O - en overskuelig matematisk model for vurdering af algoritmers effektivitet

Størrelse: px
Starte visningen fra side:

Download "O - en overskuelig matematisk model for vurdering af algoritmers effektivitet"

Transkript

1 ODatalog C, Efterår 003 Opgørelse af effetvtet, esempel Verson med rettelser 1/ a=a+1 for(nt =1; <=n; ++) Td = 1 (af en slags) for(nt =1; <=n; ++) for(nt =1; <=n; ++) a=a+1; for(nt =1; <=n; ++) Td = n a=a+1; 3 Td = n Generelt: funton af nput (n, m) for(nt =1; <=n; ++) Mere omplceret ved: for(nt =1; <=m; ++) a=a+1; whle-løer Td = n*m f(betngelse) omrng ndre løe ndre løe afh. af ydre 1 Om algortmers effetvtet O - en oversuelg matemats model for vurderng af algortmers effetvtet En velunderbygget teor, som gver estmater der er uafhængge af atuelle computer! Vor ndfaldsfnel: Grundprncpperne og standard-esempler Matemat tl at aratersere effetvtet Illustraton af def. af O(-) Normalt e nteresseret esat tal, men asymptots opførsel (dvs. næ ) Hvs en funton T(n) står for esat tdsforbrug, bruges O(F(n)) tl at aratersere øvre mål for "opførsel" Foreløbg defnton (alternatv tl bogen): T(n) er O(F(n)) hvss T(n)/F(N) Æ onstant (vrer alle fornuftge tlfælde) når næ 3 nt; // td = 5 for(=1;<=n;++) // td = n*17 noget; for(=1;<=n;++) // td = n * 3 for(=1;<n=;++) noget_andet; Total tdsforbrug T(n) = 5 + n*17 + n *3 Påstand: T(n) er O(n ) Udtales også: "algortmen er af orden O(n )" "algortmen er vadrats" Bevs: T(n)/F(n) = T(n)/n = 5/n + n*17/n + n *3/n = 5/n + 17/n + 3 Æ 3 når n Æ Generelt: domnerende led bestemmer O onstant unteressant tl generel araterst størrelsesorden god tl estmater (esempel...) snyder ved små n 4 Esempel: estmat fra n= 1000 tl n=10000 Regneregler om O T(n) = 5 + n*17 + n *3 og F(n) = n T(10 n)/t(n) F(10 n)/f(n), dvs. T(10 n) 100 * T(n) Antag T(1000) = 10 se, dvs. T(1000) = t (hvor t er en passende brødel af et se.) Esat værd for T(10.000) = t Estmeret ved "*100": T(10.000) = 1000se T(10.000) omregnet fra "t" tl se: / * 10 se = 999,9 se Fel 0,1 Defnton: F(n) domnerer over G(n), F(n) > G(n) såfremt G(n)/F(n) Æ 0 når næ I så fald: O(F(n)+G(n)) = O(F(n)) hvor O(H(n)) = O(J(n)) betyder H(n)/J(n) Æ c >0 når næ Esempel: O(5 + n*17 + n *3) = O(n ) Esempler på regler: O(c*F(n)) = O(F(n)) O(n*F(n)) > O(F(n)) O(V(n)*F(n)) > O(F(n)) såfremt O(V(n)) > O(1) 5 6 1

2 Ofte foreommende størrelsesordner O(1) < O(log n) < O((log n) ) < O(n) < O(n log n) < O(n ) < O(n 3 ) <... < O( n ) Små drlse led: O(n + n / ) n T Hvem #"# an fnde den } llle tdrøver nden afleverngsprøven morgen formddag? 7 8 Små drlse led, med endnu mndre onstant: O(n + n / ) n T En orret defnton I tlfælde af en funton/algortme med sær opførsel: Defnton: f(n er lge tal) ; else for(nt =n; <=n; ++) Vl v gerne have tl at være af orden n... men grænseværd e veldef. T(n) er O(F(n)) hvss der fndes postve onstanter c og n 0, så 9 T(n) c F(n) for alle n n 0 10 Esempler på polynomelle alg. n 3, n, n Fnd masmal sum af delsevens Esempel: Esempler på polynomelle alg. n 3, n, n Fnd masmal sum af delsevens Esempel: 4 4 Den enle algortme: Generer samtlgt mulge summer og hold rede på den hdtl største. "Indlysende" ubs, dvs. n 3 1

3 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) 14 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum)

4 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) 19 0 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) 1 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) 3 4 4

5 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) 5 6 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) 7 8 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum)

6 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) 31 3 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum)

7 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum)

8 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum)

9 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) 51 5 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum)

10 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum)

11 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) 61 6 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) 65 66

12 Kubs algortme for max-sum-delsevens Kubs algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { for(=; <=; ++) sum += a[]; f(sum>maxsum) 1 + (1+) + (1++3) ( n) = n * (n+1) * (n+) / 6 dvs. O(n 3 ) Kvadrats algortme for max-sum-delsevens Kvadrats algortme for max-sum-delsevens Udnyt at næste sum = gammel sum + næste led Dvs. Sum,+1 = Sum, + a[+1] for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) Kvadrats algortme for max-sum-delsevens Kvadrats algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum)

13 Kvadrats algortme for max-sum-delsevens Kvadrats algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) Kvadrats algortme for max-sum-delsevens Kvadrats algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) Kvadrats algortme for max-sum-delsevens Kvadrats algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) 77 78

14 Kvadrats algortme for max-sum-delsevens Kvadrats algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) Kvadrats algortme for max-sum-delsevens Kvadrats algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) 81 8 Kvadrats algortme for max-sum-delsevens Kvadrats algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum)

15 Kvadrats algortme for max-sum-delsevens Kvadrats algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) Kvadrats algortme for max-sum-delsevens Kvadrats algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) Kvadrats algortme for max-sum-delsevens Kvadrats algortme for max-sum-delsevens for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) for(=1; <=n; ++) { for(=; <=n; ++) { sum += a[]; f(sum>maxsum) Læs selv om lneær algortme bog: Esempel på at optmerede algortmer an være svært gennemsuelg! n = n * (n-1) / altså O(n )

16 Logartms, typs for del-og-hers algortmer Ldt om logartmefuntonen Esempel: Bnær søgnng for at fnde element sorteret sevens ~ a la telefonbog Prncppet: at fnde x sevens af lgd. 1: test "=x" a/ne ellers, hvs x <= mdt-element, så fnd x venstre halvdel ellers fnd x høre halvdel Tdsforbrug hvert srdt (" " ovenfor) onstant hvert srdt halverer længden af sevensen Total td for lgd. n: så mange gange n sal halveres for at blve "1" log n Defneret som omvendt tl esponentalfuntonen: hvs x =m så log m = x Esempler: n bnært log n Egensaber: Halvernger - Æ 1 Æ Æ 1 Æ 4 Æ Æ 1 Æ 8 Æ 4 Æ Æ 1 fordobles argumentet stger logartmen med 1 log n antal tegn n's bnære repræsentaton log n antal gange n sal halveres for at blve 1 Hvordan var det nu? 91 9 Funtonsurven for log n Bnær søgnng Java I: Reursv for "nt []" Kaldes: bnarysearch(0,a.length-1,a,x) log n n nt bnarysearch(nt low, nt hgh, nt [] a, nt x){ f(low>hgh) return -1; nt md = (low+hgh)/; f( a[md] < x ) bnarysearch(md+1,hgh,a,x) else f( a[md] > x ) bnarysearch(low,md-1,a,x); else return md; }} //a[md]==x Bnær søgnng Java I: Reursv for "nt []" Kaldes: bnarysearch(0,a.length-1,a,x) nt bnarysearch(nt low, nt hgh, nt [] a, nt x){ f(low>hgh) return -1; nt md = (low+hgh)/; f( a[md] < x ) bnarysearch(md+1,hgh,a,x) else f( a[md] > x ) bnarysearch(low,md-1,a,x); else return md; }} //a[md]==x Bnær søgnng Java I: Reursv for "nt []" Kaldes: bnarysearch(0,a.length-1,a,x) nt bnarysearch(nt low, nt hgh, nt [] a, nt x){ f(low>hgh) return -1; nt md = (low+hgh)/; f( a[md] < x ) bnarysearch(md+1,hgh,a,x) else f( a[md] > x ) bnarysearch(low,md-1,a,x); else return md; }} //a[md]==x low hgh low md hgh

17 Bnær søgnng Java I: Reursv for "nt []" Kaldes: bnarysearch(0,a.length-1,a,x) nt bnarysearch(nt low, nt hgh, nt [] a, nt x){ f(low>hgh) return -1; nt md = (low+hgh)/; f( a[md] < x ) bnarysearch(md+1,hgh,a,x) else f( a[md] > x ) bnarysearch(low,md-1,a,x); else return md; }} //a[md]==x Bnær søgnng Java I: Reursv for "nt []" Kaldes: bnarysearch(0,a.length-1,a,x) nt bnarysearch(nt low, nt hgh, nt [] a, nt x){ f(low>hgh) return -1; nt md = (low+hgh)/; f( a[md] < x ) bnarysearch(md+1,hgh,a,x) else f( a[md] > x ) bnarysearch(low,md-1,a,x); else return md; }} //a[md]==x low hgh low md hgh Bnær søgnng Java I: Reursv for "nt []" Kaldes: bnarysearch(0,a.length-1,a,x) nt bnarysearch(nt low, nt hgh, nt [] a, nt x){ f(low>hgh) return -1; nt md = (low+hgh)/; f( a[md] < x ) bnarysearch(md+1,hgh,a,x) else f( a[md] > x ) bnarysearch(low,md-1,a,x); else return md; }} //a[md]==x Bnær søgnng Java I: Reursv for "nt []" Kaldes: bnarysearch(0,a.length-1,a,x) nt bnarysearch(nt low, nt hgh, nt [] a, nt x){ f(low>hgh) return -1; nt md = (low+hgh)/; f( a[md] < x ) bnarysearch(md+1,hgh,a,x) else f( a[md] > x ) bnarysearch(low,md-1,a,x); else return md; }} //a[md]==x low hgh low md hgh Bnær søgnng Java I: Reursv for "nt []" Kaldes: bnarysearch(0,a.length-1,a,x) nt bnarysearch(nt low, nt hgh, nt [] a, nt x){ f(low>hgh) return -1; nt md = (low+hgh)/; f( a[md] < x ) bnarysearch(md+1,hgh,a,x) else f( a[md] > x ) bnarysearch(low,md-1,a,x); else return md; }} //a[md]==x Bnær søgnng Java I: Reursv for "nt []" Kaldes: bnarysearch(0,a.length-1,a,x) nt bnarysearch(nt low, nt hgh, nt [] a, nt x){ f(low>hgh) return -1; nt md = (low+hgh)/; f( a[md] < x ) bnarysearch(md+1,hgh,a,x) else f( a[md] > x ) bnarysearch(low,md-1,a,x); else return md; }} //a[md]==x low hgh low md hgh

18 Bnær søgnng Java I: Reursv for "nt []" Kaldes: bnarysearch(0,a.length-1,a,x) nt bnarysearch(nt low, nt hgh, nt [] a, nt x){ f(low>hgh) return -1; nt md = (low+hgh)/; f( a[md] < x ) bnarysearch(md+1,hgh,a,x) else f( a[md] > x ) bnarysearch(low,md-1,a,x); else return md; }} //a[md]==x Bnær søgnng Java I: Reursv for "nt []" Kaldes: bnarysearch(0,a.length-1,a,x) nt bnarysearch(nt low, nt hgh, nt [] a, nt x){ f(low>hgh) return -1; nt md = (low+hgh)/; f( a[md] < x ) bnarysearch(md+1,hgh,a,x) else f( a[md] > x ) bnarysearch(low,md-1,a,x); else return md; }} //a[md]==x low hgh md low hgh Bnær søgnng Java I: Reursv for "nt []" Bnær søgnng Java I: Reursv for "nt []" Kaldes: bnarysearch(0,a.length-1,a,x) nt bnarysearch(nt low, nt hgh, nt [] a, nt x){ f(low>hgh) return -1; nt md = (low+hgh)/; f( a[md] < x ) bnarysearch(md+1,hgh,a,x) else f( a[md] > x ) bnarysearch(low,md-1,a,x); else return md; }} //a[md]==x Kaldes: bnarysearch(0,a.length-1,a,x) nt bnarysearch(nt low, nt hgh, nt [] a, nt x){ f(low>hgh) return -1; nt md = (low+hgh)/; f( a[md] < x ) bnarysearch(md+1,hgh,a,x) else f( a[md] > x ) bnarysearch(low,md-1,a,x); else return md; }} //a[md]==x hgh low 105 hgh low md 106 Bnær søgnng Java II: Reursv, geners pacage ava.lang; publc nterface Comparable {n compareto(obect other)}; publc statc nt bnarysearch(comparable [] a, Comparable x){ bnarysearch(0,a.length-1,a,x)} publc statc nt bnarysearch(nt low,nt hgh, Comparable [] a, Comparable x){ f(low>hgh) return -1; nt md = (low+hgh)/ f(a[md].compareto(x)<0) bnarysearch1(md+1,hgh,a,x) else f(a[md].compareto(x)>0) class Elephant mplements Comparable bnarysearch!(low,md-1,a,x); {...; publc nt compareto(...){...} } else return md; }} zoo = new Elephant []{...}; dumbo = new Elephant; nt where_s_dumbo = bnarysearch(zoo,dumbo); Bnær søgnng Java III: Iteratv, geners Lærebogens verson: nt bnarysearch(comparable[]a,comparable Iteratv vs. reursv: x){ nt low = 0; En smagssag, men reursve alg. nt hgh = a.length-1; ofte smplere for af-natur-re. nt md; problemer whle( low<=hgh){ md = (low+hgh)/; f(a[md].compareto(x)<0) Hvad er mest effetvt? low = md+1; Er reurson e meget dyrt? else f(a[md].compareto(x)>0) hgh = md-1; else return md; } return -1; } Det afhænger af compleren! Med en god Java compler, dentse øretder!

19 Afsluttende om O-notaton udvde med flere parametre, f.es. O(m* n ) O-notaton benyttes også for pladsforbrug ofte trade-off plads- vs. tdsomplestet Algortmer har bedste, værste og gennemsntlgt tdsforbrug f.es. qucsort, værst O(n ), gennemsnt O(n log n) "T(n) er O(F(n))" angver en overgrænse for T(n)'s asympttse opførsel; alternatve araterster: "T(n) er W(F(n))" angver undergrænse "T(n) er Q(F(n))" angver esat araterst "T(n) er o(f(n))" angver araterst som er lart for hø Opgaver tl øvelserne Opg. 1: Se på egensaber a la n = n(n 1)/ Opg. 5.7 bogen: Store-O for regnng med blyant og papr Opg. 5.8 m. tlføelse: Store-O for to måder at regne x n på Opg., afleverngsopgave: Implementér to måder at mplementere mængder af tal, med metoder publc vod ndsæt(nt x) publc boolean med_(nt x) 109 Afleverngsfrst 14. otober 0 19

Datalogi C + Datastrukturer og Algoritmer

Datalogi C + Datastrukturer og Algoritmer Datalogi C + Datastrukturer og Algoritmer Velkommen til DatC erne Dagens emne: Hvad er D&A, mål for effektivitet Kursuslærer: Henning Christiansen henning@ruc.dk, http://www.ruc.dk/~henning Hjælpelærer

Læs mere

Økonometri 1. Interne evalueringer. Interne evalueringer. Dagens program. Heteroskedaticitet (Specifikation og dataproblemer) 2.

Økonometri 1. Interne evalueringer. Interne evalueringer. Dagens program. Heteroskedaticitet (Specifikation og dataproblemer) 2. Dagens program Øonometr 1 Heterosedatctet (Specfaton og dataproblemer). november 005 dataproblemer 1 Interne evaluernger Emner for denne forelæsnng: Heterosedastctet (ap 8.4-8.5) Egensaber ved FGLS Esempel

Læs mere

Økonometri 1. Lineær sandsynlighedsmodel (Wooldridge 8.5). Dagens program: Heteroskedasticitet 30. oktober 2006

Økonometri 1. Lineær sandsynlighedsmodel (Wooldridge 8.5). Dagens program: Heteroskedasticitet 30. oktober 2006 Dagens program: Øonometr 1 Heterosedastctet 30. otober 006 Effcent estmaton under heterosedastctet (Wooldrdge 8.4): Sdste gang: Kendte vægte - Weghted Least Squares (WLS) Generalzed Least Squares (GLS)

Læs mere

TALTEORI Følger og den kinesiske restklassesætning.

TALTEORI Følger og den kinesiske restklassesætning. Følger og den knesske restklassesætnng, december 2006, Krsten Rosenklde 1 TALTEORI Følger og den knesske restklassesætnng Dsse noter forudsætter et grundlæggende kendskab tl talteor som man kan få Maranne

Læs mere

Forén og find. Forén og find. Forén og find. Anvendelser

Forén og find. Forén og find. Forén og find. Anvendelser Phlp Blle (unon-fnd). Vedlgehold en dynamsk famle af mængder under operatoner: INIT(n): opret mængder {}, {},, {n} UNION(,): forener de to mængder der ndeholder og. Hvs og er samme mængde skal der ngentng

Læs mere

Statistisk mekanik 13 Side 1 af 9 Faseomdannelse. Faseligevægt

Statistisk mekanik 13 Side 1 af 9 Faseomdannelse. Faseligevægt Statsts mean 3 Sde af 9 Faselgevægt Hvs hver fase et PVT-system behandles særslt, vl hver fase alene raft af mulgheden for faseomdannelser udgøre et åbent system. Ved generalserng af udtry (3.48) fås dermed

Læs mere

Forén og find. Forén og find. Forén og find. Forén og find

Forén og find. Forén og find. Forén og find. Forén og find Phlp Blle (unon-fnd). Vedlgehold en dynamsk famle af mængder under operatoner: INIT(n): opret mængder {}, {},, {n-} UNION(,): forener de to mængder der ndeholder og. Hvs og er samme mængde skal der ngentng

Læs mere

Opsamling. Simpel/Multipel Lineær Regression Logistisk Regression Ikke-parametriske Metoder Chi-i-anden Test

Opsamling. Simpel/Multipel Lineær Regression Logistisk Regression Ikke-parametriske Metoder Chi-i-anden Test Opsamlng Smpel/Multpel Lneær Regresson Logstsk Regresson Ikke-parametrske Metoder Ch--anden Test Opbygnng af statstsk model Specfcer model Lgnnger og antagelser Estmer parametre Modelkontrol Er modellen

Læs mere

Lineær regressionsanalyse8

Lineær regressionsanalyse8 Lneær regressonsanalyse8 336 8. Lneær regressonsanalyse Lneær regressonsanalyse Fra kaptel 4 Mat C-bogen ved v, at man kan ndtegne en række punkter et koordnatsystem, for at afgøre, hvor tæt på en ret

Læs mere

6. SEMESTER Epidemiologi og Biostatistik Opgaver til 3. uge, fredag

6. SEMESTER Epidemiologi og Biostatistik Opgaver til 3. uge, fredag Afdelng for Epdemolog Afdelng for Bostatstk 6. SEESTER Epdemolog og Bostatstk Opgaver tl 3. uge, fredag Data tl denne opgave stammer fra. Bland: An Introducton to edcal Statstcs (Exercse 11E ). V har hentet

Læs mere

2. Sandsynlighedsregning

2. Sandsynlighedsregning 2. Sandsynlghedsregnng 2.1. Krav tl sandsynlgheder (Sandsynlghedens aksomer) Hvs A og B er hændelser, er en sandsynlghed, hvs: 1. 0 ( A) 1 n 2. ( A ) 1 1 3. ( A B) ( A) + ( B), hvs A og B ngen udfald har

Læs mere

Forberedelse til den obligatoriske selvvalgte opgave

Forberedelse til den obligatoriske selvvalgte opgave MnFremtd tl OSO 10. klasse Forberedelse tl den oblgatorske selvvalgte opgave Emnet for dn oblgatorske selvvalgte opgave (OSO) skal tage udgangspunkt dn uddannelsesplan og dt valg af ungdomsuddannelse.

Læs mere

Statikstik II 3. Lektion. Multipel Logistisk regression Generelle Lineære Modeller

Statikstik II 3. Lektion. Multipel Logistisk regression Generelle Lineære Modeller Statkstk II 3. Lekton Multpel Logstsk regresson Generelle Lneære Modeller Defntoner: Repetton Sandsynlghed for at Ja tl at være en god læser gvet at man er en dreng skrves: P( God læser Ja Køn Dreng) Sandsynlghed

Læs mere

Økonometri 1. Heteroskedasticitet 27. oktober Økonometri 1: F12 1

Økonometri 1. Heteroskedasticitet 27. oktober Økonometri 1: F12 1 Økonometr 1 Heteroskedastctet 27. oktober 2006 Økonometr 1: F12 1 Dagens program: Heteroskedastctet (Wooldrdge kap. 8.3-4) Sdste gang: I dag: Konsekvenser af heteroskedastctet for OLS Korrekton af varansen

Læs mere

EKSAMEN I MATEMATIK-STATISTIK, 27. JANUAR 2006, KL 9-13

EKSAMEN I MATEMATIK-STATISTIK, 27. JANUAR 2006, KL 9-13 EKSAMEN I MATEMATIK-STATISTIK, 7. JANUAR 006, KL 9-13 [HER STARTER STATISTIKDELEN] Opgave 3 (5%): Bologsk baggrundsnformaton tl forståelse af opgaven: Dr producerer kke altd lge meget afkom af hvert køn.

Læs mere

FRIE ABELSKE GRUPPER. Hvis X er delmængde af en abelsk gruppe, har vi idet vi som sædvanligt i en abelsk gruppe bruger additiv notation at:

FRIE ABELSKE GRUPPER. Hvis X er delmængde af en abelsk gruppe, har vi idet vi som sædvanligt i en abelsk gruppe bruger additiv notation at: FRIE ABELSKE GRUPPER. IAN KIMING Hvs X er delmængde af en abelsk gruppe, har v det v som sædvanlgt en abelsk gruppe bruger addtv notaton at: X = {k 1 x 1 +... + k t x t k Z, x X} (jfr. tdlgere sætnng angående

Læs mere

Kvantitative metoder 2 Forår 2007 Ugeseddel 10

Kvantitative metoder 2 Forår 2007 Ugeseddel 10 Kvanttatve metoder 2 Forår 2007 Ugeseddel 0 Program for øvelserne: Gennemgang af teoropgave fra Ugesedel 9 Gruppearbejde og plenumdskusson SAS øvelser, spørgsmål -4. Sdste øvelsesgang (uge 2): SAS øvelser,

Læs mere

Skriftlig Eksamen. Datastrukturer og Algoritmer (DM02) Institut for Matematik og Datalogi. Odense Universitet. Onsdag den 18. juni 1997, kl.

Skriftlig Eksamen. Datastrukturer og Algoritmer (DM02) Institut for Matematik og Datalogi. Odense Universitet. Onsdag den 18. juni 1997, kl. Skrftlg Eksamen Datastrukturer og Algortmer (DM02) Insttut for Matematk og Datalog Odense Unverstet Onsdag den 18. jun 1997, kl. 9{13 Alle sdvanlge hjlpemdler (lrebger, notater, etc.) samt brug af lommeregner

Læs mere

Note til Generel Ligevægt

Note til Generel Ligevægt Mkro. år. semester Note tl Generel Lgevægt Varan kap. 9 Generel lgevægt bytteøkonom Modsat partel lgevægt betragter v nu hele økonomen på én gang; v betragter kke længere nogle prser for gvet etc. Den

Læs mere

Regressionsanalyse. Epidemiologi og Biostatistik. 1.Simpel lineær regression (Kapitel 11) systolisk blodtryk og alder

Regressionsanalyse. Epidemiologi og Biostatistik. 1.Simpel lineær regression (Kapitel 11) systolisk blodtryk og alder Regressonsanalyse Epdemolog og Bostatstk Mogens Erlandsen, Insttut for Bostatstk Uge, torsdag (forelæsnng) 1.Smpel lneær regresson (Kaptel 11) systolsk blodtryk og alder. Multpel lneær regresson (Kaptel

Læs mere

Europaudvalget 2009-10 EUU alm. del Bilag 365 Offentligt

Europaudvalget 2009-10 EUU alm. del Bilag 365 Offentligt Europaudvalget 2009-10 EUU alm. del Blag 365 Offentlgt Notat Kemkaler J.nr. MST-652-00099 Ref. Doble/lkjo Den 5. maj 2010 GRUNDNOTAT TIL FOLKETINGETS EUROPAUDVALG Kommssonens forslag om tlpasnng tl den

Læs mere

Kvantemekanik 2 Side 1 af 11 Schrödingerligningen. Bølgefunktionen

Kvantemekanik 2 Side 1 af 11 Schrödingerligningen. Bølgefunktionen Kvantemean Sde af Bølgefuntonen Inden for den lassse fys an en partels bevægelse besrves ved en, der ndeholder alle oplysnnger om partlens bevægelse. stedfunton r( t) Pga. den KM besrevne partel-bølge-dualtet

Læs mere

Økonometri 1. Test for heteroskedasticitet. Test for heteroskedasticitet. Dagens program. Heteroskedasticitet 26. oktober 2005

Økonometri 1. Test for heteroskedasticitet. Test for heteroskedasticitet. Dagens program. Heteroskedasticitet 26. oktober 2005 Dagens program Økonometr Heteroskedastctet 6. oktober 005 Emnet for denne forelæsnng er heteroskedastctet (Wooldrdge kap. 8.3-8.4) Konsekvenser af heteroskedastctet Hvordan fnder man en effcent estmator?

Læs mere

Bilag 6: Økonometriske

Bilag 6: Økonometriske Marts 2015 Blag 6: Økonometrske analyser af energselskabernes omkostnnger tl energsparendsatsen Energstyrelsen Indholdsfortegnelse 1. Paneldataanalyse 3 Specfkaton af anvendte panel regressonsmodeller

Læs mere

Kvantitative metoder 2

Kvantitative metoder 2 Program for dag: Kvanttatve metoder Den smple regressonsmodel 9. februar 007 Regressonsmodel med en forklarende varabel (W..3-5) Varansanalyse og goodness of ft Enheder og funktonel form af varabler modellen

Læs mere

Statistik II Lektion 4 Generelle Lineære Modeller. Simpel Lineær Regression Multipel Lineær Regression Flersidet Variansanalyse (ANOVA)

Statistik II Lektion 4 Generelle Lineære Modeller. Simpel Lineær Regression Multipel Lineær Regression Flersidet Variansanalyse (ANOVA) Statstk II Lekton 4 Generelle Lneære Modeller Smpel Lneær Regresson Multpel Lneær Regresson Flersdet Varansanalyse (ANOVA) Logstsk regresson Y afhængg bnær varabel X 1,,X k forklarende varable, skala eller

Læs mere

Økonometri 1 Efterår 2006 Ugeseddel 9

Økonometri 1 Efterår 2006 Ugeseddel 9 Økonometr 1 Efterår 006 Ugeseddel 9 Program for øvelserne: Opsamlng på Ugeseddel 8 Gruppearbejde SAS øvelser Ugeseddel 9 består at undersøge, om der er heteroskedastctet vores model for væksten og så fald,

Læs mere

Nøglebegreber: Objektivfunktion, vægtning af residualer, optimeringsalgoritmer, parameterusikkerhed og korrelation, vurdering af kalibreringsresultat.

Nøglebegreber: Objektivfunktion, vægtning af residualer, optimeringsalgoritmer, parameterusikkerhed og korrelation, vurdering af kalibreringsresultat. Håndbog grundvandsmodellerng, Sonnenborg & Henrksen (eds 5/8 GEUS Kaptel 14 IVERS MODELLERIG Torben Obel Sonnenborg Geologsk Insttut, Københavns Unverstet Anker Laer Høberg Hydrologsk Afdelng, GEUS øglebegreber:

Læs mere

Statikstik II 4. Lektion. Generelle Lineære Modeller

Statikstik II 4. Lektion. Generelle Lineære Modeller Statkstk II 4. Lekton Generelle Lneære Modeller Generel Lneær Model Y afhængg skala varabel X 1,,X k forklarende varable, skala eller bnære Model: Mddelværden af Y gvet X + k = E( Y X ) = α + β x + + β

Læs mere

Algoritmedesign med internetanvendelser ved Keld Helsgaun

Algoritmedesign med internetanvendelser ved Keld Helsgaun Algoritmedesign med internetanvendelser ved Keld Helsgaun 1 Analyse af algoritmer Input Algoritme Output En algoritme er en trinvis metode til løsning af et problem i endelig tid 2 Algoritmebegrebet D.

Læs mere

Statistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel

Statistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel Statstk II Lekton 5 Modelkontrol Modelkontrol Modelsøgnng Større eksempel Generel Lneær Model Y afhængg skala varabel 1,, k forklarende varable, skala eller bnære Model: Mddelværden af Y gvet =( 1,, k

Læs mere

Anvendt Statistik Lektion 10. Regression med både kvantitative og kvalitative forklarende variable Modelkontrol

Anvendt Statistik Lektion 10. Regression med både kvantitative og kvalitative forklarende variable Modelkontrol Anvendt Statstk Lekton 0 Regresson med både kvanttatve og kvaltatve forklarende varable Modelkontrol Opsummerng I forbndelse med multpel lneær regresson så v på modeller på formen E y] = α... [ 3 3 4 4

Læs mere

Kvantitative metoder 2

Kvantitative metoder 2 Dagens program: Heteroskedastctet (Wooldrdge kap. 8.4) Kvanttatve metoder Heteroskedastctet 6. aprl 007 Sdste gang: Konsekvenser af heteroskedastctet for OLS Whte s korrekton af OLS varansen Test for heteroskedastctet

Læs mere

Undersøgelse af pris- og indkomstelasticiteter i forbrugssystemet - estimeret med AIDS

Undersøgelse af pris- og indkomstelasticiteter i forbrugssystemet - estimeret med AIDS Danmarks Statstk MODELGRUPPEN Arbedspapr* Mads Svendsen-Tune 13. marts 2008 Undersøgelse af prs- og ndkomstelastcteter forbrugssystemet - estmeret med AIDS Resumé: For at efterse nestnngsstrukturen forbrugssystemet

Læs mere

Binomialfordelingen: april 09 GJ

Binomialfordelingen: april 09 GJ Bnomalfordelngen: aprl 09 GJ Spm A 14: Sandsynlghedsregnng og statstk. Efter en kort ntrodukton af grundlæggende begreber sandsynlghedsregnng og statstk skal du skal ntroducere bnomalfordelngsmodellen

Læs mere

FOLKEMØDE-ARRANGØR SÅDAN!

FOLKEMØDE-ARRANGØR SÅDAN! FOLKEMØDE-ARRANGØR SÅDAN! Bornholms Regonskommune står for Folkemødets praktske rammer. Men det poltske ndhold selve festvalens substans blver leveret af parter, organsatoner, forennger, vrksomheder og

Læs mere

Kvantemekanik 2 Side 1 af 11 Schrödingerligningen. Bølgefunktionen

Kvantemekanik 2 Side 1 af 11 Schrödingerligningen. Bølgefunktionen Kvantemean Sde af Bølgefuntonen Inden for den lassse fys an en partels bevægelse besrves ved en, der ndeholder alle oplysnnger om partlens bevægelse stedfunton r( t) Pga den KM besrevne partel-bølge-dualtet

Læs mere

Variansanalyse (ANOVA) Repetition, ANOVA Tjek af model antagelser Konfidensintervaller for middelværdierne Tukey s test for parvise sammenligninger

Variansanalyse (ANOVA) Repetition, ANOVA Tjek af model antagelser Konfidensintervaller for middelværdierne Tukey s test for parvise sammenligninger Vaansanalyse (ANOVA) Repetton, ANOVA Tjek af model antagelse Konfdensntevalle fo mddelvædene Tukey s test fo pavse sammenlgnnge ANOVA - defnton ANOVA (ANalyss Of VAance), også kaldet vaansanalyse e en

Læs mere

Anvendt Statistik Lektion 10. Regression med både kvantitative og kvalitative forklarende variable Modelsøgning Modelkontrol

Anvendt Statistik Lektion 10. Regression med både kvantitative og kvalitative forklarende variable Modelsøgning Modelkontrol Anvendt Statstk Lekton 0 Regresson med både kvanttatve og kvaltatve forklarende varable Modelsøgnng Modelkontrol Opsummerng I forbndelse med multpel lneær regresson så v på modeller på formen E[ y] = α...

Læs mere

Fagblok 4b: Regnskab og finansiering 2. del Hjemmeopgave - 28.01 2005 kl. 14.00 til 31.01 2004 kl. 14.00

Fagblok 4b: Regnskab og finansiering 2. del Hjemmeopgave - 28.01 2005 kl. 14.00 til 31.01 2004 kl. 14.00 Fagblok 4b: Regnskab og fnanserng 2. del Hjemmeopgave - 28.01 2005 kl. 14.00 tl 31.01 2004 kl. 14.00 Dette opgavesæt ndeholder følgende: Opgave 1 (vægt 50%) p. 2-4 Opgave 2 (vægt 25%) samt opgave 3 (vægt

Læs mere

Økonometri 1. Lineær sandsynlighedsmodel. Hvad nu hvis den afhængige variabel er en kvalitativ variabel (med to kategorier)?

Økonometri 1. Lineær sandsynlighedsmodel. Hvad nu hvis den afhængige variabel er en kvalitativ variabel (med to kategorier)? Dagens program Økonometr Heteroskedastctet 6. oktober 004 Hovedemnet for denne forelæsnng er heteroskedastctet (kap. 8.-8.3) Lneære sandsynlghedsmodel (kap 7.5) Konsekvenser af heteroskedastctet Hvordan

Læs mere

Udvikling af en metode til effektvurdering af Miljøstyrelsens Kemikalieinspektions tilsyn og kontrol

Udvikling af en metode til effektvurdering af Miljøstyrelsens Kemikalieinspektions tilsyn og kontrol Udvklng af en metode tl effektvurderng af Mljøstyrelsens Kemkalenspektons tlsyn og kontrol Orenterng fra Mljøstyrelsen Nr. 10 2010 Indhold 1 FORORD 5 2 EXECUTIVE SUMMARY 7 3 INDLEDNING 11 3.1 AFGRÆNSNING

Læs mere

Bernoullis differentialligning v/ Bjørn Grøn Side 1 af 10

Bernoullis differentialligning v/ Bjørn Grøn Side 1 af 10 Bernoullis differentialligning v/ Bjørn Grøn Side af 0 Bernoullis differentialligning Den logistise differentialligning er et esempel på en ie-lineær differentialligning Den logistise differentialligning

Læs mere

Tabsberegninger i Elsam-sagen

Tabsberegninger i Elsam-sagen Tabsberegnnger Elsam-sagen Resumé: Dette notat beskrver, hvordan beregnngen af tab foregår. Første del beskrver spot tabene, mens anden del omhandler de afledte fnanselle tab. Indhold Generelt Tab spot

Læs mere

Prøveeksamen Indtjening, konkurrencesituation og produktudvikling i danske virksomheder Kommenteret vejledende besvarelse

Prøveeksamen Indtjening, konkurrencesituation og produktudvikling i danske virksomheder Kommenteret vejledende besvarelse Økonometr Prøveeksamen Indtjenng, konkurrencestuaton og produktudvklng danske vrksomheder Kommenteret vejledende besvarelse Resultaterne denne besvarelse er fremkommet ved brug af eksamensnummer 7. Dne

Læs mere

Økonometri 1. Avancerede Paneldata Metoder I 24.november F18: Avancerede Paneldata Metoder I 1

Økonometri 1. Avancerede Paneldata Metoder I 24.november F18: Avancerede Paneldata Metoder I 1 Økonometr 1 Avancerede Paneldata Metoder I 24.november 2006 F18: Avancerede Paneldata Metoder I 1 Paneldatametoder Sdste gang: Paneldata begreber og to-perode tlfældet (kap 13.3-4) Uobserveret effekt modellen:

Læs mere

Morten Frydenberg Biostatistik version dato:

Morten Frydenberg Biostatistik version dato: Morten Frydenberg Bostatstk verson dato: -4- Bostatstk uge mandag Morten Frydenberg, Afdelng for Bostatstk Resume: Hvad har v været gennem ndtl nu Lneær (normal) regresson en kontnuert forklarende varabel

Læs mere

FTF dokumentation nr. 3 2014. Viden i praksis. Hovedorganisation for 450.000 offentligt og privat ansatte

FTF dokumentation nr. 3 2014. Viden i praksis. Hovedorganisation for 450.000 offentligt og privat ansatte FTF dokumentaton nr. 3 2014 Vden prakss Hovedorgansaton for 450.000 offentlgt og prvat ansatte Sde 2 Ansvarshavende redaktør: Flemmng Andersen, kommunkatonschef Foto: Jesper Ludvgsen Layout: FTF Tryk:

Læs mere

Inertimoment for arealer

Inertimoment for arealer 13-08-006 Søren Rs nertmoment nertmoment for arealer Generelt Defntonen på nertmoment kan beskrves som Hvor trægt det er at få et legeme tl at rotere eller Hvor stort et moment der skal tlføres et legeme

Læs mere

DLU med CES-nytte. Resumé:

DLU med CES-nytte. Resumé: Danmarks Statstk MODELGRUPPEN Arbejdspapr* Grane Høegh 17. august 2006 DLU med CES-nytte Resumé: Her papret undersøges det om en generalserng af den bagvedlggende nyttefunkton DLU fra Cobb-Douglas med

Læs mere

TNS Gallup - Public Ishøj kommune Borgerservice

TNS Gallup - Public Ishøj kommune Borgerservice TNS Gallup - Publc kommune Borgsvce Borgpanel, 1. undsøgelse 2009 Publc Meto Målgruppe: Borge kommune Meto: Intnetbaset undsøgelse (CAWI) Stkprøvestørrelse: 437 borge Undsøgelsen gennemført pon 16. jun-2.

Læs mere

Brugen af R^2 i gymnasiet

Brugen af R^2 i gymnasiet Downloaded from orbt.dtu.dk on: Dec 0, 017 Brugen af R^ gymnaset Brockhoff, Per B.; Hansen, Ernst; Ekstrøm, Claus Thorn Publshed n: LMFK-Bladet Publcaton date: 017 Document Verson Publsher's PDF, also

Læs mere

Afdeling for Virksomhedsledelse. Uge 47

Afdeling for Virksomhedsledelse. Uge 47 B4 - egnsab og Fnanseng -. del Efteå 005 Esben Kolnd Laustu (mal@ezben.d Afdelng fo Vsomhedsledelse Uge 47 Fnancal Maets and Cooate Stategy af Ma Gnblatt og Shedan Ttman (G&T e en sædeles god læebog, som

Læs mere

Landbrugets efterspørgsel efter Kunstgødning. Angelo Andersen

Landbrugets efterspørgsel efter Kunstgødning. Angelo Andersen Landbrugets efterspørgsel efter Kunstgødnng Angelo Andersen.. Problemformulerng I forbndelse med ønsket om at reducere kvælstof udlednngen fra landbruget kan det være nyttgt at undersøge hvordan landbruget

Læs mere

Skriftlig Eksamen DM507 Algoritmer og Datastrukturer

Skriftlig Eksamen DM507 Algoritmer og Datastrukturer Skriftlig Eksamen DM507 Algoritmer og Datastrukturer Institut for Matematik og Datalogi Syddansk Universitet, Odense Mandag den 6. juni 2016, kl. 15:00 19:00 Besvarelsen skal afleveres elektronisk. Se

Læs mere

Antag X 1,..., X n stokastiske variable med fælles middelværdi µ og varians σ 2. Hvis µ er ukendt estimeres σ 2 ved 1/36.

Antag X 1,..., X n stokastiske variable med fælles middelværdi µ og varians σ 2. Hvis µ er ukendt estimeres σ 2 ved 1/36. Estmaton af varans/sprednng Landmålngens fejlteor Lekton 4 Vægtet gennemsnt Fordelng af slutfejl - rw@math.aau.dk Insttut for Matematske Fag Aalborg Unverstet Antag X,..., X n stokastske varable med fælles

Læs mere

Økonometri lektion 7 Multipel Lineær Regression. Testbaseret Modelkontrol

Økonometri lektion 7 Multipel Lineær Regression. Testbaseret Modelkontrol Økonometr lekton 7 Multpel Lneær Regresson Testbaseret Modelkontrol MLR Model på Matrxform Den multple lneære regressons model kan skrves som X y = Xβ + Hvor og Mndste kvadraters metode gver følgende estmat

Læs mere

χ 2 -fordelte variable

χ 2 -fordelte variable χ -fordelte varable Defnton af χ -fordelngen Kvadratsummen V n af n uafhængge standardserede normalfordelte stokastske varable sges at være χ -fordelt med n frhedsgrader. V n fremkommer altså som V n =

Læs mere

Kvantitative metoder 2

Kvantitative metoder 2 Kvanttatve metoder 2 Instrumentvarabel estmaton 14. maj 2007 KM2: F25 1 y = cy ( c 0) Plan for resten af gennemgangen F25: Instrumentvarabel (IV) estmaton: Introdukton tl endogentet og nstrumentvarabler

Læs mere

Kvantitative metoder 2

Kvantitative metoder 2 y = cy ( c 0) Plan for resten af gennemgangen Kvanttatve metoder Instrumentvarabel estmaton 4. maj 007 F5: Instrumentvarabel (IV) estmaton: Introdukton tl endogentet og nstrumentvarabler En regressor,

Læs mere

Scorer FCK "for mange" mål i det sidste kvarter?

Scorer 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 mere

Forbedret Fremkommelighed i Aarhus Syd. Agenda. 1. Vurdering af forsøg Lukning af Sandmosevej

Forbedret Fremkommelighed i Aarhus Syd. Agenda. 1. Vurdering af forsøg Lukning af Sandmosevej Trafkgruppen Agenda 1. Vurderng af forsøg Luknng af Sandmosevej 2. Vurderng af foreslået forsøg Luknng af Sandmosevej og Brunbakkevej 3. Forslag tl forbedret fremkommelghed for hele Aarhus Syd 4. Kortsgtet

Læs mere

TO-BE BRUGERREJSE // Personligt tillæg

TO-BE BRUGERREJSE // Personligt tillæg TO-BE BRUGERREJSE // Personlgt tllæg PROCES FØR SITUATION / HANDLING Pa er 55 år og bor en mndre by på Sjælland. Hun er på førtdspenson og har været det mange år på grund af problemer med ryggen efter

Læs mere

Der må ikke udelades omkostninger, som er nævnt i vejledningen, ligesom der kun må indberettes de omkostninger, der er nævnt i vejledningen.

Der må ikke udelades omkostninger, som er nævnt i vejledningen, ligesom der kun må indberettes de omkostninger, der er nævnt i vejledningen. VEJLEDNING I OPGØRELSE AF OMKOSTNINGER TIL ENERGIBESPARELSER 1. Vejlednngen skal benyttes af alle fjernvarmeværker Alle værker, der har et energsparemål, skal benytte denne vejlednng tl ndberetnng af omkostnnger

Læs mere

Induktionsbevis og sum af række side 1/7

Induktionsbevis 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 mere

Beregning af strukturel arbejdsstyrke

Beregning af strukturel arbejdsstyrke VERION: d. 2.1.215 ofe Andersen og Jesper Lnaa Beregnng af strukturel arbedsstyrke Der er betydelg forskel Fnansmnsterets (FM) og Det Økonomske Råds (DØR) vurderng af det aktuelle output gap. Den væsentlgste

Læs mere

Marco Goli, Ph.D, & Shahamak Rezaei. Den Sociale Højskole København & Roskilde Universitetscenter

Marco Goli, Ph.D, & Shahamak Rezaei. Den Sociale Højskole København & Roskilde Universitetscenter Marco Gol, Ph.D, & Shahamak Rezae Den Socale Højskole København & Rosklde Unverstetscenter Folkelg opnon Folkelg opnon Kaptel 1: tdernes morgen Folkelg opnon Folkelg opnon Kaptel 2 : Den ratonelle ndvandrer

Læs mere

1.1 Motivation... 6. 1.2 Formål og omfang... 9. 1.3 Rapportens opbygning... 9. 2.1 Det grundlæggende Capacitated Vehicle Routing Problem...

1.1 Motivation... 6. 1.2 Formål og omfang... 9. 1.3 Rapportens opbygning... 9. 2.1 Det grundlæggende Capacitated Vehicle Routing Problem... CENTER FOR STATISTIK HEURISTIK TIL LØSNING AF VEHICLE ROUTING PROBLEMS KANDIDATAFHANDLING ERHVERVSØKONOMI & MATEMATIK 3. JUNI 2011 SKREVET AF: VEJLEDER: STED: ANTAL NORMALSIDER: KENNETH KNUDSEN & MAMONA

Læs mere

Morten Frydenberg Biostatistik version dato:

Morten Frydenberg Biostatistik version dato: Morten Frydenberg Bostatstk verson dato: -03-0 Effektmodfkaton Hvad er det - Kvantfcerng - Test Bostatstk uge 7 mandag Morten Frydenberg, Afdelng for Bostatstk Vægtede gennemsnt - Formler for standard

Læs mere

Opskriv følgende funktioner efter stigende orden med hensyn til O-notationen (bemærk at log n betegner totals logaritmen): n 2 (log n) 2 2.

Opskriv følgende funktioner efter stigende orden med hensyn til O-notationen (bemærk at log n betegner totals logaritmen): n 2 (log n) 2 2. Eksamen august Algoritmer og Datastrukturer (-ordning) Side af sider Opgave (%) n + n er O(n )? n / er O(n / )? n er O(n log n)? n er O((log n) )? n er Ω(n )? Ja Nej Opgave (%) Opskriv følgende funktioner

Læs mere

Kvantitative metoder 2

Kvantitative metoder 2 Program for dag: Kvanttatve metoder Opsamlng vedr. nferens uden MLR.5: Beregnng af robuste standardfejl og kovarans under heteroskedastctet (W8.) W.6: Flere emner en multpel regressonsmodel Inferens den

Læs mere

Elektromagnetisk induktion

Elektromagnetisk induktion Elektromagnetsme 11 Sde 1 af 9 Elektromotorsk kraft: Elektromagnetsk ndukton Den elektromotorske kraft en lukket kreds er defneret som det elektromagnetske arbede pr. ladnng på en prøveladnng q, der føres

Læs mere

Notat om porteføljemodeller

Notat om porteføljemodeller Notat om porteføljemodeller Svend Jakobsen 1 Insttut for fnanserng Handelshøjskolen Århus 15. februar 2004 1 mndre modfkatoner af Mkkel Svenstrup 1 INDLEDNING 1 1 Indlednng Dette notat ndeholder en opsummerng

Læs mere

Værktøj til beregning af konkurrenceeffekter ved udlægning af nyt butiksområde

Værktøj til beregning af konkurrenceeffekter ved udlægning af nyt butiksområde Dato: 6. oktober 217 Sag: DIPS- 16/1631 Sagsbehandler: /SBJ/DEB/PMO/KBA Værktøj tl beregnng af konkurrenceeffekter ved udlægnng af nyt butksområde KONKURRENCE- OG FORBRUGERSTYRELSEN ERHVERVSMINISTERIET

Læs mere

Danmarks Tekniske Universitet

Danmarks Tekniske Universitet ksamen 06, side af sider anmarks Tekniske Universitet Skriftlig prøve, den 6. maj 0. ursusnavn: lgoritmer og datastrukturer ursus nr. 06. Tilladte hjælpemidler: Skriftlige hjælpemidler. Varighed: timer

Læs mere

Morten Frydenberg Version: Thursday, 16 June 2011

Morten Frydenberg Version: Thursday, 16 June 2011 Morten Frydenberg Verson: Thursday, 6 June 20 Logstc regresson og andre regresonsmodeller Morten Frydenberg Deartt of Bostatscs, Aarhus Unv, Denmar Hvornår an man bruge logsts regresson. Ldt om odds og

Læs mere

PRODUKTIONSEFFEKTEN AF AVL FOR HANLIG FERTILITET I DUROC

PRODUKTIONSEFFEKTEN AF AVL FOR HANLIG FERTILITET I DUROC PRODUKTIONSEFFEKTEN AF AVL FOR HANLIG FERTILITET I DUROC MEDDELELSE NR. 1075 Vrknngsgraden (gennemslaget) tl en produktonsbesætnng for avlsværdtallet for hanlg fertltet Duroc blev fundet tl 1,50, hvlket

Læs mere

Binomialfordelingen. Erik Vestergaard

Binomialfordelingen. Erik Vestergaard Bnomalfordelngen Erk Vestergaard Erk Vestergaard www.matematkfysk.dk Erk Vestergaard,. Blleder: Forsde: Stock.com/gnevre Sde : Stock.com/jaroon Sde : Stock.com/pod Desuden egne fotos og llustratoner. Erk

Læs mere

Indtjening, konkurrencesituation og produktudvikling i danske virksomheder

Indtjening, konkurrencesituation og produktudvikling i danske virksomheder Kvanttatve metoder 2 Forår 2007 Oblgatorsk opgave 2 Indtjenng, konkurrencestuaton og produktudvklng danske vrksomheder Opgavens prmære formål er at lgne formen på tag-hjem delen af eksamensopgaven. Der

Læs mere

Miljø- og Fødevareudvalget MOF Alm.del Bilag 16 Offentligt

Miljø- og Fødevareudvalget MOF Alm.del Bilag 16 Offentligt - at Mljø- Fødevareudvalget 2017-18 MOF Alm.del Blag 16 Offentlgt UDVALGSSEKRETARIATET NOTAT OM FREMMØDE UNDER FORETRÆDER FOR UDVALG FOLKETINGET Præsdet har drøftet fremmødet under foretræde for udvalgene

Læs mere

TO-BE BRUGERREJSE // Tænder

TO-BE BRUGERREJSE // Tænder TO-BE BRUGERREJSE // Tænder PROCES FØR SITUATION / HANDLING Jørgen er 75 år og folkepensonst. Da han er vanskelgt stllet økonomsk, har han tdlgere modtaget hjælp fra kommunen, bl.a. forbndelse med fodbehandlng

Læs mere

Økonometri 1 Efterår 2006 Ugeseddel 13

Økonometri 1 Efterår 2006 Ugeseddel 13 Økonometr 1 Efterår 2006 Ugeseddel 13 Prram for øvelserne: Gruppearbejde plenumdskusson SAS øvelser Øvelsesopgave: Vækstregressoner (fortsat) Ugeseddel 13 fortsætter den emprske analyse af vækstregressonen

Læs mere

Analytisk modellering af 2D Halbach permanente magneter

Analytisk modellering af 2D Halbach permanente magneter Analytsk modellerng af 2D Halbach permanente magneter Kaspar K. Nelsen kak@dtu.dk, psjq@dtu.dk DTU Energ Konverterng og -Lagrng Danmarks Teknske Unverstet Frederksborgvej 399 4000, Rosklde, Danmark 17.

Læs mere

Noter til fysik 3: Statistisk fysik

Noter til fysik 3: Statistisk fysik Noter tl fysk 3: Statstsk fysk Martn Sparre www.logx.dk August 27 Bemærk, at log x denne note er den naturlge logartme. Denne verson er fra d. 16 November, hvor flere trykfejl er blevet rettet. 1 Entrop

Læs mere

Kvantitative metoder 2 Forår 2007 Ugeseddel 9

Kvantitative metoder 2 Forår 2007 Ugeseddel 9 Kvanttatve metoder 2 Forår 2007 Ugeseddel 9 Program for øvelserne: Introdukton af problemstllng og datasæt Gruppearbejde SAS øvelser Paneldata for tlbagetræknngsalder Ugesedlen analyserer et datasæt med

Læs mere

i l\ri"* vi/ v'+ d' - '"= '? ii ',,*f,,då* \vnrr)*t jc'^-- 5 / 1 korl, \ ci I, LW'i' >/ ri{i t \ itu /,r "'; *,,{ Agenda u"=&.,n ) /,*ii adiil [,16,t

i l\ri* vi/ v'+ d' - '= '? ii ',,*f,,då* \vnrr)*t jc'^-- 5 / 1 korl, \ ci I, LW'i' >/ ri{i t \ itu /,r '; *,,{ Agenda u=&.,n ) /,*ii adiil [,16,t bt (*, U t \ ct') c, (r..j )\d $,rr\ f ),l ) \uu -J lott, rt,, t{' ' [#, fur $rt",'t (,t_ { r'. \ t 1.T, tf,l \ wt '1${ r rj ^lr t;.\4 t} Crh d /\ -":.-,, Uu! 1futrfurt,? /r!.j{ j f- 1l,t' n\up :,/ JY

Læs mere

Vægtet model. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægte. Vægte: Eksempel. Definition: Vægtrelationen

Vægtet model. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægte. Vægte: Eksempel. Definition: Vægtrelationen Vægtet model Landmålngens fejlteor Lekton 4 Vægtet gennemsnt Fordelng af slutfejl - kkb@mathaaudk http://peoplemathaaudk/ kkb/undervsnng/lf3 Insttut for Matematske Fag Aalborg Unverstet Gvet n uafhængge

Læs mere

J n (λ) = dvs. n n-jordan blokken med λ i diagonalen. Proposition 1.2. For k 0 gælder. nullity (J n (λ) λi) k 1) 1 for 1 k n. n for k n.

J n (λ) = dvs. n n-jordan blokken med λ i diagonalen. Proposition 1.2. For k 0 gælder. nullity (J n (λ) λi) k 1) 1 for 1 k n. n for k n. . Jordan normalform Målet med dette notat er at vise hvorledes man ud fra en given matrix beregner dens Jordan normalform. Definition.. For n og λ C sættes λ 0... 0. 0 λ... J n λ).......... 0....... λ

Læs mere

Statistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel

Statistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel Statstk II Lekton 5 Modelkontrol Modelkontrol Modelsøgnng Større eksempel Opbygnng af statstsk model Eksploratv data-analyse Specfcer model Lgnnger og antagelser Estmer parametre Modelkontrol Er modellen

Læs mere

Fysik 3. Indhold. 1. Sandsynlighedsteori

Fysik 3. Indhold. 1. Sandsynlighedsteori Fysk 3 Indhold Termodynamk John Nclasen 1. Sandsynlghedsteor 1.1 Symboler 1.2 Boolsk Algebra 1.3 Betngede Udsagn 1.4 Regneregler 1.5 Bayes' formel 2. Fordelnger 2.1 Symboler 2.2 Bnomal Fordelngen 2.3 ultnomal

Læs mere

Økonometri 1. Avancerede Paneldata Metoder II Introduktion til Instrumentvariabler 27. november 2006

Økonometri 1. Avancerede Paneldata Metoder II Introduktion til Instrumentvariabler 27. november 2006 Økonometr 1 Avancerede Paneldata Metoder II Introdukton tl Instrumentvarabler 27. november 2006 Paneldata metoder Sdste gang: Paneldata med to eller flere peroder og fxed effects estmaton. Første-dfferens

Læs mere

MfA. V Udstyr. Trafikspejle. Vejregler for trafikspejles egenskaber og anvendelse. Vejdirektoratet -Vejregeludvalget Oktober 1998

MfA. V Udstyr. Trafikspejle. Vejregler for trafikspejles egenskaber og anvendelse. Vejdirektoratet -Vejregeludvalget Oktober 1998 > MfA V Udstyr Trafkspejle Vejregler for trafkspejles egenskaber og anvendelse Vejdrektoratet -Vejregeludvalget Oktober 1998 Vejreglernes struktur I henhold tl 6, stk. 1 lov om offentlge veje (Trafkmnsterets

Læs mere

Luftfartens vilkår i Skandinavien

Luftfartens vilkår i Skandinavien Luftfartens vlkår Skandnaven - Prsens betydnng for valg af transportform Af Mette Bøgelund og Mkkel Egede Brkeland, COWI Trafkdage på Aalborg Unverstet 2000 1 Luftfartens vlkår Skandnaven - Prsens betydnng

Læs mere

HVIS FOLK OMKRING DIG IKKE VIL LYTTE, SÅ KNÆL FOR DEM OG BED OM TILGIVELSE, THI SKYLDEN ER DIN. Fjordor Dostojevskij

HVIS FOLK OMKRING DIG IKKE VIL LYTTE, SÅ KNÆL FOR DEM OG BED OM TILGIVELSE, THI SKYLDEN ER DIN. Fjordor Dostojevskij HVIS FOLK OMKRING DIG IKKE VIL LYTTE, SÅ KNÆL FOR DEM OG BED OM TILGIVELSE, THI SKYLDEN ER DIN. Fjordor Dostojevskj Den store russske forfatter tænkte naturlgvs kke på markedsførng, da han skrev dsse lner.

Læs mere

Mary Rays. Træn lydighed, agility og tricks med klikkertræning. Mary Ray. Atelier. Andrea McHugh

Mary Rays. Træn lydighed, agility og tricks med klikkertræning. Mary Ray. Atelier. Andrea McHugh Mary Rays Mary Rays Mary Ray Andrea McHugh Træn lydghed, aglty og trcks med klkkertrænng Ateler An Hachette Lvre UK Company Frst publshed n Great Brtan n 2009 by Hamlyn, a dvson of Octopus Publshng Group

Læs mere

Danmarks Tekniske Universitet

Danmarks Tekniske Universitet side af 3 sider anmarks Tekniske Universitet Skriftlig prøve, den 29. maj 203. ursusnavn: lgoritmer og datastrukturer ursus nr. 02326. jælpemidler: Skriftlige hjælpemidler. et er ikke tilladt at medbringe

Læs mere

FOTO FRA STEDET. Ekkodalen Bofællesskab i Ballerup Kommune - OK FONDEN

FOTO FRA STEDET. Ekkodalen Bofællesskab i Ballerup Kommune - OK FONDEN 2 FOTO FRA STEDET Ekkodalen Bofællesskab i Ballerup Kommune - OK FONDEN Grunden er et stærkt kuperet areal, placeret langs Bispevangen i det nordlige Ballerup. Foruden den naturlige kupering, er der bygget

Læs mere

Bowlingturnering 2015/ 2016

Bowlingturnering 2015/ 2016 Læs de under slagseddel anførte oplysnnger tak & spllernummer skal jo angves, og navn & spllernummer skal gerne passe tl samme bowlngspller, så jeg kke skal tl at gætte hvem der har spllet hvlket resultat

Læs mere

Estimation af CES - forbrugssystemet med og uden dynamik: -fcf/fcfv sammenhold med fcv/fcfv -fct/fcts sammenhold med fcs/fcts

Estimation af CES - forbrugssystemet med og uden dynamik: -fcf/fcfv sammenhold med fcv/fcfv -fct/fcts sammenhold med fcs/fcts Danmarks Statstk MODELGRUPPEN Arbejdspapr [udkast] Andreas Østergaard Iversen 140609 Estmaton af CES - forbrugssystemet med og uden dynamk: -fcf/fcfv sammenhold med fcv/fcfv -fct/fcts sammenhold med fcs/fcts

Læs mere

Videregående Algoritmik. David Pisinger, DIKU. Reeksamen, April 2005

Videregående 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 mere