Algoritmedesign Den grådige metode
|
|
- Thorvald Torp
- 6 år siden
- Visninger:
Transkript
1 Agortmedesg De grådge metode 1 De grådge metode De grådge metode Et probem øses ved at foretage e række besutger Besutgere træffes e ad gage e eer ade rækkeføge Hver besutg er baseret på et grådgedskrterum Når e besutg er truffet, ædres de (sædvagvs) kke seere De grådge metode er et geeret paradgme t agortmedesg, der bygger på føgede to eemeter: Kofguratoer: forskege sæt af værder, der ska fdes Objektfukto: e score kyttet t kofguratoere, som v øsker at maksmere eer mmere Metode vrker bedst, år de avedes på probemer, der ar grådgt-vag-egeskabe: E gobat optma øsg ka atd fdes ved e række okae forbedrger ud fra e startkofgurato 3 4
2 Møtveksg Det fraktoee rygsækprobem Probem: Et beøb, der ska opås, og e samg møter, der ka bruges for at opå dette beøb Kofgurato: Det beøb, der edu mager at bve gvet t kude, pus de møter, der aerede er gvet Objektfukto: Ataet af møter (ska mmeres) Grådg metode: Beyt atd de størst muge møt Eksempe 1: Møtere er 1, 5, 10 og 5 cet Har grådgt-vag-egeskabe. tet beøb over 5 cet ka opås med et mmat ata møter ude brug af 5-cet møte (tsvarede for beøb uder 5 cet, me over 10 cet, og beøb uder 10 cet me, over 5 cet) Eksempe : Møtere er 1, 5, 10, 1 og 5 cet Har kke grådgt-vag-egeskabe. Beøbet 4 cet opås bedst med to 1 cet møter, me de grådge agortme gver e øsg med 5 møter (vke?) 5 Gvet: E mægde S af emer, vor vert eme ar b - e postv ytteværd (beeft) w - e postv vægt (wegt) Må: Væg emer med maksma samet ytteværd, me med samet vægt på øjst W Hvs det er mugt at tage vkårge brøkdee af emere, er der tae om det fraktoee rygsækprobem Lad x betege de mægde, v tager af emet (0 x w ) Må: Maksmer b ( x w ) "S Begræsg: " S x # W 6 Eksempe Agortme for det fraktoee rygsækprobem Emer: Vægt: Nytteværd: Værd: 3 (kr per m) m 8 m m 6 m 1 m 1 kr 3 kr 40 kr 30 kr 50 kr m rygsæk Løsg: 1 m af 5 m af 3 6 m af 4 1 m af Grådgt vag: Tag atd det eme, der ar størst værd (forodet meem ytteværd og vægt) " S b ( x w ) ( b w ) x " S Køretd: O( og ). Hvorfor? Korrekted: Atag, at der e bedre øsg, d.v.s. der fdes et eme med øjere værd ed et vagt eme j (x j > 0 og v > v j ), me vor x < w. Hvs v erstatter oget af j med oget af, ka v opå e bedre øsg. Hvor meget af eme ka v erstatte ude at ædre de samede vægt? Svar: m{w -x, x j Agortm fractoakapsack(s, W) put: set S of tems wt beeft b ad wegt w ; max. wegt W Output: amout x of eac tem to maxmze beeft wt wegt at most W for eac tem S do x 0 v b w {vaue w 0 {tota wegt we w < W do remove tem wt gest v x m{w, W - w w w x 7 8
3 Paægg af opgaver Agortme t opgavepaægg Gvet: e mægde T af opgaver (tasks), der ver ar et starttdspukt, s et suttdspukt, f (vor s < f ) Må: Udfør ae opgavere ved brug af så få masker som mugt Maske 3 Maske Maske Grådgt vag: ord opgavere efter deres starttdspukt og brug så få masker som mugt med dee rækkeføge Køretd: O( og ). Hvorfor? Korrekted: Atag, at der fdes e bedre pa, d.v.s. agortme fder e øsg med m masker, me der fdes e øsg med m-1 masker. Lad m være de sdste maske, der aokeres af agortme, og ad være de første opgave, der udføres på dee maske. Opgave må være kofkt med m-1 adre opgaver. Der fdes derfor ge pa med ku m-1 masker. Agortm taskscedue(t) put: set T of tasks wt start tme s ad fs tme f Output: o-cofctg scedue wt mmum umber of maces m 0 {o. of maces we T s ot empty do remove task wt smaest s f tere s a mace j for te scedue o mace j ese m m 1 scedue o mace m 9 10 Eksempe Gvet: e mægde T af opgaver (tasks), der ver ar et starttdspukt, s et suttdspukt, f (vor s < f ) [1,4], [1,3], [,5], [3,7], [4,7], [6,9], [7,8] (ordet efter starttdspukt) Må: Udfør ae opgavere ved brug af så få masker som mugt De-og-ersk " " " 4 9 Maske 3 Maske Maske 1 7 " 7 " 9 " 9 4 "
4 De-og-ersk Merge-sort (tbagebk) De-og-ersk er et geeret paradgme t agortmedesg De: opde ddata S to eer fere dsjukte demægder, S 1, S,... Løs: øs deprobemere rekursvt Hersk: komber øsgere for S 1, S,... t e øsg for S Basstfædet for rekursoe er deprobemer af tpas e størrese Merge-sort på e put-sekves S med eemeter består at tre tr: De: opde S to sekveser, S 1 og S, ver med crka eemeter Løs: sorter rekursvt S 1 og S Hersk: fet S 1 og S t e sorteret sekves Agortm mergesort(s, C) put sequece S wt eemets, comparator C Output sequece S sorted accordg to C f S.sze() > 1 (S 1, S ) partto(s, ) mergesort(s 1, C) mergesort(s, C) S merge(s 1, S ) Aayse ka foretages ved jæp af rekursosgger Aayse med rekursosgger teratv substtuto Hersk-tret merge-sort består fetg af to sorterede sekveser, ver med eemeter Hvs der beyttes e ægtet ste, ka det gøres med øjst b skrdt for e kostat værd b Basstfædet bruger øjst b skrdt Hvs T() beteger køretde for merge-sort, ar v: " b vs < T() # $ T( ) b vs V ka derfor aaysere køretde for merge-sort ved at fde e øsg på ukket form for dee gg (d.v.s. e øsg, vor T() ku forekommer på vestre sde af gedsteget) Ved tekkke teratv substtuto aveder v getage gage rekursosgge på sg sev for at fde et møster: T() T( ) b (T( ) b( )) b T( ) b 3 T( 3 ) 3b 4 T( 4 ) 4b... T( ) b Basstfædet dtræffer, år, d.v.s. og T ( ) b b og V ka derfor kokudere, at T() er O( og ) 15 16
5 Rekursostræ Gæt-og-test-metode Teg rekursostræet for rekursosgge og ed efter et møster: dybde 0 1 kad 1 størrese " b vs < T() # $ T( ) b vs td b b b Samet td b b og (sdste veau pus ae foregåede veauer ) Ved gæt og test-metode gætter v på e ukket form og prøver at bevse, at de er sad ved jæp af dukto: Gæt: T() < c og " b vs < T() # $ T( ) b og vs T () T ( ) b og < (c( )og( )) b og c(og og ) b og c og c b og Forkert: v ka kke vse, at udtrykket de sdste je er mdre ed c og Gæt-og-test-metode (de ) " b vs < T() # $ T( ) b og vs Gæt : T() < c og T () T ( ) bog Så T() er O( og ) < (c( )og ( )) bog c(og og ) b og c og c og c bog " c og vs c > b For at bruge dee metode ska ma være god t at gætte og god t at føre duktosbevser Mestermetode Mage de-og-ersk rekursosgger ar forme " c vs < d T() # $ at( b) f () vs d Mestersætge: 1. f () er O( og b a" ) # T() er $( og b a ). f () er $( og b a og k ) # T() er $( og b a og k 1 ) 3. f () er %( og b a " ) # T() er $( f ()) forudsat &' <1: af ( b) ( 'f () for ) d 19 0
6 Mestermetode, eksempe 1 Form " c vs < d T() # $ at( b) f () vs d Mestersætge: 1. f () er O( og b a" ) # T() er $( og b a ). f () er $( og b a og k ) # T() er $( og b a og k 1 ) 3. f () er %( og b a " ) # T() er $( f ()) forudsat &' <1: af ( b) ( 'f () for ) d Eksempe: T ( ) 4T ( ) Løsg: og b a. Tfæde 1 sger, at T() er ( ) Mestermetode, eksempe Form " c vs < d T() # $ at( b) f () vs d Mestersætge: 1. f () er O( og b a" ) # T() er $( og b a ). f () er $( og b a og k ) # T() er $( og b a og k 1 ) 3. f () er %( og b a " ) # T() er $( f ()) forudsat &' <1: af ( b) ( 'f () for ) d Eksempe: T ( ) T ( ) og Løsg: og b a 1. Tfæde sger, at T() er ( og ) 1 Mestermetode, eksempe 3 Form " c vs < d T() # $ at( b) f () vs d Mestersætge: 1. f () er O( og b a" ) # T() er $( og b a ). f () er $( og b a og k ) # T() er $( og b a og k 1 ) 3. f () er %( og b a " ) # T() er $( f ()) forudsat &' <1: af ( b) ( 'f () for ) d Eksempe: T ( ) T ( 3) og Løsg: og b a 0. Tfæde 3 sger, at T() er ( og ) Mestermetode, eksempe 4 Form " c vs < d T() # $ at( b) f () vs d Mestersætge: 1. f () er O( og b a" ) # T() er $( og b a ). f () er $( og b a og k ) # T() er $( og b a og k 1 ) 3. f () er %( og b a " ) # T() er $( f ()) forudsat &' <1: af ( b) ( 'f () for ) d Eksempe: T ( ) 8T ( ) Løsg: og b a 3. Tfæde 1 sger, at T() s ( 3 ) 3 4
7 Mestermetode, eksempe 5 Form " c vs < d T() # $ at( b) f () vs d Mestersætge: 1. f () er O( og b a" ) # T() er $( og b a ). f () er $( og b a og k ) # T() er $( og b a og k 1 ) 3. f () er %( og b a " ) # T() er $( f ()) forudsat &' <1: af ( b) ( 'f () for ) d Mestermetode, eksempe 6 Form " c vs < d T() # $ at( b) f () vs d Mestersætge: 1. f () er O( og b a" ) # T() er $( og b a ). f () er $( og b a og k ) # T() er $( og b a og k 1 ) 3. f () er %( og b a " ) # T() er $( f ()) forudsat &' <1: af ( b) ( 'f () for ) d Eksempe: T ( ) 9T ( 3) 3 Eksempe: T ( ) T ( ) 1 (bær søgg) Løsg: og b a 3. Tfæde 3 sger, at T() s ( 3 ) Løsg: og b a 0. Tfæde sger, at T() s (og ) 5 6 Mestermetode, eksempe 7 Form " c vs < d T() # $ at( b) f () vs d Mestersætge: 1. f () er O( og b a" ) # T() er $( og b a ). f () er $( og b a og k ) # T() er $( og b a og k 1 ) 3. f () er %( og b a " ) # T() er $( f ()) forudsat &' <1: af ( b) ( 'f () for ) d Eksempe: T ( ) T ( ) og (ob-kostrukto) Løsg: og b a 1. Tfæde 1 sger, at T() s () 7 teratvt bevs for mestersætge Ved jæp af teratv substtuto fdes et møster: T ( ) at ( b) f ( ) a( at ( b )) f ( b)) b a T ( b ) af ( b) f ( ) 3 3 a T ( b ) a... a ogb ogb a T (1) T (1) (og ) " 1 b 0 (og ) " 1 b 0 f ( b ) af ( b) f ( ) a f ( b ) a f ( b ) V skeer meem tre tfæde: 1. Det første ed summe er domerede. Ledee summatoe er ge domerede 3. Summatoe er e kvotetrække 8
8 9 Hetasmutpkato Agortme: Mutpcer to -bt eta og Opdeg: Opspt og øjordes- og avordes-bts: ) )*( ( * V ka så bestemme * ved at mutpcere deee og addere: T() 4T() c, vket medfører, at T() er ( ) Me det er kke bedre ed de agortme, v ærte skoe 30 Forbedret agortme Agortme: Mutpcer to -bt eta og Opdeg: Opspt og øjordes- og avordes-bts: ) ( ] ) [( ] ) )( [( * Der fdes e ade måde at mutpcere deee: T() 3T() c, vket medfører, at T() er ( ) T() er ( ) og 3 Med FFT ka opås e ( og ) agortme 31 Dyamsk programmmerg 3 De-og-ersk (top-t-bud, top-dow): For at øse et stort probem dees probemet op mdre deprobemer, der øses uafæggt af ade Dyamsk programmerg Dyamsk programmerg (bud-t-top, bottom-up): For at øse et stort probem øses ae mdre deprobemer, og deres øsger gemmes og beyttes t at øse større probemer. Såedes fortsættes, dt probemet er øst Betegese stammer fra operatosaayse, vor programmerg beyttes om formuerg af et probem, såedes at e bestemt metode ka avedes
9 Modere defto Dyamsk programmerg: Bud-t-top mpemeterg af rekursve programmer med overappede deprobemer Top-t-bud mpemeterg er dog også mug Dyamsk programmerg er baseret på føgede smpe prcp: Udgå at getage beregger Beregg af Fboacc-ta (Fboacc, 10) F() F(-1) F(-) for > F(0) 0 F(1) Tarække vokser ekspoetet: F()F(-1) går mod (det gyde st (1 5)) Top-t-bud-tgag t F(t ) { retur < 1? : F(-1) F(-); Udgå geberegger (beyt cacg ) Vedgeod e tabe (dceret ved parameterværde) deodede * 0, vs de rekursve metode edu kke er kadt med dee parameterværd * eers det resutat, der ska retureres Smpe, me meget effektv Ataet af kad, C(), tfredsster rekursosggere C() C(-1) C(-) 1, C(1) C(0) 1 som ar øsge C() F() F(-1) - 1. C() er atså større ed det Fboacc-ta, der ska bereges effektvtete skydes, at de samme deprobemer øses mage gage F.eks. F(9) F(8) F(7) F(7) F(6) F(7) F(6) F(5) F(6) F(6) F(5) Første kad af metode for e gve parameterværd: bereg som før, me gem desude resutatet Efterføgede kad med samme parameterværd: returer resutatet fra det første kad t F(t ) { f (Fkow[] 0) retur Fkow[]; t r < 1? : F(-1) F(-); Fkow[] r; retur r; 35 36
10 Effektvtetsforbedrg Bud-t-top-tgag Smpe rekursv metode: F(9) Husk kedte resutater: Køretd: ekspoete Køretd: eær 37 Dyamsk programmerg (tradtoe): * Tabeæg øsgere t deprobemere * Opbyg tabee stgede orde af probemstørrese * Beyt gemte øsger t at bestemme ye øsger Eksempe: Dyamsk programmerg t beregg af Fboacc-ta: F[0] 0; F[1] 1; for ( ; < ; ) F[] F[-1] F[-]; Tdsforbruget er eært 38 Optma møtveksg Top-t-bud-øsg Udbeta et beøb møter, såedes at ataet af møter er mmat Bereg for ver møt det mmae ata møter, der ka beyttes t at vekse det resterede beøb. Tag mmum Eksempe: Hvs beøbet ska udbetaes amerkaske cets, ka møtere 1-, 5-, 10- og 5-cet beyttes Veksg af 63 cets ka da foretages med 6 møter, emg to 5-cet, e 10-cet og tre 1-cet For dsse møter v e grådg agortme atd gve e optma øsg Me vs der dføres e 1-cet-møt, vrker dee metode kke t[] cos {1, 5, 10, 1, 5; t makecage(t cage) { f (cage 0) retur 0; t m teger.max_value; for (t 0; < cos.egt; ) f (cage > cos[]) m Mat.m(m, 1 makecage(cage - cos[])); retur m; Beyt kke dee agortme Ekspoetet tdsforbrug. Udgå geberegger
11 Gebrug kedte øsger t makecage(t cage) { f (cage < 0) retur 0; f (mkow[cage] > 0) retur mkow[cage]; t m teger.max_value; for (t 0; < cos.egt; ) f (cage > cos[]) m Mat.m(m, 1 makecage(cage - cos[])); mkow[cage] m; retur m; Udskrvg af møtere e optma veksg Gem e tabe, astco, for etvert beøb de sdst vagte møt e optma veksg af beøbet we (cage > 0) { System.out.prt(astCo[cage]); cage - astco[cage]; 41 4 t makecage(t cage) { f (cage < 0) retur 0; f (mkow[cage] > 0) retur mkow[cage]; t m teger.max_value, mco 0; for (t 0; < cos.egt; ) f (cage > cos[]) { t m 1 makecage(cage - cos[]); f (m < m) { m m; mco cos[]; astco[cage] mco; mkow[cage] m; retur m; 43 Bud-t-top-øsg (ude rekurso) Brug fude øsger t at bestemme de æste øsg t makecage(t cage) { mkow[0] 0; for (t c 1; c < cage; c) { t m teger.max_value; for (t 0; < cos.egt; ) f (c > cos[]) m Mat.m(m, 1 mkow[cage - cos[]]); mkow[c] m; retur mkow[cage]; Køretde er proportoa med cage*cos.egt 44
12 Matrx-kædeprodukter Matrx-kædeprodukter Dyamsk programmerg er et geeret paradgme t agortmedesg Matrxmutpkato: C A*B A er d x e, og B er e x f e 1 " C[, j] k Køretde er O(def ) 0 A[, k]* B[ k, j] d A e e B C f j,j d Matrx-kædeprodukt: Bereg A A 0 *A 1 * *A -1 A er d x d 1 Probem: Hvor ska paretesere paceres? Eksempe: B er 3 x 100 C er 100 x 5 D er 5 x 5 (B*C)*D bruger mutpkatoer B*(C*D) bruger mutpkatoer f Et større eksempe A er e 13 x 5 matrx B er e 5 x 89 matrx C er e 89 x 3 matrx D er e 3 x 34 matrx ((AB)C)D : AB : 13*5* mutpkatoer (AB)C : 13*89* mutpkatoer ((AB)C)D : 13*3* mutpkatoer at 1058 mutpkatoer E opregede metode Matrx-kædeprodukt agortme: Prøv ae mug måder at sætte pareteser A 0 *A 1 * *A -1 Bereg ataet af operatoer for ver muged Væg de, der er bedst Køretd: Ataet af mugeder er g med ataet af bære træer med kuder Noge adre mugeder: (AB)(CD) : 5401 mutpkatoer A((BC)D) : 4055 mutpkatoer A(B(CD)) : 6418 mutpkatoer (A(BC))D : 856 mutpkatoer (optmum) Dette ta vokser ekspoetet Det kades for det cataaske ta og er æste 4 ((4 3 )) Dette er er e rædsesfud agortme 47 48
13 E grådg metode E ade grådg metode de 1: Væg produktere et ad gage. Væg atd det produkt, der (for)bruger fest mutpkatoer de : Væg produktere et ad gage. Væg atd det produkt, der kræver færrest mutpkatoer Modeksempe: A er 10 x 5 B er 5 x 10 C er 10 x 5 D er 5 x 10 de 1 gver (A*B)*(C*D), som bruger mutpkatoer Me A*((B*C)*D) bruger færre, emg mutpkatoer Modeksempe: A s 101 x 11 B s 11 x 9 C s 9 x 100 D s 100 x 99 de gver A*((B*C)*D), som bruger mutpkatoer Me (A*B)*(C*D) bruger færre, emg mutpkatoer E rekursv metode E karakterserede gg Defer deprobemer: Fd de bedste paretespacerg for A *A 1 * *A j Lad N,j betege ataet af mutpkatoer, der foretages for dette deprobem Det mmae ata mutpkatoer for ee probemet er N 0,-1 Optmatet af deprobemer: De optmae øsg ka deferes termer af optmae deprobemer Der må ødvedgvs være e sdste mutpkato for de optmae øsg (rod udtrykstræet) Atag at det sdste produkt sker ved deks : (A 0 * *A )*(A 1 * *A -1 ) Da er de optmae øsg N 0,-1 g med summe af N 0, og N 1,-1, pus ata mutpkatoer for de sdste matrxmutpkato Det gobae optmum må være deferet termer af optmae deprobemer, der afæger af, vor de sdste mutpkato foretages Prøv ae muge pacerger for de sdste mutpkato: Der mdes om, at A er e d x d 1 matrx E karakterserede gg for N,j er: N, j m{n,k N k 1, j d d k 1 d j 1 k< j Bemærk, at deprobemere kke er uafægge - deprobemere overapper 51 5
14 E dyamsk programmergsagortme Vsuaserg af agortme Da deprobemere overapper, bruger v kke rekurso stedet for kostrueres e optma øsg bottom-up Værdere N, er ette at bestemme, så dem starter v med Så bereges værder for deprobemer med ægde, 3,... o.s.v Køretd: O( 3 ) Agortm matrxca(s): put: sequece S of matrces to be mutped Output: umber of operatos a optma paraetzato of S for 1 to -1 do N, 0 for b 1 to -1 do for 0 to -b-1 do j b N,j fty for k to j-1 do N,j m{n,j, N,k N k1,j d d k1 d j1 Arrayet N fydes dagoavs N,j får værd fra tdgere dgage de te række og j te søje Beregg af vert eemet tabee tager O() td Køretd: O( 3 ) De fude paretespacerg ka gøres tgægeg ved at uske k s værd for vert eemet N N, j m{n,k N k 1, j d d k 1 d j 1 k< j N j? -1 b b 1 svar De geeree tekk t dyamsk programmerg Avedes på et probem, der først syes at kræve e masse td (mugvs ekspoete), forudsat at v ar Smpe deprobemer: deprobemer ka deferes termer af få varabe, såsom, j, k,, m o.s.v. Deprobem-optmatet: det gobae optmum ka deferes termer af optmae deprobemer Deprobem-overap: deprobemere er kke uafægge, me overapper (og ska derfor kostrueres bottom-up ) 0-1-rygsækprobemet Gvet: E mægde S af emer, vor vert eme ar b - e postv ytteværd (beeft) w - e postv vægt (wegt) Må: Væg emer med maksma samet ytteværd, me med samet vægt på øjst W Hvs det kke er mugt at tage vkårge brøkdee af emere, er der tae om 0-1-rygsækprobemet Lad T betege mægde af de emer, v væger Må: Maksmer Begræsg: " T # "T b w W 55 56
15 Emer: Vægt: Nytteværd: Eksempe Gvet: E mægde S af emer, vor vert eme ar b - e postv ytteværd (beeft) w - e postv vægt (wegt) Må: Væg emer med maksma samet ytteværd, me med samet vægt på øjst W cm 4 cm 4 cm 1 cm 4 cm 0 kr 3 kr 6 kr 5 kr 80 kr 18 cm rygsæk Løsg: 5 (4 cm) 3 (4 cm) 1 (8 cm) E agortme (første forsøg) Lad S k være mægde af de emer S, der er ummereret fra 1 t k Defer B[k] værd af bedste demægde af S k Der er kke deprobem-optmatet: Betragt S{(3,), (5,4), (8,5), (4,3), (10,9) vægt-ytteværd par Bedste for S 4 : Bedste for S 5 : E agortme (adet forsøg) Lad S k være mægde af de emer S, der er ummereret fra 1 t k Defer B[k,w] værd af bedste demægde af S k med vægt w Der er deprobem-optmatet De bedste demægde af S k med vægt w er ete de bedste demægde af S k-1 med vægt w, eer de bedste demægde af S k-1 med vægt w-w k, pus emet k: " B[k 1,w] B[k,w] # $ max{b[k 1,w], B[k 1,w w k ] b k vs w k > w eers Agortme for 0-1-rygsækprobemet Da B[k,w] er deferet termer af B[k-1,*], ka v bruge et edmesoat array Køretd: O(W) " B[k 1,w] B[k,w] # $ max{b[k 1,w], B[k 1,w w k ] b k Er kke e poyome agortme, vs W er stor Der er tae om e såkadt pseudopoyome agortme vs w k > w eers Agortm 01Kapsack(S, W): put: set S of tems w beeft b ad wegt w ; max. wegt W Output: beeft of best subset wt wegt at most W for w 0 to W do B[w] 0 Fej æreboge for k 1 to do for w w k to W do B[w] max{b[w], B[w-w k ]b k 59 60
16 Desgtekkker De-og-ersk probem af størrese deprobem 1 af størrese deprobem af størrese øsg af deprobem 1 øsg af deprobem øsg af det oprdege probem 61 6 Formdsk-og-ersk Trasformer-og-ersk probem af størrese probem deprobem af størrese - 1 trasformeret probem øsg af deprobem øsg af det trasformerede probem øsg af det oprdege probem øsg af det oprdege probem 63 64
Den grådige metode 2
Algoritmedesig 1 De grådige metode De grådige metode Et problem løses ved at foretage e række beslutiger Beslutigere træffes e ad gage i e eller ade rækkefølge Hver beslutig er baseret på et grådighedskriterium
Læs mereVideregående Algoritmik. David Pisinger, DIKU. Reeksamen, April 2005
Vderegåede Algortmk Davd Psger, DIKU Reeksame, Aprl 5 Bsecto problemet Gvet e uvægtet graf G = (V, E) samt et heltal k. E bsecto af grafe G er e opdelg af kudere V to lge store mægder S og T. MAX-BISECTION
Læs mereInduktionsbevis og sum af række side 1/7
Iduktosbevs og sum af række sde /7 Skrver ma,,,...,,..., =, 2, 3,... 2 3 taler ma om e talfølge, eller blot e følge. Adre eksempler på følger er, -,, -,, -,..., (-) +,..., =, 2, 3,..., 2, 3, 4,...,,...,
Læs mereMen tilbage til regression og Chi-i-anden. test. Begge begreber refererer til normalfordelingen med middelværdi μ og spredning σ.
χ test matematkudervsge χ - test gymasets matematkudervsg I jauar ummeret 8 af LMFK bladet havde jeg e artkel, hvor jeg harcelerede ldt over, at regresso og sær χ fordelg havde fudet dpas matematkudervsge
Læs mereKvalitet af indsendte måledata
Notat ELT2004-112 Aktørafregg Dato: 23. aprl 2004 Sagsr.: 5584 Dok.r.: 185972 v1 Referece: NIF/AFJ Kvaltet af dsedte måledata I Damark er det etvrksomhederes opgave at måle slutforbrug, produkto og udvekslg
Læs mereScorer FCK "for mange" mål i det sidste kvarter?
Uge 7 I Teoretsk Statstk, 9. aprl 2004. Hvor er v? Hvor var v: opstllg af statstske modeller Hvor skal v he: tro om estmato og test 2. Eksempel: FCK Estmato (tutvt) Test Maksmum lkelhood estmato Scorer
Læs mereBEVISER TIL KAPITEL 7
BEVISER TIL KAPITEL 7 A. Komplemetærhædelse Det er klart, at e hædelse A og de komplemetære hædelse A udgør hele udfaldsrummet U, dvs. A A = Da fås P(U = U P(A A = P (A + P(A = da de to hædelser er dsjukte
Læs mereLøsningsforslag 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 merex-klasserne Gammel Hellerup Gymnasium
SANDSYNLIGHEDSREGNING OG KOMBINATORIK x-klassere Gammel Hellerup Gymasum Idholdsfortegelse SANDSYNLIGHEDSREGNING... 3 Sadsylghedsfelt... 3 Edelge sadsylghedsfelter (sadsylghedsfordelger):... 3 Uedelge
Læs mereØkonometri 1. For mange variable i modellen. For få variable. Dagens program. Den multiple regressionsmodel 21. september 2004
Dages program Økoometr De multple regressosmodel. september 004 Emet for dee forelæsg er stadg de multple regressosmodel (Wooldrdge kap. 3.4-3.5) Praktske bemærkg Opsamlg fra sdst Irrelevate varable og
Læs mereKombinatorik. 1 Kombinationer. Indhold
Kombator, marts 04, Krste Roselde Georg Mohr-Kourrece Kombator Kombator går ud på at tælle atallet af ombatoer af et eller adet, og for at ue tælle atallet af ombatoer smart har ma brug for forsellge tællestrateger
Læs mereØkonometri 1. Funktionel form. Funktionel form (fortsat) Dagens program. Den simple regressionsmodel 14. september 2005
Dages program Økoometr De smple regressosmodel 4. september 5 Dee forelæsg drejer sg stadg om de smple regressosmodel (Wooldrdge kap.4-.6) Fuktoel form Hvorår er OLS mddelret? Varase på OLS estmatore Regressosmodelle
Læs mereØkonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 21. september 2005
Dages program Økoometr De multple regressosmodel. september 005 Emet for dee forelæsg er de multple regressosmodel (Wooldrdge kap 3.-3.3+appedx E.-E.) Defto og motvato Fortolkg af parametree de multple
Læs mereFå 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 mereElementær Matematik. Sandsynlighedsregning
lemetær Matematk Sadsylghedsregg Ole Wtt-Hase Køge Gymasum 008 INDHOLD KAP. KOMBINATORIK.... MULTIPLIKATIONS- OG ADDTIONSPRINCIPPT.... PRMUTATIONR... 3. KOMBINATIONR...3 KAP. NDLIGT SANDSYNLIGHDSFLT...7.
Læs mereStatistisk analyse. Vurdering af usikkerhed i forbindelse med statistiske opgørelser forudsætter:
Statstsk aalyse Vurderg af uskkerhed forbdelse med statstske opgørelser forudsætter: Kvattatve mål for varato og spredg forbdelse med statstske opgørelser varas og stadardafvgelse Kvattatve mål for tlfældgheder
Læs mereNoter 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 mereFACITLISTE TIL KOMPLEKSE TAL
FACITLISTE TIL KOMPLEKSE TAL Kaptel Opgave Opgave Opgave Det emmeste check af lgge er at opløfte begge sder tl. potes. Bombells metode gver følgede lgger: a a b = 5 ( ) b a b = 09 = 7. Løs dem med et CAS
Læs mereKontrol af udledninger ved produktion af ørred til havbrugsfisk
Kotrol af udledger ved produto af ørred tl havbrugsfs Notat fra DCE - Natoalt Ceter for Mljø og Eerg Dato: 19. december 013 Rettet: 4. jauar 014 og de 8. marts 014 Søre Er Larse 1 & Lars M. Svedse 1 Isttut
Læs mereVi ønsker også at teste hypoteser om parametrene. F.eks: Kan µ tænkes at være 0 (eller anden fast, kendt værdi)? Eksempel: dollarkurser
Uge 37 I Teoretsk Statstk, 9.sept. 003. Fordelger kyttet tl N-ford. Gvet: uafhægge observatoer af samme N(µ,σ )-fordelte stokastske varabel. Formelt: X,X,,X uafhægge, alle N(µ,σ )-fordelt. Mddelværd µ
Læs mereDATV: 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 mereFinanskalkulationer Side 1/19 Steen Toft Jørgensen. Finanskalkulationer. avanceret rentesregning. matematiske modeller i økonomi
Faskalkulatoe Sde /9 Stee Toft Jøgese Faskalkulatoe avaceet etesegg matematske modelle økoom Idholdsfotegelse: Kaptel : Rete Retebegebet Omkostge Retefomle Effektv ete Kotuet foetg Tdsdagam Flytg af kaptal
Læs mereTil dig, der er lærerstuderende Kender du VIA CFU Center for Undervisningsmidler?
Ti dig, der er ærerstuderede Keder du VIA CFU Ceter for Udervisigsmider? - for dig og di udervisig VIA CFU - tæt på di og skoes praksis Når det kommer ti æremider, er VIA Ceter for Udervisigsmider eer
Læs mereLys 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 mereVELKOMMEN TIL DEN NYE SKOLE NYE FAG
VELOMMEN TIL DEN NYE SOLE +5 x MÅL: Ae eever ska trves og bve så dygtge, de kan! DAN S VEJEN DERTIL: En ny skoedag der er vareret, faggt udfordrende og motverende for den enkete eev Ae eever får en mere
Læs merevejer (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 mereantal 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 mereSupplerende 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 mereFY01 Obligatorisk laboratorieøvelse. O p t i k. Jacob Christiansen Afleveringsdato: 3. april 2003 Morten Olesen Andreas Lyder
FY0 Oblgatorsk laboratoreøvelse O p t k Hold E: Hold: D Jacob Chrstase Alevergsdato: 3. aprl 003 Morte Olese Adreas Lyder Idholdsortegelse Idholdsortegelse Forål...3 Måleresultater...4. Salelser...4. Spredelse...5.3
Læs mereDagens 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 mereElementær 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 mereIKKE-KONTINUERTE (DISKRETE) STOKASTISKE VARIABLE MIDDELVÆRDI, VARIANS, SPREDNING FORDELINGER: HYPERGEOMETRISK, BINOMIAL, POISSON
IE-ONTINUERTE (DISRETE) STOASTISE VARIABLE MIDDELVÆRDI, VARIANS, SPREDNING FORDELINGER: HYPERGEOMETRIS, BINOMIAL, POISSON Edelgt sadsylghedsfelt V reeterer: Et sadsylghedsfelt ( P ) U, kaldes edelgt, hvs
Læs merehvor 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 mere1.0 FORSIKRINGSFORMER
eam Lv forskrgsakteselskab Bereggsgrudlaget sgrp217 tl præmeberegg for gruppeforskrg e-am Lv forskrgsakteselskab 1. FORIKRINGFORMER 1.1 Oblgatorske ordger Alle gruppeforskrgsordger teget på dette grudlag
Læs mereAdministartive oplysninger.
DGU r. Stamoplysiger LOOP Nr. Lokal betegelse Matrikkel Nr.: X koordiat Y Koordiat Z kote. 98.853 3.21.03.01 G1-1 6a/7c, Tåig by 552020,95 6207170,19 66,58 T Admiistartive oplysiger. koordiat oplysiger
Læs mereEksempel: PEFR. Epidemiologi og biostatistik. Uge 1, tirsdag. Erik Parner, Institut for Biostatistik.
Epdemolog og bostatstk. Uge, trsdag. Erk Parer, Isttut for Bostatstk. Geerelt om statstk Dataaalyse - Deskrptv statstk - Statstsk feres Sammelgg af to grupper med kotuerte data - Geemst og spredg - Parametre
Læs mereAvl med kort og langpelsede hunde
Av med kort og angpesede hunde Hundens pesængde bestemmes af et gen-par, hvoraf hunden arver 1 gen fra hver af forædrene hhv: Inden for pesængde er der atså tae om 3 varianter: = KORTpeset = ANGpeset =
Læs mereMatematik 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 mere1 Løsning og mindste kvadraters løsninger af lineære ligningssystemer
Løsg og mdste kadraters løsger af leære lggssystemer Def. Lære lggssystemer Et leært lggssystem er et system af m lgger ubekedte, hor dsse ka skres som: a a... a b 2 2... a a... a b m m2 2 m m Dsse systemer
Læs mereKvantitative metoder 2
Program for dag: Kvattatve metoder Iferes de leære regressosmodel 9. marts 007 Opsamlg vedr. feres e leær regressosmodel uder Gauss-Markov atagelser (W.4-5) Eksempel med flere restrktoer (F-test) Lagrage
Læs mereStatistik 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 mereKogebog: 5. Beregn F d
tattk 8. gag KONFIDENINERVALLER Kofdetervaller: kaptel Valg og tet af fordelgfukto tattk 8. gag. KONFIDEN INERVALLER Et kofde terval udtrykker tervallet hvor de rgtge værd af parametere K, med γ % adylghed
Læs merePearsons formel for χ 2 test. Den teoretiske forklaring
Pearsos formel for χ test De teoretse forlarg Ole Wtt-Hase 04 Idhold. Normalfordelge og χ.... Pearsos formel for χ test... 3. Forlarg på Pearsos formel....4 Pearsos formel for χ test. Normalfordelge og
Læs mereNoter 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 mereNote til Spilteori Mikro 2. år 2. semester Erik Bennike. Note til Spilteori
Note tl Splteor Mkro. år. semester Erk Beke Note tl Splteor Gos s. - Splteor eskæftger sg med sttoer hvor der er strtegsk fhægghed geter mellem. Nytte for de ekelte get fhæger således kke lee f ege hdlger
Læs mereFormelskrivning 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 mereFORDELINGER: HYPERGEOMETRISK FORDELING, BINOMIALFORDELING MIDDELVÆRDI DEFINITION. X er en stokastisk variabel på et endeligt sandsynlighedsfelt ( )
FORDELINGER: HYERGEOMETRIS FORDELING, BINOMIALFORDELING MIDDELVÆRDI Mddelværd MIDDELVÆRDI (TYS: ERWARTUNGSWERT ) DEFINITION X er e stokastsk varabel på et edelgt sadsylghedsfelt U, ( ) Mddelværde af X
Læs mereSimpel Lineær Regression - repetition
Smpel Leær Regresso - repetto Spørgsmål: Afhæger leært af?. Model: β + β + ε ε d N(0, σ 0 ) Sstematsk kompoet + Stokastsk kompoet Estmato - repetto Vha. Mdste Kvadraters Metode fder v regressosle hvor
Læs mereTil dig, der er lærerstuderende Kender du VIA CFU Center for Undervisningsmidler?
Ti dig, der er ærerstuderede Keder du VIA CFU Ceter for Udervisigsmider? - for dig og di udervisig VIA CFU - tæt på praksis Når det kommer ti æremider, er VIA Ceter for Udervisigsmider eer bare VIA CFU
Læs mereRegressions modeller Hvad regresserer vi på og hvorfor? Anders Stockmarr Axelborg statistikgruppe 6/
Regressos modeller Hvad regresserer v på og hvorfor? Aders Sockmarr Aelborg saskgruppe 6/ 0 Geerel Regresso Y f( ) ε f er e UKENDT fuko der beskrver relaoe mellem de uafhægge varabel og de afhægge varabel
Læs mereProjekt 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 mereADFÆRDS- PROBLEMER I SKOLEN
ADFÆRDS- PROBLEMER I SKOLEN Bo Hejskov Evén Studiemateriae Det gæder mig, at du/i har æst min bog, Adfærdsprobemer i skoen, og er interesseret i at fordybe dig/jer i den viden, den bygger på. Da min forrige
Læs mereAnalyse 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 mereProjekt 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 mereRepetition. Forårets højdepunkter
Repetto Forårets højdepukter Forårets højdepukter Smpel Leær Regresso Smpel leær regresso: Mdste kvadraters metode Kovaras og Korrelato Scatterplot Scatterplot kf Advertsg Epedtures (X ad Sales (Y Et scatterplot
Læs mereDe 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 mereSandsynlighedsregning 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 mereMATEMATIK NOTAT 04 - LIGNINGER AF: CAND. POLYT. MICHEL MANDIX
MATEMATIK NOTAT 04 - LIGNINGER AF: CAND. POLYT. MICHEL MANDIX SIDSTE REVISION: AUGUST 07 Miche Mandi (07) Enheder Side af 9 Indhodsfortegnese: INDHOLDSFORTEGNELSE:... LIGNINGER... 3 HVAD ER EN LIGNING?...
Læs mereLængde [cm] Der er frit vandspejle i sandkassen. Herudover er sandkassen åben i højden cm i venstresiden og 0-20 cm i højresiden.
Vadtrasportmodel Formål For beregig af vadtrasporte i sadkasse er der lavet e boksmodel. Formålet med boksmodelle er at beskrive vadtrasporte i sadkasse. Herover er formålet at bestemme de hydrauliske
Læs mereØkonometri 1. Instrumentvariabelestimation 26. november Plan for IV gennemgang. Exogenitetsantagelsen. Exogenitetsantagelsen for OLS
y = cy ( c 0 ) Pla for IV geemgag Økoometr Istrumetvarabelestmato 6. ovember 004 F9: Hvad er IV estmato: Bvarat model, et strumet: Kap.5. + afst -4 ote. F0: IV estmato det multple tlfælde (eksakt detfceret):
Læs mereStatistik Lektion 14 Simpel Lineær Regression. Simpel lineær regression Mindste kvadraters metode Kovarians og Korrelation
Statstk Lekto 4 Smpel Leær Regresso Smpel leær regresso Mdste kvadraters metode Kovaras og Korrelato Scatterplot Scatterplot kf Advertsg Epedtures ( ad Sales ( Et scatterplot vser par (, af observatoer.
Læs mereProjekt 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 merebestemmes. kendes ( ) A i Subjektiv information + objektiv information Bayesiansk statistik (gang 10) Bayes sætning
Statstk. gag BAYESIANSKE METOER Objektv formato f.eks. forsøgs resultater klasssk statstk gag -9 Subjektv formato objektv formato Bayesask statstk gag Bayes sætg E E A A E A A... E A A A E A E E E A A
Læs mereUge 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 mereRenteformlen. 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 mereKvadratisk 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 merePension PO1 PO2 FO1 FO2 GRL 7) Arbejds markeds pension 5) ATPbidrag
Løbehadlgsoversgt De 4 koloer 'opsamlg tl løatk' vser, hvorda lødele/-feltet dgår løatkkere. Neder oversgte fder du e forklarg tl opsamlge af de ævte ILtyper Lødele/-feltet ka bruges eidkom med/: pegegvede
Læs mereMatematikkens 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 mereNotato: k grupper observeret tl tdspuktere (logartmerede) t1;t2;:::;t k. Tl tdspukt observeres et atal ( ) ph-vρrder, 1 ; 2 ;:::;. V opfatter dem som
Statstk 1, torsdag de 15. marts Leρr regressosaalyse, afst 5.2.1 ffl Problemstllg ffl Data Model Estmato og test Dages program: Hvad ka v? 1 V ka sammelge grupper af observatoer, hvor data hver gruppe
Læs mere9. 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 mereNanomaterialer Anvendelser og arbejdsmiljøforhold
F O A F A G O G A R B E J D E Naomaterialer Avedelser og arbejdsmiljøforhold Dee Kort & Godt pjece heveder sig til dig, som er medlem af FOA. Pjece giver iformatio om: Hvad er et aomateriale? Eksempler
Læs mereSportsfiskerforeningen ALS medlem af Danmarks Sportsfiskerforbund
Formanden har ordet... Geså har gen år hen over sommeren bevst st værd som havørredå. Se ndberetnngerne på www.rbeaastsyemet.dk og bederne på www.gesaa.dk Et par enkete aks er det også bevet t, og der
Læs mereViden Om Vind oftere, stop i tide
Vide Om Vid oftere, stop i tide Spørgsmål og svar Idhold Risici og relevas 2 Steffe Aderse Sadsyligheder 5 Per Hedegård Spørgsmål til eksperte 7 Thomas Aderse Til 8 Rasmus Østergaard Pederse E sikker strategi
Læs mereHASTIGHEDSKORT 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 merecos(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 mereSprednings problemer. David Pisinger
Spredigs problemer David Pisiger 2001 Idledig Jukfood A/S er e amerikask kæde af familierestaurater der etop er ved at etablere sig i Damark. E massiv reklamekampage med de to slogas vores fritter er de
Læs mereTankegangskompetence. 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 mereTrestemmig bloksats i rockarrangement - 1 Akkordtoner
Trestemmig boksats i rockarrangement - 1 Akkordtoner I en boksats har en af korets stemmer meodien mens de andre føger så paraet som muigt. Boksatsen er nemmest at ave hvis meodien har få store spring
Læs mereINDKVARTERING. Der indkvarteres på Bording Skole Solsortevej 10 7441 Bording og på Invita Fabrikken Fabriksvej 7441 Bording.
VELKOMMEN TI LPÅRUPKRO CUP2013 Vharher medf nøj e senendnuengangatbydesp er e, eder eogf æ dr ehj er t e g ve komment det34.pår upkr ocup. Derert me dt128ho dt det t eår spår upkr ocup. Vf vent er,som
Læs mereStatistik 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 mereDATV: 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 mere3y MA, Steen Toft Jørgensen side 1/5 Helsingør Gymnasium. Definitioner, formler, sætninger og ideen i beviserne så det er muligt at huske beviserne.
3y MA, Stee Toft Jørgese side /5 Helsigør Gymasium Vektorregig i 3D Formålet er at skabe overblik over emet. Boge Mat3A af Jes Carstese, kapitel 3 og 4, side 83-5. Defiitioer, formler, sætiger og idee
Læs mereL komponent produceret i linie 1
Statstk. gag BAYESIANSKE METOER Obektv ormato (.eks. orsøgs resultater klasssk statstk (gag -9 Subektv ormato + obektv ormato Bayesask statstk (gag Bayes sætg ( E ( E A ( A + ( E A ( A +... ( E A ( + (
Læs mereDefinition: 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 mereBeregning af prisindeks for ejendomssalg
Damarks Saisik, Priser og Forbrug 2. april 203 Ejedomssalg JHO/- Beregig af prisideks for ejedomssalg Baggrud: e radiioel prisideks, fx forbrugerprisidekse, ka ma ofe følge e ideisk produk over id og sammelige
Læs mereBjørn 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 mereNoter 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 mereIntroduktion til optimering og operationsanalyse. Asymmetric Traveling Salesman Problem
Itroduktio til optimerig og operatiosaalyse Asymmetric Travelig Salesma Problem David Pisiger, Efterår 2003 Dette er de ade obligatoriske projektopgave på kurset Itroduktio til optimerig og operatiosaalyse.
Læs mereBetænkning om kommunernes udgiftsbehov. Bilag (med metodediskussion af professor Anders Milhøj)
Betækg om kommueres udgftsbehov Blag (med metodedskusso af professor Aders Mlhøj) Betækg r. 36 Oktober 998 Kommueres Udgftsbehov Betækg om kommueres udgftsbehov - Redegørelse fra arbejdsgruppe uder Idergsmsterets
Læs mereDanmarks Tekniske Universitet
Ds ese Uestet Sde sde Stlg pøe pøe, /, / og 3/, Kusus ys Kusus. //4 Vghed: 4 te lle hjælpedle: Ige hjælpedle "Vægtg": Beselse bedøes so e helhed. Alle s sl begudes ed de det e get. Alle elleegge sl eges.
Læs mereIntroduktion 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 mereFacilitering ITU 15. maj 2012
Faciliterig ITU 15. maj 2012 Facilitatio is like movig with the elemets ad sailig the sea Vejvisere Velkomst de gode idflyvig Hvad er faciliterig? Kedeteg ved rolle som facilitator Facilitatores drejebog
Læs mere1 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 mereClaus 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 mereDagens 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 mereLøsninger 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 mereMikroøkonomi, 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 mereMed disse betegnelser gælder følgende formel for en annuitetsopsparing:
Matema10k C-iveau, Fydelud Side 1 af 10 Auitetsopspaig De fides mage måde at spae op på. Vi vil he se på de såkaldte auitetsopspaig. Emet ka buges som e del af det suppleede stof, og det ka avedes som
Læs mereSpørgsmål 3 (5 %) Bestem sandsynligheden for at et tilfældigt valgt vindue har en fejl ved listerne, når man ved at der er fejl i glasset.
STATISTIK Skriftlig evaluerig, 3. semester, madag de 30. auar 006 kl. 9.00-3.00. Alle hælpemidler er tilladt. Opgaveløsige forsyes med av og CPR-r. OPGAVE Ved e produktio af viduer er der mulighed for,
Læs mereHvorfor n-1 i stikprøvevariansen?
Erk Vestergaard www.matematkfysk.dk Hvorfor - stkprøvevarase? Lad os sge, at e fabrk producerer e bestemt type halogepærer. Det vser sg, at levetde for e såda elpære varerer efter e ormalfordelg. Nogle
Læs mere