Regression med Genetiska Algoritmer

Save this PDF as:
 WORD  PNG  TXT  JPG

Storlek: px
Starta visningen från sidan:

Download "Regression med Genetiska Algoritmer"

Transkript

1 Regression med Genetiska Algoritmer Projektarbete, Artificiell intelligens, 729G43 Jimmy Eriksson, jimer

2 Inledning Hur många kramar finns det i världen givet? Att kunna estimera givet ett antal olika variabler är något som många vill kunna, men som ofta innebär mer eller mindre chansningar. En svårighet är att verkligheten ofta innebär många olika variabler, och att de interagerar med varandra på oförutsedda sätt. I denna rapport utvärderas ett eget program i försök att hitta de modeller som bäst passar givna data med två eller flera linjära och- eller ickelinjära variabler. Programmet hämtar idéer från analytisk regression och genetiska algoritmer. Regression Inom statistik används regressionsanalys för att finna den modell som har det minsta felet givet de data som används. Modellerna kan sedan användas för att förutsäga resultat givet de variabler som används. Ett exempel är att observerade data kan finnas för hur väl någon presterar på något prov givet variabeln timmars träning. Modellen kan enklast beskrivas som en matematisk funktion med ett antal oberoende (förklarande) variabler som ger ett resultat på en beroende variabel. Formeln uttrycks principiellt som: Ŷ = α + βx En vanlig distinktion är att göra mellan modeller som är linjärar och icke-linjära. Skillnaden mellan dessa två är enkelt uttryckt hur modellen kan ritas ut är modellen linjär är det en rak linje som ritas ut i ett koordinatsystem, och är modellen icke-linjär har den en annan form. Linjär regression Den enklaste typen av regression kallas enkel linjär regression. Modellen använder sig endast av en oberoende variabel. Nedan ses exempel på detta. Ŷ = α + βx Ŷ = 5 + 2x

3 Ofta är enkel linjär regression alltför enkel för att förklara en beroende variabel bra genom endast en oberoende. En mer komplex modell använder två eller fler variabel eller så kallad multipel regression. Liksom enkel regression ger modellen en linjär funktion. Multipel regression uttrycks som: Ŷ = α + β 1 x 1 + β 2 x 2 + β n x n Ŷ = 1 + 2x 1 + 3x 2. Icke-linjär regression Långt från alla observerade data passar bra med linjära funktioner. Det är möjligt att en variabel har störst verkan vid ett viss värde. Nedan visas exempel på en icke-linjär modell såväl matematiskt uttryckt som grafiskt. Ŷ = α + f(x) Ŷ = 5-2x 2 Icke-linjära modeller kan vara mycket komplexa då det finns otaliga möjliga former en kurva kan ta, och därför svåra att skapa. Error, ε Det är mycket ovanligt med modeller utan någon typ av fel. Alltså modeller där alla oberoende variabler ger den beroende variabelns observerade värde. Detta fel i modellen gör att vi kan uttrycka formeln som:

4 Ŷ = α + βx + ε Felet mellan en modell och observerade data illusteras i bilden nedan där punkterna är observerade data och modellen är linjen. Felet ger möjlighet att värdera hur bra modellen är mot de observerade datan som använts. Att påpeka är att denna metod inte tar hänsyn till variationer i de observerade datan. Det vill säga att outliers och liknande problem måste tas hänsyn till innan en analys genomförs. Skillnaden i hur bra olika modeller passar på observerade data illustreras nedan. Där visas observerade data som punkter och modellerna som linjer. Målet är, som tidigare nämnts, att hitta en modell med minsta möjliga fel som kan beskriva de observerade datan. Genom att välja den modell som har minst fel kan vi vara mer säkra på att estimerade värden stämmer. Ett vanligt sätt att beräkna fel är att använda sig av minsta kvadratfel-principen. Principen innebär att summera kvadraten av felet som ett y-värde faktiskt har subtraherat med det y- värde som modellen ger. Formelns fel = Σ (Y n - modellens Y) 2. Ett exempel följer nedan.

5 Observerade Data Ŷ = 5 + 4x y x Ŷ ε ε * 1 = = -2 (-2) 2 = Fel = = 90 Genetiska algoritmer Genetiska algoritmer bygger på evolutionsteorin där goda anlag (DNA) i en omgivning förs vidare till nya generationer. De bästa individerna paras och får avkommor med delar av föräldrarnas DNA. Detta tillsammans med mutation av föräldrarnas dna används för att försöka finna den bästa lösningen till ett problem. Cross-over innebär att ta delar av föräldrarnas DNA och sätta ihop dessa till nya individer som testas i en ny generation. Det finns olika sätt att bestämma var DNA-sekvensen ska brytas och sammanföras med annan DNA-sekvens. En vanlig lösning är att ta halva DNAsekvensen från var och en av föräldrarna. Detta visas i exemplet nedan (tabell 1). Mutation innebär att ta en eller flera delar av föräldern och förändra på något sätt. Detta ger en ökad variation i generationens population. En enkel mutation av föräldrarna X och Y visas i tabell 1. Förälder X Förälder Y Cross-over Barn XY Cross-over Barn YX Mutation X Mutation Y Tabell 1: Cross-over & Mutation Eftersom det endast är de bästa anlagen för omgivningen som är intressanta att föra vidare krävs någon typ av värdering av DNA-sekvenserna. En viktig poäng med genetiska algoritmer är att de inte garanterar en optimal lösning, men att de kan användas för att få fram relativt goda lösningar snabbt. Metod Ett program skrevs genom idéer från regression och genetiska algoritmer. Syftet med programmet var att utvärdera genetiska algoritmer för att göra regressionsanalys. Programvara

6 Python 2.7 användes för att skriva koden för att få fram den modell som bäst passar givna data. Data hämtas in som en given csv fil som innehåller y-värdet i första kolumnen och sedan de givna oberoende variablerna i följande kolumner. (Se appendix.) Indata Programmet tar in fyra argument. Det första är namnet på datafilen. De följande tre är frivilliga. Det första av dessa argument är antalet generationer som programmet genomför, och har ett standardvärde på Det andra är att förutom addition och subtraktion även tillåta multiplikation och division där standardvärdet är False. Det sista argumentet anger om programmet ska kunna använda sig av decimaltal eller inte, och standard är endast heltal. Regression( filnamn.csv, antal generationer, alla operatorer, decimaltal) Regression( testfil.csv, 1000, True, False) Implementerade funktioner Functions Klassen Functions skapades för att hålla information om varje oberoende variabel. Klassen har attribut såsom betavärde, operator och funktion. Dessa tre attribut kan ändras, vilket möjliggör mutationer. Exempelvis kan en mutation innebära byte av operator. Beroende på argument vid start så används vissa operatorer samt möjliggör eller begränsar decimaltalsberäkningar. Ett begränsat antal funktioner lades in för att kunna utvärdera resultatet av programmet. Bland dessa var: βx βx 2 β/x) βe x Regression En annan klass programmet använder sig av är Regression. Den tar en fil som indata och ger en modell som utdata. Klassen hanterar instanser av Functions och beräknar modellen enligt principen: Ŷ = α + f 1 (x 1 ) + f 2 (x 2 ) + f n (x n ) Klassen väljer ut de två bästa individerna i varje generation enligt minsta kvadratfel-principen och muterar dessa en gång vardera i operator, betavärde eller funktionstyp. En crossover genomförs även av de två bästa individerna genom att klyva modellens DNA-sekvens på

7 mitten och sätta ihop dessa till nya individer. Klassen skriver även ut den hittills bästa funna modellen. Implementerade begränsningar Ett antal begränsningar lades in i programmet. Dessa var att endast använda operatorerna addition och subtraktion. Ytterligare begränsning är att programmet endast använder heltal. Båda begränsningarna kan tas bort genom argument när programmet körs. Att använda begränsningarna kan ge sämre modeller men ge approximativ information. En ytterligare begränsning är att den csv-fil som används måste vara formaterad korrekt. Det vill säga att den har den beroende variabeln i första kolumnen, och resterade oberoende variabler följer. Inga. Ytterligare krävs att decimaltal använder punkt, vilket annars ger upphov till felmeddelande, Alfa- och beta-värden är för närvarande begränsade till att vara mellan -2 och 2. De kan ökas genom multiplikation då mutation genomförs och minskas med division. Om detta är ett bra sätt att arbeta är mycket säkert. En utvärdering av hur detta bör se ut bör göras. CSV-filer Fyra olika CSV-filer skapades för att testa programmet. Två av dem hade kända modeller och två hade obestämda. Alla testades med programmet. Resultat Test 1 Indata: Testfil 1 Utdata: Current Best Model: x+1.0x**2 Mean Squared Error: 0.0 R Square = 1.0 Test 3 Indata: Testfil 3 Utdata: Current Best Model: x Mean Squared Error: R Square = Test 2 Indata; Testfil 2 Utdata: Current Best Model: x-1.0x**2+1.0e**x Mean Squared Error: e-18 R Square = 1.0 Test 4 Indata: Testfil 4 Utdata: Current Best Model: x+1.0x-3.0x+2.0x Mean Squared Error: 3.9 R Square = Test 1 och 2 hittade de förutbestämda modellerna. Test 3 använde data inspirerade av funktionen Y = 1.0x. En manuell beräkning av data från test 3 visade att den bästa modellen

8 som kan fås är x, vilket kan jämföras med programmets x. Test 4 grundade sig på helt slumpartade data med fyra oberoende variabler. Diskussion De fyra körningarna gav gott resultat och visar på att genetiska algoritmer kan lösa regressionsanalys. Problem och möjliga förbättringar Under flera testkörningar visade det sig att e x misstogs för x 2. Ett alternativ vore att endast en exponentiell funktion finns att tillgå. Färre funktionstyper kan ge snabbare resultat men ge ett större fel. Detta är en avvägning som får utvärderas. Ytterligare typer av funktioner bör implementeras för att hitta andra typer av kurvor. Exempelvis naturlig logaritm. Att ha i åtanke är att ju fler funktioner som finns att tillgå desto fler generationer kan krävas. En möjlig förbättring är att dela upp programmet i två delar: ett för att först hitta de funktioner som bäst passar in på datan, och sedan använda dem för att bestämma funktionernas alpha- och beta-värden. Möjligen ger detta bättre resultat. Ett problem som upptäcktes i programmet var att när csv-filen lästes in och innehöll decimaltal så gavs felmeddelanden. Det är därför viktigt att filen delar av decimaler från heltal med punkt. Dessutom är.csv-filer idag inte ett vanligt format. Att ge möjligheten att arbeta med andra filtyper såsom.xls och/eller.spss vore underlättande. Ytterligare en möjlig förbättring av programmet är att det inte endast tar hänsyn till en fil utan ger användaren möjlighet att välja fler filer och oberoende variabler. Att ge möjligheten att hämta och namnge variabler från olika filer. Detta för att ge mer flexibilitet och säkerhet åt användaren. Under programmets utveckling märktes att en funktion i python gav felaktiga resultat. Funktionen är eval(), vilken tar en sträng som argument och beräknar den. Att använda sig av denna funktion bör undersökas vid komplexa beräkningar så inga fel dyker upp. Särskilt kan detta tänkas hända vid operationer som involverar division och multiplikation. Ett problem som förblivit olöst är de fall där x = 0 och ett tal försöker divideras med x. Detta ger i normalfall ett resultat av inf, och hanteras inte av programmet. Ytterligare en funktion som skulle kunna finnas vore en som visar den differens som finns mellan Ŷ och Y. Denna funktion skulle visa en okänd variabel och hur felen varierar med en modell.

9 APPENDIX Datafil 1: Y = 2*X1 + (X2) Datafil 2: Y = x-1.0x e x Datafil 3: Y = 1.0x + error

10 Datafil 4: Y = okänd

Sidor i boken 110-113, 68-69 2, 3, 5, 7, 11,13,17 19, 23. Ett andragradspolynom Ett tiogradspolynom Ett tredjegradspolynom

Sidor i boken 110-113, 68-69 2, 3, 5, 7, 11,13,17 19, 23. Ett andragradspolynom Ett tiogradspolynom Ett tredjegradspolynom Sidor i boken 110-113, 68-69 Räkning med polynom Faktorisering av heltal. Att primtalsfaktorisera ett heltal innebär att uppdela heltalet i faktorer, där varje faktor är ett primtal. Ett primtal är ett

Läs mer

34% 34% 13.5% 68% 13.5% 2.35% 95% 2.35% 0.15% 99.7% 0.15% -3 SD -2 SD -1 SD M +1 SD +2 SD +3 SD

34% 34% 13.5% 68% 13.5% 2.35% 95% 2.35% 0.15% 99.7% 0.15% -3 SD -2 SD -1 SD M +1 SD +2 SD +3 SD 6.4 Att dra slutsatser på basis av statistisk analys en kort inledning - Man har ett stickprov, men man vill med hjälp av det få veta något om hela populationen => för att kunna dra slutsatser som gäller

Läs mer

Skolprestationer på kommunnivå med hänsyn tagen till socioekonomi

Skolprestationer på kommunnivå med hänsyn tagen till socioekonomi 1(6) PCA/MIH Johan Löfgren 2016-11-10 Skolprestationer på kommunnivå med hänsyn tagen till socioekonomi 1 Inledning Sveriges kommuner och landsting (SKL) presenterar varje år statistik över elevprestationer

Läs mer

Genetisk programmering i Othello

Genetisk programmering i Othello LINKÖPINGS UNIVERSITET Första versionen Fördjupningsuppgift i kursen 729G11 2009-10-09 Genetisk programmering i Othello Kerstin Johansson kerjo104@student.liu.se Innehållsförteckning 1. Inledning... 1

Läs mer

Studieplan och bedömningsgrunder i Matematik för åk 7 Moment Bedömningsgrunder för uppnåendemålen Begreppsbildning Tal och räkning

Studieplan och bedömningsgrunder i Matematik för åk 7 Moment Bedömningsgrunder för uppnåendemålen Begreppsbildning Tal och räkning Moment Begreppsbildning Mätningar och enheter Algebra och ekvationer Studieplan och bedömningsgrunder i Matematik för åk 7 Bedömningsgrunder för uppnåendemålen känna igen naturliga tal kunna positiva heltal:

Läs mer

Fria matteboken: Matematik 2b och 2c

Fria matteboken: Matematik 2b och 2c Fria matteboken: Matematik 2b och 2c Det här dokumentet innehåller sammanfattning av teorin i matematik 2b och 2c, för gymnasiet. Dokumentet är fritt att använda, modifiera och sprida enligt Creative Commons

Läs mer

1 Förberedelseuppgifter

1 Förberedelseuppgifter LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 2 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMS086 & MASB02 Syfte: Syftet med dagens laborationen är att du skall: bli

Läs mer

Grunderna i stegkodsprogrammering

Grunderna i stegkodsprogrammering Kapitel 1 Grunderna i stegkodsprogrammering Följande bilaga innehåller grunderna i stegkodsprogrammering i den form som används under kursen. Vi kommer att kort diskutera olika datatyper, villkor, operationer

Läs mer

Lokala mål i matematik

Lokala mål i matematik Lokala mål i matematik År 6 År 7 År 8 År 9 Taluppfattning (aritmetik) förstår positionssystemets uppbyggnad med decimaler ex: kan skriva givna tal adderar decimaltal ex: 15,6 + 3,87 subtraherar decimaltal

Läs mer

Uppgift 1 ( Betyg 3 uppgift )

Uppgift 1 ( Betyg 3 uppgift ) 2010-04-06.kl.14-19 Uppgift 1 ( Betyg 3 uppgift ) Skriv den funktion, draw_figure, som ritar ut en liksidig figur enligt exemplen nedan med så många hörn som anges som parameter till funktionen (den ritar

Läs mer

Approximation av funktioner

Approximation av funktioner Vetenskapliga beräkningar III 8 Kapitel Approximation av funktioner Vi skall nu övergå till att beskriva, hur man i praktiken numeriskt beräknar funktioner I allmänhet kan inte ens elementära funktioner

Läs mer

Användarhandledning Version 1.2

Användarhandledning Version 1.2 Användarhandledning Version 1.2 Innehåll Bakgrund... 2 Börja programmera i Xtat... 3 Allmänna tips... 3 Grunderna... 3 Kommentarer i språket... 4 Variabler... 4 Matematik... 5 Arrayer... 5 på skärmen...

Läs mer

Konsten att lösa icke-linjära ekvationssystem

Konsten att lösa icke-linjära ekvationssystem Konsten att lösa icke-linjära ekvationssystem Andreas Axelsson Vi beskriver här de grundläggande teknikerna för att lösa icke-linjära ekvationssystem. Detta är en nödvändig kunskap för att kunna lösa diverse

Läs mer

Justeringar och tillägg till Svar till numeriska uppgifter i Andersson, Jorner, Ågren: Regressions- och tidsserieanalys, 3:uppl.

Justeringar och tillägg till Svar till numeriska uppgifter i Andersson, Jorner, Ågren: Regressions- och tidsserieanalys, 3:uppl. LINKÖPINGS UNIVERSITET 73G71 Statistik B, 8 hp Institutionen för datavetenskap Civilekonomprogrammet, t 3 Avdelningen för Statistik/ANd HT 009 Justeringar och tillägg till Svar till numeriska uppgifter

Läs mer

Föreläsning 12: Regression

Föreläsning 12: Regression Föreläsning 12: Regression Matematisk statistik David Bolin Chalmers University of Technology Maj 15, 2014 Binomialfördelningen Låt X Bin(n, p). Vi observerar x och vill ha information om p. p = x/n är

Läs mer

Introduktion till programmering D0009E. Föreläsning 5: Fruktbara funktioner

Introduktion till programmering D0009E. Föreläsning 5: Fruktbara funktioner Introduktion till programmering D0009E Föreläsning 5: Fruktbara funktioner 1 Retur-värden Funktioner kan både orsaka en effekt och returnera ett resultat. Hittills har vi ej definierat några egna funktioner

Läs mer

Övningshäfte till kursen Regressionsanalys och tidsserieanalys

Övningshäfte till kursen Regressionsanalys och tidsserieanalys Övningshäfte till kursen Regressionsanalys och tidsserieanalys Linda Wänström October 31, 2010 1 Enkel linjär regressionsanalys (baserad på uppgift 2.3 i Andersson, Jorner, Ågren (2009)) Antag att följande

Läs mer

Välkomna till Numme och MATLAB, 9 hp, för Materialdesign och Energi&Miljö, årskurs 2

Välkomna till Numme och MATLAB, 9 hp, för Materialdesign och Energi&Miljö, årskurs 2 Välkomna till Numme och MATLAB, 9 hp, för Materialdesign och Energi&Miljö, årskurs 2 Kursen avses ge dig kunskap om numeriska metoder, hur man kan använda dessa genom elementär programmering i MATLAB samt

Läs mer

Södervångskolans mål i matematik

Södervångskolans mål i matematik Södervångskolans mål i matematik Mål som eleverna lägst ska ha uppnått i slutet av det första skolåret beträffande tal och taluppfattning kunna läsa av en tallinje mellan 0-20 kunna läsa och ramsräka tal

Läs mer

Statistik 1 för biologer, logopeder och psykologer

Statistik 1 för biologer, logopeder och psykologer Innehåll 1 Hypotesprövning Innehåll Hypotesprövning 1 Hypotesprövning Inledande exempel Hypotesprövning Exempel. Vi är intresserade av en variabel X om vilken vi kan anta att den är (approximativt) normalfördelad

Läs mer

Tema: Pythagoras sats. Linnéa Utterström & Malin Öberg

Tema: Pythagoras sats. Linnéa Utterström & Malin Öberg Tema: Pythagoras sats Linnéa Utterström & Malin Öberg Innehåll: Introduktion till Pythagoras sats! 3 Pythagoras sats! 4 Variabler! 5 Potenser! 5 Att komma tillbaka till ursprunget! 7 Vi bevisar Pythagoras

Läs mer

Laboration 1. Utgåva 1 Gäller från

Laboration 1. Utgåva 1 Gäller från Programering SPO2 Repetition från grundläggande programmering I denna laboration ska vi titta närmare på aritmetiska operatorer, typkonvertering, in- och utmatning av text samt if- och switch-satser. Tänk

Läs mer

Complex numbers. William Sandqvist

Complex numbers. William Sandqvist Complex numbers Hur många lösningar har en andragradsekvation? y = x 2 1 = 0 Två lösningar! Kommer Du ihåg konjugatregeln? Svaret kan ju lika gärna skrivas: x 1 = 1 x2 = + 1 Hur många lösningar har den

Läs mer

Spridningsdiagram (scatterplot) Fler exempel. Korrelation (forts.) Korrelation. Enkel linjär regression. Enkel linjär regression (forts.

Spridningsdiagram (scatterplot) Fler exempel. Korrelation (forts.) Korrelation. Enkel linjär regression. Enkel linjär regression (forts. Spridningsdiagram (scatterplot) En scatterplot som visar par av observationer: reklamkostnader på -aeln and försäljning på -aeln ScatterplotofAdvertising Ependitures ()andsales () 4 Fler eempel Notera:

Läs mer

Att beräkna t i l l v ä x t takter i Excel

Att beräkna t i l l v ä x t takter i Excel Att beräkna t i l l v ä x t takter i Excel Detta kapitel är en liten matematisk vägledning om att beräkna tillväxttakten i Excel. Här visas exempel på potenser och logaritmer och hur dessa funktioner beräknas

Läs mer

Optimering av depåpositioner för den minimala bensinförbrukningen i öknen

Optimering av depåpositioner för den minimala bensinförbrukningen i öknen Optimering av depåpositioner för den minimala bensinförbrukningen i öknen Frågeställning: En jeep kan sammanlagt ha 200 liter bensin i tanken samt i lösa dunkar. Jeepen kommer 2,5 km på 1 liter bensin.

Läs mer

Repetitionsuppgifter i Matematik inför Basår. Matematiska institutionen Linköpings universitet 2014

Repetitionsuppgifter i Matematik inför Basår. Matematiska institutionen Linköpings universitet 2014 Repetitionsuppgifter i Matematik inför Basår Matematiska institutionen Linköpings universitet 04 Innehåll De fyra räknesätten Potenser och rötter 7 Algebra 0 4 Funktioner 7 Logaritmer 9 6 Facit 0 Repetitionsuppgifter

Läs mer

Lokala kursplaner i Matematik Fårösunds skolområde reviderad 2005 Lokala mål Arbetssätt Underlag för bedömning

Lokala kursplaner i Matematik Fårösunds skolområde reviderad 2005 Lokala mål Arbetssätt Underlag för bedömning Lokala kursplaner i Matematik Fårösunds skolområde reviderad 2005 Lokala mål Arbetssätt Underlag för bedömning Eleven skall år 1 Begrepp Jämförelse- och storleksord, t.ex. stor, större, störst. Positionssystemet

Läs mer

Uppgift 1. Deskripitiv statistik. Lön

Uppgift 1. Deskripitiv statistik. Lön Uppgift 1 Deskripitiv statistik Lön Variabeln Lön är en kvotvariabel, även om vi knappast kommer att uppleva några negativa värden. Det är sannolikt vår intressantaste variabel i undersökningen, och mot

Läs mer

Matematik Steg: Bas. Mål att sträva mot Mål Målkriterier Omdöme Åtgärder/Kommentarer

Matematik Steg: Bas. Mål att sträva mot Mål Målkriterier Omdöme Åtgärder/Kommentarer Matematik Steg: Bas ha en grundläggande taluppfattning som omfattar naturliga tal och enkla tal i talområdet 0-10 bråk- och decimalform ordningstal upp till 5 ha en grundläggande rumsuppfattning och kunna

Läs mer

OBS! All teori i detta och följande dokument kompletteras med genomgångar på lektionerna. Så det är viktigt att närvara och göra egna anteckningar.

OBS! All teori i detta och följande dokument kompletteras med genomgångar på lektionerna. Så det är viktigt att närvara och göra egna anteckningar. Värmdö Gymnasium Programmering A 110123 Lektion C1 Grunder Att programmera handlar mycket om att lära sig att analysera det problem eller den funktion man vill att programmet ska ha, och översätta det

Läs mer

Beräkningsvetenskap föreläsning 2

Beräkningsvetenskap föreläsning 2 Beräkningsvetenskap föreläsning 2 19/01 2010 - Per Wahlund if-satser if x > 0 y = 2 + log(x); else y = -1 If-satsen skall alltid ha ett villkor, samt en då det som skall hända är skrivet. Mellan dessa

Läs mer

Att förstå bråk och decimaltal

Att förstå bråk och decimaltal Att förstå bråk och decimaltal Flera undersökningar som är gjorda visar att elever har svårt att förstå bråk. I undervisningen är det också vanligt att eleverna lär sig olika regler för bråk, men få förstår

Läs mer

Lektionsanteckningar 2: Matematikrepetition, tabeller och diagram

Lektionsanteckningar 2: Matematikrepetition, tabeller och diagram Lektionsanteckningar 2: Matematikrepetition, tabeller och diagram 2.1 Grundläggande matematik 2.1.1 Potensfunktioner xmxn xm n x x x x 3 4 34 7 x x m n x mn x x 4 3 x4 3 x1 x x n 1 x n x 3 1 x 3 x0 1 1

Läs mer

Något om Taylors formel och Mathematica

Något om Taylors formel och Mathematica HH/ITE/BN Taylors formel och Mathematica Något om Taylors formel och Mathematica Bertil Nilsson 207-0-0 I am the best Ett av Brooks många ödmjuka inlägg i den infekterade striden som under början av 700

Läs mer

Svar och arbeta vidare med Student 2008

Svar och arbeta vidare med Student 2008 Student 008 Svar och arbeta vidare med Student 008 Det finns många intressanta idéer i årets Känguruaktiviteter. Problemen kan inspirera undervisningen under flera lektioner. Här ger vi några förslag att

Läs mer

Datorövning 5 Exponentiella modeller och elasticitetssamband

Datorövning 5 Exponentiella modeller och elasticitetssamband Datorövning 5 Exponentiella modeller och elasticitetssamband Datorövningen utförs i grupper om två personer. I denna datorövning skall ni använda Minitab för att 1. anpassa och tolka analysen av en exponentiell

Läs mer

Tenta i Statistisk analys, 15 december 2004

Tenta i Statistisk analys, 15 december 2004 STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN LÖSNINGAR Avd. Matematisk statistik, ML 15 december 004 Lösningar Tenta i Statistisk analys, 15 december 004 Uppgift 1 Vi har två stickprov med n = 5 st.

Läs mer

Beräkningsmetoder för superellipsens omkrets

Beräkningsmetoder för superellipsens omkrets Beräkningsmetoder för superellipsens omkrets Frågeställning Svar 1. Vi förväntades ta reda på olika metoder för att beräkna en superellips eller en ellips omkrets. o Givet var ellipsens ekvation:. (Källa

Läs mer

Matematik. Mål som eleverna skall ha uppnått i slutet av det fjärde skolåret. Mål som eleverna skall ha uppnått i slutet av det femte skolåret

Matematik. Mål som eleverna skall ha uppnått i slutet av det fjärde skolåret. Mål som eleverna skall ha uppnått i slutet av det femte skolåret Balderskolan, Uppsala musikklasser 2009 Matematik Mål som eleverna skall ha uppnått i slutet av det fjärde skolåret läsa och skriva tal inom talområdet 0 10 000 räkna de fyra räknesätten med olika metoder

Läs mer

DE FYRA RÄKNESÄTTEN (SID. 11) MA1C: AVRUNDNING

DE FYRA RÄKNESÄTTEN (SID. 11) MA1C: AVRUNDNING DE FYRA RÄKNESÄTTEN (SID. 11) 1. Benämn med korrekt terminologi talen som: adderas. subtraheras. multipliceras. divideras.. Addera 10 och. Dividera sedan med. Subtrahera 10 och. Multiplicera sedan med..

Läs mer

Räkna med C# Inledande programmering med C# (1DV402)

Räkna med C# Inledande programmering med C# (1DV402) Räkna med C# Upphovsrätt för detta verk Detta verk är framtaget i anslutning till kursen Inledande programmering med C# vid Linnéuniversitetet. Du får använda detta verk så här: Allt innehåll i verket

Läs mer

MMA132: Laboration 1 Introduktion till MATLAB

MMA132: Laboration 1 Introduktion till MATLAB MMA132: Laboration 1 Introduktion till MATLAB De flesta numeriska metoder låter oss få en tillräckligt bra lösning på ett matematiskt problem genom att byta ut komplexa matematiska operationer med kombinationer

Läs mer

Genetiska algoritmer. Henrik Hansson (hhn00001@student.mdh.se) Rapport, CDT212 Mälardalens Högskola

Genetiska algoritmer. Henrik Hansson (hhn00001@student.mdh.se) Rapport, CDT212 Mälardalens Högskola Genetiska algoritmer Henrik Hansson (hhn00001@student.mdh.se) Rapport, CDT212 Mälardalens Högskola 1 Sammanfattning Genetiska algoritmer har rötter i 60-talet och efterliknar evolutionsteorin på så sätt

Läs mer

Denna uppdelning är ovanlig i Sverige De hela talen (Både positiva och negativa) Irrationella tal (tal som ej går att skriva som bråk)

Denna uppdelning är ovanlig i Sverige De hela talen (Både positiva och negativa) Irrationella tal (tal som ej går att skriva som bråk) UMEÅ UNIVERSITET Institutionen för matematik och matematisk statistik Olof Johansson, Nina Rudälv 2006-10-24 SÄL 1-10p Avsnitt 1.1 Grundläggande begrepp Detta avsnitt behandlar de symboler som används

Läs mer

Klasser i Java kan ha metoder och egenskaper. Metoder beskriver funktioner som klassen kan utföra. Egenskaper beskriver innehållet i klassen.

Klasser i Java kan ha metoder och egenskaper. Metoder beskriver funktioner som klassen kan utföra. Egenskaper beskriver innehållet i klassen. TT Kapitel 3. Husdjur & Fisk Javaklasser Translation by Leif Lourié Java program består av klasser som beskriver saker (objekt) som finns på riktigt. Även om det finns många olika sätt att skriva program

Läs mer

9-2 Grafer och kurvor Namn:.

9-2 Grafer och kurvor Namn:. 9-2 Grafer och kurvor Namn:. Inledning I föregående kapitel lärde du dig vad som menas med koordinatsystem och hur man kan visa hur matematiska funktioner kan visas i ett koordinatsystem. Det är i och

Läs mer

Funktioner och grafritning i Matlab

Funktioner och grafritning i Matlab CTH/GU LABORATION 3 MVE11-212/213 Matematiska vetenskaper 1 Inledning Funktioner och grafritning i Matlab Först skall vi se lite på (elementära) matematiska funktioner i Matlab, som sinus och cosinus.

Läs mer

Inledande programmering med C# (1DV402) Summera med while"-satsen

Inledande programmering med C# (1DV402) Summera med while-satsen Summera med while"-satsen Upphovsrätt för detta verk Inledande programmering med C# (1DV402) Detta verk är framtaget i anslutning till kursen Inledande programmering med C# vid Linnéuniversitetet. Du får

Läs mer

Mål Likformighet, Funktioner och Algebra år 9

Mål Likformighet, Funktioner och Algebra år 9 Mål Likformighet, Funktioner och Algebra år 9 Provet omfattar s. 102-135 (kap 4) och s.183-186, 189, 191, 193, 200-215. Repetition: Repetitionsuppgifter 4, läa 13-16 (s. 255 260) samt andra övningsuppgifter

Läs mer

Föreläsning 11. Giriga algoritmer

Föreläsning 11. Giriga algoritmer Föreläsning 11 Giriga algoritmer Föreläsning 11 Giriga algoritmer Användning Växelproblemet Kappsäcksproblemet Schemaläggning Färgläggning Handelsresandeproblemet Uppgifter Giriga algoritmer (Greedy algorithms)

Läs mer

I. Grundläggande begrepp II. Deskriptiv statistik III. Statistisk inferens Parametriska Icke-parametriska

I. Grundläggande begrepp II. Deskriptiv statistik III. Statistisk inferens Parametriska Icke-parametriska Innehåll I. Grundläggande begrepp II. Deskriptiv statistik III. Statistisk inferens Hypotesprövnig Statistiska analyser Parametriska analyser Icke-parametriska analyser Univariata analyser Univariata analyser

Läs mer

Laboration: Att inhägna ett rektangulärt område

Laboration: Att inhägna ett rektangulärt område Laboration: Att inhägna ett rektangulärt område Du har tillgång till ett hoprullat staket som är 30 m långt. Med detta vill du inhägna ett område och använda allt staket. Du vill göra inhägnaden rektangelformad.

Läs mer

Polynomanpassningsprogram

Polynomanpassningsprogram Polynomanpassningsprogram Den här uppgiften skall göra en polynomanpassning av en tvåkolumners tabell enligt minstakvadrat kriteriet och presentera resultatet grafiskt. Uppgiftens tygndpunkt ligger på

Läs mer

14 min 60 s min 42 s 49m 2 =18 s m 2, alltså samma tid. Vi kan säga att den tid som mamman behövde åt dammsugning var beroende av husets storlek.

14 min 60 s min 42 s 49m 2 =18 s m 2, alltså samma tid. Vi kan säga att den tid som mamman behövde åt dammsugning var beroende av husets storlek. PASS 10. FUNKTIONER 10.1 Grundbegrepp om funktioner Mamman i den finländska modellfamiljen från pass fyra brukade dammsuga det 100 m 2 stora huset varje lördag. Det tog 30 minuter. Efter att pappan hade

Läs mer

Laboration 5: Regressionsanalys. 1 Förberedelseuppgifter. 2 Enkel linjär regression DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08

Laboration 5: Regressionsanalys. 1 Förberedelseuppgifter. 2 Enkel linjär regression DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08 LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK Laboration 5: Regressionsanalys DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08 Syftet med den här laborationen är att du skall

Läs mer

MATLAB. Python. Det finns flera andra program som liknar MATLAB. Sage, Octave, Maple och...

MATLAB. Python. Det finns flera andra program som liknar MATLAB. Sage, Octave, Maple och... Allt du behöver veta om MATLAB: Industristandard för numeriska beräkningar och simulationer. Används som ett steg i utvecklingen (rapid prototyping) Har ett syntax Ett teleskopord för «matrix laboratory»

Läs mer

Uppgift a b c d e f (vet ej) Poäng

Uppgift a b c d e f (vet ej) Poäng TENTAMEN: Statistisk modellering för I3, TMS161, måndagen den 9 januari 2006 kl 8.30-11:30 på V. Jour: Magnus Karlsson, tel: 772 42 91. Hjälpmedel: Utdelad formelsamling med tabeller, BETA, på kursen använd

Läs mer

I addition adderar vi. Vi kan addera termerna i vilken ordning vi vill: 1 + 7 = 7 + 1

I addition adderar vi. Vi kan addera termerna i vilken ordning vi vill: 1 + 7 = 7 + 1 BEGREPP ÅR 3 Taluppfattning och tals användning ADDITION 3 + 4 = 7 term + term = summa I addition adderar vi. Vi kan addera termerna i vilken ordning vi vill: 1 + 7 = 7 + 1 SUBTRAKTION 7-4 = 3 term term

Läs mer

Laboration 1. "kompilera"-ikonen "exekvera"-ikonen

Laboration 1. kompilera-ikonen exekvera-ikonen Programmerade system I1 Syfte Laboration 1. Syftet med denna laboration är dels att göra dej bekant med de verktyg som kan vara aktuella i programmeringsarbetet, dels ge en första inblick i att skriva

Läs mer

Objektorienterad programmering Föreläsning 4

Objektorienterad programmering Föreläsning 4 Objektorienterad programmering Föreläsning 4 Copyright Mahmud Al Hakim mahmud@dynamicos.se www.webbacademy.se Agenda Introduktion till objektorientering Klasser och Objekt Instansvariabler Metoder Introduktion

Läs mer

Programstruktur och terminologi. Programmet producerar följande utskrift i terminalfönstret: Ett Javaprogram består av en eller flera klasser

Programstruktur och terminologi. Programmet producerar följande utskrift i terminalfönstret: Ett Javaprogram består av en eller flera klasser // En första version av BankKonto-klassen class BankKonto { private String namn; private long nr; private double saldo; private double ränta; // Klassen TestaBankKonto // Klassens uppgift är att skapa

Läs mer

KPP053, HT2015 MATLAB, Föreläsning 1. Introduktion till MATLAB Skript Inläsning och utskrift av variabler Ekvationssystem Anonyma funktioner

KPP053, HT2015 MATLAB, Föreläsning 1. Introduktion till MATLAB Skript Inläsning och utskrift av variabler Ekvationssystem Anonyma funktioner KPP053, HT2015 MATLAB, Föreläsning 1 Introduktion till MATLAB Skript Inläsning och utskrift av variabler Ekvationssystem Anonyma funktioner MATLAB Väletablerat Mycket omfattande program GNU OCTAVE Öppen

Läs mer

MATLAB handbok Introduktion

MATLAB handbok Introduktion Department of Physics Umeå University 30 juni 2014 MATLAB handbok Introduktion Marina Wallin Martin Hansson Per Sundholm 1 INTRODUKTION TILL MATLAB 1 1 Introduktion till Matlab Något man som Teknisk fysiker

Läs mer

Datorlaboration 2 Konfidensintervall & hypotesprövning

Datorlaboration 2 Konfidensintervall & hypotesprövning Statistik, 2p PROTOKOLL Namn:...... Grupp:... Datum:... Datorlaboration 2 Konfidensintervall & hypotesprövning Syftet med denna laboration är att ni med hjälp av MS Excel ska fortsätta den statistiska

Läs mer

Linjär algebra med tillämpningar, lab 1

Linjär algebra med tillämpningar, lab 1 Linjär algebra med tillämpningar, lab 1 Innehåll Per Jönsson Fakulteten för Teknik och Samhälle, 2013 Uppgifterna i denna laboration täcker kapitel 1-3 i läroboken. Läs igenom motsvarande kapitel. Sitt

Läs mer

Statistikens grunder 1 och 2, GN, 15 hp, deltid, kvällskurs

Statistikens grunder 1 och 2, GN, 15 hp, deltid, kvällskurs Statistikens grunder 1 och 2, GN, 15 hp, deltid, kvällskurs TE/RC Datorövning 4 Syfte: 1. Lära sig beräkna konfidensintervall och täckningsgrad 2. Lära sig rita en exponentialfördelning 3. Lära sig illustrera

Läs mer

de var svåra att implementera och var väldigt ineffektiva.

de var svåra att implementera och var väldigt ineffektiva. OBS! För flervalsfrågorna gäller att flera alternativ eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad. Totalt kan

Läs mer

Tentamen OOP 2015-03-14

Tentamen OOP 2015-03-14 Tentamen OOP 2015-03-14 Anvisningar Fråga 1 och 2 besvaras på det särskilt utdelade formuläret. Du får gärna skriva på bägge sidorna av svarsbladen, men påbörja varje uppgift på ett nytt blad. Vid inlämning

Läs mer

1 Julias bil har gått km. Hur långt har den gått när den har körts tio (3) kilometer till? Rita en ring runt det största bråket.

1 Julias bil har gått km. Hur långt har den gått när den har körts tio (3) kilometer till? Rita en ring runt det största bråket. Test 9, lärarversion Instruktion Instruktioner och kommentarer är desamma som i testet i den ursprungliga versionen. Här är ingående tal förändrade och i något fall är uppgiften omformulerad. Betona ordet

Läs mer

Hej Då, Karel! Programmering. Vårt första Javaprogram. hh.se/db2004. Java. Grundtyper, variabler och arrayer

Hej Då, Karel! Programmering. Vårt första Javaprogram. hh.se/db2004. Java. Grundtyper, variabler och arrayer Programmering hh.se/db2004 Föreläsning 3: Java. Grundtyper, variabler och arrayer Hej Då, Karel! Verónica Gaspes www2.hh.se/staff/vero www2.hh.se/staff/vero/programmering Center for Research on Embedded

Läs mer

HKGBB0, Artificiell intelligens

HKGBB0, Artificiell intelligens HKGBB0, Artificiell intelligens Kortfattade lösningsförslag till tentan 3 november 2005 Arne Jönsson 1. Vad karaktäriserar dagens AI-forskning jämfört med den AI-forskning som bedrevs perioden 1960-1985.

Läs mer

Bygga linjära modeller! Didrik Vanhoenacker 2007

Bygga linjära modeller! Didrik Vanhoenacker 2007 Bygga linjära modeller! Didrik Vanhoenacker 2007 1 Bygga enkla modeller Tänk att vi ska försöka förstå vad som styr hur många blommor korsblommiga växter har. T ex hos Lomme och Penningört. Hittills har

Läs mer

International Olympiad in Informatics 2011 22 29 July 2011, Pattaya City, Thailand Tävlingsuppgifter Dag 2 Svenska 1.3. Papegojor

International Olympiad in Informatics 2011 22 29 July 2011, Pattaya City, Thailand Tävlingsuppgifter Dag 2 Svenska 1.3. Papegojor Papegojor Yanee är fågelentusiast. Sedan hon läst om IP over Avian Carriers (IPoAC), har hon spenderat mycket tid med att träna en flock papegojor att leverera meddelanden över långa avstånd. Yanees dröm

Läs mer

UPPGIFT 1 TVÅPOTENSER. UPPGIFT 2 HISSEN I LUSTIGA HUSET.

UPPGIFT 1 TVÅPOTENSER. UPPGIFT 2 HISSEN I LUSTIGA HUSET. UPPGIFT 1 TVÅPOTENSER. 2 ½ ¾ = 5575186299632655785383929568162090376495104 n = 142 är det minsta värde på n för vilket 2 Ò inleds med siffrorna 55. Uppgiften består i att skriva ett program som tar emot

Läs mer

A. Kunna arbeta med de varierade arbetssätt som förekommer. B. Eleven ska kunna redovisa lösningar så att de kan följas av läraren.

A. Kunna arbeta med de varierade arbetssätt som förekommer. B. Eleven ska kunna redovisa lösningar så att de kan följas av läraren. Vifolkaskolan Utdrag ur Bedömning och betygssättning : Det som sker på lektionerna och vid lektionsförberedelser hemma, liksom närvaro och god ordning är naturligtvis i de flesta fall förutsättningar och

Läs mer

TAIU07 Matematiska beräkningar med Matlab

TAIU07 Matematiska beräkningar med Matlab TAIU07 Matematiska beräkningar med Matlab Datorlektion 2. Villkor och Repetition 1 Logiska uttryck Uppgift 1.1 Låt a=3 och b=6 Vad blir resultatet av testerna ab? Uppgift 1.2 Låt a, b,

Läs mer

Matematik. Mål att sträva mot. Mål att uppnå. År 1 Mål Kriterier Eleven ska kunna. Taluppfattning koppla ihop antal och siffra kan lägga rätt antal

Matematik. Mål att sträva mot. Mål att uppnå. År 1 Mål Kriterier Eleven ska kunna. Taluppfattning koppla ihop antal och siffra kan lägga rätt antal Matematik Mål att sträva mot Vi strävar mot att varje elev ska utveckla intresse för matematik samt tilltro till det egna tänkandet och den egna förmågan att lära sig matematik utveckla sin förmåga att

Läs mer

Lathund, samband & stora tal, åk 8

Lathund, samband & stora tal, åk 8 Lathund, samband & stora tal, åk 8 Den vågräta tallinjen kallas x-axeln och den lodräta tallinjen kallas y-axeln. Punkten där tallinjerna skär varandra kallas origo (0,0). När man beskriver en punkt i

Läs mer

Introduktion till algoritmer - L0 - Grunder i C++ Matematikgymnasiet, Läsåret 2014-2015. L0 - Grunder i C++

Introduktion till algoritmer - L0 - Grunder i C++ Matematikgymnasiet, Läsåret 2014-2015. L0 - Grunder i C++ Introduktion till algoritmer - L0 - Grunder i C++ Matematikgymnasiet, Läsåret 01-015 L0 - Grunder i C++ Det här är den första lektionen i kursen Introduktion till algoritmer vid Matematikgymnasiet, läsåret

Läs mer

Enkel linjär regression: skattning, diagnostik, prediktion. Multipel regression: modellval, indikatorvariabler

Enkel linjär regression: skattning, diagnostik, prediktion. Multipel regression: modellval, indikatorvariabler UPPSALA UNIVESITET Matematiska institutionen Jesper ydén Matematisk statistik 1MS026 vt 2014 DATOÖVNING MED : EGESSION I den här datorövningen studeras följande moment: Enkel linjär regression: skattning,

Läs mer

STATISTISK ANALYS AV KOMPLEXA DATA

STATISTISK ANALYS AV KOMPLEXA DATA STATISTISK ANALYS AV KOMPLEXA DATA LONGITUDINELLA DATA Linda Wänström Linköpings universitet 12 December Linda Wänström (Linköpings universitet) LONGITUDINELLA DATA 12 December 1 / 12 Explorativ Faktoranalys

Läs mer

Problem: FIL File Paths

Problem: FIL File Paths Problem: FIL File Paths swedish BOI 2015, dag 2. Tillgängligt minne: 256 MB. 1.05.2015 Byteasar tycker om att leva farligt. Han springer med saxar, skickar in lösningar på tävlingsproblem utan att testa

Läs mer

Begrepp Värde (mätvärde), medelvärde, median, lista, tabell, rad, kolumn, spridningsdiagram (punktdiagram)

Begrepp Värde (mätvärde), medelvärde, median, lista, tabell, rad, kolumn, spridningsdiagram (punktdiagram) Aktivitetsbeskrivning Denna aktivitet är en variant av en klassisk matematiklaboration där eleverna får mäta omkrets och diameter på ett antal cirkelformade föremål för att bestämma ett approximativt värde

Läs mer

Högskoleprovet Kvantitativ del

Högskoleprovet Kvantitativ del Högskoleprovet Kvantitativ del Här följer anvisningar till de kvantitativa delproven XYZ, KVA, NOG och DTK. Provhäftet innehåller 40 uppgifter och den totala provtiden är 55 minuter. XYZ Matematisk problemlösning

Läs mer

Laboration 1 Introduktion till Visual Basic 6.0

Laboration 1 Introduktion till Visual Basic 6.0 Laboration 1 Introduktion till Visual Basic 6.0 Förberedelse Förbered dig genom att läsa föreläsningsanteckningar och de kapitel som gåtts igenom på föreläsningarna. Läs även igenom laborationen i förväg.

Läs mer

Funktionsstudier med derivata

Funktionsstudier med derivata Funktionsstudier med derivata Derivatan ett kraftfullt verktyg för att studera och tolka funktioner Det här avsnittet handlar om att man kan använda derivatan till att bestämma en funktions egenskaper

Läs mer

Uppfriskande Sommarmatematik

Uppfriskande Sommarmatematik Uppfriskande Sommarmatematik Matematiklärarna på Bäckängsgymnasiet genom Johan Espenberg juni 206 Välkommen till Naturvetenskapsprogrammet GRATTIS till din plats på Naturvetenskapsprogrammet på Bäckängsgymnasiet!

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

MMA132: Laboration 1 & 2 Introduktion till MATLAB

MMA132: Laboration 1 & 2 Introduktion till MATLAB MMA132: Laboration 1 & 2 Introduktion till MATLAB De flesta numeriska metoder låter oss få en tillräckligt bra lösning på ett matematiskt problem genom att byta ut komplexa matematiska operationer med

Läs mer

Kvalificeringstävling den 30 september 2008

Kvalificeringstävling den 30 september 2008 SKOLORNAS MATEMATIKTÄVLING Svenska Matematikersamfundet Kvalificeringstävling den 30 september 2008 Förslag till lösningar Problem 1 Tre rader med tal är skrivna på ett papper Varje rad innehåller tre

Läs mer

TDDC30 Programmering i Java, Datastrukturer och Algoritmer Lektion 5. Laboration 4 Lådplanering Exempel på layout, ett GUI-baserat program Frågor

TDDC30 Programmering i Java, Datastrukturer och Algoritmer Lektion 5. Laboration 4 Lådplanering Exempel på layout, ett GUI-baserat program Frågor TDDC30 Programmering i Java, Datastrukturer och Algoritmer Lektion 5 Laboration 4 Lådplanering Exempel på layout, ett GUI-baserat program Frågor 1 Laboration 5 - Introduktion Syfte: Öva på självständig

Läs mer

Skapa fil som ska exporteras

Skapa fil som ska exporteras Funktionen Importera förälder används för att läsa in förälder för elever i Skola24. Importen sker genom att en fil innehållande elev och dess förälder läses in via Skola24 webbgränssnitt. De elever som

Läs mer

Algebra, exponentialekvationer och logaritmer

Algebra, exponentialekvationer och logaritmer Höstlov Uppgift nr 1 Ge en lösning till ekvationen 0 434,2-13x 3 Ange både exakt svar och avrundat till två decimalers noggrannhet. Uppgift nr 2 Huvudräkna lg20 + lg50 Uppgift nr 3 Ge en lösning till ekvationen

Läs mer

Introduktion till integrering av Schenkers e-tjänster. Version 2.0

Introduktion till integrering av Schenkers e-tjänster. Version 2.0 Introduktion till integrering av Schenkers e- Version 2.0 Datum: 2008-06-18 Sida 2 av 8 Revisionshistorik Lägg senaste ändringen först! Datum Version Revision 2008-06-18 2.0 Stora delar av introduktionen

Läs mer

Föreläsning 1 & 2 INTRODUKTION

Föreläsning 1 & 2 INTRODUKTION Föreläsning 1 & 2 INTRODUKTION Denna föreläsning Vad händer under kursen? praktisk information Kursens mål vad är programmering? Skriva små program i programspråket Java Skriva program som använder färdiga

Läs mer

Abstrakt algebra för gymnasister

Abstrakt algebra för gymnasister Abstrakt algebra för gymnasister Veronica Crispin Quinonez Sammanfattning. Denna text är föreläsningsanteckningar från föredraget Abstrakt algebra som hölls under Kleindagarna på Institutet Mittag-Leffler

Läs mer

1, 2, 3, 4, 5, 6,...

1, 2, 3, 4, 5, 6,... Dagens nyhet handlar om talföljder, ändliga och oändliga. Talföljden 1,, 3, 4, 5, 6,... är det första vi, som barn, lär oss om matematik över huvud taget. Så småningom lär vi oss att denna talföljd inte

Läs mer

Lokal studieplan Matematik 3 8 = 24. Centrum för tvåspråkighet Förberedelseklass

Lokal studieplan Matematik 3 8 = 24. Centrum för tvåspråkighet Förberedelseklass Lokal studieplan Matematik 3 8 = 24 Centrum för tvåspråkighet Förberedelseklass 1 Mål att sträva mot Skolan skall i sin undervisning i matematik sträva efter att eleven S11 utvecklar intresse för matematik

Läs mer

Lokal pedagogisk planering i matematik för årskurs 9

Lokal pedagogisk planering i matematik för årskurs 9 Lokal pedagogisk planering i matematik för årskurs 9 Arbetsområde 4. Samband och förändring Syfte formulera och lösa problem med hjälp av matematik samt värdera valda strategier och metoder. reflektera

Läs mer