Dynamisk programmering. Hvilke problemer? Overlappende delproblemer. Optimalitetsprinsippet

Størrelse: px
Begynne med side:

Download "Dynamisk programmering. Hvilke problemer? Overlappende delproblemer. Optimalitetsprinsippet"

Transkript

1 Dynamsk programmerng Metoden ble formalsert av Rchard Bellmann (RAND Corporaton på -tallet. Programmerng betydnngen planlegge, ta beslutnnger. (Har kke noe med kode eller å skrve kode å gøre. Dynamsk for å ndkere at det er en stegvs prosess. Men også et pynteord. Hvlke problemer? Dynamsk programmerng brukes typsk tl å løse optmalserngsproblemer. (Problemer hvor det kan være mange mulge løsnnger, og hvor v ønsker å fnne den beste optmere en obektvfunkson. Skal v kunne løse et problem med dynamsk programmerng, må det kunne deles opp mndre og mndre bter helt tl v kommer tl et delproblem så lte at løsnngen lett kan fnnes. V starter med løsnngene på små delproblemer, og kombnerer dsse tl løsnnger på større delproblemer, helt tl v har løsnngen på hele problemet. Skal dynamsk programmerng være en egnet metode (rask, godt svar må: optmaltetsprnsppet p pp holde, delproblemer må overlappe, og antall delproblemer være polynomsk. Optmaltetsprnsppet Gtt et optmalserngsproblem, og en funksonen combne som kombnerer løsnnger på delproblemer tl løsnnger på større problemer, så ser v at optmaltetsprnsppet holder hvs følgende alltd er sant: Hvs S = combne(s, S,, S m, og S er en optmal løsnng på sn problemnstans, Overlappende delproblemer En dynamsk programmerngs-algortme starter med å løse de mnste delproblemene, og setter sammen dsse løsnngene tl løsnnger på større og større problemer. Hvs samme delproblem forekommer flere ganger, unngår v dobbeltarbed. Løsnngene på delproblemene lagres nemlg, og v slpper å løse dette delproblemet flere ganger. så er S, S,, S m optmale løsnnger på sne respektve problemnstanser. Hvs optmaltetsprnsppet holder, er problemet egnet for løsnng med dynamsk programmerng. Da genereres bare optmale løsnnger på delproblemer når v starter fra optmale løsnnger på de mnste delproblemene, og kombnerer dsse tl løsnnger på større problemer.

2 Overlappende delproblemer En dynamsk programmerngs-algortme starter med å løse de mnste delproblemene, og setter sammen dsse løsnngene tl løsnnger på større og større problemer. Hvs samme delproblem forekommer flere ganger, unngår v dobbeltarbed. Løsnngene på delproblemene lagres nemlg, og v slpper å løse dette delproblemet flere ganger. Dvde and conquer vs. Dynamsk programmerng g Dvde d and conquer (f.eks Qucksort op down (rekursvt kall Best egnet når delproblemene er uavhengge av hverandre. Da re-beregnes kke løsnnger på delproblemer. Kun relevante delproblemer løses. Dynamsk programmerng Bottom up Egnet når delproblemer overlapper, ettersom løsnnger lagres en tabell og v kan slå opp når v støter på et delproblem v har løst. Ulempen er at v beregner løsnnger på alle delproblemer. Metodene kan kombneres, såkalt memoserng, en dvde and conquer algortme kan lagre løsnnger på delproblemer en tabell og slå opp for å unngå dobbeltarbed. Fre enkle(? steg. Beskrv strukturen problemet, hvordan en løsnng er satt sammen av delløsnnger. Verfser at optmalserngsprnsppet faktsk holder.. Lag en formel for verden av en optmal løsnng (ut fra verden av av optmale delløsnnger.. Beregn verden tl en optmal løsnng, bottom up (lagre verden av optmale delløsnnger en tabell. (kap.. En streng P er en k-approksmason av en streng dersom kan konverteres tl P ved å utføre maksmalt k av følgende operasoner: Substtuson Et symbol byttes ut med et annet. llegg Et nytt symbol legges tl. Slettng Et symbol slettes fra. Edt dstance, ED(P,, mellom to strenger P og er det mnste antall slke operasoner som trengs for å konvertere P tl.. Konstruer en optmal løsnng ut fra beregnede verder. (Om v faktsk ønsker løsnngen, og kke bare nøyer oss med verden av en optmal løsnng. Eks. logarthm alogarthm algarthm algorthm (+a, -o, a/o P

3 .. Gtt to strenger og P, ønsker v å fnne edt dstance mellom dsse. Gtt to strenger og P, ønsker v å fnne edt dstance mellom dsse. La D [ ] = ED( P [: ], [: ]. (Edt dstance mellom delstrenger La D [ ] = ED( P [: ], [: ]. (Edt dstance mellom delstrenger V deler følgende delproblemer: V deler følgende delproblemer:. Hvs P [ ] = [ ], så er D [ ] = D [ -, -]. a P[: ] = a [: ]. Hvs P [ ] [ ], tenker v oss en optmal sekvens av operasoner som transformerer [: ]tlp P [: ]. Den sste operasonen, for å få [ ] = P [ ], kan være: Substtuson sette [ ] = P [ ], llegg legge tl symbol pos [ ], Slettng slettng symbol på pos [ ].. Substtuson sette [ ] = P [ ] a n n e P[: ] a n n f [: ] llegg legge tl symbol pos [ ] slettng av P [ ] a n n e P[: ] a n n [: ] Regner ut D [ ] ved å fnne D [ -, -] (edt dstance for det grå området, og legger tl for substtusonen. Å legge tl en e er det samme som å slette en P. Regner ut D [ ] ved å fnne D [ -, ](edt dstance for det grå området, og legger tl for slettngen P.. Formelen (rekursv defnson for ] vl altså være som følger:, ] = mn{ D [, ] +, D [, +, D [ ] + substtuson tllegg slettng slettng P, ] =, ] =, ] =. } hvs P[ ] = [ ellers Løsnngen, edt dstance mellom strengene, fnnes m,n] (P er av lengde m og av lengde n. Slettng slettng symbol på pos [ ] a n n P[: ] a n n e [: ] Regner ut D [ ] ved å fnne D [, -] (edt dstance for det grå området, og legger tl for slettngen.

4 .. Formelen (rekursv defnson for ] vl altså være som følger: Formelen (rekursv defnson for ] vl altså være som følger:, ] = mn{, ] +,, +, ] + substtuson tllegg slettng slettng P, ] =, ] =, ] =. } hvs P[ ] = [ ellers, ] = mn{, ] +,, +, ] + substtuson tllegg slettng slettng P, ] =, ] =, ] =. } hvs P[ ] = [ ellers /../. functon EdtDstance ( P [:n ], [:m ] for to n do ] for t to m do, ] for to n do for to m do If P [ ] = [ ] then ] -, - ] else ] mn { -, - ] +, -, ]+ +, - ] + } endf endfor endfor return( n, m ] end EdtDstance eks. P D a n e a del del ns n n e

5 ./. eks. D a n e V er gtt en sekvens M, M,, M n - av matrser og ønsker å beregne produktet M M M n -. V gør dette ved å sette parenteser, og multplsere par av matrser, f.eks slk: P a del del ns n n e M M M M = (M (M M M Parentesene kan settes på mange måter: (M (M (M M (M ((M M M ((M M (M M ((M (M M M (((M M M M Kostnaden (antall skalare multplkasoner kan varere veldg mellom de ulke måtene å sette parenteser på. Gtt to matrser A = p q matrse, B = q r matrse. Kostnaden (antall skalare multplkasoner ved å beregne A B er p q r (A B er en p r matrse. Eks. Beregn A B C, hvor A er en matrse, B er en matrse, og C er en matrse. Å beregne D = (A B koster, og gr en matrse. Å beregne D C koster,. otal kostnad for (A B C blr,. Å beregne E = (B C koster, og gr en matrse. Å beregne A E koster,. otal kostnad for A (B C blr,.. Gtt en sekvens av matrser M, M,, M n -, ønsker v å beregne produktet på bllgst mulg måte v må fnne optmal parentes-struktur. En parenterserng av sekvensen er en oppdelng to delsekvenser, som hver for seg må parenterseres: (M M M k (M k + M k + M n- V må prøve alle mulge k for å fnne hvor det er best å dele sekvensen. Hvert delngspunkt gr opphav tl to delproblemer parenterserng av venstre og høyre delsekvens. Består sekvensen bare av en matrse, er denne en parenterserng av seg selv. Har v en optmal parenterserng av en sekvens av matrser, så må parenterserngen av hver delsekvens også være optmal. Ellers kan v o bare bytte ut den som kke var optmal med en bedre en. (Optmaltetsprnsppet holder.

6 .. La d, d,, d n være dmensonene tl sekvensen av matrser M, M,, M n-, slk at matrse M har dmenson d d +. d La m være kostnaden av en optmal parenterserng av M, M +,, M Formelen (rekursv defnson for m vl være som følger: m, m { m + m + d d d }, for alle < n, = mn k k, k + + k<,, 9,,, m, =, for alle n,,,,,,,, Kostnaden av å utføre multplkasonen med den optmale parenterserngen fnner v m,n -../. d m m, = mn(d d d + m(, + m(,, d d d + m(, + m(,,, d d d + m(, + m(, = mn( + +,,,, +, +,, +, + 9,,,,,,,,,,, M M M M = M (M M M = (M M (M M c = (M M M M m,,, 9,,,,,,,,,,,

7 ./.. m, c c,, 9,,,,,,,,,,, M M M M M M = (M M M (M M M = ((M (M M ((M M (M./. Optmale søketrær functon OptmalParens( d[ : n ] for to n- do m[ ] for dag to n do // helpevarabel for å fylle ut tabellen nvå for nvå for to n dag do + dag m[ for k to do q m[ k] + m[k +, + d[] d[k + ] d[ + ] f q < m[ then m[ q c[ k endf return m[, n ] end OptmalParens Pat Joe Ray Ann

8 Optmale søketrær Pat Optmale søketrær Pat Joe Ray Joe Ray Ann Ann Ann Joe Pat Ray p p p p q q q q q Ann Joe Pat Ray p p p p q q q q q Gennomsnttlg søketd: p + p + p + p + q + q + q + q + q Optmale søketrær For generelle søketrær får v følgende formel for gennomsnttlg antall sammenlknnger som gøres: et tre med n nøkler (søkeord lagret nterne noder K,, K n-. n+ bladnoder tlsvarer ntervaller I,, I n mellom nøklene. n sannsynlghetsvektorer p og q for nøklene og ntervallene mellom dem. d er nvået tl nøkkel K, e er nvået tl bladnode som korresponderer med I. n A (, n, p, q = p( d + + n = = qe Optmale søketrær Hvs p -ene er lke og q -ene er lke, vl det komplette bnære søketreet være det optmale. Men noen ord kan være oftere søkt etter enn andre (p -ene ulke, derfor kan det lønne seg med skeve trær og deltrær, for å få ord som det ofte blr søkt etter så høyt som mulg opp treet. V ønsker å fnne det optmale bnære søketreet over alle mulge, gtt søkesannsynlghetene (p -ene og q -ene. Dvs treet som mnmerer gennomsnttlg antall sammenlknnger A(,n,p,q: mn A(, n, P, Q p -ene og q -ene er utgangspunktet sannsynlgheter (tall ntervallet [,], som summerer tl, men v kan slakke på kravet og anta at de er postve reelle tall, det er uansett bare tall som sammenlknes. n La σ ( p, q = + n p q = =

9 . Optmale søketrær Et bnært tre for nøklene K, K n- består av en rot med nøkkel K, og to deltrær L og R. K. Optmale søketrær La være et søketre for nøklene K,, K, n. ( er det tomme treet om <. K,, K - K +,, K n - p,, p - p +,, p n - q,, q p +,, q n V må prøve alle mulge røtter K for å fnne hvor det er best å dele treet. t Hver mulge rot gr opphav tl to delproblemer optmalserng av de korresponderende venstre og høyre deltrærne. La + σ ( = + p k q k k = k = Formelen (rekursv defnson for A( vl være som følger: A( = mn{ A ( + A ( } + σ ( ( = k k +, k A( = + + σ( Gennomsnttlg antall operasoner for treet er gtt ved: A (, n, p, q A ( L, p,..., p, q,..., q + A ( R, n +, p,..., p, q,..., q + σ ( p, q = + n + n Kostnaden av det optmale treet fnner v A(,n-. For enkelthets skyld skrver v A( = A(L + A(R + σ(p,q./. Optmale søketrær Fyller ut ulke typer tabeller En algortme kan nå relatvt enkelt lages ved å fylle ut en tabell med verdene for A( som defnert av formelen (samme måte som for matrsemultplkason: Bottom up A( = mn{ A(, k + A( k +, } + σ ( k A( = + + σ ( I tllegg tl verden A( må også en representason av de aktuelle trærne vedlkeholdes, slk at v fnner selve treet.

10 Korteste st (alle tl alle Floyd [ Blank ] V skal fnne korteste st mellom alle par av noder en graf G=(V,E. Kantene har lengde, men v antar at det kke fnnes negatve sykler.. En st p =< < v,, v k, > fra node tl node består av endenodene og, og nternnodene v,, v k. For alle par av noder,, ser v på korteste ster fra tl som består av nternnoder fra mengden {v,, v k }, og lar p være en av dsse. Hvs v k er en nternnode p, består p av delstene p (fra tl v k og p (fra v k tl. Delstene p og p er ster med nternnoder fra mengden {v,, v k - }; og p og p er korteste ster fra tl v k og fra v k tl, ellers vlle kke p vært en korteste st fra tl. Hvs k kke er en nternnode p, er p en korteste st fra tl med nternnoder fra mengden {v,, v k - }. (Optmaltetsprnsppet holder. Korteste st (alle tl alle Floyd. La d (k være lengden av korteste t st fra tl med dnternnoder fra mengden {v,, v k }. Når k = kan kke sten bestå av nternnoder det hele tatt og d ( vl altså tlsvare lengden av kanten. (V bruker w for lengden av kanten. En rekursv defnson av d (k vl være som følger: d w ( k ( k ( k mn{ d, dv + d k v k } v k kke med v k med sten ( k = hvs k = hvs k Matrsen D (n = ( d (n, hvor n er antall noder grafen, vl nneholde lengden av de korteste stene mellom alle par av noder. (Alle noder er nå lovlge mellomnoder.. Korteste st (alle tl alle Floyd functon FloydWarshall ( W n rows( W D ( = W for k to n do for to n do for to n do d (k mn( d (k-, d (k- k + d (k- k endfor endfor endfor return(d (n end FloydWarshall

11 Korteste st (alle tl alle Floyd - - Korteste st (alle tl alle Floyd - - D ( = Korteste st (alle tl alle Floyd - - D ( = Korteste st (alle tl alle Floyd - - D ( =

12 Korteste st (alle tl alle Floyd - - D ( = Korteste st (alle tl alle Floyd - - D ( = Korteste st (alle tl alle Floyd - - D ( =

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

Dynamisk programmering. Hvilke problemer? Optimalitetsprinsippet. Overlappende delproblemer

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

Detaljer

Dynamisk programmering

Dynamisk programmering Dynamisk programmering Metoden ble formalisert av Richard Bellmann (RAND Corporation) på 50-tallet. Programmering i betydningen planlegge, ta beslutninger. (Har ikke noe med kode eller å skrive kode å

Detaljer

Dynamisk programmering Undervises av Stein Krogdahl

Dynamisk programmering Undervises av Stein Krogdahl Dynamisk programmering Undervises av Stein Krogdahl 5. september 2012 Dagens stoff er hentet fra kapittel 9 i læreboka, samt kapittel 20.5 (som vi «hoppet over» sist) Kapittel 9 er lagt ut på undervisningsplanen.

Detaljer

Dagens stoff er hentet fra kapittel 9 i læreboka, samt kapittel 20.5 (som vi «hoppet over» sist)

Dagens stoff er hentet fra kapittel 9 i læreboka, samt kapittel 20.5 (som vi «hoppet over» sist) Dynamisk programmering Undervises av Stein Krogdahl 5. september 2012 Dagens stoff er hentet fra kapittel 9 i læreboka, samt kapittel 20.5 (som vi «hoppet over» sist) Kapittel 9 er lagt ut på undervisningsplanen.

Detaljer

IT1105 Algoritmer og datastrukturer

IT1105 Algoritmer og datastrukturer Løsnngsforslag, Eksamen IT1105 Algortmer og datastrukturer 1 jun 2004 0900-1300 Tllatte hjelpemdler: Godkjent kalkulator og matematsk formelsamlng Skrv svarene på oppgavearket Skrv studentnummer på alle

Detaljer

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

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

Detaljer

EKSAMEN I FAG SIF5040 NUMERISKE METODER Tirsdag 15. mai 2001 Tid: 09:00 14:00

EKSAMEN I FAG SIF5040 NUMERISKE METODER Tirsdag 15. mai 2001 Tid: 09:00 14:00 Norges teknsk naturvtenskapelge unverstet Insttutt for matematske fag Sde 1 av 9 Faglg kontakt under eksamen: Enar Rønqust, tlf. 73 59 35 47 EKSAMEN I FAG SIF5040 NUMERISKE METODER Trsdag 15. ma 2001 Td:

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

MoD233 - Geir Hasle - Leksjon 10 2

MoD233 - Geir Hasle - Leksjon 10 2 Leksjon 10 Anvendelser nettverksflyt Transportproblemet Htchcock-problemet Tlordnngsproblemet Korteste-ve problemet Nettverksflyt med øvre begrensnnger Maksmum-flyt problemet Teorem: Maksmum-flyt Mnmum-kutt

Detaljer

MA1301 Tallteori Høsten 2014

MA1301 Tallteori Høsten 2014 MA1301 Tallteor Høsten 014 Rchard Wllamson 3. desember 014 Innhold Forord 1 Induksjon og rekursjon 7 1.1 Naturlge tall og heltall............................ 7 1. Bevs.......................................

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

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

Sorterings- Algoritmer

Sorterings- Algoritmer Hva er sorterng? Sorterngs- Algortmer Algortmer og Datastrukturer Input: en sekvens av N nummer Output: reorganserng nput-sekvensen slk at: a < a < a... < a n- < a n V søker algortmer som gjør dette på

Detaljer

Alternerende rekker og absolutt konvergens

Alternerende rekker og absolutt konvergens Alternerende rekker og absolutt konvergens Forelest: 0. Sept, 2004 Sst forelesnng så v på rekker der alle termene var postve. Mange av de kraftgste metodene er utvklet for akkurat den typen rekker. I denne

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 << >>. ECON13: EKSAMEN 14V TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller lkt uansett varasjon vanskelghetsgrad. Svarene er gtt >. Oppgave 1 Innlednng. Rulett splles på en rekke kasnoer

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

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

Forelesning nr.3 INF 1411 Elektroniske systemer. Parallelle og parallell-serielle kretser Kirchhoffs strømlov

Forelesning nr.3 INF 1411 Elektroniske systemer. Parallelle og parallell-serielle kretser Kirchhoffs strømlov Forelesnng nr.3 INF 4 Elektronske systemer Parallelle og parallell-serelle kretser Krchhoffs strømlov Dagens temaer Parallelle kretser Kretser med parallelle og serelle ster Effekt parallelle kretser Krchhoffs

Detaljer

(iii) Når 5 er blitt trukket ut, er det tre igjen som kan blir trukket ut til den siste plassen, altså:

(iii) Når 5 er blitt trukket ut, er det tre igjen som kan blir trukket ut til den siste plassen, altså: A-besvarelse ECON2130- Statstkk 1 vår 2009 Oppgave 1 A) () Antall kke-ordnede utvalg: () P(Arne nummer 1) = () Når 5 er bltt trukket ut, er det tre gjen som kan blr trukket ut tl den sste plassen, altså:

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

Løsningsforslag ST2301 Øving 8

Løsningsforslag ST2301 Øving 8 Løsnngsforslag ST301 Øvng 8 Kapttel 4 Exercse 1 For tre alleler, fnn et sett med genfrekvenser for to populasjoner, som gr flere heterozygoter enn forventa utfra Hardy-Wenberg-andeler for mnst én av de

Detaljer

Løsningskisse for oppgaver til uke 15 ( april)

Løsningskisse for oppgaver til uke 15 ( april) HG Aprl 01 Løsnngsksse for oppgaver tl uke 15 (10.-13. aprl) Innledende merknad. Flere oppgaver denne uka er øvelser bruk av den vktge regel 5.0, som er sentral dette kurset, og som det forventes at studentene

Detaljer

Forelesning nr.3 INF 1410

Forelesning nr.3 INF 1410 Forelesnng nr. INF 40 009 Node og mesh-analyse 6.0.009 INF 40 Oerskt dagens temaer Bakgrunn Nodeanalyse og motasjon Meshanalyse 009 Supernode Bruksområder og supermesh for node- og meshanalyse 6.0.009

Detaljer

Fast valutakurs, selvstendig rentepolitikk og frie kapitalbevegelser er ikke forenlig på samme tid

Fast valutakurs, selvstendig rentepolitikk og frie kapitalbevegelser er ikke forenlig på samme tid Makroøkonom Publserngsoppgave Uke 48 November 29. 2009, Rev - Jan Erk Skog Fast valutakurs, selvstendg rentepoltkk og fre kaptalbevegelser er kke forenlg på samme td I utsagnet Fast valutakurs, selvstendg

Detaljer

INF2310 Digital bildebehandling

INF2310 Digital bildebehandling INF30 Dgtal bldebehandlng Forelesnng 0 Kompresjon og kodng I Andreas Kleppe Tre steg kompresjon Redundanser Kodng og entrop Shannon-Fano-kodng Huffman-kodng Artmetsk kodng Kompendum: 8-8.3, 8.5-8.7., 8.7.4

Detaljer

Anvendelser. Plass og tid. INF2310 Digital bildebehandling. Eksempler: Plassbehov uten kompresjon. Forelesning 10. Kompresjon og koding I

Anvendelser. Plass og tid. INF2310 Digital bildebehandling. Eksempler: Plassbehov uten kompresjon. Forelesning 10. Kompresjon og koding I Anvendelser INF231 Dgtal bldebehandlng Forelesnng 1 Kompresjon og kodng I Ole Marus Hoel Rndal, foler av Andreas Kleppe. Tre steg kompresjon Redundanser Kodng og entrop Shannon-Fano-kodng Huffman-kodng

Detaljer

Oppgaver. Multiple regresjon. Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011

Oppgaver. Multiple regresjon. Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011 Forelesnng 3 MET359 Økonometr ved Davd Kreberg Vår 0 Oppgaver Alle oppgaver er merket ut fra vanskelghetsgrad på følgende måte: * Enkel ** Mddels vanskelg *** Vanskelg Multple regresjon Oppgave.* Ta utgangspunkt

Detaljer

Forelesning 17 torsdag den 16. oktober

Forelesning 17 torsdag den 16. oktober Forelesnng 17 torsdag den 16. oktober 4.12 Orden modulo et prmtall Defnsjon 4.12.1. La p være et prmtall. La x være et heltall slk at det kke er sant at x 0 Et naturlg tall t er ordenen tl a modulo p dersom

Detaljer

Eksamen ECON 2200, Sensorveiledning Våren Deriver følgende funksjoner. Deriver med hensyn på begge argumenter i e) og f).

Eksamen ECON 2200, Sensorveiledning Våren Deriver følgende funksjoner. Deriver med hensyn på begge argumenter i e) og f). Eksamen ECON 00, Sensorvelednng Våren 0 Oppgave (8 poeng ) Derver følgende funksjoner. Derver med hensyn på begge argumenter e) og f). (Ett poeng per dervasjon, dvs, poeng e og f) a) f( x) = 3x x + ln

Detaljer

Forelesning nr.3 INF 1411 Elektroniske systemer

Forelesning nr.3 INF 1411 Elektroniske systemer Forelesnng nr.3 INF 4 Elektronske systemer 009 04 Parallelle og parallell-serelle kretser Krchhoffs strømlov 30.0.04 INF 4 Dagens temaer Parallelle kretser Kretser med parallelle og serelle ster Effekt

Detaljer

i kjemiske forbindelser 5. Hydrogen har oksidasjonstall Oksygen har oksidsjonstall -2

i kjemiske forbindelser 5. Hydrogen har oksidasjonstall Oksygen har oksidsjonstall -2 Repetsjon 4 (16.09.06) Regler for oksdasjonstall 1. Oksdasjonstall for alle fre element er 0 (O, N, C 60 ). Oksdasjonstall for enkle monoatomske on er lk ladnngen tl onet (Na + : +1, Cl - : -1, Mg + :

Detaljer

Korteste-vei problemet Nettverksflyt med øvre begrensninger Maksimum-flyt problemet Teorem: Maksimum-flyt Minimum-kutt

Korteste-vei problemet Nettverksflyt med øvre begrensninger Maksimum-flyt problemet Teorem: Maksimum-flyt Minimum-kutt Lekson 11 Korteste-ve problemet Nettverksflyt med øvre begrensnnger Maksmum-flyt problemet Teorem: Maksmum-flyt Mnmum-kutt MoD233 - Ger Hasle - Lekson 11 2 Heltallsprogrammerng Tdsplanleggng (skedulerng,

Detaljer

X ijk = µ+α i +β j +γ ij +ǫ ijk ; k = 1,2; j = 1,2,3; i = 1,2,3; i=1 γ ij = 3. i=1 α i = 3. j=1 β j = 3. j=1 γ ij = 0.

X ijk = µ+α i +β j +γ ij +ǫ ijk ; k = 1,2; j = 1,2,3; i = 1,2,3; i=1 γ ij = 3. i=1 α i = 3. j=1 β j = 3. j=1 γ ij = 0. UNIVERSITETET I OSLO Det matematsk-naturvtenskapelge fakultet Eksamen : Eksamensdag: 7. jun 2013. Td for eksamen: 14.30 18.30. Oppgavesettet er på 8 sder. Vedlegg: Tllatte hjelpemdler: STK2120 LØSNINGSFORSLAG

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

Fleksibelt arbeidsliv. Befolkningsundersøkelse utført for Manpower September 2015

Fleksibelt arbeidsliv. Befolkningsundersøkelse utført for Manpower September 2015 Fleksbelt arbedslv Befolknngsundersøkelse utført for Manpower September 015 Antall dager med hjemmekontor Spørsmål: Omtrent hvor mange dager jobber du hjemmefra løpet av en gjennomsnttsmåned (n=63) Prosent

Detaljer

STK1100 våren 2015 P A B P B A. Betinget sannsynlighet. Vi trenger en definisjon av betinget sannsynlighet! Eksemplet motiverer definisjonen:

STK1100 våren 2015 P A B P B A. Betinget sannsynlighet. Vi trenger en definisjon av betinget sannsynlighet! Eksemplet motiverer definisjonen: STK00 våren 05 etnget sannsynlghet Svarer tl avsntt.4 læreboa Esempel V vl først ved help av et esempel se ntutvt på hva betnget sannsynlghet betyr V legger fre røde ort og to svarte ort en bune Ørnulf

Detaljer

Studieprogramundersøkelsen 2013

Studieprogramundersøkelsen 2013 1 Studeprogramundersøkelsen 2013 Alle studer skal henhold tl høgskolens kvaltetssystem være gjenstand for studentevaluerng mnst hvert tredje år. Alle studentene på studene under er oppfordret tl å delta

Detaljer

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Utsatt eksamen : ECON130 Statstkk 1 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamensdag: 15.0.015 Sensur kunngjøres senest: 0.07.015 Td for eksamen: kl. 09:00 1:00 Oppgavesettet er på 4 sder Tllatte hjelpemdler:

Detaljer

Norske CO 2 -avgifter - differensiert eller uniform skatt?

Norske CO 2 -avgifter - differensiert eller uniform skatt? Norske CO 2 -avgfter - dfferensert eller unform skatt? av Sven Egl Ueland Masteroppgave Masteroppgaven er levert for å fullføre graden Master samfunnsøkonom Unverstetet Bergen, Insttutt for økonom Oktober

Detaljer

NOEN SANNSYNLIGHETER I BRIDGE Av Hans-Wilhelm Mørch.

NOEN SANNSYNLIGHETER I BRIDGE Av Hans-Wilhelm Mørch. NOEN SANNSYNLIGHETER I BRIGE A Hans-Wlhelm Mørch. SANNSYNLIGHETER FOR HVORAN TRUMFEN(ELLER ANRE SORTER) ER FORELT Anta at du mangler n kort trumffargen. Ha er sannsynlgheten for at est har a a dem? La

Detaljer

Løsningsskisse til eksamen i TFY112 Elektromagnetisme,

Løsningsskisse til eksamen i TFY112 Elektromagnetisme, Løsnngssksse tl eksamen TFY11 Elektromagnetsme, høst 003 (med forbehold om fel) Oppgave 1 a) Ved elektrostatsk lkevekt har v E = 0 nne metall. Ellers bruker v Gauss lov med gaussflate konsentrsk om lederkulen.

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

2006/27 Notater 2006 Om samordning av utvalg ved bruk av PRN-tall

2006/27 Notater 2006 Om samordning av utvalg ved bruk av PRN-tall 2006/27 Notater 2006 Johan Heldal og Audun Rust Notater Om samordnng av utvalg ved bruk av PRN-tall Seksjon for statstske metoder og standarder Forord Dette notatet beskrver hvordan permanente tlfeldge

Detaljer

Adaptivt lokalsøk for boolske optimeringsproblemer

Adaptivt lokalsøk for boolske optimeringsproblemer Adaptvt lokalsøk for boolske optmerngsproblemer Lars Magnus Hvattum Høgskolen Molde Lars.M.Hvattum@hmolde.no Arne Løkketangen Høgskolen Molde Arne.Lokketangen@hmolde.no Fred Glover Leeds School of Busness,

Detaljer

Sluttrapport. utprøvingen av

Sluttrapport. utprøvingen av Fagenhet vderegående opplærng Sluttrapport utprøvngen av Gjennomgående dokumenterng fag- og yrkesopplærngen Februar 2012 Det å ha lett tlgjengelg dokumentasjon er en verd seg selv. Dokumentasjon gr ungedommene

Detaljer

Definisjon: Et sortert tre

Definisjon: Et sortert tre Binære søketrær Definisjon: Et sortert tre For alle nodene i et binært søketre gjelder: Alle verdiene i nodens venstre subtre er mindre enn verdien i noden Alle verdiene i nodens høyre subtre er større

Detaljer

C(s) + 2 H 2 (g) CH 4 (g) f H m = -74,85 kj/mol ( angir standardtilstand, m angir molar størrelse)

C(s) + 2 H 2 (g) CH 4 (g) f H m = -74,85 kj/mol ( angir standardtilstand, m angir molar størrelse) Fyskk / ermodynamkk Våren 2001 5. ermokjem 5.1. ermokjem I termokjemen ser v på de energendrnger som fnner sted kjemske reaksjoner. Hver reaktant og hvert produkt som nngår en kjemsk reaksjon kan beskrves

Detaljer

Auksjoner og miljø: Privat informasjon og kollektive goder. Eirik Romstad Handelshøyskolen Norges miljø- og biovitenskapelige universitet

Auksjoner og miljø: Privat informasjon og kollektive goder. Eirik Romstad Handelshøyskolen Norges miljø- og biovitenskapelige universitet Auksjoner og mljø: Prvat nformasjon og kollektve goder Erk Romstad Handelshøyskolen Auksjoner for endra forvaltnng Habtatvern for bologsk mangfold Styresmaktene lyser ut spesfserte forvaltnngskontrakter

Detaljer

Forelesning 4 og 5 MET3592 Økonometri ved David Kreiberg Vår 2011

Forelesning 4 og 5 MET3592 Økonometri ved David Kreiberg Vår 2011 Løsnnger lle oppgaver er merket ut fra vanskelghetsgrad på følgende måte: * Enkel ** Mddels vanskelg *** Vanskelg Hypotesetestng testng av enkelthypoteser Oppgave 1.* Når v tester enkelthypoteser ved hjelp

Detaljer

Alderseffekter i NVEs kostnadsnormer. - evaluering og analyser

Alderseffekter i NVEs kostnadsnormer. - evaluering og analyser Alderseffekter NVEs kostnadsnormer - evaluerng og analyser 2009 20 06 20 10 20 10 20 10 21 2011 20 10 20 10 20 10 20 10 20 10 20 10 20 10 20 10 20 10 R A P P O R T 20 10 20 10 20 10 20 10 20 10 20 10 20

Detaljer

DEN NORSKE AKTUARFORENING

DEN NORSKE AKTUARFORENING DEN NORSKE AKTUARFORENING _ MCft% Fnansdepartementet Postboks 8008 Dep 0030 OSLO Dato: 03.04.2009 Deres ref: 08/654 FM TME Horngsuttalelse NOU 2008:20 om skadeforskrngsselskapenes vrksomhet. Den Norske

Detaljer

Sparing gir mulighet for å forskyve forbruk over tid; spesielt kan ujevne inntekter transformeres til jevnere forbruk.

Sparing gir mulighet for å forskyve forbruk over tid; spesielt kan ujevne inntekter transformeres til jevnere forbruk. ECON 0 Forbruker, bedrft og marked Forelesnngsnotater 09.0.07 Nls-Henrk von der Fehr FORBRUK OG SPARING Innlednng I denne delen skal v anvende det generelle modellapparatet for konsumentens tlpasnng tl

Detaljer

Litt om empirisk Markedsavgrensning i form av sjokkanalyse

Litt om empirisk Markedsavgrensning i form av sjokkanalyse Ltt om emprsk Markedsavgrensnng form av sjokkanalyse Frode Steen Konkurransetlsynet, 27 ma 2011 KT - 27.05.2011 1 Sjokkanalyse som markedsavgrensnngsredskap Tradsjonell korrelasjonsanalyse av prser utnytter

Detaljer

En teoretisk studie av tv-markedets effisiens

En teoretisk studie av tv-markedets effisiens NORGES HANDELSHØYSKOLE Bergen, våren 007 Utrednng fordypnng: Økonomsk analyse Veleder: Hans Jarle Knd En teoretsk stude av tv-markedets effsens av Odd Hennng Aure og Harald Nygård Bergh Denne utrednngen

Detaljer

Magnetisk nivåregulering. Prosjektoppgave i faget TTK 4150 Ulineære systemer. Gruppe 4: Rune Haugom Pål-Jørgen Kyllesø Jon Kåre Solås Frode Efteland

Magnetisk nivåregulering. Prosjektoppgave i faget TTK 4150 Ulineære systemer. Gruppe 4: Rune Haugom Pål-Jørgen Kyllesø Jon Kåre Solås Frode Efteland Magnetsk nvåregulerng Prosjektoppgave faget TTK 45 Ulneære systemer Gruppe 4: Rune Haugom Pål-Jørgen Kyllesø Jon Kåre Solås Frode Efteland Innholdsfortegnelse Innholdsfortegnelse... Innlednng... Oppgave

Detaljer

Automatisk koplingspåsats Komfort Bruksanvisning

Automatisk koplingspåsats Komfort Bruksanvisning Bruksanvsnng System 2000 Art. Nr.: 0661 xx /0671 xx Innholdsfortegnelse 1. rmasjon om farer 2. Funksjon 2.1. Funksjonsprnspp 2.2. Regstrerngsområde versjon med 1,10 m lnse 2.3. Regstrerngsområde versjon

Detaljer

COLUMBUS. Lærerveiledning Norge og fylkene. ved Rolf Mikkelsen. Cappelen Damm

COLUMBUS. Lærerveiledning Norge og fylkene. ved Rolf Mikkelsen. Cappelen Damm COLUMBUS Lærervelednng Norge og fylkene ved Rolf Mkkelsen Cappelen Damm Innlednng Columbus Norge er et nteraktvt emddel som nneholder kart over Norge, fylkene og Svalbard, samt øvelser og oppgaver. Det

Detaljer

Terrasser TRAPPER OG REKKVERK LAG DIN EGEN UTEPLASS! VÅRE PRODUKTER HAR LANG LEVETID OG DU VIL HA GLEDE I DET DU HAR BYGGET I MANGE ÅR FREMOVER

Terrasser TRAPPER OG REKKVERK LAG DIN EGEN UTEPLASS! VÅRE PRODUKTER HAR LANG LEVETID OG DU VIL HA GLEDE I DET DU HAR BYGGET I MANGE ÅR FREMOVER Terrasser TRAPPER OG REKKVERK LAG DIN EGEN UTEPLASS! VÅRE PRODUKTER HAR LANG LEVETID OG DU VIL HA GLEDE I DET DU HAR BYGGET I MANGE ÅR FREMOVER Malmfuru terrasse Malmfuru er den mest mljøvennlge terrassen

Detaljer

Makroøkonomi - B1. Innledning. Begrep. Mundells trilemma 1 går ut på følgende:

Makroøkonomi - B1. Innledning. Begrep. Mundells trilemma 1 går ut på følgende: Makroøkonom Innlednng Mundells trlemma 1 går ut på følgende: Fast valutakurs, selvstendg rentepoltkk og fre kaptalbevegelser er kke forenlg på samme td Av de tre faktorene er hypotesen at v kun kan velge

Detaljer

Tillegg 7 7. Innledning til FY2045/TFY4250

Tillegg 7 7. Innledning til FY2045/TFY4250 FY1006/TFY4215 Tllegg 7 1 Dette notatet repeterer noen punkter fra Tllegg 2, og dekker detalj målng av degenererte egenverder samt mpulsrepresentasjonen av kvantemekankk. Tllegg 7 7. Innlednng tl FY2045/TFY4250

Detaljer

Tema for forelesningen var Carnot-sykel (Carnot-maskin) og entropibegrepet.

Tema for forelesningen var Carnot-sykel (Carnot-maskin) og entropibegrepet. FORELESNING I ERMOYNMIKK ONSG 29.03.00 ema for forelesnngen var arnot-sykel (arnot-maskn) og entropbegrepet. En arnot-maskn produserer arbed ved at varme overføres fra et sted med en øy temperatur ( )

Detaljer

NA Dok. 52 Angivelse av måleusikkerhet ved kalibreringer

NA Dok. 52 Angivelse av måleusikkerhet ved kalibreringer Sde: av 7 orsk akkredterng Dok.d.: VII..5 A Dok. 5: Angvelse av måleuskkerhet ved kalbrernger Utarbedet av: Saeed Behdad Godkjent av: ICL Versjon:.00 Mandatory/Krav Gjelder fra: 09.05.008 Sdenr: av 7 A

Detaljer

Søking i strenger. Prefiks-søking Naiv algoritme Knuth-Morris-Pratt-algoritmen Suffiks-søking Boyer-Moore-algoritmen Hash-basert Karp-Rabin-algoritmen

Søking i strenger. Prefiks-søking Naiv algoritme Knuth-Morris-Pratt-algoritmen Suffiks-søking Boyer-Moore-algoritmen Hash-basert Karp-Rabin-algoritmen Søking i strenger Vanlige søkealgoritmer (on-line-søk) Prefiks-søking Naiv algoritme Knuth-Morris-Pratt-algoritmen Suffiks-søking Boyer-Moore-algoritmen Hash-basert Karp-Rabin-algoritmen Indeksering av

Detaljer

Samfunnsøkonomi andre avdeling, mikroøkonomi, Diderik Lund, 18. mars 2002

Samfunnsøkonomi andre avdeling, mikroøkonomi, Diderik Lund, 18. mars 2002 Samfunnsøkonom andre avdelng, mkroøkonom, Dderk Lund, 8. mars 00 Markeder under uskkerhet Uskkerhet vktg mange (de fleste? markeder Uskkerhet omkrng framtdge prser og leverngsskkerhet (f.eks. om leverandør

Detaljer

Notater til INF2220 Eksamen

Notater til INF2220 Eksamen Notater til INF2220 Eksamen Lars Bjørlykke Kristiansen December 13, 2011 Stor O notasjon Funksjon Navn 1 Konstant log n Logaritmisk n Lineær n log n n 2 Kvadratisk n 3 Kubisk 2 n Eksponensiell n! Trær

Detaljer

INF Algoritmer og datastrukturer

INF Algoritmer og datastrukturer INF2220 - Algoritmer og datastrukturer Institutt for informatikk, Universitetet i Oslo INF2220, forelesning 11: Huffman-koding & Dynamisk programmering (Ifi, UiO) INF2220 H2015, forelesning 11 1 / 32 Dagens

Detaljer

EKSAMEN. Dato: 18. mai 2017 Eksamenstid: 09:00 13:00

EKSAMEN. Dato: 18. mai 2017 Eksamenstid: 09:00 13:00 EKSAMEN Emnekode: ITF20006 Emne: Algoritmer og datastrukturer Dato: 18. mai 2017 Eksamenstid: 09:00 13:00 Hjelpemidler: Alle trykte og skrevne Kalkulator Faglærer: Jan Høiberg Om eksamensoppgavene: Oppgavesettet

Detaljer

Notater. Marie Lillehammer. Usikkerhetsanalyse for utslipp av farlige stoffer 2009/30. Notater

Notater. Marie Lillehammer. Usikkerhetsanalyse for utslipp av farlige stoffer 2009/30. Notater 009/30 Notater Mare Lllehammer Notater Uskkerhetsanalyse or utslpp av arlge stoer vdelng or IT og metode/seksjon or statstske metoder og standarder Innhold 1. Bakgrunn og ormål.... Metode....1 Fastsettelse

Detaljer

Turingmaskiner.

Turingmaskiner. Turingmaskiner http://www.youtube.com/watch?v=e3kelemwfhy http://www.youtube.com/watch?v=cyw2ewoo6c4 Søking i strenger Vanlige søkealgoritmer (on-line-søk) Prefiks-søking Naiv algoritme Knuth-Morris-Pratt-algoritmen

Detaljer

1653B/1654B. Installasjonstest på et IT anlegg i drift

1653B/1654B. Installasjonstest på et IT anlegg i drift 65B/654B Installasjonstest på et IT anlegg drft Utførng av testene Spennngsmålnger Testeren kan brkes som et ac voltmeter hvor spennng og frekvens kan vses samtdg ved å sette rotasjonsbryteren tl V. Alle

Detaljer

Oppvarming og innetemperaturer i norske barnefamilier

Oppvarming og innetemperaturer i norske barnefamilier Ovarmng og nnetemeraturer norske barnefamler En analyse av husholdnngenes valg av nnetemeratur Henrette Brkelund Masterogave samfunnsøkonom ved Økonomsk Insttutt UNIVERSITETET I OSLO 13.05.2013 II ) Ovarmng

Detaljer

Kapitalbeskatning og investeringer i norsk næringsliv

Kapitalbeskatning og investeringer i norsk næringsliv Rapport Kaptalbeskatnng og nvesternger norsk nærngslv MENON-PUBLIKASJON NR. 28/2015 August 2015 av Leo A. Grünfeld, Gjermund Grmsby og Marcus Gjems Thee Forord Denne rapporten er utarbedet av Menon Busness

Detaljer

Svarforslag til ukeoppgaver til INF 4130

Svarforslag til ukeoppgaver til INF 4130 Svarforslag til ukeoppgaver til INF 4130 15. november 2011 Oppgave 1: Løs 14.4 (hvori innbakt svaret på oppgave 14.5) Vi skal altså vise at Hungarian-algoritmen kan implementeres i tid O(n 3 ), der n er

Detaljer

Hvordan får man data og modell til å passe sammen?

Hvordan får man data og modell til å passe sammen? Hvordan får man data og modell tl å passe sammen? Ekstremverd-analyse Målet er å estmere T-års-ekstremen (flommen). T-års-ekstremen er slk at etter T år vl det forventnng være én overskrdelse av T-års-ekstremen.

Detaljer

Investering under usikkerhet Risiko og avkastning Høy risiko. Risikokostnad prosjekt Snøskuffe. Presisering av risikobegrepet

Investering under usikkerhet Risiko og avkastning Høy risiko. Risikokostnad prosjekt Snøskuffe. Presisering av risikobegrepet Investerng under uskkerhet Rsko og avkastnng Høy rsko Lav rsko Presserng av rskobegreet Realnvesterng Fnansnvesterng Rsko for enkeltaksjer og ortefølje-sammenheng Fnansnvesterng Realnvesterng John-Erk

Detaljer

Arbeid og potensiell energi

Arbeid og potensiell energi Arbed og potensell energ 5.3.4 YS-MEK 5.3.4 Konservatve krefter: v kan fnne en potensalfunksjon slk at: d d energbevarng vertkal kast: mg d d mg fjær: k d k d atom krstall: b cos b b d d sn b YS-MEK 5.3.4

Detaljer

KVIKKSØLVEKSPONERING VED DENTALLABORATORIER. Nils Gundersen og Arve Lie HD 807/790814

KVIKKSØLVEKSPONERING VED DENTALLABORATORIER. Nils Gundersen og Arve Lie HD 807/790814 KVIKKSØLVEKSPONERING VED DENTALLABORATORIER Nls Gundersen og Arve Le HD 807/790814 KVIKKSØLVEKSPONERING VED DENTALLABORATORIER Nls Gundersen og Arve Le HD 807/790814 l SAMMENDRAG: Rapporten omhandler bruk

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

NÆRINGSSTRUKTUR OG INTERNASJONAL HANDEL

NÆRINGSSTRUKTUR OG INTERNASJONAL HANDEL NÆRINGSSTRUKTUR OG INTERNASJONAL HANDEL Norman & Orvedal, kap. 1-5 Bævre & Vsle Generell lkevekt En lten, åpen økonom Nærngsstruktur Skjermet versus konkurranseutsatt vrksomhet Handel og komparatve fortrnn

Detaljer

må det justeres for i avkastningsberegningene. se nærmere nedenfor om valg av beregningsmetoder.

må det justeres for i avkastningsberegningene. se nærmere nedenfor om valg av beregningsmetoder. 40 Metoder for å måle avkastnng Totalavkastnngen tl Statens petroleumsfond blr målt med stor nøyaktghet. En vktg forutsetnng er at det alltd beregnes kvaltetsskret markedsverd av fondet når det kommer

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

Lars Vidar Magnusson Kapittel 13 Rød-Svarte (Red-Black) trær Rotasjoner Insetting Sletting

Lars Vidar Magnusson Kapittel 13 Rød-Svarte (Red-Black) trær Rotasjoner Insetting Sletting Rød-Svarte Trær Lars Vidar Magnusson 21.2.2014 Kapittel 13 Rød-Svarte (Red-Black) trær Rotasjoner Insetting Sletting Rød-Svarte Trær Rød-Svarte trær (red-black trees) er en variasjon binære søketrær som

Detaljer

Dagens plan. INF Algoritmer og datastrukturer. Koding av tegn. Huffman-koding

Dagens plan. INF Algoritmer og datastrukturer. Koding av tegn. Huffman-koding Grafer Dagens plan INF2220 - Algoritmer og datastrukturer HØSTEN 2007 Institutt for informatikk, Universitetet i Oslo Avsluttende om grådige algoritmer (kap. 10.1.2) Dynamisk programmering Floyds algoritme

Detaljer

Sektoromstilling og arbeidsledighet: en tilnærming til arbeidsmarkedet 1

Sektoromstilling og arbeidsledighet: en tilnærming til arbeidsmarkedet 1 Sektoromstllng og arbedsledghet: en tlnærmng tl arbedsmarkedet 1 Joachm Thøgersen Høgskolen Østfold Arbedsrapport 2004:5 1 Takk tl Trond Arne Borgersen, Rolf Jens Brunstad og Øysten Thøgersen for nyttge

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

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

www.olr.ccli.com Introduksjon Online Rapport Din trinn for trinn-guide til den nye Online Rapporten (OLR) Online Rapport

www.olr.ccli.com Introduksjon Online Rapport Din trinn for trinn-guide til den nye Online Rapporten (OLR) Online Rapport Onlne Rapport Introduksjon Onlne Rapport www.olr.ccl.com Dn trnn for trnn-gude tl den nye Onlne Rapporten (OLR) Vktg nfo tl alle mengheter og organsasjoner Ingen flere program som skal lastes ned Fortløpende

Detaljer

Kapittel og Appendix A, Bævre og Vislie (2007): Næringsstruktur, internasjonal handel og vekst

Kapittel og Appendix A, Bævre og Vislie (2007): Næringsstruktur, internasjonal handel og vekst 1 Frelesnng 9 Kapttel.6-3.1 g Appendx A, Bævre g Vsle (007: Nærngsstruktur, nternasjnal handel g vekst Egenskaper ved betngete etterspørselsfunksjner Hmgentet Kstnadsfunksjnen er hmgen av grad 1 faktrprsene,

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

Eksamen i IN 110, 18. mai 1993 Side 2 Del 1 (15%) Vi skal se på prioritetskøer av heltall, der vi hele tiden er interessert i å få ut den minste verdi

Eksamen i IN 110, 18. mai 1993 Side 2 Del 1 (15%) Vi skal se på prioritetskøer av heltall, der vi hele tiden er interessert i å få ut den minste verdi UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i Eksamensdag: 18. mai 1993 Tid for eksamen: 9.00 15.00 Oppgavesettet er på 7 sider. Vedlegg: Tillatte hjelpemidler: IN 110 Algoritmer

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

DET KONGELIGE FISKERI- OG KYSTDEPARTEMENT. prisbestemmelsen

DET KONGELIGE FISKERI- OG KYSTDEPARTEMENT. prisbestemmelsen DET KONGELIGE FISKERI- OG KYSTDEPARTEMENT Fskebãtredernes forbund Postboks 67 6001 ALESUND Deres ref Var ref Dato 200600063- /BSS Leverngsplkt for torsketrálere - prsbestemmelsen V vser tl Deres brev av

Detaljer

Alle mot alle. Åttende forelesning. (eller eller Bellman-Ford, eller BFS, alt ettersom) fra alle noder.

Alle mot alle. Åttende forelesning. (eller eller Bellman-Ford, eller BFS, alt ettersom) fra alle noder. Enkel alle-til-allealgoritme: Kjør Dijkstra (eller eller Bellman-Ford, eller BFS, alt ettersom) fra alle noder. Kan fungere for spinkle grafer blir dyrt ellers. Alle mot alle Åttende forelesning 1 Dijkstra

Detaljer

2007/30. Notater. Nina Hagesæther. Notater. Bruk av applikasjonen Struktur. Stabsavdeling/Seksjon for statistiske metoder og standarder

2007/30. Notater. Nina Hagesæther. Notater. Bruk av applikasjonen Struktur. Stabsavdeling/Seksjon for statistiske metoder og standarder 007/30 Notater Nna Hagesæter Notater Bruk av applkasjonen Struktur Stabsavdelng/Seksjon for statstske metoder og standarder Innold 1. Innlednng... 1.1 Hva er Struktur, og va kan applkasjonen brukes tl?...

Detaljer

Vekst i skjermet virksomhet: Er dette et problem? Trend mot større andel sysselsetting i skjermet

Vekst i skjermet virksomhet: Er dette et problem? Trend mot større andel sysselsetting i skjermet Forelesnng NO kapttel 4 Skjermet og konkurranseutsatt vrksomhet Det grunnleggende formål med eksport: Mulggjøre mport Samfunnsøkonomsk balanse mellom eksport og mportkonkurrerende: Samme valutanntjenng/besparelse

Detaljer

Spinntur 2017 Rotasjonsbevegelse

Spinntur 2017 Rotasjonsbevegelse Spnntur 2017 Rotasjonsbevegelse August Geelmuyden Unverstetet Oslo Teor I. Defnsjon og bevarng Newtons andre lov konstaterer at summen av kreftene F = F som vrker på et legeme med masse m er lk legemets

Detaljer

Definisjon av binært søketre

Definisjon av binært søketre Binære søketrær Definisjon av binært søketre For alle nodene i et binært søketre gjelder: Alle verdiene i nodens venstre subtre er mindre enn verdien i noden Alle verdiene i nodens høyre subtre er større

Detaljer

Analyse av strukturerte spareprodukt

Analyse av strukturerte spareprodukt NORGES HANDELSHØYSKOLE Bergen, Høst 2007 Analyse av strukturerte spareprodukt Et Knderegg for banknærngen? av Ger Magne Bøe Veleder: Professor Petter Bjerksund Utrednng fordypnngs-/spesalområdet: Fnansell

Detaljer