Kunna använda Littles sats för enkla räkningar på kösystem.

Storlek: px
Starta visningen från sidan:

Download "Kunna använda Littles sats för enkla räkningar på kösystem."

Transkript

1 Övning 2 Vad du ska kunna efter denna övning Kunna använda Littles sats för enkla räkningar på kösystem. Känna till begreppen ankomstintensitet, avgångsintensitet, medelavstånd mellan ankomster och medelbetjäningstid och sambanden mellan dem. Kunna redogöra för begreppen stabilitet och instabilitet för kösystem. Känna till hur stabilitet och instabilitet är relaterade till ankomst- och avgångsintensitet. Beräkna tillståndsfördelningen för enkla markovska kösystem med hjälp av snittmetoden och flödein-flödeutmetoden. Beräkna medeltid i systemet och medelväntetid i enkla markovska kösystem. Alla problem i denna övning rekommenderas! Problem 1. Du får en fil med mätvärden från en webbsite. I filen finns det 2478 poster, var och en av dem innehåller tiden när en kund (= en http-request) kom. Den första kom klockan och den sista kom (a) Vad var medelankomstintensiteten? (b) Man har också uppmätt medelantal kunder i systemet till 2.7. Systemet är inte överbelastat och inga kunder spärras. Hur lång tid tillbringar i medeltal kunderna i systemet? 2. Mätningar visar att ankomstintensiteten till ett kösystem är 7.1 s 1, att inga kunder spärras, att medeltiden i systemet är 10 sekunder och att systemet är stabilt. Betjäningstiden är 4 sekunder. (a) Hur många betjänare måste kösystemet minst innehålla? (b) Hur många kunder finns i medeltal i systemet? (c) Hur många kunder blir i medeltal betjänade under en halvtimme? 3. Betrakta ett M/M/1-system med ankomstintensitet och betjäningsintensitet µ och låt ρ = /µ. (a) Bestäm tillståndsfördelningen. (b) Låt ρ = 0.9. Vad blir medelantal kunder i systemet? (c) Låt ρ = 0.9. Vad blir medelantal kunder som väntar i bufferten? (d) Vilket är det mest troliga antalet kunder i systemet? (e) Låt oss antaga att antalet buffertplatser är begränsat till L. Vad blir medelväntetiden i bufferten när? 4. Betrakta ett M/M/1-system med begränsad buffert. Det kan finnas högst L kunder i systemet. 1

2 (a) Rita tillståndsdiagram och bestäm tillståndsfördelningen. (b) Beräkna medelantal kunder i systemet. (c) Beräkna medeltiden som en kund tillbringar i systemet. 5. Vi modellerar ett datorsystem med en kömodell. Mätningar visar att det i medel kommer A jobb per sekund och medelbetjäningstiden för ett jobb är B sekunder. (a) Antag att det finns en CPU i systemet som modelleras som en betjänare. För vilka A är systemet stabilt? (b) Antag istället att datorn är ett multiprocessorsystem, med m CPU:er som var och en kan behandla jobb (dessa modelleras som m betjänare). För vilka A är nu systemet stabilt? (c) Antag att systemet kan modelleras med en oändlig buffert och att stabilitetskravet är uppfyllt. Hur många jobb blir i medel betjänade per sekund? (d) Vilka krav måste ankomstprocessen och betjäningstiderna uppfylla för att vi ska kunna använda en M/M/m-modell när vi analyserar systemet? (e) Vilka krav måste ankomstprocessen och betjäningstiderna uppfylla för att vi istället ska kunna använda en M/G/m-modell? (f) Mätningar visar att det i medel finns E(N) jobb i systemet. Bestäm hur lång tid i medel det tar från det att ett jobb kommer till systemet, tills det är färdigt om bufferten är oändlig. 6. I ett system finns det inga buffertplatser, vilket innebär att alla kunder som kommer till systemet när det är fullt spärras. Mätningar visar att ankomstintensiteten till systemet är 8 s 1, medelbetjäningstiden är 3 sekunder och medelantal upptagna betjänare är 18. (a) Vad blir sannolikheten att en kund spärras? (b) Hur många kunder per sekund blir betjänade av systemet? 7. För ett kösystem med en betjänare gäller k = k + 1 µ k = µ där k är antalet kunder i kösystemet. (a) Rita tillståndsdiagrammet för systemet. (b) Bestäm tillståndsekvationerna och beräkna tillståndsfördelningen. (c) Beräkna medelantal kunder i systemet. 8. Betrakta ett M/M/1-system med en buffertplats. Ankomstintensiteten är 2 s 1 och medelbetjäningstiden är 1 s. (a) Bestäm den stationära tillståndsfördelningen. (b) Bestäm medelvärde och varians för antalet kunder i systemet. (c) Låt T vara tiden i systemet för en kund som inte spärras. Bestäm Laplacetransformen för T. 2

3 Lösningar till övning 2 1. (a) Tiden som förflyter under mätningen är 1 timme 12 minuter och 27 sekunder vilket är 4347 sekunder. Medelankomstintensiteten blir således s (b) Vi använder Littles sats. Den ger E(T ) = E(N) = s Eftersom inga kunder avvisas så är eff =. 2. (a) En betjänare kan högst betjäna 1/4 = 0.25 kunder per sekund. Det innebär att för att betjäna 7.1 kunder per sekund (= ankomstintensiteten) behövs det minst = 28.4 betjänare. Eftersom antalet betjänare alltid är ett heltal så behövs det minst 29 betjänare. (b) Littles sats ger E(N) = E(T ) = = 71 Eftersom inga kunder avvisas så är eff =. (c) Eftersom kösystemet är stabilt så kommer avgångsintensiteten att vara lika med ankomstintensiteten. Under en halvtimma (= 1800 sekunder) så blir i medeltal = kunder betjänade. 3. (a) Se läroboken sidan (b) Vi använder formeln (c) Vi har E(N) = ρ 1 ρ = = 9 E(N) = E(N q ) + E(N s ) E(N q ) = E(N) E(N s ) Enligt Littles sats så är Således blir E(N s ) = x = µ = ρ E(N q ) = E(N) E(N s ) = = 8.1 (d) Det troligaste tillståndet är det tillstånd för vilket p k har sitt största värde. Nu vet vi att p k = ρ k (1 ρ). Eftersom 0 ρ < 1 så antar p k sitt största värde för k = 0. 3

4 (e) När så är systemet alltid fullt. Så snart en kund är betjänad och lämnar systemet så kommer en ny kund. Denna kund måste vänta på att L kunder (L 1 som är framför den i bufferten och en i betjänaren) ska bli färdiga innan den kan påbörja sin egen betjäning. Medelväntetiden i blir 4. (a) Vi får följande tillståndsgraf: L E(X) = L µ Snittmetoden ger ekvationerna p 0 = µp 1 p 1 = µ p 0 = ρp 0 p 1 = µp 2 p 2 = µ p 1 = ρ 2 p 0. p L 1 = µp L p L = µ p L 1 = ρ L p 0 Vi löser ut p 0 på följande sätt L Det ger slutligen ρ k p 0 = 1 p 0 1 ρ L+1 1 ρ p k = = 1 p 0 = 1 ρ 1 ρ L+1 1 ρ ρk 1 ρl+1 (b) Det enklaste är att först z-transformera och sedan derivera. Definitionen av z-transformen ger P (z) = L z k p k = p 0 L (ρz) k 1 (ρz) L+1 = p 0 1 ρz När vi ska derivera så är det enklare att först multiplicera bägge leden i ekvationen ovan med 1 ρz och därefter derivera. Det ger (1 ρz)p (z) = (1 (ρz) L+1 )p 0 ρp (z) + (1 ρz)p (z) = (L + 1)ρ L+1 z L p 0 Låter vi nu z 1 så får vi ρ 1 + (1 ρ)n = (L + 1)ρ L+1 p 0 E(N) = ρ (L + 1)ρL+1 p 0 1 ρ 4

5 (c) Använd Littles sats. Vi får E(T ) = E(N) eff = E(N) (1 p L ) Här är både E(N), p L och kända. 5. (a) För att ett system ska vara stabilt så måste ankomstintensiteten () vara mindre än den totala betjäningsintensiteten (mµ där m är antalet betjänare). I vårt fall har vi = A µ = 1 B, eftersom B är betjäningstiden Eftersom vi bara har en betjänare så är m = 1 vilket ger (b) Nu får vi i stället < mµ A < 1 B < mµ A < m B (c) Om det kommer kunder per sekund så måste det också komma ut kunder per sekund i medeltal. Så genomströmningen blir. (d) Ankomsterna ska vara en Poissonprocess och betjäningstiderna ska vara exponentialfördelade. (e) Ankomstprocessen ska vara en Poissonprocess, betjäningstiderna kan ha en godtycklig fördelning. (f) Om bufferten är oändlig så avvisas inga kunder. eff =. Littles sats ger då Det innebär att T = N = N A 6. (a) Först beräknar vi eff. För att göra det använder vi Littles sats: Spärrsannolikheten blir då N = eff T eff = N T = 18 3 = 6 P (spärr) = eff = 2 8 = 0.25 (b) Medelantal kunder som per sekund blir färdigbetjänade är eff = (a) Tillståndsdiagrammet blir 5

6 (b) Snittmetoden ger p 0 = µp 1 p 1 = ρp 0 2 p 1 = µp 2 p 2 = ρ2 2 p 0. k p k = µp k 1 p k = ρk k! p 0 Summan av alla sannolikheter blir ρ k p k = k! p 0 = e ρ p 0 Eftersom summan av alla sannolikheter måste vara 1 så blir (c) Vi z-transformerar e ρ p 0 = 1 p 0 = e ρ p k = ρk k! e ρ P (z) = Sedan deriverar vi och låter z 1 z k ρk k! e ρ = e ρ e ρz = e ρ(z 1) P (z) = ρe ρ(z 1) ρ då z 1 Medelvärdet av antalet kunder i systemet blir således E(N) = ρ. 8. (a) Vi ställer upp tillståndsekvationerna med snittmetoden. Det ger Vi bestämmer p 0 : 2 p 0 = 1 p 1 p 1 = 2p 0 2 p 1 = 1 p 2 p 2 = 2p 1 = 4p 0 Slutligen p 0 + p 1 + p 2 = 1 ( )p 0 = 1 p 0 = 1 7 p 0 = 1 7 p 1 = 2 7 p 2 = 4 7 (b) Vi använder definitionen av medelvärdet vilken ger E(N) = 0 p p p 2 =

7 Först beräknar vi andramomentet Variansen blir då E(N 2 ) = 0 2 p p p 2 = 18 7 V (N) = E(N 2 ) E 2 (N) = (c) Om en kund kommer till systemet när det är tomt så består tiden i systemet av en betjäningstid, nämligen kundens egen betjäningstid. Finns det en annan kund i systemet så består tiden i systemet av två betjäningstider. Vi definierar händelserna A = ej spärr och B i = det finns i kunder i systemet. Observera att P (A och B i ) = P (B i ) för i = 0 och 1. Vidare så är Nu får vi P (A) = 1 p 2 = 3 7 P (B 0 A) = P (B 0 och A) P (A) P (B 1 A) = P (B 1 och A) P (A) Laplacetransformen för en betjäningstid är µ µ + s = s = P (B 0) P (A) = 1 3 = P (B 1) P (A) = 2 3 Laplacetransformen för en kunds tid i systemet om kunden verkligen kommer in i kösystemet blir då ( ) s P (B 0 A) + P (B 1 A) = s s + 2 ( ) s 7

Kunna använda Littles sats för enkla räkningar på kösystem.

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

Läs mer

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

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

Läs mer

Kunna dra slutsatser om ett systems betjäningstider och antalet köplatser genom att tolka diagram.

Kunna dra slutsatser om ett systems betjäningstider och antalet köplatser genom att tolka diagram. Övning 3 Vad du ska kunna efter denna övning Kunna dra slutsatser om ett systems betjäningstider och antalet köplatser genom att tolka diagram Kunna beräkna medeltid i systemet och spärrsannolikhet när

Läs mer

Kunna beräkna spärren i ett M/M/m*upptagetsystem. Känna till begreppet utnyttjning av en betjänare och beräkna den.

Kunna beräkna spärren i ett M/M/m*upptagetsystem. Känna till begreppet utnyttjning av en betjänare och beräkna den. Övning 4 Vad du ska kunna efter denna övning Kunna beräkna spärren i ett M/M/m*upptagetsystem. Kunna beräkna den medelantal upptagna betjänare i ett M/M/m*upptagetsystem. Känna till begreppet utnyttjning

Läs mer

Kunna dra slutsatser om t ex ett systems betjäningstider och antalet köplatser genom att tolka diagram.

Kunna dra slutsatser om t ex ett systems betjäningstider och antalet köplatser genom att tolka diagram. Övning 4 Vad du ska kunna efter denna övning Kunna dra slutsatser om t ex ett systems betjäningstider och antalet köplatser genom att tolka diagram Kunna beräkna medeltid i systemet och spärrsannolikhet

Läs mer

Kunna beräkna spärren i ett M/M/m*upptagetsystem.

Kunna beräkna spärren i ett M/M/m*upptagetsystem. Övning 5 Vad du ska kunna efter denna övning Kunna beräkna spärren i ett M/M/m*upptagetsystem. Kunna beräkna den avverkade och erbjudna trafiken i ett M/M/m*upptagetsystem. Känna till enheten Erlang för

Läs mer

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

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

Läs mer

Fö relä sning 2, Kö system 2015

Fö 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 mer

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

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

Läs mer

TILLSTÅNDSGRAFEN. Slutligen erhålls den mycket viktiga så kallade Snittmetoden :

TILLSTÅNDSGRAFEN. Slutligen erhålls den mycket viktiga så kallade Snittmetoden : Föreläsning 3. TILLSTÅNDSGRAFEN Slutligen erhålls den mycket viktiga så kallade Snittmetoden :... Snittmetoden kommer vi flitigt att använda för att bestämma tillståndssannolikheterna! Exempel på beräkning

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

2 Laborationsuppgifter, upptagetsystem

2 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 mer

M/M/m/K kösystem. M/M/m/K kösystem

M/M/m/K kösystem. M/M/m/K kösystem Allmänt om KÖSYSTEM (=betjäningssystem). För att definiera ett kösystem måste vi ange ankomstrocessen ( dvs hur kunder ankommer till systemet) och betjäningsrocess (dvs hur lång tid det tar att betjäna

Läs mer

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

Kunna beräkna medelantal kunder för alla köer i ett könät med återkopplingar. I denna övning kallas ett kösystem som ingår i ett könät oftast nod. Övning 8 Vad du ska kunna efter denna övning Kunna beräkna medelantal kunder för alla köer i ett könät med återkopplingar. Kunna beräkna medeltiden som en kund tillbringar i ett könät med återkopplingar.

Läs mer

Fö relä sning 1, Kö system vä ren 2014

Fö 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 mer

Ett M/M/1 betjäningssystem har följande egenskaper: 1. Systemet har en betjänare. Betjäningstiderna är exponentialfördelade med medelvärde 1 μ

Ett M/M/1 betjäningssystem har följande egenskaper: 1. Systemet har en betjänare. Betjäningstiderna är exponentialfördelade med medelvärde 1 μ M/M/ ösystem M/M/ ösystem Ett M/M/ betjäningssystem har följande egensaper:. Systemet har en betjänare. Betjäningstiderna är exponentialfördelade med medelvärde x =.. Kunder anommer enligt Poissonprocess

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

Kurs: HF1012 Matematisk statistik Lärare: Armin Halilovic

Kurs: HF1012 Matematisk statistik Lärare: Armin Halilovic KONTROLLSKRIVNING Kurs: HF Matematisk statistik Lärare: Armin Halilovic Datum: 8 maj 9 Skrivtid: 8:-: Tillåtna hjälmedel: Miniräknare av vilken ty som helst och bifogade formelblad (sida ). Förbjudna hjälmedel:

Läs mer

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

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

Läs mer

Markovprocesser SF1904

Markovprocesser SF1904 Markovprocesser SF1904 Johan Westerborn johawes@kth.se Föreläsning 6 Markovprocesser 9 Maj 2016 Johan Westerborn Markovprocesser (1) Föreläsning 6 Föreläsningsplan 1 Förra Föreläsningen 2 Johan Westerborn

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

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

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

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

Läs mer

a) Använd samtal.mat för att beräkna antalet samtal som blir spärrade i de olika cellerna under den givna timmen.

a) Använd samtal.mat för att beräkna antalet samtal som blir spärrade i de olika cellerna under den givna timmen. Inlämningsuppgift Svaren lämnas in i kursfacket märkt TNK090 på plan 5 i Täppan, senast 2016-10-28. Alla svar ska motiveras, tankegången i lösningen förklaras och notation definieras. Uppgifterna utförs

Läs mer

TENTAMEN I SF1904 MARKOVPROCESSER FREDAGEN DEN 17 AUGUSTI 2018 KL

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

Läs mer

Performance QoS Köteori SNMP. Felsökning. Jens A Andersson (Maria Kihl) GET request GET response SET request TRAP MIB. Att mäta är att veta ping

Performance QoS Köteori SNMP. Felsökning. Jens A Andersson (Maria Kihl) GET request GET response SET request TRAP MIB. Att mäta är att veta ping Performance QoS Köteori Jens A Andersson (Maria Kihl) SNMP GET request GET response SET request TRAP MIB Management Information Base 2 Felsökning Att mäta är att veta ping icmp echo traceroute avlyssning

Läs mer

TENTAMEN I KOTEORI 20 dec 07 Ten2 i kursen HF1001 ( Tidigare kn 6H3012), KÖTEORI OCH MATEMATISK STATISTIK,

TENTAMEN I KOTEORI 20 dec 07 Ten2 i kursen HF1001 ( Tidigare kn 6H3012), KÖTEORI OCH MATEMATISK STATISTIK, TENTAMEN I KOTEORI dec 7 Ten i ursen HF Tidigare n 6H), KÖTEORI OH MATEMATISK STATISTIK, och TEN i 6H7, Dataommuniation och nätver, ) Srivtid: :-7: Lärare: Armin Halilovic Kursod HF Hjälmedel: Miniränare

Läs mer

Performance QoS Köteori. Jens A Andersson (Maria Kihl)

Performance QoS Köteori. Jens A Andersson (Maria Kihl) Performance QoS Köteori Jens A Andersson (Maria Kihl) Internet Består av ett antal sammankopplade nät som utbyter data enligt egna trafikavtal. Alla delnät som utgör Internet har en gemensam nämnare: Alla

Läs mer

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

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

Läs mer

Föreläsningsanteckningar köteori

Föreläsningsanteckningar köteori Föreläsningsanteckningar köteori Fredrik Olsson, fredrik.olsson@iml.lth.se Produktionsekonomi, Lunds universitet 3 augusti 206 Dessa föreläsningsanteckningar utgör en delmängd av vad som tagits upp på

Läs mer

TENTAMEN I SF1904 MARKOVPROCESSER FREDAGEN DEN 18 AUGUSTI 2017 KL

TENTAMEN 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 mer

b) Vad är sannolikheten att personen somnar i lägenheten? (4 p) c) Hur många gånger förväntas personen byta rum? (4 p)

b) 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 mer

aug 2017 Kurskod HF1012 Halilovic internet. Betygsgränser: För (betyg Fx). Sida 1 av 13

aug 2017 Kurskod HF1012 Halilovic internet. Betygsgränser: För (betyg Fx). Sida 1 av 13 Tentamen TEN, HF, aug 7 Matematisk statistik Kurskod HF Skrivtid: :-: Lärare och examinator : Armin Halilovic Hjälpmedel: Bifogat formelhäfte ("Formler och tabeller i statistik ") och miniräknare av vilken

Läs mer

TENTAMEN I SF1904 MARKOVPROCESSER TISDAGEN DEN 29 MAJ 2018 KL

TENTAMEN 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 mer

Stokastiska processer med diskret tid

Stokastiska processer med diskret tid Stokastiska processer med diskret tid Vi tänker oss en följd av stokastiska variabler X 1, X 2, X 3,.... Talen 1, 2, 3,... räknar upp tidpunkter som förflutit från startpunkten 1. De stokastiska variablerna

Läs mer

Modellering och kundprocessanalys av kösystem på Vapiano Sturegatan

Modellering och kundprocessanalys av kösystem på Vapiano Sturegatan EXAMENSARBETE INOM TEKNIK, GRUNDNIVÅ, 15 HP STOCKHOLM, SVERIGE 2016 Modellering och kundprocessanalys av kösystem på Vapiano Sturegatan YRR AHLKLO CARIN LIND KTH KUNGLIGA TEKNISKA HÖGSKOLAN SKOLAN FÖR

Läs mer

Uppgift 1 ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

Uppgift 1 ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) Uppgift a) Här ses direkt att kan ökas obegränsat utan att bryta mot några bivillkor vilket i sin tur betyder att problemet har obegränsad lösning. b) Lös med Simple-algoritmen (t.e. med matris-metoden).

Läs mer

Tentamen TEN1, HF1012, 29 maj Matematisk statistik Kurskod HF1012 Skrivtid: 14:00-18:00 Lärare och examinator : Armin Halilovic

Tentamen TEN1, HF1012, 29 maj Matematisk statistik Kurskod HF1012 Skrivtid: 14:00-18:00 Lärare och examinator : Armin Halilovic Tentamen TEN, HF, 9 maj 9 Matematisk statistik Kurskod HF Skrivtid: 4:-8: Lärare och examinator : Armin Halilovic Hjälmedel: Bifogat formelhäfte ("Formler och tabeller i statistik ") och miniräknare av

Läs mer

Blandade problem från elektro- och datateknik

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

Läs mer

Tentamen i matematisk statistik, TAMS15/TEN (4h)

Tentamen 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 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

Markovprocesser SF1904

Markovprocesser 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 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

TMS136. Föreläsning 4

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

Läs mer

Markovprocesser SF1904

Markovprocesser 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 mer

Optimering av ett kösystem på IKEA Kungens Kurva

Optimering av ett kösystem på IKEA Kungens Kurva DEGREE PROJECT, IN APPLIED MATHEMATICS AND INDUSTRIAL ECONOMICS, FIRST LEVEL STOCKHOLM, SWEDEN 2015 Optimering av ett kösystem på IKEA Kungens Kurva PERSHENG BABAHEIDARI, MICHAELA JERNBECK KTH ROYAL INSTITUTE

Läs mer

TAMS79: Föreläsning 10 Markovkedjor

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 mer

Stokastiska processer och simulering I 24 maj

Stokastiska 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 mer

Introduktion till statistik för statsvetare

Introduktion till statistik för statsvetare "Det finns inget så praktiskt som en bra teori" November 2011 Repetition Vad vi gjort hitills Vi har börjat med att studera olika typer av mätningar och sedan successivt tagit fram olika beskrivande mått

Läs mer

Tentamen i Sannolikhetslära och statistik, TNK069, , kl 8 13.

Tentamen i Sannolikhetslära och statistik, TNK069, , kl 8 13. LINKÖPINGS UNIVERSITET ITN, Campus Norrköping Univ lekt George Baravdish Tentamen i Sannolikhetslära och statistik, TNK69, 26--7, kl 8 3. Hjälpmedel är räknare med tömda minnen samt formelsamling utgiven

Läs mer

Optimering av ett patientflöde inom svensk veterinärvård

Optimering av ett patientflöde inom svensk veterinärvård DEGREE PROJECT, IN APPLIED MATHEMATICS AND INDUSTRIAL ECONOMICS, FIRST LEVEL STOCKHOLM, SVERIGE 2015 Optimering av ett patientflöde inom svensk veterinärvård HANS DE GEER KKTH ROYAL INSTITUTE OF TECHNOLOGY

Läs mer

Lycka till!

Lycka till! Avd. Matematisk statistik TENTAMEN I 5B1503 STATISTIK MED FÖRSÖKSPLANERING FÖR K OCH B MÅNDAGEN DEN 25 AUGUSTI 2003 KL 14.00 19.00. Examinator: Gunnar Englund, 790 7416. Tillåtna hjälpmedel: Formel- och

Läs mer

Stokastiska processer med diskret tid

Stokastiska processer med diskret tid Stokastiska processer med diskret tid Vi tänker oss en följd av stokastiska variabler X 1, X 2, X 3,.... Talen 1, 2, 3,... räknar upp tidpunkter som förflutit från startpunkten 1. De stokastiska variablerna

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

9. Konfidensintervall vid normalfördelning

9. Konfidensintervall vid normalfördelning TNG006 F9 09-05-016 Konfidensintervall 9. Konfidensintervall vid normalfördelning Låt x 1, x,..., x n vara ett observerat stickprov av oberoende s.v. X 1, X,..., X n var och en med fördelning F. Antag

Läs mer

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06 Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06 Bengt Ringnér September 20, 2006 Inledning Detta är preliminärt undervisningsmaterial. Synpunkter är välkomna. 2 Väntevärde standardavvikelse

Läs mer

Markovprocesser SF1904

Markovprocesser 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 mer

Network Management Säkerhet Performance QoS Köteori. Jens A Andersson

Network Management Säkerhet Performance QoS Köteori. Jens A Andersson Network Management Säkerhet Performance QoS Köteori Jens A Andersson Publika telenätet Digitalt lokalstation Trunknät Accessnät Analogt Analogt 2 Trunknätet Internationell station Gateway till mobila nät

Läs mer

kvoten mellan två på varandra följande tal i en talföljd är konstant alltid lika stor.

kvoten mellan två på varandra följande tal i en talföljd är konstant alltid lika stor. Turen har kommit till geometriska talföljder och summan av en geometrisk talföljd. Talföljden 1,, 4, 8, 16, 3,... är ett exempel på en geometrisk talföljd. Utmärkande för en geometrisk talföljd är att

Läs mer

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

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

Läs mer

MIO310 OPTIMERING OCH SIMULERING, 4 p

MIO310 OPTIMERING OCH SIMULERING, 4 p Uppvisat terminsräkning ( ) Ja ( ) Nej Inst. för teknisk ekonomi och logistik Avd. för Produktionsekonomi Jag tillåter att mitt tentamensresultat publiceras på Internet Ja Nej TENTAMEN: MIO0 OPTIMERING

Läs mer

Statistik 1 för biologer, logopeder och psykologer

Statistik 1 för biologer, logopeder och psykologer Innehåll 1 Grunderna i sannolikhetslära 2 Innehåll 1 Grunderna i sannolikhetslära 2 Satistik och sannolikhetslära Statistik handlar om att utvinna information från data. I praktiken inhehåller de data

Läs mer

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

Stat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT

Stat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT Stat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT Jointly distributed Joint probability function Marginal probability function Conditional probability function Independence

Läs mer

Matematisk statistik 9hp Föreläsning 7: Normalfördelning

Matematisk statistik 9hp Föreläsning 7: Normalfördelning Matematisk statistik 9hp Föreläsning 7: Normalfördelning Anna Lindgren 29+3 september 216 Anna Lindgren anna@maths.lth.se FMS12/MASB3 F7: normalfördelning 1/18 Kovarians, C(X, Y) Repetition Normalfördelning

Läs mer

SF1901: Medelfel, felfortplantning

SF1901: Medelfel, felfortplantning SF1901: Medelfel, felfortplantning Jan Grandell & Timo Koski 15.09.2011 Jan Grandell & Timo Koski () Matematisk statistik 15.09.2011 1 / 14 Felfortplantning Felfortplantning kallas propagation of error

Läs mer

Simulering av ett Multi-skill callcenter Med varierande genomsnittlig betjäningstid beroende på agenters kunskapsnivå

Simulering av ett Multi-skill callcenter Med varierande genomsnittlig betjäningstid beroende på agenters kunskapsnivå Simulering av ett Multi-skill callcenter Med varierande genomsnittlig betjäningstid beroende på agenters kunskapsnivå Handledare: Johan Boye Filip Gaun Klippgatan 12c 171 47 Solna 076-650 76 33 lipgau@kth.se

Läs mer

, S(6, 2). = = = =

, S(6, 2). = = = = 1 Matematiska Institutionen KTH Lösningar till tentamensskrivning på kursen Diskret Matematik, moment A, för D2 och F, SF161 och SF160, den 17 april 2010 kl 09.00-14.00. Examinator: Olof Heden. DEL I 1.

Läs mer

Kap 2. Sannolikhetsteorins grunder

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

Läs mer

P =

P = 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 mer

F9 SAMPLINGFÖRDELNINGAR (NCT

F9 SAMPLINGFÖRDELNINGAR (NCT Stat. teori gk, ht 006, JW F9 SAMPLINGFÖRDELNINGAR (NCT 7.1-7.4) Ordlista till NCT Sample Population Simple random sampling Sampling distribution Sample mean Standard error The central limit theorem Proportion

Läs mer

MIO310 OPTIMERING OCH SIMULERING, 4 p

MIO310 OPTIMERING OCH SIMULERING, 4 p Uppvisat terminsräkning ( ) Ja ( ) Nej Inst. för teknisk ekonomi och logistik Avd. för Produktionsekonomi Jag tillåter att mitt tentamensresultat publiceras på Internet Ja Nej TENTAMEN: MIO310 OPTIMERING

Läs mer

Något om medelvärden

Något om medelvärden 350 Något om medelvärden Pepe Winkler Uppsala Universitet Om a och a är två reella, positiva tal så kallas talet A = a + a för det aritmetiska medelvärdet och talet G = a a för det geometriska medelvärdet

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

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

Föreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012

Föreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012 Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår

Läs mer

2 x dx = [ x ] 1 = 1 ( 1 (1 0.9) ) 100 = /

2 x dx = [ x ] 1 = 1 ( 1 (1 0.9) ) 100 = / Föreläsning 5: Matstat AK för I, HT-8 MATEMATISK STATISTIK AK FÖR I HT-8 FÖRELÄSNING 5: KAPITEL 4.6 7: SUMMOR, MAXIMA OCH ANDRA FUNKTIONER AV S.V. KAPITEL 5. : VÄNTEVÄRDEN, LÄGES- OCH SPRIDNINGSMÅTT EXEMPEL

Läs mer

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

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

Läs mer

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

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

Läs mer

Extrauppgifter - Statistik

Extrauppgifter - Statistik Extrauppgifter - Statistik Uppgifter 1. Den stokastiska variabeln Y t 10 ). Bestäm c så att P ( c < Y < c) = 2. Vid tillverkning av en viss sorts färg tillsätts färgpigmentet med hjälp av en doseringsapparat,

Läs mer

Lärmål Sannolikhet, statistik och risk 2015

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

Läs mer

Lösningsförslag till Problem i kapitel 7 i Mobil Radiokommunikation

Lösningsförslag till Problem i kapitel 7 i Mobil Radiokommunikation Lösningsförslag till Problem i kapitel 7 i Mobil adiokommunikation 7. 7. Två lognormalt fördelade stokastiska variabler X och Y med log-standardavvikelserna σ logx och σ logy. Att den stokastiska variabeln

Läs mer

Extrauppgifter i matematisk statistik

Extrauppgifter i matematisk statistik Extrauppgifter i matematisk statistik BT 2014 1. Mängden A är dubbelt så sannolik som B. Hur förhåller sig P(A B) till P(B A)? 2. Två händelser A och B har sannolikheter skilda från noll. (a) A och B är

Läs mer

LAPLACES OCH POISSONS EKVATIONER

LAPLACES OCH POISSONS EKVATIONER TH Matematik Olle tormark LAPLACE OCH POION EVATIONE Poissons ekvation φ(x) = (där ρ är en given funktion och φ söks) satisfieras till exempel av den elektrostatiska potentialen i ett område som innehåller

Läs mer

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

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

Läs mer

Experimentella metoder 2014, Räkneövning 1

Experimentella metoder 2014, Räkneövning 1 Experimentella metoder 04, Räkneövning Problem : Tio mätningar av en resistans gav följande resultat: Mätning no. Resistans (Ω) Mätning no Resistans (Ω) 0.3 6 0.0 00.5 7 99.98 3 00.0 8 99.80 4 99.95 9

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

Matematisk statistik för D, I, Π och Fysiker

Matematisk statistik för D, I, Π och Fysiker Matematisk statistik för D, I, Π och Fysiker Föreläsning 6 Johan Lindström oktober 8 Johan Lindström - johanl@maths.lth.se FMSF45/MASB F6 /9 Johan Lindström - johanl@maths.lth.se FMSF45/MASB F6 /9 Summa

Läs mer

Transformer och differentialekvationer (MVE100)

Transformer och differentialekvationer (MVE100) Chalmers tekniska högskola och Göteborgs universitet Matematik 25 januari 2011 Transformer och differentialekvationer (MVE100 Inledning Fouriertransformen Fouriertransform är en motsvarighet till Fourierserier

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.

** 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 mer

1. Lös ut p som funktion av de andra variablerna ur sambandet

1. Lös ut p som funktion av de andra variablerna ur sambandet Matematiska institutionen Stockholms universitet Avd matematik Eaminator: Torbjörn Tambour Tentamensskrivning i Matematik för kemister K den 0 december 2003 kl 9.00-4.00 LÖSNINGAR. Lös ut p som funktion

Läs mer

Stokastiska Processer och ARIMA. Patrik Zetterberg. 19 december 2012

Stokastiska Processer och ARIMA. Patrik Zetterberg. 19 december 2012 Föreläsning 7 Stokastiska Processer och ARIMA Patrik Zetterberg 19 december 2012 1 / 22 Stokastiska processer Stokastiska processer är ett samlingsnamn för Sannolikhetsmodeller för olika tidsförlopp. Stokastisk=slumpmässig

Läs mer

Föreläsning 6, Matematisk statistik Π + E

Föreläsning 6, Matematisk statistik Π + E Repetition Kovarians Stora talens lag Gauss Föreläsning 6, Matematisk statistik Π + E Sören Vang Andersen 2 december 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F6 1/20 Repetition Kovarians Stora

Läs mer

Markovprocesser SF1904

Markovprocesser 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 mer

Sats 2.1 (Kinesiska restsatsen) Låt n och m vara relativt prima heltal samt a och b två godtyckliga heltal. Då har ekvationssystemet

Sats 2.1 (Kinesiska restsatsen) Låt n och m vara relativt prima heltal samt a och b två godtyckliga heltal. Då har ekvationssystemet Avsnitt 2 Tillägg om kongruensräkning Detta avsnitt handlar om två klassiska satser som används för att förenkla kongruensräkning: Kinesiska restsatsen och Fermats lilla sats. Den första satsen används

Läs mer

Markovprocesser SF1904

Markovprocesser 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 mer

(y 2 xy) dx + x 2 dy = 0 y(e) = e. = 2x + y y = 2x + 3y 2e 3t, = (x 2)(y 1) y = xy 4. = x 5 y 3 y = 2x y 3.

(y 2 xy) dx + x 2 dy = 0 y(e) = e. = 2x + y y = 2x + 3y 2e 3t, = (x 2)(y 1) y = xy 4. = x 5 y 3 y = 2x y 3. UPPSALA UNIVERSITET Matematiska institutionen Pepe Winkler tel. 018-471 2 89 Prov i matematik Civilingenjörsprogrammen Ordinära differentialekvationer, 2 poäng 2005-01-10 Skrivtid: 8.00 1.00. Hjälpmedel:

Läs mer

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2

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

Läs mer

Analys av medelvärden. Jenny Selander , plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken

Analys av medelvärden. Jenny Selander , plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken Analys av medelvärden Jenny Selander jenny.selander@ki.se 524 800 29, plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken Jenny Selander, Kvant. metoder, FHV T1 december 20111 Innehåll Normalfördelningen

Läs mer