Detta ger oss att kanalkapaciteten för den ursprungliga kanalen är C = q 1 C 1 + q 2 C C =1 h ( ) 0.30.

Storlek: px
Starta visningen från sidan:

Download "Detta ger oss att kanalkapaciteten för den ursprungliga kanalen är C = q 1 C 1 + q 2 C C =1 h ( ) 0.30."

Transkript

1 Lösning på problem a) Kanalen är symmetrisk och vi gör nedanstående uppdelning av den. Vi får två starkt symmetriska kanaler vilkas kanalkapacitet ges av C och C 2. Kanalerna väljes med sannolikheterna q = = 0.46 och q 2 = = q =0.46 q 2 =0.54 X 0 C = h ( ) Y X 0 C 2 = h Detta ger oss att kanalkapaciteten för den ursprungliga kanalen är C = q C + q 2 C b) Väljer vi att göra hård avkodning får vi en kanal med kanalkapaciteten C = h ( ) ( ) c) Det ovanstående visar att kanalkapaciteten ökar då vi har en kanal med fler utsymboler än insymboler, dvs. då vi nyttjar det som kallas mjuk avkodning. Givetvis finns det en övre gräns för vad som är möjligt att uppnå med kanalkapaciteten. För vår kanal med två insymboler kan kanalkapaciteten aldrig bli mer än bit per tidsenhet. Y 2 Bedömning av de olika delarna vid rättning Poängfördelningen är Endast en helt korrekt lösning ger 0 poäng.

2 Lösning på problem 2 Enligt problemställningen skall kodorden v väljas från koden B, dvs. v B= {0000, 0, 00, 0}. Koden är lineär, dvs. om v Boch v 2 Bså är v + v 2 = v 3 B. Vi har fyra kodord varför vi skall koda insekvenser av längden två (= x i x i+ )påkodord....x i x }{{ i+... Kodare } u v BSC r Avkodare û a) En lineär kodare kan specificeras på 6 olika sätt. Med hjälp av en generatormatris kan vi utföra kodningen. Nedan finns de möjliga matriserna. ( ) ( ) ( ) ( ) ( ) ( ) G =,G 00 2 =,G 0 3 =,G 0 4 =,G 0 5 = och G 0 6 = 00 Anmärkning: Totalt kan vi specificera 24 olika kodare varav 8 är olineära. b) Oberoende av hur kodningen sker är 0000 och 00 två kodord. Antag att mottagaren erhåller r = 000. Enligt problemställningen har vi att Pr(utsymbol insymbol) =0., dvs. ett fel är mer troligt än två fel. En ML-avkodare kan då välja något av kodorden 0000 och 00. Hur valet än sker, dvs. hur avkodaren specificeras, har det skett ett enkelfel. Slutsats: Vi kan ej specificera en ML-avkodare entydigt. c) En MAP-avkodare väljer det meddelande û som maximerar f(r, û) = Pr(r v)pr(û) där v är det kodord som skickas om meddelandet är û och r är den mottagna symbolen. För att vi skall kunna specificer an MAP-avkodare entydigt måste vi undvika att f(r, û )=f(r, û 2 ) för två olika meddelanden û och û 2. Om vi betecknar antalet fel vid en tänkt överföring med #fel och samtidigt låter #ettor beteckna antalet ettor i ett meddelande kan ovanstående uttryck skrivas som f(r, û) =0. #fel #fel 0.8 #ettor #ettor = #fel #ettor. En förutsättning för att f(r, û )=f(r, û 2 ) är att både û och û 2 innehåller lika många ettor, dvs. att de är meddelanden 0 och 0. En annan förutsättning för att f(r, û )=f(r, û 2 ) är att kodorden v och v 2 båda ligger lika långt från r, dvs. att#fel är lika för de båda fallen. Kan vi undvika detta kan vi specificera en unik MAP-avkodare. Vi skall undvika att meddelanden 0 och 0 avbildas på kodorden 0000 och 00 (olineär kodning). Vidare skall vi undvika att 0 och 0 avbildas på 0 och 0. Detsenare betyder att vi inte kan använda kodarna G 2 och G 5. Ej heller kan vi använda två av de olineära (Följdfråga: Vilka?).

3 Poängfördelningen är Endast en helt korrekt lösning ger 0 poäng.

4 Lösning på problem 3 Från tabellen i problemet får vi att totala försäljningsvolymen är 844 m 3. Vi sorterar tabellens innehåll efter sjunkande volym. Namn Volym Ödåkra Taffelaqvavit 7 Överste Brännvin 2 Gammal Norrlands Akvavit 34 Herrgårds Aquavit 62 Nyköpings Brännvin 05 O.P. Anderson 24 Skåne Akvavit 40 a) En optimal testalgoritm erhålles om vi först Huffmankodar objekten (=de kryddade brännvinssorterna) och därefter till varje nod associerar ett test som skiljer på de olika grenarna i trädet. För att koda objekten behövs deras relativa frekvens. Väl medvetna om den totala försäljningsvolymen räknar vi med de specificerade försäljningsvolymerna. Kodträdet ges nedan. 7 Ödåkra Taffelaqvavit 9 2 Överste Brännvin Gammal Norrlands Akvavit 5 62 Herrgårds Aquavit Nyköpings Brännvin O.P. Anderson Skåne Akvavit För att bestämma medelvärdet av antalet test använder vi path length lemma. E [antalet test] = I medel måste det drickas 2 snapsar. Är det fyror eller sexor? b) För att med hjälp av sällskapets personer att förverkliga en testalgoritm som avgör vilken av brännvinsorterna det är som avsmakas är vi i den lyckliga sitationen att det finns en person som kan besvara den första frågan som skall ställas i en optimal testalgoritm. Nisse kan, om han är närvarande, besvara frågan "Är det Skåne?". Därefter måste vi kunna skilja på de återstående sorterna om det nu inte är Skåne. Vi gör en beslutstabell.

5 Ödåkra Taffelaqvav Överste Brännvin Gammal Norrlands Herrgårds Aquavit Nyköpings Brännvin O.P. Anderson Innehåller snapsen kummin? ja ja ja ja nej ja Innehåller snapsen anis? nej nej ja nej ja ja Innehåller snapsen fänkål? ja nej ja ja nej ja Innehåller snapsen sherry? nej nej ja ja nej nej Tabellen visar att sällskapet kan bestämma brännvinssorten kolumnerna i tabellen är distinkta. För att göra en testalgoritm väljer vi att göra en första ordningens optimal testalgoritm. Frågan "Innehåller snapsen fänkål?" ger maximal entropi varför vi väljer denna. Om svaret är "nej" på frågan "Innehåller snapsen fänkål?" har vi det följande. Överste Brännvin Nyköpings Brännvin Innehåller snapsen kummin? ja nej Innehåller snapsen anis? nej ja Innehåller snapsen sherry? nej nej Meningslöst test Att testa efter kummin eller anis betämmer brännvinssorten. Om svaret är "ja" på frågan "Innehåller snapsen fänkål?" har vi det följande. Ödåkra Taffelaqvavit Gammal Norrlands Akvavit Herrgårds Aquavit O.P. Anderson Innehåller snapsen kummin? ja ja ja ja Meningslöst test Innehåller snapsen anis? nej ja nej ja Innehåller snapsen sherry? nej ja ja nej Frågan "Innehåller snapsen sherry?" ger maximal entropi varför vi väljer denna. Denna fråga måste i båda utfallen följas av frågan "Innehåller snapsen anis?", dvs. frågeordningen spelar ingen roll. Kommentar: Vi behöver aldrig ställa frågan "Innehåller snapsen kummin?".

6 testas. ja nej Skåne Skåne Akvavit Gammal Norrlands Akvavit Anis Sherry Herrgårds Aquavit O.P. Anderson Anis Fänkål Ödåkra Taffelaqvavit Nyköpings Brännvin Anis Överste Brännvin Antalet snapsar som sällskapet måste testa ges av: E [antalet test] = Bedömning av de olika delarna vid rättning Poängfördelningen är 6+4. Endast en helt korrekt lösning ger 0 poäng.

7 Lösning på problem 4 a) In- och utalfabeten är binära, dvs. X = X 2 = Y = {0, }. Kanalen ges av Y = X + X 2 mod 2. Enligt sats 6.4 är kapacitetsområdet R = co{(r,r 2 ); f X X 2 (x,x 2 )=f X (x ) f X2 (x 2 ) sådan att 0 R I(X ; Y X 2 )=H(Y X 2 ) }{{} =H(X ) H(Y X X 2 ) }{{} =0 = H(X ), 0 R 2 I(X 2 ; Y X )=H(X 2 ), R + R 2 I(X X 2 ; Y )=H(Y) H(Y X X 2 )=H(Y) } = = {(R,R 2 ); 0 R, 0 R 2,R + R 2 }, där den optimala funktionen för ingångssannolikheterna är f X X 2 (x,x 2 )= 4 R 2 för alla (x,x 2 ). R + R 2 betyder att det inte finns några bättre koder än vad vi kan uppnå med tidsdelning. R b) Vi har att Y = X + X 2 mod 2. Antag att vi är den vänstra sidan i figuren i problemformuleringen. Då känner vi utfallet av X samtidigt som vi observerar Y. X 2 beräknar vi enligt: Y = X + X 2 mod 2 X 2 = Y X mod 2 = Y + X mod 2 R 2 Allt i högerledet är känt för mottagaren varför vi alltid kan avkoda det som sändare 2 (högra sidan) skickar till mottagare (vänstra sidan). Kapacitetsområdet visas i figuren härintill till höger. R c) Nu har vi X {, }, X 2 {, } och Y = X X 2. Låt oss göra en multiplikationstabell, dvs. en tabell över kanalen. Som en jämförelse ger vi också tabellen för kanalen i deluppgift b). X X 2 Y X 2 X + X 2 mod 2 0 X Kanalerna visar att en omkodning, 0 och, överför den vänstra till den högra varför kapacitetsområdet är detsamma som i b). Bedömning av de olika delarna vid rättning Poängfördelningen är Endast en helt korrekt lösning ger 0 poäng.

8 Lösning på problem 5 Vi inför en hjälpvariabel Z för signalen mellan modulerna i respektive system. System X modul Z modul 2 Y a) Här utfördes först kodning och därefter kryptering. Systemet kan beskrivas av nedanstående tabell. X Z Y K =0 K = Från tabellen konstaterar vi att Y kan anta alla möjliga kombinationer av tre binära variabler, dvs. Y {000, 00,...,}. Vidare ser vi att varje värde förekommer endast en gång. Slutsats: Den funktion som systemet realiserar Y = f(x) är inverterbar varför H(X Y )=0. Här råder ingen osäkerhet. Enligt problemformuleringen är "Alla meddelanden är lika sannolika" vilket ger att I(X; Y )=H(X) =log4=2. b) Här utfördes först kryptering och därefter kodning. Systemet kan beskrivas av nedanstående tabell. K =0 K = X Z Y Z Y För detta system ges Y av koden (dvs. mängden av kodord), dvs. Y {000, 0, 0, 0}. För varje värde på Y finns två olika värden på X. Detta ger att H(X Y )=H(K) =log2= ty nyckeln K är "likafördelad". Vi erhåller I(X; Y )=H(X) H(X Y )=2 =. c) Kryptering skall givetvis genomföras före kanalkodning. System är kass ur sekretessynpunkt ty genom att observera kryptotexten kan vi med lätthet beräkna klartexten. Bedömning av de olika delarna vid rättning Poängfördelningen är Endast en helt korrekt lösning ger 0 poäng.

Krafts olikhet. En momentant avkodbar kod (prefixkod) med kodordslängderna l 1,...,l N existerar om och endast om. 2 l i. 1 i=1

Krafts olikhet. En momentant avkodbar kod (prefixkod) med kodordslängderna l 1,...,l N existerar om och endast om. 2 l i. 1 i=1 Datakompression fö 2 p.1 Krafts olikhet En momentant avkodbar kod (prefixkod) med kodordslängderna l 1,...,l N existerar om och endast om N 2 l i 1 Bevis: Antag att vi har en trädkod. Låt l max =max{l

Läs mer

Lösningsförslag till övningsuppgifter, del V

Lösningsförslag till övningsuppgifter, del V Lösningsförslag till övningsuppgifter, del V Obs! Preliminär version! Ö.1. (a) Vi kan lösa uppgiften genom att helt enkelt räkna ut avståndet mellan vart och ett av de ( 7 ) = 1 paren. Först noterar vi

Läs mer

Källkodning. Egenskaper hos koder. Några exempel

Källkodning. Egenskaper hos koder. Några exempel Källkodning Källkodning innebär att vi avbildar sekvenser av symboler ur en källas alfabet på binära sekvenser (kallade kodord). Mängden av alla kodord kalls för en kod. (Man kan förstås tänka sig att

Läs mer

Optimala koder. Övre gräns för optimala koder. Gränser. Övre gräns för optimala koder, forts.

Optimala koder. Övre gräns för optimala koder. Gränser. Övre gräns för optimala koder, forts. Datakompression fö 3 p.3 Datakompression fö 3 p.4 Optimala koder Övre gräns för optimala koder En prefixkod kallas optimal om det inte existerar någon annan kod (för samma alfabet och sannolikhetsfördelning)

Läs mer

Optimala koder. Det existerar förstås flera koder som har samma kodordsmedellängd. Enklaste fallet är att bara byta 0:or mot 1:or.

Optimala koder. Det existerar förstås flera koder som har samma kodordsmedellängd. Enklaste fallet är att bara byta 0:or mot 1:or. Datakompression fö 3 p.1 Optimala koder En prefixkod kallas optimal om det inte existerar någon annan kod (för samma alfabet och sannolikhetsfördelning) som har lägre kodordsmedellängd. Det existerar förstås

Läs mer

Aritmetisk kodning. F (0) = 0 Exempel: A = {1, 2, 3} k=1. Källkodning fö 5 p.1/12

Aritmetisk kodning. F (0) = 0 Exempel: A = {1, 2, 3} k=1. Källkodning fö 5 p.1/12 Aritmetisk kodning Vi identifierar varje sekvens av källsymboler med ett tal i intervallet [0, 1). Vi gör det med hjälp av fördelningsfunktionen (cumulative distribution function) F. För enkelhets skull

Läs mer

Lösningar till SF1861/SF1851 Optimeringslära, 24/5 2013

Lösningar till SF1861/SF1851 Optimeringslära, 24/5 2013 Lösningar till SF86/SF85 Optimeringslära, 4/5 03 Uppgift (a) Inför de 3 variablerna x ij = kvantitet (i sorten ton) som fabrik nr i åläggs att tillverka av produkt nr j, samt t = tiden (i sorten timmar)

Läs mer

DEL I. Matematiska Institutionen KTH

DEL I. Matematiska Institutionen KTH Matematiska Institutionen KTH Lösning till tentamensskrivning på kursen Diskret Matematik, moment B, för D2 och F, SF63 och SF63, den 25 maj 2 kl 8.-3.. Hjälpmedel: Inga hjälpmedel är tillåtna på tentamensskrivningen.

Läs mer

Träd och koder. Anders Björner KTH

Träd och koder. Anders Björner KTH 27 Träd och koder Anders Björner KTH 1. Inledning. Det är i flera sammanhang viktigt att representera information digitalt (d.v.s omvandla till sviter av nollor och ettor). Beroende på vilka villkor som

Läs mer

Modelltentamen. Ditt svar ska vara ett ändligt uttryck utan summationstecken.

Modelltentamen. Ditt svar ska vara ett ändligt uttryck utan summationstecken. SF2715 Tillämpad kombinatorik, våren 2009 Jakob Jonsson Modelltentamen Denna modelltentamen är tänkt att illustrera svårighetsgraden på en riktig tentamen. Att en viss typ av uppgift dyker upp här innebär

Läs mer

1 Konvexa optimeringsproblem grundläggande egenskaper

1 Konvexa optimeringsproblem grundläggande egenskaper Krister Svanberg, april 2012 1 Konvexa optimeringsproblem grundläggande egenskaper Ett optimeringsproblem är i viss mening godartat om det tillåtna området är en konvex mängd och den målfunktion som ska

Läs mer

Lösning till tentamensskrivning i Diskret Matematik för CINTE, CL2 och Media 1, SF1610 och 5B1118, onsdagen den 17 augusti 2011, kl

Lösning till tentamensskrivning i Diskret Matematik för CINTE, CL2 och Media 1, SF1610 och 5B1118, onsdagen den 17 augusti 2011, kl Matematiska Institutionen KTH Lösning till tentamensskrivning i Diskret Matematik för CINTE, CL och Media, SF60 och 5B8, onsdagen den 7 augusti 0, kl 4.00-9.00. Examinator: Olof Heden Hjälpmedel: Inga

Läs mer

Föreläsning 7. Felrättande koder

Föreläsning 7. Felrättande koder Föreläsning 7 Felrättande koder Antag att vi vill skicka ett meddelande som består av bokstäver a,b,c,d. Vi kan koda a,b,c,d. Antag att det finns en viss sannolikhet att en bit i ett meddelande som skickas

Läs mer

Shannon-Fano-Elias-kodning

Shannon-Fano-Elias-kodning Datakompression fö 5 p.1 Shannon-Fano-Elias-kodning Antag att vi har en minnesfri källa X i som tar värden i {1, 2,...,L}. Antag att sannolikheterna för alla symboler är strikt positiva: p(i) > 0, i. Fördelningsfunktionen

Läs mer

5B1146 med Matlab. Laborationsr. Laborationsgrupp: Sebastian Johnson Erik Lundberg, Ann-Sofi Åhn ( endst tal1-3

5B1146 med Matlab. Laborationsr. Laborationsgrupp: Sebastian Johnson Erik Lundberg, Ann-Sofi Åhn ( endst tal1-3 1 Revision 4 2006-12-16 2. SIDFÖRTECKNING 5B1146 med Matlab Laborationsr Laborationsgrupp: Sebastian Johnson, Ann-Sofi Åhn ( endst tal1-3 Titel Sida 1. Uppgift 1.8.1....3 2. Uppgift 1.8.2....6 3. Uppgift

Läs mer

Ett besök till Spritlandet Sverige med kryddmästare Jonas.

Ett besök till Spritlandet Sverige med kryddmästare Jonas. Ett besök till Spritlandet Sverige med kryddmästare Jonas. I Galärskjulen på Djurgården i Stockholm ligger sedan 2012 Spritmuseum ett museum om alkoholkulturen i Sverige. Här finns både temporära utställningar

Läs mer

Föreläsninsanteckningar till föreläsning 3: Entropi

Föreläsninsanteckningar till föreläsning 3: Entropi Föreläsninsanteckningar till föreläsning 3: Entropi Johan Håstad, transkriberat av Pehr Söderman 2006-01-20 1 Entropi Entropi är, inom kryptografin, ett mått på informationsinnehållet i en slumpvariabel.

Läs mer

DEL I. Matematiska Institutionen KTH. Lösning till tentamensskrivning på kursen Linjär algebra II, SF1604, den 15 mars 2010 kl

DEL I. Matematiska Institutionen KTH. Lösning till tentamensskrivning på kursen Linjär algebra II, SF1604, den 15 mars 2010 kl 1 Matematiska Institutionen KTH Lösning till tentamensskrivning på kursen Linjär algebra II, SF1604, den 15 mars 010 kl 14.00-19.00. Hjälpmedel: Inga hjälpmedel är tillåtna på tentamensskrivningen. Betygsgränser:

Läs mer

Tentamen i Linjär algebra (TATA31/TEN1) ,

Tentamen i Linjär algebra (TATA31/TEN1) , Linköpings universitet Matematiska institutionen Ulf Janfalk Kurskod: TATA Provkod: TEN Tentamen i Linjär algebra TATA/TEN) 8, 9. Inga hjälpmedel. Ej räknedosa. För godkänt räcker 9 poäng och minst uppgifter

Läs mer

Informationsteori. Repetition Kanalkapaciteten C. Repetition Källkodhastigheten R 2. Repetition Kanalkodhastigheten R 1. Huffmans algoritm: D-när kod

Informationsteori. Repetition Kanalkapaciteten C. Repetition Källkodhastigheten R 2. Repetition Kanalkodhastigheten R 1. Huffmans algoritm: D-när kod Informationsteori Repetition Kanalkapaciteten C Källkodare Kanalkodare X Kanal Mats Cedervall Mottagare vkodare Kanalavkodare Y Kanalkodningssatsen C =supi(x; Y ) p(x) Informationsteori, fl#7 1 Informationsteori,

Läs mer

Tentamen i Digitala system - EITA15 15hp varav denna tentamen 4,5hp

Tentamen i Digitala system - EITA15 15hp varav denna tentamen 4,5hp Tentamen i Digitala system - EITA15 15hp varav denna tentamen 4,5hp Institutionen för elektro- och informationsteknik Campus Helsingborg, LTH 2018-01-09 8.00-13.00 (förlängd 14.00) Uppgifterna i tentamen

Läs mer

Övning 6 - Tillämpad datalogi 2012

Övning 6 - Tillämpad datalogi 2012 /home/lindahlm/activity-phd/teaching/12dd1320/exercise6/exercise6.py October 2, 20121 0 # coding : latin Övning 6 - Tillämpad datalogi 2012 Sammanfattning Idag gick vi igenom komprimering, kryptering och

Läs mer

Tentamen, Algoritmer och datastrukturer

Tentamen, Algoritmer och datastrukturer UNDS TEKNISKA ÖGSKOA (6) Institutionen för datavetenskap Tentamen, Algoritmer och datastrukturer 23 8 29, 8. 3. Anvisningar: Denna tentamen består av fem uppgifter. Totalt är skrivningen på 36 poäng och

Läs mer

Tentamen Bildanalys (TDBC30) 5p

Tentamen Bildanalys (TDBC30) 5p Tentamen Bildanalys (TDBC30) 5p Skrivtid: 9-15 Hjälpmedel: kursboken Digital Image Processing Svara på alla frågor på nytt blad. Märk alla blad med namn och frågenummer. Disponera tiden mellan frågorna

Läs mer

1 Positivt definita och positivt semidefinita matriser

1 Positivt definita och positivt semidefinita matriser Krister Svanberg, april 1 1 Positivt definita och positivt semidefinita matriser Inom ickelinjär optimering, speciellt kvadratisk optimering, är det viktigt att på ett effektivt sätt kunna avgöra huruvida

Läs mer

DIGITAL KOMMUNIKATION

DIGITAL KOMMUNIKATION EN KOR SAMMANFANING AV EORIN INOM DIGIAL KOMMUNIKAION Linjär kod En binär linjär kod kännetecknas av att summan av två kodord också är ett kodord. Ett specialfall är summan av ett kodord med sig själv

Läs mer

Tentamensinstruktioner. När Du löser uppgifterna

Tentamensinstruktioner. När Du löser uppgifterna Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN 1 OPTIMERING FÖR INGENJÖRER för M/EMM Datum: januari 2013 Tid: 14.00-19.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar

Läs mer

Lab 3 Kodningsmetoder

Lab 3 Kodningsmetoder Lab 3. Kodningsmetoder 15 Lab 3 Kodningsmetoder Starta Matlab och ladda ner följande filer från kurswebben till er lab-katalog: lab3blocks.mdl okodat.mdl repetitionskod.mdl hammingkod.mdl planet.mat Denna

Läs mer

a) Beräkna sannolikheten att en följd avkodas fel, det vill säga en ursprungliga 1:a tolkas som en 0:a eller omvänt, i fallet N = 3.

a) Beräkna sannolikheten att en följd avkodas fel, det vill säga en ursprungliga 1:a tolkas som en 0:a eller omvänt, i fallet N = 3. Avd. Matematisk statistik TENTAMEN I SF1901 SANNOLIKHETSTEORI OCH STATISTIK, TISDAGEN DEN 14:E MARS 017 KL 08.00 13.00. Examinator: Thomas Önskog, 08 790 84 55. Tillåtna hjälpmedel: Formel- och tabellsamling

Läs mer

Innehåll. Föreläsning 11. Organisation av Trie. Trie Ytterligare en variant av träd. Vi har tidigare sett: Informell specifikation

Innehåll. Föreläsning 11. Organisation av Trie. Trie Ytterligare en variant av träd. Vi har tidigare sett: Informell specifikation Innehåll Föreläsning 11 Trie Sökträd Trie och Sökträd 356 357 Trie Ytterligare en variant av träd. Vi har tidigare sett: Oordnat träd där barnen till en nod bildar en mängd Ordnat träd där barnen till

Läs mer

TAOP86/TEN 1 KOMBINATORISK OPTIMERING MED

TAOP86/TEN 1 KOMBINATORISK OPTIMERING MED Matematiska institutionen Optimeringslära TENTAMEN TAOP8/TEN 1 KOMBINATORISK OPTIMERING MED MILJÖTILLÄMPNINGAR Datum: 10 januari 201 Tid: 1.00-19.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg:

Läs mer

TSBK04 Datakompression. Övningsuppgifter

TSBK04 Datakompression. Övningsuppgifter TSBK04 Datakompression Övningsuppgifter Innehåll 1 Informationsteoretiska begrepp........................ 1 2 Källkodning................................... 4 Copyright c 2004 Bildkodningsgruppen, Linköpings

Läs mer

TSBK04 Datakompression Övningsuppgifter

TSBK04 Datakompression Övningsuppgifter TSBK04 Datakompression Övningsuppgifter Innehåll 1 Informationsteoretiska begrepp........................ 1 2 Källkodning................................... 4 Copyright c 2004 Bildkodningsgruppen, Linköpings

Läs mer

Algoritmer, datastrukturer och komplexitet

Algoritmer, datastrukturer och komplexitet Algoritmer, datastrukturer och komplexitet Övning 10 Anton Grensjö grensjo@csc.kth.se 9 november 2017 1 Idag En konstruktionsreduktion Fler bevis av NP-fullständighet 2 Teori Repetition Ett problem tillhör

Läs mer

1. (3p) Ett RSA-krypto har parametrarna n = 77 och e = 37. Dekryptera meddelandet 3, dvs bestäm D(3). 60 = = =

1. (3p) Ett RSA-krypto har parametrarna n = 77 och e = 37. Dekryptera meddelandet 3, dvs bestäm D(3). 60 = = = Matematiska Institutionen KTH Lösningar till tentamensskrivning på kursen Diskret Matematik, moment B, för D2 och F, SF63 och SF630, den 20 maj 2009 kl 08.00-3.00. Hjälpmedel: Inga hjälpmedel är tillåtna

Läs mer

I en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd.

I en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd. OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet

Läs mer

1 Minkostnadsflödesproblem i nätverk

1 Minkostnadsflödesproblem i nätverk Krister Svanberg, april 2012 1 Minkostnadsflödesproblem i nätverk Ett nätverk består av en given mängd noder numrerade från 1 till m (där m är antalet noder) samt en given mängd riktade bågar mellan vissa

Läs mer

Lösning till tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610 och 5B1118, tisdagen den 7 januari 2014, kl

Lösning till tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610 och 5B1118, tisdagen den 7 januari 2014, kl 1 Matematiska Institutionen KTH Lösning till tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610 och 5B1118, tisdagen den 7 januari 2014, kl 14.00-19.00. Examinator: Olof Heden Hjälpmedel:

Läs mer

Föreläsning 7: Kvadratisk optimering. 4. Kvadratisk optimering under linjära bivillkor

Föreläsning 7: Kvadratisk optimering. 4. Kvadratisk optimering under linjära bivillkor Föreläsning 7: Kvadratisk optimering 1. Kvadratisk optimering utan bivillkor 2. Positivt definita och semidefinita matriser 3. LDL T faktorisering 4. Kvadratisk optimering under linjära bivillkor 5. Minsta

Läs mer

Tentamen i EDA320 Digitalteknik för D2

Tentamen i EDA320 Digitalteknik för D2 CHALMERS TEKNISKA HÖGSKOLA Institutionen för datorteknik Tentamen i EDA320 Digitalteknik för D2 Tentamenstid: onsdagen den 2 mars 997 kl 4.5-8.5. Sal: vv Examinator: Peter Dahlgren Tel. expedition 03-772677.

Läs mer

6. Matriser Definition av matriser 62 6 MATRISER. En matris är ett rektangulärt schema av tal: a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n A =

6. Matriser Definition av matriser 62 6 MATRISER. En matris är ett rektangulärt schema av tal: a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n A = 62 6 MATRISER 6 Matriser 6 Definition av matriser En matris är ett rektangulärt schema av tal: A a a 2 a 3 a n a 2 a 22 a 23 a 2n a m a m2 a m3 a mn Matrisen A säges vara av typ m n, där m är antalet rader

Läs mer

Lösningsförslag, Tentamen, Differentialekvationer och transformer II, del 2, för CTFYS2 och CMEDT3, SF1629, den 9 juni 2011, kl.

Lösningsförslag, Tentamen, Differentialekvationer och transformer II, del 2, för CTFYS2 och CMEDT3, SF1629, den 9 juni 2011, kl. Lösningsförslag, Tentamen, Differentialekvationer och transformer II, del 2, för CTFYS2 och CMEDT3, SF629, den 9 juni 2, kl. 8: 3: Uppgift (av 8 (5 poäng. i. sant, ii. falskt, iii. falskt, iv. sant, v.

Läs mer

Tentamen i IE1204/5 Digital Design måndagen den 15/

Tentamen i IE1204/5 Digital Design måndagen den 15/ Tentamen i IE1204/5 Digital Design måndagen den 15/10 2012 9.00-13.00 Allmän information Examinator: Ingo Sander. Ansvarig lärare: William Sandqvist, tel 08-790 4487 (Kista IE1204), Tentamensuppgifterna

Läs mer

Lösning av tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, tisdagen den 27 maj 2014, kl

Lösning av tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, tisdagen den 27 maj 2014, kl 1 Matematiska Institutionen KTH Lösning av tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, tisdagen den 27 maj 2014, kl 14.00-19.00. Examinator: Olof Heden Hjälpmedel: Inga hjälpmedel

Läs mer

Optimeringslära Kaj Holmberg

Optimeringslära Kaj Holmberg Tekniska Högskolan i Linköping Optimering för ingenjörer Matematiska Institutionen Lösning till tentamen Optimeringslära 2018-08-31 Kaj Holmberg Lösningar Uppgift 1 1a: Inför slackvariabler x 5, x 6 och

Läs mer

Algoritmer och datastrukturer 2012, fo rela sning 8

Algoritmer och datastrukturer 2012, fo rela sning 8 lgoritmer och datastrukturer 01, fo rela sning 8 Komplexitet för binära sökträd De viktigaste operationerna på binära sökträd är insert, find och remove Tiden det tar att utföra en operation bestäms till

Läs mer

Optimeringslära Kaj Holmberg

Optimeringslära Kaj Holmberg Tekniska Högskolan i Linköping TAOP88 Matematiska Institutionen Lösning till tentamen Optimeringslära 9--7 Kaj Holmberg Lösningar Uppgift a: Inför slackvariabler x 5, x 6 och x 7 Starta med slackvariablerna

Läs mer

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN OPTIMERING FÖR INGENJÖRER Datum: augusti 0 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar i boken

Läs mer

Lösningar till 5B1762 Optimeringslära för T, 24/5-07

Lösningar till 5B1762 Optimeringslära för T, 24/5-07 Lösningar till 5B76 Optimeringslära för T, 4/5-7 Uppgift (a) Först använder vi Gauss Jordans metod på den givna matrisen A = Addition av gånger första raden till andra raden ger till resultat matrisen

Läs mer

Tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, onsdagen den 20 augusti 2014, kl

Tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, onsdagen den 20 augusti 2014, kl 1 Matematiska Institutionen KTH Tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, onsdagen den 20 augusti 2014, kl 14.00-19.00. Examinator: Olof Heden Hjälpmedel: Inga hjälpmedel är tillåtna

Läs mer

8 Minsta kvadratmetoden

8 Minsta kvadratmetoden Nr, april -, Amelia Minsta kvadratmetoden. Ekvationssystem med en lösning, -fallet Ett linjärt ekvationssystem, som ½ +7y = y = har en entydig lösning om koefficientdeterminanten, här 7, är skild från

Läs mer

Linjärprogramming. EG2205 Föreläsning 7, vårterminen 2015 Mikael Amelin

Linjärprogramming. EG2205 Föreläsning 7, vårterminen 2015 Mikael Amelin Linjärprogramming EG2205 Föreläsning 7, vårterminen 2015 Mikael Amelin 1 Kursmål Formulera korttidsplaneringsproblem för vatten- och värmekraftsystem. 2 Tillämpad matematisk programming Korttidsplanering

Läs mer

Optimalitetsvillkor. Optimum? Matematisk notation. Optimum? Definition. Definition

Optimalitetsvillkor. Optimum? Matematisk notation. Optimum? Definition. Definition Optimum? När man har formulerat sin optimeringsmodell vill man lösa den Dvs finna en optimal lösning, x, till modellen Nästan alltid: Sökmetoder: Stå i en punkt, gå till en annan (bättre Upprepa, tills

Läs mer

Hemtenta 2 i Telekommunikation

Hemtenta 2 i Telekommunikation Hemtenta 2 i Telekommunikation Tentamen omfattar 4*4=16 poäng. För godkänt krävs minst 8 poäng. Individuell Inlämning senast 2005-10-07 till Jan-Åke Olofsson jan-ake.olofsson@tfe.umu.se eller Björn Ekenstam,

Läs mer

Skurlängdskodning. aaaabbbbbbbccbbbbaaaa. Man beskriver alltså sekvensen med ett annat alfabet än det ursprungliga.

Skurlängdskodning. aaaabbbbbbbccbbbbaaaa. Man beskriver alltså sekvensen med ett annat alfabet än det ursprungliga. Datakompression fö 4 p1 Skurlängdskodning Ibland har man källor som producerar långa delsekvenser av samma symbol Det kan då vara praktiskt att istället för att beskriva sekvensen som en följd av enstaka

Läs mer

Sannolikheten att vinna ett spel med upprepade myntkast

Sannolikheten att vinna ett spel med upprepade myntkast Matematik Gymnasieskola Modul: Matematikundervisning med digitala verktyg Del 7: Matematiska undersökningar med kalkylprogram Sannolikheten att vinna ett spel med upprepade myntkast Håkan Sollervall, Malmö

Läs mer

repetitionskoder blockkoder Felrättande koder

repetitionskoder blockkoder Felrättande koder Antag att en följd av nollor och ettor ska skickas genom en kanal: 0 0 0 0 0 0... Om det finns en viss risk (sannolikhet) för fel kanske vi får ut: 0 0 0 0 0 0... Hur kan man rätta till felen med så lite

Läs mer

Systemkonstruktion Z3 (Kurs nr: SSY-046)

Systemkonstruktion Z3 (Kurs nr: SSY-046) Systemkonstruktion Z3 (Kurs nr: SSY-046) Tentamen 23 oktober 2008 em 14:00-18:00 Tid: 4 timmar. Lokal: "Väg och vatten"-salar. Lärare: Nikolce Murgovski, 772 4800 Tentamenssalarna besöks efter ca 1 timme

Läs mer

RSA-kryptering och primalitetstest

RSA-kryptering och primalitetstest Matematik, KTH Bengt Ek augusti 2016 Material till kurserna SF1630 och SF1679, Diskret matematik: RSA-kryptering och primalitetstest Hemliga koder (dvs koder som används för att göra meddelanden oläsbara

Läs mer

IE1204/IE1205 Digital Design

IE1204/IE1205 Digital Design TENTAMEN IE1204/IE1205 Digital Design 2012-12-13, 09.00-13.00 Inga hjälpmedel är tillåtna! Hjälpmedel Tentamen består av tre delar med sammanlagd tolv uppgifter, och totalt 30 poäng. Del A1 (Analys) innehåller

Läs mer

Föreläsning 5: Giriga algoritmer. Kruskals och Prims algoritmer

Föreläsning 5: Giriga algoritmer. Kruskals och Prims algoritmer Föreläsning 5: Giriga algoritmer Kruskals och Prims algoritmer Spännande träd: Om G är en sammanhängande graf så är ett spännande träd ett träd som innehåller alla noder i V (G). Viantarattviharkantvikterw(e)

Läs mer

Lösning till tentamensskrivning i Diskret Matematik för CINTE och CMETE, m fl, SF1610, tisdagen den 2 juni 2015, kl

Lösning till tentamensskrivning i Diskret Matematik för CINTE och CMETE, m fl, SF1610, tisdagen den 2 juni 2015, kl 1 Matematiska Institutionen KTH Lösning till tentamensskrivning i Diskret Matematik för CINTE och CMETE, m fl, SF1610, tisdagen den juni 015, kl 1.00-19.00. Examinator: Olof Heden Hjälpmedel: Inga hjälpmedel

Läs mer

Lösning till tentamensskrivning på kursen Diskret Matematik, moment B, för D2 och F, SF1631 och SF1630, den 1 juni 2011 kl

Lösning till tentamensskrivning på kursen Diskret Matematik, moment B, för D2 och F, SF1631 och SF1630, den 1 juni 2011 kl Matematiska Institutionen KTH Lösning till tentamensskrivning på kursen Diskret Matematik moment B för D2 och F SF63 och SF63 den juni 2 kl 8.- 3.. Examinator: Olof Heden tel. 7354789. Hjälpmedel: Inga

Läs mer

FLAC (Free Lossless Audio Coding)

FLAC (Free Lossless Audio Coding) Datakompression fö 9 p.1 FLAC (Free Lossless Audio Coding) Distorsionsfri kodning av ljud Ljudsignalen delas in i block (typiskt några tusen sampel). Koda summa/skillnad av de två stereokanalerna om det

Läs mer

Tentamensinstruktioner. När Du löser uppgifterna

Tentamensinstruktioner. När Du löser uppgifterna Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN OPTIMERING FÖR INGENJÖRER för M/EMM Datum: 29 maj 20 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar

Läs mer

Tentamen Datastrukturer, DAT037 (DAT036)

Tentamen Datastrukturer, DAT037 (DAT036) Tentamen Datastrukturer, DAT037 (DAT036) Datum och tid för tentamen: 2017-01-11, 14:00 18:00. Ansvarig: Fredrik Lindblad. Nås på tel nr. 031-772 2038. Besöker tentamenssalarna ca 15:00 och ca 17:00. Godkända

Läs mer

Härledning av Black-Littermans formel mha allmänna linjära modellen

Härledning av Black-Littermans formel mha allmänna linjära modellen Härledning av Black-Littermans formel mha allmänna linjära modellen Ett sätt att få fram Black-Littermans formel är att formulera problemet att hitta lämpliga justerade avkastningar som ett skattningsproblem

Läs mer

Vektorgeometri för gymnasister

Vektorgeometri för gymnasister Vektorgeometri för gymnasister Per-Anders Svensson http://homepage.lnu.se/staff/psvmsi/vektorgeometri/gymnasiet.html Fakulteten för teknik Linnéuniversitetet Linjära avbildningar II Innehåll Repetition:

Läs mer

Basbyten och linjära avbildningar

Basbyten och linjära avbildningar Föreläsning 11, Linjär algebra IT VT2008 1 Basbyten och linjära avbildningar Innan vi fortsätter med egenvärden så ska vi titta på hur matrisen för en linjär avbildning beror på vilken bas vi använder.

Läs mer

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN 1 OPTIMERING FÖR INGENJÖRER Datum: januari 2016 Tid: 1.00-19.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar

Läs mer

Tentamen i IE1204/5 Digital Design onsdagen den 5/

Tentamen i IE1204/5 Digital Design onsdagen den 5/ Tentamen i IE1204/5 Digital Design onsdagen den 5/6 2013 9.00-13.00 Tentamensfrågor med lösningsförslag Allmän information Examinator: Ingo Sander. Ansvarig lärare: William Sandqvist, tel 08-790 4487 (Kista

Läs mer

Tentamen i Digitalteknik, EITF65

Tentamen i Digitalteknik, EITF65 Elektro- och informationsteknik Tentamen i Digitalteknik, EITF65 3 januari 2018, kl. 14-19 Skriv anonymkod och identifierare, eller personnummer, på alla papper. Börja en ny uppgift på ett nytt papper.

Läs mer

Blandade problem från elektro- och datateknik

Blandade problem från elektro- och datateknik Blandade problem från elektro- och datateknik Sannolikhetsteori (Kapitel 1-10) E1. En viss typ av elektroniska komponenter anses ha exponentialfördelade livslängder. Efter 3000 timmar brukar 90 % av komponenterna

Läs mer

Linjära avbildningar. Låt R n vara mängden av alla vektorer med n komponenter, d.v.s. x 1 x 2. x = R n = x n

Linjära avbildningar. Låt R n vara mängden av alla vektorer med n komponenter, d.v.s. x 1 x 2. x = R n = x n Linjära avbildningar Låt R n vara mängden av alla vektorer med n komponenter, d.v.s. R n = { x = x x. x n } x, x,..., x n R. Vi räknar med vektorer x, y likandant som i planet och i rymden. vektorsumma:

Läs mer

Tentamen LMA 200 Matematisk statistik,

Tentamen LMA 200 Matematisk statistik, Tentamen LMA Matematisk statistik, Tentamen består av åtta uppgifter motsvarande totalt poäng. Det krävs minst poäng för betyg, minst poäng för 4 och minst 4 poäng för. Examinator: Ulla Blomqvist, ankn

Läs mer

SKRIVNING I VEKTORGEOMETRI

SKRIVNING I VEKTORGEOMETRI SKRIVNING I VEKTORGEOMETRI Delkurs 207 Om inget annat uttryckligen sägs, kan koordinaterna för en vektor i antas vara givna i en ON-bas. Baser i rummet kan dessutom antas vara positivt orienterade.. För

Läs mer

Optimeringslära Kaj Holmberg. Lösningar/svar. Iteration 2: x 2 s

Optimeringslära Kaj Holmberg. Lösningar/svar. Iteration 2: x 2 s Tekniska Högskolan i Linköping Optimering av realistiska sammansatta s Matematiska Institutionen Lösning till tentamen Optimeringslära 2014-01-15 Kaj Holmberg Lösningar/svar Uppgift 1 1a: (Detta problem

Läs mer

2 Dataanalys och beskrivande statistik

2 Dataanalys och beskrivande statistik 2 Dataanalys och beskrivande statistik Vad är data, och vad är statistik? Data är en samling fakta ur vilken man kan erhålla information. Statistik är vetenskapen (vissa skulle kalla det konst) om att

Läs mer

Tentamen TEN1 HI

Tentamen TEN1 HI Tentamen TEN1 HI1029 2014-03-14 Skrivtid: 8.15-13.00 Hjälpmedel: Referensblad (utdelas), papper (tomma), penna Logga in med tentamenskontot ni får av skrivvakten. Det kommer att ta tid att logga in ha

Läs mer

Burrows-Wheelers transform

Burrows-Wheelers transform Datakompression fö 7 p.1 Burrows-Wheelers transform Transformen själv ger ingen kompression, men gör det lättare att koda signalen med en enkel kodare. Antag att vi vill koda en sekvens av längd n. Skapa

Läs mer

MIO310 OPTIMERING OCH SIMULERING, 4 p

MIO310 OPTIMERING OCH SIMULERING, 4 p Uppvisat terminsräkning ( ) Ja ( ) Nej Inst. för teknisk ekonomi och logistik Avd. för Produktionsekonomi Jag tillåter att mitt tentamensresultat publiceras på Internet Ja Nej TENTAMEN: MIO0 OPTIMERING

Läs mer

Norm och QR-faktorisering

Norm och QR-faktorisering Norm och QR-faktorisering Skalärprodukten på C n (R n ) hänger ihop med några viktiga klasser av matriser. För en komplex matris A betecknar vi med A H det Hermitiska konjugatet till A, dvs A H = A T.

Läs mer

Stokastiska vektorer

Stokastiska vektorer TNG006 F2 9-05-206 Stokastiska vektorer 2 Kovarians och korrelation Definition 2 Antag att de sv X och Y har väntevärde och standardavvikelse µ X och σ X resp µ Y och σ Y Då kallas för kovariansen mellan

Läs mer

Lösningsförslag till Problem i kapitel 7 i Mobil Radiokommunikation

Lösningsförslag till Problem i kapitel 7 i Mobil Radiokommunikation Lösningsförslag till Problem i kapitel 7 i Mobil adiokommunikation 7. 7. Två lognormalt fördelade stokastiska variabler X och Y med log-standardavvikelserna σ logx och σ logy. Att den stokastiska variabeln

Läs mer

P(ξ > 1) = 1 P( 1) = 1 (P(ξ = 0)+P(ξ = 1)) = 1 0.34. ξ = 2ξ 1 3ξ 2

P(ξ > 1) = 1 P( 1) = 1 (P(ξ = 0)+P(ξ = 1)) = 1 0.34. ξ = 2ξ 1 3ξ 2 Lösningsförslag TMSB18 Matematisk statistik IL 101015 Tid: 12.00-17.00 Telefon: 101620, Examinator: F Abrahamsson 1. Varje dag levereras en last med 100 maskindetaljer till ett företag. Man tar då ett

Läs mer

Tentamen Datastrukturer (DAT036/DAT037/DIT960)

Tentamen Datastrukturer (DAT036/DAT037/DIT960) Tentamen Datastrukturer (DAT036/DAT037/DIT960) Datum och tid för tentamen: 2016-04-07, 14:00 18:00. Författare: Nils Anders Danielsson. (Tack till Per Hallgren och Nick Smallbone för feedback.) Ansvarig:

Läs mer

Föreläsningen ger en introduktion till differentialekvationer och behandlar stoff från delkapitel 18.1, 18.3 och 7.9 i Adams. 18.

Föreläsningen ger en introduktion till differentialekvationer och behandlar stoff från delkapitel 18.1, 18.3 och 7.9 i Adams. 18. Föreläsningen ger en introduktion till differentialekvationer och behandlar stoff från delkapitel 18.1, 18.3 och 7.9 i Adams. 18.1 Delkapitlet introducerar en del terminologi och beteckningar som används.

Läs mer

Lösningsförslag till Tentamen i 5B1118 Diskret matematik 5p 11 april, 2002

Lösningsförslag till Tentamen i 5B1118 Diskret matematik 5p 11 april, 2002 Institutionen för matematik, KTH Mats Boij och Niklas Eriksen Lösningsförslag till Tentamen i 5B1118 Diskret matematik 5p 11 april, 2002 1. Bestäm det minsta positiva heltal n sådant att 31n + 13 är delbart

Läs mer

1 Föreläsning I, Mängdlära och elementär sannolikhetsteori,

1 Föreläsning I, Mängdlära och elementär sannolikhetsteori, 1 Föreläsning I, Mängdlära och elementär sannolikhetsteori, LMA201, LMA521 1.1 Mängd (Kapitel 1) En (oordnad) mängd A är en uppsättning av element. En sådan mängd kan innehålla ändligt eller oändlligt

Läs mer

Tentamen i Linjär algebra (TATA31/TEN1) ,

Tentamen i Linjär algebra (TATA31/TEN1) , Linköpings universitet Matematiska institutionen Ulf Janfalk Kurskod: TATA Provkod: TEN Tentamen i Linjär algebra (TATA/TEN) 7 9, 9. Inga hjälpmedel. Ej räknedosa. För godkänt räcker 9 poäng och minst

Läs mer

729G04 - Diskret matematik. Hemuppgift.

729G04 - Diskret matematik. Hemuppgift. 729G04 - Diskret matematik. Hemuppgift. 2016-08-31 Instruktioner Dessa uppgifter utgör en del av examinationen i kursen 729G04 Programmering och diskret matematik. Uppgifterna ska utföras individuellt

Läs mer

Lösningsförslag till skrivningen i Vektorgeometri (MAA702) måndagen den 30 maj 2005

Lösningsförslag till skrivningen i Vektorgeometri (MAA702) måndagen den 30 maj 2005 VÄXJÖ UNIVERSITET Matematiska och systemtekniska institutionen Per-Anders Svensson Lösningsförslag till skrivningen i Vektorgeometri (MAA702) måndagen den 30 maj 2005 Uppgift. Bestäm samtliga vektorer

Läs mer

1 Ickelinjär optimering under bivillkor

1 Ickelinjär optimering under bivillkor Krister Svanberg, maj 2012 1 Ickelinjär optimering under bivillkor Hittills har vi behandlat optimeringsproblem där alla variabler x j kunnat röra sig fritt, oberoende av varann, och anta hur stora eller

Läs mer

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN OPTIMERING FÖR INGENJÖRER Datum: 0 maj 0 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar i boken får

Läs mer

Tentamensinstruktioner. När Du löser uppgifterna

Tentamensinstruktioner. När Du löser uppgifterna Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER för M/EMM Datum: 8 januari 201 Tid: 8.00-13.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering

Läs mer

Lösningar till SF1861 Optimeringslära, 28 maj 2012

Lösningar till SF1861 Optimeringslära, 28 maj 2012 Lösningar till SF86 Optimeringslära, 28 maj 202 Uppgift.(a) Då det primala problemet P är så är det motsvarande duala problemet D minimera 3x + x 2 då 3x + 2x 2 6 x + 2x 2 4 x j 0, j =, 2. maximera 6 +

Läs mer

Partiella differentialekvationer av första ordningen

Partiella differentialekvationer av första ordningen Partiella differentialekvationer av första ordningen Kjell Holmåker 23 februari 2005 En kvasilinjär partiell differentialekvation av första ordningen är av formen P (x, y, u)u x + Q(x, y, u)u y = R(x,

Läs mer

Lösningar till tentan i 5B1760 Linjär och kvadratisk optimering, 17 december 2003.

Lösningar till tentan i 5B1760 Linjär och kvadratisk optimering, 17 december 2003. Lösningar till tentan i 5B7 Linjär och kvadratisk optimering, 7 december 3 Uppgift (a) 3 Vi använder Gauss-Jordans metod för att överföra A 3 5 till trappstegsform 3 7 Addition av ( ) gånger första raden

Läs mer

TAOP86/TEN 1 KOMBINATORISK OPTIMERING MED

TAOP86/TEN 1 KOMBINATORISK OPTIMERING MED Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN 1 KOMBINATORISK OPTIMERING MED MILJÖTILLÄMPNINGAR för IT Datum: 2 oktober 2013 Tid:.00-13.00 Hjälpmedel: Miniräknare Kaj Holmberg: Optimering.

Läs mer