Sprednings problemer. David Pisinger
|
|
- Bjarne Joachim Lund
- 8 år siden
- Visninger:
Transkript
1 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 fedeste og køer er (ko-)gale med vores bøffer skal erobre e stor del af markedsadelee fra kokurretere. Jukfood A/S har bereget at der er plads til p familierestaurater i Købehav. E udersøgelse bladt byes ejedomsmæglere har fudet frem til at der er erhvervslejemål der i størrelse og beliggehed eger sig til Jukfoods kocept. For at udgå kokurrece mellem filialere er det øskværdigt at placere de p restaurater så de er så lagt fra hiade som muligt. Afstade mellem lejemål i og j er opmålt til d i j 0. Ofte vil d i j = d ji af symmetrigrude omed dette ikke er et egetligt krav. Ligeledes vil ma ofte have d j j = 0. Idet vi idfører beslutigsvariable x j {0,1} for j = 1,..., til at agive om e facilitet (restaurat) åbes på lokalitet (lejemål) j, ka vi formulere problemet som følgede p-dispersio problem (PDP): maximer hvor j=1 i=1 j=1 d i j x i x j x j = p (1) x j {0,1}, j = 1,...,. 1
2 hvor objektfuktioe agiver at summe af afstadee mellem facilitetere øskes maximeret, mes begræsige betyder at der etop skal åbes p faciliteter. Det atages ormalt at alle værdier af d i j er heltal. Jukfood A/S betragter i første omgag blot et lille problem med = 7 lokaliteter (lejemål) hvor der skal åbes p = 3 faciliteter (restaurater). Alle afstade er agivet i kilometer. j i = 7, p = 3. De optimale løsig er at åbe facilitet 2, 4, 6 hvilket giver e samlet afstadssum på 48 km. Di opgave er at kostruere e geerel algoritme som ka løse problemet (1). Algoritme skal implemeteres i C (eller C++). Besvarelse skal bestå af et tekstafsit, hvor edeståede opgaver besvares, samt udskrift af det kommeterede program. Læs hele opgavetekste ide implemeterige påbegydes, og bemærk specielt kommetarere sidst i tekste. Afgørlighedsproblem Det tilsvarede afgørlighedsproblem for PDP er PDP-DECISION, der ka formuleres som følger: Givet e matrix d i j af størrelse, samt tre heltal, p og k. Fides der e løsig til PDP hvor de samlede afstad er midst k? Opgave 1 Bevis at PDP-DECISION er et N P -fuldstædigt problem. Øvre græseværdi for PDP Da PDP er et NP -hårdt problem øsker vi at udvikle e brach-ad-boud algoritme til løsig af problemet. Til dette formål skal vi bruge ogle græseværdier. E øvre græseværdi ka udledes i to skridt. 1 Først udledes e øvre græseværdi d j på hver facilitets afstad til de adre faciliteter. 2 Deræst udledes e øvre græseværdi for hele problemet ved at beytte hver facilitets græseværdi d j. Opgave 2 Vis at afstade fra facilitet j til de adre faciliteter ikke ka blive bedre ed værdie af følgede maximerigsproblem maximer hvor d j = d j j + d i j x i i N j x i = p 1 (2) i N j x i {0,1}, i N j. 2
3 hvor mægde N j er givet ved N j = {1,...,} \ { j}. Vis at e øvre græseværdi u 1 for PDP deræst ka fides som maximer u 1 = hvor j=1 d jx j j=1 x j = p (3) x j {0,1}, j = 1,...,. For eksemplet fra itroduktioe betyder oveståede at vi først fider e øvre græseværdi (2) for hver af de syv lokaliteter. Til bestemmelse af d 1 løser vi problemet maximer d 1 = 0+3x 2 + 7x 3 + 4x x 5 + 5x 6 + 7x 7 hvor x 2 + x 3 + x 4 + x 5 + x 6 + x 7 = 2 x i {0,1}, i = 2,...,. De optimale løsig er d 1 = 17. Tilsvarede fides d 2 = 19, d 3 = 16, d 4 = 14, d 5 = 15, d 6 = 19 og = 13. For at fide de øvre græseværdi for hele problemet løser vi d 7 maximer u 1 = 17x x x x x x x 7 hvor x 1 + x 2 + x 3 + x 4 + x 5 + x 6 + x 7 = 3 x j {0,1}, j = 1,...,. som har løsige u 1 = 55. Dee græseværdi ligger altså e del over de optimale løsig på 48. Opgave 3 Vis at u 1 ka fides i lieær tid målt i iddatastørrelse. Opgave 4 Foreslå e radomiseret algoritme til beregig af u 1 hvor de forvetede køretid er lieær. Opgave 5 Implemeter e af de to metoder fra opgave 3 og 4 til beregig af græseværdie u 1 således at de ka kaldes for e vilkårlig problemstørrelse og kardialitet p. Brach-ad-boud algoritme for PDP Vi vil u kostruere e brach-ad-boud algoritme til løsig af PDP. Hvis vi aveder dybde-først søgig ka algoritme skrives som e recursiv procedure der i hvert skridt forgreer på e variabel idtil alle variable har fået tildelt e værdi. Vi vælger i hvert skridt at forgree på beslutigsvariable x således at det tilbageværede problem herefter har størrelse 1. Dermed ka algoritme skitseres som: PDPRECURS(D, p, ) if p = 0 ad D > z the z D; x x if p = 0 or = 0 the retur fid græseværdi u 1 af tilbageværede problem. if D+u 1 > z the x 1; PDPRECURS(D+d, p 1, 1) x 0; PDPRECURS(D, p, 1) 3
4 I dee algoritme agiver atallet af lokaliteter, p det øskede atal faciliteter, der skal åbes, og D agiver de hidtil opåede afstads-sum. De hidtil bedste løsig er z der iitielt ka sættes til 1. De tilhørede optimale løsigsvektor er x. I de skitserede algoritme skal ma huske at modificere (d i j ) matrice hver gag e variabel x sættes til 1. Vi sætter d ii d ii + d i + d i for hvert i = 1,..., 1. Dette betyder, at hvis facilitet i på et seere tidspukt åbes, vil ma i d ii idkassere afstade mellem facilitetere i og. Når x sættes tilbage til 0, skal matrice aturligvis retableres. Opgave 6 Implemeter e fuldstædig versio af PDPRECURS som beytter græseværdie u 1. Beskriv de avedte forgreigsstrategi. Eksperimetel afprøvig Brug de udviklede algoritme til løsig af følgede datatilfælde Beskrivelse Jukfood A/S Geometrisk problem Vægtet geometrisk problem Radom vægte Dese subgraph filave jukfood7 geo10, geo20, geo30, geo40 sca10, sca20, sca30, sca40 ra10, ra20, ra30, ra40 de10, de20, de30, de40 Alle datatilfældede ka fides på hjemmeside for DAT-2A, hvor de optimale løsiger også er agivet. Opgave 7 Kør algoritme og agiv løsigstider, atal kuder i brach-ad-boud træet, optimal løsig. Opskriv disse i e tabel og kommeter. Maximerig af miimal afstad E ulempe ved PDP modelle er, at ma i e optimal løsig risikerer at åbe to faciliteter vilkårligt tæt på hiade. For at udgå dette problem vælger ma i ogle situatioer at maximere de midste afstad mellem to åbe faciliteter. Dette problem beteges p-defece problemet (PDEFP). Sidstævte betegelse kommer fra strategiske avedelser, hvor ma øsker at sprede istallatioer så meget som muligt for at besværliggøre e fjedtlig idtagelse/destruktio. Det tilsvarede afgølighedsproblem er PDEFP-DECISION, der ka formuleres som følger: Givet e matrix d i j af størrelse, samt tre heltal, p og k. Fides der e løsig til PDEFP hvor afstade mellem alle par af åbe faciliteter er midst k. Opgave 8 Vis at PDEFP-DECISION ka reduceres til PDP-DECISION. Opgave 9 Udyt dette til at kostruere e algoritme som løser PDEFP problemet i optimerigsform. Opgave 10 Implemeter algoritme og afprøv de på istasere ovefor. 4
5 Kommetarer Opgave har primært til hesigt at give idsigt i løsig afnp -hårde problemer, mes re programmerig ku er et sekudært mål. På hjemmeside for DAT-2A ligger derfor e færdig ramme for programmet som skal avedes i besvarelse. Her fides de ødvedige rutier til tidsmålig og idlæsig af data, ligesom oveståede programskitser er implemeteret. Tabeller adresseres så d[1][1] svarer til d 11 for at opå et læseligt program. Ramme er afprøvet på DIKU s Liux pc er (alvis, advare, berlig, brok, gefio, ivalde m.fl.), og det abefales at bruge disse ved udarbejdelse af besvarelse. Noter Idefor grafteori kedes PDP uder betegelse Heaviest Subgraph Problem idet problemet ka formuleres som følger: givet e vægtet graf G=(V,E) skal der udvælges e delmægde U af kudere med kardialitet U = p således at vægtsumme af katere udspædt af kudere U bliver størst mulig. Græseværdie u 1 er baseret på samme ide som Gallo m.fl. [5] beyttede for det Kvadratiske K- apsack Problem. Dee ka strammes yderligere ved at bruge tekikke beskrevet i Caprara m.fl. [3]. Der fides meget få resultater i litterature hvor eksakte algoritmer for p-disperiso problemet beskrives. Erkut [4] udviklede e brach-ad-boud algoritme til løsig af problemet, hvor primitive græseværdier beyttes. Kicaid [6] løste problemet heuristisk ved brug af metaheuristikker. Billioet og Faye [2] diskuterer ogle lovede (me meget komplicerede) græseværdier for problemet i miimerigsversio. Billioet og Faye rapporterer dog ikke oget om græseværdieres avedelighed i e brach-ad-boud algoritme. I modsætig til det meget sparsomme arbejde for eksakte algoritmer til løsig af PDP, fides der e lag række approximatiosalgoritmer. Ma ka æste tale om at PDP har været et mode-problem idefor approximatios-kredse op igeem 1990 ere. Bladt de mere iteressate resultater skal æves at ige har kuet bevise eller modbevise eksistese af e approximatiosalgoritme med kostat approximatiosratio ρ. Hvis problemet overholder trekatsulighede har Ravi m.fl. [7] preseteret e approximatiosalgoritme med ratio ρ = 4. Såfremt ma tillader at approximatiosfaktore ρ() afhæger af er der udviklet adskillige algoritmer. Asahiro m.fl. [1] giver et godt overblik over sådae resultater. Litteratur [1] Y. Asahiro, K. Iwama, H. Tamaki, T. Tokuyama (1996) Greedily Fidig a Dese Subgraph. I: Rolf G. Karlsso, Adrzej Ligas (Eds.): Algorithm Theory - SWAT 96, 5th Scadiavia Workshop o Algorithm Theory, Reykjavík, Icelad, July 3-5, 1996, Proceedigs. Lecture Notes i Computer Sciece, 1097, Spriger, [2] A. Billioet, A. Faye (1997) A lower boud for a costraied quadratic 0-1 miimizatio problem, Discrete Applied Mathematics [3] A. Caprara, D. Pisiger, P. Toth (1999), Exact solutio of the quadratic kapsack problem, INFORMS Joural o Computig, 11,
6 [4] E. Erkut (1990), The discrete p-dispersio problem, Europea Joural of Operatioal Research, 46, [5] G. Gallo, P.L. Hammer, B. Simeoe (1980), Quadratic Kapsack Problems, Mathematical Programmig 12, [6] R. K. Kicaid (1992), Good solutios to discrete oxious locatio problems via metaheuristics, Aals of Operatios Research, 40, [7] S.S. Ravi, D.J. Rosekratz, G.K. Tayi (1994), Heuristic ad special case algorithms for dispersio problems, Operatios Research, 42,
Kvadratisk 0-1 programmering. David Pisinger
Kvadratisk - programmerig David Pisiger 27-8 MAX-CUT problemet Givet e ikke-orieteret graf G = (V, E) er MAX-CUT problemet defieret som MAX-CUT = {< G > : fid et sit S, T i grafe G som maksimerer atal
Læs 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 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 mereDATV: Introduktion til optimering og operationsanalyse. Asymmetric Traveling Salesman Problem
DATV: Itroduktio til optimerig og operatiosaalyse Asymmetric Travelig Salesma Problem David Pisiger, Efterår 2004 Dette er de ade obligatoriske projektopgave på kurset DATV: Itroduktio til optimerig og
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 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 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 mereDATV: Introduktion til optimering og operationsanalyse, 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 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 mereIntroduktion til uligheder
Itroduktio til uligheder Dette er e itroduktio til ogle basale uligheder om det aritmetiske geemsit, det geometriske geemsit, det harmoiske geemsit og det kvadratiske geemsit. Først skal vi ved fælles
Læs mereUndersøgelse af numeriske modeller
Udersøgelse af umeriske modeller Formål E del af målsætige med dette delprojekt er at give kedskab til de begræsiger, fejl og usikkerheder, som optræder ved modellerig. I de forbidelse er følgede udersøgelse
Læs 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 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 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 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 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 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 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 mereMeningsmålinger KLADDE. Thomas Heide-Jørgensen, Rosborg Gymnasium & HF, 2017
Meigsmåliger KLADDE Thomas Heide-Jørgese, Rosborg Gymasium & HF, 2017 Idhold 1 Meigsmåliger 2 1.1 Idledig................................. 2 1.2 Hvorda skal usikkerhede forstås?................... 3 1.3
Læs mereog Fermats lille sætning
Projekter: Kaitel 0. Projekt 0. Modulo-regig, restklassegruer og Fermats lille sætig Projekt 0. Modulo-regig, restklassegruere ( { 0 }, ) og Fermats lille sætig Vi aveder moduloregig og restklasser mage
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 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 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 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 mereDen 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 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 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 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 mereBranch-and-bound. Indhold. David Pisinger. Videregående algoritmik, DIKU ( )
Brach-ad-boud David Pisiger Videregåede algoritmik, DIK (005-06) 6 Kvalitet af græseværdifuktioe 3 6. Eksempler på domias....................... 3 7 Kritiske og Semikritiske delproblemer 34 8 Kuste at
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 mereAnalyse 1, Prøve maj 2009
Aalyse, Prøve 5. maj 009 Alle hevisiger til TL er hevisiger til Kalkulus (006, Tom Lidstrøm). Direkte opgavehevisiger til Kalkulus er agivet med TLO, ellers er alle hevisiger til steder i de overordede
Læs mereog Fermats lille Projekt 0.4 Modulo-regning, restklassegrupperne sætning ..., 44, 20,4,28,52,... Hvad er matematik? 3 ISBN
Projekt 0.4 Modulo-regig, restklassegruppere sætig ( p 0, ) og Fermats lille Vi aveder moduloregig og restklasser mage gage om dage, emlig år vi taler om tid, om hvad klokke er, om hvor lag tid der er
Læs mereAsymptotisk optimalitet af MLE
Kapitel 4 Asymptotisk optimalitet af MLE Lad Y 1, Y 2,... være uafhægige, idetisk fordelte variable med værdier i et rum (Y,K). Vi har givet e model (ν θ ) θ Θ for fordelige af Y 1 (og dermed også for
Læs mereDen flerdimensionale normalfordeling
De flerdimesioale ormalfordelig Stokastiske vektorer Ved e stokastisk vektor skal vi forstå e vektor, hvor de ekelte kompoeter er sædvalige stokastiske variable. For de stokastiske vektor Y = Y,..., Y
Læs 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 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 mereDen hurtige Fouriertransformation. Jean Baptiste Joseph Fourier ( )
De hurtige Fouriertrasformatio Jea Baptiste Joseph Fourier (768-83) Polyomier Polyomium: p + 2 3 4 ( x) = 5 + 2x + 8x + 3x 4x Geerelt: p(x) = eller! " i= a i x i p(x) = a + a x + a 2 x 2 +!+ a! x! 2 Evaluerig
Læs mereGamle eksamensopgaver. Diskret Matematik med Anvendelser (DM72) & Diskrete Strukturer(DM504)
Gamle eksamesopgaver Diskret Matematik med Avedelser (DM72) & Diskrete Strukturer(DM504) Istitut for Matematik& Datalogi Syddask Uiversitet, Odese Alle sædvalige hjælpemidler(lærebøger, otater etc.), samt
Læs mereNoter om polynomier, Kirsten Rosenkilde, Marts Polynomier
Noter om polyomier, Kirste Rosekilde, Marts 2006 1 Polyomier Disse oter giver e kort itroduktio til polyomier, og de fleste sætiger æves ude bevis. Udervejs er der forholdsvis emme opgaver, mes der til
Læs 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 mereBranchevejledning. ulykker indenfor. godschauffør. området. Branchearbejdsmiljørådet for transport og engros
Brachevejledig ulykker idefor godschauffør området Brachearbejdsmiljørådet for trasport og egros Baggrud Udersøgelser på lager- og trasportområdet har vist, at beskrivelse af hædelsesforløbet ved udfyldelse
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 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 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 mereBilag 5: DEA-modellen Bilaget indeholder en teknisk beskrivelse af DEA-modellen
Bilag 5: DEA-odelle Bilaget ideholder e teis besrivelse af DEA-odelle FRSYNINGSSERETARIATET FEBRUAR 2013 INDLEDNING... 3 INPUTSTYRET DEA-MDEL... 3 UTPUTSTYRET DEA-MDEL... 7 SALAAFAST... 12 2 Idledig Data
Læs mereModul 14: Goodness-of-fit test og krydstabelanalyse
Forskigsehede for Statistik ST01: Elemetær Statistik Bet Jørgese Modul 14: Goodess-of-fit test og krydstabelaalyse 14.1 Idledig....................................... 1 14.2 χ 2 -test i e r c krydstabel.............................
Læs mereMotivation. En tegning
Motivatio Scatter-plot at det mådelige salg mod det måedlige reklamebudget. R: plot(salg ~ budget, data = salg) Økoometri Lektio Simpel Lieær Regressio salg 400 450 500 550 20 25 30 35 40 45 50 budget
Læs 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 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 mere- et værktøj til fejlrettende QR-koder. Projekt 0.3 Galois-legemerne. Indhold. Hvad er matematik? A, i-bog
Projekt 0.3 Galois-legemere GF é ëp û - et værktøj til fejlrettede QR-koder Idhold De karakteristiske egeskaber ved de tre mest almidelige talsystemer, og... De kommutative, associative og distributive
Læs mereMatematik A. Højere handelseksamen. Tirsdag den 26. maj 2015 kl hhx151-mat/a
Matematik A Højere hadelseksame hhx151-mat/a-26052015 Tirsdag de 26. maj 2015 kl. 9.00-14.00 Matematik A Prøve består af to delprøver. Delprøve ude hjælpemidler består af opgave 1 til 5 med i alt 5 spørgsmål.
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 mereTeoretisk Statistik, 9. februar Beskrivende statistik
Uge 7 I Teoretisk Statistik, 9 februar 004 Beskrivede statistik Kategoriserede variable 3 Kvatitative variable 4 Fraktiler for ugrupperede observatioer 5 Fraktiler for grupperede observatioer 6 Beliggeheds-
Læs mereSituationen er illustreret på figuren nedenfor. Her er også afsat nogle eksempler: Punktet på α giver anledning til punktet Q
3, 45926535 8979323846 2643383279 50288497 693993750 5820974944 592307864 0628620899 8628034825 34270679 82480865 3282306647 0938446095 505822372 535940828 4874502 84027093 85205559 6446229489 549303896
Læs mere6 Populære fordelinger
6 Populære fordeliger I apitel 4 itroducerede vi stoastise variabler so e åde at repræsetere udfald af et esperiet på. De stoastise variabler ue være både disrete (fx terigslag) og otiuerte (fx vareægder).
Læs mereSandsynlighedsteori 1.2 og 2 Uge 5.
Istitut for Matematiske Fag Aarhus Uiversitet De 27. jauar 25. Sadsylighedsteori.2 og 2 Uge 5. Forelæsiger: Geemgage af emere karakteristiske fuktioer og Mometproblemet afsluttes, og vi starter på afsittet
Læs mereRESEARCH PAPER. Nr. 2, En model for lagerstørrelsen som determinant for købs- og brugsadfærden for et kortvarigt forbrugsgode.
RESEARCH PAPER Nr., 005 E model for lagerstørrelse som determiat for købs- og brugsadfærde for et kortvarigt forbrugsgode af Jørge Kai Olse INSTITUT FOR AFSÆTNINGSØKONOMI COPENHAGEN BUSINESS SCHOOL SOLBJERG
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 mereProjekt 9.1 Regneregler for stokastiske variable middelværdi, varians og spredning
Hvad er matematik? Projekter: Kaitel 9 Projekt 9 Regeregler for stokastiske variable middelværdi, varias og sredig Projekt 9 Regeregler for stokastiske variable middelværdi, varias og sredig Sætig : Regeregler
Læs 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 mere13. februar Resumé: En statistisk analyse resulterer ofte i : Et estimat ˆ θ med en tilhørende se( ˆ θ )
3. februar 003 Epidemiologi og biostatistik. Uge, torag d. 3. februar 003 Morte Frydeberg, Istitut for Biostatistik. Type og type fejl Nogle specielle metoder: Test i RxC tabeller Test i x tabeller Fishers
Læs mereProjekt 3.2 Anlægsøkonomien i Storebæltsforbindelsen. Indhold. Hvad er matematik? 1 ISBN
Projekt 3.2 Alægsøkoomie i Storebæltsforbidelse Dette projekt hadler, hvorda økoomie var skruet samme, da ma byggede storebæltsforbidelse. Store alægsprojekter er æste altid helt eller delvist låefiasieret.
Læs mere29. januar Epidemiologi og biostatistik Forelæsning 2 Uge 1, torsdag 2. februar 2006 Michael Væth, Afdeling for Biostatistik.
Epidemiologi og biostatistik Forelæsig Uge 1, torsdag. februar 006 ichael Væth, Afdelig for Biostatistik. Sammeligig af to middelværdier sikkerhedsitervaller statistisk test Sammeligig af to proportioer
Læs 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 mereHvis man vil lægge 15% til 600, så kan det gøres ved at udregne, hvor meget 15% af 600 er lig med og lægge det til det oprindelige beløb:
0BRetesegig BTæk i femskivigsfaktoe! I dette tillæg skal vi se, at begebet femskivigsfaktoe e yttigt til at fostå og løse foskellige poblemstillige idefo pocet- og etesegig. 3B. Lægge pocet til elle tække
Læs mereRettevejledning til HJEMMEOPGAVE 1 Makro 1, 2. årsprøve, foråret 2007 Peter Birch Sørensen
Rettevejledig til HJEMMEOPGAVE Makro, 2. årsprøve, foråret 2007 Peter Birch Sørese Opgave... Udsaget er forkert. De omtalte skatteomlægig må atages at øge beskæftigelse p.gr.a. e positiv substitutioseffekt
Læs mereProjekt 2.3 Det gyldne snit og Fibonaccitallene
Projekter: Kapitel Projekt.3 Det glde sit og Fiboaccitallee Forslag til hvorda klasses arbejde med projektet ka tilrettelægges: Forløbet:. Præsetatio af emet med vægt på det glde sit.. Grppere arbejder
Læs mereA14 4 Optiske egenskaber
A4 4 Optiske egeskaber Brydigsideks Når lys træffer e græseflade mellem to materialer, kastes oget af lyset tilbage (refleksio), mes oget går igeem græseflade med foradret retig (brydig eller refraktio).
Læs mereStudyGuide til Matematik B.
StudyGuide til Matematik B. OVERSIGT. Dee study guide ideholder følgede afsit Geerel itroduktio. Emeliste. Eksame. Bilag 1: Udervisigsmiisteriets bekedtgørelse for matematik B. Bilag 2: Bilag 3: Uddrag
Læs merex-klasserne Gammel Hellerup Gymnasium
SANDSYNLIGHEDSREGNING OG KOMBINATORIK x-klassere Gammel Hellerup Gymasium Idholdsfortegelse SANDSYNLIGHEDSREGNING... 3 SANDSYNLIGHEDSFELT... 3 DE STORE TALS LOV... 4 Sadsyligheder og frekveser:... 4 STOKASTISK
Læs mereFUNKTIONER del 1 Funktionsbegrebet Lineære funktioner Eksponentialfunktioner Logaritmefunktioner Rentesregning Indekstal
FUNKTIONER del Fuktiosbegrebet Lieære fuktioer Ekspoetialfuktioer Logaritmefuktioer Retesregig Idekstal -klassere Gammel Hellerup Gymasium November 08 ; Michael Szymaski ; mz@ghg.dk Idholdsfortegelse FUNKTIONSBEGREBET...
Læs 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 mereBranchevejledning. ulykker indenfor. lager. området. Branchearbejdsmiljørådet for transport og engros
Brachevejledig ulykker idefor lager området Brachearbejdsmiljørådet for trasport og egros Baggrud Udersøgelser på lager- og trasportområdet har vist, at beskrivelse af hædelsesforløbet ved udfyldelse
Læs mereVejledende besvarelser til opgaver i kapitel 15
Vejledede besvarelser til opgaver i apitel 5 Opgave a) De teststatistier, ma aveder til at teste om to middelværdier er es, består af et estimat på forselle mellem middelværdiere,, divideret med et udtry
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 mereVejledende opgavebesvarelser
Vejledede opgavebesvarelser 1. Atal hæder er lig med K(52,5), altså 2598960. Ved brug af multiplikatiospricippet ka atal hæder med 3 ruder og 2 spar udreges som K(13, 3) K(13, 2), hvilket giver 22308.
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 mere24. januar Epidemiologi og biostatistik. Forelæsning 1 Uge 1, tirsdag. Niels Trolle Andersen, Afdelingen for Biostatistik.
Epidemiologi og biostatistik. Forelæsig Uge, tirsdag. Niels Trolle Aderse, Afdelige for Biostatistik. Geerelt om kurset: - Formål - Forelæsiger - Øvelser - Forelæsigsoter - Bøger - EpiBasic: http://www.biostat.au.dk/teachig/software
Læs mereDen hurtige Fouriertransformation
Polyomier De hurtige Fouriertrasformatio Polyomium: Geerelt: p + 2 3 4 ( x) = 5 + 2x + 8x + 3x 4x p(x) =! " eller x i p(x) = a + a x + a 2 x 2 +!+ a! x! Jea Baptiste Joseph Fourier (768-83) 2 Evaluerig
Læs mereGeorg Mohr Konkurrencen Noter om uligheder. Søren Galatius Smith
Georg Mohr Kokurrece Noter om uligheder Søre Galatius Smith. juli 2000 Resumé Kapitel geemgår visse metoder fra gymasiepesum, som ka bruges til at løse ulighedsopgaver, og ideholder ikke egetligt yt stof.
Læs mere1. De karakteristiske egenskaber ved de tre mest almindelige talsystemer, og... 2
Projekt 0.3 Galois-legemere GF p - et værktøj til fejlrettede QR-koder Idhold. De karakteristiske egeskaber ved de tre mest almidelige talsystemer, og.... De kommutative, associative og distributive lov
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 merePraktisk info. Statistisk analyse af en enkelt stikprøve: kendt eller ukendt varians Sandsynlighedsregning og Statistik (SaSt) I tirsdags.
Praktisk ifo Liste med rettelser og meigsforstyrrede trykfejl i DS på Absalo. Statistisk aalyse af e ekelt stikprøve: kedt eller ukedt varias Sadsylighedsregig og Statistik (SaSt) Helle Sørese Projekt
Læs merePrisfastsættelse af digitale goder - Microsoft
Iteretøkoomi: risfastsættelse af digitale goder Afleveret d. 9 maj 003 Af Julie ech og Malee Aja org risfastsættelse af digitale goder - Microsoft Af Julie ech og Malee Aja org.0.0 DIGITALE GODER....0.0
Læs mereBachelorprojekt for BSc-graden i matematik
D E T N A T U R V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T Bachelorprojekt for BSc-grade i matematik Mikkel Abrahamse & Sue Precht Reeh Ekstremal grafteori Vejleder:
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 mereTermodynamik. Indhold. Termodynamik. Første og anden hovedsætning 1/18
ermodyamik. Første og ade hovedsætig /8 ermodyamik Idhold. Isoterme og adiabatiske tilstadsædriger for gasser...3 3. ermodyamikkes. hovedsætig....5 4. Reversibilitet...6 5. Reversibel maskie og maksimalt
Læs mereBegreber og definitioner
Begreber og defiitioer Daske husstades forbrug på de medierelaterede udgiftsposter stiger og udgør i 2012*) 11,3 % af husstadees samlede forbrug mod 5,5 % i 1994. For husstade med de laveste idkomster
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 mereTalfølger og -rækker
Da Beltoft og Klaus Thomse Aarhus Uiversitet 2009 Talfølger og -rækker Itroduktio til Matematisk Aalyse Zeos paradoks om Achilleus og skildpadde Achilleus løber om kap med e skildpadde. Achilleus løber
Læs mereØkonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 15. februar 2006
Dages program Økoometri De multiple regressiosmodel 5. februar 006 Emet for dee forelæsig er de multiple regressiosmodel (Wooldridge kap 3.-3.3+appedix E.-E.) Defiitio og motivatio Fortolkig af parametree
Læs mereSætning: Middelværdi og varians for linearkombinationer. Lad X 1,X 2,...,X n være stokastiske variable. Da gælder. Var ( a 0 + a 1 X a n X n
Ladmåliges fejlteori Lektio 3 Estimatio af σ Dobbeltmåliger Geometrisk ivellemet Lieariserig - rw@math.aau.dk Istitut for Matematiske Fag Aalborg Uiversitet Repetitio: Middelværdi og Varias Sætig: Middelværdi
Læs mereMaja Tarp AARHUS UNIVERSITET
AARHUS UNIVERSITET Maja Tarp AARHUS UNIVERSITET HVEM ER JEG? Maja Tarp, 4 år Folkeskole i Ulsted i Nordjyllad Studet år 005 fra Droiglud Gymasium Efter gymasiet: Militæret Australie Startede på matematik
Læs mereSTATISTISKE GRUNDBEGREBER
MOGENS ODDERSHEDE LARSEN STATISTISKE GRUNDBEGREBER 18 15 1 9 6 3 0 Histogram for ph 6,9 7,1 7,3 7,5 7,7 7,9 ph 13 udgave 013 FORORD Der er i dee bog søgt at give letlæst og askuelig fremstillig af de statistiske
Læs mereKvantitative metoder 2
Dages program Kvatitative metoder De multiple regressiosmodel 6. februar 007 Emet for dee forelæsig er de multiple regressiosmodel (Wooldridge kap 3.- 3.+appedix E.) Defiitio og motivatio Fortolkig af
Læs mereStatistik Lektion 8. Parrede test Test for forskel i andele Test for ens varians Gensyn med flyskræk!
Statistik Lektio 8 Parrede test Test for forskel i adele Test for es varias Gesy med flyskræk! Afhægige og uafhægige stikprøver Ved e uafhægig stikprøve udtages e stikprøve fra hver gruppe.. Mæd og kviders
Læs mereEstimation og test i normalfordelingen
af Birger Stjerholm Made Samfudlitteratur 07 Etimatio og tet i ormalfordelige Dee tekt ideholder et overblik over ogle grudlæggede pricipper for etimatio og tet i ormalfordelige i hyppigt forekommede ituatioer:
Læs mereDuo HOME Duo OFFICE. Programmeringsmanual DK 65.044.50-1
Duo HOME Duo OFFICE Programmerigsmaual DK 65.044.50-1 INDHOLD Tekiske data Side 2 Systemiformatio, brugere Side 3-4 Ligge til og slette brugere Side 5-7 Ædrig af sikkerhedsiveau Side 8 Programmere: Nødkode
Læs mere30. august Epidemiologi og biostatistik. Forelæsning 3 Uge 2, torsdag d. 8. september 2005 Michael Væth, Afdeling for Biostatistik.
30. august 005 Epidemiologi og biostatistik. Forelæsig 3 Uge, torag d. 8. september 005 Michael Væth, Afdelig for Biostatistik. Mere om kategoriske data Test for uafhægighed I RxC tabeller Test for uafhægighed
Læs mereUdtrykkelige mængder og Cantorrækker
Udtrykkelige mægder og Catorrækker Expressible sets ad Cator series Matematisk speciale Simo Bruo Aderse 20303870 Vejleder: Simo Kristese Istitut for Matematik Aarhus Uiversitet 208 Abstract This thesis
Læs mere