Kunna använda Littles sats för enkla räkningar på kösystem.
|
|
- Fredrik Fransson
- för 6 år sedan
- Visningar:
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.
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 merKunna 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 merKunna 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 merKunna 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 merKunna 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 merKunna 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 merKunna 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 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 merKunna 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 merTILLSTÅNDSGRAFEN. 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 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 mer2 Laborationsuppgifter, upptagetsystem
Laboration 2 i Kösystem Denna laboration behandlar upptagetsystem och könät. När man kommer till en uppgift som är markerad med en stjärna (*) är det tänkt att man ska visa sina resultat för handledaren
Läs merM/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 merKunna 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 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 merEtt 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 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 merKurs: 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 merFördelningsfunktionen 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 merMarkovprocesser 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 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 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 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 merÖvning 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 mera) 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 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 merPerformance 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 merTENTAMEN 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 merPerformance 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 merUr 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 merFöreläsningsanteckningar 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 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 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 meraug 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 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 merStokastiska 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 merModellering 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 merUppgift 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 merTentamen 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 merBlandade 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 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 merINTRODUKTION 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 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 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 merTMS136. Föreläsning 4
TMS136 Föreläsning 4 Kontinuerliga stokastiska variabler Kontinuerliga stokastiska variabler är stokastiska variabler som tar värden i intervall av den reella axeln Det kan handla om längder, temperaturer,
Läs 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 merOptimering 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 merTAMS79: Föreläsning 10 Markovkedjor
TAMS79: Föreläsning 0 Markovkedjor Johan Thim december 08 0. Markovkedjor Vi ska nu betrakta en speciell tidsdiskret diskret stokastisk process, nämligen Markovkedjan. Vi börjar med en definition Definition.
Läs 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 merIntroduktion 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 merTentamen 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 merOptimering 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 merLycka 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 merStokastiska 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 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 mer9. 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 merFöreläsningsmanus 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 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 merNetwork 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 merkvoten 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 merKapitel 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 merMIO310 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 merStatistik 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 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 merStat. 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 merMatematisk 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 merSF1901: 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 merSimulering 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). = = = =
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 merKap 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 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 merF9 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 merMIO310 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 merNågot 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 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 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 merFöreläsning 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 mer2 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 merFinansiell 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 merVeckoblad 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 merExtrauppgifter - 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 merLärmål 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 merLösningsförslag 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 merExtrauppgifter 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 merLAPLACES 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 merP(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 merExperimentella 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 merSF1901: 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 merMatematisk 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 merTransformer 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.
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 mer1. 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 merStokastiska 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 merFöreläsning 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 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 merSats 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 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 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.
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 merLINKÖPINGS 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 merAnalys 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