Екстремне статистике поретка и примjене у неживотном осигурању

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Екстремне статистике поретка и примjене у неживотном осигурању"

Transcript

1 Математички факултет Универзитет у Београду МАСТЕР РАД Екстремне статистике поретка и примjене у неживотном осигурању Студент: 1039/2015 Ментор: др Павле Младеновић

2 Садржаj 1 Увод 1 2 Значаj теориjе екстремних вриjедности у осигурању Уговори о реосигурању Теориjа екстремних вриjедности Хинчинова теорема М-стабилност и област привлачења Теорема о екстремалним типовима Расподjеле екстремних вриjедности Гумбелова расподjела Фрешеова расподjела са параметром α > Веjбулова расподjела са параметром α > Асимптотско понашање вjероватноће P {M n u n } Област привлачења Генералисане Паретове расподjеле Примjери Област привлачења Гумбелове расподjеле Област привлачења Фрешеове расподjеле Област привлачења Веjбулове расподjеле Осигурање од пожара Закључак 39 Литература 40

3 1 Увод Теориjа екстремних вриjедности jе алатка коjа се користи за разматрање вjероватноћа везаних за екстремне, односно риjетке догађаjе. Корисна jе при моделовању утицаjа структурног лома. Користи се у моделовању понашања максимума или минимума у низу (реп расподjеле). Међутим, имплементациjа ове теориjе има много препрека, укључуjући оскудицу података са екстремним вриjедностима, одређивање да ли се ради о расподjели са тешким репом, одабир прага гдjе реп почиње, одабир метода за процjену параметара и друге. До недавно, приступ вриjедност-при-ризику (VaR) jе био стандардан за индустриjу управљања ризиком. VaR мjери колико би портфолио могао изгубити са датом вjероватноћом у одређеном периоду времена и при нормалним условима на тржишту. Оваj приступ jе критикован, наjвише из разлога што већина параметарских метода користе процjењивање нормалном расподjелом. Користећи овакву апроксимациjу, ризик високих вриjедности jе потциjењен, посебно за расподjеле са тешким реповима, коjе су честе у финансиjским подацима. Непараметарске методе се не ослањаjу на природу емпириjске расподjеле, али се ту такође поjављуjу проблеми. Нпр. оне не могу да се користе за процjене за вриjедности изван граница датог узорка. Кључни резултат до коjег су дошли Фишер 1 и Типет о могућим граничним вриjедностима максимума у узорку био jе заслужан да се поjави идеjа да jе теориjа екстремних вриjедности специфична, много другачиjа од класичне теориjе граничних вриjедности. Од тог тренутка десетине књига jе написано о статистичким аспектима екстрема. Обезбиjеђене су тачниjе расподjеле коjе одговараjу екстремним догађаjима, а неке од њих су пригодне и за рjешавање проблема везаних за веома висока одступања, што jе врло корисно за предвиђање ломова и великих штета. За разлику од VaR метода, не користе се претпоставке о природи расподjеле свих опсервациjа. 1 Ronald Alymer Fisher ( ), енглески статистичар и биолог 2 Leonard Henry Caleb Tippett ( ), енглески статистичар 1

4 Основe теориjе екстремних вриjедности су развиjене године. Испод jе дата кратка историjа развоjа ове теориjе. 1928: Основе и асимптотска анализа развиjена од стране Фишера и Типета 1940-е: Асимптотска теориjа уjедињена и проширена од стране Гнеденка 3 и Фон Мизеса е: Гумбел 5 и Jенкинсон 6 користе асимптотске расподjеле за статистичко моделовање 1970-е: Класични закони граничних вриjедности генерализовани од стране Пикандса 7 (и других) 1980-е: Надоградња теориjе стационарних процеса, повезивање са теориjом тачкастих процеса, коришћење регресионих техника у анализи екстремних вриjедности 1990-е: Развоj мултивариjационих модела, повећање примjене у финансиjама 2000-е: Примjена у испитивању климатских промjена 3 Борис Владимирович Гнеденко ( ), совjетски математичар, Колмогоровљев студент 4 Ludwig von Mises ( ), аустриjски економски теоретичар 5 Emil Julius Gumbel ( ), њемачки математичар 6 A. F. Jenkinson 7 James Pickands III 2

5 2 Значаj теориjе екстремних вриjедности у осигурању Jедна од наjистакнутиjих примjена теориjе екстремних вриjедности може да се види у неживотном осигурању. Неки портфолиjи имаjу тенденциjу да повремено садрже велике штете коjе нарушаваjу солвентност портфолиjа, или чак угрожаваjу компаниjу. Осим великих непогода и несрећа као што су земљотреси, урагани, авионске несреће и остало, постоjи и даље значаjан броj великих штета коjе се дешаваjу. С времена на вриjеме, осигурање од аутоодговорности може бити у обавези да исплати велику штету. Jош чешће, дешаваjу се велике штете у осигурању од пожара, а посебно пожара у индустриjи, коjе могу да доведу и до губитка земљишта, раскида уговора и привремене незапослености. Осигураваjуће друштво мора да се заштити од ризика коjе проузрокуjе портофлио коjи може да садржи штету коjа се, заправо, посматра више као екстремна него као просjечна. У ту сврху креираjу се уговори о реосигурању гдjе одређен проценат ризика на себе преузима реосигураваjуће друштво. Од велике jе важности зато процjена репа расподjеле коjу штета има, да би се склопио одговараjући уговор о реосигурању, као и да би се одредила одговараjућа премиjа. Осим поменуте улоге теориjе екстремних вриjедности у осигурању, велике штете су утицале и на промjену финансиjског тржишта везаног са осигурање. Област реосигурања стално доживљава пораст и по интезитету и по величини износа штета због што природних, што катастрофа изазваних од стране човjека. Финансиjска индустриjа jе из тих разлога нудила осигуране производе у пољу осигурања од катастрофа. Неки од примjера су CAT (од енгл. сatastrophe катастрофа) фjучерс уговори, опциjе и обвезнице. Илустрациjе ради, jедан од примjера оваквих вриjедносних папира су европске обвезнице коjе имаjу додатну купонску исплату коjа се исплаћуjе у случаjу да се деси неки прецизно дефинисани катастрофални догађаj. Ипак, вратићемо се сад на уговоре о реосигурању и рећи нешто више о њиховим врстама. 3

6 2.1 Уговори о реосигурању Уговори о реосигурању се склапаjу између два осигураваjућа друштва ради прерасподjеле ризика. Осигуравач дио премиjе осигурања плаћа реосигуравачу као премиjу реосигурања, а оваj се заузврат обавезуjе да ће му у случаjу настанка осигураног догађаjа надокнадити дио обавезе према осигуранику. Премда се уговор о реосигурању и уговор о осигурању односе на исти предмет осигурања, они су међусобно независни. Стога се осигураник са одштетним захтjевом не може обратити реосигуравачу, коjи му често ниjе ни познат, већ искључиво осигуравачу. Уговори о реосигурању су наjчешће подиjељени на сљедећи начин: Поjединачни уговор о реосигурању - покриће одређеног ризика, склапа се након закључивања уговора о осигурању а наjчешће су то поморски и ваздушни каско и индустриjски ризици Општи уговор о реосигурању - унаприjед се за одређени удио или портфолио осигурања склапа приjе закључивања уговора о осигурању Постоjе два начина утврђивања премиjе. Први начин jе пропорционално реосигурање. Тада реосигуравач преузима на себе унаприjед одређен постотак сваке штете коjа се деси, а добиjа таj исти постотак укупне премиjе коjу jе осигураник исплатио. Други начин jе непропорционално реосигурање гдjе jе износ реосигуравачеве обавезе одређен висином одштете коjу осигуравач треба да плати осигуранику. По томе се разликуjе од пропорционалног реосигурања код коjег као полазна основа служи осигурани ризик, односно сума осигурања. Реосигуравач плаћа своj дио тек ако штета премаши самопридржаj друштва. Даље, пропорционално осигурање може бити: Квотно (енгл. quota share reinsurance) - осигуравач предаjе реосигуравачу (или реосигуравачима) уговорени постотак (нпр. 40%) сваког ризика у одређеноj врсти осигурања. Реосигуравач са тим удjелом учествуjе у свакоj штети, као што са преузете обавезе добиjа одговараjући дио премиjе осигурања. Код оваквог начина уступања ризика не врши се никакав одабир, те се у реосигурање предаjу како мали, тако и велики ризици Ексцедентно (реосигурање вишка ризика, енгл. surplus reinsurance) покрива само оне ризике код коjих сума осигурања прелази одређену границу, тj. осигуравачев самопридржаj. Значи да реосигурање не деjствуjе тамо гдjе граница самопридржаjа ниjе прекорачена, а тамо гдjе jесте дjелуjе, али само за износ прекорачења. Реосигуравач прима износ премиjе сразмjеран количини ризика коjи носи, а све штете коjе се jављаjу плаћа у истоj размjери. Могуће су и комбинациjе ове двиjе врсте реосигурања. 4

7 Основне форме непропорционалног реосигурања су: Реосигурање вишка штета (енгл. excess of loss reinsurance) до одређене висине, односно самопридржаjа, терет штете jе на осигуравачу. Реосигурање дjелуjе тек изнад тога, када штету, по одбитку осигуравачевог диjела, преузима реосигуравач. Приликом уговарања он утврђуjе горњу границу своjе обавезе. За разлику од реосигурања вишка ризика, гдjе jе мjерен ризик, овдjе се обавеза реосигураваjућег друштва мjери искључиво полазећи од висине штете. Реосигурање вишка губитка (енгл. stop loss reinsurance) реосигуравач преузима обавезу за накнаду штете изнад уговореног износа у одређеноj врсти осигурања за извjесно временско раздобље, обично за годину дана. Осигуравач приjе тога одреди своj самопридржаj везан за jедногодишње обавезе. Реосигурање му покрива само вишак штета као збирни цjелогодишњи износ коjи прелази самопридржаj (с тим што се висина те обавезе по правилу ограничава). Наравно, осигуравач не може утврдити самопридржаj тако да сваку годину завршава повољно преваљуjући губитке на реосигуравача. Због тога се у пракси могући губици из посла обично диjеле. У уговорима о реосигурању за реосигураваjућу компаниjу значаjан jе износ одређеног броjа максималних штета са коjима се компаниjа суочила. Нека jе k фиксиран броj и N(t) укупан броj одштета. Означимо са X (1) X (2)... X (N(t)) статистике поретка формиране на основу скупа свих одштета. Jедна могућност код уговора jе да реосигураваjућа компаниjа покриjе k наjвећих одштета, односно збир X (N(t)) + X (N(t) 1) X (N(t) k+1). Друга могућност била би да реосигураваjуће друштво исплати сав вишак поjединачних одштета у односу на k-ту наjвећу одштету, тj. суму k 1 N(t) (X N(t) j+1 X N(t) k+1 ) = (X j X N(t) k+1 ). j=1 Проучавање своjстава ових збирова захтиjева примjену теориjе екстремних вриjедности, коjа се управо бави расподjелама и граничним расподjелама максимума у фамилиjи случаjних величина. j=1 5

8 3 Теориjа екстремних вриjедности Због наведених догађаjа, статистичка анализа екстремума jе кључ за многе од проблема у управљању ризиком везаних за осигурање, реосигурање и финансиjе. У наставку ћемо дискутовати и приказати важне резултате теориjе екстремних вриjедности, уз поjедностављене услове: претпоставићемо да су штете независне, jеднако расподиjељене и, наравно, увиjек позитивне случаjне величине. Нека jе X 1, X 2,... низ независних и jеднако расподиjељених случаjних величина, а M n максимум првих n, односно M n = max{x 2, X 2,..., X n }. (3.0.1) Класична теориjа екстремних вриjедности бави се расподjелом максималне статистике M n, посебно у случаjу када n. Бавићемо се само максимумом, с обзиром да минималне вриjедности нису значаjне у осигурању, а уосталом, сви резултати се могу примиjенити на минималну статистику ако посматрамо тривиjалану релациjу m n = min{x 2, X 2,..., X n } = max{ X 2, X 2,..., X n }. (3.0.2) Нека X i имаjу функциjу расподjеле F. Тада jе расподjела максималне статисике M n jеднака: P {M n x} = P {X 1 x, X 2 x,..., X n x} = = P {X 1 x} P {X 2 x}... P {X n x} = F n (x). (3.0.3) Централни резултат класичне теориjе екстремних вриjедности jе теорема о екстремалним типовима. Она прецизира могуће облике граничне расподjеле максимума у низу jеднако расподиjељених независних случаjних величина. Могуће граничне расподjеле припадаjу класи расподjела коjе имаjу своjство тзв. максималне стаблности. Показуjе се да се та класа састоjи из три фамилиjе коjе називамо расподjелама екстремних вриjедности. 6

9 У наставку ће, у првом одjељку, бити риjечи о конвергенциjи функциjа расподjела уопште, о чему говори Хинчинова теорема, а у другом о поjмовима максималне стабилности, као и области привлачења коjи имаjу велику улогу у теориjи екстремних вриjедности. Затим, у трећем одjељку долазимо до наjзначаjниjег резултата ове области статистике, односно до теореме о екстремалним типовима. С обзиром да главну улогу у поменутоj теореми имаjу три расподjеле екстремних вриjедности, у четвртом одjељку су дате неке од њихових карактеристика. У наставку су прецизирани услови за припадност свакоj од три области привлачења. На краjу ће бити риjечи о генералисаноj Паретовоj расподjели за коjу се показуjе да jе асимптотска расподjела репа расподjеле неке случаjне промjенљиве, а коjа jе од великог значаjа за моделовање екстремних штета у осигурању. 3.1 Хинчинова теорема Наредна, Хинчинова 8 теорема говори о конвергенциjи функциjа расподjела. Теорема (Хинчин). Нека jе (F n ) низ функциjа расподjеле, и G недегенерисана функциjа расподjеле. Нека су a n > 0 и b n, n N константе такве да важи lim n(a n x + b n ) = G(x). (3.1.1) Тада, за неку недегенерисану расподjелу G и константе α n > 0, β n, важи ако и само ако за неко a > 0 и b, и тада lim F n(α n x + β n ) = G (x) (3.1.2) lim a 1 n α n = a и lim a 1 n (β n b n ) = b (3.1.3) G (x) = G(ax + b). (3.1.4) Доказ. Ако означимо α n = a 1 n α n, β n = a 1 n (β n b n ) и F n(x) = F n (a n x+b n ), можемо изразе 3.1.1, и написати као lim F n(x) = G(x) (3.1.5) 8 Александр Яаковлевич Хинчин ( ), совjетски математичар 7

10 lim F n(α nx + β n) = G (x) (3.1.6) lim α n = a и lim β n = b за неке a > 0, b. (3.1.7) Ако и важе, слиjеди да важи и 3.1.6, те G (x) = G(ax + b). Тако из и слиjеде и Како претпостављамо да jе функциjа расподjеле G недегенерисана, постоjе двиjе различите тачке x и x такве да важи 0 < G (x ) < 1 и 0 < G (x ) < 1. Низ (α nx + β n) мора бити ограничен. У супротном, можемо изабрати низ (n k ) такав да jе α n k x + β n k ±, што би, с обзиром на и чињеницу да jе G функциjа расподjеле, значило да jе гранична вриjедност за F n k (α n k x + β n k ) или 0 или 1, а то jе у контрадикциjи са за x = x. Како jе (α nx +β n) ограничен низ, на сличан начин можемо добити и да jе (α nx + β n) ограничен, из чега слиjеди да су низови (α n) и (β n) оба ограничена. Дакле, постоjе константе a и b и низ циjелих броjева (n k ) такви да важи lim k α n k = a и lim k β n k = b, те, као у претходном случаjу, слиjеди да jе lim k F n k (α n k x + β n k ) = G(ax + b), (3.1.8) а одатле, како jе по 3.1.6, G(ax+b) = G (x) функциjа расподjеле, мора бити a > 0. Када би постоjао други низ циjелих броjева (m k ) за коjи важи α m k a > 0 и β m k b, имали бисмо G(a x + b ) = G (x) = G(ax + b), одакле би по посљедици важило a = a и b = b. Зато jе α n a и β n b, чиме jе доказ завршен. 8

11 3.2 М-стабилност и област привлачења У овом диjелу увешћемо значаjне поjмове када jе риjеч о теориjи екстремних вриjедности, а то су поjмови максималне стабилности и области привлачења расподjела. Дефинициjа Нека су a n > 0 и b n (n N) реални броjеви и нека за случаjну величину M n важи: { } lim P Mn b n x = G(x), (3.2.1) a n гдjе jе G недегенерисана функциjа расподjеле. Кажемо да G одређуjе граничну расподjелу линеарно нормираног максимума M n, а a n и b n су нормираjуће константе. Претходна jеднакост се своди на { } Mn b n P x = P {X 1 a n x + b n,..., X n a n x + b n } = a n = P {X 1 a n x + b n } n = F n (a n x + b n ) (3.2.2) и каже се да функциjа F припада области привлачења за максимуме функциjе расподjеле G (F D(G)). Желимо да испитамо коjа jе расподjела могућа као гранична расподjела, односно, ког облика jе функциjа расподjеле G(x). Приjе тога, уводимо поjам типа расподjеле. Дефинициjа Двиjе функциjе расподjеле G 1 и G 2 су истог типа ако важи за неке константе a > 0, b. G 2 (x) = G 1 (ax + b) Показаће се касниjе да G расподjела припада jедном од сљедећа три типа: 1. тип (Гумбелова расподjела): G 0 (x) = exp( e x ), < x < 2. тип (Фрешеова расподjела): G 1,α (x) = { 0, за x 0, exp( x α ), за x > тип (Веjбулова расподjела): G 2,α (x) = { exp( ( x) α ), за x 0, 1, за x > 0. за неко α > 0. 9

12 Дефинициjа Недегенерисана функциjа расподjеле G jе максимум стабилна (М-стабилна) ако за сваки природан броj n 2, постоjе реалне константе a n > 0 и b n такве да за сваки реалан броj x важи jеднакост G n (a n x + b n ) = G(x). Ову дефинициjу сада можемо да формулишемо и на сљедећи начин, користећи поjам типа расподjеле. Дефинициjа Недегенерисана функциjа расподjеле G jе М-стабилна ако jе за свако n 2 функциjа расподjеле G n истог типа као G. Хинчинова теорема дакле, користећи ову дефинициjу, показуjе да ако jе (F n ) низ функциjа расподjеле такав да jе lim F n(a n x + b n ) = G 1, lim F n (α n x + β n ) = G 2 (a n > 0, α n > 0), онда су G 1 и G 2 истог типа, под условом да се ради о недегенерисаним расподjелама. Функциjе расподjеле очито могу да се подиjеле у еквивалнтне класе, а те класе називамо типовима и кажемо да су G 1 и G 2 еквивалентне ако важи G 2 (x) = G 1 (ax + b) за неке a > 0, b. Ако су G 1 и G 2 истог типа (односно G 2 (x) = G 1 (ax + b)) и F D(G 1 ), тj. F n (a n x + b n ) G 1 за неке a n > 0, b n онда jе задовољено за α n = a n a, β n = b n + a n b па jе F n (α n x + β n ) G 2 по Хинчиновоj теореми, те jе F D(G 2 ). Из овога слиjеди да ако су G 1 и G 2 истог типа, онда оне имаjу и исту област привлачења, односно тада jе и D(G 1 ) = D(G 2 ). Исто тако, видимо из Хинчинове теореме да ако нека функциjа расподjеле F припада и D(G 1 ) и D(G 2 ), онда су G 1 и G 2 истог типа. Резултат ових разматрања jе сљедећи: Области привлачења D(G 1 ) и D(G 2 ) су jеднаке ако и само ако су G 1 и G 2 истог типа. Односно, област привлачења функциjе расподjеле G зависи искључиво од типа G. 10

13 Везу између класе М-стабилних функциjа расподjела и недегенерисаних расподjела коjе се поjављуjу као граничне у даjе нам сљедећа теорема. Теорема (a) Недегенерисана функциjа расподjеле G jе М-стабилна ако и само ако постоjи низ функциjа расподjела F n и константе a n > 0 и b n такве да за свако k = 1, 2,... важи lim F n(a nk x + b nk ) = G 1/k (x). (3.2.3) (б) Посебно, ако jе G недегенерисана, област привлачења D(G) ниjе празан скуп ако и само ако jе G М-стабилна расподjела. Тада, такође, важи G D(G). Тако добиjамо да се класа недегенерисаних функциjа рсподjела G коjе се поjављуjу као граничне расподjеле у (за независне, jеднако расподиjељене случаjне величине X 1, X 2,... ) подудара са класом М-стабилних функциjа расподjела. Доказ. (a) Нека важи да jе G М-стабилна и означимо F n = G n. Тада имамо G n (a n x + b n ) = G(x) за неке a n > 0 и b n, и важи F n (a nk x + b nk ) = (G nk (a nk x + b nk )) 1/k = G(x) 1/k, из чега слиjеди израз Обрнуто, нека jе G недегенерисана функциjа расподjеле, онда jе и G 1/k недегенерисана за свако k. Нека важи за свако k, Хинчинова теорема каже да jе G 1/k (x) = G(α k x + β k ) за неке α k > 0 и β k, тако да jе G М-стабилна. (б) Ако jе расподjела G М-стабилна, тада имамо G n (a n x + b n ) = G(x) за неке a n > 0 и b n, па када n, видимо да jе G D(G). Обрнуто, ако D(G) ниjе празан скуп, постоjи функциjа расподjеле F таква да важи F D(G), односно таква да jе F n (a n x + b n ) G(x). Тада важи и F nk (a nk x + b nk ) G(x), односно F n (a nk x + b nk ) G 1/k (x). Сада важи за F n = F n, па по (а) важи да jе G М-стабилна функциjа расподjеле, чиме jе доказ завршен. 11

14 Посљедица Ако jе G М-стабилна функциjа расподjеле, онда постоjе реалне функциjе a(s) > 0 и b(s) дефинисане за s > 0 тако да G s (a(s)x + b(s)) = G(x), за све x, s > 0 (3.2.4) Доказ. С обзиром да jе G М-стабилна, постоjе a n > 0, b n такви да за сваки природан броj n 2 и за сваки реалан броj x важи jеднакост а отуда и G n (a n x + b n ) = G(x), (3.2.5) lim G[ns] (a [ns] x + b [ns] ) = G(x) гдjе [ ] означава циjели дио броjа. Из претходне релациjе видимо да важи G n (a [ns] x + b [ns] ) G 1/s (x). (3.2.6) С обзиром на чињеницу да jе G 1/s недегенерисана, из и 3.2.5, и из Хинчинове теореме слиjеди да, ако jе α n = a [ns] и β n = b [ns], важи G(a(s)x + b(s)) = G 1/s (x) за неке a(s) > 0 и b(s). 12

15 3.3 Теорема о екстремалним типовима Такозване расподjеле екстремних вриjедности су три параметарске фамилиjе, коjе су познате као Гумбелова, Фрешеова и Веjбулова расподjела, чиjе смо стандардне представнике видjели у одjељку коjи говори о М-стабилним расподjелама и области привлачења. Показаћемо да jе функциjа расподjеле М-стабилна ако и само ако jе истог типа као jедна од функциjа расподjела екстремних вриjедности. Напомена: У наставку ћемо расподjеле коjе су истог типа као jедна од расподjела екстремних вриjедности такође називати расподjелама екстремних вриjедности. За потребе рада, прво ћемо приказати неке резултате везане за инверзе монотоних функциjа. Доказ наредне леме и њене посљедице може да се пронађе у [1]. Лема Нека jе ψ(x) неопадаjућа непрекидна с десна функциjа. Инверз функциjе ψ 1 дефинишемо на отвореном интервалу (inf{ψ(x)}, sup{ψ(x)}) као ψ 1 (y) = inf{x; ψ(x) y}. Тада: (a) Ако су a > 0, b и c константе, и H(x) = ψ(ax + b) c, онда важи H 1 (y) = a 1 (ψ 1 (y + c) b). (б) (в) Ако jе ψ 1 непрекидна, онда jе ψ 1 (ψ(x)) = x Ако jе G недегенерисана функциjа расподjеле, онда постоjе y 1 < y 2 такви да су G 1 (y 1 ) < G 1 (y 2 ) добро дефинисани и коначни. Посљедица Ако jе G недегенерисана функциjа расподjеле, a > 0, α > 0, b и β константе такве да важи G(ax + b) = G(αx + β) за свако x, тада jе a = α и b = β. Теорема Свака М-стабилна расподjела jе расподjела екстремних вриjедности, тj. jеднака jе G(ax + b) за a > 0 и b гдjе jе G(x) 13

16 1. тип (Гумбелова расподjела): G 0 (x) = exp( e x ), < x < ; 2. тип (Фрешеова расподjела): G 1,α (x) = { 0, за x 0, exp( x α ), за x > 0; 3. тип (Веjбулова расподjела): G 2,α (x) = { exp( ( x) α ), за x 0, 1, за x > 0, за неко α > 0. Параметар α > 0 се назива параметар облика. Обрнуто, свака расподjела екстремних вриjедности jе М-стабилна. Доказ. Jасно jе да jе свака расподjела екстремних вриjедности М-стабилна jер имамо, за нпр. расподjелу 1. типа сљедећи израз: {exp( e (ax+b) )} n = exp( e (ax+b ln n) ), а слично важи и за расподjеле 2. и 3. типа. За доказ директног смjера користимо Ханов 9 доказ (1976). Ако jе G максимално стабилна функциjа расподjеле, тада jеднакост важи за све реалне броjеве s > 0 и све x. Када jе 0 < G(x) < 1, по посљедици логаритмовањем добиjамо s ln G(a(s)x + b(s)) = ln G(x), односно, када ову jеднакост логаритмуjемо и помножимо са 1 имамо ln( ln(g(a(s)x + b(s))) ln s = ln( ln(g(x)). Из своjства М-стабилних расподjела за n = 2, види се да G не може да има скок на краjњим тачкама. Зато jе неопадаjућа функциjа ψ(x) = ln( ln G(x)) таква да важи inf{ψ(x)} =, sup{ψ(x)} = +, те ψ има инверзну функциjу U(y) дефинисану за свако y R. Даље, имамо По леми (а) важи ψ(a(s)x + b(s)) ln s = ψ(x). U(y + ln s) b(s) a(s) = U(y). Ако од овог израза одузмемо таj израз за y = 0 имамо 9 Laurens de Haan ( ) U(y + ln s) U(ln s) a(s) = U(y) U(0). 14

17 Означимо z = ln s, ã(z) = a(e z ) и Ũ(y) = U(y) U(0), тада, за све реалне броjеве y, z : Ũ(y + z) Ũ(y) = Ũ(y)ã(z) (3.3.1) Замjењуjући y и z видимо да важи Могућа су два случаjа: (a) ã(z) = 1 за свако z, гдjе из имамо Ũ(y)(1 ã(z)) = Ũ(z)(1 ã(y)) (3.3.2) Ũ(y + z) = Ũ(y) + Ũ(z). Jедина монотоно растућа функциjа коjа jе рjешење ове jедначине jе функциjа Ũ(y) = ρy, за неко ρ > 0. Тада jе U(y) U(0) = ρy односно имамо ψ 1 (y) = U(y) = Ũ(y) + U(0) = ρy + U(0). С обзиром да jе претходна функциjа непрекидна, лема (б) нам даjе x = ψ 1 (ψ(x)) = ρψ(x) + U(0), Односно ψ(x) = (x U(0))/ρ, тако да важи G(x) = exp{ e (x U(0))/ρ }, када 0 < G(x) < 1. Као што jе речено, G не може да има скок на краjњим тачкама, те она има форму изнад за свако x, односно, она jесте 1. типа (припада фамилиjи Гумбелове расподjеле). (б) ã(z) 1 за неко z, па даjе гдjе jе Ũ(y) = U(z) (1 ã(y)) = c(1 ã(y)) (3.3.3) 1 ã(z) c = Ũ(z) = Ũ(z) 1 ã(z) 0. Када би Ũ(z) било jеднако нули, то би значило да jе Ũ(y) = 0 за свако y па би U(y) = U(0) било константно. Из израза сада добиjамо c(1 ã(y + z)) c(1 ã(z)) = c(1 ã(y))ã(z), 15

18 што нам даjе ã(y + z) = ã(y)ã(z). Међутим, како jе ã монотона функциjа (3.3.3), а jединe монотоне неконстантне функциjе коjа су рjешења ове jедначине имаjу облик ã(y) = e ρy за ρ 0. Отуда и из произилази ψ 1 (y) = U(y) = U(0) + c(1 e ρy ). Како jе ln( ln G(x)) растућа функциjа, имамо да jе и U растућа, па мора бити c < 0 ако jе ρ > 0 и c > 0 ако jе ρ < 0. По леми (б) важи x = ψ 1 (ψ(x)) = U(0) + c(1 e ρψ(x) ) = U(0) + c(1 ( ln G(x)) ρ ), гдjе jе 0 < G(x) < 1, G(x) = exp { ( 1 x U(0) ) } 1/ρ. c Из непрекидности расподjеле G на било коjоj од коначних краjњих тачака, видимо да jе G или 2. или 3. типа, гдjе jе α = 1 ρ или α = 1 ρ у зависности од тога да ли jе ρ > 0 (c < 0) или ρ < 0 (c > 0) Слиjеди главни резултат ових разматрања, теорема о екстремалним типовима. Теорема (Теорема о екстремалним типовима). Нека jе M n = max{x 1, X 2,..., X n } гдjе су X i независне, jеднако расподиjељене случаjне величине са функциjом расподjеле F. Ако за неке константе a n > 0, b n важи { } lim P Mn b n x = lim F n (a n x + b n ) = G(x), (3.3.4) a n за свако x C(G), гдjе jе C(G) скуп тачака непрекидности неке недегенерисане функциjе расподjеле G, онда jе функциjа расподjеле G истог типа као нека од функциjа расподjела екстремних вриjедности. Обрнуто, свака функциjа расподjеле G коjа jе расподjела екстремних вриjедности може да се поjави као гранична вриjедност у 3.3.4, а када jе G функциjа расподjеле сваког од X i, тада jе G(x) управо гранична вриjедност из Доказ. Ако важи, из теореме слиjеди да jе G М-стабилна, па, по теореми она jе функциjа расподjеле екстремних вриjедности. Обрнуто, ако jе G функциjа расподjеле екстремних вриjедности, она jе М- стабилна на основу теореме 3.3.1, а теорема (б) показуjе да G D(G), из чега произилази дата теорема. 16

19 3.4 Расподjеле екстремних вриjедности С обзиром на резултат теореме о екстремалним типовима, тj. с обзиром на значаj расподjела екстремних вриjедности, у овом одjељку ће бити приказане основне особине те три расподjеле: Гумбелове, Фрешеове и Веjбулове Гумбелова расподjела Функциjа расподjеле: G 0 (x) = e e x, < x < ; Густинa: g 0 (x) = e x e x, < x <. График густине: Слика 1: Густина Гумбелове расподjеле Математичко очекивање и дисперзиjа: E(X) = γ, гдjе jе γ = Оjлерова константа. D(X) = π

20 3.4.2 Фрешеова расподjела са параметром α > 0 Функциjа расподjеле: G 1,α (x) = гдjе jе α > 0 параметар облика. { 0, за x 0, e x α, за x > 0; Густинa: g 1,α (x) = αx (1+α) e x α, x 0. График густине: Слика 2: Густина Фрешеове расподjеле Математичко очекивање и дисперзиjа: m r - момент r-тог реда ( m r = Γ 1 r ), α > r, α ( E(X) = Γ 1 1 ), α > 1, α ( µ 2 = D(X) = Γ 1 2 α ) Γ 2 ( 1 1 α ), α > 2. Важи E(X) = + ако jе 0 < α 1, D(X) = + ако jе 0 < α 2. 18

21 3.4.3 Веjбулова расподjела са параметром α > 0 Функциjа расподjеле: G 2,α (x) = гдjе jе α > 0 параметар облика. { e ( x)α, за x 0, 1, за x > 0, Густинa: g 2,α (x) = α( x) α 1 e ( x)α, x 0. График густине: Слика 3: Густина Веjбулове расподjеле Математичко очекивање и дисперзиjа: ( m r = ( 1) r Γ 1 + r ), r > 0 α ( E(X) = Γ ) α ( µ 2 = D(X) = Γ ) ( Γ ), α > 0 α α 19

22 3.5 Асимптотско понашање вjероватноће P {M n u n } Израз { Mn b n P a n } x можемо да напишемо као P {M n u n } гдjе jе u n = u n (x) = a n x + b n. Конвергенциjа израза се захтиjева за свако x. Значаjно jе посматрати низ (u n ), коjи не мора да зависи од параметра x, или коjи може бити и у компликованиjем облику од линеарне функциjе коjа jе разматрана изнад. Гранична расподjела максимума M n одређена jе асимптотским понашањем репа 1 F (x) при x x F гдjе jе x F = sup{t : F (t) < 1}, тj. F (x) < 1 за све x < x F и F (x) = 1 за све x x F. Наводимо два важна тврђења при проучавању асимптотског понашања максимума случаjних величина. Теорема Нека jе (X n ) низ независних случаjних величина са заjедничком функциjом рсподjеле F, M n = max{x 1,..., X n }, (u n ) низ реалних броjева и 0 τ. Тада важи lim n(1 F (u n)) = τ, (3.5.1) ако и само ако jе lim P {M n u n } = e τ. (3.5.2) Доказ. (а) Прво разматрамо случаj када jе 0 τ <. Ако важи тада jе lim n(1 F (u n)) = τ, P {M n u n } = F n (u n ) = {1 (1 F (u n ))} n { = 1 τ ( n 1 n n)} + o e τ, n. Обрнуто, ако претпоставимо да важи, тада мора бити 1 F (u n ) 0 када n. У супротном би постоjао позитиван броj δ и подниз (n k ) такав да за све n k важи неjеднакост 1 F (u nk ) δ, па би при k важило P {M nk u nk } = {1 (1 F (u nk )} n k 0, 20

23 што jе у контрадикциjи са Дакле, заиста важи 1 F (u n ) 0. На основу тога, из добиjамо да jе lim n ln{1 (1 F (u n))} = τ, n из чега, заjедно са чињеницом да jе ln(1 x) x када x 0, добиjамо а одатле слиjеди n(1 F (u n ))(1 + o(1)) τ, (б) Нека jе сада τ = + и нека важи Претпоставимо да не важи. Тада постоjи низ (n k ) природних броjева, такав да при k важи n k и n k (1 F (u nk )) τ 0 < +. На основу првог диjела доказа, важи {M nk u nk } e τ0 0, што jе у овом случаjу у контрадикциjи са 3.5.2, што потврђуjе да за τ = + из слиjеди Слично се доказуjе да слиjеди из за τ = +. Имамо сљедећу посљедицу ове теореме. Посљедица (a) M n x F ( ) са вjероватноћом 1 када n. (б) Ако важи x F < и F (x F 0) < 1 (односно ако F има скок у краjњоj десноj тачки), и ако за низ (u n ) важи P {M n u n } ρ када n, тада jе или ρ = 0 или ρ = 1. Доказ. (a) Ако jе λ < x F ( ), 1 F (λ) > 0 онда важи за u n λ, τ = па даjе lim P {M n λ} = 0. Како jе очито P {M n > x F } = 0 за свако n, слиjеди да M n x F у вjероватноћи. Како jе низ (M n ) монотон, онда он и скоро сигурно конвергира. (б) Претпоставимо сада да jе x F < и F (x F 0) < 1. Нека jе низ (u n ) такав да jе P {M n u n } ρ. Како jе 0 ρ 1, можемо користити ρ = e τ гдjе jе 0 τ, па по теореми долазимо до n(1 F (u n )) τ. Ако jе u n < x F за било коjе n, како jе тада 1 F (u n ) 1 F (X F 0) > 0, мора бити τ =. Jедина друга могућност jе да jе u n x F за све довољно велике вриjедности n, што нам даjе n(1 F (u n )) = 0 па jе τ = 0. Дакле, τ = + или τ = 0, односно важи или ρ = 0 или ρ = 1, чиме jе завршен доказ. 21

24 У сљедећем поглављу разматраћемо опште питање области привлачења екстремних расподjела користећи теорему Међутим, наjважниjу позициjу заузимаjу нормално расподиjељени низови. Зато ће прво бити приказано како теорема може директно да се примиjени на граничну расподjелу 1. типа, односно на Гумбелову расподjелу, за низ независних случаjних величина са нормалном расподjелом. У наставку ћемо функциjу расподjеле за нормално расподиjељене случаjне величине обиљежавати са Φ(x), а густину расподjеле са ϕ(x). Користиће се познато своjство репа расподjеле Φ : 1 Φ(u) ϕ(u) u када u. (3.5.3) Теорема Нека jе (X n ) низ независних jеднако расподиjељених случаjних величина са стандардном нормалном расподjелом. Тада асимптотска расподjела максимума M n = max(x 1, X 2,..., X n ) има расподjелу истог типа као Гумбелова расподjела. Тачниjе, важи lim P { Mn b n a n } x = exp( e x ), (3.5.4) гдjе jе a n = 1 2 ln n, b n = ln ln n + ln 4π 2 ln n 2. 2 ln n Доказ. Ако уведемо ознаку τ = e x, израз можемо написати као Како jе 1 Φ(u n ) ϕ(u n )/u n, имамо па jе 1 Φ(u n ) = 1 n e x. 1 e x u n lim n ϕ(u n ) = 1, lim ( ln n x + ln u n ln ϕ(u n )) = 0, односно, замjењуjући густину нормалне расподjеле ( lim ln n x + ln u n + 1 ) 2 ln(2π) + u2 n 2 22 = 0. (3.5.5)

25 Диjељењем са ln n слиjеди да u 2 n/(2 ln n) 1, па односно, lim (2 ln u n ln 2 ln ln n) = 0, ln u n = 1 (ln 2 + ln ln n) + o(1). 2 Уврштаваjући претходну jеднакост у добиjамо u 2 n 2 = x + ln n 1 2 ln(4π) 1 ln ln n + o(1), 2 { u 2 n = 2 ln n 1 + x 1 ln 4π 1 ( ln ln n o ln n ln n u n = { 2 ln n + x ln n ln 4π 1 ( ln ln n o 2 ln n ln n u n = Дакле, имамо да важи x + ln ln n + ln 4π 2 ln n 2 ln n 2 + o 2 ln n u n = a n x + b n + o )}, )}, ( ) 1. 2 ln n ( 1 ln n ) = a n x + b n + o(a n ). Како по када jе τ = e x имамо да jе P {M n u n } exp( e x ) имамо да jе oдносно lim P {M n a n x + b n + o(a n )} = exp( e x ), x { } lim P Mn b n + o(1) x = exp( e x ), x a n добиjамо да слиjеди чиме jе доказ завршен. 23

26 3.6 Област привлачења Битно jе знати коjа тачно од граничних расподjела одговара расподjели максимума датих независних, jеднако расподиjељених случаjних промjенљивих односно, потребне и довољне услове при коjима функциjа расподjеле припада одређеноj области привлачења (Фрешеове, Веjбулове или Гумбелове расподjеле). Ове резултате до коjих су дошли Фон Мизес (1936) и Гнеденко (1943) даjемо у наставку. Теорема Нека jе F апсолутно непрекидна функциjа расподjеле са густином расподjеле f. Тада су довољни услови при коjима F припада свакоj од могућих области привлачења дати испод. Област привлачења Гумбелове расподjеле: (a) f (x) < 0 за све x из неког интервала (x 0, x F ) гдjе jе x F = sup{t : F (t) < 1} +, (б) f(x) = 0 за x x F, (в) lim t xf f (t)(1 F (t)) (f(t)) 2 = 1. Област привлачења Фрешеове расподjеле: (a) f(x) > 0 за све x x 0 и (б) lim t tf(t) 1 F (t) = α > 0. Област привлачења Веjбулове расподjеле: (a) (б) f(x) > 0 за свако x из неког интервала (x 0, x F ) гдjе jе x F = sup{t : F (t) < 1} < +, f(x) = 0 за x > x F и (в) lim t xf (x F t)f(t) 1 F (t) = α > 0. Комплетан доказ за наведену теорему може да се пронађе у раду де Хан (1976), а овдjе ће бити приказан само доказ за случаj Фрешеове расподjеле, као примjер. 24

27 Доказ (случаj области привлачења Фрешеове расподjеле). Претпоставимо да jе lim t гдjе jе f(x) > 0 за x x 0. Ако jе добиjамо да за x 2 x 1 x 0 важи tf(t) 1 F (t) = α > 0 α(t) = tf(t) 1 F (t), x2 x 1 α(t) dt = ln(1 F (x 2 )) + ln(1 F (x 1 )), t па jе 1 F (x 2 ) = (1 F (x 1 ))e x 2 x 1 γ n α(t) t dt. Очито, постоjи γ n такво да jе 1 F (γ n ) = 1, и ако узмемо да jе x n 1 = γ n, x 2 = γ n x (или обрнуто у зависности од тога да ли jе x 1 или x < 1) добиjамо ( γnx ) ( α(t) x ) α(γ n s) n(1 F (γ n x)) = exp dt = exp ds, t s па како γ n, претходни израз конвергира ка e α ln x = x α када n. Дакле, за x > 0 по теореми lim P {M n γ n x} = exp( x α ). За x 0 како jе P {M n γ n x} P {M n γ n y} за y > 0 и P {M n γ n y} exp( y α ), видимо да, када y 0 важи lim P {M n γ n x} = 0. Тиме jе доказ у случаjу области привлачења Фрешеове расподjеле завршен са нормираjућим константама a n = γ n и b n = 0. Претходни доказ (за област привлачења Фрешеове расподjеле) се заснива на постоjању низа (γ n ) таквог да jе 1 F (γ n ) 1/n, па су онда нормираjуће константе a n, b n из израза P {(M n b n )/a n x} G(x) представљене преко γ n, у овом случаjу a n = γ n, b n = 0. За произвољну функциjу расподjеле F такво γ n не мора увиjек да постоjи, али ако F припада области привлачења jедне од екстремних функциjа расподjеле, онда се може наћи такво γ n. Ако lim P { Mn b n a n } x = G(x), и G(x) jе непрекидна функциjа расподjеле, онда x можемо изабрати такво да jе G(x) = e 1, па имамо lim P {M n γ n } = e

28 гдjе jе γ n = a n x + b n. По теореми тада jе 1 F (γ n ) 1/n. Сада ћемо формулисати потребне и довољне услове при коjима дата расподjела припада jедноj од три области привлачења у општем случаjу, дакле, не ради се више искључиво о апсолутно непрекидним расподjелама. Довољни услови се такође засниваjу на постоjању споменутог низа (γ n ). Теорема Потребни и довољни услови да функциjа расподjеле F припада свакоj од могуће три области привлачења су сљедећи: Област привлачења Гумбелове расподjеле: Постоjи строго позитивна функциjа g(t) таква да важи lim t x F 1 F (t + xg(t)) 1 F (t) = e x за свако реално x, гдjе jе x F = sup{t : F (t) < 1}. Област привлачења Фрешеове расподjеле: (a) (б) x F = sup{t : F (t) < 1} = + ; lim t 1 F (tx) 1 F (t) = x α за свако x > 0 гдjе jе α > 0. Област привлачења Веjбулове расподjеле: (a) (б) x F = sup{t : F (t) < 1} < + ; и lim h 0 1 F (x F xh) 1 F (x F h) = x α за свако x > 0 гдjе jе α > 0. Заправо, у случаjу када функциjа расподjеле F припада области привлачења Гумбелове расподjеле, може се показати да важи (1 F (u))du < +, а 0 функциjу g можемо одредити на сљедећи начин: g(t) = xf t (1 F (u))du 1 F (t) за t < x F. 26

29 Доказ (да су дати услови довољни). Претпоставимо да постоjи низ (γ n ) такав да важи 1 F (γ n ) 1 n односно n(1 F (γ n)) 1 (што ће бити показано на краjу овог доказа). Константе γ n се разликуjу за сваки од три типа области привлачења. За довољно велико n важи, очито, γ n x F и γ n < x F. Област привлачења Фрешеове расподjеле: Због jедноставности, прво доказуjемо теорему у случаjу области привлачења Фрешеове расподjеле. Ако F задовољава написане услове, означићемо t са γ n, па за свако x > 0 имамо n(1 F (γ n x)) n(1 F (γ n ))x α x α, при n. По теореми из сљедећег израза за x > 0 важи lim P {M n γ n x} = exp{ x α }. Како jе γ n > 0 за довољно велико n и десна страна претходног израза тежи 0 када x 0, слиjеди да jе P {M n 0} 0, а за x < 0 да jе P {M n γ n x} P {M n 0} 0. Дакле, имамо P {M n γ n x} G(x), гдjе jе G функциjа расподjеле другог типа из теореме Ово може да се изложи и као { } Mn b n P x G(x), (3.6.1) a n гдjе jе a n = γ n и b n = 0, из чега слиjеди да функциjа расподjеле F припада области привлачења Фрешеове расподjеле. Област привлачења Веjбулове расподjеле: Претпоставимо да важе услови за Веjбулову расподjелу из теореме. Ако узмемо да jе h n = x F γ n, што тежи нули, имамо за свако x > 0 сљедећу jеднакост lim n(1 F {x F x(x F γ n )}) = x α. Из те jеднакости, ако замиjенимо x са x, за x < 0 добиjа се lim n(1 F {x F + x(x F γ n )}) = ( x) α. По теореми добиjамо да сада функциjа расподjеле F припада области привлачења Веjбулове расподjеле ако за константе из узмемо a n = x F γ n и b n = x F. 27

30 Област привлачења Гумбелове расподjеле: Када функциjа расподjеле F задовољава одговараjуће критериjуме из теореме, имамо да за свако x важи, ако користимо t = γ n x F ( ), сљедеће lim n(1 F {γ n + xg(γ n )}) = e x, а из чега (такође по теореми 3.5.1) добиjамо да дата функциjа расподjеле припада области привлачења Гумбелове расподjеле ако за константе узмемо a n = g(γ n ) и b n = γ n. Сада коначно доказуjемо да неопадаjући низ (γ n ) коjи задовољава jеднакост lim n(1 F (γ n )) = 1 постоjи. За γ n можемо узети било коjи неопадаjући низ такав да важи F (γ n 0) 1 1 n F (γ n) (као што jе нпр. низ γ n = F 1 (1 1/n) = inf{x F (x) 1 1/n})). За такав низ имамо n(1 F (γ n )) 1 из чега тривиjално слиjеди и lim sup n(1 F (γ n )) 1. Преостаjе jош да се покаже да у сваком случаjу важи lim inf n(1 F (γ n)) 1. Како имамо n(1 F (γ n 0)) 1, довољно ће бити да покажемо да важи неjеднакост lim inf 1 F (γ n ) 1 F (γ n 0) 1. (3.6.2) Поново ћемо почети од случаjа за област привлачења Фрешеове расподjеле. Ако функциjа расподjеле F задовољава одговараjуће услове, лиjева страна неjеднакости ниjе мања од lim inf 1 F (γ n ) 1 F (γ n x) = xα, за било коjе x < 1, из чега слиjеди ако пустимо да x 1. Слично се доказуjе и случаj када функциjа расподjеле F задовољава услове за област привлачења Веjбулове расподjеле. Лиjева страна израза за x > 1 и h n = x F γ n не може бити мања од lim inf 1 F (x F h n ) 1 F (x F xh n ) = x α, што, када x 1, такође тежи ка 1, из чега слиjеди Коначно, када функциjа расподjеле F задовољава услове за област привлачења Гумбелове расподjеле, лиjева страна израза за x < 0 не може бити мања од lim inf 1 F (γ n ) 1 F (γ n + xg(γ n )) = ex, што тежи 1 када x 0. Дакле, имамо да важи и у овом случаjу. 28

31 Сумираћемо сада резултате до коjих смо дошли у доказу претходне теореме у наредноj посљедици. Посљедица Константе a n и b n у конвергенциjи { } lim P Mn b n x = G(x) a n могу, у зависности од 3 могућа типа граничних расподjела, да се изаберу на сљедећи начин: 1. тип (Гумбелова расподjела): a n = g(γ n ) и b n = γ n ; 2. тип (Фрешеова расподjела): a n = γ n и b n = 0; 3. тип (Веjбулова расподjела): a n = x F γ n и b n = x F, гдjе jе ( γ n = F ) { = inf x F (x) 1 1 }. n n Доказ. Погледати доказ теореме

32 3.7 Генералисане Паретове расподjеле Основа теориjе екстремних вриjедности jе теорема о екстремалним типовима. Међутим, постоjи jош jедна значаjна теорема, коjу називаjу и другом теоремом о екстремалним типовима, а тиче се тзв. генералисане Паретове расподjеле. Наредни резултати описуjу понашање вриjедности коjе су веће од одређеног прага u, односно понашање репа расподjеле неке случаjне промjенљиве, а они се и наjчешће користе при моделовању одштета у осигурању. Даjу нам одговор на питање: ако су вриjедности екстремне, колико екстремне би могле бити? Расподjела до коjе се долази у овим резултатима jе управо генералисана Паретова расподjела. Из датог узорка екстремне вриjедности се могу издвоjити на више начина, од коjих jе наjчешћи метод прекорачења датог прага (енгл. peaks-over-threshold method). Нека jе дат случаjан узорак (X 1, X 2,..., X N ), гдjе су X 1, X 2,..., X N независне случаjне величине са истом функциjом расподjеле F и нека jе одређен праг u. Прекорачења прага су сљедеће вриjедности веће од u (коjих има одређен броj n) Y 1 = X 1 u, Y 2 = X 2 u,..., Y n = X n u. Броj прекорачења N u jе случаjна величина дефинисана као N u = i N I{X i > u}. N u има биномну расподjелу са параметрима n и p, гдjе jе p = 1 F (u). Средња вриjедност броjа прекорачења датог прага u jе онда E(N u ) = n(1 F (u)). Нека jе X случаjна величина са функциjом расподjеле F. Прекорачења се поjављуjу под условом да jе вриjедност случаjне величине X већа од прага u, па jе функциjа расподjеле прекорачења прага F u jеднака: F u(x u) = P {X x X > u} = P {X x, X > u} P {X > u} = F (x) F (u), (3.7.1) 1 F (u) за x u, или F u (x) = P {X x + u X > u} = F (x + u) F (u), 1 F (u) за x 0. 30

33 Математичко очекивање величине прекорачења датог прага u, функциjу расподjеле F, назива се средње прекорачење: за дату E F (u) = E(X u X > u). Испоставља се да су све могуће непрекидне функциjе расподjеле коjе се могу поjавити као граничне расподjеле прекорачења прага u када u тежи десном краjу носача расподjеле F, истог типа као jедна од наредних функциjа расподjеле. Експоненциjална расподjела: { 0, за x 0, W 0 (x) = 1 e x, за x > 0. Паретова расподjела с параметром α: { 0, за x 0, W 1,α (x) = 1 x α, за x > 0. Бета расподjела с параметром α: 0, за x 0, W 2,α (x) = 1 ( x) α,, за 1 x 0, 1, за x > 0. Ове три расподjеле се називаjу генералисане Паретове расподjеле. Ако се уведе смjена γ = 1 код Паретове расподjеле и γ = 1 код бета расподjеле добиjе се α α jединствен, неприкадан модел F γ (x), при чему важи Тада jе: Експоненциjална расподjела: Паретова расподjела с параметром γ: lim W γ(x) = W 0 (x). γ 0 W 0 (x) = 1 e x, γ = 0, x 0. W 1,γ (x) = 1 (1 + γx) 1 γ, x 0, γ > 0. Бета расподjела с параметром γ: [ W 2,γ = 1 (1 + γx) 1 γ, x 0, 1 ], γ < 0. γ 31

34 Очита jе веза између расподjела екстремних вриjедности и генералисаних Паретових расподjела: W 0 (x) = 1 + ln G 0 (x), у случаjу када jе ln G 0 (x) > 1 W 1,α (x) = 1 + ln G 1,α (x), у случаjу када jе ln G 1,α (x) > 1 W 2,α (x) = 1 + ln G 2,α (x), у случаjу када jе ln G 2,α (x) > 1. Генералисана Парето расподjела jе у литератури наjчешће представљена као двопараметарска расподjела чиjа jе функциjа расподjеле: ( ) γ W γ,β (x) = x γ, за γ 0, β 1 e x β, за γ = 0, гдjе jе β > 0 параметар скалирања, а носач jе x 0 за параметар облика γ 0 и 0 x β/γ за γ < 0. Дакле, тзв. друга теорема о екстремалним типовима, до коjе су дошли Пикандс (1975), Балкема и де Хан 10 (1974) нам управо говори да су све непрекидне расподjеле коjе се могу поjавити као граничне расподjеле прекорачења прага u истог типа као генералисана Паретова расподjела: Теорема (Пикандс-Балкема-де Хан теорема). Нека jе (X 1, X 2,..., X 3 ) низ независних случаjних промjенљивих са функциjом расподjеле F и нека jе F u њена функциjа расподjеле прекорачења прага u. Тада важи: гдjе jе W γ,β (x) генералисана Паретова расподjела. lim F u(x) = W γ,β (x), (3.7.2) u Након изабраног прага u процjењуjу се γ и β наjчешће преко метода максималне вjеродостоjности, док jе сами избор прага прекорачења u компромис између избора прага довољно високог да се теорема може сматрати валидном, а довољно ниског да имамо довољно материjала за процjену потребих параметара. Да би се проциjенио реп расподjеле користимо и за x u имамо F (x) = (1 F (u))f u(x u) + F (u). Сада, по теореми знамо да можемо да проциjенимо F u(x u) са W γ,β (x u) за велико u. F (u) можемо проциjенити из података помоћу F n (u), емпириjске функциjе расподjеле у тачки u. То значи да за x u можемо да користимо сљедећу процjену репа F (x) = (1 F n (u))w γ,β (x) + F n (u). 10 Laurens de Haan ( ) - холандски економиста 32

35 4 Примjери У овом поглављу ће бити приказано неколико примjера разних расподjела коjе припадаjу jедноj од три области привлачења екстремних расподjела. Као и раниjе, константе a n и b n су константе из израза lim P n + { Mn b n a n } x = G(x). (4.0.3) Затим ће методологиjа из седмог одjељка претходне главе бити примиjењена (мада би потпуна анализа била далеко опширниjа) на реалне податке - одштетне захтjеве у области осигурања од пожара. 4.1 Област привлачења Гумбелове расподjеле Примjер (Гумбелова расподjела). Већ jе речено да свака расподjела екстремног типа и сама припада своjоj области привлачења. Дакле, када jе риjеч о Гумбеловоj расподjели имамо F (x) = e e x, F n (x) = e e x+ln n, F n (x + ln n) = F (x). Тако jе задовољено за коефициjенте a n = 1 и b n = ln n. Примjер (Нормална расподjела). У теореми видjели смо да нормална расподjела припада области привлачења Гумбелове расподjеле са константама a n и b n 1 a n =, 2 ln n b n = ln ln n + ln 4π 2 ln n 2. 2 ln n Примjер (Експоненциjална расподjела). Нека x ε(1), односно, x има функциjу расподjеле F (x) = 1 e x. Када jе τ из теореме позитиван броj, можемо да изаберемо u n такво да jе 1 F (u n ) = τ/n тако што ћемо изабрати u n = ln τ n = ln τ + ln n, 33

36 па важи (по теореми 3.5.1) lim P {M n ln τ + ln n} = e τ. Означаваjући τ = e x долазимо до за a n = 1, b n = ln n и G(x) = e e x. Када jе риjеч о експоненциjалноj расподjели са параметром λ добиjамо да су нормираjуће константе a n = 1 λ и b n = 1 ln n. λ 4.2 Област привлачења Фрешеове расподjеле Примjер (Фрешеова расподjела). Наравно, и Фрешеова расподjела припада своjоj области привлачења (теорема 3.2.1). С обзиром да важи F n (n 1 α x) = F (x) долазимо до нормираjућих константи a n = n 1 α и b n = 0. Примjер (Паретова расподjела). Нека jе Тада jе F (x) = 1 kx α, гдjе jе α > 0, k > 0, x k 1 α, и F (x) = 0 за x < k 1 α. 1 F (tx) lim 1 F (t) = x α, те, на основу теореме закључуjемо да Паретова расподjела припада Фрешеовоj области привлачења. Тада имамо { ( ) } 1 kn lim P α M n = e τ. τ Ако ставимо τ = x α за x 0, добиjамо lim P { Mn (kn) 1/α x } = e x α, односно, нормираjуће константе су дате са a n = (kn) 1 α и b n = 0. 34

37 Примjер (Кошиjева расподjела). Нека jе Тада важи F (x) = arctg x. π 1 1 F (tx) lim t 1 F (t) = lim 1 arctg(tx) 2 π t 1 1 arctg t 2 π π lim arctg(tx) 2 t π arctg t = 1 x. 2 Када уведемо смjену arctg t = π/2 s имамо t = tg(π/2 s) = ctg s, па jе lim t ( π ) 2 arctg t t = lim s ctg s = 1, и s 0 ( π ) 2 arctg(tx) t = 1. lim t Зато, по теореми 3.6.2, добиjамо да Кошиjева расподjела заиста припада области привлачења Фрешеове расподjеле. Нормираjуће константе су a n и b n = 0 при чему a n одређуjемо из услова Односно, a n = tg( π 2 π n ) = ctg π n. 1 F (a n ) = π arctg a n = 1 n. 4.3 Област привлачења Веjбулове расподjеле Примjер (Веjбулова расподjела). Као и у претходна два случаjа, и Веjбулова расподjела припада своjоj области привлачења. За сваки природан броj n и за сваки реалан броj x важи F n (n 1 α x) = F (x) па су нормираjуће константе дате са a n = n 1 α и bn = 0. Примjер (Равномjерна расподjела на интервалу (0, l)). Нека jе функциjа расподjеле дата са F (x) = x за 0 x l, l > 0, l и F (x) = 0 за x < 0, F (x) = 1 за x > l. Тада, за свако x > 0 важи 1 F (x F tx) lim t 0 1 F (x F t) = lim 1 F (l tx)/l t 0 1 F (l t)/l = x, из чега закључуjемо да равномjерна расподjела заиста припада области привлачења Веjбулове расподjеле. 35

38 4.4 Осигурање од пожара Примjер У статистичком програму R, постоjи база података danish коjа обухвата дневне износе штета насталих усљед пожара у Данскоj у периоду од jануара до децембра године. Величина узорка jе Износи су мjерени у милионима Данских круна (тада jе однос валута био DKK = ,74 EUR). Примиjенићемо теориjу екстремних вриjедности на ове податке. Односно, користећи историjске податке о штетама, предвиђамо величину будућих штета, уз претпоставку да су штете независне случаjне величине са истом расподjелом. Слика 4: Подаци о штетама - danish Слика 5: Хистограм логаритмованих података о штетама 36

39 На слици 4 имамо приказ висина штета, гдjе видимо да се поjављивало неколико екстрема и приближно вриjеме тих догађаjа, док на слици 5 имамо хистограм логаритмованих података гдjе можемо да примиjетимо да подаци имаjу тешки десни реп. Ако желимо да моделуjемо стохастичко понашање максимума ових штета, користимо основне расподjеле екстремних вриjедности (Фрешеову, Гумбелову или Веjбулову), а ако желимо да моделуjемо штете коjе имаjу услов прекорачења високих вриjедности (што ће у овом примjеру и бити урађено), користимо генералисану Паретову расподjелу. Просjечан износ штете jе 3,38 милиона Данских круна. За процjену расподjеле екстрема кориштен jе пакет extremes. Приjе свега, потребно jе изабрати одговараjући праг u, а слика 6 нам може помоћи у томе. На горњоj слици су приказане вриjедности параметра скалирања β у зависности од прага, а на доњоj вриjедности параметра облика γ, оба параметра са 95% интервалом повjерења. Потребно jе изабрати праг такав да су вриjедности параметара стабилне, а да остане довољно података, односно вриjедности изнад прага. Слика 6: Оцjена параметара генералисане Паретове расподjеле у зависности од прага Већ за вриjедности изнад 10 интервали повjерења се повећаваjу, тако да ћемо изабрати u = 10, односно штету у износу од ,4 евра. Постоjи N u = 109 штета (од њих 2157) коjе су веће од изабраног прага, што jесте оптималан броj података. 37

Tестирање хипотеза. 5.час. 30. март Боjана Тодић Статистички софтвер март / 10

Tестирање хипотеза. 5.час. 30. март Боjана Тодић Статистички софтвер март / 10 Tестирање хипотеза 5.час 30. март 2016. Боjана Тодић Статистички софтвер 2 30. март 2016. 1 / 10 Монте Карло тест Монте Карло методе су методе код коjих се употребљаваjу низови случаjних броjева за извршење

Διαβάστε περισσότερα

1.2. Сличност троуглова

1.2. Сличност троуглова математик за VIII разред основне школе.2. Сличност троуглова Учили смо и дефиницију подударности два троугла, као и четири правила (теореме) о подударности троуглова. На сличан начин наводимо (без доказа)

Διαβάστε περισσότερα

Решења задатака са првог колоквиjума из Математике 1Б II група задатака

Решења задатака са првог колоквиjума из Математике 1Б II група задатака Решења задатака са првог колоквиjума из Математике Б II група задатака Пре самих решења, само да напоменем да су решења детаљно исписана у нади да ће помоћи студентима у даљоj припреми испита, као и да

Διαβάστε περισσότερα

налазе се у диелектрику, релативне диелектричне константе ε r = 2, на међусобном растојању 2 a ( a =1cm

налазе се у диелектрику, релативне диелектричне константе ε r = 2, на међусобном растојању 2 a ( a =1cm 1 Два тачкаста наелектрисања 1 400 p и 100p налазе се у диелектрику релативне диелектричне константе ε на међусобном растојању ( 1cm ) као на слици 1 Одредити силу на наелектрисање 3 100p када се оно нађе:

Διαβάστε περισσότερα

г) страница aa и пречник 2RR описаног круга правилног шестоугла јесте рац. бр. јесу самерљиве

г) страница aa и пречник 2RR описаног круга правилног шестоугла јесте рац. бр. јесу самерљиве в) дијагонала dd и страница aa квадрата dd = aa aa dd = aa aa = није рац. бр. нису самерљиве г) страница aa и пречник RR описаног круга правилног шестоугла RR = aa aa RR = aa aa = 1 јесте рац. бр. јесу

Διαβάστε περισσότερα

6.2. Симетрала дужи. Примена

6.2. Симетрала дужи. Примена 6.2. Симетрала дужи. Примена Дата је дуж АВ (слика 22). Тачка О је средиште дужи АВ, а права је нормална на праву АВ(p) и садржи тачку О. p Слика 22. Права назива се симетрала дужи. Симетрала дужи је права

Διαβάστε περισσότερα

ГЕОМЕТРИJСКА СВОJСТВА АНАЛИТИЧКИХ ФУНКЦИJА

ГЕОМЕТРИJСКА СВОJСТВА АНАЛИТИЧКИХ ФУНКЦИJА УНИВЕРЗИТЕТ У БЕОГРАДУ МАТЕМАТИЧКИ ФАКУЛТЕТ МАСТЕР РАД ГЕОМЕТРИJСКА СВОJСТВА АНАЛИТИЧКИХ ФУНКЦИJА Аутор Бобан Карапетровић Ментор проф. Миодраг Матељевић Jул, 04. Садржаj Увод Ознаке Schwarz-ова лема на

Διαβάστε περισσότερα

Монте Карло Интеграциjа

Монте Карло Интеграциjа Монте Карло Интеграциjа 4.час 22. март 2016. Боjана Тодић Статистички софтвер 2 22. март 2016. 1 / 22 Монте Карло методе Oве нумеричке методе код коjих се употребљаваjу низови случаjних броjева за извршење

Διαβάστε περισσότερα

2.3. Решавање линеарних једначина с једном непознатом

2.3. Решавање линеарних једначина с једном непознатом . Решимо једначину 5. ( * ) + 5 + Провера: + 5 + 0 5 + 5 +. + 0. Број је решење дате једначине... Реши једначину: ) +,5 ) + ) - ) - -.. Да ли су следеће једначине еквивалентне? Провери решавањем. ) - 0

Διαβάστε περισσότερα

1 Неодрђеност и информациjа

1 Неодрђеност и информациjа Теориjа информациjе НЕОДРЂЕНОСТ И ИНФОРМАЦИJА Неодрђеност и информациjа. Баца се фер новичић до прве поjаве писма. Нека jе X случаjна величина коjа представља броj потребних бацања. Наћи неодређеност случаjне

Διαβάστε περισσότερα

7. ЈЕДНОСТАВНИЈЕ КВАДРАТНЕ ДИОФАНТОВE ЈЕДНАЧИНЕ

7. ЈЕДНОСТАВНИЈЕ КВАДРАТНЕ ДИОФАНТОВE ЈЕДНАЧИНЕ 7. ЈЕДНОСТАВНИЈЕ КВАДРАТНЕ ДИОФАНТОВE ЈЕДНАЧИНЕ 7.1. ДИОФАНТОВА ЈЕДНАЧИНА ху = n (n N) Диофантова једначина ху = n (n N) има увек решења у скупу природних (а и целих) бројева и њено решавање није проблем,

Διαβάστε περισσότερα

Конструкциjе Адамарових матрица

Конструкциjе Адамарових матрица Математички факултет Универзитета у Београду Конструкциjе Адамарових матрица Мастер pад Сенад Ибраимоски Чланови комисиjе: проф. др. Миодраг Живковић - ментор проф. др. Предраг Jаничић проф. др. Филип

Διαβάστε περισσότερα

предмет МЕХАНИКА 1 Студијски програми ИНДУСТРИЈСКО ИНЖЕЊЕРСТВО ДРУМСКИ САОБРАЋАЈ II ПРЕДАВАЊЕ УСЛОВИ РАВНОТЕЖЕ СИСТЕМА СУЧЕЉНИХ СИЛА

предмет МЕХАНИКА 1 Студијски програми ИНДУСТРИЈСКО ИНЖЕЊЕРСТВО ДРУМСКИ САОБРАЋАЈ II ПРЕДАВАЊЕ УСЛОВИ РАВНОТЕЖЕ СИСТЕМА СУЧЕЉНИХ СИЛА Висока техничка школа струковних студија у Нишу предмет МЕХАНИКА 1 Студијски програми ИНДУСТРИЈСКО ИНЖЕЊЕРСТВО ДРУМСКИ САОБРАЋАЈ II ПРЕДАВАЊЕ УСЛОВИ РАВНОТЕЖЕ СИСТЕМА СУЧЕЉНИХ СИЛА Садржај предавања: Систем

Διαβάστε περισσότερα

КРУГ. У свом делу Мерење круга, Архимед је први у историји математике одрeдио приближну вред ност броја π а тиме и дужину кружнице.

КРУГ. У свом делу Мерење круга, Архимед је први у историји математике одрeдио приближну вред ност броја π а тиме и дужину кружнице. КРУГ У свом делу Мерење круга, Архимед је први у историји математике одрeдио приближну вред ност броја π а тиме и дужину кружнице. Архимед (287-212 г.п.н.е.) 6.1. Централни и периферијски угао круга Круг

Διαβάστε περισσότερα

СИСТЕМ ЛИНЕАРНИХ ЈЕДНАЧИНА С ДВЕ НЕПОЗНАТЕ

СИСТЕМ ЛИНЕАРНИХ ЈЕДНАЧИНА С ДВЕ НЕПОЗНАТЕ СИСТЕМ ЛИНЕАРНИХ ЈЕДНАЧИНА С ДВЕ НЕПОЗНАТЕ 8.. Линеарна једначина с две непознате Упознали смо појам линеарног израза са једном непознатом. Изрази x + 4; (x 4) + 5; x; су линеарни изрази. Слично, линеарни

Διαβάστε περισσότερα

Положај сваке тачке кружне плоче је одређен са поларним координатама r и ϕ.

Положај сваке тачке кружне плоче је одређен са поларним координатама r и ϕ. VI Савијање кружних плоча Положај сваке тачке кружне плоче је одређен са поларним координатама и ϕ слика 61 Диференцијална једначина савијања кружне плоче је: ( ϕ) 1 1 w 1 w 1 w Z, + + + + ϕ ϕ K Пресечне

Διαβάστε περισσότερα

b) Израз за угиб дате плоче, ако се користи само први члан реда усвојеног решења, је:

b) Израз за угиб дате плоче, ако се користи само први члан реда усвојеног решења, је: Пример 1. III Савијање правоугаоних плоча За правоугаону плочу, приказану на слици, одредити: a) израз за угиб, b) вредност угиба и пресечних сила у тачки 1 ако се користи само први члан реда усвојеног

Διαβάστε περισσότερα

Логистичка регресиjа

Логистичка регресиjа Логистичка регресиjа 4.час 22. март 2016. Боjана Тодић Статистички софтвер 4 22. март 2016. 1 / 26 Логистичка расподела Логистичка расподела jе непрекидна расподела вероватноће таква да jе њена функциjа

Διαβάστε περισσότερα

Теорија електричних кола

Теорија електричних кола др Милка Потребић, ванредни професор, Теорија електричних кола, вежбе, Универзитет у Београду Електротехнички факултет, 7. Теорија електричних кола i i i Милка Потребић др Милка Потребић, ванредни професор,

Διαβάστε περισσότερα

ЛИНЕАРНА ФУНКЦИЈА. k, k 0), осна и централна симетрија и сл. 2, x 0. У претходном примеру неке функције су линеарне а неке то нису.

ЛИНЕАРНА ФУНКЦИЈА. k, k 0), осна и централна симетрија и сл. 2, x 0. У претходном примеру неке функције су линеарне а неке то нису. ЛИНЕАРНА ФУНКЦИЈА 5.. Функција = a + b Функционалне зависности су веома значајне и са њиховим применама често се сусрећемо. Тако, већ су нам познате директна и обрнута пропорционалност ( = k; = k, k ),

Διαβάστε περισσότερα

МАСТЕР РАД УНИВЕРЗИТЕТ У БЕОГРАДУ МАТЕМАТИЧКИ ФАКУЛТЕТ. Тема: ГОРЊА И ДОЊА ГРАНИЧНА ВРЕДНОСТ НИЗА И НИЗА СКУПОВА И ЊИХОВЕ ПРИМЕНЕ У РЕЛНОЈ АНАЛИЗИ

МАСТЕР РАД УНИВЕРЗИТЕТ У БЕОГРАДУ МАТЕМАТИЧКИ ФАКУЛТЕТ. Тема: ГОРЊА И ДОЊА ГРАНИЧНА ВРЕДНОСТ НИЗА И НИЗА СКУПОВА И ЊИХОВЕ ПРИМЕНЕ У РЕЛНОЈ АНАЛИЗИ УНИВЕРЗИТЕТ У БЕОГРАДУ МАТЕМАТИЧКИ ФАКУЛТЕТ МАСТЕР РАД Тема: ГОРЊА И ДОЊА ГРАНИЧНА ВРЕДНОСТ НИЗА И НИЗА СКУПОВА И ЊИХОВЕ ПРИМЕНЕ У РЕЛНОЈ АНАЛИЗИ МЕНТОР: КАНДИДАТ: Проф. др Драгољуб Кечкић Милинко Миловић

Διαβάστε περισσότερα

6.1. Осна симетрија у равни. Симетричност двеју фигура у односу на праву. Осна симетрија фигуре

6.1. Осна симетрија у равни. Симетричност двеју фигура у односу на праву. Осна симетрија фигуре 0 6.. Осна симетрија у равни. Симетричност двеју фигура у односу на праву. Осна симетрија фигуре У обичном говору се често каже да су неки предмети симетрични. Примери таквих објеката, предмета, геометријских

Διαβάστε περισσότερα

Нестандардна анализа као почетна настава анализе

Нестандардна анализа као почетна настава анализе Математички факултет Универзитет у Београду Нестандардна анализа као почетна настава анализе Мастер рад Ментор: др Небоjша Икодиновић Студент: Лазар Коковић Београд, 2016. Садржаj 1 Мотивациjа 2 2 Основи

Διαβάστε περισσότερα

Параметарски и непараметарски тестови

Параметарски и непараметарски тестови Параметарски и непараметарски тестови 6.час 12. април 2016. Боjана Тодић Статистички софтвер 4 12. април 2016. 1 / 25 Поступци коjима се применом статистичких метода утврђуjе да ли се, на основу узорка

Διαβάστε περισσότερα

2. Наставни колоквијум Задаци за вежбање ОЈЛЕРОВА МЕТОДА

2. Наставни колоквијум Задаци за вежбање ОЈЛЕРОВА МЕТОДА . колоквијум. Наставни колоквијум Задаци за вежбање У свим задацима се приликом рачунања добија само по једна вредност. Одступање појединачне вредности од тачне вредности је апсолутна грешка. Вредност

Διαβάστε περισσότερα

Аксиоме припадања. Никола Томовић 152/2011

Аксиоме припадања. Никола Томовић 152/2011 Аксиоме припадања Никола Томовић 152/2011 Павле Васић 104/2011 1 Шта је тачка? Шта је права? Шта је раван? Да бисмо се бавили геометријом (и не само геометријом), морамо увести основне појмове и полазна

Διαβάστε περισσότερα

Упутство за избор домаћих задатака

Упутство за избор домаћих задатака Упутство за избор домаћих задатака Студент од изабраних задатака области Математике 2: Комбинаторика, Вероватноћа и статистика бира по 20 задатака. Студент може бирати задатке помоћу програмског пакета

Διαβάστε περισσότερα

Први корак у дефинисању случајне променљиве је. дефинисање и исписивање свих могућих eлементарних догађаја.

Први корак у дефинисању случајне променљиве је. дефинисање и исписивање свих могућих eлементарних догађаја. СЛУЧАЈНА ПРОМЕНЉИВА Једнодимензионална случајна променљива X је пресликавање у коме се сваки елементарни догађај из простора елементарних догађаја S пресликава у вредност са бројне праве Први корак у дефинисању

Διαβάστε περισσότερα

5.2. Имплицитни облик линеарне функције

5.2. Имплицитни облик линеарне функције математикa за VIII разред основне школе 0 Слика 6 8. Нацртај график функције: ) =- ; ) =,5; 3) = 0. 9. Нацртај график функције и испитај њен знак: ) = - ; ) = 0,5 + ; 3) =-- ; ) = + 0,75; 5) = 0,5 +. 0.

Διαβάστε περισσότερα

Вектори vs. скалари. Векторске величине се описују интензитетом и правцем. Примери: Померај, брзина, убрзање, сила.

Вектори vs. скалари. Векторске величине се описују интензитетом и правцем. Примери: Померај, брзина, убрзање, сила. Вектори 1 Вектори vs. скалари Векторске величине се описују интензитетом и правцем Примери: Померај, брзина, убрзање, сила. Скаларне величине су комплетно описане само интензитетом Примери: Температура,

Διαβάστε περισσότερα

7.3. Површина правилне пирамиде. Површина правилне четворостране пирамиде

7.3. Површина правилне пирамиде. Површина правилне четворостране пирамиде математик за VIII разред основне школе 4. Прво наћи дужину апотеме. Како је = 17 cm то је тражена површина P = 18+ 4^cm = ^4+ cm. 14. Основа четворостране пирамиде је ромб чије су дијагонале d 1 = 16 cm,

Διαβάστε περισσότερα

Нелинеарни регресиони модели и линеаризациjа

Нелинеарни регресиони модели и линеаризациjа Нелинеарни регресиони модели и линеаризациjа 3.час 15. март 2016. Боjана Тодић Статистички софтвер 4 15. март 2016. 1 / 23 Регресионa анализа Регресиона анализа jе скуп статистичких метода коjима се открива

Διαβάστε περισσότερα

АНАЛИТИЧКА ГЕОМЕТРИJА. Владица Андреjић ( ) УНИВЕРЗИТЕТ У БЕОГРАДУ МАТЕМАТИЧКИ ФАКУЛТЕТ БЕОГРАД 2015.

АНАЛИТИЧКА ГЕОМЕТРИJА. Владица Андреjић ( ) УНИВЕРЗИТЕТ У БЕОГРАДУ МАТЕМАТИЧКИ ФАКУЛТЕТ БЕОГРАД 2015. АНАЛИТИЧКА ГЕОМЕТРИJА Владица Андреjић (01-03-2015) УНИВЕРЗИТЕТ У БЕОГРАДУ МАТЕМАТИЧКИ ФАКУЛТЕТ БЕОГРАД 2015. Глава 1 Вектори у геометриjи 1.1 Увођење вектора Поjам вектора у еуклидскоj геометриjи можемо

Διαβάστε περισσότερα

ОБЛАСТИ: 1) Тачка 2) Права 3) Криве другог реда

ОБЛАСТИ: 1) Тачка 2) Права 3) Криве другог реда ОБЛАСТИ: ) Тачка ) Права Jov@soft - Март 0. ) Тачка Тачка је дефинисана (одређена) у Декартовом координатном систему са своје две коодринате. Примери: М(5, ) или М(-, 7) или М(,; -5) Jov@soft - Март 0.

Διαβάστε περισσότερα

ВИСОКА ТЕХНИЧКА ШКОЛА СТРУКОВНИХ СТУДИЈА У НИШУ

ВИСОКА ТЕХНИЧКА ШКОЛА СТРУКОВНИХ СТУДИЈА У НИШУ ВИСОКА ТЕХНИЧКА ШКОЛА СТРУКОВНИХ СТУДИЈА У НИШУ предмет: ОСНОВИ МЕХАНИКЕ студијски програм: ЗАШТИТА ЖИВОТНЕ СРЕДИНЕ И ПРОСТОРНО ПЛАНИРАЊЕ ПРЕДАВАЊЕ БРОЈ 2. Садржај предавања: Систем сучељних сила у равни

Διαβάστε περισσότερα

2. EЛЕМЕНТАРНЕ ДИОФАНТОВЕ ЈЕДНАЧИНЕ

2. EЛЕМЕНТАРНЕ ДИОФАНТОВЕ ЈЕДНАЧИНЕ 2. EЛЕМЕНТАРНЕ ДИОФАНТОВЕ ЈЕДНАЧИНЕ 2.1. МАТЕМАТИЧКИ РЕБУСИ Најједноставније Диофантове једначине су математички ребуси. Метод разликовања случајева код ових проблема се показује плодоносним, јер је раздвајање

Διαβάστε περισσότερα

Република Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА МАТЕМАТИКА ТЕСТ

Република Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА МАТЕМАТИКА ТЕСТ Република Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА МАТЕМАТИКА ТЕСТ УПУТСТВО ЗА ОЦЕЊИВАЊЕ ОБАВЕЗНО ПРОЧИТАТИ ОПШТА УПУТСТВА 1. Сваки

Διαβάστε περισσότερα

ИНФОРМАЦИJА ПЕРЦЕПЦИJЕ слобода, демократиjа и физика

ИНФОРМАЦИJА ПЕРЦЕПЦИJЕ слобода, демократиjа и физика ИНФОРМАЦИJА ПЕРЦЕПЦИJЕ слобода, демократиjа и физика Растко Вуковић Радна верзиjа текста! Економски институт Бања Лука, 2016. Радна верзиjа (2017) Растко Вуковић: ИНФОРМАЦИJА ПЕРЦЕПЦИJЕ - слобода, демократиjа

Διαβάστε περισσότερα

РЕШЕНИ ЗАДАЦИ СА РАНИЈЕ ОДРЖАНИХ КЛАСИФИКАЦИОНИХ ИСПИТА

РЕШЕНИ ЗАДАЦИ СА РАНИЈЕ ОДРЖАНИХ КЛАСИФИКАЦИОНИХ ИСПИТА РЕШЕНИ ЗАДАЦИ СА РАНИЈЕ ОДРЖАНИХ КЛАСИФИКАЦИОНИХ ИСПИТА 006. Задатак. Одредити вредност израза: а) : за, и 69 0, ; б) 9 а) Како је за 0 и 0 дати израз идентички једнак изразу,, : : то је за дате вредности,

Διαβάστε περισσότερα

ТРАПЕЗ РЕГИОНАЛНИ ЦЕНТАР ИЗ ПРИРОДНИХ И ТЕХНИЧКИХ НАУКА У ВРАЊУ. Аутор :Петар Спасић, ученик 8. разреда ОШ 8. Октобар, Власотинце

ТРАПЕЗ РЕГИОНАЛНИ ЦЕНТАР ИЗ ПРИРОДНИХ И ТЕХНИЧКИХ НАУКА У ВРАЊУ. Аутор :Петар Спасић, ученик 8. разреда ОШ 8. Октобар, Власотинце РЕГИОНАЛНИ ЦЕНТАР ИЗ ПРИРОДНИХ И ТЕХНИЧКИХ НАУКА У ВРАЊУ ТРАПЕЗ Аутор :Петар Спасић, ученик 8. разреда ОШ 8. Октобар, Власотинце Ментор :Криста Ђокић, наставник математике Власотинце, 2011. године Трапез

Διαβάστε περισσότερα

Количина топлоте и топлотна равнотежа

Количина топлоте и топлотна равнотежа Количина топлоте и топлотна равнотежа Топлота и количина топлоте Топлота је један од видова енергије тела. Енергија коју тело прими или отпушта у топлотним процесима назива се количина топлоте. Количина

Διαβάστε περισσότερα

Анализа Петријевих мрежа

Анализа Петријевих мрежа Анализа Петријевих мрежа Анализа Петријевих мрежа Мере се: Својства Петријевих мрежа: Досежљивост (Reachability) Проблем досежљивости се састоји у испитивању да ли се може достићи неко, жељено или нежељено,

Διαβάστε περισσότερα

Република Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА

Република Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА Република Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА ЗАВРШНИ ИСПИТ НА КРАЈУ ОСНОВНОГ ОБРАЗОВАЊА И ВАСПИТАЊА школска 013/014. година ТЕСТ

Διαβάστε περισσότερα

Хомогена диференцијална једначина је она која може да се напише у облику: = t( x)

Хомогена диференцијална једначина је она која може да се напише у облику: = t( x) ДИФЕРЕНЦИЈАЛНЕ ЈЕДНАЧИНЕ Штa треба знати пре почетка решавања задатака? Врсте диференцијалних једначина. ДИФЕРЕНЦИЈАЛНА ЈЕДНАЧИНА КОЈА РАЗДВАЈА ПРОМЕНЉИВЕ Код ове методе поступак је следећи: раздвојити

Διαβάστε περισσότερα

(1) Дефиниција функције више променљивих. Околина тачке (x 0, y 0 ) R 2. График и линије нивоа функције f: (x, y) z.

(1) Дефиниција функције више променљивих. Околина тачке (x 0, y 0 ) R 2. График и линије нивоа функције f: (x, y) z. Дефиниција функције више променљивих Околина тачке R График и линије нивоа функције : Дефиниција Величина се назива функцијом променљивих величина и на скупу D ако сваком уређеном пару D по неком закону

Διαβάστε περισσότερα

Скупови (наставак) Релације. Професор : Рака Јовановић Асиситент : Јелена Јовановић

Скупови (наставак) Релације. Професор : Рака Јовановић Асиситент : Јелена Јовановић Скупови (наставак) Релације Професор : Рака Јовановић Асиситент : Јелена Јовановић Дефиниција дуалне скуповне формуле За скуповне формулу f, која се састоји из једног или више скуповних симбола и њихових

Διαβάστε περισσότερα

Прост случаjан узорак (Simple Random Sampling)

Прост случаjан узорак (Simple Random Sampling) Прост случаjан узорак (Simple Random Sampling) 3.час 10. март 2016. Боjана Тодић Теориjа узорака 10. март 2016. 1 / 25 Прост случаjан узорак без понављања Random Sample Without Replacement - RSWOR Ово

Διαβάστε περισσότερα

Предмет: Задатак 4: Слика 1.0

Предмет: Задатак 4: Слика 1.0 Лист/листова: 1/1 Задатак 4: Задатак 4.1.1. Слика 1.0 x 1 = x 0 + x x = v x t v x = v cos θ y 1 = y 0 + y y = v y t v y = v sin θ θ 1 = θ 0 + θ θ = ω t θ 1 = θ 0 + ω t x 1 = x 0 + v cos θ t y 1 = y 0 +

Διαβάστε περισσότερα

ПРИРОДА ВРЕМЕНА. информациjа материjе термодинамика теориjа релативности квантна механика. принцип вероватноће у физици

ПРИРОДА ВРЕМЕНА. информациjа материjе термодинамика теориjа релативности квантна механика. принцип вероватноће у физици ПРИРОДА ВРЕМЕНА информациjа материjе термодинамика теориjа релативности квантна механика принцип вероватноће у физици растко вуковић Архимед Бања Лука, jануар 2017. Растко Вуковић: ПРИРОДА ВРЕМЕНА - информациjа

Διαβάστε περισσότερα

УНИВЕРЗИТЕТ У НОВОМСАДУ ПРИРОДНО-МАТЕМАТИЧКИ ФАКУЛТЕТ ДЕПАРТМАН ЗА МАТЕМАТИКУ И

УНИВЕРЗИТЕТ У НОВОМСАДУ ПРИРОДНО-МАТЕМАТИЧКИ ФАКУЛТЕТ ДЕПАРТМАН ЗА МАТЕМАТИКУ И УНИВЕРЗИТЕТ У НОВОМСАДУ ПРИРОДНО-МАТЕМАТИЧКИ ФАКУЛТЕТ ДЕПАРТМАН ЗА МАТЕМАТИКУ И ИНФОРМАТИКУ Зорана Томић ГРАНИЧНЕ ВРЕДНОСТИ ФУНКЦИЈА Мастер рад Нови Сад, 2012. Предговор... 3 1. Увод... 4 Појам функције...

Διαβάστε περισσότερα

3.1. Однос тачке и праве, тачке и равни. Одређеност праве и равни

3.1. Однос тачке и праве, тачке и равни. Одређеност праве и равни ТАЧКА. ПРАВА. РАВАН Талес из Милета (624 548. пре н. е.) Еуклид (330 275. пре н. е.) Хилберт Давид (1862 1943) 3.1. Однос тачке и праве, тачке и равни. Одређеност праве и равни Настанак геометрије повезује

Διαβάστε περισσότερα

ЗБИРКА РЕШЕНИХ ЗАДАТАКА ЗА ПРИЈЕМНИ ИСПИТ ИЗ МАТЕМАТИКЕ

ЗБИРКА РЕШЕНИХ ЗАДАТАКА ЗА ПРИЈЕМНИ ИСПИТ ИЗ МАТЕМАТИКЕ Универзитет у Крагујевцу Машински факултет Краљево ЗБИРКА РЕШЕНИХ ЗАДАТАКА ЗА ПРИЈЕМНИ ИСПИТ ИЗ МАТЕМАТИКЕ Краљево, март 011. године 1 Публикација Збирка решених задатака за пријемни испит из математике

Διαβάστε περισσότερα

10.3. Запремина праве купе

10.3. Запремина праве купе 0. Развијени омотач купе је исечак чији је централни угао 60, а тетива која одговара том углу је t. Изрази површину омотача те купе у функцији од t. 0.. Запремина праве купе. Израчунај запремину ваљка

Διαβάστε περισσότερα

Теорија електричних кола

Теорија електричних кола Др Милка Потребић, ванредни професор, Теорија електричних кола, вежбе, Универзитет у Београду Електротехнички факултет, 7. Теорија електричних кола Милка Потребић Др Милка Потребић, ванредни професор,

Διαβάστε περισσότερα

Висока техничка школа струковних студија Београд Математика 2 Интервали поверења и линеарна регресија предавач: др Мићо Милетић

Висока техничка школа струковних студија Београд Математика 2 Интервали поверења и линеарна регресија предавач: др Мићо Милетић Математика Интервали поверења и линеарна регресија предавач: др Мићо Милетић Интервали поверења Тачкасте оцене параметара основног скупа могу се сматрати као приликом обраде узорка. Њихов недостатак је

Διαβάστε περισσότερα

ПОВРШИНа ЧЕТВОРОУГЛОВА И ТРОУГЛОВА

ПОВРШИНа ЧЕТВОРОУГЛОВА И ТРОУГЛОВА ПОВРШИНа ЧЕТВОРОУГЛОВА И ТРОУГЛОВА 1. Допуни шта недостаје: а) 5m = dm = cm = mm; б) 6dm = m = cm = mm; в) 7cm = m = dm = mm. ПОЈАМ ПОВРШИНЕ. Допуни шта недостаје: а) 10m = dm = cm = mm ; б) 500dm = a

Διαβάστε περισσότερα

I Линеарне једначине. II Линеарне неједначине. III Квадратна једначина и неједначина АЛГЕБАРСКЕ ЈЕДНАЧИНЕ И НЕЈЕДНАЧИНЕ

I Линеарне једначине. II Линеарне неједначине. III Квадратна једначина и неједначина АЛГЕБАРСКЕ ЈЕДНАЧИНЕ И НЕЈЕДНАЧИНЕ Штa треба знати пре почетка решавања задатака? АЛГЕБАРСКЕ ЈЕДНАЧИНЕ И НЕЈЕДНАЧИНЕ I Линеарне једначине Линеарне једначине се решавају по следећем шаблону: Ослободимо се разломка Ослободимо се заграде Познате

Διαβάστε περισσότερα

ПРИЈЕМНИ ИСПИТ. Јун 2003.

ПРИЈЕМНИ ИСПИТ. Јун 2003. Природно-математички факултет 7 ПРИЈЕМНИ ИСПИТ Јун 00.. Одредити све вредности параметра m за које су оба решења једначине x x + m( m 4) = 0 (a) реална; (b) реална и позитивна. Решење: (а) [ 5, + (б) [

Διαβάστε περισσότερα

Тангента Нека је дата крива C са једначином y = f (x)

Тангента Нека је дата крива C са једначином y = f (x) Dbić N Извод као појам се први пут појављује крајем XVII вијека у вези са израчунавањем неравномјерних кретања. Прецизније, помоћу извода је било могуће увести појам тренутне брзине праволинијског кретања.

Διαβάστε περισσότερα

6. ЛИНЕАРНА ДИОФАНТОВА ЈЕДНАЧИНА ах + by = c

6. ЛИНЕАРНА ДИОФАНТОВА ЈЕДНАЧИНА ах + by = c 6. ЛИНЕАРНА ДИОФАНТОВА ЈЕДНАЧИНА ах + by = c Ако су а, b и с цели бројеви и аb 0, онда се линеарна једначина ах + bу = с, при чему су х и у цели бројеви, назива линеарна Диофантова једначина. Очигледно

Διαβάστε περισσότερα

TAЧКАСТА НАЕЛЕКТРИСАЊА

TAЧКАСТА НАЕЛЕКТРИСАЊА TЧКАСТА НАЕЛЕКТРИСАЊА Два тачкаста наелектрисања оптерећена количинама електрицитета и налазе се у вакууму као што је приказано на слици Одредити: а) Вектор јачине електростатичког поља у тачки А; б) Електрични

Διαβάστε περισσότερα

Увод у теориjу игара и игра инспекциjе

Увод у теориjу игара и игра инспекциjе proba Математички институт у Београду Увод у теориjу игара и игра инспекциjе Лука Павловић Београд, 12. маj 2017. proba Увод у Теориjу Игара 1 Увод у Теориjу Игара Теориjа игара jе грана математике коjа

Διαβάστε περισσότερα

УНАПРЕЂИВАЊЕ SMT РЕШАВАЧА КОРИШЋЕЊЕМ CSP ТЕХНИКА И ТЕХНИКА ПАРАЛЕЛИЗАЦИJЕ

УНАПРЕЂИВАЊЕ SMT РЕШАВАЧА КОРИШЋЕЊЕМ CSP ТЕХНИКА И ТЕХНИКА ПАРАЛЕЛИЗАЦИJЕ УНИВЕРЗИТЕТ У БЕОГРАДУ МАТЕМАТИЧКИ ФАКУЛТЕТ Милан Банковић УНАПРЕЂИВАЊЕ SMT РЕШАВАЧА КОРИШЋЕЊЕМ CSP ТЕХНИКА И ТЕХНИКА ПАРАЛЕЛИЗАЦИJЕ докторска дисертациjа Београд, 2016. UNIVERSITY OF BELGRADE FACULTY

Διαβάστε περισσότερα

Универзитет у Београду. Математички факултет. Мастер рад. Тема: Геометријски случајни процеси

Универзитет у Београду. Математички факултет. Мастер рад. Тема: Геометријски случајни процеси Универзитет у Београду Математички факултет Мастер рад Тема: Геометријски случајни процеси Ментор: Проф др Слободанка Јанковић Кандидат: Радојка Станковић дипл математичар Београд 2012 Садржај Садржај

Διαβάστε περισσότερα

1 ПРОСТОР МИНКОВСКОГ

1 ПРОСТОР МИНКОВСКОГ 1 ПРОСТОР МИНКОВСКОГ 1.1 Простор Минковског. Поjам Лоренцове трансформациjе. Лоренцове трансформациjе на векторима и дуалним векторима. На самом почетку увешћемо координатни систем (t, x, y, z) на следећи

Διαβάστε περισσότερα

ИСПИТИВАЊЕ СВОJСТАВА КОМПЛЕКСНИХ МРЕЖА СА ДИСКРЕТНОМ ДИНАМИКОМ

ИСПИТИВАЊЕ СВОJСТАВА КОМПЛЕКСНИХ МРЕЖА СА ДИСКРЕТНОМ ДИНАМИКОМ УНИВЕРЗИТЕТ У БЕОГРАДУ ЕЛЕКТРОТЕХНИЧКИ ФАКУЛТЕТ Jелена М. Смиљанић ИСПИТИВАЊЕ СВОJСТАВА КОМПЛЕКСНИХ МРЕЖА СА ДИСКРЕТНОМ ДИНАМИКОМ докторска дисертациjа Београд, 2017 UNIVERSITY OF BELGRADE SCHOOL OF ELECTRICAL

Διαβάστε περισσότερα

2.1. Права, дуж, полуправа, раван, полураван

2.1. Права, дуж, полуправа, раван, полураван 2.1. Права, дуж, полуправа, раван, полураван Човек је за своје потребе градио куће, школе, путеве и др. Слика 1. Слика 2. Основа тих зграда је често правоугаоник или сложенија фигура (слика 3). Слика 3.

Διαβάστε περισσότερα

Испитвање тока функције

Испитвање тока функције Милош Станић Техничка школа Ужицe 7/8 Испитвање тока функције Испитивање тока функције y f подразумева да се аналитичким путем дође до сазнања о понашању функције, као и њеним значајним тачкама у координантном

Διαβάστε περισσότερα

Од површине троугла до одређеног интеграла

Од површине троугла до одређеног интеграла Природно-математички факултет, Универзитет у Нишу, Србија http://www.pmf.i.ac.rs/mii Математика и информатика (4) (5), 49-7 Од површине троугла до одређеног интеграла Жарко Ђурић Париске комуне 4-/8, Врање

Διαβάστε περισσότερα

4.4. Паралелне праве, сечица. Углови које оне одређују. Углови са паралелним крацима

4.4. Паралелне праве, сечица. Углови које оне одређују. Углови са паралелним крацима 50. Нацртај било које унакрсне углове. Преношењем утврди однос унакрсних углова. Какво тврђење из тога следи? 51. Нацртај угао чија је мера 60, а затим нацртај њему унакрсни угао. Колика је мера тог угла?

Διαβάστε περισσότερα

4. ЗАКОН ВЕЛИКИХ БРОЈЕВА

4. ЗАКОН ВЕЛИКИХ БРОЈЕВА 4. Закон великих бројева 4. ЗАКОН ВЕЛИКИХ БРОЈЕВА Аксиоматска дефиниција вероватноће не одређује начин на који ће вероватноће случајних догађаја бити одређене у неком реалном експерименту. Зато треба наћи

Διαβάστε περισσότερα

Семинарски рад из линеарне алгебре

Семинарски рад из линеарне алгебре Универзитет у Београду Машински факултет Докторске студије Милош Живановић дипл. инж. Семинарски рад из линеарне алгебре Београд, 6 Линеарна алгебра семинарски рад Дата је матрица: Задатак: a) Одредити

Διαβάστε περισσότερα

РЈЕШЕЊА ЗАДАТАКА СА ТАКМИЧЕЊА ИЗ ЕЛЕКТРИЧНИХ МАШИНА Електријада 2004

РЈЕШЕЊА ЗАДАТАКА СА ТАКМИЧЕЊА ИЗ ЕЛЕКТРИЧНИХ МАШИНА Електријада 2004 РЈЕШЕЊА ЗАДАТАКА СА ТАКМИЧЕЊА ИЗ ЕЛЕКТРИЧНИХ МАШИНА Електријада 004 ТРАНСФОРМАТОРИ Tрофазни енергетски трансформатор 100 VA има напон и реактансу кратког споја u 4% и x % респективно При номиналном оптерећењу

Διαβάστε περισσότερα

1. 2. МЕТОД РАЗЛИКОВАЊА СЛУЧАЈЕВА 1

1. 2. МЕТОД РАЗЛИКОВАЊА СЛУЧАЈЕВА 1 1. 2. МЕТОД РАЗЛИКОВАЊА СЛУЧАЈЕВА 1 Метод разликовања случајева је један од најексплоатисанијих метода за решавање математичких проблема. У теорији Диофантових једначина он није свемогућ, али је сигурно

Διαβάστε περισσότερα

Ознаке: f и. Парцијални изводи, парцијалних извода су парцијални изводи другог реда функције z = f (x, y): 2. извод другог реда по x 2 2

Ознаке: f и. Парцијални изводи, парцијалних извода су парцијални изводи другог реда функције z = f (x, y): 2. извод другог реда по x 2 2 Довољан услов за M M Дефинисати парцијалне изводе I реда и II реда функције I реда: Ако постоје коначне граничне вредности количника парцијалних прираштаја функције у тачки са одговарајућим прираштајима

Διαβάστε περισσότερα

РЕШЕЊА ЗАДАТАКА - IV РАЗЕД 1. Мањи број: : x,

РЕШЕЊА ЗАДАТАКА - IV РАЗЕД 1. Мањи број: : x, РЕШЕЊА ЗАДАТАКА - IV РАЗЕД 1. Мањи број: : x, Већи број: 1 : 4x + 1, (4 бода) Њихов збир: 1 : 5x + 1, Збир умањен за остатак: : 5x = 55, 55 : 5 = 11; 11 4 = ; + 1 = 45; : x = 11. Дакле, први број је 45

Διαβάστε περισσότερα

Република Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА

Република Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА Република Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА ЗАВРШНИ ИСПИТ НА КРАЈУ ОСНОВНОГ ОБРАЗОВАЊА И ВАСПИТАЊА школска 01/01. година ТЕСТ

Διαβάστε περισσότερα

Република Србија МИНИСТАРСТВО ПРОСВЕТЕ И НАУКЕ ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА

Република Србија МИНИСТАРСТВО ПРОСВЕТЕ И НАУКЕ ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА Република Србија МИНИСТАРСТВО ПРОСВЕТЕ И НАУКЕ ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА ЗАВРШНИ ИСПИТ НА КРАЈУ ОСНОВНОГ ОБРАЗОВАЊА И ВАСПИТАЊА школска 011/01. година ТЕСТ МАТЕМАТИКА УПУТСТВО

Διαβάστε περισσότερα

4. Троугао. (II део) 4.1. Појам подударности. Основна правила подударности троуглова

4. Троугао. (II део) 4.1. Појам подударности. Основна правила подударности троуглова 4 Троугао (II део) Хилберт Давид, немачки математичар и логичар Велики углед у свету Хилберту је донело дело Основи геометрије (1899), у коме излаже еуклидску геометрију на аксиоматски начин Хилберт Давид

Διαβάστε περισσότερα

Имплементациjа монада у програмском jезику Swift 1.1

Имплементациjа монада у програмском jезику Swift 1.1 Имплементациjа монада у програмском jезику Swift 1.1 Ивица Миловановић Садржаj Монаде су моћан и ефективан алат из арсенала функционалног програмирања. У овом раду ћемо показати како се ове структуре,

Διαβάστε περισσότερα

Писмени испит из Теорије површинских носача. 1. За континуалну плочу приказану на слици одредити угиб и моменте савијања у означеним тачкама.

Писмени испит из Теорије површинских носача. 1. За континуалну плочу приказану на слици одредити угиб и моменте савијања у означеним тачкама. Београд, 24. јануар 2012. 1. За континуалну плочу приказану на слици одредити угиб и моменте савијања у означеним тачкама. dpl = 0.2 m P= 30 kn/m Линијско оптерећење се мења по синусном закону: 2. За плочу

Διαβάστε περισσότερα

8. ПИТАГОРИНА ЈЕДНАЧИНА х 2 + у 2 = z 2

8. ПИТАГОРИНА ЈЕДНАЧИНА х 2 + у 2 = z 2 8. ПИТАГОРИНА ЈЕДНАЧИНА х + у = z Један од најзанимљивијих проблема теорије бројева свакако је проблем Питагориних бројева, тј. питање решења Питагорине Диофантове једначине. Питагориним бројевима или

Διαβάστε περισσότερα

ЕНЕРГЕТСКИ ПРЕТВАРАЧИ 2 (13Е013ЕП2) октобар 2016.

ЕНЕРГЕТСКИ ПРЕТВАРАЧИ 2 (13Е013ЕП2) октобар 2016. ЕНЕРГЕТСКИ ПРЕТВАРАЧИ (3Е03ЕП) октобар 06.. Батерија напона B = 00 пуни се преко трофазног полууправљивог мосног исправљача, који је повезан на мрежу 3x380, 50 Hz преко трансформатора у спрези y, са преносним

Διαβάστε περισσότερα

Дуалност Хардијевог простора H 1

Дуалност Хардијевог простора H 1 Универзитет у Београду Математички факултет Мастер рад Дуалност Хардијевог простора H Студент: Петар Мелентијевић Ментор: др Мирослав Павловић Октобар, 04. Ова страна је намерно остављена празна. 3 Предговор

Διαβάστε περισσότερα

ЗБИРКА ЗАДАТАКА ИЗ МАТЕМАТИКЕ СА РЕШЕНИМ ПРИМЕРИМА, са додатком теорије

ЗБИРКА ЗАДАТАКА ИЗ МАТЕМАТИКЕ СА РЕШЕНИМ ПРИМЕРИМА, са додатком теорије ГРАЂЕВИНСКА ШКОЛА Светог Николе 9 Београд ЗБИРКА ЗАДАТАКА ИЗ МАТЕМАТИКЕ СА РЕШЕНИМ ПРИМЕРИМА са додатком теорије - за II разред IV степен - Драгана Радовановић проф математике Београд СТЕПЕНОВАЊЕ И КОРЕНОВАЊЕ

Διαβάστε περισσότερα

Мастер рад. Гребнерове базе. Аутор: Јелена Јовичић Број индекса: 1033/2008. Ментор: Доцент др Зоран Петровић. Математички факултет Београд 2010.

Мастер рад. Гребнерове базе. Аутор: Јелена Јовичић Број индекса: 1033/2008. Ментор: Доцент др Зоран Петровић. Математички факултет Београд 2010. Мастер рад Гребнерове базе Аутор: Јелена Јовичић Број индекса: /8 Ментор: Доцент др Зоран Петровић Математички факултет Београд. Резиме Рад пред вама је мастер рад судента Математичког факултета у Београду,

Διαβάστε περισσότερα

Република Србија МИНИСТАРСТВО ПРОСВЕТЕ И НАУКЕ ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА

Република Србија МИНИСТАРСТВО ПРОСВЕТЕ И НАУКЕ ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА Тест Математика Република Србија МИНИСТАРСТВО ПРОСВЕТЕ И НАУКЕ ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА ЗАВРШНИ ИСПИТ НА КРАЈУ ОСНОВНОГ ОБРАЗОВАЊА И ВАСПИТАЊА школска 00/0. година ТЕСТ МАТЕМАТИКА

Διαβάστε περισσότερα

МАТРИЧНА АНАЛИЗА КОНСТРУКЦИЈА

МАТРИЧНА АНАЛИЗА КОНСТРУКЦИЈА Београд, 21.06.2014. За штап приказан на слици одредити најмању вредност критичног оптерећења P cr користећи приближан поступак линеаризоване теорије другог реда и: а) и један елемент, слика 1, б) два

Διαβάστε περισσότερα

ПОГЛАВЉЕ 3: РАСПОДЕЛА РЕЗУЛТАТА МЕРЕЊА

ПОГЛАВЉЕ 3: РАСПОДЕЛА РЕЗУЛТАТА МЕРЕЊА ПОГЛАВЉЕ 3: РАСПОДЕЛА РЕЗУЛТАТА МЕРЕЊА Стандардна девијација показује расподелу резултата мерења око средње вредности, али не указује на облик расподеле. У табели 1 су дате вредности за 50 поновљених одређивања

Διαβάστε περισσότερα

Ротационо симетрична деформација средње површи ротационе љуске

Ротационо симетрична деформација средње површи ротационе љуске Ротационо симетрична деформација средње површи ротационе љуске слика. У свакој тачки посматране средње површи, у општем случају, постоје два компонентална померања: v - померање у правцу тангенте на меридијалну

Διαβάστε περισσότερα

Скрипта ријешених задатака са квалификационих испита 2010/11 г.

Скрипта ријешених задатака са квалификационих испита 2010/11 г. Скрипта ријешених задатака са квалификационих испита 00/ г Универзитет у Бањој Луци Електротехнички факултет Др Момир Ћелић Др Зоран Митровић Иван-Вања Бороја Садржај Квалификациони испит одржан 9 јуна

Διαβάστε περισσότερα

Штампарске грешке у петом издању уџбеника Основи електротехнике, 1. део, Електростатика

Штампарске грешке у петом издању уџбеника Основи електротехнике, 1. део, Електростатика Штампарске грешке у петом издању уџбеника Основи електротехнике део Страна пасус први ред треба да гласи У четвртом делу колима променљивих струја Штампарске грешке у четвртом издању уџбеника Основи електротехнике

Διαβάστε περισσότερα

ЗБИРКА РИЈЕШЕНИХ ЗАДАТАКА ИЗ МАТЕМАТИКЕ ЗА ПРИЈЕМНИ ИСПИТ

ЗБИРКА РИЈЕШЕНИХ ЗАДАТАКА ИЗ МАТЕМАТИКЕ ЗА ПРИЈЕМНИ ИСПИТ Универзитет у Источном Сарајеву Електротехнички факултет НАТАША ПАВЛОВИЋ ЗБИРКА РИЈЕШЕНИХ ЗАДАТАКА ИЗ МАТЕМАТИКЕ ЗА ПРИЈЕМНИ ИСПИТ Источно Сарајево,. године ПРЕДГОВОР Збирка задатака је првенствено намијењена

Διαβάστε περισσότερα

F( x) НЕОДРЕЂЕНИ ИНТЕГРАЛ

F( x) НЕОДРЕЂЕНИ ИНТЕГРАЛ НЕОДРЕЂЕНИ ИНТЕГРАЛ Штa треба знати пре почетка решавања задатака? Дефиниција: Интеграл једне функције је функција чији је извод функција којој тражимо интеграл (подинтегрална функција). Значи: f d F F

Διαβάστε περισσότερα

Универзитет у Београду Математички факулет. Фибоначиjев хип и примене

Универзитет у Београду Математички факулет. Фибоначиjев хип и примене Универзитет у Београду Математички факулет Фибоначиjев хип и примене Мастер рад име и презиме Мила Ратковић броj индекса 1010/2012 школска година професор др Миодраг Живковић датум 2 Садржаj 1 Увод 5 2

Διαβάστε περισσότερα

Теорија друштвеног избора

Теорија друштвеног избора Теорија друштвеног избора Процедура гласања је средство избора између више опција, базирано на подацима које дају индивидуе (агенти). Теорија друштвеног избора је студија процеса и процедура доношења колективних

Διαβάστε περισσότερα

ЗАШТИТА ПОДАТАКА Шифровање јавним кључем и хеш функције. Diffie-Hellman размена кључева

ЗАШТИТА ПОДАТАКА Шифровање јавним кључем и хеш функције. Diffie-Hellman размена кључева ЗАШТИТА ПОДАТАКА Шифровање јавним кључем и хеш функције Diffie-Hellman размена кључева Преглед Биће објашњено: Diffie-Hellman размена кључева 2/13 Diffie-Hellman размена кључева први алгоритам са јавним

Διαβάστε περισσότερα

Cook-Levin: SAT је NP-комплетан. Теодор Најдан Трифунов 305M/12

Cook-Levin: SAT је NP-комплетан. Теодор Најдан Трифунов 305M/12 Cook-Levin: SAT је NP-комплетан Теодор Најдан Трифунов 305M/12 1 Основни појмови Недетерминистичка Тјурингова машина (НТМ) је уређена седморка M = (Q, Σ, Γ, δ, q 0,, ) Q коначан скуп стања контролног механизма

Διαβάστε περισσότερα

Писмени испит из Метода коначних елемената

Писмени испит из Метода коначних елемената Београд,.0.07.. За приказани билинеарни коначни елемент (Q8) одредити вектор чворног оптерећења услед задатог линијског оптерећења p. Користити природни координатни систем (ξ,η).. На слици је приказан

Διαβάστε περισσότερα

Енергетски трансформатори рачунске вежбе

Енергетски трансформатори рачунске вежбе 16. Трофазни трансформатор снаге S n = 400 kva има временску константу загревања T = 4 h, средњи пораст температуре после једночасовног рада са номиналним оптерећењем Â " =14 и максимални степен искоришћења

Διαβάστε περισσότερα