MOD 233 Konveksitet og optimering. Leksjon 1

Størrelse: px
Begynne med side:

Download "MOD 233 Konveksitet og optimering. Leksjon 1"

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

Innhold og forelesningsplan Eksempler på LP Begreper Løsning av enkelt eksempel Praktisk relevans Leksjon 2: Simpleksmetoden for løsning av LP Lekso 2 Mål for kurset teoretisk forståelse, gruleggede optimerig løsigsmetoder LP og utvidelser algoritmisk forståelse avedelser LP og utvidelser modellerig og løsig v.h.a. verktøy Ihold og forelesigspla

Detaljer

Econ 2130 uke 15 (HG) Poissonfordelingen og innføring i estimering

Econ 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

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

ÅMA110 Sannsynlighetsregning med statistikk, våren 2006

ÅMA110 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

Detaljer

Kapittel 5: dualitetsteori

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

Detaljer

Eksamen REA3028 S2, Våren 2010

Eksamen 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

Detaljer

ECON 3610/4610 Veiledning til oppgaver seminaruke 43. Planleggingsproblemet for en planlegger med en utilitaristisk velferdsfunksjon er her

ECON 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

Detaljer

Eksamen REA3028 S2, Våren 2011

Eksamen 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

Detaljer

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

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

Detaljer

LØSNINGSFORSLAG TIL EKSAMEN STE 6219 Digital signalbehandling

LØSNINGSFORSLAG 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

Detaljer

ingen Fase I nødvendig konvergerer dersom LP er begrenset og konsistent skifter mellom primal og dual pivotering MoD233 - Geir Hasle - Leksjon 8 2

ingen 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

Detaljer

Eksempeloppgave 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 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

Detaljer

I dag: Produktfunksjoner og kostnadsfunksjoner

I 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

Detaljer

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

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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren Kp. 5 Estimering. Målemodellen.

ÅMA110 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

Detaljer

LØSNING: Eksamen 28. mai 2015

LØSNING: 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

Detaljer

Sensorveiledning eksamen ECON 3610 Høst 2017

Sensorveiledning 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

Detaljer

Kapittel 1 og 2: eksempel og simpleksmetoden

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

Detaljer

Eksamen REA3028 S2, Våren 2010

Eksamen 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

Detaljer

Kapittel 5: Tilfeldige variable, forventning og varians.

Kapittel 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

Detaljer

Kraftforsyningsberedskap. Roger Steen Seniorrådgiver Beredskapsseksjonen NVE, rost@nve.no

Kraftforsyningsberedskap. 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

Detaljer

Suffisient observator

Suffisient observator Iledig Beslutigsteori Parametriske metoder Ikke-parametriske metoder Diskrimiatfuksjoer Evaluerig Ikke-ledet lærig Klygeaalyse Suffisiete observatorer Suffisiet observator Statistisk størrelse s som ieholder

Detaljer

Fagdag 2-3mx 24.09.07

Fagdag 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.

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

Repetisjon; 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

Repetisjon; 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

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

MOT310 Statistiske metoder 1, høsten 2011

MOT310 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,

Detaljer

Del1. 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 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

Detaljer

Veiledning til obligatoriske oppgave ECON 3610 høsten 2012

Veiledning 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

Detaljer

Eksempeloppgave 2014. REA3026 Matematikk S1 Eksempel på eksamen våren 2015 etter ny ordning. Ny eksamensordning. Del 1: 3 timer (uten hjelpemidler)

Eksempeloppgave 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:

Detaljer

2T kapittel 3 Modellering og bevis Utvalgte løsninger oppgavesamlingen

2T 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

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

LØSNINGSFORSLAG TIL ØVING NR. 1, VÅR 2015

LØSNINGSFORSLAG 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

Detaljer

Løsningsforslag: Deloppgave om heuristiske søkemetoder

Løsningsforslag: 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

Detaljer

Eksempler fra slutten av forrige uke. Eksempler (styrke, dimensjonering,...) Eksempler fra slutten av forrige uke

Eksempler 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,...

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

Institutt for økonomi og administrasjon

Institutt 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

Detaljer

Forelesning 4 og 5 Transformasjon, Weibull-, lognormal, beta-, kji-kvadrat -, t-, F- fordeling

Forelesning 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

Detaljer

f '( 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

f '( 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:

Detaljer

Numeriske metoder: Euler og Runge-Kutta Matematikk 3 H 2016

Numeriske 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,

Detaljer

3MX 2007/8 - Kapittel 5: 8. januar 5. februar 2008

3MX 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,

Detaljer

Introduksjon. Hypotesetesting / inferens (kap 3) Populasjon og utvalg. Populasjon og utvalg. Populasjonsvarians

Introduksjon. 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

Detaljer

Løsningsforslag ST2301 øving 3

Løsningsforslag 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

Detaljer

AVDELING FOR INGENIØRUTDANNING EKSAMENSOPPGAVE

AVDELING 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

Detaljer

Econ 2130 Forelesning uke 11 (HG)

Econ 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

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

STK1100 våren 2017 Estimering

STK1100 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

Detaljer

Kapittel 8: Estimering

Kapittel 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

Detaljer

Plan for fagdag 3. Plan: Litt om differanse- og summefølger. Sammenhengen a n a 1 n 1 i 1

Plan 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

Detaljer

Kort repetisjon fra kapittel 4. Oppsummering kapittel ST0202 Statistikk for samfunnsvitere. Betinget sannsynlighet og trediagram

Kort 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.

Detaljer

Numeriske metoder i fysikk 3 (FYS310b) Del 2: Beregning av elektronisk struktur

Numeriske 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.

Detaljer

Forkunnskaper i matematikk for fysikkstudenter. Derivasjon.

Forkunnskaper 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

Detaljer

Konfidensintervall. Notat til STK1110. Ørnulf Borgan, Ingrid K. Glad og Anders Rygh Swensen Matematisk institutt, Universitetet i Oslo.

Konfidensintervall. 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

Detaljer

MA1101 Grunnkurs Analyse I Høst 2017

MA1101 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

Detaljer

OM TAYLOR POLYNOMER. f x K f a x K a. f ' a = lim x/ a. f ' a z

OM 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

Detaljer

INF3400 Digital Mikroelektronikk Løsningsforslag DEL 9

INF3400 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

Detaljer

AVDELING FOR INGENIØRUTDANNING EKSAMENSOPPGAVE

AVDELING 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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2008 Kp. 6, del 5

ÅMA110 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

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

Likningssystem for maksimum likelihood løsning

Likningssystem 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 =

Detaljer

KLMED8004 Medisinsk statistikk. Del I, høst Estimering. Tidligere sett på. Eksempel hypertensjon

KLMED8004 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

Detaljer

Oppgave 1. (i) Hva er sannsynligheten for at det øverste kortet i bunken er et JA-kort?

Oppgave 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

Detaljer

Velkommen til Sommerskolen i Drammen

Velkommen 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.

Detaljer

MA 1410: Analyse Uke 48, aasvaldl/ma1410 H01. Høgskolen i Agder Avdeling for realfag Institutt for matematiske fag

MA 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)

Detaljer

Kapittel 7: Noen viktige sannsynlighetsfordelinger

Kapittel 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

Detaljer

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

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

Detaljer

Detaljert løsningsveiledning til ECON1310 seminaroppgave 9, høsten der 0 < t < 1

Detaljert 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

Detaljer

TMA4240 Statistikk Høst 2016

TMA4240 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

Detaljer

211.7% 2.2% 53.0% 160.5% 30.8% 46.8% 17.2% 11.3% 38.7% 0.8%

211.7% 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

Detaljer

Mer om utvalgsundersøkelser

Mer 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

Detaljer

Differensligninger Forelesningsnotat i Diskret matematikk Differensligninger

Differensligninger 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

Detaljer

Vi skal hovedsakelig ikke bestemme summen men om rekken konvergerer. det vil si om summen til rekken er et bestemt tall

Vi 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

Detaljer

Påliteligheten til en stikkprøve

Påliteligheten 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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.

ÅMA110 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

Detaljer

Løsning eksamen S2 våren 2010

Løsning 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

Detaljer

UNIVERSITETET I OSLO

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

Detaljer

Programmering for fysikkens skyld

Programmering 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

Detaljer

Kommentarer til oppgaver;

Kommentarer 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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

ÅMA110 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

Detaljer

ENMANNSBEDRIFTEN i byggeog anleggsbransjen. Et tryggere og bedre arbeidsmiljø

ENMANNSBEDRIFTEN 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

Detaljer

SAMMENLIGNING AV MINSTE KVADRATERS METODE OG SANNSYNLIGHETSMAKSIMERINGSMETODEN I BINÆR REGRESJON. Henrik Dahl *)

SAMMENLIGNING 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

Detaljer

14 Plateberegninger. Litteratur: Cook & Young, Advanced Mechanics of Materials, kap Larsen, Dimensjonering av stålkonstruksjoner, kap. 9.

14 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

Detaljer

Kap. 9: Inferens om én populasjon. Egenskaper ved t-fordelingen. ST0202 Statistikk for samfunnsvitere. I Kapittel 8 brukte vi observatoren

Kap. 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

Detaljer

Kap. 9: Inferens om én populasjon

Kap. 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)

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

Polynominterpolasjon

Polynominterpolasjon 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

Detaljer

EKSAMEN. Oppgavesettet består av 5 oppgaver, hvor vekten til hver oppgave er angitt i prosent i oppgaveteksten. Alle oppgavene skal besvares.

EKSAMEN. 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:

Detaljer

LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK 5.august 2004

LØSNINGSFORSLAG 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

Detaljer

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

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

Detaljer

Oversikt over konfidensintervall i Econ 2130

Oversikt 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

Detaljer

Matematikk for IT. Oblig 7 løsningsforslag. 16. oktober

Matematikk 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..:

Detaljer

Oversikt, del 5. Vi har sett på styrkefunksjon for ensidige tester. Eksempler (styrke, dimensjonering,...) Eksempler fra slutten av forrige uke

Oversikt, 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,...

Detaljer

Oppgaver 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)

Oppgaver 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.

Detaljer

1 TIGRIS Tidlig intervensjon i forhold til rusmiddelbruk i graviditet og småbarnsperiode

1 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....................................................

Detaljer

ECON240 Statistikk og økonometri

ECON240 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

Detaljer

Registrarseminar 1. april 2003. Ingrid Ofstad Norid

Registrarseminar 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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 2

ÅMA110 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

Detaljer

TMA4240 Statistikk Høst 2009

TMA4240 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

Detaljer

Totalt Antall kandidater oppmeldt 1513 Antall møtt til eksamen 1421 Antall bestått 1128 Antall stryk 247 Antall avbrutt 46 % stryk og avbrutt 21%

Totalt 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