Innhold og forelesningsplan Eksempler på LP Begreper Løsning av enkelt eksempel Praktisk relevans Leksjon 2: Simpleksmetoden for løsning av LP

Størrelse: px
Begynne med side:

Download "Innhold og forelesningsplan Eksempler på LP Begreper Løsning av enkelt eksempel Praktisk relevans Leksjon 2: Simpleksmetoden for løsning av LP"

Transkript

1 Lekso 2

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 Eksempler på LP Begreper Løsig av ekelt eksempel Praktisk relevas Lekso 2: Simpleksmetode for løsig av LP MoD233 - Geir Hasle - Lekso 2 2

3 ! "#$ Fabrikk for produkso av glassdører og viduer Forteeste for produktee ket 3 produksosalegg Alegg : dørrammer Alegg 2: vidusrammer Alegg 3: moterig Serier på f. eks. 00 eheter Ket behov for arbeidskraft Ket tilgag på arbeidskraft Hvorda skal vi produsere for å maksimere forteeste? MoD233 - Geir Hasle - Lekso 2 3

4 ! "#$ Timeverk/serie Timeverk/serie Kapasitet dør vidu timeverk Alegg (dørramme) - 4 Alegg 2 (vidusramme) Alegg 3 (moterig) Forteeste 3 kkr 5 kkr MoD233 - Geir Hasle - Lekso 2 4

5 ! "#$ x x 2 atall serier viduer atall serier dører Beslutigsvariable maksimer 3x + 5x 2 slik at x 4 2x 2 3x x 2 2, x x 8 Målfukso Føriger MoD233 - Geir Hasle - Lekso 2 5

6 % Programmerig plaleggig Beslutigsvariable x =,, Målfukso - lieær Obektfukso, obektiv Kostadsfukso Maksimerig eller miimerig ζ = c x + + c x =c x = MoD233 - Geir Hasle - Lekso 2 6

7 & '( Føriger (lieære) Beskrakiger Likheter, ulikheter ax + + a x= b a x = b = MoD233 - Geir Hasle - Lekso 2 7

8 ) ζ = = mi c x tils var er max c ( ζ) ( ) = = a x + + a x b a x + + a x b ( ) ( ) x ax + + a x b ax + + a x + s = b, s 0 Slakkvariabel MoD233 - Geir Hasle - Lekso 2 8

9 ) 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 med x = x + x, x +, x 0 Vilkårlig hvilke former som velges Øskelig med stadardform for LP MoD233 - Geir Hasle - Lekso 2 9

10 = max ζ = c x slik at = i i a x b i =,,m x 0 =,, atall beslutigsvariable m atall føriger MoD233 - Geir Hasle - Lekso 2 0

11 ) & ( Et spesifikt forslag til verdier på (alle) beslutigsvariablee kalles e løsig e løsig kalles brukbar / tillatt dersom de tilfredsstiller alle førigee e løsig kalles optimal dersom de er brukbar og oppår det øskete maksimum av obektfuksoe Hvis problemet ikke har e brukbar løsig sies problemet å være ubrukbart eller ikosistet hvis problemet har løsiger med vilkårlig stor verdi på obektivet, sies problemet å være ubegreset MoD233 - Geir Hasle - Lekso 2

12 $ Geerell metode for å løse LP Iterativ Strategi starter med brukbar løsig fier løsig med bedre obektivverdi helt til ige forbedrig er mulig Fier ut om problemet er ubrukbart ubegreset Fier optimal løsig hvis de fies Fudametalteorem for LP Beregigsmessig kompleksitet? MoD233 - Geir Hasle - Lekso 2 2

13 * $ x x, x Verdi av variabele i iteraso k Løsigsvektor i iteraso k Iitiell løsig Iitiell obektivverdi x x x ζ ζ ζ () (2) (K) () (2) (K) Optimal løsig Optimal verdi MoD233 - Geir Hasle - Lekso 2 3

14 +, - Produksosbedrift Ka produsere produkter Bruker råvarer Statisk bilde Megde råvarer på lager Markedspris/verdi for råvarer Produktpriser {,,} {,, m} b,, bm { } ρ,, ρm { } σ,, σ { } MoD233 - Geir Hasle - Lekso 2 4

15 , ' Produkt krever råvare i Produksossef vil maksimere forteeste Forteeste for produkt : a i m c = σ a ρ, =,, i i i= MoD233 - Geir Hasle - Lekso 2 5

16 , Alterativ til produkso: selge råvaree Hva er råvaree verdt? Miimere lagerbidigskostader Sette ehetspris på hver råvare Må være høyere e markedspris Tapt forteeste ved lagerhold wi, i =,, m w ρ, i =,, m Tilsvarede pris for produktee må ikke være lavere e markedsprise m w a σ, =,, i= i= MoD233 - Geir Hasle - Lekso 2 6 m i b w i i i i i

17 , Produksossefe max m m m x 0, =,, c x + c x slik at a x + + a x b a x + + a x b Kotrollere mi m m m m m y 0, i =,, m i b y + + b y slik at a y + + a y c a y + + a y c m Tvilligproblemer, duale problemer Nær sammeheg! MoD233 - Geir Hasle - Lekso 2 7

18 . Lieærprogrammerigsproblem (LP) Beslutigsvariable Målfukso (obektiv, obektfukso kostadsfukso) Føriger (beskrakiger) Slakkvariabel Stadardform for LP Løsig, brukbar (tillatt) løsig, optimal løsig Ikosistet (ubrukbart) problem, ubegreset problem Basistabell (a.k.a. basisliste) Basisvariable (avhegige variable) Ikke-basiske variable (uavhegige variable, frie variable) Løsigsvektor (med obektivverdi) Basisløsig Ressursallokerigsproblemet MoD233 - Geir Hasle - Lekso 2 8

19 $ &/( Geerell metode for å løse LP Iterativ Strategi starter med å fie brukbar løsig fier hele tide y løsig med bedre obektivverdi helt til ige forbedrig er mulig Fier optimal løsig hvis de fies Fier ut uder marse om problemet er ikosistet (ubrukbart) ubegreset Iitiell løsig Iitiell obektivverdi x x x ζ ζ ζ (0) () (K) (0) () (K) Optimal løsig Optimal verdi MoD233 - Geir Hasle - Lekso 2 9

20 $ &( Utgagspukt: LP på stadardform max c x slik at = = a x b i =,,m i i x 0 =,, MoD233 - Geir Hasle - Lekso 2 20

21 $ &( Itroduserer slakkvariable, av på obektivet ζ = = c x i i i = w = b a x i =,,m MoD233 - Geir Hasle - Lekso 2 2

22 $ &( Nye av på slakkvariable x w, i,,m = = + i i ( x ) ( ),, x, w,, w m = x,, x, x +,, x+ m MoD233 - Geir Hasle - Lekso 2 22

23 $ &0( Omskrivig gir at vårt LP blir: max ζ = c x slik at = + i i i = x = b a x i =,, m x 0 =,, MoD233 - Geir Hasle - Lekso 2 23

24 $ &( ζ = = c x + i i i = x = b a x i =,,m Dette er de iitielle basistabell (ummer 0, etter 0-te iteraso) Simpleksmetode modifiserer basistabell i iterativt søk etter optimal løsig Flytt fra é brukbar basisløsig til e bedre brukbar basisløsig Flytter e variabel ut av basis og e i i basis MoD233 - Geir Hasle - Lekso 2 24

25 $ &2( ζ = ζ + Ν c x x = b a x, i Β i i i Ν m avhegige variable, basisvariable fri, uavhegige variable, ikke-basiske variable Ideksmegde for basisvariable etter k-te iteraso Ideksmegde for ikke-basiske variable Iitielt: B N (0) Β = + + {,, m} (0) Ν = {,, } MoD233 - Geir Hasle - Lekso 2 25

26 $ &3( Basistabell etter k-te iteraso ζ = ζ + Ν c x x = b a x, i Β i i i Ν Tilhørede brukbare basisløsig etter k-te iteraso ζ = ζ i x = b, i B i MoD233 - Geir Hasle - Lekso 2 26

27 $ &4( I hver iteraso i Simpleksmetode går øyaktig e variabel fra å være basisk til å være ikke-basisk går øyaktig e variabel fra å være ikke-basisk til å være basisk Variabel som går i i basis kalles igåede variabel Variabel som går ut av basis kalles utgåede variabel Et slikt bytte av variable kalles e pivoterig (tilsvarer iteraso) k-te basistabell (etter k-te iteraso (pivoterig)): x x ζ = ζ + Ν c x x = b a x, i Β i i i Ν MoD233 - Geir Hasle - Lekso 2 27

28 $ &5( ζ = ζ + Ν c x x = b a x, i Β i i i Ν Igåede variabel etter k-te pivoterig velges slik at obektivet øker det vil si positiv koeffisiet i obektivet x = x I Hvis slik ikke fies, må basisløsig være optimal! Hvis det er flere positive koeffisieter i obektiv, må vi velge Flere mulige valgkriterier, f. eks. største positive koeffisiet Ulike valgkriterier gir variater av Simpleksmetode { } I( k) Ν : c > 0 MoD233 - Geir Hasle - Lekso 2 28

29 $ &/( 6 7 max ζ = 5x + 4x + 3x slik at ( 0, 0, 0,5,,8,0 ) (0) 2 3 x = 5 2x 3x x x = 4x x 2x x = 8 3x 4x 2x x, x, x, x, x, x max ζ = x4 x2 + x x = x4 x2 x slik at x = + 2x + 5x x = + x + x x x, x, x, x, x, x x = x x x ,0,0,0,,, MoD233 - Geir Hasle - Lekso 2 29 x 0 x 5 x5 0 : OK! () x 0 x

30 $ &( ζ = ζ + Ν c x = b a x, i Β i i i Ν x Valg av utgåede variabel etter k-te pivoterig Ata at vi har valgt igåede variabel x = x I k Vi vil øke verdi på igåede variabel så mye som mulig x = x U Edrige vil medføre edrig i verdie på basisvariablee Brukbar basisløsig etter k-te pivoterig: ζ = ζ x = b, i B i i MoD233 - Geir Hasle - Lekso 2 30 ( )

31 $ &( Basistabell etter k-te iteraso ζ = ζ + Ν c x = b a x, i Β i i i Ν x Tilhørede basisløsig ζ = ζ x = x I i x = b, i B i Edrige i verdi på igåede variabel vil medføre edrig i verdi på basisvariablee i tilhørede basisløsig, på følgede måte: x = b a x i B i i ii I MoD233 - Geir Hasle - Lekso 2 3

32 $ &( Vi må passe på brukbarhet av basisvariablee år vi øker verdi på igåede: x = b a x i B i i ii I x = x I Ikke alle basisvariable er kritiske, ku de med positiv a ii x = b a x 0 i B : a > 0 i i ii I ii Øker verdi på igåede så mye som mulig, kritiske verdier: b x =, i B : a > 0 i I ii aii MoD233 - Geir Hasle - Lekso 2 32

33 $ &0( Vi velger utgåede variabel slik at vi er garatert brukbarhet for alle basisvariablee år verdi på igåede variabel økes til utgåedes greseverdi x = x U b i U ( k) i B : aii > 0 miimal a ii Ekvivalet formulerig a ii U ( k) i B maksimal b i Mulighet for valg blat flere kadidater Ulike valgkriterier gir variater av Simpleksmetode MoD233 - Geir Hasle - Lekso 2 33

34 $ &( 7 max ζ = 5x + 4x + 3x slik at ( 0, 0, 0,5,,8,0 ) (0) 2 3 x = 5 2x 3x x x = 4x x 2x x = 8 3x 4x 2x x, x, x, x, x, x max ζ = x4 x2 + x x = x4 x2 x slik at x = + 2x + 5x x = + x + x x x, x, x, x, x, x x (0) x I =, (0) = a ii U ( k) i B maksimal b i a b (0) 4 (0) 4 = MoD233 - Geir Hasle - Lekso a b (0) 5 (0) 5 = 4 x (0) x U a b (0) 6 (0) 6 =, (0) = 4 4 = 3 8

35 $ &2( 8 x = x I k Velg igåede variabel ( ) med positiv koeffisiet i obektfukso (f.eks. maksverdi) { } I( k) Ν : c > 0 x = x U Velg utgåede variabel som sikrer brukbarhet år igåede variabel økes mest mulig a ii U ( k) i B maksimal b i Edrige gir y basistabell, prosesse kalles pivoterig Mulighet for valg av igåede og utgåede blat flere kadidater (me slik at kravee oppfylles) Valgkriterier kalles pivoterigsregler Ulike valgkriterier gir variater av Simpleksmetode MoD233 - Geir Hasle - Lekso 2 35

36 $ &3( Noe uavklarte tilfeller Iitiell løsig, hva om e b < (0) i 0? Ved valg av utgåede variabel i pivoterig: a ii U ( k) i B maksimal b i Hva om e b = i 0? MoD233 - Geir Hasle - Lekso 2 36

37 $ &4( 7 9 ζ = N (0) c (0) x x = b a x, i Β (0) (0) (0) i i i (0) Ν Ata at det fis mist e b < (ellers har vi brukbar iitiell basisløsig og vi er i gag ) Strategi: Lag helpeproblem slik at: (0) i ekelt å fie første brukbare basisløsig optimal løsig til helpeproblem er brukbar løsig for opprielig problem 0 MoD233 - Geir Hasle - Lekso 2 37

38 $ &5( 7 9 = max ζ = c x slik at = a x b i =,,m i i x 0 =,, Ifører y variabel x0 0 Helpeproblem: max ξ = x slik at = 0 a x x b i =,,m i 0 i x 0 = 0,, Origiale problem har brukbar løsig hviss helpeproblem har (optimal) løsig med x = 0 0 MoD233 - Geir Hasle - Lekso 2 38

39 $ &/( : ; max ξ = x slik at = 0 a x x b i =,,m i 0 i x 0 = 0,, ξ = 0 x x = b + x a x + 0 = x = b + x a x 0 + m m 0 m = MoD233 - Geir Hasle - Lekso 2 39

40 $ &( : ; ξ = 0 x x = b + x a x + 0 = x = b + x a x 0 + m m 0 m = Vil pivotere med igåede (0) x x I = 0, (0) = 0 La p være slik at { } m ( ) b = mi b b < 0 p i i= p Vil la utgåede være (0) p+, (0) x = x U = p + MoD233 - Geir Hasle - Lekso 2 40

41 $ &( : ; ξ = 0 x x = b + x a x + 0 = x = b + x a x + p p 0 p = x = b + x a x 0 + m m 0 m = Dette gir brukbar basisløsig! = + + x0 bp ap x x + p = MoD233 - Geir Hasle - Lekso 2 4 x = ( b b ) + ( a a ) x, i i p p i = i = +,, m i + p ξ = bp ap x x+ p =

42 $ &( : ; ξ = bp ap x x+ p = x0 = bp + ap x + x + p = x = ( b b ) + ( a a ) x, i = +,, m i + p i i p p i = Vi har brukbar basisløsig for helpeproblemet Fortsetter pivoterig som valig mot optimal løsig Optimal løsig på helpeproblemet gir brukbar løsig på det opprielige LP Bruker dee som iitiell løsig på opprielig LP MoD233 - Geir Hasle - Lekso 2 42

43 $ &0( <7<77 Det å løse helpeproblemet (om ødvedig) og derved fie brukbar løsig (eller vise ubrukbarhet) for det opprielige problem kalles Simpleksmetode Fase I Det å fortsette Simpleksmetode med de brukbare løsig fra Fase I mot optimal løsig kalles Simpleksmetode Fase II MoD233 - Geir Hasle - Lekso 2 43

44 $ &( = Ved valg av utgåede variabel skal brukbarhet sikres år igåede variabel økes mest mulig a ii U ( k) i B maksimal b i Hva om e i b = 0? Hva om alle ii 0? a < x = b a x 0 i B : a > 0 i i ii I ii Hviss alle ii 0 a er det ige begresiger på x I Problemet er da ubegreset! MoD233 - Geir Hasle - Lekso 2 44

45 $ &2( >;;? Hva om e i b = 0? Dette er tema i Lekso 3 MoD233 - Geir Hasle - Lekso 2 45

46 Simpleksmetode geerell metode for å løse LP utgagspukt: LP på stadardform Iitiell basistabell Fase I for å skaffe iitiell, brukbar løsig Fase II: Iterativ prosess for å fie optimal løsig Pivoterig Valg av igåede variabel Valg av utgåede variabel Pivoterigsregler Ubegresede LP Spesialtilfeller gestår MoD233 - Geir Hasle - Lekso 2 46

MOD 233 Konveksitet og optimering. Leksjon 1

MOD 233 Konveksitet og optimering. Leksjon 1 MOD 233 Koveksitet og optierig Leksjo Mål ed kurset Forståelse av gruleggede optierigsteori Løsigsetoder Algoritisk forståelse Praktiske avedelser odellerig løsig ved bruk av verktøy MOD233 - Geir Hasle

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

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

Kapittel 2: simpleksmetoden, forts.

Kapittel 2: simpleksmetoden, forts. LP. Leksjon 2 Kapittel 2: simpleksmetoden, forts. initialisering to faser ubegrenset løsning geometri LP. Leksjon 2: #1 of 14 Repetisjon LP problem tillatt løsning, optimal løsning basisliste basis, basisvariable

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

Løsningsforslag til eksamen i STK desember 2010

Løsningsforslag til eksamen i STK desember 2010 Løsigsforslag til eksame i STK0 0. desember 200 Løsigsforslaget har med flere detaljer e det vil bli krevd til eksame. Oppgave a Det er tilpasset e multippel lieær regresjosmodell av forme β 0 + β x i

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

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

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

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

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

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

Kapittel 10 fra læreboka Grafer

Kapittel 10 fra læreboka Grafer Forelesigsotat i Diskret matematikk torsdag 6. oktober 017 Kapittel 10 fra læreboka Grafer (utdrag) E graf er e samlig pukter (oder) og kater mellom puktee (eg. odes, vertex, edge). E graf kalles rettet

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

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

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

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

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

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

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

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

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

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

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

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

Detaljer

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

EKSAMEN løsningsforslag

EKSAMEN løsningsforslag 05.0.08 EKSAMEN løsigsforslag Emekode: ITF0705 Dato: 5. desember 07 Hjelpemidler: - To A4-ark med valgfritt ihold på begge sider. Emeav: Matematikk for IT Eksamestid: 09.00 3.00 Faglærer: Christia F Heide

Detaljer

LØSNING: Eksamen 17. des. 2015

LØSNING: Eksamen 17. des. 2015 LØSNING: Eksame 17. des. 2015 MAT100 Matematikk, 2015 Oppgave 1: økoomi a I optimum av T Rx er dt Rx 0 1 som gir d Ix Kx 0 2 dix dix dkx dkx 0 3 4 dvs. greseitekt gresekostad, q.e.d. 5 b Gresekostad ekstrakostade

Detaljer

LP. Leksjon 3. Kapittel 3: degenerasjon.

LP. Leksjon 3. Kapittel 3: degenerasjon. LP. Leksjon 3. Kapittel 3: degenerasjon. degenerasjon eksempel på sirkling den leksikografiske metoden andre pivoteringsregler fundamentaleoremet i LP 1 / 23 Repetisjon simpleksalgoritmen: sekvens av pivoteringer

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

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

Prosedyre for løsning av oppgaver Jeg skal ved hjelp av noen oppgaver/eksempler fra produsentens tilpasning, gi

Prosedyre for løsning av oppgaver Jeg skal ved hjelp av noen oppgaver/eksempler fra produsentens tilpasning, gi 1 Jo Vislie; aril 015 ECO 00 015 Prosedyre for løsig av ogaver Jeg sal ved hjel av oe ogaver/esemler fra rodusetes tilasig, gi forslag til rosedyre/hjel/veivalg til å løse ogaver i ECO 00. Det er tre tyer

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

Løsningsforslag til øving 9 OPPGAVE 1 a)

Løsningsforslag til øving 9 OPPGAVE 1 a) Høgskole i Gjøvik vd for ek, øk og ledelse aemaikk 5 Løsigsforslag il øvig 9 OPPGVE ) Bereger egeverdiee: de I) ) ) ) Egeverdier: og ) ) Bereger egevekoree: vi ivi ii) vi ed λ : ) ) v Velger s som gir

Detaljer

X = 1 5. X i, i=1. som vil være normalfordelt med forventningsverdi E( X) = µ og varians Var( X) = σ 2 /5. En rimelig estimator for variansen er

X = 1 5. X i, i=1. som vil være normalfordelt med forventningsverdi E( X) = µ og varians Var( X) = σ 2 /5. En rimelig estimator for variansen er Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalte oppgaver 11, blokk II Løsigsskisse Oppgave 1 a) E rimelig estimator for forvetigsverdie µ er gjeomsittet X = 1 X i, som

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

Prosedyre for løsning av oppgaver Jeg skal ved hjelp av noen oppgaver/eksempler fra produsentens tilpasning, gi

Prosedyre for løsning av oppgaver Jeg skal ved hjelp av noen oppgaver/eksempler fra produsentens tilpasning, gi Jo Vislie; mars 07 ECO 00 07 Prosedyre for løsig av ogaver Jeg sal ved hjel av oe ogaver/esemler fra rodusetes tilasig, gi forslag til rosedyre/hjel/veivalg til å løse ogaver i ECO 00. Det er tre tyer

Detaljer

Kapittel 3: degenerasjon.

Kapittel 3: degenerasjon. LP. Leksjon 3 Kapittel 3: degenerasjon. degenerasjon eksempel på sirkling den leksikografiske metoden andre pivoteringsregler fundamentaleoremet i LP LP. Leksjon 3: #1 of 15 Repetisjon simpleksalgoritmen:

Detaljer

Fakultet for teknologi, kunst og design Teknologiske fag Eksamen i: Diskret matematikk

Fakultet for teknologi, kunst og design Teknologiske fag Eksamen i: Diskret matematikk Side 1 av 9 Fakultet for tekologi, kust og desig Tekologiske fag Eksame i: Diskret matematikk Målform: Bokmål Dato: 10. desember 018 Tid: 09:00 1:00 Atall sider (ikl. forside): Atall oppgaver: 6 Tillatte

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

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

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

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

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

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

Faglærer går normalt én runde gjennom lokalet. Ha evt. spørsmål klare!

Faglærer går normalt én runde gjennom lokalet. Ha evt. spørsmål klare! Side 1 av 7 Noe viktige pukter: (i) (ii) (iii) (iv) Les hele eksamessettet øye før du begyer! Faglærer går ormalt é rude gjeom lokalet. Ha evt. spørsmål klare! Skriv svaree die i svarrutee og levér i oppgavearket.

Detaljer

f(x) = x 2 x 2 f 0 (x) = 2x + 2x 3 x g(x) f(x) = f 0 (x) = g(x) xg0 (x) g(x) 2 f(x; y) = (xy + 1) 2 f 0 x = 2(xy + 1)y f 0 y = 2(xy + 1)x

f(x) = x 2 x 2 f 0 (x) = 2x + 2x 3 x g(x) f(x) = f 0 (x) = g(x) xg0 (x) g(x) 2 f(x; y) = (xy + 1) 2 f 0 x = 2(xy + 1)y f 0 y = 2(xy + 1)x Ogave a) f() = f 0 () = + 3 ) f() = g() f 0 () = g() g0 () g() c) f(; y) = (y + ) f 0 = (y + )y f 0 y = (y + ) d) f(; y) = ( y + ) ( y ) f 0 = ( y + ) r y ( y ) + ( y + ) ( y ) r y = ( y + )( r y y ) ((

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

Løsningsforslag Oppgave 1

Løsningsforslag Oppgave 1 Løsigsforslag Oppgave 1 a X i µ 0 σ X i µ 0 2 σ 2, i 1,..., er uavhegige og stadard N0, 1 fordelte. Da er, i 1,..., uavhegige og χ 2 -fordelte med e frihetsgrad. Da er summe χ 2 -fordelt med atall frihetsgrader

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

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

Obligatorisk oppgave nr. 3 i Diskret matematikk

Obligatorisk oppgave nr. 3 i Diskret matematikk 3. obligatoriske oppgave i Diskret matematikk høste 08. Obligatorisk oppgave r. 3 i Diskret matematikk Ileverigsfrist. ovember 08 Oppgave er frivillig og tregs ikke leveres, me hvis dere leverer de ie

Detaljer

EKSAMEN Løsningsforslag

EKSAMEN Løsningsforslag 7. jauar 7 EKSAMEN Løsigsforslag Emekode: ITF75 Dato: 4. desember 6 Hjelpemidler: - To A4-ark med valgfritt ihold på begge sider. Emeav: Matematikk for IT Eksamestid: 9. 3. Faglærer: Christia F Heide Kalkulator

Detaljer

Løsning TALM1005 (statistikkdel) juni 2017

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

Detaljer

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

Statistikk og økonomi, våren 2017

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

Detaljer

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

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

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

Eksamen Prosessteknikk 8.desember 2004 løsningsforslag

Eksamen Prosessteknikk 8.desember 2004 løsningsforslag Eksame Prosesstekikk 8.desember 4 løsigsforslag Oppgave dag = 4 timer (godtar også beregiger basert på 8 timer eller timer ute trekk). x to/dag = = 5466.67 kg/time 4 5466.67 Molvekt N = 7 = 86.7 kmol/time

Detaljer

LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004

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

Detaljer

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

Detaljer

LØSNINGSFORSLAG KONTINUASJONSEKSAMEN VÅR 2013 I TIØ4120 OPERASJONSANALYSE, GK

LØSNINGSFORSLAG KONTINUASJONSEKSAMEN VÅR 2013 I TIØ4120 OPERASJONSANALYSE, GK LØSNINGSFORSLAG KONTINUASJONSEKSAMEN VÅR 2013 I TIØ4120 OPERASJONSANALYSE, GK Oppgave 1 a) Målfunksjonen (1) summerer profitten ved å produsere x 1 bord og x 2 stoler. Restriksjon (2) sier at antall enheter

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

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

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

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

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

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

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

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 5. Hypotesetesting, del 5

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 5. Hypotesetesting, del 5 ÅMA11 Sasylighetsregig med statistikk, våre 7 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/ 59 Bjør

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

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

Avsnitt 8.1 i læreboka Differensligninger

Avsnitt 8.1 i læreboka Differensligninger Diskret Matematikk Fredag 6. ovember 015 Avsitt 8.1 i læreboka Differesligiger I kapittel lærte vi om følger og rekker. Vi studerte både aritmetiske og geometriske følger og rekker. Noe følger og rekker

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

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 3. april Bjør H. Auestad Kp. 6: Hypotesetestig del 5 1/ 56

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 5

ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 5 ÅMA110 Sasylighetsregig med statistikk, våre 2006 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 3. april Bjør H. Auestad Kp. 6: Hypotesetestig del 5 1 / 56

Detaljer

Noen vanlige. Indikatorfordeling: 1, dersom suksess. I mange situasjoner kan fenomenet vi ser på. 0, dersom ikke suksess

Noen vanlige. Indikatorfordeling: 1, dersom suksess. I mange situasjoner kan fenomenet vi ser på. 0, dersom ikke suksess Kapittel 5: Noe valige sasylighetsfordeliger I mage situasjoer ka feomeet vi ser på beskrives med e bestemt type sasylighets- fordelig (e sasylighetsfordelig gitt ved e bestemt formel. Vi skal se på oe

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

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

Øvinger uke 46 løsninger

Øvinger uke 46 løsninger Øviger uke 6 løsiger Oppgave Verdie av determiate er avgjørede for atall løsiger. ed e parameter i oppgave løer det seg å bestemme determiate først og fie ut for hvilke parameterverdier determiate er ull.

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

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

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

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

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 << >>. 1 ECON130: EKSAMEN 013 VÅR - UTSATT PRØVE TALLSVAR. Det abefales at de 9 deloppgavee merket med A, B, teller likt uasett variasjo i vaskelighetsgrad. Svaree er gitt i

Detaljer

Løsningsforslag Eksamen 10. august 2010 FY2045/TFY4250 Kvantemekanikk I

Løsningsforslag Eksamen 10. august 2010 FY2045/TFY4250 Kvantemekanikk I Eksame FY045/TFY450 10. august 010 - løsigsforslag 1 Oppgave 1 Løsigsforslag Eksame 10. august 010 FY045/TFY450 Kvatemekaikk I a. Bølgefuksjoe ψ for første eksiterte tilstad er (i likhet med ψ 4, ψ 6 osv)

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

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

TMA4245 Statistikk Eksamen august 2015

TMA4245 Statistikk Eksamen august 2015 Eksame august 15 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Løsigsskisse Oppgave 1 a asylighetee blir og X > Z > 1 1 Z 1 Φ.3,.5 W > 5 X + Y > 5 b Forvetet samfuskostad blir

Detaljer

Ulike typer utvalg. MAT0100V Sannsynlighetsregning og kombinatorikk. Ordnet utvalg uten tilbakelegging 29 (29 1) (29 2) (29 3) =

Ulike typer utvalg. MAT0100V Sannsynlighetsregning og kombinatorikk. Ordnet utvalg uten tilbakelegging 29 (29 1) (29 2) (29 3) = MAT000V Sasylighetsregig og kombiatorikk Urdede utvalg ute tilbakeleggig Pascals talltrekat og biomialkoeffisietee Ørulf Borga Matematisk istitutt Uiversitetet i Oslo Ulike typer utvalg Eksempel 6.: Vi

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

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

Løsningsforslag for andre obligatoriske oppgave i STK1100 Våren 2007 Av Ingunn Fride Tvete og Ørnulf Borgan

Løsningsforslag for andre obligatoriske oppgave i STK1100 Våren 2007 Av Ingunn Fride Tvete og Ørnulf Borgan Løsigsforslag for adre obligatoriske oppgave i STK11 Våre 27 Av Igu Fride Tvete (ift@math..uio.o) og Ørulf Borga (borga@math.uio.o). NB! Feil ka forekomme. NB! Sed gjere e mail hvis du fier e feil! Oppgave

Detaljer

Fakultet for teknologi, kunst og design Teknologiske fag Eksamen i: Diskret matematikk

Fakultet for teknologi, kunst og design Teknologiske fag Eksamen i: Diskret matematikk Fakultet for tekologi, kust og desig Tekologiske fag Eksame i: Diskret matematikk Målform: Bokmål Dato: 9. ovember 017 Tid: Atall sider (ikl. forside): 9 Atall oppgaver: 6 Tillatte hjelpemidler: Forhådsgodkjet

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

DRIVHJUL. - benyttes ved lave turtall n. - gir lav periferikraft F i forhold til effekten P. - gir stor periferikraft F

DRIVHJUL. - benyttes ved lave turtall n. - gir lav periferikraft F i forhold til effekten P. - gir stor periferikraft F Trasmisjoer (lectures otes) Trasmisjoer DRIVHJUL Reimdrift Rullekjeder Tahjul - beyttes ved store turtall - gir lav periferikraft F i forhold til effekte P - beyttes ved lave turtall - gir stor periferikraft

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

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

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