Nekateri primeri sklopov izpitnih vprašanj pri predmetu Naključni pojavi

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Nekateri primeri sklopov izpitnih vprašanj pri predmetu Naključni pojavi"

Transcript

1 Nekateri primeri sklopov izpitnih vprašanj pri predmetu Naključni pojavi 1. Izpeljite Binomsko porazdelitev in pokažite kako pridemo iz nje do Poissonove porazdelitve? 2. Kako opišemo naključne lastnosti dvodimenzionalnih naključnih vektorjev? Kako so opredeljene kumulativna porazdelitvena funkcija, njena gostota in gostota pogojne verjetnosti? Kako je opredeljene robna porazdelitvena funkcija? Kako so opredeljene povprečna vrednost vektorja, korelacija in kovarianca med obema komponentama? 3. Kako je zasnovan test za preverjanje enakosti dveh normalnih pojavov? 4. Kaj veste o parametričnih cenilkah funkcij? Kdaj je cenilka optimalna? Izpeljite izraz za regresijsko premico in pojasnite, kdaj ga je primerno uporabljati. 5. Kaj veste o analizi variance? Izpeljite ustrezne formule in podajte primer uporabe analize variance v strojništvu? 6. Kako opišemo povezano in pogojno verjetnost dogodkov A in B? Kdaj sta dogodka A in B statistično povezana in kdaj neodvisna? Kaj je popolna verjetnost dogodka B? Kaj opisuje Bayesov teorem? Navedite primer uporabe Bayesovega teorema. 7. Kaj veste o parametričnih cenilkah funkcij? Kdaj je parametrična cenilka funkcije optimalna? Izpeljite izraz za regresijsko premico in pojasnite, kdaj ga je primerno uporabljati. Kako je opredeljen korelacijski koeficient in kaj podaja? 8. Opišite, čemu je namenjen χ 2 prilagoditveni test. Opredelite statistiko χ 2 prilagoditvenega testa in njeno porazdelitev verjetnosti ter pojasnite, kako test poteka in kakšen je sklep. Kako je pri tem testu opredeljena napaka prve vrste? 9. Kako sta povezana vhodni in izhodni signal pri linearnem sistemu? Kako sta definirani impulzna in frekvenčna odzivna funkcija linearnega sistema? Opredeli koherenčno funkcijo in razloži njen pomen. 10. Opredelite cenilko srednje vrednosti in cenilko variance populacije X ter njune lastnosti. Opišite potek določanja cenilk z metodo maksimalne zanesljivosti vzorca. 11. Kako je opredeljena kumulativna porazdelitvena funkcija in gostota porazdelitve verjetnosti dvodimezionale naključne spremenljivke Z=(X,Y)? Kako določimo gostoto porazdelitve verjetnosti vsote naključnih spremenljivk f X+Y, če poznamo f X in f Y statistično neodvisnih naključnih spremenljivk X in Y. Opredelite statistično povprečje in varianco funkcije Z=aX+bY naključnih spremenljivk X in Y. 12. Kako je zasnovan in kako poteka statistični test preverjanja enakosti dveh normalnih pojavov?

2 13. Pojasnite, kdaj je naključni proces stacionaren v ožjem in kdaj v širšem smislu? Kaj je značilno za ergodične procese in kaj to pomeni za obravnavo naključnih procesov? Kako sta definirani avtokorelacijska funkcija in spektralna gostota naključnega procesa. Grafično prikažite avtokorelacijsko funkcijo in spektralno gostoto nekoreliranega naključnega procesa. 14. Kaj je osnovna naloga statistike? Kako je opredeljeno vzorčno povprečje <X> n in kakšne so lastnosti te cenilke? Izpeljite izraza za statistično povprečje E[<X> n ] in varianco vzorčnega povprečja Var(<X> n ). 15. Kako sta povezana vhodni in izhodni signal pri linearnem časovno neodvisnem sistemu? Kako sta definirani impulzna in frekvenčna odzivna funkcija linearnega sistema? Kako je opredeljena spektralna gostota stacionarnega procesa X in kakšen je njen fizikalni pomen? Kako je opredeljena spektralna gostota izhoda Y linearnega sistema, če poznamo spektralno gostoto stacionarnega vhoda X? 16. Opredelite binomski proces in navedite primer binomskega procesa v praksi? Kolikšno je statistično povprečje binomskega procesa in kaj to pomeni v vašem praktičnem primeru? 17. Kako je zasnovan statistični test o enakosti dveh normalnih pojavov? Opredelite napako prve in druge vrste, ki jo pri tem lahko storimo v primeru testiranja enakosti srednjih vrednosti dveh normalnih pojavov. 18. Opišite, čemu je namenjen χ 2 prilagoditveni test. Opredelite statistiko χ 2 prilagoditvenega testa in njeno porazdelitev verjetnosti ter pojasnite, kako test poteka in kakšen je sklep. Kako je pri tem testu opredeljena napaka prve vrste? 19. Kako sta povezana vhodni in izhodni signal pri linearnem sistemu? Kako sta definirani impulzna in frekvenčna odzivna funkcija linearnega sistema? Opredeli koherenčno funkcijo in razloži njen pomen. 20. Opredelite pojem naključne spremenljivke. Kako lahko opišemo lastnosti skalarne zvezne naključne spremenjivke? Opredelite pojem funkcije skalarne naključne spremenljivke. Kako se izraža porazdelitvena funkcija in gosta porazdelitve za primer monotono naraščajoče funkcije skalarne naključne spremenljivke? 21. Za primer enostranskega statističnega testa opredelite napako prve in drug vrste in ju grafično prikažite. Opišite čemu je namenjen χ 2 prilagoditveni test. Opredelite statistiko χ 2 prilagoditvenega testa in pojasnite kako test poteka. 22. Kako sta povezani vhodna in izhodna spremenljivka pri časovno neodvisnem linearnem sistemu? Kako je opredeljena spektralna gostota naključnega procesa in čemu služi? Opredelite koherenčno funkcijo in razložite njen pomen. 23. Podan je vzorec X=(x 1, x 2,.., x i,... x n ). Kako je opredeljeno vzorčno povprečje <X> n in kaj predstavlja? Izpeljite izraza za statistično povprečje E[<X> n ] in varianco Var(<X> n )

3 vzorčnega povprečja <X> n. S pomočjo statističnega povprečja in neenačbe Čebiševa opredelite lastnosti cenilke povprečja m. 24. Naštejte katere lastnosti vzorcev lahko testiramo z χ 2 testom. Opišite, čemu je namenjen χ 2 prilagoditveni test. Opredelite statistiko χ 2 prilagoditvenega testa in njeno porazdelitev verjetnosti ter pojasnite, kako test poteka in kakšen je sklep. Z grafom in matematično opredelite, kako je pri tem testu opredeljena napaka druge vrste Kako je opredeljena spektralna gostota stacionarnega procesa X in kakšen je njen fizikalni pomen? Kako je opredeljena spektralna gostota izhoda Y linearnega časovno neodvisnega sistema, če poznamo spektralno gostoto stacionarnega vhoda X? Opredelite koherenčno funkcijo in razložite njen pomen. 26. Kdaj je statistika z cenilka parametra q? Kdaj je cenilka dosledna in kdaj pristranska? Kako je definirano vzorčno povprečje naključne spremenljivke in kolikšna je njegova pričakovana vrednost ter varianca? Kako uporabimo neenačbo Čebiševa pri opisu lastnosti cenilke vzorčnega povprečja naključne spremenljivke? 27. Kako je zasnovan test za preverjanje enakosti dveh normalnih pojavov? Opredelite napako prve in druge vrste pri statističnem testiranju hipotez. 28. Kako sta povezana vhodni in izhodni signal pri stacionarnem linearnem sistemu? Kako sta definirani impulzna in frekvenčna odzivna funkcija stacionarnega linearnega sistema? Kako je opredeljena spektralna gostota procesa in kako sta povezani spektralni gostoti vhodnega in izhodnega signala stacionarnega linearnega sistema? 29. Kako je opredeljena kumulativna porazdelitvena funkcija in gostota porazdelitve verjetnosti dvodimezionale naključne spremenljivke? Kako določimo gostoto porazdelitve verjetnosti vsote naključnih spremenljivk f X+Y, če poznamo f X in f Y statistično neodvisnih naključnih spremenljivk X in Y. Opredelite statistično povprečje in varianco funkcie Z=aX+bY naključnih spremenljivk X in Y. 30. Opredelite funkcijo porazdelitve verjetnosti F(x) naključne spremenljivke X. Kaj opisuje in kakšne so lastnosti funkcije F(x). Opredelite gostoto verjetnosti naključne spremenljivke X. Kako bi v praktičnem primeru ocenili gostoto verjetnosti naključne spremenljivek X. 31. Opišite čemu je namenjen χ 2 prilagoditveni test. Opredelite statistiko χ 2 prilagoditvenega testa, pojasnite kako test poteka in kakšen je sklep., Katere lastnosti naključnih spremenljivk lahko poleg prilagoditvenega tasta preverjamo z χ 2 testom? 32. Kako bi preverili stacionarnost procesa v širšem smislu. Kako sta definirani in zakaj uporabljamo avtokorelacijsko funkcijo ter spektralna gostoto naključnega procesa. Grafično prikažite avtokorelacisjko funkcijo in spektralno gostoto za primer periodičnega in za primer nekoreliranega naključnega procesa. 33. Kdaj je statistiko z smiselno uporabiti kot cenilko parametra q populacije X? Opredelite vzorčno povprečje naključne spremenljivke X in povejte čemu služi. Opredelite in z uporabo statističnega povprečja in neenčbe Čebiševa pokažite kakšne lastnosti ima vzorčno povprečje kot cenilka.

4 34. Kako je zasnovan in kako poteka statistični test preverjanja enakosti dveh normalno porazdeljenih naključnih spremenljivk X 1 in X 2? 35. Kako sta povezani vhodna in izhodna spremenljivka pri časovno neodvisnem linearnem sistemu? Kako je opredeljena povezava med povprečno vrednostjo vhodega in izhodnega procesa ter povezava med korelacijsko finkcijo vhodnega in izhodnega procesa za primer časovno neodvisnega linearnega sistema. Kako je opredeljena spektralna gostota naključnega procesa in čemu služi? 36. Kako je opredeljena kumulativna porazdelitvena funkcija in gostota porazdelitve verjetnosti dvodimezionalne naključne spremenljivke in kakšne so njune lastnosti? Kako se imenujeta in čemu služita prvi povezani in prvi povezani centralni moment dvodimenzionalne naključne spremenljivke. 37. Kaj veste o parametričnih cenilkah funkcij? Kdaj je parametrična cenilka funkcije optimalna? Kdaj je smiselno uporabiti parametrične in kdaj neparametrične cenilke funkcij. Izpeljite izraz za regresijsko premico in pojasnite, kdaj ga je primerno uporabljati. 38. Kako je zasnovan in kako poteka statistični test homogenosti skupin? 39. Kako je zasnovan in kako poteka test neodvisnosti dveh naključnih spremenljivk? 40. Kako sta povezana vhodni in izhodni signal pri linearnem sistemu? Kako sta definirani impulzna in frekvenčna odzivna funkcija linearnega sistema? Opredelite koherenčno funkcijo in razložite njen pomen. 41. Kako sta povezana vhodni in izhodni signal pri linearnem sistemu? Kako sta definirani impulzna in frekvenčna odzivna funkcija linearnega sistema? Kako je opredeljena spektralna gostota procesa. Kaj je potreben pogoj za kaotičnost sistema in kaj je osnovna lastnost kaotičnih sistemov. 42. Opredelite porazdelitev verjetnosti za nastop x slabih izdelkov v vzorcu razsežnosti n. Pokažite kakšno porazdelitev dobimo v primeru, če razsežnost povečujemo če z vse meje verjetnost p za nastop dogodka x pa se pri tem manjša tako, da je produkt p.n=θ 1. Navedite primer uporabe dobljene porazdelitve. 43. Kako je opredeljeno vzorčno povprečje <X> n in zakaj ga uporabljamo. Izpeljite izraza za statistično povprečje E[<X> n ] in varianco vzorčnega povprečja Var(<X> n ) ter opredelite lastnosti vzorčnega povprečja kot cenilke. Čemu služi poznavanje variance cenilke? 44. Kakšni sta ničelna in alternativna hipoteza statističnega testa za preverjanje enakosti dveh normalnih pojavov. Opredelite statistiko in potek testa za testiranje enakosti srednjih vrednosti za primer, ko imamo na razpolago vzorčni varianci. Opredelite napako prve vrste, ki jo pri tem testu lahko storite in jo grafično ponazorite. 45. Gdaj je naključni proces stacionaren v ožjem oziroma strogem pomenu definicije stacionarnosti. Kako se stacionarnost procesa odraža v statističnem povprečju in avtokorelacijski funkcij procesa. Opredelite in opišite lastnosti koherenčne funkcije med vhodnim X(t) in izhodnim signalom Y(t).

5 46. Naključni spremenljivki X 1 in X 2 sta normalno poradeljeni z N(m 1,σ 1 ) in N(m 2,σ 2 ). Kako je poradeljena vsota X 1 in X 2. Kakšno porazdelitev gostote verjetnosti imajo spremenljivke: (X 1 ) 2, (X 2 ) 2, (X 1 ) 2 + (X 2 ) 2 in (X 1 ) 2 /(X 2 ) 2. Navedite primere statističnih testov pri katerih se srečujemo z omenjenimi porazdelitvami gostote verjetnosti. 47. Pri poskusi ste izmerili podatke X=(x 1,..x i,...x n ). Opišite postopek in ustrezne formule za določitev porazdelitve verjetnosti izmerjenih podatkov X. Z formulo in grafično opredelite napako prve vrste, ki jo pri tem lahko storite. 48. Pojasnite kdaj je proces stacionaren v ožjem in kdaj v širšem smislu? Kaj je značilno za ergodične procese in kaj to pomeni za obravnavo naključnih procesov? Kako sta definirani avtokorelacijska funkcija in spektralna gostota stacionarnega naključnega procesa in pojasnite fizikalni pomen spektralne gostote. 49. Opredelite funkcijo porazdelitve verjetnosti F(x) naključne spremenljivke X. Kaj opisuje in kakšne so lastnosti funkcije F(x). Opredelite gostoto verjetnosti naključne spremenljivke X. Kako bi v praktičnem primeru ocenili gostoto verjetnosti naključne spremenljivek X. 50. Z izrazom opredelite in grafično predstavite napaki prve in druge vrste pri dvostranskem 51. Z izrazom opredelite in grafično predstavite napaki prve in druge vrste pri enostranskem 52. Kako sta povezana vhodni X(t) in izhodni signal Y(t) pri linearnem sistemu? Kako je opredeljena frekvenčna odzivna funkcija linearnega sistema? Kako je opredeljena spektralna gostota procesa in kako sta povezani spektralni gostoti vhodnega in izhodnega signala linearnega sistema? 53. Kako sta opredejeni in kaj opisujeta povezana in pogojna verjetnost dogodkov A in B? Kdaj sta dogodka A in B statistično povezana in kdaj neodvisna? Kako je opredeljena popolna verjetnost dogodka A? Opredelite primer dvonivojskega poizkusa in formulo, ki jo uporabimo pri opisu aposteriorne verjetosti dvonivojskega poizkusa? 54. Kako je opredeljeno vzorčno povprečje naključne spremenljivke X in zakaj ga uporabljamo. Kašno porazdelitev verjetnosti ima vzorčno povprečje. Opredelite intervalno oceno parametra srednje vrednosti populacije. 55. Opišite postopek statističnega testa in statistiko, ki jo uporabimo pri analizi variance. Z izrazom opredelite in grafično predstavite napaki prve in druge vrste pri enostranskem

6 56. Opredelite spektralno gostoto stacionarnega procesa X(t) in pokažite fizikalni pomen spektralne gostote. Opredelite koherenčno funkcijo med vhodnim X(t) in zhodnim signalom Y(t) in lastnosti koherenčne funkcije. 57. Kako je opredeljeno vzorčno povprečje naključne spremenljivke X in zakaj ga uporabljamo. Kašno porazdelitev vejetnosti ima vzorčno povprečje. Opredelite intervalno oceno parametra srednje vrednosti populacije. 58. Opišite postopek statističnega testa in statistiko, ki jo uporabimo pri analizi variance. Z izrazom opredelite in grafično predstavite napaki prve in druge vrste pri ensostranskem 59. Opredelite spektralno gostoto stacionarnega procesa X(t) in pokažite fizikalni pomen spektralne gostote. Opredelite koherenčno funkcijo med vhodnim X(t) in zhodnim signalom Y(t) in lastnosti koherenčne funkcije. 60. Kdaj je cenilka z nepristranska in dosledna cenilka parametra populacije q? Kako je opredeljeno vzorčno povprečje naključne spremenljivke X in zakaj ga uporabljamo. Poleg vzorčnega povprečja lahko kot cenilko parametra q uporabimo tudi naključno spremenljivko X. Katera je boljša cenilka parametra q in zakaj. 61. V kakšno skupino testov sodi in čemu je namenjen χ 2 prilagoditveni test? Vpeljite ustrezne formule za χ 2 test in pojasnite, kako test poteka ter kakšen je sklep. Katere lastnosti populacije oziroma skupin še lahko preverjamo s χ 2 testom. 62. Kako je opredeljeno vzorčno povprečje <X> n in zakaj ga uporabljamo. Izpeljite izraza za statistično povprečje E[<X> n ] in varianco vzorčnega povprečja Var(<X> n ) ter opredelite lastnosti vzorčnega povprečja kot cenilke. Čemu služi poznavanje variance cenilke? 63. Kdaj je naključni proces stacionaren v širšem oziroma oziroma blagem pomenu definicije stacionarnosti. Kdaj pravimo, da je naključni proces ergodičen. Opredelite spektralno gostoto stacionarnega procesa, matematično opredelite njen fizikalni pomen in navedite primer uporabe. 64. Opredelite spektralno gostoto stacionarnega procesa X(t) in pokažite fizikalni pomen spektralne gostote. Opredelite koherenčno funkcijo med vhodnim X(t) in zhodnim signalom Y(t) in lastnosti koherenčne funkcije. 65. Kako je definirana kumulativna porazdelitvena funkcija verjetnosti zvezne naključne spremenljivke X, kaj opisuje in kakšne so njene lastnosti? Kako je opredeljena gostota porazdelitve verjetnosti X? Kako določimo gostoto porazdelitve verjetnosti vsote naključnih spremenljivk f X+Y, če poznamo f X in f Y statistično neodvisnih naključnih spremenljivk X in Y. 66. Naključni spremenljivki X 1 in X 2 sta normalno poradeljeni z N(m 1,σ 1 ) in N(m 2,σ 2 ). Kako je poradeljena vsota X 1 in X 2. Kakšno porazdelitev gostote verjetnosti imajo spremenljivke: (X 1 ) 2, (X 2 ) 2, (X 1 ) 2 + (X 2 ) 2. Navedite primere statističnih testov oziroma statistik pri katerih se srečujemo z omenjenima porazdelitvama gostote verjetnosti.

7 67. Kaj predstavljata in kako opišemo povezano in pogojno verjetnost dogodkov A in B? Kdaj sta dva dogodka statistično povezana in kdaj neodvisna? Poskus poteka v dveh korakih. V prvem koraku sta mogoča dogodka H 1 in H 2 in v drugem koraku dogodka A in B. Opredelite popolno verjetnost dogodka A in verjetnost dogodka A, če se je v prvem koraku zgodil dogodek H V kakšno skupino testov sodi in čemu je namenjen χ 2 prilagoditveni test? Vpeljite ustrezne formule za χ 2 prilagoditveni test in pojasnite, kako test poteka ter kakšen je sklep. 69. Izpeljite porazdelitev verjetnosti za nastop x slabih izdelkov v vzorcu razsežnosti n. Pokažite kakšno porazdelitev dobimo v primeru, če razsežnost povečujemo če z vse meje verjetnost p za nastop dogodka x pa se pri tem manjša tako, da je produkt p.n=θ 1. Navedite primer uporabe dobljene porazdelitve. 70. Kakšni sta ničelna in alternativna hipoteza statističnega testa za preverjanje enakosti dveh normalnih pojavov. Opredelite statistiko in potek testa za testiranje enakosti srednjih vrednosti za primer, ko imamo na razpolago vzorčni varianci. Opredelite napako prve vrste, ki jo pri tem testu lahko storite in jo grafično ponazorite. 71. Kako sta definirani avtokorelacijska funkcija in spektralna gostota stacionarnega naključnega procesa? Z formulami opredelite in grafično ponazorite avtokorelacijsko funkcijo in pripadajočo spektralno gostoto nekoreliranega stacionarnega procesa. Kako imenujemo tak naključni proces. 72. Kaj je naključni proces in kako opišemo njegove naključne lastnosti? Pojasnite, kdaj je proces stacionaren v ožjem in kdaj v širšem smislu? Kaj je značilno za ergodične procese in kaj to pomeni za obravnavo naključnih procesov? Kako sta definirani avtokorelacijska funkcija in spektralna gostota naključnega procesa? Kako se lahko uporabljata v strojništvu?

Odvod. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 5. december Gregor Dolinar Matematika 1

Odvod. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 5. december Gregor Dolinar Matematika 1 Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 5. december 2013 Primer Odvajajmo funkcijo f(x) = x x. Diferencial funkcije Spomnimo se, da je funkcija f odvedljiva v točki

Διαβάστε περισσότερα

Funkcijske vrste. Matematika 2. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 2. april Gregor Dolinar Matematika 2

Funkcijske vrste. Matematika 2. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 2. april Gregor Dolinar Matematika 2 Matematika 2 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 2. april 2014 Funkcijske vrste Spomnimo se, kaj je to številska vrsta. Dano imamo neko zaporedje realnih števil a 1, a 2, a

Διαβάστε περισσότερα

Funkcije. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 14. november Gregor Dolinar Matematika 1

Funkcije. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 14. november Gregor Dolinar Matematika 1 Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 14. november 2013 Kvadratni koren polinoma Funkcijo oblike f(x) = p(x), kjer je p polinom, imenujemo kvadratni koren polinoma

Διαβάστε περισσότερα

SKUPNE PORAZDELITVE VEČ SLUČAJNIH SPREMENLJIVK

SKUPNE PORAZDELITVE VEČ SLUČAJNIH SPREMENLJIVK SKUPNE PORAZDELITVE SKUPNE PORAZDELITVE VEČ SLUČAJNIH SPREMENLJIVK Kovaec vržemo trikrat. Z ozačimo število grbov ri rvem metu ( ali ), z Y a skuo število grbov (,, ali 3). Kako sta sremelivki i Y odvisi

Διαβάστε περισσότερα

Funkcije. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 21. november Gregor Dolinar Matematika 1

Funkcije. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 21. november Gregor Dolinar Matematika 1 Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 21. november 2013 Hiperbolične funkcije Hiperbolični sinus sinhx = ex e x 2 20 10 3 2 1 1 2 3 10 20 hiperbolični kosinus coshx

Διαβάστε περισσότερα

1.3 Vsota diskretnih slučajnih spremenljivk

1.3 Vsota diskretnih slučajnih spremenljivk .3 Vsota diskretnih slučajnih spremenljivk Naj bosta X in Y neodvisni Bernoullijevo porazdeljeni spremenljivki, B(p). Kako je porazdeljena njuna vsota? Označimo Z = X + Y. Verjetnost, da je P (Z = z) za

Διαβάστε περισσότερα

Diferencialna enačba, v kateri nastopata neznana funkcija in njen odvod v prvi potenci

Diferencialna enačba, v kateri nastopata neznana funkcija in njen odvod v prvi potenci Linearna diferencialna enačba reda Diferencialna enačba v kateri nastopata neznana funkcija in njen odvod v prvi potenci d f + p= se imenuje linearna diferencialna enačba V primeru ko je f 0 se zgornja

Διαβάστε περισσότερα

Booleova algebra. Izjave in Booleove spremenljivke

Booleova algebra. Izjave in Booleove spremenljivke Izjave in Booleove spremenljivke vsako izjavo obravnavamo kot spremenljivko če je izjava resnična (pravilna), ima ta spremenljivka vrednost 1, če je neresnična (nepravilna), pa vrednost 0 pravimo, da gre

Διαβάστε περισσότερα

Multivariatna analiza variance

Multivariatna analiza variance (MANOVA) MANOVA je multivariatna metoda za proučevanje odvisnosti med več odvisnimi (številskimi) in več neodvisnimi (opisnimi) spremenljivkami. (MANOVA) MANOVA je multivariatna metoda za proučevanje odvisnosti

Διαβάστε περισσότερα

Kontrolne karte uporabljamo za sprotno spremljanje kakovosti izdelka, ki ga izdelujemo v proizvodnem procesu.

Kontrolne karte uporabljamo za sprotno spremljanje kakovosti izdelka, ki ga izdelujemo v proizvodnem procesu. Kontrolne karte KONTROLNE KARTE Kontrolne karte uporablamo za sprotno spremlane kakovosti izdelka, ki ga izdeluemo v proizvodnem procesu. Izvaamo stalno vzorčene izdelkov, npr. vsako uro, vsake 4 ure.

Διαβάστε περισσότερα

Odvod. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 10. december Gregor Dolinar Matematika 1

Odvod. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 10. december Gregor Dolinar Matematika 1 Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 10. december 2013 Izrek (Rolleov izrek) Naj bo f : [a,b] R odvedljiva funkcija in naj bo f(a) = f(b). Potem obstaja vsaj ena

Διαβάστε περισσότερα

Osnove sklepne statistike

Osnove sklepne statistike Univerza v Ljubljani Fakulteta za farmacijo Osnove sklepne statistike doc. dr. Mitja Kos, mag. farm. Katedra za socialno farmacijo e-pošta: mitja.kos@ffa.uni-lj.si Intervalna ocena oz. interval zaupanja

Διαβάστε περισσότερα

IZPIT IZ ANALIZE II Maribor,

IZPIT IZ ANALIZE II Maribor, Maribor, 05. 02. 200. (a) Naj bo f : [0, 2] R odvedljiva funkcija z lastnostjo f() = f(2). Dokaži, da obstaja tak c (0, ), da je f (c) = 2f (2c). (b) Naj bo f(x) = 3x 3 4x 2 + 2x +. Poišči tak c (0, ),

Διαβάστε περισσότερα

NEPARAMETRIČNI TESTI. pregledovanje tabel hi-kvadrat test. as. dr. Nino RODE

NEPARAMETRIČNI TESTI. pregledovanje tabel hi-kvadrat test. as. dr. Nino RODE NEPARAMETRIČNI TESTI pregledovanje tabel hi-kvadrat test as. dr. Nino RODE Parametrični in neparametrični testi S pomočjo z-testa in t-testa preizkušamo domneve o parametrih na vzorcih izračunamo statistike,

Διαβάστε περισσότερα

Tretja vaja iz matematike 1

Tretja vaja iz matematike 1 Tretja vaja iz matematike Andrej Perne Ljubljana, 00/07 kompleksna števila Polarni zapis kompleksnega števila z = x + iy): z = rcos ϕ + i sin ϕ) = re iϕ Opomba: Velja Eulerjeva formula: e iϕ = cos ϕ +

Διαβάστε περισσότερα

UL FGG GR B II - Verjetnostni račun in statistika. Poskus, izid. Dogodek. Notes. Notes. Notes. Uvod. Osnovni pojmi.

UL FGG GR B II - Verjetnostni račun in statistika. Poskus, izid. Dogodek. Notes. Notes. Notes. Uvod. Osnovni pojmi. UL FGG GR B II - Verjetnostni račun in statistika Marjeta Kramar Fijavž, oktober 2014 Uvod Osnovni pojmi Poskus in dogodek Računanje z dogodki Definicije verjetnosti Pogojna verjetnost, neodvisnost dogodkov

Διαβάστε περισσότερα

8. Diskretni LTI sistemi

8. Diskretni LTI sistemi 8. Diskreti LI sistemi. Naloga Določite odziv diskretega LI sistema s podaim odzivom a eoti impulz, a podai vhodi sigal. h[] x[] - - 5 6 7 - - 5 6 7 LI sistem se a vsak eoti impulz δ[] a vhodu odzove z

Διαβάστε περισσότερα

Osnove statistike. Drago Bokal Oddelek za matematiko in računalništvo Fakulteta za naravoslovje in matematiko Univerza v Mariboru. 1.

Osnove statistike. Drago Bokal Oddelek za matematiko in računalništvo Fakulteta za naravoslovje in matematiko Univerza v Mariboru. 1. Oddelek za matematiko in računalništvo Fakulteta za naravoslovje in matematiko Univerza v Mariboru 1. marec 2010 Obvestila. http://um.fnm.uni-mb.si/ Prosojnice se lahko spremenijo v tednu po predavanjih.

Διαβάστε περισσότερα

*M * Osnovna in višja raven MATEMATIKA NAVODILA ZA OCENJEVANJE. Sobota, 4. junij 2011 SPOMLADANSKI IZPITNI ROK. Državni izpitni center

*M * Osnovna in višja raven MATEMATIKA NAVODILA ZA OCENJEVANJE. Sobota, 4. junij 2011 SPOMLADANSKI IZPITNI ROK. Državni izpitni center Državni izpitni center *M40* Osnovna in višja raven MATEMATIKA SPOMLADANSKI IZPITNI ROK NAVODILA ZA OCENJEVANJE Sobota, 4. junij 0 SPLOŠNA MATURA RIC 0 M-40-- IZPITNA POLA OSNOVNA IN VIŠJA RAVEN 0. Skupaj:

Διαβάστε περισσότερα

Bernoullijevo zaporedje neodvisnih poskusov

Bernoullijevo zaporedje neodvisnih poskusov A. Jurišić in V. Batagelj: Verjetnostni račun in statistika 45 Bernoullijevo zaporedje neodvisnih poskusov O zaporedju neodvisnih poskusov X 1, X 2,, X n, govorimo tedaj, ko so verjetnosti izidov v enem

Διαβάστε περισσότερα

Maja Pohar Perme. Verjetnost in statistika z nalogami

Maja Pohar Perme. Verjetnost in statistika z nalogami Maja Pohar Perme Verjetnost in statistika z nalogami Ljubljana, 2014 Skripte Ekonomske fakultete Maja Pohar Perme Verjetnost in statistika z nalogami Založila : Šifra: Recenzenta: Objavljeno na spletni

Διαβάστε περισσότερα

Kotne in krožne funkcije

Kotne in krožne funkcije Kotne in krožne funkcije Kotne funkcije v pravokotnem trikotniku Avtor: Rok Kralj, 4.a Gimnazija Vič, 009/10 β a c γ b α sin = a c cos= b c tan = a b cot = b a Sinus kota je razmerje kotu nasprotne katete

Διαβάστε περισσότερα

Zaporedja. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 22. oktober Gregor Dolinar Matematika 1

Zaporedja. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 22. oktober Gregor Dolinar Matematika 1 Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 22. oktober 2013 Kdaj je zaporedje {a n } konvergentno, smo definirali s pomočjo limite zaporedja. Večkrat pa je dobro vedeti,

Διαβάστε περισσότερα

REˇSITVE. Naloga a. b. c. d Skupaj. FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost 2. kolokvij 23.

REˇSITVE. Naloga a. b. c. d Skupaj. FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost 2. kolokvij 23. Ime in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost. kolokvij 3. januar 08 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja. Nalog je 6,

Διαβάστε περισσότερα

Regresija in korelacija

Regresija in korelacija Regresija in korelacija - Kvantitativne metode v geografiji in uvod v GIS - dr. Gregor Kovačič, doc. Odvisnost in povezanost Opazujemo primere, ko na vsaki enoti gledamo dve številski spremenljivki hkrati

Διαβάστε περισσότερα

1. Definicijsko območje, zaloga vrednosti. 2. Naraščanje in padanje, ekstremi. 3. Ukrivljenost. 4. Trend na robu definicijskega območja

1. Definicijsko območje, zaloga vrednosti. 2. Naraščanje in padanje, ekstremi. 3. Ukrivljenost. 4. Trend na robu definicijskega območja ZNAČILNOSTI FUNKCIJ ZNAČILNOSTI FUNKCIJE, KI SO RAZVIDNE IZ GRAFA. Deinicijsko območje, zaloga vrednosti. Naraščanje in padanje, ekstremi 3. Ukrivljenost 4. Trend na robu deinicijskega območja 5. Periodičnost

Διαβάστε περισσότερα

Integralni račun. Nedoločeni integral in integracijske metrode. 1. Izračunaj naslednje nedoločene integrale: (a) dx. (b) x 3 +3+x 2 dx, (c) (d)

Integralni račun. Nedoločeni integral in integracijske metrode. 1. Izračunaj naslednje nedoločene integrale: (a) dx. (b) x 3 +3+x 2 dx, (c) (d) Integralni račun Nedoločeni integral in integracijske metrode. Izračunaj naslednje nedoločene integrale: d 3 +3+ 2 d, (f) (g) (h) (i) (j) (k) (l) + 3 4d, 3 +e +3d, 2 +4+4 d, 3 2 2 + 4 d, d, 6 2 +4 d, 2

Διαβάστε περισσότερα

Na pregledni skici napišite/označite ustrezne točke in paraboli. A) 12 B) 8 C) 4 D) 4 E) 8 F) 12

Na pregledni skici napišite/označite ustrezne točke in paraboli. A) 12 B) 8 C) 4 D) 4 E) 8 F) 12 Predizpit, Proseminar A, 15.10.2015 1. Točki A(1, 2) in B(2, b) ležita na paraboli y = ax 2. Točka H leži na y osi in BH je pravokotna na y os. Točka C H leži na nosilki BH tako, da je HB = BC. Parabola

Διαβάστε περισσότερα

PONOVITEV SNOVI ZA 4. TEST

PONOVITEV SNOVI ZA 4. TEST PONOVITEV SNOVI ZA 4. TEST 1. * 2. *Galvanski člen z napetostjo 1,5 V požene naboj 40 As. Koliko električnega dela opravi? 3. ** Na uporniku je padec napetosti 25 V. Upornik prejme 750 J dela v 5 minutah.

Διαβάστε περισσότερα

Delovna točka in napajalna vezja bipolarnih tranzistorjev

Delovna točka in napajalna vezja bipolarnih tranzistorjev KOM L: - Komnikacijska elektronika Delovna točka in napajalna vezja bipolarnih tranzistorjev. Določite izraz za kolektorski tok in napetost napajalnega vezja z enim virom in napetostnim delilnikom na vhod.

Διαβάστε περισσότερα

Funkcije. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 12. november Gregor Dolinar Matematika 1

Funkcije. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 12. november Gregor Dolinar Matematika 1 Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 12. november 2013 Graf funkcije f : D R, D R, je množica Γ(f) = {(x,f(x)) : x D} R R, torej podmnožica ravnine R 2. Grafi funkcij,

Διαβάστε περισσότερα

DISKRIMINANTNA ANALIZA

DISKRIMINANTNA ANALIZA DISKRIMINANTNA ANALIZA Z diskriminantno analizo poiščemo tako linearno kombinacijo merjenih spremenljivk, da bo maksimalno ločila vnaprej določene skupine in da bo napaka pri uvrščanju enot v skupine najmanjša.

Διαβάστε περισσότερα

Zanesljivost psihološkega merjenja. Osnovni model, koeficient α in KR-21

Zanesljivost psihološkega merjenja. Osnovni model, koeficient α in KR-21 Zanesljivost psihološkega merjenja Osnovni model, koeficient α in KR- Osnovni model in KTT V kolikšni meri na testne dosežke vplivajo slučajne napake? oziroma, kako natančno smo izmerili neko lastnost.

Διαβάστε περισσότερα

KODE ZA ODKRIVANJE IN ODPRAVLJANJE NAPAK

KODE ZA ODKRIVANJE IN ODPRAVLJANJE NAPAK 1 / 24 KODE ZA ODKRIVANJE IN ODPRAVLJANJE NAPAK Štefko Miklavič Univerza na Primorskem MARS, Avgust 2008 Phoenix 2 / 24 Phoenix 3 / 24 Phoenix 4 / 24 Črtna koda 5 / 24 Črtna koda - kontrolni bit 6 / 24

Διαβάστε περισσότερα

matrike A = [a ij ] m,n αa 11 αa 12 αa 1n αa 21 αa 22 αa 2n αa m1 αa m2 αa mn se števanje po komponentah (matriki morata biti enakih dimenzij):

matrike A = [a ij ] m,n αa 11 αa 12 αa 1n αa 21 αa 22 αa 2n αa m1 αa m2 αa mn se števanje po komponentah (matriki morata biti enakih dimenzij): 4 vaja iz Matematike 2 (VSŠ) avtorica: Melita Hajdinjak datum: Ljubljana, 2009 matrike Matrika dimenzije m n je pravokotna tabela m n števil, ki ima m vrstic in n stolpcev: a 11 a 12 a 1n a 21 a 22 a 2n

Διαβάστε περισσότερα

Statistična analiza. doc. dr. Mitja Kos, mag. farm. Katedra za socialno farmacijo Univerza v Ljubljani- Fakulteta za farmacijo

Statistična analiza. doc. dr. Mitja Kos, mag. farm. Katedra za socialno farmacijo Univerza v Ljubljani- Fakulteta za farmacijo Statistična analiza opisnih spremenljivk doc. dr. Mitja Kos, mag. arm. Katedra za socialno armacijo Univerza v Ljubljani- Fakulteta za armacijo Statistični znaki Proučevane spremenljivke: statistični znaki

Διαβάστε περισσότερα

Matematika. Funkcije in enačbe

Matematika. Funkcije in enačbe Matematika Funkcije in enačbe (1) Nariši grafe naslednjih funkcij: (a) f() = 1, (b) f() = 3, (c) f() = 3. Rešitev: (a) Linearna funkcija f() = 1 ima začetno vrednost f(0) = 1 in ničlo = 1/. Definirana

Διαβάστε περισσότερα

Enačba, v kateri poleg neznane funkcije neodvisnih spremenljivk ter konstant nastopajo tudi njeni odvodi, se imenuje diferencialna enačba.

Enačba, v kateri poleg neznane funkcije neodvisnih spremenljivk ter konstant nastopajo tudi njeni odvodi, se imenuje diferencialna enačba. 1. Osnovni pojmi Enačba, v kateri poleg neznane funkcije neodvisnih spremenljivk ter konstant nastopajo tudi njeni odvodi, se imenuje diferencialna enačba. Primer 1.1: Diferencialne enačbe so izrazi: y

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

Osnove matematične analize 2016/17

Osnove matematične analize 2016/17 Osnove matematične analize 216/17 Neža Mramor Kosta Fakulteta za računalništvo in informatiko Univerza v Ljubljani Kaj je funkcija? Funkcija je predpis, ki vsakemu elementu x iz definicijskega območja

Διαβάστε περισσότερα

Frekvenčna analiza neperiodičnih signalov. Analiza signalov prof. France Mihelič

Frekvenčna analiza neperiodičnih signalov. Analiza signalov prof. France Mihelič Frekvenčna analiza neperiodičnih signalov Analiza signalov prof. France Mihelič Vpliv postopka daljšanja periode na spekter periodičnega signala Opazujmo družino sodih periodičnih pravokotnih impulzov

Διαβάστε περισσότερα

3. STATISTIKE Z DVEMA SPREMENLJIVKAMA

3. STATISTIKE Z DVEMA SPREMENLJIVKAMA 3. STATISTIKE Z DVEMA SPREMENLJIVKAMA Bivariatne metodo obravnavajo dve spremenljivki hkrati, zato so podatki zapisani: x 1 y 1 x 2 y 2 : : x n y n 3.1. KORELACIJSKI KOEFICIENT Mera stopnje linearne povezanosti

Διαβάστε περισσότερα

OSNOVE STATISTIKE. FKKT-kemijski tehnologi 1.letnik Miran Černe

OSNOVE STATISTIKE. FKKT-kemijski tehnologi 1.letnik Miran Černe OSNOVE STATISTIKE FKKT-kemijski tehnologi 1.letnik 2010 Miran Černe Statistika je način, kako iz množice podatkov izluščiti ustrezne informacije. Izraz izhaja iz latinskih besed STATUS = stanje STATO =

Διαβάστε περισσότερα

Funkcije več spremenljivk

Funkcije več spremenljivk DODATEK C Funkcije več spremenljivk C.1. Osnovni pojmi Funkcija n spremenljivk je predpis: f : D f R, (x 1, x 2,..., x n ) u = f (x 1, x 2,..., x n ) kjer D f R n imenujemo definicijsko območje funkcije

Διαβάστε περισσότερα

Zaporedja. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 15. oktober Gregor Dolinar Matematika 1

Zaporedja. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 15. oktober Gregor Dolinar Matematika 1 Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 15. oktober 2013 Oglejmo si, kako množimo dve kompleksni števili, dani v polarni obliki. Naj bo z 1 = r 1 (cosϕ 1 +isinϕ 1 )

Διαβάστε περισσότερα

VAJE IZ OSNOV VERJETNOSTI IN STATISTIKE. Martin Raič

VAJE IZ OSNOV VERJETNOSTI IN STATISTIKE. Martin Raič VAJE IZ OSNOV VERJETNOSTI IN STATISTIKE Martin Raič Datum zadnje spremembe: 3. januar 2016 Kazalo 1. Osnove kombinatorike 3 2. Elementarna verjetnost 4 3. Pogojna verjetnost 6 4. Diskretne slučajne spremenljivke

Διαβάστε περισσότερα

13. Jacobijeva metoda za računanje singularnega razcepa

13. Jacobijeva metoda za računanje singularnega razcepa 13. Jacobijeva metoda za računanje singularnega razcepa Bor Plestenjak NLA 25. maj 2010 Bor Plestenjak (NLA) 13. Jacobijeva metoda za računanje singularnega razcepa 25. maj 2010 1 / 12 Enostranska Jacobijeva

Διαβάστε περισσότερα

vezani ekstremi funkcij

vezani ekstremi funkcij 11. vaja iz Matematike 2 (UNI) avtorica: Melita Hajdinjak datum: Ljubljana, 2009 ekstremi funkcij več spremenljivk nadaljevanje vezani ekstremi funkcij Dana je funkcija f(x, y). Zanimajo nas ekstremi nad

Διαβάστε περισσότερα

Verjetnost 2. December Verjetnost 2. Sedmo poglavje. Monte Carlo Markovske verige MCMC. Bayesova statistika v. Monte Carlo.

Verjetnost 2. December Verjetnost 2. Sedmo poglavje. Monte Carlo Markovske verige MCMC. Bayesova statistika v. Monte Carlo. December 2011 Vsebina 1 2 3 4 5 1 Metodo so prvič uporabili pri računanju kritične mase urana pri izdelavi prve atomske bombe (Ulam). Danes nam pri pomagajo računalniki. Če poznamo porazdelitveno funkcijo

Διαβάστε περισσότερα

Definicija. definiramo skalarni produkt. x i y i. in razdaljo. d(x, y) = x y = < x y, x y > = n (x i y i ) 2. i=1. i=1

Definicija. definiramo skalarni produkt. x i y i. in razdaljo. d(x, y) = x y = < x y, x y > = n (x i y i ) 2. i=1. i=1 Funkcije več realnih spremenljivk Osnovne definicije Limita in zveznost funkcije več spremenljivk Parcialni odvodi funkcije več spremenljivk Gradient in odvod funkcije več spremenljivk v dani smeri Parcialni

Διαβάστε περισσότερα

FAKULTETA ZA STROJNIŠTVO Matematika 4 Pisni izpit 22. junij Navodila

FAKULTETA ZA STROJNIŠTVO Matematika 4 Pisni izpit 22. junij Navodila FAKULTETA ZA STROJNIŠTVO Matematika 4 Pisni izpit 22 junij 212 Ime in priimek: Vpisna št: Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Veljale bodo samo rešitve na papirju, kjer

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

Numerično reševanje. diferencialnih enačb II

Numerično reševanje. diferencialnih enačb II Numerčno reševanje dferencaln enačb I Dferencalne enačbe al ssteme dferencaln enačb rešujemo numerčno z več razlogov:. Ne znamo j rešt analtčno.. Posamezn del dferencalne enačbe podan tabelarčno. 3. Podatke

Διαβάστε περισσότερα

Funkcija je predpis, ki vsakemu elementu x iz definicijskega območja D R priredi neko število f (x) R.

Funkcija je predpis, ki vsakemu elementu x iz definicijskega območja D R priredi neko število f (x) R. II. FUNKCIJE 1. Osnovni pojmi 2. Sestavljanje funkcij 3. Pregled elementarnih funkcij 4. Zveznost Kaj je funkcija? Definicija Funkcija je predpis, ki vsakemu elementu x iz definicijskega območja D R priredi

Διαβάστε περισσότερα

Gimnazija Krˇsko. vektorji - naloge

Gimnazija Krˇsko. vektorji - naloge Vektorji Naloge 1. V koordinatnem sistemu so podane točke A(3, 4), B(0, 2), C( 3, 2). a) Izračunaj dolžino krajevnega vektorja točke A. (2) b) Izračunaj kot med vektorjema r A in r C. (4) c) Izrazi vektor

Διαβάστε περισσότερα

Izpit sestavlja 4-5 vprašanj. Vsako ima več podvprašanj.

Izpit sestavlja 4-5 vprašanj. Vsako ima več podvprašanj. PRIMERI IZPITNIH VPRAŠANJ IZ MATEMATIKE JAKA CIMPRIČ, OKTOBER 2004 Izpit sestavlja 4-5 vprašanj. Vsako ima več podvprašanj. 1. Kombinatorika 1.1. Množice in relacije. (1) (Množice) (a) Kako si množice

Διαβάστε περισσότερα

22. Kdaj sta dva vektorja vzporedna? FGG geodezija UNI Matematika I, 2005/ Kdaj so vektorji a 1, a 2,..., a n linearno neodvisni?

22. Kdaj sta dva vektorja vzporedna? FGG geodezija UNI Matematika I, 2005/ Kdaj so vektorji a 1, a 2,..., a n linearno neodvisni? FGG geodezija UNI Matematika I, 2005/06 1. Definicija enakosti množic (funkcij, kompleksnih števil, urejenih n teric)? 2. Definicija kartezičnega produkta množic A in B. Definicija množice R n. 3. Popolna

Διαβάστε περισσότερα

PRENOS SIGNALOV

PRENOS SIGNALOV PRENOS SIGNALOV 14. 6. 1999 1. Televizijski signal s pasovno širino 6 MHz prenašamo s koaksialnim kablom na razdalji 4 km. Dušenje kabla pri f = 1 MHz je,425 db/1 m. Koliko ojačevalnikov z ojačenjem 24

Διαβάστε περισσότερα

Statistika 2 z računalniško analizo podatkov. Multipla regresija in polinomski regresijski model

Statistika 2 z računalniško analizo podatkov. Multipla regresija in polinomski regresijski model Statistika z računalniško analizo podatkov Multipla regresija in polinomski regresijski model 1 Multipli regresijski model Pogosto so vrednosti odvisne spremenljivke linearno odvisne od več kot ene neodvisne

Διαβάστε περισσότερα

MATEMATIČNI IZRAZI V MAFIRA WIKIJU

MATEMATIČNI IZRAZI V MAFIRA WIKIJU I FAKULTETA ZA MATEMATIKO IN FIZIKO Jadranska cesta 19 1000 Ljubljan Ljubljana, 25. marec 2011 MATEMATIČNI IZRAZI V MAFIRA WIKIJU KOMUNICIRANJE V MATEMATIKI Darja Celcer II KAZALO: 1 VSTAVLJANJE MATEMATIČNIH

Διαβάστε περισσότερα

Splošno o interpolaciji

Splošno o interpolaciji Splošno o interpolaciji J.Kozak Numerične metode II (FM) 2011-2012 1 / 18 O funkciji f poznamo ali hočemo uporabiti le posamezne podatke, na primer vrednosti r i = f (x i ) v danih točkah x i Izberemo

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

NEPARAMETRIČNI TESTI Doc.dr. Tadeja Kraner Šumenjak

NEPARAMETRIČNI TESTI Doc.dr. Tadeja Kraner Šumenjak NEPARAMETRIČNI TESTI 5.3.011 Doc.dr. Tadeja Kraner Šumenjak Slabosti parametričnih preizkusov: -stroge predpostavke (predpostavka o normalni porazdelitvi) -veliko računanja -težave, če spremenljivke niso

Διαβάστε περισσότερα

S programom SPSS se, glede na število ur, ne bomo ukvarjali. Na izpitu so zastavljena neka vprašanja, zraven pa dobimo računalniški izpis izračunov. T

S programom SPSS se, glede na število ur, ne bomo ukvarjali. Na izpitu so zastavljena neka vprašanja, zraven pa dobimo računalniški izpis izračunov. T 2. predavanje RVM Kvantitativne metode Borut Kodrič, Koper 21.5.2010 Ključ za dostop do e-učilnice: RMD2009 Tekom srečanj bodo zadeve osvežene v smislu, da bodo okleščene. Morda bo dodan še kak rešen primer.

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

Matematika 1. Gregor Dolinar. 2. januar Fakulteta za elektrotehniko Univerza v Ljubljani. Gregor Dolinar Matematika 1

Matematika 1. Gregor Dolinar. 2. januar Fakulteta za elektrotehniko Univerza v Ljubljani. Gregor Dolinar Matematika 1 Mtemtik 1 Gregor Dolinr Fkultet z elektrotehniko Univerz v Ljubljni 2. jnur 2014 Gregor Dolinr Mtemtik 1 Izrek (Izrek o povprečni vrednosti) Nj bo m ntnčn spodnj mej in M ntnčn zgornj mej integrbilne 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

Podobnost matrik. Matematika II (FKKT Kemijsko inženirstvo) Diagonalizacija matrik

Podobnost matrik. Matematika II (FKKT Kemijsko inženirstvo) Diagonalizacija matrik Podobnost matrik Matematika II (FKKT Kemijsko inženirstvo) Matjaž Željko FKKT Kemijsko inženirstvo 14 teden (Zadnja sprememba: 23 maj 213) Matrika A R n n je podobna matriki B R n n, če obstaja obrnljiva

Διαβάστε περισσότερα

Ekonometrija 1. Dvanajste vaje: Odsotnost koreliranosti slučajne spremenljivke in avtokorelacija.

Ekonometrija 1. Dvanajste vaje: Odsotnost koreliranosti slučajne spremenljivke in avtokorelacija. Ekonometrija 1 Dvanajste vaje: Odsotnost koreliranosti slučajne spremenljivke in avtokorelacija. Na dvanajstih vajah bomo nadaljevali z obravnavo in preverjanjem predpostavke o odsotnosti avtokorelacije

Διαβάστε περισσότερα

SIGNALI. Časovno zvezni in časovno diskretni signali

SIGNALI. Časovno zvezni in časovno diskretni signali SIGNALI Deterministični signali v časovno nespremenljivih sistemih Časovno zvezni in časovno diskretni signali Časovno zvezni signal je signal s(t), katerega neodvisna spremenljivka t lahko zavzame katerokoli

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

PROCESIRANJE SIGNALOV

PROCESIRANJE SIGNALOV Rešive pisega izpia PROCESIRANJE SIGNALOV Daum: 7... aloga Kolikša je ampliuda reje harmoske kompoee arisaega periodičega sigala? f() - -3 - - 3 Rešiev: Časova fukcija a iervalu ( /,/) je lieara fukcija:

Διαβάστε περισσότερα

cot x ni def. 3 1 KOTNE FUNKCIJE POLJUBNO VELIKEGA KOTA (A) Merske enote stopinja [ ] radian [rad] 1. Izrazi kot v radianih.

cot x ni def. 3 1 KOTNE FUNKCIJE POLJUBNO VELIKEGA KOTA (A) Merske enote stopinja [ ] radian [rad] 1. Izrazi kot v radianih. TRIGONOMETRIJA (A) Merske enote KOTNE FUNKCIJE POLJUBNO VELIKEGA KOTA stopinja [ ] radian [rad] 80 80 0. Izrazi kot v radianih. 0 90 5 0 0 70. Izrazi kot v stopinjah. 5 8 5 (B) Definicija kotnih funkcij

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

Zbirka vaj iz STATISTIKE. Blejec Andrej

Zbirka vaj iz STATISTIKE. Blejec Andrej Zbirka vaj iz STATISTIKE Blejec Andrej Ljubljana, 1997 Za vzpodbudo Zbirka vaj je namenjena študentom Statistike na oddelku za Biologijo BF. Naloge pokrivajo snov, ki jo obravnavamo kot osnove statističnih

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

III VEŽBA: FURIJEOVI REDOVI

III VEŽBA: FURIJEOVI REDOVI III VEŽBA: URIJEOVI REDOVI 3.1. eorijska osnova Posmatrajmo neki vremenski kontinualan signal x(t) na intervalu definisati: t + t t. ada se može X [ k ] = 1 t + t x ( t ) e j 2 π kf t dt, gde je f = 1/.

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

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

Kotni funkciji sinus in kosinus

Kotni funkciji sinus in kosinus Kotni funkciji sinus in kosinus Oznake: sinus kota x označujemo z oznako sin x, kosinus kota x označujemo z oznako cos x, DEFINICIJA V PRAVOKOTNEM TRIKOTNIKU: Kotna funkcija sinus je definirana kot razmerje

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

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

Kvantni delec na potencialnem skoku

Kvantni delec na potencialnem skoku Kvantni delec na potencialnem skoku Delec, ki se giblje premo enakomerno, pride na mejo, kjer potencial naraste s potenciala 0 na potencial. Takšno potencialno funkcijo zapišemo kot 0, 0 0,0. Slika 1:

Διαβάστε περισσότερα

POROČILO 3.VAJA DOLOČANJE REZULTANTE SIL

POROČILO 3.VAJA DOLOČANJE REZULTANTE SIL POROČILO 3.VAJA DOLOČANJE REZULTANTE SIL Izdba aje: Ljubjana, 11. 1. 007, 10.00 Jan OMAHNE, 1.M Namen: 1.Preeri paraeogramsko praio za doočanje rezutante nezporedni si s skupnim prijemaiščem (grafično)..dooči

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

ŠOLSKI CENTER NOVO MESTO

ŠOLSKI CENTER NOVO MESTO ŠOLSKI CENTER NOVO MESTO Srednja elektro šola in tehniška gimnazija M A T E M A T I K A USTNA VPRAŠANJA S PRIMERI ZA POKLICNO MATURO 006/007 NARAVNA ŠTEVILA Katera števila imenujemo naravna števila? Naštejte

Διαβάστε περισσότερα

8. MULTIVARIATNE METODE 8.1. Uvod Zakaj jih uporabljati

8. MULTIVARIATNE METODE 8.1. Uvod Zakaj jih uporabljati 8. MULTIVARIATNE METODE 8.1. Uvod 8.1.1. Zakaj jih uporabljati Multivariatne metode omogočajo sočasno analizo kakršnegakoli števila spremenljivk. Poseben problem predstavlja grafična predstavitev več kot

Διαβάστε περισσότερα

Kvadratne forme. Poglavje XI. 1 Definicija in osnovne lastnosti

Kvadratne forme. Poglavje XI. 1 Definicija in osnovne lastnosti Poglavje XI Kvadratne forme V zadnjem poglavju si bomo ogledali še eno vrsto preslikav, ki jih tudi lahko podamo z matrikami. To so tako imenovane kvadratne forme, ki niso več linearne preslikave. Kvadratne

Διαβάστε περισσότερα

Poliedri Ines Pogačar 27. oktober 2009

Poliedri Ines Pogačar 27. oktober 2009 Poliedri Ines Pogačar 27. oktober 2009 Pri linearnem programiranju imamo opravka s končnim sistemom neenakosti in končno spremenljivkami, torej je množica dopustnih rešitev presek končno mnogo polprostorov.

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

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

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

Želim Vam obilo uspeha pri reševanju! Predmet / Course: EKONOMETRIJA 1 (pisni izpit / final exam) Ime in priimek / First and last name: Datum / Date:

Želim Vam obilo uspeha pri reševanju! Predmet / Course: EKONOMETRIJA 1 (pisni izpit / final exam) Ime in priimek / First and last name: Datum / Date: Predmet / Course: EKONOMETRIJA 1 (pisni izpit / final exam) Datum / Date: Ime in priimek / First and last name: Čas trajanja izpita / Exam duration: 180 minut Dovoljeni pripomočki / Aids permitted: navadni

Διαβάστε περισσότερα

Odvode odvisnih spremenljivk po neodvisni spremenljivki bomo označevali s piko: Sistem navadnih diferencialnih enačb prvega reda ima obliko:

Odvode odvisnih spremenljivk po neodvisni spremenljivki bomo označevali s piko: Sistem navadnih diferencialnih enačb prvega reda ima obliko: 4 Sisemi diferencialnih enačb V prakičnih primerih večkra naleimo na več diferencialnih enačb, ki opisujejo določen pojav in so medsebojno povezane edaj govorimo o sisemih diferencialnih enačb V eh enačbah

Διαβάστε περισσότερα

Kazalo. Predstavitev

Kazalo. Predstavitev Ljubljana, 6. oktober 2008 FRI, Verjetnostni račun in statistika Aleksandar Jurišić različica: 19. januar 2009 / 11 : 51 A. Jurišić in V. Batagelj: Verjetnostni račun in statistika A. Jurišić 2 in V. Batagelj:

Διαβάστε περισσότερα

Statistika II z računalniško analizo podatkov. Bivariatna regresija, tipi povezanosti

Statistika II z računalniško analizo podatkov. Bivariatna regresija, tipi povezanosti Statistika II z računalniško analizo podatkov Bivariatna regresija, tipi povezanosti 1 Regresijska analiza Regresijska analiza je statistična metoda, ki nam pomaga analizirati odnos med odvisno spremenljivko

Διαβάστε περισσότερα

MATRIČNI ZAPIS MODELA IN OSNOVE MATRIČNE OPERACIJE

MATRIČNI ZAPIS MODELA IN OSNOVE MATRIČNE OPERACIJE Biometrija 1 Poglavje 1 MATRIČNI ZAPIS MODELA IN OSNOVE MATRIČNE OPERACIJE 11 Skalar Skalar je matrika reda 1 x 1 Skalarji so označeni z malimi ali velikimi navadnimi (neodebeljene) črkami kot npr y i

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

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

Poglavje 7. Poglavje 7. Poglavje 7. Regulacijski sistemi. Regulacijski sistemi. Slika 7. 1: Normirana blokovna shema regulacije EM

Poglavje 7. Poglavje 7. Poglavje 7. Regulacijski sistemi. Regulacijski sistemi. Slika 7. 1: Normirana blokovna shema regulacije EM Slika 7. 1: Normirana blokovna shema regulacije EM Fakulteta za elektrotehniko 1 Slika 7. 2: Principielna shema regulacije AM v KSP Fakulteta za elektrotehniko 2 Slika 7. 3: Merjenje komponent fluksa s

Διαβάστε περισσότερα