AE4426-19 Stochastic Processes And Simulation at Delft University Of Technology | Flashcards & Summaries

Lernmaterialien für AE4426-19 Stochastic Processes and Simulation an der Delft University of Technology

Greife auf kostenlose Karteikarten, Zusammenfassungen, Übungsaufgaben und Altklausuren für deinen AE4426-19 Stochastic Processes and Simulation Kurs an der Delft University of Technology zu.

TESTE DEIN WISSEN

probability mass function (pdf)

Lösung anzeigen
TESTE DEIN WISSEN

Let pX(x) denote the probability mass function (pdf) of X, where pX(x) : R → [0, 1], pX(x) = P(X = x).

Lösung ausblenden
TESTE DEIN WISSEN

Time-homogeneous Markov chains are processes where the probability of transition

Lösung anzeigen
TESTE DEIN WISSEN

is independent of the time t of the transition, i.e., 


pXt+1|Xt (j|i) = pXt|Xt−1 (j|i), ∀t.

Lösung ausblenden
TESTE DEIN WISSEN

What is the (long-run) fraction of time we stay in a state?

Ergodic

Lösung anzeigen
TESTE DEIN WISSEN

Stationary probability distribution

Lösung ausblenden
TESTE DEIN WISSEN

Note that P(a < X ≤ b) =

Lösung anzeigen
TESTE DEIN WISSEN

FX(b) − FX(a).

Lösung ausblenden
TESTE DEIN WISSEN

The variance possesses the following properties:

Lösung anzeigen
TESTE DEIN WISSEN

1.Var(aX) = a2Var(X). 

2.Var(aX + bY) = a2Var(X) + b2Var(Y) + 2abCov(X,Y). 


When X and Y are independent r.v., then Cov(X, Y) = 0.

Lösung ausblenden
TESTE DEIN WISSEN

If A, B ∈ F and P(B) > 0, the conditional probability of A given B is denoted and defined by

Lösung anzeigen
TESTE DEIN WISSEN

P(A|B) = P(A ∩ B) P(B) .

Consequence: P(A ∩ B) = P(A|B)P(B). When A and B are independent events: P(A ∩ B) = P(A)P(B).

Lösung ausblenden
TESTE DEIN WISSEN

The variance Var[X] of X is defined as:

Lösung anzeigen
TESTE DEIN WISSEN

Var[X] = E[(X − E[X])2] = E[X2] − (E[X])2.

Lösung ausblenden
TESTE DEIN WISSEN

Suppose C1, C2, . . . , Cm are mutually exclusive events with C1, C2, . . . , Cm a partition of Ω.


Theorem (Bayes’ rule)

Lösung anzeigen
TESTE DEIN WISSEN

For any event A with P(A) > 0: P(B|A) = P(A,B)/ P(A) = P(A|B)P(B)/ P(A) .

Lösung ausblenden
TESTE DEIN WISSEN

Monte Carlo simulation →

Lösung anzeigen
TESTE DEIN WISSEN

repeated sampling of a random variable(s).

Lösung ausblenden
TESTE DEIN WISSEN

Key theorems for Monte Carlo simulation:

Lösung anzeigen
TESTE DEIN WISSEN

1 Law of Large Numbers (LLN) 

2 Central Limit Theorem (CLT)

Lösung ausblenden
TESTE DEIN WISSEN

CI

Lösung anzeigen
TESTE DEIN WISSEN

Confidence Intervals

Lösung ausblenden
TESTE DEIN WISSEN

Suppose C1, C2, . . . , Cm are mutually exclusive events with C1, C2, . . . , Cm a partition of Ω.


Theorem (Partition theorem/Law of Total Probability)

Lösung anzeigen
TESTE DEIN WISSEN

For any event A: P(A) = P(A|C1) + . . . + P(A|Cm).

Lösung ausblenden
  • 890 Karteikarten
  • 39 Studierende
  • 0 Lernmaterialien

Beispielhafte Karteikarten für deinen AE4426-19 Stochastic Processes and Simulation Kurs an der Delft University of Technology - von Kommilitonen auf StudySmarter erstellt!

Q:

probability mass function (pdf)

A:

Let pX(x) denote the probability mass function (pdf) of X, where pX(x) : R → [0, 1], pX(x) = P(X = x).

Q:

Time-homogeneous Markov chains are processes where the probability of transition

A:

is independent of the time t of the transition, i.e., 


pXt+1|Xt (j|i) = pXt|Xt−1 (j|i), ∀t.

Q:

What is the (long-run) fraction of time we stay in a state?

Ergodic

A:

Stationary probability distribution

Q:

Note that P(a < X ≤ b) =

A:

FX(b) − FX(a).

Q:

The variance possesses the following properties:

A:

1.Var(aX) = a2Var(X). 

2.Var(aX + bY) = a2Var(X) + b2Var(Y) + 2abCov(X,Y). 


When X and Y are independent r.v., then Cov(X, Y) = 0.

Mehr Karteikarten anzeigen
Q:

If A, B ∈ F and P(B) > 0, the conditional probability of A given B is denoted and defined by

A:

P(A|B) = P(A ∩ B) P(B) .

Consequence: P(A ∩ B) = P(A|B)P(B). When A and B are independent events: P(A ∩ B) = P(A)P(B).

Q:

The variance Var[X] of X is defined as:

A:

Var[X] = E[(X − E[X])2] = E[X2] − (E[X])2.

Q:

Suppose C1, C2, . . . , Cm are mutually exclusive events with C1, C2, . . . , Cm a partition of Ω.


Theorem (Bayes’ rule)

A:

For any event A with P(A) > 0: P(B|A) = P(A,B)/ P(A) = P(A|B)P(B)/ P(A) .

Q:

Monte Carlo simulation →

A:

repeated sampling of a random variable(s).

Q:

Key theorems for Monte Carlo simulation:

A:

1 Law of Large Numbers (LLN) 

2 Central Limit Theorem (CLT)

Q:

CI

A:

Confidence Intervals

Q:

Suppose C1, C2, . . . , Cm are mutually exclusive events with C1, C2, . . . , Cm a partition of Ω.


Theorem (Partition theorem/Law of Total Probability)

A:

For any event A: P(A) = P(A|C1) + . . . + P(A|Cm).

AE4426-19 Stochastic Processes and Simulation

Erstelle und finde Lernmaterialien auf StudySmarter.

Greife kostenlos auf tausende geteilte Karteikarten, Zusammenfassungen, Altklausuren und mehr zu.

Jetzt loslegen

Das sind die beliebtesten AE4426-19 Stochastic Processes and Simulation Kurse im gesamten StudySmarter Universum

Production and Logistics

Hochschule Rhein-Waal

Zum Kurs
Biochem protein structures and function

University of Limpopo

Zum Kurs
Blood Vessels and Circulation

Lyceum of the Philippines University

Zum Kurs

Die all-in-one Lernapp für Studierende

Greife auf Millionen geteilter Lernmaterialien der StudySmarter Community zu
Kostenlos anmelden AE4426-19 Stochastic Processes and Simulation
Erstelle Karteikarten und Zusammenfassungen mit den StudySmarter Tools
Kostenlos loslegen AE4426-19 Stochastic Processes and Simulation