Tutorial 05: Musterlösungen für die Klausuraufgaben.
|
|
- Britta Böhler
- vor 6 Jahren
- Abrufe
Transkript
1 SS 006 Tutorial 05 / S. von 8 Tutorial 05: Musterlösungen für die Klausuraufgaben. Aufgabe ( Punkte): An einem Flughafen, der täglich zwischen 6 und Uhr in Betrieb ist, kommen exponentiell verteilt im Mittel alle 6 Minuten Flugzeuge an. Der Flughafen besitzt nur eine Landebahn; die Landezeit ist ebenfalls exponentiell verteilt und beträgt im Mittel 5 Minuten. Während der Landung eines Flugzeuges werden weitere ankommende Flugzeuge in eine Warteschleife dirigiert. Jedes Flugzeug im System verursacht Kosten in Höhe von 0 $ pro Minute.. Bestimmen Sie die mittlere Anzahl von Flugzeugen im Warteflug und im System während der Betriebszeit.. Bestimmen Sie die mittlere Wartezeit eines Flugzeuges vor der Landung. Die Kosten und Unbequemlichkeiten könnten durch folgende Massnahmen verringert werden: a) Mit Hilfe moderner Apparatur kann die Landezeit auf 4 Minuten pro Flugzeug verringert werden. Dies würde Kosten in Höhe von $ pro Woche verursachen. b) Eine zweite Landebahn kann gebaut werden. In diesem Falle würde die dann erforderliche Synchronisation der Landevorgänge die Landezeit auf 8 Minuten pro Flugzeug erhöhen. Die Massnahme a) würde dann fallen gelassen werden..3 Prüfen Sie, ob die Massnahme a) zu Einsparungen führen würde..4 Berechnen Sie die bei Vornahme der Massnahme b) entstehende laufende jährliche Einsparung gegenüber dem gegenwärtigen Zustand..5 Wie verändern sich die Zeiten in der Warteschlange in den Fällen a) und b) gegenüber der ursprünglichen Situation? Lösung:. und.: Es ist 5/6, und das System eine (M/M/)-Warteschlange mit unbegrenztem Warteraum. Daher können die Formeln aus Parameter für das (M/M/)-System mit unbeschränktem Warteraum verwendet werden. Es folgt Erwartungswert für die Anzahl der Flugzeuge im Anflug: 5 E, 6
2 SS 006 Tutorial 05 / S. von 8 Erwartungswert für die Anzahl der Flugzeuge im System: E 5, Erwartungswert der Wartezeit im Anflug: E 3 5min. µ.3 (mit.5.): Im Falle a) ist 4/6 /3 und damit Erwartungswert für die Anzahl der Flugzeuge im Anflug: 4 E 4, 3 Erwartungswert für die Anzahl der Flugzeuge im System: E 5, Erwartungswert der Wartezeit im Anflug: E 6 8 min. µ Damit befinden sich im Mittel 5 3 Flugzeuge weniger im System; pro Minute werden also 30 $ eingespart. Pro Woche ergibt das eine Ersparnis von $. Pro Woche würden mithin.600 $ gespart werden..4 (mit.5.): Im Falle b) ist das System eine (M/M/)-Warteschlange mit µ /8, also 4/3. Die zu bestimmenden Grössen folgen aus Arbeitsblatt 5, Gl. (0.7), (0.8) und (0.9): Erwartungswert für die Anzahl der Flugzeuge im Anflug: Erwartungswert für die Anzahl der Flugzeuge im System: 3 6 E 7, E 8, 4 5
3 SS 006 Tutorial 05 / S. 3 von 8 Erwartungswert der Wartezeit im Anflug: 3 3 E 9 min. λ 4 5 In diesem Falle befänden sich also im Mittel 5 /5 3/5 Flugzeuge weniger im System als im gegenwärtigen Zustand. Das ergäbe eine jährliche Ersparnis von 3/ $. Aufgabe (0 Punkte): Ein kleines Unternehmen besitzt eine Telefonzentrale mit einem Mitarbeiter und Anschlüssen. Wenn ein Klient telefoniert, wird ein weiterer Anruf in die Warteschleife des zweiten Anschlusses geschaltet. Ein darüber hinaus gehender dritter Anruf wird abgewiesen. Die Erfahrung zeigt, dass im Mittel 0 Anrufe in der Stunde exponentiell verteilt eintreffen; wenn die Anrufer nicht sofort verbunden werden, sinkt die Rate der Anrufe auf die Hälfte. Die Bedienung eines Anrufs ist ebenfalls exponentiell verteilt mit einer mittleren Dauer von 4 Minuten.. Berechnen Sie den Erwartungswert der Anzahl der Anrufe im System.. Bestimmen Sie den Anteil der Anrufe, die verloren gehen..3 Geben Sie die mittlere Bedienungsdauer an, bei der der Erwartungswert der Anzahl der Anrufe im System gleich ist..4 Wie gross müsste die Bedienungsrate sein, damit die Wahrscheinlichkeit, dass ein Anruf verloren geht, kleiner als 0% ist? Lösung: Es handelt sich um eine (M/M/)-Warteschlange mit beschränktem Warteraum: Das System kann sich nur in den 3 Zuständen 0: Kein Anruf, keine Bearbeitung, : Ein Anruf, der bearbeitet wird, : Ein Anruf wird bearbeitet, ein zweiter Anruf ist in der Warteschleife befinden. Die Verkehrsdichte ist 4/3. Die zugehörigen Wahrscheinlichkeiten sind (vgl. Tutorial ):
4 SS 006 Tutorial 05 / S. 4 von 8 p p p / + +.: Der Erwartungswert der Anzahl der Anrufe im System ist.: E( N) k p k 0 k + p / Der Anteil der verloren gehenden Anrufe ist p, also 8/9 7,6 %. p 8 9.3: Es müsste gelten /, also, mithin µ 6, das bedeutet 4.4 Minuten für die mittlere Bedienungszeit..4: p 0. führt auf, mithin auf µ λ /3 pro Minute, d.h. 3 Minuten für die mittlere Bedienungszeit. Aufgabe 3 (8 Punkte): 3. Formulieren Sie verbal einen vollständigen Algorithmus für eine Simulation der Aufgabe oder 3. Erstellen Sie ein komplettes Flussdiagramm für den Algorithmus.
5 SS 006 Tutorial 05 / S. 5 von 8 Es ist zweckmässig, die Simulation so einzurichten, dass die Abfrage der Daten ereignisgesteuert ist, d.h., dass die Abfrage jeweils zu denjenigen Zeitpunkten geschieht, in denen ein Ereignis die Ankunft eines neuen Anrufs oder die Beendigung der Bearbeitung eines Anrufs stattfindet. Um den Entmutigungscharakter zu berücksichtigen, werden bei jedem neuen Anruf, der nicht sofort bearbeitet wird, nur 50% der eingehenden Ereignisse gewertet (dies kann etwa dadurch geschehen, dass in einem solchen Falle bei jedem neu eintreffenden Anruf eine Münze geworfen wird und nur die Ergebnisse Kopf weiter verarbeitet werden d.h., dass bei gleichverteilten Zufallszahlen zwischen 0 und alle Ergebnisse ignoriert werden, bei denen die gewonnene Zufallszahl kleiner als ½ ist). Im Algorithmus wird dies als Münzwurf bezeichnet. Wir führen die folgenden Bezeichnungen ein: T S : Zeit des Simulationslaufs, T A : Exponentiell verteilter Ankunftszeit-Zuwachs, T B : Exponentiell verteilte Bedienungszeit, T A : Aktuelle Ankunftszeit, T B : Aktuelles Ende der Bedienungszeit, T E : Laufende Ereigniszeit, s : charakterisiert den Zustand des Systems (s 0, oder ), n : Anzahl der Anrufe in der Schlange (n 0 oder ), Nun der Algorithmus. Er benutzt die Routinen zur Berechnung der exponentiell verteilten Zufallszeiten ( T A exporand(lambda), T B exporand(mu)), zur Bestimmung des Minimums zweier Zeitintervalle (T E min (T A, T B )) und zur Halbierung der Anzahl der Anzahl der eingehenden Anrufe in der Warteschlange (muenzwurf()):. Gib die Parameter λ, µ und T S ein.. Initialisierung: Setze T E 0. Berechne T A und T B. Setze s, n 0, T A T A, T B T B. 3. Berechne T E min (T A, T B ). Gib alle zur Zeit T E interessanten Daten aus. Falls T E > T S beende das Programm. Wenn T E T A, gehe zu 4. andernfalls gehe zu Falls s 0, setze s s +, T B T E + T B. Falls s und muenzwurf > 0.5, setze s s +, n n +.
6 SS 006 Tutorial 05 / S. 6 von 8 Setze T A T E + T A. Gehe zu Setze s s. Wenn s 0, setze T B 0 * T S (grösser als jede Zeit im Simulationslauf). Andernfalls setze n n und T B T E + T B. Gehe zu 3. Die Visualisierung des Algorithmus durch ein Flussdiagramm wird dem Leser überlassen. Als Beispiel einer Implementierung (hier in C++) folgt noch weitgehend kommentarlos das Beispielprogramm. /****************************************************************************** * Kurze Warteschlange mit Entmutigung; Ausgabe in Textdatei "verlauf.txt". ******************************************************************************/ #include <fstream.h> #include <math.h> #include <time.h> #include <stdlib.h> // Globale Parameter const Tsim 500; // Routinen // Simulierte Exponentialverteilung für Ankunft mit Parameter kappa double exporand(const double kappa) double nu, t; nu kappa; t (double) rand()/rand_max; t - log(t)/nu; return t; // Minimum(a,b) double minim(double a, double b) double m; if (a < b) m a; else m b; return m; // Simulierte Gleichverteilung wie Muenzwurf double muenzwurf() double t; t (double) rand()/rand_max;
7 SS 006 Tutorial 05 / S. 7 von 8 return t; // Hauptprogramm int main() double lambda( ), mu(0.5), Te, Ta, Tb, deltata, deltatb, q; int s, n; ofstream out("verlauf.txt"); out.setf(ios::fixed); // Formatierung der Ausgabe out.precision(); // Initialisierung // Ablauf srand((unsigned) time (NULL)); deltata exporand(lambda); deltatb exporand(mu); Ta deltata; Tb deltatb; Te 0; s ; n 0; out << "Te: " << Te << endl; out << "\tta: " << Ta << ",\ttb: " << Tb; out << ",\ts: " << s << ",\tn: " << n << endl; while (Te < Tsim) Te minim(ta, Tb); if (Ta < Tb) if (s 0) s++; deltatb exporand(mu); Tb Te + deltatb; if (s ) q muenzwurf(); if ((s ) && (q>0.5)) s++; n++; deltata exporand(lambda); Ta Te + deltata; else s--; if (s 0) Tb 0*Tsim; else n--; deltatb exporand(mu);
8 SS 006 Tutorial 05 / S. 8 von 8 Tb Te + deltatb; out << "Te " << Te << endl; out << "\tta: " << Ta << ",\ttb: "; if (Tb < Tsim) out << Tb; else out << " -- "; out << ",\ts: " << s << ",\tn: " << n << endl; out.close(); return 0;
9. Eine einfache Warteschlangen-Simulation.
SS 2006 Arbeitsblatt 4 / S. 1 von 9 9. Eine einfache Warteschlangen-Simulation. A) Allgemeine Bemerkungen. Die Warteschlange aus 8., wie auch solche mit nur endlich grossem Warteraum, können auf einfache
Mehr2. Stochastische Prozesse.
SS 2006 Arbeitsblatt 2 / S. 1 von 7 2. Stochastische Prozesse. Warteschlangen treten als Erscheinungsformen von in der Zeit ablaufenden Prozessen auf, von denen wie oben erwähnt mindestens einer nicht
MehrMusterlösung zur 6. Übung
Universität des Saarlandes FR 6.2 Informatik Prof. Dr. Hans-Peter Lenhof Dipl. Inform. Andreas Hildebrandt Programmierung II, SS 2003 Musterlösung zur 6. Übung Aufgabe 1: Faire Münzen (10 Punkte) Offensichtlich
MehrAufgabe zur Warteschlangensimulation
Aufgabe zur Warteschlangensimulation Diese Aufgabe vereint alle Aspekte, die in dem Abschnitt über Warteschlangen behandelt wurden. Deshalb klingt sie sehr komplex, jedoch lassen sich mit Hilfe der bisherigen
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrMonte Carlo-Simulation
Monte Carlo-Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
MehrEs ist für die Lösung der Programmieraufgabe nicht nötig, den mathematischen Hintergrund zu verstehen, es kann aber beim Verständnis helfen.
Ziele sind das Arbeiten mit Zeigern, sowie Records und Funktionen Aufgabe 5: Diese Aufgabe basiert auf der Aufgabe 4. Es ist ein Programm zu erstellen, in welchem der Anwender aus einer Anzahl möglicher
MehrProf. Dr. Christoph Karg Hochschule Aalen. Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik. Sommersemester 2018
Prof. Dr. Christoph Karg 9.7.2018 Hochschule Aalen Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik Sommersemester 2018 Unterschrift: Klausurergebnis Aufgabe 1 (15 Punkte) Aufgabe 3 (10 Punkte)
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
Mehrconst double riesig = 1E30; // Sehr große Gleitpunktkonstante
Simulationsprogramm fuer ein Warteschlangensystem (WSS) mit Poisson schem Ankunftsprozess und gleichverteilter Bedienzeit, prozessorientiert! Vorversion! #include Bibliothek fuer die Standard-Ein/Ausgabe
MehrSammlung alter Klausuraufgaben zur Stochastik keine Abgabe keine Besprechung in den Tutorien
Sammlung alter Klausuraufgaben zur Stochastik keine Abgabe keine Besprechung in den Tutorien Prof. F. Merkl 23. Mai 2016 Zu Ihrer Information und als zusätzliches Übungsmaterial sind hier die Aufgaben
MehrS k u l p t u r e n. B i l d e r. T e x t e. H e l g a S i m m e r l e b i s B a n d 2
S k u l p t u r e n B i l d e r T e x t e H e l g a S i m m e r l e 1 9 9 3 b i s 1 9 9 5 B a n d 2 S k u l p t u r e n H e l g a S i m m e r l e B i l d e r H e l g a S i m m e r l e Te x t e H e l g
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
MehrProseminar Technische Informatik: Rare Event Simulation. Jan Sydow Fachbereich Informatik Institut für Mathematik/Informatik
Proseminar Technische Informatik: Rare Event Simulation Jan Sydow Fachbereich Informatik Institut für Mathematik/Informatik Gliederung Motivation Methoden Standardsimulation Importance Sampling Importance
MehrÜbungen zu C++ Kapitel 3
Übungen zu C++ Kapitel 3 Aufgabe 1 Gib jeweils den Funktionskopf für die folgenden Funktionen an! a) Die Funktion Hypotenuse übernimmt zwei double-variable Seite1 und Seite2 und liefert ein double-ergebnis
Mehr3. Prozesse mit kontinuierlicher Zeit
3. Prozesse mit kontinuierlicher Zeit 3.1 Einführung Wir betrachten nun Markov-Ketten (X(t)) t R +. 0 Wie beim Übergang von der geometrischen zur Exponentialverteilung können wir uns auch hier einen Grenzprozess
MehrEs ist für die Lösung der Programmieraufgabe nicht nötig, den mathematischen Hintergrund zu verstehen, es kann aber beim Verständnis helfen.
Ziele sind das Arbeiten mit Funktionen und dem Aufzählungstyp (enum), sowie - einfache Verzweigung (if else) - Alternativen switch case - einfache Schleifen (while oder do while) Aufgabe 3: Diese Aufgabe
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrKlausur: Informatik, am 11. Juli 2013 Gruppe: B Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.: Punkte:
Seite 1 von 10 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 6 Pkt.) a) Geben
MehrEinsatz von Varianzreduktionstechniken II
Einsatz von Varianzreduktionstechniken II Stratified Sampling und Common Random Numbers Bastian Bluhm Betreuer: Christiane Barz Ausgewählte technische, rechtliche und ökonomische Aspekte des Entwurfs von
MehrMusterlösung: 12. Jgst. 2. Kursarbeit Datum: Fach: Informationsverarbeitung (LK)
Musterlösung: 12. Jgst. 2. Kursarbeit Datum: 15.01.2007 Klasse: GY 05 c Fach: Informationsverarbeitung (LK) Themen: C++ (Schleifen; Funktionen; ein- & mehrdimensionale Arrays; Zufallszahlen; Sortierverfahren)
MehrNachklausur: Grundlagen der Informatik I, am 02. April 2008 Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.
Seite 1 von 10 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 6 Pkt.) a) Erklären
MehrNachklausur: Grundlagen der Informatik I, am 02. April 2008 Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.
Seite 1 von 9 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 4 Pkt.) Gegeben
Mehrmyavr Programmierung in C
myavr Programmierung in C Stefan Goebel Februar 2017 Stefan Goebel myavr Programmierung in C Februar 2017 1 / 12 Grundgerüst... braucht man immer! #include // Register- und Konstantendefinitionen
MehrKlausur: Informatik, am 11. Juli 2013 Gruppe: A Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.: Punkte:
Seite 1 von 10 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 15 Pkt.) Was liefert
MehrA: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen:
5 Diskrete Verteilungen 1 Kapitel 5: Diskrete Verteilungen A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen: 5 0.6 x 0.4 5 x (i) P x (x)
MehrZufallszahlen in Testbetten und Simulationen
Zufall Wofür brauchen wir Zufallszahlen? Zufall Wofür brauchen wir Zufallszahlen? Simulation von Dingen, die wir nicht genau beschreiben wollen Zufall Wofür brauchen wir Zufallszahlen? Simulation von Dingen,
MehrNachklausur: Grundlagen der Informatik I, am 02. April 2008 Dirk Seeber, h_da, Fb Informatik
Seite 1 von 7 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 4 Pkt.) Gegeben
MehrÜ b u n g s b l a t t 7
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 21. 5. 2007 Ü b u n g s b l a t t 7 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
Mehr7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen
7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7.1 Die Laplace-Verteilung Sei X eine gleich verteilte Zufallsvariable mit den Werten in der Menge Ω X = {x i R : i = 1,...,n}, d.h. f (x i = 1
MehrProbeklausur Statistik II
Prof. Dr. Chr. Müller PROBE-KLAUSUR 1 1 2 3 4 5 6 7 8 Gesamt: 15 8 16 16 7 8 15 15 100 Probeklausur Statistik II Name: Vorname: Fachrichtung: Matrikel-Nummer: Bitte beachten Sie folgendes: 1) Die Klausur
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie 8 Termin: 1. Juni 2007 Aufgabe
Mehr8.3 Zuverlässigkeitsmodelle
8.3 Zuverlässigkeitsmodelle Def. 29 (Zuverlässigkeit) Die Zuverlässigkeit eines Systems ζ ist die Wahrscheinlichkeit, dass das System zum Zeitpunkt t intakt ist: Rel(ζ) = P(X t). Annahme: Das System besteht
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
MehrKlausur: Diskrete Strukturen I
Universität Kassel Fachbereich 0/ 5.03.0 Dr. Sebastian Petersen Klausur: Diskrete Strukturen I Aufgabe. (8 Punkte) a) Sei X = {0, }. Geben Sie die Potenzmenge P (X) (durch Auflisten ihrer Elemente) an.
MehrDES-Simulator in JAVA, objektorientiert
DES-Simulator in JAVA, objektorientiert class Element { // Elemente der Listen public Element Naechstes, Ende; public double Zeit; public Ereignis E; // später in Unterklasse? ; public class Ereignis {
MehrKlausur: Informatik, am 11. Juli 2013 Gruppe: A Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.: Punkte:
Seite 1 von 10 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 15 Pkt.) Was liefert
MehrProzeßorientierter Simulator mit Java
Prozeßorientierter Simulator mit Java Stationen können in Java mit Objekten einer Klasse modelliert werden, ebenso Entitäten. Entitäten sind einfach Datenverbunde mit Attributen und Zustandsvariablen.
Mehr6.4 Poisson-Verteilung
6.4 Poisson-Verteilung Sei {N t } t T eine Menge von Zufallsvariablen (ein stochastischer Prozeß ) mit folgenden Eigenschaften: V1: Zuwächse sind unabhängig, dh. die Zufallsvariablen N t+h N t und N t
Mehr11. Behandlung der Warteschlange (M/G/1): Einbettung eines diskreten (Markov-) Prozesses.
SS 6 Arbeitsblatt 6 / S von Behandlung der Warteschlange (M/G/): Einbettung eines disreten (Marov-) Prozesses Die bisher erhaltenen detaillierten Aussagen über die betrachteten Warteschlangen sollten nicht
MehrKlausur: Grundlagen der Informatik I, am 06. Februar 2009 Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.: Punkte:
Seite 1 von 10 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 10 Pkt.) a) Wer
MehrOperations Research Kurs 00859: Stochastische Simulation
Aufgabe B0404 In einem Friseursalon sind 1 Herrenfriseur, 1 Damenfriseur und 1 Meister, der sowohl Herren als auch Damen bedient, beschäftigt. Die Kunden bevorzugen eine Bedienung durch den Meister. Der
MehrAngewandte Mathematik und Programmierung
Angewandte Mathematik und Programmierung Einführung in das Konzept der objektorientierten Anwendungen zu mathematischen Rechnens SS2013 Inhalt Projekt Vorlesung: praktische Implementierung üben Ein und
MehrReferenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn
8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt
MehrKlausur: Grundlagen der Informatik I, am 06. Februar 2009 Gruppe: B Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.
Seite 1 von 8 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 12 Pkt.) Was liefert
MehrKlausur: Grundlagen der Informatik I, am 06. Februar 2009 Gruppe: A Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.
Seite 1 von 8 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 12 Pkt.) Was liefert
MehrObjektorientierte Programmierung
P2.1. Gliederung Rechnerpraktikum zu Kapitel 2 Objektorientierte Programmierung C++-Standardbibliothek, Rekursion Beispiel: Fast Fourier Transformation Beispiel: Klasse für komplexe Zahlen Folie 1 P2.2.
MehrDiskrete Verteilungen
Diskrete Verteilungen Bernoulli-Verteilung: X Bernoulli(p) Symbol für «verteilt wie» «Eperiment» mit zwei Ausgängen: «Erfolg» ( 1) oder «Misserfolg» ( ). Die Erfolgswahrscheinlichkeit sei p. Wertebereich
Mehr7 Zufallszahlen, Simulation
7 Zufallszahlen, Simulation Es ist nützlich, Folgen von i.i.d. R[0, 1]-verteilten Zufallszahlen auf einem Rechner erzeugen zu können vgl. Simulation, Monte-Carlo-Verfahren). Letztere sind i.a. keine echten
MehrLösungen zu Übungs-Blatt 8 Wahrscheinlichkeitsrechnung
Lösungen zu Übungs-Blatt Wahrscheinlichkeitsrechnung Diskrete Zufallsgrößen Zu Aufgabe ) Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung?
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
MehrStochastik Musterlösung 4
ETH Zürich HS 218 RW, D-MATL, D-MAVT Prof. Marloes H. Maathuis Koordinator Dr. Marvin S. Müller Stochastik Musterlösung 4 1. Die Zufallsvariable, die die Anzahl eingehender Telefonanrufe in einer Telefonzentrale
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrLösungshinweise zum Übungsblatt 10: Programmieren in C (WS 2018/19)
Dr. habil. Bernd Schürmann Dr. Annette Bieniusa pinc-support@cs.uni-kl.de TU Kaiserslautern Fachbereich Informatik Lösungshinweise zum Übungsblatt 10: Programmieren in C (WS 2018/19) 1. Zur Beantwortung
MehrModellierung- und Simulation Mathis Plewa ( )
Inhaltsverzeichnis Abbildungsverzeichnis... 1 Übungsaufgabe: Zufallsgeneratoren und Histogramme... 2 Standard Gleichverteilung... 2 Gaußverteilung... 3 Exponentialverteilung... 4 Übungsaufgabe: Geometrische
MehrModelle für Daten mit kontinuierlichen Wertebereich Verteilungen mit (Wahrscheinlichkeits-)Dichte. Normalverteilung N (µ, σ 2 ) mit Dichte
Statistik II für Wirtschaftswissenschaftler Folie 6.1 Modelle für Daten mit kontinuierlichen Wertebereich Verteilungen mit (Wahrscheinlichkeits-)Dichte I) Werte in (, ), Parameter µ (, ), σ 2 > 0 Normalverteilung
MehrDoz. Dr. H.P. Scheffler Sommer 2000 Klausur zur Vorlesung Stochastik I
Doz. Dr. H.P. Scheffler Sommer 2000 Klausur zur Vorlesung Stochastik I Wählen Sie aus den folgenden sechs Aufgaben fünf Aufgaben aus. Die maximal erreichbare Punktezahl finden Sie neben jeder Aufgabe.
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 24. November 2010 1 Stetige Verteilungen Normalapproximation Gleichverteilung Exponentialverteilung Normalapproximation
MehrFolgen und Funktionen in der Mathematik
Folgen und Funktionen in der Mathematik Anhand von einigen exemplarischen Beispielen soll die Implementierung von mathematischen Algorithmen in C/C++ gezeigt werden: Reelle Funktionen in C/C++ Diese wird
Mehreine Aufgabe von Stefan Bartels Gymnasium Winsen/Luhe
1 Münzwurf eine Aufgabe von Stefan Bartels Gymnasium Winsen/Luhe Im Mathematikleistungskurs hat Lehrer Karl heute die neuen EURO-Münzen in den Mittelpunkt des Geschehens gerückt. Wirft man eine Münze so
MehrHochschule Darmstadt Informatik-Praktikum SS 2018 EIT Bachelor 4. Aufgabenblatt Dateiverarbeitung, Funktionen, Records
Ziele sind das Arbeiten mit Dateien, sowie Records und Funktionen Aufgabe 4: Diese Aufgabe basiert auf der Aufgabe 3. Es ist ein Programm zu erstellen, in welchem der Anwender aus einer Anzahl möglicher
MehrÜbung zur Vorlesung Wissenschaftliches Rechnen Sommersemester 2012 Auffrischung zur Programmierung in C++, 2. Teil
MÜNSTER Übung zur Vorlesung Wissenschaftliches Rechnen Sommersemester 2012 Auffrischung zur Programmierung in C++ 2. Teil 18. April 2012 Organisatorisches MÜNSTER Übung zur Vorlesung Wissenschaftliches
MehrExponentialverteilung
Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
Mehr8 Die Exponentialverteilung
8 Die Exponentialverteilung 8.1 Einführung Modelle Zuverlässigkeitsmodelle Lebensdauermodelle Bedienungsmodelle. 277 W.Kössler, Humboldt-Universität zu Berlin Def. 26 (Exponentialverteilung) Sei X eine
MehrStatistik für Ingenieure Vorlesung 5
Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
MehrKlausur zur Vorlesung,,Algorithmische Mathematik II
Institut für angewandte Mathematik, Institut für numerische Simulation Sommersemester 2015 Prof. Dr. Anton Bovier, Prof. Dr. Martin Rumpf Klausur zur Vorlesung,,Algorithmische Mathematik II Bitte diese
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrLabor Software-Entwicklung 1
Fakultät für Technik STUDIENGANG MEDIZINTECHNIK Labor Software-Entwicklung Vorbereitungsaufgaben zu Versuch 2 C-Programmierung Mathematische Berechnungen Wintersemester 205/206 Seite von 5 Vorbemerkungen
MehrKlausur: Informatik I am 06. Februar 2009 Gruppe: D Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.: Punkte:
Seite 1 von 10 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 12 Pkt.) Was liefert
MehrKlausur: Informatik I am 06. Februar 2009 Gruppe: D Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.: Punkte:
Seite 1 von 9 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 12 Pkt.) Was liefert
MehrC++ Teil 2. Sven Groß. 16. Apr IGPM, RWTH Aachen. Sven Groß (IGPM, RWTH Aachen) C++ Teil Apr / 22
C++ Teil 2 Sven Groß IGPM, RWTH Aachen 16. Apr 2015 Sven Groß (IGPM, RWTH Aachen) C++ Teil 2 16. Apr 2015 1 / 22 Themen der letzten Vorlesung Hallo Welt Elementare Datentypen Ein-/Ausgabe Operatoren Sven
MehrWahrscheinlichkeit3 Binomialverteilung/Bernoulli-Formel
Wahrscheinlichkeit3 Binomialverteilung/Bernoulli-Formel Aufgaben Lösen Sie A1 und A sowohl mit der Bernoulli-Formel als auch mit dem TR(BV), die anderen Aufgaben lösen sie mit dem TR(BV). A1 Eine Familie
MehrQueueTraffic und Warteschlangen
QueueTraffic und Warteschlangen + Warteschlangen im Alltag Du bist sicher schon einmal in einer Warteschlange gestanden. Wo? Worin unterscheiden sie sich? Bei Skiliften, Ticketautomaten, Kassen, beim Arzt,
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen 0. Diskrete reellwertige Zufallsvariable X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) oder
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
MehrZentralübung Diskrete Wahrscheinlichkeitstheorie (zur Vorlesung Prof. Mayr)
SS 2011 Zentralübung Diskrete Wahrscheinlichkeitstheorie (zur Vorlesung Prof. Mayr) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2011ss/dwt/uebung/ 30. Juni 2011 ZÜ
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrKLASSENARBEIT MATHEMATIK G9
KLASSENARBEIT MATHEMATIK G9 25.03.2015 Aufgabe 1 2 3 4 5 6 7 Punkte (max) 4 6 4 3 4 4 5 Punkte (1) Berechne a) 16 1 2 = b) 27 1 3 = c) 2 x 4 y = d) x 2 + xy x + y (2) Es werden 3 Kranke ausgewählt und
MehrThema heute: Vererbung und Klassenhierarchien. Abgeleitete Klassen. Vererbung von Daten und Funktionen. Virtuelle Funktionen
1 Thema heute: Vererbung und Klassenhierarchien Abgeleitete Klassen Vererbung von Daten und Funktionen Virtuelle Funktionen 2 Vererbung oft besitzen verschiedene Datentypen einen gemeinsamen Kern Beispiel:
MehrWahrscheinlichkeitsverteilungen und ihre Implementierung in Root. Eric Volkmann
Wahrscheinlichkeitsverteilungen und ihre Implementierung in Root Eric Volkmann Inhalt Mathematische Definition Random Number Generators Wichtige Verteilungen Anwendungsbeispiel: Monte-Carlo Simulation
MehrProf. Dr. R. Mathar RWTH Aachen, SS 2002 Daniel Catrein Abgabe: bis 15:45 Uhr. 1. Übung zur Einführung in die Stochastik für Informatiker
Daniel Catrein Abgabe: 02.05.02 1. Übung zur Einführung in die Stochastik für Informatiker Aufgabe 1 Bei einem Kartenspiel mit 52 Karten werden an jeden der vier Spieler (A, B, C und D) 13 Karten ausgegeben.
MehrAchtung: Groß O definiert keine totale Ordnungsrelation auf der Menge aller Funktionen! Beweis: Es gibt positive Funktionen f und g so, dass
Achtung: Groß O definiert keine totale Ordnungsrelation auf der Menge aller Funktionen! Beweis: Es gibt positive Funktionen f und g so, dass f O g und auch g O f. Wähle zum Beispiel und G. Zachmann Informatik
MehrSFZ FN Sj. 12/13. Python 4 Grundlagen. W.Seyboldt. Python, SFZ FN, Sj 12/13
SFZ FN Sj. 12/13 Python 4 Grundlagen 1 Python, SFZ FN, Sj 12/13 Python Methoden: def teilt(t, n): ''' Kommentar. ''' Berechnungen return var Statt der Variable var bei Return kann auch eine Methode oder
MehrWintersemester Maschinenbau und Kunststofftechnik. Informatik. Tobias Wolf Seite 1 von 29
Kapitel 2 Einführung in C++ Seite 1 von 29 C++ Zeichensatz - Buchstaben: a bis z und A bis Z. - Ziffern: 0 bis 9 - Sonderzeichen: ; :,. # + - * / % _ \! < > & ^ ~ ( ) { } [ ]? Seite 2 von 29 Höhere Elemente
MehrVorlesung Stetige Verteilungen / Mathematische Behandlung
B E A C D Z Faultät Verehrswissenschaften Friedrich List Professur für Verehrsströmungslehre Verehrssystemtheorie I+II (V.-Wirtschaft) Vorlesung..0 Stetige Verteilungen / Mathematische Behandlung Neufert,
MehrAufgaben. d) Seien X und Y Poissonverteilt mit Parameter µ, X, Y P(µ). 2. Dann ist die Summe auch Poissonverteilt mit (X + Y ) P(2µ).
Aufgaben 1. Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete Frage 1 Punkt und pro falsche Antwort 1/2 Punkt Abzug. Minimal erhält man für die gesamte
MehrKlausur: Grundlagen der Informatik I, am 27. März 2009 Gruppe: E Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.
Seite 1 von 9 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 15 Pkt.) Was liefert
MehrVorlesung 4b. Versuche, Erfolge, Wartezeiten: von Bernoulli zu Poisson
Vorlesung 4b Versuche, Erfolge, Wartezeiten: Die Welt des p-münzwurfs - von Bernoulli zu Poisson 1 0. Fortgesetzter p-münzwurf 2 Definition: Sei p (0,1), q := 1 p. Eine Bernoulli-Folge zum Parameter p
Mehr15 Grundlagen der Simulation
15 Grundlagen der Simulation 15.1 Einführung Komplexe Problemstellungen, die einer analytischen Behandlung nur sehr schwer oder gar nicht zugänglich sind Lösung von diskreten (oder analytischen) Optimierungsaufgaben,
Mehr