Stochastische Modellen in Operations Management (153088)
|
|
- Melissa van de Velde
- 8 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Stochastische Modellen in Oerations Management (15388) S1 S2 Ack X ms X ms S 24 ms R1 R2 R3 L1 L2 1 ms 1 ms D Internet D1 D2 Richard Boucherie Stochastische Oerations Research TW, Ravelijn H 219 htt://wwwhome.math.utwente.nl/~boucherierj/onderwijs/15388/15388.html
2 Mededelingen Rooster hoorcollege: zie website voor zalen Rooster werkcollege: zie website data in rooster zijn correct (was fout o website) O werkcollege: beantwoorden vragen NIET: voormaken van de ogaven Werkcollege start morgen Docenten: Judith Vink-Timmer, Laurence Groot Bruinderink Transaranten als df o website
3 Last time on. SMOM Markov keten is een stochastisch roces dat voldoet aan de de Markov eigenscha: P(X t+1 i t+1 X t i t, X t-1 i t-1,,x 1 i 1, X i ) P(X t+1 i t+1 X t i t ) Homogeen P(X t+1 j X t i) ij ij overgangskansen voor de Markov keten P ij (n) P(X m+n j X m i) P(X n j X i) is de n-stas overgangskans voor een transitie van i naar j. P ij (n) ij element van P n
4 Markov keten voor beurskoersen Markov keten voor koersen beleggingsrekening i,i+1, i,i-1 1- Dronkemanswandeling (random walk) htt:// Beaalde n stas overgangskansen P ij ( n) n k k (1 ) n k, j i k ( n k), of k ( n + j i) / 2
5 Food for thought: geheugen in Markov keten? Betere weerman? Kans regen hangt af van weer vandaag en gisteren P(morgen regen vandaag en gister regen).7 P(morgen regen vandaag regen, gister droog).5 P(morgen regen vandaag droog, gister regen).4 P(morgen regen vandaag en gister droog).2 Toestand weer o dag n? Markov keten?
6 RJ1 Food for thought: geheugen in Markov keten? Betere weerman? Kans regen hangt af van weer vandaag en gisteren maak Markov keten X n toestand weer o dag n en dag n-1 Toestand 1 : regen vandaag en gisteren Toestand 2 : regen vandaag, droog gisteren Toestand 3: droog vandaag, regen gisteren Toestand 4: droog vandaag en gisteren 11 P(morgen regen vandaag en gisteren regen).7 21 P(morgen regen vandaag regen, gisteren droog).5 32 P(morgen regen vandaag droog, gisteren regen).4 42 P(morgen regen vandaag en gisteren droog).2 P
7 Slide 6 RJ1 let o, bij betere weerman noemen dat voor Xn+1 vandaag en gisteren komt overeen met voor Xn morgen en vandaag!! Geef laatje betere weerman o bord van Markov keten!! Boucherie;
8 Vandaag: Voorbeeld: Cola voorbeeld uit boek Classificatie toestanden Evenwichtsverdeling Toeassing Markov ketens in beslissingsroblemen Terugkeertijden Samenvatting Markov ketens
9 Cola voorbeeld: gedrag MK Stel twee soorten cola (is aanname voor voorbeeld), ersonen wisselen voorkeur met mate, alle ersonen statistisch gelijk (willekeurig individu). Een ersoon die cola 1 koot zal volgende keer met kans 9% weer cola 1 koen. Een ersoon die cola 2 koot zal volgende keer met kans 8% weer cola 2 koen. 1. Wanneer een ersoon nu cola 2 drinker is, wat is de kans dat hij/zij bij tweede aankoo na nu cola 1 koot? 2. Wanneer een ersoon nu cola X drinker is, wat is de kans dat hij/zij bij tweede aankoo na nu cola 1 koot? 3. Wat is het toekomstig marktaandeel van cola 1? Vragen die van groot belang zijn voor bijvoorbeeld de beurskoers, of voor beslissingen van management voor inzet extra reclamemiddelen (waarom?)
10 The Cola Examle Modelleer aankoo van een ersoon als Markov keten met toestand o ieder moment de soort cola die de ersoon als laatste heeft gekocht. Cola aankoo dan modelleren als Markov keten met twee toestanden Toestand 1 ersoon heeft als laatste cola 1 gekocht Toestand 2 ersoon heeft als laatste cola 2 gekocht Laat X n het tye cola gekocht door ersoon bij nde aankoo, dan is X, X 1, een Markov keten met overgangs matrix: cola 1 kans 9% weer cola 1 cola 2 kans 8% weer cola 2 Cola1 Cola1.9 P Cola Cola
11 Cola 1 Cola 2 Cola Cola P Cola Hiermee kunnen we vragen 1 en 2 beantwoorden. 1. Wanneer een ersoon nu cola 2 drinker is, wat is de kans dat hij/zij bij tweede aankoo na nu cola 1 koot? We zoeken P(X 2 1 X 2) P 21 (2) element 21 van P 2 : P Dus, P 21 (2) De kans dat een cola 2 drinker na twee aankoen cola 1 koot is.34 We kunnen dit antwoord ook vinden mbv elementaire kansrekening.17.66
12 Cola 2. Wanneer een ersoon nu cola X drinker is, wat is de kans dat hij/zij bij tweede aankoo na nu cola 1 koot? We weten nu niet welke cola ersoon drinkt, en moeten daarom aanname doen over de fractie ersonen die nu cola 1 drinkt (bijvoorbeeld via marktonderzoek). We vinden zo q[q 1, q 2 ] de beginverdeling De gezochte kans is voor j1 i 2 i 1 q i P ij (2)
13 Cola Wat is het toekomstig marktaandeel van cola 1? Stel nu dat we de toestand van de Markov keten niet kennen o tijdsti. We willen toch weten wat toekomstig marktaandeel is van cola 1. We bekijken eerst de n-stas overgangsmatrix voor verschillende waarden van n. Voor grote n lijkt (blijkt) de kans o cola 1 aankoo.67 te zijn onafhankelijk van de voorkeur o tijdsti n P 11 (n) P 12 (n) P 21 (n) P 22 (n)
14 Cola Wat is het toekomstig marktaandeel van cola 1? Stel nu dat we de toestand van de Markov keten niet kennen o tijdsti. We willen toch weten wat toekomstig marktaandeel is van cola 1. We bekijken eerst de n-stas overgangsmatrix voor verschillende waarden van n. Voor grote n lijkt (blijkt) de kans o cola 1 aankoo.67 te zijn onafhankelijk van de voorkeur o tijdsti n P 11 (n) P 12 (n) P 21 (n) P 22 (n) Verklaring / intuïtie? Formeel?
15 Vandaag: Voorbeeld: Cola voorbeeld uit boek Classificatie toestanden Evenwichtsverdeling Toeassing Markov ketens in beslissingsroblemen Terugkeertijden Samenvatting Markov ketens
16 RJ5 Markov keten: classificatie toestanden P PLAATJE j bereikbaar vanuit i als er ad is van i naar j i en j communiceren als j bereikbaar vanuit i en i bereikbaar vanuit j Set toestanden S gesloten set als geen toestand buiten S bereikbaar vanuit toestand in S Toestand i absorberende toestand als ii 1
17 Slide 15 RJ5 laatjes uit boek o bord tekenen! Boucherie;
18 RJ12 Markov keten: classificatie toestanden.4.5 P Toestand i transiënt als er toestand j is die bereikbaar is vanuit i, maar i niet bereikbaar vanuit j Recurrente toestand niet transiënte toestand Toestand i eriodiek met eriode k>1 als k is kleinste getal waarvoor alle aden van i naar i lengte hebben die veelvoud is van k. Aeriodiek: recurrente toestand die niet eriodiek is Ergodische Markov keten: alle toestanden communiceren, zijn recurrent, en aeriodiek
19 Slide 16 RJ12 laatjes uit boek o bord tekenen! Boucherie;
20 Vandaag: Voorbeeld: Cola voorbeeld uit boek Classificatie toestanden Evenwichtsverdeling Toeassing Markov ketens in beslissingsroblemen Terugkeertijden Samenvatting Markov ketens
21 Markov keten: evenwichtsverdeling Evenwichtsverdeling beschrijft gedrag van de Markov keten o de lange duur Stelling 1: Laat P de transitie matrix van een ergodische Markov keten met s toestanden. Er bestaat een unieke vector π [π 1 π 2 π s ] zo dat s s s n n P π π π π π π π π π L M M M L L lim RJ6
22 Slide 18 RJ6 geef voorbeeld weerman o bord kansstromen uitleggen Boucherie;
23 RJ13 Markov keten: evenwichtsverdeling Ofwel lim P( X n j X n i) P ij ( n) π j onafhankelijk begintoestand De vector π [π 1 π 2 π s ] noemen we stationaire verdeling of evenwichtsverdeling van de Markov keten Stationair: wanneer we starten met beginverdeling π dan blijft de verdeling π. We kunnen π bealen uit π πp met normeringsvoorwaarde π π s 1. π limqp n n πp
24 Slide 19 RJ13 geef voorbeeld weerman o bord kansstromen uitleggen Boucherie;
25 RJ14 Markov keten: evenwichtsverdeling Stationaire verdeling Chaman-Kolmogorov vergelijkingen: ij s k 1 P ( n + 1) P ( n) ik kj Voor grote n P ij ( n + 1) P ( n) ij π j Invullen geeft j s π π k 1 k kj Interretatie?
26 Slide 2 RJ14 geef voorbeeld weerman o bord kansstromen uitleggen Boucherie;
27 Transiënt gedrag & Intuïtie Gedrag Markov keten voor stationair of evenwicht transiënt (korte termijn) gedrag. Intuïtie evenwichtsvergelijkingen π j k π k kj k π j jk In evenwicht is de kansstroom naar iedere toestand gelijk aan de kansstroom uit iedere toestand. k π k kj
28 Vandaag: Voorbeeld: Cola voorbeeld uit boek Classificatie toestanden Evenwichtsverdeling Toeassing Markov ketens in beslissingsroblemen Terugkeertijden Samenvatting Markov ketens
29 Evenwichtsverdeling voor beslissingen: Cola Neem aan dat iedere ersoon 1 maal er week cola koot. Stel 1 miljoen cola drinkers (koers) Verkoen van een fles cola kost de verkoer $1 aan roductiekosten; fles wordt verkocht voor $2. Advertentiebedrijf garandeert dat zij voor $5 miljoen er jaar de kans dat een cola 1 drinker wisselt naar cola 2 kan terugbrengen van 1% naar 5%. Is het verstandig voor bedrijf dat cola 1 verkoot (roduceert) om het advertentiebedrijf in te huren?
30 Analyse Momenteel is fractie π 1 ⅔ van alle cola aankoen van tye cola 1. Elke cola 1 aankoo geeft $1 winst. Momenteel is jaarlijkse winst 52*2/3*1..*$1$3,466,666,667. Advertentiebedrijf biedt aan de matrix P veranderen in P
31 Voor P 1, vinden we de evenwichtsvergelijkingen π 1.95π 1 +.2π 2 π 2.5π 1 +.8π 2 met normeringsvoorwaarde π 1 + π 2 1 Olossen geeft π 1.8 en π 2.2. Met deze verdeling is de jaarlijkse winst voor bedrijf cola 1 52*.8*1,,*$1-$5$3,66,, (na aftrek kosten $5 miljoen voor advertentiebedrijf) Dit is meer dan $3,466,666,667. Dus cola 1 bedrijf doet er verstandig aan advertentie bedrijf in te huren.
32 Vandaag: Voorbeeld: Cola voorbeeld uit boek Classificatie toestanden Evenwichtsverdeling Toeassing Markov ketens in beslissingsroblemen Terugkeertijden Samenvatting Markov ketens
33 Terugkeertijden Voor ergodische Markov keten, laat m ij verwachte aantal transities nodig om j voor het eerst te bereiken vanuit i m ij is mean first assage time van i naar j. Neem aan dat we nu in i zitten. Met kans ij hebben we 1 sta nodig om van i naar j te gaan. Voor k j moeten we eerst met kans ik naar toestand k. In dit geval hebben we 1 + m kj staen nodig om van i naar j te komen. We vinden zo m ij 1 ij + ij k j + k j ik (1 + m ( m kj ) kj ) ik
34 We kunnen stelsel olossen m 1+ ij k j In het bijzonder kunnen we de terugkeertijd bealen, waarvoor we tevens kunnen laten zien dat ik m kj m ii 1 π i Waarom? Interretatie evenwichtsverdeling
35 Samenvatting Markov ketens Markov eigenscha (Markov roces) P X i X i,..., X i, X i ) P( X i X ( n+ 1 n+ 1 n n 1 1 n+ 1 n+ 1 n in Overganskansen n-stas overgangskansen P Classificatie toestanden ij n+ n P( X 1 j X i) ij m + n m n ( n ) P ( X j X i) P ( X j X i) ) Evenwichtsverdeling Terugkeertijden π i m 1+ ij π k j fractie aantal staen ( tijd ) in toestand i j lim n ik P ij m ( n) kj π j m ii π k k 1 π i kj
Stochastische Modellen in Operations Management (153088)
Stochastische Modellen in Oerations Management (153088) S1 S2 Ack X ms X ms S0 240 ms R1 R2 R3 L1 L2 10 ms 10 ms D0 Internet D1 D2 Richard Boucherie Stochastische Oerations Research TW, Citadel 125 htt://wwwhome.math.utwente.nl/~boucherierj/onderwijs/153088/153088.html
Nadere informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i). P (X n+1 = j X n = i) MARKOV KETENS. Definitie van Markov keten:
Definitie van Markov keten: MARKOV KETENS Een stochastisch proces {X n, n 0} met toestandsruimte S heet een discrete-tijd Markov keten (DTMC) als voor alle i en j in S geldt P (X n+1 = j X n = i, X n 1,...,
Nadere informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i). P (X n+1 = j X n = i) MARKOV KETENS. Definitie van Markov keten:
Definitie van Markov keten: MARKOV KETENS Een stochastisch proces {X n, n 0} met toestandsruimte S heet een discrete-tijd Markov keten (DTMC) als voor alle i en j in S geldt P (X n+ = j X n = i, X n,...,
Nadere informatieWachttijdtheorie (vakcode )
Wachttidtheorie vacode 153087 Doel Introductie theorie netweren van wachtrien met nadru o exacte analytische olossingen. Omvang 3 SP 5 ECTS volgend aar Ca 18 bieenomsten Plaats: 4.2 Vorm: Hoorcollege /
Nadere informatieMARKOV KETENS, OF: WAT IS DE KANS DAT MEVROUW DE VRIES NAT ZAL WORDEN?
MARKOV KETENS, OF: WAT IS DE KANS DAT MEVROUW DE VRIES NAT ZAL WORDEN? KARMA DAJANI In deze lezing gaan we over een bijzonder model in kansrekening spreken Maar eerst een paar woorden vooraf Wat doen we
Nadere informatieZoek de unieke oplossing van het stelsel π = π P waarvoor bovendien geldt dat i S π i = 1.
LIMIETGEDRAG VAN REDUCIBELE MARKOV KETEN In het voorgaande hebben we gezien hoe we de limietverdeling van een irreducibele, aperiodieke Markov keten kunnen berekenen: Voorbeeld 1: Zoek de unieke oplossing
Nadere informatieP = LIMIETGEDRAG VAN MARKOV KETENS Limietverdeling van irreducibele, aperiodieke Markov keten:
LIMIETGEDRAG VAN MARKOV KETENS Limietverdeling van irreducibele, aperiodieke Markov keten: Voorbeeld: Zoek de unieke oplossing van het stelsel π = π P waarvoor bovendien geldt dat i S π i = 1. P = 0 1/4
Nadere informatieStochastische Modellen in Operations Management (153088)
Stochastische Modellen in Operations Management (153088) S1 S2 X ms X ms R1 S0 240 ms Ack L1 R2 10 ms Internet R3 L2 D0 10 ms D1 D2 Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219
Nadere informatieINLEIDING. Definitie Stochastisch Proces:
Definitie Stochastisch Proces: INLEIDING Verzameling van stochastische variabelen die het gedrag in de tijd beschrijven van een systeem dat onderhevig is aan toeval. Tijdparameter: discreet: {X n, n 0};
Nadere informatie0.97 0.03 0 0 0.008 0.982 0.01 0 0.02 0 0.975 0.005 0.01 0 0 0.99
COHORTE MODELLEN Markov ketens worden vaak gebruikt bij de bestudering van een groep van personen of objecten. We spreken dan meestal over Cohorte modellen. Een voorbeeld van zo n situatie is het personeelsplanning
Nadere informatieMARKOV MODEL MET KOSTEN In Markov modellen zijn we vaak geïnteresseerd in kostenberekeningen.
MARKOV MODEL MET KOSTEN In Markov modellen zijn we vaak geïnteresseerd in kostenberekeningen. voorraadmodel: voorraadkosten personeelsplanningmodel: salariskosten machineonderhoudsmodel: reparatiekosten
Nadere informatieStochastische Modellen in Operations Management (153088)
S1 S2 X ms X ms Stochastische Modellen in Operations Management (153088) R1 S0 240 ms Ack Internet R2 L1 R3 L2 10 ms 1 10 ms D1 Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/153088/153088.html
Nadere informatieMARKOV MODEL MET KOSTEN In Markov modellen zijn we vaak geïnteresseerd in kostenberekeningen.
MARKOV MODEL MET KOSTEN In Markov modellen zijn we vaak geïnteresseerd in kostenberekeningen. voorraadmodel: voorraadkosten personeelsplanningmodel: salariskosten machineonderhoudsmodel: reparatiekosten
Nadere informatieDeel 2 van Wiskunde 2
Deel 2 van Wiskunde 2 Organisatorische informatie Wat Dag Tijd Zaal Docent College Tue 5+6 Aud 6+15 Jacques Resing Thu 1+2 Aud 1+4 Jacques Resing Werkcollege Tue 7+8 Aud 6+15 Jacques Resing Instructie
Nadere informatieStochastische Modellen in Operations Management (153088)
R1 L1 R2 S0 Stochastische Modellen in Operations Management (153088) 240 ms 10 ms Ack Internet Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/153088/153088.html
Nadere informatieo Dit tentamen bestaat uit vier opgaven o Beantwoord de opgaven 1 en 2 enerzijds, en de opgaven 3 en 4 anderzijds op aparte vellen papier
Toets Stochastic Models (theorie) Maandag 22 rnei 2OL7 van 8.45-1-1-.45 uur Onderdeel van de modules: o Modelling and analysis of stochastic processes for MATH (20L400434) o Modelling and analysis of stochastic
Nadere informatieStochastische Modellen in Operations Management (153088)
Stochastische Modellen in Operations Management (53088) S S Ack X ms X ms S0 40 ms R R R3 L L 0 ms 0 ms D0 Internet D D Richard Boucherie Stochastische Operations Research TW, Ravelijn H 9 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/53088/53088.html
Nadere informatieTentamen Inleiding Kansrekening wi juni 2010, uur
Technische Universiteit Delft Mekelweg Faculteit Electrotechniek, Wiskunde en Informatica 8 CD Delft Tentamen Inleiding Kansrekening wi juni, 9.. uur Bij dit examen is het gebruik van een (evt. grafische
Nadere informatieStochastische Modellen in Operations Management (153088)
S1 S2 X ms X ms Stochastische Modellen in Operations Management (153088) R1 S0 240 ms Ack Internet R2 L1 R3 L2 10 ms 1 10 ms D1 Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/153088/153088.html
Nadere informatieStochastische Modellen in Operations Management (153088)
R1 L1 R2 1 S0 Stochastische Modellen in Operations Management (153088) 240 ms 10 ms Ack Internet Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/153088/153088.html
Nadere informatieQ is het deel van de overgangsmatrix dat correspondeert met overgangen
COHORTE MODELLEN Stel we hebben een groep personen, waarvan het gedrag van ieder persoon afzonderlijk beschreven wordt door een Markov keten met toestandsruimte S = {0, 1, 2,..., N} en overgangsmatrix
Nadere informatieS n = tijdstip van de n-de gebeurtenis, T n = S n S n 1 = tijd tussen n-de en (n 1)-de gebeurtenis.
HET POISSON PROCES In veel praktische toepassingen kan het aaankomstproces van personen, orders,..., gemodelleerd worden door een zogenaamd Poisson proces. Definitie van een Poisson proces: Een Poisson
Nadere informatieStochastische Modellen in Operations Management (153088)
Stochastische Modellen in Operations Management (53088) S S Ack X ms X ms S0 40 ms R R R3 L L 0 ms 0 ms D0 Internet D D Richard Boucherie Stochastische Operations Research TW, Ravelijn H 9 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/53088/53088.html
Nadere informatieMobiele communicatie: reken maar!
Mobiele communicatie: reken maar! Richard J. Boucherie Stochastische Operationele Research Toen : telefooncentrale Erlang verliesmodel Nu : GSM Straks : Video on demand Toen : CPU Processor sharing model
Nadere informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i).
MARKOV PROCESSEN Continue-tijd Markov ketens (CTMCs) In de voorafgaande colleges hebben we uitgebreid gekeken naar discrete-tijd Markov ketens (DTMCs). Definitie van discrete-tijd Markov keten: Een stochastisch
Nadere informatieVrije Universiteit Amsterdam Opleiding Wiskunde - Bachelorscriptie. Vernieuwingsrijen. Arno E. Weber. studentnummer:
Vrije Universiteit Amsterdam Opleiding Wiskunde - Bachelorscriptie Vernieuwingsrijen Arno E. Weber studentnummer: 1275437 email: aeweber@cs.vu.nl augustus 2004 Inhoudsopgave Voorwoord iii 1 Inleiding
Nadere informatieTentamen Inleiding Kansrekening 9 juni 2016, 10:00 13:00 Docent: Prof. dr. F. den Hollander
Tentamen Inleiding Kansrekening 9 juni 6, : 3: Docent: Prof. dr. F. den Hollander Bij dit tentamen is het gebruik van boek en aantekeningen niet toegestaan. Er zijn 8 vragen, elk met onderdelen. Elk onderdeel
Nadere informatieDe dimensie van een deelruimte
De dimensie van een deelruimte Een deelruimte van R n is een deelverzameling die op zichzelf ook een vectorruimte is. Ter herinnering : Definitie. Een deelverzameling H van R n heet een deelruimte van
Nadere informatieHet tentamen heeft 25 onderdelen. Met ieder onderdeel kan maximaal 2 punten verdiend worden.
Hertentamen Inleiding Kansrekening WI64. 9 augustus, 9:-: Het tentamen heeft 5 onderdelen. Met ieder onderdeel kan maximaal punten verdiend worden. Het tentamen is open boek. Boeken, nota s en een (eventueel
Nadere informatieLIMIETGEDRAG VAN CONTINUE-TIJD MARKOV KETENS
LIMIETGEDRAG VAN CONTINUE-TIJD MARKOV KETENS Hoofdstelling over limietgedrag van continue-tijd Markov ketens. Stelling: Een irreducibele, continue-tijd Markov keten met toestandsruimte S = {1, 2,..., N}
Nadere informatieDefinitie van continue-tijd Markov keten:
Definitie van continue-tijd Markov keten: Een stochastisch proces {X(t), t 0} met toestandsruimte S heet een continue-tijd Markov keten (CTMC) als voor alle i en j in S en voor alle tijden s, t 0 geldt
Nadere informatieStochastische Modellen in Operations Management (153088)
S1 S2 X ms X ms Stochastische Modellen in Operations Management (153088) R1 S0 240 ms Ack Internet R2 L1 R3 L2 10 ms 1 10 ms D1 Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/153088/153088.html
Nadere informatieUitwerking Hertentamen Inleiding Kansrekening 6 juli 2015, uur Docent: Prof. dr. F. den Hollander
Uitwerking Hertentamen Inleiding Kansrekening 6 jli 5, 4. 7. r Docent: Prof. dr. F. den Hollander Bij dit tentamen is het gebrik van boek en aantekeningen niet toegestaan. Er zijn vragen. Elke vraag is
Nadere informatieCTB1002 deel 1 - Lineaire algebra 1
CTB100 deel 1 - Lineaire algebra 1 College 5 5 februari 014 1 Opbouw college Vandaag behandelen we hoofdstuk 1.7 en deel van 1.8 Voor de pauze: hoofdstuk 1.7 Na de pauze: hoofdstuk 1.8 Verschillende notaties
Nadere informatieDefinitie van continue-tijd Markov keten:
Definitie van continue-tijd Markov keten: Een stochastisch proces {X(t), t 0} met toestandsruimte S heet een continue-tijd Markov keten (CTMC) als voor alle i en j in S en voor alle tijden s, t 0 geldt
Nadere informatieModellen en Simulatie Lesliematrices Markovketens
Utrecht, 6 april 3 Modellen en Simulatie Lesliematrices Markovketens Program Meerdere leeftijdsklassen Leslie matrices Eigenwaarden en eigenvectoren Dominante eigenvector Irreducibele, a-periodieke matrices
Nadere informatieTentamen Inleiding Kansrekening 11 augustus 2011, uur
Mathematisch Instituut Niels Bohrweg Universiteit Leiden 2 CA Leiden Delft Tentamen Inleiding Kansrekening augustus 20, 09.00 2.00 uur Bij dit examen is het gebruik van een evt. grafische) rekenmachine
Nadere informatieCover Page. The handle holds various files of this Leiden University dissertation
Cover Page The handle http://hdl.handle.net/1887/39637 holds various files of this Leiden University dissertation Author: Smit, Laurens Title: Steady-state analysis of large scale systems : the successive
Nadere informatieStatistiek voor A.I. College 4. Donderdag 20 September 2012
Statistiek voor A.I. College 4 Donderdag 20 September 2012 1 / 30 2 Deductieve statistiek Kansrekening 2 / 30 Cycle 3 / 30 Context 4 / 30 2 Deductieve statistiek Vandaag: Eigenschappen kansen Oneindige
Nadere informatieHertentamen Inleiding Kansrekening 5 juli 2017, 14:00 17:00 Docent: Prof. dr. F. den Hollander
Hertentamen Inleiding Kansrekening 5 juli 07, 4:00 7:00 Docent: Prof. dr. F. den Hollander Bij dit tentamen is het gebruik van boek en aantekeningen niet toegestaan, wel het gebruik van rekenmachine. Er
Nadere informatie0 2λ µ 0
Example 6.7 Machine werkplaats met vier onafhankelijke machines 1, 2, 3 en 4. Bedrijfsduur machine i (i = 1, 2, 3, 4) is B i Exp(µ), reparatieduur wegens defect machine i is R i Exp(λ). Er zijn twee reparateurs
Nadere informatieVragen die je wilt beantwoorden zijn:
Net als bij een discrete-tijd Markov keten is men bij de bestudering van een continue-tijd Markov keten zowel geïnteresseerd in het korte-termijn gedrag als in het lange-termijn gedrag. Vragen die je wilt
Nadere informatieWachtrijmodellen voor optimalisatie in het dagelijks leven
Wachtrijmodellen voor optimalisatie in het dagelijks leven Richard J. Boucherie Stochastische Operationele Research Abstract Wachten doen we allemaal: bij de kassa van de supermarkt, in het verkeer, maar
Nadere informatieToepassingen op differentievergelijkingen
Toepassingen op differentievergelijkingen We beschouwen lineaire differentievergelijkingen of lineaire recurrente betrekkingen van de vorm a 0 y k+n + a y k+n + + a n y k+ + a n y k = z k, k = 0,,, Hierbij
Nadere informatievandaag is Annie twee jaar jonger dan Ben en Cees samen
Hoofdstuk I Lineaire Algebra Les 1 Stelsels lineaire vergelijkingen Om te beginnen is hier een puzzeltje: vandaag is Annie twee jaar jonger dan Ben en Cees samen over vijf jaar is Annie twee keer zo oud
Nadere informatiep j r j = LIMIETGEDRAG VAN CONTINUE-TIJD MARKOV KETENS Hoofdstelling over het limietgedrag van continue-tijd Markov ketens formuleren.
LIMIETGEDRAG VAN CONTINUE-TIJD MARKOV KETENS Hoofdstelling over het limietgedrag van continue-tijd Markov ketens formuleren. Stelling: Een irreducibele, continue-tijd Markov keten met toestandsruimte S
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 3 Dinsdag 20 September 1 / 29 1 Kansrekening Indeling: Cumulatieve distributiefuncties Permutaties en combinaties 2 / 29 Vragen: verjaardag Wat is de kans dat minstens
Nadere informatieLineaire Algebra voor ST
Lineaire Algebra voor ST docent: Judith Keijsper TUE, HG 9. email: J.C.M.Keijsper@tue.nl studiewijzer: http://www.win.tue.nl/wsk/onderwijs/ds6 Technische Universiteit Eindhoven college 9 J.Keijsper (TUE)
Nadere informatieVoorblad bij Tentamen
Studentnaam: Studentnummer: Voorblad bij Tentamen (in te vullen door de examinator) Vaknaam: Simulaties van Biochemische Systemen Vakcode: 8CB19 Datum: 06-04-016 Begintijd: 13:30 Eindtijd: 16:30 Aantal
Nadere informatieTentamen Inleiding Kansrekening 16 juni 2017, 14:00 17:00 Docent: Prof. dr. F. den Hollander
Tentamen Inleiding Kansrekening 6 juni 7, : 7: Docent: Prof. dr. F. den Hollander Bij dit tentamen is het gebruik van boek en aantekeningen niet toegestaan. Er zijn 8 vragen, elk met twee of drie onderdelen.
Nadere informatieTentamen Biostatistiek 3 / Biomedische wiskunde
Tentamen Biostatistiek 3 / Biomedische wiskunde 25 maart 2014; 12:00-14:00 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau. Het
Nadere informatie4.0 Voorkennis [1] Stap 1: Maak bij een van de vergelijkingen een variabele vrij.
3x4 y26 4x y3 4.0 Voorkennis [1] Voorbeeld 1 (Elimineren door substitutie): Los op: Stap 1: Maak bij een van de vergelijkingen een variabele vrij. 4x y = 3 y = 4x 3 Stap 2: Vul de vrijgemaakte variabele
Nadere informatieDe basiselementen van Markov-ketens zijn:
Contact Dit document is samengesteld door onderwijsbureau Bijles en Training. Wij zijn DE expert op het gebied van bijlessen en trainingen in de exacte vakken, van VMBO tot universiteit. Zowel voor individuele
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN. Faculteit Wiskunde en Informatica
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Tentamen Kansrekening (2WS2), Vrijdag 24 januari 24, om 9:-2:. Dit is een tentamen met gesloten boek. De uitwerkingen van de opgaven
Nadere informatieStatistiek voor A.I. College 5. Dinsdag 25 September 2012
Statistiek voor A.I. College 5 Dinsdag 25 September 2012 1 / 34 2 Deductieve statistiek Kansrekening 2 / 34 Percentages 3 / 34 Vragen: blikkie Kinderen worden slanker als ze anderhalf jaar lang limonade
Nadere informatieClassificatie van Markovbeslissingsketens
Classificatie van Markovbeslissingsketens Complexiteit van het multichainclassificatieprobleem Wendy Ellens 21 augustus 2008 Bachelorscriptie, Mathematisch Instituut, Universiteit Leiden Begeleider: Prof.
Nadere informatieStatistiek voor A.I. College 10. Dinsdag 16 Oktober
Statistiek voor A.I. College 10 Dinsdag 16 Oktober 1 / 30 Jullie - onderzoek Geert-Jan, Joris, Brechje Horizontaal: lengte Verticaal: lengte tussen topjes middelvingers met gestrekte armen. DIII 170 175
Nadere informatieCorrectievoorschrift VWO. wiskunde B1 (nieuwe stijl)
wiskunde B (nieuwe stijl) Correctievoorschrift VWO Voorbereidend Wetenschaelijk Onderwijs 0 04 Tijdvak inzenden scores Verwerk de scores van de alfabetisch eerste vijf kandidaten er school in het rogramma
Nadere informatieDepartment of Mathematics Exam: Voortgezette biostatistiek / Biomedische wiskunde VU University Amsterdam 2017, Juni 7
Department of Mathematics Exam: Voortgezette biostatistiek / Biomedische wiskunde VU University Amsterdam 07, Juni 7 c Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting
Nadere informatieKansrekening en statistiek wi2105in deel I 29 januari 2010, uur
Kansrekening en statistiek wi20in deel I 29 januari 200, 400 700 uur Bij dit examen is het gebruik van een (evt grafische rekenmachine toegestaan Tevens krijgt u een formuleblad uitgereikt na afloop inleveren
Nadere informatieLineaire Algebra voor ST
Lineaire Algebra voor ST docent: Judith Keijsper TUE, HG 9.31 email: J.C.M.Keijsper@tue.nl studiewijzer: http://www.win.tue.nl/wsk/onderwijs/2ds06 Technische Universiteit Eindhoven college 3 J.Keijsper
Nadere informatieStatistiek voor Natuurkunde Opgavenserie 1: Kansrekening
Statistiek voor Natuurkunde Opgavenserie 1: Kansrekening Inleveren: 12 januari 2011, VOOR het college Afspraken Serie 1 mag gemaakt en ingeleverd worden in tweetallen. Schrijf duidelijk je naam, e-mail
Nadere informatieTentamen Inleiding Kansrekening 25 juni 2009, uur Docent: F. den Hollander
Universiteit Leiden Niels Bohrweg Tentamen Inleiding Kansrekening 25 juni 2009, 0.00 3.00 uur Docent: F. den Hollander Mathematisch Instituut 2333 CA Leiden Bij dit tentamen is het gebruik van een (grafische)
Nadere informatieNETWERKEN VAN WACHTRIJEN
NETWERKEN VAN WACHTRIJEN Tot nog toe keken we naar wachtrijmodellen bestaande uit 1 station. Klanten komen aan bij het station,... staan (al dan niet) een tijdje in de wachtrij,... worden bediend door
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 8 Donderdag 13 Oktober 1 / 23 2 Statistiek Vandaag: Stochast en populatie Experimenten herhalen Wet van de Grote Getallen Centrale Limietstelling 2 / 23 Stochast en populatie
Nadere informatieTentamen Inleiding Kansrekening 12 augustus 2010, 10.00 13.00 uur Docent: F. den Hollander
Universiteit Leiden Niels Bohrweg Mathematisch Instituut 333 CA Leiden Tentamen Inleiding Kansrekening augustus,. 3. uur Docent: F. den Hollander Bij dit tentamen is het gebruik van een (grafische) rekenmachine
Nadere informatieCorrectievoorschrift VWO. wiskunde B1,2 (nieuwe stijl)
wiskunde B, (nieuwe stijl) Correctievoorschrift VWO Voorbereidend Wetenschaelijk Onderwijs 0 04 Tijdvak inzenden scores Verwerk de scores van de alfabetisch eerste vijf kandidaten er school in het rogramma
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 2 Donderdag 15 September 1 / 42 1 Kansrekening Vandaag: Vragen Eigenschappen van kansen Oneindige discrete uitkomstenruimtes Continue uitkomstenruimtes Continue stochasten
Nadere informatieHertentamen Biostatistiek 3 / Biomedische wiskunde
Hertentamen Biostatistiek 3 / Biomedische wiskunde 2 juni 2014; 18:30-20:30 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau. Het
Nadere informatieHoofdstuk 20 Wachtrijentheorie
Hoofdstuk 20 Wachtrijentheorie Beschrijving Iedereen van ons heeft al tijd gespendeerd in een wachtrij: b.v. aanschuiven in de Alma restaurants. In dit hoofdstuk onwikkelen we mathematische modellen voor
Nadere informatieBayesiaans leren. Les 2: Markov Chain Monte Carlo. Joris Bierkens. augustus Vakantiecursus 1/15
Bayesiaans leren Les 2: Markov Chain Monte Carlo Joris Bierkens Vakantiecursus augustus 209 /5 Samenvatting en vooruitblik Veel statistische problemen kunnen we opvatten in een Bayesiaanse context n π(θ)
Nadere informatieMore points, lines, and planes
More points, lines, and planes Make your own pictures! 1. Lengtes en hoeken In het vorige college hebben we het inwendig product (inproduct) gedefinieerd. Aan de hand daarvan hebben we ook de norm (lengte)
Nadere informatieDe enveloppenparadox
De enveloppenparadox Mats Vermeeren Berlin Mathematical School) 6 april 013 1 Inleiding Een spel gaat als volgt. Je krijgt twee identiek uitziende enveloppen aangeboden, waarvan je er één moet kiezen.
Nadere informatieBayesiaans leren. Les 2: Markov Chain Monte Carlo. Joris Bierkens. augustus Vakantiecursus 1/15
Bayesiaans leren Les 2: Markov Chain Monte Carlo Joris Bierkens Vakantiecursus augustus 2019 1/15 Samenvatting en vooruitblik Veel statistische problemen kunnen we opvatten in een Bayesiaanse context n
Nadere informatieDeterminanten. Definities en eigenschappen
Determinanten Definities en eigenschappen Definities (korte herhaling) Determinant van een 2x2-matrix: a b ad bc c d S. Mettepenningen Determinanten 2 Definities (korte herhaling) Determinant van een 3x3-matrix:
Nadere informatiete vermenigvuldigen, waarbij N het aantal geslagen Nederlandse munten en B het aantal geslagen buitenlandse munten zijn. Het resultaat is de vector
Les 3 Matrix product We hebben gezien hoe we matrices kunnen gebruiken om lineaire afbeeldingen te beschrijven. Om het beeld van een vector onder een afbeelding te bepalen hebben we al een soort product
Nadere informatieInleiding Modelmatige beschrijving Kansverdelingen Het overgangsdiagram De stellingen van Little M/M/1 M/M/1/N Afsluiti.
11 juni 2013 Maartje van de Vrugt, CHOIR Wat is het belang van wachtrijtheorie? Inleiding Modelmatige beschrijving Kansverdelingen Het overgangsdiagram De stellingen van Little M/M/1 Evenwichtskansen Wachtrij
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 13 Dinsdag 1 November 1 / 26 2 Statistiek Vandaag: Power Grootte steekproef Filosofie 2 / 26 Power 3 / 26 Power Def. De power (kracht) van een hypothese toets is (1 β),
Nadere informatieHandout Gambler s ruin
Handout Gambler s ruin Een gokker heeft een startkaitaal van ie. Hij seelt herhaaldelijk een goksel waarbij hij telkens 1e inlegt. Met kans wint hij en wordt zijn inleg verdubbeld en met kans verliest
Nadere informatieNu een leuk stukje wiskunde ter vermaak (hoop ik dan maar). Optellen van oneindig veel getallen
Nu een leuk stukje wiskunde ter vermaak (hoop ik dan maar). Optellen van oneindig veel getallen Ter inleiding: tellen Turven, maar: onhandig bij grote aantallen. Romeinse cijfers: speciale symbolen voor
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 12 Donderdag 21 Oktober 1 / 38 2 Statistiek Indeling: Stochast en populatie Experimenten herhalen Wet van de Grote Getallen Centrale Limietstelling 2 / 38 Deductieve
Nadere informatieBeslisbare talen (1) IN2505-II Berekenbaarheidstheorie. Beslisbare talen (2) Beslisbare talen (3) De talen: College 7
Beslisbare talen (1) College 7 Algoritmiekgroep Faculteit EWI TU Delft 10 mei 2009 De talen: A DFA = { M, w M is een DFA die w accepteert} A NFA = { M, w M is een NFA die w accepteert} E DFA = { M M is
Nadere informatieCursus Statistiek Hoofdstuk 4. Statistiek voor Informatica Hoofdstuk 4: Verwachtingen. Definitie (Verwachting van discrete stochast) Voorbeeld (1)
Cursus Statistiek Hoofdstuk 4 Statistiek voor Informatica Hoofdstuk 4: Verwachtingen Cursusjaar 29 Peter de Waal Departement Informatica Inhoud Verwachtingen Variantie Momenten en Momentengenererende functie
Nadere informatieMigrerende euromunten
Migrerende euromunten Inleiding Op 1 januari 2002 werden in vijftien Europese landen (twaalf grote en drie heel kleine) euromunten en - biljetten in omloop gebracht. Wat de munten betreft, ging het in
Nadere informatieTentamen Voortgezette biostatistiek / Biomedische wiskunde
Tentamen Voortgezette biostatistiek / Biomedische wiskunde 27 maart 2015; 15:15-17:15 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau.
Nadere informatieChapter 4: Continuous-time Markov Chains (Part I)
Stochastic Operations Research I (2014/2015) Selection of exercises from book and previous exams. Chapter 4: Continuous-time Markov Chains (Part I) 1.1 Book pp 179 185 These are useful exercises to learn
Nadere informatieStatistiek voor A.I. College 10. Donderdag 18 Oktober
Statistiek voor A.I. College 10 Donderdag 18 Oktober 1 / 28 Huffington Post poll verkiezingen VS - 12 Oktober 2012 2 / 28 Gallup poll verkiezingen VS - 15 Oktober 2012 3 / 28 Jullie - onderzoek Kimberly,
Nadere informatieOverzicht. Lineaire vergelijkingen. Onderwerpen & Planning. Doel. VU Numeriek Programmeren 2.5
VU Numeriek Programmeren 25 Charles Bos Vrije Universiteit Amsterdam Tinbergen Institute csbos@vunl, A40 Onderwerpen & Planning Practicum Literatuur Taal Terugblik & Huiswerk 2 april 202 /26 2/26 Onderwerpen
Nadere informatieVU University Amsterdam 2018, Maart 27
Department of Mathematics Exam: Voortgezette biostatistiek VU University Amsterdam 2018, Maart 27 c Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting bij de antwoorden.
Nadere informatieStochastiek 2. Inleiding in the Mathematische Statistiek. staff.fnwi.uva.nl/j.h.vanzanten
Stochastiek 2 Inleiding in the Mathematische Statistiek staff.fnwi.uva.nl/j.h.vanzanten 1 / 12 H.1 Introductie 2 / 12 Wat is statistiek? - 2 Statistiek is de kunst van het (wiskundig) modelleren van situaties
Nadere informatieGaap, ja, nog een keer. In één variabele hebben we deze formule nu al een paar keer gezien:
Van de opgaven met een letter en dus zonder nummer staat het antwoord achterin. De vragen met een nummer behoren tot het huiswerk. Spieken achterin helpt je niets in het beter snappen... 1 Stelling van
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 3 Leo van Iersel Technische Universiteit Delft 21 september 2016 Leo van Iersel (TUD) TW2020 Optimalisering 21 september 2016 1 / 36 LP: Lineair Programmeren min x 1 2
Nadere informatieConcrete markt: vragers, aanbieders, product op een bepaalde plaats.
Concrete markt: vragers, aanbieders, roduct o een beaalde laats. Abstracte markt: vraag en aanbod bealen de rijs (denkmodel) Volkomen concurrentie Kenmerken: Veel aanbieders Homogeen goed Transarante markt
Nadere informatieDivide & Conquer: Verdeel en Heers vervolg. Algoritmiek
Divide & Conquer: Verdeel en Heers vervolg Algoritmiek Algoritmische technieken Vorige keer: Divide and conquer techniek Aantal toepassingen van de techniek Analyse met Master theorem en substitutie Vandaag:
Nadere informatieLineaire algebra 1 najaar Lineaire codes
Lineaire algebra 1 najaar 2008 Lineaire codes Bij het versturen van digitale informatie worden in principe ketens van bits verstuurd die de waarde 0 of 1 kunnen hebben. Omdat de transmissiekanalen door
Nadere informatieExamenvragen Hogere Wiskunde I
1 Examenvragen Hogere Wiskunde I Vraag 1. Zij a R willekeurig. Gegeven is dat voor alle r, s Q geldt dat a r+s = a r a s. Bewijs dat voor alle x, y R geldt dat a x+y = a x a y. Vraag 2. Gegeven 2 functies
Nadere informatieLineaire Algebra voor ST
Lineaire Algebra voor ST docent: Judith Keijsper TUE, HG 9.31 email: J.C.M.Keijsper@tue.nl studiewijzer: http://www.win.tue.nl/wsk/onderwijs/2ds06 Technische Universiteit Eindhoven college 2 J.Keijsper
Nadere informatieWiskunde Module! Basisprogramma Psychologische Methodenleer! Alexander Ly (en Raoul Grasman)!
Wiskunde Module! Basisprogramma Psychologische Methodenleer! Alexander Ly (en Raoul Grasman)! Inhoudsopgave! Wiskunde en psychologie! Doelstelling van de module! Opzet van de module! Algebra: reken regels!
Nadere informatieFLIPIT 5. (a i,j + a j,i )d i d j = d j + 0 = e d. i<j
FLIPIT JAAP TOP Een netwerk bestaat uit een eindig aantal punten, waarbij voor elk tweetal ervan gegeven is of er wel of niet een verbinding is tussen deze twee. De punten waarmee een gegeven punt van
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN. Faculteit Wiskunde en Informatica
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Eindtentamen Kansrekening en Statistiek (WS), Tussentoets Kansrekening en Statistiek (WS), Vrijdag 8 april, om 9:-:. Dit is een tentamen
Nadere informatie