Hoofdstuk 7 : Continue distributies als stochastische modellen. Marnix Van Daele. Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent
|
|
- Thijmen ter Linde
- 4 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Hoofdstuk 7 : Continue distributies als stochastische modellen Marnix Van Daele MarnixVanDaele@UGentbe Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent Continue distributies als stochastische modellen p 1/34
2 Continue distributies uniforme continue verdeling exponentiële verdeling normale verdeling Continue distributies als stochastische modellen p 2/34
3 De uniforme verdeling Een continue veranderlijke X is uniform verdeeld als X slechts waarden aanneemt in het interval [a, b] en wel zodanig dat elke waarde evenveel kans heeft om voor te komen X : U(a, b) a b x 1/(b a) 0 ϕ X (x) Continue distributies als stochastische modellen p 3/34
4 Distributiefuncties ϕ X (x) dx = 0 x<a 1 b a dx a x b 0 x>b Φ X (w) = w ϕ X (x) dx = 0 w<a w a a w b b a 1 w>b Continue distributies als stochastische modellen p 4/34
5 Karakteristieken µ = + xϕ X (x) dx = b a x b a dx = a + b 2 2 = µ 2 µ 2 µ 2 = + x 2 ϕ X (x) dx = b a [ ] x 2 1 b a dx = 1 x 3 b b a 3 a = b2 + ab+ a = b2 + ab+ a 2 3 ( ) 2 a + b = 2 (b a)2 12 = b a 12 Continue distributies als stochastische modellen p 5/34
6 Samenvatting a (a + b)/2 b x 1 b a 0 ϕ X (x) µ 2 µ µ µ + µ +2 a (a + b)/2 b x Φ X (x) µ Continue distributies als stochastische modellen p 6/34
7 Voorbeeld De NMBS garandeert tussen de steden A en B een treinverbinding om het half uur Wat is de kans dat een reiziger die de precieze uurregeling niet kent langer dan 20 minuten moet wachten? Oplossing : X : wachttijd van reiziger op trein (in minuten) X : uniform in [0, 30] Φ X (x) = x a b a = x 30 P(X >20) = 1 P(X 20) = 1 Φ X (20) = = 1 3 Continue distributies als stochastische modellen p 7/34
8 De exponentiële verdeling De exponentieel verdeelde veranderlijke T is de continue veranderlijke die de wachttijd beschrijft tussen twee optredens van het verschijnsel A op voorwaarde dat de veranderlijke I, die het aantal optredens van A beschrijft in een bepaalde tijdseenheid, een Poisson-verdeling bezit Continue distributies als stochastische modellen p 8/34
9 Distributiefuncties λt (λt)i ϕ I (i) =P i (t) =e i! i =0, 1, P i (t) =P(A treedt i keer op in tijdsduur t) ϕ T (t)dt = P(A treedt eerste keer op in [t, t +dt]) = P 0 (t) P 1 (dt) =P 0 (t) λ dt = λe λt dt 0 t<0 ϕ T (t)dt = λe λt dt t 0 w 0 w<0 Φ T (w) = ϕ T (t)dt = 0 1 e λw w 0 Continue distributies als stochastische modellen p 9/34
10 Karakteristieken µ = µ 2 = = 1 λ + = 1 λ tϕ T (t) dt = + 0 λte λt dt + we w dw = 1 w d ( e w) λ 0 + ] e w dw = 1 + λ e w [ we w + 0 t 2 ϕ T (t) dt = λt 2 e λt dt 0 = 1 λ = 1 + w 2 e w dw = 1 + w 2 de w λ 2 0 λ 2 0 = 1 [ w 2 e w + + ] 2 e w w dw = 2 λ 2 λ µ = 2 λ 2 2 = µ 2 µ 2 = 1 λ 2 = = 1 λ Continue distributies als stochastische modellen p 10/34
11 Distributiefuncties ϕ T (t) 2 λ = Φ T (w) 1 λ =1 λ = t w µ T = 1 λ T = 1 λ Continue distributies als stochastische modellen p 11/34
12 Voorbeeld De tijd tussen twee reparaties van een copieermachine is exponentieel verdeeld is met λ =002/dag (i) Wat is de kans dat er meer dan 60 dagen zullen verstrijken vooraleer een reparatie nodig is? (ii) Wat is de kans dat er meer dan µ +2 tijd zal verstrijken vooraleer een reparatie nodig is? Oplossing : X : het aantal dagen tussen twee reparaties van die machine X : exponentieel verdeeld met λ =002 (i) P(X >60)= e 60 λ = e 12 =0301 (ii) µ = = 1 =50= P(X >µ+2) =P(X >150) λ = e 150 λ = e 3 =00498 Continue distributies als stochastische modellen p 12/34
13 De normale verdeling De continue toevalsveranderlijke X is normaal verdeeld met gemiddelde waarde µ en standaardafwijking asa ϕ X (x) dx = 1 2π e 1 2( x µ ) 2 dx, x + Φ X (w) = 1 2π w e 1 2( x µ ) 2 dx, w + Φ X (+ ) = 1 2π + e 1 2( x µ ) 2 dx =1 X : N(µ, ) Continue distributies als stochastische modellen p 13/34
14 De normale verdeling ϕ X (x) 1 2π1 N(µ 1, 1 ) N(µ 2, 1 ) 1 2π2 N(µ 2, 2 ) µ 1 µ 2 x ϕ X (x) dx = 1 2π e 1 2( x µ ) 2 dx x + Continue distributies als stochastische modellen p 14/34
15 De normale verdeling 04 = =2 = Continue distributies als stochastische modellen p 15/34
16 De standaard normale verdeling Onder alle normale distributies onderscheiden we een heel belangrijke distributie, nl de standaard normale verdeling Dit is de verdeling van een N(0, 1) veranderlijke De standaard normaal verdeelde veranderlijke is de normaal verdeelde veranderlijke met waarschijnlijkheidsdichtheid ψ(z) waarvoor ψ(z) dz = 1 2π e 1 2 z2 dz, z + Ψ(w) = 1 2π w e 1 2 x2 dx, x + Continue distributies als stochastische modellen p 16/34
17 De normale verdeling Φ X (w) = z= x µ = 1 w 2π w µ 1 2π e 2( 1 x µ ( ) w µ Φ X (w) =Ψ ) 2 dx ( ) e 1 w µ 2 z2 dz =Ψ Kennen we de kansverdeling van één enkele normale verdeling (bvb de standaard normale verdeling) dan kennen we ze van alle andere normale verdelingen Continue distributies als stochastische modellen p 17/34
18 P(x 1 X x 2 ) als X : N(µ, ) ϕ X (x) 0 x µ N(µ, ) x 1 x 2 ψ ( x µ ) x µ 0 N(0, 1) x 1 µ x 2 µ P(x 1 X x 2 ) = Φ X (x 2 ) Φ X (x 1 ) = Ψ ( x2 µ ) Ψ ( x1 µ ) = P ( x1 µ X µ x 2 µ ) Continue distributies als stochastische modellen p 18/34
19 De normale verdeling Ψ( w) =1 Ψ(w) ψ(x) N(0, 1) Ψ(w 0 ) Ψ(w 0 ) w 0 0 w 0 Φ X (2 µ w) =1 Φ X (w) x ϕ X (x) N(µ, ) Φ X (w 0 ) Φ X (w 0 ) 0 w 0 µ 2 µ w 0 x Continue distributies als stochastische modellen p 19/34
20 Ψ(w) in tabelvorm w = Continue distributies als stochastische modellen p 20/34
21 Karakteristieken µ = 1 2π + xe 1 2( x µ ) 2 dx 2 = 1 + (x µ) 2 e 1 2( x µ ) 2 dx 2π M X (t) = 1 2π + e tx e 1 2( x µ ) 2 dx = e µt+ 2 t 2 2 Continue distributies als stochastische modellen p 21/34
22 Procentwaarden P(x 1 <X x 2 )=Φ X (x 2 ) Φ X (x 1 )=Ψ ( x2 µ ) ( ) x1 µ Ψ Bijzonder geval : ]x 1,x 2 ]=]µ a, µ+ a] P(µ a <X µ+a)=p( X µ <a)=ψ(a) Ψ( a) = P( X µ <a)=ψ(a) (1 Ψ(a)) = 2 Ψ(a) 1 = P( X µ >a)=1 (2 Ψ(a) 1) = 2 (1 Ψ(a)) Continue distributies als stochastische modellen p 22/34
23 Procentwaarden P( X µ <a)=ψ(a) Ψ( a) =2Ψ(a) 1 a Ψ(a) Ψ( a) P( X µ <a) Continue distributies als stochastische modellen p 23/34
24 Chebyshev normale verdeling k 1 1 k 2 P( X µ <k) / /9 099 Continue distributies als stochastische modellen p 24/34
25 De standaard normale verdeling ϕ X (x) ẋ 99% ϕ X (x) ẋ 95% ϕ X (x) ẋ 68% Continue distributies als stochastische modellen p 25/34
26 De normale verdeling Φ X (w) µ 2 µ µ µ+ µ+2 Continue distributies als stochastische modellen p 26/34 ẇ
27 Procentwaarden Bepaal a zodat P( X µ >a)= p 100 a : p-procentwaarde λ p van de normale verdeling P( X µ >λ p )=2(1 Ψ(λ p )) = p 100 Ψ(λ p)=1 p/2 100 Ψ(λ 5 )=0975 = λ 5 =Ψ 1 (0975) 196 Ψ(λ 10 )=095 = λ 10 =Ψ 1 (095) 164 Continue distributies als stochastische modellen p 27/34
28 Eigenschappen Is X een N(µ, ) verdeelde veranderlijke, dan is de veranderlijke Y = ax + b een N(aµ+ b, a ) veranderlijke X : N(µ, ) Z = X µ : N(0, 1) Continue distributies als stochastische modellen p 28/34
29 Eigenschappen Indien de n veranderlijken X i een normale verdeling N(µ i, i ) bezitten, dan is de veranderlijke n i=1 a i X i ook normaal verdeeld met n a i X i : N i=1 n a i µ i, i=1 n i=1 n 1 a 2 i 2 i +2 i=1 n a i a i ij Indien de n onafhankelijke veranderlijken X i een normale verdeling N(µ i, i ) bezitten, dan is de veranderlijke n i=1 a i X i ook normaal verdeeld met n n a i X i : N a i µ i, n i=1 i=1 i=1 a 2 i 2 i j=i Continue distributies als stochastische modellen p 29/34
30 Toepassing n a i X i : N n a i µ i, n a 2 i 2 i i=1 i=1 i=1 µ X = n j=1 X = 1 n n X j X j : N(µ, ) j=1 a j = 1 n µ j = µ j = 1 n n µ = µ j=1 X : 1 n n = µ 2 = X N ( µ, ) n j=1 ( ) = 2 n n Continue distributies als stochastische modellen p 30/34
31 De centrale limietstelling De distributie van de som van n veranderlijken nadert tot de normale verdeling voor n + Voorwaarden : geen enkele veranderlijke mag domineren en de veranderlijken moeten grotendeels onderling onafhankelijk zijn De centrale limietstelling verklaart het veelvuldig optreden van normaal verdeelde toevalsveranderlijken in de natuur Continue distributies als stochastische modellen p 31/34
32 De centrale limietstelling Gevolg : Het steekproefgemiddelde X van een steekproef van grootte n uit een universum corresponderend met een willekeurig verdeelde toevalsveranderlijke X met gemiddelde waarde µ en dispersie is in de limiet voor n + normaal verdeeld met gemiddelde waarde µ X = µ en standaardafwijking X = n X = 1 n n j=1 X j X j :(µ, ) µ X = µ 2 X = 2 n X : N ( µ, ) n Continue distributies als stochastische modellen p 32/34
33 De verdeling van X N(0, 1) U(0, 1) exp µ = m = m = m = m =25 Continue distributies als stochastische modellen p 33/
34 De binomiale verdeling Indien een veranderlijke I een binomiale verdeling bezit met parameter θ en gemiddelde waarde µ = nθ, dan zal de distributie van I in de limiet voor n + normaal verdeeld zijn met dezelfde gemiddelde waarde en standaardafwijking x ϕ X (x) ϕ I (i) I X : N(125, 25) I : n =25 θ =05 Richtlijn : de normale benadering is toegelaten als [µ 2, µ + 2] [0, n] Continue distributies als stochastische modellen p 34/34
Hoofdstuk 6 Discrete distributies
Hoofdstuk 6 Discrete distributies Marnix Van Daele MarnixVanDaele@UGentbe Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent Discrete distributies p 1/33 Discrete distributies binomiale verdeling
Nadere informatieHoofdstuk 5. Toevalsveranderlijken en waarschijnlijkheidsdistributies. Marnix Van Daele. Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent
Hoofdstuk 5 Toevalsveranderlijken en waarschijnlijkheidsdistributies Marnix Van Daele MarnixVanDaele@UGentbe Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent Toevalsveranderlijken en waarschijnlijkheidsdistributies
Nadere informatieOpgaves Hoofdstuk 3: Toevalsveranderlijken en Distributiefuncties
Opgaves Hoofdstuk 3: Toevalsveranderlijken en Distributiefuncties Discrete Distributiefuncties 3. Er zijn 3 studenten aan het begin van de dag aanwezig bij een symposium. De kans dat een student volhoudt
Nadere informatieDeze week: Verdelingsfuncties. Statistiek voor Informatica Hoofdstuk 5: Verdelingsfuncties. Bernoulli verdeling. Bernoulli verdeling.
Deze week: Verdelingsfuncties Statistiek voor Informatica Hoofdstuk 5: Verdelingsfuncties Cursusjaar 29 Peter de Waal Toepassingen Kansmassafuncties / kansdichtheidsfuncties Eigenschappen Departement Informatica
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 informatieZo geldt voor o.o. continue s.v.-en en X en Y dat de kansdichtheid van X + Y gegeven wordt door
APP.1 Appendix A.1 Erlang verdeling verdeling met parameters n en λ Voor o.o. discrete s.v.-en X en Y geldt P (X + Y = z) =P (X = x 1 en Y = z x 1 )+P(X = x en Y = z x )+... = P (X = x 1 )P (Y = z x 1
Nadere informatieKansrekening en stochastische processen 2DE18
Kansrekening en stochastische processen 2DE18 Docent : Jacques Resing E-mail: resing@win.tue.nl 1/23 Voor een verzameling stochastische variabelen X 1,..., X n, de verwachting van W n = X 1 + + X n is
Nadere informatieDeze week: Steekproefverdelingen. Statistiek voor Informatica Hoofdstuk 7: Steekproefverdelingen. Kwaliteit van schatter. Overzicht Schatten
Deze week: Steekproefverdelingen Statistiek voor Informatica Hoofdstuk 7: Steekproefverdelingen Cursusjaar 29 Peter de Waal Zuivere Schatters Betrouwbaarheidsintervallen Departement Informatica Hfdstk
Nadere informatieHoofdstuk 4: Aanvullende Begrippen (Extra Oefeningen)
Hoofdstuk 4: Aavullede Begrippe (Extra Oefeige) 9. Veroderstel dat X e Y ormaal verdeeld zij met resp. gemiddelde waarde µ X e µ Y e met dezelfde variatie 2. Wat is da de distributie va X Y? Bepaal de
Nadere informatieKansrekening en stochastische processen 2S610
Kansrekening en stochastische processen 2S610 Docent : Jacques Resing E-mail: j.a.c.resing@tue.nl http://www.win.tue.nl/wsk/onderwijs/2s610 1/28 Schatten van de verwachting We hebben een stochast X en
Nadere informatieWe zullen de volgende modellen bekijken: Het M/M/ model 1/14
De analyse en resultaten van de voorgaande twee modellen (het M/M/1/K model en het M/M/1 model) kunnen uitgebreid worden naar modellen met meerdere bediendes. We zullen de volgende modellen bekijken: Het
Nadere informatieModel: Er is één bediende en de capaciteit van de wachtrij is onbegrensd. 1/19. 1 ) = σ 2 + τ 2 = s 2.
Het M/G/1 model In veel toepassingen is de aanname van exponentiële bedieningstijden niet realistisch (denk bijv. aan produktietijden). Daarom zullen we nu naar het model kijken met willekeurig verdeelde
Nadere informatieHOOFDSTUK II BIJZONDERE THEORETISCHE VERDELINGEN
HOOFDSTUK II BIJZONDERE THEORETISCHE VERDELINGEN. Continue Verdelingen 1 A. De uniforme (of rechthoekige) verdeling Kansdichtheid en cumulatieve frequentiefunctie Voor x < a f(x) = 0 F(x) = 0 Voor a x
Nadere informatieHoofdstuk 3 : Numerieke beschrijving van data. Marnix Van Daele. Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent
Hoofdstuk 3 : Numerieke beschrijving van data Marnix Van Daele MarnixVanDaele@UGentbe Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent Numerieke beschrijving van data p 1/31 Beschrijvende
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 informatieStatistiek voor A.I. College 9. Donderdag 11 Oktober
Statistiek voor A.I. College 9 Donderdag 11 Oktober 1 / 48 2 Deductieve statistiek Bayesiaanse statistiek 2 / 48 Reistijd naar college (minuten). Jullie - onderzoek Tim Histogram of CI Frequency 0 1 2
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 7 Dinsdag 11 Oktober 1 / 33 2 Statistiek Vandaag: Populatie en steekproef Maten Standaardscores Normale verdeling Stochast en populatie Experimenten herhalen 2 / 33 3
Nadere informatieVandaag. Onderzoeksmethoden: Statistiek 2. Basisbegrippen. Theoretische kansverdelingen
Vandaag Onderzoeksmethoden: Statistiek 2 Peter de Waal (gebaseerd op slides Peter de Waal, Marjan van den Akker) Departement Informatica Beta-faculteit, Universiteit Utrecht Theoretische kansverdelingen
Nadere informatieWe zullen in deze les kijken hoe we netwerken kunnen analyseren, om bijvoorbeeld de volgende vragen te kunnen beantwoorden:
Wiskunde voor kunstmatige intelligentie, 24 Les 5 Proces analyse Veel processen laten zich door netwerken beschrijven, waarin een aantal knopen acties aangeeft en opdrachten langs verbindingen tussen de
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 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 informatieUitwerking Tentamen Inleiding Kansrekening 11 juni 2015, uur Docent: Prof. dr. F. den Hollander
Uitwerking Tentamen Inleiding Kansrekening juni 25,. 3. uur Docent: Prof. dr. F. den Hollander () [6] Zij F een gebeurtenissenruimte. Laat zien dat voor elke B F de verzameling G {A B : A F} opnieuw een
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN. Faculteit Wiskunde en Informatica
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Tentamen Kansrekening (2WS2, Vrijdag 23 januari 25, om 9:-2:. Dit is een tentamen met gesloten boek. De uitwerkingen van de opgaven dienen
Nadere informatieintroductie populatie- steekproef- steekproevenverdeling pauze parameters aannames ten slotte
toetsende statistiek week 1: kansen en random variabelen week 2: de steekproevenverdeling Moore, McCabe, and Craig. Introduction to the Practice of Statistics Chapter 5: Sampling Distributions 5.1: The
Nadere informatieDe Wachttijd-paradox
De Wachttijd-paradox Korteweg-de Vries Instituut voor Wiskunde Universiteit van Amsterdam Mastercourse 15 november 25 Peter Spreij spreij@science.uva.nl 1 Het probleem In deze mastercourse behandelen
Nadere informatieMedische Statistiek Kansrekening
Medische Statistiek Kansrekening Medisch statistiek- kansrekening Hoorcollege 1 Uitkomstenruimte vaststellen Ook wel S of E. Bij dobbelsteen: E= {1,2,3,4,5,6} Een eindige uitkomstenreeks Bij het gooien
Nadere informatie+ ( 1 4 )2 σ 2 X σ2. 36 σ2 terwijl V ar[x] = 11. Aangezien V ar[x] het kleinst is, is dit rekenkundig gemiddelde de meest efficiënte schatter.
STATISTIEK OPLOSSINGEN OEFENZITTINGEN 5 en 6 c D. Keppens 2004 5 1 (a) Zij µ de verwachtingswaarde van X. We moeten aantonen dat E[M i ] = µ voor i = 1, 2, 3 om te kunnen spreken van zuivere schatters.
Nadere informatieTentamen Kansrekening en Statistiek (2WS04), dinsdag 17 juni 2008, van uur.
Technische Universiteit Eindhoven Faculteit Wiskunde en Informatica Tentamen Kansrekening en Statistiek (2WS4, dinsdag 17 juni 28, van 9. 12. uur. Dit is een tentamen met gesloten boek. De uitwerkingen
Nadere informatieb. de aantallen aankomsten in disjuncte tijdsintervallen zijn onafhankelijk van elkaar
APPENDIX: HET POISSON PROCES Een stochastisch proces dat onlosmakelijk verbonden is met de Poisson verdeling is het Poisson proces. Dit is een telproces dat het aantal optredens van een bepaalde gebeurtenis
Nadere informatieVrije Universiteit Amsterdam Opleiding Wiskunde Vak Poisson Processen. Poisson Processen. Arno Weber.
Vrije Universiteit Amsterdam Opleiding Wiskunde Vak Poisson Processen Poisson Processen Arno Weber email: aeweber@cs.vu.nl Januari 2003 1 Inhoudsopgave 1. Computersimulaties 3 2. Wachttijd-paradox 6 3.
Nadere informatieHoofdstuk 9 : Steekproefstatistieken. Marnix Van Daele. Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent.
Hoofdstuk 9 : Steekproefstatistieke Marix Va Daele MarixVaDaele@UGetbe Vakgroep Toegepaste Wiskude e Iformatica Uiversiteit Get Steekproefstatistieke p 1/20 Schattige Waeer uit ee steekproef de waarde
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 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 informatieWiskunde I - Wiskunde II
- Wiskunde II fundamentele methoden in wiskunde en statistiek Marnix Van Daele Marnix.VanDaele@UGent.be Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent Introductiedag scheikunde 2003-2004
Nadere informatieBedrijfskunde. Hoofdstuk 1. Vraag 1.1 Welke naam hoort bij het concept Elementaire bewegingen voor arbeidsanalyse
Hoofdstuk 1 Bedrijfskunde Vraag 1.1 Welke naam hoort bij het concept Elementaire bewegingen voor arbeidsanalyse - McGregor - Elton Mayo - Frank Lilian Gilbreth - Alfred Sloan - Henri Fayol Vraag 1.2 Je
Nadere informatieTentamen Kansrekening (NB004B)
NB4B: Kansrekening Dinsdag november 2 Tentamen Kansrekening (NB4B) Het is een open boek tentamen. Gebruik van een rekenmachine of andere hulpmiddelen is niet toegestaan. Vermeld op ieder blad je naam en
Nadere informatieen-splitsingen: een aantal alternatieven worden parallel toegepast, of-splitsingen: van een aantal alternatieven wordt er één toegepast,
Kansrekening voor Informatiekunde, 25 Les 8 Proces analyse Veel processen laten zich door netwerken beschrijven, waarin knopen acties aangeven en opdrachten langs verbindingen tussen de knopen verwerkt
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 informatieTentamen Kansrekening en Statistiek MST 14 januari 2016, uur
Tentamen Kansrekening en Statistiek MST 14 januari 2016, 14.00 17.00 uur Het tentamen bestaat uit 15 meerkeuzevragen 2 open vragen. Een formuleblad wordt uitgedeeld. Normering: 0.4 punt per MC antwoord
Nadere informatieVoorbeeld 1: kansverdeling discrete stochast discrete kansverdeling
12.0 Voorkennis Voorbeeld 1: Yvette pakt vier knikkers uit een vaas waar er 20 inzitten. 9 van de knikkers zijn rood en 11 van de knikkers zijn blauw. X = het aantal rode knikkers dat Yvette pakt. Er zijn
Nadere informatieWI1708TH Analyse 3. College 5 23 februari Challenge the future
WI1708TH Analyse 3 College 5 23 februari 2015 1 Programma Vandaag Richtingsafgeleide (14.6) Gradiënt (14.6) Maximalisatie richtingsafgeleide (14.6) Raakvlak voor niveauoppervlakken (14.6) 2 Richtingsafgeleide
Nadere informatie36, P (5) = 4 36, P (12) = 1
Les 2 Kansverdelingen We hebben in het begin gesteld dat we de kans voor een zekere gunstige uitkomst berekenen als het aantal gunstige uitkomsten gedeelt door het totale aantal mogelijke uitkomsten. Maar
Nadere informatieMathematical Modelling
1 / 104 Mathematical Modelling Ruud van Damme Creation date: 27-09-09 2 / 104 Waarschuwing vooraf Weer plaatjes dus opgelet! En: x F F x want anders worden de formules te lang... En: ik hoop dat ik consistent
Nadere informatieTentamen Voortgezette Kansrekening (WB006C)
WB6C: Voortgezette Kansrekening Donderdag 26 januari 212 Tentamen Voortgezette Kansrekening (WB6C) Het is een open boek tentamen. Gebruik van een rekenmachine of andere hulpmiddelen is niet toegestaan.
Nadere informatieDeeltentamen 2 Algemene Statistiek Vrije Universiteit 18 december 2013
Afdeling Wiskunde Volledig tentamen Algemene Statistiek Deeltentamen 2 Algemene Statistiek Vrije Universiteit 18 december 2013 Gebruik van een (niet-grafische) rekenmachine is toegestaan. Geheel tentamen:
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 informatieSet 2 Inleveropgaven Kansrekening (2WS20)
1 Technische Universiteit Eindhoven Faculteit Wisunde en Informatica Set Inleveropgaven Kansreening (WS) 14-15 1. (Functies van normale verdelingen) Stel dat X een standaard normale verdeling heeft. (a)
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 informatieToetsende Statistiek, Week 2. Van Steekproef naar Populatie: De Steekproevenverdeling
Toetsende Statistiek, Week 2. Van Steekproef naar Populatie: De Steekproevenverdeling Moore, McCabe & Craig: 3.3 Toward Statistical Inference From Probability to Inference 5.1 Sampling Distributions for
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 informatie4.1 Eigenschappen van de normale verdeling [1]
4.1 Eigenschappen van de normale verdeling [1] Relatief frequentiepolygoon van de lengte van mannen in 1968 1 4.1 Eigenschappen van de normale verdeling [1] In dit plaatje is een frequentiepolygoon getekend.
Nadere informatieWACHTRIJMODELLEN. aankomstproces van klanten; wachtruimte (met eindige of oneindige capaciteit); bedieningsstation (met één of meerdere bediendes).
Verschillende soorten toepassingen WACHTRIJMODELLEN alledaagse toepassingen; toepassingen uit produktieomgeving; toepassingen in de communicatiesfeer. Typische onderdelen van een wachtrijmodel aankomstproces
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 informatieTECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Uitwerking tentamen Kansrekening en Stochastische Processen (2S61) op woensdag 27 april 25, 14. 17. uur. 1. Gegeven zijn twee onafhankelijke
Nadere informatieVoorbehouden voor de correctoren Vraag 1 Vraag 2 Vraag 3 Vraag 4 Vraag 5 Totaal. Toets Kansrekenen I. 28 maart 2014
Voorbehouden voor de correctoren Vraag 1 Vraag 2 Vraag 3 Vraag 4 Vraag 5 Totaal Toets Kansrekenen I 28 maart 2014 Naam : Richting : Lees volgende aanwijzingen alvorens aan het examen te beginnen Wie de
Nadere informatieKansrekening en stochastische processen 2S610
Kansrekening en stochastische processen 2S610 Docent : Jacques Resing E-mail: j.a.c.resing@tue.nl http://www.win.tue.nl/wsk/onderwijs/2s610 1/39 Een stochastisch proces (stochastic proces) X (t) bestaat
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.
VERNIEUWINGSPROCESSEN In hoofdstuk 3 hebben we gezien wat een Poisson proces is. Definitie van een Poisson proces: Een Poisson proces met intensiteit λ (notatie P P (λ)) is een stochastisch proces {N(t),
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 12 Vrijdag 16 Oktober 1 / 38 2 Statistiek Indeling vandaag: Normale verdeling Wet van de Grote Getallen Centrale Limietstelling Deductieve statistiek Hypothese toetsen
Nadere informatieHandout limietstellingen Kansrekening 2WS20
Handout limietstellingen Kansrekening WS0 Remco van der Hofstad 13 januari 017 Samenvatting In deze hand out bespreken we een aantal limietstellingen en hun bewijzen. In meer detail, behandelen we de volgende
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 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 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 informatieStochastiek 2. Inleiding in de Mathematische Statistiek 1 / 18
Stochastiek 2 Inleiding in de Mathematische Statistiek 1 / 18 t-toetsen 2 / 18 Steekproefgemiddelde en -variantie van normale observaties Stelling. Laat X 1,..., X n o.o. zijn en N(µ, σ 2 )-verdeeld. Dan:
Nadere informatie5.1 Stel x is een stochastische variabele die het beste beschreven wordt door een uniforme kansverdeling met c = 20 en d = 45.
Opgaven hoofdstuk 5 I Basistechnieken 5.1 Stel x is een stochastische variabele die het beste beschreven wordt door een uniforme kansverdeling met c = 20 en d = 45. a. Bepaal f(x). b. Bepaal de verwachting
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 informatieFormules uit de cursus Waarschijnlijkheidsrekenen en statistiek
UNIVERSITY OF GHENT Samenvatting Formules uit de cursus Waarschijnlijkheidsrekenen en statistiek Auteur: Nicolas Vanden Bossche Lesgever: Prof. Hans De Meyer Hoofdstuk 1 Het kansbegrip en elementaire kansrekening
Nadere informatieTentamen Mathematische Statistiek (2WS05), vrijdag 29 oktober 2010, van 14.00 17.00 uur.
Technische Universiteit Eindhoven Faculteit Wiskunde en Informatica Tentamen Mathematische Statistiek (WS05), vrijdag 9 oktober 010, van 14.00 17.00 uur. Dit is een tentamen met gesloten boek. De uitwerkingen
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 informatieDeel III. Kansrekening
Deel III Kansrekening Les Kansverdelingen Als we het over de kans hebben dat iets gebeurt, hebben we daar wel intuïtief een idee over, wat we hiermee bedoelen. Bijvoorbeeld zeggen we, dat bij het werpen
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 informatieKansrekening en Statistiek
Kansrekening en Statistiek College 3 Dinsdag 21 September 1 / 21 1 Kansrekening Indeling: Uniforme verdelingen Cumulatieve distributiefuncties 2 / 21 Vragen: lengte Een lineaal wordt op een willekeurig
Nadere informatieDeze week: Schatten. Statistiek voor Informatica Hoofdstuk 6: Schatten. Voorbeeld Medicijnentest. Statistische inferentie
Deze week: Schatten Statistiek voor Informatica Hoofdstuk 6: Schatten Cursusjaar 2009 Peter de Waal Departement Informatica Statistische inferentie A Priori en posteriori verdelingen Geconjugeerde a priori
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 informatieWiskundige Technieken
1ste Bachelor Ingenieurswetenschappen 1ste Bachelor Fysica en Sterrenkunde Academiejaar 014-015 1ste semester 1 oktober 014 Wiskundige Technieken 1. Beschouw een scalaire functie f : R R en een vectorveld
Nadere informatieKansrekening en statistiek WI2105IN deel I 4 november 2011, uur
Kansrekening en statistiek WI05IN deel I 4 november 0, 4.00 7.00 uur Bij dit examen is het gebruik van een (evt. grafische) rekenmachine toegestaan. Een formuleblad wordt uitgereikt. Meerkeuzevragen Toelichting:
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 informatieSchatten en simuleren
Les 5 Schatten en simuleren 5.1 Maximum likelihood schatting Tot nu toe hebben we meestal naar voorbeelden gekeken waar we van een kansverdeling zijn uitgegaan en dan voorspellingen hebben gemaakt. In
Nadere informatieTentamen Statistische methoden MST-STM 8 april 2010, 9:00 12:00
Tentamen Statistische methoden MST-STM 8 april 2, 9: 2: Bij dit examen is het gebruik van een (evt. grafische) rekenmachine toegestaan. Tevens krijgt u een formuleblad uitgereikt na afloop inleveren alstublieft.
Nadere informatieTentamen Inleiding Statistiek (WI2615) 10 april 2013, 9:00-12:00u
Technische Universiteit Delft Mekelweg 4 Faculteit Elektrotechniek, Wiskunde en Informatica 2628 CD Delft Tentamen Inleiding Statistiek (WI2615) 10 april 2013, 9:00-12:00u Formulebladen, rekenmachines,
Nadere informatie11.3. Inhomogene randwaardeproblemen. We beschouwen eerst inhomogene Sturm- Liouville randwaardeproblemen van de vorm :
11.3. Inhomogene randwaardeproblemen. We beschouwen eerst inhomogene Sturm- Liouville randwaardeproblemen van de vorm : L[y] := [p(x)y ] + q(x)y = µr(x)y + f(x), < x < 1 (1) a 1 y() + a 2 y () =, b 1 y(1)
Nadere informatieAntwoordmodel VWO wb I. Verschuivend zwaartepunt. Maximumscore 3 3 = 1. d T = ,2 (cm) Maximumscore 4. Dus d T = = Maximumscore 4
Antwoordmodel VWO wb -I Verschuivend zwaartepunt Maximumscore d W = = d T = + 5, (cm) h d T = h + h + 5 h + h + 5 h + Dus d T = = h + h + h + =,5 geeft (bijvoorbeeld met behulp van de GR) h, h 7,7 h +
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 15 Dinsdag 2 November 1 / 16 2 Statistiek Indeling: Filosofie Schatten Centraal Bureau voor Statistiek 2 / 16 Schatten Vb. Het aantal tenen plus vingers in jullie huishoudens:
Nadere informatie2 Spreidingsvoortplanting
Spreidingsvoortplanting Spreidingsvoortplanting In het vorige hoofdstuk hebben we ons beiggehouden met eenvoudige analyses achteraf van meetgegeven. Naast analyse achteraf van data is het ook belangrijk
Nadere informatieWACHTRIJMODELLEN. aankomstproces van klanten; wachtruimte (met eindige of oneindige capaciteit); bedieningsstation (met één of meerdere bediendes).
Verschillende soorten toepassingen WACHTRIJMODELLEN alledaagse toepassingen; toepassingen uit produktieomgeving; toepassingen in de communicatiesfeer. Typische onderdelen van een wachtrijmodel aankomstproces
Nadere informatieBekijk nog een keer het stelsel van twee vergelijkingen met twee onbekenden x en y: { De tweede vergelijking van de eerste aftrekken geeft:
Determinanten Invoeren van het begrip determinant Bekijk nog een keer het stelsel van twee vergelijkingen met twee onbekenden x en y: { a x + b y = c a 2 a 2 x + b 2 y = c 2 a Dit levert op: { a a 2 x
Nadere informatieData analyse Inleiding statistiek
Data analyse Inleiding statistiek 1 Doel Beheersen van elementaire statistische technieken Toepassen van deze technieken op aardwetenschappelijke data 2 1 Leerstof Boek: : Introductory Statistics, door
Nadere informatieWenS eerste kans Permutatiecode 0
WenS eerste kans 2012 2013 Aantekeningen op de vragenbladen zijn NIET TOEGELATEN. Je mag gebruik maken van schrijfgerief en een eenvoudige rekenmachine; alle andere materiaal blijft achterin. Leg je studentenkaart
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 informatieKansrekening en statistiek wi2105in deel 2 16 april 2010, uur
Kansrekening en statistiek wi205in deel 2 6 april 200, 4.00 6.00 uur Bij dit examen is het gebruik van een (evt. grafische) rekenmachine toegestaan. Tevens krijgt u een formuleblad uitgereikt na afloop
Nadere informatieAanvullingen van de Wiskunde
3de Bachelor EIT - de Bachelor Fysica Academiejaar 014-015 1ste semester 7 januari 015 Aanvullingen van de Wiskunde 1. Gegeven is een lineaire partiële differentiaalvergelijking van orde 1: a 1 (x 1,,
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 informatieVrije Universiteit 28 mei Gebruik van een (niet-grafische) rekenmachine is toegestaan.
Afdeling Wiskunde Volledig tentamen Statistics Deeltentamen 2 Statistics Vrije Universiteit 28 mei 2015 Gebruik van een (niet-grafische) rekenmachine is toegestaan. Geheel tentamen: opgaven 1,2,3,4. Cijfer=
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 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 informatieAntwoorden bij Inleiding in de Statistiek
Atwoorde bij Ileidig i de Statistiek Hoofdstuk. model: bi(, p), p [0, ], schattig: /.2 (i) i bloeddrukveraderig i e persoo i treatmet groep, Y j bloeddrukveraderig j e persoo i cotrolegroep, model:,...,,
Nadere informatiePopulatie: De gehele groep elementen waarover informatie wordt gewenst.
Statistiek I Werkcollege 1 Populatie: De gehele groep elementen waarover informatie wordt gewenst. Steekproef: Gedeelte van de populatie dat feitelijk wordt onderzocht om informatie te vergaren. Eenheden:
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 informatieRadboud Universiteit Nijmegen Tentamen Calculus 1 NWI-NP003B 4 januari 2013,
Radboud Universiteit Nijmegen Tentamen Calculus 1 NWI-NP003B 4 januari 013, 8.30 11.30 Het gebruik van een rekenmachine, telefoon en boek(en) is niet toegestaan. Geef precieze argumenten en antwoorden.
Nadere informatieWiskunde: Voortgezette Analyse
de Bach. IR Wet.: Architectuur Academiejaar 0-04 ste zittijd, januari 04 Wiskunde: Voortgezette Analyse. Gegeven is de reeks n x (x + ) n+ Toon aan dat de reeks puntsgewijs convergeert over R. Toon aan
Nadere informatie= P(B) = 2P(C), P(A B) = 1 2 en P(A C) = 2 5. d. 31
Tentamen Statistische methoden 45STAMEY april, 9: : Studienummers: Vult u alstublieft op het MC formulier uw Delftse studienummer in; en op het open vragen formulier graag beide, naar volgend voorbeeld:
Nadere informatie