Kvalitetsmål til On-line algoritmer

Størrelse: px
Starte visningen fra side:

Download "Kvalitetsmål til On-line algoritmer"

Transkript

1 Istitut for Matematik og Datalogi Bachelorprojekt Kvalitetsmål til O-lie algoritmer Forfatter: Christia Kuahl Vejleer: Joa Boyar Jauary 1, 2011

2 Cotets 1 Ileig 3 2 Problemet 3 3 Algoritmer og variater Greey Double Coverage Lazyess Lazy Double Coverage Krysee servere RAND De optimale oie algoritme Kvalitetsmål Competitive aalysis Max/Max Ratio Bijective Aalysis Relative Worst Orer Aalysis Raom Orer Ratio Relative Iterval Aalysis Koklusio 32 1

3 Resumé Dee opgave omhaler 2-server problemet og e to algoritmer Greey og Lazy Double Coverage. De to algoritmer aalyseres ve brug af seks forskellige kvalitetsmål. Ifølge Max/Max Ratio og Bijective Aalysis er Greey e beste algoritme. Lazy Double Coverage er e beste ifølge Competitive Aalysis, Relative Worst Orer Aalysis, Raom Orer Ratio og Relative Iterval Aalysis. Det primære ye resultat i ee opgave er, at Lazy Double Coverage er bere ifølge Relative Iterval Aalysis. I opgave itrouceres esue e y raomiseret algoritme til 2-server problemet. Des Competitive Ratio er 2 mo båe Oblivious Aversary og Aaptive Olie Aversary. Abstract This paper cocers the 2-server problem a the two algorithms Greey a Lazy Double Coverage. The two algorithms are aalyze usig six ieret measures of quality. The measures that favor the algorithm Greey are Max/Max Ratio a Bijective Aalysis. Lazy Double Coverage is favore by Competitive Aalysis, Relative Worst Orer Aalysis, Raom Orer Ratio, a Relative Iterval Aalysis. The mai ew result i this paper is the fact that Relative Iterval Aalysis favors Lazy Double Coverage. A ew raomize algorithm for the 2-server problem is itrouce a its Competitive Ratio is fou to be 2 agaist both a Oblivious Aversary a a Aaptive Olie Aversary. 2

4 1 Ileig O-lie problemer er e særlig problemtype i atalogie. I isse problemer har algoritme, er skal løse problemet, ikke al iformatio om problemet til råighe. Algoritme er øt til at træe ogle valg, før hele problemistase er ket. Der er mage praktiske eksempler på olie problemer i et virkelige liv. Sæereservatio er et klassisk eksempel. Når e kue bestiller e plasbillet til e bestemt strækig i et tog, får hu me et samme iformatio om, hvor hu skal sie. Togrmaet har altså ikke lov at ære hees plas seere, hvis e er u af, at et er optimalt, at hu sier et aet ste. De er øt til at træe e beslutig om hvor hu skal sie her og u. I klassiske problemer, som sorterig, gæler et om at løse et problem og lave mist muligt arbeje (i ette tilfæle sorte e liste me færrest muligt sammeligiger). Her eer alle algoritmer me e samme sorteree liste. Forskellige o-lie algoritmer eer imilerti sjælet me samme resultat, og ma måler em erfor typisk på, hvor got et resultat, e eer me, er, frem for hvor meget arbeje e har laver for at rege et u. Der es mage forskellige måer til at måle, hvor go e o-lie algoritme er. Nogle mål sammeliger me hvor got problemet kue have været løst, hvis al iformatio have været tilgægelig på forhå (e optimale oie løsig). Are sammeliger to algoritmer irekte. I ee opgave vil jeg uersøge 2-server problemet. Jeg vil aalysere på to algoritmer, LDC og Lazy Double Coverage, me seks forskellige mål. U fra isse aalyser vil jeg søge at kokluere hvilke kvaliteter i e algoritme, som favoritiseres af e forskellige mål. Jeg vil esue itroucere e y raomiseret algoritme til 2-server problemet og aalysere ee me et mest populære mål, Competitive Aalysis. 2 Problemet Det problem, som jeg vil beskæftige mig me i ee opgave, er 2-server problemet. Det er et specialtilfæle af k-server problemet på lije. K-server problemet på lije eeres i ee opgave på følgee måe. På e ret liie af eelig læge eeres e mæge af pukter, M. Der er k servere til råighe, hvor k er mire e atallet af pukter i M. Hver server starter et på forhå eeret ste på liie. Som iput fås e sekves af forespørgsler. E forespørgsel er et af puktere i M. For hver forespørgsel skal algoritme, er løser problemet, ytte e server til puktet, er forespørges. Det tillaes, at ere servere yttes, me forespørgsle er først imøekommet, år e server står på et forespurgte pukt. For visualiseriges skyl kales e ee ee af lije "vestre"og e ae kales "højre". Opgave er at miimere e e totale istace, som servere tilsamme yttes for at imøekomme samtlige forespørgsler. Iet problemet er o-lie motager algoritme ku e ekelt forespørgsel a gage og skal herefter træe e beslutig om, hvilke server e skal ytte til et forespurgte pukt. Først år ee forespørgsel er imøekommet, får algoritme e æste forespørgsel. Prise, e algoritme, ALG, betaler på e sekves, I, skrives som ALG(I). 2-server problemet er et forsimplet ugave af k-server problemet. I 2-server problemet er er ku 3 pukter, A B og C. Afstae mellem A og B er 1 og afstae mellem B og C er, hvor > 1. De 2 servere starter i puktere A og C. Grue til, at etop 2-server moelle er go, er, at e er e simplest mulige moel af ette problem, som ikke har e trivielt optimal løsig. Dette gør, at e er iteressat ok til at kue bruges til at belyse mage af e problemstilliger, er er ie for kvalitetsmål til o-lie algoritmer. I aalysere vil jeg referere til e server, er starter i A, som e vestre server og e server, er starter i C, som e højre server. 3

5 Figur 1: 2-server problemet 3 Algoritmer og variater De to algoritmer, jeg primært har aalyseret, er Greey og Lazy Double Coverage. Disse er beskrevet i [3]. Jeg har og også itrouceret algoritme RAND, som aalyseres i forbielse me Competitive Aalysis. 3.1 Greey Algoritme Greey bruger, som avet atyer, e gråig strategi til at løse problemet. Gråig betyer i ee situatio, at algoritme alti prøver at imøekomme hver forespørgsel så billigt som muligt ue yerligere omtake for, om serverere eer på e foruftigt måe for reste af sekvese. De server, er er tættest på puktet, som forespørges, yttes altså alti til puktet, og er yttes alrig mere e 1 server pr. forespørgsel. Det betyer i 2-server problemet, at servere, er starter i puktet C, alrig yttes. Dette skyles, at e forespørgsel i A eller B alti billigere ka imøekommes af e server, er starter i A. Dette koster 0, hvis servere alleree er i puktet og ellers 1, hvorimo et vil koste ete eller + 1 at ytte servere fra C he til et forespurgte pukt. Iet alti er større e 1, er et alti yrere at beytte servere, er starter i C. Algoritme Greey vil altså hole højre server fast og ytte vestre server frem og tilbage mellem A og B i overesstemmelse me forespørgslere. Algoritme ytter alrig e server, hvis er forespørges i et pukt, hvor e server alleree står. 3.2 Double Coverage Algoritme Double Coverage løser problemet på e lit mire simpel måe. I algoritme skeles mellem to typer af forespørgsler. Det kovekse hylster eeres som mæge af alle pukter på lije fra og me servere lægst mo vestre til og me servere lægst mo højre. De første type er forespørgsler, er ligger ue for et kovekse hylster (vs. til højre eller vestre for samtlige are servere). Algoritme ytter her, som e gråige algoritme, e server, er er tættest på forespørgsle, he til et forespurgte pukt ue at ytte oge are servere. De ae type forespørgsel er e forespørgsel til et pukt i et kovekse hylster. Hvis er alleree er e server i puktet gør Double Coverage itet. Hvis er ikke er e server må forespørgsle være mellem to servere. I ette tilfæle ytter Double Coverage hver af isse to servere imo et forespurgte pukt me samme fart itil e af em år puktet. 3.3 Lazyess I [4] eeres Lazyess for e serveralgoritme på følgee måe. E algoritme er Lazy, hvis e alrig ytter mere e é server for at imøekomme e forespørgsel og ikke ytter oge servere, hvis er i et forespurgte pukt alleree er e server. For ehver algoritme A eeres Lazy A som følger: Lazy A er e algoritme, er holer styr på e virtuel ugave af problemistase og servere. Hver virtuel server svarer etop til é virkelig server. Til at starte me står e virtuelle servere etop er, hvor e virkelige servere står. Lazy A simulerer As opførsel på problemistase ve hjælp af e virtuelle servere. Først år e virtuel 4

6 server år et pukt, hvor er har været e forespørgsel, yttes e tilsvaree virkelige server erhe (me mire ere virtuelle servere år puktet samtiig. I så fal yttes e server, som i e virkelige ugave af problemet er tættest på). Ellers yttes e virkelig servere ikke. Det viser sig imilerti, at ee eitio af Lazy A ikke er overholer e krav, som stilles til e Lazy algoritme. Dette illustreres me følgee eksempel. Betragt 4 pukter, ABCD (som ligger i ee rækkefølge), og 3 servere, XYZ, på e liie. Afstae mellem A og B er 1. Mellem B og C er e 3, og mellem C og D er e 2. Server X starter i A, Y starter i B og Z starter i D. Algoritme i ette eksempel er Lazy Double Coverage. Figur 2: Et eksempel La første forespørgsel være i C. De virtuelle servere fra B og D vil bevæge sig mo ette pukt me samme fart. Puktet ås først af e virtuelle Z, iet CD = 2 mes BC = 3. Algoritme vil erfor ytte e virkelige Z server til puktet C. De virkelige servere er altså i A,B og C, me e virtuelle server Y står me e afsta på 1 til puktet C og e afsta på 2 til B. La er u komme e forespørgsel i B. De to ærmeste virtuelle server, X og Y, vil u bevæge sig mo ee me samme fart. Da AB = 1, vil e virtuelle server til X komme først, hvilket betyer at es virkelige server skal yttes herhe. Det er problematisk i forhol til eitioe af Lazyess, at puktet B alleree ieholer e virkelig server (Y), og at algoritme alligevel ytter servere X herhe. Dette er i mostri me kravet om at e Lazy algoritme ikke ytter oge servere, hvis er i et forespurgte pukt alleree er e server. Deitioe ka rettes ve blot at tilføje, at ige virkelig server yttes, hvis er alleree er e virkelig server i et forespurgte pukt. Dee eitio bruges i reste af ee opgave. Det bemærkes og, at e foregåee eitio er ietisk me ee på 2-server problemet. Følgee er et væsetligt resultat om lazy algoritmer, og et omtales ofte som The Lazyess Observatio. Theorem 3.1. La A være e algoritme. For ehver iputsekves, I, i k-server problemet gæler følgee ulighe Lazy A(I) A(I) Bevis. Lazy A har ogle virtuelle servere og ogle virkelige servere. De virtuelle servere opfører sig etop som As servere. Alle virtuelle servere starter i samme pukt som eres tilhøree virkelige server. Hver gag e virkelig server yttes, yttes e he til es tilhøree virtuelle server. De istace, som e virkelige server ytter sig, må e virtuelle server altså have yttet sig tiligere (et er muligt, at e har yttet sig lægere). For ehver server gæler et altså, at e højst ytter sig lige så lagt som es tilhøree virtuelle server. Da e virtuelle servere opfører sig etop som As servere, betyer et, at er for ehver server gæler, at Lazy A højst ytter e lige så lagt, som A ytter e. Sålees må et samlet gæle, at Lazy As pris højst er lig me As pris, lige gyligt hva iputsekvese er. 3.4 Lazy Double Coverage Me eitioere af Lazyess og Double Coverage bure ette afsit egetlig være overøigt, me jeg har valgt at metage et for at uybe præcist, hvora Lazy Double Coverage opfører sig på 2-server problemet, a ette er gaske væsetligt for e følgee aalyser. Som avet atyer, er Lazy Double Coverage (herfra beævt LDC) e Lazy ugave af Double Coverage. De fugerer sålees ve, mes e kører, at hole styr på båe to virkelige og to virtuelle 5

7 servere, hvor hver virtuel server svarer til e virkelig server. Double Coverage opførsel simuleres på e to virtuelle servere. Når e virtuel server år et pukt, hvor er har været e forespørgsel, yttes e tilsvaree virkelige server til puktet. Af ee eitio følger, at alle forespørgsler i A imøekommes af e vestre server, hvor e højre server ikke ytter sig. Dette skyles, at ette er tilfælet i Double Coverage, og hver gag LDCs virtuelle server år puktet, vil e virkelige server yttes erhe. Tilsvaree ka argumeteres for, at alle forespørgsler i C imøekommes af e højre server, hvor e vestre server ikke ytter sig. Nu magler jeg blot at reegøre for opførsle for forespørgsler i B. Hvis LDC alleree har e server i puktet rykkes ige server. Hvis e ikke har e server i puktet betyer et, at e to are servere er i A og C. I ette tilfæle vil e to virtuelle servere rykke me samme fart mo B, itil e af em rammer puktet. Når ette sker, rykkes e tilsvaree rigtige server til B. Det vil oftest være e vestre server, er imøekommer forespørgsler i B, a ees virtuelle server blot har e afsta på 1 til B, hvorimo e virtuelle server fra C har e afsta på > 1. Det ka og got lae sige gøre, at e højre server imøekommer forespørgsler i B. Hvis servere er i A og C (båe e virkelige og virtuelle) kræves e forespørgselssekves af forme (B + A + ) B for at ytte højre server til C. De mage forespørgsler i B, hvor LDC ikke har e server i puktet (a ee bliver set tilbage til A) gør, at e højre virtuelle server på et tispukt år B. Her ytter e højre virkelige server til B. Det bemærkes, år servere er i A og C, at e korteste sekves for at ytte e højre server til B uikt er givet ve (BA) B. Uikt betyer her, at er ikke es e ae sekves me læge 2 + 1, som får LDC til at ytte højre server fra C til B. 3.5 Krysee servere E væsetlig egeskab ve e serveralgoritme er, om es servere kryser hiae. E serveralgoritme kales No-crossig, hvis es servere alrig ærer eres relative positioer på liie. Det er ituitive let at se, at et alti er got at være No-crossig, a er er et spil ve at lae to servere kryse hiae. Der gæler geerelt, at er for ehver serveralgoritme es e No-crossig serveralgoritme me e samme pris. Hver gag ma har me e uket optimal algoritme at gøre, er et rimelig at atage, at e er No-crossig, a er, hvis e ikke er et, es e ae optimal algoritme, er er No-crossig. I esig af algoritmer er et ligelees forelagtigt at sørge for, at e algoritme, ma esiger, er No-crossig. 3.6 RAND I mage atalogiske problemstilliger ka raomiseree algoritmer klare sig bere e etermiistiske algoritmer. Det er erfor oplagt at eere e raomiseret algoritme for ette problem. Da er for ehver algoritme es e mist lige så go No-crossig ugave, er et oplagt i eitioe af e y algoritme, at e to servere alrig kryser. Dette betyer, at ehver forespørgsel i A alti imøekommes af e vestre server, og at ehver forespørgsel i C imøekommes af e højre server. Da et også er optimalt at være Lazy, er et oplagt e ye algoritme højst ytter 1 server ve hver forespørgsel. Ve e forespørgsel i et pukt, hvor RAND alleree har e server, yttes ige server (a RAND er Lazy). Det eeste, er magles eeret, er u, hva algoritme gør, hvis er er e forespørgsel i B, me servere er i A og C. Her eeres, at e vestre server imøekommer forespørgsle me sasylighe +1, mes e højre server imøekommer e me sasylighe Grulaget for isse sasyligheer er, at e vestre server oftere skal bruges, a e er tættere på. Dog skal et stort atal forespørgsler i A og B resultere i, at e højre server på et tispukt yttes til B for at forhire, at ette giver e ubegræset pris. 6

8 Sasylighee bør afhæge af, a et højere betyer, at et er mire attraktivt at ytte højre server. 3.7 De optimale oie algoritme De optimale oie algoritme (herfra beævt OPT) er ikke e algoritme til løsig af problemet på samme måe som Greey, LDC og RAND er et. Som avet atyer, er OPT e oie algoritme. OPT behaler ikke e iputsekves som are algoritmer, er ser e forespørgsel a gage og herefter skal træe et valg om, hvora forespørgsle skal imøekommes. OPT får lov at se hele iputsekvese, og herefter ka e e e optimale måe at imøekomme samtlige forespørgsler. Mage forskellige kvalitetsmål til o-lie algoritmer sammeliger e give algoritme me OPT. For at uføre isse aalyser er et sjælet øveigt at beskrive OPT eksplicit, me ma ka i steet fra gag til gag e u af, hvilke opførsel, er er optimal. Nogle gage ka ma askue situatioe, som om et er OPT, er kostruerer e iputsekves til algoritme. I såa e situatio kales OPT e Aversary. Når OPT kostruerer sekvese, har e lov at se algoritme, er skal løse e, og OPT ka sålees uytte evetuelle svagheer i algoritme. For e give algoritme på 2-server problemet ka ma kostruere e Aversary, er laver hver forespørgsel i et pukt, hvor algoritme ikke har e server (a er er 3 pukter og 2 servere es såa et pukt alti). E såa Aversary kales Cruel Aversary. Ie for raomiseree algoritmer, som RAND, har ma lit ere forskellige Aversaries e blot OPT. E raomiseret algoritmer er af atur ikke etermiistisk, og ma ka erfor ikke på forhå afgøre, hvora e vil håtere e bestemt iputsekves. Det er erfor ikke helt etyigt, hvor store kræfter e Aversary skal have. É Aversary, ma ka eere, er Oblivious Aversary. Dee skal, som Aversaries alti skal, kostruere e iputsekves til e algoritme. Ie sekvese laves får e lov til at se hele algoritme iklusiv alle sasylighesforeliger. De har imilerti ige iformatio om hvora algoritme faktisk vil opføre sig e steer, hvor algoritme beytter tilfælighe. Efter hele sekvese er aet køres algoritme på sekvese, og Oblivious Aversary behaler esue selv sekvese me vie om, hva e fremtiige forespørgsler vil være (øjagtig som OPT gjore et). E lit kraftigere Aversary er Aaptive Olie Aversary (herfra beævt ADON). Dee Aversary aer ku é forespørgsel a gage. Herefter imøekommer e selv forespørgsle og ser, hvora algoritme imøekommer forespørgsle. De ka altså rage forel af, at se hvilke tilfælige valg algoritme træer uervejs. De er og også øt til selv at træe ogle valg uervejs. Det er ret let at se, at ee Aversary er stærkere e Oblivious Aversary. Ethvert resultat, som Oblivious Aversary opår mo e algoritme, for eksempel at e algoritme højst er halvt så go som Oblivious Aversary, ka også opås af ADON (ee ka reucere sie kræfter til etop em, Oblivious Aversary har, ve blot ikke at bruge iformatioe om e valg algoritme træer uervejs). Det gæler esue, at hvis e algoritme opår et bestemt resultat mo ADON, for eksempel, at algoritme alti er mist halvt så go som ADON ka et samme resultat opås mo Oblivious Aversay (a ee er svagere). Ma ka forestille sig eu stærkere Aversaries, som Aaptive Offlie Aversary, er har samme kræfter som ADON og esue ikke selv behøver imøekomme oge forespørgsler før hele sekvese er aet. I ee opgave vil jeg og ku bruge på Oblivious Aversary og ADON. 7

9 4 Kvalitetsmål I ette afsit præseteres e række forskellige kvalitetsmål. For hvert mål uersøges, om LDC eller Greey er best på 2-server problemet ifølge målet. Uer afsittet om Competitive Aalysis aalyseres også RAND. Notatioe og eitioere er geerelt baseret på [4], me jeg heviser og uer hvert mål til artikle, hvor et oprieligt er itrouceret. 4.1 Competitive aalysis Competitive Aalysis [8] er et af e ælste og mest ubrete kvalitetsmål for o-lie algoritmer. I målet sammeliges e algoritme me e optimale oie algoritme. Beviset for Competitive Ratio for LDC er baseret på beviset i [3]. Det bruges ofte iirekte til at sammelige to eller ere algoritmer. I 2-server problemet kales e algortime A c-competitive, hvis er es e kostat α så et for alle sekveser af forespørgsler σ gæler at A(σ) c OP T (σ) + α A kales competitive, hvis er es et c uafhægigt af iput sekvese, så A er c-competitive. Competitive ratio for A eeres som if{c A(σ) c OP T (σ) + α} Hvis e algoritme har e mire competitive ratio e e ae, så er e første bere i følge Competitive Aalysis. Der er ere forskellige tekikker til at vise, at e algoritme er c-competitive. Nogle af em er ve amortiseret aalyse. Jeg beskriver her to metoer fra [3]. I e første eeres e potetialefuktio, er afbiler e koguratio af problemet i i e reelle tal. For at vise at e algoritme ALG er c-competitive er et tilstrækkeligt at e e potetialefuktio, Φ, er opfyler følgee 3 betigelser. 1. Hvis OPT er aktiv ve hæelse e i og betaler x for ee aktivitet, så skal et gæle at Φ = Φ i Φ i 1 cx, vs. Φ stiger me højst cx. 2. Hvis ALG er aktiv ve hæelse e i og betaler x for ee aktivitet, så skal et gæle at Φ = Φ i Φ i 1 x, vs. Φ faler me mist x. 3. Der es e ere græse for hvilke værier Φ ka atage Dee tekik kales Iterleavig Moves. I ee moel ka situatioe ve hver forespørgsel askues, som om OPT fortager sie aktiviteter før ALG. De ae tekik til at vise, at e algoritme er c-competitve, er Amortize Costs. I ee tekik eeres ALG i, som e pris algoritme ALG betaler ve e i'te hæelse. Som i e foregåee tekik er Φ e potetialefuktio. De amortiseree pris for ALG ve e i'te hæelse er givet ve a i = ALG i + Φ i Φ i 1 = ALG i + Φ. For at vise at ALG er c-competitive skal følgee 2 betigelser være opfylt. 1. For hver hæelse, e i skal et gæle at a i c OP T i 2. Der es e ere græse for hvilke værier Φ ka atage I e følgee aalyser vil jeg beytte begge isse tekikker. Først aalyseres Greey me competitive aalysis. Theorem 4.1. Greey er ikke competitive i 2-server problemet. 8

10 Bevis. Atag til mostri, at er es et c og et α, så Greey er c-competitive. Det betyer, at er for alle sekveser gæler at Betragt u sekvese Greey(σ) c OP T (σ) + α (4.1) σ = (BA) c + α Greey vil på ee sekves for hver forespørgsel ytte e vestre server etop 1, a sekvese skiftevis forespørger B og A. Dvs. Greey(σ) = 2 c + α (4.2) På ee sekves vil OPT blot ytte si server fra C til B ve første forespørgsel, hvorefter er ikke betales mere, iet alle fremtiige forespørgsler er i A og B. Isættes (4.2) og (4.3) i (4.1) fås OPT(σ) = (4.3) 2 c + α c + α Da c 1 og > 1 fås, at vestresie er større e højresie. Dette er altså e mostri og betyer at atagelse er forkert. Greey er altså ikke competitive. Nu aalyseres LDC me competitive aalysis. Theorem 4.2. LDC er 2-competitive i 2-server problemet. Bevis. Til ette bevis bruges tekikke Iterleavig Moves, som er beskrevet tiligere. Som potetialefuktio bruges Φ = 2 M + D LDC Hvor D LDC er istace mellem LDCs 2 virkelige servere. M er istace mellem OPTs vestre server og LDCs vestre virtuelle server plus istace mellem OPTs højre server og LDCs højre virtuelle server. Dette kales også e server matchig mellem OPTs servere og LDCs virtuelle servere. For at vise at LDC er 2-competitive, skal et vises at 1. Hvis OPT ytter servere ve forespørgsel e i e total istace af x, så skal et gæle at Φ = Φ i Φ i 1 2x, vs. Φ stiger me højst 2x. 2. Hvis LDC ytter servere ve forespørgsel e i e total istace af x, så skal et gæle at Φ = Φ i Φ i 1 x, vs. Φ faler me mist x. 3. Der es e ere græse for, hvilke værier Φ ka atage Treje betigelse er opfylt, a ee potetialefuktio er e sum af to positive tal og sålees mist ka atage værie 0. For at uersøge første betigelse, betragt e situatio hvor OPT rykker servere e istace x. Da et er vist, at et er optimalt er være Lazy må et gæle at er es e OPT, som højst rykker 1 server for hver forespørgsel (e er e OPT, er sammeliges me i ee aalyse). Når OPT rykker e server istace x, æres D LDC ikke, a ee ku afhæger af positioe af LDCs servere. Servere, som OPT rykker, er matchet til ete LDCs højre eller vestre virtuelle server. Når OPTs server yttes x, ka istace til servere, som ee er matchet til, højst øges 9

11 me x. M ka altså højst stige me x og D LDC ka ikke æres. Dette betyer, at Φ højst stiger me 2x, hvilket etop er i overesstemmelse me et første krav til, at LDC er 2-competitive. At vise at betigelse 2 er overholt, ka opeles i to tilfæle. Husk, at isse tilfæle ku ækker over e gage, hvor LDC ret faktisk har aktivitet, a et ku er isse, er skal argumeteres for. I et ee tilfæle er e forespørgsel ue for LDCs kovekse hylster. LDC vil her reagere ve at ytte e virkelige server, er er tættest på forespørgsle, og ees virtuelle server til et forespurgte pukt. Først ses på tilfælet, hvor forespørgsle er til vestre for LDCs to virkelige servere. Det må gæle, at OPT har e server i et forespurgte pukt, a OPT etop har imøekommet ee forespørgsel (husk at OPT rykker først i ee moel). LDC vil rykke si vestre server (og ees virtuelle server) til et forespurgte pukt. Bemærk at e virtuelle server rykket mist lige så lagt som e virkelige, a e virtuel server ikke ka være ue for et kovekse hylster. Da et forespurgte pukt var til vestre for begge LDCs virkelige servere, må et være A. De server, som OPT har i puktet, må være es vestre server (a OPT er No-crossig). Hvis LDCs virkelige server rykker x for at imøekomme ee forespørgsel, rykker es virtuelle server også mist x (e virtuelle servere er alti i et kovekse hylster). Dette betyer, at M i Φ faler me mist x. D LDC stiger imilerti me x, a istace mellem LDCs servere bliver x større, fori e vestre rykker x mo vestre. Det må erfor gæle, at Φ faler me 2x og stiger me x, hvilket i alt givet et fal på x. Hvis forespørgsle er til højre for begge servere (altså i C) ka et tilsvaree argumet føres. Det aet tilfæle er, hvor e forespørgsel er i et kovekse hylster. Da e er i et kovekse hylster, me ikke er i et pukt, hvor LDC alleree har e server (a LDC ikke har oge aktivitet her), må forespørgsle være i B. I ette tilfæle vil begge virtuelle servere bevæger sig mo et forespurgte pukt, itil e ee år puktet. De bevæger sig begge e samme istace, k. De virkelige server, er svarer til e virtuelle server, er først år puktet, bevæger sig herefter e istace x for at å puktet. Det skal ige vises, at Φ faler me mist x. Da er er e forespørgsel i puktet må OPT have e server her, a e lige har imøekommet forespørgsle. Atag ue tab af geeralitet at ette er OPTs vestre server. Da LDCs vestre virtuelle server bevæger sig k tættere på OPTs server i puktet (som er e vestre), må et gæle, at M i Φ faler me k. Det gæler imilerti, at LDCs højre virtuelle server også bevæger sig k tættere på OPTs server i puktet. Dette ka i værste fal betye, at e bevæger sig k lægere væk fra OPTs højre server. På ee måe ka M i værste fal være uæret, iet e i ette tilfæle båe stiger og faler me k. Det gæler og at LDC har e virkelig server, som bevæger sig istace x og eer i et forespurgte pukt. At e af servere bevæger sig x og år puktet, betyer også at istace mellem LDCs højre og vestre server faler me x (a puktet er mellem LDCs servere). D LDC faler altså me x. Da M var uæret (eller evt. falt i væri) betyer ette, at Φ faler me mist x. Da alle 3 betigelser er opfylt, koklueres at LDC er 2-competitive. Da LDC er 2-competitive, mes Greey er er o-competitive er LDC bere e Greey ifølge Competitive Aalysis. Nu aalyseres RAND. Først vises e ere græse. Dee er mo Oblivious Aversary, hvilket betyer, at e også holer for ADON, a ee er e stærkere Aversary. Theorem 4.3. Competitive Ratio for RAND er mist 2 mo Oblivious Aversary i 2-server problemet. Bevis. Betragt sekvese s = (BA) k C, hvor k bestemmes seere. Jeg vil u e e forvetee pris for RAND på ee sekves. Uregige eles op i e forvetee pris for alle A, e forvetee pris for alle B og e forvetee pris for et siste C. Først es e forvetee pris for alle forespørgsler i A. Betragt e i'te forekomst af A. For at er skal være e pris for ee, må et gæle, at RAND ikke har e server i puktet på 10

12 et give tispukt. For at ette er tilfælet må et gæle, at RAND, hver gag e har skulle vælge e server til e forespørgsel i B, har valgt e vestre server (et er ette, er har gjort, at servere ikke lægere er i A). Hvis højre server var blevet yttet til B på et tispukt, var er ikke lægere oge pris for forespørgsler i A og B. Da er ie hvert A lige har været e forespørgsel i B, må et gæle, hvis er skal være e pris for e i'te forespørgsel til A, at RAND har valgt e vestre server til at imøekomme forespørgsle i B i gage. Sasylighee for ette er ( i. +1) Hvis ette er tilfælet koster, forespørgsle 1. De forvetee pris for e i'te forespørgsel bereges som sasylighee for, at er ikke er e server i A gage e pris algoritme ville betale i ette tilfæle (1). De forvetee pris er altså ( +1 samlee pris for e k forespørgsler i A er a givet ve k i=1 ( ) i ( ) k = ) i 1 = ( i. +1) De Nu es e forvetee pris for alle forespørgslere i B. Som før betragtes e i te forespørgsel i B. Først es sasylighee for, at RAND ikke har e server i B. Hvis RAND ikke har e server i B, betyer et, at højre server alrig er blevet valgt til at imøekomme e forespørgsel i B (a e i så fal staig have været i B). Dette betyer, at vestre server er blevet valgt ve hver af e foregåee forespørgsler i B. Der er i 1 foregåee forespørgsler i B. Sasylighee for, at e vestre server er blevet valgt til at imøekomme em alle er givet ve ( i 1. +1) Hvis ette er tilfælet skal RAND u imøekomme forespørgsle. Iet e vestre server, som koster 1, vælges me sasylighe +1 og e højre, som koster, vælges me sasylighe 1, er e forvetee pris hvis +1 RAND ikke har e server i B, = De forvetee pris for e i'te forespørgsel i B er givet ve sasylighee for, at e ikke har e server i puktet gage e forvetee pris, hvis ette er tilfælet. De forvetee pris er altså ( ) i 1 ( = 2 i. +1) De forvetee pris for alle forespørgsler i B er sålees givet ve k i=1 ( ) i 2 = k i=1 ( ) ( i ( ) ) k = Eelig es e forvetee pris for et siste C. Dee afhæger ligelees af k, iet et stort k vil øge sasylighee for at servere, er starter i C yttes herfra. Hvis alle forespørgsler i B har resulteret i, at e vestre server har yttet sig, vil e højre staig være i C. Dog gæler, at hvis blot 1 forespørgsel har resulteret i, at højre server er yttet, er e ikke lægere i C. Sasylighee for at vestre server er yttet hver gag (og højre sålees alrig er yttet) er givet ve ( k, +1) iet er har været k forespørgsler i B, og vestre server er yttet hver gag. ( k. Sasylighee for at højre server har yttet sig på et tispukt er a 1 +1) Hvis servere har yttet sig, skal e betale for at komme tilbage. De forvetee pris for forespørgsle i C er givet ve sasylighee for, at e har yttet servere herfra gage e pris, RAND a skal betale. De forvetee pris er altså ( ( ) ) k ( ) k 1 = De samlee forvetee pris for RAND på s er altså 11

13 E [RAND (s)] = 4 ( ( ) ) k + 1 Bemærk, at RAND slutter me servere i samme positioer, som ( e startee i (A og C), a p. e to siste forespørgsler er til A og C. Betragt u sekvese t = (BA) C) k Dee består af s getaget p gage. Da RAND starter og slutter s me samme serverpositioer, må et gæle at ( ( ) ) k E [RAND (t)] = p 4 (4.4) + 1 OPT ka klare sekvese s ve blot at ytte e server fra C til A ve første forespørgsel og ytte e tilbage ve siste. Dette koster 2, iet højre server skal yttes frem og tilbage. Som RAND starter OPT også me at have servere samme steer hvor e slutter. Derfor gæler et at OP T (t) = p 2 (4.5) Jeg vil u vise, at ette betyer at Competitive Ratio for RAND mist er 2. Atag til mostri, at er es et c < 2 og et α, såa at er for e vilkårlig iputsekves, I, gæler at E [RAND (I)] c OP T (I) + α (4.6) Iet et gæler for vilkårlige sekveser, gæler et også for t me vilkårlige k og p. (4.4) og (4.5) isættes i (4.6) og et fås at ( ( ) ) k p 4 c p 2 + α + 1 ( ( ) ) k c + α p ( ) k c + α p ( ) k α p c ( ) k Leee 2 +1 og α 2 p går begge mo 0, år k og p går mo ueelig. Dette betyer, at hvis ma vælger k og p store ok, gæler et at begge isse le er mire e 2 c 2. Det vil her gæle, at vestresie er større e højresie, hvilket er e mostri, a ligige skulle hole for alle valg af k og p. Dette betyer, at Competitive Ratio af RAND mo Oblivious Aversary mist er 2. Følgee resultat viser e ere græse. 12

14 Theorem 4.4. RAND er 2-competitive mo ADON i 2-server problemet. Bevis. Til at bevise ette bruges tekikke Amortize Costs. Φ eeres som Φ = 2 M + D RAND Hvor M er e server matchig mellem OPT og RANDs servere, vs. afstae fra OPTs vestre server til RANDs vestre server plus afstae fra OPTs højre server til RANDs højre server. D RAND er afstae mellem RANDs to servere. Det skal ifølge teorie for Amortize Costs gæle, at følgee to betigelser er opfylt, før et ka koklueres, at RAND er 2-competitive mo ADON. 1. For hver forespørgsel, e i skal et gæle at a i 2 ADON i 2. Der es e ere græse for hvilke værier Φ ka atage Bemærk, at kravet ieholer ADON i steet for OPT. Dette skyles, at resultatet søges bevist mo ADON frem for OPT, som bruges ve etermiistiske algoritmer. Det er let at vise, at ae betigelse er opfylt. Φ består af e sum af to ikke-egative tal, så Φ ka alrig være uer 0. Jeg vil u se på et først krav. Da RAND er e raomiseret algoritme, er a i = RAND i + Φ e stokastisk variabel. Det aet krav omformuleres erfor til, at et for hver forespørgsel, e i skal gæle, at E[a i ] 2 ADON i. Isættes eitioe af a i fås E[RAND i ] + E[ Φ] 2 ADON i. Isoleres E[ Φ] fås E[ Φ] 2 ADON i E[RAND i ] (4.7) Jeg vil u vise, at ee ligig gæler for alle mulige forespørgsler. Dette mefører, at RAND er 2-competitiv mo ADON. Først ses på tilfælet, hvor RAND alleree har e server i et forespurgte pukt. Det atages, at ADON rykker e server e istace x for at imøekomme forespørgsle (x ka være 0). Det vies, at ADON højst rykker 1 server, a et er optimalt at være Lazy. Først uersøges vestresie af (4.7). I potetialet ka M højst stige me x. Dette sker, hvis e server, ADON ytter, rykker x væk fra e server, e er matchet til. D RAND æres ikke, a RAND ikke ytter oge servere. Potetialet stiger altså højst me 2x, så E[ Φ] 2x. På højresie af (4.7) står er 2 ADON i E[RAND i ] = 2 x 0 = 2x. Altså er (4.7) opfylt i tilfælet, hvor RAND har e server i puktet. Nu magler jeg at uersøge e tilfæle, hvor RAND ikke har e server i et forespurgte pukt. Her eles op i to hovetilfæle. Det første hovetilfæle er, hvor ADON har e server i puktet og et ae hovetilfæle er, hvor ADON ikke har e server i puktet. I et første hovetilfæle gæler altså, at ADON har e server i putktet og RAND ikke har. Først uersøges tilfælet, hvor forespørgsle er ue for RANDs kovekse hylser. RAND vil her betale e istace x for at ytte e ærmeste server erhe. Ige uersøges (4.7). Først ses på vestresie. Distace mellem RANDs servere bliver x større. Til gegæl må et gæle, at e server, som servere RAND ytter er matchet til, alleree står i puktet (husk at ADON alleree har e server i puktet og at begge algoritmer er No-crossig). Server matchige bliver erfor x bere. Dvs. E[ Φ] = 2 ( x)+x = x. ADON betaler itet, a e har e server i puktet, og RAND betaler x, a ette var afstae til puktet. Højresie bliver altså. 2 ADON i E[RAND i ] = = 1. Ulighee er sålees her opfylt. Nu ses på tilfælet, hvor RAND ikke har e server i puktet, ADON har e server i puktet og forespørgsle er i RANDs kovekse hylster. Dette betyer, at forespørgsle er i B, RAND har sie servere i A og C og ADON har e server i B. Her er to uertilfæle. Det første er tilfælet, hvor et er e vestre server, ADON har i B. RAND vil ete ytte si højre eller vestre server for at imøekomme forespørgsle i B. Følgee skema illustrerer e to muligheer. 13

15 Halig Pris M D RAND Φ sasylighe RAND ytter vestre server RAND ytter højre server 1 +1 Hvis RAND ytter si vestre server koster et 1, a e skal yttes fra A til B. Da et er ADONs vestre server, er er i B, bliver server matchige 1 bere, år RANDs vestre server yttes 1 tættere på ee. Afstae mellem RANDs servere bliver også 1 mire, så D RAND faler me 1. I alt faler potetialet sålees me = 3. Sasylighee for ee halig er i algoritme eeret til +1. Hvis RAND ytter si højre server er et fra C til B og koster sålees. Da et er ADONs vestre server, er er i B, betyer et, at ADONs højre server er i C. Når RANDs højre server ytter til B, ytter e væk fra ADONs højre server, og server matchige bliver sålees årligere. Afstae mellem RANDs servere faler me, så D RAND faler me. I alt stiger potetialet me 2 =. Dee halig er eeret i algoritme til at ske me sasylighe Nu ses på (4.7) U fra prise, Φ og sasylighee ka E[ Φ] og E[RAND i ] bereges. E[ Φ] = = = E[RAND i ] = = Da ADON har e server i puktet, er ADON i = 0, og (4.7) er sålees opfylt. I et aet uertilfæle har ADON si højre server i puktet. Her ka et ligee skema me ligee uregiger opstilles. Halig Pris M D RAND Φ sasylighe RAND ytter vestre server RAND ytter højre server Hvis RAND ytter si vestre server, koster et 1. Afstae mellem RANDs vestre server og ADONs vestre serves øges me 1, så M øges ligelees me 1. Afstae mellem RANDs servere bliver 1 mire, så D RAND faler me 1. I alt stiger Φ sålees me = 1. Hvis RAND ytter si højre server, koster et. Her gæler, at afstae mellem RANDs og ADONs højre server faler me, hvilket betyer, at M faler me. RANDs servere kommer esue tættere på hiae, så D RAND faler me. I alt æres Φ a me 2 ( ) = 3. E[ Φ] = ( 3) = = E[RAND i ] = = Forespørgsle er gratis for ADON, så ADON i er 0. Sålees er (4.7) ige opfylt. Dee er altså opfylt i alle tilfæle, hvor RAND eller ADON har e server i puktet. 14

16 Jeg argumeterer u for et aet hovetilfæle, hvor ADON ikke har e server i puktet. Det gæler altså her, at hverke RAND eller ADON har e server i puket. Dette ka ete ske ve e forespørgsel i et kovekse hylster eller e forespørgsel ue for et kovekse hylster. Hvis forespørgsle er ue for et kovekse hylster, ka et ete ske ve, at forespørgsle er i A, hvor begge algoritmer har servere i B og C, eller ve e forespørgsel i C, hvor begge algoritmer har servere i A og B. I begge tilfæle er er samme afsta for begge algoritmer fra eres ærmeste server til forespørgsle. Beæv ee afsta x. Begge algoritmer vil reagere ve at ytte e ærmeste server til forespørgsle. Jeg vil uersøge Φ. Ie forespørgsle er M 0, a algoritmere må have servere i samme pukter. Efter forespørgsle har e også servere i samme pukter, a e begge ytter e samme server til e forespurgte pukt. Nu uersøges (4.7). Som sævaligt ses er først på vestresie. Da RAND ytter e server x væk fra e ae server, må et gæle at D RAND stiger me x. Det gæler altså, at Φ = x. Da begge algoritmer betaler x må et gæle at højresie er 2x x = x. Ulighee er altså opfylt her. Det siste tilfæle, er magler, er tilfælet, hvor e forespørgsel er i et kovekse hylster, me hvor ige af algoritmere har e server i puket. Her må et altså gæle, at begge algoritmer har servere i A og C og at forespørgsle er i B. Her er er to muligheer. Ete vælger ADON e vestre server til at imøekomme forespørgsle, eller også vælger e e højre. Først ses på tilfælet hvor ADON vælger e vestre server. Her gæler som sævaligt, at RAND vælger e vestre server til at imøekomme forespørgsle me sasylighe +1 og e højre me sasylighe Det følgee skema viser e to valg samt eres kosekveser for, hvilke pris RAND betaler og hvore et påvirker Φ. Halig Pris M D RAND Φ sasylighe RAND ytter vestre server RAND ytter højre server Hvis RAND ytter si vestre server, koster et 1. Der sker ige ærig i M, a ADON og RAND har båe højre og vestre server i e samme pukter båe før og efter, e rykker. Det gæler, at D RAND faler me 1, a RANDs servere kommer 1 tættere på hiae. Der er altså ige ærig i M og D RAND faler me 1, så Φ = = 1. Hvis RAND ytter si højre server, koster et. Det gæler, at M stiger me + 1, a er før var afsta 0 mellem båe e to vestre og e to højre servere, og a er u er afsta 1 mellem e to vestre servere og afsta mellem e to højre servere. Det må gæle, at D RAND faler me, a RANDs to server u er tættere på hiae. Det fås sålees at Φ = 2 ( + 1) = + 2. U fra prise, Φ og sasylighee ka E[ Φ] og E[RAND i ] bereges. E[ Φ] = ( + 2) = = E[RAND i ] = = Da ADON imøekommer forespørgsle me si vestre server er ADON i = 1. Nu uersøges (4.7). Vestresie er E[ Φ] = 2. Højresie er +1 2 ADON i E[RAND i ] = = 2 (+1) = Sålees er (4.7) også her opfylt. 15

17 Det siste tilfæle er, hvor er er e forespørgsel i B, begge algoritmer har servere i A og C og ADON vælger e højre server til at imøekomme forespørgsle. Her ka et tilsvaree skema laves. Halig Pris M D RAND Φ sasylighe RAND ytter vestre server RAND ytter højre server Hvis RAND ytter si vestre server koster et 1. Før servere blev yttet var M = 0. Efter yttet er e imilerti steget til +1, a er er afsta 1 mellem e vestre servere og mellem e højre. Afstae mellem RANDs servere bliver 1 mire, så D RAND faler me 1. I alt æres Φ altså me 2 (+1) 1 = 2+1. Hvis RAND ytter si højre server koster et. Der vil ikke ske e ærig i M a e er 0 båe før og efter servere yttes. Afstae mellem RANDs servere, D RAND, faler me. I alt æres Φ altså me 2 0 =. U fra prise, Φ og sasylighee ka E[ Φ] og E[RAND i ] bereges. E[ Φ] = (2 + 1) = = ( =2 + 1 = ) = E[RAND i ] = = Det er givet, at ADON ytter si højre server. Det betyer at ADON i =. Nu ses på (4.7). Vestresie giver E[ Φ] = 2 2. Højresie giver +1 2 ADON i E[RAND i ] = Også i ette tilfæle er ulighee opfylt. Jeg har u argumeteret for alle mulige typer af forespørgsler. I alle tilfæle gæler (4.7). Det betyer, at RAND er 2-competitive mo ADON. Tilsamme ugør sætig (4.3) og (4.4) e tæt øvre og ere græse for RANDs Competitive Ratio. De siger, at RAND ikke er bere e 2-competitive mo Oblivious Aversary, og at e er 2-competitive mo ADON. Da ADON er e stærkere mostaer e Oblivious Aversary betyer et, at Competitive Ratio for RAND er etop 2 mo båe Oblivious Aversary og ADON. 4.2 Max/Max Ratio Max/Max Ratio [2] bruges, som Competitive Aalysis, til at sammlige e algoritme me e optimale oie algoritme. Bevisere i ette afsit er baseret på beviser i [4]. I ette mål sammeliges e algoritmes højeste pris på e sekves af læge me OPTs højeste pris på e sekves af læge. For e algoritme, ALG, eeres M(ALG) som ALG(I) M(ALG) = lim sup max I = Max/Max Ratio for e algoritme, ALG, eeres som w M (ALG) = M(ALG) M(OP T ) 16

18 Max/Max Ratio ka bruges iirekte til at sammelige to algoritmer. E algoritme betragtes som bere, hvis e har e mire Max/Max Ratio. Jeg vil vise, at Greey er bere e LDC ifølge Max/Max Ratio ve at e Max/Max Ratio for hver af em og sammelige isse værier. Lemma 4.5. w M (Greey) = 1 M(OP T ) Bevis. For ethvert gæler et, at er es e sekves me læge, som koster for Greey. Sekvese består af skiftevise forespørgsler i B og A (først B). Disse koster 1 hver, så prise bliver i alt. Der ka ikke es oge sekves, er koster mere for Greey, a hver forespørgsel højst ka koste 1. Dee sekves maksimerer altså Greeys pris for ethvert. Det betyer at M(Greey) = 1, w M (Greey) = Hvilket etop var, hva jeg søgte at bevise. Lemma M(OP T ) 1 1 M(OP T ) Bevis. Det må gæle at M(OP T ) M(Greey) = 1, a OPT er optimal. Betragt sekvese (BAC) p. Uaset hvor højt p er, må OPT betale mist 2 for hver af e p elsekveser (vestre server rykkes til B og erefter tilbage til A). Det må erfor gæle, at M(OP T ) = lim sup T (I) max{op } 2 I = 3 Lemma 4.7. w M (LDC) 2 (+1) M(OP T ) E ere græse for M(LDC) ka aes ve at aalysere e specik iputsekves. Betragt sekvese s = ( (BA) BC ) p X, hvor X er e række skiftevise forespørgsler til A og B (først B). Det eeres at X = mo (2 + 2), hvor er læge af iputsekvese. Bemærk at X altså ka være tom. Utrykket ka betragtes som beståee af først p segmeter, som hver består af (BA) BC efterfulgt at slutsegmetet X. Hver af e p segmeter har læge Derfor må et gæle, at atallet af startsegmeter, p, ka utrykkes ve p = X Jeg vil u e LDCs pris på s. X ka atage alle heltallige værier i itervallet [0, 2 + 1], a e reges mo Prise for LDC opeles i to tilfæle. I et første tilfæle er X < Uregig opeles i e p startsegmeter og slutsegmetet. Hvert af startsegmetere begyer me (BA). Hver af isse forespørgsler imøekommes af e vestre server. Prise for hver af em er sålees 1. De æste forespørgsel i B vil imilerti imøekommes af e højre server, og e siste forespørgsel i C vil ligelees imøekommes af e højre server. Prise for hver er isse er, så e samlee pris bliver Iet et atages at X < 2 + 1, må et gæle at isse forespørgsler ku får e vestre server til at ytte sig. Dette skyles at er kræves skiftevise forespørgsler til B og A før e højre server yttes til B. Iet hver forespørgsel i X birager me etop 1, må et gæle at et totale birag fra e er X. Der gæle altså i ette tilfæle at 17

19 LDC(s) = p (2 + 2) + X = X (2 + 2) + X = X ( + ) + X + 1 ( X ) ( ( 1)) = + 1 = ( + 1) + 1 = + = X ( X ) ( 1) X ( + 1) + 1 ( X ) ( 1) X ( + 1) + 1 ( X ) ( 1) X X ( + 1) + 1 I et aet tilfæle er X = De første p startsegmeter koster em samme som i et foregåee tilfæle, så e eeste forskel er i slutsegmetet X. I X vil e forespørgsler i skiftevis B og A få LDC til at ytte vestre server frem og tilbage 2 gage, og ve e siste forespørgsle yttes e højre server fra C til B. Dvs. prise er 1 ve e første X 1 forespørgsler og ve e siste. I alt gæler altså LDC(s) = p (2 + 2) + X + 1 ( X ) ( 1) = ( (2 + 1)) ( 1) = = + ( (2 + 1)) ( 1) + 1 ( ( )) ( 1) = ( ) ( 1) = ( 1) ( + 1) + 1 Da jeg uersøger supremum, er jeg iteresseret i et største af isse utryk. Det fås ve at lae X = 0. Her gæler at LDC(s) = ( 1) +1. U fra ette fås at M(LDC) lim sup max { + I = ( 1) +1 } ( 1) = lim sup max{1 + I = + 1 } ( 1) ( 1) = =

20 Det gæler altså at w M (LDC) 2 ( + 1) M(OP T ) Theorem 4.8. Greey er bere e LDC i 2-server problemet ifølge Max/Max Ratio. Bevis. Jeg uersøge u forholet mellem e to Max/Max Ratios fra lemma (4.5) og (4.7), for at e u af hvilke, er er størst. w M (LDC) w M (Greey) 2 (+1) M(OP T ) 1 M(OP T ) = 2 ( + 1) > 1 Bemærk, at M(OP T ) ka forkortes u af brøke a e ifølge lemma (4.6) er begræset. Det siste ulighesteg gæler fori > 1. Da brøke er større e 1 betyer et, at ævere er større e tællere (e er begge positive tal). Da LDC sålees har e større Max/Max Ratio er Greey bere ifølge Max/Max Ratio. 4.3 Bijective Aalysis Bijective Aalysis [1] er e metoe til at sammelige to algoritmer, A og B irekte. Bevisere i ette afsit er baseret på em i [4]. Jeg laer i ette afsit subscript på e iputsekves betege mæge af alle iputsekveser me ee læge. For e vilkårlig læge, k, bruges er i ee aalyse e bijektio fra mæge af alle forespørgselssekveser me ee læge til e samme mæge, f : I k I k. Når to algoritmer sammeliges, køres e ee på e forespørgsel af læge k, mes e ae køres på e forespørgsel, er afbiles over i. Det gæler at algoritme A er bere e algoritme B ifølge Bijective Aalysis, hvis er es et o så et for alle 0 gæler, at f : I I ( I I : A(I) B(f(I))) ( I I : A(I) < B(f(I))) (4.8) Det skal altså gæle for alle sekveser me læge større e e kostat, at er es e bijektio fra mæge af alle sekveser me ee læge til e samme mæge, såa at algoritme A klarer sig mist lige så got på ehver sekves, som B klarer sig på e sekves, er afbiles over i, og at er esue es sekveser hvor A klarer sig bere. Jeg øsker at vise at Greey er bere e LDC ifølge Bijective Aalysis. Først eeres e familie af bijektioer f : I I. Herefter bruges isse som f i (4.8), og sålees vises, at Greey er bere e LDC. Fuktioe f eeres rekursivt. La f 1 være ietitetsafbilige, som afbiler ehver sekves i I 1 over i sig selv. Nu eeres f k. Det må gæle, at f k 1 afbiler mæge af alle iputsekveser af læge k 1 over i samme mæge. Som argumet får f k e sekves af læge k, X, og skal ae e sekves af læge k, Y. Til at ae e første k 1 forespørgsler i Y bruges f k 1 på e første k 1 forespørgsler i X. De siste forespørgsel bestemmes u fra koguratioe af Greey og LDC kørt på e første k 1 forespørgsler i heholsvis X og Y. Det må gæle, at er er 2 pukter hvor Greey alleree har e server efter e først k 1 forespørgsler i X. Hvis e siste forespørgsel i X er i et vestre af isse pukter sættes e siste forespørgsel i Y til et vestre pukt hvor LDC alleree har e server. Hvis e siste forespørgsel i X er i et højre pukt hvor Greey alleree har e server sættes e siste forespørgsel i Y til et højre pukt hvor LDC alleree har e server. Hvis e siste forespørgsel i X er i et pukt hvor LDC ikke har e server sætte se siste forespørgsel i Y i et pukt hvor LDC ikke har e server. 19

Formelsamling til statistik-del af metodekursus, 4. semester, lægevidenskab Version 3 (26/9-2011)

Formelsamling til statistik-del af metodekursus, 4. semester, lægevidenskab Version 3 (26/9-2011) Formelsamlig til statistik-el af metoekursus, 4. semester, lægevieskab Versio 3 (6/9-011) Kære læser Dee formelsamlig er lavet me ugagspukt i Meical Statistics, seco eitio af Betty R. Kirkwoo og A. C.

Læs mere

Løsningsforslag til skriftlig eksamen i Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528)

Løsningsforslag til skriftlig eksamen i Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528) Løsigsforslag til skriftlig eksame i Kombiatorik, sadsylighed og radomiserede algoritmer (DM58) Istitut for Matematik & Datalogi Syddask Uiversitet Madag de 3 Jauar 011, kl. 9 13 Alle sædvalige hjælpemidler

Læs mere

Analyse 1, Prøve maj 2009

Analyse 1, Prøve maj 2009 Aalyse, Prøve 5. maj 009 Alle hevisiger til TL er hevisiger til Kalkulus (006, Tom Lidstrøm). Direkte opgavehevisiger til Kalkulus er agivet med TLO, ellers er alle hevisiger til steder i de overordede

Læs mere

2. Hverdagen på danske arbejdspladser

2. Hverdagen på danske arbejdspladser 2. Hverage på aske arbejsplaser 2.1 Sammefatig 69 2.2 Daske mearbejere veres mest tilfrese 71 2.3 Daske virksomheer ivesterer i mearbejere 77 2.4 De ekeltes valg og rammere for arbejet 8 2.1 Sammefatig

Læs mere

antal gange krone sker i første n kast = n

antal gange krone sker i første n kast = n 1 Uge 15 Teoretisk Statistik, 5. april 004 1. Store tals lov Eksempel: møtkast Koverges i sadsylighed Tchebychevs ulighed Sætig: Store tals lov. De cetrale græseværdisætig 3. Approksimatio af sadsyligheder

Læs mere

Renteformlen. Erik Vestergaard

Renteformlen. Erik Vestergaard Reteformle Erik Vestergaard 2 Erik Vestergaard www.matematikfysik.dk Erik Vestergaard, 2010. Billeder: Forside: istock.com/ilbusca Side 4: istock.com/adresrimagig Desude ege illustratioer. Erik Vestergaard

Læs mere

hvor i er observationsnummeret, som løber fra 1 til stikprøvestørrelsen n, X i

hvor i er observationsnummeret, som løber fra 1 til stikprøvestørrelsen n, X i Normalfordeliger For at e stokastisk variabel X ka være ormalfordelt, skal X agive værdie af e eller ade målig, f.eks. tid, lægde, vægt, beløb osv. Notatioe er: Xi ~ N( μ, σ hvor i er observatiosummeret,

Læs mere

Noter om Kombinatorik 2, Kirsten Rosenkilde, februar

Noter om Kombinatorik 2, Kirsten Rosenkilde, februar Noter om Kombiatori, Kirste Roseilde, februar 008 1 Kombiatori Disse oter itroducerer ogle cetrale metoder som ofte beyttes i ombiatoriopgaver, og ræver et grudlæggede edsab til ombiatori (se fx Kombiatori

Læs mere

Elementær Matematik. Polynomier

Elementær Matematik. Polynomier Elemetær Matematik Polyomier Ole Witt-Hase 2008 Køge Gymasium Idhold 1. Geerelle polyomier...1 2. Divisio med hele tal....1 3. Polyomiers divisio...2 4. Polyomiers rødder....4 5. Bestemmelse af røddere

Læs mere

Motivation. En tegning

Motivation. En tegning Motivatio Scatter-plot at det mådelige salg mod det måedlige reklamebudget. R: plot(salg ~ budget, data = salg) Økoometri Lektio Simpel Lieær Regressio salg 400 450 500 550 20 25 30 35 40 45 50 budget

Læs mere

9. Binomialfordelingen

9. Binomialfordelingen 9. Biomialfordelige 9.. Gekedelse Hvert forsøg ka ku resultere i to mulige udfald; succes og fiasko. I modsætig til poissofordelige er atallet af forsøg edeligt. 9.. Model X : Stokastisk variabel, der

Læs mere

Talfølger og -rækker

Talfølger og -rækker Da Beltoft og Klaus Thomse Aarhus Uiversitet 2009 Talfølger og -rækker Itroduktio til Matematisk Aalyse Zeos paradoks om Achilleus og skildpadde Achilleus løber om kap med e skildpadde. Achilleus løber

Læs mere

Gamle eksamensopgaver. Diskret Matematik med Anvendelser (DM72) & Diskrete Strukturer(DM504)

Gamle eksamensopgaver. Diskret Matematik med Anvendelser (DM72) & Diskrete Strukturer(DM504) Gamle eksamesopgaver Diskret Matematik med Avedelser (DM72) & Diskrete Strukturer(DM504) Istitut for Matematik& Datalogi Syddask Uiversitet, Odese Alle sædvalige hjælpemidler(lærebøger, otater etc.), samt

Læs mere

Forbud mod Handicapdiskrimination på Arbejdsmarkedet Tilpasningspligten

Forbud mod Handicapdiskrimination på Arbejdsmarkedet Tilpasningspligten Ca. Merc. (Jur.) Kaiatafhalig 23. Dec. 2010 Forbu mo Haicapiskrimiatio på Arbejsmarkeet Tilpasigspligte Af Mia Seirup Vejleere: Ly Roseberry og Herik Lao Atal aslag: 181.997 Copehage Busiess School 2010

Læs mere

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0. Repetitio: Normalfordelige Ladmåliges fejlteori Lektio Trasformatio af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/udervisig/lf13 Istitut for Matematiske Fag Aalborg Uiversitet

Læs mere

Noter om kombinatorik, Kirsten Rosenkilde, februar 2008 1. Kombinatorik

Noter om kombinatorik, Kirsten Rosenkilde, februar 2008 1. Kombinatorik Noter om ombiatori, Kirste Roseilde, februar 008 Kombiatori Disse oter er e itrodutio til ombiatori og starter helt fra bude, så e del af det idledede er siert edt for dig allerede, me der ommer også hurtigt

Læs mere

Projekt 4.8 De reelle tal og 1. hovedsætning om kontinuerte funktioner

Projekt 4.8 De reelle tal og 1. hovedsætning om kontinuerte funktioner Projekter: Kapitel 4 Projekt 48 De reelle tal og hovedsætig om kotiuerte fuktioer Projekt 48 De reelle tal og hovedsætig om kotiuerte fuktioer Kotiuitet og kotiuerte fuktioer Ord som kotiuert og kotiuerlig

Læs mere

Kvadratisk 0-1 programmering. David Pisinger

Kvadratisk 0-1 programmering. David Pisinger Kvadratisk - programmerig David Pisiger 27-8 MAX-CUT problemet Givet e ikke-orieteret graf G = (V, E) er MAX-CUT problemet defieret som MAX-CUT = {< G > : fid et sit S, T i grafe G som maksimerer atal

Læs mere

Få overblik over dit liv - og fokus på det vigtige

Få overblik over dit liv - og fokus på det vigtige Prs: r. 12,Fam e t Fr Bo g Net væ r g Uv Su he om o Ø Få overb over t v - og fous på et vgtge INDLEDNING Dee e-bog Lvshjuet er e ompet gue t, hvora u me é smpe øvese a få overb over t v ge u og prortere

Læs mere

Asymptotisk optimalitet af MLE

Asymptotisk optimalitet af MLE Kapitel 4 Asymptotisk optimalitet af MLE Lad Y 1, Y 2,... være uafhægige, idetisk fordelte variable med værdier i et rum (Y,K). Vi har givet e model (ν θ ) θ Θ for fordelige af Y 1 (og dermed også for

Læs mere

De reelle tal. Morten Grud Rasmussen 5. november Se Sætning 3.6 og 3.7 for forskellige formuleringer af egenskaben og dens negation.

De reelle tal. Morten Grud Rasmussen 5. november Se Sætning 3.6 og 3.7 for forskellige formuleringer af egenskaben og dens negation. De reelle tal Morte Grud Rasmusse 5. ovember 2015 Ordede mægder Defiitio 3.1 (Ordet mægde). pm, ăq kaldes e ordet mægde såfremt: For alle x, y P M gælder etop ét af følgede: x ă y, x y, y ă x @x, y, z

Læs mere

Grafregner-projekt om differentiation.

Grafregner-projekt om differentiation. Grafregner-projekt om ifferentiation. Motivation: Når nu ifferentieret giver, og e ifferentieret giver e, hvorfor får man så ikke e når man ifferentiere e? Formål: ) At opnå kenskab til, og forståelse

Læs mere

1 Punkt- og intervalestimation Punktestimatorer: Centralitet(bias) og efficiens... 2

1 Punkt- og intervalestimation Punktestimatorer: Centralitet(bias) og efficiens... 2 Idhold 1 Pukt- og itervalestimatio 2 1.1 Puktestimatorer: Cetralitet(bias) og efficies.................... 2 2 Kofidesiterval 3 2.1 Kofidesiterval for adel................................ 4 2.2 Kofidesiterval

Læs mere

Georg Mohr Konkurrencen Noter om uligheder. Søren Galatius Smith

Georg Mohr Konkurrencen Noter om uligheder. Søren Galatius Smith Georg Mohr Kokurrece Noter om uligheder Søre Galatius Smith. juli 2000 Resumé Kapitel geemgår visse metoder fra gymasiepesum, som ka bruges til at løse ulighedsopgaver, og ideholder ikke egetligt yt stof.

Læs mere

DATV: Introduktion til optimering og operationsanalyse, 2007. Følsomhed af Knapsack Problemet

DATV: Introduktion til optimering og operationsanalyse, 2007. Følsomhed af Knapsack Problemet DATV: Itroduktio til optimerig og operatiosaalyse, 2007 Følsomhed af Kapsack Problemet David Pisiger, Projektopgave 1 Dette er de første obligatoriske projektopgave på kurset DATV: Itroduktio til optimerig

Læs mere

DATV: Introduktion til optimering og operationsanalyse, 2007. Bin Packing Problemet

DATV: Introduktion til optimering og operationsanalyse, 2007. Bin Packing Problemet DATV: Itroduktio til optimerig og operatiosaalyse, 2007 Bi Packig Problemet David Pisiger, Projektopgave 2 Dette er de ade obligatoriske projektopgave på kurset DATV: Itroduktio til optimerig og operatiosaalyse.

Læs mere

Bjørn Grøn. Analysens grundlag

Bjørn Grøn. Analysens grundlag Bjør Grø Aalyses grudlag Aalyses grudlag Side af 4 Idholdsfortegelse Kotiuerte og differetiable fuktioer 3 Differetial- og itegralregiges udviklig 5 3 Hovedsætiger om differetiable fuktioer 8 Opgaver til

Læs mere

Meningsmålinger KLADDE. Thomas Heide-Jørgensen, Rosborg Gymnasium & HF, 2017

Meningsmålinger KLADDE. Thomas Heide-Jørgensen, Rosborg Gymnasium & HF, 2017 Meigsmåliger KLADDE Thomas Heide-Jørgese, Rosborg Gymasium & HF, 2017 Idhold 1 Meigsmåliger 2 1.1 Idledig................................. 2 1.2 Hvorda skal usikkerhede forstås?................... 3 1.3

Læs mere

Tankegangskompetence. Kapitel 9 Algebraiske strukturer i skolen 353

Tankegangskompetence. Kapitel 9 Algebraiske strukturer i skolen 353 Takegagskompetece Hesigte med de følgede afsit er først og fremmest at skabe klarhed over de mere avacerede regeregler i skole og give resultatet i de almee form, der er karakteristisk for algebra. Vi

Læs mere

Matematik A. Studentereksamen. Forberedelsesmateriale. Forsøg med digitale eksamensopgaver med adgang til internettet.

Matematik A. Studentereksamen. Forberedelsesmateriale. Forsøg med digitale eksamensopgaver med adgang til internettet. Matematik A Studetereksame Forsøg med digitale eksamesopgaver med adgag til iterettet Forberedelsesmateriale Vejledede opgave Forår 0 til stx-a-net MATEMATIK Der skal afsættes 6 timer af holdets sædvalige

Læs mere

Hvis man vil lægge 15% til 600, så kan det gøres ved at udregne, hvor meget 15% af 600 er lig med og lægge det til det oprindelige beløb:

Hvis man vil lægge 15% til 600, så kan det gøres ved at udregne, hvor meget 15% af 600 er lig med og lægge det til det oprindelige beløb: 0BRetesegig BTæk i femskivigsfaktoe! I dette tillæg skal vi se, at begebet femskivigsfaktoe e yttigt til at fostå og løse foskellige poblemstillige idefo pocet- og etesegig. 3B. Lægge pocet til elle tække

Læs mere

Diskriminantformlen. Frank Nasser. 12. april 2011

Diskriminantformlen. Frank Nasser. 12. april 2011 Diskriminantformlen Frank Nasser 12. april 2011 c 2008-2011. Dette okument må kun anvenes til unervisning i klasser som aonnerer på MatBog.k. Se yerligere etingelser for rug her. Bemærk: Dette er en arkiveret

Læs mere

Generelle lineære modeller

Generelle lineære modeller Geerelle lieære modeller Regressiosmodeller med é uafhægig itervalskala variabel: Y e eller flere uafhægige variable: X,..,X k De betigede fordelig af Y givet X,..,X k atages at være ormal med e middelværdi,

Læs mere

Praktisk info. Statistisk analyse af en enkelt stikprøve: kendt eller ukendt varians Sandsynlighedsregning og Statistik (SaSt) I tirsdags.

Praktisk info. Statistisk analyse af en enkelt stikprøve: kendt eller ukendt varians Sandsynlighedsregning og Statistik (SaSt) I tirsdags. Praktisk ifo Liste med rettelser og meigsforstyrrede trykfejl i DS på Absalo. Statistisk aalyse af e ekelt stikprøve: kedt eller ukedt varias Sadsylighedsregig og Statistik (SaSt) Helle Sørese Projekt

Læs mere

HASTIGHEDSKORT FOR DANMARK VHA. GPS

HASTIGHEDSKORT FOR DANMARK VHA. GPS HASTIGHEDSKORT FOR DANMARK VHA. GPS Ove Aderse xcalibur@cs.aau.dk Istitut for Datalogi Aalborg Uiversitet Harry Lahrma lahrma@pla.aau.dk Trafikforskigsgruppe Aalborg Uiversitet Kristia Torp torp@cs.aau.dk

Læs mere

Uge 37 opgaver. Opgave 1. Svar : Starter med at definere sup (M) og inf (M) :

Uge 37 opgaver. Opgave 1. Svar : Starter med at definere sup (M) og inf (M) : Uge 37 opgaver Opgave Svar : a) Starter med at defiere sup (M) og if (M) : Kigge u på side 3 i kompedie og aveder aksiom (.3) Kotiuitetsaksiomet A = x i x 2 < 2 Note til mig selv : Har søgt på ordet (iequalities)

Læs mere

vejer (med fortegn). Det vil vi illustrere visuelt og geometrisk for (2 2)-matricer og (3 3)-matricer i enote 6.

vejer (med fortegn). Det vil vi illustrere visuelt og geometrisk for (2 2)-matricer og (3 3)-matricer i enote 6. enote 5 enote 5 Determiater I dee enote ser vi på kvadratiske matricer. Deres type er altså for 2, se enote 4. Det er e fordel, me ikke absolut ødvedigt, at kede determiatbegrebet for (2 2)-matricer på

Læs mere

Teoretisk Statistik, 9. februar Beskrivende statistik

Teoretisk Statistik, 9. februar Beskrivende statistik Uge 7 I Teoretisk Statistik, 9 februar 004 Beskrivede statistik Kategoriserede variable 3 Kvatitative variable 4 Fraktiler for ugrupperede observatioer 5 Fraktiler for grupperede observatioer 6 Beliggeheds-

Læs mere

Marius tanker. Af Hans Marius Kjærsgaard. - I et vektorfelt

Marius tanker. Af Hans Marius Kjærsgaard. - I et vektorfelt Marius tanker Af Hans Marius Kjærsgaar - I et vektorfelt Inholfortegnelse Introuktion... Problemformulering... Introuktion til funktionsmænger... 3 Grafisk repræsentation og samlingspunkter... 3 Sti-optimering

Læs mere

Statistik Lektion 8. Parrede test Test for forskel i andele Test for ens varians Gensyn med flyskræk!

Statistik Lektion 8. Parrede test Test for forskel i andele Test for ens varians Gensyn med flyskræk! Statistik Lektio 8 Parrede test Test for forskel i adele Test for es varias Gesy med flyskræk! Afhægige og uafhægige stikprøver Ved e uafhægig stikprøve udtages e stikprøve fra hver gruppe.. Mæd og kviders

Læs mere

Projekt 1.3 Brydningsloven

Projekt 1.3 Brydningsloven Projekt 1.3 Brydigslove Når e bølge, fx e lysbølge, rammer e græseflade mellem to stoffer, vil bølge ormalt blive spaltet i to: Noget af bølge kastes tilbage (spejlig), hvor udfaldsvikle u er de samme

Læs mere

cos(t), v(t) = , w(t) = e t, z(t) = e t.

cos(t), v(t) = , w(t) = e t, z(t) = e t. Aalyse Øvelser Rasmus Sylvester Bryder. og. oktober 3 Bevis for Cotiuity lemma Theorem. Geemgås af Michael Staal-Olse. Bevis for Lemma.8 Dee har vi faktisk allerede vist; se Opgave 9.5 fra Uge. Det er

Læs mere

Opgave 1: Regressionsanalyse

Opgave 1: Regressionsanalyse Opgave : Regressiosaalyse La u, x,..., u, x være par af reelle al. Vi skal u besemme e ree liie, er passer bes me isse alpar i e forsa a summe x s α βu s miimeres. Ma fier alså e liie, x ˆα + ˆβu, for

Læs mere

Sætning: Middelværdi og varians for linearkombinationer. Lad X 1,X 2,...,X n være stokastiske variable. Da gælder. Var ( a 0 + a 1 X a n X n

Sætning: Middelværdi og varians for linearkombinationer. Lad X 1,X 2,...,X n være stokastiske variable. Da gælder. Var ( a 0 + a 1 X a n X n Ladmåliges fejlteori Lektio 3 Estimatio af σ Dobbeltmåliger Geometrisk ivellemet Lieariserig - rw@math.aau.dk Istitut for Matematiske Fag Aalborg Uiversitet Repetitio: Middelværdi og Varias Sætig: Middelværdi

Læs mere

Matematikkens mysterier - på et obligatorisk niveau. 7. Ligninger, polynomier og asymptoter

Matematikkens mysterier - på et obligatorisk niveau. 7. Ligninger, polynomier og asymptoter Matematikkes mysterier - på et obligatorisk iveau af Keeth Hase 7. Ligiger, polyomier og asymptoter Hvad er e asymotote? Og hvorda fides de? 7. Ligiger, polyomier og asymptoter Idhold 7.0 Idledig 7.1 Udsag

Læs mere

Lys og gitterligningen

Lys og gitterligningen Fysik rapport: Lys og gitterligige Forfatter: Bastia Emil Jørgese.z Øvelse blev udført osdag de 25. jauar 202 samme med Lise Kjærgaard Paulse 2 - Bastia Emil Jørgese Fysik rapport (4 elevtimer), februar

Læs mere

Noter om polynomier, Kirsten Rosenkilde, Marts Polynomier

Noter om polynomier, Kirsten Rosenkilde, Marts Polynomier Noter om polyomier, Kirste Rosekilde, Marts 2006 1 Polyomier Disse oter giver e kort itroduktio til polyomier, og de fleste sætiger æves ude bevis. Udervejs er der forholdsvis emme opgaver, mes der til

Læs mere

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Statistik ved Bachelor-uddaelse i folkesudhedsvideskab Græseværdisætiger Det hadler om geemsit Statistikere elsker geemsit Det er oplagt e god ide at tage geemsit. Hvis jeg f.eks skal gætte på vægte af

Læs mere

BEVISER TIL SÆTNINGER I BOGEN

BEVISER TIL SÆTNINGER I BOGEN MTEMK Mtemtik o hh C-iveu BEVISER TIL SÆTNINGER I BOGEN Dette e e smlig ove lle e sætige og evise e e i oge. Det e met som suppleee mteile isæ til e eleve, e skl hve mtemtik på B- elle -iveu. ee i ku metget

Læs mere

Velkommen. Program. Statistik og Sandsynlighedsregning 2 Sandsynlighedstætheder og kontinuerte fordelinger på R. Praktiske ting og sager

Velkommen. Program. Statistik og Sandsynlighedsregning 2 Sandsynlighedstætheder og kontinuerte fordelinger på R. Praktiske ting og sager Program Statistik og Sadsylighedsregig 2 Sadsylighedstætheder og kotiuerte fordeliger på R Helle Sørese Uge 6, madag Velkomme I dag: Praktiske bemærkiger Hvad skal vi lave på SaSt2? Sadsylighedstætheder

Læs mere

Dagens forelæsning. Claus Munk. kap. 1-3. Obligationer Grundlæggende Intro. Obligationer Grundlæggende Intro. Obligationer Grundlæggende Intro

Dagens forelæsning. Claus Munk. kap. 1-3. Obligationer Grundlæggende Intro. Obligationer Grundlæggende Intro. Obligationer Grundlæggende Intro Dages forelæsig Grudlæggede itroduktio til obligatioer Claus Muk kap. - 3 Betaligsrækker og låeformer Det daske obligatiosmarked Effektive reter 2 Obligatioer Grudlæggede Itro Obligatioer Grudlæggede Itro

Læs mere

Claus Munk. kap. 1-3

Claus Munk. kap. 1-3 Claus Muk kap. 1-3 1 Dages forelæsig Grudlæggede itroduktio til obligatioer Betaligsrækker og låeformer Det daske obligatiosmarked Pris og kurs Effektive reter 2 1 Obligatioer Grudlæggede Itro Debitor

Læs mere

REGULARITET AF LØSNINGER M.M.

REGULARITET AF LØSNINGER M.M. REGULARITET AF LØSNINGER M.M. E. SKIBSTED Inhol 1. Plan og forusætninger 1 2. Generalisering af [B, Theorem 3.8] 1 3. Autonomt tilfæle 3 3.1. Mængen D er åben 3 3.2. Strømmen er kontinuert på D 4 4. Tisafhængige

Læs mere

Leica Lino. Præcise, selvnivellerende punkt- og linje-lasere

Leica Lino. Præcise, selvnivellerende punkt- og linje-lasere Leica Lio Præcise, selvivellerede pukt- og lije-lasere Opsæt, tæd, klar! Med Leica Lio er alt i lod og perfekt lige Leica Lios projekterer lijer eller pukter med milimeterøjagtighed, så du har hædere fri

Læs mere

Sammenligning af to grupper

Sammenligning af to grupper Sammeligig af to gruer Reetitio, heruder om kritiske værdier Sammeligig af to gruer Sammeligig af to middelværdier Sammeligig af to adele Sammeligig af to variaser yoteser og hyotesetest. E hyotese er

Læs mere

Matematik D. Almen voksenuddannelse. Skriftlig prøve. Torsdag den 18. maj 2017 kl AVU172-MAT/D. (4 timer)

Matematik D. Almen voksenuddannelse. Skriftlig prøve. Torsdag den 18. maj 2017 kl AVU172-MAT/D. (4 timer) Matematik D Almen voksenuannelse Skriftlig prøve (4 timer) AVU172-MAT/D Torsag en 18. maj 2017 kl. 9.00-13.00 Opgaver fra erhvervsuannelserne Matematik niveau D Skriftlig matematik Opgavesættet består

Læs mere

Kommuneplantillæg 16. til Kommuneplan 2013. Randers Kommune. Kommuneplantillæg 16. rup. Havndal. Dalbyover Råby. Udbyhøj. Gjerlev Gassum Øster Tørslev

Kommuneplantillæg 16. til Kommuneplan 2013. Randers Kommune. Kommuneplantillæg 16. rup. Havndal. Dalbyover Råby. Udbyhøj. Gjerlev Gassum Øster Tørslev asu ssu su su Sy Sy Ou Oue O ue rup alsår a als alsår s år år til Kommuepla 2013 Kie Kielstrup Ki K i l p Stie Sti S ii e esmi e e ørby ø ørrrby byy b Skole Skoleby Sk S kole kko ole eby eby eb by Asses

Læs mere

Diskrete og kontinuerte stokastiske variable

Diskrete og kontinuerte stokastiske variable Diskrete og kotiuerte stokastiske variable Beroulli Biomial fordelig Negativ biomial fordelig Hypergeometrisk fordelig Poisso fordelig Kotiuerte stokastiske variable Uiform fordelig Ekspoetial fordelig

Læs mere

Formelsamling Matematik på højniveau version 2.0 af Daniel Thaagaard Andreasen & Kristian Jerlsev Aarhus Universitet Institut for Fysik og Astronomi

Formelsamling Matematik på højniveau version 2.0 af Daniel Thaagaard Andreasen & Kristian Jerlsev Aarhus Universitet Institut for Fysik og Astronomi Formelsamling Matematik på højniveau version 2.0 af Daniel Thaagaar Anreasen & Kristian Jerlsev Aarhus Universitet Institut for Fysik og Astronomi Inhol 1 Foror 2 2 Potensregneregler 3 3 Kvaratsætninger

Læs mere

Grafisk design. Workflow. Hvordan blev det lavet?

Grafisk design. Workflow. Hvordan blev det lavet? Grafisk esign Workflow Hvoran blev et lavet? Workflow af forsie For at påbegyne en kreative process best muligt startee jeg me at lave en brainstorm. Det gjore jeg for at få et overblik over hvilket slags

Læs mere

Analyse af algoritmer. Algoritmedesign med internetanvendelser ved Keld Helsgaun. Køretid. Algoritmebegrebet D. E. Knuth (1968)

Analyse af algoritmer. Algoritmedesign med internetanvendelser ved Keld Helsgaun. Køretid. Algoritmebegrebet D. E. Knuth (1968) Algoritmedesig med iteretavedelser ved Keld Helsgau Aalyse af algoritmer Iput Algoritme Output E algoritme er e trivis metode til løsig af et problem i edelig tid 1 2 Algoritmebegrebet D. E. Kuth (1968)

Læs mere

Supplerende noter II til MM04

Supplerende noter II til MM04 Supplerede oter II til MM4 N.J. Nielse 1 Uiform koverges af følger af fuktioer Vi starter med følgede defiitio: Defiitio 1.1 Lad S være e vilkårlig mægde og (X, d et metrisk rum. E følge (f af fuktioer

Læs mere

Modellering og simulering af dynamiske systemer Opgave nr. 2 Valgfri modelleringsopgave DC motor. se v s = 0,001 H = 0,026 H

Modellering og simulering af dynamiske systemer Opgave nr. 2 Valgfri modelleringsopgave DC motor. se v s = 0,001 H = 0,026 H geiørhøjskole Oese Tekiku Díel Sigurbjörsso 394 Sektor or ortios- og Elektrotekologi 6. seester - 4. Mrs 004 Pi Møller ese Moellerig og siulerig yiske systeer Opgve r. Vlgri oellerigsopgve DC otor leig:

Læs mere

Test i to populationer. Hypotesetest for parrede observationer Test for ens varians Gensyn med flyskræk!

Test i to populationer. Hypotesetest for parrede observationer Test for ens varians Gensyn med flyskræk! Test i to populatioer Hypotesetest for parrede observatioer Test for es varias Gesy med flyskræk! Afhægige og uafhægige stikprøver Ved e uafhægig stikprøve udtages e stikprøve fra hver gruppe.. Mæd og

Læs mere

Projekt 9.1 Regneregler for stokastiske variable middelværdi, varians og spredning

Projekt 9.1 Regneregler for stokastiske variable middelværdi, varians og spredning Hvad er matematik? Projekter: Kaitel 9 Projekt 9 Regeregler for stokastiske variable middelværdi, varias og sredig Projekt 9 Regeregler for stokastiske variable middelværdi, varias og sredig Sætig : Regeregler

Læs mere

Koblede svingninger. Thomas Dan Nielsen Troels Færgen-Bakmar Mads Sørensen juni 2005

Koblede svingninger. Thomas Dan Nielsen Troels Færgen-Bakmar Mads Sørensen juni 2005 Koblee svingninger Thomas Dan Nielsen 20041151 Troels Færgen-Bakmar 20041116 Mas Sørensen 20040795 1. juni 2005 Institut for Fysik og Astronomi Det Naturvienskabelige Fakultet Aarhus Universitet Inhol

Læs mere

Løsninger til kapitel 7

Løsninger til kapitel 7 Løsiger til kapitel 7 Opgave 7.1 a) HpoStat giver resultatet: Pop. varias er ukedt, me 30, så Normalf. bruges approksimativt = 54,400 s 1.069,90 = 00,000 0,95 49,868 58,93 Dette betder, at med 95% sikkerhed

Læs mere

Sandsynlighedsteori 1.2 og 2 Uge 5.

Sandsynlighedsteori 1.2 og 2 Uge 5. Istitut for Matematiske Fag Aarhus Uiversitet De 27. jauar 25. Sadsylighedsteori.2 og 2 Uge 5. Forelæsiger: Geemgage af emere karakteristiske fuktioer og Mometproblemet afsluttes, og vi starter på afsittet

Læs mere

Om Følger og Rækker. Nyttige Grænseværdier. Nyttige Rækker. Carsten Lunde Petersen. lim. lim = 0. lim (1 + x n n )n = e x. n n n.

Om Følger og Rækker. Nyttige Grænseværdier. Nyttige Rækker. Carsten Lunde Petersen. lim. lim = 0. lim (1 + x n n )n = e x. n n n. IMFUFA Carste Lude Peterse Om Følger og Ræer Nyttige Græseværdier lim = 1 lim! = x = 0! lim lim (1 + x ) = e x! lim = e 1 Nyttige Ræer 1 p < p > 1 1 log p ( + 1) < p > 1 x = = x 1 x for x < 1 og Z, diverget

Læs mere

DesignMat Uge 8 Integration og elementære funktioner

DesignMat Uge 8 Integration og elementære funktioner DesignMat Uge 8 Integration og elementære funktioner Preben Alsholm Forår 008 Hyperbolske funktioner. sinh og cosh sinh og cosh Sinus hyperbolsk efineres sålees for alle x R sinh x = ex e x Cosinus hyperbolsk

Læs mere

Introduktion til uligheder

Introduktion til uligheder Itroduktio til uligheder Dette er e itroduktio til ogle basale uligheder om det aritmetiske geemsit, det geometriske geemsit, det harmoiske geemsit og det kvadratiske geemsit. Først skal vi ved fælles

Læs mere

Projekt 9.10 St. Petersborg paradokset

Projekt 9.10 St. Petersborg paradokset Hvad er matematik? ISBN 978877066879 Projekt 9.0 St. Petersborg paradokset. De store tals lov & viderchacer I grudboges kapitel 9 omtales de store tals lov, som ka formuleres således: Hvis e spiller i

Læs mere

Undersøgelse af numeriske modeller

Undersøgelse af numeriske modeller Udersøgelse af umeriske modeller Formål E del af målsætige med dette delprojekt er at give kedskab til de begræsiger, fejl og usikkerheder, som optræder ved modellerig. I de forbidelse er følgede udersøgelse

Læs mere

Forslag til besvarelser af opgaver m.m. i ε-bogen, Matematik for lærerstuderende

Forslag til besvarelser af opgaver m.m. i ε-bogen, Matematik for lærerstuderende Forslag til besvarelser af opgaver m.m. i ε-boge, Matematik for lærerstuderede Dette er førsteudgave af opgavebesvarelser udarbejdet i sommere 008. Dokumetet ideholder forslag til besvarelser af de fleste

Læs mere

Introduktion til uligheder

Introduktion til uligheder Itroduktio til uligheder, marts 0, Kirste Rosekilde Itroduktio til uligheder Dette er e itroduktio til ogle basale uligheder om det aritmetiske geemsit, det geometriske geemsit, det harmoiske geemsit og

Læs mere

24. januar Epidemiologi og biostatistik. Forelæsning 1 Uge 1, tirsdag. Niels Trolle Andersen, Afdelingen for Biostatistik.

24. januar Epidemiologi og biostatistik. Forelæsning 1 Uge 1, tirsdag. Niels Trolle Andersen, Afdelingen for Biostatistik. Epidemiologi og biostatistik. Forelæsig Uge, tirsdag. Niels Trolle Aderse, Afdelige for Biostatistik. Geerelt om kurset: - Formål - Forelæsiger - Øvelser - Forelæsigsoter - Bøger - EpiBasic: http://www.biostat.au.dk/teachig/software

Læs mere

Formelskrivning i Word 2. Sådan kommer du i gang 4. Eksempel med skrivning af brøker 5. Brøker skrevet med småt 6. Hævet og sænket skrift 6

Formelskrivning i Word 2. Sådan kommer du i gang 4. Eksempel med skrivning af brøker 5. Brøker skrevet med småt 6. Hævet og sænket skrift 6 Dee udgave er til geemkig på ettet. Boge ka købes for kr. 5 hos EH-Mat. E y og udvidet udgave med title»symbol- og formelskrivig«er udkommet september 00. Se mere om de her. Idholdsfortegelse Formelskrivig

Læs mere

Bilag 5: DEA-modellen Bilaget indeholder en teknisk beskrivelse af DEA-modellen

Bilag 5: DEA-modellen Bilaget indeholder en teknisk beskrivelse af DEA-modellen Bilag 5: DEA-odelle Bilaget ideholder e teis besrivelse af DEA-odelle FRSYNINGSSERETARIATET FEBRUAR 2013 INDLEDNING... 3 INPUTSTYRET DEA-MDEL... 3 UTPUTSTYRET DEA-MDEL... 7 SALAAFAST... 12 2 Idledig Data

Læs mere

Statistik Lektion 7. Hypotesetest og kritiske værdier Type I og Type II fejl Styrken af en test Sammenligning af to populationer

Statistik Lektion 7. Hypotesetest og kritiske værdier Type I og Type II fejl Styrken af en test Sammenligning af to populationer Statistik Lektio 7 Hpotesetest og kritiske værdier Tpe I og Tpe II fejl Strke af e test Sammeligig af to populatioer 1 Tri I e Hpotesetest E hpotesetest består af 5 elemeter: I. Atagelser Primært hvilke

Læs mere

Elementær Matematik. Ligninger og uligheder

Elementær Matematik. Ligninger og uligheder Elementær Mtemtik Ligninger og uligheer Ole Witt-Hnsen 0 Inhol. Førstegrsligninger.... Nulreglen.... Uligheer og regning me uligheer.... Doeltuligheer.... Anengrsligningen... Ligninger og uligheer. Førstegrsligninger

Læs mere

Dagens program. Estimation: Kapitel Eksempler på middelrette og/eller konsistente estimator (de sidste fra sidste forelæsning)

Dagens program. Estimation: Kapitel Eksempler på middelrette og/eller konsistente estimator (de sidste fra sidste forelæsning) Dages program Estimatio: Kapitel 9.4-9.7 Eksempler på middelrette og/eller kosistete estimator (de sidste fra sidste forelæsig) Ko desiterval for store datasæt kap. 9.4 Ko desiterval for små datasæt kap.

Læs mere

Kvantitative metoder 2

Kvantitative metoder 2 Dages program Kvatitative metoder De multiple regressiosmodel 6. februar 007 Emet for dee forelæsig er de multiple regressiosmodel (Wooldridge kap 3.- 3.+appedix E.) Defiitio og motivatio Fortolkig af

Læs mere

August 2012 AKTIVERING. for dig under 30 F O A S A R B E J D S L Ø S H E D S K A S S E

August 2012 AKTIVERING. for dig under 30 F O A S A R B E J D S L Ø S H E D S K A S S E F O A S A R B E J D S L Ø S H E D S K A S S E August 2012 AKTIVERING for dig uder 30 INDHOLD 1. Du er uder 25 år er ude uddaelse og har ige bør side 4 2. Du er uder 25 år er ude uddaelse og har bør side

Læs mere

Mikroøkonomi, matematik og statistik Eksamenshjemmeopgave 14. 20. december 2007

Mikroøkonomi, matematik og statistik Eksamenshjemmeopgave 14. 20. december 2007 Mikroøkoomi, matematik og statistik Eksameshjemmeopgave 14. 20. december 2007 Helle Buzel, Tom Egsted og Michael H.J. Stæhr 14. december 2007 R E T N I N G S L I N I E R F O R E K S A M E N S H J E M M

Læs mere

STATISTIKNOTER Simple normalfordelingsmodeller

STATISTIKNOTER Simple normalfordelingsmodeller STATISTIKNOTER Simple ormalfordeligsmodeller Jørge Larse IMFUFA Roskilde Uiversitetsceter Februar 1999 IMFUFA, Roskilde Uiversitetsceter, Postboks 260, DK-4000 Roskilde. Jørge Larse: STATISTIKNOTER: Simple

Læs mere

Noter om kombinatorik, Kirsten Rosenkilde, februar Kombinatorik

Noter om kombinatorik, Kirsten Rosenkilde, februar Kombinatorik Noter om ombiatori, Kirste Roseilde, februar 008 Kombiatori Disse oter er e itrodutio til ombiatori og starter helt fra bude, så e del af det idledede er siert edt for dig allerede, me der ommer også hurtigt

Læs mere

13. februar Resumé: En statistisk analyse resulterer ofte i : Et estimat ˆ θ med en tilhørende se( ˆ θ )

13. februar Resumé: En statistisk analyse resulterer ofte i : Et estimat ˆ θ med en tilhørende se( ˆ θ ) 3. februar 003 Epidemiologi og biostatistik. Uge, torag d. 3. februar 003 Morte Frydeberg, Istitut for Biostatistik. Type og type fejl Nogle specielle metoder: Test i RxC tabeller Test i x tabeller Fishers

Læs mere

Aftale om overførsel af ferie i henhold til ferieaftalen af 21. juni 2012

Aftale om overførsel af ferie i henhold til ferieaftalen af 21. juni 2012 Aftale om overførsel af ferie i henhol til ferieaftalen af 21. juni 2012 Arbejsgiver CVR-nummer 54 P-nummer 4 Navn 54 Vejnavn 54 Husnummer Etage 4 Sie/Dør Postnummer By Mearbejer Uenlansk aresse Fornavn(e)

Læs mere

FUNKTIONER del 1 Funktionsbegrebet Lineære funktioner Eksponentialfunktioner Logaritmefunktioner Rentesregning Indekstal

FUNKTIONER del 1 Funktionsbegrebet Lineære funktioner Eksponentialfunktioner Logaritmefunktioner Rentesregning Indekstal FUNKTIONER del Fuktiosbegrebet Lieære fuktioer Ekspoetialfuktioer Logaritmefuktioer Retesregig Idekstal -klassere Gammel Hellerup Gymasium November 08 ; Michael Szymaski ; mz@ghg.dk Idholdsfortegelse FUNKTIONSBEGREBET...

Læs mere

Prisfastsættelse af digitale goder - Microsoft

Prisfastsættelse af digitale goder - Microsoft Iteretøkoomi: risfastsættelse af digitale goder Afleveret d. 9 maj 003 Af Julie ech og Malee Aja org risfastsættelse af digitale goder - Microsoft Af Julie ech og Malee Aja org.0.0 DIGITALE GODER....0.0

Læs mere

Sandsynlighedsregning i biologi

Sandsynlighedsregning i biologi Om begrebet sadsylighed Sadsylighedsregig i biologi Hvis vi kaster e almidelig, symmetrisk terig, er det klart for de fleste af os, hvad vi meer, år vi siger, at sadsylighede for at få e femmer er 1/6.

Læs mere

Økonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 15. februar 2006

Økonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 15. februar 2006 Dages program Økoometri De multiple regressiosmodel 5. februar 006 Emet for dee forelæsig er de multiple regressiosmodel (Wooldridge kap 3.-3.3+appedix E.-E.) Defiitio og motivatio Fortolkig af parametree

Læs mere

Taylors Formel og Rækkeudviklinger

Taylors Formel og Rækkeudviklinger Tylors Formel og Ræeuviliger Køge Gymsium Ole Wi-Hse Iol. Tylors ormel... Ræeuviliger or e.. Ræeuviliger or si og cos.. Ræeuviliger or l... Ræeuviliger or + α 6. Ræeuviliger or si - og -..6 Tylors Formel.

Læs mere

29. januar Epidemiologi og biostatistik Forelæsning 2 Uge 1, torsdag 2. februar 2006 Michael Væth, Afdeling for Biostatistik.

29. januar Epidemiologi og biostatistik Forelæsning 2 Uge 1, torsdag 2. februar 2006 Michael Væth, Afdeling for Biostatistik. Epidemiologi og biostatistik Forelæsig Uge 1, torsdag. februar 006 ichael Væth, Afdelig for Biostatistik. Sammeligig af to middelværdier sikkerhedsitervaller statistisk test Sammeligig af to proportioer

Læs mere

Den flerdimensionale normalfordeling

Den flerdimensionale normalfordeling De flerdimesioale ormalfordelig Stokastiske vektorer Ved e stokastisk vektor skal vi forstå e vektor, hvor de ekelte kompoeter er sædvalige stokastiske variable. For de stokastiske vektor Y = Y,..., Y

Læs mere

Maja Tarp AARHUS UNIVERSITET

Maja Tarp AARHUS UNIVERSITET AARHUS UNIVERSITET Maja Tarp AARHUS UNIVERSITET HVEM ER JEG? Maja Tarp, 4 år Folkeskole i Ulsted i Nordjyllad Studet år 005 fra Droiglud Gymasium Efter gymasiet: Militæret Australie Startede på matematik

Læs mere

Program. Ensidet variansanalyse Normalfordelingen. Antibiotika og nedbrydning af organisk materiale. Tegninger

Program. Ensidet variansanalyse Normalfordelingen. Antibiotika og nedbrydning af organisk materiale. Tegninger Faculty of Life Scieces Program Esidet variasaalyse Normalfordelige Claus Ekstrøm E-mail: ekstrom@life.ku.dk Esidet variasaalyse (oe-way ANOVA) Hvilke type data? Hvad er problemstillige? Variatio mellem

Læs mere

Estimation ved momentmetoden. Estimation af middelværdiparameter

Estimation ved momentmetoden. Estimation af middelværdiparameter Statistik og Sadsylighedsregig 1 STAT kapitel 4.2 4.3 Susae Ditlevse Istitut for Matematiske Fag Email: susae@math.ku.dk http://math.ku.dk/ susae Estimatio ved mometmetode Idimellem ka det være svært (eller

Læs mere

30. august Epidemiologi og biostatistik. Forelæsning 3 Uge 2, torsdag d. 8. september 2005 Michael Væth, Afdeling for Biostatistik.

30. august Epidemiologi og biostatistik. Forelæsning 3 Uge 2, torsdag d. 8. september 2005 Michael Væth, Afdeling for Biostatistik. 30. august 005 Epidemiologi og biostatistik. Forelæsig 3 Uge, torag d. 8. september 005 Michael Væth, Afdelig for Biostatistik. Mere om kategoriske data Test for uafhægighed I RxC tabeller Test for uafhægighed

Læs mere

Statistik 8. gang 1 KONFIDENSINTERVALLER. Konfidensintervaller: kapitel 11. Valg og test af fordelingsfunktion

Statistik 8. gang 1 KONFIDENSINTERVALLER. Konfidensintervaller: kapitel 11. Valg og test af fordelingsfunktion Statistik 8. gag 1 KONIDENSINTERVALLER Kofidesitervaller: kapitel 11 Valg og test af fordeligsfuktio Statistik 8. gag 11. KONIDENS INTERVALLER Et kofides iterval udtrykker itervallet hvori de rigtige værdi

Læs mere