Obligatorisk Oppgave IN357

Størrelse: px
Begynne med side:

Download "Obligatorisk Oppgave IN357"

Transkript

1 Obligatorisk Oppgave IN357 Hermann Lia Institutt for Informatikk 4. oktober 1998 Denne obligatoriske oppgaven i IN357 skal løses av hver enkelt student som tar kurset. Det er naturligvis fint hvis 2 eller flere samarbeider om en løsning. Oppgaven må være godkjent før en kan gå opp til eksamen. Løsningen skal leveres som en raport som dokumenterer hvert enkelt punkt i besvarelsen. Hver enkelt velger selv programmeringspråk. Programmet skal være tilstrekkelig godt dokumentert slik at en kan følge algoritmene ved å lese dokumetasjonen. En listing av programmet leveres med raporten som et vedlegg. Frist for innlevering er Torsdag 19 november 1998 kl Oppgaven leveres til Hermann Lia. 1 Metoder for multippel aksess Et moderne telesystem representerer en felles resurs i den forstand at flere brukere kan hente tjenester fra samme sted. Dette krever en tilgangskontroll som kalles multippel aksess. Det finnes 3 forskjellige måter for å oppnå multippel aksess. Disse er: 1. FDMA Frequency Division Multiple Access 2. TDMA Time Division Multiple Access 3. CDMA Code Division Multiple Access I FDMA brukes en del av båndbredden hele tiden. I TDMA brukes hele båndbredden i en del av tiden. I CDMA brukes hele båndbredden hele tiden. Siden denne oppgaven skal behandle CDMA er det denne metoden som beskrives i denne oppgaveteksten. 2 CDMA CDMA er en metode som tillater flere brukere å benytte samme resurs samtidig. Den mest karakteristiske egenskapen ved denne metoden er at alle brukerne bruker samme frekvensbånd samtidig. Dette gir en god utnyttelse av den tilgjengelige båndbredden, men stiller store krav til signalbehandling på mottaker for å skille én bruker fra de andre brukerne. Teorien for CDMA er en fin anvendelse av Shannon s kanalteorem.

2 3 Shannon s kanalteorem Når en skal beskrive CDMA er det naturlig å ta utgangspunkt i Shannon s kanalteorem. Det sier Gitt en kanal med kapasitet C [bit/s]. Det finnes en kode slik at en kan overføre data på denne kanalen med en rate R så nær opptil C en måtteønskeogdetmedenvilkårlig liten feilrate. Hvis vi innskrenker oss til å behandle AW GN (Additive White Gaussian Noise) kanaler er kapasiteten gitt ved Shannon Hartley s formel. ( C = B log 2 1+ S ) [bit/s] (1) N En ser at en kanal har en kapasitet uansett hvor lite signal støyforholdet er, bare S/N > 0. Signal støyforholdet er imidlertid ikke et entydig mål for ytelsen til en kanal fordi det er avhengig av kanalens båndbredde. Siden kanalen har hvit gaussisk støy kan støyen beskrives ved sin spektrale tetthet N 0. En kan vise at forholdet mellom energien i ett bit og den spektrale tettheten av støyen, E b /N 0, er et absolutt mål for ytelse. E b /N 0 må imidlertid være større enn et bestemt positivt tall. Dette er vist ved følgende utledning. Vi ser på grensetilfellet for kapasiteten til en AW GN kanal når båndbredden går mot uendelig. ( C = B log 2 1+ S ( )= SN0 log N 2 1+ S ) N0 B/S (2) N 0 B lim C = S log B N 2 (e) (3) 0 N 0 er den spektrale tettheten av støyen. S = E b /T b der T b er varigheten av ett bit. R =1/T b er dataraten. Hvis vi kommuniserer med en datarate opptil kanalkapasiteten, slik Shannon sier er mulig, er R = C =1/T b. Dette gir S = E b C C =log 2 (e) Eb C N 0 Dette gir E b N 0 1 = ln(2) (4) log 2 (e) Det tilsvarer [E b /N 0 ]= 1.6 db. Dette er den nedre grense for E b /N 0 hvis vi oppretholder kravet om vilkårlig liten feilrate. Sammenhengen mellom S/N, E b /N 0, R og B er gitt ved S N = E b R (5) N 0 B Ytelsen til systemet er bestemt av E b /N 0.EnseratselvmedetfastE b /N 0 vil signal støyforholdet på kanalen være avhengig av forholdet mellom datarate og båndbredde. Hvis en sampler i mottaker en gang per bit får vi en samplingsrate lik R. Den nødvendige båndbredden er da gitt ved B = R/2. Dette gir S =2 Eb (6) N N 0 2

3 Dette er det høyeste S/N en kan ha med én bestemt E b /N 0. Det opptrer i det tilfellet da en bruker et signaltilpasset filter på mottaker. Det finnes andre muligheter der en med bestemte spredekoder kan spre effekten utover en større båndbredde slik at forholdet R/B avtar. Dette er prinsippet for Direkte Sekvens Spredt Spektrum,DSSS. Anta et binært system der en skal overføre de binære sifrene 1 og 0. En velger en spredekode for hvert av disse sifrene. En spredekode veksler mellom +1 og 1 et bestemt antall ganger i løpet av et bit. Kodens varighet er T b [s]. Den korteste avstanden mellom to suksesive transisjoner i koden kalles en chip. Antall chipper i koden er L som blir kodens lengde. Varigheten til én chip blir T c = T b (7) L R c =1/T c kalles chipraten. I vårt eksempel betrakter vi et binært system der ett bit representeres med 2 koder. Den ene koden når verdien til bittet er 0 og den andre koden når bittet er 1. I det generelle tilfellet har en M ary signalering. Det vil si at en sender symboler som inneholder flere bit. Ett bestemt symbol tilordnes én bestemt spredekode av lengde L. Hvis vi antar at ett symbol inneholder m bit og symbolet tilordnes en spredekode med lengde L chipper får vi en spredning på L/m chipper per bit. Denne størrelsen er karakteristisk for spredt spektrum systemer. Den kalles prosesseringsgevinsten PG. PG = L m (8) Båndbredden til systemet øker med prosesseringsgevinsten. Dermed kan en uttrykke signal støyforholdet på følgende måte S N = E b R N 0 B PG = E b R N 0 B m L (9) Nå antar vi at mottaker har et signaltilpasset filter slik at B = R/2. Da får vi S N Eb =2 m N 0 L (10) Vi velger størrelsen på symbolene, det vil si m. Det modulasjonsprinsippet som er valgt krever et bestemt E b /N 0 for å gi en bestemt symbolfeilrate. Da ser vi at signal støyforholdet på kanalen avtar når L øker. Nå antar vi at kanalen skal benyttes av K brukere. Vi antar videre at en bruker binær signalering, det vil si m =1.Brukerker tildelt koden c k (n), n= 1 L, for binær 1 og koden c k (n), L, for binær 0. Problemet med multippel aksess er å gjenvinne ett enkelt signal i et spekter av mange signaler. Ved FDMA gjenvinnes de enkelte bærebølgene ved en båndpassfiltrering. Ved T- DMA velges de enkelte brukerne ut fra betsemte tidsluker. Det er mulig å oppnå en perfekt gjenvinning hvis signalene til de enkelte brukerne er ortogonale. Det vil si at krysskorrelasjonen mellom de forskjellige signalene er null. Både FDMA og TDMA signalene er ortogonale. For CDMA er gjenvinningsprosessen mere komplisert, men en benytter også i det tilfellet ortogonale koder. Ortogonaliteten kan uttrykkes ved c i (n) c j (n) = { Es for i = j 0 for i j (11) 3

4 Når i = j får vi energien i en kodesekvens som er det samme som energien i et symbol. Når i j ser vi at indreproduktet mellom c i (n) ogc j (n) er null. Det vil si at kodene er ortogonale og de interferer ikke med hverandre. Hvis antall brukere K er stor, er det vanskelig å finne K forskjellige koder som alle er perfekt ortogonale. Dette setter en grense for antall brukere per kanal med en betsemt utgangseffekt og støynivå. Nå antar vi at alle K brukerne er på kanalen. Da finnes det på kanalen et signal K v(n) = d k c k (n)+w(n) (12) k=1 der d k er enten +1 eller 1 avhengig om bruker k sender en binær 1 eller en binær 0. Nå antar vi at mottaker k ønsker å finne sin dataverdi d k for åta beslutningen om det er sendt 1 eller 0. Mottaker k tar innkommende signal og korrelerer med kode c k (n). Dette gir r k = r k = v(n) c k (n) = d k c k (n) c k (n)+ j=1 K d j c j (n) c k (n)+ w(n) c k (n) (13) n=0 d j c j (n) c k (n)+ j k w(n) c k (n) (14) Dette gir r k = d k E s + w s + w n (15) Mottaker k har fått en korrelasjonsverdi r k som består av 3 komponenter. Den første komponenten d k E s representerer det ønskede signalet. Hvis d k E s = E s har senderen sendt 1. Hvis d k E s = E s har senderen sendt 0. Beslutningen om det er den ene eller den andre er imidlertid befengt med en usikkerhet fordi det i korrelasjonsverdien r k også befinner seg 2 støykomponenter, w s og w n. w s er støy på grunn av interferens mellom kodene til de K 1 andre brukerne. w n er korrelasjon med den hvite støyen på kanalen. Hvis vi antar at både w s og w n har null middelverdi vil bruker k bruke beslutningsregelen som sier at hvis r k > 0 har han mottatt 1. Ellers har han mottatt 0. Vi skal se nermere på uttrykket for w s. w s = k j d k c k (n) c j (n) = k j L d k c k (n) c j (n) (16) Dette viser at hvis kodene c k og c j er perfekt ortogonale blir w s =0.Daharvi et perfekt multippel aksess system. De kodene som brukes i spredt spektrum kan genereres på forskjellige måter. Én måte er å lage såkalte maksimal lengdesekvenser ved å klokke et tilbakekoblet skiftregister. En annen måte er å trekke verdier fra en kaosgenerator. Da får vi det som kalles kaossekvenser. Disse har vært mye brukt i militære anvendelser fordi de har en høyere EK (Elektronisk Krigføring) resistens en m- sekvensene. Nå antar vi at K brukere er på kanalen og bruker k skal demodulere sine data. Vi antar at alle kommer inn med samme effekt. Selv om kodene til de K brukerne er tilnærmet ortogonale vil én bruker oppfatte de andre som støy. De forskjellige senderne befinner seg på forskjellige steder og de sender data asynkront. Det 4

5 betyr at de forskjellige kodene starter på forskjellig tidspunkt. Bruker k bruker koden c k (n) forå demodulere. Den store utfordringen blir å finne ut hvilken betydning de andre K 1 brukerne har på k sin demodulasjonsprosess. Bruker j sender koden c j (n). Sett fra bruker k er chippene i c j (n) en stokastisk variabel med verdiene +1 og 1 fordi kodene velges slik at det er like mange +1 som 1i alle kodene. Vi kan derfor definere en stokastisk variabel X j der P (X j =1)=0.5 og P (X j = 1) = 0.5. Denne variabelen får tetthetsfunksjonen f Xj (n) =0.5 δ(n+1)+0.5 δ(n 1) (17) Summen av kodene til bruker i og bruker j blir en ny stokastisk variabel med en tetthetsfunksjon som er lik foldningen av f Xj med f Xi.Brukerkser summen av de K 1 andre kodene. Siden alle kodene har samme statistikk vil summen få en tetthetsfunksjon som er foldningen av f Xj K 1 ganger. Nå kan vi bruke statistikkens sentralgrenseteorem som sier at summen av K identisk fordelte stokastiske variable får en tetthetsfunksjon som konvergerer mot en normalfordeling når K går mot uendelig. Det betyr at hvis K er tilstrekkelig stor vil bruker k oppfatte de K 1 andre brukerne som en normalfordelt stokastisk variabel. Siden kodene er valgt som kaossekvenser er de ukorrelerte. Da har summen av de 0 korrelasjonslengde. Det betyr at sett fra bruker k er de K 1 andre brukerne en hvit gaussisk prosess på samme måte som den systemstøyen som er karakterisert ved sin spektrale tetthet N 0.DeK 1 andre signalene har et flatt effekttetthetspekter. Anta at bruker k er representert med effekten. Han opptar en båndbredde. Siden effekttetthetspekteret til bruker k er flatt vil han oppfattes som støy av de andre brukerne. Det vil si at han bidrar med en støytetthet N k = (18) Denne støytettheten adderer seg til N 0 som er tettheten til den additive hvite gaussiske støyen på kanalen. N 0 = k T s der k er Bolzmans konstant og T s er systemets temperatur. Den totale støytettheten fra de K 1 interfererende brukerne blir N K =(K 1) Pk Den totale støytettheten i systemet blir N t =(K 1) Pk + N 0 (19) Forholdet mellom effekten fra én bruker og den spektrale tettheten av støyen totalt er gitt ved N t = (K 1) / + N 0 (20) Nå betrakter vi to forskjellige tilfeller. Vi ser først på det tilfellet at (K 1) << N 0 Da blir ytelsen til systemet bestemt av = N t N 0 5

6 Kvaliteten til systemet er bestemt av effekten fra hver enkelt bruker og ikke antall brukere. Vi sier at vi har et effektbegrenset system. Så ser vi på det tilfellet at (K 1) >> N 0 Da får vi at N t = = (K 1) / K 1 = B PG K 1 (21) I dette tilfellet øker ytelsen med prosesseringsgevinsten, det vil si spredningen, og den avtar med antall brukere. En viktig konsekvens av dette er at en kan lage et system med flere brukere hvis en øker kodelengden og dermed spredningen forhverbruker. Vi skal relatere dette til E b /N 0. N t = K 1 (22) N = 1 K 1 = E b R N 0 B m (23) L B L K = R m 1 E b +1 (24) N 0 Hvis vi antar at vi bruker et signaltilpasset filter på mottaker har vi at B = R/2. Det gir den enkle sammenhengen PG K = +1 (25) 2 Eb N 0 der a betyr heltallsdelen av a. 3.1 Generering av spredekoder Generering av spredekoder kan gjøres på forskjellige måter. Gold koder har vært mye brukt for korte koder. Maksimal lengde sekvenser kan genererers med tilbakekoblede skiftregistre. Hvis en trenger mange og lange spredekoder kan en lage sekvenser som såkalte kaossekvenser. En kaossekvens genereres fra en rekursiv kaosgenerator på formen x(n +1)=λ x(n)[1 x(n)] (26) En passende verdi av λ er Anta at vi skal lage en kode c(n) n =1 L.Vi trekker en verdi fra en randomgenerator som er uniformt fordelt på intervallet [0 1). x(1) settes lik denne verdien. Hvis x(1) > 0.5 settes c(1) = 1 ellers settes c(1) = 1. Nå genererer en de andre verdiene for n =2 L med den rekursive ligningen 26. 6

7 3.2 Undertrykkelse av interferenser og ikkegausisk støy DS spredt spektrum har en god evne til å undertrykke interferenser. En interferent er ofte et smalbåndet signal med en lang korrelasjonstid. Interferenten legger seg oppå spredekoden og blir en additiv støy. Når det totale signalet korreleres vil interferensern bli multiplisert med en spredekode. Dette fører til en randomisering av interferensen som fjerner mesteparten av korrelasjonene i signalet. Set fra demodulatorens side vil derfor interferensen opptre som hvit støy og blir dermed undertrykt i korrelasjonsprosessen. Anta at vi har en jammer med effekt J. Fordi interferensen blir spredt utover hele båndbredden i korrelasjonsprosessen gir det mening å innføre den spektrale tettheten av interferensen. J 0 = J B der J er interferensens effekt og B er kanalens båndbredde. J 0 er den spektrale tettheten av interferensen. Systemets ytelse vil nå bli bestemt av forholdet mellom energien i ett bit og den spektrale tettheten av interferensen, det vil si E b /J 0. Dermed kan vi skrive E b J 0 = S T b J/B = S J B R (27) Dette viser at for ett bestemt E b /J 0 som gir én bestemt ytelse kan en tåle en kraftigere jamming hvis en øker båndbredden. Bådbredden kan økes ved åøke lengden på spredekodene, det vil si prosesseringsgevingsten PG.Vikanskrive ligning 27 på formen E b = B/R (28) J 0 J/S Forholdet J/S kalles jammemarginen. Av dette ser en at ett bestemt E b /J 0 som gir én bestemt ytelse kan gi en større jammemargin hvis en øker båndbreddeekspansjonen B/R. I praksis betyr det lengere spredkoder som fører til en større båndbredde med samme datarate. 4 Oppgaven Oppgave 1 Denne oppgaven går ut påå simulere noen egenskaper ved spredt spektrum teknologi i forbindelse med CDMA i et telekommunikasjonsystem. En bruker binær signalering. 1.1 Velg kodelengde L = 512. Lag en spredekode c(n), n =1 L,medden rekursive kaosgeneratoren x(n +1)=λ x(n) [1 x(n)] En passende verdi for λ er Kodene skal lages slik at det er like mange +1 som 1 i en kode. Du trekker en verdi fra en randomgenerator som gir uniformt fordelte verdier på intervallet [0 1). Hvis denne verdien er > 0.5 setter du c(1) = 1. Hvis ikke setter du c(1) = 1. Nå setterdux(1) 7

8 lik den verdien du har trukket. Nå genererer du x(2) med rekursjonen. Hvis x(2) > 0.5 setter du c(2) = 1. Hvis ikke setter du c(2) = 1. På samme måten genererer en c(3), c(4),, c(l). Når senderen skal sende binær 1 sender den c(n), n =1 L.Når senderen skal sende binær 0 sender den c(n), n =1 L. 1.2 Lag 2 koder. Beregn og plott effekttetthetsspekteret for hver enkelt av de 2 kodene og for summen av de. 1.3 Beregn og plott autokorrelasjonsekvensen for hver av de 2 kodene. 1.4 Beregn og plott krysskorrelasjonsekvensen mellom de 2 kodene. 1.5 Nå skal du lage 10 forskjellige koder c 1 c 10. Alle kodene summeres synkront og danner det totale signalet 10 s(n) = c k (n) k=1 n =1 L 1.6 Vis et utsnitt av s(n) grafisk. 1.7 Beregn effekttethetspekteret til s(n) og vis dette grafisk. Sammenlign med spekteret til én kode. 1.8 Når bruker k, k =1 10, skal sende binær 1 sender han koden c k.når han skal sende binær 0 sender han c k.nå trekker du 10 forskjellige dataverdier d 1 d 10 fra en uniform random generator. Det vil si at du harenvektorsomforeksempel d=[ ] Med utgangspunkt i denne datavektoren danner du signalet 10 s(n) = [2 d(k) 1] c k (n) n =1 L k=1 Anta at du er bruker 6. Det betyr at du skal motta sifret d(6). Nå skaldu forsøke å gjenvinne verdien av d(6) fra s. Dette gjør du ved å korrelere s med c 6.Detgir r 6 = s(n) c 6 (n) Hvis r 6 > 0 har senderen sendt binær 1. Hvis ikke har den sendt binær 0. Kontroller med innholdet i d. Gi et overslag på hvor mange brukere dette systemet kan håndtere hvis feilraten for hver bruker skal være i området Signalet s utsettes for en jammer med effekt J. Perioden på interferensern er T j =10 T c der T c er varigheten til en chip. Det er fremdeles 10 brukere på kanalen. Hvor stort kan forholdet J/S være før interferensen fører til en bitfeilrate på0.1? S er signaleffekten fra én bruker. Hvor stort kan J/S være for en bitfeilrate på 0.1 hvis det er bare én bruker? 8

9 1.10 Anta at alle 10 brukerne er på kanalen. Kanalen utsettes for en jammer med samme signaleffekt som én bruker. Beregn og plott effekttethetspektret for signalet på kanalen Beregn og plott bispekteret til én kode Beregn og plott bispekteret til summen av alle kodene Beregn og plott bispekteret til signalet på kanalen når alle brukerne er aktive og kanalen utsettes for én jammer. 9

Kapittel 12. Spredt spektrum

Kapittel 12. Spredt spektrum Kapittel 12 Spredt spektrum 12.1 s. 719 Hva er spredt spektrum? Spredt spektrum er å bruke mye større båndbredde enn nødvendig Båndbredde W SS = G p W min Nødvendig båndbredde W min R Spredefaktor (processing

Detaljer

Kapittel 3. Basisbånd demodulering/deteksjon. Avsnitt 3.1-3.2

Kapittel 3. Basisbånd demodulering/deteksjon. Avsnitt 3.1-3.2 Kapittel 3 Basisbånd demodulering/deteksjon Avsnitt 3.1-3.2 Basisbånd demodulering & deteksjon Basisbånd: Ingen bærebølgefrekvens Også en modell med ideell oppkonvertering av frekvens i senderen, og ideell

Detaljer

Kapittel 11. Multipleksing og multippel aksess

Kapittel 11. Multipleksing og multippel aksess Kapittel 11 Multipleksing og multippel aksess Innledning s. 657 Multipleksing og multippel aksess (MA) Flere datastrømmer, f.eks. brukere Én kanal Kommunikasjonsmedium Multiplekser Demultiplekser Flere

Detaljer

Det fysiske laget, del 2

Det fysiske laget, del 2 Det fysiske laget, del 2 Kjell Åge Bringsrud (med foiler fra Pål Spilling) 1 Pulsforvrengning gjennom mediet Linje g(t) innsignal Dempning A(f) v(t) utsignal A(f) 0% 50% Frekvensresponsen Ideell Frekv.

Detaljer

Fysisk Lag. Overføringskapasitet. Olav Lysne med bidrag fra Kjell Åge Bringsrud, Pål Spilling og Carsten Griwodz

Fysisk Lag. Overføringskapasitet. Olav Lysne med bidrag fra Kjell Åge Bringsrud, Pål Spilling og Carsten Griwodz Fysisk Lag Olav Lysne med bidrag fra Kjell Åge Bringsrud, Pål Spilling og Carsten Griwodz Fysisk Lag 1 Overføringskapasitet r Faktorer som påvirker kvalitet og kapasitet: m Forvrengning av signal gjennom

Detaljer

Oblig 3 - Mathias Hedberg

Oblig 3 - Mathias Hedberg Oblig 3 - Mathias Hedberg Oppgave 1: a) Motatt signal = U_AM = 4*(1 + 0.7*cos(2*pi*10e3*t))*sin(2*pi*12e6*t); 1. Bærebølgen: Svar: Etter LP filter: 2. Bærebølgen: Svar: Etter LP filter: b) 1. Regner ut:

Detaljer

Side av 5 fra matriseteori har vi at en symmetrisk matrise alltid er ortogonalt diagonaliserbar. Det vil si at X kan skrives på formen X = M M (6) der

Side av 5 fra matriseteori har vi at en symmetrisk matrise alltid er ortogonalt diagonaliserbar. Det vil si at X kan skrives på formen X = M M (6) der Side av 5 Norges teknisk- naturvitenskapelige universitet Institutt for teknisk kybernetikk SIE38 Stokastiske og adaptive systemer Fasit til ving Oppgave Gitt at den stokastiske vektoren v er normalfordelt

Detaljer

Et lag er en samling relaterte funksjoner som tilbyr tjenester til laget over og bruker tjenester fra laget under.

Et lag er en samling relaterte funksjoner som tilbyr tjenester til laget over og bruker tjenester fra laget under. Eksamen Tele3004 med Løsningsforslag / Sensorveiledning. Tele3004_14h_eks Oppgave 1 (ca. 20 %) a) Hva er, og hva tilbyr, et lag i en protokollstakk? Et lag er en samling relaterte funksjoner som tilbyr

Detaljer

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Øvelsesoppgave i: ECON30- Statistikk Dato for utlevering: 5.03.06 Dato for innlevering: 05.04.06 innen kl. 5:00 Innleveringssted: Ekspedisjonen i. etasje ES hus

Detaljer

Rekurrens. MAT1030 Diskret matematikk. Rekurrens. Rekurrens. Eksempel. Forelesning 16: Rekurrenslikninger. Dag Normann

Rekurrens. MAT1030 Diskret matematikk. Rekurrens. Rekurrens. Eksempel. Forelesning 16: Rekurrenslikninger. Dag Normann MAT1030 Diskret matematikk Forelesning 16: likninger Dag Normann Matematisk Institutt, Universitetet i Oslo INGEN PLENUMSREGNING 6/3 og 7/3 5. mars 008 MAT1030 Diskret matematikk 5. mars 008 Mandag ga

Detaljer

a) Vis hovedelementene i GSM-arkitekturen og beskriv hovedoppgavene til de forskjellige funksjonelle enhetene i arkitekturen

a) Vis hovedelementene i GSM-arkitekturen og beskriv hovedoppgavene til de forskjellige funksjonelle enhetene i arkitekturen Høst 2011 - Løsningsforslag Oppgave 1 - Mobilsystemer a) Vis hovedelementene i GSM-arkitekturen og beskriv hovedoppgavene til de forskjellige funksjonelle enhetene i arkitekturen MS: Mobile station BTS:

Detaljer

Hjelpemidler: D Ingen trykte eller håndskrevne hjelpemidler tillatt. Bestemt, enkel kalkulator tillatt.

Hjelpemidler: D Ingen trykte eller håndskrevne hjelpemidler tillatt. Bestemt, enkel kalkulator tillatt. Side av 5 NORGES TEKNISK- NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR ELEKTRONIKK OG TELEKOMMUNIKASJON Faglig kontakt under eksamen: Navn: John Torjus Flåm Tlf.: 957602 EKSAMEN I EMNE TTT40 INFORMASJONS-

Detaljer

Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s. 1. Oppgave 1

Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s. 1. Oppgave 1 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s AR2-modell: Oppgave X t φ X t φ 2 X t 2 Z t Antas å være kausal slik at X t ψ j Z t j er ukorrelert med Z t+,

Detaljer

LØSNINGSFORSLAG for KONTINUASJONSEKSAMEN I FAG SIE2010 Informasjons- og signalteori, 29. juli y(n) = ay(n 1) + x(n k),

LØSNINGSFORSLAG for KONTINUASJONSEKSAMEN I FAG SIE2010 Informasjons- og signalteori, 29. juli y(n) = ay(n 1) + x(n k), NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR TELETEKNIKK Signalbehandling LØSNINGSFORSLAG for KONTINUASJONSEKSAMEN I FAG SIE200 Informasjons- og signalteori, 29. juli 2002 Oppgave I Gitt

Detaljer

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Øvelsesoppgave i: ECON30 Dato for utlevering: 7.03.04 Dato for innlevering: 07.04.04 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Innleveringssted: Ekspedisjonen, etasje innen kl 5:00 Øvrig informasjon: Denne

Detaljer

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Øvelsesoppgave i: ECON2130 Statistikk 1 Dato for utlevering: Mandag 22. mars 2010 Dato for innlevering: Fredag 9. april 2010 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Innleveringssted: Ved siden av SV-info-senter

Detaljer

Hjelpemidler: D Ingen trykte eller håndskrevne hjelpemidler tillatt. Bestemt, enkel kalkulator tillatt.

Hjelpemidler: D Ingen trykte eller håndskrevne hjelpemidler tillatt. Bestemt, enkel kalkulator tillatt. Side av 5 NORGES TEKNISK- NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR ELEKTRONIKK OG TELEKOMMUNIKASJON Faglig kontakt under eksamen: Navn: Bojana Gajić Tlf.: 92490623 EKSAMEN I EMNE TTT40 INFORMASJONS-

Detaljer

TMA4240/TMA4245 Statistikk: Oppsummering kontinuerlige sannsynlighetsfordelinger

TMA4240/TMA4245 Statistikk: Oppsummering kontinuerlige sannsynlighetsfordelinger TMA4240/TMA4245 Statistikk: Oppsummering kontinuerlige sannsynlighetsfordelinger Kontinuerlig uniform fordeling f() = B A, A B. En kontinuerlig størrelse (vekt, lengde, tid), som aldri kan bli mindre enn

Detaljer

TTT4110 Informasjons- og signalteori Løsningsforslag eksamen 9. august 2004

TTT4110 Informasjons- og signalteori Løsningsforslag eksamen 9. august 2004 Norges teknisknaturvitenskapelige universitet Institutt for elektronikk og telekommunikasjon TTT40 Informasjons- og signalteori Løsningsforslag eksamen 9. august 004 Oppgave (a) Et lineært tidinvariant

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i MAT-INF 1100 Modellering og beregninger Eksamensdag: 15. oktober 004 Tid for eksamen: 11:00 13:00 Oppgavesettet er på 8 sider.

Detaljer

Bedømmelse: Ved bedømmelse vektlegges oppgavene I, II og III likt.

Bedømmelse: Ved bedømmelse vektlegges oppgavene I, II og III likt. Side 1 av 5 + 2 sider vedlegg NORGES TEKNISK- NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR TELETEKNIKK Signalbehandling Faglig kontakt under eksamen: Navn: Tor A. Ramstad Tlf.: 94314 KONTINUASJONSEKSAMEN

Detaljer

Dato: Tirsdag 28. november 2006 Lengde på eksamen: 4 timer Tillatte hjelpemidler: Kun standard enkel kalkulator, HP 30S

Dato: Tirsdag 28. november 2006 Lengde på eksamen: 4 timer Tillatte hjelpemidler: Kun standard enkel kalkulator, HP 30S DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i MIK130, Systemidentifikasjon Dato: Tirsdag 28. november 2006 Lengde på eksamen: 4 timer Tillatte hjelpemidler:

Detaljer

Oblig 2 - Mathias Hedberg

Oblig 2 - Mathias Hedberg Oblig 2 - Mathias Hedberg Oppgave 1: En kabel er målt til å ha en flat forsterkningskurve over det aktuelle frekvensbåndet, men har en fase respons som endrer seg proporsjonalt med frekvensen, med en målt

Detaljer

La U og V være uavhengige standard normalfordelte variable og definer

La U og V være uavhengige standard normalfordelte variable og definer Binormalfordelingen Definisjon Noe av hensikten med å innføre begrepet betinget sannsynlighet er at kompliserte modeller ofte kan bygges ut fra enkle betingede modeller. Når man spesifiserer betingelser

Detaljer

Forelesning 5: Kontinuerlige fordelinger, normalfordelingen. Jo Thori Lind

Forelesning 5: Kontinuerlige fordelinger, normalfordelingen. Jo Thori Lind Forelesning 5: Kontinuerlige fordelinger, normalfordelingen Jo Thori Lind j.t.lind@econ.uio.no Oversikt 1. Kontinuerlige fordelinger 2. Uniform fordeling 3. Normal-fordelingen 1. Kontinuerlige fordelinger

Detaljer

Generell informasjon om faget er tilgjengelig fra It s learning. 1 En kort oppsummering Adaptiv filtrering 2. 3 Prediksjon 4

Generell informasjon om faget er tilgjengelig fra It s learning. 1 En kort oppsummering Adaptiv filtrering 2. 3 Prediksjon 4 Stavanger, 13. august 2013 Det teknisknaturvitenskapelige fakultet ELE500 Signalbehandling, 2013. Generell informasjon om faget er tilgjengelig fra It s learning. Innhold 1 En kort oppsummering. 1 2 Adaptiv

Detaljer

Innendørs GNSS ytelse og utfordringer. Jon Glenn Gjevestad Institutt for matematiske realfag og teknologi, UMB

Innendørs GNSS ytelse og utfordringer. Jon Glenn Gjevestad Institutt for matematiske realfag og teknologi, UMB Innendørs GNSS ytelse og utfordringer Jon Glenn Gjevestad Institutt for matematiske realfag og teknologi, UMB Agenda Mobiltelefon (E911/E112) Kodemåling på svake signaler Multipath High Sensitivity GPS

Detaljer

Forelesning 7: Store talls lov, sentralgrenseteoremet. Jo Thori Lind

Forelesning 7: Store talls lov, sentralgrenseteoremet. Jo Thori Lind Forelesning 7: Store talls lov, sentralgrenseteoremet Jo Thori Lind j.t.lind@econ.uio.no Oversikt 1. Estimering av variansen 2. Asymptotisk teori 3. Store talls lov 4. Sentralgrenseteoremet 1.Estimering

Detaljer

Dagens temaer. Endelig lengde data. Tema. Time 11: Diskret Fourier Transform, del 2. Spektral glatting pga endelig lengde data.

Dagens temaer. Endelig lengde data. Tema. Time 11: Diskret Fourier Transform, del 2. Spektral glatting pga endelig lengde data. Dagens temaer Time : Diskret Fourier Transform, del Andreas Austeng@ifi.uio.no, INF37 Institutt for informatikk, Universitetet i Oslo Spektral glatting pga endelig lengde data Bruk av en Frekvensestimering

Detaljer

Illustrasjon av regel 5.19 om sentralgrenseteoremet og litt om heltallskorreksjon (som i eksempel 5.20).

Illustrasjon av regel 5.19 om sentralgrenseteoremet og litt om heltallskorreksjon (som i eksempel 5.20). Econ 130 HG mars 017 Supplement til forelesningen 7. februar Illustrasjon av regel 5.19 om sentralgrenseteoremet og litt om heltallskorreksjon (som i eksempel 5.0). Regel 5.19 sier at summer, Y X1 X X

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i Eksamensdag: 11. juni 27 Tid for eksamen: 14.3 17.3 Oppgavesettet er på 5 sider. Vedlegg: INF 347 / INF 447 Digital Signalbehandling

Detaljer

Det fysiske laget, del 2

Det fysiske laget, del 2 Det fysiske laget, del 2 Kjell Åge Bringsrud (med foiler fra Pål Spilling) 02.02.2005 INF3190 1 Analog og digital transmisjon forsterker analog overføring med forsterker, støy er additiv regenerator og

Detaljer

Transformasjoner av stokastiske variabler

Transformasjoner av stokastiske variabler Transformasjoner av stokastiske variabler Notasjon merkelapper på fordelingene Sannsynlighetstettheten og den kumulative fordelingen til en stokastisk variabel X betegnes hhv. f X og F X. Indeksen er altså

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i MAT-INF 1100 Modellering og beregninger. Eksamensdag: Torsdag 1. oktober 2005. Tid for eksamen: 9:00 11:00. Oppgavesettet er på

Detaljer

Observatorer. STK Observatorer - Kap 6. Utgangspunkt. Eksempel høyde Oxford studenter

Observatorer. STK Observatorer - Kap 6. Utgangspunkt. Eksempel høyde Oxford studenter Observatorer STK00 - Observatorer - Kap 6 Geir Storvik 4. april 206 Så langt: Sannsynlighetsteori Stokastiske modeller Nå: Data Knytte data til stokastiske modeller Utgangspunkt Eksempel høyde Oxford studenter

Detaljer

Kapittel 3: Stokastiske variable og sannsynlighetsfordelinger

Kapittel 3: Stokastiske variable og sannsynlighetsfordelinger Kapittel 3: Stokastiske variable og sannsynlighetsfordelinger TMA4245 Statistikk (B, K1, I) 3.1, 3.2, 3.3 foreleses torsdag 15.januar 0.00 0.02 0.04 0.06 0.08 160 170 180 190 hoyde i cm Mette.Langaas@math.ntnu.no

Detaljer

TMA4245 Statistikk Eksamen desember 2016

TMA4245 Statistikk Eksamen desember 2016 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 En bedrift produserer elektriske komponenter. Komponentene kan ha to typer

Detaljer

RNC 2 SGSN RNC 1 RNC 2 SGSN RNC 1 RNC SGSN RNC 1

RNC 2 SGSN RNC 1 RNC 2 SGSN RNC 1 RNC SGSN RNC 1 Løsningsforslag til kontinuasjonseksamen i TTM405 Aksess og transportnett sommer 006. Oppgave Satellittsystem a) Hva er ekvivalent isotopt utstrålt effekt (EIRP) og hvordan svekkes radiosignalet som funksjon

Detaljer

INF 1040 Digital representasjon 2007 Utkast til - Obligatorisk oppgave nr 2

INF 1040 Digital representasjon 2007 Utkast til - Obligatorisk oppgave nr 2 INF 40 Digital representasjon 2007 Utkast til - Obligatorisk oppgave nr 2 Utlevering: onsdag 17. oktober 2007, kl. 17:00 Innlevering: fredag 2. november 2007, kl. 23:59:59 Formaliteter Besvarelsen skal

Detaljer

Eksamensoppgave i Løsningsskisse TMA4240 Statistikk

Eksamensoppgave i Løsningsskisse TMA4240 Statistikk Institutt for matematiske fag Eksamensoppgave i Løsningsskisse TMA440 Statistikk Faglig kontakt under eksamen: Håkon Tjelmeland a, Sara Martino b Tlf: a 48 18 96, b 99 40 33 30 Eksamensdato: 30. november

Detaljer

Løsningsforslag øving 8, ST1301

Løsningsforslag øving 8, ST1301 Løsningsforslag øving 8, ST3 Oppgave Hva gjør følgende funksjon? Hvilken fordeling har variabelen n som returneres som funksjonsverdi? Forklar hvorfor. Forutsett at to enkle positive tall blir oppgitt

Detaljer

Ikke lineære likninger

Ikke lineære likninger Ikke lineære likninger Opp til nå har vi studert lineære likninger og lineære likningsystemer. 1/19 Ax = b Ax b = 0. I en dimensjon, lineære likninger kan alltid løses ved hjelp av formler: ax + b = 0

Detaljer

Hjelpemidler/hjelpemiddel: D - "Ingen trykte eller håndskrevne hjelpemidler tillatt. Enkel kalkulator tillatt."

Hjelpemidler/hjelpemiddel: D - Ingen trykte eller håndskrevne hjelpemidler tillatt. Enkel kalkulator tillatt. Side av 8 + sider vedlegg NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR ELEKTRONIKK OG TELEKOMMUNIKASJON Signalbehandling Faglig kontakt under eksamen: Navn: Tor A. Ramstad Tlf.: 46660465

Detaljer

INF 1040 Løsningsforslag til kapittel

INF 1040 Løsningsforslag til kapittel INF 040 Løsningsforslag til kapittel 8 Oppgave : Huffmankoding med kjente sannsynligheter Gitt en sekvens av symboler som er tilstrekkelig lang, og som inneholder de 6 symbolene A, B, C, D, E, F. Symbolene

Detaljer

Matematisk statistikk og stokastiske prosesser B, høsten 2006 Oppgavesett 5, s. 1. Oppgave 1. Oppgave 2. Oppgave 3

Matematisk statistikk og stokastiske prosesser B, høsten 2006 Oppgavesett 5, s. 1. Oppgave 1. Oppgave 2. Oppgave 3 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Oppgavesett 5, s. 1 Oppgave 1 For AR(2)-modellen: X t = 0.4X t 1 + 0.45X t 2 + Z t (der {Z t } er hvit søy med varians 1), finn γ(3), γ(4)

Detaljer

ST1101/ST6101 Sannsynlighetsregning og statistikk Vår 2019

ST1101/ST6101 Sannsynlighetsregning og statistikk Vår 2019 Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag ST/ST Sannsynlighetsregning og statistikk Vår 9 Oppgaver fra boka 3..9 Ved et terningkast anses utfallet antall øyne lik for

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i MAT-INF 11 Modellering og beregninger. Eksamensdag: Torsdag 12. oktober 26. Tid for eksamen: 9: 11:. Oppgavesettet er på 8 sider.

Detaljer

MAT1120. Obligatorisk oppgave 1 av 2. Torsdag 20. september 2018, klokken 14:30 i Devilry (devilry.ifi.uio.no).

MAT1120. Obligatorisk oppgave 1 av 2. Torsdag 20. september 2018, klokken 14:30 i Devilry (devilry.ifi.uio.no). Innleveringsfrist MAT20 Obligatorisk oppgave av 2 Torsdag 20. september 208, klokken 4:30 i Devilry (devilry.ifi.uio.no). Instruksjoner Du velger selv om du skriver besvarelsen for hånd og scanner besvarelsen

Detaljer

Lineære ligningssystemer. Forelesning, TMA4110 Torsdag 17/9. Lineære ligningssystemer (forts.) Eksempler

Lineære ligningssystemer. Forelesning, TMA4110 Torsdag 17/9. Lineære ligningssystemer (forts.) Eksempler Lineære ligningssystemer Generell form; m ligninger i n ukjente, m n-system: Forelesning, TMA4110 Torsdag 17/9 Martin Wanvik, IMF MartinWanvik@mathntnuno a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1

Detaljer

TMA Matlab Oppgavesett 2

TMA Matlab Oppgavesett 2 TMA4123 - Matlab Oppgavesett 2 18.02.2013 1 Fast Fourier Transform En matematisk observasjon er at data er tall, og ofte opptrer med en implisitt rekkefølge, enten i rom eller tid. Da er det naturlig å

Detaljer

Eksamensoppgave i TMA4240 Statistikk

Eksamensoppgave i TMA4240 Statistikk Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Mette Langaas a, Ingelin Steinsland b, Geir-Arne Fuglstad c Tlf: a 988 47 649, b 926 63 096, c 452 70 806

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i MAT-INF 00 Modellering og beregninger. Eksamensdag: Torsdag 6. desember 202. Tid for eksamen: 9:00 3:00. Oppgavesettet er på 8

Detaljer

ST0202 Statistikk for samfunnsvitere

ST0202 Statistikk for samfunnsvitere ST0202 Statistikk for samfunnsvitere Kapittel 7: Utvalgsfordeling Bo Lindqvist Institutt for matematiske fag 2 Fra kapittel 1: Populasjon Den mengden av individer/objekter som vi ønsker å analysere. Utvalg

Detaljer

= 5, forventet inntekt er 26

= 5, forventet inntekt er 26 Eksempel på optimal risikodeling Hevdet forrige gang at i en kontrakt mellom en risikonøytral og en risikoavers person burde den risikonøytrale bære all risiko Kan illustrere dette i en enkel situasjon,

Detaljer

INF 1040 høsten 2009: Oppgavesett 13 Kompresjon og koding (løsningsforslag) (kapittel 18) Tenk selv -oppgaver

INF 1040 høsten 2009: Oppgavesett 13 Kompresjon og koding (løsningsforslag) (kapittel 18) Tenk selv -oppgaver IN høsten : Oppgavesett Kompresjon og koding (løsningsforslag) (kapittel ) Tenk selv -oppgaver. Heksadesimal Sudoku Vi har en kvadratisk matrise med * elementer som igjen er delt opp i * blokker på * elementer.

Detaljer

TTT4110 Informasjons- og signalteori Sortering av tidligere eksamensoppgaver

TTT4110 Informasjons- og signalteori Sortering av tidligere eksamensoppgaver TTT4110 Informasjons- og signalteori Sortering av tidligere eksamensoppgaver 21. november 2010 1 Kontinuerlige signaler og systemer 1.1 Signaler i tidsdomenet 2009M 3 b gitt x(t), sum av DC og to sinussignaler,

Detaljer

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi Målform: Bokmål Eksamensdato: 6.mai 215 Varighet/eksamenstid: 5 timer Emnekode: TELE 23 Emnenavn: Signalbehandling Klasse(r): 2EI 2EE Studiepoeng: 1 Faglærer(e):

Detaljer

Løsning av øvingsoppgaver, INF2310, 2005, kompresjon og koding

Løsning av øvingsoppgaver, INF2310, 2005, kompresjon og koding Løsning av øvingsoppgaver, INF230, 2005,. Vi har gitt følgende bilde: kompresjon og koding 0 2 2 2 3 3 3 2 3 3 3 0 2 2 2 3 3 2 2 2 3 2 3 4 4 2 2 3 2 2 3 4 4 2 2 2 3 3 3 4 3 4 a. Finn Huffman-kodingen av

Detaljer

BAKGRUNN FOR OPPFINNELSEN. 1. Oppfinnelsens område

BAKGRUNN FOR OPPFINNELSEN. 1. Oppfinnelsens område 1 Fremgangsmåte og anordning for overføring og mottak av kontrollinformasjon for randomisering av interferens mellom celler i et mobilt kommunikasjonssystem BAKGRUNN FOR OPPFINNELSEN 1. Oppfinnelsens område

Detaljer

ST0202 Statistikk for samfunnsvitere

ST0202 Statistikk for samfunnsvitere ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Fra første forelesning: Populasjon Den mengden av individer/objekter som vi ønsker å analysere. Utvalg En delmengde av

Detaljer

Oversikt over kap. 19 i Gravelle og Rees. Sett i forhold til resten av pensum:

Oversikt over kap. 19 i Gravelle og Rees. Sett i forhold til resten av pensum: Oversikt over kap. 19 i Gravelle og Rees Først et forbehold: Disse forelesningene er svært kortfattede i forhold til pensum og vil ikke dekke alt. Dere må lese selv! Sett i forhold til resten av pensum:

Detaljer

Avdeling for ingeniørutdanning

Avdeling for ingeniørutdanning Avdeling for ingeniørutdanning Fag: Telekommunikasjon Gruppe(r): 2ET Fagnr: sa 380E Dato: 18.06.04 Faglige veiledere: H. Fylling, T. Jønvik, E. Høydal Eksamenstid, fra-til: 0900_1400 Eksamensoppgaven består

Detaljer

LØSNINGSFORSLAG TIL EKSAMENSOPPGAVE FAG: IAD DATAKOMMUNIKASJON OG SIGNALOVERFØRING LÆRER: ERLING STRAND

LØSNINGSFORSLAG TIL EKSAMENSOPPGAVE FAG: IAD DATAKOMMUNIKASJON OG SIGNALOVERFØRING LÆRER: ERLING STRAND Høgskolen i Østfold Avdeling for Informatikk og Automatisering LØSNINGSFORSLAG TIL EKSAMENSOPPGAVE FAG: IAD21002 - DATAKOMMUNIKASJON OG SIGNALOVERFØRING LÆRER: ERLING STRAND Gruppe: D2A Dato: 20.12.2002

Detaljer

MIK 200 Anvendt signalbehandling, 2012.

MIK 200 Anvendt signalbehandling, 2012. Stavanger, 1. november 2011 Det teknisknaturvitenskapelige fakultet MIK 200 Anvendt signalbehandling, 2012. Prosjekt 1, Tapsfri komprimering. Vi skal i dette miniprosjektet se litt på hvordan en kan gjøre

Detaljer

Fra første forelesning:

Fra første forelesning: 2 Fra første forelesning: ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag opulasjon Den mengden av individer/objekter som vi ønsker å analysere. Utvalg En delmengde av populasjonen

Detaljer

3.A IKKE-STASJONARITET

3.A IKKE-STASJONARITET Norwegian Business School 3.A IKKE-STASJONARITET BST 1612 ANVENDT MAKROØKONOMI MODUL 5 Foreleser: Drago Bergholt E-post: Drago.Bergholt@bi.no 11. november 2011 OVERSIKT - Ikke-stasjonære tidsserier - Trendstasjonaritet

Detaljer

Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. 1 Adaptiv filtrering 2.

Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. 1 Adaptiv filtrering 2. Stavanger, 23. juni 2017 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2017. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. Innhold

Detaljer

MASTER I IDRETTSVITENSKAP 2014/2016. Individuell skriftlig eksamen. STA 400- Statistikk. Fredag 13. mars 2015 kl. 10.00-12.00

MASTER I IDRETTSVITENSKAP 2014/2016. Individuell skriftlig eksamen. STA 400- Statistikk. Fredag 13. mars 2015 kl. 10.00-12.00 MASTER I IDRETTSVITENSKAP 2014/2016 Individuell skriftlig eksamen i STA 400- Statistikk Fredag 13. mars 2015 kl. 10.00-12.00 Hjelpemidler: kalkulator Eksamensoppgaven består av 10 sider inkludert forsiden

Detaljer

Utregning av en konvolusjonssum

Utregning av en konvolusjonssum Forelesning 4.mars 2004 Tilhørende pensum: 5.4-5.8 byggeklosser i implementasjon av FIR-filtre multiplikator adderer enhets blokkdiagrammer over FIR-filtre LTI-systemer tidsinvarians linearitet utlede

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: ST0 Innføring i statistikk og sannsynlighetsregning. Eksamensdag: Torsdag 9. mai 994. Tid for eksamen: 09.00 5.00. Oppgavesettet

Detaljer

Emnekode: SO 380E. Dato: I L{. aug. 2003. -Antall oppgaver: -4

Emnekode: SO 380E. Dato: I L{. aug. 2003. -Antall oppgaver: -4 høgskoln oslo!emne Gruppe"(r) 2ET Eksamensoppgaven består av: TELETEKN KK [Antall sider (inkf forsiden): -4 Emnekode: SO 380E Dato: L{. aug. 2003 -Antall oppgaver: -4 Faglig veileder: Hermann Fylling Knut

Detaljer

MAT1030 Forelesning 17

MAT1030 Forelesning 17 MAT1030 Forelesning 17 Rekurrenslikninger Roger Antonsen - 18. mars 009 (Sist oppdatert: 009-03-18 19:3) Forelesning 17 Forrige gang ga vi en rekke eksempler på bruk av induksjonsbevis og rekursivt definerte

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 4. juni 2008 Tid for eksamen : 14:30 17:30 (3 timer) Oppgavesettet er på

Detaljer

Underveiseksamen i MAT-INF 1100, 17. oktober 2003 Tid: Oppgave- og svarark

Underveiseksamen i MAT-INF 1100, 17. oktober 2003 Tid: Oppgave- og svarark Underveiseksamen i MAT-INF 1100, 17. oktober 003 Tid: 9.00 11.00 Kandidatnummer: De 15 første oppgavene teller poeng hver, de siste 5 teller 4 poeng hver. Den totale poengsummen er altså 50. Det er 5 svaralternativer

Detaljer

Repetisjon: Sampling. Repetisjon: Diskretisering. Repetisjon: Diskret vs kontinuerlig. Forelesning, 12.februar 2004

Repetisjon: Sampling. Repetisjon: Diskretisering. Repetisjon: Diskret vs kontinuerlig. Forelesning, 12.februar 2004 Repetisjon: Diskret vs kontinuerlig Forelesning,.februar 4 Kap. 4.-4. i læreboken. Anta variabelen t slik at a < t < b, (a, b) R sampling og rekonstruksjon, i tids- og frekvensdomenet Nyquist-Shannons

Detaljer

En innføring i Fourrierrekker

En innføring i Fourrierrekker En innføring i Fourrierrekker Matematiske metoder 2 Kristian Wråli, Sivert Ringstad, Mathias Hedberg 0 Innholdsfortegnelse Kapittel Side 1 Innledning 2 1.0 Introduksjon 2 1.1 Maple 2 2 Teori 7 2.0 Introduksjon

Detaljer

TMA4123 - Kræsjkurs i Matlab. Oppgavesett 3 Versjon 1.2

TMA4123 - Kræsjkurs i Matlab. Oppgavesett 3 Versjon 1.2 TMA4123 - Kræsjkurs i Matlab. Oppgavesett 3 Versjon 1.2 07.03.2013 I dette oppgavesettet skal vi se på ulike måter fouriertransformasjonen anvendes i praksis. Fokus er på støyfjerning i signaler. I tillegg

Detaljer

Kapittel 3. Basisbånd demodulering/deteksjon. Intersymbolinterferens (ISI) og utjevning

Kapittel 3. Basisbånd demodulering/deteksjon. Intersymbolinterferens (ISI) og utjevning Kapittel 3 Basisbånd demodulering/deteksjon Intersymbolinterferens (ISI) og utjevning 3.3 s. 136 Ekvivalent kanalmodell TX filter H t (f) Channel H c (f) + RX filter H r (f) t=kt Detector Noise H(f) h(t)

Detaljer

Reelle tall på datamaskin

Reelle tall på datamaskin Reelle tall på datamaskin Knut Mørken 5. september 2007 1 Innledning Tirsdag 4/9 var tema for forelesningen hvordan reelle tall representeres på datamaskin og noen konsekvenser av dette, særlig med tanke

Detaljer

BAKGRUNN FOR OPPFINNELSEN. 1. Oppfinnelsens område

BAKGRUNN FOR OPPFINNELSEN. 1. Oppfinnelsens område 1 Fremgangsmåte og anordning for overføring og mottak av kontrollinformasjon for randomisering av interferens mellom celler i et mobilt kommunikasjonssystem BAKGRUNN FOR OPPFINNELSEN 1. Oppfinnelsens område

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF3440/4440 Signalbehandling Eksamensdag: xx. desember 007 Tid for eksamen: Oppgavesettet er på 6 sider. Vedlegg: Tillatte hjelpemidler:

Detaljer

y(x) = C 1 e 3x + C 2 xe 3x.

y(x) = C 1 e 3x + C 2 xe 3x. NTNU Institutt for matematiske fag TMA4115 Matematikk eksamen 4 juni 9 Løsningsforslag 1 Innsatt for z = x + iy kan ligningen skrives x + 1 + i(y ) = x 1 + i(y + ) Ved å benytte at z = a + b for et kompleks

Detaljer

1.1.1 Rekke med konstante ledd. En rekke med konstante ledd er gitt som. a n (1) n=m

1.1.1 Rekke med konstante ledd. En rekke med konstante ledd er gitt som. a n (1) n=m Formelsamling og tabeller FO020E Matte 2000 for elektroprogrammet 1 Matematikk 1.1 Denisjoner av ulike typer polynomer og rekker 1.1.1 Rekke med konstante ledd En rekke med konstante ledd er gitt som a

Detaljer

MAT1030 Diskret Matematikk

MAT1030 Diskret Matematikk MAT1030 Diskret Matematikk Forelesning 29: Kompleksitetsteori Roger Antonsen Institutt for informatikk, Universitetet i Oslo 13. mai 2009 (Sist oppdatert: 2009-05-17 22:38) Forelesning 29: Kompleksitetsteori

Detaljer

Forelesning 29: Kompleksitetsteori

Forelesning 29: Kompleksitetsteori MAT1030 Diskret Matematikk Forelesning 29: Kompleksitetsteori Roger Antonsen Institutt for informatikk, Universitetet i Oslo Forelesning 29: Kompleksitetsteori 13. mai 2009 (Sist oppdatert: 2009-05-17

Detaljer

Obligatorisk oppgave 1 MAT1120 H15

Obligatorisk oppgave 1 MAT1120 H15 Obligatorisk oppgave MAT20 H5 Innleveringsfrist: torsdag 24/09-205, innen kl 4.30. Besvarelsen leveres på Matematisk institutt, 7. etasje i N.H. Abels hus. Husk å bruke forsiden som du finner via hjemmesiden.

Detaljer

MAT-INF 1100: Obligatorisk oppgave 1

MAT-INF 1100: Obligatorisk oppgave 1 3. september, 2004 MAT-INF 1100: Obligatorisk oppgave 1 Innleveringsfrist: 17/9-2004, kl. 14:30 Informasjon Den skriftlige besvarelsen skal leveres på ekspedisjonskontoret i 7. etg. i Niels Henrik Abels

Detaljer

Prosjektoppgaver om diusjonsprosesser og diusjonstilnærmelse

Prosjektoppgaver om diusjonsprosesser og diusjonstilnærmelse Prosjektoppgaver om diusjonsprosesser og diusjonstilnærmelse February 13, 2006 I alle oppgavene skal det skrives litt om hva diusjonsprosesser er, hvilke spesielle resultater fra diusjonsteorien man skal

Detaljer

Repetisjon: Eksempel. Repetisjon: Aliasing. Oversikt, 26.februar Gitt. Alle signaler. Ettersom. vil alle kontinuerlig-tid signaler.

Repetisjon: Eksempel. Repetisjon: Aliasing. Oversikt, 26.februar Gitt. Alle signaler. Ettersom. vil alle kontinuerlig-tid signaler. Oversikt, 6.februar Tilhørende pensum i boken er. -.. Repetisjon regning med aliasing og folding rekonstruksjon ved substitusjon FIR-filtre glidende middel et generelt FIR-filter enhetsimpulsresponsen

Detaljer

Oppfriskning av blokk 1 i TMA4240

Oppfriskning av blokk 1 i TMA4240 Oppfriskning av blokk 1 i TMA4240 Geir-Arne Fuglstad November 21, 2016 2 Hva har vi gjort i dette kurset? Vi har studert to sterkt relaterte grener av matematikk Sannsynlighetsteori: matematisk teori for

Detaljer

SPEKTALANALYSATORER. Fig. 1 Illustrasjon av sammenhengen tidsfunksjon - frekvensspektrum

SPEKTALANALYSATORER. Fig. 1 Illustrasjon av sammenhengen tidsfunksjon - frekvensspektrum SPEKTALANALYSATORER Fig. 1 Illustrasjon av sammenhengen tidsfunksjon - frekvensspektrum Vi har ofte nytte av å kunne veksle mellom de to grafiske presentasjonsmåtene for et elektrisk signal, tidsfunksjon

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF310 Digital bildebehandling Eksamensdag : Tirsdag 5. juni 007 Tid for eksamen : 09:00 1:00 Oppgavesettet er på : 5 sider

Detaljer

INF Algoritmer og datastrukturer

INF Algoritmer og datastrukturer INF2220 - Algoritmer og datastrukturer HØSTEN 2017 Ingrid Chieh Yu Institutt for informatikk, Universitetet i Oslo Forelesning 4: Prioritetskø og Heap Ingrid Chieh Yu (Ifi, UiO) INF2220 H2017, forelesning

Detaljer

Oppsummering TMA4100. Kristian Seip. 26./28. november 2013

Oppsummering TMA4100. Kristian Seip. 26./28. november 2013 Oppsummering TMA4100 Kristian Seip 26./28. november 2013 Forelesningene 26./28. november Disse forelesningene er et forsøk på å se de store linjer og sammenhengen mellom de ulike deltemaene i TMA4100 delvis

Detaljer

Hashing. INF Algoritmer og datastrukturer HASHING. Hashtabeller

Hashing. INF Algoritmer og datastrukturer HASHING. Hashtabeller Hashing INF2220 - Algoritmer og datastrukturer HØSTEN 200 Institutt for informatikk, Universitetet i Oslo INF2220, forelesning : Hashing Hashtabeller (kapittel.) Hash-funksjoner (kapittel.2) Kollisjonshåndtering

Detaljer

Generell informasjon om faget er tilgjengelig fra It s learning. 7.1 Stokastisk prosess Lineær prediktor AR-3 prosess...

Generell informasjon om faget er tilgjengelig fra It s learning. 7.1 Stokastisk prosess Lineær prediktor AR-3 prosess... Stavanger, 1. september 013 Det teknisknaturvitenskapelige fakultet ELE500 Signalbehandling, 013. Generell informasjon om faget er tilgjengelig fra It s learning. Innhold 7.1 Stokastisk prosess..........................

Detaljer

Sum to terninger forts. Eksempel: kast med to terninger. Sum to terninger forts. Kapittel 3. TMA4240 H2006: Eirik Mo

Sum to terninger forts. Eksempel: kast med to terninger. Sum to terninger forts. Kapittel 3. TMA4240 H2006: Eirik Mo 3 Sum to terninger forts. Kapittel 3 TMA4240 H200: Eirik Mo 2 3 4 5,,2,3,4,5, 2 2, 2,2 2,3 2,4 2,5 2, Andre 3 3, 3,2 3,3 3,4 3,5 3, terning 4 4, 4,2 4,3 4,4 4,5 4, 5 5, 5,2 5,3 5,4 5,5 5,,,2,3,4,5, Med

Detaljer

STK1100 våren 2019 Mere om konfidensintevaller

STK1100 våren 2019 Mere om konfidensintevaller STK1100 våren 2019 Mere om konfidensintevaller Svarer til avsnitt 8.2 i læreboka Ørnulf Borgan Matematisk institutt Universitetet i Oslo 1 Konfidensintervall for µ i store utvalg Anta at de stokastiske

Detaljer

ALGORITMER OG DATASTRUKTURER

ALGORITMER OG DATASTRUKTURER Stud. nr: Side 1 av 6 NTNU Norges teknisk-naturvitenskapelige universitet BOKMÅL Fakultet for informasjonsteknologi, matematikk og elektroteknikk Institutt for datateknikk og informasjonsvitenskap AVSLUTTENDE

Detaljer

MATLAB for STK1100. Matematisk institutt Univeristetet i Oslo Januar Enkel generering av stokastiske variabler

MATLAB for STK1100. Matematisk institutt Univeristetet i Oslo Januar Enkel generering av stokastiske variabler MATLAB for STK1100 Matematisk institutt Univeristetet i Oslo Januar 2014 1 Enkel generering av stokastiske variabler MATLAB har et stort antall funksjoner for å generere tilfeldige tall. Skriv help stats

Detaljer