2. Model multiple regresije
|
|
- Žan Krajnc
- pred 4 leti
- Pregledov:
Transkripcija
1 2. Model multiple regresije doc. dr. Miroslav Verbič Ljubljana, februar 2014
2 2.1 Populacijski regresijski model in regresijski model vzorčnih podatkov
3 Modeli in spremenljivke 2/77
4 Označevanje spremenljivk 3/77
5 Populacijski regresijski model 4/77
6 Populacijski regresijski model 5/77
7 Populacijski regresijski model Razlogi za vključevanje u i : Najprej je to nadomestilo za vse tiste spremenljivke, ki vplivajo na odvisno spremenljivko, pa niso vključene med pojasnjevalne spremenljivke (navedimo jih nekaj za naš primer). Pogosto je temu vzrok tudi pomanjkljiva ali nedorečena ekonomska teorija. Tudi če so nekatere spremenljivke sprejete in spoznane kot pomembne pojasnjevalne spremenljivke, jih pri specifikaciji modela ne moremo upoštevati, ker jih je težko številčno izraziti ali pa zanje dobiti podatke (npr. okus ali navade; v našem primeru denimo idiosinkratično znanje"). Če obstaja velika verjetnost, da je skupni učinek večine zanemarjenih pojasnjevalnih spremenljivk majhen in nepomemben in predvsem nesistematičen, potem lahko te vplive obravnavamo kot naključne in tedaj moramo v model vključiti spremenljivko u. 6/77
8 Populacijski regresijski model Tudi če bi uspeli pri specifikaciji modela upoštevati vse relevantne pojasnjevalne spremenljivke, bi še vedno ostali določeni naključni elementi (lahko rečemo pravi slučajni vplivi) pri vrednostih odvisne spremenljivke. Čeprav klasični regresijski model predpostavlja, da so vrednosti spremenljivk izmerjene oziroma ugotovljene brez napak, v praksi pogosto to ne velja. Pri specifikaciji regresijskega modela naj bi se držali znanega pravila, ki pravi, da naj ima preprostejši model vedno prednost pred zapletenejšim vse dotlej, dokler se ne dokaže, da je zaradi tega neustrezen (t.i. načelo Occamove britve). 7/77
9 Populacijski regresijski model 8/77
10 Populacijski regresijski model 9/77
11 Vzorčni regresijski model 10/77
12 Vzorčni regresijski model 11/77
13 2.2 Ocenjevanje populacijskega regresijskega modela in metoda najmanjših kvadratov
14 Motivacija 13/77
15 Ocenjevanje PRM 14/77
16 Ocenjevanje PRM 15/77
17 Ocenjevanje PRM 16/77
18 Metoda najmanjših kvadratov 17/77
19 Metoda najmanjših kvadratov 18/77
20 Metoda najmanjših kvadratov 19/77
21 Značilnosti metode najmanjših kvadratov 20/77
22 Grafična ponazoritev MNKVD 21/77
23 2.3 Predpostavke metode najmanjših kvadratov
24 1. predpostavka PRM Linearnost regresijskega modela: y i = β 1 + β 2 x i + u i 23/77
25 2. predpostavka PRM Fiksne (nestohastične) vrednosti pojasnjevalnih spremenljivk pri ponovitvah vzorcev: POGOJNA REGRESIJSKA ANALIZA 24/77
26 3. predpostavka PRM Ničelna povprečna vrednost u i : Eu ( x,..., x ) = 0 ali na kratko Eu ( ) = 0; i 2i ki i v tem primeru velja: E( y x,..., x ) = β + β x β x. i 2i ki 1 2 2i k ki 25/77
27 3. predpostavka PRM 26/77
28 4. predpostavka PRM 27/77
29 4. predpostavka PRM 28/77
30 5. predpostavka PRM Odsotnost avtokorelacije: Cov( u, u x, x ) = 0; i j i j i j 29/77
31 5. predpostavka PRM 30/77
32 6. predpostavka PRM Nekoreliranost med pojasnjevalnimi spremenljivkami in slučajno spremenljivko u: Cov( x, u) = Cov( x, u) =... = Cov( x, u) = k 31/77
33 7. predpostavka PRM Število opazovanj mora presegati število ocenjenih parametrov oziroma pojasnjevalnih spremenljivk: n > k 32/77
34 8. predpostavka PRM Variabilnost vrednosti pojasnjevalnih spremenljivk: var(x) je končno pozitivno število 33/77
35 9. predpostavka PRM Regresijski model je pravilno specificiran: vključene vse relevantne pojasnjevalne spremenljivke izbrana ustrezna funkcijska oblika modela 34/77
36 9. predpostavka PRM 35/77
37 9. predpostavka PRM 36/77
38 10. predpostavka PRM Odsotnost popolne multikolinearnosti: med pojasnjevalnimi spremenljivkami ne obstaja popolna linearna odvisnost oblike: λ x λ x + + x = λ k k 37/77
39 10. predpostavka PRM 38/77
40 Operacionalizacija PRM 39/77
41 2.4 Vzorčne značilnosti in lastnosti metode najmanjših kvadratov
42 Motivacija Z metodo najmanjših kvadratov dobljene ocene regresijskih koeficientov so slučajne spremenljivke. Kako ugotoviti njihovo povprečno vrednost, varianco, kovariance in verjetnostno porazdelitev? Metoda najmanjših kvadratov je le ena od možnih cenilk regresijskih koeficientov. Kako dobra je izbrana cenilka v primerjavi z ostalimi možnimi metodami? Kako je z zanesljivostjo ocen regresijskih koeficientov? Kako dobre so ocene, ki smo jih dobili na podlagi le enega vzorca? 41/77
43 Vzorčne značilnosti MNKVD 42/77
44 Vzorčne značilnosti MNKVD 43/77
45 Vzorčne značilnosti MNKVD 44/77
46 Vzorčne značilnosti MNKVD 45/77
47 Vzorčne značilnosti MNKVD 46/77
48 Gauss Markov teorem 47/77
49 Monte Carlo eksperimenti 48/77
50 Monte Carlo eksperimenti 49/77
51 Cenilka variance slučajne spremenljivke u 50/77
52 Cenilka var-cov matrike b 51/77
53 Porazdelitev ocen regr. koeficientov 52/77
54 Porazdelitev ocen regr. koeficientov 53/77
55 Porazdelitev ocen regr. koeficientov 54/77
56 Porazdelitev ocen regr. koeficientov 55/77
57 2.5 Mere primernosti oziroma zanesljivosti regresijskega modela
58 Standardna napaka ocene regresije 57/77
59 Analiza variance (ANOVA) Dekompozicija vsote kvadratov (VK) [angl. sum of squares SS]: SVK = PVK + NVK ( ) n 2 n i= 1 i i= 1 i yy SVK = y y = y ny = ny n ( ) 2 n 2 PVK = y ˆˆ i y = yi ny = yy ny i= 1 i= 1 PVK = bxy ny = yxb ny n ( ) 2 n 2 NVK = y ˆˆ i yi = e i = ee= yy yy i= 1 i= 1 58/77
60 Determinacijski koeficient 59/77
61 Determinacijski koeficient 60/77
62 Determinacijski koeficient Slabosti determinacijskega in popravljenega determinacijskega koeficienta: visoka vrednost determinacijskega koeficienta še ne pomeni, da smo v model vključili prave pojasnjevalne spremenljivke; vrednosti determinacijskih koeficientov niso primerljive med modeli z različno definirano odvisno spremenljivko; vrednosti determinacijskih koeficientov so v splošnem večje pri modelih časovnih vrst kot pri modelih presečnih podatkov; nizka vrednost determinacijskega koeficienta ne pomeni, da model ne vključuje pravih, pomembnih pojasnjevalnih spremenljivk. 61/77
63 Testiranje modela kot celote Testiranje statistične značilnosti regresijskega modela kot celote: R. A. Fisher je leta ugotovil, da se razmerje med pojasnjeno in nepojasnjeno varianco, ob upoštevanju stopinj prostosti, porazdeljuje v posebni porazdelitvi, po njem imenovani F porazdelitvi. 62/77
64 Testiranje modela kot celote 63/77
65 Testiranje modela kot celote 64/77
66 Testiranje modela kot celote 65/77
67 Funkcija verjetja in informacijski kriteriji 66/77
68 2.6 Razlaga regresijskih koeficientov
69 Predstavitev rezultatov ocenjevanja 68/77
70 Izpis rezultatov v programskem paketu Izpis rezultatov ocenjevanja regresijskega modela linearne produkcijske funkcije. regress q l k Source SS df MS Number of obs = F( 2, 78) = Model e e+12 Prob > F = Residual e e+10 R-squared = Adj R-squared = Total e e+11 Root MSE = 2.6e q Coef. Std. Err. t P> t [95% Conf. Interval] l k _cons /77
71 Izpis rezultatov v programskem paketu Izpis rezultatov ocenjevanja regresijskega modela linearizirane Cobb-Douglasove produkcijske funkcije. regress lq ll lk Source SS df MS Number of obs = F( 2, 78) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = lq Coef. Std. Err. t P> t [95% Conf. Interval] ll lk _cons /77
72 Definicija regresijskega koeficienta 71/77
73 Definicija regresijskega koeficienta 72/77
74 Dekompozicija skupnih vplivov 73/77
75 Dekompozicija skupnih vplivov 74/77
76 Frisch Waugh ( Lovell) teorem 75/77
77 Frisch Waugh ( Lovell) teorem 76/77
78 Frisch Waugh ( Lovell) teorem 77/77
79 2. Model multiple regresije doc. dr. Miroslav Verbič Ljubljana, februar 2014
3. 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 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 večPrimer 1: V vzorec smo izbrali 35 evropskih držav in zanje pridobili naslednje podatke (datoteka tobak.dta): odstotek prebivalcev, starejših od 65 let
Primer 1: V vzorec smo izbrali 35 evropskih držav in zanje pridobili naslednje podatke (datoteka tobak.dta): odstotek prebivalcev, starejših od 65 let (STAR); poraba cigaret na prebivalca (TOBAK; izražena
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 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 večEnajste vaje
Ekonometrija 1 Enajste vaje: Konstantnost variance slučajne spremenljivke in heteroskedastičnost. Odsotnost koreliranosti slučajne spremenljivke in avtokorelacija. Na enajstih vajah bomo nadaljevali z
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 večOsme vaje
Ekonometrja 1 Osme vaje: Vplv lnearnh transformacj spremenljvk na ocene parametrov regresjske funkcje. Napovedovanje povprečne n posamčne vrednost odvsne spremenljvke. Na osmh vajah bomo nadaljeval s proučevanjem
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 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 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 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 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 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 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 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 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 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 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 večMicrosoft Word - strakl-jana.doc
UNIVERZA V LJUBLJANI FAKULTETA ZA DRUŽBENE VEDE JANA ŠTRAKL VEČNIVOJSKA ANALIZA DIPLOMSKO DELO LJUBLJANA 2008 UNIVERZA V LJUBLJANI FAKULTETA ZA DRUŽBENE VEDE JANA ŠTRAKL MENTOR: DOC. DR. GREGOR PETRIČ
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 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 večIZLETI V MATEMATIČNO VESOLJE Ali so fantje bolj nadarjeni za matematiko kot dekleta? Arjana Brezigar Masten UP FAMNIT in UMAR 1
IZLETI V MATEMATIČNO VESOLJE Ali so fantje bolj nadarjeni za matematiko kot dekleta? Arjana Brezigar Masten UP FAMNIT in UMAR 1 Culture, Gender, and Math L.Guiso, F.Monte, P. Sapienza, L.Zingales Science
Prikaži večMicrosoft Word - RAZISKAVA_II._del.doc
DEJAVNIKI VARNOSTI CESTNEGA PROMETA V SLOVENIJI Raziskava II. del Inštitut za kriminologijo pri Pravni fakulteti v Ljubljani Ljubljana, avgusta 2010 Vodja raziskave: dr. Dragan Petrovec Izvajalci in avtorji:
Prikaži večMicrosoft Word - DAES zbornik 2010-številke.doc
5. konferenca DAES Sodobni izzivi menedžmenta v agroživilstvu Pivola 18.-19. marec 2010 Sodobni izzivi menedžmenta v agroživilstvu Uredil: dr. Črtomir Rozman in dr. Stane Kavčič Programski odbor: dr. Jernej
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 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 večMicrosoft Word - Faktorska_analiza_blagovne_znamke_II
Funkcije blagovne znamke Občutljivost na blagovne znamke (angl. brand sensitivity), definirana kot pomen, ki ga kupci pripisujejo blagovni znamki v procesu odločanja za nakup, je izkazano pomemben dejavnik,
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 večIzvozna in uvozna funkcija slovenskega gospodarstva
UNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA DIPLOMSKO DELO IZVOZNA IN UVOZNA FUNKCIJA SLOVENSKEGA GOSPODARSTVA Ljubljana, junij 005 PRIMOŽ ZAPLOTNIK IZJAVA Študent Primož Zaplotnik izjavljam, da sem avtor
Prikaži večMicrosoft PowerPoint - Java_spremenljivke
Java Spremenljivke, prireditveni stavek Spremenljivke Prostor, kjer hranimo vrednosti Ime Znak, števka, _ Presledkov v imenu ne sme biti! Tip spremenljivke int (cela števila) Vse spremenljivke napovemo
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 večOPOMNIK
OPOMNIK Za izvedbo postopkov pregleda poročil o oceni vrednosti za potrebe postopka revidiranja OCENA VREDNOSTI NEPREMIČN ZA POTREBE RAČUNOVODSKEGA POROČANJA OPOZORILO Pregled poročila o oceni vrednosti
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 več2. LINEARNA ALGEBRA
UPORABNA MATEMATIKA V LOGISTIKI za višješolsko strokovno izobraževanje (OPISNA ) 1 Cilj tega sklopa predavanja je predstaviti obvladovanje računskih spretnosti pri reševanju logističnih problemov in pri
Prikaži več00main.dvi
UNIVERZA V LJUBLJANI Fakulteta za elektrotehniko Vitomir Štruc, Simon Dobrišek INFORMACIJA IN KODI DOPOLNILNI UČBENIK Z VAJAMI UNIVERZITETNI ŠTUDIJSKI PROGRAM II. STOPNJE ELEKTROTEHNIKA - AVTOMATIKA IN
Prikaži večPlanning and Control of Operations
Sistem planiranja in kontrole izvajalne poslovne funkcije Sistem planiranja in kontrole izvajalne poslovne funkcije Predvidevanje povpraševanja Dolgoročno planiranje proizvodnje Mesečno planiranje proizvodnje
Prikaži več2
LETNO POROČILO O KAKOVOSTI ZA RAZISKOVANJE ČETRTLETNO STATISTIČNO RAZISKOVANJE O ELEKTRONSKIH KOMUNIKACIJSKIH STORITVAH (KO-TEL/ČL) IN LETNO STATISTIČNO RAZISKOVANJE O ELEKTRONSKIH KOMUNIKACIJSKIH STORITVAH
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 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 večPowerPoint Presentation
Lasersko obarvanje kovin Motivacija: Z laserskim obsevanjem je možno spremeniti tudi barvo kovinskih površin, kar odpira povsem nove možnosti označevanja in dekoracije najrazličnejših sestavnih delov in
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 - cigre_c2_15.ppt [Compatibility Mode]
Univerza v Mariboru Fakulteta za elektrotehniko, računalništvo in informatiko Boštjan Polajžer, Drago Dolinar, Jožef Ritonja (FERI) bostjan.polajzer@um.si Andrej Semprimožnik (ELES) KAZALNIKI KAKOVOSTI
Prikaži večOSNOVE UMETNE INTELIGENCE
OSNOVE UMETNE INTELIGENCE 2017/18 regresijska drevesa ocenjevanje učenja linearni modeli k-nn Zoran Bosnić del gradiva povzet po: Bratko: Prolog programming for AI, Pearson (2011) in Russell, Norvig: AI:
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 večModel IEUBK za napoved vsebnosti svinca v krvi otrok in njegova uporaba na primeru Zgornje Mežiške doline
MODEL IEUBK ZA NAPOVED VSEBNOSTI SVINCA V KRVI OTROK IN NJEGOVA UPORABA NA PRIMERU ZGORNJE MEŢIŠKE DOLINE ZZV Ravne na Koroškem mag. Matej Ivartnik Portorož 25.11.2011 IEUBK model Računalniško orodje,
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 več2
REPUBLIKA SLOVENIJA LETNO POROČILO O KAKOVOSTI ZA RAZISKOVANJE ANKETA O MNENJU POTROŠNIKOV ZA LETO 2010 Poročilo pripravil: Martin Bajželj, Marta Arnež Datum: avgust 2011 1/12 Kazalo 0 Osnovni podatki...
Prikaži večMODEL PRIMERNOSTI OBMOČIJ ZA POVEZOVANJE
MODEL PRIMERNOSTI OBMOČIJ ZA POVEZOVANJE doc. dr. Špela Pezdevšek Malovrh prof. dr. Lidija Zadnik Stirn prof. dr. Janez Krč VSEBINA Raziskovalni problem UVOD GOSPODARJENJE V ZASEBNIH GOZDOVIH Ni optimalno
Prikaži več2
REPUBLIKA SLOVENIJA LETNO POROČILO O KAKOVOSTI ZA RAZISKOVANJE ANKETA O MNENJU POTROŠNIKOV ZA LETO 2011 Poročilo pripravil: Martin Bajželj, Marta Arnež Datum: september 2012 1/12 Kazalo 0 Osnovni podatki...
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 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 večACAD-BAU-Analiza-prostorov
ANALIZA PROSTOROV Ko obdelujemo večje projekte, je analiza prostorov zelo pomembna v vseh fazah projektiranja. Pri idejnem snovanju moramo npr. za določeno površino trgovske namembnosti zagotoviti primerno
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 več2
Drsni ležaj Strojni elementi 1 Predloga za vaje Pripravila: doc. dr. Domen Šruga as. dr. Ivan Okorn Ljubljana, 2016 STROJNI ELEMENTI.1. 1 Kazalo 1. Definicija naloge... 3 1.1 Eksperimentalni del vaje...
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 več10. Meritev šumnega števila ojačevalnika Vsako radijsko zvezo načrtujemo za zahtevano razmerje signal/šum. Šum ima vsaj dva izvora: naravni šum T A, k
10. Meritev šumnega števila ojačevalnika Vsako radijsko zvezo načrtujemo za zahtevano razmerje signal/šum. Šum ima vsaj dva izvora: naravni šum T A, ki ga sprejme antena in dodatni šum T S radijskega sprejemnika.
Prikaži večLaTeX slides
Model v matri ni obliki ena ba modela Milena Kova 13 november 2012 Biometrija 2012/13 1 Nomenklatura Skalarji: tako kot doslej, male tiskane, neodebeljene Vektorji: male tiskane, odebeljene rke (y) ali
Prikaži večVELJA OD DALJE PREVERJALNI SEZNAM RAZKRITIJ ZGD- 1 (69.člen) Izobraževalna hiša Cilj
VELJA OD 1. 1. 2016 DALJE PREVERJALNI SEZNAM RAZKRITIJ ZGD- 1 (69.člen) RAZKRITJA 69. ČLEN ZGD- 1 (OD 1.1.2016 DALJE) da pogojno ne Člen ZGD- 1 OPIS VELIKOST DRUŽBE VELIKA SREDNJA MAJHNA MIKRO (70a. člen)
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 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 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 večMicrosoft Word - PRAKTIKUM CELOTA 4v2.doc
Merilni sistemi in regulacijska tehnika Gradivo v pripravi Biotehniška fakulteta Oddelek za lesarstvo Laboratorij za mehansko obdelovalne tehnologije Pomlad 7 KAZALO. OSNOVNI POJMI IN MERSKE ENOTE....
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 večOCENA VREDNOSTI STANOVANJA Z RAZLIČNIMI NAČINI KOT PODLAGA ZA IZRAČUN NAJEMNINE Jožef Murko, dipl.inž.grad., DODOMA d.o.o., stalni sodni cenilec in iz
OCENA VREDNOSTI STANOVANJA Z RAZLIČNIMI NAČINI KOT PODLAGA ZA IZRAČUN NAJEMNINE Jožef Murko, dipl.inž.grad., DODOMA d.o.o., stalni sodni cenilec in izvedenec gradbene stroke, pooblaščeni ocenjevalec vrednosti
Prikaži večUniverza v Mariboru Fakulteta za naravoslovje in matematiko Oddelek za matematiko in ra unalni²tvo Izobraºevalna matematika Pisni izpit pri predmetu K
31. januar 2014 1. [25] V kino dvorano z 10 vrstami po 10 o²tevil enih sedeºev vstopi 100 ljudi. Od tega je 40 deklet in 60 fantov. Na koliko na inov se lahko posedejo, (a) e ni nobenih omejitev? (b) e
Prikaži večEVROPSKA KOMISIJA Bruselj, C(2018) 7942 final UREDBA KOMISIJE (EU) / z dne o spremembi prilog I, III, VI, VII, VIII, IX, X, XI in
EVROPSKA KOMISIJA Bruselj, 3.12.2018 C(2018) 7942 final UREDBA KOMISIJE (EU) / z dne 3.12.2018 o spremembi prilog I, III, VI, VII, VIII, IX, X, XI in XII k Uredbi (ES) št. 1907/2006 Evropskega parlamenta
Prikaži večJournal of Central European Agriculture, 2012, 13(1), p DOI: /JCEA01/ DETERMINANTS OF AGRO FOOD PRICE CHANGES IN SLOVENIA DEJAV
Journal of Central European Agriculture, 2012, 13(1), p.95-108 DOI: 10.5513/JCEA01/13.1.1020 DETERMINANTS OF AGRO FOOD PRICE CHANGES IN SLOVENIA DEJAVNIKI SPREMINJANJA AGROŽIVILSKIH CEN V SLOVENIJI Sergej
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 večReliability estimation of individual predictions
Ocenjevanje zanesljivosti posameznih napovedi pri nadzorovanem učenju Darko Pevec DOKTORSKA DISERTACIJA PREDANA FAKULTETI ZA RAčUNALNIšTVO IN INFORMATIKO KOT DEL IZPOLNJEVANJA POGOJEV ZA PRIDOBITEV NAZIVA
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 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 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 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 večSTATISTIKA - zbiranje podatkov - obdelava podatkov - analiza in prikaz podatkov Z besedo statistika označujemo sistematično zbrane številske podatke.
STATISTIKA - zbiranje podatkov - obdelava podatkov - analiza in prikaz podatkov Z besedo statistika označujemo sistematično zbrane številske podatke. Te podatke obdelamo, analiziramo in prikažemo z različnimi
Prikaži večEVROPSKA KOMISIJA Bruselj, C(2017) 6537 final DELEGIRANA UREDBA KOMISIJE (EU) / z dne o dopolnitvi Uredbe (EU) 2016/1011 Evropskeg
EVROPSKA KOMISIJA Bruselj, 3.10.2017 C(2017) 6537 final DELEGIRANA UREDBA KOMISIJE (EU) / z dne 3.10.2017 o dopolnitvi Uredbe (EU) 2016/1011 Evropskega parlamenta in Sveta v zvezi z določitvijo pogojev
Prikaži večUNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA MAGISTRSKO DELO KLJUČNI DEJAVNIKI SPREJEMANJA TEHNOLOGIJE OLAP Ljubljana, avgust 2013 PETRA VODIŠEK
UNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA MAGISTRSKO DELO KLJUČNI DEJAVNIKI SPREJEMANJA TEHNOLOGIJE OLAP Ljubljana, avgust 2013 PETRA VODIŠEK IZJAVA O AVTORSTVU Spodaj podpisani(-a) Petra Vodišek, študentka
Prikaži večVedno pod nadzorom, kjerkoli že ste
Vedno pod nadzorom, kjerkoli že ste 02 Vedno pod nadzorom, kjerkoli že ste Daikin zagotavlja novo rešitev za nadzorovanje in krmiljenje glavnih funkcij stanovanjskih notranjih enot. Sistem deluje na uporabniku
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 večMicrosoft PowerPoint - OVT_4_IzolacijskiMat_v1.pptx
Osnove visokonapetostne tehnike Izolacijski materiali Boštjan Blažič bostjan.blazic@fe.uni lj.si leon.fe.uni lj.si 01 4768 414 013/14 Izolacijski materiali Delitev: plinasti, tekoči, trdni Plinasti dielektriki
Prikaži večZapisnik 1
Letno poročilo o študentski anketi UP FHŠ za študijsko leto 2014/15 Letno poročilo o rezultatih anketiranja se pripravi skladno s Pravilnikom o izvajanju študentske ankete Univerze na Primorskem in vsebuje:
Prikaži večVerjetnost in statistika
Statistika: Znanost o podatkih David S. Moore, Purdue University 30. oktober 2010 2 Kazalo Kazalo 2 1 Pridobivanje podatkov 9 1.1 Vzorčenje................................. 10 1.2 Slabe metode vzorčenja..........................
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 večRUO
Vpliv človeškega kapitala na poslovno uspešnost turističnih agencij Vojko Kaluža* Srednja strojna in kemijska šola, Šolski center Ljubljana vojkoml@yahoo.com Štefan Bojnec Fakulteta za management, Univerza
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 večPodatkovni model ER
Podatkovni model Entiteta- Razmerje Iztok Savnik, FAMNIT 2018/19 Pregled: Načrtovanje podatkovnih baz Konceptualno načtrovanje: (ER Model) Kaj so entite in razmerja v aplikacijskem okolju? Katere podatke
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 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 več2019 QA_Final SL
Predhodni prispevki v enotni sklad za reševanje za leto 2019 Vprašanja in odgovori Splošne informacije o metodologiji izračuna 1. Zakaj se je metoda izračuna, ki je za mojo institucijo veljala v prispevnem
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 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 večPoročilo za 1. del seminarske naloge- igrica Kača Opis igrice Kača (Snake) je klasična igrica, pogosto prednaložena na malce starejših mobilnih telefo
Poročilo za 1. del seminarske naloge- igrica Kača Opis igrice Kača (Snake) je klasična igrica, pogosto prednaložena na malce starejših mobilnih telefonih. Obstaja precej različic, sam pa sem sestavil meni
Prikaži večMicrosoft Word - vaje2_ora.doc
II UKAZI 1. Napišite zaporedje ukazov, ki vrednost enobajtne spremenljivke STEV1 prepiše v enobajtno spremenljivko STEV2. Nalogo rešite z neposrednim naslavljanjem (zaporedje lahko vsebuje le 2 ukaza v
Prikaži večUČNI NAČRT PREDMETA / COURSE SYLLABUS Predmet: Ekonometrija 1 Course title: Econometrics 1 Študijski program in stopnja Study programme and level Univ
UČNI NAČRT PREDMETA / COURSE SYLLABUS Predmet: Ekonometrija 1 Course title: Econometrics 1 Študijski program in stopnja Study programme and level Univerzitetni študijski program Finančna matematika First
Prikaži večMicrosoft Word - 170
UGOTAVLJANJE UČINKOVITOSTI PRED IN PO PREHODU NA HIBRIDNO PROIZVODNJO: ŠTUDIJA PRIMERA Igor Perko igor.perko.fm@gmail.com Vse večji izziv evropskih podjetij je, kako ostati konkurenčen v globalnem svetu,
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 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 večMere kompleksnih mrež (angl. Network Statistics) - Seminarska naloga pri predmetu Izbrana poglavja iz diskretne matematike
Mere kompleksnih mrež (angl. Network Statistics) Seminarska naloga pri predmetu Izbrana poglavja iz diskretne matematike Ajda Pirnat, Julia Cafnik in Živa Mitar Fakulteta za matematiko in fiziko April
Prikaži več