MOD 233 Konveksitet og optimering. Leksjon 1
|
|
- Kristoffer Engen
- 7 år siden
- Visninger:
Transkript
1 MOD 233 Koveksitet og optierig Leksjo
2 Mål ed kurset Forståelse av gruleggede optierigsteori Løsigsetoder Algoritisk forståelse Praktiske avedelser odellerig løsig ved bruk av verktøy MOD233 - Geir Hasle - Leksjo 2
3 Nytt pesu vår 2003 Lite eller itet o koveksitet Mer o lieærprograerig og utvidelser Nettverksflyt trasportprobleer korteste-vei Heltallsprograerig tidsplaleggig hadelsreisede-probleet (T S P) forgreig- og begresig (Brach & Boud) MOD233 - Geir Hasle - Leksjo 3
4 Kursihold () Optierig teori og praksis Optierigsprobleer Optierig uder føriger Eksepler Mateatisk forulerig Lieærprograerig (LP) Sipleksetode Fudaetalteoreet i LP Effektivitet av Sipleksetode MOD233 - Geir Hasle - Leksjo 4
5 Kursihold (2) Dualitet Svake og sterke dualitetssetiger Kopleetær slakk Dual sipleksetode Praktisk løsig av LP for håd odellerig i algebraisk odellerigsspråk løsig ved bruk av verktøy, LP-løser MOD233 - Geir Hasle - Leksjo 5
6 Kursihold (3) Sipleksetoder i atrisefor Sesitivitet og paraetrisk aalyse Paraetrisk selv-dual Sipleksetode MOD233 - Geir Hasle - Leksjo 6
7 Kursihold (4) Avedelser av LP Nettverksflyt-probleer Miiu kostad ettverksflyt Avedelser av ettverksflyt-probleer trasportprobleet tilordigsprobleet korteste-vei probleet ettverksflyt ed øvre begresiger aksiu flyt MOD233 - Geir Hasle - Leksjo 7
8 Kursihold (5) Heltallsoptierig T idsplaleggig Hadelsreisede-probleet (T S P) Ikke-lieære ålfuksjoer Geerell etode for å løse heltallsprobleer Forgreig og begresig (Brach & Boud) MOD233 - Geir Hasle - Leksjo 8
9 Lærebøker Robert J. Vaderbei: Liear Prograig Foudatios ad Extesios Secod Editio 2000 ISBN Ikke tilgjegelig i Akadeika! Fourer, Gay, Kerigha: AMPL A Modellig Laguage for Matheatical Prograig Secod Editio MOD233 - Geir Hasle - Leksjo 9
10 Forelesigspla 2/ Leksjo : Kap -2: Eksepel og Sipleksetode 28/ Leksjo 2: Kap 2: Sipleksetode (fortsatt) 4/2 Leksjo 3: Kap 3: Degeererig /2 Leksjo 4: Kap 4: Effektivitet av Sipleksetode 5: Dualitetsteori (5.-5.4) 8/2 Leksjo 5: Kap 5: Kopleetær slakk Duale Sipleksetode ( ) 25/2 Viterferie 4/3 Leksjo 6: Kap 6: Sipleksetode i atrisefor /3 Leksjo 7: Kap 7: Sesitivitet og paraetrisk aalyse 8/3 Leksjo 8: Kap 3: Nettverksflyt 25/3 Leksjo 9: Kap 4: Avedelser /4 Leksjo 0: Kap 22: Heltallsprograerig /4 Leksjo : Repetisjo 9/5 Skriftlig eksae Se kursets hjeeside MOD233 - Geir Hasle - Leksjo 0
11 Dee leksjo Eksepel på LP Geerell ateatisk forulerig T rasforasjoer Stadardfor Sipleksetode for LP på stadardfor MOD233 - Geir Hasle - Leksjo
12 Eksepel på optierigsproble - Produksjosplaleggig i bedrift Widow s AS Fabrikk for produksjo av glassdører og viduer Fortjeeste for produktee kjet 3 produksjosalegg Alegg : dørraer Alegg 2: vidusraer Alegg 3: oterig Serier på f. eks. 00 eheter Kjet behov for arbeidskraft Kjet tilgag på arbeidskraft Hvorda skal vi produsere for å aksiere fortjeeste? MOD233 - Geir Hasle - Leksjo 2
13 Data for produksjoe i Widows AS T ieverk/serie T ieverk/serie Kapasitet dør vidu tieverk Alegg (dørrae) - 4 Alegg 2 (vidusrae) Alegg 3 (oterig) Fortjeeste 3 kkr 5 kkr MOD233 - Geir Hasle - Leksjo 3
14 Profittaksierig i Widows AS - ateatisk forulerig x x 2 atall serier viduer atall serier dører Beslutigsvariable aksier 3x + 5x 2 slik at x 4 2x 2 3x x 2 2, x x 8 Målfuksjo Føriger MOD233 - Geir Hasle - Leksjo 4
15 Lieærprograerigsproble - LP Prograerig plaleggig Kotiuerlige beslutigsvariable x j j =,, Målfuksjo Objektfuksjo, objektiv Kostadsfuksjo Maksierig eller iierig I LP: lieær fuksjo ζ = c x + + c x = c x j j j= MOD233 - Geir Hasle - Leksjo 5
16 LP (forts.) Føriger (beskrakiger) I LP: Lieære likheter, ulikheter ax + + a x = b a jx j = b j= MOD233 - Geir Hasle - Leksjo 6
17 Trasforasjoer ζ = = i c x tils var er ax c ( ζ) ( ) j j j j= j= a x + + a x b a x + + a x b ( ) ( ) x j ax + + a x b ax + + a x + s = b, s 0 Slakkvariabel MOD233 - Geir Hasle - Leksjo 7
18 Trasforasjoer a x + + a x = b ax + + a x b a x + + a x b ( ) ( ) ( ) a x + + a x b a x + + a x b x ka erstattes ed x = x + x, x +, x 0 Vilkårlig hvilke forer so velges Øskelig ed stadardfor for LP MOD233 - Geir Hasle - Leksjo 8
19 LP på stadardfor j= j ax ζ = c x slik at j= j ij j i j a x b i =,, x 0 j =,, atall beslutigsvariable atall føriger MOD233 - Geir Hasle - Leksjo 9
20 Teriologi (LP stadardfor) Et spesifikt forslag til verdier på (alle) beslutigsvariablee kalles e løsig e løsig kalles brukbar / tillatt derso de tilfredsstiller alle førigee e løsig kalles optial derso de er brukbar og oppår det øskete aksiu av objektfuksjoe Hvis probleet ikke har e brukbar løsig sies probleet å være ubrukbart eller ikosistet hvis probleet har løsiger ed vilkårlig stor verdi på objektivet, sies probleet å være ubegreset MOD233 - Geir Hasle - Leksjo 20
21 Eksepel på ikosistet LP ax 5x + 4x slik at 2 x + x 2 2 2x 2x x, x 0 x + x MOD233 - Geir Hasle - Leksjo 2
22 Eksepel på ubegreset LP ax x 4x slik at x + x x 2x 2 x, x 0 x = 0 : x 2 ka bli vilkårlig stor MOD233 - Geir Hasle - Leksjo 22
23 Historikk Studiet av lieæ re ulikheter 826 Fourier age har bevist spesialtilfeller av dualitetssetige Avedelser Katorovich 939, ukjet i vest, ubeerket i øst 947 George Datzig Sipleksetode plaleggigsprobleer i US Air Force T. C. Koopas økooi LP odell i klas sisk økooi Nobelprise i økooi 975 til Katorovich og Koopas for deres bidrag til teorie o optial res sursallokerig I dag: Avedelser, Verktøyidustri Daglig løses LP ed tusevis av variable og tusevis av føriger MOD233 - Geir Hasle - Leksjo 23
24 Sipleks-etode Geerell etode for å løse LP Iterativ Strategi starter ed brukbar løsig fier løsig ed bedre objektivverdi helt til ige forbedrig er ulig Fier ut o probleet er ubrukbart ubegreset Fier optial løsig hvis de fies Fudaetalteore for LP Beregigsessig kopleksitet? MOD233 - Geir Hasle - Leksjo 24
25 Sipleks Geeraliserige av tetraeder i 3-roet til diesjoer de ekleste polytoper i et gitt -ro MOD233 - Geir Hasle - Leksjo 25
26 Eksepel LP (fra boka) ax 5x + 4x + 3x slik at 2 3 2x + 3x + x x + x + 2x 2 3 3x + 4x + 2x x, x, x Stadardfor! MOD233 - Geir Hasle - Leksjo 26
27 Legger til slakkvariable ax 5x + 4x + 3x slik at 2 3 2x + 3x + x x + x + 2x 2 3 3x + 4x + 2x x, x, x Ekvivalet forulerig Vil kalle dette basistabell basisliste (dictioary) ( ) ( ) w = 5 2x + 3x + x 2 3 w = 4x + x + 2x w = 8 (3x + 4x + 2x ) w, w, w ax ζ = 5x + 4x + 3x slik at 2 3 w = 5 2x 3x x 2 3 w = 4x x 2x w = 8 3x 4x 2x x, x, x, w, w, w MOD233 - Geir Hasle - Leksjo 27
28 Treger tillatt (brukbar) løsig ax ζ = 5x + 4x + 3x slik at 2 3 w = 5 2x 3x x 2 3 w = 4x x 2x w = 8 3x 4x 2x ) x, x, x, w, w, w Avhegige variable Basisvariable Ekelt, vi ka sette frie variable til 0! Frie variable, ikke-basiske variable MOD233 - Geir Hasle - Leksjo 28
29 Notasjo tilpasset iterasjoee i Sipleks-etode ( avviker fra boka!) (k) x j Verdi av variabele etter iterasjo k (k) x Løsigsvektor etter iterasjo k Iitiell løsig Iitiell objektivverdi x x x ζ ζ ζ (0) () (K) (0) () (K) Optial løsig Optial verdi MOD233 - Geir Hasle - Leksjo 29
30 Tilbake til eksepelet ax ζ = 5x + 4x + 3x slik at 2 3 w = 5 2x 3x x 2 3 w = 4x x 2x w = 8 3x 4x 2x x, x, x, w, w, w Basistabell, basisliste (dictioary) ( x (0) (0) (0) (0) (0) (0) ) ( ) (0), x 2, x 3, w, w 2, w3 0,0,0,5,,8 = Lø sigsvektor ( x (0) (0) (0) (0) (0) (0) (0) ) ( ) (0), x 2, x 3, w, w 2, w 3,] = 0,0,0,5,,8, 0 Lø sigsvektor /objektivverdi De løsiger vi får ved å sette frie variable til 0 i basistabell kalles (brukbare, tillatte) basisløsiger. MOD233 - Geir Hasle - Leksjo 30
31 I itiell løsig (etter 0-te iterasjo) ax ζ = 5x + 4x + 3x slik at 2 3 w = 5 2x 3x x 2 3 w = 4x x 2x w = 8 3x 4x 2x x, x, x, w, w, w w 0 x 2 w 2 0 x 4 8 w3 0 x 3 ( x (0) (0) (0) (0) (0) (0) (0) ) ( ) (0), x 2, x 3, w, w 2, w 3,] = 0,0,0,5,,8, 0 Brukbar basisløsig i basistabell r. 0 (etter 0-te iterasjo) Ka de forbedres? Øke verdier på variable ed positive koeffisieter i objektiv La oss velge e av de Passe på brukbarhet MOD233 - Geir Hasle - Leksjo 3
32 I terasjo ax ζ = 5x + 4x + 3x slik at 2 3 w = 5 2x 3x x 2 3 w = 4x x 2x w = 8 3x 4x 2x x, x, x, w, w, w ax ζ = w x2 + x x = w x 2 x slik at w = + 2w + 5x w = + w + x x x, x, x, w, w, w ( 0, 0, 0,5,,8,0 ) (0) 5 3 x = w x x ,0,0,0,,, x 0 x3 5 w 2 0 : OK! () w3 0 x3 MOD233 - Geir Hasle - Leksjo 32
33 I terasjo 2 ax ζ = w x 2 + x x = w x 2 x slik at w = + 2w + 5x w = + w + x x x, x, x, w, w, w , 0, 0, 0,,, () x3 = + 3w + x2 2w3 ax ζ = 3 w 3x w slik at 2 3 x = 2 2w 2x + w 2 3 w = + 2w + 5x 2 2 x = + 3w + x 2w x, x, x, w, w, w ( 2,0,,0,,0,3 ) (2) Ige forbedrig ulig! Dette å væ re optial løsig! MOD233 - Geir Hasle - Leksjo 33
34 Eksepel: Produksjosstyrig - Geerell forulerig Produksjosbedrift Ka produsere produkter Bruker råvarer Statisk bilde Megde råvarer på lager Markedspris/verdi for råvarer Produktpriser {,, } {,, } b,, b { } ρ,, ρ { } σ,, σ { } MOD233 - Geir Hasle - Leksjo 34
35 Produksjosstyrig - forts. Produkt j krever råvare i Produksjossjef vil aksiere fortjeeste Fortjeeste for produkt j: a ij c = σ a ρ, j =,, j j ij i i= MOD233 - Geir Hasle - Leksjo 35
36 Produksjosstyrig - forts. Produksjossjefes proble Beslutigsvariable hvor ye skal produseres av hvert produkt? Maksial fortjeeste Råvarer på lager x,, x { } ax j= j= j a x b, i =,, ij j i x 0, j =,, j c x j slik at MOD233 - Geir Hasle - Leksjo 36
37 Produksjosstyrig - forts. ax x 0, j =,, j c x + c x slik at a x + a x b a x + a x b Eksepel på LP Ressursallokerigsprobleet Profittaksierig Begresiger på råvarer MOD233 - Geir Hasle - Leksjo 37
38 Produksjosstyrig - Kotrolleres proble Alterativ til produksjo: selge råvaree Hva er råvaree verdt? Miiere lagerbidigskostader Sette ehetspris på hver råvare Må væ re høyere e arkedspris Tapt ulig itekt ved lagerhold wi, i =,, w ρ, i =,, Tilsvarede pris for produktee å ikke væ re lavere e arkedsprise w a σ, j =,, i= i= MOD233 - Geir Hasle - Leksjo 38 i b w i i ij j i i
39 Produksjosstyrig - Kotrolleres proble i i= i= i w a σ, j =,, w ρ, i =,, i i i ij j i b w slik at Forekler ved å iføre ye variable: y = w ρ, i =,, i i i MOD233 - Geir Hasle - Leksjo 39
40 Produksjosstyrig - Kotrolleres proble i i i i i i= i= y a + ρ a σ, j =,, i ij i ij j i= i= y 0, i =,, i b y + b ρ slik at c = σ a ρ, j =,, j j ij i i= i i= i i i i i= i= y a c, j =,, i ij j y 0, i =,, i b y + b ρ slik at MOD233 - Geir Hasle - Leksjo 40
41 Produksjosstyrig - De to probleer Produksjossjefe ax x 0, j =,, j c x + c x slik at a x + a x b a x + a x b Kotrollere i y 0, i =,, i b y + b y slik at a y + a y c a y + a y c MOD233 - Geir Hasle - Leksjo 4
42 LP - Relevas og betydig Mage oppgaver ka foruleres so LP trasport produksjo logistikk økooi og fias geoetri statistikk Prosess: Modellerig, løsig, iverksettelse ka føre til store gevister Det fis eget effektive løsigsetoder illioer av variable illioer av føriger Koersielle verktøy (LP-løsere) Koersielle odellerigsverktøy MOD233 - Geir Hasle - Leksjo 42
43 Leksjo - Oppsuerig Mål teoretisk forståelse, gruleggede optierig løsigsetoder LP og utvidelser algoritisk forståelse avedelser LP og utvidelser odellerig og løsig v.h.a. verktøy Ihold og forelesigspla Eksepler på LP Lø sigsprosess Praktisk relevas, produksjosstyrig Tvilligprobleer Leksjo 2: Sipleksetode for løsig av LP MOD233 - Geir Hasle - Leksjo 43
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
DetaljerEcon 2130 uke 15 (HG) Poissonfordelingen og innføring i estimering
Eco 130 uke 15 (HG) Poissofordelige og iførig i estimerig 1 Poissofordelige (i) Tilærmig til biomialfordelige. Regel. ( Poissotilærmelse ) Ata Y ~ bi(, p) E( Y ) = p og var( Y ) = p(1 p). Hvis er stor
Detaljerf(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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2006
ÅMA110 Sasylighetsregig med statistikk, våre 2006 Kp. 6, del 2 Bjør H. Auestad Kp. 6: Hypotesetesig del 2 1/ 38 Bjør H. Auestad Kp. 6: Hypotesetesig del 2 2/ 38 Oversikt 1. Hva er hypotesetestig? 2. Hypotesetestig
DetaljerKapittel 5: dualitetsteori
LP Leksjon 5 Kapittel 5: dualitetsteori motivasjon det duale problemet svak og sterk dualitet det duale til LP problemer på andre former LP Leksjon 5: #1 of 17 Motivasjon Til ethvert LP problem (P) er
DetaljerEksamen REA3028 S2, Våren 2010
Eksame REA308 S, Våre 010 Del 1 Tid: timer Hjelpemidler: Valige skrivesaker, passer, lijal med cetimetermål og vikelmåler er tillatt. Oppgave 1 (6 poeg) a) Deriver fuksjoee: 1) f xx lx ) gx 3 e x b) Gitt
DetaljerECON 3610/4610 Veiledning til oppgaver seminaruke 43. Planleggingsproblemet for en planlegger med en utilitaristisk velferdsfunksjon er her
Jo Vislie; oktober 07 CON 360/460 Veiledig til oppgaer semiaruke 43 Oppgae Plaleggigsproblemet for e plalegger med e utilitaristisk elferdsfuksjo er her rett frem, med de atakelsee som er gjort: Max H
DetaljerEksamen REA3028 S2, Våren 2011
Eksame REA08 S, Våre 0 Del Tid: timer Hjelpemidler: Valige skrivesaker, passer, lijal med cetimetermål og vikelmåler er tillatt. Oppgave (8 poeg) a) Deriver fuksjoee ) f 5 f 6 5 ) g g ) h l 9 9 6 4 h l
DetaljerLP. Leksjon 5. Kapittel 5: dualitetsteori. motivasjon det duale problemet svak og sterk dualitet det duale til LP problemer på andre former
LP. Leksjon 5 Kapittel 5: dualitetsteori motivasjon det duale problemet svak og sterk dualitet det duale til LP problemer på andre former 1 / 26 Motivasjon Til ethvert LP problem (P) er det knyttet et
DetaljerLØSNINGSFORSLAG TIL EKSAMEN STE 6219 Digital signalbehandling
Side1av4 HØGSKOLEN I NARVIK Istitutt for data-, elektro-, og romtekologi Siviligeiørstudiet EL/RT LØSNINGSFORSLAG TIL EKSAMEN STE 6219 Digital sigalbehadlig Tid: Fredag 06.03.2008, kl: 09:00-12:00 Tillatte
Detaljeringen Fase I nødvendig konvergerer dersom LP er begrenset og konsistent skifter mellom primal og dual pivotering MoD233 - Geir Hasle - Leksjon 8 2
Leksjon 8 Ofte behov for å løse mange relaterte LP Regnetid kan spares ved å bruke informasjon fra tidligere løsninger Parametrisk analyse homotopi-metoden Den Parametriske Selv-duale Simpleksmetoden ingen
DetaljerEksempeloppgave 2014. REA3028 Matematikk S2 Eksempel på eksamen våren 2015 etter ny ordning. Ny eksamensordning. Del 1: 3 timer (uten hjelpemidler)
Eksempeloppgave 2014 REA3028 Matematikk S2 Eksempel på eksame våre 2015 etter y ordig Ny eksamesordig Del 1: 3 timer (ute hjelpemidler) Del 2: 2 timer (med hjelpemidler) Mistekrav til digitale verktøy
DetaljerI dag: Produktfunksjoner og kostnadsfunksjoner
ECON2200 Avedt økoomisk aalyse Diderik Lud, 8. februar 2010 Hva er dekket i disse otatee? Seks forelesiger av meg i ECON2200 våre 2010 8. og 22. februar, 2., 9. og 15. mars og 3. mai Legges ut på emeside
DetaljerLP. Leksjon 1. Kapittel 1 og 2: eksempel og simpleksmetoden
LP. Leksjon 1. Kapittel 1 og 2: eksempel og simpleksmetoden Dette emnet gir en innføring i lineær optimering og tilgrensende felt. hva er LP (lin.opt.=lin.programmering) mer generelt: matematisk optimering
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Kp. 5 Estimering. Målemodellen.
ÅMA0 Sasylighetsregig med statistikk, våre 0 Kp. 5 Estimerig. Målemodelle. Estimerig. Målemodelle. Ihold:. (Pukt)Estimerig i biomisk modell (kp. 5.). Målemodelle... (kp. 5.). (Pukt)Estimerig i målemodelle
DetaljerLØSNING: Eksamen 28. mai 2015
LØSNING: Eksame 28. mai 2015 MAT110 Statistikk 1, vår 2015 Oppgave 1: revisjo ) a) Situasjoe som beskrives i oppgave ka modelleres med e ure. I dee ure er fordelige kjet, M atall bilag med feil og N 100
DetaljerSensorveiledning eksamen ECON 3610 Høst 2017
J; oember 07 a) Sesoreiledig eksame ECON 360 Høst 07 I dette problemet skal plalegger maksimere (, ) gitt at c G( ) og. i har tre ariable (,, ), og to bibetigelser; dermed har i é frihetsgrad som muliggjør
DetaljerKapittel 1 og 2: eksempel og simpleksmetoden
LP. Leksjon 1 Kapittel 1 og 2: eksempel og simpleksmetoden et eksempel fra produksjonsplanlegging simpleksalgoritmen, noen begreper algoritmen LP. Leksjon 1: #1 of 14 Eksempel: produksjonsplanlegging Produkter:
DetaljerEksamen REA3028 S2, Våren 2010
Eksame REA308 S, Våre 010 Del 1 Tid: timer Hjelpemidler: Valige skrivesaker, passer, lijal med cetimetermål og vikelmåler er tillatt. Oppgave 1 (6 poeg) a) Deriver fuksjoee: 1) f x x lx f x x lx x x f
DetaljerKapittel 5: Tilfeldige variable, forventning og varians.
Kapittel 5: Tilfeldige variable, forvetig og varias. Tilfeldige variable Tilfeldige variable kalles også stokastiske variable. Defiisjo: E tilfeldig variabel er e variabel som får si umeriske verdi bestemt
DetaljerKraftforsyningsberedskap. Roger Steen Seniorrådgiver Beredskapsseksjonen NVE, rost@nve.no
Kraftforsyigsberedskap Roger Stee Seiorrådgiver Beredskapsseksjoe NVE, rost@ve.o Beredskapsasvar Olje- og eergidepartemetet har det overordede asvaret for ladets kraftforsyig. Det operative asvaret for
DetaljerSuffisient observator
Iledig Beslutigsteori Parametriske metoder Ikke-parametriske metoder Diskrimiatfuksjoer Evaluerig Ikke-ledet lærig Klygeaalyse Suffisiete observatorer Suffisiet observator Statistisk størrelse s som ieholder
DetaljerFagdag 2-3mx 24.09.07
Fagdag 2-3mx 24.09.07 Jeg beklager at jeg ikke har fuet oe ye morsomme spill vi ka studere, til gjegjeld skal dere slippe prøve/test dee gage. Istruks: Vi arbeider som valig med 3 persoer på hver gruppe.
DetaljerUNIVERSITETET 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
DetaljerRepetisjon; 9.1, 9.2, 9.3, 9.4, 9.5, og Repetisjon; 9.1, 9.2, 9.3, 9.4, 9.5, og 9.10
Repetisjo; 9.1, 9.2, 9.3, 9.4, 9.5, og 9.10 og Geerell defiisjo av : Situasjo: Data x 1,...,x ;utfallav:x 1,...,X ; u.i.f. tilfeldige variable Ukjet parameter i fordelige til X i ee: θ Dersom L og U L
DetaljerEKSAMEN 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:
DetaljerMOT310 Statistiske metoder 1, høsten 2011
MOT310 Statistiske metoder 1, høste 2011 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 24. august, 2011 Bjør H. Auestad Itroduksjo og repetisjo 1 / 32 Repetisjo; 9.1,
DetaljerDel1. Oppgave 1. a) Deriver funksjonene: b) Gitt den uendelige rekken. Avgjør om rekken konvergerer, og bestem eventuelt summen av rekken.
Del1 Oppgave 1 a) Deriver fuksjoee: 1) fx ( ) x lx ) g x 3e x b) Gitt de uedelige rekke 1 1 1 4 Avgjør om rekke kovergerer, og bestem evetuelt summe av rekke. c) Sasylighetsfordelige til e stokastisk variabel
DetaljerVeiledning til obligatoriske oppgave ECON 3610 høsten 2012
1 Veiledig til obligatoriske oppgave CON 361 høste 212 Oppgave 1. Betrakt, i første omgag, e lukket økoomi med e stor gruppe like kosumeter som kosumerer e kosumvare i megde og eergi, målt ved. Vi atar
DetaljerEksempeloppgave 2014. REA3026 Matematikk S1 Eksempel på eksamen våren 2015 etter ny ordning. Ny eksamensordning. Del 1: 3 timer (uten hjelpemidler)
Eksempeloppgave 04 REA306 Matematikk S Eksempel på eksame våre 05 etter y ordig Ny eksamesordig Del : 3 timer (ute hjelpemidler) Del : timer (med hjelpemidler) Mistekrav til digitale verktøy på datamaski:
Detaljer2T kapittel 3 Modellering og bevis Utvalgte løsninger oppgavesamlingen
T kapittel 3 Modellerig og bevis Utvalgte løsiger oppgavesamlige 301 a Sitthøyde i 1910 blir 170,0 171, 4 170,7. I 1970 blir de 177,1 179, 4 178,3. b Med som atall år etter 1900 og y som sitthøyde i cetimeter
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-aturviteskapelige fakultet Eksame i: STK2100 Løsigsforslag Eksamesdag: Torsdag 14. jui 2018. Tid for eksame: 14.30 18.30. Oppgavesettet er på 6 sider. Vedlegg: Tillatte
DetaljerLØSNINGSFORSLAG TIL ØVING NR. 1, VÅR 2015
NTNU Norges tekisk-aturviteskapelige uiversitet Fakultet for aturviteskap og tekologi Istitutt for aterialtekologi TT4110 KJEI LØSNINGSFORSLAG TIL ØVING NR. 1, VÅR 015 OPPGAVE 1 Vi starter ALLTID ed å
DetaljerLøsningsforslag: Deloppgave om heuristiske søkemetoder
Løsigsforslag: Deloppgave om heuristiske søkemetoder 6. mai 00 Iledig Vi skal betrakte det såkalte grafdeligsproblemet (graph partitioig problem). Problemet ka ekelt formuleres som følger: Gitt e graf
DetaljerEksempler fra slutten av forrige uke. Eksempler (styrke, dimensjonering,...) Eksempler fra slutten av forrige uke
Oversikt, del 5 Hypotesetestig, del 4 (oppsummerig fra Hypotesetestig, del 5 Kofidesitervall dimesjoerig Eksempler fra slutte av forrige uke Kofidesitervall p-verdi Eksempler Eksempler (styrke, dimesjoerig,...
Detaljeri 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
DetaljerInstitutt for økonomi og administrasjon
Fakultet for safusfag Istitutt for økooi og adiistraso Ivesterig og fiasierig Bokål Dato: Tirsdag. deseber 4 Tid: 4 tier / kl. 9-3 Atall sider (ikl. forside): 5 + 9 sider vedlegg Atall oppgaver: 4 Tillatte
DetaljerForelesning 4 og 5 Transformasjon, Weibull-, lognormal, beta-, kji-kvadrat -, t-, F- fordeling
STAT (V6) Statistikk Metoder Yushu.Li@uib.o Forelesig 4 og 5 Trasformasjo, Weibull-, logormal, beta-, kji-kvadrat -, t-, F- fordelig. Oppsummerig til Forelesig og..) Momet (momet about 0) og setral momet
Detaljerf '( x) 28x 6x 2 ( 2) x x 4(3t 2 s) 6s 2x 6(3t 2 s) 2t ln x 2ln y med bibetingelsen 2x y m. Her er m 0
Fsit obligtorisk oppgve Oppgve (9 poeg) Deriver følgede fuksjoer med hes på lle rgumeter ) f ( ) 7 f '( ) 8 6 svr: b) Svr: g ( ) ( ) ( ) g ( ) ( ) ( ) c) h( ) f ( )( ) Svr: h( ) f '( )( ) f ( ) d) Svr:
DetaljerNumeriske metoder: Euler og Runge-Kutta Matematikk 3 H 2016
Numeriske metoder: Euler og Ruge-Kutta Matematikk 3 H 06 Iledig Differesiallikiger spiller e setral rolle i modellerigsproblemer i igeiør viteskap, matematikk, fsikk, aeroautikk, astroomi, damikk, elastisitet,
Detaljer3MX 2007/8 - Kapittel 5: 8. januar 5. februar 2008
3MX 00/8 - Kapittel : 8. jauar. februar 008 Pla for skoleåret 00/008: Kapittel 6: 6/ /. Kapittel : / /3. Prøver på eller skoletime etter hvert kapittel. É heildagsprøve i hver termi. Repetisjo, prøver,
DetaljerIntroduksjon. Hypotesetesting / inferens (kap 3) Populasjon og utvalg. Populasjon og utvalg. Populasjonsvarians
Hypotesetestig / iferes (kap ) Itroduksjo Populasjo og utvalg Statistisk iferes Utvalgsfordelig (samplig distributio) Utvalgsfordelige til gjeomsittet Itroduksjo Vi øsker å få iformasjo om størrelsee i
DetaljerLøsningsforslag ST2301 øving 3
Løsigsforslag ST2301 øvig 3 Kapittel 1 Exercise 11 Et utvalg på 100 idivider trekkes fra e populasjo med tilfeldig parrig. Det ble observert AA 63 idivider av geotype AA, Aa 27, og aa 10. Lag et 95 % kofidesitervall
DetaljerAVDELING FOR INGENIØRUTDANNING EKSAMENSOPPGAVE
AVDELING FOR INGENIØRUTDANNING EKSAMENSOPPGAVE Eme: Diskret matematikk Gruppe(r): Emekode: FO 019A Dato: 12.12.200 Faglig veileder: Ulf Uttersrud Eksamestid: 9-14 Eksamesoppgave består av: Atall sider
DetaljerEcon 2130 Forelesning uke 11 (HG)
Eco 130 Forelesig uke 11 (HG) Mer om ormalfordelige og setralgreseteoremet Uke 1 1 Fra forrige gag ~ betyr er fordelt som. ~ N( µσ, ) E( ) = µ, og var( ) = σ Normalfordelige er symmetrisk om μ og kotiuerlig
Detaljerx 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
DetaljerSTK1100 våren 2017 Estimering
STK1100 våre 017 Estimerig Svarer til sidee 331-339 i læreboka Ørulf Borga Matematisk istitutt Uiversitetet i Oslo 1 Politisk meigsmålig Spør et tilfeldig utvalg på 1000 persoer hva de ville ha stemt hvis
DetaljerKapittel 8: Estimering
Kaittel 8: Estimerig Estimerig hadler kort sagt om hvorda å aslå verdie å arametre som,, og dersom disse er ukjete. like arametre sier oss oe om oulasjoe vi studerer (dvs om alle måliger av feomeet som
DetaljerPlan for fagdag 3. Plan: Litt om differanse- og summefølger. Sammenhengen a n a 1 n 1 i 1
Pla for fagdag 3 R2-18.11.10 Pla: Litt om differase- og summefølger. Sammehege a a 1 1 i 1 d i. Geometriske resoemet. Arbeidsoppgaver. Differase- og summefølger Regresjo med lommereger Differaser er ofte
DetaljerKort repetisjon fra kapittel 4. Oppsummering kapittel ST0202 Statistikk for samfunnsvitere. Betinget sannsynlighet og trediagram
2 Kort reetisjo fra kaittel 4 Betiget sasylighet og trediagram Eksemel: Fra e oulasjo av idrettsfolk trekkes e erso tilfeldig og testes for doig. De iteressate hedelsee er D=ersoe er doet, A=teste er ositiv.
DetaljerNumeriske metoder i fysikk 3 (FYS310b) Del 2: Beregning av elektronisk struktur
Numeriske metoder i fysikk 3 (FYS310b) Del 2: Beregig av elektroisk struktur Ole Marti Løvvik Fysisk istitutt, UiO/ Istitutt for eergitekikk, Kjeller Systemet Makroskopisk system, evt. med periodisitet.
DetaljerForkunnskaper i matematikk for fysikkstudenter. Derivasjon.
Defiisjo av derivert Vi har stor ytte av å vite hvor raskt e fuksjo vokser eller avtar Mer presist: Vi øsker å bestemme stigigstallet til tagete til fuksjosgrafe P Q Figure til vestre viser hvorda vi ka
DetaljerKonfidensintervall. Notat til STK1110. Ørnulf Borgan, Ingrid K. Glad og Anders Rygh Swensen Matematisk institutt, Universitetet i Oslo.
Kofidesitervall Notat til STK1110 Ørulf Borga, Igrid K. Glad og Aders Rygh Swese Matematisk istitutt, Uiversitetet i Oslo August 2007 Formål E valig metode for å agi usikkerhete til et estimat er å berege
DetaljerMA1101 Grunnkurs Analyse I Høst 2017
Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag MA0 Grukurs Aalyse I Høst 07 Løsigsforslag Øvig..b) Vi skriver om 7 = 4 4 7 Korollar.. gir at 7 4 er irrasjoal (side vi vet 7 4 er
DetaljerOM TAYLOR POLYNOMER. f x K f a x K a. f ' a = lim x/ a. f ' a z
OM TAYLOR POLYNOMER I dette otatet, som utfyller avsitt 6. i Gullikses bok, skal vi se på Taylor polyomer og illustrere hvorfor disse er yttige. Det å berege Taylor polyomer for håd er i prisippet ikke
DetaljerINF3400 Digital Mikroelektronikk Løsningsforslag DEL 9
IF00 Digital Mikroelektroikk Løsigsforslag DEL 9 I. Oppgaver. Oppgave 6.7 Teg trasistorskjema for dyamisk footed igags D og O porter. gi bredde på trasistoree. va blir logisk effort for portee?. Løsigsforslag
DetaljerAVDELING FOR INGENIØRUTDANNING EKSAMENSOPPGAVE
AVDELING FOR INGENIØRUTDANNING EKSAMENSOPPGAVE Eme: Statistikk Gruppe(r): Alle ( 2. årskull) Eksamesoppgav Atall sider (ikl. e består av: forside): 5 Tillatte hjelpemidler: Emekode: LO070A Dato: 11.06.2004
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2008 Kp. 6, del 5
ÅMA110 Sasylighetsregig med statistikk, våre 2008 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 26. mars Bjør H. Auestad Kp. 6: Hypotesetestig del 5 1/ 53
DetaljerEstimering 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
DetaljerLikningssystem for maksimum likelihood løsning
Maksimum likelihood metode Likigssystem for maksimum likelihood løsig Treig av klassifikator ute merket treigssett. Atakelser (i første omgag): Atall klasser c er kjet, ÁpriorisasyligheteeP(w i ), i =
DetaljerKLMED8004 Medisinsk statistikk. Del I, høst Estimering. Tidligere sett på. Eksempel hypertensjon
Tidligere sett på KLMED8004 Medisisk statistikk Del I, høst 008 Estimerig Hvorda kjete sasylighetsfordeliger (biomialfordelig, ormalfordelig) med kjete populasjosparametrer (forvetig, varias osv.) ka gi
DetaljerOppgave 1. (i) Hva er sannsynligheten for at det øverste kortet i bunken er et JA-kort?
ECON EKSAMEN 8 VÅR TALLSVAR Oppgave Vi har e kortstokk beståede av 6 kort. På av disse står det skrevet JA på forside mes det står NEI på forside av de adre kortee. Hvis ma får se kortet med bakside vedt
DetaljerVelkommen til Sommerskolen i Drammen
I R E J K S HVA? N E I R E F so rsk e o ra d le o. e Velkoe til Soerskole i Drae Soerskole Drae er et forsterkigstiltak og e viktig satsig i Lærigsløp Drae. Tilbudet er gratis for Draeselever på 3. 9.
DetaljerMA 1410: Analyse Uke 48, aasvaldl/ma1410 H01. Høgskolen i Agder Avdeling for realfag Institutt for matematiske fag
MA 40: Aalyse Uke 48, 00 http://home.hia.o/ aasvaldl/ma40 H0 Høgskole i Agder Avdelig for realfag Istitutt for matematiske fag Oppgave 8.7:. Vi har f(x) = cosh(x) = ex +e x. f(0) =. Derivasjo gir f (x)
DetaljerKapittel 7: Noen viktige sannsynlighetsfordelinger
Kapittel 7: Noe viktige sasylighetsfordeliger I mage situasjoer ka feomeet vi ser på beskrives med e bestemt type sasylighetsfordelig e sasylighetsfordelig gitt ved e bestemt formel. Vi skal se på oe av
DetaljerLP. Leksjon 2. Kapittel 2: simpleksmetoden, forts. initialisering to faser ubegrenset løsning geometri
LP. Leksjon 2. Kapittel 2: simpleksmetoden, forts. initialisering to faser ubegrenset løsning geometri 1 / 16 Repetisjon LP problem tillatt løsning, optimal løsning basisliste basis, basisvariable og ikkebasisvariable
DetaljerDetaljert løsningsveiledning til ECON1310 seminaroppgave 9, høsten der 0 < t < 1
Detaljert løsigsveiledig til ECON30 semiaroppgave 9, høste 206 Dee løsigsveiledige er mer detaljert e det et fullgodt svar på oppgave vil være, og mer utfyllede e e valig fasit. De er met som e guide til
DetaljerTMA4240 Statistikk Høst 2016
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalt øvig 11 Løsigsskisse Oppgave 1 a) E rimelig estimator for forvetigsverdie µ er gjeomsittet X = 1 X i, som vil være ormalfordelt
Detaljer211.7% 2.2% 53.0% 160.5% 30.8% 46.8% 17.2% 11.3% 38.7% 0.8%
Prøve-eksame II MET 1190 Statistikk Dato 31. mai 2019 kl 1100-1400 Alle svar skal begrues. Når besvarelse evalueres, blir det lagt vekt på at framgagsmåte og resultat preseteres så klart, presist og kortfattet
DetaljerMer om utvalgsundersøkelser
Mer om utvalgsudersøkelser I uderkapittel 3.6 i læreboka gir vi e kort iførig i takegage ved utvalgsudersøkelser. Vi gir her e grudigere framstillig av temaet. Populasjo og utvalg Ved e utvalgsudersøkelse
DetaljerDifferensligninger Forelesningsnotat i Diskret matematikk Differensligninger
Differesligiger Forelesigsotat i Diskret matematikk 017 Differesligiger I kapittel lærte vi om følger og rekker. Vi studerte både aritmetiske og geometriske følger og rekker. Noe følger og rekker er imidlertid
DetaljerVi skal hovedsakelig ikke bestemme summen men om rekken konvergerer. det vil si om summen til rekken er et bestemt tall
Kapittel 8 Oppsummerig-Rekker Rekker er summe til edelig eller uedelig mage ledd i e tallfølge. Potesrekker ka beyttes til å uttrykke vaskelige fuksjoer om et pukt. Ma ka skreddesy potesfuksjoer ved hjelp
DetaljerPåliteligheten til en stikkprøve
Pålitelighete til e stikkprøve Om origiale... 1 Beskrivelse... 2 Oppgaver... 4 Løsigsforslag... 4 Didaktisk bakgru... 5 Om origiale "Zuverlässigkeit eier Stichprobe" på http://www.mathe-olie.at/galerie/wstat2/stichprobe/dee
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.
ÅMA Sasylighetsregig med statistikk, våre 6 Kp. 4 Kotiuerlige tilfeldige variable og ormaldelige Kotiuerlige tilfeldige variable, itro. (eller: Kotiuerlige sasylighetsdeliger) Vi har til å sett på diskrete
DetaljerLøsning eksamen S2 våren 2010
Løsig eksame S våre 010 Oppgave 1 a) 1) f( ) l 1 f ( ) l l l l ( l 1) ) g ( ) 3e g( ) 3e 3e 6e b) Rekke er geometrisk med Rekke kovergerer. Summe er a1 1 1 s 1 k 1 1 1 1 1 k og oppfller dermed kravet 1
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF-MAT 3370 Lineær optimering Eksamensdag: 3. juni 2008 Tid for eksamen: 14.30 17.30 Oppgavesettet er på 5 sider. Vedlegg: Ingen
DetaljerProgrammering for fysikkens skyld
Prograering for fysikkens skyld Prograering er på vei inn i skolen og det er ange so arguenterer både for og iot dette. I denne artikkelen vil vi vise hvordan prograering kan styrke fysikkfaget og hvordan
DetaljerKommentarer til oppgaver;
Kapittel - Algebra Versjo: 11.09.1 - Rettet feil i 0, 1 og 70 og lagt i litt om GeoGebra-bruk Kommetarer til oppgaver; 0, 05, 10, 13, 15, 5, 9, 37, 5,, 5, 59, 1, 70, 7, 78, 80,81 0 a) Trykkfeil i D-koloe
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007
ÅMA Sasylighetsregig med statistikk, våre 27 Kp. 6 (kp. 6) Tre deler av faget/kurset:. Beskrivede statistikk 2. Sasylighetsteori, sasylighetsregig 3. Statistisk iferes estimerig kofidesitervall hypotesetestig
DetaljerENMANNSBEDRIFTEN i byggeog anleggsbransjen. Et tryggere og bedre arbeidsmiljø
ENMANNSBEDRIFTEN i byggeog aleggsbrasje Et tryggere og bedre arbeidsmiljø INNHOLD Formålet med hådboke... side 4 Lover og regler som hjelper deg til et tryggere og bedre arbeidsmiljø... side 6 HMS-arbeide
DetaljerSAMMENLIGNING AV MINSTE KVADRATERS METODE OG SANNSYNLIGHETSMAKSIMERINGSMETODEN I BINÆR REGRESJON. Henrik Dahl *)
IO 78/8 7. april 978 SAMMENLIGNING AV MINSTE KVADRATERS METODE OG SANNSYNLIGHETSMAKSIMERINGSMETODEN I BINÆR REGRESJON av Herik Dahl *) INNHOLD Side Sammedrag. Om modeller for biær regresjo 3. Miste kvadraters
Detaljer14 Plateberegninger. Litteratur: Cook & Young, Advanced Mechanics of Materials, kap Larsen, Dimensjonering av stålkonstruksjoner, kap. 9.
14 Plateberegiger Ihold: Forskjellige strategier for plateberegig Naviers plateløsig Virtuelle forskvigers prisipp for plater Raleigh-Ritz' metode for plater Litteratur: Cook & Youg, Advaced Mechaics of
DetaljerKap. 9: Inferens om én populasjon. Egenskaper ved t-fordelingen. ST0202 Statistikk for samfunnsvitere. I Kapittel 8 brukte vi observatoren
2 Kap. 9: Iferes om é populasjo I Kapittel 8 brukte vi observatore z = x μ σ/ for å trekke koklusjoer om μ. Dette krever kjet σ (urealistisk). ST0202 Statistikk for samfusvitere Bo Lidqvist Istitutt for
DetaljerKap. 9: Inferens om én populasjon
2 ST0202 Statistikk for samfusvitere Bo Lidqvist Istitutt for matematiske fag Ka. 9: Iferes om é oulasjo Hvis σ er ukjet bytter vi ut σ med s i Ny observator blir t = x μ s/ z = x μ σ/ der s = Σx 2 (Σx)
DetaljerTMA4245 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
DetaljerPolynominterpolasjon
Polyomiterpolasjo Ae Kværø March 5, 2018 1 Problemstillig Gitt + 1 pukter (x i, y i ) i=0 med distikte x-verdier (dvs. x i = x j hvis i = j). Fi et polyom p(x) av lavest mulig grad slik at p(x i ) = y
DetaljerEKSAMEN. Oppgavesettet består av 5 oppgaver, hvor vekten til hver oppgave er angitt i prosent i oppgaveteksten. Alle oppgavene skal besvares.
EKSAMEN Emekode: SFB12003 Eme: Metodekurs II: Samfusviteskapelig metode og avedt statistikk Dato: 2.6.2014 Eksamestid: kl. 09.00 til kl. 13.00 Hjelpemidler: Kalkulator Faglærer: Bjørar Karlse Kivedal Eksamesoppgave:
DetaljerLØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK 5.august 2004
Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag Side av 0 LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK 5.august 2004 Oppgave Foruresig X er e stokastisk variabel som agir
DetaljerLP. Leksjon 6: Kap. 6: simpleksmetoden i matriseform, og Seksjon 7.1: følsomhetsanalyse
LP. Leksjon 6: Kap. 6: simpleksmetoden i matriseform, og Seksjon 7.1: følsomhetsanalyse matrisenotasjon simpleksalgoritmen i matrisenotasjon eksempel negativ transponert egenskap: bevis følsomhetsanalyse
DetaljerOversikt over konfidensintervall i Econ 2130
1 HG Revidert april 011 Oversikt over kofidesitervall i Eco 130 Merk at dee oversikte ikke er met å leses istedefor framstillige i Løvås, me som et supplemet. Løvås ieholder mage verdifulle kommetarer
DetaljerMatematikk for IT. Oblig 7 løsningsforslag. 16. oktober
Matematikk for IT Oblig 7 løsigsforslag. oktober 7..8 a) Vi skal dae kodeord som består av sifree,,,, 7. odeordet er gldig dersom det ieholder et like atall (partall) -ere. Dee løses på samme måte som..:
DetaljerOversikt, del 5. Vi har sett på styrkefunksjon for ensidige tester. Eksempler (styrke, dimensjonering,...) Eksempler fra slutten av forrige uke
Hypotesetestig, del 4 oppsummerig fra Hypotesetestig, del 5 Kofidesitervall dimesjoerig Oversikt, del 5 Eksempler fra slutte av forrige uke Kofidesitervall p-verdi Eksempler Eksempler styrke, dimesjoerig,...
DetaljerOppgaver fra boka: Med lik men ukjent varians antatt har vi fra pensum at. t n1 +n 2 2 under H 0 (12 1) (12 1)
MOT30 Statistiske metoder, høste00 Løsiger til regeøvig r. 5 (s. ) Oppgaver fra boka: Oppgave 0.36 (0.0:8) Dekkslitasje X,..., X u.i.f. N(µ, σ ) og X,..., X u.i.f. N(µ, σ ) og alle variable er uavhegige.
Detaljer1 TIGRIS Tidlig intervensjon i forhold til rusmiddelbruk i graviditet og småbarnsperiode
1 TIGRIS Tidlig itervesjo i forhold til rusmiddelbruk i graviditet og småbarsperiode 1 - TIGRIS 1 Ihold 1 Bakgru for prosjektet........................................... 5 2 Prosjektkommuer....................................................
DetaljerECON240 Statistikk og økonometri
ECON240 Statistikk og økoometri Arild Aakvik, Istitutt for økoomi 1 Mellomregig MKM Model: Y i = a i + bx i + e i MKM-estimator for b: b = = Xi Y i 1 Xi Yi Xi 1 ( X i ) 2 (Xi X)(Y i Ȳi) (Xi X) 2 hvor vi
DetaljerRegistrarseminar 1. april 2003. Ingrid Ofstad Norid
Registrarsemiar 1. april 2003 Igrid Ofstad Norid Statistikk 570 har fått godkjet søkad om å bli registrar ca. 450 registrarer er aktive i dag 2 5 ye avtaler hver uke på semiaret deltar både registrarer
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 2
ÅMA11 Sasylighetsregig med statistikk, våre 27 Kp. 6, del 2 Bjør H. Auestad Istitutt for matematikk og aturviteskap 5. mars 21 Bjør H. Auestad Kp. 6: del 1/2 1/ 42 Bjør H. Auestad Kp. 6: del 1/2 2/ 42
DetaljerTMA4240 Statistikk Høst 2009
TMA440 Statistikk Høst 009 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer b4 Løsigsskisse Oppgave Øsker å fie 99% kofidesitervall for µ µ år vi atar ormalfordeliger
DetaljerTotalt Antall kandidater oppmeldt 1513 Antall møtt til eksamen 1421 Antall bestått 1128 Antall stryk 247 Antall avbrutt 46 % stryk og avbrutt 21%
TMA4100 Høste 2007 Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag Kommetarer til eksame Dette dokumetet er e oppsummerig av erfarigee fra sesure av eksame i TMA4100 Matematikk
Detaljer