4 Testiranje statističkih hipoteza

Save this PDF as:
 WORD  PNG  TXT  JPG

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "4 Testiranje statističkih hipoteza"

Transcript

1 4 Testiranje statističkih hipoteza 1

2 4.1. Statistička hipoteza Promatramo statističko obilježje X. Statistička hipoteza je (bilo koja) pretpostavka o (populacijskoj) razdiobi od X. Kažemo da je statistička hipoteza jednostavna ukoliko jednoznačno odreduje razdiobu od X. U suprotnom kažemo da je složena. 2

3 Primjeri. H 1 : X ima normalnu razdiobu složena hipoteza H 2 : X N(170, 64) jednostavna hipoteza 3

4 4.2. Statistički test Neka je µ = E[X]. Na primjer, pretpostavimo da nas zanima je li točna hipoteza: H 0 : µ 50. Preciznije, želimo na osnovi realizacije slučajnog u- zorka za X donijeti odluku hoćemo li odbaciti ili ne odbaciti tu hipotezu. 4

5 Postupak donošenja odluke o odbacivanju ili ne odbacivanju statističke hipoteze zove se testiranje statističkih hipoteza. Primijetimo da uz osnovnu ili nul - hipotezu, npr.: H 0 : µ 50, postoji njoj alternativna hipoteza: H 1 : µ > 50. 5

6 Budući da sve odluke bazirane na uzorcima iz populacije nisu 100% pouzdane, ni zaključak (odluka) statističkog testa nije 100% pouzdan. Dakle, može se dogoditi da je zaključak testa pogrešan. Prema tome, imamo sljedeću situaciju: 6

7 zaključak točno je ne odbaciti H 0 odbaciti H 0 H 0 pogrešno! (I) pogrešno! (II) H 1 Pogreška koju činimo kada odbacujemo H 0, a ona je istinita, je pogreška prve vrste. Pogreška koju činimo kada ne odbacujemo H 0, a istinita je H 1, je pogreška druge vrste. 7

8 Test će u potpunosti biti sproveden ako možemo procijeniti vjerojatnosti mogućih pogrešaka u zaključku testa. Razumno je zahtjevati test kojemu se mogu kontrolirati vjerojatnosti obiju pogrešaka. To nije moguće jer smanjivanjem vjerojatnosti pogreške prve vrste povećava se vjerojatnost pogreške druge vrste i o- bratno. 8

9 S druge strane, u velikoj većini slučajeva moguće je za zadanu razinu značajnosti testa α (α 0, 1 ) medu testovima kojima vjerojatnost pogreške prve vrste ne prelazi broj α naći (konstruirati) test s najmanjom vjerojatnosti pogreške druge vrste. 9

10 Neka je X 1, X 2,..., X n slučajni uzorak za X i X := (X 1, X 2,..., X n ). Tada su realizacije x = (x 1, x 2,..., x n ) tog uzorka elementi od R n. Definicija. Test (hipoteze H 0 u odnosu na alternativu H 1 ) je preslikavanje τ : R n {0, 1}. Interpretacija. Ako je za realizaciju x uzorka X τ(x) = 1, tada odbacujemo H 0 u korist H 1, a ako je τ(x) = 0, tada ne odbacujemo H 0 u korist H 1. 10

11 Tada je C := τ 1 (1) = {x R n : τ(x) = 1} područje realizacija uzoraka za koje se H 0 odbacuje u korist H 1. C se naziva kritično područje za test τ. 11

12 Populacijska razdioba: X f(x θ), θ Θ Vjerodostojnost od θ: L(θ x) = n i=1 f(x i θ) Preslikavanje γ : Θ [0, 1] def. sa: γ(θ) := E θ [τ(x)] = P θ (X C) = zove se jakost testa τ. C L(θ x) dx Interpretacija. Ukoliko je θ 1 vrijednost parametra za koju je H 1 istinito, jakost testa γ(θ 1 ) je sposobnost testa da odbaci H 0 ako je H 0 neistinita hipoteza. 12

13 Neka su: H 0 : θ Θ 0 H 1 : θ Θ 1. Preslikavanje α : Θ 0 [0, 1] def. sa: α(θ) := γ(θ) = P θ (X C) je vjerojatnost pogreške 1. vrste. α τ := sup θ Θ 0 α(θ) je značajnost testa τ. Kažemo da test ima razinu značajnost α ukoliko mu je značajnost manja ili jednaka α. 13

14 H 0 : θ Θ 0 H 1 : θ Θ 1. Preslikavanje β : Θ 1 [0, 1] def. sa: β(θ) := 1 γ(θ) = P θ (X / C) je vjerojatnost pogreške 2. vrste. 14

15 Definicija. Kažemo da je test τ uniformno najjači ako za svaki drugi test τ takav da je α τ α τ, vrijedi da je γ τ (θ) γ τ (θ) za sve θ. Ukoliko postoji, kako naći uniformno najjači test? 15

16 Pretpostavimo da želimo testirati: H 0 : θ = θ 0 H 1 : θ = θ 1 gdje su θ 0 θ 1 dvije vrijednosti parametra. Nadalje, neka su L(θ 0 x) = n i=1 f(x i θ 0 ), L(θ 1 x) = vjerodostojnosti od θ 0 i θ 1. n i=1 f(x i θ 1 ) 16

17 Lema. (Neyman, Pearson) Neka je k > 0 takav broj da za skup C = {x R n : L(θ 0 x) kl(θ 1 x)} vrijedi da je C L(θ 0 x) dx = α za zadani α 0, 1. Ako za neki drugi B R n vrijedi da je L(θ 0 x) dx α, B tada je nužno (Dokaz.) B L(θ 1 x) dx C L(θ 1 x) dx. 17

18 Interpretacija. Test τ(x) := 1 C (x) za C iz N-P leme je uniformno najjači test za testiranje jednostavne hipoteze H 0 u odnosu na jednostavnu alternativu H 1. 18

19 Primjer 4.1. Za varijablu X poznato je da je X N(µ, 9) i µ {13.8, 15.0}. Na osnovi uzorka za X duljine n = 70 treba testirati nul-hipotezu H 0 : µ = 15.0 u odnosu na alternativu H 1 : µ = 13.8 uz razinu značajnosti od α = 5%. 19

20 Konstrukcija testa sastoji se od odredivanja testne statistike na osnovi čijih vrijednosti se donose odluke, i (slike) kritičnog područja koji je skup onih mogućih vrijednosti testne statistike za koje se odbacuje H 0 u korist H 1. Takav skup takoder zovemo kritičnim područjem. (Izvod optimalnog (tj. uniformno najjačeg testa).) 20

21 Dakle, za ovaj primjer, testna statistika (optimalnog) testa je Z = X Kritično područje uz uvjet da vjerojatnost pogreške prve vrste bude jednaka α = 0.05: P(Z u H 0 ) = 0.05 Z H 0 N(0, 1) u = z 0.05 = (tablice) = 1.64 kritično područje je interval, 1.64] Dakle, H 0 odbacujemo ako je z

22 Ako je z > 1.64 ne odbacujemo H 0. U tom slučaju je vjerojatnost pogreške druge vrste β = P(Z > 1.64 H 1 ) = = P( X > H1 ) = 3 3 = P(X > 1.71) = = 1 Φ(1.71) = = 0.5 Φ 0 (1.71) = =

23 Jakost testa je γ = P(Z 1.64 H 1 ) = = 1 P(Z > 1.64 H 1 ) = = 1 β = = =

24 Zadatak 1. (jednostrani z-test) Pokažite da je za X N(µ, σ 2 0 ), gdje je σ2 0 poznato, uniformno najjači test za testiranje hipoteza H 0 : µ = µ 0 H 1 : µ < µ 0, na razini značajnosti α, dan testnom statistikom Z = X µ 0 n σ 0 i kritičnim područjem z z α. (µ 0 je zadani broj, z je vrijednost od Z) 24

25 Zadatak 2. (jednostrani z-test, 2. put) Pokažite da je za X N(µ, σ 2 0 ), gdje je σ2 0 poznato, uniformno najjači test za testiranje hipoteza H 0 : µ = µ 0 H 1 : µ > µ 0, na razini značajnosti α, dan testnom statistikom Z = X µ 0 n σ 0 i kritičnim područjem z z α. (µ 0 je zadani broj, z je vrijednost od Z) 25

26 Zadatak 3. (dvostrani z-test) Neka je X N(µ, σ0 2), gdje je σ2 0 hipoteza poznato. Je li test dan testnom statistikom H 0 : µ = µ 0 H 1 : µ µ 0, Z = X µ 0 n σ 0 i kritičnim područjem z z α/2 (na razini značajnosti α), uniformno najjači? (µ 0 je zadani broj, z je vrijednost od Z) 26

27 Primijetimo da nam je u primjeru 4.1. račun bio olakšan jer su obje hipoteze (osnovna i alternativna) bile jednostavne. U praksi to nije slučaj. Na primjer, ako za X N(µ, 9) želimo testirati H 0 : µ 15 H 1 : µ < 15, onda su obje hipoteze složene. Pretpostavimo da je testna statistika ista kao u primjeru 4.1: Z = X 15 n. 3 27

28 I kritično područje je istoga oblika kao u primjeru 4.1:, u]. Odredimo u > 0 t.d. je za zadanu razinu značajnosti α P(Z u µ = 15 + δ) α za sve δ 0 P( X µ δ n u n) α za sve δ Φ( u δ 3 n) α za sve δ 0. Budući da je za sve δ 0, Φ( u δ 3 n) Φ( u), u odredimo tako da je Φ( u) = 0.5 Φ 0 (u) = α. 28

29 Dakle, konstrukcija kritičnog područja je ista ako originalnu (složenu) hipotezu H 0 zamijenimo sa (jednostavnom) hipotezom H 0 : µ = 15, odnosno, ako testiramo H 0 : µ = 15 H 1 : µ < 15. Dakle, sada smo problem testiranja sveli na z-test opisan u zadatku 1. 29

30 U pravilu, za nul-hipotezu uvijek se uzimaju jednostavne hipoteze ili hipoteze koje jednoznačno odreduju razdiobu testne statistike. U interpretaciji, za nul-hipoteze uzimamo one hipoteze za koje želimo kontrolirati vjerojatnost da ćemo ih odbaciti ako su istinite, odn. vjerojatnost pogrešaka prve vrste. 30

31 Primjer 4.2. (Primjer 1.4.) Kockar je optužen da je koristio namještenu kocku. Koju osnovnu hipotezu koristi statističar kada sprovodi odgovarajući test za sud? 31

32 H 0 : Kocka je simetrična. Trebamo kontrolirati vjerojatnost da ćemo pogriješiti ako odbacimo H 0, tj. da se proglasi krivim nevini čovjek. 32

33 Primjer 4.3. Tvornica je proizvela novu seriju padobrana. Kontrolor kvalitete mora statističkim metodama (statistički test) odlučiti hoće li padobrane propustiti na tržište ili ne. Koju hipotezu treba uzeti za osnovnu? 33

34 H 0 : Padobran nije ispravan. 34

35 4.3 Testovi omjera vjerodostojnosti Neka je X 1, X 2,..., X n slučajni uzorak za X i neka je populacijska gustoća od X: f(x θ), θ Θ. Cilj: konstrirati test za testiranje H 0 : θ Θ 0 H 1 : θ Θ 1. 35

36 Neka je x = (x 1, x 2,..., x n ) opaženi uzorak. Vjerodostojnost: L(θ x) = n i=1 Pretpostavimo da postoje: f(x i θ), θ Θ t.d. da vrijedi ˆθ 0 = ˆθ 0 (x) Θ 0 i ˆθ = ˆθ(x) Θ L(ˆθ 0 x) = max θ Θ 0 L(θ x), L(ˆθ x) = max θ Θ L(θ x). 36

37 Definicija. Omjer vjerodostojnosti je funkcija: x λ(x) := L(ˆθ 0 x) L(ˆθ x). Test za testiranje nevedenih hipoteza kojemu je kritično područje oblika C = {x R n : λ(x) c}, za neku realnu konstanu c < 1, zovemo testom omjera vjerodostojnosti (engl. likelihood ratio test ili LR-test). 37

38 Zadatak 4. (dvostrani z-test) Neka je X 1, X 2,..., X n slučajni uzorak za X s normalnom populacijskom distribucijom N(µ, σ 2 0 ) (σ2 0 je poznato). Odredite test omjera vjerodostojnosti za testiranje nul-hipoteze H 0 : µ = µ 0 u odnosu na dvostranu alternativu H 1 : µ µ 0. 38

39 Zadatak 5. (t-test) Neka je X 1, X 2,..., X n slučajni uzorak za X s normalnom populacijskom distribucijom N(µ, σ 2 ) (oba parametra su nepoznata). Odredite test omjera vjerodostojnosti za testiranje nulhipoteze H 0 : µ = µ 0 u odnosu na (a) jednostranu alternativu H 1 : µ < µ 0 ; (b) jednostranu alternativu H 1 : µ > µ 0 ; (c) dvostranu alternativu H 1 : µ µ 0. 39

40 4.4 Test o očekivanju normalno distribuirane populacije (t-test) Neka je X 1,..., X n slučani uzorak za X N(µ, σ 2 ). Želimo testirati hipoteze o parametru µ (σ 2 je nepoznat). Od sada pa nadalje, neka µ 0 označava neki unaprijed zadani broj. 40

41 Razlikujemo tri slučaja: (1) : (2) : (3) : H 0 : µ = µ 0 H 0 : µ = µ 0 H 0 : µ = µ 0 H 1 : µ > µ 0 H 1 : µ < µ 0 H 1 : µ µ 0 Alternative u (1) i (2) su jednostrane jednostrani testovi dok je alternativa u (3) dvostrana dvostrani test. 41

42 U sva tri slučaja, testna statistika je jednaka: T = X µ 0 H n 0 t(n 1) S Kritična područja se razlikuju. Neka je α zadana razina značajnosti. 42

43 (1): kritično područje: H 0 : µ = µ 0 H 1 : µ > µ 0 P(T t α (n 1) H 0 ) = α [t α (n 1), + 43

44 (2): kritično područje: H 0 : µ = µ 0 H 1 : µ < µ 0 P(T t α (n 1) H 0 ) = α, t α (n 1)] 44

45 (3): kritično područje: H 0 : µ = µ 0 H 1 : µ µ 0 P( T t α/2 (n 1) H 0 ) = α, t α/2 (n 1)] [t α/2 (n 1), + 45

46 Primjer 4.4. (Primjer 3.13) U svrhu istraživanja toksičnosti jedne vrste plijesni na urod kukuruza, mjeri se količina toksične tvari u mg. Uzorak od 9 ekstrakata te plijesni: 1.2, 0.8, 0.6, 1.1, 1.2, 0.9, 1.5, 0.9, 1.0 Pretpostavka je da mjereno obilježje ima normalnu razdiobu. Iz uzorka je izračunano: x = 1.02 i s = Uz 5% značajnosti testirajte H 0 : µ = 1.00 H 1 : µ >

47 Jednostrani t-test: Testna statistika: T = X 1.00 S 3 Kritično područje: [t 0.05 (8), + = [1.86, + Vrijednost testne statistike: t = x 1.00 s 3 = =

48 Budući da je t = < 1.86, tj. t ne pripada kritičnom području, ne odbacujemo H 0 u korist alternative. Preciznije, uz značajnost od 5%, ne odbacujemo pretpostavku da je µ manje ili jednako od 1.00, odn. ne možemo tvrditi da je očekivana količina toksične tvari u ekstraktu plijesni veća od

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

(Hi-kvadrat test) r (f i f ti ) 2 H = f ti. i=1

(Hi-kvadrat test) r (f i f ti ) 2 H = f ti. i=1 χ 2 test (Hi-kvadrat test) Jedan od prvih statističkih testova je χ 2 -test. Predložio ga je K. Pearson 900. godine, pa je poznat i pod nazivom Pearsonov test. χ 2 test je neparametarski test. Pomoću χ

Διαβάστε περισσότερα

Testiranje statističkih hipoteza Materijali za nastavu iz Statistike

Testiranje statističkih hipoteza Materijali za nastavu iz Statistike Testiranje statističkih hipoteza Materijali za nastavu iz Statistike Kristina Krulić Himmelreich i Ksenija Smoljak 2012/13 1 / 39 Uvod Osnovna zadaća Statistike je na temelju uzorka ocijeniti kakvu razdiobu

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

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

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

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

(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

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

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

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

IspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f

IspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f IspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f IspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f 2. Nule i znak funkcije; presek sa y-osom IspitivaƬe

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

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

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

2.2 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

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

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

Neka je a 3 x 3 + a 2 x 2 + a 1 x + a 0 = 0 algebarska jednadžba trećeg stupnja. Rješavanje ove jednadžbe sastoji se od nekoliko koraka.

Neka je a 3 x 3 + a 2 x 2 + a 1 x + a 0 = 0 algebarska jednadžba trećeg stupnja. Rješavanje ove jednadžbe sastoji se od nekoliko koraka. Neka je a 3 x 3 + a x + a 1 x + a 0 = 0 algebarska jednadžba trećeg stupnja. Rješavanje ove jednadžbe sastoji se od nekoliko koraka. 1 Normiranje jednadžbe. Jednadžbu podijelimo s a 3 i dobivamo x 3 +

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

Sume kvadrata. mn = (ax + by) 2 + (ay bx) 2.

Sume kvadrata. mn = (ax + by) 2 + (ay bx) 2. Sume kvadrata Koji se prirodni brojevi mogu prikazati kao zbroj kvadrata dva cijela broja? Propozicija 1. Ako su brojevi m i n sume dva kvadrata, onda je i njihov produkt m n takoder suma dva kvadrata.

Διαβάστε περισσότερα

4 Funkcije. 4.1 Pojam funkcije

4 Funkcije. 4.1 Pojam funkcije 4 Funkcije 4.1 Pojam unkcije Neka su i neprazni skupovi i pravilo koje svakom elementu skupa pridružuje točno jedan element skupa. Tada se uredena trojka (,, ) naziva preslikavanje ili unkcija sa skupa

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

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

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

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

Str

Str Str. Testiranje statističkih hipoteza Predavač: Dr Mirko Savić savicmirko@ef.uns.ac.rs www.ef.uns.ac.rs Definicija: Hipoteza predstavlja pretpostavku koja je zasnovana na određenim činjenicama (najčešće

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

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

( x) ( ) ( ) ( x) ( ) ( x) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

( x) ( ) ( ) ( x) ( ) ( x) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) Zadatak 08 (Vedrana, maturantica) Je li unkcija () = cos (sin ) sin (cos ) parna ili neparna? Rješenje 08 Funkciju = () deiniranu u simetričnom području a a nazivamo: parnom, ako je ( ) = () neparnom,

Διαβάστε περισσότερα

Matematičke metode u marketingumultidimenzionalno skaliranje. Lavoslav ČaklovićPMF-MO

Matematičke metode u marketingumultidimenzionalno skaliranje. Lavoslav ČaklovićPMF-MO Matematičke metode u marketingu Multidimenzionalno skaliranje Lavoslav Čaklović PMF-MO 2016 MDS Čemu služi: za redukciju dimenzije Bazirano na: udaljenosti (sličnosti) među objektima Problem: Traži se

Διαβάστε περισσότερα

Slučajne varijable. Diskretna slučajna varijabla X je promjenjiva veličina koja poprima vrijednosti iz skupa

Slučajne varijable. Diskretna slučajna varijabla X je promjenjiva veličina koja poprima vrijednosti iz skupa Slučajne varijable Statistički podaci su distribuirani po odredenoj zakonitosti. Za matematičko (apstraktno) opisivanje te zakonitosti potrebno je definirati slučajnu varijablu kojoj pripada odredena razdioba

Διαβάστε περισσότερα

Zadaci iz Osnova matematike

Zadaci iz Osnova matematike Zadaci iz Osnova matematike 1. Riješiti po istinitosnoj vrijednosti iskaza p, q, r jednačinu τ(p ( q r)) =.. Odrediti sve neekvivalentne iskazne formule F = F (p, q) za koje je iskazna formula p q p F

Διαβάστε περισσότερα

Neparametarski testovi za dva nezavisna uzorka. Boris Glišić 208/2010 Bojana Ružičić 21/2010

Neparametarski testovi za dva nezavisna uzorka. Boris Glišić 208/2010 Bojana Ružičić 21/2010 Neparametarski testovi za dva nezavisna uzorka Boris Glišić 208/2010 Bojana Ružičić 21/2010 Neparametarski testovi Hipoteze o raspodeli obeležja se nazivaju neparametarske hipoteze, a odgovarajući testovi

Διαβάστε περισσότερα

9. GRANIČNA VRIJEDNOST I NEPREKIDNOST FUNKCIJE GRANIČNA VRIJEDNOST ILI LIMES FUNKCIJE

9. GRANIČNA VRIJEDNOST I NEPREKIDNOST FUNKCIJE GRANIČNA VRIJEDNOST ILI LIMES FUNKCIJE Geodetski akultet, dr sc J Beban-Brkić Predavanja iz Matematike 9 GRANIČNA VRIJEDNOST I NEPREKIDNOST FUNKCIJE GRANIČNA VRIJEDNOST ILI LIMES FUNKCIJE Granična vrijednost unkcije kad + = = Primjer:, D( )

Διαβάστε περισσότερα

MATEMATIKA 2. Grupa 1 Rexea zadataka. Prvi pismeni kolokvijum, Dragan ori

MATEMATIKA 2. Grupa 1 Rexea zadataka. Prvi pismeni kolokvijum, Dragan ori MATEMATIKA 2 Prvi pismeni kolokvijum, 14.4.2016 Grupa 1 Rexea zadataka Dragan ori Zadaci i rexea 1. unkcija f : R 2 R definisana je sa xy 2 f(x, y) = x2 + y sin 3 2 x 2, (x, y) (0, 0) + y2 0, (x, y) =

Διαβάστε περισσότερα

Neka su A i B skupovi. Kažemo da je A podskup od B i pišemo A B ako je svaki element skupa A ujedno i element skupa B. Simbolima to zapisujemo:

Neka su A i B skupovi. Kažemo da je A podskup od B i pišemo A B ako je svaki element skupa A ujedno i element skupa B. Simbolima to zapisujemo: 2 Skupovi Neka su A i B skupovi. Kažemo da je A podskup od B i pišemo A B ako je svaki element skupa A ujedno i element skupa B. Simbolima to zapisujemo: A B def ( x)(x A x B) Kažemo da su skupovi A i

Διαβάστε περισσότερα

Četrnaesto predavanje iz Teorije skupova

Četrnaesto predavanje iz Teorije skupova Četrnaesto predavanje iz Teorije skupova 27. 01. 2006. Kratki rezime prošlog predavanja: Dokazali smo teorem rekurzije, te primjenom njega definirali zbrajanje ordinalnih brojeva. Prvo ćemo navesti osnovna

Διαβάστε περισσότερα

nepoznati parametar θ jednak broju θ 0, u oznaci H 0 (θ =θ 0 ), je primer proste hipoteze. Ako hipoteza nije prosta, onda je složena.

nepoznati parametar θ jednak broju θ 0, u oznaci H 0 (θ =θ 0 ), je primer proste hipoteze. Ako hipoteza nije prosta, onda je složena. Testiraje parametarskih hipoteza Pretpostavka (hipoteza) o parametru raspodele se zove parametarska hipoteza. Postupak jeog potvrđivaja ili odbacivaja a osovu podataka iz uzorka je parametarski test. t

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

- pravac n je zadan s točkom T(2,0) i koeficijentom smjera k=2. (30 bodova)

- pravac n je zadan s točkom T(2,0) i koeficijentom smjera k=2. (30 bodova) MEHANIKA 1 1. KOLOKVIJ 04/2008. grupa I 1. Zadane su dvije sile F i. Sila F = 4i + 6j [ N]. Sila je zadana s veličinom = i leži na pravcu koji s koordinatnom osi x zatvara kut od 30 (sve komponente sile

Διαβάστε περισσότερα

Statistička obrada podataka

Statistička obrada podataka Statistička obrada podataka Ana Anušić Ervin Duraković Hrvoje Maltarić Ivan Pažin Sažetak U ovom članku provodimo statističko istraživanje koje se bazira na zavisnosti uspjeha na prijamnom ispitu i prve

Διαβάστε περισσότερα

Više dokaza jedne poznate trigonometrijske nejednakosti u trokutu

Više dokaza jedne poznate trigonometrijske nejednakosti u trokutu Osječki matematički list 000), 5 9 5 Više dokaza jedne poznate trigonometrijske nejednakosti u trokutu Šefket Arslanagić Alija Muminagić Sažetak. U radu se navodi nekoliko različitih dokaza jedne poznate

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

Vjerojatnost i matematička statistika

Vjerojatnost i matematička statistika Vjerojatnost i matematička statistika Ante Mimica Poslijediplomski specijalistički studij aktuarske matematike 29. siječnja 2016. Sadržaj kolegija 1. Opisna analiza podataka 2. Slučajne varijable 3. Funkcije

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

2.6 Nepravi integrali

2.6 Nepravi integrali 66. INTEGRAL.6 Neprvi integrli Definicij. Nek je f : [, R funkcij koj je Riemnn integrbiln n svkom podsegmentu [, ] od [,. Ako postoji končn es f() (.4) ond se tj es zove neprvi integrl funkcije f n [,

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

Osnove teorije uzoraka

Osnove teorije uzoraka Oove teorije uzoraka Oove teorije uzoraka UZORAK: lučaji, reprezetativi dio oovog kupa populacije Uzorci: 1.uzorak:,, 1 1.uzorak:,, i.uzorak:,, i i Razdioba aritmetičke redie uzorka f ( ) f ( ) razdioba

Διαβάστε περισσότερα

1 Aksiomatska definicija skupa realnih brojeva

1 Aksiomatska definicija skupa realnih brojeva 1 Aksiomatska definicija skupa realnih brojeva Definicija 1 Polje realnih brojeva je skup R = {x, y, z...} u kojemu su definirane dvije binarne operacije zbrajanje (oznaka +) i množenje (oznaka ) i jedna binarna

Διαβάστε περισσότερα

KONVEKSNI SKUPOVI. Definicije: potprostor, afin skup, konveksan skup, konveksan konus. 1/5. Back FullScr

KONVEKSNI SKUPOVI. Definicije: potprostor, afin skup, konveksan skup, konveksan konus. 1/5. Back FullScr KONVEKSNI SKUPOVI Definicije: potprostor, afin skup, konveksan skup, konveksan konus. 1/5 KONVEKSNI SKUPOVI Definicije: potprostor, afin skup, konveksan skup, konveksan konus. 1/5 1. Neka su x, y R n,

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

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

Granične vrednosti realnih nizova

Granične vrednosti realnih nizova Graiče vredosti realih izova Fukcija f : N R, gde je N skup prirodih brojeva a R skup realih brojeva, zove se iz realih brojeva ili reala iz. Opšti čla iza f je f(), N, i običo se obeležava sa f, dok se

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

Uvod u neparametarske testove

Uvod u neparametarske testove Str. 148 Uvod u neparametarske testove Predavač: Dr Mirko Savić savicmirko@ef.uns.ac.rs www.ef.uns.ac.rs Hi-kvadrat testovi c Str. 149 Koristi se za upoređivanje dve serije frekvencija. Vrste c testa:

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

1 Diferencijabilnost Motivacija. Kažemo da je funkcija f : a, b R derivabilna u točki c a, b ako postoji limes f f(x) f(c) (c) = lim.

1 Diferencijabilnost Motivacija. Kažemo da je funkcija f : a, b R derivabilna u točki c a, b ako postoji limes f f(x) f(c) (c) = lim. 1 Diferencijabilnost 11 Motivacija Kažemo da je funkcija f : a, b R derivabilna u točki c a, b ako postoji es f f(x) f(c) (c) x c x c Najbolja linearna aproksimacija funkcije f je funkcija l(x) = f(c)

Διαβάστε περισσότερα

DRUGI KOLOKVIJUM IZ MATEMATIKE 9x + 6y + z = 1 4x 2y + z = 1 x + 2y + 3z = 2. je neprekidna za a =

DRUGI KOLOKVIJUM IZ MATEMATIKE 9x + 6y + z = 1 4x 2y + z = 1 x + 2y + 3z = 2. je neprekidna za a = x, y, z) 2 2 1 2. Rešiti jednačinu: 2 3 1 1 2 x = 1. x = 3. Odrediti rang matrice: rang 9x + 6y + z = 1 4x 2y + z = 1 x + 2y + 3z = 2. 2 0 1 1 1 3 1 5 2 8 14 10 3 11 13 15 = 4. Neka je A = x x N x < 7},

Διαβάστε περισσότερα

VJEŽBE IZ MATEMATIKE 1

VJEŽBE IZ MATEMATIKE 1 VJEŽBE IZ MATEMATIKE 1 Ivana Baranović Miroslav Jerković Lekcija 8 Pojam funkcije, grafa i inverzne funkcije Poglavlje 1 Funkcije Neka su X i Y dva neprazna skupa. Ako je po nekom pravilu, ozna imo ga

Διαβάστε περισσότερα

Statističko zaključivanje jedna varijabla

Statističko zaključivanje jedna varijabla Poglavlje 5 Statističko zaključivanje jedna varijabla 5.1 Procjena distribucije, očekivanja i varijance U prethodnim poglavljima naučili smo da se veličine promatrane na jedinkama obuhvaćenim nekim istraživanjem

Διαβάστε περισσότερα

4.1 Elementarne funkcije

4.1 Elementarne funkcije . Elementarne funkcije.. Polinomi Funkcija f : R R zadana formulom f(x) = a n x n + a n x n +... + a x + a 0 gdje je n N 0 te su a n, a n,..., a, a 0 R, zadani brojevi takvi da a n 0 naziva se polinom

Διαβάστε περισσότερα

Uvod u teoriju brojeva. Andrej Dujella

Uvod u teoriju brojeva. Andrej Dujella Uvod u teoriju brojeva (skripta) Andrej Dujella PMF - Matematički odjel Sveučilište u Zagrebu Sadržaj. Djeljivost.... Kongruencije... 3. Kvadratni ostatci... 9 4. Kvadratne forme... 38 5. Aritmetičke funkcije...

Διαβάστε περισσότερα

Verovatnoća i Statistika I deo Teorija verovatnoće (zadaci) Beleške dr Bobana Marinkovića

Verovatnoća i Statistika I deo Teorija verovatnoće (zadaci) Beleške dr Bobana Marinkovića Verovatnoća i Statistika I deo Teorija verovatnoće zadaci Beleške dr Bobana Marinkovića Iz skupa, 2,, 00} bira se na slučajan način 5 brojeva Odrediti skup elementarnih dogadjaja ako se brojevi biraju

Διαβάστε περισσότερα

Zadaci iz trigonometrije za seminar

Zadaci iz trigonometrije za seminar Zadaci iz trigonometrije za seminar FON: 1. Vrednost izraza sin 1 cos 6 jednaka je: ; B) 1 ; V) 1 1 + 1 ; G) ; D). 16. Broj rexea jednaqine sin x cos x + cos x = sin x + sin x na intervalu π ), π je: ;

Διαβάστε περισσότερα

Determinante. a11 a. a 21 a 22. Definicija 1. (Determinanta prvog reda) Determinanta matrice A = [a] je broj a.

Determinante. a11 a. a 21 a 22. Definicija 1. (Determinanta prvog reda) Determinanta matrice A = [a] je broj a. Determinante Determinanta A deta je funkcija definirana na skupu svih kvadratnih matrica, a poprima vrijednosti iz skupa skalara Osim oznake deta za determinantu kvadratne matrice a 11 a 12 a 1n a 21 a

Διαβάστε περισσότερα

PID: Domen P je glavnoidealski [PID] akko svaki ideal u P je glavni (generisan jednim elementom; oblika ap := {ab b P }, za neko a P ).

PID: Domen P je glavnoidealski [PID] akko svaki ideal u P je glavni (generisan jednim elementom; oblika ap := {ab b P }, za neko a P ). 0.1 Faktorizacija: ID, ED, PID, ND, FD, UFD Definicija. Najava pojmova: [ID], [ED], [PID], [ND], [FD] i [UFD]. ID: Komutativan prsten P, sa jedinicom 1 0, je integralni domen [ID] oblast celih), ili samo

Διαβάστε περισσότερα

Niz i podniz. Definicija Svaku funkciju a : N S zovemo niz u S. Za n N pišemo a(n) = a n i nazivamo n-tim članom niza.

Niz i podniz. Definicija Svaku funkciju a : N S zovemo niz u S. Za n N pišemo a(n) = a n i nazivamo n-tim članom niza. 2. NIZOVI 1 / 78 Niz i podiz 2 / 78 Niz i podiz Defiicija Svaku fukciju a : N S zovemo iz u S. Za N pišemo a() = a i azivamo -tim člaom iza. Ozaka za iz je (a ) N ili (a ) ili samo (a ). Kodomea iza može

Διαβάστε περισσότερα

KVADRATNA FUNKCIJA. Kvadratna funkcija je oblika: Kriva u ravni koja predstavlja grafik funkcije y = ax + bx + c. je parabola.

KVADRATNA FUNKCIJA. Kvadratna funkcija je oblika: Kriva u ravni koja predstavlja grafik funkcije y = ax + bx + c. je parabola. KVADRATNA FUNKCIJA Kvadratna funkcija je oblika: = a + b + c Gde je R, a 0 i a, b i c su realni brojevi. Kriva u ravni koja predstavlja grafik funkcije = a + b + c je parabola. Najpre ćemo naučiti kako

Διαβάστε περισσότερα

X. Testiranje hipoteza. Osnovni koncepti testiranja hipoteza TESTIRANJE HIPOTEZA OSNOVNI KONCEPTI I TESTOVI POVEZANOSTI 19/11/15

X. Testiranje hipoteza. Osnovni koncepti testiranja hipoteza TESTIRANJE HIPOTEZA OSNOVNI KONCEPTI I TESTOVI POVEZANOSTI 19/11/15 TESTIRANJE HIPOTEZA OSNOVNI KONCEPTI I TESTOVI POVEZANOSTI X. Testiranje hipoteza Osnovni koncepti testiranja hipoteza Unakrsno tabeliranje i hi-kvadrat Testiranje hipoteza o srednjoj vrednosti i proporcijama

Διαβάστε περισσότερα

Neprekinute funkcije i limesi Definicija neprekinute funkcije i njen odnos prema limesu Asimptote Svojstva neprekinutih funkcija

Neprekinute funkcije i limesi Definicija neprekinute funkcije i njen odnos prema limesu Asimptote Svojstva neprekinutih funkcija Sadržaj: Nizovi brojeva Pojam niza Limes niza. Konvergentni nizovi Neki važni nizovi. Broj e. Limes funkcije Definicija esa Računanje esa Jednostrani esi Neprekinute funkcije i esi Definicija neprekinute

Διαβάστε περισσότερα

Sadrˇzaj. Sadrˇzaj 1 9 DVODIMENZIONALNI SLUČAJNI VEKTOR DISKRETNI DVODIMENZIONALNI

Sadrˇzaj. Sadrˇzaj 1 9 DVODIMENZIONALNI SLUČAJNI VEKTOR DISKRETNI DVODIMENZIONALNI Sadrˇzaj Sadrˇzaj DVODIMENZIONALNI. DISKRETNI DVODIMENZIONALNI............................ KONTINUIRANI -dim tko želi znati više.............................. 5. KOVARIJANCA, KORELACIJA, PRAVCI REGRESIJE........

Διαβάστε περισσότερα

BILJEŠKE ZA PREDAVANJA (za internu uporabu)

BILJEŠKE ZA PREDAVANJA (za internu uporabu) 1. Statistika - Nazivlje... 2 2. Statistika podjela statističkih analiza... 2 3. Objekti, varijable, mjerne skale... 3 4. Ekstremne i nedostajuće vrijednosti podaci... 4 5. Ciljevi statističke analize...

Διαβάστε περισσότερα

SOPSTVENE VREDNOSTI I SOPSTVENI VEKTORI LINEARNOG OPERATORA I KVADRATNE MATRICE

SOPSTVENE VREDNOSTI I SOPSTVENI VEKTORI LINEARNOG OPERATORA I KVADRATNE MATRICE 1 SOPSTVENE VREDNOSTI I SOPSTVENI VEKTORI LINEARNOG OPERATORA I KVADRATNE MATRICE Neka je (V, +,, F ) vektorski prostor konačne dimenzije i neka je f : V V linearno preslikavanje. Definicija. (1) Skalar

Διαβάστε περισσότερα

Betonske konstrukcije 1 - vežbe 3 - Veliki ekscentricitet -Dodatni primeri

Betonske konstrukcije 1 - vežbe 3 - Veliki ekscentricitet -Dodatni primeri Betonske konstrukcije 1 - vežbe 3 - Veliki ekscentricitet -Dodatni primeri 1 1 Zadatak 1b Čisto savijanje - vezano dimenzionisanje Odrediti potrebnu površinu armature za presek poznatih dimenzija, pravougaonog

Διαβάστε περισσότερα

Trigonometrijske nejednačine

Trigonometrijske nejednačine Trignmetrijske nejednačine T su nejednačine kd kjih se nepznata javlja ka argument trignmetrijske funkcije. Rešiti trignmetrijsku nejednačinu znači naći sve uglve kji je zadvljavaju. Prilikm traženja rešenja

Διαβάστε περισσότερα

5 Ispitivanje funkcija

5 Ispitivanje funkcija 5 Ispitivanje funkcija 3 5 Ispitivanje funkcija Ispitivanje funkcije pretodi crtanju grafika funkcije. Opšti postupak ispitivanja funkcija koje su definisane eksplicitno y = f() sadrži sledeće elemente:

Διαβάστε περισσότερα

Procjena parametara. Zadatak 4.1 Neka je X 1, X 2,..., X n slučajni uzorak iz populacije s konačnim očekivanjem µ i varijancom σ 2.

Procjena parametara. Zadatak 4.1 Neka je X 1, X 2,..., X n slučajni uzorak iz populacije s konačnim očekivanjem µ i varijancom σ 2. 4 Procjea parametara Neka je X slučaja varijabla čiju distribuciju proučavamo. Defiicija: Slučaji uzorak duljie za X je iz od ezavisih i jedako distribuiraih slučajih varijabli X 1, X,..., X koje imaju

Διαβάστε περισσότερα

Neka su A i B proizvoljni neprazni skupovi. Korespondencija iz skupa A u skup B definiše se kao proizvoljan podskup f Dekartovog proizvoda A B.

Neka su A i B proizvoljni neprazni skupovi. Korespondencija iz skupa A u skup B definiše se kao proizvoljan podskup f Dekartovog proizvoda A B. Korespondencije Neka su A i B proizvoljni neprazni skupovi. Korespondencija iz skupa A u skup B definiše se kao proizvoljan podskup f Dekartovog proizvoda A B. Pojmovi B pr 2 f A B f prva projekcija od

Διαβάστε περισσότερα

VVR,EF Zagreb. November 24, 2009

VVR,EF Zagreb. November 24, 2009 November 24, 2009 Homogena funkcija Parcijalna elastičnost Eulerov teorem Druge parcijalne derivacije Interpretacija Lagrangeovog množitelja Ako je (x, y) R 2 uredjeni par realnih brojeva, onda je s (x,

Διαβάστε περισσότερα

Unipolarni tranzistori - MOSFET

Unipolarni tranzistori - MOSFET nipolarni tranzistori - MOSFET ZT.. Prijenosna karakteristika MOSFET-a u području zasićenja prikazana je na slici. oboaćeni ili osiromašeni i obrazložiti. b olika je struja u točki, [m] 0,5 0,5,5, [V]

Διαβάστε περισσότερα

( , treći kolokvij) 3. Na dite lokalne ekstreme funkcije z = x 4 + y 4 2x 2 + 2y 2 3. (20 bodova)

( , treći kolokvij) 3. Na dite lokalne ekstreme funkcije z = x 4 + y 4 2x 2 + 2y 2 3. (20 bodova) A MATEMATIKA (.6.., treći kolokvij. Zadana je funkcija z = e + + sin(. Izračunajte a z (,, b z (,, c z.. Za funkciju z = 3 + na dite a diferencijal dz, b dz u točki T(, za priraste d =. i d =.. c Za koliko

Διαβάστε περισσότερα

MATEMATIKA Pokažite da za konjugiranje (a + bi = a bi) vrijedi. a) z=z b) z 1 z 2 = z 1 z 2 c) z 1 ± z 2 = z 1 ± z 2 d) z z= z 2

MATEMATIKA Pokažite da za konjugiranje (a + bi = a bi) vrijedi. a) z=z b) z 1 z 2 = z 1 z 2 c) z 1 ± z 2 = z 1 ± z 2 d) z z= z 2 (kompleksna analiza, vježbe ). Izračunajte a) (+i) ( i)= b) (i+) = c) i + i 4 = d) i+i + i 3 + i 4 = e) (a+bi)(a bi)= f) (+i)(i )= Skicirajte rješenja u kompleksnoj ravnini.. Pokažite da za konjugiranje

Διαβάστε περισσότερα

1. Pravopis/gramatika Što jest, a što nije dobro?

1. Pravopis/gramatika Što jest, a što nije dobro? Uvod u biomedicinska istraživanja Metode medicinske informatike u istraživanju Uvod u biomedicinska istraživanja Metode medicinske informatike u istraživanju Logičke zakonitosti znastvenog rada Prof. dr.

Διαβάστε περισσότερα

Tvrd enje 3: Ako su formule A i A B tautologije, onda je tautologija. Dokaz: Neka su A i A B tautologije.

Tvrd enje 3: Ako su formule A i A B tautologije, onda je tautologija. Dokaz: Neka su A i A B tautologije. Svojstva tautologija Tvrd enje 3: Ako su formule A i A B tautologije, onda je tautologija i formula B. Dokaz: Neka su A i A B tautologije. Pretpostavimo da B nije tautologija. Tada postoji valuacija v

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

Periodične funkcije. Branimir Dakić, Zagreb

Periodične funkcije. Branimir Dakić, Zagreb Periodične funkcije Branimir Dakić, Zagreb Periodičnost 1 je pojava koju susrećemo na svakom koraku. Periodične su mnoge prirodne pojave, primjerice izmjena dana i noći ili izmjena godišnjih doba, pojava

Διαβάστε περισσότερα

Redovi funkcija. Redovi potencija. Franka Miriam Brückler

Redovi funkcija. Redovi potencija. Franka Miriam Brückler Franka Miriam Brückler Redovi funkcija 1 + (x 2) + 1 + x + x 2 + x 3 + x 4 +... = (x 2)2 2! + (x 2)3 3! + +... = sin(x) + sin(2x) + sin(3x) +... = x n, + + n=1 (x 2) n, n! sin(nx). Redovi funkcija 1 +

Διαβάστε περισσότερα

2.7 Primjene odredenih integrala

2.7 Primjene odredenih integrala . INTEGRAL 77.7 Primjene odredenih integrala.7.1 Računanje površina Pořsina lika omedenog pravcima x = a i x = b te krivuljama y = f(x) i y = g(x) je b P = f(x) g(x) dx. a Zadatak.61 Odredite površinu

Διαβάστε περισσότερα

1. Topologija na euklidskom prostoru R n

1. Topologija na euklidskom prostoru R n 1 1. Topologija na euklidskom prostoru R n Euklidski prostor R n je okruženje u kojem ćemo izučavati realnu analizu. Kao skup R n se sastoji od svih uredenih n-torki realnih brojeva: R n = {(x 1,...,x

Διαβάστε περισσότερα

Iskazna logika 1. Matematička logika. Department of Mathematics and Informatics, Faculty of Science, University of Novi Sad, Serbia.

Iskazna logika 1. Matematička logika. Department of Mathematics and Informatics, Faculty of Science, University of Novi Sad, Serbia. Matematička logika Department of Mathematics and Informatics, Faculty of Science,, Serbia oktobar 2012 Iskazi, istinitost, veznici Intuitivno, iskaz je rečenica koja je ima tačno jednu jednu istinitosnu

Διαβάστε περισσότερα

ELEMENTARNE FUNKCIJE

ELEMENTARNE FUNKCIJE 1 1. Osnovni pojmovi ELEMENTARNE FUNKCIJE Jedan od najvažnijih pojmova u matematici predstavlja pojam funkcije. Definicija 1.1. Neka su X i Y dva neprazna skupa. Funkcija f iz skupa X u skup Y je pridruživanje

Διαβάστε περισσότερα

Riješeni zadaci: Realni brojevi i realne funkcije jedne realne varijable

Riješeni zadaci: Realni brojevi i realne funkcije jedne realne varijable Riješeni zadaci: Realni brojevi i realne funkcije jedne realne varijable Infimum i supremum skupa Zadatak 1. Neka je S = (, 1) [1, 7] {10}. Odrediti: (a) inf S, (b) sup S. (a) inf S =, (b) sup S = 10.

Διαβάστε περισσότερα

dužina usmjerena (orijentirana) dužina (zna se koja je točka početna, a koja krajnja) vektor

dužina usmjerena (orijentirana) dužina (zna se koja je točka početna, a koja krajnja) vektor I. VEKTORI d. sc. Min Rodić Lipnović 009./010. 1 Pojm vekto A B dužin A B usmjeen (oijentin) dužin (n se koj je točk početn, koj kjnj) A B vekto - kls ( skup ) usmjeenih dužin C D E F AB je epeentnt vekto

Διαβάστε περισσότερα

1 Pojam funkcije. f(x)

1 Pojam funkcije. f(x) Pojam funkcije f : X Y gde su X i Y neprazni skupovi (X - domen, Y - kodomen) je funkcija ako ( X)(! Y )f() =, (za svaki element iz domena taqno znamo u koji se element u kodomenu slika). Domen funkcije

Διαβάστε περισσότερα

Moguća i virtuelna pomjeranja

Moguća i virtuelna pomjeranja Dnamka sstema sa vezama Moguća vrtuelna pomjeranja f k ( r 1,..., r N, t) = 0 (k = 1, 2,..., K ) df k dt = r + t = 0 d r = r dt moguća pomjeranja zadovoljavaju uvjet: df k = d r + dt = 0. t δ r = δx +

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

BIOSTATISTIKA za studente medicine

BIOSTATISTIKA za studente medicine 1. TEMELJNI STATISTIČKI POJMOVI MEDICINSKI FAKULTET SPLIT Katedra za znanstvenu metodologiju BIOSTATISTIKA za studente medicine 5. izdanje Voditelj Katedre: Prof. dr. Davor Eterović Autori: Davor Eterović,

Διαβάστε περισσότερα

Algebarske strukture sa jednom operacijom (A, ): Ako operacija ima osobine: zatvorenost i asocijativnost, onda je (A, ) polugrupa

Algebarske strukture sa jednom operacijom (A, ): Ako operacija ima osobine: zatvorenost i asocijativnost, onda je (A, ) polugrupa Binarne operacije Binarna operacija na skupu A je preslikavanje skupa A A u A, to jest : A A A. Pišemo a b = c. Označavanje operacija:,,,. Poznate operacije: sabiranje (+), oduzimanje ( ), množenje ( ).

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