Stokastiska processer

Storlek: px
Starta visningen från sidan:

Download "Stokastiska processer"

Transkript

1 Stokastiska processer Fredrik Olsson, Avdelningen för produktionsekonomi Lunds tekniska högskola, Lunds universitet Dessa förläsningsanteckningar kommer att behandla diskreta Markovprocesser. Med diskret menar vi att tillståndsrummet är diskret (typiskt så finns tillstånden 0,,2,...). Märk väl att detta är föreläsningsanteckningar, dvs, för fullständig information krävs att läsaren konsulterar en bok i ämnet. Diskreta Markovkedjor I detta kapitel antar vi att tiden är diskret, därav namnet Markovkedja. Följande definition anger exakt vad som menas med en Markovkedja. Definition Låt {X n } n=0 vara tidsdiskret stokastisk process som antar ickenegativa heltalsvärden. Denna kallas diskret Markovkedja om för varje n 0 och i 0,i,...,i n+ gäller att P(X n+ = i n+ X n = i n,x n = i n,...,x 0 = i 0 ) = P(X n+ = i n+ X n = i n ). Med andra ord, historien innan tidpunkt n tillför ingen extra information om den stokastiska processen {X n } n=0 är en Markovkedja. Sannolikheten i Definition beror i allmänhet på i n och i n+, men kan även bero på n. Låt oss i fortsättningen anta att {X n } n=0 är en Markovprocess om inget annat sägs. Definition 2 Om sannolikheterna P(X n+ = j X n = i) ej beror på n så sägs kedjan vara tidshomogen. I fallet med tidshomogen kedja så definireras de s.k. övergångssannolikheterna som p = P(X = j X 0 = i), samt motsvarande övergångsmatris P = (p ). Exempel. Ett försäkringsbolag som säljer bilförsäkringar har fyra bonusklasser, 0,, 2, och 3, där 0 har den högsta premien och 3 den lägsta. En ny kund placeras i klass 0. Varje skadefritt år gör att han/hon klättrar upp en bonusklass, såvida han/hon inte redan finns i högsta klassen. Å andra sidan, om kunden utnyttjar försäkringen så flyttas han/hon ned två klasser, dock aldrig lägre än till klass 0. Betrakta kunden Pelle. Varje år får Pelle skador på sin bil med sannolikhet, och följaktligen inga skador med sannolikheten. Utfallen för olika år är oberoende av varandra. Låt X n vara den bonusklass som Pelle finns i under år n, där tiden räknas så att år n = 0 svarar mot det år då Pelle försäkrade bilen för första gången. Då gäller att X n antar värdena 0,, 2 eller 3. Vi vet dessutom att X 0 = 0.

2 Vi inser ganska omedelbart att {X n } n=0 i detta exempel är en Markovkedja. Eftersom utfallet av vilken bonusklass Pelle hamnar i år n+ endast beror av vilken bonusklass Pelle befinner sig i år n (samt på hur Pelle kör år n), så är {X n } n=0 en Markovkedja. Markovkedjan beskrivs enklast med hjälp utav en graf, se Figur (Samma tankesätt som vid konstruktion av kömodeller som du stött på i tidigare kurser. Observa att siffrorna i grafen anger sannolikheter). Enligt Figur blir Figur : Modell för Pelles bonusklasser. övergångsmatrisen P = p 00 p 0 p 02 p 03 p 0 p p 2 p 3 p 20 p 2 p 22 p 23 p 30 p 3 p 32 p 33 = Tidsutveckling Vi är inte bara intresserade av enstegssannolikheter som p, utan också av s.k. flerstegssannolikheter. Definition 3 Sannolikheterna p (m) = P(X n+m = j X n = i) kallas övergångssannolikheter av ordning m. Motsvarande övergångsmatris är P (m) (dvs, P (m) innehåller elementen p (m) ). Vi forsätter genom att beskriva hur dessa flerstegssannolikheter kan beräknas. Sats (Chapman-Kolmogorov) Låt P vara övergångsmatris för (en tidshomogen) Markovkedja. För varje m > gäller att p (m) = k p (m ) ik p kj. I matrisform: P (m) = P (m ) P. Tag som övning att visa att, P (m) = P m. Vi bevisar nu satsen. Bevis: Enligt statsen om total sannolikhet(gå tillbaka till kursbok i sannolikhetslära om du inte minns) fås p (m) = P(X m = j X 0 = i) = k P(X m = j X m = k,x 0 = i)p(x m = k X 0 = i). 2

3 Markovegenskapen ger, P(X m = j X m = k,x 0 = i) = P(X m = j X m = k) = p kj. Detta leder till, p (m) = k p(m ) ik p kj, och därmed är vi klara. Exempel. (forts) Pelle startar år n = 0 i bonusklass noll. Vad är sannolikheten att han tre år senare finns i bonusklass 2? Med andra ord, vi är intresserade av sannolikheten, p (3) 02. Denna sannolikhet fås genom att beräkna P(3) = P 3, Här ses direkt att p (3) 02 = 4/27. P 3 = 27.2 Absoluta sannolikheter Vi är nu intresserade av att beräkna sannolikheten att Markovkedjan befinner sig i ett visst tillstånd vid en given tidpunkt. Vi ger följande definition. Definition 4 p i (n) = P(X n = i) kallas absoluta sannolikheten att Markovkedjan är i tillstånd i vid tiden n. Följande sats ger svar på hur man beräknar p i (n). Sats 2. p i (n) = k p k (n )p ki I matrisform: p(n) = p(n )P (notera att p(n) är en vektor av sannolikheter). Bevis: Beviset är mycket enkelt. Vi använder återigen satsen om total sannolikhet. p i (n) = P(X n = i) = k P(X n = i X n = k) P(X } {{ } n = k), } {{ } =p ki =p k (n ) och därmed är vi klara..3 Stationaritet Definition 5 Markovkedjan {X n } n=0 är stationär om P(X n = i) är oberoende av n för alla i. Vidare sägs π = {π i } vara den stationära fördelningen om P(X 0 = i) = π i P(X = i) = π i för alla i. Exempel 2. Låt {X n } n=0 övergångsmatris vara en Markovkedja med tillståndsrum {0,}, med ( ) P = β β med initialvektor p(0) = (,0). Vi har följande graf, se Figur 2. Med t ex = 0.3 3

4 0 β β Figur 2: Två tillstånd. och β = 0.5 fås P = ( ). Enligt Sats 2 gäller att p(n) = p(n )P = p(n) = p(0)p n. Vi får, ( ) p() = ( 0) = ( ) ( ) p(2) = ( ) = ( ) p(3) =... = ( ) p(4) =... = ( ) p(5) =... = ( ) p(6) =... = ( ) p(7) =... = ( ). Här ses att stationaritet nås efter sex steg. Vi kan från detta enkla exempel dra viktiga slutsatser,. π = (π 0,π ) = (0.625,0.375) 2. p(6) = p(7), dvs, p(n) = p(n+) = π för n 6. Detta betyder att ekvationen, p(n) = p(n )P, reduceras till π = πp. En sammanfattning av den viktiga insikten från punkt 2 ges i följande sats. Sats 3 Varje stationär fördelning π uppfyller med bivillkor i π i =, π i 0. π = πp Exempel 2. (forts) För att beräkna de statinära tillståndssannolikheterna löser vi, 0.7π π = π 0 0.3π π = π 4

5 0.3π π = 0 0.3π 0 0.5π = 0 Observera att matrisen P I är singulär, dvs ekvationerna ovan är lineärt beroende (här är I identitetsmatrisen). Byt ut en av ekvationerna mot π 0 +π =. Detta ger lösningen, π = (π 0,π ) = (0.625,0.375), vilket ju var vad vi förväntade oss! Exempel. (forts) I detta fall har π = πp följande utseende: π 0 /3+π /3+π 2 /3 = π 0 2π 0 /3+π 3 /3 = π 2π /3 = π 2 2π 2 /3+2π 3 /3 = π 3 Med bivillkoren i π i =, π i 0, fås lösningen, π = 23 (5,6,4,8)..4 Återbesökstid En intressant fråga är: Givet att vi startar i tillstånd i, kommer vi säkert att komma tillbaka till tillstånd i igen? Om inte, så är tillståndet transient. Låt f (n) vara sannolikheten att, givet att kedjan startar i tillstånd i, så görs första besöket i tillstånd j efter n tidssteg. Exempel 2. (forts) I detta fall blir t ex, f 00 () = och f 00 (n) = ( β) n 2 β, n 2. Vi definierar ännu ett begrepp som används flitigt i litteraturen. Definition 6 Om P(X n = i för något n > 0 X 0 = i) = så sägs tillstånd i vara beständigt (annars transient). Notera att sannolikheten i Definition 6 kan skrivas som P(X n = i för något n > 0 X 0 = i) = f ii (n) Exempel 2. (forts) Är tillstånd 0 beständigt? Vi får, f ii (n) = + ( β) n 2 β = +β ( β) =. n=2 Detta betyder alltså att tillstånd 0 är beständigt (Detta resultat är sant givet att β <. Tänk efter vad som hade hänt om β ). Låt nu i vara ett beständigt tillstånd. Då säger vi att T = argmax n {X n = i} är tiden tills första återkomst till tillstånd i. 5

6 Exempel 2. (forts)e(t X 0 = 0) = nf ii(n) = + n=2 n( β)n 2 β =... = +/β. Exempel 3. Betrakta grafen i Figur 3. Här är i, i = 0,,2,... en godtyck Figur 3: Tillståndsgraf. lig sannolikhetsfunktion sådan att i=0 =, i 0. Antag att X 0 = 0. Vi får, f 00 (n) = p 0,n = n, vilket ger f 00 (n) = Tillstånd 0 är alltså beständigt. Vidare blir E(T X 0 = 0) = nf 00 (n) = n =. n n = (n+) n = ᾱ+, där ᾱ är det förväntade värdet av { k }. Läsaren uppmanas att själv läsa avsnittet om absorberande tillstånd i utdelat material. 6

P(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

P(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 mer

Grafer och grannmatriser

Grafer och grannmatriser Föreläsning 2, Linjär algebra IT VT2008 Som avslutning på kursen ska vi knyta samman linjär algebra med grafteori och sannolikhetsteori från första kursen. Resultatet blir så kallade slumpvandringar på

Läs mer

Föreläsning 9, FMSF45 Markovkedjor

Föreläsning 9, FMSF45 Markovkedjor Föreläsning 9, FMSF45 Markovkedjor Stas Volkov 2017-10-10 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F9: Markovkedjor 1/1 Stokastisk process (rep) En stokastisk process {X(t), t T} är en följd av stokastiska

Läs mer

Stokastiska processer och simulering I 24 augusti

Stokastiska 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 mer

Tiden i ett tillstånd

Tiden 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 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

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

Uppgift 2 Betrakta vädret under en följd av dagar som en Markovkedja med de enda möjliga tillstånden. 0 = solig dag och 1 = regnig dag

Uppgift 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 mer

Bayesianska numeriska metoder II

Bayesianska numeriska metoder II Bayesianska numeriska metoder II T. Olofsson Gibb's sampling Vi har sett att en viktig teknik vid Bayesiansk inferens är s.k marginalisering vilket, för kontinuerliga variabler, innebär att vi integrerar

Läs mer

Tentamen i Linjär algebra , 8 13.

Tentamen i Linjär algebra , 8 13. LINKÖPINGS UNIVERSITET Matematiska Institutionen Ulf Janfalk Kurskod: ETE5 Provkod: TEN Tentamen i Linjär algebra 5 8, 8. Inga hjälpmedel. Ej räknedosa. Resultatet meddelas vi e-post. För godkänt räcker

Läs mer

Matematisk statistik KTH. Formel- och tabellsamling i Matematisk statistik, grundkurs

Matematisk statistik KTH. Formel- och tabellsamling i Matematisk statistik, grundkurs Matematisk statistik KTH Formel- och tabellsamling i Matematisk statistik, grundkurs Varterminen 2005 . Kombinatorik ( ) n = k n! k!(n k)!. Tolkning: ( n k mängd med n element. 2. Stokastiska variabler

Läs mer

Fö relä sning 1, Kö system 2015

Fö relä sning 1, Kö system 2015 Fö relä sning 1, Kö system 2015 Här följer en kort sammanfattning av det viktigaste i Föreläsning 1. Kolla kursens hemsida minst en gång per vecka. Övningar kommer att läggas ut där, skriv ut dem och ha

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

1 Konvexa optimeringsproblem grundläggande egenskaper

1 Konvexa optimeringsproblem grundläggande egenskaper Krister Svanberg, april 2012 1 Konvexa optimeringsproblem grundläggande egenskaper Ett optimeringsproblem är i viss mening godartat om det tillåtna området är en konvex mängd och den målfunktion som ska

Läs mer

TENTAMEN I SF1906 (f d 5B1506) MATEMATISK STATISTIK GRUNDKURS,

TENTAMEN I SF1906 (f d 5B1506) MATEMATISK STATISTIK GRUNDKURS, Avd. Matematisk statistik TENTAMEN I SF1906 (f d 5B1506) MATEMATISK STATISTIK GRUNDKURS, TORSDAGEN DEN 7 JUNI 2012 KL 14.00 19.00 Examinator:Gunnar Englund, 073 3213745 Tillåtna hjälpmedel: Formel- och

Läs mer

Lösningar till linjära problem med MATLAB

Lösningar till linjära problem med MATLAB 5B1146 - Geometri och algebra Mikrolelektronik, TH ista ösningar till linjära problem med MATAB Av: oel Nilsson, alikzus@home.se atrik osonen, pkosonen@kth.se 26-12-4 roblem 1 Man ska bestämma ett tredjegradspolynom:

Läs mer

1-1 Hur lyder den tidsberoende Schrödingerekvationen för en partikel som rör sig längs x-axeln? Definiera ingående storheter!

1-1 Hur lyder den tidsberoende Schrödingerekvationen för en partikel som rör sig längs x-axeln? Definiera ingående storheter! KVANTMEKANIKFRÅGOR, GRIFFITHS Tanken med dessa frågor är att de ska belysa de centrala delarna av kursen och tjäna som kunskapskontroll och repetition. Kapitelreferenserna är till Griffiths. 1 Kapitel

Läs mer

F6 STOKASTISKA VARIABLER (NCT ) Används som modell i situation av följande slag: Slh för A är densamma varje gång, P(A) = P.

F6 STOKASTISKA VARIABLER (NCT ) Används som modell i situation av följande slag: Slh för A är densamma varje gång, P(A) = P. Stat. teori gk, ht 2006, JW F6 STOKASTISKA VARIABLER (NCT 5.4-5.6) Binomialfördelningen Används som modell i situation av följande slag: Ett slumpförsök upprepas n gånger (oberoende upprepningar). Varje

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 25..26 Jan Grandell & Timo Koski Matematisk statistik 25..26 / 44 Stokastiska

Läs mer

3 Diskreta Markovkedjor, grundläggande egenskaper Grundläggande begrepp Fördelningen för X n Absorption...

3 Diskreta Markovkedjor, grundläggande egenskaper Grundläggande begrepp Fördelningen för X n Absorption... Förord Detta kompendium behandlar grunderna för diskreta Markovprocesser i diskret och kontinuerlig tid. Ambitionen har varit att, åtminstone då tillståndsrummet är ändligt, ge en så matematisk fullständig

Läs mer

Introduktion till Markovkedjor. Mattias Arvidsson

Introduktion till Markovkedjor. Mattias Arvidsson Introduktion till Markovkedjor Mattias Arvidsson Örebro universitet Institutionen för naturvetenskap och teknik Matematik C, 76 90 högskolepoäng Introduktion till Markovkedjor Mattias Arvidsson December

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

Föreläsning 11. Slumpvandring och Brownsk Rörelse. Patrik Zetterberg. 11 januari 2013

Föreläsning 11. Slumpvandring och Brownsk Rörelse. Patrik Zetterberg. 11 januari 2013 Föreläsning 11 Slumpvandring och Brownsk Rörelse Patrik Zetterberg 11 januari 2013 1 / 1 Stokastiska Processer Vi har tidigare sett exempel på olika stokastiska processer: ARIMA - Kontinuerlig process

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 Linjära avbildningar II Innehåll Repetition:

Läs mer

MATEMATIK Datum: 2015-08-19 Tid: eftermiddag Hjälpmedel: inga. Mobiltelefoner är förbjudna. A.Heintz Telefonvakt: Tim Cardilin Tel.

MATEMATIK Datum: 2015-08-19 Tid: eftermiddag Hjälpmedel: inga. Mobiltelefoner är förbjudna. A.Heintz Telefonvakt: Tim Cardilin Tel. MATEMATIK Datum: 0-08-9 Tid: eftermiddag Chalmers Hjälmedel: inga. Mobiltelefoner är förbjudna. A.Heintz Telefonvakt: Tim Cardilin Tel.: 0703-088304 Lösningar till tenta i TMV036 Analys och linjär algebra

Läs mer

Isometrier och ortogonala matriser

Isometrier och ortogonala matriser Isometrier och ortogonala matriser (Delvis resultat som kunde kommit tidigare i kursen) För att slippa parenteser, betecknas linära avbildningar med A och bilden av x under en lin avbildn med Ax i stället

Läs mer

1 LP-problem på standardform och Simplexmetoden

1 LP-problem på standardform och Simplexmetoden Krister Svanberg, mars 202 LP-problem på standardform och Simplexmetoden I detta avsnitt utgår vi från LP-formuleringen (2.2) från föreläsning. Denna form är den bäst lämpade för en strömlinjeformad implementering

Läs mer

Syftet med den här laborationen är att du skall bli mer förtrogen med följande viktiga områden inom matematisk statistik

Syftet 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 mer

Introduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 2014-2015. Lektion 4

Introduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 2014-2015. Lektion 4 Introduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 014-015 Denna lektion ska vi studera rekursion. Lektion 4 Principen om induktion Principen om induktion är ett vanligt sätt att bevisa

Läs mer

Om plana och planära grafer

Om plana och planära grafer KTH Matematik Bengt Ek April 2006 Material till kursen 5B1118 Diskret matematik för CL3: Om plana och planära grafer I många sammanhang (t.ex. vid konstruktion av elektriska kretsar) är det intressant

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

modell Finansiell statistik, vt-05 Modeller F5 Diskreta variabler beskriva/analysera data Kursens mål verktyg strukturera omvärlden formellt

modell Finansiell statistik, vt-05 Modeller F5 Diskreta variabler beskriva/analysera data Kursens mål verktyg strukturera omvärlden formellt Johan Koskinen, Statistiska institutionen, Stockholms universitet Finansiell statistik, vt-5 F5 Diskreta variabler Kursens mål beskriva/analysera data formellt verktyg strukturera omvärlden innehåll osäkerhet

Läs mer

Armin Halilovic: EXTRA ÖVNINGAR

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

Läs mer

Konvergens och Kontinuitet

Konvergens och Kontinuitet Kapitel 7 Konvergens och Kontinuitet Gränsvärdesbegreppet är väldigt centralt inom matematik. Som du förhoppningsvis kommer ihåg från matematisk analys så definieras tex derivatan av en funktion f : R

Läs mer

Den räta linjens ekvation

Den räta linjens ekvation Den räta linjens ekvation Här följer en dialog mellan studenten Tor-Björn (hädanefter kallad TB) och hans lärare i matematik Karl-Ture Hansson (nedan kallad KTH). När vi möter dem för första gången är

Läs mer

Satsen om total sannolikhet och Bayes sats

Satsen om total sannolikhet och Bayes sats Satsen om total sannolikhet och Bayes sats Satsen om total sannolikhet Ibland är det svårt att direkt räkna ut en sannolikhet pga att händelsen är komplicerad/komplex. Då kan man ofta använda satsen om

Läs mer

Bisektionsalgoritmen. Kapitel Kvadratroten ur 2

Bisektionsalgoritmen. Kapitel Kvadratroten ur 2 Kapitel 4 Bisektionsalgoritmen Vi ska konstruera lösningar till algebraiska ekvationer av formen f(x) = 0 med hjälp av bisektionsalgoritmen (intervallhalveringsmetoden). På samma gång ska vi se hur man

Läs mer

DERIVATA. = lim. x n 2 h h n. 2

DERIVATA. = lim. x n 2 h h n. 2 DERIVATA Läs avsnitten 6.-6.5. Lös övningarna 6.cd, 6.2, 6.3bdf, 6.4abc, 6.5bcd, 6.6bcd, 6.7, 6.9 oc 6.. Läsanvisningar Allmänt gäller som vanligt att bevisen inte ingår i kursen, men det är mycket nyttigt

Läs mer

Övningstentamen i matematisk statistik

Övningstentamen i matematisk statistik Övningstentamen i matematisk statistik Uppgift : Från ett register över manliga patienter med diabetes fick man följande statistik i procent: Lindrigt fall Allvarligt fall Patientens Någon förälder med

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

Läsanvisningar till kapitel 4 i Naturlig matematik

Läsanvisningar till kapitel 4 i Naturlig matematik Läsanvisningar till kapitel 4 i Naturlig matematik Avsnitt 4.1 I kapitel 4 kommer du att möta de elementära funktionerna. Dessa är helt enkelt de vanligaste funktionerna som vi normalt arbetar med. Här

Läs mer

Funktioner. Räta linjen

Funktioner. Räta linjen Sidor i boken 14-143, 145-147 Funktioner. Räta linjen Här följer en dialog mellan studenten Tor-Björn (hädanefter kallad TB) och hans lärare i matematik Karl-Ture Hansson (nedan kallad KTH). När vi möter

Läs mer

Egenvärden och egenvektorer

Egenvärden och egenvektorer Föreläsning 10, Linjär algebra IT VT2008 1 Egenvärden och egenvektorer Denition 1 Antag att A är en n n-matris. En n-vektor v 0 som är sådan att A verkar som multiplikation med ett tal λ på v, d v s Av

Läs mer

4.1 Grundläggande sannolikhetslära

4.1 Grundläggande sannolikhetslära 4.1 Grundläggande sannolikhetslära När osäkerhet förekommer kan man aldrig uttala sig tvärsäkert. Istället använder vi sannolikheter, väntevärden, standardavvikelser osv. Sannolikhet är ett tal mellan

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 Linjära avbildningar I Innehåll En liten tillbakablick:

Läs mer

Mer om reella tal och kontinuitet

Mer om reella tal och kontinuitet Kapitel R Mer om reella tal och kontinuitet I detta kapitel formulerar vi ett av de reella talens grundläggande axiom, axiomet om övre gräns, och studerar några konsekvenser av detta. Med dess hjälp kommer

Läs mer

1 Duala problem vid linjär optimering

1 Duala problem vid linjär optimering Krister Svanberg, april 2012 1 Duala problem vid linjär optimering Detta kapitel handlar om två centrala teoretiska resultat för LP, nämligen dualitetssatsen och komplementaritetssatsen. Först måste vi

Läs mer

Linjärprogramming. EG2205 Föreläsning 7, vårterminen 2015 Mikael Amelin

Linjärprogramming. EG2205 Föreläsning 7, vårterminen 2015 Mikael Amelin Linjärprogramming EG2205 Föreläsning 7, vårterminen 2015 Mikael Amelin 1 Kursmål Formulera korttidsplaneringsproblem för vatten- och värmekraftsystem. 2 Tillämpad matematisk programming Korttidsplanering

Läs mer

17. Övningar ÖVNINGAR Låt F och G vara avbildningar på rummet, som i basen e = {e 1,e 2,e 3 } ges av. x 1 x 2 2x 2 + 3x 3 2x 1 x 3

17. Övningar ÖVNINGAR Låt F och G vara avbildningar på rummet, som i basen e = {e 1,e 2,e 3 } ges av. x 1 x 2 2x 2 + 3x 3 2x 1 x 3 192 17 ÖVNINGAR 17. Övningar 17.1. Låt F och G vara avbildningar på rummet, som i basen e = {e 1,e 2,e 3 } ges av F(eX) = ey = e x 1 x 2 2x 2 + 3x 3 2x 1 x 3, G(eX) = e x 1 x 2 x 2 2 x 2 + x 3 Undersök

Läs mer

R AKNE OVNING VECKA 1 David Heintz, 31 oktober 2002

R AKNE OVNING VECKA 1 David Heintz, 31 oktober 2002 RÄKNEÖVNING VECKA David Heintz, 3 oktober 22 Innehåll Uppgift 27. 2 Uppgift 27.8 4 3 Uppgift 27.9 6 4 Uppgift 27. 9 5 Uppgift 28. 5 6 Uppgift 28.2 8 7 Uppgift 28.4 2 Uppgift 27. Determine primitive functions

Läs mer

Datorlaboration :: 1 Problembeskrivning ::

Datorlaboration :: 1 Problembeskrivning :: Datorlaboration :: Ett hyrbilsföretags problem Laborationen går ut på att lösa Labbuppgift 1 till 5. Laborationen redovisas individuellt genom att skicka laborationens Mathematicafil till Mikael Forsberg

Läs mer

MATEMATIK GU. LLMA60 MATEMATIK FÖR LÄRARE, GYMNASIET Analys, ht 2014. Block 5, översikt

MATEMATIK GU. LLMA60 MATEMATIK FÖR LÄRARE, GYMNASIET Analys, ht 2014. Block 5, översikt MATEMATIK GU H4 LLMA6 MATEMATIK FÖR LÄRARE, GYMNASIET Analys, ht 24 I block 5 ingår följande avsnitt i Stewart: Kapitel 2, utom avsnitt 2.4 och 2.6; kapitel 4. Block 5, översikt Första delen av block 5

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 27 augusti 2013 Innehåll Linjära ekvationssystem

Läs mer

Institutionen för matematik, KTH Mats Boij. Lösningsförslag till Tentamen i 5B1118 Diskret matematik 5p 20 december, 2000

Institutionen för matematik, KTH Mats Boij. Lösningsförslag till Tentamen i 5B1118 Diskret matematik 5p 20 december, 2000 Institutionen för matematik, KTH Mats Boij Lösningsförslag till Tentamen i 5B1118 Diskret matematik 5p 20 december, 2000 1) Beräkna x 4 + 2x 3 + 3 för alla värden på x i Z 5. Lösning: Det nns bara fem

Läs mer

BIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 3, OCH INFÖR ÖVNING 4

BIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 3, OCH INFÖR ÖVNING 4 LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 3, 216-4-6 OCH INFÖR ÖVNING 4 Övningens mål: Du ska förstå begreppet slumpvariabel och skilja

Läs mer

Formell logik Kapitel 1 och 2. Robin Stenwall Lunds universitet

Formell logik Kapitel 1 och 2. Robin Stenwall Lunds universitet Formell logik Kapitel 1 och 2 Robin Stenwall Lunds universitet Kapitel 1: Atomära satser Drömmen om ett perfekt språk fritt från vardagsspråkets mångtydighet och vaghet (jmf Leibniz, Russell, Wittgenstein,

Läs mer

1 Syfte. 2 Moment hos och faltning av fördelningar MATEMATISK STATISTIK, AK FÖR L, FMS 033, HT-04. 2.2 Angående grafisk presentation

1 Syfte. 2 Moment hos och faltning av fördelningar MATEMATISK STATISTIK, AK FÖR L, FMS 033, HT-04. 2.2 Angående grafisk presentation LUNDS TEKNISKA HÖSKOLA ATEATIKCENTRU ATEATISK STATISTIK ATEATISK STATISTIK, AK FÖR L, FS 33, HT-4!"$&' (*) 1 Syfte I den första delen av detta projekt skall vi försöka hitta begripliga tolkningar av begreppen

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

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

Laboration 5: Regressionsanalys. 1 Förberedelseuppgifter. 2 Enkel linjär regression DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08

Laboration 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 mer

Kontinuerliga funktioner. Ytterligare en ekvivalent formulering av supremumaxiomet

Kontinuerliga funktioner. Ytterligare en ekvivalent formulering av supremumaxiomet Kontinuerliga funktioner. Ytterligare en ekvivalent formulering av supremumaxiomet är följande: SATS. (Intervallinkapslingssatsen) Låt I k = [a k, b k ], k = 1, 2,... vara en avtagande följd av slutna

Läs mer

VEKTORRUMMET R n. 1. Introduktion

VEKTORRUMMET R n. 1. Introduktion VEKTORRUMMET R n RYSZARD RUBINSZTEIN 28--8. Introdktion Låt n vara ett heltal. Med R n kommer vi att beteckna mängden vars element är alla n-tipplar av reella tal (a, a 2,..., a n ), R n = { (a, a 2,...,

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

Mälardalens högskola Akademin för utbildning, kultur och kommunikation

Mälardalens högskola Akademin för utbildning, kultur och kommunikation Mälardalens högskola Akademin för utbildning, kultur och kommunikation MAA24 Grundläggande kalkyl ÖVN2 Lösningsförslag 202.08.09 08.30 0.30 Hjälpmedel: Endast skrivmaterial. (Gradskiva är tillåtet.) Poäng:

Läs mer

Uppgift 1. Minimeringsproblemet löses med en Monte Carlo algoritm:

Uppgift 1. Minimeringsproblemet löses med en Monte Carlo algoritm: Uppgift 1 Minimeringsproblemet löses med en Monte Carlo algoritm: 1) initiera elementen i vektorn s slummässigt med +/-1 2) räkna ut värdefunktionen (ekvationen given i uppgiften) 3) starta iteration 4)

Läs mer

12. SINGULÄRA VÄRDEN. (u Av) u v

12. SINGULÄRA VÄRDEN. (u Av) u v . SINGULÄRA VÄRDEN Vårt huvudresultat sen tidigare är Sats.. Varje n n matris A kan jordaniseras, dvs det finns en inverterbar matris S sån att S AS J där J är en jordanmatris. Om u och v är två kolonnvektorer

Läs mer

Studietips info r kommande tentamen TEN1 inom kursen TNIU22

Studietips info r kommande tentamen TEN1 inom kursen TNIU22 Studietips info r kommande tentamen TEN1 inom kursen TNIU22 Lämplig ordning på sammanfattande studier inom denna kurs: Inled med att grundligt studera föreläsningsanteckningarna Därefter läs tillhörande

Läs mer

Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla punktskattningar

Laboration 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 mer

Studietips infö r kömmande tentamen TEN1 inöm kursen TNIU22

Studietips infö r kömmande tentamen TEN1 inöm kursen TNIU22 Studietips infö r kömmande tentamen TEN1 inöm kursen TNIU22 Lämplig ordning på sammanfattande studier inom denna kurs: Inled med att grundligt studera föreläsningsanteckningarna Därefter läs tillhörande

Läs mer

I kursen i endimensionell analys är mängden av reella tal (eng. real number), R, fundamental.

I kursen i endimensionell analys är mängden av reella tal (eng. real number), R, fundamental. Lunds tekniska högskola Datavetenskap Lennart ndersson Föreläsningsanteckningar EDF10 4 Mängder 4.1 Motivering Mängden är den mest grundläggande diskreta strukturen. Nästan alla matematiska begrepp går

Läs mer

Kapitel 1. betecknas detta antal med n(a). element i B; bet. A B. Den tomma mängden är enligt överenskommelsen en delmängd. lika; bet. A = B.

Kapitel 1. betecknas detta antal med n(a). element i B; bet. A B. Den tomma mängden är enligt överenskommelsen en delmängd. lika; bet. A = B. Kapitel 1 Mängdlära Begreppet mängd är fundamentalt i vårt tänkande; en mängd är helt allmänt en samling av objekt, vars antal kan vara ändligt eller oändligt. I matematiken kallas dessa objekt mängdens

Läs mer

18 juni 2007, 240 minuter Inga hjälpmedel, förutom skrivmateriel. Betygsgränser: 15p. för Godkänd, 24p. för Väl Godkänd (av maximalt 36p.

18 juni 2007, 240 minuter Inga hjälpmedel, förutom skrivmateriel. Betygsgränser: 15p. för Godkänd, 24p. för Väl Godkänd (av maximalt 36p. HH / Georgi Tchilikov DISKRET MATEMATIK,5p. 8 juni 007, 40 minuter Inga hjälpmedel, förutom skrivmateriel. Betygsgränser: 5p. för Godkänd, 4p. för Väl Godkänd (av maximalt 36p.). Förenkla (så mycket som

Läs mer

Abstrakt algebra för gymnasister

Abstrakt algebra för gymnasister Abstrakt algebra för gymnasister Veronica Crispin Quinonez Sammanfattning. Denna text är föreläsningsanteckningar från föredraget Abstrakt algebra som hölls under Kleindagarna på Institutet Mittag-Leffler

Läs mer

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

Finansiell Statistik (GN, 7,5 hp, HT 2008) Föreläsning 2 Finansiell Statistik (GN, 7,5 hp, HT 008) Föreläsning Diskreta sannolikhetsfördelningar (LLL kap. 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level

Läs mer

Modul 4 Tillämpningar av derivata

Modul 4 Tillämpningar av derivata Institutionen för Matematik SF1625 Envariabelanalys Läsåret 2015/2016 Modul 4 Tillämpningar av derivata Denna modul omfattar kapitel 4 i kursboken Calculus av Adams och Essex och undervisas på tre föreläsningar,

Läs mer

DN1230 Tillämpad linjär algebra Tentamen Onsdagen den 29 maj 2013

DN1230 Tillämpad linjär algebra Tentamen Onsdagen den 29 maj 2013 TILLÄMPAD LINJÄR ALGEBRA, DN123 1 DN123 Tillämpad linjär algebra Tentamen Onsdagen den 29 maj 213 Skrivtid: 8-13 Tillåtna hjälpmedel: inga Examinator: Anna-Karin Tornberg Betygsgränser: Betyg A B C D E

Läs mer

Statistikens grunder HT, dagtid Statistiska institutionen

Statistikens grunder HT, dagtid Statistiska institutionen Statistikens grunder 1 2013 HT, dagtid Statistiska institutionen Orsak och verkan N Kap 2 forts. Annat ord: kausalitet Något av det viktigaste för varje vetenskap. Varför? Orsakssamband ger oss möjlighet

Läs mer

Uppgift 3: Den stokastiska variabeln ξ har frekvensfunktionen 0 10 f(x) =

Uppgift 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 mer

Kapitel 4. Funktioner. 4.1 Definitioner

Kapitel 4. Funktioner. 4.1 Definitioner Kapitel 4 Funktioner I det här kapitlet kommer vi att undersöka funktionsbegreppet. I de första sektionerna genomgås definitionen av begreppet funktion och vissa egenskaper som funktioner har. I slutet

Läs mer

INTRODUKTION TILL MARKOVKEDJOR av Göran Rundqvist, KTH

INTRODUKTION TILL MARKOVKEDJOR av Göran Rundqvist, KTH Läs detta först: INTRODUKTION TILL MARKOVKEDJOR av Göran Rundqvist, KTH Det här kompendiet är avsett som en introduktion till kompendiet av Enger och Grandell. Det är absolut inget fel på det officiella

Läs mer

Linjära ekvationssystem

Linjära ekvationssystem Föreläsning 3 Linjära ekvationssystem Gausselimination Vanlig gausselimination för det linjära ekvationssystemet Ax = b utgår från den utökade matrisen [A b] och applicerar elementära radoperationer på

Läs mer

NUMPROG, 2D1212, vt Föreläsning 1, Numme-delen. Linjära ekvationssystem Interpolation, Minstakvadratmetoden

NUMPROG, 2D1212, vt Föreläsning 1, Numme-delen. Linjära ekvationssystem Interpolation, Minstakvadratmetoden NUMPROG, D, vt 006 Föreläsning, Numme-delen Linjära ekvationssystem Interpolation, Minstakvadratmetoden En av de vanligaste numeriska beräkningar som görs i ingenjörsmässiga tillämpningar är att lösa ett

Läs mer

Grafer. 1 Grafer. Grunder i matematik och logik (2015) 1.1 Oriktade grafer. Marco Kuhlmann

Grafer. 1 Grafer. Grunder i matematik och logik (2015) 1.1 Oriktade grafer. Marco Kuhlmann Marco Kuhlmann 1 En graf är en struktur av prickar förbundna med streck. Ett tidsenligt exempel på en sådan struktur är ett social nätverk, där prickarna motsvarar personer och en streck mellan två prickar

Läs mer

Tentamen LMA 200 Matematisk statistik,

Tentamen LMA 200 Matematisk statistik, Tentamen LMA 00 Matematisk statistik, 0 Tentamen består av åtta uppgifter motsvarande totalt 50 poäng. Det krävs minst 0 poäng för betyg, minst 0 poäng för 4 och minst 40 för 5. Examinator: Ulla Blomqvist,

Läs mer

Kolmogorovs Axiomsystem Kolmogorovs Axiomsystem Varje händelse A tilldelas ett tal : slh att A inträar Sannolikheten måste uppfylla vissa krav: Kolmog

Kolmogorovs Axiomsystem Kolmogorovs Axiomsystem Varje händelse A tilldelas ett tal : slh att A inträar Sannolikheten måste uppfylla vissa krav: Kolmog Slumpvariabel (Stokastisk variabel) Resultat av ett slumpförsök - utgången kann inte kontrolleras Sannolikhet och statistik Sannolikhetsteorins grunder VT 2009 Resultatet kan inte förutspås, men vi vet

Läs mer

STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. Matematisk statistik Anders Björkström

STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. Matematisk statistik Anders Björkström STOCKHOLMS UNIVERSITET 2001-10-22 MATEMATISKA INSTITUTIONEN Avd. Matematisk statistik Anders Björkström GRUNDLÄGGANDE MATLAB-TRÄNING för den som aldrig har arbetat med Matlab förut A. Matlabs allmänna

Läs mer

14. Minsta kvadratmetoden

14. Minsta kvadratmetoden 58 MINSTA KVADRATMETODEN. Minsta kvadratmetoden Eempel.. Det är inte så svårt att komma åt en trasig lampa på golvet för att byta den. Det är bara att gå fram till den. Hur är det om lampan hänger i taket?

Läs mer

Läsanvisningar till kapitel

Läsanvisningar till kapitel Läsanvisningar till kapitel 2.3 2.5 2.3 Analytiska funktioner Analytiska funktioner, eller holomorfa funktioner som vi kommer kalla dem, är de funktioner som vi komer studera så gott som resten av kursen.

Läs mer

Formell logik Kapitel 5 och 6. Robin Stenwall Lunds universitet

Formell logik Kapitel 5 och 6. Robin Stenwall Lunds universitet Formell logik Kapitel 5 och 6 Robin Stenwall Lunds universitet Kapitel 5 Bevismetoder för boolesk logik Visa att en sats är en tautologisk konsekvens av en mängd premisser! Lösning: sanningstabellmetoden

Läs mer

Sannolikhetsbegreppet

Sannolikhetsbegreppet Kapitel 3 Sannolikhetsbegreppet Betrakta följande försök: Ett symmetriskt mynt kastas 100 gånger och antalet krona observeras. Antal kast 10 20 30 40 50 60 70 80 90 100 Antal krona 6 12 16 21 25 30 34

Läs mer

Optimering med bivillkor

Optimering med bivillkor Optimering med bivillkor Vi ska nu titta på problemet att hitta max och min av en funktionen f(x, y), men inte över alla möjliga (x, y) utan bara för de par som uppfyller ett visst bivillkor g(x, y) =

Läs mer

Föreläsningsanteckningar Linjär Algebra II Lärarlyftet

Föreläsningsanteckningar Linjär Algebra II Lärarlyftet Föreläsningsanteckningar Linjär Algebra II Lärarlyftet Per Alexandersson Föreläsning I Timme I: Repetition av matriser, linjära ekvationssystem Linjärt ekvationssystem: x + y + z 3w = 3 2x + y + z 4w =

Läs mer

MVE051/MSG Föreläsning 7

MVE051/MSG Föreläsning 7 MVE051/MSG810 2016 Föreläsning 7 Petter Mostad Chalmers November 23, 2016 Överblick Deskriptiv statistik Grafiska sammanfattningar. Numeriska sammanfattningar. Estimering (skattning) Teori Några exempel

Läs mer

Övningar. MATEMATISKA INSTITUTIONEN STOCKHOLMS UNIVERSITET Avd. Matematik. Linjär algebra 2. Senast korrigerad:

Övningar. MATEMATISKA INSTITUTIONEN STOCKHOLMS UNIVERSITET Avd. Matematik. Linjär algebra 2. Senast korrigerad: MATEMATISKA INSTITUTIONEN STOCKHOLMS UNIVERSITET Avd. Matematik Linjär algebra 2 Senast korrigerad: 2006-02-10 Övningar Linjära rum 1. Låt v 1,..., v m vara vektorer i R n. Ge bevis eller motexempel till

Läs mer

Kapitel 3 Diskreta slumpvariabler och deras sannolikhetsfördelningar

Kapitel 3 Diskreta slumpvariabler och deras sannolikhetsfördelningar Sannolikhetslära och inferens II Kapitel 3 Diskreta slumpvariabler och deras sannolikhetsfördelningar 1 Diskreta slumpvariabler En slumpvariabel tilldelar tal till samtliga utfall i ett slumpförsök. Vi

Läs mer

Föreläsning 9: NP-fullständighet

Föreläsning 9: NP-fullständighet Föreläsning 9: NP-fullständighet Olika typer av problem: 1. Beslutsproblem: A(x) =Ja. 2. Optimeringsproblem: A(x) =m Vanligen max/min. 3. Konstruktionsproblem: A(x) =En struktur. Vanligen lösningen till

Läs mer

SF1625 Envariabelanalys Lösningsförslag till tentamen DEL A

SF1625 Envariabelanalys Lösningsförslag till tentamen DEL A SF165 Envariabelanalys Lösningsförslag till tentamen 15-4-7 DEL A 1. Låt f(x) = arcsin x + 1 x. A. Bestäm definitionsmängden till funktionen f. B. Bestäm funktionens största och minsta värde. (Om du har

Läs mer

STYRNING AV PORTFÖLJER MED FLERA TILLGÅNGAR

STYRNING AV PORTFÖLJER MED FLERA TILLGÅNGAR 1 STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund FINANSMATEMATIK I. KOMPLEMENT DAG 13. STYRNING AV PORTFÖLJER MED FLERA TILLGÅNGAR Hittills har vi betraktat

Läs mer

Föreläsning 2: Simplexmetoden. 1. Repetition av geometriska simplexmetoden. 2. Linjärprogrammeringsproblem på standardform.

Föreläsning 2: Simplexmetoden. 1. Repetition av geometriska simplexmetoden. 2. Linjärprogrammeringsproblem på standardform. Föreläsning 2: Simplexmetoden. Repetition av geometriska simplexmetoden. 2. Linjärprogrammeringsproblem på standardform. 3. Simplexalgoritmen. 4. Hur bestämmer man tillåtna startbaslösningar? Föreläsning

Läs mer

SF1624 Algebra och geometri Lösningsförslag till tentamen DEL A

SF1624 Algebra och geometri Lösningsförslag till tentamen DEL A SF64 Algebra och geometri Lösningsförslag till tentamen 0-0-0 DEL A De tre totalmatriserna 0 3 3 4 0 3 0 0 0 0, 0 3 0 4 4 0 3 0 3 0 0 0 0 och 0 3 0 4 0 3 3 0 0 0 0 0 svarar mot linjära ekvationssystem

Läs mer