Temaer i dag. Gjennomgang av eksempler. Hvordan endre kontrasten i et bilde? INF 2310 Digital bildebehandling

Størrelse: px
Begynne med side:

Download "Temaer i dag. Gjennomgang av eksempler. Hvordan endre kontrasten i et bilde? INF 2310 Digital bildebehandling"

Transkript

1 eaer da INF 3 Dtal ldeehadl FORELESNIN 4 RÅONE-RaNSFORMaSJONER Ole Marus Hoel Rdal ordal@.uo.o Foler laet av Frtz Alretse Hstoraer Leære råtoetrasorer Stadardser av lder ed leær trasor Ikke-leære, araetrske trasorer Pesu: Ka DIP Neste uke: Hstoraaserte oerasjoer o lokale råtoetrasorer jeoa av ekseler Hvorda edre kotraste et lde? Osda 4:5-5: Searro C vl det l jeoått MALAB-ekseler av alt so lr orelest da. MALAB-ekselee ler å thu.co/olearus9/ 3 4

2 Hva er kotrast? Det er lere ule desjoer av dette ereet. De leste er varasjoer over teaet derase/jeostt so ka avedes å ae ysske eeskaer Her holder v oss tl luostet. I I Weer-kotrast Weer racto I Mchelso-kotrast Vslty RMS-kotrast N MN M I x, I x y I I Max Max I I Hstoraer E dskret uksjo so vser atall åler eor so otest uore tervaller et datasett V joer ed lder o år Et lde so datasett Pksel-testeter so åler E overskt over hyhete tl testetee ldet Ka oså ha hstoraer over adre araetre. 5 6 råtoehstoraer Ekseel - hstora tt et råtoelde ed ksler o råtoer Et hstora, h, er slk at: h atall ksler ldet ed kselverd Daes ved å å jeo alle kslee o telle råtoer V har aturlvs at #ksler h råtoe Blde: Hstora: h # ksler Pkselverd 7 8

3 Ekseler Ekseler II Hvorda ser hstoraet ut? Hvorda ser hstoraet ut? Her er hstoraet. Hvorda ser ldet ut? Oaver V har at Noralsert hstora h Det oralserte hstoraet er: h, ka ses å so e sasylhetsordel or kselverdee Uavhe av atall ksler ldet Ma ka s e del o ldet ut ra dee sasylhets-tetthetsuksjoe 3

4 Kuulatvt hstora Ekseel, kuulatvt hstora Hvor ae ksler har råtoe dre e eller lk råtoe j? c j Noralsert kuulatvt hstora: j c j h Sasylhete or at e tleld ksel har råtoe dre eller lk j Hstora o kuulatvt hstora sae ur 3 4 Hstoraer ull oløs Skalerte hstoraer redusert oløs atall kaddater 4 Hstora kaddater ot total oesu total oesu kuulatvt atall kaddater 3 Kuulatvt hstora, kaddater ot total oesu ed karakterreser arkert total oesu * Oløse hstoraer ka reduseres - or ekseel ved overa ra oesu tl karakter. * Hstoraet ka skaleres tl su eller su %. Nore er %, 5%, 3%, 5%, %. Er dere edre e ore, så år dere ode karakterer

5 Hstoraer av ojekt-eeskaer Beresaaratet okr hstoraer vl oså koe tl ytte dtal ldeaalyse V ka lae hstoraer over eeskaer, eks: Ojekt-størrelse: Vser ordele av størrelse å ojektee, o daer rula or å sette e terskel or å kue jere så o uvesetle ojekter ra ldet stø Ojekt-oeter: Vser ordele av ereede oeter ra hvert ojekt, o daer rula or å sale ruer av ojekter klasser eller clustre råtoetrasorasjo Når v vser et lde å skjere er testete kotrollert av de tlsvarede verde ldeatrse V ka orette e avlds-uksjo ello de tallee so es ldeatrse, v, o de testete v øsker å skjere, v out For ett-ådslder er v out [v ka være e araetrsk uksjo eller e taell Re råtoetrasorasjo, så ett o ett ksel trasoreres uavhe av aoksler loal trasorasjo. 7 8 Idettetsa Leær avld Fure vser saehee ello kselverde -ldet o kselverde tl de sae ksele utldet etter e råtoetrasorasjo. Hvs trasorasjo er e dettetsa,, vl ure vse e rett lje jeo oro, ed ststall. rasorasjoe er da [ Leær strekk [ a x, a x, a reulerer kotraste, o lyshete a>: er kotrast a<: dre kotrast : lytter alle råtoer våer Neatver : a-, axverd or ldetye 9 5

6 Edre lyshete rhtess Edre kotraste Lee tl e kostat tl alle kselverdee x, x, Multlsere hver kselverd ed e aktor a: x, a x, Hvs >, alle kselverdee øker, o ldet lr lysere Hvs <, ldet lr ørkere Hstoraet lyttes o eller ed ed Mddelverde edres! h h Hvs a >, kotraste øker Hvs a <, kotraste ker h Eks: Bruke hele testetsskalae Q: Hva skjer ed ddelverde? h Alteratv llustrasjo Ivertert råtoelde Edre rhtess : x, y x, Edre kotrast: x, a x, Daer ldets eatv ved å sett a - o aksverde atall råtoer x, x, Bldet år kke eatve verder, e avldsuksjoe har eatvt ststall 3 4 6

7 Fra råtoevå [, tl [, Kl etter trasor Edre tervallet [, tl å l [, E leær a ra tl : x, [ x, y Rett lje ed ststall a - / - a O x, år verder uteor det støttede tervallet, oretas so otest kl av verdee F.eks vl et used yte lde l tvuet tl å ha testeter eor tervallet [, 55 ax 5 6 Rekvatser o hstora Stadardser av lder Fra dtves-eksae 3: Ata at du har et 4-ts råtoelde ed oralsert hstora so skssert tl høyre. Bldet eholder e akru ed to råtoer o tre tyer ojekter. V øsker å rekvatsere ldet tl t/ksel, det vl s tl et lde ed 4 verder ra tl 3. Sksser råtoetrasore dette svarer tl. Vs hvorda det oralserte hstoraet tl utldet vlle ltt. Heskt: Søre or at alle ldee e sere er statstsk lke. orde Metode: Justere ddelverde o varase tl råtoeverdee ldet ved hjel av e leær råtoetrasor Hvoror? V vl jere eekte av Døvarasjo elys Aldrseekter laer o detektorer Akkuuler av støv å lser etc. Hvor: Produkt-seksjo dustr Mkroskoer av celler... Neste uke: Ka oså stadardsere ldee ed hstoraseskasjo, e vl da kke eholde ore å hstoraet 7 8 7

8 8 Mddelverde av råtoee Mddelverde av kselverdee et lde ed х ksler o råtoer ka es ete ra ldet eller ra ldets hstora, evt ra oralsert hstora [..., x y h h h h y x, : h der Noralsert hstora Hvoror e ordel ed det sste alteratvet? 9 Varas av råtoee Varase av kselverdee et lde ed x ksler o råtoer ka oså es ra ldets hstora [ [, [ x y h y x 3 Juster av o tt -lde ed ddelverd o varas Ata e leær råtoe-trasor [a Ny ddelverd o varas er da tt ved Dvs. a /, - a V ka altså vele ye o, eree a o, avede [a å -ldet o å et ut-lde ed rkt o a [ [ [ a a a a a 3 Ekseel : Juster av Vl eholde ddelverde, slk at, e øsker y. Beste a o le [a: a a [, 3

9 Ekseel : Juster av o Øsker at alle ldee e sere skal ha sae,. Beste a o le [a: a, a [ Val av stadardavvk Ata at hstoraet tl ldet er oralordelt N,, o at v veler /. Hva er da otalt val av? Hvor stor ercetl lr klt? ± > 4.5% ±3 >.3% For hvert lde å v e ldets, Ikke-leær trasor Loartsk skaler Eks: Desel o radarlder, Fourer-trasor Eksoetell skaler aa-skaler Stykkevs-leær skaler Loartske trasorasjoer Hvlke av trasorasjoee tl høyre er rukt her? Hva jøres ed kotraste de ørke o lyse delee av ldet etter slke skalerer? e sksse av uksjoee o se å ot F 3.3 DIP

10 Power-law aa-trasorasjoer Mae lderoduserede aarater har et ut/outut-orhold so ka eskrves so: s c Ata at testete et lde so vses å et dslay er tt ved: F 3.6 DIP γ aa-korreksjo ør dslay s c.5 der s er ut-testete ved e ut der s er ut-testete ved e ut V har sett at or γ > vl ldet l ørkere e det skal være γ <: de ørke dele av skalae strekkes ut γ : dettets-trasor γ >: de lyse dele av skalae strekkes ut V ka korrere dette ved råtoetrasore [.4 ør v seder ldet tl dslay eerell kotrast-aulasjo Brukervel ed ku é varael Sae jelder or scaere o rtere Ma å kjee eller e araetree tl S c εγ 37 aa-styrt ldeoredr F 3.8 DIP γ.6 γ γ3 γ.4 γ.3 γ4 γ5 38 aa-trasor o hstora Bldet er lyst o utvasket. Hstoraet dekker este hele råtoeskalae. F 3.9 DIP γ aa > r høyere kotrast. Hstoraet er korert tl de lave verdee å råtoeskalae. 39 4

11 Stykkevs leær a Brukersessert stykkevs leær a or å reheve vsse tervaller av råtoeskalae. r ære lder asert å o kslees -te t er satt I ekselet: ku 4 t eholder vsuell skas Ka eyttes koresjo Ku eholde vsse t-la Eektvt å kode ære lder.eks ruleth Bt-la-odel 4 43 erskl Ileetasjo: Oslastaeller LU Dette er et rese-tlelle av leær trasorasjo, der alle ut-verdee settes lk or -verder et tervall -, es alle adre ut-verder settes lk Dette r et to-vå ært ut-lde Mål: Eektvsere leetasjoe av trasore. Avldsuksjoe utøres å alle ule testeter o resultatee lares e taell LUlook u tale råtoe-avlde utøres så so osla e taell Hardware LU-oerasjoe utøres å data-strøe ello hukoelse o dslay o the ly å rakkortet Iholdet lde-atrse edres kke Kotrastedr ved ku å edre taellverdee Sotware Utre av avldsuksjoe or hvert ksel lr yttet ut ed ekelt taellosla 44 45

12 Ileetasjo av råtoeoerasjoer råtoehstoraer Osuer or x:wdth- or y:heht- x,a*x, or :reylevels- [a* or x:wdth- or y:heht- x,[x, drekte leetasjo ved ruk av LU edr av kselverdee Leær trasor Forstå eekte av araetree a o Stadardser av lder ed leær trasor Fjerer eekte av varasjoer avldsorhold døvarasjo, lae, støv etc Hvorda estee a o or å å øsket o Ikke-leære, araetrske trasorer Loartsk, eksoetell, aa, stykkevs leær Hva jøres ed kotraste de ørke o lyse delee av ldet etter slke skalerer e sksse av uksjoee o se å ot 46 47

Gråtonehistogrammer. Histogrammer. Hvordan endre kontrasten i et bilde?

Gråtonehistogrammer. Histogrammer. Hvordan endre kontrasten i et bilde? INF 3 råtoe-trasforasjoer Hovedsakelg fra ka. 3.-3. DIP Hstograer Leære gråtoetrasforer Stadardserg av blder ed leær trasfor Ikke-leære, araetrske trasforer Hvorda edre kotraste et blde?? Neste uke: Hstograbaserte

Detaljer

Temaer i dag. Hvordan endre kontrasten i et bilde? Histogrammer. INF 2310 Digital bildebehandling

Temaer i dag. Hvordan endre kontrasten i et bilde? Histogrammer. INF 2310 Digital bildebehandling eer d INF 3 Dtl ldeedl FORELESNIN 4 RÅONE-RANSFORMASJONER Frtz Alretse Hstorer Leære råtoetrsforer Stdrdser v lder ed leær trsfor Ikke-leære, retrske trsforer Pesu: K. 3. - 3. DIP Neste uke: Hstorserte

Detaljer

Standardisering av bilder med lineær transform. Ikke-lineære, parametriske transformer. og lokale gråtonetransformer INF2310

Standardisering av bilder med lineær transform. Ikke-lineære, parametriske transformer. og lokale gråtonetransformer INF2310 INF 3 Dtl bldebehdl Foreles 4 råtoetrsorsjoer Ole Mrus Hoel Rdl ordl@.uo.o Etter orle oler v Frtz Albretse jeo v ekseler orsd 4:5-5: Serro Loo vl det bl jeoått MALAB-ekseler v lt so blr orelest d. MALAB-ekselee

Detaljer

INF 2310 Digital bildebehandling

INF 2310 Digital bildebehandling eer d INF 3 Dtl ldeedl FORELESNIN 4 RÅONE-RANSFORMASJONER Frtz Alretse Hstorer Leære råtoetrsorer t Stdrdser v lder ed leær trsor Ikke-leære, retrske trsorer Pesu: K. 3. - 3DIP 3. Neste uke: Hstorserte

Detaljer

Hva er kontrast? Gråtonehistogrammer. Hvordan endre kontrasten i et bilde? Repetisjonsforelesning før midtveiseksamen INF2310 våren 2016

Hva er kontrast? Gråtonehistogrammer. Hvordan endre kontrasten i et bilde? Repetisjonsforelesning før midtveiseksamen INF2310 våren 2016 Hvorda edre kotraste et blde? Reetsjosforeles før dtveseksae våre 6 Osuer av foreles 4 o 5, råtoetrasforasjoer o hstoratrasforasjoer. Ole Marus Hoel Rdal 9..6 Hva er kotrast? Det er flere ule defsjoer

Detaljer

INF 2310 Digital bildebehandling

INF 2310 Digital bildebehandling eer d INF 3 Dtl ldeehndln FORELESNIN 4 RÅONE-RANSFORMASJONER Frtz Alretsen Hstorer Lneære råtonetrnsorer t Stndrdsern v lder ed lneær trnsor Ikke-lneære, retrske trnsorer Pensu: K. 3. - 3DIP 3. Neste uke:

Detaljer

INF 2310 Digital bildebehandling

INF 2310 Digital bildebehandling INF 30 Dgtal bldebehandlng FORELESNING 4 GRÅONE-RANSFORMASJONER Frtz Albregtsen emaer dag Hstogrammer Lneære gråtonetransformer t Standardserng av blder med lneær transform Ikke-lneære, parametrske transformer

Detaljer

Seminaroppgaver for uke 13

Seminaroppgaver for uke 13 1 ECON 2130 2016 vår Semarpla fra og med uke 13 Semaroppgaver for uke 13 1) Fra eksame Eco 2130, 2004 høst: Oppgave 3: (Fel oppgave på ststuttets overskt over gamle eksamesoppgaver) La X og Y være to uavhegge

Detaljer

Seminaroppgaver for uke 13 (Oppgave (1), (2), og (3))

Seminaroppgaver for uke 13 (Oppgave (1), (2), og (3)) 1 ECON 2130 2017 vår Semarpla fra og med uke 13 Semaroppgaver for uke 13 (Oppgave (1), (2), og (3)) (1) Fra eksame Eco 2130, 2004 høst: Oppgave 3: (Fel oppgave på ststuttets overskt over gamle eksamesoppgaver)

Detaljer

Gråtone-transformasjoner Hovedsakelig fra kap i DIP

Gråtone-transformasjoner Hovedsakelig fra kap i DIP INF 31 3..9 - AS Gråtone-transforasjoner Hovedsakeli fra kap. 3.1-3. i DIP Historaer Lineære råtonetransforer Standardiserin av bilder ed lineær transfor Ikke-lineære, paraetriske transforer Hvordan endre

Detaljer

Econ 2130 uke 19 (HG) Inferens i enkel regresjon og diskrete modeller

Econ 2130 uke 19 (HG) Inferens i enkel regresjon og diskrete modeller Eco 3 uke 9 (HG) Iferes ekel regresjo og dskrete modeller De ekle regresjosmodelle. Resultater fra 5m og 5m for me fra EM på skøyter Heerevee 4. ( er 5m-tde og y 5m-tde sekuder for løper.) Spredgdagram

Detaljer

Forelesning 19 og 20 Regresjon og korrelasjons (II)

Forelesning 19 og 20 Regresjon og korrelasjons (II) STAT111 Statstkk Metoder Yushu.L@ub.o Forelesg 19 og 0 Regresjo og korrelasjos (II) 1. Kofdestervall (CI) og predksjostervall (PI) I uka 14, brukte v leær regresjo for å fage leær sammehege mellom Y og

Detaljer

Oversikt over tester i Econ 2130

Oversikt over tester i Econ 2130 HG Revdert aprl 2 Overskt over tester Eco 23 La θ være e ukjet parameter (populasjos-størrelse e statstsk modell. Uttrykket ukjet parameter betyr at de sae verde av θ populasjoe er ukjet. Når v setter

Detaljer

Forelesning 3 mandag den 25. august

Forelesning 3 mandag den 25. august Forelesg adag de 5 august Merkad 171 For å bevse e propossjo o heltall so volverer to eller flere varabler, er det typsk ye lettere å beytte duksjo på e av varablee e duksjo på oe av de adre Det er for

Detaljer

Regler om normalfordelingen

Regler om normalfordelingen HG mars 0 Notat tl kapttel 5 Løvås Regler om ormalfordelge Kjeskap tl reglee for ormalfordelge er gruleggede for de statstske aalyse kapttel 6 Løvås, og studetee må kue beherske dsse skkkelg dette kurset.

Detaljer

Regler om normalfordelingen

Regler om normalfordelingen 1 HG mars 2009 Notat tl kapttel 5 Løvås Regler om ormalfordelge Kjeskap tl reglee for ormalfordelge er gruleggede for de statstske aalyse kapttel 6 Løvås, og studetee må kue beherske dsse skkkelg dette

Detaljer

som vi ønsker å si noe om basert på data Eksempel. Uid-modellen: X1, X ,,,

som vi ønsker å si noe om basert på data Eksempel. Uid-modellen: X1, X ,,, HG Eco30 07 9/3-07 Supplemet tl forelesg uke 0 (6 mars) (Det jeg kke rakk å ta på forelesg) Termolog (estmerg) Data (kokrete tall), x, x, er ervasjoer av stokastske varable, X, X, De statstske modelle

Detaljer

Makroøkonomi - B1. Innledning. Begrep. B. Makroøkonomi. Mundells trilemma går ut på følgende:

Makroøkonomi - B1. Innledning. Begrep. B. Makroøkonomi. Mundells trilemma går ut på følgende: B. Makroøkoom Oppgave: Forklar påstades hold og drøft hvlke alteratv v står overfor: Fast valutakurs, selvstedg retepoltkk og fre kaptalbevegelser er kke forelg på samme td. Makroøkoom Iledg Mudells trlemma

Detaljer

Formler og regler i statistikk ifølge lærebok Gunnar Løvås: Statistikk for universiteter og høgskoler

Formler og regler i statistikk ifølge lærebok Gunnar Løvås: Statistikk for universiteter og høgskoler Formler og regler statstkk følge lærebok Guar Løvås: tatstkk for uversteter og høgskoler Kap. Hva er fakta om utvalget etralmål Meda: mdterste verd etter sorterg Modus: hyppgst forekommede verd Gjeomstt:

Detaljer

TMA4245 Statistikk Eksamen august 2014

TMA4245 Statistikk Eksamen august 2014 Norges teksk-aturvteskapelge uverstet Isttutt for matematske fag Løsgssksse Oppgave a) Y 5 PY > 53) PY 53) P ) 53 5 Φ5) 933 668 Vekte av e fylt flaske, X + Y, er e leærkombasjo av uavhegge ormalfordelte

Detaljer

Forelesning 25 og 26 Introduksjon til Bayesiansk statistikk

Forelesning 25 og 26 Introduksjon til Bayesiansk statistikk Yushu.@hh.o Forelesg 5 og 6 Itroduksjo tl Bayesask statstkk 1. Itroduksjo Fortsatt atar v har stokastsk varabel X (X ka være stokastsk varabel vektor) kommer fra e fordelg med parametere ( ka være parameter

Detaljer

Analyse av sammenhenger

Analyse av sammenhenger Kapttel 7.-7.3: Aalyse av sammeheger Korrelasjo og regresjo E vktg avedelse av statstkk er å studere sammeheger mellom varabler: Avgjøre om det er sammeheger. Beskrve hvorda evetuelle sammeheger er. Eksempler:

Detaljer

Regler om normalfordelingen

Regler om normalfordelingen 1 HG Revdert mars 013 Notat tl kapttel 5 Løvås Regler om ormalfordelge Kjeskap tl reglee for ormalfordelge er gruleggede for de statstske aalyse kapttel 6 Løvås, og studetee må kue beherske dsse skkkelg

Detaljer

STK1100 våren Konfidensintevaller

STK1100 våren Konfidensintevaller STK00 våre 07 Kofdestevaller Svarer tl avstt 8. læreboka Ørulf Borga Matematsk sttutt Uverstetet Oslo Eksempel E kjemker er teressert å bestemme kosetrasjoe µ av et stoff e løsg Hu måler kosetrasjoe fem

Detaljer

Econ 2130 uke 15 (HG)

Econ 2130 uke 15 (HG) Eco 130 uke 15 (HG) Kofdestervall Løvås: 6.1., 6.3.1 3. (Avstt 6.3.4 6 leses på ege håd. Se også overskt over kofdestercvall ekstra otat på ettet.) 1 Defsjo av kofdestervall La θ være e ukjet parameter

Detaljer

Oversikt over tester i Econ 2130

Oversikt over tester i Econ 2130 1 HG Revdert aprl 213 Overskt ver tester Ec 213 La θ være e ukjet parameter (ppulasjs-størrelse) e statstsk mdell. Uttrykket ukjet parameter betyr at de sae verde av θ ppulasje er ukjet. Når v setter pp

Detaljer

Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011

Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011 Forelesg 3 MET359 Økoometr ved Davd Kreberg Vår 0 Dverse oppgaver Oppgave. E vestor samler følgede formasjo om markedsavkastge og avkastge på det som ser ut tl å være et attraktvt aksjefod År Aksjefodets

Detaljer

STK1110 høsten Lineær regresjon. Svarer til avsnittene i læreboka (med unntak av stoffet om logistisk regresjon)

STK1110 høsten Lineær regresjon. Svarer til avsnittene i læreboka (med unntak av stoffet om logistisk regresjon) TK høste 9 Eksempel.5 (CO og vekst av furutrær Leær regreso varer tl avsttee..4 læreboka (med utak av stoffet om logstsk regreso Ørulf Borga Matematsk sttutt Uverstetet Oslo V vl bestemme sammehege mellom

Detaljer

OBLIGATORISK OPPGAVE 1 INF 3340/4340/9340 HØSTEN 2005

OBLIGATORISK OPPGAVE 1 INF 3340/4340/9340 HØSTEN 2005 OBLIGATORISK OPPGAVE INF 0/0/90 HØSTEN 005 Levergsfrst: 0. september 005 Arbedsform: Løses dvduelt Ileverg tl: Aja Bråthe Krstofferse (ajab@f.uo.o Levergskrav: Det forutsettes at du er kjet med holdet

Detaljer

Notat 1: Grunnleggende statistikk og introduksjon til økonometri

Notat 1: Grunnleggende statistikk og introduksjon til økonometri Notat : Gruleggede statstkk og troduksjo tl økoometr Gruleggede statstkk Populasjo vs. utvalg Statstsk feres gjør bruk av formasjoe et utvalg tl å trekke koklusjoer (el. slutger) om populasjoe som utvalget

Detaljer

STK1100 våren Estimering. Politisk meningsmåling. Svarer til sidene i læreboka. The German tank problem. Måling av lungefunksjon

STK1100 våren Estimering. Politisk meningsmåling. Svarer til sidene i læreboka. The German tank problem. Måling av lungefunksjon STK00 våre 07 Estmerg Svarer tl sdee 33-339 læreboka Poltsk megsmålg Sør et tlfeldg utvalg å 000 ersoer hva de vlle ha stemt hvs det hadde vært valg 305 vlle ha stemt A A's oslutg er Ørulf Borga Matematsk

Detaljer

Oversikt over tester i Econ 2130

Oversikt over tester i Econ 2130 1 HG Revdert aprl 217 Overskt over tester Eco 213 La være e ukjet parameter (populasjos-størrelse) e statstsk modell. Uttrykket ukjet parameter betyr at de sae verde av populasjoe er ukjet. Når v setter

Detaljer

TMA4240 Statistikk Høst 2016

TMA4240 Statistikk Høst 2016 TMA440 Statstkk Høst 06 Norges teksk-aturvteskapelge uverstet Isttutt for matematske fag Abefalt øvg 0 Løsgssksse Oppgave a Estmatore for avstade a er gjeomsttet av uavhegge detsk fordelte målger, x; a,

Detaljer

UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet

UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet UNIVERSITETET I OSLO Det ateatisk-aturviteskapelige fakultet Eksae i: FY 105 - Svigiger og bølger Eksaesdag: 11. jui 003 Tid for eksae: Kl. 0900-1500 Tillatte hjelpeidler: Øgri og Lia: Størrelser og eheter

Detaljer

Balanserte søketrær. AVL-trær. AVL-trær. AVL-trær høyde AVL AVL. AVL-trær (Adelson-Velskii og Landis, 1962) Splay-trær (Sleator og Tarjan, 1985)

Balanserte søketrær. AVL-trær. AVL-trær. AVL-trær høyde AVL AVL. AVL-trær (Adelson-Velskii og Landis, 1962) Splay-trær (Sleator og Tarjan, 1985) alanserte søketrær VL-trær Et bnært tre er et VL-tre hvs ølgende holder: VL-trær delson-velsk og Lands, 96 play-trær leator og Tarjan, 98. orskjellen høyde mellom det høyre og det venstre deltreet er maksmalt,

Detaljer

FORELESNINGSNOTATER I SPILLTEORI Geir B. Asheim, våren 2001 (oppdatert ).

FORELESNINGSNOTATER I SPILLTEORI Geir B. Asheim, våren 2001 (oppdatert ). OREESNINGSNOTATER I SPITEORI Ger B. Ashem, våre 00 (odatert 000.0.03. 3. STATISKE SPI MED UUSTENDIG INORMASJON (Statske Bayesaske sll Statsk sll: Sllere trekker samtdg. Ufullstedg formasjo: Mst é sllere

Detaljer

TMA4245 Statistikk Eksamen mai 2016

TMA4245 Statistikk Eksamen mai 2016 Norges teksk-aturvteskapelge uverstet Isttutt for matematske fag Løsgssksse Oppgave a) Lar X være kvadratprse. Har da at X N(µ, σ 2 ), med µ 30 og σ 2 2, 5 2. P (X < 30) P (X < µ) 0.5 ( X 30 P (X > 25)

Detaljer

Forelesning 21 og 22 Goodness of fit test and contingency table ( 2 test og krysstabell)

Forelesning 21 og 22 Goodness of fit test and contingency table ( 2 test og krysstabell) STAT111 Statstkk Metoder Yushu.L@ub.o Forelesg 1 Goodess of ft test ad cotgecy table ( test krysstabell 1.Goodess of ft test ( test Ata at v har et utvalg med observasjoee fra e stokastsk varabel X. Goodess-of-ft

Detaljer

Det ble orientert i plenum under eksamensdagen om følgende endringer i forhold til oppgaven:

Det ble orientert i plenum under eksamensdagen om følgende endringer i forhold til oppgaven: LØSNINGSFORSLAG EKSAMEN 4 MAI 007 MET00 STATISTIKK GRUNNKURS Det ble oretert pleum uder eksamesdage om følgede edrger forhold tl oppgave: Oppgave b går ut. Det vl da bl 9 oppgaver og alle oppgaver teller

Detaljer

Kapittel 9 ALGEBRA. Hva er algebra?

Kapittel 9 ALGEBRA. Hva er algebra? Kpttel 9 ALGEBRA Hv er lger? Kpttel 9 ALGEBRA Alger Ekelt k v s t lger er å rege me okstver steet for tll. Når v løser lgger, står okstve (vlgvs for et estemt tll. Når v ruker lger tl å utlee formler eller

Detaljer

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 14.12.2007

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 14.12.2007 Høgskole Telemark Avdelg for estetske fag, folkekultur og lærerutdag BOKMÅL 4..7 UTATT PRØVE I MATEMATIKK, Modul 5 studepoeg Td: 5 tmer Hjelpemdler: Kalkulator og vedlagt formelsamlg (bakerst oppgavesettet).

Detaljer

Emne: BIP 140, Reservoarteknikk Dato: 3. Desember Reservoaret antas å være "lukket" dvs. at HCPV er konstant under trykkavlastningen.

Emne: BIP 140, Reservoarteknikk Dato: 3. Desember Reservoaret antas å være lukket dvs. at HCPV er konstant under trykkavlastningen. Fakultet for teksk aturvteskapele fa Eme: BIP 40, Reservoartekkk Dato: 3. Desember 20. Td: 09.00-3.00 Tllatte hjelpemdler: Ekel kalkulator Oppavesettet består av: 6 sder kludert vedle Oppave o 2 blr vektet

Detaljer

Om enkel lineær regresjon II

Om enkel lineær regresjon II 1 ECON 13 HG, revdert aprl 17 Notat tl kapttel 7 Løvås Om ekel leær regresjo II Merk: Det ka løe seg først å lese avstt 4 regresjo-i-otatet på ytt. Regresjosmodelle. La Y være e stokastsk varabel (som

Detaljer

Forelesning Enveis ANOVA

Forelesning Enveis ANOVA STAT111 Statstkk Metoder ushu.l@ub.o Forelesg 14 + 15 Eves ANOVA 1. troduksjo a. Z-, t- test Uka 1: tester for forvetgsdfferase to populasjoer (grupper) b. ANOVA (aalyss of varace): tester om det er forskjeller

Detaljer

Om enkel lineær regresjon II

Om enkel lineær regresjon II ECON 3 HG, aprl Notat tl kapttel 7 Løvås Om ekel leær regresjo II Merk: Det ka løe seg først å lese avstt 4 regresjo-i-otatet på ytt. Regresjosmodelle. La Y være e stokastsk varabel som v kaller resposvarabele

Detaljer

Løsningskisse seminaroppgaver uke 17 ( april)

Løsningskisse seminaroppgaver uke 17 ( april) HG Aprl 14 Løsgsksse semaroppgaver uke 17 (.-5. aprl) Oppg. 5.6 (begge utgaver) La X = atall bar utvalget som har lærevasker. Adel bar med lærevasker populasjoe av bar atas å være p.15. Utvalgsstørrelse

Detaljer

INF 2310 Digital bildebehandling

INF 2310 Digital bildebehandling INF 2310 Dgtal bldebehandlng FORELESNING 4 GRÅTONE-TRANSFORMASJONER Frtz Albregtsen 1 Temaer dag Hstogrammer Lneære gråtonetransformer t Standardserng av blder med lneær transform Ikke-lneære, parametrske

Detaljer

i B maksimal b Fundamentalteoremet for lineærprogrammering Den leksikografiske metode Blands pivoteringregel MoD233 - Geir Hasle - Leksjon 4 2

i B maksimal b Fundamentalteoremet for lineærprogrammering Den leksikografiske metode Blands pivoteringregel MoD233 - Geir Hasle - Leksjon 4 2 Lekso 4 ( k ) a ( k ) I ( k ) U ( k) B maksmal ( k ) b Sste spesaltlfelle - valg av utgåede Degeerert basstabell, degeererert pvoterg Degeerert pvoterg ka g syklsk pvoterg Eeste tlfelle der Smpleksmetode

Detaljer

01. Til hvilke deler av naturen benyttes kvantefysikk som beskrivende verktøy?

01. Til hvilke deler av naturen benyttes kvantefysikk som beskrivende verktøy? Ka Kvatefykk. Tl vlke deler av ature beytte kvatefykk o bekrvede verktøy?. Nev oe etrale ateatkk-eer o går kvatefykke.. Hva kalle de eleetee Hlbert-roet o bekrver tltader tl et yte?. Hva kalle de ateatke

Detaljer

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 29. mai 2007

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 29. mai 2007 Høgskole Telemark Avdelg for estetske fag, folkekultur og lærerutdag BOKMÅL 9. ma 7 EKSAMEN I MATEMATIKK, Modul 5 studepoeg Td: 5 tmer Hjelpemdler: Kalkulator og vedlagt formelsamlg (bakerst oppgavesettet).

Detaljer

Drivteknikk \ Automatisering \ Systemløsninger \ Service. Håndbok. Prefabrikkering av kabler Kabel for synkrone servomotorer

Drivteknikk \ Automatisering \ Systemløsninger \ Service. Håndbok. Prefabrikkering av kabler Kabel for synkrone servomotorer Drvtekkk \ Automatserg \ Systemløsger \ Servce Hådbok reabrkkerg av kabler Kabel or sykroe servomotorer Utgave 12/2011 19301723 / NO SEW-EURODRIVE Drvg the world Ihold 1 Krympeverktøy... 4 1.1 Krympeverktøy

Detaljer

«Uncertainty of the Uncertainty» Del 5 av 6

«Uncertainty of the Uncertainty» Del 5 av 6 «Ucertaity of the Ucertaity» Del 5 av 6 v/rue Øverlad, Traior Elsikkerhet AS Dette er femte del i artikkelserie om «Ucertaity of the Ucertaity». Jeg skal vise deg utledig av «Ucertaity of the Ucertaity»-formele:

Detaljer

EKSAMEN Ny og utsatt Løsningsforslag

EKSAMEN Ny og utsatt Løsningsforslag . jun 0 EKSAMEN Ny og utsatt Løsnngsorslag Emnekode: ITD50 Dato:. jun 0 Emne: Matematkk, deleksamen Eksamenstd: 09.00.00 Hjelpemdler: To A-ark med valgrtt nnhold på begge sder. Formelhete. Kalkulator er

Detaljer

Oversikt over konfidensintervall i Econ 2130

Oversikt over konfidensintervall i Econ 2130 1 HG Mars 017 Overskt over kofdestervall Eco 130 Merk at dee overskte kke er met å leses stedefor framstllge Løvås, me som et supplemet. De eholder tabeller med formler for kofdestervaller for stuasjoer

Detaljer

Oppgave 1 ECON 2130 EKSAMEN 2011 VÅR

Oppgave 1 ECON 2130 EKSAMEN 2011 VÅR ECON 30 EKSAMEN 0 VÅR Oppgave E bedrf øsker å fordele koraker e vesergsprosjek hel lfeldg på 3 frmaer, A, B og C. Uvelgelse skjer ved loddrekg. Loddrekge er slk a hver av frmaee A, B og C, har e mulghe

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Sannsynlighetsregning med statistikk

ÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Sannsynlighetsregning med statistikk ÅMA0 Sasylghetsregg med statstkk, våre 00 Kp. 5 Estmerg. Målemodelle. Estmerg. Målemodelle. Ihold:. (Pukt)Estmerg bomsk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (Pukt)Estmerg målemodelle (kp. 5.3)

Detaljer

Positive rekker. Forelest: 3. Sept, 2004

Positive rekker. Forelest: 3. Sept, 2004 Postve rekker Forelest: 3. Sept, 004 V skal tde utover fokusere på å teste om e rekke kovergerer, og skyve formler for summerg bakgrue. Dette er gje ford det første målet vårt er å lære hvorda v ka fe

Detaljer

Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.

Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>. ECON 3 EKSAMEN VÅR TALLSVAR Det abefales at de 9 deloppgavee merket med A, B, teller lkt uasett varasjo vaskelghetsgrad. Svaree er gtt

Detaljer

Terminprøve R2 Høsten 2014 Løsning

Terminprøve R2 Høsten 2014 Løsning Termiprøve R Høste 04 Løsig Del Tid: 3 timer Hjelpemidler: Skrivesaker Oppgave (6 poeg) E flate i rommet er gitt ved likige: x 4x y 6y z 8z 0 0 a) Vis at puktet P3, 5, ligger på flate Puktet P3, 5, ligger

Detaljer

Om enkel lineær regresjon II

Om enkel lineær regresjon II ECON 3 HG, revdert aprl Notat tl kapttel 7 Løvås Om ekel leær regresjo II Merk: Det ka løe seg først å lese avstt 4 regresjo-i-otatet på ytt. Regresjosmodelle. La Y være e stokastsk varabel (som v kaller

Detaljer

Forelesning Ordnings observatorer

Forelesning Ordnings observatorer Yushu.L@ub.o Forelesg 6 + 7 Ordgs observatorer. Oppsummerg tl Forelesg 4 og 5.) Fuksjoer (trasformasjoer) av flere S.V...) Smultafordelg tl to ye S.V. Ata at v har to S.V., med smultafordelg f ( x, x )

Detaljer

Forelesning 2 MET3592 Økonometri ved David Kreiberg Vår 2011

Forelesning 2 MET3592 Økonometri ved David Kreiberg Vår 2011 Forelesg MET359 Økoomer ved Davd Kreberg Vår 0 Dverse oppgaver Oppgave. Aa følgede o varabler: gpa: (Grade Po Average) Gjeomsskaraker for amerkaske sudeer. gpa fes ervalle [0;4], hvor 0 er lavese gjeomsskaraker

Detaljer

Spenningsforsterkningen til JFET kretsen er gitt ved A = g

Spenningsforsterkningen til JFET kretsen er gitt ved A = g øsnngsforslag tl FY-IN 204 eksaen 200. Oppgae I C A a) Transkonduktansen g for BJT er : g 40S. VT 25V Spennngsforsterknngen tl BJT kretsen er gtt ed A g 40S 5kΩ 200 VBJT C. Spennngsforsterknngen tl JFET

Detaljer

Differensligninger Forelesningsnotat i Diskret matematikk Differensligninger

Differensligninger Forelesningsnotat i Diskret matematikk Differensligninger Differesligiger Forelesigsotat i Diskret matematikk 017 Differesligiger I kapittel lærte vi om følger og rekker. Vi studerte både aritmetiske og geometriske følger og rekker. Noe følger og rekker er imidlertid

Detaljer

Responsiv design i Muse. Merete Jåsund, IGM AS. making. d e s i

Responsiv design i Muse. Merete Jåsund, IGM AS. making. d e s i Resposiv desi i Muse Merete Jåsud, IGM AS maki d e s i maki maki Resposiv desi i Muse OPPRETTE EN RESPONSIV SITE For å opprette e resposiv ettside, se kapittelet «Opprette e y site» på side 10. Opprett

Detaljer

Løsningsforslag Eksamen i Statistikk Nov 2001 Oppgave 1 a) Det fins 8 mulige kombinasjoner. Disse finnes ved å utelate ett og ett tall.

Løsningsforslag Eksamen i Statistikk Nov 2001 Oppgave 1 a) Det fins 8 mulige kombinasjoner. Disse finnes ved å utelate ett og ett tall. Løsgsforslag Eksame Statstkk Nov 00 Oppgave a) Det fs 8 mulge kombasjoer. Dsse fes ved å utelate ett og ett tall. Atall utvalg av størrelse 7 blat m er ( m 7 ). b) Prs Atall Rekker 3 kr. ( 7 ) 3 kr....

Detaljer

Avsnitt 8.1 i læreboka Differensligninger

Avsnitt 8.1 i læreboka Differensligninger Diskret Matematikk Fredag 6. ovember 015 Avsitt 8.1 i læreboka Differesligiger I kapittel lærte vi om følger og rekker. Vi studerte både aritmetiske og geometriske følger og rekker. Noe følger og rekker

Detaljer

TMA4245 Statistikk Eksamen 21. mai 2013

TMA4245 Statistikk Eksamen 21. mai 2013 TMA445 Statstkk Eksame ma 03 Korrgert 0 ju 03 Norges teksk-aturvteskapelge uverstet Isttutt for matematske fag Løsgssksse Oppgave Et plott av sasylghetstetthee er gtt fgur Vdere har v og PX = Φ = 08849

Detaljer

IN3030 Uke 12, v2019. Eric Jul PSE, Inst. for informatikk

IN3030 Uke 12, v2019. Eric Jul PSE, Inst. for informatikk IN3030 Uke 12, v2019 Eric Jul PSE, Ist. for iformatikk 1 Hva skal vi se på i Uke 12 Review Radix sort Oblig 4 Text Program Parallellizig 2 Oblig 4 Radix sort Parallelliser Radix-sorterig med fra 1 5 sifre

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO øsnngsforslag UNIVERSIEE I OSO Det matematsk-naturvtenskaelge fakultet Eksamen : INF3 Dgtal bldebehandlng Eksamensdag : Onsdag 6. jun d for eksamen : 9: 3: øsnngsforslaget er å : sder Vedlegg : Ingen llatte

Detaljer

FAGKONFERANSE KONTROL L OG TILSYN GARDERMOEN JUNI A RSMØTE I FORU M FO R KONTROLL OG TILSYN 5. JUN I 2013

FAGKONFERANSE KONTROL L OG TILSYN GARDERMOEN JUNI A RSMØTE I FORU M FO R KONTROLL OG TILSYN 5. JUN I 2013 FAGKONFERANSE KONTROL L OG TILSYN GARDERMOEN 5.- 6. JUNI 201 3 A RSMØTE I FORU M FO R KONTROLL OG TILSYN 5. JUN I 2013 09. 0 0 1 0. 0 0 R E G I S TR E R I NG N o e å b i t e i 10. 0 0 1 0. 15 Å p n i ng

Detaljer

16.8 Intensiteten forårsaket av flere uavhengige lydkiler er summen av de individuelle intensitetene.

16.8 Intensiteten forårsaket av flere uavhengige lydkiler er summen av de individuelle intensitetene. Kap 6 yd Q6.4 Med hilke aktor il iteitete øke hi trykkaplitude i e lydbølge doble? Med hilke aktor å trykkaplitude i e lydbølge øke or at iteitete kal øke ed e aktor 6. Forklar. 6. E lydbølge i lut har

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Estimering. Målemodellen. Kp. 5 Estimering. Målemodellen.

ÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Estimering. Målemodellen. Kp. 5 Estimering. Målemodellen. ÅMA0 Sasylghetsregg med statstkk, våre 006 Kp. 5 Estmerg. Målemodelle. Estmerg. Målemodelle. Ihold:. (Pukt)Estmerg bomsk modell (kp. 5.). Målemodelle... (kp. 5.). (kp. 5.) 4. Estmere, estmat, estmator

Detaljer

Econ 2130 uke 13 (HG)

Econ 2130 uke 13 (HG) Eco 30 uke 3 (HG) Iførg regresjo I deskrptv aalse (Løvås kap. 7. 7.3.3) DATA: Resultater fra 500m og 5000m for me fra EM på skøter Heerevee 004. Obs 5000m 500m Obs 5000m 500m r. Td Sekuder Td Sekuder r.

Detaljer

LØSNINGSFORSLAG TIL ØVING NR. 1, VÅR 2015

LØSNINGSFORSLAG TIL ØVING NR. 1, VÅR 2015 NTNU Norges tekisk-aturviteskapelige uiversitet Fakultet for aturviteskap og tekologi Istitutt for aterialtekologi TT4110 KJEI LØSNINGSFORSLAG TIL ØVING NR. 1, VÅR 015 OPPGAVE 1 Vi starter ALLTID ed å

Detaljer

EKSAMEN ny og utsatt løsningsforslag

EKSAMEN ny og utsatt løsningsforslag 8.. EKSAMEN n og utsatt løsnngsorslag Emnekode: ITD Dato:. jun Hjelpemdler: - To A-ark med valgrtt nnhold på begge sder. Emnenavn: Matematkk ørste deleksamen Eksamenstd: 9.. Faglærer: Chrstan F Hede -

Detaljer

Kapittel 1: Beskrivende statistikk

Kapittel 1: Beskrivende statistikk Kapttel : Bekrvede tattkk Defjoer: Populajo og utvalg Populajo: Alle mulge obervajoer v ka gjøre (,,, N ). Utvalg: Delmegde av populajoe (,,, der

Detaljer

EKSAMEN Løsningsforslag

EKSAMEN Løsningsforslag ..4 EKSAMEN Løsigsforslag Emekode: ITF75 Dato: 6. desember Eme: Matematikk for IT Eksamestid: kl 9. til kl. Hjelpemidler: To A4-ark med valgfritt ihold på begge sider. Kalkulator er ikke tillatt. Faglærer:

Detaljer

1. Konfidens intervall for

1. Konfidens intervall for Forelesg 0 + Yushu.@ub.o Kofdes tervall og Bootstrap. Kofdes tervall for ) Kofdes tervall [ ˆ, ˆ ] dekker de ukjete parametere med høy grad av skkerhet (kofdesvå): P( ˆ ˆ ), er f.eks 0.0 eller 0.05, eller

Detaljer

INF 2310 Digital bildebehandling

INF 2310 Digital bildebehandling Bruksområder - ltrerng INF 30 Dgtal bldebeandlng Fltrerng blde-domenet - Naboskaps-operasjoner Konvolusjon og korrelasjon Kant-bevarende ltre Ikke-lneære ltre GW Kap 3.4-3.5 + Kap 5.3 Av de mest brukte

Detaljer

Notat: Dekker pensum i beskrivende statistikk

Notat: Dekker pensum i beskrivende statistikk Notat: Dekke pesum eskvede statstkk.3 Beskvede statstkk (sde 9 læeoka - 4. utgave) Beskvede (deskptv) statstkk omfatte samlg, eaedg og pesetasjo av data (tallmateale, osevasjoe, måleesultate). Nå følge

Detaljer

ECON 3610/4610 Veiledning til oppgaver seminaruke 43. Planleggingsproblemet for en planlegger med en utilitaristisk velferdsfunksjon er her

ECON 3610/4610 Veiledning til oppgaver seminaruke 43. Planleggingsproblemet for en planlegger med en utilitaristisk velferdsfunksjon er her Jo Vislie; oktober 07 CON 360/460 Veiledig til oppgaer semiaruke 43 Oppgae Plaleggigsproblemet for e plalegger med e utilitaristisk elferdsfuksjo er her rett frem, med de atakelsee som er gjort: Max H

Detaljer

Innhold og forelesningsplan Eksempler på LP Begreper Løsning av enkelt eksempel Praktisk relevans Leksjon 2: Simpleksmetoden for løsning av LP

Innhold og forelesningsplan Eksempler på LP Begreper Løsning av enkelt eksempel Praktisk relevans Leksjon 2: Simpleksmetoden for løsning av LP Lekso 2 Mål for kurset teoretisk forståelse, gruleggede optimerig løsigsmetoder LP og utvidelser algoritmisk forståelse avedelser LP og utvidelser modellerig og løsig v.h.a. verktøy Ihold og forelesigspla

Detaljer

Forelesning Z-, t-test, test for forventningsdifferanser

Forelesning Z-, t-test, test for forventningsdifferanser STAT Sttstkk Metoder ushu.l@ub.o Forelesg + 3 Z-, t-test, test for forvetgsdfferser. Sttstsk hypotesetestg ullhypotese): ypotese so først ttt å være st *Forålet ed e test er å udersøke o dtterlet gr grulg

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 ÅMA0 Sasylghetsregg med statstkk, våre 007 Kp. 5 Estmerg. Målemodelle. Estmerg. Målemodelle. Ihold:. (Pukt)Estmerg bomsk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (Pukt)Estmerg målemodelle (kp. 5.3)

Detaljer

Simpleksmetoden. Initiell basistabell Fase I for å skaffe initiell, brukbar løsning. Fase II: Iterativ prosess for å finne optimal løsning Pivotering

Simpleksmetoden. Initiell basistabell Fase I for å skaffe initiell, brukbar løsning. Fase II: Iterativ prosess for å finne optimal løsning Pivotering Lekson 3 Smpleksmetoden generell metode for å løse LP utgangspunkt: LP på standardform Intell basstabell Fase I for å skaffe ntell, brukbar løsnng løse helpeproblem hvs optmale løsnng gr brukbar løsnng

Detaljer

Termodynamikk og statistisk fysikk Oblig 3

Termodynamikk og statistisk fysikk Oblig 3 FYS160 Termodyamikk og statistisk fysikk Oblig 3 Sidre Raem Bilde 19. september 015 Oppgave 0.3 - ikevekt i et spisystem a Fi multiplisitete til e krystall med atomer og vakaser. Svar: Jeg tolker oppgave

Detaljer

Høypassfiltre. INF2310 Digital bildebehandling. Høypassfiltrering med konvolusjon FORELESNING 7 FILTRERING I BILDEDOMENET II

Høypassfiltre. INF2310 Digital bildebehandling. Høypassfiltrering med konvolusjon FORELESNING 7 FILTRERING I BILDEDOMENET II Høpassltre INF3 Dtal bldebeandln FORELESNING 7 FILTRERING I BILDEDOMENET II Andreas Kleppe Høpassltrern: Bldeorbedrn o kantdetekson Gradent-operatorer Laplace-operatoren o LoG-operatoren Canns kantdetektor

Detaljer

Statistikk med anvendelse i økonomi

Statistikk med anvendelse i økonomi A-6 og A-6-G, 6. ma 08 Emekode: Emeav: A-6 og A-6-G tatstkk med avedelse økoom Dato: 6. ma 08 Varghet: 0900-300 Atall sder kl. forsde 0 Tllatte hjelpemdler: erkader: Kalkulator med tømt me og ute kommukasjosmulgheter.

Detaljer

Dynamisk programmering. Hvilke problemer? Optimalitetsprinsippet. Overlappende delproblemer

Dynamisk programmering. Hvilke problemer? Optimalitetsprinsippet. Overlappende delproblemer ynask prograerng Metoden ble foralsert av Rchard Bellann (RAN Corporaton på -tallet. Prograerng betydnngen planlegge, ta beslutnnger. (Har kke noe ed kode eller å skrve kode å gøre. ynask for å ndkere

Detaljer

Mer om utvalgsundersøkelser

Mer om utvalgsundersøkelser Mer om utvalgsudersøkelser I uderkapittel 3.6 i læreboka gir vi e kort iførig i takegage ved utvalgsudersøkelser. Vi gir her e grudigere framstillig av temaet. Populasjo og utvalg Ved e utvalgsudersøkelse

Detaljer

Lsningsforslag ved Klara Hveberg Lsningsforslag til utvalgte oppgaver i kapittel 4 I seksjon 4.1 gir de innledende oppgavene deg trening i a lse diere

Lsningsforslag ved Klara Hveberg Lsningsforslag til utvalgte oppgaver i kapittel 4 I seksjon 4.1 gir de innledende oppgavene deg trening i a lse diere Lsigsforslag til utvalgte ogaver i kaittel 4 I seksjo 4. gir de iledede ogavee deg treig i a lse dieresligiger, og jeg reger med at det ikke er behov for a utdye lrebokas eksemler og fasit her. Me like

Detaljer

Oppgave 1 Det er oppgitt i oppgaveteksten at estimatoren er forventningsrett, så vi vet allerede at E(ˆµ) = µ. Variansen til ˆµ er 2 2 ( )

Oppgave 1 Det er oppgitt i oppgaveteksten at estimatoren er forventningsrett, så vi vet allerede at E(ˆµ) = µ. Variansen til ˆµ er 2 2 ( ) Norges teksk-aturvteskapelge uverstet Isttutt for matematske fag Abefalt øvg Løsgssksse Oppgave Det er oppgtt oppgavetekste at estmatore er forvetgsrett, så v vet allerede at Eˆµ µ. Varase tl ˆµ er τ Varˆµ

Detaljer

Høypassfiltre. INF2310 Digital bildebehandling. Høypassfiltrering med konvolusjon FORELESNING 7 FILTRERING I BILDEDOMENET II

Høypassfiltre. INF2310 Digital bildebehandling. Høypassfiltrering med konvolusjon FORELESNING 7 FILTRERING I BILDEDOMENET II Høpassltre INF3 Dtal bldebeandln FORELESNING 7 FILTRERING I BILDEDOMENET II Andreas Kleppe Høpassltrern: Bldeorbedrn o kantdetekson Gradent-operatorer Laplace-operatoren o LoG-operatoren Canns kantdetektor

Detaljer

Eksempel 1 - Er gjennomsnittshøyden for kvinner i Norge økende?

Eksempel 1 - Er gjennomsnittshøyden for kvinner i Norge økende? ECON 3 HG a 3 Supplemet tl sste forelesg 3 vår 4 eksempler på test-dskusjoer klusve ltt om p-verder Eksempel - Er gjeomsttshøyde for kver Norge økede? et er velkjet at gjeomsttshøyde for meesker Europa

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UIVERSITETET I OSLO Det matematisk-aturviteskapelige fakultet Eksame i: ST 105 - Iførig i pålitelighetsaalyse Eksamesdag: 8. desember 1992 Tid til eksame: 0900-1500 Tillatte hjelpemidler: Rottma: "Matematische

Detaljer

f(x) = x 2 x 2 f 0 (x) = 2x + 2x 3 x g(x) f(x) = f 0 (x) = g(x) xg0 (x) g(x) 2 f(x; y) = (xy + 1) 2 f 0 x = 2(xy + 1)y f 0 y = 2(xy + 1)x

f(x) = x 2 x 2 f 0 (x) = 2x + 2x 3 x g(x) f(x) = f 0 (x) = g(x) xg0 (x) g(x) 2 f(x; y) = (xy + 1) 2 f 0 x = 2(xy + 1)y f 0 y = 2(xy + 1)x Ogave a) f() = f 0 () = + 3 ) f() = g() f 0 () = g() g0 () g() c) f(; y) = (y + ) f 0 = (y + )y f 0 y = (y + ) d) f(; y) = ( y + ) ( y ) f 0 = ( y + ) r y ( y ) + ( y + ) ( y ) r y = ( y + )( r y y ) ((

Detaljer

Eksamen i emne SIB8005 TRAFIKKREGULERING GRUNNKURS

Eksamen i emne SIB8005 TRAFIKKREGULERING GRUNNKURS Sde 1 av 5 NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET Fakultet for bygg- og mljøteknkk INSTITUTT FOR SAMFERDSELSTEKNIKK Faglg kontakt under eksamen: Navn Arvd Aakre Telefon 73 59 46 64 (drekte) / 73

Detaljer