Kapitel 4: Nyttefunktioner
|
|
|
- Eva Paulsen
- 9 år siden
- Visninger:
Transkript
1 Kapitel 4: Nyttefunktioner Hvad er nytte? - det gamle syn: 1. Nytte betragtet som en indikator for et individs overordnede velfærd. 2. Nytten er kardinal: Størrelsen på nyttedifferencer har betydning. 3. Hvert individ ønsker at maksimere egen nytte 4. Utilitarisme: Maximere summen af nytter. 5. Læs mere...:
2 Jeremy Bentham, Problemer: 1. Hvordan måler vi nytten? 2. Kan vi sammenligne nytten mellem individider? 3. Hvordan fortolker vi kardinal nytte? 4. Kan vi nøjes med et mindre ambitiøst nyttebegreb?
3 Hvad er nytte? - det nye syn: 1. Udgangspunktet er en præferencerelation º 2. Nytte er en funktion som repræsenterer præferencer. 3. Nyttefunktionen tildeler et tal til hvert alternativ så at det foretrukne varebundt får højest nytte og vice versa: 4. u repræsenterer º hvis: 5. u(x 1,x 2 ) >u(y 1,y 2 ) (x 1,x 2 ) Â (y 1,y 2 ). 6. Ordinal nytte: Kun rangordning af alternativer har betydning. 7. Operationelt nyttebegreb: Kender vi præferencerelation º kan vi konstruere nytten.
4 Finder der altid en nyttefunktion? 1. Nej! Modeksempel: 2. Tre alternativer x, y og z. (a) x  y (b) y  z (c) z  x 3. Hvis nytte u eksisterer da giver a) u(x) >u(y), b) giver u(y) >u(z), c) giver u(z) >u(x), dvs: 4. u(x) >u(y) >u(z) >u(x) - modstrid! 1. Hvornår findes en nyttefunktion? 2. Sætning: Hvis der er et endeligt antal alternativer, da er følgende ækvivalent: (a) º er komplet og transitiv. (b) º kan repræsenteres ved en nyttefunktion. 3. Bevis: Mikro 2. år. 4. POINTE: Så længe at vi antager komplethed og transitivitet, da kommer det ud på et om vi starter med præferencerelation º eller nyttefunktion u.
5 5. NB: Typisk har vi uendeligt mange alternativer (alle mulige tænkelige størrelser varebundter). 6. Her findes eksempler på komplette og transitive præferencer som ikke kan repræsenteres ved en nyttefunktion. 7. Eksempel: Leksikografiske præferencer: 8. To goder. (x 1,x 2 ) º L (y 1,y 2 ) hvis [x 1 >y 1 eller x 1 = y 1 og x 2 y 2 ]. 9. Komplet? -Ja! 10.Transitiv? -Ja! 11.MEN kan ikke repræsenteres ved en nyttefunktion. 12.PROBLEMET: Den leksikografiske præferencerelation º L ikke kontinuert i varerummet R I praksis kan vi roligt antage at præferencer er kontinuerte.
6 Er nyttefunktion entydig? 1. SPM: Hvis der findes en nyttefunktion u der repræsenter præferencerelation º,eru da entydigt bestemt ud fra º? 2. NEJ: Hvis u repræsenter º og f er en strengt voksende funktion, da repræsenter f(u) også º. 3. HVORFOR? 4. u repræsenterer º hvis: 5. u(x 1,x 2 ) >u(y 1,y 2 ) (x 1,x 2 ) Â (y 1,y 2 ). 6. Hvis f er strengt voksende har vi da også: 7. f(u(x 1,x 2 )) >f(u(y 1,y 2 )) (x 1,x 2 ) Â (y 1,y 2 ). 8. OMVENDT: Hvis u og v begge repræsenterer º så findes der en strengt voksende funktion f så u(x 1,x 2 )=f(v(x 1,x 2 )) for all (x 1,x 2 ). 9. POINTE: Hvis u repræsenterer º da er u entydigt bestemt op til en vilkårlig strengt voksende transformation.
7 1.
8 Konstruktion af nyttefunktion 1. Fra indifferenskurver: Se figur! 2. Eller direkte ud fra fortolkning af præferencer: (a) Perfekte substitutter 1:1. Det eneste der betyder noget er det samlede antal goder. Så u(x 1,x 1 )=x 1 + x 2 er en nyttefunktion. (b) Perfekte substitutter generelt. u(x 1,x 1 )= ax 1 + bx 2. (c) Perfekte komplementer 1:1. Det eneste der betyder noget er minimum af de to goder. u(x 1,x 1 )=min{x 1,x 2 }. (d) Perfekte komplementer generelt. u(x 1,x 1 )= min{ax 1,bx 2 }.
9 2.
10 3. Konstruktion af indifferenskurver fra nyttefunktion 1. Eksempel: u(x 1,x 2 )=x 1 x x 1 x 2 = k x 2 = k x Plot kurve for k =1, 2, 3,...etc.
11 To vigtige eksempler på nyttefunktioner 1. Kvasi-lineær nytte: u(x 1,x 2 )=v(x 1 )+x 2. (a) Nytte lineær i x 2. v(x 1 ) kan være x 1, log(x 1 ),... (b) Indifferenskurver vertikalt parallelle. 2. Cobb-Douglas nytte: u(x 1,x 2 )=x c 1x d 2. (a) Kan normalisere koefficienter til at summe til 1: (b) (u(x 1,x 2 )) 1 c+d =(x c 1 x d 2) 1 c c+d = x c+d c+d 1 x d 2 = bu(x 1,x 2 ). (c) a c c+d. bu(x 1,x 2 )=x a 1x 1 a 2. (d) Kan gøres additiv ved en logaritmisk tranformation : (e) log u(x 1,x 2 )=logx a 1x 1 a 2 = a log x 1 +(1 a)logx 2.
12 4. 5.
13 Marginalnytte 1. Hvis u(x 1 ) er funktion af én variabel, da er marginalnytte u(x 1 ) x 1 = u 0 (x 1 ) = lim x1 0 u(x 1 + x 1 ) u(x 1 ) x Hvis u(x 1,x 2 ) er funktion af to variable, da kan vi også udregne marginalnytte af x 1 for fastholdt x 2 - den partielle afledede. 3. Definition: x 1 = u 0 x 1 (x 1,x 2 ). = lim x1 0 u(x 1 + x 1,x 2 ) u(x 1,x 2 ) x 1 4. Eksempel 1: u(x 1,x 2 )=ax 1 + bx 2. x 1 = a. 5. Eksempel 2: u(x 1,x 2 )=x a 1x 1 a 2. x 1 = ax a 1 1 x 1 a 2.
14 Sammenhæng mellem MRS og partielle afledede 1. Husk: MRS i et punkt er hælding på indifferenskurve. 2. I punktet (x 1,x 2 ) lad (dx 1,dx 2 ) være ændring i x 1 hhv x 2 så u(x 1,x 2 )=u(x + dx 1,x 2 + dx 2 ). Altså: 3. du = u(x 1,x 2 ) dx 1 + u(x 1,x 2 ) dx 2 =0. x 1 x 2 Hvilket giver: 4. dx 2 dx 1 = x 1. x 2
15 Transformationer, partielle afledede, MRS. 1. Hvis u transformeres, da transformeres partiel afledet også! 2. Men MRS ændres ikke: x 3. u(x 1,x 2 ).MRS= 1. x 2 4. v(x 1,x 2 )=f(u(x 1,x 2 )). 5. MRS = v x 1 v x 2 = f u u x 1 f u u x 2 = u x 1 u x 2.
16 Eksempel: Cobb-Douglas 1. u(x 1,x 2 )=x c 1x d 2 x 2. MRS = 1 x 2 = cxc 1 1 x d 2 x c 1 dxd 1 2 = c d x c 1 1 x d 2 x c 1 xd 1 2 = c x 2 d x v(x 1,x 2 )=log(u(x 1,x 2 )) = c log x 1 + d log x 2 x 4. MRS = 1 x 1 d 1 x 2 x 2 = c 1 = c x 2 d x 1.
17 Anvendelse: bil eller bus til arbejde? 1. Tage bus og bil til arbejde? 2. Lad x 1 være rejsetid i bil, y 1 rejsetid i bus. 3. Lad x 2 være omkostning ved at køre bil, y 2 være omkostning ved at køre bus Antag lineær nytte: u(x 1,..., x n )=β 1 x β n x n. 6. Estimér β i ere ud fra observerede valg. 7. Domenich-McFadden (1975): Nyttefunktion gav korrekt forudsigelse af valg i 93% af tilfælde. 8. Med estimeret nyttefunktion kan vi: (a) Udregne MRS mellem to attributter. F.eks.: Hvad er værdi målt i $ for kortere rejsetid? (b) Lave forudsigelser. F.eks. hvor mange skifter til bus hvis rejsetiden forkortes? (c) Udregne velfærdsgevinster: Hvad er værdien (målt i $) for en rejsetidsforkortelse for dem der allerede allerede tager bussen?
Kapitel 4: Nyttefunktioner. Hvad er nytte? - det gamle syn:
Kapitel 4: Nyttefunktioner Hvad er nytte? - det gamle syn: 1. Nytte er en indikator for et individs overordnede velfærd. 2. Nytten måles for eksempel på en skala fra 0 til 100. 3. Skalaen er kardinal:
1 Kapitel 5: Forbrugervalg
1 Kapitel 5: Forbrugervalg Vi har set på: 1. Budgetbegrænsninger. 2. Præferencer og nyttefunktioner. Nu stykker vi det hele sammen og studerer forbrugerens valg. 1 2 Optimalt forbrug - gra sk fremstilling
Kapitel 3: Præferencer. Hvordan skal vi modellere præferencer?
Kapitel 3: Præferencer Hvordan skal vi modellere præferencer? 1. Paradigme (husk fra forrige kapitel): Forbrugeren vælger det bedste varebundt som han/hun har råd til. 2. Vi har set på hvordan man kan
Kapitel 3: Præferencer. Hvordan skal vi modellere
Kapitel 3: Præferencer Hvordan skal vi modellere præferencer? 1. Paradigme (husk fra forrige kapitel): Forbrugeren vælger det bedste varebundt som han/hun har råd til. 2. Vi har set på hvordan man kan
1 Kapitel 5: Forbrugervalg
1 Kapitel 5: Forbrugervalg Vi har set på: 1. budgetbegrænsninger 2. præferencer og nyttefunktioner. Nu stykker vi det hele sammen og studerer forbrugerens optimale valg. 2 Optimalt forbrug - grafisk fremstilling
Kapitel 3 Forbrugeradfærd
Emner Kapitel 3 orbrugeradfærd Præferencer udgetbegrænsning orbrugsvalg hapter 3: onsumer ehavior Slide Introduktion Virksomheder har brug for at kende forbrugeradfærd, når de prisfastsætter et produkt.
Forbrugerteori: Optimale valg og efterspørgsel
Forbrugerteori: Optimale valg og efterspørgsel Jesper Breinbjerg Department of Business and Economics University of Southern Denmark Akademiet for Talentfulde Unge, 20. marts 2014 Jesper Breinbjerg Optimale
1 Virksomheders teknologi (kapitel 18)
1 Virksomheders teknologi (kapitel 18) 1. "Produktionsteori" har til formål at beskrive de teknologiske begrænsninger en virksomhed er underlagt. 2. Dette gøres ved "produktionsfunktioner". 3. Visse ligheder
1 Virksomheders teknologi (kapitel 18)
1 Virksomheders teknologi (kapitel 18) 1. Vi ønsker at beskrive de teknologiske begrænsninger som en virksomhed har. 2. Vi har set på nyttefunktioner indenfor forbrugerteorien. 3. Nu ser vi på "produktionsfunktioner".
1 Bytteøkonomier (kapitel 30)
1 Bytteøkonomier (kapitel 30) 1. Setup: Vi har en række forbrugere med hver deres initialbeholdning af en række goder. (a) Ren bytteøkonomi - ingen virksomheder - ingen produktion! 2. Typiske spørgsmål:
1 Bytteøkonomier (kapitel 31)
1 Bytteøkonomier (kapitel 31) 1. Setup: Vi har en række forbrugere med hver deres initialbeholdning af en række goder. (a) Ren bytteøkonomi - ingen virksomheder - ingen produktion! (b) Vi har en "generel
Mikroøkonomi Projektopgave: Valg Under Usikkerhed
Mikroøkonomi Projektopgave: Valg Under Usikkerhed Peter Norman Sørensen, Økonomisk Institut Forår 2003 1. Formalia [10 minutter] Denne obligatoriske projektopgave er en guide til selvstudium af kapitel
Differentiation af sammensatte funktioner
1/7 Differentiation af sammensatte funktioner - Fra www.borgeleo.dk En sammensat funktion af den variable x er en funktion, vor x først indsættes i den såkaldte indre funktion. Resultatet fra den indre
Anvendt Lineær Algebra
Anvendt Lineær Algebra Kursusgang 3 Anita Abildgaard Sillasen Institut for Matematiske Fag AAS (I17) Anvendt Lineær Algebra 1 / 38 Vi betragter et lineært ligningssystem (af m ligninger med n ubekendte)
Program. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning Sandsynlighedstætheder og kontinuerte fordelinger på R Varians og middelværdi Normalfordelingen Susanne Ditlevsen Uge 48, tirsdag Tætheder og fordelingsfunktioner
Mere om differentiabilitet
Mere om differentiabilitet En uddybning af side 57 i Spor - Komplekse tal Kompleks funktionsteori er et af de vigtigste emner i matematikken og samtidig et af de smukkeste I bogen har vi primært beskæftiget
Vejledende opgavebesvarelse Økonomisk kandidateksamen 2005I 1. årsprøve, Mikroøkonomi
Vejledende opgavebesvarelse Økonomisk kandidateksamen 2005I 1. årsprøve, Mikroøkonomi Claus Thustrup Kreiner OPGAVE 1 1.1 Forkert. En isokvant angiver de kombinationer af inputs, som resulterer i en given
Introduktion til Laplace transformen (Noter skrevet af Nikolaj Hess-Nielsen sidst revideret marts 2013)
Introduktion til Laplace transformen (oter skrevet af ikolaj Hess-ielsen sidst revideret marts 23) Integration handler ikke kun om arealer. Tværtimod er integration basis for mange af de vigtigste værktøjer
Statistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Uafhængighed og reelle transformationer Helle Sørensen Uge 8, mandag SaSt2 (Uge 8, mandag) Uafh. og relle transf. 1 / 16 Program I dag: Uafhængighed af kontinuerte
Program. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag I formiddag: Tætheder og fordelingsfunktioner kort resume fra i mandags og et par eksempler mere om sammenhængen
Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl
Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - [email protected] Institut for Matematiske Fag Aalborg Universitet 1/36 Estimation af varians/spredning Antag X 1,...,X n stokastiske
1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable
Landmålingens fejlteori - lidt om kurset Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - [email protected] Institut for Matematiske Fag Aalborg Universitet Kursusholder
Opgave 1: Mikro (20 point)
Københavns Universitet Det Naturvidenskablige Fakultet Økonomi 1, Matematik-Økonomi Studiet 4 timers prøve med hjælpemidler, 29. januar 2003. Alle opgaver skal besvares. Ved bedømmelsen vægtes alle spørgsmål
Bedste rette linje ved mindste kvadraters metode
1/9 Bedste rette linje ved mindste kvadraters metode - fra www.borgeleo.dk Figur 1: Tre datapunkter og den bedste rette linje bestemt af A, B og C Målepunkter og bedste rette linje I ovenstående koordinatsystem
Oversigt [S] 2.7, 2.9, 11.4
Oversigt [S] 2.7, 2.9, 11.4 Nøgleord og begreber Tangentlinje for graf Tangentplan for graf Test tangentplan Lineær approximation i en og flere variable Test approximation Differentiabilitet i flere variable
MASO Uge 7. Differentiable funktioner. Jesper Michael Møller. Uge 7. Formålet med MASO. Department of Mathematics University of Copenhagen
MASO Uge 7 Differentiable funktioner Jesper Michael Møller Department of Mathematics University of Copenhagen Uge 7 Formålet med MASO Oversigt Differentiable funktioner R n R m Differentiable funktioner
MM502+4 forelæsningsslides. uge 6, 2009
MM502+4 forelæsningsslides uge 6, 2009 1 Definition partielle afledede: De (første) partielle afledede af en funktion f(x, y) af to variable er f(x + h, y) f(x, y) f 1 (x, y) := lim h 0 h f(x, y + k) f(x,
Økonometri 1. Den simple regressionsmodel 11. september Økonometri 1: F2
Økonometri 1 Den simple regressionsmodel 11. september 2006 Dagens program Den simple regressionsmodel SLR : Én forklarende variabel (Wooldridge kap. 2.1-2.4) Motivation for gennemgangen af SLR Definition
Test grafisk afledede Højere partielle afledede Differentiationsordenen er ligegyldig Partielle differentialligninger Test Laplaces ligning
Oversigt [S] 2.7, 3.1, 3.4, 11.3 Nøgleord og begreber Differentiabel funktion i en variabel Partielle afledede i flere variable Notation og regneregler for partielle afledede Test partielle afledede Grafisk
Mat H /05 Note 2 10/11-04 Gerd Grubb
Mat H 1 2004/05 Note 2 10/11-04 Gerd Grubb Nødvendige og tilstrækkelige betingelser for ekstremum, konkave og konvekse funktioner. Fremstillingen i Kapitel 13.1 2 af Sydsæters bog [MA1] suppleres her med
Differentiabilitet. f(h) = f(x 0 +h) f(x 0 ). y = f(x) f(h) df(h) Figur 1: Tangent, tilvækst og differential. lim. df(h) = f (x 0 )h.
Differentiabilitet 1 Funktioner af én reel variabel Tilvækstfunktionen f med udgangspunkt i x 0 er en reel funktion af tilvæksten : f() = f(x 0 +) f(x 0 ). y = f(x) Tangent (x 0,f(x 0 )) df() f() x 0 x
Mich Tvede 29. januar 2003. Økonomisk Institut Københavns Universitet
Mich Tvede 29. januar 2003. Økonomisk Institut Københavns Universitet Lars Peter Østerdal 2. November 2004. 1 Forbrugere Opgave 1.1 1. Illustrer følgende budgetrestriktioner grafisk: a) p 1 =1,p 2 =1ogm
Forbrugeroverskud, ækvivalerende og kompenserende variationer
Forbrugeroverskud, ækvivalerende og kompenserende variationer Introduktion Undervisningsnote til Mikro A, af Ole Kveiborg og Michael Teit Nielsen Vi har kigget en hel del på, hvordan forbrugeren reagerer
Oversigt [S] 2.7, 2.9, 11.4
Oversigt [S] 2.7, 2.9, 11.4 Nøgleord og begreber Tangentlinje for graf Tangentplan for graf Test tangentplan Lineær approximation i en og flere variable Test approximation Differentiabilitet i flere variable
Matematisk modellering og numeriske metoder
Matematisk modellering og numeriske metoder Morten Grud Rasmussen 5. september 2016 1 Ordinære differentialligninger ODE er 1.1 ODE er helt grundlæggende Definition 1.1 (Ordinære differentialligninger).
Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable
Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - [email protected] Institut for Matematiske Fag Aalborg Universitet 1/41 Landmålingens fejlteori - lidt om kurset
Partielle afledede og retningsafledede
Partielle afledede og retningsafledede 1 Partielle afledede, definitioner og notationer Bertragt en funktion af to reelle variable f : D R, hvor D R 2 er et åbent område Med benyttelse af tilvækstfunktionen
Gradienter og tangentplaner
enote 16 1 enote 16 Gradienter og tangentplaner I denne enote vil vi fokusere lidt nærmere på den geometriske analyse og inspektion af funktioner af to variable. Vi vil især studere sammenhængen mellem
Sætning (Kædereglen) For f(u), u = g(x) differentiable er den sammensatte funktion F = f g differentiabel med
Oversigt [S] 3.5, 11.5 Nøgleord og begreber Kædereglen i en variabel Kædereglen to variable Test kædereglen Kædereglen i tre eller flere variable Jacobimatricen Kædereglen på matrixform Test matrixform
Nøgleord og begreber Analysens hovedsætning Stamfunktioner Itereret integral Test itereret integral Fubinis sætning Test Fubini Eksempler Test produkt
Oversigt [S] 5., 5.3, 5.4,.,. Nøgleord og begreber Analysens hovedsætning Stamfunktioner Itereret integral Test itereret integral Fubinis sætning Test Fubini Eksempler Test produkt Calculus - 6 Uge 39.
1 Markedsefterspørgsel (kapitel 15) 1. Markedseftersspørgselskurven: Sammenhængen mellem markedspris og samlet efterspørgsel på et marked.
1 Markedsefterspørgsel (kapitel 15) 1. Markedseftersspørgselskurven: Sammenhængen mellem markedspris og samlet efterspørgsel på et marked. 2 Fra forbrugerefterspørgsel til markedsefterspørgsel 1. For enhver
MATEMATIK 11 Eksamensopgaver Juni 1995 Juni 2001, 4. fjerdedel
Juni 2000 MATEMATIK 11 Eksamensopgaver Juni 1995 Juni 2001, 4. fjerdedel Opgave 1. (a) Find den fuldstændige løsning til differentialligningen y 8y + 16y = 0. (b) Find den fuldstændige løsning til differentialligningen
= λ([ x, y)) + λ((y, x]) = ( y ( x)) + (x y) = 2(x y).
Analyse 2 Øvelser Rasmus Sylvester Bryder 17. og 20. september 2013 Supplerende opgave 1 Lad λ være Lebesgue-målet på R og lad A B(R). Definér en funktion f : [0, ) R ved f(x) = λ(a [ x, x]). Vis, at f(x)
Matematik B-niveau 31. maj 2016 Delprøve 1
Matematik B-niveau 31. maj 2016 Delprøve 1 Opgave 1 - Ligninger og reduktion (a + b) (a b) + b (a + b) = a 2 ab + ab b 2 + ab + b 2 = a 2 + ab Opgave 2 - Eksponentiel funktion 23 + 2x = 15 2x 2 = 8 x =
MASO Uge 7. Differentiable funktioner. Jesper Michael Møller. Uge 7. Formålet med MASO. Department of Mathematics University of Copenhagen
MASO Uge 7 Differentiable funktioner Jesper Michael Møller Department of Mathematics University of Copenhagen Uge 7 Formålet med MASO Oversigt Differentiable funktioner f : R R En funktion f : R R er differentiabel
Kapitel 15: Markedsefterspørgsel
November 29, 2008 Indledning individuel efterspørgsel: maximering af nytte under budgetbegrænsning Ligevægt: udbud er lig efterspørgsel afgørende: den samlede efterspørgsel Centralt: hvordan afhænger efterspørgslen
Økonometri: Lektion 2 Multipel Lineær Regression 1/27
Økonometri: Lektion 2 Multipel Lineær Regression 1/27 Multipel Lineær Regression Sidst så vi på simpel lineær regression, hvor y er forklaret af én variabel. Der er intet, der forhindre os i at have mere
Substitutions- og indkomsteffekt ved prisændringer
Substitutions- og indkomsteffekt ved prisændringer Erik Bennike 14. november 2009 Denne note giver en beskrivelse af de relevante begreber omkring substitutions- og indkomsteffekter i mikroøkonomi. 1 Introduktion
UGESEDDEL 9 LØSNINGER. Sydsæter Theorem 1. Sætning om implicitte funktioner for ligningen f(x, y) = 0.
UGESEDDEL 9 LØSNINGER Sydsæter 531 Theorem 1 Sætning om implicitte funktioner for ligningen f(x, y) = 0 Lad f(x, y) være C 1 i mængden A R n og lad (x 0, y 0 ) være et indre punkt i A hvor f(x 0, y 0 )
Det teknisk-naturvidenskabelige basisår Matematik 1A, Efterår 2005, Hold 3 Prøveopgave C
Det teknisk-naturvidenskabelige basisår Matematik 1A, Efterår 2005, Hold 3 Prøveopgave C Opgaven består af tre dele, hver med en række spørgsmål, efterfulgt af en liste af teorispørgsmål. I alle opgavespørgsmålene
Mich Tvede 29. december 2007 Økonomisk Institut Københavns Universitet. En virksomhed har følgende produktionsmulighedsområde:
Mich Tvede 29. december 2007 Økonomisk Institut Københavns Universitet 1 Produktion Opgave 1.1 En virksomhed har følgende produktionsmulighedsområde: Y = {(x, y) x, y 0ogy ax}, hvor x er input/produktionsfaktoren,
Logistisk Regression - fortsat
Logistisk Regression - fortsat Likelihood Ratio test Generel hypotese test Modelanalyse Indtil nu har vi set på to slags modeller: 1) Generelle Lineære Modeller Kvantitav afhængig variabel. Kvantitative
Vektorfunktioner. (Parameterkurver) x-klasserne Gammel Hellerup Gymnasium
Vektorfunktioner (Parameterkurver) x-klasserne Gammel Hellerup Gymnasium Indholdsfortegnelse VEKTORFUNKTIONER... Centrale begreber... Cirkler... 5 Epicykler... 7 Snurretoppen... 9 Ellipser... 1 Parabler...
Matematisk modellering og numeriske metoder. Lektion 8
Matematisk modellering og numeriske metoder Lektion 8 Morten Grud Rasmussen 18. oktober 216 1 Fourierrækker 1.1 Periodiske funktioner Definition 1.1 (Periodiske funktioner). En periodisk funktion f er
Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - [email protected] http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet Repetition:
Vektorfelter langs kurver
enote 25 1 enote 25 Vektorfelter langs kurver I enote 24 dyrkes de indledende overvejelser om vektorfelter. I denne enote vil vi se på vektorfelternes værdier langs kurver og benytte metoder fra enote
Teoretisk Statistik, 16. februar Generel teori,repetition
1 Uge 8 Teoretisk Statistik, 16. februar 2004 1. Generel teori, repetition 2. Diskret udfaldsrum punktssh. 3. Fordelingsfunktionen 4. Tæthed 5. Transformationer 6. Diskrete vs. Kontinuerte stokastiske
matx.dk Enkle modeller
matx.dk Enkle modeller Dennis Pipenbring 28. juni 2011 Indhold 1 Indledning 4 2 Funktionsbegrebet 4 3 Lineære funktioner 8 3.1 Bestemmelse af funktionsværdien................. 9 3.2 Grafen for en lineær
Statistik II 1. Lektion. Analyse af kontingenstabeller
Statistik II 1. Lektion Analyse af kontingenstabeller Kursusbeskrivelse Omfang 5 kursusgange (forelæsning + opgaveregning) 5 kursusgange (mini-projekt) Emner Analyse af kontingenstabeller Logistisk regression
Kapitel 12: Valg under usikkerhed
1 November 25, 2008 2 Usikkerhed Usikre faktorer: Fremtidige priser Fremtidig (real)indkomst Vejret Andre agenters handlinger (strategisk interaktion).... Håndtering af usikkerhed: Forsikring (sundhed,
matx.dk Differentialregning Dennis Pipenbring
mat.dk Differentialregning Dennis Pipenbring 0. december 00 Indold Differentialregning 3. Grænseværdi............................. 3. Kontinuitet.............................. 8 Differentialkvotienten
Anvendt Statistik Lektion 8. Multipel Lineær Regression
Anvendt Statistik Lektion 8 Multipel Lineær Regression 1 Simpel Lineær Regression (SLR) y Sammenhængen mellem den afhængige variabel (y) og den forklarende variabel (x) beskrives vha. en SLR: ligger ikke
Analyse 2. Gennemgå bevis for Sætning Supplerende opgave 1. Øvelser. Sætning 1. For alle mængder X gælder #X < #P(X).
Analyse 2 Øvelser Rasmus Sylvester Bryder 3. og 6. september 2013 Gennemgå bevis for Sætning 2.10 Sætning 1. For alle mængder X gælder #X < #P(X). Bevis. Der findes en injektion X P(X), fx givet ved x
π er irrationel Frank Nasser 10. december 2011
π er irrationel Frank Nasser 10. december 2011 2008-2011. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Indhold 1 Introduktion
Repetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable
Normal fordelingen Normal fordelingen Egenskaber ved normalfordelingen Standard normal fordelingen Find sandsynligheder ud fra tabel Transformation af normal fordelte variable Invers transformation Repetition
GEOMETRI-TØ, UGE 6. . x 1 x 1. = x 1 x 2. x 2. k f
GEOMETRI-TØ, UGE 6 Hvis I falder over tryk- eller regne-fejl i nedenstående, må I meget gerne sende rettelser til fuglede@imfaudk Opvarmningsopgave 1 Lad f : R 2 R være tre gange kontinuert differentierbar
Anvendt Statistik Lektion 7. Simpel Lineær Regression
Anvendt Statistik Lektion 7 Simpel Lineær Regression 1 Er der en sammenhæng? Plot af mordraten () mod fattigdomsraten (): Scatterplot Afhænger mordraten af fattigdomsraten? 2 Scatterplot Et scatterplot
Funktion af flere variable
Funktion af flere variable Preben Alsolm 24. april 2008 1 Funktion af flere variable 1.1 Differentiabilitet for funktion af én variabel Differentiabilitet for funktion af én variabel f kaldes differentiabel
Uge 43 I Teoretisk Statistik, 21. oktober Forudsigelser
Uge 43 I Teoretisk Statistik,. oktober 3 Simpel lineær regressionsanalyse Forudsigelser Fortolkning af regressionsmodellen Ekstreme observationer Transformationer Sammenligning af to regressionslinier
Konstruktion af Splines
Konstruktion af Splines Svend Daugaard Pedersen 29 maj 2011 Indhold 1 Hvad er en spline? 1 2 Matematisk behandling af en spline 1 3 Den naturlige spline 2 4 Andre splines 4 5 Tilpasset spline 4 6 Afslutning
Besvarelse, Eksamen Analyse 1, 2013
Københavns Universitet Prøve ved Det naturvidenskabelige Fakultet juni 23 Besvarelse, Eksamen Analyse, 23 Opgave Lad, for n N, funktionen f n : [, ) R være givet ved NB. Trykfejl. Burde være x. f n (x)
(Prøve)Eksamen i Calculus
(Prøve)Eksamen i Calculus Sæt 1, april 2011 Første Studieår ved Det Teknisk-Naturvidenskabelige Fakultet og Det Sundhedsvidenskabelige Fakultet Nærværende (prøve)eksamenssæt består af 7 nummererede sider
Vægte motiverende eksempel. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægtet model. Vægtrelationen
Vægte motiverende eksempel Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - kkb@mathaaudk Institut for Matematiske Fag Aalborg Universitet Højdeforskellen mellem punkterne P
Matematisk modellering og numeriske metoder. Lektion 11
Matematisk modellering og numeriske metoder Lektion 11 Morten Grud Rasmussen 5. november 2016 1 Partielle differentialligninger 1.1 Udledning af varmeligningen Vi vil nu på samme måde som med bølgeligningen
10. Differentialregning
10. Differentialregning Hayati Balo,AAMS Følgende fremstilling er baseret på 1. Nils Victor-Jensen, Matematik for adgangskursus, B-niveau 2, 2. udg. 10.1 Grænseværdibegrebet I afsnit 7. Funktioner på side
Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen
Landmålingens fejlteori Lektion Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ - [email protected] Institut for Matematiske Fag Aalborg Universitet En stokastisk variabel er en variabel,
Økonometri: Lektion 2 Multipel Lineær Regression 1/33
Økonometri: Lektion 2 Multipel Lineær Regression 1/33 Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 +β 1 x +u, hvor fejlledet u,
Statistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen
Statistik Lektion 3 Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Repetition En stokastisk variabel er en funktion defineret på S (udfaldsrummet, der antager
Landmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - [email protected] http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition:
OR stiger eksponentielt med forskellen i BMI. kompliceret model svær at forstå og analysere
Epidemiologi og biostatistik. Uge 5, torsdag 5. september 003 Morten Frydenberg, Institut for Biostatistik. 1 Analyse af overlevelsesdata (ventetidsdata) Censurering (højre + andet) Kaplan-Meyer kurver
Simpel Lineær Regression: Model
Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 + β 1 x + u, hvor fejlledet u, har egenskaben E[u x] = 0. Dette betyder bl.a. E[y x]
Matematisk modellering og numeriske metoder. Lektion 10
Matematisk modellering og numeriske metoder Lektion 10 Morten Grud Rasmussen 2. november 2016 1 Partielle differentialligninger 1.1 Det grundlæggende om PDE er Definition 1.1 Partielle differentialligninger
matx.dk Mikroøkonomi
matx.dk Mikroøkonomi Dennis Pipenbring 31. august 2011 Indold 1 Udbuds- og efterspørgselskurver 3 1.1 Lineær.............................. 4 1.2 Eksponentiel........................... 5 1.3 Potens..............................
Rettevejledning til 1. obligatoriske opgave Beslutninger og strategi
Rettevejledning til. obligatoriske opgave Beslutninger og strategi Christian S. Liebing og Tobias N. Thygesen Forår 00. version. Opgave Betragter en agent med vnm-præferencer. Vi får oplyst, at agenten
