Stokastiska processer
|
|
- Vilhelm Hermansson
- för 8 år sedan
- Visningar:
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
TAMS79: 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 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 merMarkovprocesser SF1904
Markovprocesser SF1904 Johan Westerborn johawes@kth.se Föreläsning 1 Markovprocesser 25 Mars 2015 Johan Westerborn Markovprocesser (1) Föreläsning 1 Föreläsningsplan 1 Kursinformation 2 Stokastiska processer
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 merMarkovprocesser SF1904
Markovprocesser SF1904 Johan Westerborn johawes@kth.se Föreläsning 1 Markovprocesser Johan Westerborn Markovprocesser (1) Föreläsning 1 Föreläsningsplan 1 Kursinformation 2 Stokastiska processer 3 Betingade
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 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 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 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 merGrafer 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 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 merExempel. Vi observerar vädret och klassificerar det i tre typer under en följd av dagar. vackert (V) mulet (M) regn (R)
Exempel Vi observerar vädret och klassificerar det i tre typer under en följd av dagar. vackert (V mulet (M regn (R Exempel Vackert idag vackert imorgon sannolikheten 0.6 Vackert idag mulet imorgon sannolikheten
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 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 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 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 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 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 merFöreläsning 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 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 merKunna 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** 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 merÖvning 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 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 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 merTAMS14/36 SANNOLIKHETSLÄRA GK Poissonprocessen (komplettering) Torkel Erhardsson 14 maj 2010
TAMS14/36 SANNOLIKHETSLÄRA GK Poissonprocessen (komplettering) Torkel Erhardsson 14 maj 2010 1 1 Stokastiska processer Definition 1.1 En stokastisk process är en familj {X(t);t T } (kan även skrivas {X
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 merFö relä sning 1, Kö system vä ren 2014
Fö relä sning 1, Kö system vä ren 2014 Här följer en mycket kort sammanfattning av det viktigaste i Föreläsning 1. Observera att dessa anteckningar inte kan ersätta läroboken, de är alltför kortfattade
Läs merFöresläsningsanteckningar Sanno II
Föresläsningsanteckningar 1 Gammafunktionen I flera av våra vanliga sannolikhetsfördelningar ingår den s.k. gamma-funktionen. Γ(p) = 0 x p 1 e x dx vilken är definierad för alla reella p > 0. Vi ska här
Läs merTENTAMEN 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 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 merLÖSNINGAR TILL UPPGIFTER TILL RÄKNEÖVNING 1
STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Linjär algebra II LÖSNINGAR TILL UPPGIFTER TILL RÄKNEÖVNING Lös ekvationssystemet x + y + z 9 x + 4y 3z 3x + 6z 5z med hjälp av Gausselimination Lösning:
Läs merKursombud 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 merTentamen 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 merSF1901: 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 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 merStora bilden av Linjära algebran. Vektorrum, linjära transformationer, matriser (sammanfattning av begrepp)
Stora bilden av Linjära algebran. Vektorrum, linjära transformationer, matriser (sammanfattning av begrepp) Linjär algebra består av tre grenar eller koncept: geometriska begreppet av vektorrum, analysbegreppet
Läs merFöreläsningsanteckningar i kurs 5B1506 Markovprocesser och köteori. Jan Grandell
Föreläsningsanteckningar i kurs 5B1506 Markovprocesser och köteori Jan Grandell 2 Förord Dessa anteckningar gjordes för mitt privata bruk av föreläsningsmanuskript och har aldrig varit tänkta att användas
Läs merSF1901 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 merMatematisk 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 merSF1901: 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 merBayesianska 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 merF6 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 merOm Markov Chain Monte Carlo
Om Markov Chain Monte Carlo Gunnar Englund Matematisk statistik KTH Ht 2001 1 Inledning Markov Chain Monte Carlo MCMC är en modern teknik att simulera komplicerade fördelningar som har fått stora tillämpningar
Läs merMatematisk statistik 9 hp, HT-16 Föreläsning 16: Markovkedjor
Repetition Processer Markovkedjor Tillstånd Ex Matematisk statistik 9 hp, HT-16 Föreläsning 16: Markovkedjor Joakim Lübeck + Anna Lindgren 5+6 december, 2016 Anna Lindgren - anna@maths.lth.se FMS012/MASB03
Läs merOberoende 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 merKurssammanfattning MVE055
Obs: Detta är enbart tänkt som en översikt och innehåller långt ifrån allt som ingår i kursen (vilket anges exakt på hemsidan). Fullständiga antaganden i satser kan saknas och fel kan förekomma så kontrollera
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 mer1 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 merFö 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 merFöreläsning 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 merMer 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 merVektorgeometri 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 merTentamen i ETE305 Linjär algebra , 8 13.
LINKÖPINGS UNIVERSITET Matematiska Institutionen Ulf Janfalk ( p) ( p) ( p) ( p) ( p) ( p) Tentamen i ETE Linjär algebra, 8. Inga hjälpmedel. Ej räknedosa. Resultatet meddelas vi e-post. För godkänt räcker
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 merLINKÖPINGS UNIVERSITET EXAM TAMS 15 / TEN 1
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 5 / TEN januari 08, klockan 4.00-8.00 Examinator: Jörg-Uwe Löbus (Tel: 0709-6087) Tillåtna hjälpmedel är en räknare, formelsamling i matematisk
Läs mer1-1 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 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 merBetingning och LOTS/LOTV
Betingning och LOTS/LOTV Johan Thim (johan.thim@liu.se 4 december 018 Det uppstod lite problem kring ett par uppgifter som hanterade betingning. Jag tror problemen är av lite olika karaktär, men det jag
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 5. Kovarians, korrelation, väntevärde och varians för summor av s.v.:er, normalfördelning (del 1) Jan Grandell & Timo Koski 15.09.2008 Jan Grandell &
Läs merPreliminärt lösningsförslag - omtentamen i Finansiell statistik,
Preliminärt lösningsförslag - omtentamen i Finansiell statistik, 2012-08-22 Uppgift 1a) y x -1 0 1 P(Y = y) -1 1/16 3/16 1/16 5/16 0 3/16 0 3/16 6/16 1 1/16 3/16 1/16 5/16 P(X = y) 5/16 6/16 5/16 1 E[X]
Läs merKonvergens 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 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 merAlgebraiska egenskaper hos R n i)u + v = v + U
Underrum till R n, nollrum, kolonnrum av en matris, rank, bas, koordinater, dimension. Påminnelse om R n s egenskaper: Algebraiska egenskaper hos R n i)u + v = v + U v) c(u + v) = cu + cv ii) ( u + v)
Läs mer1 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 merIsometrier 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 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 merLösningar 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 merOm 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 merIntroduktion 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 merMatematisk analys för ingenjörer Matlabövning 2 Numerisk ekvationslösning och integration
10 februari 2017 Matematisk analys för ingenjörer Matlabövning 2 Numerisk ekvationslösning och integration Syfte med övningen: Introduktion till ett par numeriska metoder för lösning av ekvationer respektive
Läs merSF1901 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 merSatsen 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 merVidare 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 merProblemlösning. Måns Thulin. Uppsala universitet Statistik för ingenjörer 30/ /16
1/16 Problemlösning Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 30/1 2013 Kursinformation: diskussionsuppgifter Under kursens gång kommer vi att ha 12 diskussionsproblem
Läs merLycka till!
VK Matematiska institutionen avd matematisk statistik TENTAMEN I 5B1555 DATORINTENSIVA METODER ONSDAGEN DEN 24 MAJ 2006 KL 14.00 19.00. Examinator: Gunnar Englund, tel. 7907416. Email: gunnare@math.kth.se
Läs merIntroduktion 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 mer3 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 merFÖRELÄSNING 3:
FÖRELÄSNING 3: 26-4-3 LÄRANDEMÅL Fördelningsfunktion Empirisk fördelningsfunktion Likformig fördelning Bernoullifördelning Binomialfördelning Varför alla dessa fördelningar? Samla in data Sammanställ data
Läs merNågra viktiga satser om deriverbara funktioner.
Några viktiga satser om deriverbara funktioner Rolles sats Differentialkalkylens medelvärdessats (=) 3 Cauchys medelvärdessats Sats Om funktionen f är deriverbar i en punkt x 0 så är f kontinuerlig i samma
Läs merOm plana och planära grafer
Matematik, KTH Bengt Ek november 2017 Material till kurserna SF1679 och SF1688, Diskret matematik: Om plana och planära grafer I många sammanhang (t.ex. vid konstruktion av elektriska kretsar) är det intressant
Läs merÖvning 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 merMATEMATIK 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 merFöreläsninsanteckningar till föreläsning 3: Entropi
Föreläsninsanteckningar till föreläsning 3: Entropi Johan Håstad, transkriberat av Pehr Söderman 2006-01-20 1 Entropi Entropi är, inom kryptografin, ett mått på informationsinnehållet i en slumpvariabel.
Läs merBisektionsalgoritmen. 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 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 merPoisson 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 merSTOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. Matematisk statistik, EA, GA, ML 14 december 2009
STOCKHOLMS UNIVERSITET MT8003 MATEMATISKA INSTITUTIONEN Avd. Matematisk statistik, EA, GA, ML 14 december 2009 Tentamen i Livförsäkringsmatematik II, 14 december 2009 Examinator: Gunnar Andersson Tillåtna
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 3 4 november 2016 1 / 28 Idag Förra gången Stokastiska variabler (Kap. 3.2) Diskret stokastisk variabel (Kap. 3.3 3.4) Kontinuerlig stokastisk
Läs merMATEMATIK 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 merTentamen i Digitalteknik, EITF65
Elektro- och informationsteknik Tentamen i Digitalteknik, EITF65 3 januari 2018, kl. 14-19 Skriv anonymkod och identifierare, eller personnummer, på alla papper. Börja en ny uppgift på ett nytt papper.
Läs merKURSPROGRAM HT-10 MATEMATISK STATISTIK AK FÖR CDI, FMS 012
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK KURSPROGRAM HT-10 MATEMATISK STATISTIK AK FÖR CDI, FMS 012 Hemsida Kursens hemsida finns på http://www.maths.lth.se/matstat/kurser/fms012/
Läs merKombinatorik. Kapitel 2. Allmänt kan sägas att inom kombinatoriken sysslar man huvudsakligen med beräkningar av
Kapitel 2 Kombinatorik Allmänt kan sägas att inom kombinatoriken sysslar man huvudsakligen med beräkningar av det antal sätt, på vilket elementen i en given mängd kan arrangeras i delmängder på något sätt.
Läs merÖvningstentamen 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 merEgenvärden 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 mer1 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 merLäsanvisningar 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