Formelsamling matny's handbook Senaste versionen nns på http://nyrell.se [email protected] 14 augusti 2008 2 Innehåll 1 2 3 4 Gott och blandat 7 1.1 Triggformler etc . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.1.1 Standard triggformler . . . . . . . . . . . . . . . . . . . . 7 1.1.2 Specialare . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.2 Hyperboliska funktioner . . . . . . . . . . . . . . . . . . . . . . . 7 1.3 Logaritmregler . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.4 Standardgränsvärden . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.5 Derivata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.5.1 Några deriveringsregler . . . . . . . . . . . . . . . . . . . 8 1.5.2 Derivator av elementära funktioner . . . . . . . . . . . . . 9 1.6 Partialbråksuppdelning . . . . . . . . . . . . . . . . . . . . . . . 9 1.7 Bra att ha . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 Komplexa tal 11 2.1 11 Eulers formler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Mängdlära 13 3.1 Egenskaper . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 3.2 Vanliga mängdoperationer . . . . . . . . . . . . . . . . . . . . . . 13 3.3 Speciella mängdoperationer 14 . . . . . . . . . . . . . . . . . . . . . Summor och serier 17 4.1 Geometrisk summa/serie . . . . . . . . . . . . . . . . . . . . . . . 17 4.2 Aritmetisk summa . . . . . . . . . . . . . . . . . . . . . . . . . . 17 4.3 Taylorserier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 4.3.1 Maclaurins formel . . . . . . . . . . . . . . . . . . . . . . 17 4.3.2 Taylor's formel . . . . . . . . . . . . . . . . . . . . . . . . 17 4.3.3 Standardutvecklingar . . . . . . . . . . . . . . . . . . . . 3 18 4 5 INNEHÅLL Sannolikhetslära 19 5.1 Grundläggande saker . . . . . . . . . . . . . . . . . . . . . . . . . 19 5.1.1 Kombinatorik . . . . . . . . . . . . . . . . . . . . . . . . . 19 5.2 Betingad sannolikhet . . . . . . . . . . . . . . . . . . . . . . . . . 20 5.3 Endimensionella stokastiska variabler . . . . . . . . . . . . . . . . 20 5.3.1 Diskreta fallet . . . . . . . . . . . . . . . . . . . . . . . . . 20 5.3.2 Kontinuerliga fallet . . . . . . . . . . . . . . . . . . . . . . 21 5.3.3 Allmänt . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 5.4 5.5 5.6 5.7 6 Tvådimensionella stokastiska variabler . . . . . . . . . . . . . . . 21 5.4.1 Diskreta fallet . . . . . . . . . . . . . . . . . . . . . . . . . 21 5.4.2 Kontinuerliga fallet . . . . . . . . . . . . . . . . . . . . . . 22 5.4.3 Allmänt . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 Lägesmått, spridningsmått och beroendemått . . . . . . . . . . . 23 5.5.1 Lägesmått . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 5.5.2 Spridningsmått . . . . . . . . . . . . . . . . . . . . . . . . 23 5.5.3 Beroendemått . . . . . . . . . . . . . . . . . . . . . . . . . 24 5.5.4 Bra att ha . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 5.5.5 Räkneregler . . . . . . . . . . . . . . . . . . . . . . . . . . 24 Några diskreta fördelningar . . . . . . . . . . . . . . . . . . . . . 24 5.6.1 Binominalfördelning, Bi(n, p) . . . . . . . . . . . . . . . . 24 5.6.2 Poissonfördelning, . . . . . . . . . . . . . . . . . . . 25 5.6.3 Hypergeometrisk fördelning, 5.6.4 För första gången-fördelning, 5.6.5 Geometrisk fördelning, Po(µ) Hyp(N, n, p) . . . . . . . . . 25 . . . . . . . . . . . 25 . . . . . . . . . . . . . . . . 25 . . . . . . . . . . . . . . . . . . 26 Ge(p) Några kontinuerliga fördelningar Ffg(p) 5.7.1 Rektangulär (likformig) fördelning, 5.7.2 Exponentialfördelning, 5.7.3 Normalfördelning, . . . . . . . . 26 . . . . . . . . . . . . . . . 26 . . . . . . . . . . . . . . . . . 26 Exp(µ) N(m, σ) Re(a, b) Statistik 6.1 6.2 27 Köteori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 6.1.1 Grundläggande begrepp för kömodeller/betjäningssystem 27 6.1.2 Little's formler . . . . . . . . . . . . . . . . . . . . . . . . 28 6.1.3 Kömodeller . . . . . . . . . . . . . . . . . . . . . . . . . . 28 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 Skattningar 6.2.1 Eektivitet mellan skattningar . . . . . . . . . . . . . . . 28 5 INNEHÅLL 7 8 9 Signaler och system 29 7.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 7.1.1 Diracimpuls . . . . . . . . . . . . . . . . . . . . . . . . . . 29 7.1.2 Enhetsimpuls . . . . . . . . . . . . . . . . . . . . . . . . . 29 7.1.3 Enhetssteg . . . . . . . . . . . . . . . . . . . . . . . . . . 29 7.1.4 Impulssvar . . . . . . . . . . . . . . . . . . . . . . . . . . 30 7.1.5 Stegsvar . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 7.1.6 Stabilitet . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 7.1.7 Kausalitet . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 7.1.8 Anti-kausalitet . . . . . . . . . . . . . . . . . . . . . . . . 30 7.1.9 Icke-kausalitet . . . . . . . . . . . . . . . . . . . . . . . . 30 Blandat 7.2 Lite användbara formler mm . . . . . . . . . . . . . . . . . . . . 30 7.3 Sampling och rekonstruktion . . . . . . . . . . . . . . . . . . . . 31 7.3.1 Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 7.3.2 Rekonstruktion . . . . . . . . . . . . . . . . . . . . . . . . 31 7.3.3 Undersampling . . . . . . . . . . . . . . . . . . . . . . . . 31 Automatateori 33 8.1 Deterministic Finite Automata, DFA . . . . . . . . . . . . . . . . 33 8.2 Non-deterministic Finite Automata, NFA . . . . . . . . . . . . . 33 8.3 NFA with . . . . . . . . . . . . . . . . . . . 34 - transitions, NFA Talteori 35 9.1 35 Talsystem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 INNEHÅLL Kapitel 1 Gott och blandat 1.1 Triggformler etc 1.1.1 Standard triggformler sin2 x + cos2 x = 1 cos(x + y) = cos x cos y − sin x sin y cos(x − y) = cos x cos y + sin x sin y sin(x + y) = sin x cos y + cos x sin y sin(x − y) = sin x cos y − cos x sin y tan x+tan y 1−tan x tan y tan x−tan y 1+tan x tan y 2 2 tan(x + y) = tan(x − y) = cos 2x = cos x − sin x = 2 cos2 x − 1 = 1 − 2 sin2 x sin 2x = 2 sin x cos x 2 tan x tan 2x = 1−tan 2x sin2 x = 12 (1 − cos 2x) cos2 x = 12 (1 + cos 2x) cos x = sin π2 − x sin x = cos π2 − x 1.1.2 Specialare sin((ω0 −ω1 )t)+sin((ω0 +ω1 )t) (kommer från en upp2 gift i kretsteori del 2) sin (ω0 t) cos (ω1 t) = a sin ϕ + b cos α = A cos (ϕ + α), 1.2 där A= Hyperboliska funktioner x −x cosh x = e +e ,x ∈ < 2 ex −e−x sinh x = 2 7 √ a2 + b2 8 KAPITEL 1. tanh x = coth x = 1.3 sinh x cosh x cosh x sinh x = = GOTT OCH BLANDAT ex −e−x ex +e−x ex +e−x ex −e−x Logaritmregler log 1 = 0 log (s · t) = log s + log t log st = log s − log t log st = t log s b log s = 1.4 a a log s log b Standardgränsvärden xα ax → 0 ln x xα → 0 α x→∞ då x→∞ då x ln x → 0 sin x x →1 x → 0+ då x→0 då 1 x (1 + x) → e x→0 då ln(1+x) → 1 då x → 0 x x e −1 → 1 då x → 0 x 1 n 1 + n → e då n → ∞ n 1 − n1 → e−1 då n → ∞ (OBS. Detta räknas kanske inte alltid som ett standardgränsvärde.) n √ √ n 1 a = an → 1 n=n an n! → √ n 0 1 n →1 då n! → ∞ 1.5 då n→∞ då n→∞ n→∞ då n→∞ Derivata Derivatan, 0 0 f (x), f (x) = 1.5.1 till funktionen lim ∆x → 0 f (x), denieras som: f (x+∆x)−f (x) ∆x Några deriveringsregler 0 D(f g) = f 0g + f0g g D fg = f g−f g2 0 1.6. PARTIALBRÅKSUPPDELNING 1.5.2 9 Derivator av elementära funktioner Dex = ex D ln x = x1 , D ln |x| = x>0 1 |x| , x 6= 0 0 f (x) f (x) , D ln |f (x)| = D loga x = 1 x ln a , f (x) 6= 0 x>0 Dax = ax ln a Dxa = axa−1 , x>0 D sin x = cos x D cos x = − sin x 1 x 6= π2 + nπ cos2 x , D cot x = − sin12 x , x 6= nπ 1 D arcsin x = √1−x 2 D tan x = 1 D arccos x = − √1−x 2 D arctan x = 1 1+x2 D sinh x = cosh x D cosh x = sinh x D tanh x = D coth x = 1.6 1 cosh2 x − sinh12 x , 6= 0 Partialbråksuppdelning r(x) h(x) där gradr (x)<gradh (x), och nämnaren h (x) har faktoriserats så långt det går i reella faktorer. Nu vill vi skriva om uttrycket på följande sätt: Betrakta r(x) h(x) Där P bi = P b1 + P b2 + ... är partialbråk till r(x) h(x) . De möjliga faktorerna i nämnaren ger upphov till olika typer av partialbråk enligt följande: Faktor i nämnaren x−a n (x − a) x2 + ax + b n x2 + ax + b Partialbråk A1 x−a A1 A2 An x−a + (x−a)2 + · · · + (x−a)n A1 x+B1 x2 +ax+b A1 x+B1 A2 x+B2 An x+Bn x2 +ax+b + (x2 +ax+b)2 + · · · + (x2 +ax+b)n 10 1.7 KAPITEL 1. Bra att ha (a + b + c) 2 = a2 + b2 + c2 + 2ab + 2ac + 2bc GOTT OCH BLANDAT Kapitel 2 Komplexa tal Den imaginära enheten, i, denieras som: i2 = −1 Ett komplext tal, z, kan skrivas som: z = a + bi = |z| (cos θ + i sin θ) = |z| eiθ a, b ∈ √ < |z| = a2 + b2 θ = argumentet 2.1 till z Eulers formler eiθ − e−iθ = 2i sin θ eiθ + e−iθ = 2 cos θ 11 där 12 KAPITEL 2. KOMPLEXA TAL Kapitel 3 Mängdlära 3.1 Egenskaper Kardinalitet (för ändliga mängder) Kardinalitet beskriver storleken på en mängd. För ändliga mängder så brukar kardinalitet helt enkelt kallas för längd. Kardinalitet betecknas |A| och denieras (för ändliga mängder) som antalet element i A. Ex: |{a, b, c}| = 3 3.2 Vanliga mängdoperationer Union A ∪ B = {x | x ∈ A eller x ∈ B} Snitt (intersection) A ∩ B = {x | x ∈ A och x ∈ B} Mängddierens (dierence) Olika beteckningar för mängddierens: A − B, A \ B A − B = {x | x ∈ A och x ∈ / B} 13 14 KAPITEL 3. MÄNGDLÄRA Symmetrisk dierens (symmetric dierence) A4B = {x | x ∈ A ∪ B och x ∈ / A ∩ B} Komplement (complementation) Olika beteckningar för komplement: A, ∼ A, A∗ , Ac , A 0 A = {x | x ∈ / A} Potensmängd (Power set) En mängds potensmängd, är mängden av alla dess delmängder. Vanliga beteckningar för potensmängd är: P (A) , 2A Den sista beteckningen har förmodligen göra med att en godtycklig mängd, med n element, har 3.3 2n delmängder, dvs |P (A)| = 2|A| . Speciella mängdoperationer Dessa mängdoperationerna kan användas bland annat då man arbetar med mängder av strängar (t ex formella språk och automatateori). Alla tre bygger på att operationen ihopslagning/concatenation, eller motsvarande, är denierad för mängdmedlemmarna. Ihopslagning (concatenation) AB denieras som: AB = {xy | x ∈ A och y ∈ B} Ex. a,b är strängar {a, ab} {b, ba} = {ab, aba, abb, abba} Potenser An denieras rekursivt enligt: A0 = {} där är den tomma strängen An+1 = AAn (null string, empty string) 3.3. 15 SPECIELLA MÄNGDOPERATIONER Asterate (Kleene clossure) A∗ denieras som unionen av alla ändliga potenser av A∗ = S n≥0 A, dvs: An = A0 ∪A1 ∪A2 ∪A3 ∪... = {x1 x2 ...xn | n ≥ 0 och xi ∈ A, 1 ≤ i ≤ n} 16 KAPITEL 3. MÄNGDLÄRA Kapitel 4 Summor och serier 4.1 Geometrisk summa/serie n P ak = 1 + a + a2 + ... + an−1 = k=0 ∞ P ak = k=0 4.2 1 1−a , an+1 −1 a−1 = 1−an+1 1−a n+1 då då a 6= 1 a=1 (−1 < a < 1) Aritmetisk summa n P (a + kd) = a + (a + d) + (a + 2d) + ... + (a + nd) = k=0 4.3 (n+1)(a+(a+nd)) 2 Taylorserier 4.3.1 Maclaurins formel Om funktionen f , och dess derivator till och med ordning n + 1, är kontinuerliga i en omgivning av 0, gäller följande för alla x i denna omgivning: 0 00 f (x) = f (0)+ f 1!(0) x+ f 2!(0) x2 +...+ f 0<θ<1 Om f (x) (n) (0) n xn+1 (n+1) (θx) n! x + (n+1)! f är udda tas bara udda potenser av x med. Om f (x) där är jämn tas bara jämna potenser av x med. 4.3.2 Taylor's formel 0 00 (n) f (x) = f (a) + f 1!(a) (x − a) + f 2!(a) (x − a)2 + ... + f n!(a) (x − a)n + Rn+1 (x) Rx t (n+1) (ξ) (n+1) Rn+1 (x) = a (x−t) (t)dt = f (n+1)! (x − a)n+1 n! f 17 18 Om KAPITEL 4. Rn (x) → 0 då f (x) = ∞ P f (x) = k=0 ∞ P k=0 4.3.3 n→∞ f (k) (a) k! (x SUMMOR OCH SERIER så gäller: − a)k (Taylor serie) f (k) (0) k k! x (Maclaurin serie) Standardutvecklingar ex = 1 + x + x2 2! + x3 3! + ... + xn n! + Rn+1 (x) där ln(1 + x) = x − x2 2 + x3 3 sin x = x − x3 3! + x5 5! n α(α−1) 2 x 2! Rn+1 (x) = x2 2! + α(α−1)...(α−n+1) n x + Rn+1 (x) n! α(α−1)...(α−n) n+1 där Rn+1 (x) = (n+1)!(1+θx)n+1−α x 2n−1 x − ... + (−1)n−1 (2n−1)! + R2n+1 (x) x4 4! x3 3 2n + x5 5 cos θx 2n+2 R2n+2 (x) = (−1)n+1 (2n+2)! x 2n−1 − ... + (−1)n−1 x2n−1 + R2n+1 (x) där 3 cos θx 2n+1 R2n+1 (x) = (−1)n (2n+1)! x x − ... + (−1)n (2n)! + R2n+2 (x) där arctan x = x − (−1)n n+1 (n+1)(1+θx)n+1 x + ... + där cos x = 1 − eθx n+1 (n+1)! x − ... + (−1)n−1 xn + Rn+1 (x) där (1 + x)α = 1 + αx + Rn+1 (x) = 5 7 R2n+1 (x) = 2n (−1)n 2n+1 (2n+1)(1+θ 2 x2 ) x 2n 17x n−1 2 (2 −1) tan x = x + x3 + 2x B2n x2n−1 + ... 15 + 315 + ... + (−1) (2n)! där B2n är ett Bernoullipolynom, se 12.3 i Mathematics handbook I samtliga ovanstående fall är θ ett tal mellan 0 och 1 som beror av x och n. Kapitel 5 Sannolikhetslära 5.1 Grundläggande saker Sannolikhetsmåttet P har egenskaperna: P (A) = 1 − P (A) P (A ∪ B) = P (A) + P (B) − P (A ∩ B) 5.1.1 Kombinatorik Kombinationer Det antal sätt man kan placera ut r objekt på n positioner utan hänsyn till ordningen, eller med andra ord, det antal sätt man kan välja ut n r objekt bland utan hänsyn till ordningen, betecknas och denieras enligt: n r = C (n, r) = nCr = n! r!(n−r)! Några saker som man bör ha i minnet: n 1 = n, n 0 = 1, n n =1 Permutationer Det antal sätt som man kan ordna ordningen, är Att ordna n n st olika objekt, med hänsyn tagen till n!. objekt, med hänsyn till ordningen, kallas permutering. n objekt, och vill permutera r P (n, r) denieras enligt: n! d n 6= r (n−r)! P (n, r) = n! d n=r Om man har P (n, r) olika sätt. 19 st av dessa, så kan man göra det på 20 KAPITEL 5. 5.2 SANNOLIKHETSLÄRA Betingad sannolikhet Betingad sannolikhet, P (B | A), är sannolikheten för att händelsen B inträar, givet att händelsen A redan inträat. Denition: P (B | A) = P (B∩A) P (A) om P (A) > 0 Multiplikationssatsen för beroende händelser: P (A ∩ B) = P (A)P (B | A) Delar man in utfallsrummet i de disjunkta händelserna P (B) = n P Ai ,så gäller: P (Ai )P (B | Ai ). i=1 Händelserna A och B är oberoende om P (A ∩ B) = P (A)P (B) Då gäller även: P (B | A) = P (B) dvs det spelar ingen roll om händelsen A har inträat eller inte. 5.3 Endimensionella stokastiska variabler 5.3.1 Diskreta fallet Sannolikhetsfunktionen (frekvensfunktionen), dvs sannolikheten att den stokastiska variabeln antar ett visst värde, ges av: pX (a) = P (X = a) där a = 0, 1, 2, ... Fördelningsfunktionen ges av: FX (a) = P (X ≤ a) = P ai ≤a pX (ai ) 5.4. 21 TVÅDIMENSIONELLA STOKASTISKA VARIABLER 5.3.2 Kontinuerliga fallet Täthetsfunktionen (frekvensfunktionen, Sannolikhetstätheten), Rb fX (t)härleds ur: fX (t)dt = P (a < X < b) = P (a ≤ X ≤ b) = FX (b) − FX (a) a Fördelningsfunktionen denieras på samma sätt som i det diskreta fallet: FX (a) = P (X ≤ a) Den kontinuerliga fördelningsfunktionen och sannolikhetstätheten har följande samband: FX (a) = Ra fX (t)dt (fördelningsfunktion) −∞ fX (a) = 5.3.3 dFX (a) (täthetsfunktion) da Allmänt Frekvensfunktionerna (sannolikhetsfunktionen respektive sannolikhetstätheten) har egenskaperna: ∞ P a=0 R∞ pX (a) = 1 fX (a)da = 1, dvs FX (a) → 1 då a→∞ −∞ 5.4 Tvådimensionella stokastiska variabler 5.4.1 Diskreta fallet Sannolikhetsfunktion: pX,Y (x, y) = P (X = x, Y = y) där x = 0, 1, 2, ... och y = 0, 1, 2, ... Fördelningsfunktion: FX,Y (x, y) = P (X ≤ x, Y ≤ y) = y x P P pX,Y (j, k) j=0 k=0 Marginalfördelningarna, ningen, pX,Y , pX (x) = pX enligt: ∞ P y=0 pX,Y (x, y) och pY , kan bestämmas ur den simultana fördel- 22 KAPITEL 5. 5.4.2 SANNOLIKHETSLÄRA Kontinuerliga fallet Fördelningsfunktion: FX,Y (x, y) = P (X ≤ x, Y ≤ y) Den kontinuerliga fördelningsfunktionen och täthetsfunktionen har följande samband: FX,Y (x, y) = Rx Ry fX,Y (s, t)dsdt (fördelningsfunktion) −∞ −∞ fX,Y (t, u) = ∂ 2 F (t,u) (täthetsfunktion) ∂x∂y Marginalfördelningarna, ningen, fX,Y , fX (x) = fX och fY , kan bestämmas ur den simultana fördel- enligt: R∞ fX,Y (x, y)dy −∞ För att beräkna sannolikheten inom ett visst denitionsområde, integrerar man täthetsfunktionen över området: P ((X, Y ) ∈ B) = RR fX,Y (x, y)dxdy B 5.4.3 Allmänt Precis som i det endimensionella fallet så har sannolikhetsfunktionen egenskapen: ∞ P ∞ P pX,Y (j, k) = 1 j=0 k=0 R∞ R∞ fX,Y (x, y)dxdy = 1 −∞ −∞ Vid oberoende gäller: FXY (x, y) = FX (x)FY (y) fXY (x, y) = fX (x)fY (y) pXY (x, y) = pX (x)pY (y) 5.5. LÄGESMÅTT, SPRIDNINGSMÅTT OCH BEROENDEMÅTT 5.5 23 Lägesmått, spridningsmått och beroendemått Ett lägesmått anger var sannolikhetsmassan är placerad i genomsnitt. Exempel på lägesmått är väntevärde (beteckning E(X)) och median. Väntevärde är i princip samma sak som medelvärde. Spridningsmåttet anger hur utspridd fördelningen av sannolikhetsmassan är. Exempel på spridningsmått är varians tionskoecient σ E(X) σ2 , standardavvikelse (σ) och varia- . Beroendemått är ett mått på beroendet mellan två stokastiska variabler. Exempel på beroendemått är kovarians och korrelationskoecienten. 5.5.1 Lägesmått Väntevärde (medelvärde): P x xpX (x) R∞ E(X) = xfX (x)dx −∞ P x ϕ(x)pX (x) R∞ E(ϕ(X)) = ϕ(x)fX (x)dx −∞ P x,y ϕ(x, y)pX,Y (x, y) E(ϕ(X, Y )) = R∞ R∞ ϕ(x, y)fX,Y (x, y)dxdy −∞ −∞ Medianen, för en stokastisk variabel, är ett värde som halverar sannolikhetsmassan. Medianen för en kontinuerlig stokastisk variabel, för vilket e Rm FX (m) e = 1 2 . Dvs lösningen till: fX (t)dt = 1 2 −∞ 5.5.2 X, är det reella tal Spridningsmått Varians: 2 Var(X) = E (X − E (X)) = E(X 2 ) − E 2 (X) Standardavvikelse: σX = D(X) = p Var(X) 2 (= σX ) m e 24 KAPITEL 5. 5.5.3 SANNOLIKHETSLÄRA Beroendemått Kovariansen är denierad som: PP x y (x − E (X)) (y − E (Y )) pX,Y (x, y) Cov(X, Y ) = E ((X − E (X)) (Y − E (Y ))) = R∞ R∞ (x − E (X)) (y − E (Y )) fX,Y (x, y)dxdy −∞ −∞ Ur detta får man att: Cov(X, Y ) = E(X · Y ) − E(X)E(Y ) Normerad kovarians eller korrelationskoecient : ρ(X, Y ) = 5.5.4 Cov(X,Y ) σX σY Bra att ha E X 2 P 2 x x pX (x) R∞ 2 = x fX (x)dx −∞ 5.5.5 Räkneregler E(a) = a E(aX) = aE(X) E(X + Y ) = E(X) + E(Y ) Var(aX) = a2 Var(X) Var(X + a) = Var(X) Om X och Y är oberoende gäller dessutom följande räkneregler E(X · Y ) = E(X)E(Y ) Var(X + Y ) = Var(X) + Var(Y ) Var(X − Y ) = Var(X) + Var(Y ), (−1)2 Var(Y ) 5.6 5.6.1 ty Var(X + (−1)Y ) = Var(X) + Några diskreta fördelningar Binominalfördelning, Sannolikhetsfunktion: pX (k) = n k Bi(n, p) pk (1 − p)n−k för k = 0, 1, 2, ..., n 5.6. 25 NÅGRA DISKRETA FÖRDELNINGAR E(X) p = np σX = np(1 − p) För oberoende X1 ∈ Bi(n1 , p) och X2 ∈ Bi(n2 , p) gäller: X + Y ∈ Bi(n1 + n2 , p) 5.6.2 Poissonfördelning, Sannolikhetsfunktion: pX (k) = Po(µ) µk −µ för k! e k = 0, 1, 2, ... E(X) = µ √ σX = µ För oberoende X1 ∈ Po(µ1 ) och X2 ∈ Po(µ2 ), gäller: X + Y ∈ Po(µ1 + µ2 ) 5.6.3 Hypergeometrisk fördelning, 0 @ Sannolikhetsfunktion: pX (k) = Np k Hyp(N, n, p) 10 N − Np A@ n−k 0 1 N @ A n 1 A för 0 ≤ n − k ≤ N − Np E(X) q = np σX = 5.6.4 N −n N −1 np(1 − p) För första gången-fördelning, Sannolikhetsfunktion: pX (k) = p(1 − p)k−1 för Ffg(p) k = 1, 2, ... E(X) = p1 q σX = 1−p p2 5.6.5 Geometrisk fördelning, Sannolikhetsfunktion: E(X) = 1−p q p σX = 1−p p2 pX (k) = p(1 − p)k Ge(p) för k = 0, 1, 2, ... 0 ≤ k ≤ Np och 26 KAPITEL 5. 5.7 SANNOLIKHETSLÄRA Några kontinuerliga fördelningar 5.7.1 Rektangulär (likformig) fördelning, f (x) = Täthetsfunktion: 1 b−a för Re(a, b) a<x<b E(X) = a+b 2 b−a σX = √ 12 5.7.2 Exponentialfördelning, f (x) = Täthetsfunktion: x 1 −µ för µe x≥0 Exp(µ) (= 0 då x < 0) E(X) = µ σX = µ 5.7.3 Normalfördelning, f (x) = Täthetsfunktion: √1 e− σ 2π N(m, σ) (x−m)2 2σ 2 för alla x E(X) = m σX = σ Standardiserad normalfördelning Om X ∈ N(m, σ) så är Z= X−m den standardiserade stokastiska variabeln till σ X. Z ∈ N(0, 1) ⇒ fZ (z) = FZ (z) = Φ(z) nns Φ(−z) = 1 − Φ(z). 2 z √1 e− 2 2π tabulerad för z > 0. För z <0 utnyttjar man sambandet Räkneregler Om Y = aX + b För oberoende så är Y ∈ N(am + b, σ |a|). X1 ∈ N(m1 , σ1 ) och X2 ∈ N(m2 , σ2 ), p X1 + X2 ∈ N m1 + m2 , σ12 + σ22 p aX1 + bX2 ∈ N am1 + bm2 , a2 σ12 + b2 σ22 gäller: Kapitel 6 Statistik 6.1 Köteori 6.1.1 Grundläggande begrepp för kömodeller/betjäningssystem Ett generellt kösystem kan beskrivas enligt A/B/c/K/m/O, där A anger fördelningstypen för tiden mellan kundankomster. B anger fördelningstypen för betjäningstiden. c anger antalet betjäningsenheter (antal kassor) K anger det maximala antalet kunder i systemet. m anger antalet potentiella kunder (kundpopulationen). O anger betjäningsordningen. Om man inte anger K eller m så antar man att de är obegränsade, dvs K = m = ∞. Anger man inte O så antar man att kunderna tas om hand i tur och ordning. Bokstaven M på någon av de två första platserna står för Markovsk, vilket betyder exponentialfördelning. Alternativa fördelningar som man kan stöta på är till exempel D, deterministisk, eller G, generell. Följande stokastiska variabler är intressanta i ett betjäningssystem: Nq (t): antal kunder i kön vid tiden t Ns (t): antal kunder som betjänas vid tiden t N (t) = Nq (t) + Ns (t): antal kunder i kön vid tiden t Q: Kötiden för en kund (queue time) S : Betjäningstiden för en kund (service time) W = Q + S : Väntetiden för en kund (wait time) I kömodellerna används följande parametrar: Inkommande intensitet: Betjäningsintensitet: λ µ u = µλ u Utnyttjandegrad: ρ = , c Trakintensitet: där c är antalet betjäningar. 27 28 KAPITEL 6. 6.1.2 STATISTIK Little's formler E(N (t)) = λE(W ) E(Nq (t)) = λE(Q) 6.1.3 Kömodeller M/M/1 Modell för kösystem med en betjäningsenhet. FQ (t) = P (Q ≤ t) = 1 − ρe−µ(1−ρ)t , FW (t) = P (W ≤ t) = 1 − e−µ(1−ρ)t , där där t≥0 t≥0 M/M/c Modell för kösystem med godtyckligt många betjäningsenheter. FW (t) = P (Q ≤ t) = 1 − pc −cµ(1−ρ)t , där 1−ρ e pc = P (N (t) = c) M/M/c/c Modell för kösystem med godtyckligt många betjäningsenheter, där kö tillåts. En M/M/c/c kö är full då N (t) = c detta medför att P(full) = P(N (t) = c) = pc M/M/c/K/K Modell för kösystem med godtyckligt många betjäningsenheter, där hela populationen av kunder har möjlighet att vara i systemet samtidigt. Modellen kallas även maskin-reparatör modellen eller terminal-dator modellen. 6.2 Skattningar 6.2.1 Eektivitet mellan skattningar Eektiviteten hos den sämre skattningen relativt den bättre denieras som: Var(Bttre) Var(Smre) Kapitel 7 Signaler och system 7.1 Blandat Dessa kommer från det senaste omtentaplugget till krets 2, vilket förklarar att det mest är tidsdiskreta grejer här just nu... 7.1.1 Diracimpuls δ (t) = ∞ t=0 0 t 6= 0 δ (a · t) = 1 |a| δ (t) R∞ δ (t) dt = 1 −∞ 7.1.2 Enhetsimpuls δ [n] = 1 n=0 0 n= 6 0 7.1.3 Enhetssteg u [n] = 1 n≥0 0 n<0 29 30 KAPITEL 7. 7.1.4 Impulssvar 7.1.5 Stegsvar 7.1.6 Stabilitet ∞ P |h [n]| < ∞, vilket är ekvivalent med att enn=−∞ 1, tillhör konvergensområdet för systemfunktionen, H [z]. Ett system är stabilt då hetscirkeln, |z| = SIGNALER OCH SYSTEM ∞ P |h [n]| = ∞, men |h [n]| < ∞ för alla n=−∞ n. Detta är ekvivalent med att det nns en eller era poler på enhetscirkeln, Ett system är marginellt stabilt då |z| = 1, 7.1.7 då enhetscirkeln utgör en rand till konvergensområdet. Kausalitet Ett system är kausalt då h [n] = 0 för n < 0, dvs utsignalen kan ej bero på H [z] måste vara av typen |z| > a framtida insignaler. Konvergensområdet för då a ∈ <+ . 7.1.8 Anti-kausalitet Ett system är anti-kausalt då måste vara av typen 7.1.9 |z| < a Konvergensområdet för H [z] Icke-kausalitet Ett system är icke-kausalt då n-värde. Konvergensområdet a, b ∈ <+ . 7.2 h [n] = 0 för n ≥ 0. a ∈ <+ . då h [n] 6= 0 H [z] för för minst ett positivt, och ett negativt, måste vara av typen Lite användbara formler mm sinc (at) = sin(πat) πat 2π ω= T ω = 2πf ⇒ ω fs = 2π fs = T1 Ω θ = 2π ⇒θ= ω = TΩ ⇒ Ω = ωT ω = 2πf ωT 2π = 2πf T 2π = fT a < |z| < b då 7.3. 31 SAMPLING OCH REKONSTRUKTION 7.3 Sampling och rekonstruktion 7.3.1 Sampling Poissons summationsformel beskriver sambandet mellan X [Ω] = 1 T ∞ P Ω−2πk T k=−∞ X (ω) och X [Ω]. Samplingsteoremet säger att om sampelfrekvensen är mer än dubbelt så stor som dubbla bandbredden, dvs fs > 2f0 , så kan x (t) återskapas fullständigt från x [n]. 7.3.2 Rekonstruktion Ideal rekonstruktion xr (t) = ∞ P x [n] sinc (fs (t − nT )) n=−∞ Xr (ω) = T X [ωT ], |ω| ≤ πfs 7.3.3 Undersampling Undersampling är sampling då sampelfrekvensen är mindre än dubbla bandbredden, dvs fs < 2f0 . Signalen kan alltså inte återskapas fullständigt. Den rekonstruerade signalen kan betecknas ursprungliga signalen, och e (t) tortion och vikningsdistortion, xr (t) = x (t) + e (t), där x (t) är den är en felsignal orsakad av bandbegränsningsdis- e (t) = eb (t) + ev (t). 32 KAPITEL 7. SIGNALER OCH SYSTEM Kapitel 8 Automatateori 8.1 Deterministic Finite Automata, DFA En DFA är en struktur enligt: M = (Q, Σ, δ, s, F ) där Q är en ändlig mängd av tillstånd (states) Σ är alfabetet som används (input alphabet) δ är överföringsfunktionen (transition function), som är denierad enligt: δ : Q × Σ → Q, där Q × Σ = {(q, a) | q ∈ Q, a ∈ Σ} s är start tillståndet F är mängden av sluttillstånd (accept states, nal states) 8.2 Non-deterministic Finite Automata, NFA En NFA är en struktur enligt: N = (Q, Σ, ∆, S, F ) där Q är en ändlig mängd av tillstånd (states) Σ är alfabetet som används (input alphabet) ∆ är överföringsfunktionen (transition function), som är denierad enligt: ∆ : Q × Σ → 2Q ∆ (q, a) är mängden av tillstånd som man kan ytta till på ett steg från q, då man läser a. 2Q är Q:s potensmängd, dvs mängden av alla delmängder till Q. S är en mängd av starttillstånd F är mängden av sluttillstånd (accept states, nal states) 33 34 8.3 KAPITEL 8. NFA with AUTOMATATEORI - transitions, NFA En NFA är identisk med en NFA förutom denitionen på överförings funktionen. ∆ : Q × (Σ ∪ {}) → 2Q - clossure(A) denieras som alla tillstånd som kan nås från A, utan att läsa någonting. Kapitel 9 Talteori 9.1 Talsystem {0, 1, 2, . . .} . N Mängden av naturliga tal Z Z+ , Z− Mängden av heltal Q Q+ , Q− Q∗ Mängden av rationella tal R R+ , R− R∗ Mängden av reella tal. Består av de rationella talen samt tal som C C∗ Mängden av komplexa tal {. . . , −2, −1, 0, 1, 2, . . .} Mängden av positiva / negativa heltal. Ej 0. {a/b | a, b ∈ Z, b 6= 0} . Mängdenav positiva / negativa rationella tal. Mängden av alla rationella tal förutom 0. Mängden av positiva / negativa reella tal. Mängden av alla reella tal förutom 0. x + ıy | x, y ∈ R, ı2 = −1 Mängden av alla komplexa tal förutom 0. 35 π, e, etc.