Osnove verjetnostne metode doc. dr. R. Škrekovski Oddelek za Matematiko Fakulteta za Matematiko in Fiziko Univerza v Ljubljani
|
|
- Avgust Breznik
- pred 4 leti
- Pregledov:
Transkripcija
1 Osnove verjetnostne metode doc. dr. R. Škrekovski Oddelek za Matematiko Fakulteta za Matematiko in Fiziko Univerza v Ljubljani
2 naslov: Osnove verjetnostne metode avtorske pravice: dr. Riste Škrekovski izdaja: prva izdaja Založnik: samozaložba avtor: Riste Škrekovski leto izida: 2010 (v Ljubljani) natis: elektronsko gradivo skreko/gradiva/ovm-skripta.pdf CIP - Kataložni zapis o publikaciji Narodna in univerzitetna knjižnica, Ljubljana ŠKREKOVSKI, Riste Osnove verjetnostne metode [Elektronski vir] / R. Škrekovski izd. - El. knjiga. - Ljubljana : samozal., 2010 Način dostopa (URL): skreko/gradiva/ovm-skripta.pdf ISBN
3 Kazalo 1 Osnovna metoda Ramseyeva števila Barvanje hipergrafa Turnirji z lastnostjo P k Van der Waerdenova števila Množice proste za vsote Univerzalne množice Linearnost matematičnega upanja Število fiksnih točk permutacije Hamiltonove poti v turnirjih Maksimalni prerez grafov Uravnoteženi vektorji Slučajni grafi Pojem slučajnega grafa Grafovske invariante kot slučajne spremenljivke Metoda izbrisa Ramseyeva števila Največji neodvisni podgrafi Drugi moment Ocenjevanje srednjega binomskega koeficienta Različne vsote Pragovna funkcija Lovaszeva lokalna lema Lokalna in simetrična lokalna lema
4 6.2 Barvanje hipergrafov Izpolnjivost SAT problema Seznamsko barvanje vozlišč Usmerjeni cikli Koncentracija slučajnih spremenljivk Černova neenakost Talagrandova neenakost Koncentracija vozlišč regularnih grafov Azumova neenakost
5 Poglavje 1 Osnovna metoda Trditev 1.1 Če so dogodki A 1, A 2,..., A n slabi in velja n i=1 Pr(A i) < 1, potem se s pozitivno verjetnostjo nobeden od njih ne zgodi. Dokaz. Za dogodke A 1, A 2,...,A n velja Pr(A 1 A 2... A n ) n i=1 Pr(A i). Zato je Pr( A C i ) = 1 Pr(A 1 A 2... A n ) n 1 Pr(A i ) > Ramseyeva števila i=1 Preden definiramo Ramseyevo število, se spomnimo, kaj je to klika in kaj neodvisna množica. Klika je množica točk, ki tvori poln graf in neodvisna množica je množica paroma nesosednjih točk. Ramseyevo število R(k, l) je najmanjše celo število n, tako da poljuben graf na n točkah vsebuje kliko velikosti k ali neodvisno množico velikosti l. Ramsey je pokazal, da število R(k, l) obstaja za katerikoli števili k in l, torej vsak dovolj velik graf vsebuje kliko ali neodvisno množico predpisane velikosti. Obstoj Ramseyevih števil sledi iz naslednje rekurzivne zveze: R(k, l) R(k 1, l) + R(k, l 1). Kljub temu so točne vrednosti R(k, l) še vedno neznane, razen za majhen k in/ali l. Ni težko opaziti, da velja R(1, l) = 1 in R(k, 1) = 1 ter R(k, l) = R(l, k) za poljubni 5
6 pozitivni celi števili k in l. Velja tudi R(3, 3) = 6, R(3, 4) = 9, R(3, 5) = 14, R(4, 4) = 18 in R(4, 5) = 25. Številom R(k, k) pravimo diagonalna Ramseyeva števila. V dokazu naslednjega izreka uporabimo verjetnostno metodo, s katero dokažemo spodnjo mejo za R(k, k). Ta nam pove, da Ramseyeva števila hitro naraščajo. Opazi še, da velja R(a, b) R(c, d) kadar a c in b d. Izrek 1.2 Za vsak k 3 velja R(k, k) > 2 k/2 1. Dokaz. Želimo pokazati, da za n 2 k/2 1 obstaja graf, ki nima ne klike ne neodvisne množice velikosti k. Potem bo sledilo R(k, k) > 2 k/2 1. Naj bo G graf na n točkah, kjer vsak par točk tvori povezavo z verjetnostjo 1 2 in je vsaka povezava izbrana neodvisno od ostalih povezav. Za vsako fiksno množico k točk izračunajmo verjetnost, da tvorijo kliko. Verjetnost, da izberemo vse povezave oziroma kliko na k točkah, je enaka 2 (k 2). Z enako verjetnostjo izberemo neodvisno množico velikosti k. Ker imamo n točk v grafu, lahko k točk izberemo na ( ) n k načinov. Naj bo A k dogodek, da graf vsebuje kliko velikosti k, B k pa dogodek, da graf vsebuje neodvisno množico velikosti k. Tako je A k B k dogodek, da G vsebuje kliko ali neodvisno množico velikosti k. Velja Pr(A k B k ) = Pr(A k ) + Pr(B k ) Pr(A k B k ) Pr(A k ) + Pr(B k ) = 2 Vemo, da je n 2 k/2 1 in k 3, torej je n k 2 (k/2 1)k in od tod 2n k 2 k2 /2 k/2 k/2+1 = 2 k(k 1) k/2 < 2 k(k 1) 2. Ker velja ( n k) n k, ocenimo ( ) n 2 2 (k 2) 2n k 2 (k k(k 1) 2) < (k 2) = 1. k ( ) n 2 (k 2). k Torej je Pr(A k B k ) < 1 in je zato verjetnost nasprotnega dogodka pozitivna. Torej obstaja tak graf na 2 k/2 1 točkah, ki ne vsebuje niti klike velikosti k niti neodvisne množice velikosti k. Torej je R(k, k) > 2 k/2 1. V resnici se da dokazati, da je R(k, k) > 2 k/2, vendar je dokaz bolj zapleten, zato ga obravnavamo kasneje. 6
7 1.2 Barvanje hipergrafa Hipergraf je posplošitev grafa, kjer so povezave množice točk poljubne velikosti. Par (V, E) je k-enoličen hipergraf, pri čemer je V množica točk in E ( V k) množica hiperpovezav. Torej enostavni grafi so 2-enolični hipergrafi. Hipergraf je k-obarvljiv, če lahko njegove točke pobarvamo s k barvami tako, da nobena hiperpovezava ni monokromatska, t.j. vsaj dve različni barvi se pojavita na vsaki hiperpovezavi. Naj bo m(k) najmanjše število hiperpovezav v k-enoličnem hipergrafu, ki ni 2- obarvljiv. Za grafe velja m(2) = 3, ker K 3 ni 2-obarvljiv. Hipergraf Fanove ravnine je najmanjši 3-uniformen hipergraf, ki ima 7 točk, 7 povezav in ni 3-obarvljiv. Zato je m(3) = 7. Za večji k je veliko težje določiti m(k). Natančna vrednost m(k) je neznana za k > 3. Lahko pa dobimo spodnjo mejo m(k) s pomočjo verjetnostne metode. Izrek 1.3 Za vsak k 2 velja m(k) 2 k 1. Dokaz. Imamo k-enoličen hipergraf H = (V, E) z manj kot 2 k 1 hiperpovezavami. Dokazali bomo, da je 2-obarvljiv. Pobarvajmo vsako točko hipergrafa H neodvisno z rdečo ali modro z verjetnostjo 1. Verjetnost, da so točke dane hiperpovezave vse 2 rdeče ali vse modre, je p = = 2 ( 1 2 k 2 )k = 2 1 k. Predpostavili smo, da za H velja E < 2 k 1. Označimo z A dogodek, da obstaja monokromatska hiperpovezava, in ocenimo Pr(A): Pr(A) p E < p 2 k 1 = 2 1 k 2 k 1 = 1. Torej nobena hiperpovezava ni monokromatska s pozitivno verjetnostjo t.j. Pr(A) = 1 Pr(A) > 0 in zato obstaja pravilno barvanje. Torej je m(k) 2 k Turnirji z lastnostjo P k Usmerjen poln graf T imenujemo turnir. Turnir predstavlja igro, pri kateri vsak par igralcev igra med sabo in eden izmed njiju vedno zmaga. Vozlišča grafa predstavljajo igralce. Usmerjena povezava (a, b) pa pomeni, da je igralec a premagal igralca b. 7
8 Pravimo, da ima turnir lastnost P k, če vsako množico igralcev S V (T) moči k premaga nek igralec v V (T) \ S. Izrek 1.4 (Erdös, 1963) Če velja ( n k) (1 2 k ) n k < 1, potem obstaja turnir z n vozlišči in lastnostjo P k. Dokaz. Naj bo T slučajen turnir z n igralci in naj bo S množica k igralcev. Naj bo A S dogodek, da noben igralec v V (T) \ S ne premaga vseh igralcev iz S. Verjetnost, da se A S zgodi je enaka Pr(A S ) = (1 2 k ) n k. Torej je verjetnost, da se tak dogodek zgodi za katerokoli množico S enaka ( ) n Pr( A S ) (1 2 k ) n k < 1. k Verjetnost, da se noben izmed dogodkov A S ne zgodi, je pozitivna, zato obstaja turnir z n igralci in lastnostjo P k. Posledica 1.5 Za vsak n k 2 2 k+1 obstaja turnir z lastnostjo P k. Dokaz. Naj bo n k 2 2 k+1. Z uporabo neenačb ( ( n k) < en ) k k in (1 2 k ) n k < e n k 2 k se da pokazati, da je ( n k) (1 2 k ) n k < 1. Potem trditev sledi iz izreka Van der Waerdenova števila Van der Waerdenovo število W(r, k) imenujemo najmanjši n N, za katerega imamo pri vsakem barvanju množice {1, 2,..., n} z r barvami neko enobarvno aritmetično zaporedje s k členi, tj. obstajata a, b N, za katera velja, da je zaporedje a, a + b, a + 2b,...,a + (k 1)b enobarvno. Leta 1927 je Van der Waerden dokazal, da takšna števila obstajajo, njihova rast pa je izredno hitra. Pokazali bomo, da že za r = 2 naraščajo eksponentno. Izrek 1.6 Velja W(2, k) > 2 k/2. Torej množico {1, 2,..., n} lahko pobarvamo z dvema barvama, tako da nobeno aritmetično zaporedje z 2 lnn členi ni enobarvno. 8
9 Dokaz. Števila {1, 2,..., n} pobarvajmo naključno z barvama R in M. Naj bo S aritmetično zaporedje s k členi in A S dogodek, da je S enobarvno. Verjetnost, da se A S zgodi je enaka Pr(A S ) = 2 2 S = 2 1 k. Vsako aritmetično zaporedje s k členi je določeno s prvima dvema členoma. Torej imamo kvečjemu ( n 2) takšnih aritmetičnih zaporedij v množici {1, 2,..., n} in velja ( ) n Pr( A S ) < 2 1 k < 1. 2 Torej obstaja neko barvanje, za katerega ni aritmetičnega zaporedja s k členi in W(2, k) > n. Od tukaj sledi, da je W(2, k) večji od vsakega n-ja, za katerega velja ( n ) k < 1. Ni težko preveriti, da za n = 2 k 2 velja ta neenakost, torej W(2, k) > 2 k Množice proste za vsote Podmnožica A Abelove grupe je prosta za vsoto, če je (A + A) A =, torej vsota poljubnih dveh elementov množice A ni v množici A. Naslednji Erdösev izrek nam pove, da je v vsaki množici neničelnih celih števil več kot tretjina takšnih, ki se med seboj ne seštejejo v kakšno drugo število iz te množice. Izrek 1.7 (Erdös, 1965) Vsaka množica B = {b 1,...,b n } neničelnih celih števil vsebuje za vsoto prosto podmnožico velikosti več kot n 3. Dokaz. Naj bo p = 3k + 2 praštevilo, večje od 2 max 1 i n b i in naj bo C = {k + 1, k + 2,...,2k + 1}. Opazimo, da je C za vsoto prosta podmnožica ciklične grupe Z p in da velja C p 1 = k + 1 3k + 1 > 1 3. Izberimo si naključno naravno število x, 1 x < p, glede na enakomerno porazdelitev na množici {1, 2,..., p 1} in definirajmo d 1,..., d n s predpisom d i xb i (mod p), torej je 0 d i < p. Očitno za vsak fiksen i, 1 i n velja, da če x zasede vse vrednosti 1, 2,..., p 1, potem d i doseže vse neničelne elemente množice Z p in tako je Pr(d i C) = C p 1 >
10 Pričakovano število elementov b i, za katere je d i C, je večje od n. Torej obstaja 3 x, 1 x < p in podmnožica A B z močjo A > n, tako da je xa (mod p) C za 3 vsak a A. Tak A je očitno prost za vsoto. Če bi obstajala števila a 1, a 2, a 3 A, za katera bi veljalo a 1 + a 2 = a 3, potem bi veljalo tudi xa 1 + xa 2 xa 3 (mod p), kar pa je v protislovju z dejstvom, da je C za vsoto prosta podmnožica množice Z p. 1.6 Univerzalne množice Množica A nizov oblike {0, 1} n je (n, k)-univerzalna, če za vsako podmnožico S = {i 1, i 2,...,i k } {1, 2,..., n} projekcija A S = {(a i1, a i2,..., a ik ) (a 1, a 2,...,a n ) A} vsebuje vse možne 2 k nize. Zanima nas, kakšna je moč najmanjše univerzalne množice A. Enostavno je videti, da velja 2 k A 2 n. Boljšo zgornjo mejo nam zagotovi naslednji izrek. Izrek 1.8 (Kleitman in Spencer, 1973) Če velja ( n k) 2 k (1 2 k ) r < 1, potem obstaja (n, k)-univerzalna množica moči r. Dokaz. Naj bo A množica r naključno izbranih nizov oblike {0, 1} n. Naj bo S izbrana podmnožica množice {1, 2,..., n} moči k in v izbran niz oblike {0, 1} k. Velja Pr(v / A S ) = a A Pr(v a S ) = a A(1 2 S ) = (1 2 k ) r. Ker imamo natanko ( n k) 2 k možnosti za izbiro para (S, v), množica A ni (n, k)- univerzalna z verjetnostjo kvečjemu ( ) n 2 k (1 2 k ) r < 1. k Sledi, da obstaja vsaj ena univerzalna množica z r nizi, ki je (n, k)-univerzalna. S tem je izrek dokazan. 10
11 Posledica 1.9 Za k 2 obstaja (n, k)-univerzalna množica velikost k 2 k lg n. Dokaz. Pokaži, da velja ( ) n k 2 k (1 2 k ) r < 1 z uporabo neenakosti ( ( n k) < en ) k k in (1 2 k ) r < e r 2 k. Potem dokaz sledi po izreku
12 Poglavje 2 Linearnost matematičnega upanja 2.1 Število fiksnih točk permutacije Permutacija končne množice A je bijektivna preslikava iz množice A nase. Brez škode za splošnost lahko elemente množice A označimo z naravnimi števili {1, 2,..., n}. Taki permutaciji rečemo, da je reda n. Množico vseh permutacij reda n označimo z S n. Velja S n = n!. Če za permutacijo σ obstaja i {1, 2,..., n}, pri čemer σ(i) = i, potem točki i pravimo fiksna točka permutacije σ. Število fiksnih točk je očitno med 0 in n. Zanima nas pričakovano število fiksnih točk v naključno izbrani permutaciji. Izrek 2.1 V povprečju ima vsaka permutacija 1 fiksno točko. Dokaz. Izračunajmo verjetnost pričakovanega števila fiksnih točk slučajne permutacije σ na {1,..., n}. Če je F(σ) = {i : σ(i) = i}, lahko to izrazimo kot vsoto indikatorskih spremenljivk: n F(σ) = F i (σ), kjer je F i (σ) = 1, če je σ(i) = i, sicer pa je F i (σ) = 0. Potem je in od tod i=1 E[F i ] = Pr[σ(i) = i] = (n 1)! n! E[F] = 1 n + 1 n n = 1. = 1 n Torej poljubna permutacija ima v povprečju 1 fiksno točko. 12
13 2.2 Hamiltonove poti v turnirjih Turnir je orientiran polni graf, kar pomeni, da med poljubnima točkama u in v nastopa natanko ena usmerjena povezava (u, v) oz. (v, u). Hamiltonova pot v turnirju je usmerjena pot skoti vse točke. Dobro je znano in ni težko pokazati, da ima vsak turnir Hamiltonovo pot. Naslednji izrek (Szele, 1943) nam pokaže obstoj turnirja, ki ima zelo veliko Hamiltonovih poti. Temu izreku oz. dokazu se pogosto pripisuje prva uporaba verjetnostne metode. Izrek 2.2 Obstaja turnir na n točkah, ki ima vsaj n! 2 n 1 Hamiltonovih poti. Dokaz. Izračunajmo pričakovano število Hamiltonovih poti v slučajnem turnirju T na n točkah, kjer ima vsaka povezava slučajno orientacijo, izbrano neodvisno z verjetnostjo 1. Označimo točke turnirja T z elementi množice {1, 2,..., n}. 2 Za dano permutacijo σ na {1,...,n} si oglejmo zaporedje σ(1), σ(2),..., σ(n) in označimo z I σ indikator dogodka, da vse povezave (σ(i), σ(i + 1)) nastopajo v T s to orientacijo. Upoštevajmo, da orientacijo različnih povezav izberemo neodvisno in izračunajmo E[I σ ]: E[I σ ] = Pr[σ] = 1 2 n 1. Naj bo X vsota vseh Hamiltonovih poti v turnirju. Sledi X = σ S n I σ in od tod E[X] = σ E[I σ ] = σ 1 2 n 1 = 1 2 n 1 σ 1 = n! 2 n 1, saj je vseh različnih permutacij na n točkah n!, tj. S n = n!. Torej obstaja tak turnir T, ki vsebuje vsaj n! 2 n 1 Hamiltonovih poti. 2.3 Maksimalni prerez grafov Tukaj obravnavamo problem maksimalnega prereza, ki je predvsem pomemben algoritmičen problem. Imamo graf G = (V, E) in želimo razdeliti množico točk v dva razreda, A in B = V \ A tako, da je število povezav med A in B maksimalno. Naslednji izrek nam pove, da je vedno možno doseči, da je število povezav med A in B vsaj polovica vseh povezav v grafu. 13
14 Izrek 2.3 Vsak graf z m povezavami vsebuje dvodelen podgraf z vsaj m/2 povezavami. Dokaz. Naj bo G = (V, E). Izberimo slučajno podmnožico T V z vstavljanjem vsake točke v T neodvisno z verjetnostjo 1 2. Za dano povezavo e = uv naj I e označuje indikatorsko spremenljivko dogodka, da je natanko ena od točk u in v v T. Potem velja E[I e ] = Pr [ (u T in v / T) ali (u / T in v T) ] = = 1 2. Če X označuje število povezav, ki imajo natanko eno točko v T, potem je X = e E I e in zato E[X] = e E E[I e ] = e E 1 2 = = m 2, e E saj je m število vseh povezav v grafu. Torej, za nekatere T V obstaja vsaj m 2 povezav med T in V \ T. Te povezave seveda inducirajo dvodelen podgraf. 2.4 Uravnoteženi vektorji Izrek 2.4 Naj bodo v 1, v 2,...,v n R n za katere velja v i = 1 za vsak i {1, 2,..., n}. Potem obstajajo taki ε 1, ε 2,...,ε n, ki lahko zavzamejo vrednosti 1 ali 1, da velja ε 1 v ε n v n n in taki, da velja ε 1 v ε n v n n. Dokaz. Naj bodo ε 1, ε 2,..., ε n izbrani enakomerno in neodvisno iz množice {1, 1}. In naj bo X = ε 1 v ε n v n 2. Potem je X = n n ε i v i ε j v j, i=1 j=1 14
15 kar zapišemo malo drugače X = n n ε i ε j v i v j. i=1 j=1 Tako je zaradi linearnosti matematičnega upanja E[X] = n n v i v j E[ε i ε j ]. i=1 j=1 Če je i j, potem je E[ε i ε j ] = E[ε i ]E[ε j ] = 0. Če pa je i = j, je ε 2 i = 1 in zato je E[ε 2 i] = 1. Tako je n E[X] = v i v i = n. i=1 Od tod sledi, da obstajajo taki ε 1, ε 2,...,ε n, katerih zaloga vrednosti je {1, 1} in je X n in taki, da je X n. Ko te neenakosti korenimo, dobimo ravno to kar smo želeli dokazati. Izrek 2.5 Naj bodo v 1, v 2,...,v n R n za katere velja v i = 1 za vsak i {1, 2,..., n}. Naj bodo p 1, p 2,..., p n [0, 1] poljubni in naj bo w = p 1 v 1 +p 2 v p n v n. Potem obstajajo taki ε 1, ε 2,...,ε n {0, 1}, da za v = ε 1 v ε n v n velja w v n 2. Dokaz. Izberimo vsak ε i neodvisno z verjetnostjo Pr[ε i = 1] = p i in Pr[ε i = 0] = 1 p i. Naključna izbira ε i nam da slučajno spremenljivko v. Sedaj si oglejmo slučajno spremenljivko X = w v 2, 15
16 za katero velja: n X = (p i ε i )v i 2 i=1 n n = (p i ε i )v i (p j ε j )v j = i=1 n j=1 i=1 j=1 n v i v j (p i ε i )(p j ε j ). Zato je n n E[X] = v i v j E[(p i ε i )(p j ε j )]. i=1 j=1 Če je i j, potem sta slučajni spremenljivki p i ε i in p j ε j neodvisni in zato velja E[(p i ε i )(p j ε j )] = E[(p i ε i )]E[(p j ε j )] = 0. Za i = j pa je E[(p i ε i ) 2 ] = p i (p i 1) 2 + (1 p i )p 2 i = p i (1 p i ) 1 4. Torej je E[X] = n p i (1 p i ) v i i=1 n v i 2 = n 4. i=1 16
17 Poglavje 3 Slučajni grafi 3.1 Pojem slučajnega grafa Naj bo V množica vozlišč z n elementi. Naš cilj je spremeniti množico G vseh grafov na V v verjetnostni prostor in potem poskusiti odgovoriti na najbolj tipično zastavljeno vprašanje o slučajnih objektih, ki sprašuje, kakšna je verjetnost, da ima nek graf G G(n, p) to ali ono lastnost. Lahko je videti, da graf G zgradimo naključno tako, da se za vsako povezavo e V V naključno odločimo ali je oziroma ni vsebovana v grafu G. Te odločitve so izvedene neodvisno, verjetnost dogodka, da je e povezava grafa G, pa je enaka p [0, 1]. Naj bo G 0 nek graf na množici vozlišč V z m povezavami. Verjetnost, da ga bomo izbrali, je enaka p m (1 p) (n2) m. Torej je za vsak izbran graf G verjetnost, da je G enak G 0, enaka zgornji. Verjetnost, da je G izomorfen G 0, bo seveda precej večja. Če so verjetnosti vseh elementarnih dogodkov določene na tak način, je na tak način določena tudi mera želenega prostora G(n, p). Preveriti je potrebno, da verjetnostna mera na G(n, p), ki se pojavi za vsako povezavo neodvisno z verjetnostjo p, obstaja. Naj bo Ω e = {0 e, 1 e } verjetnostni prostor za vsako povezavo e V V. Definirajmo verjetnosti Pr e ({1 e }) = p in Pr e ({0 e }) = q, da povezava je oziroma ni v grafu (verjetnosti elementarnih dogodkov prostora Ω e ). Za verjetnostni prostor G(n, p) vzemimo produktni prostor Ω = Ω e. e V V 17
18 Element Ω je preslikava ω, ki vsaki povezavi e V V priredi 0 e ali 1 e. Verjetnostna mera P na Ω pa je produktna mera vseh Pr e. V praksi to pomeni, da ω predstavlja graf G na n vozliščih s povezavami E(G) = {e ω(e) = 1 e }. Grafu G pravimo slučajni graf na V z verjetnostjo povezave p. Vsako množico grafov na V si v prostoru G(n, p) lahko predstavljamo kot dogodek. Ali drugače, za vsako povezavo e V V je množica A e = {ω ω(e) = 1 e } vseh grafov G na V, dogodek, da je e povezava v G. S pomočjo teh dogodkov pa lahko dokažemo prvo trditev. Trditev 3.1 Dogodki A e so neodvisni in se pojavljajo z verjetnostjo p. Dokaz. Po definiciji je A e = {1 e } e e Ω e. Ker je P produktna mera vseh mer P e, dobimo Pr(A e ) = p e e 1 = p. Podobno, če je {e 1,...,e k } poljubna podmnožica V V, velja Pr(A e1 A ek ) = Pr({1 e1 } {1 ek } Ω e ) e/ {e 1,...,e k } = p k = Pr(A e1 ) Pr(A ek ). P je torej enolično določen s p in našo predpostavko, da so dogodki A e neodvisni. Pri izračunavanju verjetnosti v prostoru G(n, p) zadošča operirati s tema predpostavkama in uporaba prostora ni več potrebna. 18
19 3.2 Grafovske invariante kot slučajne spremenljivke V kontekstu slučajnih grafov lahko vsako izmed invariant grafa (npr. povprečno stopnjo, povezanost, notranji obseg, kromatično število) interpretiramo kot nenegativno slučajno spremenljivko X na G(n, p). Za zgled poglejmo naslednjo trditev, kako omejimo invarianto neodvisnostnega števila α grafa G G(n, p). Lema 3.2 Za vsa naravna števila n in k, za katere velja n k 2, je verjetnost, da G G(n, p) vsebuje množico s k neodvisnimi vozlišči, največ ( ) n Pr(α(G) k) q 2) (k. k Dokaz. Verjetnost, da je neka določena množica U V z močjo k v grafu G neodvisna, je enaka q (k 2). Trditev nato sledi iz dejstva, da je natanko ( n k) takšnih množic U. Pričakovana vrednost X neke slučajne spremenljivke oz. grafovske invariante je E(X) = Pr(G) X(G). G G(n,p) Izračun povprečne vrednosti slučajne spremenljivke X je preprost in učinkovit način za dokaz obstoja grafa G z X(G) < a za določen a > 0, pri čemer pa ima G neko lastnost L. Če je pričakovana vrednost X majhna, je X(G) velik le za nekaj grafov iz G(n, p), ker je X(G) nenegativna slučajna spremenljivka. Torej mora biti vrednost X majhna za večino grafov iz G(n, p) in lahko pričakujemo, da bomo med njimi našli nekega z želeno lastnostjo L. Ta preprosta ideja s slučajnimi grafi je jedro številnih nekonstruktivnih dokazov obstoja objekta z določenimi lastnostmi. Izračunajmo število pričakovanih ciklov neke dane dolžine k 3 v slučajnem grafu G G(n, p). Naj bo X : G(n, p) N slučajna spremenljivka, ki vsakemu izmed slučajnih grafov G priredi število k-ciklov v njem. Definirajmo (n) k = n(n 1)(n 2) (n k + 1). To je število zaporedij k različnih elementov na množici z n elementi. Lema 3.3 Pričakovano število k-ciklov v G G(n, p) je E(X) = (n) k 2k pk. 19
20 Dokaz. Za vsak k-cikel C z vozlišči v V = {0,..., n 1} naj X C : G(n, p) {0, 1} predstavlja indikatorsko slučajno spremenljivko za C: { 1 C G; X C : G 0 sicer. Ker X C dobi samo 1 za pozitivno vrednost, je pričakovana vrednost E(X C ) enaka meri Pr(X C = 1) množice vseh grafov v G(n, p), ki vsebujejo C. To pa je natanko verjetnost, da je C G: E(X C ) = Pr(C G) = p k. Takšne cikle predstavlja natanko (n) k zaporedij v 0 v 1 v k 1 različnih vozlišč v V in vsak izmed ciklov je opisan z 2k takšnimi zaporedji. Torej je natanko (n) k /2k različnih ciklov. Slučajna spremenljivka X priredi vsakemu grafu G število k-ciklov, torej je X vsota vseh vrednosti X C (G) in tako dobimo: E(X) = E ( ) X C = C C E(X C ) = (n k) 2k pk. 20
21 Poglavje 4 Metoda izbrisa Kot je razvidno iz prejšnih poglavij, osnovni pristop verjetnostne metode pokaže obstoj objekta z določenimi lastnosti tako, da skonstruiramo poseben verjetnostni prostor objektov in pokažemo, da želene lastnosti v tem prostoru veljajo s pozitivno verjetnostjo. Velikokrat ta direkten pristop ni uspešen. Takrat pogosto lahko pokažemo, da obstaja objekt, ki "skoraj" zadostuje našim pogojem in se ga da modificirati do želenega. Krajše povedano, metoda izbrisa obravnava slučajno konfiguracijo, ki ni"dobra" in je"slaba" le na nekaj mestih. Iz konfiguracije odstranimo par objektov in tako dobimo (manjšo) "dobro"konfiguracijo. Preden se lotimo primerov omenimo Markovo neenakost, ki se najpogosteje uporablja v tem pristopu. Izrek 4.1 (Markova neenakost) Za nenegativno slučajno spremenljivko in a > 0 velja: P[X t] E(X). t Dokaz. E(X) = i ipr[x = i] i t tpr[x = i] = tpr[x t]. 4.1 Ramseyeva števila Trditev 4.2 Če ( n k) 2 1 ( k 2) < 1, potem R(k, k) > n. Trditev 4.3 (Spencer 1987) Za vsak n velja: R(k, k) > n ( n k) 2 1 ( k 2). 21
22 Dokaz. Obravnavajmo 2-barvanje povezav grafa K n. Za množico S, s k točkami, naj bo X S indikatorska spremenljivka za dogodek, da je S monokromatska. E[X S ] = P[S je monokromatska] = 2 1 (k 2). Naj bo X = S X S. Potem je E[X] = S E[X S] = m, pri čemer je m = ( n k) 2 1 ( k 2). Torej obstaja barvanje, ki ima največ m monokromatskih k-klik, t.j. X m. Iz vsake take klike odstranimo eno točko in dobimo ustrezno pobarvan K s, za s n m. Od tod sledi R(k, k) > s n m. 4.2 Največji neodvisni podgrafi Neodvisni podgraf grafa G je množica vozlišč iz grafa G, ki v G niso povezana. Naslednji izrek bo navzdol omejil velikost največjega neodvisnega grafa v G. Naj bo α(g) velikost največje neodvisne množice grafa G. Izrek 4.4 Naj bo G graf na n točkah z nk 2 povezavami. Potem je α(g) n 2k. Dokaz. Naj bo S slučajna podmnožica točk v grafu G. Množico S dobimo tako, da vsako točko iz grafa G izberemo z verjetnostjo p. Naj bo X število točk in Y število povezav v S. Velja E[X] = pn in E[Y ] = nk 2 p2. Potem je Pri p = 1, E[X Y ] doseže maksimum: k Torej obstaja množica S, ki ima vsaj E[X Y ] = np nk 2 p2. E[X Y ] = n k n 2k = n 2k. n 2k več točk kot povezav. Vsaki povezavi odstranimo eno točko in dobimo neodvisno množico z vsaj n 2k točkami. V nadaljevanju naj bo d v stopnja vozlišča v V za graf G = (V, E). Izrek 4.5 (Turan) Za vsak graf G velja α(g) v V 1 d v
23 Dokaz. Naj < linearno ureja V. Definirajmo I = {v V ; {v, w} E v < w}. Naj bo X v indikator naključne spremenljivke za v I in X = v V X v = I. Za vsak v velja E[X v ] = Pr[v I] = 1 d v + 1, ker je v I natanko tedaj, ko je v najmanjši element med v in njegovimi sosedi. Torej je E[X] = v V in torej obstaja specifično urejanje < z I v V 1 d v d v + 1. Toda če sta x, y I in {x, y} E, potem x < y in y < x, kar je protislovje. Torej je I neodvisen in α(g) I. Za vsak m n, naj q, r ustrezata n = mq + r, 0 r < m, in naj bo ( ) ( ) q + 1 q e = r + (m r). 2 2 Definirajmo graf G = G n,e na n vozliščih in e povezavah tako, da enakovredno (kolikor je to mogoče) razdelimo množico vozlišč v m razredov in združimo dve vozlišči natanko tedaj, ko ležita v istem razredu. Očitno je, da α(g n,e ) = m. Izrek 4.6 (Turan, 1941) Naj ima H n vozlišč in e povezav. Potem je α(h) m in α(h) = m H = G n,e. Dokaz. G n,e ima 1 v V d v+1 = m, ker vsaka klika doprinese 1 k vsoti. Če fiksiramo e = d v2 v V, je 1 v V minimiziran z d d v+1 v, ki so kolikor se le da blizu. Tako velja za vsak H, α(h) 1 d v V v + 1 m. Za α(h) = m moramo imeti enakost zgoraj na obeh straneh. Iz druge enakosti vidimo, da morajo biti d v kolikor se le da blizu. Če predpostavimo, da je X = I kot v prejšnjem izreku, lahko sklepamo, da je α(h) = E(X). Toda α(h) X za 23
24 vse vrednosti <, torej mora biti X konstanta. Recimo, da H ni unija klik. Potem obstajajo x, y, z V z {x, y}, {x, z} E, {y, z} / E. Naj bo < ureditev, ki se prične z x, y, z in < ista ureditev, ki pa se prične z y, z, x in naj bosta I, I pripadajoči množici vozlišč, za katere velja, da so vsi njihovi sosedje večji. Potem sta I, I identični, razen da x I, y, z / I, medtem ko je x / I, y, z I. Torej X ni konstanta. Potem iz α(h) = E[X] sledi, da je H unija klik in je torej H = G n,e. 24
25 Poglavje 5 Drugi moment Čebiševo neenakost uporabljamo, kadar želimo oceniti verjetnost, da se bo slučajna spremenljivka odklonila od njenega matematičnega upanja za vsaj dano število t. Ali drugače, Čebiševa neenakost ocenjuje kakšna je verjetnost, da se slučajna spremenljivka veliko razlikuje od matematičnega upanja. Lema 5.1 (Čebiševa neenakost) Če ima slučajna spremenljivka X matematično upanje E[X] in končno varianco Var[X], velja za vsak pozitiven t ocena P[ X E[X] t] Var[X] t 2. Dokaz. Var[X] = E[(X E[X]) 2 ] t 2 P[ X E[X] t]. Ocena ni natančna. Če je t 2 < Var[X], je celo prazna, saj je tedaj njena desna stran večja od 1, verjetnost pa tako ali tako ne more biti večja od 1. Najboljši rezultat pa nam da ocena, če je X enak µ z verjetnostjo p ali enak µ ± t z verjetnostjo 1 p Ocenjevanje srednjega binomskega koeficienta Med binomskimi koeficienti ( ) ( 2m k, kjer je k = 0, 1,..., 2m, je 2m ) m največji in se pogosto uporablja v različnih formulah (npr. Catalanova števila imajo enostavno enačbo z binomskimi koeficienti. Ta števila tvorijo zaporedje naravnih števil, ki se pojavljajo v mnogih preštevilskih in velikokrat rekurzivnih problemih v kombinatoriki). Metoda s pomočjo drugega momenta je preprost način s katerim navzdol omejimo koeficient ( 2m m ). Sicer pa obstajajo tudi drugi pristopi in nekateri med 25
26 njimi nam dajo celo bolj natančno oceno. Vendar je trik s Čebiševo neenakostjo bolj preprost in tudi ocena je dovolj natančna. Trditev 5.2 Za vsak m 1 velja ( ) 2m m 2 2m (4 m + 2). Dokaz. Naj bo X naključna spremenljivka za katero velja X = X 1 +X 2 + +X 2m, kjer so spremenljivke X i med seboj neodvisne in vsaka od njih doseže vrednost 0 in 1 z verjetnostjo 1 2. Torej je E[X] = m in Var[X] = m 2. Za t = m nam Čebiševa neenakost da naslednjo oceno: P[ X m < m] 1 2. Verjetnost, da X doseže vrednost m+k, kjer je k < m, je ( ) 2m m+k 2 2m ( ) 2m m 2 2m, saj je ( ) 2m m največji binomski koeficient. Torej imamo ( 2m 1 2 k < m Različne vsote P[X = m + k] (2 m + 1) m ) 2 2m. Naj bo A = {x 1, x 2,..., x k } množica pozitivnih celih števil. Pravimo, da ima množica A različne vsote, če za vse vrste x i, kjer je S {1, 2,..., k} i S velja, da so si različne. Naj f(n) označuje maksimalen k, za katerega obstaja množica {x 1, x 2,..., x k } {1, 2,..., n} z različnimi vsotami. Najpreprostejši primer take množice z različnimi vsotami je {2 i ; i log 2 n}. Ta primer implicira f(n) 1 + (log 2 n). Kako pa bi f(n) lahko omejili navzgor? Erdös je obljubil 300 $ tistemu, ki dokaže ali ovrže trditev f(n) log 2 n + C, kjer je C neka konstanta. Iz zgornjega vidimo, da če so vse 2 f(n) vsote različne in manj kot nk, potem f(n) < nk = nf(n) 26
27 in tako f(n) < log 2 n + log 2 (log 2 n) + O(1). Razmišljanje z metodo drugega momenta (torej s pomočjo Čebiševe neenakosti) nam da lažjo rešitev problema in izkaže se, da tudi malo bolj natančno. Naj bo {x 1, x 2,..., x k } {1, 2,..., n} množica z različnimi vsotami. Naj bodo ε 1, ε 2,...,ε k neodvisne slučajne spremenljivke z verjetnostjo P[ε i = 1] = P[ε i = 0] = 1 2 in naj bo X = ε 1 x 1 + ε 2 x ε k x k (o X tudi lahko razmišljamo kot o slučajni spremenljivki). Naj bo in σ 2 = Var[X]. Omejimo varianco µ = E[X] = x 1 + x x k 2 in zato je σ 2 = x2 1 + x x2 k 4 σ = n k 2. S Čebiševo neenakostjo za vsak λ > 1 velja n2 k 4 Po drugi strani pa P[ X µ λn k ] λ λ P[ X µ < λn k ]. 2 2 Ampak X zavzame vrednost z verjetnostjo 0 ali 2 k, ker vsoto lahko dobimo na en sam način. Tako in P[ X µ < λn k ] 2 k (λn k + 1) 2 n 2k (1 λ 2 ) 1 λ. k Medtem, ko da λ = 3 optimalen rezultat, nam da vsaka izbira λ 1 : Izrek 5.3 f(n) log 2 n log 2(log 2 n) + O(1) 27
28 5.2 Pragovna funkcija Vrnimo se sedaj k slučajnim grafom in razmislimo naslednje vprašanje. Kakšna je verjetnost, da graf G(n, p) vsebuje trikotnik? Omenimo še, da je lastnost, da graf vsebuje trikotnik, monotona, kar pomeni, da če ima graf G neko določeno lastnost in je G H, potem ta lastnost velja tudi za graf H. Za majhne p graf G(n, p) verjetno trikotnika ne bo vseboval, medtem ko je za velike p pojav trikotnika v grafu bolj verjeten. Naj bo T število trikotnikov v grafu G(n, p). Za dano trojico točk je verjetnost, da tvorijo trikotnik p 3. Zaradi linearnosti matematičnega upanja, je pričakovano število trikotnikov E[T] = ( ) n p 3. 3 Če je p(n) 1, potem se pričakovana vrednost števila trikotnikov bliža 0, ko n večamo n. Zato se tudi verjetnost, da nek graf G(n, p) vsebuje trikotnike nagiba k 0, če je p(n) 1 n pri velikih n. Po drugi strani pa, če predpostavimo, da je p(n) 1 n, matematično upanje števila trikotnikov narašča v neskončnost z naraščanjem n, kar pa ne pomeni, da graf G(n, p) sigurno vsebuje trikotnike. Lahko se zgodi, da nekaj grafov vsebuje veliko trikotnikov in tako dvigne pričakovano vrednost. To lahko ponazorimo tudi z naslednjim življenskim primerom. Požarno zavarovanje: Letna cena zavarovanja proti požaru na gospodinjstvo narašča. To odraža rast škode, ki jo povzroči ogenj v gospodinjstvu vsako leto. Ampak ali to pomeni, da verjetnost, da bo ogenj povzročil nesrečo, narašča? Ali to celo pomeni, če gledamo v limiti, da bo skoraj vsako gospodinjstvo gorelo vsako leto? Težko. Dvig pričakovane cene škode je posledica parih požarnih nesreč vsako leto, katerih cena se viša. Na srečo pa se naši trikotniki ne obnašajo tako nepredvidljivo kot požarne nesreče. Za večino slučajnih grafov velja, da je število trikotnikov, ki jih vsebujejo, relativno blizu pričakovane vrednosti. Pravzaprav nam ravno ta metoda s pomočjo drugega momenta dokazuje, da če je pričakovana vrednost števila trikotnikov dovolj velika, potem slučajni graf skoraj sigurno vsebuje nekaj trikotnikov. Lema 5.4 Naj bodo X 1, X 2,... nenegativne slučajne spremenljivke za katere velja Potem lim n Var[X n ] (E[X n ]) 2 = 0. lim P[X n > 0] = 1. n 28
29 Dokaz. Naj bo t = E[X n ] in uporabimo Čebiševo neenakost: Tako dobimo P[ X n E[X n ] E[X n ]] Var[X n] (E[X n ]) 2. lim P[X Var[X n ] n 0] lim n n (E[X n ]) = 0. 2 Zdaj moramo oceniti varianco števila trikotnikov v grafu G(n, p). Število trikotnikov T zapišemo kot T = i T i, kjer so T 1, T 2,... indikatorske spremenljivke za vse ( n 3) možne trikotnike v grafu G(n, p). Varianca vsote slučajnih spremenljivk je Var[T] = i Var[T i ] + i j Cov[T i, T j ]. Za vsak trikotnik velja Var[T i ] E[T 2 i ] = p 3 in za vsak par trikotnikov, ki ima skupno eno povezavo velja Cov[T i, T j ] E[T i T j ] = p 5, (torej sta T i in T j indikatorski spremenljivki dveh trikotnikov na petih določenih povezavah). Indikatorske spremenljivke trikotnikov, ki nimajo skupne povezave, so neodvisne in je torej kovarianca takih parov enaka 0. Zato seštevamo le kovarianco tistih parov trikotnikov, ki imajo skupno povezavo. Število le teh je 12 ( n 4) in tako dobimo ( ) ( ) n n Var[T] p p 5 n 3 p 3 + n 4 p Var[T] (E[T]) n3 p 3 + n 4 p 5 2 ( ( 1 ) n = O( p3 ) 2 n 3 p n 2 p ), 3 kar limitira proti 0, če je p(n) 1. Po lemi 5.4 pa iz tega sledi, da se verjetnost, n da graf G(n, p) vsebuje trikotnike, približuje 1 z naraščanjem n proti neskončnosti. Lastnost, ali graf vsebuje trikotnik, lahko preverimo tudi s pomočjo pragovne funkcije. Ta pojem sta vpeljala Erdös in Rényi. Preden pa definiramo pragovno funkcijo, ponovimo še kaj pomeni, da je lastnost A monotona. Naj bosta G in H grafa, za katera velja V (H) = V (G) in E(H) E(G). Lastnost A je monotona, če velja: H ima lastnost A, potem sledi, da ima lastnost A tudi G. 29
30 Definicija 5.5 Funkcija r : N R je pragovna funkcija za monotono lastnost A grafa G(n, p), če za vsak p : N [0, 1] velja: 1. p(n) r(n) lim n P[A velja za G(n, p(n))] = 0, 2. r(n) p(n) lim n P[A velja za G(n, p(n))] = 1. Pragovna funkcija lahko obstaja lahko pa tudi ne. Tudi če že obstaja, ni nujno, da je enolično določena. Na primer za našo lastnost, da G(n, p) vsebuje trikotnik, je pragovna funkcija r(n) = 1/n. Vendar pa bi lahko namesto tega zapisa uporabili tudi r(n) = c/n (za vsak c > 0). Lahko pa bi se ukvarjali tudi s pragovno funkcijo bolj splošnih lastnosti, kot je na primer pojav podgrafa v grafu G(n, p) (vendar ne nujno induciranega, saj je ta problem veliko bolj zapleten). Izkaže se, da je naš ukrep primeren tudi za bolj splošne lastnosti podgrafa, pod pogojem, da je ta uravnotežen. Preden pa povemo kaj je uravnotežen graf, pa definirajmo še gostoto grafa. Naj bo H graf z v vozlišči in e povezavami. Definiramo gostoto grafa H kot ρ(h) = e v. Grafu H rečemo, da je uravnotežen, če noben njegov podgraf nima večje gostote kot graf H sam. Izrek 5.6 Naj bo H uravnotežen graf z gostoto ρ. Potem je r(n) = n 1 ρ funkcija za lastnost, da je H podgraf grafa G(n, p). pragovna 30
31 Poglavje 6 Lovaszeva lokalna lema 6.1 Lokalna in simetrična lokalna lema Običajno je cilj verjetnostne metode pokazati, da se s pozitivno verjetnostjo ne zgodi nič "slabega". Ponavadi imamo neke slabe dogodke A 1, A 2...,A n, ki se jim poskušamo izogniti, recimo enobarvne povezave pri barvanju (hiper)grafa. Vemo, da je Pr(A 1 A 2 A n ) Pr(A i ). Če je vsota Pr(A i ) strogo manjša od 1, potem je očitno, da se s pozitivno verjetnostjo nobeden od teh dogodkov ne zgodi. Sicer pa v praksi v veliki večini primerov ta pristop ni uporaben, ker je lahko vsota Pr(Ai ) veliko večja kot Pr(A 1 A 2 A n ). Poseben primer, pri katerem smo bolj uspešni je, kadar so dogodki A 1,...,A n neodvisni in netrivialni. Tedaj velja, da je Pr(A 1 A 2 A n ) = 1 Pr(Ā1 Ā2 Ān) = 1 Pr(Ā1)Pr(Ā2) Pr(Ān) > 0. Zadnja neenakost sledi iz tega, da so vsi A i netrivialni. Pričakovati je, da nekaj podobnega velja tudi, če so dogodki le "skoraj neodvisni". V nadaljevanju bomo potrebovali naslednji dve definiciji. Dogodek A je neodvisen od dogodkov B 1,...,B k, če za vsako podmnožico J {1, 2,..., k} velja: Pr(A B j ) = Pr(A)Pr( B j ). j J j J Naj bodo A 1,..., A n dogodki v verjetnostnem prostoru. Usmerjeni graf G z vozlišči {1,...,n} imenujemo odvisnostni graf, če je dogodek A i neodvisen od vseh dogodkov A j, za katere (i, j) E(G). Pri tem velja opozoriti, da odvisnostni graf ni enolično določen. 31
32 Oglejmo si najprej splošno asimetrično obliko Lovaszove lokalne leme: Izrek 6.1 (Asimetrična Lovaszova lokalna lema) Naj bodo A 1,...,A n dogodki ter D = (V, E) odvisnostni graf teh dogodkov. Za vsa števila i {1,..., n} naj bodo x i [0, 1) realna števila, za katera velja: Pr(A i ) x i (1 x j ). (i,j) E Potem velja Pr(Ā1 Ā2 Ān) n (1 x i ) > 0. i=1 Dokaz. Komplementarni dogodki Ā i se sicer zgodijo s pozitivno verjetnostjo, vendar želimo, da se s pozitivno verjetnostjo zgodijo sočasno. To ne bo mogoče, če kombinacija dogodkov Āj zahteva, da se zgodi nek dogodek A i (i j). Zato moramo omejiti verjetnost dogodka A i pri pogoju, da se ostali dogodki niso zgodili. Najprej za poljubno podmnožico S {1, 2,..., n} in i / S pokažemo, da je Pr(A i j S Ā j ) x i. To pokažemo z indukcijo po velikosti množice S. Za S = trditev drži po privzetku izreka: Pr(A i ) x i (i,j) E (1 x j ) x i. Privzemimo, da zgornja trditev velja za poljubno množico S, S < S, torej velja za množici S 1 = {j S : (i, j) E} in S 2 = S \ S 1. Privzamemo lahko, da S 1, sicer trditev trivialno sledi, saj je A i neodvisna od j S Ā j. Velja P ( ) P ( A A i i j S Ā j = 1 Ā j ) l S 2 Ā l P ( ) j S 1 Ā j. l S 2 Ā l j S Ker je A i neodvisen od dogodkov {A l : l S 2 }, lahko omejimo: P ( A i j S 1 Ā j ) ( Ā l P Ai ) Ā l = Pr(Ai ) x i l S 2 l S 2 (i,j) E (1 x j ). 32
33 Naj bo S 1 = {j 1, j 2,...,j r }. Potem po indukcijski predpostavki lahko omejimo tudi: P ( Aj1 A ) ( ) ( jr Ā l = P Aj1 Ā l P Aj2 Aj1 ) Ā l l S 2 l S 2 l S 2 Torej je P ( A i j S Āj) xi in zato: i=1 P ( Ajr Aj1 A jr 1 ) Ā l l S 2 (1 x j1 )(1 x j2 ) (1 x jr ) (1 x j ). (i,j) E P ( n ) Ā i = Pr( Ā 1 )Pr(Ā2 Ā1) Pr(Ān Ā1 A n 1 ) n (1 x i ). Izrek 6.2 (Simetrična Lovaszova lokalna lema) Naj bodo A 1, A 2,...,A n dogodki, za katere je Pr(A i ) p. Naj za vsak i = 1, 2,..., n velja, da je A i neodvisen od A j za vsak j i, razen za največ d dogodkov A j (torej največ d dogodkov A j je odvisnih od dogodka A i, (j i)). Če je ep(d+1) 1 (kjer je e osnova naravnega logaritma), potem je P ( n ) Ā i > 0. i=1 Dokaz. Če je d = 0, so dogodki med seboj neodvisni in zato velja P ( n i=1 Āi) = P(Ā1)P(Ā2) P(Ān) > 0. Naj bo x i = 1 d+1 največ d, zato velja: x i (i,j) E (i=1 < 1. V odvisnostnem grafu je izhodnja stopnja vsakega vozlišča (1 x j ) 1 d + 1 (1 1 d + 1 )d 1 e(d + 1) p. Po asimetrični lovaszovi lokalni lemi velja P ( n i=1 Āi) n i=1 (1 x i) > Barvanje hipergrafov Pokazali smo že, da so k-uniformni hipergrafi z manj kot 2 k 1 povezavami 2-obarvljivi. Sedaj pa bomo s pomočjo simetrične Lovasz-eve lokalne leme dokazali podobni rezultat, ki velja za hipergrafe s poljubnim številom povezav, ki pa ne smejo biti preveč incidenčne. 33
34 Izrek 6.3 Naj bo H hipergraf, v katerem ima vsaka povezava vsaj k točk in je incidenčna z največ d drugimi povezavami. Če je e(d+1) 2 k 1, potem je H 2-barvljiv. Dokaz. Točke grafa H pobarvajmo (slučajno) z rdečo ali modro barvo, z verjetnostjo 1/2. Za vsako povezavo f naj A f označuje dogodek, da je f enobarvna. Ker ima vsaka povezava vsaj k točk, je verjetnost dogodka A f največ 2 2 k = 2 1 k. Očitno je dogodek A f neodvisen od A g, razen tistih, kjer se f in g sekata (teh je največ d). Poglejmo, koliko je e P(A f ) (d + 1). Po predpostavki je e(d + 1) 2 k 1, zato je P(A f ) e (d + 1) 2 1 k 2 k 1 = 1. Torej lahko uporabimo Lovaszovo lokalno lemo, ki v tem primeru pravi: verjetnost, da nobena povezava ni enobarvna je večja od Izpolnjivost SAT problema Izrek 6.4 Naj bo F primerek k-sat problema tak, da se vsaka spremenljivka pojavi v največ 2k 2 k stavkov. Potem je F izpolnjiv. Dokaz. Naj bodo x 1, x 2,...,x n spremenljivke, za katere velja x i {T, F }, i = 1, 2,..., n, vsaka vrednost pa je izbrana z verjetnostjo p = 1 2. Naj bo A i dogodek, da je i-ti stavek nepravilen (ima vrednost F), i = 1, 2,..., m (m stavkov). Verjetnost dogodka A i je enaka verjetnosti, da imajo vse spremenljivke oziroma njihove negacije v i-tem stavku vrednost F. Torej velja Pr(A i ) = 2 k = p. Izračunajmo še največjo izhodno stopnjo odvisnostnega grafa. V i-tem stavku se pojavi k spremenljivk, vsaka od njih pa se pojavi v največ 2k 2 k stavkih. Torej je od tega stavka (in posledično dogodka A i ) odvisnih največ k 2k 2 k = 2 k 2 preostalih stavkov (dogodkov). Tako velja d 2 k 2. Sedaj izračunamo 4pd 4 2 k 2 k 2 = 1 in po simetrični Lovaszevi lokalni lemi velja Pr(Ā1 Ā2... Ām) > 0, kar pomeni, da je verjetnost, da je k-sat problem rešljiv, pozitivna. 6.4 Seznamsko barvanje vozlišč Izrek 6.5 Naj bo G tak graf, da ima vsaka točka seznam dopustnih barv velikosti l > 0. Za vsako točko v in vsako barvo c velja, da je c vsebovana v največ l/8 34
35 seznamov od sosedov točke v. Potem obstaja pravilno barvanje tako, da vsaka točka dobi barvo iz svojega seznama. Dokaz. Graf pobarvajmo slučajno, tako da vsako točko v pobarvamo s poljubno barvo iz njenega seznama barv L v. Pri tem je vsaka izmed barv seznama izbrana z enako verjetnostjo 1 l. Za vsako povezavo e = (u, v) E(G) in barvo c L u L v definirajmo dogodek A c,e, da sta obe krajišči povezave obarvani z barvo c. Najprej izračunajmo verjetnost dogodka A c,e : Pr(A c,e ) = 1 = p, saj barve l 2 izbiramo enakomerno iz obeh seznamov krajišč povezave e. Opazimo, da je dogodek A c,e odvisen le od barv s seznamov L u in L v. Tako so od A c,e odvisni dogodki: E u = {A d,f ; d L u, u je krajišče povezave f}, E v = {A d,f ; d L v, v je krajišče povezave f}. Seznam L u ima l barv, točka u pa ima največ l sosedov, ki so lahko pobarvani 8 z barvo c (imajo jo v svojem seznamu). Zato velja E u l l = l2. Enako velja za 8 8 E v l2. Od dogodka A 8 c,e je torej odvisnih največ l2 + l2 = l2 dogodkov in velja d l2 4. Velja 4dp 4 l2 4 1 = 1 in po simetrični Lovaszevi lemi velja l 2 P ( Āc,e ; e = (u, v) E(G), c L u L v ) > 0. Torej s pozitivno verjetnostjo obstaja pravilno barvanje, kjer vsaka točka dobi barvo iz svojega seznama. 6.5 Usmerjeni cikli Izrek 6.6 Naj bo D = (V, E) usmerjen graf z minimalno izhodno stopnjo δ in maksimalno vhodno stopnjo. Potem za vsak k N, za katerega velja k δ 1 + ln(1 + δ ), D vsebuje usmerjen cikel, dolžine deljive s k. Dokaz. Oglejmo si podgraf digrafa D, v katerem je izhodna stopnja vsake točke natanko δ. Naj bo f : V {0, 1,..., k 1} naključno barvanje, ki ga dobimo tako, 35
36 da za vsak v V izberemo f(v) neodvisno (in vse z enako verjetnostjo). Z N + (v) označimo množico točk {w : (v, w) E} in z A v dogodek, da nobena točka v N + (v) ni pobarvana z f(v) + 1 (mod k). Verjetnost dogodka A v je p = ( k 1 k )δ = (1 1 k )δ. Trdimo, da je vsak A v neodvisen od vseh A w, za katere je N + (v) (N + (w) {w}) =. (6.1) To pomeni, da w ni naslednik od v ter w in v nimata skupnega naslednika. Toda v je lahko naslednik od w. V tem primeru neodvisnost ni tako očitna kot sicer, toda vseeno drži: celo, če so barve vseh točk razen N + (v) že fiksne (natanko določene), bo verjetnost dogodka A v še vedno enaka (1 1 k )δ. Naj d označuje število točk w, ki ne zadošča (6.1). Potem je d δ + δ( 1) = δ. Zato je ep(d + 1) e(1 1 k )δ (δ + 1) e 1 δ/k (δ + 1). Ko uporabimo začetno predpostavko, dobimo e 1 δ/k (δ + 1) 1 (1 + δ ) = δ Torej je ep(d+1) 1. Potem po Lovaszovi lokalni lemi sledi, da je P [ i V Ā i ] > 0. To pomeni, da obstaja barvanje pri katerem za vsako točko v V obstaja w N + (v), tako da je f(w) = f(v) + 1 (mod k). Če si sedaj izberemo poljubno točko v 0 V, potem lahko generiramo zaporedje v 0, v 1, v 2,..., tako da v i v i+1 E in f(v i+1 ) = f(v) + 1 (mod k), dokler ne najdemo usmerjenega cikla v D. Glede na to, kako smo skonstruirali barvanje, mora biti dolžina cikla deljiva s k. 36
37 Poglavje 7 Koncentracija slučajnih spremenljivk 7.1 Černova neenakost Izrek 7.1 (Černov) Naj bodo X 1,..., X n neodvisne slučajne spremenljivke, ki zavzamejo vrednosti 1 ali 1, obe z verjetnostjo 1 2. Naj bo X = X X n. Potem za vsak realen t 0 velja kjer je σ = var(x) = n. P(X t) < e t2 /2σ 2 in P(X t) < e t2 /2σ 2, Dokaz. Dokažimo le prvo neenakost, druga bo namreč sledila iz simetrije. Definirajmo novo slučajno spremenljivko Y = e ux, kjer je u > 0 realni parameter (za zdaj še nedoločen). Potem velja P[X t] = P[Y e ut ]. Po Markovi neenakosti velja P[Y q] E[Y ]. Računajmo q E[Y ] = E[e u n i=1 X i ] = E[ n e ux i ] = i=1 n E[e ux i ] i=1 (zaradi neodvisnosti X i ) ( ) e u + e u n = e nu2 /2. 2 Zadnja ocena sledi iz neenakosti ex +e x 2 = cosh x e x2 /2, ki velja za vsa realna števila x (obe strani razvijemo v Taylorjevo vrsto in primerjamo koeficiente). Potem je P[Y e ut ] E[Y ] e ut e nu2 /2 ut. Zadnji izraz je minimiziran za u = t n, od koder sledi e t2 /2n = e t2 /2σ 2. 37
38 Izrek 7.2 Naj bodo X 1,..., X n neodvisne slučajne spremenljivke, ki zavzamejo vrednosti 1 z verjetnostjo p in 0 z verjetnostjo 1 p. Naj bo X = X X n. Potem za vsak 0 t np velja P( X np > t) < 2e t2 /3np. Če je t > np je običajno dovolj uporabiti naslednjo oceno: P( X np > t) < P( X np > np) < 2e np/3. Naj bo X množica z n točkami in naj bo F družina podmnožic množice X. Radi bi pobarvali točke množice X z rdečo in modro barvo tako, da vsaka množica družine F vsebuje uravnoteženo število točk modre in rdeče barve (uravnoteženo barvanje). Naj ima rdeča barva vrednost +1 in modra vrednost 1. Barvanje podamo s preslikavo ψ : X { 1, +1}. Za poljubno množico S F določa ψ(s) = ψ(x) razliko med številom rdečih in modrih točk. Zanima nas barvanje ψ, pri x S katerem je največja razlika med številom modrih in rdečih točk v množicah družine F minimalna: urb(f) = min max ψ(s). ψ S F Trditev 7.3 Naj bo X = n in F = m. Potem velja urb(f) 2n ln(2m). Če je maksimalno število množic v F največ s, potem velja urb(f) 2s ln(2m). Dokaz. Naj bo ψ : X { 1, +1} slučajno barvanje množice X, kjer so barve točk izbrane enotno in neodvisno. Za vsako fiksno množico S X je ψ(s) = x S ψ(x) vsota S neodvisnih slučajnih ±1 spremenljivk. Po Černovi neenakosti velja: P[ ψ(s) > t] < 2e t2 /2 S 2e t2 /2s. Za t = 2s ln(2m), 2e t2 /2s postane 1. Torej s pozitivno verjetnostjo slučajno m barvanje zadošča ψ(s) t za vse S F. 7.2 Talagrandova neenakost Izrek 7.4 (enostavna meja koncentracije) Naj bo X slučajna spremenljivka določena z n neodvisnimi poskusi T 1, T 2,...,T n ter naj velja, da 38
39 (1) sprememba izida kateregakoli poskusa T i spremeni X za največ c (ponavadi majhno število), potem je P( X E[X] > t) < 2e t2 /2c 2n. Naj bo T i = ter naj bo B = Σ n i=1 T i. Potem je E[B] = n 2 { 0 p = 1/2 1 p = 1/2. P( B n 2 > t) < 2e t2 /2n, in po Izreku 7.4 dobimo: pri čemer velja, da sprememba izida kateregakoli poskusa T i spremeni X za največ 1 (c = 1). Naj bo A = nt n, t.j. T i = { 0 p = 1/2 n p = 1/2, V tem primeru pogoj (1) ne velja, t.j. za poljuben c obstaja poskus T k, k > c katerega sprememba izida spremeni X za več kot c. Sicer podobno kot pri spremenljivki B, velja E[A] = n 2, vendar: P( A E[A] n 2 ) = 1. Enostavna meja koncentracije ne da dobrih rezultatov pri binomsko porazdeljenih slučajnih spremenljivkah b(n, p), ko je p = o(1). Na primer, če je p = n 1/2 z enostavno mejo koncentracije dobimo naslednjo oceno: P( b(n, p) np > 1 2 np) < 2e 1 16, ki pa je veliko slabša od ocene, ki jo dobimo s Černovo neenakostjo: P( b(n, p) np > 1 2 np) < 2e n 12. Včasih potrebujemo rezultat naslednjega tipa: P( X E[X] > αe[x]) < e βe[x]. V takem primeru uporabimo enostavno mejo koncentracije, če je E[X] cn. Sicer pa uporabimo Talagrandovo neenakost, ki da dobre ocene tudi, ko je E[X] = o(n). 39
40 Izrek 7.5 (Talagrandova neenakost) Naj bo X 0 nenegativna slučajna spremenljivka določena z n neodvisnimi poskusi T 1, T 2,..., T n in naj obstajata (majhna) c, r > 0 tako, da: (1) sprememba poljubnega poskusa T i spremeni X za največ c, (2) če je X s, potem obstaja r s poskusov, katerih izidi nam zagotovijo, da je X s. Za 0 t E[X] potem velja P( X E[X] > t + 60c re[x]) 4e t 2 8c 2 re[x]. V praksi sta c in r majhna in velja t E[X]. Od tod dobimo naslednjo poenostavitev: P( X E[X] > t) 2e βt 2 E[X]. Za boljši občutek si oglejmo naslednji primer. Naj bo G graf z v = V (G) številom vozlišč. Izberimo slučajni podgraf H G tako, da vsako povezavo izberemo z verjetnostjo p. Z X označimo število točk, ki so krajišča teh povezav. Ali je X skoncentrirana? Černove neenakosti v tem primeru ne moremo uporabiti. Pogoj (1) enostavne meje koncentracije je izpolnjen za c = 2, vendar pa je E(X) v, medtem ko je število povezav v grafu G in zato število poskusov reda v 2. Zato nam enostavna meja koncentracije ne da dobre ocene. Pogoj (1) pri Talagrandovi neenakosti je prav tako izpolnjen pri c = 2. Za izpolnitev pogoja (2) pa izberemo s povezav (poskusov), ki pokrivajo vsaj s različnih vozlišč grafa G. Potem lahko uporabimo Talagrandovo neenakost po kateri je slučajna spremenljivka X skoncentrirana. 7.3 Koncentracija vozlišč regularnih grafov Izrek 7.6 Naj bo G r-regularen graf. Če konstruiramo slučajni graf H tako, da vsako povezavo iz G izberemo z verjetnostjo 1, potem je število točk stopnje 2 2 skoncentrirano. Dokaz. Naj bo X nenegativna slučajna spremenljivka, ki označuje število točk stopnje vsaj 2. Določena je z m neodvisnimi poskusi T 1, T 2,..., T m, kjer je T i poskus, v katerem je i-ta povezava grafa G izbrana z verjetnosjo p = 1. Naj bo n število 2 točk grafa G in velja m = rn. 2 40
41 Opazimo, da sprememba poljubnega poskusa T i spremeni X za največ c = 2, saj se pri tem stopnja spremeni le dvema točkama. Če je X s, obstaja rs poskusov, ki zagotovijo tak rezultat. Izberimo si s točk stopnje vsaj 2. Vsako tako točko določata vsaj 2 poskusa, torej je r = 2. Tedaj velja Talagrandova neenakost P ( X E(X) > t E(X) ) 4e t2 64E(X). Izračunajmo matematično upanje E(X). Potrebujemo verjetnost posamezne točke v, da ima stopnjo večjo od 2. To storimo na naslednji način: P(d(v) 2) = 1 P(d(v) = 1) P(d(v) = 0). Izračunajmo najprej P(d(v) = 0) = 2 r in P(d(v) = 1) = r2 r. Torej velja P(d(v) 2) = 1 (1+r)2 r, matematično upanje pa je E(X) = n(1 (1+r)2 r ). Tako velja E(X) = O(n) in eksponent v Talagrandovi neenakosti ni konstanta. 7.4 Azumova neenakost Martingala je zaporedje X 0,...,X m slučajnih spremenljivk, takih da za 0 i < m velja E[X i+1 X i, X i 1,...,X 0 ] = X i. Predstavljajmo si, da gre kockar v igralnico z X 0 denarja. V igralnici je mnogo iger na srečo. Vse igre so poštene, kar pomeni, da je njihovo matematično upanje enako 0. Igralec lahko izbere strategijo, da podvoji stavo vsakič, ko izgubi, z razlogom da bo prva zmaga pokrila vse prejšnje vložke in prinesla še dodaten dobiček v vrednosti originalnega vložka. Naj slučajna spremenljivka X i predstavlja kockarjevo srečo v času i. Če je X i = a, potem mora biti pogojna verjetnost spremenljivke X i+1 enaka a, torej je to martingala. Poglejmo si preprost, a poučen primer. Predpostavimo, da slučajna spremenljivka X n predstavlja kockarjevo srečo po n metih poštenega kovanca, kjer igralec dobi 1 evro, če pade cifra in izgubi 1 evro, če pade grb. Očitno zaporedje zadošča pogojem zgornje definicije, zato je to martingala. Lema 7.7 Naj bo X slučajna spremenljivka in naj velja E[X] = 0 in X 1. Naj bo λ > 0. Potem velja E[e λx ] e λ2 /2. 41
Ime 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 večDS2.dvi
Diskretne strukture II zapiski predavanj - prezentacija doc. dr. R. Škrekovski 1 Osnovno o grafih Če odnose med določenimi objekti opišemo z dvomestno relacijo, lahko to relacijo tudi narišemo (oz. grafično
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 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 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 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 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 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 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 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-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 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 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 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 večUNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO Oddelek za matematiko in računalništvo DIPLOMSKO DELO Vika Koban Maribor, 2012
UNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO Oddelek za matematiko in računalništvo DIPLOMSKO DELO Vika Koban Maribor, 2012 UNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO Oddelek
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 večUrejevalna razdalja Avtorji: Nino Cajnkar, Gregor Kikelj Mentorica: Anja Petković 1 Motivacija Tajnica v posadki MARS - a je pridna delavka, ampak se
Urejevalna razdalja Avtorji: Nino Cajnkar, Gregor Kikelj Mentorica: Anja Petković 1 Motivacija Tajnica v posadki MARS - a je pridna delavka, ampak se velikokrat zmoti. Na srečo piše v programu Microsoft
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 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 večMAGIČNI KVADRATI DIMENZIJE 4n+2
List za mlade matematike, fizike, astronome in računalnikarje ISSN 0351-6652 Letnik 18 (1990/1991) Številka 6 Strani 322 327 Borut Zalar: MAGIČNI KVADRATI DIMENZIJE 4n + 2 Ključne besede: matematika, aritmetika,
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 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 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 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 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 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 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 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 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 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 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 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 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 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 več2.1 Osnovni pojmi 2 Nim Ga²per Ko²mrlj, Denicija 2.1 P-poloºaj je poloºaj, ki je izgubljen za igralca na potezi. N- poloºaj je poloºaj, ki
2.1 Osnovni pojmi 2 Nim Ga²per Ko²mrlj, 2. 3. 2009 Denicija 2.1 P-poloºaj je poloºaj, ki je izgubljen za igralca na potezi. N- poloºaj je poloºaj, ki je dobljen za igralca na potezi. Poloºaj je kon en,
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 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 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 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 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 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 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 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 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 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 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 večUNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO Oddelek za matematiko in računalništvo DIPLOMSKO DELO Denis Kolarič Maribor, 2010
UNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO Oddelek za matematiko in računalništvo DIPLOMSKO DELO Denis Kolarič Maribor, 2010 UNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO
Prikaži večWienerjevemu indeksu podobni indeksi na grafih
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TENOLOGIJE Matematične znanosti, stopnja Daliborko Šabić Wienerjevemu indeksu podobni indeksi na grafih Magistrsko delo Mentor:
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 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 večOptimizacija z roji delcev - Seminarska naloga pri predmetu Izbrana poglavja iz optimizacije
Univerza v Ljubljani Fakulteta za matematiko in fiziko Seminarska naloga pri predmetu Izbrana poglavja iz optimizacije 2. junij 2011 Koncept PSO Motivacija: vedenje organizmov v naravi Ideja: koordinirano
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 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 večNamesto (x,y)R uporabljamo xRy
RELACIJE Namesto (x,y) R uporabljamo xry Def.: Naj bo R AxA D R = { x; y A: xry } je domena ali definicijsko obmocje relacije R Z R = { y; x A: xry } je zaloga vrednosti relacije R Za zgled od zadnjič:
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 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 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 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 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 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 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 večIzpit iz GEOMETRIJE 17. junij 2004 Vpisna ²tevilka: Vrsta: Ime in priimek: Sedeº: 1. Poi² i vse stoºnice v P(R 3 ), ki se dotikajo premice x = 0, prem
17. junij 2004 1. Poi² i vse stoºnice v P(R 3 ), ki se dotikajo premice x = 0, premice z = 0 v to ki (1, 1, 0) in premice y = 0 v to ki (1, 0, 1). 2. V projektivni ravnini so dane premice p 1 : 4x 3y z
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 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 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 večI Z B R A N A P O G L AV J A I Z D I S K R E T N E M AT E M AT I K E zbornik seminarskih nalog iz diskretne matematike Matjaž Krnc, Riste Škrekovski J
I Z B R A N A P O G L AV J A I Z D I S K R E T N E M AT E M AT I K E zbornik seminarskih nalog iz diskretne matematike Matjaž Krnc, Riste Škrekovski Junij 2015 verzija 1.1 CIP Kataložni zapis o publikaciji
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 večMicrosoft Word - Astronomija-Projekt19fin
Univerza v Ljubljani Fakulteta za matematiko in fiziko Jure Hribar, Rok Capuder Radialna odvisnost površinske svetlosti za eliptične galaksije Projektna naloga pri predmetu astronomija Ljubljana, april
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 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 večMATEMATIKA Zbirka nalog za nacionalno preverjanje znanja Jana Draksler in Marjana Robič 9+ znam za več
MATEMATIKA Zbirka nalog za nacionalno preverjanje znanja Jana Draksler in Marjana Robič 9+ znam za več ZBIRKA ZNAM ZA VEČ imatematika 9+ Zbirka nalog za nacionalno preverjanje znanja Avtorici: Jana Draksler
Prikaži večMergedFile
UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA POUČEVANJE, PREDMETNO POUČEVANJE DEJAN KREJIĆ HAMILTONSKOST VOZLIŠČNO TRANZITIVNIH GRAFOV MAGISTRSKO DELO Ljubljana, 2018 UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA
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 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 večC:/AndrejT/vestnik/76_1/Rotovnik/main.dvi
Elektrotehniški vestnik 76(1-2): 19 24, 2009 Electrotechnical Review, Ljubljana, Slovenija Optimalno permutacijsko usmerjanje v heksagonalnih omrežjih Maja Rotovnik 1, Jurij Šilc 2, Janez Žerovnik 3,1
Prikaži večH-Razcvet
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Fakulteta za matematiko in fiziko Gregor Šulgaj H-Razcvet DIPLOMSKO DELO INTERDISCIPLINARNI ŠTUDIJSKI PROGRAM PRVE STOPNJE RAČUNALNIŠTVA IN
Prikaži večNAVODILA AVTORJEM PRISPEVKOV
Predmetna komisija za nižji izobrazbeni standard matematika Opisi dosežkov učencev 6. razreda na nacionalnem preverjanju znanja Slika: Porazdelitev točk pri matematiki (NIS), 6. razred 1 ZELENO OBMOČJE
Prikaži večMicrosoft Word - avd_vaje_ars1_1.doc
ARS I Avditorne vaje Pri nekem programu je potrebno izvršiti N=1620 ukazov. Pogostost in trajanje posameznih vrst ukazov računalnika sta naslednja: Vrsta ukaza Štev. urinih period Pogostost Prenosi podatkov
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 več