Moderne optimering mer enn å derivere!!

Størrelse: px
Begynne med side:

Download "Moderne optimering mer enn å derivere!!"

Transkript

1 Faglig pedagogisk dag 2000, 4. januar Moderne optimering mer enn å derivere!! Geir Dahl, Prof. matematikk, Matematisk inst. og Inst. for informatikk aksjer - eksempel på LP (lineær programmering) noen råd til Marit Breivik (kombinatorisk optimering) et lite bevis og et lynkurs Moderne optimering: #1 of 19

2 Moderne optimering Oppvarming: funksjon av en variabel, f(x) = x 2 6x+7 derivert lik null, f (x) = 2x 6 = 0såx=3 min eller maks? Sjekk annenderivert! (Konveks) endepunkter (ingen, en eller to) Men: i de fleste interessante optimeringsproblemer har vi mange variable (ofte tusenvis) variablene må oppfylle visse begrensninger visse variable må evt. være heltallige osv. DaharvietoptimeringsPROBLEM!! Moderne optimering: #2 of 19

3 Aksjer og LP Finne optimal aksjeportefølje: portefølje: investering i ulike aksjer for en viss periode scenario: angir utvikling av hver aksjekurs vektlegging av scenarier (sannsynligheter) redd for tap sammenlikner porteføljen med en basisinvestering ( benchmark ) hvor mye skal investeres i hver aksje? gevinsten ulik for hvert scenario: vi tar veiet sum (forventet gevinst) maksimere forventet gevinst Moderne optimering: #3 of 19

4 Aksjer og LP Aksjemodell i AMPL: set SCENARIO; set AKSJE; param verdi {SCENARIO,AKSJE} 0; param bench {SCENARIO}; param scenario vekt {SCENARIO}; var Gevinst {SCENARIO} ; var Tap {SCENARIO} ; var Invest {AKSJE} 0 150; maximize forventet gevinst: sum {i in SCENARIO} scenario vekt[i] * Gevinst[i] - 2* sum{i in SCENARIO} scenario vekt[i] * Tap[i]; subject to scen {i in SCENARIO}: sum {j in AKSJE}verdi[i,j] * Invest[j]- bench[i] = Gevinst[i]-Tap[i]; subject to budsjett: sum {j in AKSJE}Invest[j] 500; Dette er et LP problem. LP = lineær programmering (optimering): optimere en lineær funksjon under lineære begrensninger (likninger eller ulikheter). Moderne optimering: #4 of 19

5 Aksjer og LP Data: set SCENARIO := SC1 SC2 SC3 SC4; set AKSJE:=A1A2A3A4A5A6A7A8A9A10; param verdi: A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 := SC SC SC SC ; param: bench scenario vekt := SC SC SC SC ; Moderne optimering: #5 of 19

6 Aksjer og LP Løser problemet: ampl: model aksje.mod option solver cplex; ampl: solve; data aksje.dat CPLEX 4.0: No LP presolve or aggregator reductions. Iteration: 1 Infeasibility = Iteration: 5 Objective = CPLEX 4.0: optimal solution; objective iterations (4 in phase I) Solution time = 0.01 sec. ampl: display Invest, Gevinst, Tap; Invest: A1 A2 A3 A4 A5 A6 A7 A8 A9 A Gevinst Tap: SC SC SC SC Moderne optimering: #6 of 19

7 Noen råd til Marit Breivik Har vi det beste håndball-landslaget? keeper: alternerer Leganger og Tjugum utespillere velges fra de 13 spillerne Hilmo, Larsen, Duvholt, Sørlie, Davidsen, Rokne, Sættem, Eriksen, Grini, Hundvin, Goksør, Haltvik og Hausmann 6 uteplasser: H VING, V VING, H BEKK, V BEKK, M BEKK og SENTER hver spiller har en viss kvalitet på hver plass hvilket lag er best, og hvem spiller hvor? antall kombinasjoner: = Dette er et kombinatorisk optimeringsproblem! Moderne optimering: #7 of 19

8 Noen råd til Marit Breivik Modell: set SPILLER; set PLASS; param kvalitet {SPILLER,PLASS}; var Bruk {SPILLER,PLASS} 0; maximize total kvalitet: sum {i in SPILLER, j in PLASS} kvalitet[i,j] * Bruk[i,j]; subject to spillerbruk {i in SPILLER}: sum {j in PLASS}Bruk[i,j] 1; subject to plassbruk {j in PLASS}: sum {i in SPILLER} Bruk[i,j] = 1; Data: set SPILLER := Hilmo Larsen Duvholt Sørlie Davidsen Rokne Sættem Eriksen Grini Hundvin Goksør Haltvik Hausmann; set PLASS := H VING V VING H BEKK V BEKK M BEKK SENTER; Moderne optimering: #8 of 19

9 Noen råd til Marit Breivik param kvalitet: H V V V H B V B M B SENT := Hilmo Larsen Duvholt Sørlie Davidsen Rokne Sættem Eriksen Grini Hundvin Goksør Haltvik Hausmann Moderne optimering: #9 of 19

10 Noen råd til Marit Breivik Verdens beste håndball-landslag (!!???) ampl: display Bruk: H B H V M B SENT V B V V:= Davidsen Duvholt Eriksen Goksør Grini Haltvik Hausmann Hilmo Hundvin Larsen Rokne Sættem Sørlie Score: 28.5 (regnetid 1/100 sek.) Laget: Sørlie Hundvin Grini Haltvik Sættem Duvholt Moderne optimering: #10 of 19

11 Noen råd til Marit Breivik Men hva med litt sunn fornuft!? Ja, man kan finne en optimal løsning her direkte ved åsepå hvilken spiller som passer best på hver plass + litt drøfting. Betyr dette at alle slike problemer er enkle å løse direkte? Nei, det var enkle data som gjorde det mulig her. Å finne bestemann på en gitt plass kan gi dårlig løsning, avhengig av rekkefølgen man velger for plassene: Plass 1 Plass 2 Spiller Spiller < 18 Moderne optimering: #11 of 19

12 Tilordningsproblemet Tilordningsproblemet Gitt en matrise (tabell) med n n tall c 1,1 c 1,2... c 1,n c 2,1 c 2,2... c 2,n... c n,1 c n,2... c n,n Velg ut n tall med nøyaktig ett tall fra hver rad og hver kolonne slik at summen av de valgte tallene er størst mulig. kan skrives som et spesielt LP problem finnes alltid heltallig optimal løsning av dette! fins effektive algoritmer brukes bl.a. i ruteplanlegging: tilordne transportbiler til kunder så noen kombinatoriske optimeringsproblemer kan løses raskt! men mange komb-opt-problemer er vanskelige i betydningen... eksempel: Traveling Salesman Problem (korteste rundtur gjennom gitte byer) Moderne optimering: #12 of 19

13 Dagens bevis Hvorfor fins alltid en optimal løsning i tilordningsproblemet som er heltallig? maksimer i,j c i,j x i,j slik at n j=1 x i,j = 1 for i = 1,...,n n i=1x i,j = 1 for j = 1,...,n x i,j 0 for alle i,j. Moderne optimering: #13 of 19

14 Simpleksmetoden Simpleksmetoden: metode for å løse alle LP problemer Metoden ble utviklet av George B. Dantzig rundt 1947 i forbindelse med transportproblemer i U.S. Air Force. Arbeidet ble publisert i Andre tidlige bidragsytere var T.J.Koopmans og L.V.Kantorovich, og disse to fikk Nobel prisen i økonomi for dette arbeidet i Forresten: H. Markowitz fikk Nobel prisen i økonomi i 1990 for sitt arbeid med porteføljeoptimering (1959). maksimer 5x 1 + 4x 2 + 3x 3 slik at (i) 2x 1 + 3x 2 + x 3 5 (ii) 4x 1 + x 2 + 2x 3 11 (iii) 3x 1 + 4x 2 + 2x 3 8 x 1,x 2,x 3 0. Konverterer til likninger ved å innføre slakkvariable for hver -ulikhet: f.eks. erstattes (i) av w 1 = 5 2x 1 3x 2 x 3 og w 1 0. Moderne optimering: #14 of 19

15 Simpleksmetoden Får da: maksimer η = 5x 1 + 4x 2 + 3x 3 slik at (i) w 1 = 5 2x 1 3x 2 x 3 (ii) w 2 = 11 4x 1 x 2 2x 3 (iii) w 3 = 8 3x 1 4x 2 2x 3 x 1,x 2,x 3,w 1,w 2,w 3 0. Venstre side: avhengige variable, basisvariable. Høyre side: uavhengige variable, ikkebasisvariable. Startløsning: Lar x 1 = x 2 = x 3 = 0ogdermedfår vi w 1 = 5,w 2 =11,w 3 =8. Vi lar alltid ikkebasisvariable være 0. Basisvariablene blir bestemt entydig, nemlig lik konstantene på venstre side. Moderne optimering: #15 of 19

16 Simpleksmetoden Har vi optimal løsning? Nei!! Vi kan f.eks. øke x 1 mens vi fortsatt lar x 2 = x 3 = 0. Da vil η øke vi får nye verdier på basisvariablene som blir bestemt fra x 1 jo mer vi øker x 1 jo mer øker η! men pass på: w j -ene nærmer seg null! Maksimal økning av x 1 : vil unngå at basisvariable blir negative. Fra w 1 = 5 2x 1, w 2 = 11 4x 1 og w 3 = 8 3x 1 får vi at x 1 5/2, x 1 11/4, x 1 8/3 så vi kan øke x 1 til den minste verdien, nemlig 5/2. Dette gir den nye løsningen x 1 = 5/2, x 2 = x 3 = 0 og dermed w 1 = 0,w 2 =1,w 3 =1/2. Og nå er η=25/2. Altså: en mye bedre løsning!! Hvordan komme videre? Listeform er fin for åteste optimalitet, så vi vil komme over i neste liste! Moderne optimering: #16 of 19

17 Simpleksmetoden Vi ønsker at x 1 og w 1 skal bytte side. Dette kan gjøres ved å bruke w 1 -likningen til å eliminere x 1 fra alle andre likninger. Dette endrer ikke løsningsmengden til likningssystemet. Resultat: η = w 1 3.5x x 3 x 1 = w 1 1.5x 2 0.5x 3 w 2 = 1 + 2w 1 + 5x 2 w 3 = w x 2 0.5x 3 Vi har nå gjennomført en pivotering. Moderne optimering: #17 of 19

18 Simpleksmetoden Gjentar prosessen og etter nok en pivotering får vi: η = 13 w 1 3x 2 w 3 x 1 = 2 2w 1 2x 2 + w 3 w 2 = 1 + 2w 1 + 5x 2 x 3 = 1 + 3w 1 + x 2 2w 3 Nå kan vi stoppe! Hvorfor? Konklusjon: vi har funnet en optimal løsning! Den er w 1 = x 2 = w 3 = 0ogx 1 =2,w 2 =1,x 3 =1. Optimal verdi er η = 13. Moderne optimering: #18 of 19

19 Avsluttende kommentarer mange optimeringsproblemer rundt omkring raske algoritmer spennende matematiske problemer motivert av anvendelser optimering svært aktivt forskningsfelt VENNLIGST SEND GODE STUDENTER HIT!! nytt studium i anvendt matematikk anbefalt LP bok: R.J. Vanderbei: Linear programming: foundations and extensions, Kluwer, 1996, se evt. rvdb/lpbook/ anbefalt kombinatorikk bok: R. Brualdi: Introductory combinatorics, Prentice-Hall, Geir Dahl, telefon , Webside: geird/ Inneholder div. informasjon om optimering, forskning, studier, Web optimering. Også dette foredraget. Moderne optimering: #19 of 19

Verdens beste håndball-lag?

Verdens beste håndball-lag? Klassebesøk i matematikk Verdens beste håndball-lag? Litt om håndball, kombinatorikk og optimering Geir Dahl, Matematisk inst. og Inst. for informatikk, Universitetet i Oslo et problem fra håndball tilordningsproblemet:

Detaljer

LP. Leksjon 1. Kapittel 1 og 2: eksempel og simpleksmetoden

LP. Leksjon 1. Kapittel 1 og 2: eksempel og simpleksmetoden LP. Leksjon 1. Kapittel 1 og 2: eksempel og simpleksmetoden Dette emnet gir en innføring i lineær optimering og tilgrensende felt. hva er LP (lin.opt.=lin.programmering) mer generelt: matematisk optimering

Detaljer

Kapittel 1 og 2: eksempel og simpleksmetoden

Kapittel 1 og 2: eksempel og simpleksmetoden LP. Leksjon 1 Kapittel 1 og 2: eksempel og simpleksmetoden et eksempel fra produksjonsplanlegging simpleksalgoritmen, noen begreper algoritmen LP. Leksjon 1: #1 of 14 Eksempel: produksjonsplanlegging Produkter:

Detaljer

LP. Leksjon 6: Kap. 6: simpleksmetoden i matriseform, og Seksjon 7.1: følsomhetsanalyse

LP. Leksjon 6: Kap. 6: simpleksmetoden i matriseform, og Seksjon 7.1: følsomhetsanalyse LP. Leksjon 6: Kap. 6: simpleksmetoden i matriseform, og Seksjon 7.1: følsomhetsanalyse matrisenotasjon simpleksalgoritmen i matrisenotasjon eksempel negativ transponert egenskap: bevis følsomhetsanalyse

Detaljer

LP. Leksjon 5. Kapittel 5: dualitetsteori. motivasjon det duale problemet svak og sterk dualitet det duale til LP problemer på andre former

LP. Leksjon 5. Kapittel 5: dualitetsteori. motivasjon det duale problemet svak og sterk dualitet det duale til LP problemer på andre former LP. Leksjon 5 Kapittel 5: dualitetsteori motivasjon det duale problemet svak og sterk dualitet det duale til LP problemer på andre former 1 / 26 Motivasjon Til ethvert LP problem (P) er det knyttet et

Detaljer

LP. Leksjon 9: Kapittel 13: Nettverk strøm problemer, forts.2

LP. Leksjon 9: Kapittel 13: Nettverk strøm problemer, forts.2 LP. Leksjon 9: Kapittel 13: Nettverk strøm problemer, forts.2 Vi tar siste runde om (MKS): minimum kost nettverk strøm problemet. Skal oppsummere algoritmen. Se på noen detaljer. Noen kombinatorisk anvendelser

Detaljer

LP. Leksjon 2. Kapittel 2: simpleksmetoden, forts. initialisering to faser ubegrenset løsning geometri

LP. Leksjon 2. Kapittel 2: simpleksmetoden, forts. initialisering to faser ubegrenset løsning geometri LP. Leksjon 2. Kapittel 2: simpleksmetoden, forts. initialisering to faser ubegrenset løsning geometri 1 / 16 Repetisjon LP problem tillatt løsning, optimal løsning basisliste basis, basisvariable og ikkebasisvariable

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i Eksamensdag: 2. juni 2006 Tid for eksamen: 09.00 12.00 Oppgavesettet er på 5 sider. Vedlegg: INF-MAT 3370/INF-MAT 4370 Lineær

Detaljer

LP. Leksjon 3. Kapittel 3: degenerasjon.

LP. Leksjon 3. Kapittel 3: degenerasjon. LP. Leksjon 3. Kapittel 3: degenerasjon. degenerasjon eksempel på sirkling den leksikografiske metoden andre pivoteringsregler fundamentaleoremet i LP 1 / 23 Repetisjon simpleksalgoritmen: sekvens av pivoteringer

Detaljer

Kapittel 3: degenerasjon.

Kapittel 3: degenerasjon. LP. Leksjon 3 Kapittel 3: degenerasjon. degenerasjon eksempel på sirkling den leksikografiske metoden andre pivoteringsregler fundamentaleoremet i LP LP. Leksjon 3: #1 of 15 Repetisjon simpleksalgoritmen:

Detaljer

Kapittel 5: dualitetsteori

Kapittel 5: dualitetsteori LP Leksjon 5 Kapittel 5: dualitetsteori motivasjon det duale problemet svak og sterk dualitet det duale til LP problemer på andre former LP Leksjon 5: #1 of 17 Motivasjon Til ethvert LP problem (P) er

Detaljer

Kapittel 2: simpleksmetoden, forts.

Kapittel 2: simpleksmetoden, forts. LP. Leksjon 2 Kapittel 2: simpleksmetoden, forts. initialisering to faser ubegrenset løsning geometri LP. Leksjon 2: #1 of 14 Repetisjon LP problem tillatt løsning, optimal løsning basisliste basis, basisvariable

Detaljer

LP. Leksjon 4. Kapittel 4: effektivitet av simpleksmetoden

LP. Leksjon 4. Kapittel 4: effektivitet av simpleksmetoden LP. Leksjon 4 Kapittel 4: effektivitet av simpleksmetoden hvordan måle effektivitet? verste tilfelle analyse, Klee-Minty kuben gjennomsnittsanalyse og i praksis 1 / 18 Status Hvor langt er vi kommet i

Detaljer

η = 2x 1 + x 2 + x 3 x 1 + x 2 + x 3 + 2x 4 3 x x 3 4 2x 1 + x 3 + 5x 4 1 w 1 =3 x 1 x 2 x 3 2x 4 w 2 =4 x 1 x 3 w 3 =1 2x 1 x 3 5x 4

η = 2x 1 + x 2 + x 3 x 1 + x 2 + x 3 + 2x 4 3 x x 3 4 2x 1 + x 3 + 5x 4 1 w 1 =3 x 1 x 2 x 3 2x 4 w 2 =4 x 1 x 3 w 3 =1 2x 1 x 3 5x 4 UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i MA-IN-ST 233 Konveksitet og optimering Eksamensdag: 31. mai 2000 Tid for eksamen: 9.00 13.00 Oppgavesettet er på 5 sider. Vedlegg:

Detaljer

LP. Leksjon 7. Kapittel 13: Nettverk strøm problemer

LP. Leksjon 7. Kapittel 13: Nettverk strøm problemer LP. Leksjon 7. Kapittel 13: Nettverk strøm problemer Skal studere matematiske modeller for strøm i nettverk. Dette har anvendelser av typen fysiske nettverk: internet, vei, jernbane, fly, telekommunikasjon,

Detaljer

LP. Leksjon 8: Kapittel 13: Nettverk strøm problemer, forts.1

LP. Leksjon 8: Kapittel 13: Nettverk strøm problemer, forts.1 LP. Leksjon 8: Kapittel 13: Nettverk strøm problemer, forts.1 Vi fortsetter studiet av (MKS): minimum kost nettverk strøm problemet. Har nå en algoritme for beregning av x for gitt spenntre T Skal forklare

Detaljer

Lineære likningssystemer og matriser

Lineære likningssystemer og matriser Kapittel 3 Lineære likningssystemer og matriser I dette kapittelet skal vi sette sammen Kapittel 1 og 2. 3.1 Den utvidede matrisen til et likningssystem Vi starter med et lineært likningssystem med m likninger

Detaljer

Kapittel 4: effektivitet av simpleksmetoden

Kapittel 4: effektivitet av simpleksmetoden LP. Leksjon 4 Kapittel 4: effektivitet av simpleksmetoden hvordan måle effektivitet? verste tilfelle analyse, Klee-Minty kuben gjennomsnittsanalyse og i praksis LP. Leksjon 4: #1 of 14 Status Hvor langt

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF-MAT 3370 Lineær optimering Eksamensdag: 3. juni 2008 Tid for eksamen: 14.30 17.30 Oppgavesettet er på 5 sider. Vedlegg: Ingen

Detaljer

Korteste vei problemet (seksjon 15.3)

Korteste vei problemet (seksjon 15.3) Korteste vei problemet (seksjon 15.3) Skal studere et grunnleggende kombinatorisk problem, men først: En (rettet) vandring i en rettet graf D = (V, E) er en følge P = (v 0, e 1, v 1, e 2,..., e k, v k

Detaljer

LP. Kap. 17: indrepunktsmetoder

LP. Kap. 17: indrepunktsmetoder LP. Kap. 17: indrepunktsmetoder simpleksalgoritmen går langs randen av polyedret P av tillatte løsninger et alternativ er indrepunktsmetoder de finner en vei i det indre av P fram til en optimal løsning

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF-MAT 3370 Lineær optimering Eksamensdag: 1. juni 2010 Tid for eksamen: 09.00 12.00 Oppgavesettet er på 5 sider. Vedlegg: Ingen

Detaljer

System av likninger. Den andre likningen løses og gir x=1, hvis man setter x=1 i første likning får man

System av likninger. Den andre likningen løses og gir x=1, hvis man setter x=1 i første likning får man System av likninger System av likninger er en mengde likninger med flere ukjente. I økonomiske sammenheng er disse svært vanlige ved optimering. Ofte må vi kreve deriverte lik null for å optimere. I kurset

Detaljer

Spesialisering i økonomistyring og investeringsanalyse DST 9530

Spesialisering i økonomistyring og investeringsanalyse DST 9530 Spesialisering i økonomistyring og investeringsanalyse DST 950 Disposisjon Bruk av LP i økonomiske problemer Et LP-problem Begreper og noen grunnleggende sammenhenger Lineær programmering og bedriftsøkonomiske

Detaljer

MAT Onsdag 7. april Lineær uavhengighet (forts. 1.8 Underrom av R n, nullrom, basis MAT Våren UiO. 7.

MAT Onsdag 7. april Lineær uavhengighet (forts. 1.8 Underrom av R n, nullrom, basis MAT Våren UiO. 7. MAT 2 april 2.7 Lineær.8 Underrom MAT 2 Våren 2 UiO 7. april 2 / 23 MAT 2 april 2.7 Lineær.8 Underrom Minner om:.7 Lineær (fortsettelse) Definisjon. To vektorer u og v i R n kalles lineært avhengige dersom

Detaljer

Forelesning 14 Systemer av dierensiallikninger

Forelesning 14 Systemer av dierensiallikninger Forelesning 14 Systemer av dierensiallikninger Eivind Eriksen 9. april 010 Dierensiallikninger En dierensiallikning inneholder en avhengig variabel (typisk y ) og en uavhengig variabel (typisk x), som

Detaljer

MAT Oblig 1. Halvard Sutterud. 22. september 2016

MAT Oblig 1. Halvard Sutterud. 22. september 2016 MAT1110 - Oblig 1 Halvard Sutterud 22. september 2016 Sammendrag I dette prosjektet skal vi se på anvendelsen av lineær algebra til å generere rangeringer av nettsider i et web basert på antall hyperlinker

Detaljer

Obligatorisk oppgavesett 1 MAT1120 H16

Obligatorisk oppgavesett 1 MAT1120 H16 Obligatorisk oppgavesett MAT0 H6 Innleveringsfrist: torsdag /09 06, 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

Gauss-Jordan eliminasjon; redusert echelonform. Forelesning, TMA4110 Fredag 18/9. Reduserte echelonmatriser. Reduserte echelonmatriser (forts.

Gauss-Jordan eliminasjon; redusert echelonform. Forelesning, TMA4110 Fredag 18/9. Reduserte echelonmatriser. Reduserte echelonmatriser (forts. Gauss-Jordan eliminasjon; redusert echelonform Forelesning, TMA4110 Fredag 18/9 Martin Wanvik, IMF MartinWanvik@mathntnuno En matrise vil normalt være radekvivalent med flere echelonmatriser; med andre

Detaljer

MAT1030 Diskret matematikk

MAT1030 Diskret matematikk MAT1030 Diskret matematikk Plenumsregning 10: Diverse ukeoppgaver Roger Antonsen Matematisk Institutt, Universitetet i Oslo 17. april 2008 Vi øver oss litt på løse rekurrenslikninger. Oppgave 7.23 Løs

Detaljer

Lineære likningssett.

Lineære likningssett. Lineære likningssett. Forelesningsnotater i matematikk. Lineære likningssystemer. Side 1. 1. Innledning. La x 1, x, x n være n ukjente størrelser. La disse størrelsene være forbundet med m lineære likninger,

Detaljer

ECON3610 Samfunnsøkonomisk lønnsomhet og økonomisk politikk Forelesning 2

ECON3610 Samfunnsøkonomisk lønnsomhet og økonomisk politikk Forelesning 2 ECON360 Samfunnsøkonomisk lønnsomhet og økonomisk politikk Forelesning Diderik Lund Økonomisk institutt Universitetet i Oslo 30. august 0 Diderik Lund, Økonomisk inst., UiO () ECON360 Forelesning 30. august

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

Eirik Benum Reksten Hans Olav Norheim. (ja, det kommer nok litt matte nå ja)

Eirik Benum Reksten Hans Olav Norheim. (ja, det kommer nok litt matte nå ja) Eirik Benum Reksten Hans Olav Norheim (ja, det kommer nok litt matte nå ja) Hva er lineærprogrammering? Vi har et problem hvor vi... 1. ønsker å minimere eller å maksimere et mål 2. kan spesifisere målet

Detaljer

MAT1030 Diskret matematikk

MAT1030 Diskret matematikk MAT1030 Diskret matematikk Plenumsregning 1: Kapittel 1 Roger Antonsen Matematisk Institutt, Universitetet i Oslo 17. januar 2008 Velkommen til plenumsregning for MAT1030 Torsdager 10:15 12:00 Gjennomgang

Detaljer

MAT1120 Repetisjon Kap. 1

MAT1120 Repetisjon Kap. 1 MAT1120 Repetisjon Kap. 1 Kap. 1, avsn. 2.1-2.3 og kap. 3 i Lays bok er for det meste kjent fra MAT1100 og MAT1110. Idag skal vi repetere fra kap. 1 i Lays bok. Det handler bl.a. om : Matriser Vektorer

Detaljer

LP. Leksjon Spillteori

LP. Leksjon Spillteori LP. Leksjon Spillteori Kapittel 11: spillteori matrisespill optimale strategier von Neumann s minmax teorem forbindelse til LP nyttig LP modellering av (visse) minmax and maxmin problemer 1 / 11 Eksempel:

Detaljer

10 Radrommet, kolonnerommet og nullrommet

10 Radrommet, kolonnerommet og nullrommet Radrommet kolonnerommet og nullrommet La A være en m n matrise Vi kan beskrive matrisen ved hjelp av dens rader r A r r i R n r m eller dens kolonner A [ c c c n ci R m Definisjon (se Def 7 i boka) For

Detaljer

1 Mandag 1. februar 2010

1 Mandag 1. februar 2010 Mandag. februar 200 I dag skal vi fortsette med rekkeutviklinger som vi begynte med forrige uke. Vi skal se på litt mer generell rekker og vurdere når de konvergerer, bl.a. gi et enkelt kriterium. Dette

Detaljer

Kombinatorikk. MAT1030 Diskret Matematikk. Oppsummering av regneprinsipper

Kombinatorikk. MAT1030 Diskret Matematikk. Oppsummering av regneprinsipper MAT1030 Diskret Matematikk Forelesning 22: Grafteori Dag Normann Matematisk Institutt, Universitetet i Oslo Kombinatorikk 14. april 2010 (Sist oppdatert: 2010-04-14 12:43) MAT1030 Diskret Matematikk 14.

Detaljer

MAT1030 Diskret Matematikk

MAT1030 Diskret Matematikk MAT1030 Diskret Matematikk Forelesning 22: Grafteori Dag Normann Matematisk Institutt, Universitetet i Oslo 14. april 2010 (Sist oppdatert: 2010-04-14 12:42) Kombinatorikk MAT1030 Diskret Matematikk 14.

Detaljer

Velkommen til plenumsregning for MAT1030. MAT1030 Diskret matematikk. Repetisjon: Algoritmer og pseudokode. Eksempel fra boka. Eksempel

Velkommen til plenumsregning for MAT1030. MAT1030 Diskret matematikk. Repetisjon: Algoritmer og pseudokode. Eksempel fra boka. Eksempel Velkommen til plenumsregning for MAT1030 MAT1030 Diskret matematikk Plenumsregning 1: Kapittel 1 Roger Antonsen Matematisk Institutt, Universitetet i Oslo 17. januar 2008 Torsdager 10:15 12:00 Gjennomgang

Detaljer

MAT1030 Forelesning 22

MAT1030 Forelesning 22 MAT1030 Forelesning 22 Grafteori Dag Normann - 14. april 2010 (Sist oppdatert: 2010-04-14 12:45) Kombinatorikk Oppsummering av regneprinsipper Ordnet utvalg med repetisjon: n r Ordnet utvalg uten repetisjon:

Detaljer

Oppgave 1. e rt = 120e. = 240 e

Oppgave 1. e rt = 120e. = 240 e Løsning MET 803 Matematikk Dato 5. desember 05 kl 0900-00 Oppgave. (a) Dersom vi selger eiendommen etter t år, med t > 0, så er nåverdien av salgssummen med r = 0,0. Da får vi N(t) = V (t)e rt = 0 e e

Detaljer

Repetisjon og mer motivasjon. MAT1030 Diskret matematikk. Repetisjon og mer motivasjon

Repetisjon og mer motivasjon. MAT1030 Diskret matematikk. Repetisjon og mer motivasjon Repetisjon og mer motivasjon MAT030 Diskret matematikk Forelesning 22: Grafteori Roger Antonsen Matematisk Institutt, Universitetet i Oslo 4. april 2008 Først litt repetisjon En graf består av noder og

Detaljer

Ma Linær Algebra og Geometri Øving 1

Ma Linær Algebra og Geometri Øving 1 Ma0 - Linær Algebra og Geometri Øving Øistein Søvik 0. september 0 Excercise Set. = 4 x6 x x = x 6 4 x x = x 4 4 4 x x. In each part, determine whether the equation is linear in x, x and x Før vi begynner

Detaljer

MA0002 Brukerkurs i matematikk B Vår 2017

MA0002 Brukerkurs i matematikk B Vår 2017 Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag MA0002 Brukerkurs i matematikk B Vår 2017 Løsningsforslag Øving 11 Oppgaver fra boken: 10.6 :, 8, 12, 19, 1, (valgfritt - 9,

Detaljer

Løsningsforslag Eksamen S2, høsten 2015 Laget av Tommy O. Sist oppdatert: 25. mai 2017

Løsningsforslag Eksamen S2, høsten 2015 Laget av Tommy O. Sist oppdatert: 25. mai 2017 Løsningsforslag Eksamen S2, høsten 215 Laget av Tommy O. Sist oppdatert: 25. mai 217 Del 1 - uten hjelpemidler Oppgave 1 a) Vi skal derivere funksjonen f(x) = x 3 + 2x. Formelen vi må bruke er (x n ) =

Detaljer

Lineær optimering. Plan for kurset

Lineær optimering. Plan for kurset Lineær optimering 27. mars 2007 Endre Bjørndal Plan for kurset 1000-1100 1100-1115 1115-1200 1200-1245 1245-1400 1400-1415 1415-1500 Introduksjon Produktmiksproblemet (eksempel 1) Grafisk løsning og følsomhetsanalyse

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

MAT 1120: Obligatorisk oppgave 1, H-09

MAT 1120: Obligatorisk oppgave 1, H-09 MAT 110: Obligatorisk oppgave 1, H-09 Innlevering: Senest fredag 5. september, 009, kl.14.30, på Ekspedisjonskontoret til Matematisk institutt (7. etasje NHA). Du kan skrive for hånd eller med datamaskin,

Detaljer

4.2 Nullrom, kolonnerom og lineære transformasjoner

4.2 Nullrom, kolonnerom og lineære transformasjoner 4.2 Nullrom, kolonnerom og lineære transformasjoner Utover Span {v 1, v 2,..., v p } er det en annen måte vi får lineære underrom på! Ser nå på V = R n. Skal se at det er visse underrom knyttet til en

Detaljer

Side 1 av 13. Svar til. EKSAMEN I EMNE TIØ4120 OPERASJONSANALYSE, GK Torsdag 2. desember 2010 Tid: kl Bokmål

Side 1 av 13. Svar til. EKSAMEN I EMNE TIØ4120 OPERASJONSANALYSE, GK Torsdag 2. desember 2010 Tid: kl Bokmål Side av 3 NTNU Institutt for industriell økonomi og teknologiledelse Faggruppe for bedriftsøkonomi og optimering Faglig kontakt under eksamen: Navn: Bjørn Nygreen Tlf.: 958 55 997 / 93607) Svar til EKSAMEN

Detaljer

3x + 2y 8, 2x + 4y 8.

3x + 2y 8, 2x + 4y 8. Oppgave En møbelfabrikk produserer bord og stoler Produksjonen av møbler skjer i to avdelinger, avdeling I og avdeling II Alle møbler må innom både avdeling I og avdeling II Det å produsere et bord tar

Detaljer

Hvorfor er lineær algebra viktig? Linear

Hvorfor er lineær algebra viktig? Linear Lineær Algebra Hvorfor er lineær algebra viktig? Linear y = ax + b linje y = f(x) funksjon Taylor utvikling f(x) =f(x 0 )+f 0 (x 0 )(x x 0 )+ 1 2 f 00 (x 0 )(x x 0 ) 2 + f(x) f(x 0 )+f 0 (x 0 )(x x 0 )

Detaljer

Notat for oblig 2, INF3/4130 h07

Notat for oblig 2, INF3/4130 h07 Notat for oblig 2, INF3/4130 h07 Dag Sverre Seljebotn 15. oktober 2007 Jeg har skrivd et noe langt notat for oblig 2 som interesserte kan se på. Merk at dette er kun for å gi et par tips (for oppgave 3

Detaljer

3.9 Teori og praksis for Minste kvadraters metode.

3.9 Teori og praksis for Minste kvadraters metode. 3.9 Teori og praksis for Minste kvadraters metode. Vi fortsetter med minste kvadraters problem. Nå skal vi se nærmere på noen teoretiske spørsmål, bl.a. hvordan normallikningene utledes. Minner om MK problemstillingen:

Detaljer

Løsningsforslag Øving 5 TMA4140 Diskret matematikk Høsten 2010

Løsningsforslag Øving 5 TMA4140 Diskret matematikk Høsten 2010 Løsningsforslag Øving 5 TMA4140 Diskret matematikk Høsten 2010 1. a) Ingen andre tall enn en deler en, og en deler fire, så (1, 4) = 1 b) 1 c) 7 er et primtall og 7 er ikke en faktor i 41, så største felles

Detaljer

Plenumsregning 1. MAT1030 Diskret Matematikk. Repetisjon: Algoritmer og pseudokode. Velkommen til plenumsregning for MAT1030

Plenumsregning 1. MAT1030 Diskret Matematikk. Repetisjon: Algoritmer og pseudokode. Velkommen til plenumsregning for MAT1030 MAT1030 Diskret Matematikk Plenumsregning 1: Kapittel 1 Mathias Barra Matematisk institutt, Universitetet i Oslo Plenumsregning 1 16. januar 2009 (Sist oppdatert: 2009-02-02 14:21) MAT1030 Diskret Matematikk

Detaljer

MAT1030 Diskret Matematikk

MAT1030 Diskret Matematikk MAT1030 Diskret Matematikk Plenumsregning 1: Kapittel 1 Mathias Barra Matematisk institutt, Universitetet i Oslo 16. januar 2009 (Sist oppdatert: 2009-02-02 14:21) Plenumsregning 1 MAT1030 Diskret Matematikk

Detaljer

MAT1030 Diskret Matematikk

MAT1030 Diskret Matematikk MAT1030 Diskret Matematikk Forelesning 16: Rekursjon og induksjon Roger Antonsen Institutt for informatikk, Universitetet i Oslo 17. mars 009 (Sist oppdatert: 009-03-17 11:4) Forelesning 16 MAT1030 Diskret

Detaljer

Kapittel 5: Mengdelære

Kapittel 5: Mengdelære MAT1030 Diskret Matematikk Forelesning 9: Mengdelære Roger Antonsen Institutt for informatikk, Universitetet i Oslo Kapittel 5: Mengdelære 17. februar 2009 (Sist oppdatert: 2009-02-17 15:56) MAT1030 Diskret

Detaljer

ECON3610 Samfunnsøkonomisk lønnsomhet og økonomisk politikk Forelesning 5

ECON3610 Samfunnsøkonomisk lønnsomhet og økonomisk politikk Forelesning 5 ECON3610 Samfunnsøkonomisk lønnsomhet og økonomisk politikk Forelesning 5 Diderik Lund Økonomisk institutt Universitetet i Oslo 23. september 2011 Vil først se nærmere på de siste sidene fra forelesning

Detaljer

Lineære likningssystemer

Lineære likningssystemer Kapittel 1 Lineære likningssystemer Jeg tenker på et tall slik at π ganger tallet er 12. 1.1 Lineære likninger Matematikk dreier seg om å løse problemer. Problemene gjøres ofte om til likninger som så

Detaljer

Plenumsregning 1. Kapittel 1. Roger Antonsen januar Velkommen til plenumsregning for MAT1030. Repetisjon: Algoritmer og pseudokode

Plenumsregning 1. Kapittel 1. Roger Antonsen januar Velkommen til plenumsregning for MAT1030. Repetisjon: Algoritmer og pseudokode Plenumsregning 1 Kapittel 1 Roger Antonsen - 17. januar 2008 Velkommen til plenumsregning for MAT1030 Torsdager 10:15 12:00 Gjennomgang av ukeoppgaver Gjennomgang av eksempler fra boka Litt repetisjon

Detaljer

Plenumsregning 10. Diverse ukeoppgaver. Roger Antonsen april Vi øver oss litt på løse rekurrenslikninger.

Plenumsregning 10. Diverse ukeoppgaver. Roger Antonsen april Vi øver oss litt på løse rekurrenslikninger. Plenumsregning 10 Diverse ukeoppgaver Roger Antonsen - 17. april 2008 Vi øver oss litt på løse rekurrenslikninger. Oppgave 7.23 Løs følgende rekurrenslikning (c) t(n) 6t(n 1) + 9t(n 2) = 0, t(1) = 3, t(2)

Detaljer

Øving 3 Determinanter

Øving 3 Determinanter Øving Determinanter Determinanten til en x matrise er definert som Clear@a, b, c, dd K a b OF c d ad -bc Determinanten til en matrise er derfor et tall. Du skal se at det viktige for oss er om tallet er

Detaljer

2.3 Delelighetsregler

2.3 Delelighetsregler 2.3 Delelighetsregler Begrepene multiplikasjon og divisjon og regneferdigheter med disse operasjonene utgjør sentralt lærestoff på barnetrinnet. Det er mange tabellfakta å huske og operasjonene skal kunne

Detaljer

Denne labøvelsen gir en videre innføring i elementær bruk av programmet Maple.

Denne labøvelsen gir en videre innføring i elementær bruk av programmet Maple. MAPLE-LAB 2 Denne labøvelsen gir en videre innføring i elementær bruk av programmet Maple.. Sett i gang Maple på din PC / arbeidsstasjon. Hvis du sitter på en Linux-basert maskin og opplever problemer

Detaljer

Forelesning 25. MAT1030 Diskret Matematikk. Litt repetisjon. Litt repetisjon. Forelesning 25: Trær. Dag Normann

Forelesning 25. MAT1030 Diskret Matematikk. Litt repetisjon. Litt repetisjon. Forelesning 25: Trær. Dag Normann MAT1030 Diskret Matematikk Forelesning 25: Trær Dag Normann Matematisk Institutt, Universitetet i Oslo Forelesning 25 27. april 2010 (Sist oppdatert: 2010-04-27 14:16) MAT1030 Diskret Matematikk 27. april

Detaljer

MA0002 Brukerkurs i matematikk B Vår 2014

MA0002 Brukerkurs i matematikk B Vår 2014 Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag MA0002 Brukerkurs i matematikk B Vår 2014 Løsningsforslag Øving 10 Oppgaver fra boken: 10.6 : 1, 8, 9, 12, 19, 26, 29,, 4 Det

Detaljer

Matematikk for økonomer Del 2

Matematikk for økonomer Del 2 Matematikk for økonomer Del 2 Oppgavedokument Antall oppgaver: 75 svar Antall kapitler: 10 kapitler Antall sider: 15 Sider Forfatter: Studiekvartalets kursholdere Kapittel 1 Derivasjon 1. f (x) = 2x 2

Detaljer

MAT1030 Diskret Matematikk

MAT1030 Diskret Matematikk MAT1030 Diskret Matematikk Forelesning 25: Trær Dag Normann Matematisk Institutt, Universitetet i Oslo 27. april 2010 (Sist oppdatert: 2010-04-27 14:15) Forelesning 25 MAT1030 Diskret Matematikk 27. april

Detaljer

Newtons interpolasjon og dividerte differanser

Newtons interpolasjon og dividerte differanser Newtons interpolasjon og dividerte differanser Gitt (x i, y i ), for i = 0, 1,..., n, Newtons basis funksjoner er definert som 1/16 j 1 π j (x) = (x x 0 )(x x 1 ) (x x j 1 ) = (x x k ) for j = 1,..., n

Detaljer

MAT-INF 2360: Obligatorisk oppgave 3. Løsningsforslag

MAT-INF 2360: Obligatorisk oppgave 3. Løsningsforslag MAT-INF 2360: Obligatorisk oppgave 3. Løsningsforslag I kapittel 9 i kompendiet forklarte vi at maximum-likelihood er en av de viktige anvendelsene av ikke-lineær optimering. Vi skal se litt mer på hva

Detaljer

Tiden går og alt forandres, selv om vi stopper klokka. Stoffet i dette kapittelet vil være en utømmelig kilde med tanke på eksamensoppgaver.

Tiden går og alt forandres, selv om vi stopper klokka. Stoffet i dette kapittelet vil være en utømmelig kilde med tanke på eksamensoppgaver. Kapittel 4 Anvendelser av lineære likningssystemer Tiden går og alt forandres, selv om vi stopper klokka Stoffet i dette kapittelet vil være en utømmelig kilde med tanke på eksamensoppgaver 4 Populasjonsdynamikk

Detaljer

4.1 Vektorrom og underrom

4.1 Vektorrom og underrom 4.1 Vektorrom og underrom Vektorrom er en abstraksjon av R n. De kan brukes til å utlede egenskaper, resultater og metoder for tilsynelatende svært ulike klasser av objekter : n-tupler, følger, funksjoner,

Detaljer

Forelesning 23. MAT1030 Diskret Matematikk. Repetisjon og mer motivasjon. Repetisjon og mer motivasjon. Forelesning 23: Grafteori.

Forelesning 23. MAT1030 Diskret Matematikk. Repetisjon og mer motivasjon. Repetisjon og mer motivasjon. Forelesning 23: Grafteori. MAT030 Diskret Matematikk Forelesning 23: Grafteori Roger Antonsen Institutt for informatikk, Universitetet i Oslo Forelesning 23 22. april 2009 (Sist oppdatert: 2009-04-22 2:37) MAT030 Diskret Matematikk

Detaljer

Kontinuasjonseksamen i tdt4125 Algoritmekonstruksjon, videregående kurs

Kontinuasjonseksamen i tdt4125 Algoritmekonstruksjon, videregående kurs Norges teknisk naturvitenskapelige universitet Institutt for datateknikk og informasjonsvitenskap Side 1 av 7 Eksamenforfattere: Ole Edsberg Kvalitetskontroll: Magnus Lie Hetland Kontakter under eksamen:

Detaljer

MAT1030 Plenumsregning 1

MAT1030 Plenumsregning 1 MAT1030 Plenumsregning 1 Kapittel 1 Mathias Barra - 16. januar 2009 (Sist oppdatert: 2009-02-02 14:21) Plenumsregning 1 Velkommen til plenumsregning for MAT1030 Fredager 12:15 14:00 Vi vil gjennomgå utvalgte

Detaljer

Anbefalte oppgaver - Løsningsforslag

Anbefalte oppgaver - Løsningsforslag Anbefalte oppgaver - Løsningsforslag Uke 6 12.6.4: Vi finner først lineariseringen i punktet (2, 2). Vi har at Lineariseringen er derfor 2x + y f x (x, y) = 24 (x 2 + xy + y 2 ) 2 2y + x f y (x, y) = 24

Detaljer

MA1102 Grunnkurs i analyse II Vår 2014

MA1102 Grunnkurs i analyse II Vår 2014 Norges teknisknaturvitenskapelige universitet Institutt for matematiske fag MA Grunnkurs i analyse II Vår 4 Løsningsforslag Øving 9 7.3.b Med f() = tan +, så er f () = cos () på intervallet ( π/, π/).

Detaljer

Løsningsforslag, midtsemesterprøve MA1101, 5.oktober 2010

Løsningsforslag, midtsemesterprøve MA1101, 5.oktober 2010 Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Løsningsforslag, midtsemesterprøve MA1101, 5.oktober 2010 Oppgave 1 Løs ulikheten x + 6 5 x + 2 Strategien er å

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i MAT-INF 1100 Modellering og beregninger. Eksamensdag: Mandag 5. desember 2011. Tid for eksamen: 9:00 13:00. Oppgavesettet er på

Detaljer

Avdeling for lærerutdanning. Lineær algebra. for allmennlærerutdanningen. Inger Christin Borge

Avdeling for lærerutdanning. Lineær algebra. for allmennlærerutdanningen. Inger Christin Borge Avdeling for lærerutdanning Lineær algebra for allmennlærerutdanningen Inger Christin Borge 2006 Innhold Notasjon iii 1 Lineære ligningssystemer 1 1.1 Lineære ligninger......................... 1 1.2 Løsningsmengde

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

Læreplan i Programmering og modellering - programfag i studiespesialiserende utdanningsprogram

Læreplan i Programmering og modellering - programfag i studiespesialiserende utdanningsprogram 2.12.2016 Læreplan i - programfag i studiespesialiserende utdanningsprogram Formål Programmering er et emne som stadig blir viktigere i vår moderne tid. Det er en stor fordel å kunne forstå og bruke programmering

Detaljer

Kapittel 8. Inntekter og kostnader. Løsninger

Kapittel 8. Inntekter og kostnader. Løsninger Kapittel 8 Inntekter og kostnader Løsninger Oppgave 8.1 (a) Endring i bedriftens inntekt ved en liten (marginal) endring i produsert og solgt mengde. En marginal endring følger av at begrepet defineres

Detaljer

MAT1030 Diskret matematikk

MAT1030 Diskret matematikk Oppgave 1.1 MAT1030 Diskret matematikk Plenumsregning 2: Ukeoppgaver fra kapittel 1 & 2 Roger Antonsen Matematisk Institutt, Universitetet i Oslo 24. januar 2008 Modifiser algoritmen fra 1.2.1 slik at

Detaljer

INF 4130 Oppgavesett 3, 20/ m/løsningsforslag

INF 4130 Oppgavesett 3, 20/ m/løsningsforslag INF 4130 Oppgavesett 3, 20/09-2011 m/løsningsforslag Oppgave 1 1.1 Løs oppgave 20.19 (B&P), (a) er vist på forelesningen og kan vel bare repeteres, men løs (b). (a) er altså løst på forelesningen. (b)

Detaljer

Sortering i Lineær Tid

Sortering i Lineær Tid Sortering i Lineær Tid Lars Vidar Magnusson 5.2.2014 Kapittel 8 Counting Sort Radix Sort Bucket Sort Sammenligningsbasert Sortering Sorteringsalgoritmene vi har sett på så langt har alle vært sammenligningsbaserte

Detaljer

Vår TMA4105 Matematikk 2. Løsningsforslag Øving 6. 5 Exercise Exercise

Vår TMA4105 Matematikk 2. Løsningsforslag Øving 6. 5 Exercise Exercise TMA405 Matematikk 2 Vår 205 Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Løsningsforslag Øving 6 Alle oppgavenummer referer til 8. utgave av Adams & Essex Calculus: A Complete

Detaljer

Introduksjon. MAT1030 Diskret Matematikk. Introduksjon. En graf. Forelesning 22: Grafteori. Roger Antonsen

Introduksjon. MAT1030 Diskret Matematikk. Introduksjon. En graf. Forelesning 22: Grafteori. Roger Antonsen MAT1030 Diskret Matematikk Forelesning 22: Grafteori Roger Antonsen Institutt for informatikk, Universitetet i Oslo Introduksjon 21. april 2009 (Sist oppdatert: 2009-04-21 15:13) MAT1030 Diskret Matematikk

Detaljer

x 1 x 2 x = x n b 1 b 2 b = b m Det kan være vanskelig (beregningsmessig) og bearbeide utrykk som inneholder

x 1 x 2 x = x n b 1 b 2 b = b m Det kan være vanskelig (beregningsmessig) og bearbeide utrykk som inneholder 4 Noen merknader 4. Lineære systemer Ax = b Gitt systemet Ax = b, A = [a i,j ] i=,,...,m, j=,,...,n x = b = Det kan være vanskelig (beregningsmessig) og bearbeide utrykk som inneholder b i. Med det finnes

Detaljer

Introduksjon. MAT1030 Diskret matematikk. Søkealgoritmer for grafer. En graf

Introduksjon. MAT1030 Diskret matematikk. Søkealgoritmer for grafer. En graf Introduksjon MAT13 Diskret matematikk Forelesning 21: Grafteori Roger Antonsen Matematisk Institutt, Universitetet i Oslo 9. april 28 Vi skal nå over til kapittel 1 & grafteori. Grafer fins overalt rundt

Detaljer

Øgrim Bakken Pettersen Skrindo Dypbukt Mustaparta Thorstensen Thorstensen. Digitalt verktøy for Sigma R1. Casio fx-9860

Øgrim Bakken Pettersen Skrindo Dypbukt Mustaparta Thorstensen Thorstensen. Digitalt verktøy for Sigma R1. Casio fx-9860 Øgrim Bakken Pettersen Skrindo Dypbukt Mustaparta Thorstensen Thorstensen Digitalt verktøy for Casio fx-9860 Innhold 1 Om Casio fx-9860 4 2 Regning 4 2.1 Tallet e......................................

Detaljer

Tallfølger er noe av det første vi treffer i matematikken, for eksempel når vi lærer å telle.

Tallfølger er noe av det første vi treffer i matematikken, for eksempel når vi lærer å telle. Kapittel 1 Tallfølger 1, 2, 3, 4, 5, 6, 7, 8,... Det andre temaet i kurset MAT1001 er differenslikninger. I en differenslikning er den ukjente en tallfølge. I dette kapittelet skal vi legge grunnlaget

Detaljer

MAT1030 Diskret matematikk

MAT1030 Diskret matematikk MAT1030 Diskret matematikk Plenumsregning 2: Ukeoppgaver fra kapittel 1 & 2 Roger Antonsen Matematisk Institutt, Universitetet i Oslo 24. januar 2008 Oppgave 1.1 Modifiser algoritmen fra 1.2.1 slik at

Detaljer

MAT1030 Forelesning 22

MAT1030 Forelesning 22 MAT1030 Forelesning 22 Grafteori Roger Antonsen - 21. april 2009 (Sist oppdatert: 2009-04-21 15:13) Introduksjon Introduksjon Vi skal nå over til kapittel 10 & grafteori. Grafer fins overalt rundt oss!

Detaljer

SØK400 våren 2002, oppgave 9 v/d. Lund

SØK400 våren 2002, oppgave 9 v/d. Lund SØK400 våren 2002, oppgave 9 v/d. Lund Igjen har vi en eksamensoppgave som ligger veldig nær noe som står under Applications i boka, nemlig 4.B4 og oppgave 13 til kapittel 4. Boka bruker toppskrift G der

Detaljer