Ime in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 31. avgust 2018 Navodila Pazljivo preberite
|
|
- Aleksander Košir
- pred 4 leti
- Pregledov:
Transkripcija
1 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 rezultat morate zbrati vsaj 5 točk od 100 možnih Veliko uspeha! Naloga a b c d 1 3 Skupaj REˇSITVE
2 1 5 Ljubiteljski kolesar Bernard vsak dan od ponedeljka do sobote z verjetnostjo 1/ prevozi 0, z verjetnostjo 1/ pa 5 km V nedeljo pa z verjetnostjo 3/ počiva, z verjetnostjo 1/ pa naredi izlet, na katerem prevozi 100 km Privzamemo, da so vse Bernardove odločitve neodvisne a 15 Čim natančneje izračunajte verjetnost, da v 1 tednih prevozi več kot 000 km Rešitev: Označimo z X kl število kilometrov, ki jih Bernard prevozi l-ti dan k- tega tedna od ponedeljka do sobote torej 0 ali 5, z N 1 pa število nedelj v prvih 1 tednih, ko Bernard naredi izlet V prvih 1 tednih Bernard prevozi S 1 := T N kilometrov, kjer je T 1 := 1 6 k=1 l=1 X kl Glede na to, da nedeljski kilometri izstopajo, se splača pogojevati na N, ki je porazdeljena binomsko Bin1, 1/ Velja torej 1 P S 1 > 000 = P N = n P S 1 > 000 N = n = n=0 1 = n=0 1 n 1 n 1 n 3 P T 1 > n slučajna spremenljivka T 1 pa je vsota velikega števila neodvisnih in enako porazdeljenih slučajnih spremenljivk, torej je po centralnem limitnem izreku porazdeljena približno normalno Ker je je približno EX kl = =,5, varx kl = 5 = 6,5, ET 1 = 1 6,5 = 160, vart 1 = 1 6 6,5 = 50, P S 1 > 000 = P S 1 > 00, n n=0 n 3 1 n [ ] 38,5 100n 1 Φ 50 Tabeliramo ustrezne normalne verjetnosti, zaokrožene na decimalke natančno: n Φ 38,5 100n 50 0,0000 0,0000 0,0000 0,0001 0,7953 1,0000 in vidimo, da je edina netrivialna normalna verjetnost pri n =, poleg tega pa še, da se bolj splača računati nasprotno verjetnost: P S n=0 1 n = 0, n 1 n ,07 Verjetnost, da Bernard v prvih 1 tednih prevozi več kot 000 km, je torej približno 0,311
3 Preprostejši način, ki tipično da manj natančen približek, pa bi bil, da bi zapisali S 1 = Y 1 + Y + + Y 1, kjer je Y k število kilometrov, ki jih Bernard prevozi v k-tem tednu Slučajne spremenljivke Y k so neodvisne in enako porazdeljene, jih je pa le 1, kar je malo Velja: EY k = 6, = 160, vary k = 6 6, = 191,5, ES 1 = = 190, vars 1 = 1 191,5 = 950, kar nam da približek P S 1 > 000 = P S 1 > 00,5 1 Φ Točen rezultat: 0, , = 0,930 b 10 Približno po koliko tednih postane verjetnost, da prevozi več kot 0000 km, večja od 95%? Rešitev: Tu uporabimo manj natančni približek iz prve točke Upoštevajoč ES n = 160 n in vars n = 191,5 n, nastavimo 000,5 160 n 1 Φ = 0,95 191,5 n oziroma 160 n 000,5 = Φ 1 0,95 191,5 n Če uvedemo u = n, dobimo rešitvi u 1 = 10,959 in u = 11,08 Prava je rešitev s pozitivnim korenom, ker je n po dogovoru nenegativno število Iz = 130,15 dobimo, da postane verjetnost večja od 95% po približno 131 tednih u V resnici je 131 tednov potrebnih in zadostnih: po 130 tednih verjetnost pride 0,98069, po 131 tednih pa 0,
4 5 Populacija velikosti N je za namene vzorčenja razdeljena na K podskupin velikosti M, tako da je N = KM Vzorec velikosti n izberemo tako, da najprej izberemo enostavni slučajni vzorec k izmed K skupin, v vsaki izbrani skupini pa izberemo enostavni slučajni vzorec m enot neodvisno do izbir na prvem koraku vzorčenja, tako da je n = km Populacijsko povprečje ocenimo z vzorčnim povprečjem Naj bo µ i populacijsko povprečje, σ i pa populacijska varianca v i-ti skupini za i = 1,,, K; µ naj bo populacijsko povprečje Označite Označite z X vzorčno povprečje σ b = 1 K µ i µ a 5 Utemeljite, da je vzorčno povprečje nepristranska cenilka populacijskega povprečja µ Rešitev: Če je x ij vrednost spremenljivke na j-ti enoti v i-ti skupini na populaciji, je populacijsko povprečje enako µ = 1 KM M x ij Nadalje, če z I i označimo indikator dogodka, da je i-ta skupina izbrana v vzorec, z I ij pa indikator dogodka, da je j-ta enota v i-ti skupini izbrana v vzorec, je vzorčno povprečje enako X = 1 km M x ij I i I ij Iz vzorčnega načrta sledi, da je EI i I ij = k K b 5 Definirajte Izračunajte { 1 če je i-ta podskupina izbrana I i = 0 sicer E X I1, I,, I K m, od koder sledi, da je E X = µ M in var X I1, I,, I K Rešitev: Predstavljamo si lahko, da najprej vzamemo vzorce iz vseh skupin, nakar upoštevamo le izbrane skupine Naj bo X i vzorčno povprečje v i-ti skupini Tedaj je X = 1 X i I i k Iz vzorčnega načrta sledi, da je X i neodvisen od I 1,, I K Iz standardne teorije vzorčenja dobimo E X i I 1,, I K = E X i = µ i, var X i I 1,, I K = var X i = M 1m σ i
5 Torej je tudi E X i I i I 1,, I K = µ i I i in var X i I i I 1,, I K = M 1m σ i I i Spet iz vzorčnega načrta sledi, da so slučajne spremenljivke X i I i I 1,, I K neodvisne Sledi pogojno na E X I 1,, I K = 1 k µ i I i in var X I 1,, I K = M 1m 1 k σi I i c 10 Naj bo X i vzorčno povprečje v i-ti skupini Izračunajte E X i I i in E X Rešitev: Iz vmesnih rezultatov prejšnje točke dobimo torej je E X i I i I1,, I K = E X i I1,, I K Ii = [ = var Xi I1,, I K + E Xi I 1,, I K ] I i = M 1m σ i + µ i I i, E X i I i = E E X i I i I1,, I K = k K Podobno iz rezultatov prejšnje točke dobimo M 1m σ i + µ i E X I1,, I K = var X I1,, I K + E X I1,, I K = 1 k M 1 Izračunajmo [ 1 ] E µ i I i = 1 K k k = 1 Kk = = σi I i + µ i µ j EI i I j µ i + k 1 KK 1k 1 k µ i I i 1 i,j K i j µ i µ j k 1 K µ i + K k KK 1k KK 1k Kk 1 kk 1 µ + K k KK 1k µ i µ i 5
6 Poberemo skupaj in dobimo E X = E E X I1,, I K = 1 Kk M 1m σi + Kk 1 kk 1 µ + K k KK 1k µ i d 5 Predlagajte nepristransko cenilko količine σ b Rešitev: Pišimo σ b = 1 K µ i µ To količino bomo znali nepristransko oceniti, če bomo znali nepristransko oceniti µ i in µ Kot osnova cenilke za µ i se ponuja opazljiva količina X i I i, a njena pričakovana vrednost se izraža še s σ i, kar pa znamo nepristransko oceniti Iz teorije vzorčenja namreč vemo, da bi bila količina M 1 Mm 1 M x ij X i I ij nepristranska cenilka za σ i, če bi bila opazljiva; tu si spet mislimo, da iz vsake skupine vzamemo podvzorec Opazljiva pa je količina M 1 Mm 1 M x ij X i I i I ij in iz vzorčnega načrta sledi, da ima le-ta pričakovano vrednost k K σ i Tako dobimo, da je σ i := K M 1 M x ij k Mm 1 X i I i I ij nepristranska cenilka za σ i Sledi, da je µ i := K k X i I i M 1m nepristranska cenilka za µ i Nadalje je kk 1 µ := X 1 σ i Kk 1 Kk M 1m K k µ i KK 1k kk 1 = X 1 σ i Kk 1 Kk M 1m K k X k i I i K 1 + K k σ i KK 1k M 1m = kk 1 Kk 1 X K k Kkk 1 X i I i 1 K σ i M 1m σ i 6
7 nepristranska cenilka za µ Iskana nepristranska cenilka za σ b pa je σ b := 1 K µ i µ = K 1 Kk 1 = K 1 K X i I i kk 1 Kk 1 X K 1 K 1 k 1 X i X 1 k Mmm 1 M 1m σ i M x ij X i I ij I i 7
8 3 5 Prepostavljajte, da so podatki x 1, x,, x n, y 1, y,, y n nastali kot med sabo neodvisne slučajne spremenljivke X 1,, X n, Y 1,, Y n z X k Nµ, σ in Y k Nµ, τ za k = 1,,, n Za cenilko parametra µ predlagamo Označite in ˆµ = X k=1 Y k Ȳ + Ȳ k=1 X k X k=1 X k X + k=1 Y k Ȳ U = V = k=1 Y k Ȳ n k=1 X k X + k=1 Y k Ȳ k=1 X k X k=1 X k X + k=1 Y k Ȳ a 5 Izračunajte E X U, V in EȲ U, V Je cenilka ˆµ nepristranska? Rešitev: Vemo, da so slučajne spremenljivke X, Ȳ, U in V med sabo neodvisne, torej je E X U, V = E X = µ in EȲ U, V = EȲ = µ Nadalje velja ˆµ = X U + Ȳ V, torej je Eˆµ = E X EU + EȲ EV = µ EU + EV Ker je U + V = 1, je tudi EU + EV = 1, zato je ˆµ nepristranska cenilka za µ b 5 Izračunajte varˆµ U, V Rešitev: Zaradi neodvisnosti je varˆµ U, V = var XU + Ȳ V U, V = U var X U, V + UV cov X, Ȳ U, V + V varȳ U, V = U var X + UV cov X, Ȳ + V varȳ = σ U n + τ V n c 5 Pokažite, da je varˆµ = σ n EU + τ n EV in sklepajte, da je vedno varˆµ σ + τ n Rešitev: Velja Iz prejšnje točke sledi varˆµ = E [ varˆµ U, V ] + var [ Eˆµ U, V ] E [ varˆµ U, V ] = σ n EU + τ n EV, 8
9 iz neodvisnosti pa dobimo Eˆµ U, V = U E X + V EȲ = U + V µ = µ, torej je var [ Eˆµ U, V ] = 0 Prva trditev je tako dokazana Druga trditev pa sledi iz dejstva, da je U 1 in posledično EU 1 ter podobno za EV d 10 Naj bo µ cenilka µ po metodi največjega verjetja Cenilke vam ni treba izračunati, navedite pa aproksimacijo standardne napake z uporabo Fisherjeve matrike Rešitev: Lahko si predstavljamo, da so podatki dobljeni kot neodvisni pari X 1, Y 1,, X n, Y n Fisherjevo informacijo je zato dovolj izračunati za n = 1 Za ta primer velja lµ, σ, τ x, y = log σ log τ logπ Prvi parcialni odvodi so x µ y µ σ τ l µ = x µ + y µ, σ τ drugi parcialni odvodi pa so l σ = 1 x µ +, σ σ 3 l τ = 1 τ + y µ, τ 3 l µ = 1 σ 1 τ, l µ σ l σ = 1 3x µ +, σ σ = x µ σ 3, l µ τ = y µ τ 3, l τ = 1 3y µ +, τ τ l σ τ = 0 Iz EX 1 = EY 1 = µ ter E [ X 1 µ ] = σ in E [ Y 1 µ ] = τ dobimo, da je Fisherjeva matrika za n = 1 enaka σ Iµ, σ, τ = τ 0 0 σ 0 0 τ Iz nje dobimo aproksimativno standardno napako se µ στ nσ + τ Opomba Morda se zdi, kot da je za izračun aproksimativne standardne napake dovolj izračunati pričakovano vrednost drugega parcialnega odvoda po µ, saj je [ aproksimativna standardna napaka enaka n E l µ, σ, τ X µ 1, Y 1 ] 1/ To pa ni vedno res Res je, če je Fisherjeva matrika diagonalna, kar se zgodi tudi v našem primeru Tega pa ne moremo vedeti vnaprej, zato je treba izračunati celo Fisherjevo matriko ali pa na določen način pokazati, da je diagonalna 9
10 0 Predpostavimo naslednji regresijski model: Y i1 = βx i1 + ɛ i, Y i = βx i + η i za i = 1,,, n Predpostavljamo, da so pari ɛ 1, η 1,, ɛ n, η n med sabo neodvisni in enako porazdeljeni z Eɛ i = Eη i = 0, varɛ i = varη i = σ in corrɛ i, η i = ρ Privzemite, da je ρ znan in ρ < 1 a 5 Oglejmo si cenilko ˆβ = Y i1x i1 + Y i x i x i1 + x i Je ta cenilka nepristranska? Izračunajte njeno standardno napako Rešitev: Da je cenilka nepristranska, sledi iz definicije in dejstva, da je EY ij = βx ij Za izračun variance pa cenilko zapišimo kot poseben primer cenilke oblike n ˆβ = a i Y i1 + b i Y i Iz neodvisnosti ter dejstva, da je vary i1 = vary i = σ in covy i1, Y i = ρσ, dobimo var ˆβ n n = vara i Y i1 + b i Y i = σ a i + ρa i b i + b i / V našem primeru je a i = x n / i1 x j1 + x j in b i = x n i x j1 + x j Dobimo var ˆβ = σ 1 n x i1 + x i + ρ x iy i x i1 + x i b 5 Enačbi lahko seštejemo in dobimo Y i1 + Y i = βx i1 + x i + ξ i, kjer je ξ i = ɛ i +η i Napake ξ 1,, ξ n so med sabo nekorelirane in velja Eξ i = 0 in varξ i = σ + ρ Parameter β lahko ocenimo kot ˆβ = Y i1 + Y i x i1 + x i x i1 + x i Je ta cenilka nepristranska? Izračunajte njeno standardno napako Rešitev: Tudi ta cenilka je nepristranska, kar se ponovno vidi neposredno iz definicije Za izračun variance pa si pomagamo z nastavkom iz točke a: tokrat je a i = b i = x i1 + x i / x j1 + x j Dobimo var ˆβ = 1 + ρσ x i1 + x i 10
11 c 5 Drugo enačbo lahko nadomestimo z zvezo Y i ρy i1 = β x i ρx i1 + η i ρɛ i Označimo Ỹ i = Y i ρy i1 in x i = x i ρx i1, parameter β pa ocenimo z ˆβ = Y i1x i1 + Ỹi x i x i1 + x i Je ta cenilka nepristranska? Izračunajte njeno standardno napako Rešitev: Tudi ta cenilka je nepristranska, kar se ponovno vidi neposredno iz definicije Za izračun variance si lahko tudi tokrat pomagamo z nastavkom iz točke a cenilka ustreza izbiri a i = b i = 1 x j1 + x j x i1 1 x j1 + x j x i = ρ x i = x ix i x jx j1x j + x j, x i ρx i1 x jx j1x j + x j Po krajšem računu dobimo var ˆβ = σ x ix i1x i + x i d 10 Katera od zgornjih cenilk ima po vašem mnenju najmanjšo standardno napako? Je cenilka z najmanjšo standardno napako tudi najboljša linearna nepristranska cenilka? Utemeljite vaš odgovor Rešitev: Pišimo Ỹi = β x i + η i, kjer je η i = η i ρɛ i Krajši račun pokaže, da je ta slučajna spremenljivka nekorelirana z ɛ i ter da je E η i = 0 in var η i = σ V primeru c so tako izpolnjeni pogoji izreka Gauss Markova Če postavimo x 11 Y 11 X := x n1 x 1, Ỹ := Y n1 Ỹ 1, x n Ỹ n 11
12 se cenilka iz točke c ujema z XT X 1 XỸ, torej je to najboljša linearna nepristranska cenilka na podlagi opaženih vrednosti Y 11,, Y n1 in Ỹ1, Ỹn Ta nabor opaženih vrednosti pa je v bijektivni linearni zvezi z izvirnim naborom Y 11,, Y n1 in Y 1,, Y n, zato gre v tem primeru tudi za najboljšo linearno nepristransko cenilko v izvirnem modelu, torej tudi za najboljšo izmed vseh treh predlaganih cenilk Opomba Pogoji izreka Gauss Markova so izpolnjeni tudi pri točki b, a za nabor opaženih vrednosti Y 11 + Y 1,, Y n1 + Y n Ta nabor pa ni v v bijektivni linearni zvezi z izvirnim naborom Y 11,, Y n1 in Y 1,, Y n Cenilka iz točke b je torej najboljša linearna nepristranska cenilka na podlagi opaženih vrednosti Y 11 + Y 1,, Y n1 + Y n, ni pa najboljša linearna nepristranska cenilka na podlagi izvirnega nabora, ki nudi več informacije 1
Ime 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 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 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 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 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 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 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 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 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 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 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 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 večresitve.dvi
FAKULTETA ZA STROJNIŠTVO Matematika 2. kolokvij 4. januar 212 Ime in priimek: Vpisna št: Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja. Veljale bodo samo rešitve na papirju, kjer
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 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 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 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 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 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 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 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 večVerjetnost in vzorčenje: teoretske porazdelitve standardne napake ocenjevanje parametrov as. dr. Nino RODE prof. dr. Blaž MESEC
Verjetnost in vzorčenje: teoretske porazdelitve standardne napake ocenjevanje parametrov as. dr. Nino RODE prof. dr. Blaž MESEC VERJETNOST osnovni pojmi Poskus: dejanje pri katerem je izid negotov met
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 večSlide 1
SLUČAJNE SPREMENLJIVKE Povezave med verjetnostjo P, porazdelitveno funcijo F in gostoto porazdelitve p. P F (x) =P( x) P(a b)=f (b)-f (a) F p Slučajna spremenljiva ima gostoto p. Kašno gostoto ima Y=+l?
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 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 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 več3. Preizkušanje domnev
3. Preizkušanje domnev doc. dr. Miroslav Verbič miroslav.verbic@ef.uni-lj.si www.miroslav-verbic.si Ljubljana, februar 2014 3.1 Izračunavanje intervala zaupanja za vrednosti regresijskih koeficientov Motivacija
Prikaži večMicrosoft Word - SI_vaja5.doc
Univerza v Ljubljani, Zdravstvena fakulteta Sanitarno inženirstvo Statistika Inštitut za biostatistiko in medicinsko informatiko Š.l. 2011/2012, 3. letnik (1. stopnja), Vaja 5 Naloge 1. del: t test za
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 večMicrosoft Word - SI_vaja1.doc
Univerza v Ljubljani, Zdravstvena fakulteta Sanitarno inženirstvo Statistika Inštitut za biostatistiko in medicinsko informatiko Š.l. 2011/2012, 3. letnik (1. stopnja), Vaja 1 Naloge 1. del: Opisna statistika
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 večOsnove verjetnostne metode doc. dr. R. Škrekovski Oddelek za Matematiko Fakulteta za Matematiko in Fiziko Univerza v Ljubljani
Osnove verjetnostne metode doc. dr. R. Škrekovski Oddelek za Matematiko Fakulteta za Matematiko in Fiziko Univerza v Ljubljani naslov: Osnove verjetnostne metode avtorske pravice: dr. Riste Škrekovski
Prikaži večOsnove statistike v fizični geografiji 2
Osnove statistike v geografiji - Metodologija geografskega raziskovanja - dr. Gregor Kovačič, doc. Bivariantna analiza Lastnosti so med sabo odvisne (vzročnoposledično povezane), kadar ena lastnost (spremenljivka
Prikaži večUM FKKT, Bolonjski visoko²olski program Kemijska tehnologija Vpisna ²tevilka Priimek, ime 3. test pri predmetu MATEMATIKA II Ra unski del
UM FKKT, Bolonjski visoko²olski program Kemijska tehnologija Vpisna ²tevilka Priimek, ime 3. test pri predmetu MATEMATIKA II Ra unski del 13. 6. 2016 Navodila: Pripravi osebni dokument. Ugasni in odstrani
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 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 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 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 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 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 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 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 večENV2:
. Kazalo. KAZALO.... UVOD... 3. ANALIZA POPULACIJE DRŽAV EU...5 4. VSEBINSKE UGOTOVITVE...8 5. LITERATURA... . Uvod Vir podatkov za izdelavo statistične naloge je Eurostat ali Statistični urad Evropske
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 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 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 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 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 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 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 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 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 več4. tema pri predmetu Računalniška orodja v fiziki Ljubljana, Grafi II Jure Senčar
4. tema pri predmetu Računalniška orodja v fiziki Ljubljana, 6.4.29 Grafi II Jure Senčar Relativna sila krčenja - F/Fmax [%]. Naloga Nalogo sem delal v Excelu. Ta ima vgrajeno funkcijo, ki nam vrne logaritemsko
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 večELEKTRIČNI NIHAJNI KROG TEORIJA Električni nihajni krog je električno vezje, ki služi za generacijo visokofrekvenče izmenične napetosti. V osnovi je "
ELEKTRIČNI NIHAJNI KROG TEORIJA Električni nihajni krog je električno vezje, ki služi za generacijo visokofrekvenče izmenične napetosti. V osnovi je "električno" nihalo, sestavljeno iz vzporedne vezave
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 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 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 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 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 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 večPoskusi s kondenzatorji
Poskusi s kondenzatorji Samo Lasič, Fakulteta za Matematiko in Fiziko, Oddelek za fiziko, Ljubljana Povzetek Opisani so nekateri poskusi s kondenzatorji, ki smo jih izvedli z merilnim vmesnikom LabPro.
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 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 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 večTeorija kodiranja in kriptografija 2013/ AES
Teorija kodiranja in kriptografija 23/24 AES Arjana Žitnik Univerza v Ljubljani, Fakulteta za matematiko in fiziko Ljubljana, 8. 3. 24 AES - zgodovina Septembra 997 je NIST objavil natečaj za izbor nove
Prikaži večPowerPoint Presentation
Integral rešujemo nalogo: Dana je funkcija f. Najdimo funkcijo F, katere odvod je enak f. Če je F ()=f() pravimo, da je F() primitivna funkcija za funkcijo f(). Primeri: f ( ) = cos f ( ) = sin f () =
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 večMicrosoft PowerPoint - p_TK_inzeniring_1_dan_v5_shortTS.ppt [Compatibility Mode]
Telekomunikacijski inženiring dr. Iztok Humar Vsebina Značilnosti TK prometa, preprosti modeli, uporaba Uvod Značilnosti telekomunikacijskega prometa Modeliranje vodovno komutiranih zvez Erlang B Erlang
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 večBiometrija 1 Poglavje 1 PORAZDELITVE NAKLJUČNIH SPREMENLJIVK Porazdelitve nam predstavljajo pogostnost posameznih vrednosti. Predstavimo jih lahko s š
Biometrija 1 Poglavje 1 PORAZDELITVE NAKLJUČNIH SPREMENLJIVK Porazdelitve nam predstavljajo pogostnost posameznih vrednosti. Predstavimo jih lahko s številom posameznih vrednosti (dogodkov) ali z deleži
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 večMicrosoft Word - N _moderacija.docx
2 N151-401-2-2 SPLOŠNA NAVODILA Prosimo, da moderirano različico navodil za vrednotenje dosledno upoštevate. Če učenec pravilno reši nalogo na svoj način (ki je matematično korekten) in je to razvidno
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 večLaTeX slides
Statistični modeli - interakcija - Milena Kovač 23. november 2007 Biometrija 2007/08 1 Število živorojenih pujskov Biometrija 2007/08 2 Sestavimo model! Vplivi: leto, farma Odvisna spremenljivka: število
Prikaži večMicrosoft Word - M docx
Š i f r a k a n d i d a t a : Državni izpitni center *M15245112* JESENSKI IZPITNI ROK Izpitna pola 2 / 90 minut Dovoljeno gradivo in pripomočki: Kandidat prinese nalivno pero ali kemični svinčnik in računalo.
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 večUniverza v Ljubljani Fakulteta za elektrotehniko Kristjan Ažman Identifikacija dinamičnih sistemov z Gaussovimi procesi z vključenimi linearnimi model
Univerza v Ljubljani Fakulteta za elektrotehniko Kristjan Ažman Identifikacija dinamičnih sistemov z Gaussovimi procesi z vključenimi linearnimi modeli Magistrsko delo Mentor: prof. dr. Juš Kocijan V Ljubljani,
Prikaži več(Microsoft Word - 3. Pogre\232ki in negotovost-c.doc)
3.4 Merilna negotovost Merilna negotovost je parameter, ki pripada merilnem rezltat. Označje razpršenost vrednosti, ki jih je mogoče z določeno verjetnostjo pripisati merjeni veličini. Navaja kakovost
Prikaži večVST: 1. kviz
jsmath Učilnica / VST / Kvizi / 1. kviz / Pregled poskusa 1 1. kviz Pregled poskusa 1 Končaj pregled Začeto dne nedelja, 25. oktober 2009, 14:17 Dokončano dne nedelja, 25. oktober 2009, 21:39 Porabljeni
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 več2
REPUBLIKA SLOVENIJA LETNO POROČILO O KAKOVOSTI ZA RAZISKOVANJE Izdatki za varstvo okolja (OKI) ZA LETO 2006 Poročilo pripravila: Danica Bizjak in Boro Nikić Datum: oktober 2008 1/9 Kazalo 0 Osnovni podatki...
Prikaži večMicrosoft Word - ELEKTROTEHNIKA2_ junij 2013_pola1 in 2
Šifra kandidata: Srednja elektro šola in tehniška gimnazija ELEKTROTEHNIKA PISNA IZPITNA POLA 1 12. junij 2013 Čas pisanja 40 minut Dovoljeno dodatno gradivo in pripomočki: Kandidat prinese nalivno pero
Prikaži večPrimer 1: Analiziramo produkcijske funkcije za podjetja industrijske dejavnosti v RS v podskupini DL Proizvodnja računalnikov in druge opreme za
Primer 1: Analiziramo produkcijske funkcije za podjetja industrijske dejavnosti v RS v podskupini DL 30.02 Proizvodnja računalnikov in druge opreme za obdelavo podatkov na podlagi podatkov iz zaključnih
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 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 večNumerika
20 Numerika Računalniki Koreni enačb Sistem linearnih enačb Odvajanje Integriranje Spektralna analiza Enačba rasti Enačba gibanja Advekcijska enačba Valovna enačba Difuzijska enačba Potencialna enačba
Prikaži večPosebne funkcije
10 Posebne funkcije Posebne funkcije Geometrijska vrsta Binomska vrsta Eksponentna funkcija Logaritemska funkcija Kotne funkcije Kotne tabele Grafi kotnih funkcij Obratne kotne funkcije 10.1 Posebne funkcije
Prikaži več'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 večPopravki nalog: Numerična analiza - podiplomski študij FGG : popravljena naloga : popravljena naloga 14 domače naloge - 2. skupina
Popravki nalog: Numerična analiza - podiplomski študij FGG 9.8.24: popravljena naloga 4 3..25: popravljena naloga 4 domače naloge - 2. skupina V drugem delu morate rešiti toliko nalog, da bo njihova skupna
Prikaži večUniverza v Ljubljani Fakulteta za matematiko in fiziko Verjetnost v fiziki 2012/13 tutorstvo #1 Kombinatorika Avtorja: Peter Ferjančič, Boštjan Kokot
Univerza v Ljubljani Fakulteta za matematiko in fiziko Verjetnost v fiziki 2012/13 tutorstvo #1 Kombinatorika Avtorja: Peter Ferjančič, Boštjan Kokot Mentor: izr. prof. dr. Simon Širca 4. oktober 2012
Prikaži večKein Folientitel
Eksperimentalno modeliranje Se imenuje tudi: y = f x; β + ε - system identification, - statistical modeling, - parametric modeling, - nonparametric modeling, - machine learning, - empiric modeling - itd.
Prikaži več4.Racionalna števila Ulomek je zapis oblike. Sestavljen je iz števila a (a ), ki ga imenujemo števec, in iz števila b (b, b 0), ki ga imenujemo imenov
4.Racionalna števila Ulomek je zapis oblike. Sestavljen je iz števila a (a ), ki ga imenujemo števec, in iz števila b (b, b 0), ki ga imenujemo imenovalec, ter iz ulomkove črte. Racionalna števila so števila,
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 večMERE SREDNJE VREDNOSTI
OPIS PODATKOV ENE SPREMENLJIVKE frekvenčne porazdelitve in mere srednje vrednosti as. dr. Nino RODE Uni-Lj. Fakulteta za socialno delo O ČEM BOMO GOVORILI NAMEN OPISNE STATISTIKE Kako opisati podatke OPIS
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 večPowerPoint Presentation
RAK: P-II//9 NUMERIČNI MODE esatno reševanje: reševanje dierencialni enačb aprosimativno reševanje: metoda ončni razli (MKR) inite dierence metod (FDM) metoda ončni elementov (MKE) inite element metod
Prikaži večREŠENE NALOGE IZ VERJETNOSTI IN STATISTIKE Martin Raič Datum zadnje spremembe: 11. junij 2019
REŠENE NALOGE IZ VERJETNOSTI IN STATISTIKE Martin Raič Datum zadnje spremembe: junij 209 Kazalo Osnove kombinatorike 3 2 Elementarna verjetnost 5 3 Pogojna verjetnost 0 4 Slučajne spremenljivke 7 5 Slučajni
Prikaži več