Armin Halilovic: EXTRA ÖVNINGAR

Relevanta dokument
. Mängden av alla möjliga tillstånd E k kallas tillståndsrummet.

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.

Genomsnittligt sökdjup i binära sökträd

Borel-Cantellis sats och stora talens lag

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

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

LINJÄRA DIFFERENTIALEKVATIONER AV HÖGRE ORDNINGEN

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

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.

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

SAMMANFATTNING TAMS79 Matematisk statistik, grundkurs

Introduktion till statistik för statsvetare

TAMS79: Föreläsning 9 Approximationer och stokastiska processer

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?

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

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

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

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

LINJÄR ALGEBRA II LEKTION 4

Bilaga 1 Formelsamling

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

2. Konfidensintervall för skillnaden mellan två proportioner.

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

Trigonometriska polynom

Tentamen i Matematisk statistik för V2 den 28 maj 2010

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

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?

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) =

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

Föreläsning 2: Punktskattningar

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

Sannolikhetslära. c 2015 Eric Järpe Högskolan i Halmstad

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)

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

TENTAMEN Datum: 16 okt 09

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:

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

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

Operativsystem - Baklås

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)

Föreläsning G04: Surveymetodik

= 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.

TMS136: Dataanalys och statistik Tentamen med lösningar

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

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

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

Tentamen i Flervariabelanalys F/TM, MVE035

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

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

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

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

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

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

Statistik. Språkligt och historiskt betyder statistik ungefär sifferkunskap om staten

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

Transkript:

Stokastiska rocesser Defiitio E stokastisk rocess är e mägd (familj) av stokastiska variabler X(t) arameter t är oftast (me ite alltid) e tidsvariabel rocesse kallas diskret om X(t) är e diskret s v för varje t rocesse kallas kotiuerlig om X(t) 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 Ek då X ( t i ) k betyder att rocesse är i tillståd Ek vid tidukte t ti Mägde av alla möjliga tillståd { Ek} kallas tillstådsrummet Uttrycket [ X ( t + 1) j X ( t ) i] beteckar övergågssaolikhete (trasitio robability) att systemet som är i tillstådet Ei vid tidukte t befier sig i Ej vid ästa tidukt t + 1 Defiitio Markovkedja i diskret tid är e diskret stokastisk rocess med diskret tid som ufyller Markov-villkoret: För t 0 < t1 < t2 < < t, X ( t ) j X ( t ) i,, X ( t ) i, X ( t ) i ] [ X ( t ) j X ( t ) ] [ + 1 1 1 0 0 + 1 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 Ei, Ej 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 fortsättig 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 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 grafe med övergågssaolikheter Svar: Absoluta saolikheter Sida 2 av 6

De absoluta saolikhete att rocesse befier sig i tillstådet Ei vid t t beteckas med i () Alltså ( ) ( X ( t ) i) i Därmed t ex 4) ( X ( t ) 2) är saolikhete att rocesse befier sig i tillstådet 2 ( 4 E2 vid t t4 (0) 2 är saolikhete att rocesse befier sig i tillstådet E2 vid starttide t 0 Saolikhetsvektor : Vid tide t t befier sig rocesse i ett av tillståde E1, E2, 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 E1 med saolikhete 1(0), i E2 med saolikhete 2(0) o s v Om rocesse säkert startar i ett visst tillståd Ek 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 E2 ( 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 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) Sida 3 av 6

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) 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 Sida 4 av 6

c) Bestäm saolikhete att systemet är i tillstådet E1 efter 3 övergågar om systemet startar i E2 Svar: 095 005 a) 092 008 b) se figure 095 005 0,08 c) 092 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 Defiitio E saolikhetsvektor q ( q 1, q 2,) kallas STATIONÄR saolikhetsvektor (steady -state robability vector) om de satisfierar ekvatioe q q Om rocesse startar med e statioär saolikhetsfördelig ( 1) q q ( 2) (1) q q ( ) q för alla ( 0) q då blir det När vi bestämmer statioära saolikhetsvektorer skriver vi vektor ekvatioe å komoet form och lägger till villkoret q + q + 1: q q Med adra ord löser vi systemet: q q q + q + 1 ( q är e saolikhetsvektor, summa koordiater 1) 03 07 Exemel E Markovkedja har övergågsmatrise 05 05 Sida 5 av 6

Bestäm alla statioära saolikhetsvektorer Lösig: Låt q ( x, y) vara e statioär saolikhetsvektor Då gäller q q och x + y 1 Vi skriver q q å komoet form: 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