Populacija je skup na koji želimo da vršimo generalizaciju članovima populacije
|
|
- Ευάγγελος Καλαμογδάρτης
- 5 χρόνια πριν
- Προβολές:
Transcript
1 Uzorkovanje
2 Osnovni pojmovi Populacija univerzum osnovni skup statistička masa Populacija je skup na koji želimo da vršimo generalizaciju Pojedince, stvari ili događaje koji čine taj skup nazivamo članovima populacije Potreba za uzorkovanjem nastaje onda kada je populacija nedostupna istraživaču, jer je: prevelika ili čak beskonačna, nije ograničena teritorijalno, nije ograničena vremenski... Populacija je konačna ako je omeđena: brojem članova, teritorijalno, vremenski... 2
3 Osnovni principi uzorkovanja Uz pomoć statistike zaključivanja nalaze dobijene na uzorku možemo generalizovati na populaciju Generalizacija ili zaključivanje sa uzorka na populaciju nikad nije potpuno tačno Statistika obezbeđuje da stepen tačnosti zaključaka bude nepristrasno izračunljiv poznat Pri tome se uzima u obzir samo uzoračka greška, odnosno varijansa uzorka, odnosno standardna greška Neuzoračka greška, generalno, nije izračunljiva 3
4 Reprezentativnost Da bi zaključivanje sa uzorka na populaciju bilo što tačnije, uzorak mora biti REPREZENTATIVAN Da bi bio reprezentativan, uzorak mora biti: izabran na pravi način i mora biti dovoljno velik 4
5 Osnovni problem uzorkovanja Osnovni problem uzorkovanja je u tome što ne znamo koje vrednosti poseduju članovi populacije na osobini koju merimo Možemo da znamo sve drugo o članovima, ali ako ne poznajemo osobinu koju merimo, moramo da: Sprovedemo popis ili Da nagađamo pomoću uzorka 5
6 Koji je način biranja pravi Nema jednog jedinog pravog načina biranja Postoje tri osnovna pristupa načinu uzorkovanja: Korišćenje svih raspoloživih informacija o osobini koju merimo Poznavanje distribucije osobine u populaciji Poznavanje povezanosti sa drugim osobinama... Korišćenje jednakih ili poznatih verovatnoća biranja jedinica, ako nemamo dodatnih informacija ili im ne verujemo Kombinacija prethodna dva 6
7 Koji je način biranja pravi Način biranja se prilagođava svrsi Prvi pristup se koristi u eksplorativnim i kvalitativnim istraživanjima kada želimo da napipamo uzroke, razloge, povezanosti... Mali namerni uzorci: tipičan slučaj, najbolji slučaj, najgori slučaj itd. Drugi pristup se koristi u deskriptivnim i konfirmativnim istr. gde su ne-generalizabilni zaključci besmisleni i gde se koriste probabilistički uzorci Treći pristup se najbolje ilustruje kvotnim ili mešovitim uzorcima 7
8 Nepristrasnost Ne sme postojati nikakav razlog za biranje nekog člana, a ne nekog drugog, takav da taj razlog ima veze sa pojavom koju istražujemo. Nepristrasnost je verovatno jedino pravilo koje se može smatrati univerzalnim za sve uzorke 8
9 Statistička nepristrasnost U statistici se smatra da je nepristrasnost optimalno obezbeđena kada je verovatnoća biranja svake jedinice unapred određena na osnovu objektivnih kriterijuma Dakle, svi članovi populacije moraju imati POZNATU verovatnoću izbora, veću od nule Najjasniji primer takvog načina izbora je prosto slučajno biranje biranje sa JEDNAKIM verovatnoćama 9
10 Veličina uzorka Što pojave koje se mere imaju veći varijabilitet u populaciji, to uzorak mora biti veći Što veću moć statističkog testa i viši nivo značajnosti želimo, to uzorak mora biti veći Ako koristimo kontrolne varijable, odnosno ako želimo da uzorak delimo na poduzorke po nekom kriterijumu, ukupni uzorak mora biti veći Što više ima poduzoraka koji nastaju delovanjem kontrolnih varijabli, ukupan uzorak mora biti veći. Mora se obratiti pažnja na veličinu najmanjeg poduzorka 10
11 Načini određivanja veličine uzorka Određivanje na osnovu beta nivoa, tj. moći testa Određivanje na osnovu alfa nivoa ili intervala poverenja U zavisnosti od posebnih tehnika. Npr. U MVA se zahteva da odnos broja ispitanika i varijabli ne bude ispod 5:1 Minimalna očekivana vrednost u kućici tabele za kontingenciju je 1, ili 2, ili 5... Za određivanje preciznosti ocenjivanja mogu se koristiti i simulacije (Monte Karlo, resampling, krosvalidacija) 11
12 Određivanje veličine uzorka na osnovu alfa nivoa Varijabilnost pojave u populaciji je obično nepoznata, pa se ona procenjuje i obično se uzima najveća varijabilnost Ako je varijabilnost pojave maksimalna, onda je najjednostavnija formula za izračunavanje veličine uzorka : n 1 greška 2 12
13 Određivanje veličine uzorka na osnovu alfa nivoa Na primer: dva predsednička kandidata imaju podjednake šanse. Da bismo predvideli pobedu jednog od njih sa marginom greške od ±3%, potreban nam je uzorak od: n 1 1 0,03 2 0,
14 Greška tipa I Greška iz prethodnog primera je greška I tipa, odnosno α greška: predvidećemo pobedu jednog kandidata, a on neće pobediti. Greška I tipa, odnosno α greška je kada pogrešno odbacimo H 0 Do greške I tipa dolazi onda kada utvrdimo da neka pojava postoji, a ona stvarno ne postoji Greške se u statističkom zaključivanju ne mogu izbeći Možemo samo da se odlučimo za neki nivo greške koji će nam biti prihvatljiv U slučaju greške I tipa to se naziva α nivo Bez ikakvog posebnog razloga, koriste se dva nivoa: 0,05 i 0,01, odnosno 95% i 99% nivo 14
15 Greška tipa II Grešku II tipa, ili β grešku ćemo napraviti ako pogrešno zadržimo H 0 To znači da smo propustili da uočimo pojavu koja stvarno postoji Postoje procedure za određivanje one veličine uzorka kod koje je greška II tipa minimalna. Tradicionalno, pod statističkom greškom se obično podrazumeva α greška, ali se danas sve više ukazuje na značaj β greške 15
16 Moć statističkog testa (1- β ) se naziva moć testa. Moć da otkrijemo pojavu koja stvarno postoji (1- β ) nije jednaka α Greške I i II tipa su međusobno povezane, ali njihov odnos nije jednostavan i zavisi od sledećih faktora od alternativne hipoteze (jednosmerena ili dvosmerena, razlika stvarnog parametra u odnosu na nultu hipotezu) Od varijabilnosti pojave (koja uključuje i veličinu uzorka i pouzdanost merenja) Od odabranog alfa nivoa 16
17 Moć statističkog testa Na primer: ako je stvarna korelacija u populaciji 0,30, da bismo je otkrili sa verovatnoćom od 0,95 (1 β), a da verovatnoća lažnog otkrivanja ne bi bila veća 0,05 (α), moramo imati uzorak od najmanje 115 slučajeva (program GPower) 17
18 H 0, H 1, greške I i II tipa i moć 18
19 H 0, H 1, greške I i II tipa i moć Siva površina predstavlja nivo značajnosti za odabrani α-nivo. Na apscisi, ona definiše region odbacivanja nulte hipoteze Bela površina, na apscisi (1- α), definiše region zadržavanja Plava površina predstavlja verovatnoću greške tipa II, odnosno verovatnoću da ne uočimo pojavu koja postoji Oker bojom je označena moć statističkog testa (1- β ) ne obraćajte pažnju na sivu površinu, ona ne pripada toj distribuciji Ovo je jednostrani slučaj. Za dvostrani test treba dodati još jednu plavo/smeđu distribuciju na levoj strani. 19
20 Bootstrap Iz postojećeg uzorka izvlače se uzorci iste veličine, ali sa vraćanjem (WR) Okvirno, preporučuje se oko 1000 takvih uzoraka Na svakom uzorku se izračunaju potrebni statistici i sačuvaju Na kraju imamo npr AS, koje čine distribuciju čija AS predstavlja bootstrap ocenu parametra populacije, a SD ocenu standardne greške Za bootstrap važi: populacija prema uzorku =boootstrap uzorak prema istraživačkom uzorku 20
21 Tipovi biranja vrste uzoraka 21
22 Verovatnosni (slučajni) uzorci Sprovode se na osnovu plana uzorka iz koga se unapred može izračunati verovatnoća izbora svakog člana populacije Nužan preduslov je spisak populacije ili okvir uzorkovanja Drugim rečima, slučajni uzorci se u praksi vade iz konačnih populacija To su obično razne kartoteke, spiskovi, imenici Mogu poslužiti i sami članovi populacije, ako su neposredno i lako dostupni, na jednom mestu, u istom vremenu... 22
23 Prosto slučajno biranje SRS Sa vraćanjem (WR) i bez vraćanja (WOR) Tabele slučajnih brojeva i generatori slučajnih brojeva ne garantuju da nema ponavljanja (daju WR) Sistematsko biranje, ako je populacija sortirana slučajno, daje u praksi SRS WOR Jednostavno je, ali ne daje najbolje rezultate ako: je populacija heterogena po merenom svojstvu (svojstvima) su subpopulacije koje su heterogene vrlo različite veličine 23
24 Sistematsko biranje SS Sistematsko biranje biranje po koraku Sa i bez vraćanja, cirkularno i necirkularno, sa celim i razlomljenim korakom Jedno od najčešćih biranja Ako je spisak slučajno sortiran, necirkularno SS u celini imitira SRS WOR Ako je spisak sortiran po veličini jedinice/klastera/škole (itd.) oponaša PPS Ako je spisak sortiran po stratumima, oponaša stratifikaciju (implicitna stratifikacija) Ipak, SS jeste jeftino i jednostavno, ali ne daje najtačnije ocene parametara 24
25 Proporcionalno biranje PPS Biranje sa nejednakim verovatnoćama Jedinice nemaju jednaku verovatnoću, nego im je verovatnoća biranja proporcionalna veličini p i = X i /X, gde je X i veličina i-te jedinice, a X veličina populacije (stratuma) Načelno, ne mora se uzeti veličina, nego može stepen prisustva bilo kog svojstva 25
26 Proporcionalno biranje PPS Može se kombinovati sa: Sistematskim biranjem, kada se korak odbrojava prema veličini Stratifikovanim biranjem, kada se p i =X i /X određuje u okviru svakog stratuma Jednostavno je ako je sa vraćanjem Komplikovano ako je bez vraćanja Obično se koristi u prvim etapama uzorkovanja kada se biraju klasteri/skupine 26
27 Stratifikovano slučajno biranje Ovo biranje garantuje pravilnu zastupljenost stratuma populacije u uzorku Što su stratumi unutar sebe homogeniji, a između sebe heterogeniji, to je preciznost stratifikovanog uzorkovanja veća Povećava preciznost (reprezentativnost) smanjuje standardnu grešku Omogućuje kontrolu veličine uzorka iz svakog stratuma Da bude dovoljan i pogodan za statističku obradu ili Da bude reprezentativan za populaciju 27
28 Stratifikovano slučajno biranje Proporcionalno uzorkovanje daje veličine stratuma u uzorku reprezentativne za populaciju svi stratumi imaju istu frakciju uzorkovanja Neproporcionalno biranje Obično da u uzorku budu više zastupljeni stratumi sa većom varijabilnošću optimalna stratifikacija Ili da veličina stratuma u uzorku bude jednaka, zadata... U okviru svakog stratuma može se birati jednim od već pomenutih načina Ako kriterijumi (varijable) za stratifikaciju nisu jasni, ili nisu dobri, stratifikacija nije korisna Nije korisna ni ako se stratumi ne razlikuju bitno prema osobinama koje se mere 28
29 Uzorak skupina i višeetapni uzorak Klaster ili zonsko biranje, uzorak skupina Odaberu se neke ustanove (klasteri), ili Opštine (zone) Pa se ispitaju svi članovi klastera-zone Višeetapno biranje Kombinacije klaster biranja, biranja po koraku i sl. Slučajno biranje telefonskih brojeva - RDD 29
30 Neprobabilistički uzorci Verovatnoća izbora bilo kog člana populacije nije poznata U kvalitativnim istraživanjima U kvantitativnim istraživanjima koja imaju preliminarnu (pilot istraživanja) ili eksploratornu namenu, a primena slučajnih uzoraka bi bila suviše skupa i dugotrajna, Kad god je to jedina izvodljiva mogućnost, odnosno kada slučajno biranje sa spiska nije izvodljivo Opšta sugestija: dati varijabilnosti šansu 30
31 Neprobabilistički uzorci Prigodno biranje Oni koji su dostupni Recimo, svi koji prisustvuju nekom skupu Izlaze sa skupa, utakmice, filma Posetioci robne kuće i sl. 31
32 Neprobabilistički uzorci Namerno biranje Generalno je bolje od prigodnog Biranje modalnih članova tipični članovi Biranje eksperata eksperti u nekoj oblasti, tzv. panel diskusije Heterogeno biranje biranje ekstremnih i devijantnih slučajeva Biranje lancem preporuka snowball 32
33 Neprobabilistički uzorci Kvotno biranje Za kvotna obeležeja ili kvotne kriterijume biramo tzv. tvrda obeležja Moramo poznavati njihovu distribuciju u populaciji Moraju biti relevantna za istraživanje Obično su to demografska obeležja: pol, starost, obrazovanje... 33
34 Kvotni uzorak Zastupljenost kvotnih obeležja u uzorku se odredi tako da bude kao populaciji, npr.: Kvote po starosti Muškarci Žene Ukupno Ukupno
35 Kvotni uzorak Istraživač dobije zadatak da ispuni kvote, a pojedince bira samostalno Problemi: Tvrda obeležja nisu uvek tvrda (npr. ako se biraju na osnovu vlastitih izjava, rezultati pokazuju da su žene obično mlađe u odnosu na popis, a muškarci bogatiji) Problem vezanih kvota 35
36 Mešovito biranje Višeetapno biranje, koje koristi probabilističke i neprobabilističke uzorke Najčešća kombinacija: zonsko i kvotno biranje 36
37 Poređenje prob. i neprob. uzoraka U neprobabilističkim uzorcima se ne može izračunati verovatnoća biranja, pa ne podležu zakonima teorije verovatnoće Zbog toga se na njih ne mogu primeniti pravila statistike zaključivanja (nema S.G. i I.P.). Pošto se ne mogu izvesti statistički pokazatelji preciznosti uzorka (intervali poverenja), ne možemo izvesti ni statistički valjane zaključke. Na primer, ne možemo testirati nulte hipoteze 37
38 Poređenje prob. i neprob. uzoraka Međutim, prob. uzorci imaju stalne probleme: tačan spisak populacije razlika planiranog i realizovanog uzorka stopa neodgovora, etapa ispitanika i etapa anketara Tačno određivanje preciznosti: uzorci bez vraćanja i sa vraćanjem, konačne i beskonačne populacije, problem izbora pravilne formule kod složenih uzoraka... 38
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 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 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 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 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 περισσότεραPopulacija Ciljna/uzoračka populacija
Populacija i uzorak Sadržaj predavanja Šta je populacija, šta je uzorak a šta uzorkovanje? Statističko zaključivanje Klasifikacija uzoraka: sa i bez verovatnoće, sa i bez zamenjivanja Uzoračke raspodele
Διαβάστε περισσότεραMetod uzorka i karakteristike nekih planova
Metod uzorka i karakteristike nekih planova Metod uzorka nalazi primenu u mnogim oblastima ljudske aktivnosti. Metod uzorka se sastoji u ispitivanju jednog dela statističke mase (skupa, populacije) u cilju
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 περισσότερα3 Populacija i uzorak
3 Populacija i uzorak 1 3.1 Slučajni uzorak X varijabla/stat. obilježje koje izučavamo Cilj statističke analize na osnovi uzorka izvesti odredene zaključke o (populacijskoj) razdiobi od X 2 Primjer 3.1.
Διαβάστε 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 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 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 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 περισσότεραUvod u neparametarske testove
Str. 148 Uvod u neparametarske testove Predavač: Dr Mirko Savić savicmirko@ef.uns.ac.rs www.ef.uns.ac.rs Hi-kvadrat testovi c Str. 149 Koristi se za upoređivanje dve serije frekvencija. Vrste c testa:
Διαβάστε 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 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 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 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 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 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 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 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 περισσότεραNeparametarski testovi za dva nezavisna uzorka. Boris Glišić 208/2010 Bojana Ružičić 21/2010
Neparametarski testovi za dva nezavisna uzorka Boris Glišić 208/2010 Bojana Ružičić 21/2010 Neparametarski testovi Hipoteze o raspodeli obeležja se nazivaju neparametarske hipoteze, a odgovarajući testovi
Διαβάστε 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 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 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 περισσότεραDefinicija: Hipoteza predstavlja pretpostavku koja je zasnovana na određenim činjenicama (najčešće naučnim ili iskustvenim).
Str. 53;76; Testiranje statističkih hipoteza Predavač: Dr Mirko Savić savicmirko@eccf.su.ac.yu www.eccf.su.ac.yu Definicija: Hipoteza predstavlja pretpostavku koja je zasnovana na određenim činjenicama
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 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 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 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 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 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 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 περισσότεραStr
Str. Testiranje statističkih hipoteza Predavač: Dr Mirko Savić savicmirko@ef.uns.ac.rs www.ef.uns.ac.rs Definicija: Hipoteza predstavlja pretpostavku koja je zasnovana na određenim činjenicama (najčešće
Διαβάστε 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 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 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 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 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 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 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 περισσότερα(P.I.) PRETPOSTAVKA INDUKCIJE - pretpostavimo da tvrdnja vrijedi za n = k.
1 3 Skupovi brojeva 3.1 Skup prirodnih brojeva - N N = {1, 2, 3,...} Aksiom matematičke indukcije Neka je N skup prirodnih brojeva i M podskup od N. Ako za M vrijede svojstva: 1) 1 M 2) n M (n + 1) M,
Διαβάστε 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 περισσότεραXI dvoqas veжbi dr Vladimir Balti. 4. Stabla
XI dvoqas veжbi dr Vladimir Balti 4. Stabla Teorijski uvod Teorijski uvod Definicija 5.7.1. Stablo je povezan graf bez kontura. Definicija 5.7.1. Stablo je povezan graf bez kontura. Primer 5.7.1. Sva stabla
Διαβάστε 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 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 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 περισσότεραTRIGONOMETRIJA TROKUTA
TRIGONOMETRIJA TROKUTA Standardne oznake u trokutuu ABC: a, b, c stranice trokuta α, β, γ kutovi trokuta t,t,t v,v,v s α,s β,s γ R r s težišnice trokuta visine trokuta simetrale kutova polumjer opisane
Διαβάστε 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 περισσότεραFunkcije dviju varjabli (zadaci za vježbu)
Funkcije dviju varjabli (zadaci za vježbu) Vidosava Šimić 22. prosinca 2009. Domena funkcije dvije varijable Ako je zadano pridruživanje (x, y) z = f(x, y), onda se skup D = {(x, y) ; f(x, y) R} R 2 naziva
Διαβάστε 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 περισσότερα9.1 Testovi hipoteza u statistici
196 9 Testiranje parametarskih hipoteza 9.1 Testovi hipoteza u statistici Popularan metod dokazivanja teorema u matematici je deductio ad absurdum, dovod enje do protivrečnosti ako se pretpostavi suprotno
Διαβάστε περισσότεραa M a A. Može se pokazati da je supremum (ako postoji) jedinstven pa uvodimo oznaku sup A.
3 Infimum i supremum Definicija. Neka je A R. Kažemo da je M R supremum skupa A ako je (i) M gornja meda skupa A, tj. a M a A. (ii) M najmanja gornja meda skupa A, tj. ( ε > 0)( a A) takav da je a > M
Διαβάστε 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 περισσότεραNEPARAMETRIJSKE TEHNIKE
NEPARAMETRIJSKE TEHNIKE Neparametrijske tehnike se koriste za obradu podataka dobijenih na nominalnim i ordinalnim skalama. za testiranje značajnosti distribucije frekvencija po kategorijama jedne nominalne
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 περισσότεραPočela biostatistike, Poslijediplomski interdisciplinarni doktorski studij Molekularne bioznanosti. Molekularne bioznanosti. Molekularne bioznanosti
Analiza brojčanih podataka Nora Nikolac Klinički zavod za kemiju KB Sestre milosrdnice Kolegij: Počela biostatistike Statistička hipoteza postupak testiranja 1. postavljanje hipoteze: H 0, H 1 2. odabir
Διαβάστε περισσότεραPOVRŠINA TANGENCIJALNO-TETIVNOG ČETVEROKUTA
POVRŠIN TNGENIJLNO-TETIVNOG ČETVEROKUT MLEN HLP, JELOVR U mnoštvu mnogokuta zanimljiva je formula za površinu četverokuta kojemu se istoobno može upisati i opisati kružnica: gje su a, b, c, uljine stranica
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 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 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 περισσότεραFTN Novi Sad Katedra za motore i vozila. Teorija kretanja drumskih vozila Vučno-dinamičke performanse vozila: MAKSIMALNA BRZINA
: MAKSIMALNA BRZINA Maksimalna brzina kretanja F O (N) F OI i m =i I i m =i II F Oid Princip određivanja v MAX : Drugi Njutnov zakon Dokle god je: F O > ΣF otp vozilo ubrzava Kada postane: F O = ΣF otp
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 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 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 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 περισσότεραIzbor statističkih testova Ana-Maria Šimundić
Izbor statističkih testova Ana-Maria Šimundić Klinički zavod za kemiju Klinička jedinica za medicinsku biokemiju s analitičkom toksikologijom KBC Sestre milosrdnice Izbor statističkog testa Tajna dobrog
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 περισσότεραUvod u neparametarske testove
Str. 644;1;148 Uvod u neparametarske testove Predavač: Dr Mirko Savić savicmirko@eccf.su.ac.yu www.eccf.su.ac.yu Hi-kvadrat testovi χ Str. 646;1;149 Koristi se za upoređivanje dve serije frekvencija. Vrste
Διαβάστε περισσότεραKlasifikacija blizu Kelerovih mnogostrukosti. konstantne holomorfne sekcione krivine. Kelerove. mnogostrukosti. blizu Kelerove.
Klasifikacija blizu Teorema Neka je M Kelerova mnogostrukost. Operator krivine R ima sledeća svojstva: R(X, Y, Z, W ) = R(Y, X, Z, W ) = R(X, Y, W, Z) R(X, Y, Z, W ) + R(Y, Z, X, W ) + R(Z, X, Y, W ) =
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 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 περισσότεραObrada signala
Obrada signala 1 18.1.17. Greška kvantizacije Pretpostavka je da greška kvantizacije ima uniformnu raspodelu 7 6 5 4 -X m p x 1,, za x druge vrednosti x 3 x X m 1 X m = 3 x Greška kvantizacije x x x p
Διαβάστε περισσότεραPrediktor-korektor metodi
Prediktor-korektor metodi Prilikom numeričkog rešavanja primenom KP: x = fx,, x 0 = 0, x 0 x b LVM α j = h β j f n = 0, 1, 2,..., N, javlja se kompromis izmed u eksplicitnih metoda, koji su lakši za primenu
Διαβάστε περισσότεραNOMENKLATURA ORGANSKIH SPOJEVA. Imenovanje aromatskih ugljikovodika
NOMENKLATURA ORGANSKIH SPOJEVA Imenovanje aromatskih ugljikovodika benzen metilbenzen (toluen) 1,2-dimetilbenzen (o-ksilen) 1,3-dimetilbenzen (m-ksilen) 1,4-dimetilbenzen (p-ksilen) fenilna grupa 2-fenilheptan
Διαβάστε 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 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 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 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 περισσότεραPostoji nekoliko statidtičkih testova koji koriste t raspodelu, koji se jednim imenom zovu t-testovi.
Postoji nekoliko statidtičkih testova koji koriste t raspodelu, koji se jednim imenom zovu t-testovi. U SPSS-u su obradjeni: t test razlike između aritmetičke sredine osnovnog skupa i uzorka t test razlike
Διαβάστε περισσότεραPOSTAVLJANJE I TESTIRANJE HIPOTEZA
POSTAVLJANJE I TESTIRANJE HIPOTEZA Hipoteza je precizno formulisana verbalna tvrdnja, pretpostavka o karakteristici jednog skupa ili o odnosu vrednosti posmatrane karakteristike u više skupova. U statističkim
Διαβάστε περισσότεραLinearna algebra 2 prvi kolokvij,
1 2 3 4 5 Σ jmbag smjer studija Linearna algebra 2 prvi kolokvij, 7. 11. 2012. 1. (10 bodova) Neka je dano preslikavanje s : R 2 R 2 R, s (x, y) = (Ax y), pri čemu je A: R 2 R 2 linearan operator oblika
Διαβάστε περισσότεραOblasti izučavanja. VIII.1. Osnovni principi izvlačenja uzoraka. VIII. Izvlačenje uzoraka IZVLAČENJE UZORAKA 04/12/2014
Oblasti izučavanja IZVLAČENJE UZORAKA 1. Priroda i obuhvat marketinških istraživanja 2. Izvori podataka u marketinškim istraživanjima 3. Faze istraživačkog procesa 4. Eksploratorna istraživanja 5. Deskriptivna
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 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 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 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 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 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 περισσότεραX. Testiranje hipoteza. Osnovni koncepti testiranja hipoteza TESTIRANJE HIPOTEZA OSNOVNI KONCEPTI I TESTOVI POVEZANOSTI 19/11/15
TESTIRANJE HIPOTEZA OSNOVNI KONCEPTI I TESTOVI POVEZANOSTI X. Testiranje hipoteza Osnovni koncepti testiranja hipoteza Unakrsno tabeliranje i hi-kvadrat Testiranje hipoteza o srednjoj vrednosti i proporcijama
Διαβάστε 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 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 περισσότεραZadaci iz trigonometrije za seminar
Zadaci iz trigonometrije za seminar FON: 1. Vrednost izraza sin 1 cos 6 jednaka je: ; B) 1 ; V) 1 1 + 1 ; G) ; D). 16. Broj rexea jednaqine sin x cos x + cos x = sin x + sin x na intervalu π ), π je: ;
Διαβάστε 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 περισσότεραOBRTNA TELA. Vladimir Marinkov OBRTNA TELA VALJAK
OBRTNA TELA VALJAK P = 2B + M B = r 2 π M = 2rπH V = BH 1. Zapremina pravog valjka je 240π, a njegova visina 15. Izračunati površinu valjka. Rešenje: P = 152π 2. Površina valjka je 112π, a odnos poluprečnika
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 περισσότεραOtpornost R u kolu naizmjenične struje
Otpornost R u kolu naizmjenične struje Pretpostavimo da je otpornik R priključen na prostoperiodični napon: Po Omovom zakonu pad napona na otporniku je: ( ) = ( ω ) u t sin m t R ( ) = ( ) u t R i t Struja
Διαβάστε 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 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 περισσότερα