. Mängden av alla möjliga tillstånd E k kallas tillståndsrummet.

Relevanta dokument
Armin Halilovic: EXTRA ÖVNINGAR

Anmärkning: I några böcker använder man följande beteckning ]a,b[, [a,b[ och ]a,b] för (a,b), [a,b) och (a,b].

TAMS15: SS1 Markovprocesser

Betygsgränser: För (betyg Fx).

Ekvationen (ekv1) kan beskriva en s.k. stationär tillstånd (steady-state) för en fysikalisk process.

Borel-Cantellis sats och stora talens lag

Genomsnittligt sökdjup i binära sökträd

Linjär Algebra (lp 1, 2016) Lösningar till skrivuppgiften Julia Brandes

Uppgifter 3: Talföljder och induktionsbevis

x 1 x 2 x 3 x 4 x 5 x 6 HL Z x x x

b 1 och har för olika värden på den reella konstanten a.

1. Test av anpassning.

SANNOLIKHETER. Exempel. ( Tärningskast) Vi har sex möjliga utfall 1, 2, 3, 4, 5 och 6. Därför är utfallsrummet Ω = {1, 2, 3, 4, 5,6}.

Intervallskattning. c 2005 Eric Järpe Högskolan i Halmstad. Antag att vi har ett stickprov x 1,..., x n på X som vi vet är N(µ, σ) men vi vet ej

MS-A0409 Grundkurs i diskret matematik Sammanfattning, del I

Tentamen i Sannolikhetsteori III 13 januari 2000

H1009, Introduktionskurs i matematik Armin Halilovic POLYNOM, POLYNOMDIVISION, ALGEBRAISKA EKVATIONER, PARTIALBRÅKSUPPDELNING. vara ett polynom där a

Tentamenskrivning, , kl SF1625, Envariabelanalys för CINTE1(IT) och CMIEL1(ME ) (7,5hp)

LINJÄRA DIFFERENTIALEKVATIONER AV HÖGRE ORDNINGEN

DEL I. Matematiska Institutionen KTH

Sannolikheten. met. A 3 = {2, 4, 6 }, 1 av 11

101. och sista termen 1

Induktion och Binomialsatsen. Vi fortsätter att visa hur matematiska påståenden bevisas med induktion.

vara ett polynom där a 0, då kallas n för polynomets grad och ibland betecknas n grad( P(

SAMMANFATTNING TAMS79 Matematisk statistik, grundkurs

Tolkning av sannolikhet. Statistikens grunder, 15p dagtid. Lite mängdlära. Lite mängdlära, forts. Frekventistisk n A /n P(A) då n

TAMS79: Föreläsning 9 Approximationer och stokastiska processer

Introduktion till statistik för statsvetare

LÖSNINGAR TILL. Räkningar: (z i z) 2 = , Δ = z = 1 n. n 1. Konfidensintervall:

Statistisk analys. Vilka slutsatser kan dras om populationen med resultatet i stickprovet som grund? Hur säkra uttalande kan göras om resultatet?

1. (a) Eftersom X och Y har samma fördelning så har de även samma väntevärde och standardavvikelse. E(X 2 ) = k

Andra ordningens lineära differensekvationer

Kontrollskrivning 3 i SF1676, Differentialekvationer med tillämpningar. Tisdag kl 8:15-10

1. BERÄKNING AV GRÄNSVÄRDEN ( då x 0 ) MED HJÄLP AV MACLAURINUTVECKLING. n x

Hambley avsnitt 12.7 (även 7.3 för den som vill läsa lite mer om grindar)

ENDIMENSIONELL ANALYS B1 FÖRELÄSNING VI. Föreläsning VI. Mikael P. Sundqvist

LINJÄR ALGEBRA II LEKTION 4

REGULJÄRA SPRÅK (8p + 6p) 1. DFA och reguljära uttryck (6 p) Problem. För följande NFA över alfabetet {0,1}:

ÖPPNA OCH SLUTNA MÄNGDER. KOMPAKTA MÄNGDER. DEFINITIONSMÄNGD. INLEDNING. Några viktiga andragradskurvor: Cirkel, ellips, hyperbel och parabel.

UPPSKATTNING AV INTEGRALER MED HJÄLP AV TVÅ RIEMANNSUMMOR. Med andra ord: Vi kan approximera integralen från båda sidor

Trigonometriska polynom

Bilaga 1 Formelsamling

Tentamen i Matematisk statistik för V2 den 28 maj 2010

Följande begrepp används ofta vid beskrivning av ett statistiskt material:

Datorövning 2 Fördelningar inom säkerhetsanalys

Vad är det okända som efterfrågas? Vilka data är givna? Vilka är villkoren?

2. Konfidensintervall för skillnaden mellan två proportioner.

MS-A0409 Grundkurs i diskret matematik I

Minsta kvadrat-metoden, MK. Maximum likelihood-metoden, ML. Medelfel. E(X i ) = µ i (θ) MK-skattningen av θ fås genom att minimera

Lycka till! I(X i t) 1 om A 0 annars I(A) =

Föreläsning 2: Punktskattningar

Enkel slumpvandring. Sven Erick Alm. 9 april 2002 (modifierad 8 mars 2006) 2 Apan och stupet Passagesannolikheter Passagetider...

Sannolikhetslära. c 2015 Eric Järpe Högskolan i Halmstad

Tentamen 1 i Matematik 1, HF1903, Fredag 14 september 2012, kl

Hambley avsnitt 12.7 (även 7.3 för den som vill läsa lite mer om grindar)

Tentamen i Statistik STG A01 (12 hp) 5 mars 2010, kl

Övningstentamen i MA2018 Tillämpad Matematik III-Statistik, 7.5hp

TENTAMEN I MATEMATISK STATISTIK Datum: 13 mars 08

Ekvationen (ekv1) kan beskriva vågutbredning, transversella svängningar i en sträng och andra fysikaliska förlopp.

a) Beräkna E (W ). (2 p)

Problem 2 löses endast om Du hade färre än 15 poäng på duggan som gavs arctanx sin x. x(1 cosx) lim. cost.

Uppsala Universitet Matematiska Institutionen Bo Styf. Genomgånget på föreläsningarna Föreläsning 26, 9/2 2011: y + ay + by = h(x)

Operativsystem - Baklås

TENTAMEN Datum: 16 okt 09

Föreläsning G04: Surveymetodik

TMS136: Dataanalys och statistik Tentamen med lösningar

Tentamen i Linjär Algebra, SF december, Del I. Kursexaminator: Sandra Di Rocco. Matematiska Institutionen KTH

Inledande matematisk analys. 1. Utred med bevis vilket eller vilka av följande påståenden är sana:

Föreläsning 10: Kombinatorik

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 5 juni 2004, kl

θx θ 1 om 0 x 1 f(x) = 0 annars

För att skatta väntevärdet för en fördelning är det lämpligt att använda Medelvärdet. E(ξ) =... = µ

TNA001 Matematisk grundkurs Övningsuppgifter

Tentamen i matematisk statistik

Föreläsning G04 Surveymetodik 732G19 Utredningskunskap I

TENTAMEN I MATEMATISK STATISTIK

NEWTON-RAPHSONS METOD (en metod för numerisk lösning av ekvationer)

b) Bestäm det genomsnittliga antalet testade enheter, E (X), samt även D (X). (5 p)

= x 1. Integration med avseende på x ger: x 4 z = ln x + C. Vi återsubstituerar: x 4 y 1 = ln x + C. Villkoret ger C = 1.

Datorövning 2 Fördelningar inom säkerhetsanalys

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 1)

TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004 TEN kl

Sannolikheter 0 < P < 1. Definition sannolikhet: Definition sannolikhet: En sannolikhet kan anta värden från 0 till 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

Digital signalbehandling Alternativa sätt att se på faltning

Induktion LCB Rekursion och induktion; enkla fall. Ersätter Grimaldi 4.1

4. Uppgifter från gamla tentor (inte ett officiellt urval) 6

Antalet sätt att välja ut r objekt bland n stycken med hänsyn till ordning är np r = n(n 1) (n r + 1).

Tentamen i Flervariabelanalys F/TM, MVE035

NEWTON-RAPHSONS METOD (en metod för numerisk lösning av ekvationer)

Sida 1 av 12. vara ett inkonsistent system (= olösbart system dvs. ett system som saknar lösning). b =.

Lösning till tentamen för kursen Log-linjära statistiska modeller 29 maj 2007

Lösningar till tentamensskrivning i kompletteringskurs Linjär Algebra, SF1605, den 10 januari 2011,kl m(m + 1) =

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II

Cartesisk produkt. Multiplikationsprincipen Ï Ï Ï

E F. pn-övergång. Ferminivåns temperaturberoende i n-dopade halvledare. egen ledning. störledning

Sannolikhetsteori FORMELSAMLING MATEMATISK STATISTIK, AK FÖR CDEFI, NANO OCH PI, MAS233, 2004 FMS 012, FMS 022, FMS 121 OCH MAS233

Högskoleutbildad 0,90*0,70=0,63 0,80*0,30=0,24 0,87 Ej högskoleutbildad 0,07 0,06 0,13 0,70 0,30 1,00

c n x n, där c 0, c 1, c 2,... är givna (reella eller n=0 c n x n n=0 absolutkonvergent om x < R divergent om x > R n n lim = 1 R.

Transkript:

Stokastiska rocesser Defiitio E stokastisk rocess är e mägd familj av stokastiska variabler Xt arameter t är oftast me ite alltid e tidsvariabel rocesse kallas diskret om Xt är e diskret s v för varje t rocesse kallas kotiuerlig om Xt är e kotiuerlig s v för varje t arameter t ka också vara kotiuerlig eller "diskret" ädligt eller uräkeligt atal t värde i diskret tid Vi ska betrakta e diskret stokastisk rocess X (t) i diskret tid t { t0, t1 t2 } Om e fysisk rocess ka befia sig i olika tillståd som vi beteckar med E k då X ( t i ) k betyder att rocesse är i tillståd E k vid tidukte t ti Mägde av alla möjliga tillståd E k kallas tillstådsrummet Uttrycket [ X ( t 1) j X ( t ) i] beteckar övergågssaolikhete trasitio robability att systemet som är i tillstådet E i vid tidukte t befier sig i E j vid ästa tidukt t 1 Defiitio Markovkedja i diskret tid är e diskret stokastisk rocess med diskret tid som ufyller Markov villkoret: För t t t t 0, [ X ( t 1) j X ( t ) i,, X ( t1) i1, X ( t0 ) i0 ] [ X ( t 1) j X ( t ) i Mieslöshete: Markovegeskae Markov villkoret betyder att övergågssaolikhete [ X ( t 1) j X ( t ) i] beror edast av u läge dvs situatioe vid tidukte t och ite av väge till detta tillståd Vi säger att rocesse är mieslös Defiitio E Markovkedja är homoge om övergågssaolikhete [ X ( t 1) j X ( t )] i] beror ej av tide t uta bara av tillståd E i, E j d vs X ( t ) j X ( t )] i] [ X ( t ) j X ( t ) i] [ X ( t ) j X ( t ) ] [ 1 0 2 1 1 i Vi ska i fortsättige edast betrakta homogea För e homoge Markovkedja ka vi betecka ] Sida 1 av 6

E i E ) [ X ( t 1) j X ( t) i] övergågssaolikhete ij ( j och defiiera övergågsmatrise trasitio robability matrix: 11 21 31 12 22 32 13 23 33 k där 1 för varje i, d v s summa av alla elemet i e rad är lika med 1 ik Ett sätt att åskådligt beskriva e Markovkedja är att aväda e riktad graf med övergågssaolikhetera Frå grafe ka vi å ekelt sätt defiiera matrise och omvät, om grafe ite iehåller för måga ilar För ovaståede graf ka vi age tillhörade övergågsmatris 11 12 21 22 03 07 Exemel 1 Låt vara övergågsmatrise för e Markovkedja med 2 01 09 tillståd Rita motsvarade graf med övergågssaolikheter Svar: Sida 2 av 6

Absoluta saolikheter De absoluta saolikhete att rocesse befier sig i tillstådet E i vid t t beteckas med i () Alltså ( ) ( X ( t ) i) i Därmed t ex 2( 4) ( X ( t4) 2) är saolikhete att rocesse befier sig i tillstådet E 2 vid t t 4 2 (0) är saolikhete att rocesse befier sig i tillstådet E 2 vid starttide t 0 Saolikhetsvektor : Vid tide t t befier sig rocesse i ett av tillståde E 1, E 2, med motsvarade saolikhetera, 1( ), 2 ( ), som vi ka samla i e radvektor Dea vektor kallar vi saolikhetsvektor Alltså ( ) ( 1( ), 2 ( ),) är e saolikhetsvektor robability vector Notera att summa av alla koordiater i e saolikhetsvektor är lika med 1 ( 0) ( 1 (0), 2 (0),) är e iitial saolikhetsvektor start saolikhetsvektor som visar att rocesse startar i E 1 med saolikhete 1(0), i E 2 med saolikhete 2(0) o s v Om rocesse säkert startar i ett visst tillståd E k då är motsvarade startsaolikhet lika med 1 och alla adra med 0 T ex ( 0) (0,1,0,0) visar att rocesse säkert startar i E 2 d v s med saolikhete 1 Relatioer mella (), (0) och : (1) (0) 2 ( 2) (1) (0) 3 ( 3) (2) (0) ( ) ( 1) ( ) (0) Med ovaståede relatioer ka ma studera e Markovkedja med hjäl av startvektor (0) och övergågsmatrise Statioära saolikhetsvektorer Defiitio E saolikhetsvektor q ( q 1, q2,) kallas statioär saolikhetsvektor steady state robability vector om de satisfierar ekvatioe q q Om rocesse startar med e statioär saolikhetsfördelig ( 1) q q ( 0) q då blir det Sida 3 av 6

( 2) (1) q q ( ) q för alla För att bestämma evetuella statioära saolikhetsvektorer skriver vi vektorekvatioe q q å komoetform och lägger till villkoret q q 1 Med adra ord löser vi systemet: q q q q 1 q är e saolikhetsvektor, summa koordiater 1 ÖVNINGAR Ugift 1 Låt betecka övergågsmatrise för e Markovkedja i diskret tid Låt () betecka de trasieta saolikhetsvektor, d v s saolikhete att Markovrocesse vid tidukte t befier sig i tillståd E1, E 2 Om startvektor (0) 03, 07 så i bestäm (1), (2), (3) ii bestäm saolikhete att rocesse är i tillstådet E1 i tidukte t3 08 02 x 03 x 04 a 05 05 b 04 y c y 011 x 02 d 03 y Svar : a i (1) 059,041, (2) 0677,0323, (3) 07031,02969 i i 07031 b i (1) 049,051, (2) 0547,0453, (3) 05641,04359 i i 05641 c i (1) 0803,0197, (2) 0657,0343, (3) 0699,0301 i i 0699 d i (1) 045,055, (2) 0525,0475, (3) 05625,04375 i i 05625 Ugift 2 Låt betecka övergågsmatrise för e Markovkedja i diskret tid med tre tillståd E 1, E2 och E 3 Låt vidare startvektor (0) 03, 02, 05 i Bestäm (1) Sida 4 av 6

ii Bestäm saolikhete att rocesse är i tillstådet E2 i tidukte t1 01 09 0 a 0 05 05 0 03 07 b 02 x 0 0 y 04 0 z 07 02 x 0 c 01 y 0 0 z 0 Svar: a i (1) 003,052,045 ii 052 b i (1) 006,051,043 ii 051 c i (1) 008,092,0 ii 092 Ugift 3 Ett system ka betraktas som e Markovkedja med två tillståd E1 och E2 Om systemet uder e dag är i tillståd E1 så övergår systemet ästa dag till E2 med saolikhete 005 Om systemet uder e dag befier sig i E2, är systemet ästa dag i samma tillståd, E2, med saolikhete 008 a Bestäm övergågsmatrise b Rita tillstådsdiagrammet med övergågssaolikhetera c Bestäm saolikhete att systemet är i tillstådet E1 efter 3 övergågar om systemet startar i E2 Svar: 095 a 092 b se figure 005 008 095 005 0,08 c Startvektor är (0) 0, 1 eftersom systemet startar i E2 Vi beräkar 095 005 ( 1) (0) (0,1) (092,008) 092 008 095 005 (2) (1) = ( 092,008) (09476, 00524) 092 008 095 005 ( 3) (2) (09476, 00524) (0948428, 0051572) 092 008 Saolikhete att systemet är i tillstådet E1 efter 3 övergågar är 0948428 Svar c: 0948428 092 Sida 5 av 6

03 Exemel E Markovkedja har övergågsmatrise 05 Bestäm alla statioära saolikhetsvektorer 07 05 Lösig: Låt q ( x, y) vara e statioär saolikhetsvektor Då gäller q q och x y 1 Vi skriver q q å komoetform: 03 07 03x 05y x ( x, y) ( x, y) 05 05 07x 05y y och lägger till ekvatioe x y 1 q är e saolikhetsvektor Därmed har vi systemet: 03x 05y x 07x 05y 0 07x 05y y 07x 05y 0 x y 1 x y 1 Adra ekvatioe är samma som första 7x Frå första ekvatioe har vi y som vi substituerar i tredje ekvatioe och får 5 7x 12x 5 x 1 1 x 5 5 12 Svar: q (5 /12, 7 /12) Ugift 4 E Markovkedja har övergågsmatrise 02 08 01 09 1 0 a b 06 04 c 06 04 0 1 Bestäm alla statioära saolikhetsvektorer Svar: a q (3 / 7, 4 / 7) b q (2 / 5, 3/ 5) c oädligt måga lösigar q ( t, 1 t) där 0 t 1 Ugift 5 E Markovkedja har övergågsmatrise Bestäm alla statioära saolikhetsvektorer Svar: q Sida 6 av 6