DST Spesialisering i økonomistyring og investeringsanalyse. Lineær programmering i bedriftsøkonomiske problemstillinger OPPLEGG FOR KURSET

Størrelse: px
Begynne med side:

Download "DST Spesialisering i økonomistyring og investeringsanalyse. Lineær programmering i bedriftsøkonomiske problemstillinger OPPLEGG FOR KURSET"

Transkript

1 Spesalserg økoomsyrg og vesergsaalyse DST 950 OPPLEGG FOR KURSET. Avedelse av LP økoomsk opmalserg. Forskell mellom leær- og kke-leær programmerg. Ulke fremgagsmåer: Grafsk, aalysk, algormsk, EDB. FORELESNINGSNOTAT Leær programmerg bedrfsøkoomske problemsllger. Serale begreper: Målfukso, bbegelser, mulghesområde, lla løsg, opmal løsg, slakkvarabler, overskuddsvarabler, bassvarabler, bassløsger, kossee og kossee lggssysemer, skyggeprser, skyggereer, prmalproblem, dualproblem. 5. Geomgag av e ke LP-problem 6. De geerelle probleme 7. Spesallfeller: Negave varabler, degeerer løsg, flere opmale løsger, uedelg løsg, uløselg problem. 8. Smple-meode 9. Dualprobleme og skyggeprser Tor Tagees Hadelshøyskole BI hp:// 0. Følsomhesaalyse: Hva sker år målfuksoe eller bbegelsee edres?. Bruk av EDB og olkg av EDB-rapporer. LP og kapalrasoerg Skyggereer og prosekgrupperg

2 HVA ER LINEÆR PROGRAMMERING? Leær programmerg (LP): LP er e meode hvor ma søker å fordele begresede ressurser l ge akveer på e effekv måe for å å e mål. (Daelse & Grølad). Karakersske rekk ved LP:. Fuksoer som represeerer mål og begelser er leære.. LP er prakss ormal EDB-baser. LP ka avedes l å løse e sor aall ulke opmergsproblemer. LP ka le geeralseres (kke-leær programmerg) Eksempler på avedelse:. Produksosplalegg. Fórsammeseg. Syrg av foruresg elver. Produkvalg 5. Peroleumsrafferg 6. Porefølevalg 7. Persoalallokerg 8. Ruevalg 9. Kapalrasoerg NOEN INNLEDENDE BEGREPER Målfukso (krerefukso): E fukso av o eller flere varabler, som urykker beslugsakers (BT) målseg. I LP er fuksoe leær og deermssk. BT øsker ypsk å maksmere eller mmere målfuksoe. Begresger (bbegelser, resrksoer, beskrakger): Fuksoer som begreser løsgsmegde for målfuksoe. I LP er dsse fuksoee leære og deermsske. Tlla løsg: Ehver løsg som lfredssller alle begelsee. Varabler og uefor bass: Aa a v har e lggssysem (les se av bbegelser) med m lgger ukee og a > m. V har da -m frhesgrader. For å løse syseme algebrask, må -m varabler gs e verd ( LP gs verde ull). Varablee som gs verd lk ull kalles varabler uefor bass, mes de øvrge varablee som løses fra lggssyseme kalles bassvarabler. Bassløsg Har v eksempelvs fre varabler (ukee) og o lgger (bbegelser), fes de seks måer å g o varabler verd lk

3 ull. Hver av de seks løsgee som fremkommer, kalles e bassløsg Opmal løsg: Løsg(er) som løser opmergsprobleme. Mulghesområde: Megde av alle llae løsger. Slakkvarabel: E varabel som foreller hvorvd bbegelse er effekv eller kke. Iførg av slakkvarabler gør de mulg å formulere bbegelsee som srege lkheer. Slakkvarabler beyes problemformulerger der bbegelsee er på forme mdre eller lk ( ), slk a bbegelsee ka omformes l lkheer. Bbegelser på dee forme er valge maksmergsproblemer. Overskuddsvarabler: I mmergsproblemer er de valg med bbegelser på forme sørre eller lk ( ). Varabler som føres for å omgøre ulkhee l e lkhe dee lfelle, kalles overskuddsvarabler. E kosse lggssysem: E lggssysem med é eller flere løsger E kosse lggssyem: E lggssysem ue løsg V skal forseelse førs se på LP aved på e produkvalgsproblem. Dee geomgage er gruleggede og burde for mage være ke fra gruleggede kurs. V skal dereer avede LP på adre problemyper. FORMULERING AV ET ENKELT PROBLEM E bedrf produserer o ugaver av e produk - Sadard og Lu. Dekgsbdrage pr. ehe Sadard er $ 00, mes Lu gr e dekgsbdrag pr. eh. på $ 00. Hver ugave krever me bearbedg maskavdelge. Toal 0 mer er lgegelg kapase dee avdelge pr. uke. Produkee må også bearbedes moergsavdelge, der Sadard reger,5 mer pr. eh. og Lu reger 0 mer pr. ehe. Tlgegelg ukekapase dee avdelge er 00 mer. E markedsaalyse har vs a de kke er mulg å selge mer e 8 eh. av Lu pr. uke. Produkso av begge produkee krever også e spesalkompoe, som ku er lgegelg.00 eh. pr. uke. Hver eh. av Sadard krever 5 eh. av dee kompoee, mes Lu krever de dobbele pr. eh. Bedrfes fase kosader påvrkes kke av produkvalge mellom Sadard og Lu. a) Formulér bedrfes produkvalgsproblem. b) F opmal produksospla for kommede uke. 5 6

4 E LP-problem sarer ved a målfuksoe (krerefuksoe) og fuksoee for de ulke begresger formuleres. La X S og X L være hhv. a. eh. produser av Sadard og Lu Målfukso: DB( X Ressursforbruk og, X ) = 00X + 00X begresg maskavd: XS + XL 0 mer Ressursforbruk og begresg moergsavd: 5, XS + 0XL 00 mer Markedsbegresg Lu: X L 8 eh. Ressursbruk og begresg av spesalkompoe: 5 X + 50X.00 eh. S L S L V order å fuksoee over, presserer a v kke ka produsere egave megder og preseerer beslugsprobleme. Beslugsproblem : Maks DB ( X S, X L) = 00 X S + 00 X L u. b. X S + X L 0,5 X S + 0 X L 00 X L 8 5 X S + 50 X L. 00 X S 0 X 0 S L L Oppgave : Bey dagramme på ese sde og løs probleme over grafsk. Avse aall eh. av Sadard på -akse og a. eh. av Lu på y-akse Oppgave : Formulér probleme over Ecel og f opmal løsg. DET GENERELLE PROBLEMET V har hl se på e produkvalgsproblem o varabler (produk Super og Lu) med fre bbegelser. Dee 7 8

5 probleme kue løses grafsk. I de geerelle lfelle har v varabler og m bbegelser. Er aall varabler og bbegelser sor, bør probleme løses ved help av EDB. Solverfuksoe Ecel llaer bruk av 00 varabler og 00 bbegelser ( llegg l foregs-begresger for varablee). Formel ka de geerelle produkvalgsprobleme formuleres slk: I kompak form får v: Maks z= c+ c c ub.. a + a a b a + a a b... Maks z = c a + a a b,,..., m m m m 0 = ub.. a b =,,..., m = 0 =,,..., E mmergsproblem vl ypsk kue skrves på forme: M z = c = ub.. a b =,,..., m = 0 =,,..., Leære programmergsproblemer går u på å maksmere eller mmere målfuksoe, der b-begelsee er på forme, = eller. E LP-modell ka derfor deferes som følger: Maks eller M z = c = ub.. a b =,,..., m = 0 =,,..., der a, b og c er kosaer og er beslugsvarabler SIMPLEX-METODEN OG SLAKKVARIABLER Smple-meode er e løsgsalgorme for LP-problemer. Meode er erav. Dee ebærer a de eses u om e bassløsg (se uder) er opmal. Hvs de kke er de, agr algorme e y og bedre bassløsg, som eses for opmale. Prosesse forseer l opmum er fue. De fes e edelg aall bassløsger og aall erasoer vl derfor også være edelg. 9 0

6 Bassvarabler Berak e lggssysem med m lgger ukee. Geerel ka m være >, = eller < e. Hvs syseme har ms e løsg kalles syseme kosse. Hvs syseme kke har løsg, kalles de kosse eller selvmosgede.. Hvs m >, har syseme almelghe ge løsg og er kosse.. Hvs m <, er syseme almelghe kosse med uedelg mage løsger.. Hvs m =, er syseme almelghe kosse med e edelg aall løsger (kke ødvedgvs eydg løsg). + = 0, = 0, ( -)( - )( - ) = 0 Alle lggee over er e uke, me har hhv. 0, og løsger. Når v beyer Smple-meode, har v ypsk flere varabler e lgger, dvs. m <. I ugagspuke har v derfor e kosse lggssyem. For å løse dee probleme seer v -m varabler lk ull og får dermed e sysem med e edelg aall løsger. Sde syseme er leær, har v e eydg løsg. Varablee som kke sees lk ull kalles for bassvarabler og løsge kalles e bassløsg. V skal her vse bereggee som lgger l gru for Smple-meode, da dsse gr e vkg sk løsge av LP-problemer. For all oppgaveløsg, skal v dermo beye Ecel eller e kombaso av grafsk og aalysk løsg. V sarer ge med e ekel problem. () Maks z = + ub , 0 V ka aa a z er bedrfes leære DB-fukso, a bbegelsee er mekapasee l o masker, M og M, for e uke. Ved å føre slakkvarabler, ka ulkheee ersaes med lkheer. Slakkvarabelee, som er sørre eller lk ull, foreller derfor hvlke megde av ressurse som er ubeye. Med slakkvarablee og blr lggssyseme slk: () Maks z = + ub = = 0,,, 0 Oppgave : Teg sokvaee l probleme, slk formuler ().

7 Bassløsger: I abelle uder fer du alle bassløsgee l probleme vår. Bassløsg E og F er kke mulge bassløsger, da kke-egaves-begelse er uoppfyl. Mulge bassløsger er derfor A, B, C, og D. V ser a dsse lsvarer høree mulghesområde. Beregg av bassløsger o-varabel-lfelle: Ved å a ugagspuk bbegelsee, slk formuler (), ka alle bassløsgee bereges. Fra () har v a: () = 0 () = 0 () Som v ser har v e lggssysem med m= lgger = varabler. V må derfor see o av varablee lk ull, for å fe e eydg løsg av syseme. Oppgave : F alle bassløsgee l problem () og de lhørede verd av målfuksoe. Avmerk pk.ee A - F dagramme. Bassløsg Bassvarabler Verd av målfukso A X = X = Z= B C D X = X = X = X = X = X = Z= Z= Z= Smple-algorme sarer med å see slakkvarablee og bass og v må følgelg see og lk ull. V får da: () () = 0 5 = 0 ( ) = 0 6 = 0 z = + = 0 I puke A er produksoe av begge produkee lk ull. Følgelg har v maksmal slakk for begge ressurser og ull dekgsbdrag. Løsge er kke opmal, ford e økg av eller vl g høyere dekgsbdrag. Sde har sørs dekgsbdrag pr. eh. velger v å å a bass. Ford lggssysemer er uløsbar med re varabler bass, må é varabel u (ee eller ) år kommer bass. Hvlke av dsse o som skal u, ka v se av () og (). (5) ( ) ( ) Sde ( ) ( ) Sees Sees = 0, får = 0 = 0 = 0 5 = 0 6 v : = 0 = 0 6 = 0, < 0 = 5, > 0 E F X = X = X = X = Z= Z=

8 V lar derfor gå u av bass. V rasformerer l slu () og (), slk a dsse løses mhp. de ye bassvarablee ( og ). Dee gøres ved å mulplsere () med -/ og addere () og (). V får da: (6) () = 0 5 ( ) - = ( ) = 0 Fra () ka v å urykke (ee bassvarabel) som fukso av varablee uefor bass ( og ). Tlsvarede øsker v å gøre for (adre bassvarabel). Dee får v l ved å løse () (6) mhp.. (7) ( ) = 0 + ( v) 5 = 6 z = + = 5 V har å komme l pk. D dagramme. Dekgsbdrage er her 5 og v har 0 mer ubruk kapase M. For å fe u om løsge er opmal, må v omforme målfuksoe, slk a også dee blr e fukso av varablee uefor bass. Ved å see (v) for målfuksoe, får v: (8) z = + 5 ( ) = = 5 6 Dee bassløsge er heller kke opmal, da målfuksoe ka bedres ved å a bass. Ford lggssyseme har uedelg mage løsger med re varabler bass, må e varabel u (ee eller ) år kommer bass. Hvlke av dsse o som skal u ka v se av () og (v). (9) V lar følgelg gå u av bass og eder opp med bassvarablee ( og ). Ved å rasformere () og (v) og målfuksoe, som over, slk a dsse er løs mhp. bassvarablee og forklar ved kosaer og varablee uefor bass, får v: (0) ( ) ( v) Sde ( ) ( ) Sees Sees = 0, = 0 = 0 = 0 = 5 6 får v : = 0 = 5 0,5 = 0, > 0 < 0 ( v) 5 5 = + = 8 ( v) 5 = + = 65 z = = 6 8 =,5, 5 6

9 Sde målfuksoe kke ka forbedres, har v fue opmum, som er pk. C dagramme. Fordele med Smpe-meode er a kke alle bassløsgee må udersøkes. V ser a erasosprosesse fører oss l bedre og bedre løsger l e ev. opmum er fue. SPESIALTILFELLER V skal å se på følgede spesallfeller:. Negave varabler. Degeerer løsg. Flere opmale løsger. Uedelg løsg 5. Uløselg problem Negave varabler Hvs e varabel ka aa både posve og egave verder, må dee ersaes med o varabler som ku ka aa posve verder, slk a: =,, V er løsge garaer a ku e av 5 og 6 har posv verd. Degeerer løsg Dersom e bassløsg eholder e bassvarabel med verd lk ull, kalles løsge degeerer. Ved ese eraso har v ge gara for a verde av målfuksoe øker, sde de ye bassløsge også ka være degeerer. Flere opmale løsger Dersom oe av varablee uefor bass har ull som koeffse de opmale løsge (se koeffseee l og målfuksoe (0)), vl kke probleme ha é opmal løsg, me e se av slke. Uedelg løsg Når mulghesområde kke ka begreses, ka målfuksoe bl uedelg sor, og v har e uedelg løsg. Uløselg problem Hvs ge løsg fes som lfredssller alle bbegelsee samdg, har v e uløselg problem. Eksempel: Maks + 5 ub , 0 DUALEN OG SKYGGEPRISER Ehver leær maksmergsproblem ka formuleres som e leær mmergsproblem. Hvs prmal-probleme er e maksmergsproblem, vl dualprobleme være e mmergsproblem. I geomgagseksemple var målfuksoe bedrfes dekgsbdrag, mes begresgee var relaer l maskd M og M. V spesfsere probleme som følger. 7 8

10 Maks z = + ub , 0 Bedrfes opmergsproblem var å allokere ressursee slk a dekgsbdrage maksmeres. Probleme ka også løses ved å mmere verde av selskapes avede ressurser, mål ved help av skyggeprser. () Prmal: Maks z = c = ub.. a b =,,..., m Dual: = M r = b λ 0 =,,..., m = m ub.. a λ c =,,..., = λ 0 =,,..., m beslugsaker e besem beslugssuaso. I leære beslugsproblemer er skyggeprsee kosaer så lege de samme varablee er bass. I eksemple over vser skyggeprse for M hvor mege målfuksoe (DB) øker år v øker lgage på d M med é me. Tlsvarede vser skyggeprse for M hvor mege DB øker år aall mer M øker margal. Aar v a maskd er e fas kosad, foreller skyggeprse hvor mege v maksmal er vllge l å beale pr. margale ressurseh. Dualeoreme: I e suaso der både prmale (prmærprobleme) og duale har llae løsger, da v prmale og duale begge ha opmale løsger slk a: () * =,,..., λ * c = =,,..., m m * * = = bλ V ser av () a prmale og duales løsg er deske. Før v ser mer om dualformulerge skal v g e forolkg av skyggeprse (lambda). Skyggeprse vser de margale bdrage l målfuksoe fra e besem ressurs. V har følgelg é skyggeprs for hver ressurs. Skyggeprsee foreller oss mao. de økoomske verd av e ressurs for é Oppgave 5: Sudér dualformulerge () og prøv å g e økoomsk forolkg av bbegelsee, som er geg uder. Du ka a ugagspuk geomgags-eksemple med o produker og o ressurser. 9 0

11 Tps: G førs e forolkg av bbegelsees vesresde og relaér de l høyresde, som vår eksempel er produkees DB pr. eh. m a λ c, =,,..., = Oppgave 6: Bey smple-meode og sekk a løsge på duale er desk med løsge på prmale. Forklar hvorfor løsge av prmale og duale er deske opmum, dvs. a: m * * c = bλ = = F også ressursees skyggeprser fra dualløsge. Oppgave 7: Berak probleme: M r = 7+ ub , 0 Hvlke fordel(er) ka bruk av duale ha for løsg av dee probleme? FØLSOMHETSANALYSE Opmumsløsge gr ormal ku e del av de formasoe e øsker. Ford daa som regel er behefe med uskkerhe øsker v å sudere hvorda edrger dsse påvrker løsge vår. Hvorda påvrkes løsge av e le ressursedrg: V ar ge ugagspuk geomgagseksemple, der e bedrf produsere o produker, P og P. På kor sk hadde bedrfe begrese kapase på råvarer og arbedskraf. Formuler og løs er som følger. () Maks z = + ub , 0 Løsg av prmale: * * * = 5, = 75, z = 65, Løsg av duale (oppgave 5) * * * λ = λ = r = 6, 5 8 Hva sker hvs v øker maskkapasee med é me M eller M? Sde maskd begge maskee har posv skyggeprs, er de rmelg a målfuksoe øker. Med

12 ugagspuk defsoe av skyggeprse, ve også med hvor mege. V ser hva som sker år kapasee M øker margal. 5 + = + 6 = 0 Med de opprelge kapasee ser v a de bør produseres,5 eh. av produk og,75 eh. av produk. V så også over a e margal kapasesøkg M føre l e økg av opmumsmegde for produk og e redukso lsvarede megde for produk. Dee ka v se dreke fra (v) og (v) over. () -5 6 = 6 () + 6 = 0 () - = () + () V husker a er slakkvarabel l d M Dee beyr a: > 0 < 0 V beyer kke 0 mer M V beyer mer e 0. M * * * =, 75 =, 65 z = 6, 75 V ser a e margal kapasesøkg M har øk dekgsbdrage fra 6,5 l 6,75, dvs. e økg på 0,5 eller /8, som lsvarer skyggeprse pr. me M. I llegg har produksoe av produk øke fra,5 l,75, mes produksoe av produk har fal fra,75 l,65. Fasoge på mulghesområde er mao. foradre, me de opprelge bassløsg gelder forsa. Hvor sor ressursedrg må l før bassløsge edres? Dee probleme ka bes suderes ved å a ugagspuk urykkee for bassvarablees opmumsverder (). (5) ( v) * 5 5 = + = 8 ( v) * 5 = + = E økg av mealle M beyr derfor h. (5) a v skal produsere flere eheer av produk og færre av produk. Subsusosforholde mellom produk og er: (6) ( v) ( v) = = 8 Oppgave 8: V sopper opp her og ser på e le oppgave. V har se a e økg på me M ebærer a de produseres 0,5 eh. flere P og 0,5 færre P. Subsusosforholde er samsvar med (6) lk. a) Vs a dee er rkg ved help av produksoskoeffseee (). b) Vs grafsk a P øker og P reduseres år kapasee M økes. Vs også a subsusosforholde er.

13 Følger v usoe over, vl bedrfe ved e lsrekkelg sor kapasesøkg M kke leger produsere P. P vl da gå u av bass. De megde av eksra mer M som gør a P går u av bass kalles øvre sesvesgrese og ka fes dreke fra urykke for (5). Øvre grese er berege (7). (7) 75 = 0 = = 0 8 *, Oppgave 9: Korollér a resulae fra (7) semmer. V ka også eke oss a maskmealle M reduseres. Dee er esbeydede med a slakkvarabele for mer M øker. V ser da av (5) a v skal produsere mer av P og mdre av P. Hvs mealle reduseres lsrekkelg, går P u av bass. V kaller dee grese for edre sesvesgrese for M og v fer de ge ved å se på (5). (8) 5 = 0 = = 0 *, Hvs mealle M syker med 0 mer, går P u av bass. Oppgave 0: Korollér a resulae fra (8) semmer. Hvor mege må DB/eh. edres før bassløsge edres? Små edrger P og/eller P's DB/eh. vl kke vår eksempel føre l uskfg av bassvarabler. Forrykkes dermo de relave løsomhee (mål ved DB/eh.) mellom P og P, vl de relav ms løsomme produke gå u av bass. På lk le som over ka v sudere opmumsformulerge (). V har der a: (9) ( v) 5 5 = + = 8 ( v) 5 = + = 65 z = = 6 8 Ser v på P (9.v), merker v oss a koeffsee l er - ¼. De beyr a for hver me ubeye M vl v redusere produksoe med ¼ P. Ser v på lsvarede koeffse målfuksoe er dee - /8. De beyr a dekgbdrage reduseres med /8 for hver me ubeye M. Kvoee av dsse o allee vser hvor mege DB må falle før P faller u av bass. V kaller grese for edre sesvesgrese for P's DB. (0) / 8 * = 05, Maks z = 5, + = 0 / Ser v ge på P (9.v), ser v a koeffsee l er /, som beyr a e e me ledg me M vl øke produksoe av P med / eh. Bereger v lsvarede kvoe som over får v øvre sesvesgrese for P's DB. 5 6

14 Kvoee vser hvor mege DB/eh. for P må sge før P faller u av bass. () / * = 55, Maks z = 75, + = 0 / Oppgave : Bereg edre og øvre sesvesgrese for P's DB/eh. LP ANVENDT I KAPITALRASJONERING V skal å eke oss a e vesor har flere løsomme proseker, dvs. proseker med NV 0. Prosekee er kke gesdg uelukkede, slk a flere e e prosek ka gagsees samdg. V aar også a vesor ka gagsee adeler av e prosek, f.eks. vesere 50 % av proseke. Probleme er a vesor har begrese vesergskapal. Probleme uvdes ved a kke alle prosekee ødvedgvs ka gagsees på samme dspuk. Noaso (a 0, a,..., a T ): koasrøm for prosek på dspuk : adel akseper av prosek M : eksoge g koasrøm på dspuk k: kalkulasosree U : dspreferase på dspuk W : dvdedeubealg på dspuk. Wegarers modell Maks J T = = 0 ( + k) J u. b. a M, = 0 a = 0,,..., T Baumol og Quads modell Ugagspuke er a vesor dag har e g vesergskapal. Dee kapale skal fordeles opmal på løsomme proseker som ka gagsees å. Dsse prosekee geererer koasrømmer over d, som ee ka deles u ubye l vesor eller veseres ye proseker. Maks u. b. T = 0 U W J a = 0 + W M, = 0,,..., T V skal se på o modeller og beye dsse år v skal formulere LP-probleme. V skal seere se a begge modellee gr samme mulghesområde og dermed lk løsg av probleme. I BQ s modell må ulkhee ersaes med lkhe opmum (e økg dvdedeubealg vl alld øke målfuksoes verd). V får da: 7 8

15 () W = M + J a = V subsuerer () BQ s målfukso og får: () Maks T [ a ] U + T = 0 = 0 M U Rekkefølge ved summerg spller ge rolle, år v har e edelg aall elemeer. Sse ledd () er e kosa. Maksmergsprobleme () ka derfor omskrves l: V vurderer fre proseker. Tre av dem ka gagsees dag, mes de ferde ka gagsees om e år. Du har dag e lgegelg kapal lk 00. Kalkulasosree er sa l 0 %, og prosekees koasrømmer forvees å bl som følger: a = (-00, 50) a = (- 50, 7) a = (- 50, 0, 98) a = ( 0, - 6, 7) Bereges prosekees åverd førs, får v: J T ( ) Maks a U = = 0 V ka rekke u, sde er uavhegg av. () U U U = = + k U0 ( + k) V har é frhesgrad og velger å see U 0 =. De følger da a: (5) U = = ( + k ( + k) ) Ved å subsuere (5) målfuksoe, ser v a BQ s modell er lk modelle l Wegarer. NV(a ) = 5 NV(a ) = 8,06 NV(a ) = 0 NV(a ) = 0 Sde v har kapphe på kapal, vl de være urkg å prorere prosekee eer absolu NV. V må sede prorere eer NV pr. vesergskroe. V kaller dee brøke for åverddeks (NVI). NVI(a ) = 0,5 NVI(a ) = 0,6 NVI(a ) = 0,0 NVI(a ) = 0,556 Sde prosekee er lgegelge på dspuk = 0, må opmal veserg på dee dspuke bl: = 0,5 = 0 = V skal å formulere opmergsprobleme både ved Wegarers og Baumol & Quads modeller. E eksempel 9 0

16 Wegarers modell Maks NV = 5 u. b. Maks D u. b = W,, ,, , Baumol & Quads modell,, + /,W ,, + 8, , ,, /, W I formulerge l B&Q er dvdedeubealgee å oppfae som slakkvarabler. I opmum får v: = 0,5 = 0 = = W 0 = 0 W = 9 W = 70, Oppgave : Du skal å begrue opmumsløsge over med ugagspuk økoomske resoemeer. Oppgave : Formulér probleme Ecel (problemløsere / solver) og korollér a løsge semmer. Formulér probleme ved begge modeller. + W W, + W W + W, W 0 Mcrosof Ecel 8.0 Sesvy Repor Workshee: [kapras-solver.ls]ark Repor Creaed: ::8 Adusable Cells Fal Reduced Obecve Allowable Allowable Cell Name Value Cos Coeffce Icrease Decrease $H$9 Aall eheer P 0,50 0,00 5, 5,00 $H$0 Aall eheer P 0,00 0,00 0,50 E+0 $H$ Aall eheer P,00 0,00 8,06 E+0 5,56 $H$ Aall eheer P,00 0,00 0 E+0 0 Cosras Fal Shadow Cosra Allowable Allowable Cell Name Value Prce R.H. Sde Icrease Decrease $H$9 Adel P > 0 0,50 0,00 0 0,5 E+0 $H$9 Adel P < 0,50 0,00 E+0 0,5 $H$0 Adel P > 0 0,00 -,50 0 $H$0 Adel P < 0,00 0,00 E+0 $H$ Adel P > 0,00 0,00 0 E+0 $H$ Adel P <,00 5,56 0,5 $H$ Adel P > 0,00 0,00 0 E+0 $H$ Adel P <,00 0,00,08 $H$6 Koasrøm på = , $H$7 Koasrøm på = E+0 9 $H$8 Koasrøm på = E+0 70 Dualformulerger Ehver leær maksmergsproblem ka formuleres som e leær mmergsproblem. I Baumol & Quads problemformulerg var målsege å maksmere åverde av dvdedeubealgee, begrese av 00 vesergskapal på = 0 og prosekees koasrømmer på de eerfølgede dspuker. E dualformulerg vl her ebære a ressursbruke (vesergskapale) skal mmeres.

17 Prmale Maks D u. b. = 00 50,, , + 50, W 0 + W 0, W, 0 + /,W + W W, + /, W + W W M K = u. b. 00γ 00γ -50γ 50γ 50γ γ 7γ 98γ 6γ 7γ γ γ + γ + γ + γ + γ + γ 5 + γ γ γ 0 7 /, /, Løser v dualprobleme får v følgede opmumsløsg: V beyer gamma som dualvarabler. V får é dualvarabel for hver dspuk gamme - - og é dualvarabel for hver prosek gamma - 7. De re førse ka olkes som kapales skyggeprs på re ulke dspuker, mes de fre sse ka olkes som prosekees skyggeprser. Duale γ =,5 γ = 0 γ = 0,8 γ =,5 5 γ = 0,69 γ = 5,556 6 γ = 0 Oppgave : Sammelg løsge av dualprobleme med skygge-prsee fra sesvesrappore fra Ecel-løsge av prmalprobleme. Skyggeree Fra problemløsge over så v a skyggeprse l prosek r. var lk 0. Dee ebærer a prosekes NV er lk ull, år prosekes koasrøm dskoeres med skyggeree. 7 V symbolserer skyggeree med ρ og deferer de som følger:

18 γ γ ρ = γ = ( + ρ ) γ Sde kapales skyggeprs på dspuk 0 og var hhv. γ =,5 og γ = 0,8, er skyggeree for perode lk:,5 ρ = = 0,5 0,8 Tlsvarede er skyggeree for perode lk: 0,8 ρ = = 0, 0,69 V ka dele prosekee re grupper: - Proseker som blr full u akseper, = - Proseker som blr delvs akseper, 0 < < - Proseker som kke blr akseper, = 0 I de førse gruppe fer v proseker som har posv NV, år koasrømme dskoeres med skyggereee. I dee gruppe fer v prosek og. NV ( a ) = 50γ + 98γ = 5,56 γ γ = ( + ρ )( + ρ ) 98γ NV ( a) = 50γ + = 5,56 ( + ρ )( + ρ ) NV ( a γ γ = + ρ NV ( a ) = 6γ + 7γ = 0 7γ ) = 6γ + = 0 + ρ I de adre gruppe, med delvs akspere proseker, fer v proseker med NV lk ull, år koasrømme dskoeres med skyggeree. Her har v prosek. NV ( a) = 00γ + 50γ = 0 50γ NV ( a) = 00γ + = 0 + ρ I de sse gruppe har v proseker som kke akseperes, dvs. proseker med egav NV. Prosek befer seg her. NV ( a) = 50γ + 7γ =, 5 γ γ = + ρ 7γ NV ( a) = 50γ + = 5, + ρ 5 6

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

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

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

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

Generell støymodell for forsterkere (Mot Kap.2)

Generell støymodell for forsterkere (Mot Kap.2) Geerell øymdell fr frerkere (M Kap.) år e frear øyaalyer av re yemer vl de være uprakk å aalyere med dealjere øymdeller fr alle mulge øyklder. velger ede å bruke freklede mdeller m repreeerer flere mulge

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

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

Mot3.: Støy i forsterkere med tilbakekobling

Mot3.: Støy i forsterkere med tilbakekobling Mo3.: Søy i forserkere med ilbakekoblig Hiil har vi diskuer forserkere ue ilbakekoblig ("ope-loop"). Nå vil vi diskuere virkige av ilbakekoblig. Geerel beyes ilbakekoblig for å... edre forserkig, edre

Detaljer

Generell støymodell for forsterkere (Mot Kap.2)

Generell støymodell for forsterkere (Mot Kap.2) Geerell øymodell for forerkere (Mo Kap.) år e forear øyaalyer av ore yemer vl de være uprakk å aalyere med dealjere øymodeller for alle mulge øyklder. velger ede å bruke foreklede modeller om repreeerer

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

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

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

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

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

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

Løsningsforslag til øving 9 OPPGAVE 1 a)

Løsningsforslag til øving 9 OPPGAVE 1 a) Høgskole i Gjøvik vd for ek, øk og ledelse aemaikk 5 Løsigsforslag il øvig 9 OPPGVE ) Bereger egeverdiee: de I) ) ) ) Egeverdier: og ) ) Bereger egevekoree: vi ivi ii) vi ed λ : ) ) v Velger s som gir

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

Prisindekser for bygg og anlegg, bolig og eiendom 2006 Resultater og metoder

Prisindekser for bygg og anlegg, bolig og eiendom 2006 Resultater og metoder Norges offselle saskk D 363 Prsdekser for bygg og alegg, bolg og eedom 26 Resulaer og meoder Sassk seralbyrå Sascs Norway Oslo Kogsvger Norges offselle saskk I dee sere publseres hovedsakelg prmærsaskk,

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

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

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

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

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

Forventet avkastning på aksjeindeksobligasjoner

Forventet avkastning på aksjeindeksobligasjoner Forvee avasg på asedesoblgasoer See Koeebaer og Valer Zaamole Is for øoom Høysole Agder Sammedrag Asedesoblgasoer er bl e poplær spareform Norge, og mage velger også å låefasere sle veserger. E av gree

Detaljer

Tillegg nr 1 til Grunnprospekt datert 27. mai 2015 i henhold til EU's Kommisjonsforordning nr 809/2004

Tillegg nr 1 til Grunnprospekt datert 27. mai 2015 i henhold til EU's Kommisjonsforordning nr 809/2004 Tllegg nr 1 l Grunnprospek daer 27. ma 2015 henhold l EU's Kommsjonsforordnng nr 809/2004 Tlreelegger Oslo, 25. jun 2015 Uarbede samarbed med DNB Markes 1 av 7 Ord med sor forboksav som benyes llegg l

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 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

3. Beregning av Fourier-rekker.

3. Beregning av Fourier-rekker. Forelesigsoaer i maemaikk. 3. Beregig av 3.. Formlee for Fourier-koeffisieee. Vi går re på sak: a f være e sykkevis koiuerlig fuksjo med periode p. De uedelige rigoomeriske rekka cos( ) si ( ) a + a +

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

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

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

Problem sets II for ECON 4150, Spring 09

Problem sets II for ECON 4150, Spring 09 Problem ses II for ECON 45, Sprg 9 Problem se 6 Solve he exercses: 6.6, 6.9, 6., 7.4 Problem se 7 Solve exercse 6.5, revew he log-ormal dsrbuo combao wh appedx 7A, ad solve he followg exercse: Exercse

Detaljer

Løsningsforslag (ST1201/ST , kontinuasjonseksamen) ln L. X i = 2n.

Løsningsforslag (ST1201/ST , kontinuasjonseksamen) ln L. X i = 2n. Løsgsforslag ST20/ST620 205, kotuasjoseksame. a Rmelghetsfuksjoe blr Logartme Derverer Løser lgge Løsge er SME: L = 2 e l L = 2 l X X. X + l X. l L = 2 + 2 X = 2. ˆ = 2 X. X. b Her ka ma beytte trasformasjosformele,

Detaljer

Forelesning Punktestimering

Forelesning Punktestimering STAT Statst Metoder Yushu.L@ub.o Forelesg 8 + 9 Putestmerg. Fra sasylghetsteor tl statst feres ) Sasylghetsberegg sasylghetsteor: v jeer parametere som besrver modellee, f.es. p boms modell, ormal fordelg,

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

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

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

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

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

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

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

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

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

EKSAMEN løsningsforslag

EKSAMEN løsningsforslag 5. aprl 017 EKSAMEN løsgsforslag Emekode: ITD0106 Emeav: Statstkk og økoom Dato:. ma 016 Eksamestd: 09.00 13.00 Hjelpemdler: - Alle trykte og skreve. - Kalkulator. Faglærer: Chrsta F Hede Om eksamesoppgave

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

Oppgaver. Hypotesetesting testing av enkelthypoteser. Forelesning 4 og 5 MET3592 Økonometri ved David Kreiberg Vår 2011

Oppgaver. Hypotesetesting testing av enkelthypoteser. Forelesning 4 og 5 MET3592 Økonometri ved David Kreiberg Vår 2011 Forelesnng 4 og 5 MET359 Økonomer ved Davd Kreberg Vår 11 Oppgaver lle MC-oppgaver er merke u fra vanskelghesgrad på følgende måe: * Enkel ** Mddels vanskelg *** Vanskelg ypoeseesng esng av enkelhypoeser

Detaljer

Del A: Diskret optimering og heuristiske metoder Leksjon 2

Del A: Diskret optimering og heuristiske metoder Leksjon 2 Del A: Dskret optmerg og heurstske metoder Leksjo 2 Sjefsforsker Ger Hasle SINTEF Avedt matematkk, Oslo! Kursformasjo Motvasjo Operasjosaalyse Kustg tellges Optmergsproblemer (dskrete) Matematsk program

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

Investeringer og skatt. Skattesatser med videre. Finansinvesteringer. Eksempler på finansinvesteringer

Investeringer og skatt. Skattesatser med videre. Finansinvesteringer. Eksempler på finansinvesteringer Iveseriger og ska Løsomhe av fiasiveseriger før og eer ska Løsomhe av realiveseriger eer ska Avhedelse (salg) av aleggsmidler Egekapialavkasig eer ska Joh-Erik Adreasse 1 Høgskole i Øsfold Skaesaser med

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

Introduksjon til økonometri, kap 8, 9.1 og 9.2. Hva er formålet med økonometri? Utvalgskorrelasjoner To-variabel regresjoner

Introduksjon til økonometri, kap 8, 9.1 og 9.2. Hva er formålet med økonometri? Utvalgskorrelasjoner To-variabel regresjoner Itroduksjo tl økoometr, kap 8, 9.1 og 9. Hva er formålet med økoometr? Utvalgskorrelasjoer To-varabel regresjoer Iformasjo fra data Målet med økoometr er å lære oe fra data Øke vår kuskap ved å oppdage

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

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

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

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

TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>. ECON: EKAMEN TALLVAR. et abefales at de 9 deloppgavee merket med A, B, teller lkt uasett varasjo vaskelghetsgrad. varee er gtt

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

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

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

Eksamen i Matematikk desember, Løsningsforslag. . Det gir iht tabell ( nr.[22] ): G(s) = 3

Eksamen i Matematikk desember, Løsningsforslag. . Det gir iht tabell ( nr.[22] ): G(s) = 3 Høgskole i Gjøvik Avdelig for Tekologi Eksame i Maemaikk 5. desember Løsigsforslag OPPGAVE a) f () e si() Aleraiv s 8s Seer: g () si( ). De gir ih abell ( r.[] ): G(s) (s + ) (s + 9) Har a: f () e g().

Detaljer

Oppgave 3, SØK400 våren 2002, v/d. Lund

Oppgave 3, SØK400 våren 2002, v/d. Lund Oppgave 3, SØK400 våren 00, v/d. Lnd En bonde bonde dyrker poteter. Hvs det blr mldvær, blr avlngen 0. Hvs det blr frost, blr avlngen. Naboen bonde, som vl være tsatt for samme vær, dyrker også poteter,

Detaljer

Øvingsoppgaver. Innledende oppgaver. Alle oppgaver er merket ut fra vanskelighetsgrad på følgende måte: * Enkel ** Middels vanskelig *** Vanskelig

Øvingsoppgaver. Innledende oppgaver. Alle oppgaver er merket ut fra vanskelighetsgrad på følgende måte: * Enkel ** Middels vanskelig *** Vanskelig Øvngsoppgaver Alle oppgaver er merke u fra vanskelghesgrad på følgende måe: * Enkel ** Mddels vanskelg *** Vanskelg Innledende oppgaver Oppgave 1.1* Den esmere varansen l varabelen y er lk 39,. Toal varasjon

Detaljer

Pengepolitikk i teori og praksis

Pengepolitikk i teori og praksis Pengepolkk Pengepolkk eor og prakss 6. mars 8 Krsne Høegh-Omdal og Kar Due-Andresen Pengepolsk avdelng Agenda. Pengepolkken Norge. Teor for pengepolsk analyse. Modeller for pengepolkk Norges Bank. Pengepolkken

Detaljer

Algebra R2, Prøve 1 løsning

Algebra R2, Prøve 1 løsning Algebra R, Prøve løsig Del Tid: 70 mi Hjelpemidler: Skrivesaker Oppgave E rekke er gi ved a og a Du skal ) udersøke hva slags rekke de er Vi fier de førse leddee: a a a a, 6, 3 0, 4 4 3 4 De ser u som

Detaljer

Hva påvirker gjeldsveksten i husholdningene?

Hva påvirker gjeldsveksten i husholdningene? Hva påvrker gjeldsveksen husholdnngene? Dag Hennng Jacobsen, konsulen Avdelng for fnansnsusjoner, og Bjørn E. Naug, senorrådgver Forsknngsavdelngen 1 Husholdnngenes gjeld har øk med 10 11 prosen per år

Detaljer

Eksamensoppgave i TMA4240 Statistikk

Eksamensoppgave i TMA4240 Statistikk Insu for maemaske fag Eksamensoppgave TMA44 Saskk Faglg konak under eksamen: John Tyssedal, aakon akka. Tlf.: John Tyssedal: 4645376. Tlf: aakon akka: 97955667. Eksamensdao: 7..4 Eksamensd (fra-l): 9.-3.

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

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

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

Randi Johannessen. Mikroindeksformel i konsumprisindeksen. 2001/64 Notater 2001

Randi Johannessen. Mikroindeksformel i konsumprisindeksen. 2001/64 Notater 2001 2/64 Notater 2 Rad Johaesse Mkrodeksformel kosumprsdekse Avdelg for økoomsk statstkk/sekso for økoomske dkatorer Emegruppe: 8.2. Ihold. Bakgru og kokluso...3 2. Levekostadsdekser...4 2.. Kosumetes tlpasg...4

Detaljer

HMS- og kvalitetsperm Revidert november 2012

HMS- og kvalitetsperm Revidert november 2012 HMS- og kvalesperm Revder ovember 2012 2012 INNHOLD 1 Lederskap og forplkelse... 3 Asvar og orgaserg... 3 Oppfølggsasvar... 3 2 Polcy og sraegske målseger.... 4 Orgasasjoskar HMS asvarsfordelg.... 4 Vsjo...

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

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

TMA4240/4245 Statistikk Eksamen august 2016

TMA4240/4245 Statistikk Eksamen august 2016 Norges teknsk-naturvtenskapelge unverstet Insttutt for matematske fag TMA44/445 Statstkk Eksamen august 6 Løsnngssksse Oppgave a) Ved kast av to ternnger er det 36 mulge utfall: (, ),..., (6, 6). La Y

Detaljer

Notater. Mona Irene Andersen og Annette Kalvøy. Prisindeks for telekommunikasjonstjenester 2009/26. Notater

Notater. Mona Irene Andersen og Annette Kalvøy. Prisindeks for telekommunikasjonstjenester 2009/26. Notater 2009/26 Noaer Mona Irene Andersen og Annee Kalvøy Noaer rsndeks for elekommunkasjonsjeneser Avdelng for nærngssaskk/seksjon for ranspor-, reselvs- og IKT-saskk Innhold. Innlednng... 2 2. Inernasjonale

Detaljer

Rotasjonsbevegelser 13.04.2015

Rotasjonsbevegelser 13.04.2015 Roasjonsbevegelser 3.04.05 Mveseksamen: resulaer leges u nese uke løsnngsforslag på semesersden koneeksamen bare for sudener med begrunne fravær kke nødvendg å så på mveseksamen for å gå opp l slueksamen

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

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

Seleksjon og uttak av alderspensjon fra Folketrygden

Seleksjon og uttak av alderspensjon fra Folketrygden ato: 07.01.2008 aksbehandler: DH Seleksjon og uttak av alderspensjon fra Folketrygden Dette notatet presenterer en enkel framstllng av problemet med seleksjon mot uttakstdpunkt av alderspensjon av folketrygden.

Detaljer

FYS3140 KORT INTRODUKSJON TIL KONTINUERLIGE GRUPPER

FYS3140 KORT INTRODUKSJON TIL KONTINUERLIGE GRUPPER FYS340 KORT INTRODUKSJON TIL KONTINUERLIGE GRUPPER I en konnuerlg gruppe avhenger hver eleen av e se av paraere a, a 2, a r, slk a e vlkårlg eleen ar foren G(a, a 2, a r ) Anall paraere r er gruppens densjon

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

Working Paper ANO 2002/3. Estimering av indikatorer for volatilitet. Kjetil Johan Rakkestad. Avdeling for verdipapirer og internasjonal finans

Working Paper ANO 2002/3. Estimering av indikatorer for volatilitet. Kjetil Johan Rakkestad. Avdeling for verdipapirer og internasjonal finans ANO 00/3 Oslo februar 00 Workng Paper Avdelng for verdpaprer og nernasjonal fnans Esmerng av ndkaorer for volale av Kjel Johan Rakkesad Workng papers fra Norges Bank kan beslles over e-pos: posen@norges-bankno

Detaljer

Del A: Diskret optimering og heuristiske metoder Leksjon 8

Del A: Diskret optimering og heuristiske metoder Leksjon 8 Del A: Dskret optmerg og heurstske metoder Lekso 8 Sefsforsker Ger Hasle SINTEF Avedt matematkk, Oslo!"# Kategorserg av metaheurstkker Kostruktve heurstkker Mult-start baserte metaheurstkker Tlfeldg Restart

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

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

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

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

Appendiks 1: Organisering av Riksdagsdata i SPSS. Sannerstedt- og Sjölins data er klargjort for logitanalyse i SPSS filen på følgende måte:

Appendiks 1: Organisering av Riksdagsdata i SPSS. Sannerstedt- og Sjölins data er klargjort for logitanalyse i SPSS filen på følgende måte: Appendks 1: Organserng av Rksdagsdata SPSS Sannerstedt- og Sjölns data er klargjort for logtanalyse SPSS flen på følgende måte: Enhet År SKJEBNE BASIS ANTALL FARGE 1 1972 1 0 47 1 0 2 1972 1 0 47 1 0 67

Detaljer

INF3400 Del 5 Statisk digital CMOS

INF3400 Del 5 Statisk digital CMOS INF400 Del 5 Sask dgal MOS Elmore forsnkelsesmodell modell: modell NANDN: NAND 1 9 Forsnkelsesmodell: N 1 j 1 j 1 NAND Ulegg 7 10 1 Parassk dsforsnkelse: V kaller dffusjonskapasanser for parasske kapasanser

Detaljer

Diskretisering av et kontinuerlig problem vedbruk av prinsippet om minimum potensiell energi. For et lineært elastisk material:

Diskretisering av et kontinuerlig problem vedbruk av prinsippet om minimum potensiell energi. For et lineært elastisk material: ME 5 Eergmetoder Dskretserg a et kotuerg probem edbruk a prsppet om mmum potese eerg otese eerg for et eastsk system: Oerfatekrefter traksoer pr. fateehet Idre oum-krefter Forskyger Fu Fy Fz w dv u y z

Detaljer

Om enkel lineær regresjon I

Om enkel lineær regresjon I 1 ECON 130 HG, revdert 017 Notat tl kapttel 7.1 7.3.3 Løvås (Jfr. forelesg uke 11) Om ekel leær regresjo I (deskrptv aalse og ltt om regresjosmodelle tl slutt) 1 Iledg Ekel regresjosaalse dreer seg om

Detaljer

Statistikk og økonomi, våren 2017

Statistikk og økonomi, våren 2017 Statstkk og økonom, våren 7 Oblgatorsk oppgave Løsnngsforslag Oppgave Anta at forbruket av ntrogen norsk landbruk årene 987 99 var følgende målt tonn: 987: 9 87 988: 8 989: 8 99: 8 99: 79 99: 87 99: 9

Detaljer

Om enkel lineær regresjon I

Om enkel lineær regresjon I ECON 30 HG, revdert 0 Notat tl kapttel 4 Løvås Om ekel leær regresjo I Iledg Ekel regresjosaalse dreer seg om å studere sammehege mellom e resposvarabel,, og e forklargsvarabel,, basert på et datamaterale

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

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi HØGSOLEN I SØ-ØNDELAG Avdelig for ekologi Målform: Bokmål Eksamesdao: 4.1.13 Varighe/eksamesid: 9-14 Emekode: Emeav: lasse(r): ED33 Isrumeerigsekikk ELA11H Sudiepoeg: 1 Faglærer(e): (av og elefor på eksamesdage)

Detaljer

JUBILEUMSLOTTERIET 2013-20 ÅR

JUBILEUMSLOTTERIET 2013-20 ÅR 1994-13 år JUBILEUMSLOTTERIET 13 - ÅR Kr 30,1994-13 år og vi Skrap frem 3 like og vi! di lokale foballklubb! ES 1 Se spilleregler på bakside! X X- 0 0 0 0 0-0 0 0 2 3 4 5 6 7 8 Kr 50,- 24 9 23 22 Skrap

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

Kostnadsindeks for buss

Kostnadsindeks for buss Noaer Documens 28/213 Fw Wolday Kosnadsndeks for buss Slurappor for dokumenasjon av uvklngsoppdrage Noaer 28/213 Fw Wolday Kosnadsndeks for buss Slurappor for dokumenasjon av uvklngsoppdrage Sassk senralbyrå

Detaljer

Håvard Hungnes Dokumentasjon av faktoretterspørselssystemet i Kvarts og Modag

Håvard Hungnes Dokumentasjon av faktoretterspørselssystemet i Kvarts og Modag Noaer 4/00 Håard Huges Doumeaso a faoreersørselssyseme Kars og Modag Sass seralbyrå Sascs Norway Oslo Kogsger Noaer I dee sere ublseres doumeaso meodebesrelser modellbesrelser og sadarder. Sass seralbyrå

Detaljer