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

Størrelse: px
Begynne med side:

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

Transkript

1 Hvorda edre kotraste et blde? Reetsjosforeles før dtveseksae våre 6 Osuer av foreles 4 o 5, råtoetrasforasjoer o hstoratrasforasjoer. Ole Marus Hoel Rdal 9..6 Hva er kotrast? Det er flere ule defsjoer av dette bereet. De fleste er varasjoer over teaet dfferase/jeostt so ka avedes å ae fysske eeskaer Her holder v oss tl luostet. I Ib Weber kotrast Weber fracto Mchelso kotrast Vsblty RMS kotrast N MN M I I x y I I I Max Max b I I råtoehstoraer tt et råtoeblde ed ksler o råtoer Et hstora, h, er slk at: h = atall ksler bldet ed kselverd Daes ved å å jeo alle kslee o telle råtoer V har aturlvs at h

2 Ekseel hstora Ekseler Blde: 3 h Hstora: # ksler Pkselverd V har at Noralsert hstora h Det oralserte hstoraet er: h, ka ses å so e sasylhetsfordel for kselverdee Uavhe av atall ksler bldet Ma ka s e del o bldet ut fra dee sasylhets tetthetsfuksjoe Kuulatvt hstora Hvor ae ksler har råtoe dre e eller lk råtoe j? c j Noralsert kuulatvt hstora: j c j h Sasylhete for at e tlfeld ksel har råtoe dre eller lk j

3 h h Ekseel, kuulatvt hstora Leær avbld Leær strekk [ ] a b a f b Hstora o kuulatvt hstora sae fur a reulerer kotraste, o b lyshete a>: er kotrast a<: dre kotrast b : flytter alle råtoer b våer Neatver : a=-, b = axverd for bldetye Edre lyshete brhtess Edre kotraste Lee tl e kostat b tl alle kselverdee y f b Multlsere hver kselverd ed e faktor a: y a f Hvs b >, alle kselverdee øker, o bldet blr lysere Hvs b <, bldet blr ørkere Hstoraet flyttes o eller ed ed b Mddelverde edres! hf f Hvs a >, kotraste øker Hvs a <, kotraste ker Eks: Bruke hele testetsskalae Q: Hva skjer ed ddelverde? hf f

4 Alteratv llustrasjo Fra råtoevå [f,f ] tl [, ] Edre brhtess : y f b f Edre tervallet [f, f ] tl å bl [, ] E leær a fra f tl : y f y f f f a f f Edre kotrast: y a f Rett lje ed ststall a= - /f -f f f f 9..6 f Kl etter trasfor Stadardser av blder O får verder utefor det støttede tervallet, foretas so oftest kl av verdee F.eks vl et used byte blde bl tvuet tl å ha testeter efor tervallet [, 55] ax Heskt: Søre for at alle bldee e sere er statstsk lke. orde Metode: Justere ddelverde o varase tl råtoeverdee bldet ved hjel av e leær råtoetrasfor Hvorfor? V vl fjere effekte av Døvarasjo belys Aldrseffekter laer o detektorer Akkuuler av støv å lser etc. Hvor: Produkt seksjo dustr Mkroskoer av celler... Neste uke: Ka oså stadardsere bldee ed hstorasesfkasjo, e vl da kke beholde fore å hstoraet

5 Mddelverde av råtoee Mddelverde av kselverdee et blde ed х ksler o råtoer ka fes ete fra bldet eller fra bldets hstora, evt fra oralsert hstora..., x y h h h h y x f, : h der Noralsert hstora Hvorfor e fordel ed det sste alteratvet? Varas av råtoee Varase av kselverdee et blde ed x ksler o råtoer ka oså fes fra bldets hstora ] [ ] [ ], [ x y h y x f Juster av μ o σ tt blde ed ddelverd μ o varas σ Ata e leær råtoe trasfor []=a+b Ny ddelverd μ o varas σ er da tt ved Dvs. a=σ /σ, b= μ aμ V ka altså vele ye μ o σ, beree a o b, avede []=a + b å bldet o få et ut blde ed rkt μ o σ b a ] [ ] [ ] [ a a b a b ab a Ikke leær trasfor Loartsk skaler Eks: Desbel o radarblder, Fourer trasfor Eksoetell skaler aa skaler Stykkevs leær skaler Hva jøres ed kotraste de ørke o lyse delee av bldet etter slke skalerer? e sksse av fuksjoee o se å Δf ot Δ 9..6

6 Loartske trasforasjoer Hvlke av trasforasjoee tl høyre er brukt her? Power law aa trasforasjoer Mae blderoduserede aarater har et ut/outut forhold so ka beskrves so: s c der s er ut testete ved e ut F 3.6 DIP γ <: de ørke dele av skalae strekkes ut γ =: dettets trasfor γ >: de lyse dele av skalae strekkes ut eerell kotrast aulasjo Brukervel ed ku é varabel F 3.3 DIP aa styrt bldeforbedr F 3.8 DIP F 3.9 DIP Dtal bldebehadl Foreles 5 Hstora trasforasjoer Ole Marus Hoel Rdal ordal@f.uo.o Etter orale foler av Frtz Albretse. γ = γ =.6 γ =.4 γ =.3 γ = γ = 3 γ = 4 γ =

7 Hstorautjev hstora equalzato Maksal kotrast: Alle kselverder lke sasyle Hstoraet er ufort flatt Øsker e trasforasjo av bldet slk at det trasforerte bldet har ufort hstora Dvs. at bldet har lke ae ksler for hver råtoe lærer ved å flytte å hstorasøyler reer e overskt over hvor hver søyle skal flyttes: [] Alorte for hstorautjev For et blde ed L råtoer: La array, c o av lede L ed talverd F bldets oralserte hstora å jeo bldet ksel for ksel. Hvs ksel har testet, la []=[]+ Deretter skalér, [] = []/*, =,,,L La det oralserte kuulatve hstoraet c c [] = [], c [] = c [ ]+[], =,,...,L Sett verder trasfor array [] = Roud L *c [], =,,...,L å jeo bldet ksel for ksel, Hvs bldet har testet, sett testet ut bldet tl s=[] Ekseel hstorautjev 3 Ekseel hstorautjev F bldets oralserte hstora La det oralserte kuulatve hstoraet c Sett verder trasfor array [] = Roud L *c [] for =,,...,L

8 Hstorautjev Hstorautjev ka flytte hstorasøyler Ka oså slå sae søyler Me ka kke sltte søyler r bare tlæret flatt hstora utbldet Utbldets kuulatve hstora ster leært Hstoratlas Hstorautjev r tlæret flatt hstora Ka hede at v øsker å sesfsere ae for å resultathstoraet:. jør hstorautjev å bldet, f s=. Sesfser øsket ytt hstora z 3. F de trasfore so hstorautjever z, o f verstrasfore 4. Iverstrasforer det hstorautjevede bldet fra ukt ved z= s Alorte hstorasesfkasjo las tl auss fordel F oralsert hstora, r, for utbldet, fr. La det oralserte kuulatve hstoraet c. Sett s=roud L *c [], =,,...,L, rasforasjo. tt øsket hstora, z, for bldet z. Bere kuulatvt sesfsert hstora, skalér, avrud tl æreste heltall [,L ], o lare q. For =,,,L, f q slk at q er ærest ul s, o lare alle dsse atchee e array. Hvs flere q r sae atch, vel de ste. Kober så de de to trasforee o tl e y a. Alteratvt først hstorautjev bldet ed trasforasjoe, for så å trasforere det hstorautjevede bldet ed trasforasjoe

9 las tl auss fordel Hstora atch Hstoratlas hvor det ee bldets hstora beyttes so øsket for Hstorautjev av RB blder Eks: Hstorautjev RB vs HSI Hstorautjev å hver kooet r,,b uavhe av hveradre Ka føre tl edr faretoee bldet Alteratvt beytte HSI: rasforér bldet fra RB tl HSI jør hstorautjev å I kooete rasforer HSI y tlbake tl RB S rø blå hvt ul H aeta I svart O v jør hstorautjev å RB kaalee edrer v faretoee For HSI er det ku I verde so rereseterer råtoe o dee ka «tryt» utjeves

10 Eks: Hstorautjev RB vs HSI Lokal råtoetrasfor Vl stadardsere de lokale kotraste Sae kotrast over hele bldet Oralblde Hstorautjev å RB HSI: Hue = re fare, saturato = fareet, testy = råtoe. Hstorautjev testet HSI rasforasjoee v har sett å ka oså berees ut fra ksel verdee e lokal oe kvadratsk vdu okr uktet Ku kselverde bestees av trasfore basert å dette vduets ksler Altså ee trasfor for hvert ksel bldet lokal adatvtet Lokal råtoetrasfor Utfør lokal so r «sae kotrast» over hele bldet V skal se å to etoder : Lokal hstorasesfkasjo/utjev Oså kjet so adatv hstorautjev AHE Adatve hstora equalzato E ye brukt varat: CLAHE cotrast lted adatve hstora equalzato : Leær stadardser av σ tl σ Bere μ o σ et vdu setrert o rasforer f tl ed e leær trasfor so r ytt stadardavvk σ efor vduet f V ko fra tl dsse uttrykkee forre uke! 6..6 Lokal hstorasesfkasjo/utjev Oså kjet so adatv hstorautjev AHE Adatve hstora equalzato Bere kuulatvt hstora et vdu setrert o Edre seterksele ved de resulterede trasfore Størrelse å vduet er e vkt araeter. Pksler las kate å behadles seselt. Hver ksel får altså s ee trasfor, dette er e svært reekrevede freasåte. V ka utytte at vduee er overlaede utree. 6..6

11 lobal HstEq vs Lokal HstEq Kotrastbereset lokal hstorasesfkasjo/utjev E ye brukt varat: CLAHE cotrast lted adatve hstora equalzato Her «bereser v kotraste» ved å kle hstoraet før v reer ut det kuulatve hstoraet. Dette r e trasforasjo ed lavere ststall, so r dre kotrast. Fra DIP, ozales & Woods Lokal hstorasesfkasjo/utjev Leær stadardser av σ tl σ Hele bldet ble oe er «varerede», e detaljer bldet so for ekseel fele o hjulet ble er tydel. Leær stadardser av σ tl σ Bere μ o σ et vdu setrert o rasforer f tl ed e leær trasfor so r ytt stadardavvk σ efor vduet f V ko fre tl dette forre uke: a, b a [ ]

12 Leær stadardser tl σ o μ Øsker v lokal so oså r e y ddelverd μ, så bruker v trasfore f Me dette vl et flatt blde Paraetere β ka styre hvor kraft v edrer μ: β = => uforadret ddelverd over hele bldet β = => lk ddelverd over hele bldet 3 f Leær stadardser tl σ o μ Hva er karakterstsk for hooee oråder et blde? Her får v robleer, ford v har σ evere: 3... Ifører araetere δ: 4 f Lokal kselverd a r økt reearbed. f Lokal Ekseel I Setrale teaer da Oral lobal hstorautjev Lokal edr av ddelverd o kotrast Hstoratrasforasjoer Hstorautjev Hstoratlas Stadardser av hstora for blledserer Fjere effekte av varasjoer avbldsforhold døvarasjo, lae, støv etc Ikke lurt ed hstoratlas hvs hstora fore eholder forasjo so seere skal beyttes Alteratv tl stadardser av blder ed leær trasfor Ltt o hstoratrasforasjoer fareblder Lokal råtoe trasforasjo. etode: Lokal hstorautjev/tlas Kotrastbereset lokal hstorautjev/tlas. etode Sae kotrast o ddelverd over hele bldet Bere o beytt trasforee å lokalt vdu rudt hver ksel Dette er reekrevede

13 Adre ressurser If3.olearus.et

Gråtonehistogrammer. Histogrammer. Hvordan endre kontrasten i et bilde?

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

Detaljer

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

Temaer i dag. Gjennomgang av eksempler. Hvordan endre kontrasten i et bilde? INF 2310 Digital bildebehandling eaer da INF 3 Dtal ldeehadl FORELESNIN 4 RÅONE-RaNSFORMaSJONER Ole Marus Hoel Rdal ordal@.uo.o Foler laet av Frtz Alretse Hstoraer Leære råtoetrasorer Stadardser av lder ed leær trasor Ikke-leære, araetrske

Detaljer

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

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

Detaljer

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

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

Detaljer

INF 2310 Digital bildebehandling

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

Detaljer

Oversikt over tester i Econ 2130

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

Detaljer

Forelesning 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

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

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

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

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

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

INF 2310 Digital bildebehandling

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

Detaljer

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

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

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

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

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

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

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

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

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

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

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

Detaljer

Forelesning 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

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

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

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

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

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

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

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

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

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

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

INF 2310 Digital bildebehandling

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

Detaljer

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

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

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

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

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

Detaljer

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 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

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

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

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

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

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

Gråtone-transformasjoner Hovedsakelig fra kap i DIP

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

Detaljer

INF 2310 Digital bildebehandling

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

Detaljer

Geometriske operasjoner

Geometriske operasjoner Geometrske operasjoner INF 23 27.2.27 Kap. 9 (samt 5.5.2) Geometrske operasjoner Affne transformer Interpolasjon Samregstrerng av blder Endrer på pkslenes possjoner ransformerer pkselkoordnatene (x,) tl

Detaljer

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

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

Detaljer

UNIVERSITETET I OSLO

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

Detaljer

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

Geometriske operasjoner

Geometriske operasjoner Geometrske operasjoner INF 23 29..28 Kap. 2.4.4 og 2.6.5 DIP Geometrske operasjoner Affne transformer Interpolasjon Samregstrerng av blder Endrer på pkslenes possjoner ransformerer pkselkoordnatene (x,)

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

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

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

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

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

TMA4245 Statistikk Eksamen mai 2017

TMA4245 Statistikk Eksamen mai 2017 TMA445 Statistikk Eksame mai 07 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Løsigsskisse Oppgave a Når vi reger ut disse tre sasylighetee må ma huske på at de mulige verdiee

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

Kapittel 9 ALGEBRA. Hva er algebra?

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

Detaljer

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

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

Oversikt over konfidensintervall i Econ 2130

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

Detaljer

ARBEIDSHEFTE I MATEMATIKK

ARBEIDSHEFTE I MATEMATIKK ARBEIDSHEFTE I MATEMATIKK Temahefte r Hvorda du reger med poteser Detaljerte forklariger Av Matthias Loretze mattegriseforlag.com Opplsig: E potes er e forkortet skrivemåte for like faktorer. E potes består

Detaljer

Statistikk med anvendelse i økonomi

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

Detaljer

Kapittel 1: Beskrivende statistikk

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

Detaljer

Temaer i dag. Repetisjon av histogrammer II. Repetisjon av histogrammer I. INF 2310 Digital bildebehandling FORELESNING 5.

Temaer i dag. Repetisjon av histogrammer II. Repetisjon av histogrammer I. INF 2310 Digital bildebehandling FORELESNING 5. Temaer i dag INF 231 Digital bildebehandling FORELESNING 5 HISTOGRAM-TRANSFORMASJONER Fritz Albregtsen Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for

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

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

LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004

LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004 Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag Side av 0 LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004 Oppgave Midtveiseksame a) X er e stokastisk variabel

Detaljer

Statistikk og økonomi, våren 2017

Statistikk og økonomi, våren 2017 Statistikk og økoomi, våre 07 Obligatorisk oppgave 6 Løsigsforslag Oppgave E terig kastes 0 gager, og det registreres hvor mage 6-ere som oppås i løpet av disse 0 kastee. Vi ka kalle atall 6-ere i løpet

Detaljer

ØVINGER 2017 Løsninger til oppgaver

ØVINGER 2017 Løsninger til oppgaver ØVINGER 017 Løsnnger tl oppgaver Øvng 1 7.1. Med utgangspunkt de n 5 observasjonsparene (x 1, y 1 ), (x, y ),..., (x 5, y 5 ) beregner v først mddelverdene x 1 5 Estmert kovarans blr x 3. ȳ 1 5 s XY 1

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

x n = 1 + x + x 2 + x 3 + x x n + = 1 1 x

x n = 1 + x + x 2 + x 3 + x x n + = 1 1 x Potesrekker Forelest: 29. Sept, 2004 Vi lærte fra de geometriske rekkee at x = 1 + x + x 2 + x 3 + x 4 + + x + = 1 1 x så lege x < 1. For uttrykket til høyre er ikke oe aet e sum-formele for geometriske

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

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO Løsnngsforslag UNIVERSITETET I OSLO Det matematsk-naturvtenskapelge fakultet Eksamen : INF3 Dgtal bldebehandlng Eksamensdag : Trsdag 9. mars 3 Td for eksamen : 5: 9: Løsnngsforslaget er på : sder Vedlegg

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

EKSAMEN Løsningsforslag

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

Detaljer

Oblig 2 - MAT1120. Fredrik Meyer 26. oktober 2009 = A = P1 1 A 1 P 1 A 1 A 2 = P 1. A k+1. A k P k

Oblig 2 - MAT1120. Fredrik Meyer 26. oktober 2009 = A = P1 1 A 1 P 1 A 1 A 2 = P 1. A k+1. A k P k Oblig 2 - MAT20 Fredri Meyer 26 otober 2009 Matrisee A i er defiert sli der P er e rotasjosmatrise som defierer i oppgave 2: A A 2 A + = A = P A P = P A P Oppgave Matrisee A i+ og A i er similære det fies

Detaljer

ILLUSTRATOR enklere enn noensinne. Merete Jåsund, IGM. making. d e s i

ILLUSTRATOR enklere enn noensinne. Merete Jåsund, IGM. making. d e s i ILLUSTRATOR eklere e oesie Merete Jåsud, IGM maki maki Illustrator eklere e oesie I de siste versjoe av Illustrator er eda flere ti blitt redierbare til siste slutt - e trekk som mer e oe aet som har preet

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

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

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

Detaljer

Eksempel 1 - Er gjennomsnittshøyden for kvinner i Norge økende?

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

Detaljer

Løsning TALM1005 (statistikkdel) juni 2017

Løsning TALM1005 (statistikkdel) juni 2017 Løsig TALM1005 statistikkdel jui 2017 Oppgave 1 a Har oppgitt at sasyligte for at é harddisk svikter er p = 0, 037. Ifører hedelsee A : harddisk 1 svikter B : harddisk 2 svikter C : harddisk 3 svikter

Detaljer

f(x)dx = F(x) = f(u)du. 1 (4u + 1) du = 3 0 for x < 0, 2 + for x [0,1], 1 for x > 1. = 1 F 4 = P ( X > 1 2 X > 1 ) 4 X > 1 ) =

f(x)dx = F(x) = f(u)du. 1 (4u + 1) du = 3 0 for x < 0, 2 + for x [0,1], 1 for x > 1. = 1 F 4 = P ( X > 1 2 X > 1 ) 4 X > 1 ) = TMA Statistikk Norges tekisk-aturviteskapelige uiversitet Istitutt for ateatiske fag Løsigsforslag - Eksae deseber 9 Oppgave a Besteer k ved å kreve fxdx =, fxdx = De kuulative fordeligsfuksjoe Fx er gitt

Detaljer

Alle deloppgaver teller likt i vurderingen av besvarelsen.

Alle deloppgaver teller likt i vurderingen av besvarelsen. STK H-26 Løsnngsforslag Alle deloppgaver teller lkt vurderngen av besvarelsen. Oppgave a) De normalfordelte: x og sd for hver gruppe. De skjevfordelte og de ekstremt skjevfordelte: Medan og kvartler for

Detaljer

Illustrasjon av regel 5.19 om sentralgrenseteoremet og litt om heltallskorreksjon (som i eksempel 5.18).

Illustrasjon av regel 5.19 om sentralgrenseteoremet og litt om heltallskorreksjon (som i eksempel 5.18). Econ 2130 HG mars 2012 Supplement tl forelesnngen 19. mars Illustrasjon av regel 5.19 om sentralgrenseteoremet og ltt om heltallskorreksjon (som eksempel 5.18). Regel 5.19 ser at summer, Y = X1+ X2 + +

Detaljer

UNIVERSITETET I OSLO

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

Detaljer

STK desember 2007

STK desember 2007 Løsnngsfrslag tl eksamen STK0 5. desember 2007 Oppgave a V antar at slaktevektene tl kalkunene fra Vrgna er bserverte verder av stkastske varabler X, X 2, X, X 4 sm er uavhengge g Nµ, σ 2 -frdelte, g at

Detaljer

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

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

Detaljer

Dynamisk programmering. Hvilke problemer? Overlappende delproblemer. Optimalitetsprinsippet

Dynamisk programmering. Hvilke problemer? Overlappende delproblemer. Optimalitetsprinsippet Dynamsk programmerng Hvlke problemer? Metoden ble formalsert av Rchard Bellmann (RAND Corporaton) på -tallet. Har ngen tng med programmerng å gøre. Dynamsk er et ord som kan aldr brukes negatvt. Skal v

Detaljer

Lokale operasjoner. Omgivelser/naboskap/vindu. Bruksområder - filtrering. INF 2310 Digital bildebehandling

Lokale operasjoner. Omgivelser/naboskap/vindu. Bruksområder - filtrering. INF 2310 Digital bildebehandling Lokale operasjoner INF 3 Dtal bldebehandln Naboskaps-operasjoner - I Lneær fltrern Konvolusjon Korrelasjon Gradent-operatorer Efford kap. 7.-7.. V skal bare se på teknkker blde-domenet Blde-domenet refererer

Detaljer

Estimering 2. -Konfidensintervall

Estimering 2. -Konfidensintervall Estimerig 2 -Kofidesitervall Dekkes av kap. 9.4-9.5, 9.10, 9.12 og forelesigsotatee. Dersom forsøket gjetas mage gager vil (1 α)100% av itervallee [ ˆΘ L, ˆΘ U ] ieholde de ukjete parametere θ (som er

Detaljer

Repetisjon av histogrammer

Repetisjon av histogrammer Repetisjon av histogrammer INF 231 Hovedsakelig fra kap. 3.3 i DIP Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for billedserier Litt om histogramtransformasjoner

Detaljer

Spill med fullstendig info.

Spill med fullstendig info. Spll med fulltedg fo. Foreleger pllteor V, del G.B. Ahem, pllteor, oppdat... Spllteor tuderer flerpero-belutgproblemer, og aalyerer aktører om er rajoelle (har veldeferte preferaer) reoerer trategk (tar

Detaljer

H 1 : µ 1 µ 2 > 0. t = ( x 1 x 2 ) (µ 1 µ 2 ) s p. s 2 p = s2 1 (n 1 1) + s 2 2 (n 2 1) n 1 + n 2 2

H 1 : µ 1 µ 2 > 0. t = ( x 1 x 2 ) (µ 1 µ 2 ) s p. s 2 p = s2 1 (n 1 1) + s 2 2 (n 2 1) n 1 + n 2 2 TMA4245 Statistikk Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer b4 Løsigsskisse Oppgave 1 Vi øsker å fie ut om et ytt serum ka stase leukemi. 5 mus får serumet, 4

Detaljer

Romlig frekvens. INF 2310 Digital bildebehandling. Sampling av kontinuerlige signaler. Samplingsteoremet (Shannon/Nyquist) En kort midtveis-repetisjon

Romlig frekvens. INF 2310 Digital bildebehandling. Sampling av kontinuerlige signaler. Samplingsteoremet (Shannon/Nyquist) En kort midtveis-repetisjon Roml rekvens IN 3 Dtal bldebehandln En kort mdtves-repetson rtz Albretsen T Perode T.eks. mm eller µm rekvens /T.3. IN3.3. IN3 Sampln av kontnuerle snaler Samplnsteoremet Shannon/Nqust Anta at det kontnuerle

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