Tilbake
4.1
Alle fag for Høyskole

4.1 Transformasjonsteknikkene og ordningsvariable

CDF-metoden, MGF-teknikken og min/maks av uavhengige variable — verktøyene som identifiserer fordelinger og bygger pivotaler.

60 min
11 oppgaver
Transformasjonsteknikkeneordningsvariable
Din fremgang i kapitlet
0 / 11 oppgaver
Kapitlets plass i kurset
Forkunnskaper: Dette kapitlet bygger på fordelingsfunksjonen F(x)=P(X≤x)F(x) = P(X \le x), tetthet (f=F′f = F') og de kontinuerlige fordelingene — særlig eksponensialfordelingen — fra kap. 2.3, og på standardnormalfordelingen fra kap. 3.1 (som vi bruker i kvadratsum-identifikasjonen).

Fra matematikken trenger du å kunne derivere sammensatte funksjoner (kjerneregelen) og løse enkle ulikheter for xx. Vi bygger opp hver teknikk fra bunnen.

Et momentgenererende funksjon (MGF) er en funksjon MX(t)=E(etX)M_X(t) = E(e^{tX}) som er knyttet entydig til fordelingen — vi bruker den bare som et identifikasjonsverktøy her, og slår opp de ferdige MGF-ene i formelsamlingen. Kapitlet er selv forkunnskap for drillen i kap. 4.2 (der 2X/β∼χ222X/\beta \sim \chi^2_2 utledes fullt ut) og for pivotal-konfidensintervallene i Del 6.

Vi har til nå studert fordelinger «slik de kommer». Men eksamen spør stadig om noe annet: gitt at XX har en kjent fordeling, hva er fordelingen til en funksjon av den — Y=XY = \sqrt{X}, Y=2X/βY = 2X/\beta, eller minimum av flere levetider? Det er nettopp dette som gjør pivotal-metoden for konfidensintervall mulig, så teknikkene her er broen inn i inferensdelen.

Vi går i tre løkker, hver med teori → eksempel → oppgave. Løkke 1 er hovedverktøyet: CDF-metoden, som finner fordelingen til Y=g(X)Y = g(X) ved å regne på fordelingsfunksjonen. Løkke 2 er MGF-teknikken, som identifiserer fordelingen til en sum av uavhengige variable. Løkke 3 er ordningsvariable — fordelingen til den minste (min) og største (maks) av flere variable, som styrer serie- og parallellsystemer.

Samlet kjernetid ≈ 60 min. Naturlige pausepunkter er markert mellom løkkene.

Løkke 1 — CDF-metoden (~20 min)

Fordelingsfunksjonsteknikken (CDF-metoden)
For å finne fordelingen til Y=g(X)Y = g(X) når XX har kjent fordelingsfunksjon FXF_X, går vi veien om fordelingsfunksjonen til YY. Grepet er å skrive hendelsen {Y≤y}\{Y \le y\} om til en hendelse om XX:

FY(y)=P(Y≤y)=P(g(X)≤y).F_Y(y) = P(Y \le y) = P(g(X) \le y).

For en voksende (monotont økende) gg løser vi ulikheten g(X)≤yg(X) \le y til X≤g−1(y)X \le g^{-1}(y), slik at

FY(y)=P(X≤g−1(y))=FX ⁣(g−1(y)).F_Y(y) = P(X \le g^{-1}(y)) = F_X\!\big(g^{-1}(y)\big).

Tettheten får vi ved å derivere: fY(y)=FY′(y)f_Y(y) = F_Y'(y). Tre trinn: (1) skriv FY(y)=P(g(X)≤y)F_Y(y) = P(g(X) \le y), (2) løs ulikheten og sett inn FXF_X, (3) deriver til tetthet. Metoden virker for enhver monoton gg — det er standardverktøyet for sjanger D.

✏️Eksempel 1: CDF-metoden på $Y = \sqrt{X}$

Levetiden XX (i år) til en komponent er eksponensialfordelt med forventning β\beta, altså FX(x)=1−e−x/βF_X(x) = 1 - e^{-x/\beta} for x>0x > 0. Bruk fordelingsfunksjonsteknikken til å finne fordelingen (fordelingsfunksjon og tetthet) til Y=XY = \sqrt{X}.

Trinn 1 — skriv FYF_Y. For y>0y > 0 (siden X>0\sqrt{X} > 0):
FY(y)=P(Y≤y)=P(X≤y).F_Y(y) = P(Y \le y) = P(\sqrt{X} \le y).

Trinn 2 — løs ulikheten og sett inn FXF_X. Kvadrering er en voksende operasjon for positive tall, så X≤y⇔X≤y2\sqrt{X} \le y \Leftrightarrow X \le y^2:
FY(y)=P(X≤y2)=FX(y2)=1−e−y2/β,y>0.F_Y(y) = P(X \le y^2) = F_X(y^2) = 1 - e^{-y^2/\beta}, \quad y > 0.

Trinn 3 — deriver til tetthet. Med kjerneregelen (deriver −y2/β-y^2/\beta til −2y/β-2y/\beta):
fY(y)=ddy(1−e−y2/β)=e−y2/β⋅2yβ=2yβ e−y2/β,y>0.f_Y(y) = \frac{d}{dy}\Big(1 - e^{-y^2/\beta}\Big) = e^{-y^2/\beta} \cdot \frac{2y}{\beta} = \frac{2y}{\beta}\,e^{-y^2/\beta}, \quad y > 0.

Dette er faktisk en Weibull-fordeling med form k=2k = 2 og skala θ=β\theta = \sqrt{\beta} — men vi trengte ikke kjenne navnet; CDF-metoden ga svaret direkte. Kontroll: med β=4\beta = 4 er P(Y>2)=P(X>2)=P(X>4)=e−4/4=e−1≈0,368P(Y > 2) = P(\sqrt{X} > 2) = P(X > 4) = e^{-4/4} = e^{-1} \approx 0{,}368, i tråd med 1−FY(2)=e−4/41 - F_Y(2) = e^{-4/4}.

📝Oppgave 1

(Innstegsoppgave.) XX er uniformt fordelt på (0,1)(0, 1), med FX(x)=xF_X(x) = x for 0<x<10 < x < 1. La Y=2XY = 2X.

a) Skriv opp FY(y)=P(2X≤y)F_Y(y) = P(2X \le y) og løs ulikheten for XX.

b) Finn FY(y)F_Y(y) og tettheten fY(y)f_Y(y), og angi hvilken fordeling YY har.

Avtakende gg: ulikheten snur
Er gg avtakende (monotont synkende), snur ulikheten når vi løser g(X)≤yg(X) \le y. Da blir {g(X)≤y}={X≥g−1(y)}\{g(X) \le y\} = \{X \ge g^{-1}(y)\}, og

FY(y)=P(X≥g−1(y))=1−FX ⁣(g−1(y)).F_Y(y) = P(X \ge g^{-1}(y)) = 1 - F_X\!\big(g^{-1}(y)\big).

Merk komplementet 1−FX1 - F_X: det er den vanligste fellen i CDF-metoden. Eksempler på avtakende gg: Y=1/XY = 1/X, Y=e−XY = e^{-X}, Y=−ln⁡XY = -\ln X. Sjekk alltid om gg er voksende eller avtakende før du fjerner PP-tegnet — det avgjør om du får FXF_X eller 1−FX1 - F_X.

✏️Eksempel 2: En avtakende transformasjon
XX er uniformt fordelt på (0,1)(0, 1). La Y=−ln⁡XY = -\ln X. Finn fordelingen til YY.
Funksjonen g(x)=−ln⁡xg(x) = -\ln x er avtakende på (0,1)(0, 1) (større xx gir mindre −ln⁡x-\ln x), og Y=−ln⁡X>0Y = -\ln X > 0. Vær derfor nøye med ulikhetsretningen.

Trinn 1–2. For y>0y > 0:
FY(y)=P(−ln⁡X≤y)=P(ln⁡X≥−y)=P(X≥e−y).F_Y(y) = P(-\ln X \le y) = P(\ln X \ge -y) = P(X \ge e^{-y}).
Her snudde ulikheten da vi delte på −1-1 (gikk fra −ln⁡X-\ln X til ln⁡X\ln X). Videre, med FX(x)=xF_X(x) = x på (0,1)(0,1) og e−y∈(0,1)e^{-y} \in (0,1):
FY(y)=1−P(X<e−y)=1−FX(e−y)=1−e−y,y>0.F_Y(y) = 1 - P(X < e^{-y}) = 1 - F_X(e^{-y}) = 1 - e^{-y}, \quad y > 0.

Trinn 3. fY(y)=e−yf_Y(y) = e^{-y} for y>0y > 0.

Dette er en eksponensialfordeling med forventning 1. (Nettopp denne sammenhengen — at −ln⁡U-\ln U av en uniform UU blir eksponensial — er grunnlaget for inversjonsmetoden i simuleringsdelen.) Hadde vi glemt å snu ulikheten, ville vi feilaktig fått FX(e−y)=e−yF_X(e^{-y}) = e^{-y}, som ikke engang er en gyldig fordelingsfunksjon (den avtar) — et nyttig varsku.

📝Oppgave 2
XX er uniformt fordelt på (0,2)(0, 2), med FX(x)=x/2F_X(x) = x/2 for 0<x<20 < x < 2. La Y=X2Y = X^2.

a) Finn FY(y)F_Y(y) ved CDF-metoden.

b) Finn tettheten fY(y)f_Y(y) og angi støtten (hvilke yy den gjelder for).

c) Finn P(Y>1)P(Y > 1).

— naturlig pausepunkt —

Løkke 2 — MGF-teknikken for summer (~20 min)

MGF-teknikken for summer av uavhengige variable
CDF-metoden er tungvint for en sum S=X1+⋯+XnS = X_1 + \cdots + X_n. Da bruker vi den momentgenererende funksjonen MX(t)=E(etX)M_X(t) = E(e^{tX}). Den har to egenskaper vi trenger:

1. Produktregelen: for uavhengige variable er MGF-en til summen produktet av MGF-ene:
MX1+⋯+Xn(t)=∏i=1nMXi(t).M_{X_1 + \cdots + X_n}(t) = \prod_{i=1}^{n} M_{X_i}(t).

2. Entydighet: to fordelinger med samme MGF er den samme fordelingen — «MGF-en bestemmer fordelingen».

Arbeidsflyten: regn (eller slå opp) MXi(t)M_{X_i}(t), gang dem sammen, og kjenn igjen produktet som MGF-en til en kjent fordeling i formelsamlingens MGF-katalog. Entydigheten er det som lar oss konkludere — den må sies eksplisitt, ellers har du bare regnet ut en funksjon uten å ha identifisert noe.

✏️Eksempel 3: Sum av Bernoulli-variable blir binomisk

La X1,…,XnX_1, \ldots, X_n være uavhengige Bernoulli-variable, hver med P(Xi=1)=pP(X_i = 1) = p og P(Xi=0)=1−pP(X_i = 0) = 1 - p. MGF-en til én slik variabel er MXi(t)=(1−p)+petM_{X_i}(t) = (1 - p) + p e^{t}. Bruk MGF-teknikken til å finne fordelingen til S=X1+⋯+XnS = X_1 + \cdots + X_n.

Produktregelen (variablene er uavhengige):
MS(t)=∏i=1nMXi(t)=∏i=1n[(1−p)+pet]=[(1−p)+pet]n.M_S(t) = \prod_{i=1}^{n} M_{X_i}(t) = \prod_{i=1}^{n}\big[(1-p) + p e^{t}\big] = \big[(1-p) + p e^{t}\big]^{n}.

Identifikasjon. I formelsamlingens MGF-katalog står MGF-en til en binomisk variabel bin(n,p)\text{bin}(n, p) nettopp som [(1−p)+pet]n\big[(1-p) + p e^{t}\big]^{n}. Ved entydighetsargumentet — MGF-en bestemmer fordelingen — er derfor
S∼bin(n,p).S \sim \text{bin}(n, p).

Dette bekrefter tolkningen vi allerede kjenner: antall suksesser i nn uavhengige forsøk er binomisk. Poenget her er metoden: vi identifiserte fordelingen uten å summere sannsynligheter, bare ved å kjenne igjen MGF-en og påberope entydigheten.

📝Oppgave 3

MGF-en til en eksponensialfordelt variabel med forventning β\beta er MX(t)=(1−βt)−1M_X(t) = (1 - \beta t)^{-1} (for t<1/βt < 1/\beta). To komponenter har uavhengige, eksponensialfordelte levetider, hver med forventning β\beta. La S=X1+X2S = X_1 + X_2.

a) Skriv opp MS(t)M_S(t) ved produktregelen.

b) MGF-en til en gamma(n,β)(n, \beta)-variabel er (1−βt)−n(1 - \beta t)^{-n}. Hvilken fordeling har SS?

📝Oppgave 4

La X1,…,XnX_1, \ldots, X_n være uavhengige eksponensialfordelte levetider, hver med forventning β\beta, og MGF MXi(t)=(1−βt)−1M_{X_i}(t) = (1 - \beta t)^{-1}. La S=∑i=1nXiS = \sum_{i=1}^{n} X_i.

a) Bruk MGF-teknikken til å identifisere fordelingen til SS, med eksplisitt entydighetsargument.

b) Finn E(S)E(S) og Var(S)\text{Var}(S) (bruk at gamma(n,β)(n,\beta) har E=nβE = n\beta, Var=nβ2\text{Var} = n\beta^2).

c) Med n=3n = 3 og β=5\beta = 5: hva er E(S)E(S) og Var(S)\text{Var}(S)?

— naturlig pausepunkt —

Løkke 3 — Ordningsvariable: min og maks (~20 min)

Fordelingen til maksimum og minimum
La X1,…,XnX_1, \ldots, X_n være uavhengige og identisk fordelte med felles fordelingsfunksjon FF. Vi ser på ytterpunktene.

Maksimum. At max⁡≤y\max \le y betyr at alle er ≤y\le y. Ved produktregelen for uavhengige:
Fmax⁡(y)=P(max⁡≤y)=∏i=1nP(Xi≤y)=[F(y)]n.F_{\max}(y) = P(\max \le y) = \prod_{i=1}^{n} P(X_i \le y) = [F(y)]^{n}.

Minimum. Her er det lettest å gå om halen: at min⁡>y\min > y betyr at alle er >y> y:
P(min⁡>y)=∏i=1nP(Xi>y)=[1−F(y)]n,sa˚Fmin⁡(y)=1−[1−F(y)]n.P(\min > y) = \prod_{i=1}^{n} P(X_i > y) = [1 - F(y)]^{n}, \quad \text{så} \quad F_{\min}(y) = 1 - [1 - F(y)]^{n}.

Tettheter fås ved derivasjon. Tolkning: et seriesystem svikter når den første komponenten svikter — samlet levetid er min⁡\min. Et parallellsystem (redundans) lever så lenge minst én komponent holder — samlet levetid er max⁡\max.

✏️Eksempel 4: Parallellkoblede pumper (maksimum)

Fire pumper står i parallell (systemet virker så lenge minst én pumpe virker). Levetidene X1,…,X4X_1, \ldots, X_4 (i år) er uavhengige og eksponensialfordelte med forventning β=3\beta = 3 år, altså F(x)=1−e−x/3F(x) = 1 - e^{-x/3}. La T=max⁡(X1,…,X4)T = \max(X_1, \ldots, X_4) være tiden til siste pumpe svikter.

a) Utled fordelingsfunksjonen FT(t)F_T(t) og tettheten fT(t)f_T(t).

b) Finn sannsynligheten for at systemet lever lenger enn 6 år.

a) Parallell = maksimum, så
FT(t)=[F(t)]4=(1−e−t/3)4,t>0.F_T(t) = [F(t)]^4 = \big(1 - e^{-t/3}\big)^{4}, \quad t > 0.
Tettheten ved derivasjon (kjerneregel, med ddt(1−e−t/3)=13e−t/3\displaystyle \frac{d}{dt}(1 - e^{-t/3}) = \frac{1}{3}e^{-t/3}):
fT(t)=4(1−e−t/3)3⋅13e−t/3=43 e−t/3(1−e−t/3)3.f_T(t) = 4\big(1 - e^{-t/3}\big)^{3} \cdot \frac{1}{3}e^{-t/3} = \frac{4}{3}\,e^{-t/3}\big(1 - e^{-t/3}\big)^{3}.

b) P(T>6)=1−FT(6)=1−(1−e−6/3)4=1−(1−e−2)4P(T > 6) = 1 - F_T(6) = 1 - \big(1 - e^{-6/3}\big)^{4} = 1 - \big(1 - e^{-2}\big)^{4}. Med e−2≈0,1353e^{-2} \approx 0{,}1353: 1−(0,8647)4=1−0,5590≈0,4411 - (0{,}8647)^4 = 1 - 0{,}5590 \approx 0{,}441.

Merk fellen: her ganger vi fordelingsfunksjonene ([F]4[F]^4), vi legger dem ikke sammen.

📝Oppgave 5
nn uavhengige komponenter har hver eksponensialfordelt levetid med forventning β\beta, altså P(Xi>x)=e−x/βP(X_i > x) = e^{-x/\beta}. La M=min⁡(X1,…,Xn)M = \min(X_1, \ldots, X_n) være tiden til første svikt.

a) Skriv opp P(M>y)P(M > y) ved å bruke at alle må være >y> y.

b) Hvilken fordeling har MM?

📝Oppgave 6

Tre lyspærer står i parallell; rommet er opplyst så lenge minst én lyser. Levetidene (i tusen timer) er uavhengige og eksponensialfordelte med forventning β=4\beta = 4, altså F(x)=1−e−x/4F(x) = 1 - e^{-x/4}. La TT være tiden til det siste rommet blir mørkt.

a) Er TT et minimum eller et maksimum? Skriv opp FT(t)F_T(t).

b) Finn P(T>6)P(T > 6).

📝Oppgave 7

Et system har to komponenter med uavhengige, eksponensialfordelte levetider, hver med forventning β=10\beta = 10 år.

a) Koblet i serie (systemet svikter når første komponent svikter): hvilken fordeling har systemlevetiden M=min⁡(X1,X2)M = \min(X_1, X_2), og hva er E(M)E(M)?

b) Finn P(M>4)P(M > 4) for seriesystemet.

c) Koblet i parallell i stedet: skriv opp P(systemet lever>4)P(\text{systemet lever} > 4) (du trenger ikke regne ut tallet), og forklar med én setning hvorfor parallellsystemet er sikrere.

Begrepsbank til eksamen

Teknikk- og formelkortene for transformasjoner og ordningsvariable, samlet i kortform.

Begrepsbanken er flashcard-/repetisjonsstoff — den gjentar det du nettopp har lest. Hopp trygt over ved førstegangslesing; tidsanslaget gjelder kjernestoffet.

Teknikkort: CDF-metoden i tre steg

For Y=g(X)Y = g(X): (1) skriv FY(y)=P(g(X)≤y)F_Y(y) = P(g(X) \le y); (2) løs ulikheten for XX og sett inn FXF_X (voksende gg: FX(g−1(y))F_X(g^{-1}(y)); avtakende gg: 1−FX(g−1(y))1 - F_X(g^{-1}(y))); (3) deriver FYF_Y for å få tettheten fYf_Y. Dette er standardverktøyet for sjanger D — den identifiserer fordelingen til en transformert variabel.

Feilkort: snu ulikheten for avtakende gg

Er gg avtakende, snur ulikheten: g(X)≤y⇔X≥g−1(y)g(X) \le y \Leftrightarrow X \ge g^{-1}(y), som gir FY(y)=1−FX(g−1(y))F_Y(y) = 1 - F_X(g^{-1}(y)). Glemmer du dette, får du et uttrykk som avtar med yy — ikke en gyldig fordelingsfunksjon. Test alltid om gg vokser eller avtar (f.eks. Y=1/XY = 1/X, Y=e−XY = e^{-X}, Y=−ln⁡XY = -\ln X er alle avtakende) før du fjerner PP-tegnet.

Teknikkort: tetthet ved derivasjon

Tettheten til den transformerte variabelen er den deriverte av dens fordelingsfunksjon: fY(y)=FY′(y)f_Y(y) = F_Y'(y). Bruk kjerneregelen — når FY(y)=FX(g−1(y))F_Y(y) = F_X(g^{-1}(y)), blir fY(y)=fX(g−1(y))⋅ddyg−1(y)\displaystyle f_Y(y) = f_X(g^{-1}(y)) \cdot \frac{d}{dy}g^{-1}(y). Den glemte indre deriverte er en klassisk regnefeil. Angi til slutt støtten (hvilke yy tettheten gjelder for).

Formelkort: MGF-produktregelen
For uavhengige variable er MGF-en til summen produktet av MGF-ene:

MX1+⋯+Xn(t)=∏i=1nMXi(t).M_{X_1 + \cdots + X_n}(t) = \prod_{i=1}^{n} M_{X_i}(t).

Er variablene identisk fordelte med felles MGF M(t)M(t), blir dette [M(t)]n[M(t)]^n. Dette er hovedverktøyet for å identifisere fordelingen til en sum uten å summere sannsynligheter. MGF-en er definert som MX(t)=E(etX)M_X(t) = E(e^{tX}).

Feilkort: MGF-entydighetsargumentet

To fordelinger med samme momentgenererende funksjon er den samme fordelingen — «MGF-en bestemmer fordelingen». Når du har regnet ut MS(t)M_S(t) og kjent den igjen i katalogen, må du si dette eksplisitt for å konkludere. Uten entydighetsargumentet har du bare regnet ut en funksjon; det er entydigheten som gjør identifikasjonen gyldig (en fast sensor-markør).

Katalogkort: MGF-identifikasjoner

De tre som går igjen på eksamen: sum av nn uavhengige Bernoulli(p)(p) →\to binomisk(n,p)(n,p); sum av nn uavhengige eksponensial(β)(\beta) →\to gamma(n,β)(n,\beta); sum av nn uavhengige kvadrater av N(0,1)N(0,1) →\to χn2\chi^2_n. MGF-ene står i formelsamlingen (hjelpemiddelkode C) — tren oppslaget: regn produktet, finn det i katalogen, påberop entydigheten.

Formelkort: maksimum Fmax⁡=[F]nF_{\max} = [F]^n
For nn uavhengige, identisk fordelte variable med fordelingsfunksjon FF:

Fmax⁡(y)=[F(y)]n.F_{\max}(y) = [F(y)]^n.

Begrunnelse: max⁡≤y\max \le y betyr at alle er ≤y\le y, og produktregelen for uavhengige gir produktet. Tettheten fmax⁡(y)=n[F(y)]n−1f(y)f_{\max}(y) = n[F(y)]^{n-1}f(y) ved derivasjon. Maksimum styrer parallellsystemer (systemet lever til siste komponent svikter).

Formelkort: minimum Fmin⁡=1−[1−F]nF_{\min} = 1 - [1 - F]^n
For nn uavhengige, identisk fordelte variable, gå om halen: min⁡>y\min > y betyr at alle er >y> y, så

P(min⁡>y)=[1−F(y)]n,Fmin⁡(y)=1−[1−F(y)]n.P(\min > y) = [1 - F(y)]^n, \qquad F_{\min}(y) = 1 - [1 - F(y)]^n.

Tettheten fmin⁡(y)=n[1−F(y)]n−1f(y)f_{\min}(y) = n[1 - F(y)]^{n-1}f(y). Minimum styrer seriesystemer (systemet svikter når første komponent svikter).

Begrepskort: serie = min, parallell = maks
Seriesystem: komponentene er koblet slik at alle må virke — systemet svikter ved første svikt, så systemlevetiden er min⁡(X1,…,Xn)\min(X_1, \ldots, X_n). Parallellsystem (redundans): systemet virker så lenge minst én komponent virker — systemlevetiden er max⁡(X1,…,Xn)\max(X_1, \ldots, X_n). Å avgjøre hvilket ytterpunkt oppgaven spør om er første steg i enhver sjanger K-oppgave.
Katalogkort: min av eksponensiale

Minimum av nn uavhengige eksponensiale, hver med forventning β\beta, er igjen eksponensialfordelt, med forventning β/n\beta/n: P(min⁡>y)=(e−y/β)n=e−y/(β/n)P(\min > y) = (e^{-y/\beta})^n = e^{-y/(\beta/n)}. Første svikt i et seriesystem kommer altså i snitt nn ganger raskere enn for én komponent. (Maksimum av eksponensiale er derimot ikke eksponensial — der må du regne med [F]n[F]^n.)

Feilkort: gang, ikke adder, CDF-er

For ordningsvariable multipliseres fordelingsfunksjoner (eller haler), aldri adderes: Fmax⁡=[F]nF_{\max} = [F]^n og P(min⁡>y)=[1−F]nP(\min > y) = [1 - F]^n. Å skrive Fmax⁡=n⋅FF_{\max} = n \cdot F eller Fmin⁡=n⋅FF_{\min} = n \cdot F er feil — det kommer fra produktregelen for uavhengige hendelser, som gir et produkt. Sjekk også at gg er voksende/avtakende i CDF-metoden før du velger FF eller 1−F1 - F.

Repetisjonsoppgaver
Din fremgang
0 / 4 oppgaver
Symbol- og formelliste

Dette kapitlet er skrevet av Anthropics toppmodeller (Claude Opus og Claude Fable) og er foreløpig ikke manuelt gjennomgått — kvalitetskontrollen gjøres av uavhengige KI-agenter, og innmeldte feil rettes fortløpende. Funnet en feil? Meld fra, så retter vi den. Les mer om hvordan innholdet lages.

Skolesaga er en uavhengig læringsressurs og er ikke tilknyttet eller godkjent av Norges teknisk-naturvitenskapelige universitet. Dette er ikke offisielt studiemateriell. Les mer.