftet med denna laboration är att du skall bli mer
Läs merLaboration 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 merLaboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla punktskattningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik Laboration 3 Matematisk statistik AK för CDIFysiker, FMS012/MASB03, HT15 Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla
Läs merLaboration 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 merFö relä sning 2, Kö system 2015
Fö relä sning 2, Kö system 2015 Vi ska börja titta på enskilda kösystem som ser ut på följande sätt: Det kan finnas en eller fler betjänare och bufferten kan vara ändlig eller oändlig. Om bufferten är
Läs merLaboration 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 merMarkovprocesser SF1904
Markovprocesser SF1904 Johan Westerborn johawes@kth.se Föreläsning 3 Markovprocesser 16 April 2015 Johan Westerborn Markovprocesser (1) Föreläsning 3 Föreläsningsplan 1 Förra Föreläsningen 2 Markovprocesser
Läs merMarkovprocesser SF1904
Markovprocesser SF1904 Johan Westerborn johawes@kth.se Föreläsning 3 Markovprocesser 13 April 2016 Johan Westerborn Markovprocesser (1) Föreläsning 3 Föreläsningsplan 1 Förra Föreläsningen 2 Markovprocesser
Läs merSF1900 Sannolikhetsteori och statistik, HT 2017 Laboration 1 för CINEK2
Matematisk Statistik SF1900 Sannolikhetsteori och statistik, HT 2017 Laboration 1 för CINEK2 1 Introduktion Denna laboration är inte poänggivande utan är till för den som vill bekanta sig med MATLAB. Fokusera
Läs merP =
Avd. Matematisk statistik TENTAMEN I SF297 (f d 5B157) TILLFÖRLITLIGHETSTEORI LÖRDAGEN DEN 2 OKTOBER 21 KL 1. 18.. Examinator: Gunnar Englund, tel. 79716, e-postadress: gunnare@math.kth.se Tillåtna hjälpmedel:
Läs merMarkovprocesser SF1904
Markovprocesser SF1904 Johan Westerborn johawes@kth.se Föreläsning 4 Markovprocesser 20 April 2015 Johan Westerborn Markovprocesser (1) Föreläsning 4 Föreläsningsplan 1 Förra Föreläsningen 2 Innbäddade
Läs merLaboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 3 MATEMATISK STATISTIK AK FÖR CDIFYSIKER, FMS012/MASB03, HT12 Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla
Läs merIntroduktion till MATLAB
29 augusti 2017 Introduktion till MATLAB 1 Inledning MATLAB är ett interaktivt program för numeriska beräkningar med matriser. Med enkla kommandon kan man till exempel utföra matrismultiplikation, beräkna
Läs merLaboration 5: Regressionsanalys. 1 Förberedelseuppgifter. 2 Enkel linjär regression DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK Laboration 5: Regressionsanalys DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08 Syftet med den här laborationen är att du skall
Läs merb) Vad är sannolikheten att personen somnar i lägenheten? (4 p) c) Hur många gånger förväntas personen byta rum? (4 p)
Avd. Matematisk statistik TENTAMEN I SF904 MARKOVPROCESSER TISDAGEN DEN 9 JUNI 05 KL 4.00 9.00. Examinator: Boualem Djehiche tel. 790 78 75. Tillåtna hjälpmedel: Formel- och tabellsamling i Matematisk
Läs merbli bekant med summor av stokastiska variabler.
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORÖVNING 2 MATEMATISK STATISTIK FÖR E FMSF20 Syfte: Syftet med dagens laborationen är att du skall: få förståelse för diskreta, bivariate
Läs merLaboration 3: Enkla punktskattningar, styrkefunktion och bootstrap
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 3, HT -06 MATEMATISK STATISTIK FÖR F, PI OCH NANO, FMS 012 MATEMATISK STATISTIK FÖR FYSIKER, MAS 233 Laboration 3: Enkla punktskattningar,
Läs merDemonstration av laboration 2, SF1901
KTH 29 November 2017 Laboration 2 Målet med dagens föreläsning är att repetera några viktiga begrepp från kursen och illustrera dem med hjälp av MATLAB. Laboration 2 har följande delar Fördelningsfunktion
Läs merDatorövning 1 Fördelningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF20: MATEMATISK STATISTIK, ALLMÄN KURS, 7.5HP FÖR E, HT-15 Datorövning 1 Fördelningar I denna datorövning ska du utforska begreppen sannolikhet
Läs merDATORÖVNING 2 MATEMATISK STATISTIK FÖR D, I, PI OCH FYSIKER; FMSF45 & MASB03. bli bekant med summor av stokastiska variabler.
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORÖVNING 2 MATEMATISK STATISTIK FÖR D, I, PI OCH FYSIKER; FMSF45 & MASB03 Syfte: Syftet med dagens laborationen är att du skall: få förståelse
Läs merTiden i ett tillstånd
Föreläsning 3 I denna föreläsning ska vi behandla markovska kösystem som har ett begränsat antal buffertplatser och även ett begränsat antal kunder. För att kunna göra detta behöver man några resultat
Läs merSyftet med den här laborationen är att du skall bli mer förtrogen med följande viktiga områden inom matematisk statistik
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR I, FMS 01, HT-07 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen, enkla punktskattningar
Läs merTSBB14 Laboration: Intro till Matlab 1D
TSBB14 Laboration: Intro till Matlab 1D Utvecklad av Maria Magnusson med mycket hjälp av Lasse Alfredssons material i kursen Introduktionskurs i Matlab, TSKS08 Avdelningen för Datorseende, Institutionen
Läs mer** a) Vilka värden ska vara istället för * och **? (1 p) b) Ange för de tre tillstånden vilket som svarar mot 0,1,2 i figuren.
Avd. Matematisk statistik TENTAMEN I SF1904 MARKOVPROCESSER FREDAGEN DEN 19 AUGUSTI 2016 KL 08.00 13.00. Examinator: Jimmy Olsson tel. 790 72 01. Tillåtna hjälpmedel: Formel- och tabellsamling i Matematisk
Läs merTANA17 Matematiska beräkningar med MATLAB för M, DPU. Fredrik Berntsson, Linköpings Universitet. 2 november 2015 Sida 1 / 23
TANA17 Matematiska beräkningar med MATLAB för M, DPU Fredrik Berntsson, Linköpings Universitet 2 november 2015 Sida 1 / 23 Föreläsning 2 Index. Kolon-notation. Vektoroperationer. Summor och medelvärden.
Läs merSF1901 Sannolikhetsteori och statistik: HT 2014 Lab 1 för CSAMHS, CINEKI, och CL
Matematisk Statistik SF1901 Sannolikhetsteori och statistik: HT 2014 Lab 1 för CSAMHS, CINEKI, och CL Introduktion Detta är handledningen till Laboration 1, ta med en en utskriven kopia av den till laborationen.
Läs merrepetera begreppen sannolikhetsfunktion, frekvensfunktion och fördelningsfunktion
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF25: MATEMATISK STATISTIK KOMPLETTERANDE PROJEKT DATORLABORATION 1, 14 NOVEMBER 2017 Syfte Syftet med dagens laboration är att du ska träna
Läs merTentamen i FMS180/MASC03 Markovprocesser
Matematisk statistik Matematikcentrum Lunds Universitet Tentamen i FMS80/MASC03 Markovprocesser 009-05-5 Lösningsförslag. Följande är en möjlighet. 6 5 3 4 Här är tillstånden, och 3 transienta, tillstånd
Läs merStokastiska processer och simulering I 24 augusti
STOCKHOLMS UNIVERSITET LÖSNINGAR MATEMATISKA INSTITUTIONEN Stokastiska processer och simulering I Avd Matematisk statistik 24 augusti 2016 Lösningar Stokastiska processer och simulering I 24 augusti 2016
Läs merMarkovprocesser SF1904
Markovprocesser SF1904 Johan Westerborn johawes@kth.se Föreläsning 5 Markovprocesser 24 April 2015 Johan Westerborn Markovprocesser (1) Föreläsning 5 Föreläsningsplan 1 Förra Föreläsningen 2 Poissonprocessen
Läs merMarkovprocesser SF1904
Markovprocesser SF1904 Johan Westerborn johawes@kth.se Föreläsning 5 Markovprocesser 2 Maj 2016 Johan Westerborn Markovprocesser (1) Föreläsning 5 Föreläsningsplan 1 Förra Föreläsningen 2 Poissonprocessen
Läs merLaboration: Grunderna i MATLAB
Laboration: Grunderna i MATLAB 25 augusti 2005 Grunderna i MATLAB Vad är MATLAB? MATLAB är ett interaktivt program för vetenskapliga beräkningar. Som användare ger du enkla kommandon och MATLAB levererar
Läs merTAMS79: Föreläsning 10 Markovkedjor
TAMS79: Föreläsning 0 Markovkedjor Johan Thim december 08 0. Markovkedjor Vi ska nu betrakta en speciell tidsdiskret diskret stokastisk process, nämligen Markovkedjan. Vi börjar med en definition Definition.
Läs merDatorövning 1: Fördelningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS012/MASB03: MATEMATISK STATISTIK, 9 HP, VT-17 Datorövning 1: Fördelningar I denna datorövning ska du utforska begreppen sannolikhet och
Läs merLaboration i Automationsteknik FK: Del 1: Polplacering. Del 2: Markovkedjor
Laboration i Automationsteknik FK: Del 1: Polplacering. Del 2: Markovkedjor Inledning I del 1 av denna laboration utnyttjas Matlab och Simulink för att simulera polplaceringsbaserad regulatordesign för
Läs merStokastiska processer och simulering I 24 maj
STOCKHOLMS UNIVERSITET LÖSNINGAR MATEMATISKA INSTITUTIONEN Stokastiska processer och simulering I Avd. Matematisk statistik 24 maj 2016 Lösningar Stokastiska processer och simulering I 24 maj 2016 9 14
Läs merSimulering av Poissonprocesser Olle Nerman, Grupprojekt i MSG110,GU HT 2015 (max 5 personer/grupp)
Simulering av Poissonprocesser Olle Nerman, 2015-09-28 Grupprojekt i MSG110,GU HT 2015 (max 5 personer/grupp) Frågeställning: Hur åstadkommer man en realisering av en Poissonprocess på ett tidsintervall
Läs merMer om slumpvariabler
1/20 Mer om slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 4/2 2013 2/20 Dagens föreläsning Diskreta slumpvariabler Vilket kretskort ska man välja? Väntevärde
Läs merTentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 8p av totalt 20p Tid: 21:a April klockan
MAI/Linköpings universitet Fredrik Berntsson Tentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 8p av totalt 20p Tid: 21:a April klockan 8.00-12.00 Redovisning Lös först uppgifterna i Matlab.
Läs merMarkovkedjor. Patrik Zetterberg. 8 januari 2013
Markovkedjor Patrik Zetterberg 8 januari 2013 1 / 15 Markovkedjor En markovkedja är en stokastisk process där både processen och tiden antas diskreta. Variabeln som undersöks kan både vara numerisk (diskreta)
Läs merTentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 9p av totalt 20p Hjälpmedel: MATLAB
MAI/Linköpings universitet Fredrik Berntsson Tentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 9p av totalt 20p Hjälpmedel: MATLAB Redovisning Lös först uppgifterna i Matlab. Då du har en
Läs merDatorövning 1: Fördelningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF45/MASB03: MATEMATISK STATISTIK, 9 HP, VT-18 Datorövning 1: Fördelningar I denna datorövning ska du utforska begreppen sannolikhet och
Läs merTENTAMEN I SF2937 (f d 5B1537) TILLFÖRLITLIGHETSTEORI TORSDAGEN DEN 14 JANUARI 2010 KL
Avd. Matematisk statistik TENTAMEN I SF2937 (f d 5B1537) TILLFÖRLITLIGHETSTEORI TORSDAGEN DEN 14 JANUARI 2010 KL 08.00 13.00. Examinator: Gunnar Englund, tel. 7907416, e-postadress: gunnare@math.kth.se
Läs merSF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011
Avd. Matematisk statistik Tobias Rydén 2011-09-30 SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011 Förberedelser. Innan du går till laborationen, läs igenom den här handledningen. Repetera också i
Läs merTentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 8p av totalt 20p Tid: 14:e januari klockan
MAI/Linköpings universitet Fredrik Berntsson Tentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 8p av totalt 20p Tid: 14:e januari klockan 8.00-12.00 Redovisning Lös först uppgifterna i Matlab.
Läs merSF1910 Tillämpad statistik, HT 2016 Laboration 1 för CSAMHS, CLGYM-TEMI
Matematisk Statistik Introduktion SF1910 Tillämpad statistik, HT 2016 Laboration 1 för CSAMHS, CLGYM-TEMI Detta är handledningen till Laboration 1, ta med en en utskriven kopia av den till laborationen.
Läs merStokastiska processer
Stokastiska processer Fredrik Olsson, fredrik.olsson@iml.lth.se Avdelningen för produktionsekonomi Lunds tekniska högskola, Lunds universitet Dessa förläsningsanteckningar kommer att behandla diskreta
Läs merSyftet med den här laborationen är att du skall bli mer förtrogen med några viktiga områden inom kursen nämligen
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 3 MATEMATISK STATISTIK, AK FÖR I, FMS 12, HT-8 Laboration 3: Sannolikhetsteori och simulering Syftet med den här laborationen
Läs merTANA17 Matematiska beräkningar med Matlab
TANA17 Matematiska beräkningar med Matlab Datorlektion 1. Vektorer och Matriser 1 Inledning I denna övning skall du träna på att använda Matlab för enklare beräkningar och grafik. För att lösa uppgifterna
Läs merIndex. Vektorer och Elementvisa operationer. Summor och Medelvärden. Grafik i två eller tre dimensioner. Ytor. 20 januari 2016 Sida 1 / 26
TAIU07 Föreläsning 2 Index. Vektorer och Elementvisa operationer. Summor och Medelvärden. Grafik i två eller tre dimensioner. Ytor. 20 januari 2016 Sida 1 / 26 Matriselement och Index För att manipulera
Läs merTentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 8p av totalt 20p Hjälpmedel: MATLAB
MAI/Linköpings universitet Fredrik Berntsson Tentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 8p av totalt 20p Hjälpmedel: MATLAB Redovisning Lös först uppgifterna i Matlab. Då du har en
Läs merträna på att använda olika grafiska metoder för att undersöka vilka fördelningar ett datamaterial kan komma från
Matematikcentrum Matematisk statistik MASB11: BIOSTATISTISK GRUNDKURS DATORLABORATION 1, 1 APRIL 215 FÖRDELNINGAR, SIMULERING OCH FÖRDELNINGSANPASSNING Syfte Syftet med dagens laboration är att du ska
Läs merLaboration 1: Grundläggande sannolikhetsteori, simulering och dataanalys
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 1 MATEMATISK STATISTIK AK FÖR F OCH FYSIKER, FMS012/MASB03, VT15 Laboration 1: Grundläggande sannolikhetsteori, simulering och dataanalys
Läs merMatriser och vektorer i Matlab
CTH/GU LABORATION 2 TMV157-2014/2015 Matematiska vetenskaper Matriser och vektorer i Matlab 1 Inledning Först skall vi se lite på matriser, vilket är den grundläggande datatypen i Matlab, sedan skall vi
Läs merLaboration 1: Beskrivande statistik
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 1 MATEMATISK STATISTIK, AK FÖR BYGG, FMS 601, HT-08 Laboration 1: Beskrivande statistik 1 Syfte Syftet med den här laborationen
Läs merNär man vill definiera en matris i MATLAB kan man skriva på flera olika sätt.
"!$#"%'&)(*,&.-0/ 177 Syftet med denna övning är att ge en introduktion till hur man arbetar med programsystemet MATLAB så att du kan använda det i andra kurser. Det blir således inga matematiska djupdykningar,
Läs merTAIU07 Matematiska beräkningar med Matlab
TAIU07 Matematiska beräkningar med Matlab Datorlektion 1. Vektorer och Matriser 1 Inledning I denna övning skall du träna på att använda Matlab för enklare beräkningar och grafik. Starta Matlab genom att
Läs merSF1911: 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 merAt=A' % ' transponerar en matris, dvs. kastar om rader och kolonner U' % Radvektorn U ger en kolonnvektor
% Föreläsning 1 26/1 % Kommentarer efter %-tecken clear % Vi nollställer allting 1/2+1/3 % Matlab räknar numeriskt. Observera punkten som decimaltecken. sym(1/2+1/3) % Nu blev det symboliskt pi % Vissa
Läs merVariabler. TANA81: Beräkningar med Matlab. Matriser. I Matlab skapas en variabel genom att man anger dess namn och ger den ett värde:
TANA81: Beräkningar med Matlab - Variabler och Matriser - Logiska uttryck och Villkor - Repetitionssatser - Grafik - Funktioner Variabler I Matlab skapas en variabel genom att man anger dess namn och ger
Läs merMarkovprocesser SF1904
Markovprocesser SF1904 Johan Westerborn johawes@kth.se Föreläsning 2 Markovprocesser 4 April 2016 Johan Westerborn Markovprocesser (1) Föreläsning 2 Föreläsningsplan 1 Förra Föreläsningen 2 Absorption
Läs merMarkovprocesser SF1904
Markovprocesser SF1904 Johan Westerborn johawes@kth.se Föreläsning 2 Markovprocesser 30 Mars 2015 Johan Westerborn Markovprocesser (1) Föreläsning 2 Föreläsningsplan 1 Förra Föreläsningen 2 Absorption
Läs merDatorövning 2 Betingad fördelning och Centrala gränsvärdessatsen
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS012/MASB03: MATEMATISK STATISTIK, 9 HP, HT-16 Datorövning 2 Betingad fördelning och Centrala gränsvärdessatsen Syftet med den här laborationen
Läs merTENTAMEN 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 merMatematikcentrum 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 merMinsta-kvadratmetoden
CTH/GU STUDIO b TMV036c - 01/013 Matematiska vetenskaper Minsta-kvadratmetoden Analys och Linjär Algebra, del C, K1/Kf1/Bt1 1 Inledning Ett ofta förekommande problem inom teknik och vetenskap är att koppla
Läs merTAIU07 Matematiska beräkningar med Matlab
TAIU07 Matematiska beräkningar med Matlab Laboration 1. Vektorberäkningar Namn: Personnummer: Epost: Namn: Personnummer: Epost: Godkänd den: Sign: Retur: 1 Introduktion I denna övning skall vi träna på
Läs mer2 februari 2016 Sida 1 / 23
TAIU07 Föreläsning 4 Repetitonssatsen while. Avbrott med break. Exempel: En Talföljd och en enkel simulering. Egna funktioner. Skalärprodukt. Lösning av Triangulära Ekvationssystem. Programmeringstips.
Läs merUppgift 3: Den stokastiska variabeln ξ har frekvensfunktionen 0 10 f(x) =
Tentamen i Matematisk statistik för DAI och EI den 3 mars. Tid: kl 4. - 8. Hjälpmedel: Chalmersgodkänd ( typgodkänd ) räknedosa, Tabell- och formelsamling, Håkan Blomqvist, Matematisk statistik, Ulla Dahlbom,
Läs mer15 februari 2016 Sida 1 / 32
TAIU07 Föreläsning 5 Linjära ekvationssystem. Minsta kvadrat problem. Tillämpning: Cirkelpassning. Geometriska objekt. Translationer. Rotationer. Funktioner som inargument. Tillämpning: Derivata. 15 februari
Läs merLaboration 3: Parameterskattning och Fördelningsanpassning
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 3 MATEMATISK STATISTIK, AK FÖR BYGG, FMS 601, HT-08 Laboration 3: Parameterskattning och Fördelningsanpassning 1 Syfte Syftet
Läs merSTOCKHOLMS UNIVERSITET VT 2011 Avd. Matematisk statistik GB DATORLABORATION 1: TIDSSERIER.
MATEMATISKA INSTITUTIONEN Tillämpad statistisk analys, GN STOCKHOLMS UNIVERSITET VT 2011 Avd. Matematisk statistik GB 2011-03-24 DATORLABORATION 1: TIDSSERIER. I Tarfala har man under en lång följd av
Läs merTentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 8p av totalt 20p Tid: 13:e januari klockan
MAI/Linköpings universitet Fredrik Berntsson Tentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 8p av totalt 20p Tid: 13:e januari klockan 8.00-12.00 Redovisning Lös först uppgifterna i Matlab.
Läs merTANA17 Matematiska beräkningar med MATLAB för M, DPU. Fredrik Berntsson, Linköpings Universitet. 26 november 2015 Sida 1 / 28
TANA17 Matematiska beräkningar med MATLAB för M, DPU Fredrik Berntsson, Linköpings Universitet 26 november 2015 Sida 1 / 28 Föreläsning 6 Minsta kvadrat problem. Polynom. Interpolation. Rötter. Tillämpningar:
Läs merTentamen LMA 200 Matematisk statistik, data/elektro
Tentamen LMA 00 Matematisk statistik, data/elektro 039 Tentamen består av åtta uppgiter motsvarande totalt 50 poäng. Det krävs minst 0 poäng ör betyg 3, minst 30 poäng ör 4 och minst 40 ör 5. Examinator:
Läs merTANA81: Simuleringar med Matlab
TANA81: Simuleringar med Matlab - Textsträngar och Texthantering. - Utskrifter till fil eller skärm. - Exempel: Slumptal och Simulering. - Exempel: Rörelseekvationerna. - Vanliga matematiska problem. Typeset
Läs merFMNF15 HT18: Beräkningsprogrammering Numerisk Analys, Matematikcentrum
Johan Helsing, 11 oktober 2018 FMNF15 HT18: Beräkningsprogrammering Numerisk Analys, Matematikcentrum Inlämningsuppgift 3 Sista dag för inlämning: onsdag den 5 december. Syfte: att träna på att hitta lösningar
Läs merSF1920/SF1921 Sannolikhetsteori och statistik, VT 2018 Laboration 1 för CELTE2/CMATD3
Matematisk Statistik SF1920/SF1921 Sannolikhetsteori och statistik, VT 2018 Laboration 1 för CELTE2/CMATD3 1 Introduktion Denna demonstration är inte poänggivande, men utgör en förberedelse för den andra
Läs merLABORATIONSHÄFTE NUMERISKA METODER GRUNDKURS 1, 2D1210 LÄSÅRET 03/04. Laboration 3 3. Torsionssvängningar i en drivaxel
Lennart Edsberg Nada, KTH December 2003 LABORATIONSHÄFTE NUMERISKA METODER GRUNDKURS 1, 2D1210 M2 LÄSÅRET 03/04 Laboration 3 3. Torsionssvängningar i en drivaxel 1 Laboration 3. Differentialekvationer
Läs merSyftet med den här laborationen är att du skall bli mer förtrogen med det i praktiken kanske viktigaste området inom kursen nämligen
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 6 MATEMATISK STATISTIK, AK FÖR I, FMS 120, HT-00 Laboration 6: Regression Syftet med den här laborationen är att du skall bli
Läs merMATLAB the Matrix Laboratory. Introduktion till MATLAB. Martin Nilsson. Enkel användning: Variabler i MATLAB. utvecklat av MathWorks, Inc.
Introduktion till MATLAB Martin Nilsson Avdelningen för teknisk databehandling Institutionen för informationsteknologi Uppsala universitet MATLAB the Matrix Laboratory utvecklat av MathWorks, Inc. Matematisk
Läs merTENTAMEN I SF1904 MARKOVPROCESSER FREDAGEN DEN 18 AUGUSTI 2017 KL
Avd. Matematisk statistik TENTAMEN I SF904 MARKOVPROCESSER FREDAGEN DEN 8 AUGUSTI 207 KL 08.00 3.00. Examinator: Boualem Djehiche tel. 790 78 75 Kursansvarig: Björn-Olof Skytt tel. 790 86 49 Tillåtna hjälpmedel:
Läs merTMS136. 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 merTentamen TAIU07 Matematiska beräkningar med MATLAB för MI
TEKNISKA HÖGSKOLAN I LINKÖPING Matematiska institutionen Beräkningsmatematik/Fredrik Berntsson Tentamen TAIU07 Matematiska beräkningar med MATLAB för MI Tid: 8-12, 11 Juni, 2015 Provkod: TEN1 Hjälpmedel:
Läs merTANA17 Matematiska beräkningar med MATLAB för M, DPU. Fredrik Berntsson, Linköpings Universitet. 9 november 2015 Sida 1 / 28
TANA17 Matematiska beräkningar med MATLAB för M, DPU Fredrik Berntsson, Linköpings Universitet 9 november 2015 Sida 1 / 28 Föreläsning 3 Linjära ekvationssystem. Invers. Rotationsmatriser. Tillämpning:
Läs merKPP053, HT2016 MATLAB, Föreläsning 2. Vektorer Matriser Plotta i 2D Teckensträngar
KPP053, HT2016 MATLAB, Föreläsning 2 Vektorer Matriser Plotta i 2D Teckensträngar Vektorer För att skapa vektorn x = [ 0 1 1 2 3 5]: >> x = [0 1 1 2 3 5] x = 0 1 1 2 3 5 För att ändra (eller lägga till)
Läs merTANA17 Matematiska beräkningar med Matlab
TANA17 Matematiska beräkningar med Matlab Laboration 3. Funktioner Namn: Personnummer: Epost: Namn: Personnummer: Epost: Godkänd den: Sign: Retur: 1 Introduktion I denna laboration skall vi träna på att
Läs merTENTAMEN I SF1904 MARKOVPROCESSER TISDAGEN DEN 29 MAJ 2018 KL
Avd. Matematisk statistik TENTAMEN I SF904 MARKOVPROCESSER TISDAGEN DEN 29 MAJ 208 KL 4.00 9.00. Examinator: Björn-Olof Skytt tel. 790 86 49 Kursansvarig: Björn-Olof Skytt tel. 790 86 49 Tillåtna hjälpmedel:
Läs merMatematisk analys för ingenjörer Matlabövning 3 Numerisk lösning av differentialekvationer
2 mars 2017 Matematisk analys för ingenjörer Matlabövning 3 Numerisk lösning av differentialekvationer Syftet med denna matlab-övning är att studera differentialekvationer och introducera hur man använder
Läs merAvd. Matematisk statistik
ANVISNINGAR TILL INLÄMNINGSUPPGIFTER I MATEMATISK STATISTIK, HT 007 På inlämningsuppgiften ska alltid namn och elevnummer finnas med. Ett automatiskt web-baserat kontrollsystem för numeriska svar kommer
Läs merUppgift 2 Betrakta vädret under en följd av dagar som en Markovkedja med de enda möjliga tillstånden. 0 = solig dag och 1 = regnig dag
Avd. Matematisk statistik TENTAMEN I SF904 MARKOVPROCESSER MÅNDAGEN DEN 26 AUGUSTI 203 KL 08.00 3.00. Examinator: Gunnar Englund tel. 073 32 37 45 Tillåtna hjälpmedel: Formel- och tabellsamling i Matematisk
Läs merTentamen i matematisk statistik, TAMS15/TEN (4h)
LINKÖPINGS UNIVERSITET Kurskod: TAMS1 Matematiska institutionen Provkod: TEN1 Johan Thim Datum: 2018-12-42 Institution: MAI Tentamen i matematisk statistik, TAMS1/TEN1 2018-12-42 (4h Hjälpmedel är: miniräknare
Läs merMatematisk statistik för D, I, Π och Fysiker
Matematisk statistik för D, I, Π och Fysiker Föreläsning 9 Johan Lindström 16 oktober 2018 Johan Lindström - johanl@maths.lth.se FMSF45/MASB03 F9 1/26 Johan Lindström - johanl@maths.lth.se FMSF45/MASB03
Läs merMatlabövning 1 Funktioner och grafer i Matlab
Matlabövning 1 Funktioner och grafer i Matlab I den här övningen ska vi titta på hur man konstruerar funktioner i Matlab och hur man kan rita funktionsgrafer. Läs först igenom PM:et. Gå sedan igenom exemplen
Läs merP(X nk 1 = j k 1,..., X n0 = j 0 ) = j 1, X n0 = j 0 ) P(X n0 = j 0 ) = etc... P(X n0 = j 0 ) ... P(X n 1
Kaitel 1 Mer Markovkedjor Med att secificera en Markovkedja menar vi att man bestämmer övergångsmatrisen P. Detta säger ju allt om dynamiken för rocessen. Om vi dessutom vet hur kedjan startar, dvs startfördelningen
Läs mer2 Laborationsuppgifter, upptagetsystem
Laboration 2 i Kösystem Denna laboration behandlar upptagetsystem och könät. När man kommer till en uppgift som är markerad med en stjärna (*) är det tänkt att man ska visa sina resultat för handledaren
Läs merMatematisk statistik allmän kurs, MASA01:B, HT-14 Laborationer
Lunds universitet Matematikcentrum Matematisk statistik Matematisk statistik allmän kurs, MASA01:B, HT-14 Laborationer Information om laborationerna I andra halvan av MASA01 kursen ingår två laborationer.
Läs merProjekt 1: Om fördelningar och risker
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK MATEMATISK STATISTIK, AK FÖR L, FMS 033, HT-02 Projekt 1: Om fördelningar och risker 1 Syfte I den första delen av detta projekt skall vi försöka
Läs mer