TEORIJA ODLUČIVANJA DECISION ANALYSIS

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "TEORIJA ODLUČIVANJA DECISION ANALYSIS"

Transcript

1 DONOŠENJE ODLUKA U UVJETIMA NEIZVJESNOSTI I RIZIKA TEORIJA ODLUČIVANJA DECISION ANALYSIS

2 NEIZVJESNOST- situacija koja može rezultirati s više različitih ishoda (ne nužno i negativnih) RIZIK- šansa ili vjerojatnost pojave negativnog događaja vezanog uz određenu akciju

3 IZVORI RIZIKA U POLJOPRIVREDI PROIZVODNI RIZIK- bolesti, štetnici, vremenske prilike, genetske varijacije Utječe na prinos, kvalitetu proizvoda i potrebe za radnom snagom i strojevima TRŽIŠNI RIZIK- promjene cijena inputa i proizvoda FINANCIJSKI RIZIK TRADICIONALANI RIZIK (RIZIK USLIJED NESREĆA- požar, poplave, krađe i sl. ZAKONSKI RIZIK LJUDSKI RIZIK

4 TEORIJA VJEROJATNOSTI U DONOŠENJU POSLOVNIH ODLUKA Matematička teorija slučajnih događaja počinje izučavanjem hazardnih igara Pacal i Fermat (15. stoljeće). P (A) = m ( A ) n m(a)- broj povoljnih ishoda n- broj svih mogućih ishoda nekog događaja 0 <= P(A) <= 1

5 EMPIRIJSKA VJEROJATNOST interval oborine (mm) broj opažanja > 1 ukupno 20 vjerojatnost

6 interval oborine (mm) broj opažanja vjerojatnost , , , , , , , , , > 1 0,05 ukupno 20

7 poligon frekvencija 0,50 0,45 0,40 0,35 vjerojatnost 0,30 0,25 0,20 0,15 0,10 0,05 0, interval

8 poligon kumumativnih frekvencija 1,2 1 vjero jatn o st 0,8 0,6 0,4 0, interval oborina

9 Poslovno odlučivanje Rizične odluke imaju slijedećih pet dijelova: Akcija Događaj Posljedice Vjerojatnosti Kriteriji za odabir

10 Očekivana (novčana) vrijednost ili prosjek distribucije vjerojatnosti je ponderirani prosjek profitnih stopa za planirane događaje, pri čemu vjerojatnosti služe kao ponderi. E(V) = Pi * Vi i Pri čemu je E(V) očekivana vrijednost, Pi je vjerojatnost za svaki događaj i, a Vi je profit za svaku projekciju.

11 cijena 20 0,1 2, ,3 6, ,5 12, ,1 2,60 E(x) 23,20 Standardna devijacija 1,60 Koeficijent varijacije 6,90

12 Standardna devijacija (σ) je statistička mjera količine disperzije ili varijacije predviđenih događaja od očekivane vrijednosti. Standardna devijacija služi kao apsolutna mjera količine rizika, kada rizik poistovjećujemo s varijabilnošću. σt = Pi( Vi E) i 2

13 Koeficijent varijacije je relativna mjera stupnja varijabilnosti investicije. Stoga služi kao pokazatelj količine rizika u odnosu na očekivani povrat. CV = σ / E(V)

14 Ulagač je napravio prognoze povrata i vjerojatnosti ostvarenja tih povrata na tri razine: optimistična, realna i pesimistična. Prognoza Uzgoj goveda Uzgoj svinja Profitna stopa Vjerojatnost Profitna stopa Vjerojatnost Optimistična 0,15 0,30 0,21 0,10 Realna 0,12 0,40 0,15 0,60 Pesimistična 0,09 0,30 0,08 0,30

15 PROIZVOD 1 DOBIT VJEROJATNOST , , , , , , , PROIZVOD 2 DOBIT VJEROJATNOST , , , , , , , , ,04

16 Alternativa A cijena vjerojatnost Prodaja u proljeće A1 15 n.j. O,2 A2 10 n.j. 0,5 A3 7.5 n.j 0,3 Alternativa B cijena vjerojatnost Prodaja odmah B1 9 n.j. 1,0

17 Zadatak- Očekivana novčana vrijednost Prodavač se suočava s problemom određivanja optimalne količine mlijeka koje bi dnevno trebao naručivati od proizvođača (Pretpostavimo kako mlijeko koje na kraju dana ostane neprodano propada). Prema podacima prodavača, potražnja se kreće kako je prikazano u tablici. a) Prema tablici 1, izračunaj vjerojatnost pojave određene razine dnevne potražnje b) b) Nabavna cijena mlijeka po jedinici iznosi 8 n.j., a prodajna cijena iznosi 10 n.j. Korištenjem vjerojatnosti iz tablice 1 odredi očekivanu novčanu vrijednost pri 27 jedinica mlijeka. Je li to optimalna dnevna količina koju treba naručiti? (2 boda)

18 Dnevna potražnja Ostvarena potražnja (broj dana) 25 jedinica jedinica jedinica jedinica 20 ukupno Vjerojatnost (Pi)

19 Zadatak- Očekivani oportunitetni gubitak

20 Proizvođač sjemenske robe treba odrediti optimalnu razina proizvodnje. U tablici su prikazane su količine i potražnja u proteklom razdoblju Trošak proizvodnje iznosi 0,4 n.j/proizvod, a prodajna cijena 0,5 n.j./proizvod. Neprodano sjeme nema vrijednost. a) Prema tablici 1, izračunaj vjerojatnost pojave određene razine potražnje. b) Budući je vjerojatnost potražnje manje ili veće od ,00 proizvoda jednaka, treba li proizvođač proizvoditi baš ,00 proizvoda? Obrazložite korištenjem očekivane vrijednosti.

21 Potražnja (broj proizvoda) Ostvarena potražnja (broj razdoblja) Vjerojatnost (Pi) , , , , ,00 2 Ukupno

22 Matrice Payoff matrices Regret matrices

23 Payoff matrica promjena cijena vjerojatnost prodaja odmah prodaja slijedeći tjedan -5 0, ista cijena 0, , Minimalni povrat Maksimalni "Gubitak" xxx xxx Očekivani povrat ili "gubitak" Prosjek 31 30

24 Regret matrica promjena cijena vjerojatnost prodaja odmah prodaja slijedeći tjedan -5 0, ista cijena 0, , Minimalni povrat xxx xxx Maksimalni "Gubitak" Očekivani povrat ili "gubitak" 14,7 10,7 Prosjek 16,3 17,3

25 Kriteriji odlučivanja Maksimin- najveći minimalni povrat Minimaks- najmanji maksimalni oportunitetni trošak Maksimalni prosjek Maksimalni očekivani povrat Sigurnost na prvom mjestu Vjerojatnost uspjeha

26 Očekivana vrijednost savršene informacije Cecile Miller, korporacijski odvjetnik, razmišlja o kupovnim dionica tvrtke Eli Lilly, velike farmaceutske kuće. Prema njenim procjenama, zaraditi će ,00US$ na kupnji dionica, ako tvrtka od državne agencije dobije dozvolu za plasman novoga lijeka na tržište. S druge strane, ako tvrtka ne dobije dozvolu, gubi ,00 US$. Prema njenoj procjeni postoji 0.5 (50%) vjerojatnost kako će tvrtka dobiti odobrenje i 0.5 vjerojatnost da neće dobiti odobrenje za plasman novoga lijeka na tržište.

27 Očekivana korisnost Izbor između (1) sigurnog dobitka ,00 US$ i (2) bacanja novčića kod kojega možeš dobiti ,00 US$ ako bude glava i izgubiti ,00 US$ ako padne na pismo. Očekivana novčana vrijednost takve oklade je

28 von Neumann-Morgenstern funkcija korisnosti Funkcija koristi pokazuju korist koju pojedinac pridružuje svakom mogućem rezultatu. Pokazuje preferencije donositelja odluka prema riziku U skladu s teorijom, donositelj odluka će uvijek odabrati onaj put koji maksimizira njegovu funkciju korisnosti.

29 Treba li uložiti u naftni biznis? Za dodatnu ilustraciju koncepta očekivane novčane vrijednosti uzeti ćemo u obzir slučaj William-a Beard-a stvarnog investitora. Pretpostavimo da g. Beard mora odlučiti hoće li uložiti ili ne uložiti u naftno crpilište na određenoj lokaciji. On posjeduje informacije o troškovima bušenja i cijeni nafte kao i geološke analize o vjerojatnosti postojanja nafte na određenoj lokaciji. Na osnovu geoloških izvješća, on vjeruje kako postoji 0.8 vjerojatnost da nafta ne bude nađena, 0.12 vjerojatnost da se nađe 100 tisuća barela nafte i vjerojatnost 0.08 da će biti nađeno milijun barela nafte. Samo na osnovu tih vjerojatnosti on ne može odlučiti hoće li ili ne investirati u naftnu bušotinu. On treba i podatke o dobiti (odnosno gubitku) za svaki od mogućih scenarija. Pretpostavimo kako vjeruje da investiranje donosi ,00 US$ gubitka ako se nafta ne pronađe, ,00 US$ dobiti u slučaju pronalaska 100 tisuća barela nafte i dobit od ,00 US$ u slučaju pronalaska milijun barela nafte. Može li na osnovu tih informacija donijeti odluku investirati ili ne?

30 von Neumann- Morgenstern-ova funkcija korisnosti

31 slika 2: a) Osobe nesklone riziku KO RIS T slika 2. b) Osobe sklone riziku C B KORIST 30 C 20 A 15 B A VIS INA DO HO TKA VISINA DOHOTKA s lika 2. c ) O sobe ne utra lne s ob ziro m na rizik KO R IS T 30 C 20 B 10 A V IS IN A DO HO TKA

32 STRATEGIJE ZA KONTROLU RIZIKA Fleksibilnost Izbor proizvodnje i diverzifikacija Upravljanje proizvodnjom i proizvodna tehnika Održavanje rezervnih materijala potrebnih za proizvodnju Tržišna strategija Financijska strategija Rezerve radne snage i upravljanja Informacije Osiguranje

33 Primjer Za primjer možemo uzeti investitora koji ocjenjuje dva gospodarstva, jedno u Kukuruznom pojasu (Corn Belt), a drugu u Velikim ravnicama (Great Plains) u SAD-u. Financijski analitičar izvještava ulagača kako oba gospodarstva imaju otprilike istu profitabilnost i rizika. Točnije, svako gospodarstvo ostvaruje povrat na imovinu od 20% sa standardnom devijacijom od 10%. gospodarstvo Corn Belt Great Plains Profit (povrat na imovinu), % Rizik (st. Devijacija) Pretpostavimo kako ulagač može podijeliti svoja sredstva i jednoliko investirati na oba gospodarstva. Koja bi bila prednost takve strategije?

34 Model portfelja Portfelj model pokazuje kako različite kombinacije investicija mogu smanjiti rizik više nego je to slučaj kod jedne investicije Riječ portfelj (portfolio) znači mješavina ili kombinacija imovine, proizvodnji ili investicija.

35 Model portfelja Kombinacija ulaganja naziva se diverzifikacija i ima potencijal smanjenja rizika zbog: 1) broja ulaganja koje se poduzimaju, 2) korelacije (ili kovarijance) između očekivanih povrata pojedinih investicija i 3) mogućih promjena razine troškova i povrata po jedinici investicije.

36 INVESTICIJE X 1 i X 2 POVRAT r 1 i r 2 udjeli ukupnih resursa investiranih u X 1 i X 2 P 1 i P 2 P 1 + P 2 =1

37 Očekivani povrat portfelja je ponderirani prosjek pojedinačnih povrata: r t = r 1 P 1 + r 2 P 2 σ 1 i σ 2 standardne devijacije X 1 i X 2 njihova kovarijanca i σ 12 je σ 12 = c σ 1 σ 2 pri čemu je c koeficijent korelacije povrata r 1 i r 2

38 Ukupna varijanca portfelja je zbroj pojedinačnih proporcionalnih varijanci plus (ili minus) kovarijanca: σ T 2 = σ 12 P σ 22 P P 1 P 2 c σ 1 σ 2 i ukupna standardna devijacija je σ T = 2 σ T

39 gospodarstvo Corn Belt Great Plains Profit (povrat na imovinu), % Rizik (st. Devijacija) Pretpostavimo kako je korelacija između povrata jednaka nuli! 1. Očekivani povrat rt'= (0.20)(0.50) + (0.20)(0.50) = 0.20 (20%). 2. Ukupna varijancu diverzificiranog portfelja iznosi?

40 σ T2 = (0.10) 2 (0.50) 2 + (0.10) 2 (0.50) (0.50)(0.50)(0.00)(0.10)(0.10) = = i standardna devijacija iznosi: σ T = = (7.07%) Koeficijent korelacije = 1?

41 gospodarstvo Corn Belt Great Plains Pacific Profit (povrat na imovinu), % Rizik (st. Devijacija) Pretpostavimo kako je korelacija između povrata jednaka nuli!

42 Diverzifikacija, rizik i kapacitet otplate duga Ulaganje = ,00 US$ Ulaganje A- stočarstvo B- ratarstvo C- fin. imovina profit ,5 st.devijacija Koef. varijacije Druge obveze, uključujući i financijske , , ,00 Portfelj 1 2 Ponderi za svaku investiciju (%) A B 0 50 C 0 0 Korelacije između investicija A i B 0.30 A i C B i C

43 Portfelj Očekivani povrat 4. Standardna devijacija 5. Koeficijent varijacije 6. Druge obveze, uključujući i financijske , , ,00

44 D/E = 0.15 Glavnica i kamate , , ,00 Minimalni iznos potreban za povlačenje i obveze prema , , ,00 dugovanjima Vjerojatnost da će povrati biti dovoljni za vraćanje dugova i druge obveze

45 D/E = 1 Glavnica i kamate , , ,00 Minimalni iznos potreban za povlačenje i obveze prema , , ,00 dugovanjima Vjerojatnost da će povrati biti dovoljni za vraćanje dugova i druge obveze

46 FINANCIJSKI RIZIK Vlastiti kapital (u '000 n.j.) Zaduženost (zaduženost/kapital) 0% 50% 100% Vanjski izvori kapitala (u '000 n.j.) Ukupni kapital (u '000 n.j.) Stopa povrata na ukupni kapital 10% 10% 10% Ukupni prihod ('000 n.j.) 5 7,5 10 Kamate, 10% (u '000 n.j.) 0 2,5 5 Dobit nakon plaćanja kamata ('000 n.j.) Povrat na vlastiti kapital 10% 10% 10% Stopa povrata na ukupni kapital 5% 5% 5% Ukupni prihod ('000 n.j.) 2,5 3,8 5 Kamate, 10% (u '000 n.j.) 0 2,5 5 Dobit nakon plaćanja kamata ('000 n.j.) 2,5 1,3 0 Povrat na vlastiti kapital 5% 3% 0% Stopa povrata na ukupni kapital 15% 15% 15% Ukupni prihod ('000 n.j.) 7,5 11,3 15 Kamate, 10% (u '000 n.j.) 0 2,5 5 Dobit nakon plaćanja kamata ('000 n.j.) 7,5 8,8 10 Povrat na vlastiti kapital 15% 18% 20%

Uvod Teorija odlučivanja je analitički i sistematski pristup proučavanju procesa donošenja odluka Bez obzira o čemu donosimo odluku imamo 6 koraka za

Uvod Teorija odlučivanja je analitički i sistematski pristup proučavanju procesa donošenja odluka Bez obzira o čemu donosimo odluku imamo 6 koraka za Osnovne teorije odlučivanja Uvod Teorija odlučivanja je analitički i sistematski pristup proučavanju procesa donošenja odluka Bez obzira o čemu donosimo odluku imamo 6 koraka za donošenje dobre odluke:

Διαβάστε περισσότερα

Odlučivanje u uvjetima nesigurnosti

Odlučivanje u uvjetima nesigurnosti Odlučivanje u uvjetima nesigurnosti S obzirom u kojoj su nam mjeri poznate moguće posljedice odluka koje donosimo metode za odlučivanje dijelimo u dvije skupine: metode odlučivanja u uvjetima sigurnosti,

Διαβάστε περισσότερα

ELEKTROTEHNIČKI ODJEL

ELEKTROTEHNIČKI ODJEL MATEMATIKA. Neka je S skup svih živućih državljana Republike Hrvatske..04., a f preslikavanje koje svakom elementu skupa S pridružuje njegov horoskopski znak (bez podznaka). a) Pokažite da je f funkcija,

Διαβάστε περισσότερα

3.1 Granična vrednost funkcije u tački

3.1 Granična vrednost funkcije u tački 3 Granična vrednost i neprekidnost funkcija 2 3 Granična vrednost i neprekidnost funkcija 3. Granična vrednost funkcije u tački Neka je funkcija f(x) definisana u tačkama x za koje je 0 < x x 0 < r, ili

Διαβάστε περισσότερα

numeričkih deskriptivnih mera.

numeričkih deskriptivnih mera. DESKRIPTIVNA STATISTIKA Numeričku seriju podataka opisujemo pomoću Numeričku seriju podataka opisujemo pomoću numeričkih deskriptivnih mera. Pokazatelji centralne tendencije Aritmetička sredina, Medijana,

Διαβάστε περισσότερα

2 tg x ctg x 1 = =, cos 2x Zbog četvrtog kvadranta rješenje je: 2 ctg x

2 tg x ctg x 1 = =, cos 2x Zbog četvrtog kvadranta rješenje je: 2 ctg x Zadatak (Darjan, medicinska škola) Izračunaj vrijednosti trigonometrijskih funkcija broja ako je 6 sin =,,. 6 Rješenje Ponovimo trigonometrijske funkcije dvostrukog kuta! Za argument vrijede sljedeće formule:

Διαβάστε περισσότερα

UNIVERZITET U NIŠU ELEKTRONSKI FAKULTET SIGNALI I SISTEMI. Zbirka zadataka

UNIVERZITET U NIŠU ELEKTRONSKI FAKULTET SIGNALI I SISTEMI. Zbirka zadataka UNIVERZITET U NIŠU ELEKTRONSKI FAKULTET Goran Stančić SIGNALI I SISTEMI Zbirka zadataka NIŠ, 014. Sadržaj 1 Konvolucija Literatura 11 Indeks pojmova 11 3 4 Sadržaj 1 Konvolucija Zadatak 1. Odrediti konvoluciju

Διαβάστε περισσότερα

DISKRETNA MATEMATIKA - PREDAVANJE 7 - Jovanka Pantović

DISKRETNA MATEMATIKA - PREDAVANJE 7 - Jovanka Pantović DISKRETNA MATEMATIKA - PREDAVANJE 7 - Jovanka Pantović Novi Sad April 17, 2018 1 / 22 Teorija grafova April 17, 2018 2 / 22 Definicija Graf je ure dena trojka G = (V, G, ψ), gde je (i) V konačan skup čvorova,

Διαβάστε περισσότερα

Kontrolni zadatak (Tačka, prava, ravan, diedar, poliedar, ortogonalna projekcija), grupa A

Kontrolni zadatak (Tačka, prava, ravan, diedar, poliedar, ortogonalna projekcija), grupa A Kontrolni zadatak (Tačka, prava, ravan, diedar, poliedar, ortogonalna projekcija), grupa A Ime i prezime: 1. Prikazane su tačke A, B i C i prave a,b i c. Upiši simbole Î, Ï, Ì ili Ë tako da dobijeni iskazi

Διαβάστε περισσότερα

Apsolutno neprekidne raspodele Raspodele apsolutno neprekidnih sluqajnih promenljivih nazivaju se apsolutno neprekidnim raspodelama.

Apsolutno neprekidne raspodele Raspodele apsolutno neprekidnih sluqajnih promenljivih nazivaju se apsolutno neprekidnim raspodelama. Apsolutno neprekidne raspodele Raspodele apsolutno neprekidnih sluqajnih promenljivih nazivaju se apsolutno neprekidnim raspodelama. a b Verovatno a da sluqajna promenljiva X uzima vrednost iz intervala

Διαβάστε περισσότερα

IZRAČUNAVANJE POKAZATELJA NAČINA RADA NAČINA RADA (ISKORIŠĆENOSTI KAPACITETA, STEPENA OTVORENOSTI RADNIH MESTA I NIVOA ORGANIZOVANOSTI)

IZRAČUNAVANJE POKAZATELJA NAČINA RADA NAČINA RADA (ISKORIŠĆENOSTI KAPACITETA, STEPENA OTVORENOSTI RADNIH MESTA I NIVOA ORGANIZOVANOSTI) IZRAČUNAVANJE POKAZATELJA NAČINA RADA NAČINA RADA (ISKORIŠĆENOSTI KAPACITETA, STEPENA OTVORENOSTI RADNIH MESTA I NIVOA ORGANIZOVANOSTI) Izračunavanje pokazatelja načina rada OTVORENOG RM RASPOLOŽIVO RADNO

Διαβάστε περισσότερα

TROŠAK KAPITALA Predmet: Upravljanje finansijskim odlukama i rizicima Profesor: Dr sci Sead Mušinbegovid Fakultet za menadžment i poslovnu ekonomiju

TROŠAK KAPITALA Predmet: Upravljanje finansijskim odlukama i rizicima Profesor: Dr sci Sead Mušinbegovid Fakultet za menadžment i poslovnu ekonomiju TROŠAK KAPITALA Predmet: Upravljanje finansijskim odlukama i rizicima Profesor: Dr sci Sead Mušinbegovid Fakultet za menadžment i poslovnu ekonomiju Sadržaj predavnaja: Trošak kapitala I. Trošak duga II.

Διαβάστε περισσότερα

TRIGONOMETRIJSKE FUNKCIJE I I.1.

TRIGONOMETRIJSKE FUNKCIJE I I.1. TRIGONOMETRIJSKE FUNKCIJE I I Odredi na brojevnoj trigonometrijskoj kružnici točku Et, za koju je sin t =,cost < 0 Za koje realne brojeve a postoji realan broj takav da je sin = a? Izračunaj: sin π tg

Διαβάστε περισσότερα

INTEGRALNI RAČUN. Teorije, metodike i povijest infinitezimalnih računa. Lucija Mijić 17. veljače 2011.

INTEGRALNI RAČUN. Teorije, metodike i povijest infinitezimalnih računa. Lucija Mijić 17. veljače 2011. INTEGRALNI RAČUN Teorije, metodike i povijest infinitezimalnih računa Lucija Mijić lucija@ktf-split.hr 17. veljače 2011. Pogledajmo Predstavimo gornju sumu sa Dodamo još jedan Dobivamo pravokutnik sa Odnosno

Διαβάστε περισσότερα

Matematička analiza 1 dodatni zadaci

Matematička analiza 1 dodatni zadaci Matematička analiza 1 dodatni zadaci 1. Ispitajte je li funkcija f() := 4 4 5 injekcija na intervalu I, te ako jest odredite joj sliku i inverz, ako je (a) I = [, 3), (b) I = [1, ], (c) I = ( 1, 0].. Neka

Διαβάστε περισσότερα

Mate Vijuga: Rijeseni zadaci iz matematike za srednju skolu

Mate Vijuga: Rijeseni zadaci iz matematike za srednju skolu 16. UVOD U STATISTIKU Statistika je nauka o sakupljanju i analizi sakupljenih podatka u cilju donosenja zakljucaka o mogucem toku ili obliku neizvjesnosti koja se obradjuje. Frekventna distribucija - je

Διαβάστε περισσότερα

Ispitivanje toka i skiciranje grafika funkcija

Ispitivanje toka i skiciranje grafika funkcija Ispitivanje toka i skiciranje grafika funkcija Za skiciranje grafika funkcije potrebno je ispitati svako od sledećih svojstava: Oblast definisanosti: D f = { R f R}. Parnost, neparnost, periodičnost. 3

Διαβάστε περισσότερα

IZVODI ZADACI ( IV deo) Rešenje: Najpre ćemo logaritmovati ovu jednakost sa ln ( to beše prirodni logaritam za osnovu e) a zatim ćemo

IZVODI ZADACI ( IV deo) Rešenje: Najpre ćemo logaritmovati ovu jednakost sa ln ( to beše prirodni logaritam za osnovu e) a zatim ćemo IZVODI ZADACI ( IV deo) LOGARITAMSKI IZVOD Logariamskim izvodom funkcije f(), gde je >0 i, nazivamo izvod logarima e funkcije, o jes: (ln ) f ( ) f ( ) Primer. Nadji izvod funkcije Najpre ćemo logarimovai

Διαβάστε περισσότερα

Riješeni zadaci: Nizovi realnih brojeva

Riješeni zadaci: Nizovi realnih brojeva Riješei zadaci: Nizovi realih brojeva Nizovi, aritmetički iz, geometrijski iz Fukciju a : N R azivamo beskoači) iz realih brojeva i ozačavamo s a 1, a,..., a,... ili a ), pri čemu je a = a). Aritmetički

Διαβάστε περισσότερα

RIJEŠENI ZADACI I TEORIJA IZ

RIJEŠENI ZADACI I TEORIJA IZ RIJEŠENI ZADACI I TEORIJA IZ LOGARITAMSKA FUNKCIJA SVOJSTVA LOGARITAMSKE FUNKCIJE OSNOVE TRIGONOMETRIJE PRAVOKUTNOG TROKUTA - DEFINICIJA TRIGONOMETRIJSKIH FUNKCIJA - VRIJEDNOSTI TRIGONOMETRIJSKIH FUNKCIJA

Διαβάστε περισσότερα

Trigonometrija 2. Adicijske formule. Formule dvostrukog kuta Formule polovičnog kuta Pretvaranje sume(razlike u produkt i obrnuto

Trigonometrija 2. Adicijske formule. Formule dvostrukog kuta Formule polovičnog kuta Pretvaranje sume(razlike u produkt i obrnuto Trigonometrija Adicijske formule Formule dvostrukog kuta Formule polovičnog kuta Pretvaranje sume(razlike u produkt i obrnuto Razumijevanje postupka izrade složenijeg matematičkog problema iz osnova trigonometrije

Διαβάστε περισσότερα

Strukture podataka i algoritmi 1. kolokvij 16. studenog Zadatak 1

Strukture podataka i algoritmi 1. kolokvij 16. studenog Zadatak 1 Strukture podataka i algoritmi 1. kolokvij Na kolokviju je dozvoljeno koristiti samo pribor za pisanje i službeni šalabahter. Predajete samo papire koje ste dobili. Rezultati i uvid u kolokvije: ponedjeljak,

Διαβάστε περισσότερα

Osnovni primer. (Z, +,,, 0, 1) je komutativan prsten sa jedinicom: množenje je distributivno prema sabiranju

Osnovni primer. (Z, +,,, 0, 1) je komutativan prsten sa jedinicom: množenje je distributivno prema sabiranju RAČUN OSTATAKA 1 1 Prsten celih brojeva Z := N + {} N + = {, 3, 2, 1,, 1, 2, 3,...} Osnovni primer. (Z, +,,,, 1) je komutativan prsten sa jedinicom: sabiranje (S1) asocijativnost x + (y + z) = (x + y)

Διαβάστε περισσότερα

radni nerecenzirani materijal za predavanja R(f) = {f(x) x D}

radni nerecenzirani materijal za predavanja R(f) = {f(x) x D} Matematika 1 Funkcije radni nerecenzirani materijal za predavanja Definicija 1. Neka su D i K bilo koja dva neprazna skupa. Postupak f koji svakom elementu x D pridružuje točno jedan element y K zovemo funkcija

Διαβάστε περισσότερα

Korporativne finansije

Korporativne finansije Ekonomski fakultet u Podgorici Magistarske studije Smjer Finansije i bankarstvo II generacija Korporativne finansije Prof. Saša Popović Blok 2: Vrijednost, cijena i rizik Osnovna pitanja Zašto se akcije

Διαβάστε περισσότερα

(P.I.) PRETPOSTAVKA INDUKCIJE - pretpostavimo da tvrdnja vrijedi za n = k.

(P.I.) PRETPOSTAVKA INDUKCIJE - pretpostavimo da tvrdnja vrijedi za n = k. 1 3 Skupovi brojeva 3.1 Skup prirodnih brojeva - N N = {1, 2, 3,...} Aksiom matematičke indukcije Neka je N skup prirodnih brojeva i M podskup od N. Ako za M vrijede svojstva: 1) 1 M 2) n M (n + 1) M,

Διαβάστε περισσότερα

VELEPRODAJNO I MALOPRODAJNO POSLOVANJE - VJEŽBE 9 - Sveučilišni preddiplomski studij Ekonomika poduzetništva

VELEPRODAJNO I MALOPRODAJNO POSLOVANJE - VJEŽBE 9 - Sveučilišni preddiplomski studij Ekonomika poduzetništva VELEPRODAJNO I MALOPRODAJNO POSLOVANJE - VJEŽBE 9 - Sveučilišni preddiplomski studij Ekonomika poduzetništva 08.01.2013. Sadržaj 1. Cjenovna elastičnost potražnje 2. Izračunavanje marže, prodajne cijene

Διαβάστε περισσότερα

Zadaci sa prethodnih prijemnih ispita iz matematike na Beogradskom univerzitetu

Zadaci sa prethodnih prijemnih ispita iz matematike na Beogradskom univerzitetu Zadaci sa prethodnih prijemnih ispita iz matematike na Beogradskom univerzitetu Trigonometrijske jednačine i nejednačine. Zadaci koji se rade bez upotrebe trigonometrijskih formula. 00. FF cos x sin x

Διαβάστε περισσότερα

UPRAVLJANJE RIZICIMA. Sveučilište u Zagrebu EKONOMSKI FAKULTET ZAGREB Katedra za Ekonomiku poduzeća Prof. dr. sc. Danijela Miloš Sprčić

UPRAVLJANJE RIZICIMA. Sveučilište u Zagrebu EKONOMSKI FAKULTET ZAGREB Katedra za Ekonomiku poduzeća Prof. dr. sc. Danijela Miloš Sprčić UPRAVLJANJE RIZICIMA Sveučilište u Zagrebu EKONOMSKI FAKULTET ZAGREB Katedra za Ekonomiku poduzeća Prof. dr. sc. Danijela Miloš Sprčić PODACI O NASTAVNIKU Nositelj i izvođač kolegija Prof. dr. sc. Danijela

Διαβάστε περισσότερα

5. Karakteristične funkcije

5. Karakteristične funkcije 5. Karakteristične funkcije Profesor Milan Merkle emerkle@etf.rs milanmerkle.etf.rs Verovatnoća i Statistika-proleće 2018 Milan Merkle Karakteristične funkcije ETF Beograd 1 / 10 Definicija Karakteristična

Διαβάστε περισσότερα

41. Jednačine koje se svode na kvadratne

41. Jednačine koje se svode na kvadratne . Jednačine koje se svode na kvadrane Simerične recipročne) jednačine Jednačine oblika a n b n c n... c b a nazivamo simerične jednačine, zbog simeričnosi koeficijenaa koeficijeni uz jednaki). k i n k

Διαβάστε περισσότερα

7. Troškovi Proizvodnje

7. Troškovi Proizvodnje MIKROEKONOMIJA./. 7. Troškovi Proizvodnje Autori: Penezić Andrija Miković Ivana Pod vodstvom: Prof.dr. Đurđice Fučkan Prezentacije su napravljene prema : Pindyck, R.S./ Rubinfeld, D.L. () MIKROEKONOMIJA

Διαβάστε περισσότερα

Valutni rizik Usporedba VaR i Expected Shortfall metode Martina Samac

Valutni rizik Usporedba VaR i Expected Shortfall metode Martina Samac Valutni rizik Usporedba VaR i Expected Shortfall metode Martina Samac Zagreb, 06. lipnja 2017. Sadržaj Uvod Definicija rizika Rizici u osiguranju Rizici u bankarstvu Mjere rizika Primjena mjera rizika

Διαβάστε περισσότερα

18. listopada listopada / 13

18. listopada listopada / 13 18. listopada 2016. 18. listopada 2016. 1 / 13 Neprekidne funkcije Važnu klasu funkcija tvore neprekidne funkcije. To su funkcije f kod kojih mala promjena u nezavisnoj varijabli x uzrokuje malu promjenu

Διαβάστε περισσότερα

3 Populacija i uzorak

3 Populacija i uzorak 3 Populacija i uzorak 1 3.1 Slučajni uzorak X varijabla/stat. obilježje koje izučavamo Cilj statističke analize na osnovi uzorka izvesti odredene zaključke o (populacijskoj) razdiobi od X 2 Primjer 3.1.

Διαβάστε περισσότερα

Veleučilište u Rijeci Stručni studij sigurnosti na radu Akad. god. 2011/2012. Matematika. Monotonost i ekstremi. Katica Jurasić. Rijeka, 2011.

Veleučilište u Rijeci Stručni studij sigurnosti na radu Akad. god. 2011/2012. Matematika. Monotonost i ekstremi. Katica Jurasić. Rijeka, 2011. Veleučilište u Rijeci Stručni studij sigurnosti na radu Akad. god. 2011/2012. Matematika Monotonost i ekstremi Katica Jurasić Rijeka, 2011. Ishodi učenja - predavanja Na kraju ovog predavanja moći ćete:,

Διαβάστε περισσότερα

7 Algebarske jednadžbe

7 Algebarske jednadžbe 7 Algebarske jednadžbe 7.1 Nultočke polinoma Skup svih polinoma nad skupom kompleksnih brojeva označavamo sa C[x]. Definicija. Nultočka polinoma f C[x] je svaki kompleksni broj α takav da je f(α) = 0.

Διαβάστε περισσότερα

Velike fluktuacije na financijskim tržištima

Velike fluktuacije na financijskim tržištima Velike fluktuacije na financijskim tržištima Zvonko Kostanjčar, Sveučilište u Zagrebu, FER svibanj 2011. Investicije i investitori Velike fluktuacije Geometrijsko Brownovo gibanje Zarada na dionicama =

Διαβάστε περισσότερα

π π ELEKTROTEHNIČKI ODJEL i) f (x) = x 3 x 2 x + 1, a = 1, b = 1;

π π ELEKTROTEHNIČKI ODJEL i) f (x) = x 3 x 2 x + 1, a = 1, b = 1; 1. Provjerite da funkcija f definirana na segmentu [a, b] zadovoljava uvjete Rolleova poučka, pa odredite barem jedan c a, b takav da je f '(c) = 0 ako je: a) f () = 1, a = 1, b = 1; b) f () = 4, a =,

Διαβάστε περισσότερα

M086 LA 1 M106 GRP. Tema: Baza vektorskog prostora. Koordinatni sustav. Norma. CSB nejednakost

M086 LA 1 M106 GRP. Tema: Baza vektorskog prostora. Koordinatni sustav. Norma. CSB nejednakost M086 LA 1 M106 GRP Tema: CSB nejednakost. 19. 10. 2017. predavač: Rudolf Scitovski, Darija Marković asistent: Darija Brajković, Katarina Vincetić P 1 www.fizika.unios.hr/grpua/ 1 Baza vektorskog prostora.

Διαβάστε περισσότερα

Eliminacijski zadatak iz Matematike 1 za kemičare

Eliminacijski zadatak iz Matematike 1 za kemičare Za mnoge reakcije vrijedi Arrheniusova jednadžba, koja opisuje vezu koeficijenta brzine reakcije i temperature: K = Ae Ea/(RT ). - T termodinamička temperatura (u K), - R = 8, 3145 J K 1 mol 1 opća plinska

Διαβάστε περισσότερα

TRIGONOMETRIJA TROKUTA

TRIGONOMETRIJA TROKUTA TRIGONOMETRIJA TROKUTA Standardne oznake u trokutuu ABC: a, b, c stranice trokuta α, β, γ kutovi trokuta t,t,t v,v,v s α,s β,s γ R r s težišnice trokuta visine trokuta simetrale kutova polumjer opisane

Διαβάστε περισσότερα

VJEROJATNOST I STATISTIKA Popravni kolokvij - 1. rujna 2016.

VJEROJATNOST I STATISTIKA Popravni kolokvij - 1. rujna 2016. Broj zadataka: 5 Vrijeme rješavanja: 120 min Ukupan broj bodova: 100 Zadatak 1. (a) Napišite aksiome vjerojatnosti ako je zadan skup Ω i σ-algebra F na Ω. (b) Dokažite iz aksioma vjerojatnosti da za A,

Διαβάστε περισσότερα

2.2 Srednje vrijednosti. aritmetička sredina, medijan, mod. Podaci (realizacije varijable X): x 1,x 2,...,x n (1)

2.2 Srednje vrijednosti. aritmetička sredina, medijan, mod. Podaci (realizacije varijable X): x 1,x 2,...,x n (1) 2.2 Srednje vrijednosti aritmetička sredina, medijan, mod Podaci (realizacije varijable X): x 1,x 2,...,x n (1) 1 2.2.1 Aritmetička sredina X je numerička varijabla. Aritmetička sredina od (1) je broj:

Διαβάστε περισσότερα

Ĉetverokut - DOMAĆA ZADAĆA. Nakon odgledanih videa trebali biste biti u stanju samostalno riješiti sljedeće zadatke.

Ĉetverokut - DOMAĆA ZADAĆA. Nakon odgledanih videa trebali biste biti u stanju samostalno riješiti sljedeće zadatke. Ĉetverokut - DOMAĆA ZADAĆA Nakon odgledanih videa trebali biste biti u stanju samostalno riješiti sljedeće zadatke. 1. Duljine dijagonala paralelograma jednake su 6,4 cm i 11 cm, a duljina jedne njegove

Διαβάστε περισσότερα

a M a A. Može se pokazati da je supremum (ako postoji) jedinstven pa uvodimo oznaku sup A.

a M a A. Može se pokazati da je supremum (ako postoji) jedinstven pa uvodimo oznaku sup A. 3 Infimum i supremum Definicija. Neka je A R. Kažemo da je M R supremum skupa A ako je (i) M gornja meda skupa A, tj. a M a A. (ii) M najmanja gornja meda skupa A, tj. ( ε > 0)( a A) takav da je a > M

Διαβάστε περισσότερα

Elementi spektralne teorije matrica

Elementi spektralne teorije matrica Elementi spektralne teorije matrica Neka je X konačno dimenzionalan vektorski prostor nad poljem K i neka je A : X X linearni operator. Definicija. Skalar λ K i nenula vektor u X se nazivaju sopstvena

Διαβάστε περισσότερα

SEMINAR IZ KOLEGIJA ANALITIČKA KEMIJA I. Studij Primijenjena kemija

SEMINAR IZ KOLEGIJA ANALITIČKA KEMIJA I. Studij Primijenjena kemija SEMINAR IZ OLEGIJA ANALITIČA EMIJA I Studij Primijenjena kemija 1. 0,1 mola NaOH je dodano 1 litri čiste vode. Izračunajte ph tako nastale otopine. NaOH 0,1 M NaOH Na OH Jak elektrolit!!! Disoira potpuno!!!

Διαβάστε περισσότερα

( , 2. kolokvij)

( , 2. kolokvij) A MATEMATIKA (0..20., 2. kolokvij). Zadana je funkcija y = cos 3 () 2e 2. (a) Odredite dy. (b) Koliki je nagib grafa te funkcije za = 0. (a) zadanu implicitno s 3 + 2 y = sin y, (b) zadanu parametarski

Διαβάστε περισσότερα

Operacije s matricama

Operacije s matricama Linearna algebra I Operacije s matricama Korolar 3.1.5. Množenje matrica u vektorskom prostoru M n (F) ima sljedeća svojstva: (1) A(B + C) = AB + AC, A, B, C M n (F); (2) (A + B)C = AC + BC, A, B, C M

Διαβάστε περισσότερα

Iskazna logika 3. Matematička logika u računarstvu. novembar 2012

Iskazna logika 3. Matematička logika u računarstvu. novembar 2012 Iskazna logika 3 Matematička logika u računarstvu Department of Mathematics and Informatics, Faculty of Science,, Serbia novembar 2012 Deduktivni sistemi 1 Definicija Deduktivni sistem (ili formalna teorija)

Διαβάστε περισσότερα

MATRICE I DETERMINANTE - formule i zadaci - (Matrice i determinante) 1 / 15

MATRICE I DETERMINANTE - formule i zadaci - (Matrice i determinante) 1 / 15 MATRICE I DETERMINANTE - formule i zadaci - (Matrice i determinante) 1 / 15 Matrice - osnovni pojmovi (Matrice i determinante) 2 / 15 (Matrice i determinante) 2 / 15 Matrice - osnovni pojmovi Matrica reda

Διαβάστε περισσότερα

Računarska grafika. Rasterizacija linije

Računarska grafika. Rasterizacija linije Računarska grafika Osnovni inkrementalni algoritam Drugi naziv u literaturi digitalni diferencijalni analizator (DDA) Pretpostavke (privremena ograničenja koja se mogu otkloniti jednostavnim uopštavanjem

Διαβάστε περισσότερα

Analiza savršene konkurencije u kratkom roku

Analiza savršene konkurencije u kratkom roku Analiza savršene konkurencije u kratkom roku Jedanaesto predavanje, 11. svibnja 2016. godine Pripremljeno iz: Binger i Hoffman, Microeconomics with Calculus Maksimizacija profita poduzeća koje posluje

Διαβάστε περισσότερα

Pošto pretvaramo iz veće u manju mjernu jedinicu broj 2.5 množimo s 1000,

Pošto pretvaramo iz veće u manju mjernu jedinicu broj 2.5 množimo s 1000, PRERAČUNAVANJE MJERNIH JEDINICA PRIMJERI, OSNOVNE PRETVORBE, POTENCIJE I ZNANSTVENI ZAPIS, PREFIKSKI, ZADACI S RJEŠENJIMA Primjeri: 1. 2.5 m = mm Pretvaramo iz veće u manju mjernu jedinicu. 1 m ima dm,

Διαβάστε περισσότερα

Pismeni ispit iz matematike GRUPA A 1. Napisati u trigonometrijskom i eksponencijalnom obliku kompleksni broj, zatim naći 4 z.

Pismeni ispit iz matematike GRUPA A 1. Napisati u trigonometrijskom i eksponencijalnom obliku kompleksni broj, zatim naći 4 z. Pismeni ispit iz matematike 06 007 Napisati u trigonometrijskom i eksponencijalnom obliku kompleksni broj z = + i, zatim naći z Ispitati funkciju i nacrtati grafik : = ( ) y e + 6 Izračunati integral:

Διαβάστε περισσότερα

PISMENI ISPIT IZ STATISTIKE

PISMENI ISPIT IZ STATISTIKE 1. a) Trgovina odjeće prodaje odjeću u tri različite veličine: 32% veličine S, 44% veličine M i ostatak veličine L. Pokazalo se da je postotak odjeće s greškom redom 1%, 5% i 2%. Ako je trgovina ustanovila

Διαβάστε περισσότερα

Kaskadna kompenzacija SAU

Kaskadna kompenzacija SAU Kaskadna kompenzacija SAU U inženjerskoj praksi, naročito u sistemima regulacije elektromotornih pogona i tehnoloških procesa, veoma često se primenjuje metoda kaskadne kompenzacije, u čijoj osnovi su

Διαβάστε περισσότερα

Dijagonalizacija operatora

Dijagonalizacija operatora Dijagonalizacija operatora Problem: Može li se odrediti baza u kojoj zadani operator ima dijagonalnu matricu? Ova problem je povezan sa sljedećim pojmovima: 1 Karakteristični polinom operatora f 2 Vlastite

Διαβάστε περισσότερα

Pismeni ispit iz matematike Riješiti sistem jednačina i diskutovati rješenja sistema u zavisnosti od parametra: ( ) + 1.

Pismeni ispit iz matematike Riješiti sistem jednačina i diskutovati rješenja sistema u zavisnosti od parametra: ( ) + 1. Pismeni ispit iz matematike 0 008 GRUPA A Riješiti sistem jednačina i diskutovati rješenja sistema u zavisnosti od parametra: λ + z = Ispitati funkciju i nacrtati njen grafik: + ( λ ) + z = e Izračunati

Διαβάστε περισσότερα

PRAVA. Prava je u prostoru određena jednom svojom tačkom i vektorom paralelnim sa tom pravom ( vektor paralelnosti).

PRAVA. Prava je u prostoru određena jednom svojom tačkom i vektorom paralelnim sa tom pravom ( vektor paralelnosti). PRAVA Prava je kao i ravan osnovni geometrijski ojam i ne definiše se. Prava je u rostoru određena jednom svojom tačkom i vektorom aralelnim sa tom ravom ( vektor aralelnosti). M ( x, y, z ) 3 Posmatrajmo

Διαβάστε περισσότερα

DUALNOST. Primjer. 4x 1 + x 2 + 3x 3. max x 1 + 4x 2 1 3x 1 x 2 + x 3 3 x 1 0, x 2 0, x 3 0 (P ) 1/9. Back FullScr

DUALNOST. Primjer. 4x 1 + x 2 + 3x 3. max x 1 + 4x 2 1 3x 1 x 2 + x 3 3 x 1 0, x 2 0, x 3 0 (P ) 1/9. Back FullScr DUALNOST Primjer. (P ) 4x 1 + x 2 + 3x 3 max x 1 + 4x 2 1 3x 1 x 2 + x 3 3 x 1 0, x 2 0, x 3 0 1/9 DUALNOST Primjer. (P ) 4x 1 + x 2 + 3x 3 max x 1 + 4x 2 1 3x 1 x 2 + x 3 3 x 1 0, x 2 0, x 3 0 1/9 (D)

Διαβάστε περισσότερα

Funkcije dviju varjabli (zadaci za vježbu)

Funkcije dviju varjabli (zadaci za vježbu) Funkcije dviju varjabli (zadaci za vježbu) Vidosava Šimić 22. prosinca 2009. Domena funkcije dvije varijable Ako je zadano pridruživanje (x, y) z = f(x, y), onda se skup D = {(x, y) ; f(x, y) R} R 2 naziva

Διαβάστε περισσότερα

Zavrxni ispit iz Matematiqke analize 1

Zavrxni ispit iz Matematiqke analize 1 Građevinski fakultet Univerziteta u Beogradu 3.2.2016. Zavrxni ispit iz Matematiqke analize 1 Prezime i ime: Broj indeksa: 1. Definisati Koxijev niz. Dati primer niza koji nije Koxijev. 2. Dat je red n=1

Διαβάστε περισσότερα

IZVODI ZADACI (I deo)

IZVODI ZADACI (I deo) IZVODI ZADACI (I deo) Najpre da se podsetimo tablice i osnovnih pravila:. C`=0. `=. ( )`= 4. ( n )`=n n-. (a )`=a lna 6. (e )`=e 7. (log a )`= 8. (ln)`= ` ln a (>0) 9. = ( 0) 0. `= (>0) (ovde je >0 i a

Διαβάστε περισσότερα

ZADACI ZA VEZBE1 MENADZERSKO RACUNOVODSTVO BEOGRADSKA POSLOVNA SKOLA VISOKA SKOLA STRUKOVNIH STUDIJA

ZADACI ZA VEZBE1 MENADZERSKO RACUNOVODSTVO BEOGRADSKA POSLOVNA SKOLA VISOKA SKOLA STRUKOVNIH STUDIJA ZADACI ZA VEZBE1 MENADZERSKO RACUNOVODSTVO BEOGRADSKA POSLOVNA SKOLA VISOKA SKOLA STRUKOVNIH STUDIJA ZADATAK BR. 1 Na osnovu podataka preduzeca Valsacor u 2010.godinisastaviti bilans stanja i bilans uspeha

Διαβάστε περισσότερα

VJEROJATNOST I STATISTIKA 2. kolokvij lipnja 2016.

VJEROJATNOST I STATISTIKA 2. kolokvij lipnja 2016. Broj zadataka: 5 Vrijeme rješavanja: 0 min Ukupan broj bodova: 50 Zadatak.. kolokvij - 0. lipnja 0. (a Ako su X i Y diskretne slučajne varijable, dokažite da vrijedi formula E [X + Y ] = E [X] + E [Y ].

Διαβάστε περισσότερα

100g maslaca: 751kcal = 20g : E maslac E maslac = (751 x 20)/100 E maslac = 150,2kcal 100g med: 320kcal = 30g : E med E med = (320 x 30)/100 E med =

100g maslaca: 751kcal = 20g : E maslac E maslac = (751 x 20)/100 E maslac = 150,2kcal 100g med: 320kcal = 30g : E med E med = (320 x 30)/100 E med = 100g maslaca: 751kcal = 20g : E maslac E maslac = (751 x 20)/100 E maslac = 150,2kcal 100g med: 320kcal = 30g : E med E med = (320 x 30)/100 E med = 96kcal 100g mleko: 49kcal = 250g : E mleko E mleko =

Διαβάστε περισσότερα

PARCIJALNI IZVODI I DIFERENCIJALI. Sama definicija parcijalnog izvoda i diferencijala je malo teža, mi se njome ovde nećemo baviti a vi ćete je,

PARCIJALNI IZVODI I DIFERENCIJALI. Sama definicija parcijalnog izvoda i diferencijala je malo teža, mi se njome ovde nećemo baviti a vi ćete je, PARCIJALNI IZVODI I DIFERENCIJALI Sama definicija parcijalnog ivoda i diferencijala je malo teža, mi se njome ovde nećemo baviti a vi ćete je, naravno, naučiti onako kako vaš profesor ahteva. Mi ćemo probati

Διαβάστε περισσότερα

I.13. Koliki je napon između neke tačke A čiji je potencijal 5 V i referentne tačke u odnosu na koju se taj potencijal računa?

I.13. Koliki je napon između neke tačke A čiji je potencijal 5 V i referentne tačke u odnosu na koju se taj potencijal računa? TET I.1. Šta je Kulonova sila? elektrostatička sila magnetna sila c) gravitaciona sila I.. Šta je elektrostatička sila? sila kojom međusobno eluju naelektrisanja u mirovanju sila kojom eluju naelektrisanja

Διαβάστε περισσότερα

SISTEMI NELINEARNIH JEDNAČINA

SISTEMI NELINEARNIH JEDNAČINA SISTEMI NELINEARNIH JEDNAČINA April, 2013 Razni zapisi sistema Skalarni oblik: Vektorski oblik: F = f 1 f n f 1 (x 1,, x n ) = 0 f n (x 1,, x n ) = 0, x = (1) F(x) = 0, (2) x 1 0, 0 = x n 0 Definicije

Διαβάστε περισσότερα

Osnovne teoreme diferencijalnog računa

Osnovne teoreme diferencijalnog računa Osnovne teoreme diferencijalnog računa Teorema Rolova) Neka je funkcija f definisana na [a, b], pri čemu važi f je neprekidna na [a, b], f je diferencijabilna na a, b) i fa) fb). Tada postoji ξ a, b) tako

Διαβάστε περισσότερα

Program za tablično računanje Microsoft Excel

Program za tablično računanje Microsoft Excel Program za tablično računanje Microsoft Excel Teme Formule i funkcije Zbrajanje Oduzimanje Množenje Dijeljenje Izračun najveće vrijednosti Izračun najmanje vrijednosti 2 Formule i funkcije Naravno da je

Διαβάστε περισσότερα

Složeno periodično i neprekidno ukamaćivanje

Složeno periodično i neprekidno ukamaćivanje Matematičke financije 1 Složeno periodično i neprekidno ukamaćivanje Zadatak 1: Guverner kolonije Nova Nizozemska, Peter Minuit, kupio je 1626. godine od Indijanaca otok Manhattan plativši im u robi čija

Διαβάστε περισσότερα

Funkcija gustoće neprekidne slučajne varijable ima dva bitna svojstva: 1. Nenegativnost: f(x) 0, x R, 2. Normiranost: f(x)dx = 1.

Funkcija gustoće neprekidne slučajne varijable ima dva bitna svojstva: 1. Nenegativnost: f(x) 0, x R, 2. Normiranost: f(x)dx = 1. σ-algebra skupova Definicija : Neka je Ω neprazan skup i F P(Ω). Familija skupova F je σ-algebra skupova na Ω ako vrijedi:. F, 2. A F A C F, 3. A n, n N} F n N A n F. Borelova σ-algebra Definicija 2: Neka

Διαβάστε περισσότερα

Ravnotežni model koji je u osnovi savremene finansijske teorije Izveden primenom principa diversifikacije pod pojednostavljenim pretpostavkama

Ravnotežni model koji je u osnovi savremene finansijske teorije Izveden primenom principa diversifikacije pod pojednostavljenim pretpostavkama CAPM Model vrednovanja kapitala (CAPM) Ravnotežni model koji je u osnovi savremene finansijske teorije Izveden primenom principa diversifikacije pod pojednostavljenim pretpostavkama Markowitz, Sharpe,

Διαβάστε περισσότερα

Grafičko prikazivanje atributivnih i geografskih nizova

Grafičko prikazivanje atributivnih i geografskih nizova Grafičko prikazivanje atributivnih i geografskih nizova Biserka Draščić Ban Pomorski fakultet u Rijeci 17. veljače 2011. Grafičko prikazivanje atributivnih nizova Atributivni nizovi prikazuju se grafički

Διαβάστε περισσότερα

OM2 V3 Ime i prezime: Index br: I SAVIJANJE SILAMA TANKOZIDNIH ŠTAPOVA

OM2 V3 Ime i prezime: Index br: I SAVIJANJE SILAMA TANKOZIDNIH ŠTAPOVA OM V me i preime: nde br: 1.0.01. 0.0.01. SAVJANJE SLAMA TANKOZDNH ŠTAPOVA A. TANKOZDN ŠTAPOV PROZVOLJNOG OTVORENOG POPREČNOG PRESEKA Preposavka: Smičući napon je konsanan po debljini ida (duž pravca upravnog

Διαβάστε περισσότερα

Cauchyjev teorem. Postoji više dokaza ovog teorema, a najjednostvniji je uz pomoć Greenove formule: dxdy. int C i Cauchy Riemannovih uvjeta.

Cauchyjev teorem. Postoji više dokaza ovog teorema, a najjednostvniji je uz pomoć Greenove formule: dxdy. int C i Cauchy Riemannovih uvjeta. auchyjev teorem Neka je f-ja f (z) analitička u jednostruko (prosto) povezanoj oblasti G, i neka je zatvorena kontura koja čitava leži u toj oblasti. Tada je f (z)dz = 0. Postoji više dokaza ovog teorema,

Διαβάστε περισσότερα

Otpornost R u kolu naizmjenične struje

Otpornost R u kolu naizmjenične struje Otpornost R u kolu naizmjenične struje Pretpostavimo da je otpornik R priključen na prostoperiodični napon: Po Omovom zakonu pad napona na otporniku je: ( ) = ( ω ) u t sin m t R ( ) = ( ) u t R i t Struja

Διαβάστε περισσότερα

Slučajne varijable Materijali za nastavu iz Statistike

Slučajne varijable Materijali za nastavu iz Statistike Slučajne varijable Materijali za nastavu iz Statistike Kristina Krulić Himmelreich i Ksenija Smoljak 2012/13 1 / 1 Slučajna varijabla Slučajna varijabla je funkcija X koja elementarnim dogadajima pridružuje

Διαβάστε περισσότερα

Izračun rizične vrijednosti - VaR

Izračun rizične vrijednosti - VaR Izračun rizične vrijednosti - VaR DUŠAN MUNĐAR 1 I ANA ZEMLJAK 2 Sažetak. Cilj rada je prikazati jedan model za kvantifikaciju rizika i tri metode za izračun rizične vrijednosti, kvantitativne mjere rizika.

Διαβάστε περισσότερα

PRIMJER 3. MATLAB filtdemo

PRIMJER 3. MATLAB filtdemo PRIMJER 3. MATLAB filtdemo Prijenosna funkcija (IIR) Hz () =, 6 +, 3 z +, 78 z +, 3 z +, 53 z +, 3 z +, 78 z +, 3 z +, 6 z, 95 z +, 74 z +, z +, 9 z +, 4 z +, 5 z +, 3 z +, 4 z 3 4 5 6 7 8 3 4 5 6 7 8

Διαβάστε περισσότερα

Testiranje statistiqkih hipoteza

Testiranje statistiqkih hipoteza Testiranje statistiqkih hipoteza Testiranje statistiqkih hipoteza Testiranje statistiqkih hipoteza je vid statistiqkog zakljuqivanja koji se primenjuje u situacijama: kada se unapred pretpostavlja postojanje određene

Διαβάστε περισσότερα

S t r a n a 1. 1.Povezati jonsku jačinu rastvora: a) MgCl 2 b) Al 2 (SO 4 ) 3 sa njihovim molalitetima, m. za so tipa: M p X q. pa je jonska jačina:

S t r a n a 1. 1.Povezati jonsku jačinu rastvora: a) MgCl 2 b) Al 2 (SO 4 ) 3 sa njihovim molalitetima, m. za so tipa: M p X q. pa je jonska jačina: S t r a n a 1 1.Povezati jonsku jačinu rastvora: a MgCl b Al (SO 4 3 sa njihovim molalitetima, m za so tipa: M p X q pa je jonska jačina:. Izračunati mase; akno 3 bba(no 3 koje bi trebalo dodati, 0,110

Διαβάστε περισσότερα

Linearna algebra 2 prvi kolokvij,

Linearna algebra 2 prvi kolokvij, Linearna algebra 2 prvi kolokvij, 27.. 20.. Za koji cijeli broj t je funkcija f : R 4 R 4 R definirana s f(x, y) = x y (t + )x 2 y 2 + x y (t 2 + t)x 4 y 4, x = (x, x 2, x, x 4 ), y = (y, y 2, y, y 4 )

Διαβάστε περισσότερα

Teorijske osnove informatike 1

Teorijske osnove informatike 1 Teorijske osnove informatike 1 9. oktobar 2014. () Teorijske osnove informatike 1 9. oktobar 2014. 1 / 17 Funkcije Veze me du skupovima uspostavljamo skupovima koje nazivamo funkcijama. Neformalno, funkcija

Διαβάστε περισσότερα

1.4 Tangenta i normala

1.4 Tangenta i normala 28 1 DERIVACIJA 1.4 Tangenta i normala Ako funkcija f ima derivaciju u točki x 0, onda jednadžbe tangente i normale na graf funkcije f u točki (x 0 y 0 ) = (x 0 f(x 0 )) glase: t......... y y 0 = f (x

Διαβάστε περισσότερα

Rizik i nesigurnost I. Rizik i njegovo mjerenje; sklonost ka riziku

Rizik i nesigurnost I. Rizik i njegovo mjerenje; sklonost ka riziku Sveučilište u Zagrebu Fakultet elektrotehnike i računarstva Inženjerska ekonomika (41251) Zagreb, 11. svibnja 2013. Rizik i nesigurnost I. Rizik i njegovo mjerenje; sklonost ka riziku Bilješke s predavanja

Διαβάστε περισσότερα

Numerička matematika 2. kolokvij (1. srpnja 2009.)

Numerička matematika 2. kolokvij (1. srpnja 2009.) Numerička matematika 2. kolokvij (1. srpnja 29.) Zadatak 1 (1 bodova.) Teorijsko pitanje. (A) Neka je G R m n, uz m n, pravokutna matrica koja ima puni rang po stupcima, tj. rang(g) = n. (a) Napišite puni

Διαβάστε περισσότερα

1 Promjena baze vektora

1 Promjena baze vektora Promjena baze vektora Neka su dane dvije različite uredene baze u R n, označimo ih s A = (a, a,, a n i B = (b, b,, b n Svaki vektor v R n ima medusobno različite koordinatne zapise u bazama A i B Zapis

Διαβάστε περισσότερα

2. OSNOVNI POJMOVI TEORIJE VJEROJATNOSTI

2. OSNOVNI POJMOVI TEORIJE VJEROJATNOSTI 2. OSNOVNI POJMOVI TEORIJE VJEROJATNOSTI 2. ALGEBRA DOGAĐAJA 2.. Intuitivna definicija Slučajan pokus (eksperiment) jest takav pokus čiji ishodi nisu jednoznačno određeni skupom uvjeta pokusa. Sa Ω označavamo

Διαβάστε περισσότερα

Skup svih mogućih ishoda datog opita, odnosno skup svih elementarnih događaja se najčešće obeležava sa E. = {,,,... }

Skup svih mogućih ishoda datog opita, odnosno skup svih elementarnih događaja se najčešće obeležava sa E. = {,,,... } VEROVTNOĆ - ZDI (I DEO) U računu verovatnoće osnovni pojmovi su opit i događaj. Svaki opit se završava nekim ishodom koji se naziva elementarni događaj. Elementarne događaje profesori različito obeležavaju,

Διαβάστε περισσότερα

Linearna algebra 2 prvi kolokvij,

Linearna algebra 2 prvi kolokvij, 1 2 3 4 5 Σ jmbag smjer studija Linearna algebra 2 prvi kolokvij, 7. 11. 2012. 1. (10 bodova) Neka je dano preslikavanje s : R 2 R 2 R, s (x, y) = (Ax y), pri čemu je A: R 2 R 2 linearan operator oblika

Διαβάστε περισσότερα

KOMUTATIVNI I ASOCIJATIVNI GRUPOIDI. NEUTRALNI ELEMENT GRUPOIDA.

KOMUTATIVNI I ASOCIJATIVNI GRUPOIDI. NEUTRALNI ELEMENT GRUPOIDA. KOMUTATIVNI I ASOCIJATIVNI GRUPOIDI NEUTRALNI ELEMENT GRUPOIDA 1 Grupoid (G, ) je asocijativa akko važi ( x, y, z G) x (y z) = (x y) z Grupoid (G, ) je komutativa akko važi ( x, y G) x y = y x Asocijativa

Διαβάστε περισσότερα

NOMENKLATURA ORGANSKIH SPOJEVA. Imenovanje aromatskih ugljikovodika

NOMENKLATURA ORGANSKIH SPOJEVA. Imenovanje aromatskih ugljikovodika NOMENKLATURA ORGANSKIH SPOJEVA Imenovanje aromatskih ugljikovodika benzen metilbenzen (toluen) 1,2-dimetilbenzen (o-ksilen) 1,3-dimetilbenzen (m-ksilen) 1,4-dimetilbenzen (p-ksilen) fenilna grupa 2-fenilheptan

Διαβάστε περισσότερα

Riješeni zadaci: Limes funkcije. Neprekidnost

Riješeni zadaci: Limes funkcije. Neprekidnost Riješeni zadaci: Limes funkcije. Neprekidnost Limes funkcije Neka je 0 [a, b] i f : D R, gdje je D = [a, b] ili D = [a, b] \ { 0 }. Kažemo da je es funkcije f u točki 0 jednak L i pišemo f ) = L, ako za

Διαβάστε περισσότερα

XI dvoqas veжbi dr Vladimir Balti. 4. Stabla

XI dvoqas veжbi dr Vladimir Balti. 4. Stabla XI dvoqas veжbi dr Vladimir Balti 4. Stabla Teorijski uvod Teorijski uvod Definicija 5.7.1. Stablo je povezan graf bez kontura. Definicija 5.7.1. Stablo je povezan graf bez kontura. Primer 5.7.1. Sva stabla

Διαβάστε περισσότερα

Akvizicija tereta. 5660t. Y= masa drva, X=masa cementa. Na brod će se ukrcati 1733 tona drva i 3927 tona cementa.

Akvizicija tereta. 5660t. Y= masa drva, X=masa cementa. Na brod će se ukrcati 1733 tona drva i 3927 tona cementa. Akvizicija tereta. Korisna nosivost broda je 6 t, a na brodu ia 8 cu. ft. prostora raspoloživog za sještaj tereta pod palubu. Navedeni brod treba krcati drvo i ceent, a na palubu ože aksialno ukrcati 34

Διαβάστε περισσότερα

radni nerecenzirani materijal za predavanja

radni nerecenzirani materijal za predavanja Matematika 1 Funkcije radni nerecenzirani materijal za predavanja Definicija 1. Kažemo da je funkcija f : a, b R u točki x 0 a, b postiže lokalni minimum ako postoji okolina O(x 0 ) broja x 0 takva da je

Διαβάστε περισσότερα