Optimizacijske metode
|
|
- Nenad Hribar
- pred 4 leti
- Pregledov:
Transkripcija
1 Optimizacijske metode 5. Reševanje Vladimir Batagelj FMF, matematika na vrhu različica: 18. marec 2014 / 04 : 43
2 V. Batagelj: Optimizacijske metode / 5. reševanje 1 Kazalo 1 Minimum funkcij na R n Sedla Prirejene in dualne naloge Lagrangeova prirejenost Karush-Kuhn-Tuckerjev izrek Numerični postopki Kazenske metode
3 V. Batagelj: Optimizacijske metode / 5. reševanje 1 Minimum funkcij na R n Naj bo P (x), x R n v okolici točke x vsaj dvakrat zvezno odvedljiva. Razvijmo jo v Taylorjevo vrsto okoli x P (x + εy) = P (x ) + εy T P (x ) ε2 y T H(P, x )y + ε 2 O(εy) pri čemer je ε > 0 in y R n. Kdaj ima funkcija P (x) v točki x minimum? V neki dovolj majhni okolici točke x funkcija P (x) nima vrednosti manjše od P (x ). Recimo, da bi obstajal tak y, da je y T P (x ) < 0 Tedaj, ker ε 2 gre hitreje proti 0 kot ε, je mogoče najti δ > 0 tako, da za vsak ε, 0 < ε δ velja P (x + εy) < P (x ) To pa pomeni, da točka x ni minimum protislovje.
4 V. Batagelj: Optimizacijske metode / 5. reševanje 2... Minimum funkcij na R n Torej je potreben pogoj za to, da je v točki x minimum y : y T P (x ) 0 Toda, ker mora ta neenakost veljati tudi za vektorja y in y, je to mogoče le, če je P (x ) = 0. Podoben sklep velja tudi za maksimum. Točkam, v katerih je P (x) = 0 pravimo stacionarne točke. Naj bo x stacionarna točka. Tedaj je P (x + εy) = P (x ) ε2 y T H(P, x )y + ε 2 O(εy) Če bi bil y T H(P, x )y < 0 za kak y R n, bi zopet veljalo za dovolj majhne ε > 0 P (x + εy) < P (x ) kar pomeni, da točka x ni minimum pritislovje.
5 V. Batagelj: Optimizacijske metode / 5. reševanje 3 Torej mora v minimumu veljati... Minimum funkcij na R n y R n : y T H(P, x )y 0 Če v tem pogoju za vse y 0 velja strogi neenačaj, je točka x strogi minimum; sicer je potrebno stvar še preučiti. Povedano strnemo v naslednji izrek: IZREK 1 Potreben pogoj za to, da ima zvezna in dvakrat zvezno odvedljiva funkcija P naloge (R n, P, Min) (lokalni) minimum v točki x, je P (x ) = 0 in, da je Hessova matrika H(P, x ) pozitivno semi-definitna. pozitivno definitna, je v točki x strogi (lokalni) minimum. Če je Pri dvakrat zvezno odvedljivih konveksnih funkcijah je drugi pogoj avtomatično izpolnjen. Zato zadostuje že prvi.
6 V. Batagelj: Optimizacijske metode / 5. reševanje 4 Imamo n podatkov, meritev Regresijska premica (x i, y i ), i = 1,..., n pri čemer imata vsaj dve točki različno absciso. Kako določiti premico y = ax + b, ki jih najbolje povzema? Običajno uporabljamo metodo najmanjših kvadratov. Premico določimo tako, da je vsota kvadratov napak odstopanj posameznih točk od premice najmanjša. Tako dobimo optimizacijsko nalogo (R 2, P, Min), kjer je P (a, b) = n ((ax i + b) y i ) 2 i=1 Naloga zadošča pogojem izreka.
7 V. Batagelj: Optimizacijske metode / 5. reševanje 5 Iz pogoja P = 0 dobimo enačbi... Regresijska premica P a P b = = n 2((ax i + b) y i )x i = 0 i=1 n 2((ax i + b) y i ) = 0 i=1 z rešitvijo a = n xy x y n x 2 ( x) 2, b = 1 n ( y a x) oziroma, če vpeljemo oznako z = 1 n z a = xy x y x 2 x 2, b = y ax
8 V. Batagelj: Optimizacijske metode / 5. reševanje 6... Regresijska premica Poglejmo še Hessovo matriko H = 2 P a 2 2 P b a 2 P a b 2 P b 2 = 2 x 2 x x n Ker je 1 = 2 x 2 > 0 in 2 = 4(n x 2 ( x) 2 ) = 2 (x i x j ) 2 > 0, je matrika H pozitivno definitna in zato funkcija P strogo konveksna. Torej je regresijska premica enolično določena. Kriterijska funkcija, ki meri napako po metodi najmanjših kvadratov je precej občutljiva na večje napake in tujke (outliers). Zato v takih primerih nekateri raje uporabljajo kriterijsko funkcijo, ki temelji na absolutnih napakah P (a, b) = n (ax i + b) y i i=1 Seveda pa te naloge ne moremo več ugnati z gornjimi sredstvi.
9 V. Batagelj: Optimizacijske metode / 5. reševanje 7 Sedla Točka (x, u ) Φ Ψ je minmax-sedlo funkcije G : Φ Ψ R natanko takrat, ko velja: (x, u) Φ Ψ : G(x, u ) G(x, u ) G(x, u) in je maxmin-sedlo funkcije G natanko takrat, ko velja: (x, u) Φ Ψ : G(x, u ) G(x, u ) G(x, u) Če enega od pogojev za sedlo pomnožimo z 1 se neenakosti obrnejo dobimo drugi pogoj. Torej velja: IZREK 2 Funkciji G(x, u) in G(x, u) imata ista sedla, a nasprotnih vrst.
10 V. Batagelj: Optimizacijske metode / 5. reševanje 8... Sedla Količino G(x, u ) imenujemo vrednost sedla (x, u ). Da je slednje smiselno, nam zagotavlja naslednja lastnost: IZREK 3 Vsa sedla iste vrste imajo enako vrednost. Dokaz: Zaradi simetrije bomo dokazovali samo za minmax-sedla. Bodita (x, u ) in ( x, ū) minmax-sedli. Potem po definiciji velja: G(x, ū) G( x, ū) G( x, u ) G(x, u ) G(x, ū) kar je mogoče le, če povsod velja enačaj. Torej je res G(x, u ) = G( x, ū).
11 V. Batagelj: Optimizacijske metode / 5. reševanje 9... Sedla Iz gornjega dokaza je le še majhen korak do lastnosti: IZREK 4 Množica sedel iste vrste funkcije G : Φ Ψ R je oblike Φ s Ψ s, kjer sta Φ s Φ in Ψ s Ψ. Dokaz: Bodita (x, u ) in ( x, ū) minmax-sedli. Tedaj sta minmax sedli tudi (x, ū) in ( x, u ). Pokažimo, na primer, da je (x, ū) minmax-sedlo. Napišimo pogoja: za vsak (x, u) Φ Ψ velja: G(x, u ) G(x, u ) G(x, u) in G(x, ū) G( x, ū) G( x, u) Iz prejšnjega dokaza vemo G( x, u ) = G(x, u ) = G( x, ū) = G(x, ū). Torej je res tudi G(x, ū) G( x, ū) = G(x, ū) = G(x, u ) G(x, u) kar je bilo treba pokazati.
12 V. Batagelj: Optimizacijske metode / 5. reševanje 10 Izrek o mini-maxu Sedaj pa si oglejmo še najpomembnejši rezultat tega razdelka, ki daje potreben in zadosten pogoj za obstoj sedla. IZREK 5 Funkcija G : Φ Ψ R ima minmax-sedlo natanko takrat, ko obstaja točka (x, u ) Φ Ψ, tako da velja: min sup G(x, u) = max inf G(x, u) = x Φ u Ψ u Ψ x Φ G(x, u ) in ima maxmin-sedlo natanko takrat, ko obstaja točka (x, u ) Φ Ψ, tako da velja: max inf G(x, u) = min sup G(x, u) = G(x, u ) x Φ u Ψ u Ψ x Φ Dokaz izreka najdete v zapiskih.
13 V. Batagelj: Optimizacijske metode / 5. reševanje 11 Primeri sedel Brez večjih težav lahko sestavimo primere funkcije G (običajno so podane z matriko), ki so ali brez sedla, ali imajo samo sedla enega tipa, ali pa imajo sedla obeh tipov. Tako ima na primer funkcija G podana z matriko: u min u max u x min x = 4 max x = 2 dve maxmin-sedli (2, 1) in (2, 2) ter eno minmax-sedlo (2, 3).
14 V. Batagelj: Optimizacijske metode / 5. reševanje Primeri sedel Za nadaljne izreke o obstoju sedel je potrebno privzeti dodatne lastnosti za funkcijo G in množici Φ in Ψ; npr. odvedljivost, konveksnost/konkavnost,... Iz analize vemo: Naj bo G : R R R v okolici točke (x, u ) dvakrat zvezno odvedljiva funkcija. Za to, da je (x, u ) analitično sedlo, zadostuje, da velja G(x, u ) = 0 in je H(G, (x, u )) negativno definitna. Vendar pa ni vsako analitično sedlo tudi sedlo v smislu tega razdelka, kar je očitno iz izreka 3.
15 V. Batagelj: Optimizacijske metode / 5. reševanje 13 Prirejene in dualne naloge Naj bo dana funkcija G : Φ Ψ R, ki določa funkciji P (x) = sup G(x, u) in Q(u) = inf G(x, u) u Ψ x Φ potem pravimo, da sta si nalogi (Φ, P, Min) in (Ψ, Q, Max) prirejeni glede na G. IZREK 6 Za s funkcijo G : Φ Ψ R določeni funkciji P in Q velja: Dokaz: (x, u) Φ Ψ : P (x) Q(u) P (x) = sup G(x, v) G(x, u) inf G(y, u) = Q(u) v Ψ y Φ
16 V. Batagelj: Optimizacijske metode / 5. reševanje 14 Dualne naloge V primeru, ko obstaja točka (x, u ) Φ Ψ, za katero velja enakost P (x ) = Q(u ) pravimo, da sta si prirejeni nalogi dualni ali pridruženi; točki (x, u ) pa dualna točka. Opomba: Gornja definicija dualnosti je nekoliko ožja od tiste, ki jo običajno srečamo v literaturi. Z njo se odpovemo primerom, ko je neka od množic Ψ in Φ prazna.
17 V. Batagelj: Optimizacijske metode / 5. reševanje 15 Dualne naloge lastnosti IZREK 7 Bodita glede na G prirejeni nalogi (Φ, P, Min) in (Ψ, Q, Max) dualni in naj bo (x, u ) dualna točka, potem velja: a. x Min(Φ, P ) in u Max(Ψ, Q) b. min(φ, P ) = max(ψ, Q) = G(x, u ) = P (x ) = Q(u ) Dokaz: a. Iz izreka 6 izhaja, da velja za vsak x Φ : P (x) Q(u ). Po predpostavki Q(u ) = P (x ) izhaja naprej P (x) P (x ); kar pomeni, da je res x Min(Φ, P ). Podobno pokažemo tudi, da je u Max(Ψ, Q). b. Ker sta po delu a x Min(Φ, P ) in u Max(Ψ, Q), je po definiciji in predpostavki min(φ, P ) = P (x ) = Q(u ) = max(ψ, Q). Pokazati moramo še, da lahko v ta spisek enakosti dodamo tudi G(x, u ). Izhajamo iz neenakosti G(x, u ) Q(u ) = P (x ) G(x, u). Postavimo vanjo x = x in u = u pa dobimo G(x, u ) Q(u ) = P (x ) G(x, u ) kar je mogoče le, če povsod veljajo enačaji. S tem je trditev dokazana.
18 V. Batagelj: Optimizacijske metode / 5. reševanje 16 Dualnost in sedla Zvezo med dualnostjo in sedli nam daje naslednji izrek: IZREK 8 Glede na funkcijo G : Φ Ψ R prirejeni nalogi (Φ, P, Min) in (Ψ, Q, Max) sta si dualni natanko takrat, ko ima funkcija G minmaxsedlo. Dokaz: V eno smer (dualnost sedlo) je trditev že skoraj dokazana. Naj bo (x, u ) dualna točka. Upoštevajmo v neenakosti iz prejšnjega dokaza končno ugotovitev P (x ) = Q(u ) = G(x, u ) pa imamo: Torej je (x, u ) res minmax-sedlo. G(x, u ) G(x, u ) G(x, u) V nasprotno smer (sedlo dualnost) pa sklepamo takole: Naj bo (x, u ) minmax-sedlo. Potem je po definiciji u Ψ : G(x, u) G(x, u ). Torej tudi: P (x ) = sup G(x, u) G(x, u ) in podobno Q(u ) = inf G(x, u Ψ x Φ u ) G(x, u ) oziroma P (x ) Q(u ). Od tu po izreku 6 sledi enakost P (x ) = Q(u ).
19 V. Batagelj: Optimizacijske metode / 5. reševanje 17 Enakovrednost dualnih nalog Vzemimo sedaj poljubna x Min(Φ, P ) in u Max(Ψ, Q). Če sta si nalogi (Φ, P, Min) in (Ψ, Q, Max) dualni, potem je točka (x, u ) po izreku 7.b dualna točka in po izreku 8 minmax sedlo. Po drugi strani iz izreka 8 in izreka 7.a izhaja, da je vsako minmax-sedlo (x, u ) Min(Φ, P ) Max(Ψ, Q). Kar pomeni, da množica minmax sedel funkcije G sovpada z množico Min(Φ, P ) Max(Ψ, Q). Vpeljimo še relaciji τ(x) = {u : Q(u) = P (x)} in θ(u) = {x : P (x) = Q(u)} pa vidimo iz pravkar povedanega, da mora veljati x Min(Φ, P ) : τ(x) = Max(Ψ, Q) oziroma τ(min(φ, P )) = τ(x) = Max(Ψ, Q) x Min(Φ,P ) in podobno za θ. Torej sta τ in θ translatorja. Povzemimo:
20 V. Batagelj: Optimizacijske metode / 5. reševanje Enakovrednost dualnih nalog IZREK 9 Glede na G dualni nalogi (Φ, P, Min) in (Ψ, Q, Max) sta enakovredni in velja: {(x, u) Φ Ψ : P (x) = Q(u)} = Min(Φ, P ) Max(Ψ, Q)
21 V. Batagelj: Optimizacijske metode / 5. reševanje 19 Lagrangeova prirejenost Najpogosteje pridemo do prirejene naloge z Langrangeovo funkcijo. Poglejmo, kako to naredimo: Naj bo optimizacijsko območje Φ naloge (Φ, P, Min) podano takole Φ = {x Ω : P i (x) 0, i I, P j (x) = 0, j J}, I J = 1..n in naj bo Φ. V primeru, ko je Φ, pravimo, da so omejitve in naloga neprotislovne. Če obstaja točka x Ω, tako da je P i (x) < 0, i I, je naloga strogo neprotislovna. Točki x rečemo tudi Slaterjeva točka. Opomba: Pogoj oblike P j (x) = 0 nadomestimo z dvema enakovrednima pogojema Predpostavimo začasno, J =. P j (x) 0 in P j (x) 0
22 V. Batagelj: Optimizacijske metode / 5. reševanje 20 Lagrangeova funkcija Označimo u = (u 1, u 2,..., u n ) in P(x) = (P 1 (x), P 2 (x),..., P n (x)) ter (u, v) = i I u i v i potem lahko definiramo Lagrangeovo funkcijo L : Ω (R + 0 )n R naloge (Φ, P, Min) takole: L(x, u) = P (x) + (u, P(x)) Od tu dobimo (glede na L) prirejeni nalogi (Ω, P, Min) in ((R + 0 )n, Q, Max), kjer je P (x) = sup L(x, u) in Q(u) = inf L(x, u) u (R + x Ω 0 )n Pokažimo najprej, da je naloga (Ω, P, Min) enakovredna osnovni nalogi!
23 V. Batagelj: Optimizacijske metode / 5. reševanje 21 Prva prirejena naloga je enakovredna osnovni Nastopita dva primera: a) x Φ ; tedaj so vsi P i (x) 0; kar pomeni, da je tudi P(x) 0 in dalje (u, P(x)) 0. Toda za u = 0 je (u, P(x)) = 0 in zato sup u (R + 0 )n (u, P(x)) = 0 Torej je v tem primeru P (x) = P (x). b) x Φ; tedaj je vsaj en P i (x) > 0. Definirajo zaporedje (u k ) takole: u k j = kδ ij Tedaj za k tudi (u k, P(x)). Torej je P (x) = sup (u, P(x)) = u (R + 0 )n
24 V. Batagelj: Optimizacijske metode / 5. reševanje Prva prirejena naloga je enakovredna osnovni Povzemimo : P (x) = P (x) x Φ x Ω \ Φ Ker je po predpostavki Φ, izhaja od tu enakovrednost osnovne naloge (Φ, P, Min) in naloge (Ω, P, Min); če pa je naloga ((R + 0 )n, Q, Max) dualna nalogi (Ω, P, Min), zaradi tranzitivnosti enakovrednosti in enakovrednosti dualnih nalog izhaja, da je tudi naloga ((R + 0 )n, Q, Max) enakovredna osnovni nalogi.
25 V. Batagelj: Optimizacijske metode / 5. reševanje 23 Druga prirejena naloga Seveda moramo funkcijo Q(u) določiti v vsakem primeru posebej. Poglejmo še primer pogoja oblike P i (x) = 0. Ta nam v Lagrangeovi funkciji prispeva člena u + P i (x) u P i (x) = (u + u )P i (x) = up i (x) Iz te enakosti vidimo, da lahko oba člena nadomestimo z enim samim, pri tem pa moramo pogoja u +, u 0 nadomestiti (omiliti) z u R. Če so P, P i konveksne in je naloga rešljiva, ima L sedlo.
26 V. Batagelj: Optimizacijske metode / 5. reševanje 24 Druga prirejena naloga je lepa IZREK 10 Glede na L prirejena funkcija Q(u) je konkavna. Dokaz: Vzemimo v, w (R + 0 )n in naj bo Tedaj velja u = λv + (1 λ)w, λ [0, 1] Q(u) = inf L(x, u) = inf (P (x) + (u, P(x)) x Ω x Ω = inf ((λ + (1 λ))p (x) + (λv + (1 λ)w, P(x)) x Ω upoštevajmo še inf(f + g) inf f + inf g pa lahko nadaljujemo λ inf (P (x) + (v, P(x)) + (1 λ) inf (P (x) + (w, P(x)) x Ω x Ω = λq(v) + (1 λ)q(w)
27 V. Batagelj: Optimizacijske metode / 5. reševanje 25 Druga prirejena naloga Opomba: V gornjih razmišljanjih o prirejenih nalogah ni nobenih posebnih predpostavk o naravi P, P i in Φ. Na primer, ko je Ω = Z m, funkcija Q ni odvedljiva; vendar je zaradi konkavnosti vsak lokalni maksimum u tudi globalni. V splošnem je prirejeno nalogo torej lažje reševati. Žal prirejeni nalogi nista vedno dualni (enakovredni). Kljub temu zaradi max((r + 0 )n, Q) = Q(u ) min(φ, P ) vrednost Q(u ) ali njeno oceno lahko uporabljamo za spodnjo mejo P.
28 V. Batagelj: Optimizacijske metode / 5. reševanje 26 Primer uporabe Lagrangeove prirejenosti Pokažimo, kako lahko uporabimo dualnost pri reševanju naloge (Φ, P, Min) Pripadajoča Lagrangeova funkcija je P (x, y) = x 2 + y 2 Φ = {(x, y) R 2 : 2x + y 4} L(x, y; u) = x 2 + y 2 + u (2x + y + 4), u 0 Ker sta kriterijska funkcija in omejitev konveksni ima L sedlo. Poiščimo Q(u) = inf L(x, y; u) (x,y) R2 Ker je L zvezno odvedljiva, lahko inf določimo po izreku iz pogojev L x = 2x + 2u = 0 L y = 2y + u = 0
29 V. Batagelj: Optimizacijske metode / 5. reševanje 27 od koder dobimo Torej je... Primer uporabe Lagrangeove prirejenosti ˆx = u ŷ = u 2 Q(u) = L(ˆx, ŷ, u) = 5u u Funkcija Q(u) je parabola in doseže maksimum v temenu u = 8 5. Torej je x = 8 5 y = 4 5 Q(u ) = P (x, y ) = 16 5
30 V. Batagelj: Optimizacijske metode / 5. reševanje 28 Karush-Kuhn-Tuckerjev izrek Poglejmo ponovno postopek iz primera na nalogi (Φ, P, Min), kjer je Φ = {x R m : P i (x) 0, i I, P j (x) = 0, j J} Pripadajoča Lagrangeova funkcija je L(x, u) = P (x) + (u, P(x)) pri čemer, če zapišemo u = (u I, u J ), je u I 0. Določimo Q(u) = inf L(x, u) x Rm oziroma, še nekoliko več, določimo x (u) R m, za katerega je Q(u) = L(x (u), u) Če je L zvezno odvedljiva po x, mora po izreku 1 x (u) zadoščati pogoju x L = 0
31 V. Batagelj: Optimizacijske metode / 5. reševanje Karush-Kuhn-Tuckerjev izrek in, če naj si z rešitvijo prirejene naloge pomagamo pri reševanju osnovne naloge, morata biti nalogi dualni Torej mora veljati oziroma P (x ) = Q(u ) = L(x, u ) P (x ) = L(x, u ) = P (x ) + (u, P(x )) 0 = (u, P(x )) = i I u i P i (x ) + j J u j P j (x ) Ker je P j (x ) = 0, j J, je drugi člen enak 0 in preostane i I u i P i(x ) = 0. Toda, u i 0, P i(x ) 0, i I, in zato končno u i P i (x ) = 0, i I
32 V. Batagelj: Optimizacijske metode / 5. reševanje Karush-Kuhn-Tuckerjev izrek Iz povedanega lahko povzamemo (potrebnostni) del Karush-Kuhn-Tuckerjevega izreka: IZREK 11 Naj bodo P in P k, k K = I J zvezno odvedljive funkcije in naj ima Lagrangeova funkcija L sedlo. Potem je potreben pogoj za to, da ima naloga (Φ, P, Min) v točki x Φ lokalni minimum, obstoj realnih števil u j, j J in u i 0, i I, za katere velja: x L = x P (x ) + i I u i x P i (x ) + j J u j x P j (x ) = 0 in u i P i (x ) = 0, i I Poleg pogojem za u i mora rešitev x, če naj bo dopustna, zadoščati še omejitvam P i (x ) 0, i I in P j (x ) = 0, j J
33 V. Batagelj: Optimizacijske metode / 5. reševanje Karush-Kuhn-Tuckerjev izrek Z rešitvijo tako dobljenega sistema enačb dobimo kandidate za lokalna sedla (x, u ). Za konveksne naloge velja tudi obrat. IZREK 12 Če je osnovna naloga (Φ, P, Min) konveksna, strogo neprotislovna in J =, so Karush-Khun-Tuckerjevi pogoji tudi zadostni.
34 V. Batagelj: Optimizacijske metode / 5. reševanje Karush-Kuhn-Tuckerjev izrek Dokaz: Iz konveksnosti funkcij P in P i izhaja, da v točki x velja P (x) P (x ) + P T (x )(x x ) P i (x) P i (x ) + Pi T (x )(x x ), i I Pomnožimo zadnje neenakosti z u i 0, seštejmo jih in prištejmo prvo pa dobimo P (x) + i I u i P i (x) P (x ) + i I u i P i (x )+ ( P T (x ) + i I u i P T i (x ))(x x ) Predzadnji in zadnji člen sta po K-K-T izreku enaka 0. Torej je za x Φ, ker je u i P i (x) 0 P (x) P (x ) i I u i P i (x) P (x ) kar pomeni x Min(Φ, P ).
35 V. Batagelj: Optimizacijske metode / 5. reševanje 33 Primerne omejitve Omejitev P i (x) 0 je zasičena ali dejavna v točki x 0, če je P i (x 0 ) = 0. Pri odgovoru na vprašanje, kdaj so pogoji izreka tudi zadostni, potrebujemo pojem primernosti omejitev. Mi se bomo izognili definiciji tega pojma in navedli nekaj zadostnih pogojev za primernost, ki pokrivajo večino praktičnih primerov: linearnost funkcij P i ; konveksnost funkcij P i in nepraznost notranjosti množice Φ; neodvisnost gradientov omejitev, ki so zasičene v dani točki. Pokazati je mogoče, da so pogoji iz izreka zadostni, če je osnovna naloga konveksna in so omejitve primerne v točki x.
36 V. Batagelj: Optimizacijske metode / 5. reševanje 34 Karush-Kuhn-Tuckerjev izrek primer Določimo minimum funkcije P (x, y) = x pri omejitvah (x 1) 2 + (y + 2) 2 16 in x 2 + y Najprej zapišimo omejitvi v standardni obliki P 1 (x, y) = (x 1) 2 + (y + 2) P 2 (x, y) = x 2 y Poleg teh dveh neenačb dobimo iz K-K-T pogojev še zveze 1 2(x 1) + u + v 2x = 0 0 2(y + 2) 2y 0 u ((x 1) 2 + (y + 2) 2 16) = 0 v (x 2 + y 2 13) = 0 pri čemer sta u, v 0.
37 V. Batagelj: Optimizacijske metode / 5. reševanje Karush-Kuhn-Tuckerjev izrek primer Iz prve zveze dobimo enačbi u (x 1) vx = 1 2 in u (y + 2) = vy Do točk, v katerih je morda minimum, pridemo z analizo rešitev tega sistema enačb. 1. v = 0; iz enačb u (y + 2) = 0 in u (x 1) = 1 2 izhaja, da je u 0 in y = 2. Iz enačbe (x 1) 2 + (y + 2) 2 = 16 dobimo (x 1) 2 = 16. Koren x = 5 odpade, ker je pripadajoči u = Drugi koren da rešitev x = 3, y = 2, u = 1, v = 0, P = 3 8
38 V. Batagelj: Optimizacijske metode / 5. reševanje Karush-Kuhn-Tuckerjev izrek primer 2. v 0; tedaj je x 2 + y 2 = 13; 2.1. u = 0; tedaj je y = 0 in zato x = ± 13. Negativni koren odpade, ker je pripadajoči v negativen. Ostane rešitev x = 13, y = 0, u = 0, v = , P = u 0; dobimo sistem kvadratnih enačb x 2 + y 2 = 13 in (x 1) 2 + (y + 2) 2 = 16, iz katerega izhaja x = 2y + 1 in 5y 2 + 4y 12 = 0. Koren y = 2 smo že dobili v primeru 1 (iz vy = 0 pa izhaja protislovje). Koren y = 6 5 pa nam da novo rešitev x = 17 5, y = 6 5, u = 3 40, v = 1 5, P = 17 5
39 V. Batagelj: Optimizacijske metode / 5. reševanje Karush-Kuhn-Tuckerjev izrek primer Nalogo (Φ, P, min) si lahko ponazorimo tudi na sliki. Iz nje vidimo, da je rešitev 1 globalni minimum, rešitev 2.2 lokalni minimum in rešitev 2.1 le K-K-T točka.
40 V. Batagelj: Optimizacijske metode / 5. reševanje 38 Uporaba Lagrangeove prirejenosti absolutne vrednosti Rešimo naslednjo optimizacijsko nalogo (Φ, P, Min) n P (x) = x i a i i=1 Φ = {x R n : n x i = 0} i=1 kjer so a i, i = 1,..., n dana realna števila. Lagrangeova funkcija naloge je L(x, u) = P (x) + up 1 (x) = n ( x i a i + ux i ) pri čemer je u R. Določimo prirejeno nalogo (Ψ, Q, Max). n Q(u) = inf L(x, u) = inf ( x x Rn i a i + ux i ) x R n i=1 i=1
41 V. Batagelj: Optimizacijske metode / 5. reševanje uporaba Lagrangeove prirejenosti Ker so posamezni členi vsote med seboj neodvisni, velja naprej n Q(u) = inf ( x i a i + ux i ) x i R Poiščimo, koliko je Velja i=1 q(u) = inf ( x a + ux) x R q(u) = inf x R (1 + u)x a x a (u 1)x + a x < a Z analizo posameznih možnosti dobimo ua u 1 q(u) = u > 1
42 V. Batagelj: Optimizacijske metode / 5. reševanje uporaba Lagrangeove prirejenosti in, če označimo A = n i=1 a i, dalje ua u 1 Q(u) = u > 1 Torej je prirejena naloga enakovredna nalogi ([ 1, 1], ua, Max), ki je enostavno rešljiva Torej je vselej Q(u ) = A. A > 0 u = 1 Q(u ) = A A = 0 u [ 1, 1] Q(u ) = 0 A < 0 u = 1 Q(u ) = A
43 V. Batagelj: Optimizacijske metode / 5. reševanje uporaba Lagrangeove prirejenosti To rešitev lahko uporabimo pri reševanju osnovne naloge (Φ, P, Min), če sta prirejeni nalogi dualni, t.j., če je rešljiva enačba P (x ) = Q(u ) = A, x Φ Poskusimo jo rešiti! Nastopita dva primera: a) A = 0; enačba ima obliko P (x ) = n x i a i = 0 i=1 z enolično rešitvijo x = a. Ker je n i=1 x i = n i=1 a i = A = 0, je x Φ.
44 V. Batagelj: Optimizacijske metode / 5. reševanje uporaba Lagrangeove prirejenosti b) A 0; postavimo a i x i = α ia. Tedaj iz enačbe P (x ) = A izhaja n i=1 α i = 1. Po drugi strani, če seštejemo predpostavljene enakosti, dobimo A n α i = n (α i A) = n (a i x i ) = A n x i i=1 i=1 i=1 i=1 Če naj bo x Φ, je n i=1 x i = 0; kar da končno zvezo n i=1 α i = 1. Iz obeh zvez izhaja α i 0, i = 1,..., n. Torej je Min(Φ, P ) = {x : x i = a i α i A, α i 0, n α i = 1} i=1
45 V. Batagelj: Optimizacijske metode / 5. reševanje 43 Numerični postopki Obstaja več postopkov za reševanje optimizacijskih nalog oblike (R n, P, Min) Ločijo se predvsem po tem, koliko upoštevajo lepe lastnosti kriterijske funkcije P. Osnovna delitev je tako na: postopki, ki uporabljajo samo funkcijske vrednosti: pokoordinatni spust, Hooke-Jeevesov postopek, Nelder-Meadov postopek; postopki, ki uporabljajo tudi prve odvode kriterijske funkcije: gradientni postopek; postopki, ki upoštevajo tudi druge odvode kriterijske funkcije: Davidon-Fletcher-Powellov postopek, Fletcher-Reevesov postopek.
46 V. Batagelj: Optimizacijske metode / 5. reševanje Numerični postopki Za probleme z omejitvami obstajata dva pristopa: premi postopki pazimo, da ne zapustimo množice dopustnih rešitev; linearizacija problema; prevedba na probleme brez omejitev: Lagrangeova dualnost, kazenske funkcije (v naslednjem razdelku); postopki za posebne vrste problemov: linearno programiranje, Marquardtov postopek za določanje parametrov po metodi najmanjših kvadratov.
47 V. Batagelj: Optimizacijske metode / 5. reševanje 45 Pokoordinatni spust izberi začetno točko x R n in koračni vektor h R n ; loop y := x; change := F ALSE; for i := 1 to n do begin z := y + he i ; if P (z) < P (y) then begin y := z; change := T RUE end else begin z := y he i ; if P (z) < P (y) then begin y := z; change := T RUE end end; end; if change then x := y; else begin if error(h) < epsilon then exit; h := h/q; end; end; Običajne vrednosti parametrov so q = 10 in epsilon =
48 V. Batagelj: Optimizacijske metode / 5. reševanje 46 Hooke-Jeevesov postopek Hooke-Jeevesov (1961) postopek je izboljšava pokoordinatnega spusta. Pri njem izkoristimo informacijo, ki smo jo nabrali v zadnjem koraku spusta, in se še poskusimo v dobljeni smeri premakniti kar se da daleč. Stavek x := y; nadomestimo s stavki d := y x; repeat x := y; y := y + d until P (y) P (x); Pravimo tudi, da v zanki for raziščemo okolico dane točke x, v dodatku pa napredujemo. Obstaja več izpopolnitev tega postopka, ki različno popravljajo korak v posamezni smeri.
49 V. Batagelj: Optimizacijske metode / 5. reševanje 47 Nelder-Meadov simpleksni postopek Prvo zamisel postopka so podali Spendley, Hext in Himsworth (1962). Precej sta ga izpopolnila Nelder in Mead (1965). Zelo dobro se obnese, če razsežnost naloge ni prevelika (do 6). Predpostavljamo, da je P (x) unimodalna na R n. x d x d x s x 0 x z x r x M x M x i x m x m določi začetne točke simpleksa S: x i R n, i = 1,..., n + 1; y i := P (x i ); i = 1,..., n + 1; while velikost(s) > ε do begin x M := najvišja točka v S; y M := P (x M ); x d := druga najvišja točka v S; y d := P (x d ); x m := najnižja točka v S; y m := P (x m ); x 0 := 1 n i M x i težišče S \ {x M };
50 V. Batagelj: Optimizacijske metode / 5. reševanje Nelder-Meadov simpleksni postopek ZRCALJENJE za α > 0: x z x 0 = α(x 0 x M ) oziroma x z := (1 + α)x 0 αx M ; y z = P (x z ); if y m y z < y d then begin x M := x z ; y M := y z end else if y z < y m then begin RAZTEG za γ > 1: x r x 0 = γ(x z x 0 ) oziroma x r := γx z + (1 γ)x 0 ; y r = P (x r ); if y r < y z then begin x M := x r ; y M := y r end else begin x M := x z ; y M := y z end else begin SKRČITEV za 0 < β < 1: x s x 0 = β(x M x 0 ) oziroma x s := βx M + (1 β)x 0 ; y s = P (x s ); if y s < y M then begin x M := x s ; y M := y s end else begin POMANJŠAMO simpleks S proti x m : x i := x m + σ(x i x m ); y i := P (x i ); za i m end end end; x := najnižja točka v S; y := P (x );
51 V. Batagelj: Optimizacijske metode / 5. reševanje 49 velikost(s) =... Nelder-Meadov simpleksni postopek 1 n+1 n+1 i=1 (y i y) 2, y = 1 n+1 n+1 i=1 y i začetne točke: dana x 1, x i+1 = x 1 + ke i, i = 1,..., n. običajne vrednosti parametrov so α = 1, β = σ = 0.5 in γ = 2.
52 V. Batagelj: Optimizacijske metode / 5. reševanje 50 Gradientni postopek Naj bo kriterijska funkcija P odvedljiva. Kako izbrati v pomiku x x+hs, h 0 enotski smerni vektor s tako, da bo padec vrednosti P največji? Vpeljimo funkcijo Q(s) = P (x + hs) P (x) = n i=1 P x i (x) hs i Tako dobimo optimizacijsko nalogo (Φ, Q, Min), kjer množico dopustnih rešitev sestavljajo vsi enotski vektorji Φ = {s R n : n i=1 s2 i = 1}. Pripadajoča Lagrangeova funkcija je n L(s, λ) = Q(s) + λ( s 2 i 1) = i=1 n i=1 P x i (x) hs i + λ( n s 2 i 1) i=1 kjer je λ R.
53 V. Batagelj: Optimizacijske metode / 5. reševanje 51 Od tu dobimo sistem enačb... Gradientni postopek L = h P (x) + 2λs i = 0, s i x i i = 1,..., n iz katerih izhaja s = h 2λ P (x) = α P (x), kar da n Q(s) = α ( P (x)) 2 x i i=1 Če ja bo Q(s) < 0, mora biti α > 0. Torej je smer največjega pada vrednosti kriterijske funkcije smer nasprotna njenemu gradientu. Ta ugotovitev je osnova gradientnega postopka izberi začetno točko x; repeat s := P (x); določi minimum y funkcije P (x) na premici x + λs; error := x y ; x := y; until error < epsilon;
54 V. Batagelj: Optimizacijske metode / 5. reševanje 52 Kazenske metode Vzemimo optimizacijsko nalogo (Φ, P, Min), kjer je Φ oblike Φ = {x Ω : P i (x) 0, i I} in naj bo funkcija k : R R določena s predpisom { 0 y 0 k(y) = y > 0 Postavimo za x Ω K(x) = i I k(p i (x)) in Q(x) = P (x) + K(x) { 0 x Φ Tedaj je K(x) = x / Φ Torej, če je Φ, je in dalje Q(x) = { P (x) x Φ x / Φ. (Φ, P, Min) (Ω, Q, Min)
55 V. Batagelj: Optimizacijske metode / 5. reševanje Kazenske metode Druga naloga je brez omejitev! No, kriterijska funkcija Q praviloma ne ohranja lepih lastnosti (npr. zveznosti), ki jih morda imajo funkcije P in P i, i I. Ali je mogoče zamisel popraviti tako, da ne izgubimo (vseh) lepih lastnosti funkcij P in P i, i I? V nekaterih primerih je odgovor pritrdilen. To lahko storimo celo na več načinov. Prve korake je naredil Courant (okrog 1943), podrobneje pa sta leta 1968 pristop razdelala Fiacco in McCormick. Nalogi (Φ, P, Min) priredimo družino nalog (Ω, Q(., r), Min) odvisnih od parametra r R +, za katero velja (Ω, Q(., r), Min) r (Ω, Q, Min) pri čemer imajo funkcije Q(., r), r R zahtevane lepe lastnosti.
56 V. Batagelj: Optimizacijske metode / 5. reševanje 54 Metoda zunanje točke Pri metodi zunanje točke izberemo za funkcijo k, na primer, { { 0 y 0 0 y 0 k(y) = ali k(y) = y y > 0 y 2 y > 0 in nato postavimo K(x, r) = r i I k(p i (x)) ter Q(x, r) = P (x) + K(x, r) Za f : Ω R označimo f + (x) = max(0, f(x)). Za funkcijo f + je mogoče pokazati IZREK 13 Naj bo f : R n R zvezno odvedljiva na R n. Tedaj je zvezno odvedljiva tudi funkcija g(x) = (f + (x)) 2 in velja za vsak x R n. g(x) x i = 2f + (x) f(x) x i
57 V. Batagelj: Optimizacijske metode / 5. reševanje 55 Courant-Beltramijeva kazenska funkcija Od tu neposredno izhaja: Če so kriterijska funkcija in omejitve naloge (Φ, P, Min), Φ R n zvezno odvedljive, je zvezno odvedljiva tudi zunanja kriterijska funkcija Q(x, r) = P (x) + r i I (P + i (x))2 Kazenski člen imenujemo tudi Courant-Beltramijeva kazenska funkcija. Zvezna odvedljivost funkcije Q(x, r) postane pomembna pri numeričnem reševanju nalog (Ω, Q(., r), Min), saj lahko uporabimo učinkovitejše postopke, ki temelje na odvodih.
58 V. Batagelj: Optimizacijske metode / 5. reševanje 56 Izrek o zunanjih kazenskih funkcijah O zvezi med nalogami (Ω, Q(., r), Min), r R + in nalogo (Φ, P, Min) je mogoče pokazati naslednji izrek: IZREK 14 Naj zunanja kazenska funkcije K(x, r) zadošča za vsak r R + in za vsak x Ω pogojem a. K(x, r) 0 b. K(x, r) = 0 x Φ c. K(x, r) je zvezna d. kriterijska funkcija P (x) je zvezna in je izpolnjen vsaj en od pogojev: d1. x P (x) d2. Φ je omejena množica in x K(x, r) Tedaj ima zaporedje x (r), r rešitev nalog (Ω, Q(., r), Min) vsaj eno stekališče in K(x (r), r) 0. Vsako stekališče zaporedja x (r) pripada množici Min(Φ, P ).
59 V. Batagelj: Optimizacijske metode / 5. reševanje 57 Postopek za zunanje kazenske funkcije Iz izreka izhaja naslednji postopek določanja rešitev naloge (Φ, P, Min): izberi začetni r (npr. r := 1); loop določi x (r) Min(Ω, Q(., r)) z izbranim postopkom reševanja nalog brez omejitev; if K(x (r), r) je dovolj majhna exit; povečaj r (npr. r := 10r) endloop
60 V. Batagelj: Optimizacijske metode / 5. reševanje 58 Metoda zunanje točke primer Prikažimo metodo zunanje točke na nalogi (Φ, P, Min) za Φ = {(x, y) R 2 : 3x 2y 4} P (x, y) = x 2 + y 2 Nalogi pripada zunanja kriterijska funkcija Q(x, y; r) = { x 2 + y 2 3x 2y 4 x 2 + y 2 + r(4 + 2y 3x) 2 3x 2y < 4 Določimo rešitev naloge (R 2, Q(., r), Min). V tem primeru lahko to naredimo analitično Q x Q y = 0 = 2x 6r(4 + 2y 3x) = 0 = 2y + 4r(4 + 2y 3x)
61 V. Batagelj: Optimizacijske metode / 5. reševanje Metoda zunanje točke primer oziroma, ko preuredimo (1 + 9r)x 6ry = 12r 6rx + (1 + 4r)y = 8r od koder dobimo x (r) = y (r) = 12r r = r 8r r = r Točke (x (r), y (r)) / Φ, saj je 3x (r) 2y (r) = 52r r = r < 4 Stekališče zaporedja (x (r), y (r)) pa je ( 12 13, 8 13 ) Φ. r x (r) y (r)
62 V. Batagelj: Optimizacijske metode / 5. reševanje 60 Metoda notranje točke Glavna slabost metode zunanje točke je, da se optimalnim točkam približujemo od zunaj zunaj množice dopustnih rešitev Φ. Fiacco in McCormick (1968) sta predlagala nov pristop, ki odpravlja tudi to slabost za naloge (Φ, P, Min), za katere je notranjost množice Φ IntΦ = {x Ω : P i (x) < 0, i I} neprazna. Točke, ki niso notranje, sestavljajo rob množice Φ Φ = Φ \ IntΦ Vpeljala sta zaprečno funkcijo B(x) = in kazensko kriterijsko funkcijo { i I 1 P i (x) x IntΦ sicer Q(x, t) = P (x) + tb(x), t 0
63 V. Batagelj: Optimizacijske metode / 5. reševanje Metoda notranje točke Za x IntΦ je B(x) 0. Funkcija Q(x, t) na IntΦ ohranja konveksnost in zveznost. Kasneje so si izmislili še druge zaprečne funkcije, kot je na primer { B(x) = i I ln( P i(x)) x IntΦ sicer Zopet je mogoče pokazati:
64 V. Batagelj: Optimizacijske metode / 5. reševanje Metoda notranje točke IZREK 15 Naj bo Φ zaprta množica, IntΦ in vsak x Φ je stekališče notranjih točk. Naj notranja kazenska funkcije B(x) zadošča pogojem a. B(x) 0, x IntΦ b. B(x) je zvezna na IntΦ c. x Φ B(x) d. kriterijska funkcija P (x) je zvezna in je izpolnjen vsaj en od pogojev d1. x P (x) d2. Φ je omejena množica Tedaj ima zaporedje x (t), t 0 rešitev nalog (Ω, Q(., t), Min) vsaj eno stekališče in tb(x (t)) 0. Vsako stekališče zaporedja x (t) pripada množici Min(Φ, P ).
65 V. Batagelj: Optimizacijske metode / 5. reševanje 63 Metoda notranje točke primer Metodo notranje točke si oglejmo na preprosti nalogi (Φ, P, Min) Φ = {x R : x 2} in P (x) = x Nalogi pripada notranja kriterijska funkcija Q(x; t) = x + t x 2 Rešitev naloge (R, Q(., t), Min) lahko določimo analitično Q x = 0 = 1 t (x 2) 2 t x (t) Q(x (t), t) od koder dobimo x(t) = 2 ± t oziroma x (t) = 2 + t Φ. Ker je 2 Q x 2 (x (t)) > 0, je v tej točki minimum. Stekališče zaporedja (x (t)), t 0 je točka 2 Φ.
'Kombinatoricna optimizacija / Lokalna optimizacija'
Kombinatorična optimizacija 3. Lokalna optimizacija Vladimir Batagelj FMF, matematika na vrhu različica: 15. november 2006 / 23 : 17 V. Batagelj: Kombinatorična optimizacija / 3. Lokalna optimizacija 1
Prikaži večresitve.dvi
FAKULTETA ZA STROJNISTVO Matematika 2. kolokvij. december 2 Ime in priimek: Vpisna st: Navodila Pazljivo preberite besedilo naloge, preden se lotite resevanja. Veljale bodo samo resitve na papirju, kjer
Prikaži večC:/Users/Matevž Èrepnjak/Dropbox/FKKT/testi in izpiti/ /IZPITI/FKKT-februar-14.dvi
Kemijska tehnologija, Kemija Bolonjski univerzitetni program Smer: KT K WolframA: DA NE Računski del izpita pri predmetu MATEMATIKA I 6. 2. 2014 Čas reševanja je 75 minut. Navodila: Pripravi osebni dokument.
Prikaži več5 SIMPLICIALNI KOMPLEKSI Definicija 5.1 Vektorji r 0,..., r k v R n so afino neodvisni, če so vektorji r 1 r 0, r 2 r 0,..., r k r 0 linearno neodvisn
5 SIMPLICIALNI KOMPLEKSI Definicija 5.1 Vektorji r 0,..., r k v R n so afino neodvisni, če so vektorji r 1 r 0, r 2 r 0,..., r k r 0 linearno neodvisni. Če so krajevni vektorji do točk a 0,..., a k v R
Prikaži večSlide 1
Vsak vektor na premici skozi izhodišče lahko zapišemo kot kjer je v smerni vektor premice in a poljubno število. r a v Vsak vektor na ravnini skozi izhodišče lahko zapišemo kot kjer sta v, v vektorja na
Prikaži večFGG13
10.8 Metoda zveznega nadaljevanja To je metoda za reševanje nelinearne enačbe f(x) = 0. Če je težko poiskati začetni približek (še posebno pri nelinearnih sistemih), si lahko pomagamo z uvedbo dodatnega
Prikaži večVaje: Matrike 1. Ugani rezultat, nato pa dokaži z indukcijo: (a) (b) [ ] n 1 1 ; n N 0 1 n ; n N Pokaži, da je množica x 0 y 0 x
Vaje: Matrike 1 Ugani rezultat, nato pa dokaži z indukcijo: (a) (b) [ ] n 1 1 ; n N n 1 1 0 1 ; n N 0 2 Pokaži, da je množica x 0 y 0 x y x + z ; x, y, z R y x z x vektorski podprostor v prostoru matrik
Prikaži več11. Navadne diferencialne enačbe Začetni problem prvega reda Iščemo funkcijo y(x), ki zadošča diferencialni enačbi y = f(x, y) in začetnemu pogo
11. Navadne diferencialne enačbe 11.1. Začetni problem prvega reda Iščemo funkcijo y(x), ki zadošča diferencialni enačbi y = f(x, y) in začetnemu pogoju y(x 0 ) = y 0, kjer je f dana dovolj gladka funkcija
Prikaži večBrownova kovariancna razdalja
Brownova kovariančna razdalja Nace Čebulj Fakulteta za matematiko in fiziko 8. januar 2015 Nova mera odvisnosti Motivacija in definicija S primerno izbiro funkcije uteži w(t, s) lahko definiramo mero odvisnosti
Prikaži večOsnove matematicne analize 2018/19
Osnove matematične analize 2018/19 Neža Mramor Kosta Fakulteta za računalništvo in informatiko Univerza v Ljubljani Funkcija je predpis, ki vsakemu elementu x iz definicijskega območja D f R priredi natanko
Prikaži večUNIVERZA V LJUBLJANI FAKULTETA ZA MATEMATIKO IN FIZIKO Katja Ciglar Analiza občutljivosti v Excel-u Seminarska naloga pri predmetu Optimizacija v fina
UNIVERZA V LJUBLJANI FAKULTETA ZA MATEMATIKO IN FIZIKO Katja Ciglar Analiza občutljivosti v Excel-u Seminarska naloga pri predmetu Optimizacija v financah Ljubljana, 2010 1. Klasični pristop k analizi
Prikaži večEKVITABILNE PARTICIJE IN TOEPLITZOVE MATRIKE Aleksandar Jurišić Politehnika Nova Gorica in IMFM Vipavska 13, p.p. 301, Nova Gorica Slovenija Štefko Mi
EKVITABILNE PARTICIJE IN TOEPLITZOVE MATRIKE Aleksandar Jurišić Politehnika Nova Gorica in IMFM Vipavska 13, p.p. 301, Nova Gorica Slovenija Štefko Miklavič 30. okt. 2003 Math. Subj. Class. (2000): 05E{20,
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 6. julij 2018 Navodila Pazljivo preberite be
Ime in priimek: Vpisna št: FAKULEA ZA MAEMAIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 6 julij 2018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Za pozitiven rezultat
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 31. avgust 2018 Navodila Pazljivo preberite
Ime in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 31 avgust 018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Za pozitiven
Prikaži večKazalo 1 DVOMESTNE RELACIJE Operacije z dvomestnimi relacijami Predstavitev relacij
Kazalo 1 DVOMESTNE RELACIJE 1 1.1 Operacije z dvomestnimi relacijami...................... 2 1.2 Predstavitev relacij............................... 3 1.3 Lastnosti relacij na dani množici (R X X)................
Prikaži večVrste
Matematika 1 17. - 24. november 2009 Funkcija, ki ni algebraična, se imenuje transcendentna funkcija. Podrobneje si bomo ogledali naslednje transcendentne funkcije: eksponentno, logaritemsko, kotne, ciklometrične,
Prikaži večUNIVERZA V MARIBORU FAKULTETA ZA KEMIJO IN KEMIJSKO TEHNOLOGIJO Petra Žigert Pleteršek MATEMATIKA III Maribor, september 2017
UNIVERZA V MARIBORU FAKULTETA ZA KEMIJO IN KEMIJSKO TEHNOLOGIJO Petra Žigert Pleteršek MATEMATIKA III Maribor, september 217 ii Kazalo Diferencialni račun vektorskih funkcij 1 1.1 Skalarne funkcije...........................
Prikaži večC:/Users/Matevž Èrepnjak/Dropbox/FKKT/TESTI-IZPITI-REZULTATI/ /Izpiti/FKKT-avgust-17.dvi
Vpisna številka Priimek, ime Smer: K KT WA Izpit pri predmetu MATEMATIKA I Računski del Ugasni in odstrani mobilni telefon. Uporaba knjig in zapiskov ni dovoljena. Dovoljeni pripomočki so: kemični svinčnik,
Prikaži večFAKULTETA ZA STROJNIŠTVO Matematika 2 Pisni izpit 9. junij 2005 Ime in priimek: Vpisna št: Zaporedna številka izpita: Navodila Pazljivo preberite bese
FAKULTETA ZA STROJNIŠTVO Matematika Pisni izpit 9. junij 005 Ime in priimek: Vpisna št: Zaporedna številka izpita: Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja. Veljale bodo
Prikaži večPoglavje 3 Reševanje nelinearnih enačb Na iskanje rešitve enačbe oblike f(x) = 0 (3.1) zelo pogosto naletimo pri reševanju tehničnih problemov. Pri te
Poglavje 3 Reševanje nelinearnih enačb Na iskanje rešitve enačbe oblike f(x) = 0 (3.1) zelo pogosto naletimo pri reševanju tehničnih problemov. Pri tem je lahko nelinearna funkcija f podana eksplicitno,
Prikaži večMatematika Diferencialne enačbe prvega reda (1) Reši diferencialne enačbe z ločljivimi spremenljivkami: (a) y = 2xy, (b) y tg x = y, (c) y = 2x(1 + y
Matematika Diferencialne enačbe prvega reda (1) Reši diferencialne enačbe z ločljivimi spremenljivkami: (a) y = 2xy, (b) y tg x = y, (c) y = 2x(1 + y 2 ). Rešitev: Diferencialna enačba ima ločljive spremenljivke,
Prikaži večMicrosoft Word - UP_Lekcija04_2014.docx
4. Zanka while Zanke pri programiranju uporabljamo, kadar moramo stavek ali skupino stavkov izvršiti večkrat zaporedoma. Namesto, da iste (ali podobne) stavke pišemo n-krat, jih napišemo samo enkrat in
Prikaži več2. izbirni test za MMO 2017 Ljubljana, 17. februar Naj bosta k 1 in k 2 dve krožnici s središčema O 1 in O 2, ki se sekata v dveh točkah, ter
2. izbirni test za MMO 2017 Ljubljana, 17. februar 2017 1. Naj bosta k 1 in k 2 dve krožnici s središčema O 1 in O 2, ki se sekata v dveh točkah, ter naj bo A eno od njunih presečišč. Ena od njunih skupnih
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost Pisni izpit 5. februar 2018 Navodila Pazljivo preberite
Ime in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost Pisni izpit 5 februar 018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Nalog je
Prikaži večOdvodFunkcijEne11.dvi
III. ODVODI FUNKCIJ ENE REALNE SPREMENLJIVKE 1. Odvajanje funkcij ene spremenljivke Odvajanje je ena najpomembnejši operacij na funkcija. Z uporabo odvoda, kadar le-ta obstaja, lako veliko bolje spoznamo
Prikaži večDiapozitiv 1
9. Funkcije 1 9. 1. F U N K C I J A m a i n () 9.2. D E F I N I C I J A F U N K C I J E 9.3. S T A V E K r e t u r n 9.4. K L I C F U N K C I J E I N P R E N O S P A R A M E T R O V 9.5. P R E K R I V
Prikaži večC:/Users/Matevž Èrepnjak/Dropbox/FKKT/TESTI-IZPITI-REZULTATI/ /Izpiti/FKKT-junij-17.dvi
Vpisna številka Priimek, ime Smer: K KT WA Izpit pri predmetu MATEMATIKA I Računski del Ugasni in odstrani mobilni telefon. Uporaba knjig in zapiskov ni dovoljena. Dovoljeni pripomočki so: kemični svinčnik,
Prikaži večMatematika II (UN) 2. kolokvij (7. junij 2013) RE ITVE Naloga 1 (25 to k) ƒasovna funkcija f je denirana za t [0, 2] in podana s spodnjim grafom. f t
Matematika II (UN) 2. kolokvij (7. junij 2013) RE ITVE Naloga 1 (25 to k) ƒasovna funkcija f je denirana za t [0, 2] in podana s spodnjim grafom. f t 0.5 1.5 2.0 t a.) Nari²ite tri grafe: graf (klasi ne)
Prikaži večRAČUNALNIŠKA ORODJA V MATEMATIKI
DEFINICIJA V PARAVOKOTNEM TRIKOTNIKU DEFINICIJA NA ENOTSKI KROŢNICI GRAFI IN LASTNOSTI SINUSA IN KOSINUSA POMEMBNEJŠE FORMULE Oznake: sinus kota x označujemo z oznako sin x, kosinus kota x označujemo z
Prikaži večUčinkovita izvedba algoritma Goldberg-Tarjan Teja Peklaj 26. februar Definicije Definicija 1 Naj bo (G, u, s, t) omrežje, f : E(G) R, za katero v
Učinkovita izvedba algoritma Goldberg-Tarjan Teja Peklaj 26. februar 2009 1 Definicije Definicija 1 Naj bo (G, u, s, t) omrežje, f : E(G) R, za katero velja 0 f(e) u(e) za e E(G). Za v V (G) definiramo presežek
Prikaži večNEKAJ VPRAŠANJ IZ MATEMATIKE 2 1. Katero točko evklidskega prostora R n imenujemo notranjo (zunanjo, robno) točko množice M R n? 2. Za poljubno množic
NEKAJ VPRAŠANJ IZ MATEMATIKE 2 1. Katero točko evklidskega prostora R n imenujemo notranjo (zunanjo, robno) točko množice M R n? 2. Za poljubno množico M R n evklidskega prostora R n definirajte množice
Prikaži več1. izbirni test za MMO 2018 Ljubljana, 16. december Naj bo n naravno število. Na mizi imamo n 2 okraskov n različnih barv in ni nujno, da imam
1. izbirni test za MMO 018 Ljubljana, 16. december 017 1. Naj bo n naravno število. Na mizi imamo n okraskov n različnih barv in ni nujno, da imamo enako število okraskov vsake barve. Dokaži, da se okraske
Prikaži večresitve.dvi
FAKULTETA ZA STROJNIŠTVO Matematika 4 Pisni izpit 3. februar Ime in priimek: Vpisna št: Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja. Veljale bodo samo rešitve na papirju, kjer
Prikaži več3. Metode, ki temeljijo na minimalnem ostanku Denimo, da smo z Arnoldijevim algoritmom zgenerirali ON bazo podprostora Krilova K k (A, r 0 ) in velja
3. Metode, ki temeljijo na minimalnem ostanku Denimo, da smo z Arnoldijevim algoritmom zgenerirali ON bazo podprostora Krilova K k (A, r 0 ) in velja AV k = V k H k + h k+1,k v k+1 e T k = V kh k+1,k.
Prikaži večDomače vaje iz LINEARNE ALGEBRE Marjeta Kramar Fijavž Fakulteta za gradbeništvo in geodezijo Univerze v Ljubljani 2007/08 Kazalo 1 Vektorji 2 2 Analit
Domače vaje iz LINEARNE ALGEBRE Marjeta Kramar Fijavž Fakulteta za gradbeništvo in geodezijo Univerze v Ljubljani 007/08 Kazalo Vektorji Analitična geometrija 7 Linearni prostori 0 4 Evklidski prostori
Prikaži večresitve.dvi
FAKULTETA ZA STROJNISTVO Matematika Pisni izpit. junij 22 Ime in priimek Vpisna st Navodila Pazljivo preberite besedilo naloge, preden se lotite resevanja. Veljale bodo samo resitve na papirju, kjer so
Prikaži večRavninski grafi Tina Malec 6. februar 2007 Predstavili bomo nekaj osnovnih dejstev o ravninskih grafih, pojem dualnega grafa (k danemu grafu) ter kako
Ravninski grafi Tina Malec 6. februar 2007 Predstavili bomo nekaj osnovnih dejstev o ravninskih grafih, pojem dualnega grafa (k danemu grafu) ter kako ugotoviti, ali je nek graf ravninski. 1 Osnovni pojmi
Prikaži večFGG02
6.6 Simetrični problem lastnih vrednosti Če je A = A T, potem so lastne vrednosti realne, matrika pa se da diagonalizirati. Schurova forma za simetrično matriko je diagonalna matrika. Lastne vrednosti
Prikaži več(Microsoft PowerPoint - vorsic ET 9.2 OES matri\350ne metode 2011.ppt [Compatibility Mode])
8.2 OBRATOVANJE ELEKTROENERGETSKEGA SISTEMA o Matrične metode v razreševanju el. omrežij Matrične enačbe električnih vezij Numerične metode za reševanje linearnih in nelinearnih enačb Sistem algebraičnih
Prikaži več6.1 Uvod 6 Igra Chomp Marko Repše, Chomp je nepristranska igra dveh igralcev s popolno informacijo na dvo (ali vec) dimenzionalnem prostoru
6.1 Uvod 6 Igra Chomp Marko Repše, 30.03.2009 Chomp je nepristranska igra dveh igralcev s popolno informacijo na dvo (ali vec) dimenzionalnem prostoru in na končni ali neskončni čokoladi. Igralca si izmenjujeta
Prikaži večUniverza v Mariboru Fakulteta za naravoslovje in matematiko Oddelek za matematiko in računalništvo Enopredmetna matematika IZPIT IZ VERJETNOSTI IN STA
Enopredmetna matematika IN STATISTIKE Maribor, 31. 01. 2012 1. Na voljo imamo kovanca tipa K 1 in K 2, katerih verjetnost, da pade grb, je p 1 in p 2. (a) Istočasno vržemo oba kovanca. Verjetnost, da je
Prikaži večMicrosoft PowerPoint _12_15-11_predavanje(1_00)-IR-pdf
uporaba for zanke i iz korak > 0 oblika zanke: for i iz : korak : ik NE i ik DA stavek1 stavek2 stavekn stavek1 stavek2 stavekn end i i + korak I&: P-XI/1/17 uporaba for zanke i iz korak < 0 oblika zanke:
Prikaži večC:/Users/Matevz/Dropbox/FKKT/TESTI-IZPITI-REZULTATI/ /Izpiti/FKKT-januar-februar-15.dvi
Kemijska tehnologija, Kemija Bolonjski univerzitetni program Smer: KT K WolframA: DA NE Čas reševanja je 75 minut. Navodila: Računski del izpita pri predmetu MATEMATIKA I Ugasni in odstrani mobilni telefon.
Prikaži večPOPOLNI KVADER
List za mlade matematike, fizike, astronome in računalnikarje ISSN 031-662 Letnik 18 (1990/1991) Številka 3 Strani 134 139 Edvard Kramar: POPOLNI KVADER Ključne besede: matematika, geometrija, kvader,
Prikaži večStatistika, Prakticna matematika, , izrocki
Srednje vrednosti Srednja vrednost...... številske spremenljivke X je tako število, s katerim skušamo kar najbolje naenkrat povzeti vrednosti na posameznih enotah: Polovica zaposlenih oseb ima bruto osebni
Prikaži večLaTeX slides
Linearni in nelinearni modeli Milena Kovač 22. december 2006 Biometrija 2006/2007 1 Linearni, pogojno linearni in nelinearni modeli Kriteriji za razdelitev: prvi parcialni odvodi po parametrih Linearni
Prikaži večOsnove teorije kopul in maksmin kopule
Fakulteta za matematiko in fiziko Univerze v Ljubljani Seminar Inštituta za biostatistiko in medicinsko informatiko 26. maj 25 Osnove teorije kopul Definicija kopule Definicija Funkcija C : A A 2 [, ],
Prikaži večZgledi:
a) za funkcijo f(x)= 1/3x 1 izračunaj ničlo, zapiši začetno vrednost in nariši graf (x=3, začetna vrednost: f(0)= 1, graf seka abscisno os v točki (3,0), ordinatno os pa v točki (0, 1)) b) nariši graf
Prikaži večLehmerjev algoritem za racunanje najvecjega skupnega delitelja
Univerza v Ljubljani Fakulteta za računalništvo in informatiko ter Fakulteta za Matematiko in Fiziko Mirjam Kolar Lehmerjev algoritem za računanje največjega skupnega delitelja DIPLOMSKO DELO NA INTERDISCIPLINARNEM
Prikaži večglava.dvi
Lastnosti verjetnosti 1. Za dogodka A in B velja: P(A B) = P(A) + P(B) P(A B) 2. Za dogodke A, B in C velja: P(A B C) = P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P(A B C) Kako lahko to pravilo posplošimo
Prikaži večČetrta vaja iz matematike 1 Andrej Perne Ljubljana, 2006/07 zaporedja Zaporedje je predpis, ki vsakemu n N priredi a n R. Monotonost zaporedij: Zapore
Četrta vaja iz matematike Adrej Pere Ljubljaa, 2006/07 zaporedja Zaporedje je predpis, ki vsakemu N priredi R. Mootoost zaporedij: Zaporedje { } je araščajoče, če je za vsak. Zaporedje { } je strogo araščajoče,
Prikaži večFGG14
Iterativne metode podprostorov Iterativne metode podprostorov uporabljamo za numerično reševanje linearnih sistemov ali računanje lastnih vrednosti problemov z velikimi razpršenimi matrikami, ki so prevelike,
Prikaži večRešene naloge iz Linearne Algebre
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO LABORATORIJ ZA MATEMATIČNE METODE V RAČUNALNIŠTVU IN INFORMATIKI Aleksandra Franc REŠENE NALOGE IZ LINEARNE ALGEBRE Študijsko gradivo Ljubljana
Prikaži večTuringov stroj in programiranje Barbara Strniša Opis in definicija Definirajmo nekaj oznak: Σ abeceda... končna neprazna množica simbolo
Turingov stroj in programiranje Barbara Strniša 12. 4. 2010 1 Opis in definicija Definirajmo nekaj oznak: Σ abeceda... končna neprazna množica simbolov (običajno Σ 2) Σ n = {s 1 s 2... s n ; s i Σ, i =
Prikaži večUvod v diferencialne enačbe, kompleksno in Fourierovo analizo Bojan Magajna Fakulteta za matematiko in fiziko, Univerza v Ljubljani
Uvod v diferencialne enačbe, kompleksno in Fourierovo analizo Bojan Magajna Fakulteta za matematiko in fiziko, Univerza v Ljubljani UVOD V DIFERENCIALNE ENAČBE, KOMPLEKSNO IN FOURIEROVO ANALIZO Povzetek
Prikaži večLinearna algebra - povzetek vsebine Peter Šemrl Jadranska 21, kabinet 4.10 Izpitni režim: Kolokviji in pisni izpiti so vsi s
Linearna algebra - povzetek vsebine Peter Šemrl Jadranska 21, kabinet 410 petersemrl@fmfuni-ljsi Izpitni režim: Kolokviji in pisni izpiti so vsi sestavljeni iz dveh delov: v prvem delu se rešujejo naloge,
Prikaži večUNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO Oddelek za matematiko in računalništvo DIPLOMSKO DELO Peter Škofič Maribor, 2014
UNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO Oddelek za matematiko in računalništvo DIPLOMSKO DELO Peter Škofič Maribor, 2014 UNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO
Prikaži večMrežni modeli polimernih verig Boštjan Jenčič 22. maj 2013 Eden preprostejših opisov polimerne verige je mrežni model, kjer lahko posamezni segmenti p
Mrežni modeli polimernih verig Boštjan Jenčič. maj 013 Eden preprostejših opisov polimerne verige je mrežni model, kjer lahko posameni segmenti polimera asedejo golj ogljišča v kvadratni (ali kubični v
Prikaži večPRIPRAVA NA 1. Š. N.: KVADRATNA FUNKCIJA IN KVADRATNA ENAČBA 1. Izračunaj presečišča parabole y=5 x x 8 s koordinatnima osema. R: 2 0, 8, 4,0,,0
PRIPRAVA NA 1. Š. N.: KVADRATNA FUNKCIJA IN KVADRATNA ENAČBA 1. Izračunaj presečišča parabole y=5 x +18 x 8 s koordinatnima osema. R: 0, 8, 4,0,,0 5. Zapiši enačbo kvadratne funkcije f (x )=3 x +1 x+8
Prikaži večANALITIČNA GEOMETRIJA V RAVNINI
3. Analitična geometrija v ravnini Osnovna ideja analitične geometrije je v tem, da vaskemu geometrijskemu objektu (točki, premici,...) pridružimo števila oz koordinate, ki ta objekt popolnoma popisujejo.
Prikaži večMatematika II (UN) 1. kolokvij (13. april 2012) RE ITVE Naloga 1 (25 to k) Dana je linearna preslikava s predpisom τ( x) = A x A 1 x, kjer je A
Matematika II (UN) 1 kolokvij (13 april 01) RE ITVE Naloga 1 (5 to k) Dana je linearna preslikava s predpisom τ( x) = A x A 1 x, kjer je 0 1 1 A = 1, 1 A 1 pa je inverzna matrika matrike A a) Poi² ite
Prikaži večM
Š i f r a k a n d i d a t a : Državni izpitni center *M16140111* Osnovna raven MATEMATIKA Izpitna pola 1 SPOMLADANSKI IZPITNI ROK Sobota, 4. junij 016 / 10 minut Dovoljeno gradivo in pripomočki: Kandidat
Prikaži večFunkcije in grafi
14 Funkcije in grafi Funkcije Zapisi funkcij Sorazmernost Obratna sorazmernost Potenčne funkcije Polinomske funkcije Druge funkcije Prileganje podatkom 14.1 Funkcije Spremenljivke Odvisnost spremenljivk
Prikaži večP181C10111
Š i f r a k a n d i d a t a : Državni izpitni center *P181C10111* SPOMLADANSKI IZPITNI ROK MATEMATIKA Izpitna pola Sobota, 9. junij 018 / 10 minut Dovoljeno gradivo in pripomočki: Kandidat prinese nalivno
Prikaži večNumeri na analiza - podiplomski ²tudij FGG doma e naloge - 1. skupina V prvem delu morate re²iti toliko nalog, da bo njihova skupna vsota vsaj 10 to k
Numeri na analiza - podiplomski ²tudij FGG doma e naloge -. skupina V prvem delu morate re²iti toliko nalog, da bo njihova skupna vsota vsaj 0 to k in da bo vsaj ena izmed njih vredna vsaj 4 to ke. Za
Prikaži večMatematika 2
Matematika 2 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 23. april 2014 Soda in liha Fourierjeva vrsta Opomba Pri razvoju sode periodične funkcije f v Fourierjevo vrsto v razvoju nastopajo
Prikaži večZveznostFunkcij11.dvi
II. LIMITA IN ZVEZNOST FUNKCIJ. Preslikave med množicami Funkcija ali preslikava med dvema množicama A in B je predpis f, ki vsakemu elementu x množice A priredi natanko določen element y množice B. Važno
Prikaži večRAM stroj Nataša Naglič 4. junij RAM RAM - random access machine Bralno pisalni, eno akumulatorski računalnik. Sestavljajo ga bralni in pisalni
RAM stroj Nataša Naglič 4. junij 2009 1 RAM RAM - random access machine Bralno pisalni, eno akumulatorski računalnik. Sestavljajo ga bralni in pisalni trak, pomnilnik ter program. Bralni trak- zaporedje
Prikaži večSTAVKI _5_
5. Stavki (Teoremi) Vsebina: Stavek superpozicije, stavek Thévenina in Nortona, maksimalna moč na bremenu (drugič), stavek Tellegena. 1. Stavek superpozicije Ta stavek določa, da lahko poljubno vezje sestavljeno
Prikaži večNaloge iz kolokvijev Analize 1 (z rešitvami) E-UNI, GING, TK-UNI FERI dr. Iztok Peterin Maribor 2009 V tej datoteki so zbrane naloge iz kolokvijev za
Naloge iz kolokvijev Analize (z rešitvami) E-UNI, GING, TK-UNI FERI dr. Iztok Peterin Maribor 2009 V tej datoteki so zbrane naloge iz kolokvijev za predmet Analiza na smereh E-UNI, GING in TK-UNI na Fakulteti
Prikaži večPoslovilno predavanje
Poslovilno predavanje Matematične teme z didaktiko Marko Razpet, Pedagoška fakulteta Ljubljana, 20. november 2014 1 / 32 Naše skupne ure Matematične tehnologije 2011/12 Funkcije več spremenljivk 2011/12
Prikaži večGeomInterp.dvi
Univerza v Ljubljani Fakulteta za matematiko in fiziko Seminar za Numerično analizo Geometrijska interpolacija z ravninskimi parametričnimi polinomskimi krivuljami Gašper Jaklič, Jernej Kozak, Marjeta
Prikaži večPoglavje 1 Plavajoča vejica Slika 1.1: Plavajoča vejica Zapis je oblike ( 1) o (1 + m)2 e 1023, mantisa je v normalizirani obliki, eksponent je podan
Poglavje Plavajoča vejica Slika : Plavajoča vejica Zapis je oblike ( ) o ( + m) e, mantisa je v normalizirani obliki, eksponent je podan z zamikom Več lahko najdete na tej strani Naloga Zapiši naslednja
Prikaži večDel 1 Limite
Del 1 Limite POGLAVJE 1 Zaporedja realnih števil 1. Osnovne lastnosti realnih števil Naravna števila označujemo z N, cela z Z, racionalna z Q in realna z R. Naravna števila so nastala iz potrebe po preštevanju.
Prikaži večrm.dvi
1 2 3 4 5 6 7 Ime, priimek Razred 14. DRŽAVNO TEKMOVANJE V RAZVEDRILNI MATEMATIKI NALOGE ZA PETI IN ŠESTI RAZRED OSNOVNE ŠOLE Čas reševanja nalog: 90 minut Točkovanje 1., 2., in 7. naloge je opisano v
Prikaži večIme in priimek
Polje v osi tokovne zanke Seminar pri predmetu Osnove Elektrotehnike II, VSŠ (Uporaba programskih orodij v elektrotehniki) Ime Priimek, vpisna številka, skupina Ljubljana,.. Kratka navodila: Seminar mora
Prikaži večMATLAB programiranje MATLAB... programski jezik in programersko okolje Zakaj Matlab? tipičen proceduralni jezik enostaven za uporabo hitro učenje prir
MATLAB programiranje MATLAB... programski jezik in programersko okolje Zakaj Matlab? tipičen proceduralni jezik enostaven za uporabo hitro učenje priročno programsko okolje tolmač interpreter (ne prevajalnik)
Prikaži večMicrosoft Word - Analiza rezultatov NPZ matematika 2018.docx
Analiza dosežkov pri predmetu matematika za NPZ 28 6. razred NPZ matematika 28 Dosežek šole Povprečno število točk v % Državno povprečje Povprečno število točk v % Odstopanje v % 49,55 52,52 2,97 Povprečni
Prikaži večresitve.dvi
FAKULTETA ZA STROJNIŠTVO Matematika 4 Pini izpit 2. januar 22 Ime in priimek: Vpina št: Navodila Pazljivo preberite beedilo naloge, preden e lotite reševanja. Veljale bodo amo rešitve na papirju, kjer
Prikaži večStrojna oprema
Asistenta: Mira Trebar, Miha Moškon UIKTNT 2 Uvod v programiranje Začeti moramo razmišljati algoritmično sestaviti recept = napisati algoritem Algoritem za uporabo poljubnega okenskega programa. UIKTNT
Prikaži večSrednja šola za oblikovanje
Srednja šola za oblikovanje Park mladih 8 2000 Maribor POKLICNA MATURA MATEMATIKA SEZNAM VPRAŠANJ ZA USTNI DEL NARAVNA IN CELA ŠTEVILA Opišite vrstni red računskih operacij v množici naravnih števil. Kakšen
Prikaži večP182C10111
Š i f r a k a n d i d a t a : Državni izpitni center *P18C10111* JESENSKI IZPITNI ROK MATEMATIKA Izpitna pola Ponedeljek, 7. avgust 018 / 10 minut Dovoljeno gradivo in pripomočki: Kandidat prinese nalivno
Prikaži več1 Diskretni naklju ni vektorji 1 1 Diskretni naklju ni vektorji 1. Dopolni tabelo tako, da bosta X in Y neodvisni. X Y x x x x x
1 Diskretni naklju ni vektorji 1 1 Diskretni naklju ni vektorji 1. Dopolni tabelo tako, da bosta X in Y neodvisni. X Y 0 1 2 1 1-1 x x 20 10 1 0 x x x 10 1 1 x x x 20 x x x 1 Dolo i ²e spremenljivko Z,
Prikaži večMicrosoft Word - Seštevamo stotice.doc
UČNA PRIPRAVA: MATEMATIKA UČNI SKLOP: Računske operacije UČNA TEMA: Seštevamo in odštevamo stotice Seštevamo stotice UČNE METODE: razlaga, prikazovanje, demonstracija, grafično in pisno delo UČNE OBLIKE:
Prikaži večDOMACA NALOGA - LABORATORIJSKE VAJE NALOGA 1 Dani sta kompleksni stevili z in z Kompleksno stevilo je definirano kot : z = a + b, a p
DOMACA NALOGA - LABORATORIJSKE VAJE NALOGA 1 Dani sta kompleksni stevili z 1 5 2 3 in z 2 3 8 5. Kompleksno stevilo je definirano kot : z = a + b, a predstavlja realno, b pa imaginarno komponento. z 1
Prikaži večpredstavitev fakultete za matematiko 2017 A
ZAKAJ ŠTUDIJ MATEMATIKE? Ker vam je všeč in vam gre dobro od rok! lepa, eksaktna veda, ki ne zastara matematičnoanalitično sklepanje je uporabno povsod matematiki so zaposljivi ZAKAJ V LJUBLJANI? najdaljša
Prikaži večBojan Kuzma ZBIRKA IZPITNIH VPRAŠANJ PRI PREDMETIH ANALIZA I IN ANALIZA II (Zbirka Izbrana poglavja iz matematike, št. 1) Urednica zbirke: Petruša Mih
Bojan Kuzma ZBIRKA IZPITNIH VPRAŠANJ PRI PREDMETIH ANALIZA I IN ANALIZA II (Zbirka Izbrana poglavja iz matematike, št. 1) Urednica zbirke: Petruša Miholič Izdala in založila: Knjižnica za tehniko, medicino
Prikaži večMicrosoft Word - M docx
Š i f r a k a n d i d a t a : Državni izpitni center *M17178111* SPOMLADANSKI IZPITNI ROK Izpitna pola 1 Četrtek, 1. junij 2017 / 90 minut Dovoljeno gradivo in pripomočki: Kandidat prinese nalivno pero
Prikaži več2. Model multiple regresije
2. Model multiple regresije doc. dr. Miroslav Verbič miroslav.verbic@ef.uni-lj.si www.miroslav-verbic.si Ljubljana, februar 2014 2.1 Populacijski regresijski model in regresijski model vzorčnih podatkov
Prikaži večCpE & ME 519
2D Transformacije Zakaj potrebujemo transformacije? Animacija Več instanc istega predmeta, variacije istega objekta na sceni Tvorba kompliciranih predmetov iz bolj preprostih Transformacije gledanja Kaj
Prikaži večMladi za napredek Maribora srečanje DOLŽINA»SPIRALE«Matematika Raziskovalna naloga Februar 2015
Mladi za napredek Maribora 015 3. srečanje DOLŽINA»SPIRALE«Matematika Raziskovalna naloga Februar 015 Kazalo 1. Povzetek...3. Uvod...4 3. Spirala 1...5 4. Spirala...6 5. Spirala 3...8 6. Pitagorejsko drevo...10
Prikaži večMatematika II (UNI) Izpit (23. avgust 2011) RE ITVE Naloga 1 (20 to k) Vektorja a = (0, 1, 1) in b = (1, 0, 1) oklepata trikotnik v prostoru. Izra una
Matematika II (UNI) Izpit (. avgust 11) RE ITVE Naloga 1 ( to k) Vektorja a = (, 1, 1) in b = (1,, 1) oklepata trikotnik v prostoru. Izra unajte: kot med vektorjema a in b, pravokotno projekcijo vektorja
Prikaži večPREDMETNI KURIKULUM ZA RAZVOJ METEMATIČNIH KOMPETENC
MATEMATIKA 1.razred OSNOVE PREDMETA POKAZATELJI ZNANJA SPRETNOSTI KOMPETENCE Naravna števila -pozna štiri osnovne računske operacije in njihove lastnosti, -izračuna številske izraze z uporabo štirih računskih
Prikaži več6.6 Simetrični problem lastnih vrednosti Če je A = A T, potem so lastne vrednosti realne, matrika pa se da diagonalizirati. Schurova forma za simetrič
6.6 Simetriči problem lastih vredosti Če je A = A T, potem so laste vredosti reale, matrika pa se da diagoalizirati. Schurova forma za simetričo matriko je diagoala matrika. Laste vredosti ozačimo tako,
Prikaži večNAVADNA (BIVARIATNA) LINEARNA REGRESIJA O regresijski analizi govorimo, kadar želimo opisati povezanost dveh numeričnih spremenljivk. Opravka imamo to
NAVADNA (BIVARIATNA) LINEARNA REGRESIJA O regresijski analizi govorimo, kadar želimo opisati povezanost dveh numeričnih spremenljivk. Opravka imamo torej s pari podatkov (x i,y i ), kjer so x i vrednosti
Prikaži večKotne in krožne funkcije Kotne funkcije v pravokotnem trikotniku β a c γ b α sin = a c cos = b c tan = a b cot = b a Sinus kota je razmerje kotu naspr
Kotne in krožne funkcije Kotne funkcije v pravokotnem trikotniku β a c γ b α sin = a c cos= b c tan = a b cot = b a Sinus kota je razmerje kotu nasprotne katete in hipotenuze. Kosinus kota je razmerje
Prikaži večOsnove verjetnosti in statistika
Osnove verjetnosti in statistika Gašper Fijavž Fakulteta za računalništvo in informatiko Univerza v Ljubljani Ljubljana, 26. februar 2010 Poskus in dogodek Kaj je poskus? Vržemo kovanec. Petkrat vržemo
Prikaži večUniverza na Primorskem FAMNIT, MFI Vrednotenje zavarovalnih produktov Seminarska naloga Naloge so sestavni del preverjanja znanja pri predmetu Vrednot
Univerza na Primorskem FAMNIT, MFI Vrednotenje zavarovalnih produktov Seminarska naloga Naloge so sestavni del preverjanja znanja pri predmetu Vrednotenje zavarovalnih produktov. Vsaka naloga je vredna
Prikaži večDN5(Kor).dvi
Koreni Število x, ki reši enačbo x n = a, imenujemo n-ti koren števila a in to označimo z n a. Pri tem je n naravno število, a pa poljubno realno število. x = n a x n = a. ( n a ) n = a. ( n a ) m = n
Prikaži več