Regresione metode. Linearna regresija
|
|
- Ζώσιμη Ζερβός
- 6 χρόνια πριν
- Προβολές:
Transcript
1 Regresione metode Regresionе metode se u praksi veoma uspešno koriste za rešavanje problema procene i klasifikacije. Linearna regresija služi za rešavanje zadatka procene, tj. predviđanja kontinualnih zavisnih promenljivih. Logistička regresija služi za rešavanje zadatka klasifikacije, tj. predviđanja kategoričkih ili binarnih zavisnih promenljivih. Linearna regresija Linearna regresija je algoritam koji rešava zadatak procene tj. uspostavlja vezu između: jedne ili više ulaznih varijabli (prediktora) koje mogu biti kontinualnog ili kategoričkog tipa i izlazne varijable koja je kontinualnog tipa. Jedan od primera ovakvog zadatka je određivanje cene stana na osnovu njegove kvadrature. Na Slici 1 dat je primer podataka, koji mogu da posluže za rešavanje ovakvog zadatka. Slučajevi ovog problema predstavljaju stanovi koji se nalaze u okviru jednog naselja (na sličnoj su lokaciji) i imaju sličan nivo opremljenosti. Ovi stanovi se razlikuju po kvadraturi (x-osa) i prodajnoj ceni (y-osa). Potrebno je kreirati model koji će određivati (predviđati) cene na osnovu kvadrature stanova. Slika 1. Zavisnost cene od kvadrature stanova
2 Linearna regresija pretpostavlja linearnu zavisnost između ulaznih i izlazne promenljive. To znači da linearna regresija zapravo pokušava da pronađe liniju koja opisuje (pretpostavlja) vezu između ulaznih i izlaznog podatka (ravan u slučaju dve promenljive i hiper-ravan u slučaju više promenljivih). Dakle, pretpostavljeni model ili hipoteza, linearne regresije za slučaj jedne promenljive je: Jasno je da ova hipoteza predstavlja jednačinu prave (pretpostavlja se da su ulazne i izlazne promenljive linearno zavisne). Dakle osnovni problem linearne regresije je pronaći takve paramere i (pravu) koja najbolje opisuje vezu između ulaznih promenljivih i izlazne promenljive. Na Slici 2 je predstavljeno nekoliko mogućih hipoteza. Slika 2. Hipoteze linearne regresije Intuitivno je jasno da središnja hipoteza najbolje opisuje vezu između ulaza (x-osa) i izlaza (y-osa) podataka sa slike. Međutim za analitičko pronalaženje najbolje hipoteze (linije) neophodno je definisati funkciju cilja, tj. meru kvaliteta hipoteze (linije). U slučaju linerne regresije kvalitet hipoteze se meri kao prosečna vrednost odstojanja svih slučajeva od hipoteze. Slika 3. Ostojanja slučajeva od hipoteze
3 Na Slici 3 su prikazane dve hipoteze, gde je odstojanje od nekih slučajeva predstavljeno strelicama. Jasno da vidi da hipoteza koja se nalazi na desnoj strani ima manje ukupno ostojanje slučajeva od hipoteze. Takođe se može primetiti da rastojanja mogu da budu pozitivna ili negativna (nalaze se sa gornje ili donje strane hipoteze). Da se pozitivna i negativna odstojanja ne bi anulirala pri računanju aritmetičke sredine, konačna funkcija cilja se računa kao kvadratno odstojanje: ( ) Gde predstavlja broj slučajeva u skupu podataka, prave izlazne vrednosti, a predviđene vrednosti slučajeva. Dakle, funkcija cilja (eng. cost ) se može izraziti kao: ( ) Kada su hipoteza i funkcija cilja definisane, problem pronalaženja najbolje hipoteze može da se postavi kao optimizacioni problem. Poznato je da kvadratne funkcije imaju osobinu konveksnosti i glatkosti, što znači da one imaju globalni minimum i da u svakoj tački imaju izvod. Primeri konveksne i nekonveksne funkcije su dati na slici ispod. Slika 4. Primer nekonveksne i konveksne funkcije
4 Zbog navedenih osobina (glatkosti i konveksnosti) funkcije cilja, moguće je koristiti metodu najbržeg (gradijentnog) spusta, kako bismo pronašli optimalnu hipotezu. Poznato je da se ekstremna vrednost kvadratne funkcije nalazi u tački gde je njen prvi izvod jednak nuli. Takođe je poznato da prvi izvod funkcije određuje pravac najbržeg rasta (ili opadanja ukoliko se pomnoži sa -1). Na osnovu ove činjenice definisana je metoda najbržeg spusta. Ova metoda iterativno pomera parametre i u pravcu prvog izvoda funkcije. Ova metoda garantuje konvergenciju, ukoliko je pomeraj parametara i dovoljno mali, odnosno, pomeraj se množi sa proizvoljno malom vrednošću. Prvi izvod funkcije cilja po parametrima i se može izraziti sledećim formulama: ( ) ( ) Metoda najbržeg spusta se može opisati sledećim algoritmom: 1. Inicijalizovati vrednosti parametara i 2. Izračunati funkciju cilja ( ) 3. Ponavljati korake 4., 5. i 6. do optimalnosti 4. ( ) 5. ( ) 6. Izračunati funkciju cilja ( ) 7. Ukoliko je optimalna, zaustvlja se izvršavanje, ukoliko nije, vratiti se na korak 3. Kao što je već rečeno linearna regresija rešava problem procene (predviđanja kontinualnog izlaza), međutim ideja linearne regresije se uz male izmene može veoma uspešno koristiti i za rešavanje problema klasifikacije. Algoritam koji implementira ovu intuiciju, naziva se Logistička regresija i biće opisan u daljem tekstu. Logistička regresija: Kao što je već rečeno, logistička regresija služi za rešavanje problema klasifikacije. Problem klasifikacije se definiše kao problem uspostavljanja veze između jedne ili
5 više ulaznih varijabli (prediktora) koje mogu biti kontinualnog ili kategoričkog tipa i izlazne varijable koja mora biti kategoričkog ili binarnog tipa. U ovom tekstu ćemo razmatrati samo probleme sa binarnim izlazom koji se jako često sreću u praksi. Ukoliko se binarna izlazna promenljiva predstavi sa numeričkim vredmostima: 1 i 0, moguće je iskoristiti ideju linearne regresije za rešavanje problema klasifikacije. Primer rešavanja problema binarne klasifikacije uz pomoć ideje linearne regresije ilustrovan je na Slici 5. Na Slici 5 su opisani klijenti koji su uzeli kredit od banke. Na X-osi se nalaze iznosi njihovih plata, a na Y-osi indikator vraćanja kredita. Dakle, svi slučajevi mogu uzeti samo vrednosti 0 (klijent neće vratiti kredit) ili 1 (klijent će vratiti kredit). Slika 5. Primer problema klasifikacije Korišćenjem algoritma linearne regresije, moguće je pronaći optimalnu hipotezu koja minimizuje prosečno kvadratno odstajanje. Međutim, pošto sada ne određujemo kontinualnu vrednost izlaza, već pripadnost klasi (0 ili 1), neophodno je odrediti granicu odluke (za koje vrednosti hipoteze se odlučujemo da dodelimo klasu 1). Na Slici 5, ta granica je 0.5 (horizontalna linija) Dakle, za vrednosti hipoteze koje se nalaze sa leve strane tačke preseka hipoteze (isprekidane linije) i granice odluke (horizontalne linije)biće doneta jedna odluka, a za ostale druga. Ova podela je ilustrovana vertikalnom linijom (deli skup na klijente koji imaju platu manju ili jednaku RSD i klijente koji imaju platu veću od 30000RSD). Dodela klase (predikcija) se vrši na sledeći način: slučajevima koji imaju predviđenu vrednost veću ili jednaku 0.5, dodeljuje se klasa 1, dok se ostalim slučajevima dodeljuje klasa 0. Odnosno, za sve slučajeve koji imaju primanja iznad određene granice (u ovom slučaju RSD), očekuje se da će vratiti kredit. Na Slici 5 ovakva
6 granica odluke bi rezultirala savršenom klasifikacijom (svi slučajevi bi bili svrstani u odgovarajuće klase). Međutim, ovakav način klasifikacije je veoma osetljiv na promenu ulaznih podataka. Ovo je ilustrovano na Slici 6. Možemo videti da dva slučaja odstupaju od ostalih po iznosu plate (90000 i RSD) Nije vratio kredit Vratio kredit Plata (RSD) Slika 6. Primer nekonveksne i konveksne funkcije U ovom slučaju optimalna hipoteza linearne regresije je nešto drugačija. Ukoliko koristimo granicu odluke 0.5, predvidećemo da će kredit vratiti samo klijenti koji imaju platu veću od RSD (što nije ispravno jer su i svi klijenti koji imaju platu između I RSD vratili kredit). Jasno je da u opštem slučaju linearna regresija ne može kvalitetno da rešava probleme klasifikacije. Jedan od razloga leži u tome što funkcija cilja ne odgovara problemu klasifikacije. Ona smanjuje ukupno odstojanje slučajeva od hipoteze, a potrebno je razvrstati slučajeve u grupe bez preklapanja. Takođe hipoteza nije odgovarajuća, jer za problem klasifikacije nam je potrebno da znamo stepen pripadnosti određenoj klasi, kako bismo za sve probleme mogli da odredimo jedinstvenu granicu odluke.
7 Hipoteza Logističke regresije Dakle za rešavanje problema klasifikacije je potrebna hipoteza koja će na najbolji mogući način da razdvoji dve klase u zavisnosti od vrednosti ulazne promenljive. Na Slici 7, se može videti jedna takva hipoteza. U ovom slučaju, kada je granica odluke 0.5 svi slučajevi su dobro klasifikovani iako neki slučajevi značajno odstupaju na ulazu. Na postavljena hipoteza na Nije vratio kredit Vratio kredit Plata (RSD) Slika 7. Linearna hipoteza koja dobro razdvaja slučajeve Ipak, čak i sa ovako optimizovanom funkcijom cilja, linearna hipoteza, nije ograničena na interval [0,1] (na Slici 7, klijenti koji imaju platu veú od imaće vrednost hipoteze veću od 1) i nije pogodna za interpretaciju. To zapravo znači da u slučaju binarne klasifikacije, mi želimo da odredimo stepen pripadnosti (verovatnoću ili šansu) klasi 1 ili klasi 0. Baš ove osobine daje logistička kriva.
8 Slika 8. Logistička funkcija Logistička hipoteza zapravo preslikava linearnu hipotezu na S krivu koja je ograničena na interval [0,1]. Dakle, kod logističke regresije, ostaje linearna hipoteza (pronaći liniju koja najbolje razdvaja pozitivne od negativnih slučajeva), ali je ta hipoteza integrisana u tzv. Logit funkciju, koja se može interpretirati kao Logaritam šanse da novi slučaj pripada pozitivnoj klasi. Primer logističke hipoteze je prikazan na Slici Nije vratio kredit Vratio kredit Plata (RSD) Slika 9. Primer logističke funkcije
9 Dakle, formula hipoteze logističke regresije je: Funkcija cilja Logističke regresije Obzirom da hipoteza logističke regresije zapravo predviđa samo verovatnoću pripadosti klasi 1 (pozitivnoj klasi), neophodno je definisati funkciju cilja na sledeći način. Za slučajeve koji pripadaju klasi 1, a predviđena verovatnoća pripadnosti klasi 1 niska, funkcija cilja se penalizuje visokim vrednostima. Obrnuto, kada je predviđena verovatnoća pripadnosti klasi 1 visoka, fukcija cilja se penalizuje niskim vrednostima. Ova situacija je opisana na Slici 9 (levo). Na X-osi se nalazi hipoteza (predviđena verovatnoća pripadnosti klasi 1), a na Y-osi cena ( Cost ) greške. Slika 9. Na Slici 9 (desno) opisana je situacija za slučajeve koji pripadaju klasi 0: sa porastom verovatnoće da slučaj pripada klasi 1, funkcija cilja plaća veći penal. Dakle, funkcija cilja ( Cost ) logističke regresije je opisana sledećom formulom. ( ) { ( ) ( )
10 Pošto kod binarne klasifikacije imamo dva moguća ishoda modela, funkciju cilja možemo napisati u sledećem obliku: [ ( ) ( ) ( ( )) ] Kao i u slučaju linearne regresije, i ova funkcija je konveksna i glatka, tako da se može egzaktno rešiti metodom najbržeg spusta. Dodatno, izvodi funkcija cilja logističke i linearne regresije su identični, što znači da je i postupak optimizacije identičan.
11 Zadaci 1) Logistička regresija sa jednom promenljivom U tabeli nalazi se cena kvadrata u stoninama evra i to da li je stan bio prodat ili ne, izračunati: a) cost funciju za inicijane vrednosti parametra θ 0 = 0; θ 1 = 0; b) na osnovu algoritma najbržeg spusta optimizovati parametre θ 0 i θ 1 ukoliko je veličina koraka α = 0,01 (uraditi jednu iteraciju) c) na osnovu dobijenih vrednosti parametara (pod b) ponovo izračunati cost funkciju Tabela slučajeva: Cena kvadrata (*100) Prodat stan Rešenje: A) Računanje funkcije cilja (cost funkcije) Prvo računamo hipotezu logističke regresije za svaki slučaj u tabeli slučajeva. θ 0 + θ 1 x Prodat 0+0*5 = 0 0, *8 = 0 0, *6 = 0 0, *7 = 0 0, *10 = 0 0,5 1 Kada smo izračunali hipoteze za svaki slučaj, možemo izračunati ukupnu vrednost funkcije cilja (greške hipoteze), na osnovu sledeće formule: [ ( ) ( ) ( ( )) ] J(θ) = -1/5*(1*log(0,5) + (1-1)*log(1-0,5) + 0*log(0,5) + (1-0)*log(1-0,5)
12 + 1*log(0,5) + (1-1)*log(1-0,5)+ 0*log(0,5) + (1-0)*log(1-0,5) + 1*log(0,5) + (1-1)*log(1-0,5) ) J(θ) = 0,693 B) Optimizacija funkcije cilja (metoda najbržeg spusta) Nakon izračunavanja inicijalne greške, pokušaćemo tu grešku da smanjimo, korišćenjem metode najbržeg spusta. Za svaki parameter, računamo izvod i pomeramo parameter u obrnutom pravcu od izvoda (da bi se kretali ka minimumu), koji je skaliran parametrom. Ovo pomeranje se radi po formuli: j = ( ( ) ) Kada uvrstimo vrednosti u formula, dobijamo: θ 0 = 0 0,001*((0,5-1)*1 + (0,5 0)*1 + (0,5 1)*1 + (0,5 0)*1 + (0,5 1)*1) θ 0 = 0.005; θ 1 = 0 0,001*((0,5-1)*5 + (0,5 0)*8 + (0,5 1)*6 + (0,5 0)*7+(0,5 1)*10) θ 1 =0.03; C) Računanje funkcije cilja na osnovu novih parametara Ovaj postupak je identičan kao i pod A), samo što koritimo nove parametre hipoteze (θ 0 = i θ 1 =0.03) θ 0 + θ 1 x Prodat *5 = *8 = *6 = *7 = *10 = J(θ) = -1/5*(1*log(0.5387) + (1-1)*log(1-0,5387) + 0*log(0,5609) + (1-0)*log(1-0,5609) + 1*log(0,5461) + (1-1)*log(1-0,5461) + 0*log(0,5535) + (1-0)*log(1-0,5535) + 1*log(0,5756) + (1-1)*log(1-0,5756) ) J(θ) = ) Logistička regresija sa dve promenljive
13 U tabeli nalazi se podaci o klijentima. Pravi se model koji predviđa da li će klijent vratiti kredit. Svako klijent opisan je starošću (u desetinama godina) i visinom primanja (pomoženo sa dinara). Izračunati: a) cost funciju za inicijane vrednosti parametra θ 0 = 0.01; θ 1 = 0.02; θ 2 =0.05 b) na osnovu algoritma najbržeg spusta optimizovati parametre θ 0 i θ 1 ukoliko je veličina koraka α = 0,05 (uraditi jednu iteraciju) c) na osnovu dobijenih vrednosti parametara (pod b) ponovo izračunati cost funkciju Tabela slučajeva: Starost (*10) Visina primanja (*10.000) Vratio kredit A) Računanje funkcije cilja: θ 0 + θ 1 x 1 + θ 2 x 2 Vratio kredit * *4 = * *3 = * *3 =0.280 = = = [ ( ) ( ) ( ( )) ] J(θ) = -1/3*(0*log(0,571) + (1-0)*log(1-0,571) + 1*log(0,577) + (1-1)*log(1-0,577)+ 0*log(0,570) + (1-0)*log(1-0,570)) J(θ) = 0,746 B) Optimizacija funkcije cilja (metoda najbržeg spusta)
14 j = ( ( ) ) θ 0 = *(( )*1 + ( )*1 + ( )*1); θ 0 = ; θ 1 = *(( )*2.5 + (0,577 1)*5 + ( )*4); θ 1 = ; θ 2 = *(( )*4 + ( )*3 + ( )*3); θ 2 = ; C) Računanje funkcije cilja na osnovu novih parametara θ 0 + θ 1 x 1 + θ 2 x 2 Vratio kredit * *4 = * *3 = * *3 = = = = J(θ) = -1/3*(0*log(0.379) + (1-0)*log( ) + 1*log(0.370) + (1-1)*log( )+ 0*log(0.382) + (1-0)*log( )) J(θ) =0.650
15 3) Logistička regresija sa dve promenljive i pet tačaka U tabeli nalazi se podaci o klijentima. Pravi se model koji predviđa da li će klijent vratiti kredit. Svako klijent opisan je starošću (u desetinama godina) i visinom primanja (pomoženo sa dinara). Izračunati: a) cost funciju za inicijane vrednosti parametra θ 0 = 0.01; θ 1 = 0.03; θ 2 =0.05 b) na osnovu algoritma najbržeg spusta optimizovati parametre θ 0 i θ 1 ukoliko je veličina koraka α = 0,03 (uraditi jednu iteraciju) c) na osnovu dobijenih vrednosti parametara (pod b) ponovo izračunati cost funkciju Starost (*10 god) Prihod (*10000 din) Vratio kredit? Ne 5 3 Da Da Da 4 3 Ne A) Računanje funkcije cilja: [ ( ) ( ) ( ( )) ] J(θ) =0.654 B) Optimizacija funkcije cilja (metoda najbržeg spusta) ( ( ) ) θ 0 = 0.013; θ 1 = 0.104; θ 2 =0.081; C) Računanje funkcije cilja na osnovu novih parametara J(θ) =0.634
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 περισσότεραIspitivanje 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 περισσότεραUNIVERZITET 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 περισσότεραPRAVA. 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 περισσότεραOsnovni 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 περισσότεραIZVODI 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 περισσότεραIZVODI 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 περισσότεραOsnovne 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 περισσότεραVJEŽBE 3 BIPOLARNI TRANZISTORI. Slika 1. Postoje npn i pnp bipolarni tranziostori i njihovi simboli su dati na slici 2 i to npn lijevo i pnp desno.
JŽ 3 POLAN TANZSTO ipolarni tranzistor se sastoji od dva pn spoja kod kojih je jedna oblast zajednička za oba i naziva se baza, slika 1 Slika 1 ipolarni tranzistor ima 3 izvoda: emitor (), kolektor (K)
Διαβάστε περισσότεραApsolutno 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 περισσότερα2 tg x ctg x 1 = =, cos 2x Zbog četvrtog kvadranta rješenje je: 2 ctg x
Zadatak (Darjan, medicinska škola) Izračunaj vrijednosti trigonometrijskih funkcija broja ako je 6 sin =,,. 6 Rješenje Ponovimo trigonometrijske funkcije dvostrukog kuta! Za argument vrijede sljedeće formule:
Διαβάστε περισσότεραTeorijske osnove informatike 1
Teorijske osnove informatike 1 9. oktobar 2014. () Teorijske osnove informatike 1 9. oktobar 2014. 1 / 17 Funkcije Veze me du skupovima uspostavljamo skupovima koje nazivamo funkcijama. Neformalno, funkcija
Διαβάστε περισσότεραKVADRATNA 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 περισσότεραRačunarska grafika. Rasterizacija linije
Računarska grafika Osnovni inkrementalni algoritam Drugi naziv u literaturi digitalni diferencijalni analizator (DDA) Pretpostavke (privremena ograničenja koja se mogu otkloniti jednostavnim uopštavanjem
Διαβάστε περισσότεραASIMPTOTE FUNKCIJA. Dakle: Asimptota je prava kojoj se funkcija približava u beskonačno dalekoj tački. Postoje tri vrste asimptota:
ASIMPTOTE FUNKCIJA Naš savet je da najpre dobro proučite granične vrednosti funkcija Neki profesori vole da asimptote funkcija ispituju kao ponašanje funkcije na krajevima oblasti definisanosti, pa kako
Διαβάστε περισσότεραVerovatnoća 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 περισσότεραMašinsko učenje. Regresija.
Mašinsko učenje. Regresija. Danijela Petrović May 17, 2016 Uvod Problem predviđanja vrednosti neprekidnog atributa neke instance na osnovu vrednosti njenih drugih atributa. Uvod Problem predviđanja vrednosti
Διαβάστε περισσότεραTrigonometrija 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 περισσότεραElementi 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 περισσότεραIII 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 περισσότεραPismeni 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 περισσότεραnumeričkih deskriptivnih mera.
DESKRIPTIVNA STATISTIKA Numeričku seriju podataka opisujemo pomoću Numeričku seriju podataka opisujemo pomoću numeričkih deskriptivnih mera. Pokazatelji centralne tendencije Aritmetička sredina, Medijana,
Διαβάστε περισσότερα5. Karakteristične funkcije
5. Karakteristične funkcije Profesor Milan Merkle emerkle@etf.rs milanmerkle.etf.rs Verovatnoća i Statistika-proleće 2018 Milan Merkle Karakteristične funkcije ETF Beograd 1 / 10 Definicija Karakteristična
Διαβάστε περισσότεραSISTEMI 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 περισσότεραMATEMATIKA 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 περισσότερα5 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 περισσότερα4 Numeričko diferenciranje
4 Numeričko diferenciranje 7. Funkcija fx) je zadata tabelom: x 0 4 6 8 fx).17 1.5167 1.7044 3.385 5.09 7.814 Koristeći konačne razlike, zaključno sa trećim redom, odrediti tačku x minimuma funkcije fx)
Διαβάστε περισσότεραFakultet tehničkih nauka, Softverske i informacione tehnologije, Matematika 2 KOLOKVIJUM 1. Prezime, ime, br. indeksa:
Fakultet tehničkih nauka, Softverske i informacione tehnologije, Matematika KOLOKVIJUM 1 Prezime, ime, br. indeksa: 4.7.1 PREDISPITNE OBAVEZE sin + 1 1) lim = ) lim = 3) lim e + ) = + 3 Zaokružiti tačne
Διαβάστε περισσότεραPARCIJALNI 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 περισσότεραZavrxni ispit iz Matematiqke analize 1
Građevinski fakultet Univerziteta u Beogradu 3.2.2016. Zavrxni ispit iz Matematiqke analize 1 Prezime i ime: Broj indeksa: 1. Definisati Koxijev niz. Dati primer niza koji nije Koxijev. 2. Dat je red n=1
Διαβάστε περισσότερα4.7. Zadaci Formalizam diferenciranja (teorija na stranama ) 343. Znajući izvod funkcije x arctg x, odrediti izvod funkcije x arcctg x.
4.7. ZADACI 87 4.7. Zadaci 4.7.. Formalizam diferenciranja teorija na stranama 4-46) 340. Znajući izvod funkcije arcsin, odrediti izvod funkcije arccos. Rešenje. Polazeći od jednakosti arcsin + arccos
Διαβάστε περισσότερα41. 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 περισσότεραRačunarska grafika. Rasterizacija linije
Računarska grafika Osnovni inkrementalni algoritam Drugi naziv u literaturi digitalni diferencijalni analizator (DDA) Pretpostavke (privremena ograničenja koja se mogu otkloniti jednostavnim uopštavanjem
Διαβάστε περισσότεραIZVODI ZADACI (I deo)
IZVODI ZADACI (I deo Najpre da se podsetimo tablice i osnovnih pravila:. C0.. (. ( 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 >0. (cos. (cos - π. (tg kπ cos. (ctg
Διαβάστε περισσότεραKontrolni zadatak (Tačka, prava, ravan, diedar, poliedar, ortogonalna projekcija), grupa A
Kontrolni zadatak (Tačka, prava, ravan, diedar, poliedar, ortogonalna projekcija), grupa A Ime i prezime: 1. Prikazane su tačke A, B i C i prave a,b i c. Upiši simbole Î, Ï, Ì ili Ë tako da dobijeni iskazi
Διαβάστε περισσότεραIskazna logika 3. Matematička logika u računarstvu. novembar 2012
Iskazna logika 3 Matematička logika u računarstvu Department of Mathematics and Informatics, Faculty of Science,, Serbia novembar 2012 Deduktivni sistemi 1 Definicija Deduktivni sistem (ili formalna teorija)
Διαβάστε περισσότεραJednodimenzionalne slučajne promenljive
Jednodimenzionalne slučajne promenljive Definicija slučajne promenljive Neka je X f-ja def. na prostoru verovatnoća (Ω, F, P) koja preslikava prostor el. ishoda Ω u skup R realnih brojeva: (1)Skup {ω/
Διαβάστε περισσότερα2log. se zove numerus (logaritmand), je osnova (baza) log. log. log =
( > 0, 0)!" # > 0 je najčešći uslov koji postavljamo a još je,, > 0 se zove numerus (aritmand), je osnova (baza). 0.. ( ) +... 7.. 8. Za prelazak na neku novu bazu c: 9. Ako je baza (osnova) 0 takvi se
Διαβάστε περισσότεραKVADRATNA 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 izgleda
Διαβάστε περισσότεραAlgoritmi i strukture podataka - 1.cas
Algoritmi i strukture podataka - 1.cas Aleksandar Veljković October 2016 Materijali su zasnovani na materijalima Mirka Stojadinovića 1 Složenost algoritama Približna procena vremena ili prostora potrebnog
Διαβάστε περισσότεραDISKRETNA MATEMATIKA - PREDAVANJE 7 - Jovanka Pantović
DISKRETNA MATEMATIKA - PREDAVANJE 7 - Jovanka Pantović Novi Sad April 17, 2018 1 / 22 Teorija grafova April 17, 2018 2 / 22 Definicija Graf je ure dena trojka G = (V, G, ψ), gde je (i) V konačan skup čvorova,
Διαβάστε περισσότεραM086 LA 1 M106 GRP. Tema: Baza vektorskog prostora. Koordinatni sustav. Norma. CSB nejednakost
M086 LA 1 M106 GRP Tema: CSB nejednakost. 19. 10. 2017. predavač: Rudolf Scitovski, Darija Marković asistent: Darija Brajković, Katarina Vincetić P 1 www.fizika.unios.hr/grpua/ 1 Baza vektorskog prostora.
Διαβάστε περισσότεραINTEGRALNI RAČUN. Teorije, metodike i povijest infinitezimalnih računa. Lucija Mijić 17. veljače 2011.
INTEGRALNI RAČUN Teorije, metodike i povijest infinitezimalnih računa Lucija Mijić lucija@ktf-split.hr 17. veljače 2011. Pogledajmo Predstavimo gornju sumu sa Dodamo još jedan Dobivamo pravokutnik sa Odnosno
Διαβάστε περισσότεραMATRICE 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 περισσότεραPismeni ispit iz matematike GRUPA A 1. Napisati u trigonometrijskom i eksponencijalnom obliku kompleksni broj, zatim naći 4 z.
Pismeni ispit iz matematike 06 007 Napisati u trigonometrijskom i eksponencijalnom obliku kompleksni broj z = + i, zatim naći z Ispitati funkciju i nacrtati grafik : = ( ) y e + 6 Izračunati integral:
Διαβάστε περισσότεραRiješeni 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 περισσότεραELEKTROTEHNIČKI 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 περισσότεραRAČUNSKE VEŽBE IZ PREDMETA POLUPROVODNIČKE KOMPONENTE (IV semestar modul EKM) IV deo. Miloš Marjanović
Univerzitet u Nišu Elektronski fakultet RAČUNSKE VEŽBE IZ PREDMETA (IV semestar modul EKM) IV deo Miloš Marjanović MOSFET TRANZISTORI ZADATAK 35. NMOS tranzistor ima napon praga V T =2V i kroz njega protiče
Διαβάστε περισσότεραRIJEŠENI ZADACI I TEORIJA IZ
RIJEŠENI ZADACI I TEORIJA IZ LOGARITAMSKA FUNKCIJA SVOJSTVA LOGARITAMSKE FUNKCIJE OSNOVE TRIGONOMETRIJE PRAVOKUTNOG TROKUTA - DEFINICIJA TRIGONOMETRIJSKIH FUNKCIJA - VRIJEDNOSTI TRIGONOMETRIJSKIH FUNKCIJA
Διαβάστε περισσότερα1 Promjena baze vektora
Promjena baze vektora Neka su dane dvije različite uredene baze u R n, označimo ih s A = (a, a,, a n i B = (b, b,, b n Svaki vektor v R n ima medusobno različite koordinatne zapise u bazama A i B Zapis
Διαβάστε περισσότεραZadaci 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 περισσότεραBetonske 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 περισσότεραStrukture podataka i algoritmi 1. kolokvij 16. studenog Zadatak 1
Strukture podataka i algoritmi 1. kolokvij Na kolokviju je dozvoljeno koristiti samo pribor za pisanje i službeni šalabahter. Predajete samo papire koje ste dobili. Rezultati i uvid u kolokvije: ponedjeljak,
Διαβάστε περισσότεραradni 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 περισσότεραMatematka 1 Zadaci za drugi kolokvijum
Matematka Zadaci za drugi kolokvijum 8 Limesi funkcija i neprekidnost 8.. Dokazati po definiciji + + = + = ( ) = + ln( ) = + 8.. Odrediti levi i desni es funkcije u datoj tački f() = sgn, = g() =, = h()
Διαβάστε περισσότεραIspitivaƬe 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 περισσότεραDRUGI 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 περισσότεραS t r a n a 1. 1.Povezati jonsku jačinu rastvora: a) MgCl 2 b) Al 2 (SO 4 ) 3 sa njihovim molalitetima, m. za so tipa: M p X q. pa je jonska jačina:
S t r a n a 1 1.Povezati jonsku jačinu rastvora: a MgCl b Al (SO 4 3 sa njihovim molalitetima, m za so tipa: M p X q pa je jonska jačina:. Izračunati mase; akno 3 bba(no 3 koje bi trebalo dodati, 0,110
Διαβάστε περισσότεραKaskadna kompenzacija SAU
Kaskadna kompenzacija SAU U inženjerskoj praksi, naročito u sistemima regulacije elektromotornih pogona i tehnoloških procesa, veoma često se primenjuje metoda kaskadne kompenzacije, u čijoj osnovi su
Διαβάστε περισσότεραTRIGONOMETRIJSKE 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 περισσότεραVeleučilište 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 περισσότεραLinearna algebra 2 prvi kolokvij,
Linearna algebra 2 prvi kolokvij, 27.. 20.. Za koji cijeli broj t je funkcija f : R 4 R 4 R definirana s f(x, y) = x y (t + )x 2 y 2 + x y (t 2 + t)x 4 y 4, x = (x, x 2, x, x 4 ), y = (y, y 2, y, y 4 )
Διαβάστε περισσότεραSortiranje prebrajanjem (Counting sort) i Radix Sort
Sortiranje prebrajanjem (Counting sort) i Radix Sort 15. siječnja 2016. Ante Mijoč Uvod Teorem Ako je f(n) broj usporedbi u algoritmu za sortiranje temeljenom na usporedbama (eng. comparison-based sorting
Διαβάστε περισσότεραCauchyjev teorem. Postoji više dokaza ovog teorema, a najjednostvniji je uz pomoć Greenove formule: dxdy. int C i Cauchy Riemannovih uvjeta.
auchyjev teorem Neka je f-ja f (z) analitička u jednostruko (prosto) povezanoj oblasti G, i neka je zatvorena kontura koja čitava leži u toj oblasti. Tada je f (z)dz = 0. Postoji više dokaza ovog teorema,
Διαβάστε περισσότερα18. 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 περισσότεραnvt 1) ukoliko su poznate struje dioda. Struja diode D 1 je I 1 = I I 2 = 8mA. Sada je = 1,2mA.
IOAE Dioda 8/9 I U kolu sa slike, diode D su identične Poznato je I=mA, I =ma, I S =fa na 7 o C i parametar n= a) Odrediti napon V I Kolika treba da bude struja I da bi izlazni napon V I iznosio 5mV? b)
Διαβάστε περισσότεραIZRAČUNAVANJE POKAZATELJA NAČINA RADA NAČINA RADA (ISKORIŠĆENOSTI KAPACITETA, STEPENA OTVORENOSTI RADNIH MESTA I NIVOA ORGANIZOVANOSTI)
IZRAČUNAVANJE POKAZATELJA NAČINA RADA NAČINA RADA (ISKORIŠĆENOSTI KAPACITETA, STEPENA OTVORENOSTI RADNIH MESTA I NIVOA ORGANIZOVANOSTI) Izračunavanje pokazatelja načina rada OTVORENOG RM RASPOLOŽIVO RADNO
Διαβάστε περισσότεραProgram testirati pomoću podataka iz sledeće tabele:
Deo 2: Rešeni zadaci 135 Vrednost integrala je I = 2.40407 42. Napisati program za izračunavanje koeficijenta proste linearne korelacije (Pearsonovog koeficijenta) slučajnih veličina X = (x 1,..., x n
Διαβάστε περισσότεραAlgoritmi zadaci za kontrolni
Algoritmi zadaci za kontrolni 1. Nacrtati algoritam za sabiranje ulaznih brojeva a i b Strana 1 . Nacrtati algoritam za izračunavanje sledeće funkcije: x y x 1 1 x x ako ako je : je : x x 1 x x 1 Strana
Διαβάστε περισσότερα( ) ( ) 2 UNIVERZITET U ZENICI POLITEHNIČKI FAKULTET. Zadaci za pripremu polaganja kvalifikacionog ispita iz Matematike. 1. Riješiti jednačine: 4
UNIVERZITET U ZENICI POLITEHNIČKI FAKULTET Riješiti jednačine: a) 5 = b) ( ) 3 = c) + 3+ = 7 log3 č) = 8 + 5 ć) sin cos = d) 5cos 6cos + 3 = dž) = đ) + = 3 e) 6 log + log + log = 7 f) ( ) ( ) g) ( ) log
Διαβάστε περισσότεραDužina luka i oskulatorna ravan
Dužina luka i oskulatorna ravan Diferencijalna geometrija Vježbe Rješenja predati na predavanjima, u srijedu 9. ožujka 16. god. Zadatak 1. Pokazati da je dužina luka invarijantna pod reparametrizacijom
Διαβάστε περισσότεραDvanaesti praktikum iz Analize 1
Dvaaesti praktikum iz Aalize Zlatko Lazovi 20. decembar 206.. Dokazati da fukcija f = 5 l tg + 5 ima bar jedu realu ulu. Ree e. Oblast defiisaosti fukcije je D f = k Z da postoji ula fukcije a 0, π 2.
Διαβάστε περισσότεραAPROKSIMACIJA FUNKCIJA
APROKSIMACIJA FUNKCIJA Osnovni koncepti Gradimir V. Milovanović MF, Beograd, 14. mart 2011. APROKSIMACIJA FUNKCIJA p.1/46 Osnovni problem u TA Kako za datu funkciju f iz velikog prostora X naći jednostavnu
Διαβάστε περισσότεραOM2 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 περισσότεραĈetverokut - DOMAĆA ZADAĆA. Nakon odgledanih videa trebali biste biti u stanju samostalno riješiti sljedeće zadatke.
Ĉetverokut - DOMAĆA ZADAĆA Nakon odgledanih videa trebali biste biti u stanju samostalno riješiti sljedeće zadatke. 1. Duljine dijagonala paralelograma jednake su 6,4 cm i 11 cm, a duljina jedne njegove
Διαβάστε περισσότεραFunkcije više promenljivih. Uvod u funkcije više promenljivih
Funkcije više promenljivih Uvod u funkcije više promenljivih Na ovom predavanju će biti reči o: o oznakama za funkcije više promenljvih o domenu funkcija više promenljvih o graficima funkcija više promenljvih
Διαβάστε περισσότεραSKUPOVI I SKUPOVNE OPERACIJE
SKUPOVI I SKUPOVNE OPERACIJE Ne postoji precizna definicija skupa (postoji ali nama nije zanimljiva u ovom trenutku), ali mi možemo koristiti jednu definiciju koja će nam donekle dočarati šta su zapravo
Διαβάστε περισσότεραHEMIJSKA VEZA TEORIJA VALENTNE VEZE
TEORIJA VALENTNE VEZE Kovalentna veza nastaje preklapanjem atomskih orbitala valentnih elektrona, pri čemu je region preklapanja između dva jezgra okupiran parom elektrona. - Nastalu kovalentnu vezu opisuje
Διαβάστε περισσότεραRiješeni zadaci: Nizovi realnih brojeva
Riješei zadaci: Nizovi realih brojeva Nizovi, aritmetički iz, geometrijski iz Fukciju a : N R azivamo beskoači) iz realih brojeva i ozačavamo s a 1, a,..., a,... ili a ), pri čemu je a = a). Aritmetički
Διαβάστε περισσότεραPOGLAVLJE 1 BEZUSLOVNA OPTIMIZACIJA. U ovom poglavlju proučavaćemo problem bezuslovne optimizacije:
POGLAVLJE 1 BEZUSLOVNA OPTIMIZACIJA U ovom poglavlju proučavaćemo problem bezuslovne optimizacije: min f(x) (1.1) pri čemu nema dodatnih ograničenja na X = (x 1,..., x n ) R n. Probleme bezuslovne optimizacije
Διαβάστε περισσότεραOperacije s matricama
Linearna algebra I Operacije s matricama Korolar 3.1.5. Množenje matrica u vektorskom prostoru M n (F) ima sljedeća svojstva: (1) A(B + C) = AB + AC, A, B, C M n (F); (2) (A + B)C = AC + BC, A, B, C M
Διαβάστε περισσότερα1 UPUTSTVO ZA IZRADU GRAFIČKOG RADA IZ MEHANIKE II
1 UPUTSTVO ZA IZRADU GRAFIČKOG RADA IZ MEHANIKE II Zadatak: Klipni mehanizam se sastoji iz krivaje (ekscentarske poluge) OA dužine R, klipne poluge AB dužine =3R i klipa kompresora B (ukrsne glave). Krivaja
Διαβάστε περισσότεραMatematička analiza 1 dodatni zadaci
Matematička analiza 1 dodatni zadaci 1. Ispitajte je li funkcija f() := 4 4 5 injekcija na intervalu I, te ako jest odredite joj sliku i inverz, ako je (a) I = [, 3), (b) I = [1, ], (c) I = ( 1, 0].. Neka
Διαβάστε περισσότεραPOTPUNO RIJEŠENIH ZADATAKA PRIRUČNIK ZA SAMOSTALNO UČENJE
**** MLADEN SRAGA **** 011. UNIVERZALNA ZBIRKA POTPUNO RIJEŠENIH ZADATAKA PRIRUČNIK ZA SAMOSTALNO UČENJE SKUP REALNIH BROJEVA α Autor: MLADEN SRAGA Grafički urednik: BESPLATNA - WEB-VARIJANTA Tisak: M.I.M.-SRAGA
Διαβάστε περισσότεραSkup 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 περισσότεραOvo nam govori da funkcija nije ni parna ni neparna, odnosno da nije simetrična ni u odnosu na y osu ni u odnosu na
. Ispitati tok i skicirati grafik funkcij = Oblast dfinisanosti (domn) Ova funkcija j svuda dfinisana, jr nma razlomka a funkcija j dfinisana za svako iz skupa R. Dakl (, ). Ovo nam odmah govori da funkcija
Διαβάστε περισσότεραTrigonometrijske 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 περισσότερα7 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 περισσότεραUvod Teorija odlučivanja je analitički i sistematski pristup proučavanju procesa donošenja odluka Bez obzira o čemu donosimo odluku imamo 6 koraka za
Osnovne teorije odlučivanja Uvod Teorija odlučivanja je analitički i sistematski pristup proučavanju procesa donošenja odluka Bez obzira o čemu donosimo odluku imamo 6 koraka za donošenje dobre odluke:
Διαβάστε περισσότεραKOMUTATIVNI I ASOCIJATIVNI GRUPOIDI. NEUTRALNI ELEMENT GRUPOIDA.
KOMUTATIVNI I ASOCIJATIVNI GRUPOIDI NEUTRALNI ELEMENT GRUPOIDA 1 Grupoid (G, ) je asocijativa akko važi ( x, y, z G) x (y z) = (x y) z Grupoid (G, ) je komutativa akko važi ( x, y G) x y = y x Asocijativa
Διαβάστε περισσότεραTestiranje statistiqkih hipoteza
Testiranje statistiqkih hipoteza Testiranje statistiqkih hipoteza Testiranje statistiqkih hipoteza je vid statistiqkog zakljuqivanja koji se primenjuje u situacijama: kada se unapred pretpostavlja postojanje određene
Διαβάστε περισσότεραMETODA SEČICE I REGULA FALSI
METODA SEČICE I REGULA FALSI Zadatak: Naći ulu fukcije f a itervalu (a,b), odoso aći za koje je f()=0. Rešeje: Prvo, tražimo iterval (a,b) a kome je fukcija eprekida, mootoa i važi: f(a)f(b)
Διαβάστε περισσότεραINTELIGENTNO UPRAVLJANJE
INTELIGENTNO UPRAVLJANJE Fuzzy sistemi zaključivanja Vanr.prof. Dr. Lejla Banjanović-Mehmedović Mehmedović 1 Osnovni elementi fuzzy sistema zaključivanja Fazifikacija Baza znanja Baze podataka Baze pravila
Διαβάστε περισσότεραPrikaz sustava u prostoru stanja
Prikaz sustava u prostoru stanja Prikaz sustava u prostoru stanja je jedan od načina prikaza matematičkog modela sustava (uz diferencijalnu jednadžbu, prijenosnu funkciju itd). Promatramo linearne sustave
Διαβάστε περισσότεραPID: 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 περισσότερα10. STABILNOST KOSINA
MEHANIKA TLA: Stabilnot koina 101 10. STABILNOST KOSINA 10.1 Metode proračuna koina Problem analize tabilnoti zemljanih maa vodi e na određivanje odnoa između rapoložive mičuće čvrtoće i proečnog mičućeg
Διαβάστε περισσότερα8 Funkcije više promenljivih
8 Funkcije više promenljivih 78 8 Funkcije više promenljivih Neka je R skup realnih brojeva i X R n. Jednoznačno preslikavanje f : X R naziva se realna funkcija sa n nezavisno promenljivih čiji je domen
Διαβάστε περισσότεραNeka 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 περισσότεραPošto pretvaramo iz veće u manju mjernu jedinicu broj 2.5 množimo s 1000,
PRERAČUNAVANJE MJERNIH JEDINICA PRIMJERI, OSNOVNE PRETVORBE, POTENCIJE I ZNANSTVENI ZAPIS, PREFIKSKI, ZADACI S RJEŠENJIMA Primjeri: 1. 2.5 m = mm Pretvaramo iz veće u manju mjernu jedinicu. 1 m ima dm,
Διαβάστε περισσότεραNeka 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