FORELESNINGSNOTATER I SPILLTEORI Geir B. Asheim, våren 2001 (oppdatert ).

Størrelse: px
Begynne med side:

Download "FORELESNINGSNOTATER I SPILLTEORI Geir B. Asheim, våren 2001 (oppdatert )."

Transkript

1 OREESNINGSNOTATER I SPITEORI Ger B. Ashem, våre 00 (odatert STATISKE SPI MED UUSTENDIG INORMASJON (Statske Bayesaske sll Statsk sll: Sllere trekker samtdg. Ufullstedg formasjo: Mst é sllere vet kke hvem ha sller med. Statsk Dyamsk ullkomme formasjo ullstedg formasjo Neste fullk. fo. Delsll-erfekt lkevekt Ufullkomme formasjo KAP KAP 3 Nash- Bayesask lkevekt lkevekt KAP KAP 4 Ufullstedg formasjo Perfekt Bayesask lkevekt 3. STATISKE SPI MED USTENDIG INORMASJON 3. STATISKE BAYESIANSKE SPI OG BAYESIANSK NAS-IKEVEKT Courot-modelle P(Q = a Q Q = + C ( = C ( = med ssh. θ og C ( = med ssh. θ ( arg ma [( a ] ( arg ma [( a ] arg ma { θ[( a ( ] + ( θ[( a ( ] } 3. STATISKE BAYESIANSKE SPI OG BAYESIANSK NAS-IKEVEKT Courot-modelle ørsteordesbetgelser: ( = ( a ( = ( a = [ θ( a ( + ( θ( a ( ] Bayesask Nash-lkevekt: θ ( = ( a + + ( 3 6 θ ( = ( a + ( 3 6 = 3 ( a + θ + ( θ 3. STATISKE BAYESIANSKE SPI OG BAYESIANSK NAS-IKEVEKT ( ( Courot-modelle roduserer mer e det vlle ha gjort uder fullst. fo. vorfor? kke vet at har høy kostad. roduserer derfor mdre e uder fullst. fo. vet at kke vet at har høy kostad. roduserer derfor mer e uder fullst. fo. Tlsvarede: roduserer mdre e det vlle ha gjort uder fullst. fo.

2 3. STATSISKE BAYESIANSKE SPI OG BAYESIANSK NAS-IKEVEKT Normalforme av Courot-modelle med ufullstedg formasjo adlgsrom: A = [0, Tyerom for bedrft : T = {}, Tyerom for bedrft : T = {, }. Ofatger for bedrft : ( = θ, ( = θ, Ofatger for bedrft : ( =, ( =. Profttfuksjoer (yttefuksjoer: π (, ; = [(a ], π (, ; = [(a ], π (, ; = [(a ]. 3. STATISKE BAYESIANSKE SPI OG BAYESIANSK NAS-IKEVEKT Ekstesvforme av Courot-modelle med ufullstedg formasjo "Nature" trekker om bedrft har høy eller lav kostad. Bare bedrft får formasjo om dette. Bedrftee velger kvata smultat. (θ N (θ 3. STATISKE BAYESIANSKE SPI OG BAYESIANSK NAS-IKEVEKT Normalforme DEINISJON: Normalforme G = {A,..., A ; T,..., T ;,..., ; u,..., u } av et -sller statsk Bayesask sll sesfserer slleres hadlgsrom A,..., A slleres tyerom T,..., T slleres ofatger,..., slleres yttefuksjoer u,..., u Sller 's tye t T er rvat formasjo og bestemmer 's yttefuksjo u (a,..., a ; t 3. STATISKE BAYESIANSKE SPI OG BAYESIANSK NAS-IKEVEKT Sller 's ofatger ( t t uttrykker 's uskkerhet om de adres tyer t = (t,..., t, t +,..., t gtt t. Slleres ofatger daes v.h.a. Bayes' regel fra "atures" trekg av slleres tyer. (t,..., t : Sasylghet for at ature trekker (t,..., t. Sllere kjeer tl ( og blr fortalt om s ege tye. Sller 's ofatg daes v.h.a. Bayes' regel: ( t t = t t (, t. t (, t T

3 3. STATISKE BAYESIANSKE SPI OG BAYESIANSK NAS-IKEVEKT Strateg DEINISJON: I det statske Bayesaske sllet G = {A,..., A ; T,..., T ;,..., ; u,..., u } er e strateg for sller e fuksjo s ( som for ehver tye t T sesfserer e mulg hadlg s (t A. Eks: Strateg Courot-modelle. = s ( ( = s (; t {, } vorfor sesfsere hadlger for tyer ma kke er? s ( ka ses å som la vlle ha lagt før ha vsste s ege tye. s ( som fuksjo av alle tyer må sesfseres for å defere lkevekt. 3. STATISKE BAYESIANSKE SPI OG BAYESIANSK NAS-IKEVEKT Bayesask Nash-lkevekt DEINISJON: Strategkombasjoe s = ( s,..., s er e Bayesask Nash-lkevekt ( ree strateger for det statske Bayesaske sllet G = {A,..., A ; T,..., T ;,..., ; u,..., u } hvs det for hver sller og for hver tye t T gjelder at Eu [ ( s ( t, s( t; t] Eu [ ( a, s( t; t] for alle a A. Notasjo: Eu [ ( a, s ( t ; t] = + + t T [ ( t t u ( s ( t,..., s ( t, a, s ( t,..., s ( t ; t ] 3. STATISKE SPI MED USTENDIG INORMASJON 3. ANVENDESER 'Regjørg' av bladede strateger Pat Chrs O O, 0, 0 0, 0, Kjøskamsllet r (O /3 ( /3 ( (O Kjøskamsllet har e Nash-lkevekt bladede strateger, hvor Chrs velger O med ssh. /3 og Pat velger med ssh. /3. Ka dee lkevekte ses å som e lkevekt ree strateger hvor sllere har ufullstedg formasjo? 3. ANVENDESER 'Regjørg' av bladede strateger Kjøskamsllet med ufullstedg formasjo Pat Chrs O O +t, 0, 0 0, 0, +t adlgsrom: A = A = {O, } Tyerom: T = T = [0, ] Ofatger: (t = (t = / for alle t og t. Nyttefuksjoer: u (O,, t er gtt ved yttematrse. Betrakt ree strateger av følgede form: C trekker O hvs t ; dvs C trekker O med sasylghet ( /. P trekker hvs t ; dvs P trekker med sasylghet ( /.

4 3. ANVENDESER 'Regjørg' av bladede strateger Utbetalg for C hvs t + t O: ( + + ( 0 = ( : 0 + ( = ( O er et beste svar hvs og bare hvs t Utbetalg for P hvs : ( 0 + ( + = ( O: ( + 0 = ( t + t 3 =. er et beste svar hvs og bare hvs t 3 =. øsg av 3 = og 3 = gr = og + 3 = 0, d.v.s., = = ANVENDESER 'Regjørg' av bladede strateger Bayesask Nash-lkevekt: s( t = O hvs og bare hvs t = s( t = hvs og bare hvs t = = = 3 år 0. I grese, år de ufullstedge formasjoe forsver, går adferde de Bayesaske Nash-lkevekte ree strateger sllet med ufullstedg formasjo mot adferde Nash-lkevekte bladede strateger sllet med fullstedg formasjo. Klassfkasjo av auksjoer 3. ANVENDESER Auksjoer É selger Kokurrase mellom kjøere bestemmer hvem som kjøer og hvlke rs som betales Prvate verder elles verder Åe ukket ollask Egelsk. rs. rs Avtakede Økede øyeste ver Betaler eget øyeste ver Betaler est høyeste Prvate verder: Kjøer kjeer ege verd. Kjeer kke adres verd. Eks: Eget bruk. elles verder: Verd de samme for alle, me kke kjet. Eks: Kjøer for vderesalg. 3. ANVENDESER ukket. rs-auksjo med rvate verder b A = [0, ], =,...,, v T = [0, ], =,...,, verdsettg er fordelt uavhegg og uformt: (v j = for alle v j T j u (b, b, v = v b hvs b er større e adre u (b, b, v = 0 ellers. Ma må by mdre e sa verd for å kue tjee å å delta auksjoe. Dette må avvees mot at e lavere reduserer ssh. for å ve gjestade. Betrakt strateger av følgede form: b( v = v V skal vse at det er e Bayesask lkevekt at alle byr av sa verd.

5 3. ANVENDESER ukket. rs-auksjo med rvate verder V må vse at b( v= v maksmerer (v b Prob(Adre byr mdre e b tetthet /(- (-/ Ssh. for at é byr mdre e b : b b Ssh. for at alle adre byr mdre e b : ( ma ( v b b ( b =. ordesbetgelse gr: b v 3. ANVENDESER Avslørgsrset MOTIVASJON: Er det mulg å edre å. rs-auksjoe slk at gvere vl og sa verd? Betrakt følgede auksjo: G meldg om v ~ (ogtt verd. De som ogr høyeste verd, ver gjestade. Vere må betale Budgver vl da og sa verd hvs v ~ = v maksmerer (v v~ Prob(Adre byr mdre e v ~ Ata at de adre ogr sa verd. Ssh. for at é byr mdre e v ~ : v ~ ~ Ssh. for at alle adre byr mdre e v ~ : ( v ma ~ ( ~ ( ~ v v v v. ordesbetgelse gr: v ~ = v v ~. 3. ANVENDESER Avslørgsrset 3. ANVENDESER Avslørgsrset DEINISJON: Et statsk Bayesask sll er e drekte mekasme hvs, for hver sller, hadlgsrommet er lk tyerommet. Meldg A Mekasme DEINISJON: E drekte mekasme et statsk Bayesask sll er setvforelg hvs saferdghet er e Bayesask Nash-lkevekt. TEOREM: (Avslørgsrset Ehver Bayesask Nash-lkevekt et statsk Bayesask sll ka rereseteres ved e setvforelg drekte mekasme. T u Drekte mekasme Meldg: s ( Mekasme: u( s(, s; Drekte mekasme: v ( τ (, τ ; a s = ( s,..., s være e Bayesask Nash-lkevekt de drekte mekasme. Defer e drekte mekasme ved: or alle, v( τ, τ ; t = u( s ( τ, s( τ ; t. Da er τ = ( τ,..., τ, med τ ( t = t for alle, e Bayesask Nash-lkevekt de drekte mekasme.

TMA4245 Statistikk Eksamen august 2014

TMA4245 Statistikk Eksamen august 2014 Norges teksk-aturvteskapelge uverstet Isttutt for matematske fag Løsgssksse Oppgave a) Y 5 PY > 53) PY 53) P ) 53 5 Φ5) 933 668 Vekte av e fylt flaske, X + Y, er e leærkombasjo av uavhegge ormalfordelte

Detaljer

Løsningsforslag Eksamen i Statistikk Nov 2001 Oppgave 1 a) Det fins 8 mulige kombinasjoner. Disse finnes ved å utelate ett og ett tall.

Løsningsforslag Eksamen i Statistikk Nov 2001 Oppgave 1 a) Det fins 8 mulige kombinasjoner. Disse finnes ved å utelate ett og ett tall. Løsgsforslag Eksame Statstkk Nov 00 Oppgave a) Det fs 8 mulge kombasjoer. Dsse fes ved å utelate ett og ett tall. Atall utvalg av størrelse 7 blat m er ( m 7 ). b) Prs Atall Rekker 3 kr. ( 7 ) 3 kr....

Detaljer

STK1100 våren Estimering. Politisk meningsmåling. Svarer til sidene i læreboka. The German tank problem. Måling av lungefunksjon

STK1100 våren Estimering. Politisk meningsmåling. Svarer til sidene i læreboka. The German tank problem. Måling av lungefunksjon STK00 våre 07 Estmerg Svarer tl sdee 33-339 læreboka Poltsk megsmålg Sør et tlfeldg utvalg å 000 ersoer hva de vlle ha stemt hvs det hadde vært valg 305 vlle ha stemt A A's oslutg er Ørulf Borga Matematsk

Detaljer

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

Econ 2130 uke 15 (HG)

Econ 2130 uke 15 (HG) Eco 130 uke 15 (HG) Kofdestervall Løvås: 6.1., 6.3.1 3. (Avstt 6.3.4 6 leses på ege håd. Se også overskt over kofdestercvall ekstra otat på ettet.) 1 Defsjo av kofdestervall La θ være e ukjet parameter

Detaljer

Forelesning 25 og 26 Introduksjon til Bayesiansk statistikk

Forelesning 25 og 26 Introduksjon til Bayesiansk statistikk Yushu.@hh.o Forelesg 5 og 6 Itroduksjo tl Bayesask statstkk 1. Itroduksjo Fortsatt atar v har stokastsk varabel X (X ka være stokastsk varabel vektor) kommer fra e fordelg med parametere ( ka være parameter

Detaljer

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

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

Detaljer

Regler om normalfordelingen

Regler om normalfordelingen 1 HG mars 2009 Notat tl kapttel 5 Løvås Regler om ormalfordelge Kjeskap tl reglee for ormalfordelge er gruleggede for de statstske aalyse kapttel 6 Løvås, og studetee må kue beherske dsse skkkelg dette

Detaljer

Regler om normalfordelingen

Regler om normalfordelingen HG mars 0 Notat tl kapttel 5 Løvås Regler om ormalfordelge Kjeskap tl reglee for ormalfordelge er gruleggede for de statstske aalyse kapttel 6 Løvås, og studetee må kue beherske dsse skkkelg dette kurset.

Detaljer

Forelesning 19 og 20 Regresjon og korrelasjons (II)

Forelesning 19 og 20 Regresjon og korrelasjons (II) STAT111 Statstkk Metoder Yushu.L@ub.o Forelesg 19 og 0 Regresjo og korrelasjos (II) 1. Kofdestervall (CI) og predksjostervall (PI) I uka 14, brukte v leær regresjo for å fage leær sammehege mellom Y og

Detaljer

OBLIGATORISK OPPGAVE 1 INF 3340/4340/9340 HØSTEN 2005

OBLIGATORISK OPPGAVE 1 INF 3340/4340/9340 HØSTEN 2005 OBLIGATORISK OPPGAVE INF 0/0/90 HØSTEN 005 Levergsfrst: 0. september 005 Arbedsform: Løses dvduelt Ileverg tl: Aja Bråthe Krstofferse (ajab@f.uo.o Levergskrav: Det forutsettes at du er kjet med holdet

Detaljer

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

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

1. Konfidens intervall for

1. Konfidens intervall for Forelesg 0 + Yushu.@ub.o Kofdes tervall og Bootstrap. Kofdes tervall for ) Kofdes tervall [ ˆ, ˆ ] dekker de ukjete parametere med høy grad av skkerhet (kofdesvå): P( ˆ ˆ ), er f.eks 0.0 eller 0.05, eller

Detaljer

STK1100 våren Konfidensintevaller

STK1100 våren Konfidensintevaller STK00 våre 07 Kofdestevaller Svarer tl avstt 8. læreboka Ørulf Borga Matematsk sttutt Uverstetet Oslo Eksempel E kjemker er teressert å bestemme kosetrasjoe µ av et stoff e løsg Hu måler kosetrasjoe fem

Detaljer

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

Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>. ECON 3 EKSAMEN VÅR TALLSVAR Det abefales at de 9 deloppgavee merket med A, B, teller lkt uasett varasjo vaskelghetsgrad. Svaree er gtt

Detaljer

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

ÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Estimering. Målemodellen. Kp. 5 Estimering. Målemodellen. ÅMA0 Sasylghetsregg med statstkk, våre 006 Kp. 5 Estmerg. Målemodelle. Estmerg. Målemodelle. Ihold:. (Pukt)Estmerg bomsk modell (kp. 5.). Målemodelle... (kp. 5.). (kp. 5.) 4. Estmere, estmat, estmator

Detaljer

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

ÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Sannsynlighetsregning med statistikk ÅMA0 Sasylghetsregg med statstkk, våre 00 Kp. 5 Estmerg. Målemodelle. Estmerg. Målemodelle. Ihold:. (Pukt)Estmerg bomsk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (Pukt)Estmerg målemodelle (kp. 5.3)

Detaljer

Spill med fullstendig info.

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

Detaljer

Om enkel lineær regresjon II

Om enkel lineær regresjon II ECON 3 HG, aprl Notat tl kapttel 7 Løvås Om ekel leær regresjo II Merk: Det ka løe seg først å lese avstt 4 regresjo-i-otatet på ytt. Regresjosmodelle. La Y være e stokastsk varabel som v kaller resposvarabele

Detaljer

som vi ønsker å si noe om basert på data Eksempel. Uid-modellen: X1, X ,,,

som vi ønsker å si noe om basert på data Eksempel. Uid-modellen: X1, X ,,, HG Eco30 07 9/3-07 Supplemet tl forelesg uke 0 (6 mars) (Det jeg kke rakk å ta på forelesg) Termolog (estmerg) Data (kokrete tall), x, x, er ervasjoer av stokastske varable, X, X, De statstske modelle

Detaljer

Formler og regler i statistikk ifølge lærebok Gunnar Løvås: Statistikk for universiteter og høgskoler

Formler og regler i statistikk ifølge lærebok Gunnar Løvås: Statistikk for universiteter og høgskoler Formler og regler statstkk følge lærebok Guar Løvås: tatstkk for uversteter og høgskoler Kap. Hva er fakta om utvalget etralmål Meda: mdterste verd etter sorterg Modus: hyppgst forekommede verd Gjeomstt:

Detaljer

Forelesning Z-, t-test, test for forventningsdifferanser

Forelesning Z-, t-test, test for forventningsdifferanser STAT Sttstkk Metoder ushu.l@ub.o Forelesg + 3 Z-, t-test, test for forvetgsdfferser. Sttstsk hypotesetestg ullhypotese): ypotese so først ttt å være st *Forålet ed e test er å udersøke o dtterlet gr grulg

Detaljer

Forelesning Punktestimering

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

Detaljer

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

Om enkel lineær regresjon II

Om enkel lineær regresjon II ECON 3 HG, revdert aprl Notat tl kapttel 7 Løvås Om ekel leær regresjo II Merk: Det ka løe seg først å lese avstt 4 regresjo-i-otatet på ytt. Regresjosmodelle. La Y være e stokastsk varabel (som v kaller

Detaljer

Forelesning 3 mandag den 25. august

Forelesning 3 mandag den 25. august Forelesg adag de 5 august Merkad 171 For å bevse e propossjo o heltall so volverer to eller flere varabler, er det typsk ye lettere å beytte duksjo på e av varablee e duksjo på oe av de adre Det er for

Detaljer

Det ble orientert i plenum under eksamensdagen om følgende endringer i forhold til oppgaven:

Det ble orientert i plenum under eksamensdagen om følgende endringer i forhold til oppgaven: LØSNINGSFORSLAG EKSAMEN 4 MAI 007 MET00 STATISTIKK GRUNNKURS Det ble oretert pleum uder eksamesdage om følgede edrger forhold tl oppgave: Oppgave b går ut. Det vl da bl 9 oppgaver og alle oppgaver teller

Detaljer

Statistikk med anvendelse i økonomi

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

Detaljer

Om enkel lineær regresjon II

Om enkel lineær regresjon II 1 ECON 13 HG, revdert aprl 17 Notat tl kapttel 7 Løvås Om ekel leær regresjo II Merk: Det ka løe seg først å lese avstt 4 regresjo-i-otatet på ytt. Regresjosmodelle. La Y være e stokastsk varabel (som

Detaljer

TMA4240 Statistikk Høst 2016

TMA4240 Statistikk Høst 2016 TMA440 Statstkk Høst 06 Norges teksk-aturvteskapelge uverstet Isttutt for matematske fag Abefalt øvg 0 Løsgssksse Oppgave a Estmatore for avstade a er gjeomsttet av uavhegge detsk fordelte målger, x; a,

Detaljer

Veiledning til obligatorisk oppgave i ECON 3610/4610 høsten N. Vi skal bestemme den fordeling av denne gitte arbeidsstyrken som

Veiledning til obligatorisk oppgave i ECON 3610/4610 høsten N. Vi skal bestemme den fordeling av denne gitte arbeidsstyrken som Jon sle; oktober 07 Ogave a. elednng tl oblgatorsk ogave ECO 60/60 høsten 07 har nå at samlet arbedskraftmengde er gtt lk, slk at ressurskravet er. skal bestemme den fordelng av denne gtte arbedsstyrken

Detaljer

STK1110 høsten Lineær regresjon. Svarer til avsnittene i læreboka (med unntak av stoffet om logistisk regresjon)

STK1110 høsten Lineær regresjon. Svarer til avsnittene i læreboka (med unntak av stoffet om logistisk regresjon) TK høste 9 Eksempel.5 (CO og vekst av furutrær Leær regreso varer tl avsttee..4 læreboka (med utak av stoffet om logstsk regreso Ørulf Borga Matematsk sttutt Uverstetet Oslo V vl bestemme sammehege mellom

Detaljer

EKSAMEN løsningsforslag

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

Detaljer

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

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

Detaljer

Oppgave 1 Det er oppgitt i oppgaveteksten at estimatoren er forventningsrett, så vi vet allerede at E(ˆµ) = µ. Variansen til ˆµ er 2 2 ( )

Oppgave 1 Det er oppgitt i oppgaveteksten at estimatoren er forventningsrett, så vi vet allerede at E(ˆµ) = µ. Variansen til ˆµ er 2 2 ( ) Norges teksk-aturvteskapelge uverstet Isttutt for matematske fag Abefalt øvg Løsgssksse Oppgave Det er oppgtt oppgavetekste at estmatore er forvetgsrett, så v vet allerede at Eˆµ µ. Varase tl ˆµ er τ Varˆµ

Detaljer

TMA4245 Statistikk Eksamen mai 2016

TMA4245 Statistikk Eksamen mai 2016 Norges teksk-aturvteskapelge uverstet Isttutt for matematske fag Løsgssksse Oppgave a) Lar X være kvadratprse. Har da at X N(µ, σ 2 ), med µ 30 og σ 2 2, 5 2. P (X < 30) P (X < µ) 0.5 ( X 30 P (X > 25)

Detaljer

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 14.12.2007

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 14.12.2007 Høgskole Telemark Avdelg for estetske fag, folkekultur og lærerutdag BOKMÅL 4..7 UTATT PRØVE I MATEMATIKK, Modul 5 studepoeg Td: 5 tmer Hjelpemdler: Kalkulator og vedlagt formelsamlg (bakerst oppgavesettet).

Detaljer

Forelesning 21 og 22 Goodness of fit test and contingency table ( 2 test og krysstabell)

Forelesning 21 og 22 Goodness of fit test and contingency table ( 2 test og krysstabell) STAT111 Statstkk Metoder Yushu.L@ub.o Forelesg 1 Goodess of ft test ad cotgecy table ( test krysstabell 1.Goodess of ft test ( test Ata at v har et utvalg med observasjoee fra e stokastsk varabel X. Goodess-of-ft

Detaljer

EN MODELL FOR NEGATIVE EKSTERNE VIRKNINGER 1

EN MODELL FOR NEGATIVE EKSTERNE VIRKNINGER 1 Jo Vsle; 9.oktober 007 N MODLL FOR NGATIV KSTRN VIRKNINGR V øsket å belyse ekstere vrkger ved hjelp av e llustrerede og oelude ekel modell, ltt aerledes e de som gjeomgås kap. 4. Strøm & Vsle. Hovedformålet

Detaljer

Forelesning Ordnings observatorer

Forelesning Ordnings observatorer Yushu.L@ub.o Forelesg 6 + 7 Ordgs observatorer. Oppsummerg tl Forelesg 4 og 5.) Fuksjoer (trasformasjoer) av flere S.V...) Smultafordelg tl to ye S.V. Ata at v har to S.V., med smultafordelg f ( x, x )

Detaljer

Oppgave 1 ECON 2130 EKSAMEN 2011 VÅR

Oppgave 1 ECON 2130 EKSAMEN 2011 VÅR ECON 30 EKSAMEN 0 VÅR Oppgave E bedrf øsker å fordele koraker e vesergsprosjek hel lfeldg på 3 frmaer, A, B og C. Uvelgelse skjer ved loddrekg. Loddrekge er slk a hver av frmaee A, B og C, har e mulghe

Detaljer

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

Eksempel 1 - Er gjennomsnittshøyden for kvinner i Norge økende?

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

Detaljer

EKSAMEN Ny og utsatt Løsningsforslag

EKSAMEN Ny og utsatt Løsningsforslag . jun 0 EKSAMEN Ny og utsatt Løsnngsorslag Emnekode: ITD50 Dato:. jun 0 Emne: Matematkk, deleksamen Eksamenstd: 09.00.00 Hjelpemdler: To A-ark med valgrtt nnhold på begge sder. Formelhete. Kalkulator er

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

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 ÅMA0 Sasylghetsregg med statstkk, våre 007 Kp. 5 Estmerg. Målemodelle. Estmerg. Målemodelle. Ihold:. (Pukt)Estmerg bomsk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (Pukt)Estmerg målemodelle (kp. 5.3)

Detaljer

Del A: Diskret optimering og heuristiske metoder Leksjon 2

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

Detaljer

Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011

Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011 Forelesg 3 MET359 Økoometr ved Davd Kreberg Vår 0 Dverse oppgaver Oppgave. E vestor samler følgede formasjo om markedsavkastge og avkastge på det som ser ut tl å være et attraktvt aksjefod År Aksjefodets

Detaljer

TMA4265 Stokastiske prosesser

TMA4265 Stokastiske prosesser Norges teknsk-naturvtenskapelge unverstet Insttutt for matematske fag TMA65 Stokastske prosesser Våren Løsnngsforslag - Øvng Oppgaver fra læreboka.6 P er dobbelt stokastsk P j j La en slk kjede være rredusbel,

Detaljer

Chapter 2 - Discrete Mathematics and Its Applications. Løsningsforslag på utvalgte oppgaver

Chapter 2 - Discrete Mathematics and Its Applications. Løsningsforslag på utvalgte oppgaver Chpter - Dscrete Mthemtcs d Its pplctos Løsgsforslg på utvlgte oppgver vstt Oppgve Gtt 7 ) E mtrse med rder og koloer er e mtrse Geerelt hr v t e m mtrse er e mtrse med m rder og koloer Uttrykket m klles

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

8 + 2 n n 4. 3n 4 7 = 8 3.

8 + 2 n n 4. 3n 4 7 = 8 3. Seksjo 4. Oppgave (). Fi greseverdiee: 8 a) 4 + 4 7 b) 4 +7 5 c) + 7 4 ( ) d) 5 4 44 + 5 4 e) 5 + si() e +6 5 Løsig. Vi vil bruke samme metode som i Eksempel 4..5 fra boke i disse oppgavee. Når vi skal

Detaljer

TMA4245 Statistikk Eksamen 21. mai 2013

TMA4245 Statistikk Eksamen 21. mai 2013 TMA445 Statstkk Eksame ma 03 Korrgert 0 ju 03 Norges teksk-aturvteskapelge uverstet Isttutt for matematske fag Løsgssksse Oppgave Et plott av sasylghetstetthee er gtt fgur Vdere har v og PX = Φ = 08849

Detaljer

Løsningskisse seminaroppgaver uke 17 ( april)

Løsningskisse seminaroppgaver uke 17 ( april) HG Aprl 14 Løsgsksse semaroppgaver uke 17 (.-5. aprl) Oppg. 5.6 (begge utgaver) La X = atall bar utvalget som har lærevasker. Adel bar med lærevasker populasjoe av bar atas å være p.15. Utvalgsstørrelse

Detaljer

Oversikt over tester i Econ 2130

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

Detaljer

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

Generell støymodell for forsterkere (Mot Kap.2)

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

Detaljer

Kapittel 1: Beskrivende statistikk

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

Detaljer

Oversikt over tester i Econ 2130

Oversikt over tester i Econ 2130 1 HG Revdert aprl 217 Overskt over tester Eco 213 La være e ukjet parameter (populasjos-størrelse) e statstsk modell. Uttrykket ukjet parameter betyr at de sae verde av populasjoe er ukjet. Når v setter

Detaljer

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

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

FORELESNINGSNOTATER I INFORMASJONSØKONOMI Geir B. Asheim, våren 2001 (oppdatert ). 2. ADFERDSRISIKO 2.1 ADFERDSRISIKO -PROBLEMET

FORELESNINGSNOTATER I INFORMASJONSØKONOMI Geir B. Asheim, våren 2001 (oppdatert ). 2. ADFERDSRISIKO 2.1 ADFERDSRISIKO -PROBLEMET FOREESNINGSNOTATER I INFORMASJONSØKONOMI Gr B. Ash, år odatrt.... ADFERDSRISIKO Otal kotraktr dr asytrsk forasjo. Agts sats r kk rfsrbar; ds., kotraktr ka kk btgs å. Agt å gs str tl å lg d sats rsal øskr.

Detaljer

Kapittel 9 ALGEBRA. Hva er algebra?

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

Detaljer

Oversikt over tester i Econ 2130

Oversikt over tester i Econ 2130 HG Revdert aprl 2 Overskt over tester Eco 23 La θ være e ukjet parameter (populasjos-størrelse e statstsk modell. Uttrykket ukjet parameter betyr at de sae verde av θ populasjoe er ukjet. Når v setter

Detaljer

Velkommen til oversiktsforelesninger i Matematikk 1. med Jørgen Endal

Velkommen til oversiktsforelesninger i Matematikk 1. med Jørgen Endal Velkomme til oversiktsforelesiger i Matematikk 1 med Jørge Edal Følger, rekker, og potesrekker (kap. 9.1 9.7) Forelesig 2 (kap. 9.3 9.4) Dages økkelbegrep: Sammeligigsteste Gresesammeligigsteste Forholdsteste

Detaljer

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

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

Detaljer

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

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

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 29. mai 2007

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 29. mai 2007 Høgskole Telemark Avdelg for estetske fag, folkekultur og lærerutdag BOKMÅL 9. ma 7 EKSAMEN I MATEMATIKK, Modul 5 studepoeg Td: 5 tmer Hjelpemdler: Kalkulator og vedlagt formelsamlg (bakerst oppgavesettet).

Detaljer

Om eksterne virkninger

Om eksterne virkninger Jo Vsle, 9 0 06 Had out #4; CON 360 høste 009 Om ekstere vrkger V skal, slk v gjorde på forelesge de 9/0, se ærmere på e ekel økoom der det forekommer e ekster vrkg følgede forstad: husholdgs forbruk av

Detaljer

Analyse av sammenhenger

Analyse av sammenhenger Kapttel 7.-7.3: Aalyse av sammeheger Korrelasjo og regresjo E vktg avedelse av statstkk er å studere sammeheger mellom varabler: Avgjøre om det er sammeheger. Beskrve hvorda evetuelle sammeheger er. Eksempler:

Detaljer

Oppsummering Mekanikk. Newtons 2. lov: masse akselerasjon = kraft (total ytre kraft) Posisjon x [m] dx dt. v x. a x () t dt. Hastighet v x [m/s]

Oppsummering Mekanikk. Newtons 2. lov: masse akselerasjon = kraft (total ytre kraft) Posisjon x [m] dx dt. v x. a x () t dt. Hastighet v x [m/s] Oppsummerng Mekankk Sde av 6 Newtons. lov: masse akselerasjon kraft (total ytre kraft) Possjon x [m] Hastghet v x [m/s] Akselerasjon a x [m/s ] v x dx ----- dx v x x() t x( 0) a x t 0 v x () t dv -------

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

Drivteknikk \ Automatisering \ Systemløsninger \ Service. Håndbok. Prefabrikkering av kabler Kabel for synkrone servomotorer

Drivteknikk \ Automatisering \ Systemløsninger \ Service. Håndbok. Prefabrikkering av kabler Kabel for synkrone servomotorer Drvtekkk \ Automatserg \ Systemløsger \ Servce Hådbok reabrkkerg av kabler Kabel or sykroe servomotorer Utgave 12/2011 19301723 / NO SEW-EURODRIVE Drvg the world Ihold 1 Krympeverktøy... 4 1.1 Krympeverktøy

Detaljer

Mer om Hypotesetesting (kap 5) Student t-fordelingen. Eksamen. Fordelingene blir like ved stor n:

Mer om Hypotesetesting (kap 5) Student t-fordelingen. Eksamen. Fordelingene blir like ved stor n: Mer om Hypotesetestg kap 5 Overskt: Små utvalg og Studet s t-fordelg Hypotesetestg for populasjosgjeomsttet, μ Med tlfeldg og stort utvalg er fordelge tl testobservatore motvert av SGT Hva skjer dersom

Detaljer

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT. Innleveringssted: Ekspedisjonen i 12. etasje (mellom ) OG Fronter (innen klokken 15).

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT. Innleveringssted: Ekspedisjonen i 12. etasje (mellom ) OG Fronter (innen klokken 15). Øvelsesoppgave : ECON3 Statstkk Dato for utleverg: 4.3.7 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Dato for leverg: 3.3.7 e kl. 5. Ilevergssted: Ekspedsjoe. etasje (mellom.5-5.) OG Froter (e klokke 5).

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

Forelesning Enveis ANOVA

Forelesning Enveis ANOVA STAT111 Statstkk Metoder ushu.l@ub.o Forelesg 14 + 15 Eves ANOVA 1. troduksjo a. Z-, t- test Uka 1: tester for forvetgsdfferase to populasjoer (grupper) b. ANOVA (aalyss of varace): tester om det er forskjeller

Detaljer

Gråtonehistogrammer. Histogrammer. Hvordan endre kontrasten i et bilde?

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

Detaljer

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

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

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

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

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

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

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

TMA4240/4245 Statistikk Eksamen august 2016

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

Detaljer

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

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

Detaljer

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

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

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

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

Detaljer

Fourieranalyse. Fourierrekker på reell form. Eksempel La. TMA4135 Matematikk 4D. En funksjon sies å ha periode p > 0 dersom

Fourieranalyse. Fourierrekker på reell form. Eksempel La. TMA4135 Matematikk 4D. En funksjon sies å ha periode p > 0 dersom TMA435 Matematkk 4D Foureranalyse Fourerrekker på reell form En funksjon ses å ha perode p > dersom f(x + p) = f(x) () for alle x defnsjonsmengden tl f. Den mnste p slk at () holder, kalles fundamentalperoden

Detaljer

s = k k=1 dx x A n = n = lim = lim 2 arctan ( x = π arctan ( n (2k 1)!, s n = k=1

s = k k=1 dx x A n = n = lim = lim 2 arctan ( x = π arctan ( n (2k 1)!, s n = k=1 TMA400 Høst 06 Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag Løsigsforslag Øvig 0 9.3.30 Me vil fia det miste itervallet som me ka vera sikker på at summe s k k + 4 ligg i. Om

Detaljer

Dynamisk programmering. Hvilke problemer? Overlappende delproblemer. Optimalitetsprinsippet

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

Detaljer

Løsning til seminar 3

Løsning til seminar 3 Løsnng tl semnar 3 Oppgave ) Investerngsfunksjonen Investerngene påvrkes hovesaklg av renta og av aktvtetsnvået økonomen. Når renta går opp øker kostnaen ve å fnansere nvesternger. V kan s at et lr relatvt

Detaljer

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

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

Detaljer

Kapittel 1: Beskrivende statistikk

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

Detaljer