Testiranje statisti kih hipoteza. Vjeºbe - Statistika Praktikum
|
|
- Δάμων Μπότσαρης
- 5 χρόνια πριν
- Προβολές:
Transcript
1 Vjeºbe - Statistika Praktikum Testiranje statisti kih hipoteza
2 Testiranje statisti kih hipoteza Statisti ka hipoteza je pretpostavka o populacijskoj razdiobi promatrane varijable. U statisti kom modelu P statisti ka hipoteza H izdvaja podskup H P U parametarskim modelima to e biti izjava o vrijednostima nepoznatog parametra - parametarska hipoteza pa je moºemo identicirati s nekim podskupom prostora parametata H = Θ 0 Θ. Kaºemo da je statisti ka hipoteza jednostavna ako je njome u jednozna no odrežena populacijska distribucija, u suprotnom je sloºena. Npr. H : θ = 2 - jednostavna H : θ > 2 - sloºena
3 Statisti ke hipoteze skra eno zapisujemo H 0 : nulta hipoteza H H 1 : alternativna hipoteza H = P \ H Npr. H 0 : θ 2 H 1 : θ > 2
4 Statisti ki test je pravilo temeljeno na realizaciji slu ajnog uzorka iz populacije koje koristimo da bi donijeli odluku o odbacivanju ili ne odbacivanju hipoteze H 0. To pravilo dijeli skup svih mogu ih realizacija na dva disjunktna skupa C r i C C r. C r - kriti no podru je - ako realizacija pripada C r onda odbacujemo H 0. Hipoteze se uvijek postavljaju tako da se prije provoženja testa smatra da vrijedi nulta hipoteza H 0. Ako ne odbacimo H 0, ni²ta se ne e dogoditi. To moºemo usporediti sa suženjem: Nitko nije kriv dok mu se ne dokaºe krivnja. U tom slu aju hipoteze su H 0 : optuºeni nije kriv H 1 : optuºeni je kriv
5 Uvijek govorimo o odbacivanju (postoji dovoljno dokaza za krivnju) ili ne odbacivanju (ne postoji dovoljno dokaza za krivnju) nulte hipoteze. Nije dobro re i prihva amo nultu hipotezu - to bi zna ilo da je ona to na samo zato jer je nismo uspjeli opovrgnuti (nije dokazano da je osoba nevina, ve samo da ne postoji dovoljno dokaza da se proglasi krivom) Kod odbacivanja, esto kaºemo odbacujemo hipotezu H 0 u korist hipoteze H 1
6 Sve odluke temeljene na uzorcima iz populacije nisu 100% pouzdane, pa ni zaklju ak testa ne mora biti 100% pouzdan. istina zaklju ak testa ne odbaciti H 0 odbaciti H 0 H 0 dobra odluka pogre²ka I. tipa H 1 pogre²ka II. tipa dobra odluka pogre²ka I. tipa - odbaciti hipotezu onda kada je ona istinita, tj. x C r, ali H 0 istinita pogre²ka II. tipa - ne odbaciti hipotezu onda kada ona nije istinita, tj. x / C r, ali H 0 nije istinita za primjer: pogre²ka I. tipa - optuºiti nevinu osobu pogre²ka II. tipa - osloboditi osobu koja je stvarno kriva
7 U pravilu, za nultu hipotezu se uvijek uzimaju jednostavne hipoteze. Za nulte hipoteze uzimamo one hipoteze za koje ºelimo kontrolirati vjerojatnost da emo ih odbaciti ako su istinite (vjerojatnost pogre²aka prve vrste). Primjer 1. Kockar je optuºen da je koristio namje²tenu kocku. Koju nultu hipotezu koristi statisti ar kada provodi odgovaraju i test za sud? H 0 : kocka je simetri na Trebamo kontrolirati vjerojatnost da emo pogrije²iti ako odbacimo H 0, tj. da se proglasi krivim nevini ovjek. Primjer 2. Tvornica je proizvela novu seriju padobrana. Kontrolor kvalitete mora statisti kim testom odlu iti ho e li padobrane propustiti na trºi²te ili ne. Koju hipotezu treba uzeti kao nultu? H 0 : padobran nije ispravan Trebamo kontrolirati vjerojatnost da emo pogrije²iti ako odbacimo H 0, tj. da padobran proglasimo ispravnim, a on to nije.
8 Idealan statisti ki test bi bio X C r X / C r H nije istinita H istinita Nemogu e!
9 Funkcija jakosti testa odreženog kriti nim podru jem C r π(θ) = P θ (X C r ), θ Θ. (vjerojatnost odbacivanja H) Uo imo: za θ H, π(θ) je vjerojatnost pogre²ke prve vrste za θ / H, 1 π(θ) = P θ (X / C r ) je vjerojatnost pogre²ke druge vrste Razina zna ajnosti testa se denira s α = sup π(θ) = sup P θ (X C r ). θ H θ H
10 Uniformno najja i test razine zna ajnosti α je test deniran kriti nim podru jem C r za koje vrijedi (i) sup{p θ (X C r ) : θ H} α (ii) π C (θ) π C r r (θ), θ H, za svako drugo kriti no podru je C r razine zna ajnosti α Ideja Neyman-Pearsonovog pristupa kreiranju statisti kog testa je ksirati razinu zna ajnosti α, a zatim denirati kriti no podru je koje e imati minimalnu vrijednost β = sup(1 π(θ)) = sup P θ (X / C r ). θ H θ H
11 Lema 1 (Neyman-Pearson). Neka je dan statisti ki model P = {f (x; θ) : θ {θ 0, θ 1 }} i hipoteza H 0 : θ = θ 0 H 1 : θ = θ 1 Kriti no podru je C r (k) = {x : f (x; θ 0 ) kf (x; θ 1 )} za neki k > 0 je najja e kriti no podru je razine zna ajnosti α = P θ0 (X C r (k)}.
12 Ukoliko se kriti no podru je moºe izraziti u terminima neke statistike T (X), onda tu statistiku zovemo test statistika. Neyman-Pearsonov pristup moºe se pro²iriti na sloºene hipoteze i pri tome nam je vaºan sljede i pojam: Denicija 1. Neka je {L(x; θ) : θ Θ R} familija funkcija vjerodostojnosti. Kaºemo da ona ima monotoni kvocijent vjerodostojnosti u statistici T (X) ako se θ 1, θ 2 Θ takve da je θ 1 > θ 2 moºe L(x; θ 1 ) L(x; θ 2 ) izraziti kao neopadaju a funkcija od T (x) i to za sve x za koje je L(x; θ 1 ) > 0, L(x; θ 2 ) > 0.
13 Teorem 1. Neka je {L(x; θ) : θ Θ R} familija koja ima monotoni kvocijent vjerodostojnosti u t(x). Neka je C r = {x : L(x; θ 0 ) kl(x; θ 1 ) kriti no podru je razine zna ajnosti α za testiranje hipoteza H 0 : θ = θ 0 H 1 : θ = θ 1 (i) Ako je θ 0 < θ 1 tada je C r uniformno najja e kriti no podru je nivoa zna ajnosti α za testiranje H 0 : θ = θ 0 H 1 : θ > θ 0 (ii) Ako je θ 0 > θ 1 tada je C r uniformno najja e kriti no podru je nivoa zna ajnosti α za testiranje H 0 : θ = θ 0 H 1 : θ < θ 0
14 Primjer Na sljede em primjeru promotrimo dosad denirane pojmove. Neka osoba tvrdi da je vidovita. Odlu ili smo to provjeriti statisti kim testom. Odabrali smo 25 karata okrenutih na poležinu, te dali osobi da pogaža koje su boje (karo, pik, herc, tref). Uo imo da tada imamo slu ajan uzorak (X 1,..., X 25 ) iz Bernoullijeve distribucije pri emu je 1 pogožena boja karte (s vjerojatno² u p), a 0 nije pogožena boja (s vjerojatno² u 1 p) Ozna imo ukupan broj pogoženih karata S = 25 i=1 X i. O igledno S B(25, p) - binomna distribucija. Postavljamo hipoteze H 0 : p = 1 4 H 1 : p > 1 4 osoba nije vidovita - slu ajno pogaža osoba je vidovita - ne radi se samo o sre i
15 NP pristup nam sugerira da kriti no podru je odredimo promatranjem kvocijenta funkcija vjerodostojnosti Ozna imo p 0 = 1/4 i p 1 > p 0 L(x; p 0 ) L(x; p 1 ) = 25 i=1 px i 0 (1 p 0) 1 x i 25 i=1 px i 25 i =1 x i 1 (1 p 1) 1 x i = p 0 (1 p 0 ) i =1 x i 25 i =1 p x i 1 (1 p 1 ) i =1 x i ( ) 25 ( ) p0 i =1 (1 p 1 ) x i 25 1 p0 =, x i {0, 1} p 1 (1 p 0 ) 1 p 1 L(x; p 0 ) L(x; p 1 ) k 25 x i ln p 0(1 p 1 ) p 1 (1 p 0 ) k 1, i=1 25 i=1 x i K. ( ) p0 (1 p 1 ) p 1 (1 p 0 ) < 1
16 Dakle, kriti no podru je treba odrediti tako da odredimo broj karata K koje osoba mora pogoditi da bi je mogli proglasiti vidovitom (odbaciti H 0 ). Kako odrediti K? Primjerice, ako je K = 25, vjerojatnost pogre²ke I. tipa iznosi P( odbaciti H 0 H 0 istinita ) = P(S = 25 p = 1 4 ) = P(B(25, 1/4) = 25) = To je dobro, vrlo je mala vjerojatnost da nekog proglasimo vidovitim ako on to nije, mežutim, vjerojatnost pogre²ke II. tipa je P( ne odbaciti H 0 H 0 nije istinita ) = P(S < 25 p > 1 4 ) = 1 P(B(25, p) = 25) = 1 p 25 npr. za p = 1/2 to je Neprihvatljivo velika vjerojatnost da za uistinu vidovitu osobu ne odbacimo nultu hipotezu (da nije vidovita)
17 NP pristup nam govori da za izvedeno kriti no podru je treba jo² samo odabrati ºeljenu razinu zna ajnosti i tako odrediti K. Drugim rije ima, traºimo K tako da je P(S K p = 1 ) = P(B(25, 1/4) K) = α. 4 Odaberimo α. Budu i S ima diskretnu distribuciju, jednakost vjerojatno ne emo mo i posti i za bilo koji α, pa onda biramo takav da gornja jednakost vrijedi za neki K. Izra unamo P(B(25, 1/4) 10) = P(B(25, 1/4) 11) = P(B(25, 1/4) 12) = Odabrat emo razinu zna ajnosti α = Pripadni K je onda K = 11.
18 Kriti no podru je je C r = {11, 12,..., 24, 25}. Ako osoba pogodi 11 ili vi²e karata, onda odbacujemo nultu hipotezu, tj. zaklju ujemo osoba je vidovita, s vjerojatno² u 97%. Ako osoba pogodi manje od 11 karata, ne odbacujemo nultu hipotezu s vjerojatno² u 97%, tj. nemamo dovoljno dokaza da je osoba vidovita. To zna i da kada bi ovaj test ponovili primjerice 100 puta na nekoj osobi koja nije vidovita, tada bi u pribliºno 97 pokusa test pokazao da osoba nije vidovita. U pribliºno 3 slu aja, osoba bi se uspjela provu i kao vidovita.
19 Pretpostavimo sada da smo napravili testiranje na nekoj osobi i da je ona pogodila 12 karata. Budu i P(B(25, 1/4) 12) = , ak i uz razinu zna ajnosti , H 0 bi bila odba ena, tj. osobu bi proglasili vidovitom. To je najmanja razina zna ajnosti uz koju bi H 0 bila odba ena, jer ve za α = 0.01 broj 12 ne bi bio u kriti nom podru ju. Ta vrijednost naziva se p-vrijednost. to je p-vrijednost manja to je dokaz protiv H 0 ja i.
20 Intuitivan pristup kreiranju statisti kog testa 1 Prona i test statistiku ija se distribucija u H razlikuje od distribucije u H. Kori²tenjem te razlike denira se kriti no podru je. 2 Test statistiku odabiremo kori²tenjem teorije procjene i dobrih procjenitelja za parametre o kojima testiramo hipoteze. Tim statistikama potrebno je poznavati distribucije, ili barem asimptotske distribucije u H, a dobro ih je znati i u 3 Neka je T (X) odabrana test statistika. Ako se dio skupa vrijednosti od T (X) moºe podijeliti na C r i C C r tako da P θ (T (X) C r ) α, θ H, moºe se denirati test zna ajnosti α. 4 Ako se moºe analizirati P θ (T (X) C r ) i za θ H, onda se moºe dosta toga re i o testu, iako ovim pristup ne znamo da li je optimalan. H.
21 Test o o ekivanju normalne distribucije uz poznatu varijancu (z-test) X = (X 1,..., X n ) jednostavan slu ajan uzorak iz N (µ, σ 2 ), σ 2 poznato. šelimo testirati je li o ekivanje slu ajnog uzorka jednako nekoj zadanoj vrijednosti µ 0. Dvostrani test Hipoteze testa: H 0 : µ = µ 0 H 1 : µ µ 0 Treba nam statistika ija distribucija se razlikuje u H 0 i u H 1 Promotrimo T (X) = X n µ 0 σ n
22 U uvjetima H 0, tj. µ = µ 0 je T (X) N (0, 1) U uvjetima H 1, tj. µ µ 0, T (X) e biti normalno distribuirana, ali njeno o ekivanje nije 0 i ovisi o µ Kriti no podru je traºimo u obliku komplementa intervala simetri nog oko 0, i to tako da kontroliramo gre²ku I. tipa (odredimo unaprijed njenu vjerojatnost): P µ0 ( T (X) zα/2 ) = α. Budu i je T (X) N (0, 1) u uvjetima H 0, od prije znamo da je z α/2 upravo (1 α/2)-kvantil standardne normalne distribucije. Kriti no podru je C r = { x : T (x) (, z α/2 ] [z α/2, ) }.
23 Uo imo da je komplement kriti nog podru ja upravo pouzdani interval za o ekivanje normalno distribuirane populacije uz poznatu varijancu (test statistika = pivotna veli ina) [ T (x) [ z α/2, z α/2 ] µ 0 X n z α/2 σ n, Xn + z α/2 σ n ]. Pojednostavljeno, ako za danu realizaciju µ 0 pripada dvostranom (1 α) pouzdanom intervalu, onda ne odbacujemo nultu hipotezu. U suprotnom je odbacujemo, sve na razini zna ajnosti α.
24 Intuitivno: Neka je α = Ako je nulta hipoteza istinita, tada je s vjerojatno² u 0.95 realizacija test statistike T (x) u intervalu [ z α/2, z α/2 ]. Ako se dogodi takva realizacija, nemamo razloga odbaciti nultu hipotezu. Ako se pak dogodi da T (x) / [ z α/2, z α/2 ], vjerojatnost tog dogažaja je samo 0.05 pod uvjetom da je H 0 istinita. Onda na nivou zna ajnosti 0.05 moºemo odbaciti H 0, jer vjerojatnost da se dogodi takva realizacija uz uvjet da je H 0 istinito je manja od 0.05.
25 Jednostrani test (1) Hipoteze testa: H 0 : µ = µ 0 H 1 : µ > µ 0 Opet koristimo istu test statistiku U uvjetima H 0, tj. µ = µ 0 je T (X) N (0, 1) U uvjetima H 1, tj. µ > µ 0, T (X) e biti normalno distribuirana, ali njeno o ekivanje e biti ve e od 0 (jer µ µ 0 > 0) Stoga kriti no podru je traºimo u obliku intervala [z α, ), i to tako da kontroliramo gre²ku I. tipa (odredimo unaprijed njenu vjerojatnost): P µ0 (T (X) z α ) = α. z α je upravo (1 α)-kvantil standardne normalne distribucije Kriti no podru je je oblika C r = {x : T (x) [z α, )}.
26 Jednostrani test (2) Hipoteze testa: H 0 : µ = µ 0 H 1 : µ < µ 0 Opet koristimo istu test statistiku U uvjetima H 0, tj. µ = µ 0 je T (X) N (0, 1) U uvjetima H 1, tj. µ < µ 0, T (X) e biti normalno distribuirana, ali njeno o ekivanje e biti manje od 0 (jer µ µ 0 < 0) Stoga kriti no podru je traºimo u obliku intervala (, z α ], i to tako da kontroliramo gre²ku I. tipa (odredimo unaprijed njenu vjerojatnost): P µ0 (T (X) z α ) = α. z α je upravo α-kvantil standardne normalne distribucije Kriti no podru je je oblika C r = {x : T (x) (, z α ]}.
27 U ra unalnim programima (pa i u R-u), ve ina testova daje kao rezultat i p-vrijednost. p-vrijednost - vjerojatnost da test statistika poprimi vrijednosti koje su, uz pretpostavku da je H 0 istinita, manje ili jednako vjerojatne od opaºene vrijednosti test statistike. (jednake ili ekstremnije od opaºene vrijednosti) Ako smo testirali H 0 : µ = µ 0 H 1 : µ > µ 0 na uzorku za koji je vrijednost test statistike t, onda je p-vrijednost p = P(T t H 0 ). Za H 1 : µ < µ 0 je p = P(T t H 0 ). Za dvostrani test p-vrijednost je p = P( T t H 0 ) =. Budu i znamo distribuciju test statistike pod H 0, te vjerojatnosti nije te²ko izra unati.
28 Pomo u p-vrijednosti moºemo zaklju iti sljede e: ako je p α odbacujemo H 0 na nivou zna ajnosti α (jer je tada t u kriti nom podru ju) ako je p > α ne odbacujemo H 0 na nivou zna ajnosti α (jer tada t nije u kriti nom podru ju)
29 Zadaci Zadatak 1. Neki proizvoda proizvodi sajle ija je izdrºljivost u prosjeku jednaka 1800 kg uz standardnu devijaciju od 100 kg i normalno distribuirana. Nedavno je proizvoža uveo novu tehniku proizvodnje i tvrdi da se na taj na in mogu dobiti sajle ve e izdrºljivosti. Odabran je slu ajni uzorak od 50 sajli proizvedenih novom tehnikom i izra unata je prosje na izdrºljivost od 1850 kg. Uz pretpostavku da je izdrºljivost sajli normalno distribuirana, moºe li se na nivou zna ajnosti od 1% zaklju iti da se novom tehnikom mogu dobiti izdrºljivije sajle?
30 Zadatak 2. Rezultati standardiziranog IQ testa na op oj populaciji imaju o ekivanu vrijednost 100 i standardnu devijaciju 15 po normalnoj distribuciji. Za neku populaciju od 50 osoba ºeli se utvrditi ima li o ekivanu IQ manji od prosjeka cijele populacije. Tih 50 osoba je ostvarilo prosje an rezultat 98. Moºemo li na nivou zna ajnosti 0.05 tvrditi da su ispodprosje no inteligentni? Na kojem nivou zna ajnosti bi mogli?
31 Test o o ekivanju normalne distribucije - nepoznata varijanca (t-test) X = (X 1,..., X n ) jednostavan slu ajan uzorak iz N (µ, σ 2 ), σ 2 nepoznato. Dvostrani test Hipoteze testa: Za test statistiku sad uzimamo H 0 : µ = µ 0 H 1 : µ µ 0 T (X) = X n µ 0. S n n 1
32 U uvjetima H 0, tj. µ = µ 0 je T (X) t n 1 U uvjetima H 1, tj. µ µ 0, T (X) ne e imati t distribuciju Kriti no podru je traºimo tako da ( P µ0 T (X) tn 1,α/2) = α. Budu i je T (X) t n 1, od prije znamo da je t n 1,α/2 upravo (1 α/2)-kvantil t distribucije s n 1 stupnjeva slobode. Kriti no podru je C r = { x : T (x) (, t n 1,α/2] [t n 1,α/2, ) }.
33 Jednostrani test (1) Hipoteze testa: H 0 : µ = µ 0 H 1 : µ > µ 0 U uvjetima H 0, tj. µ = µ 0 je T (X) t n 1 U uvjetima H 1, tj. µ > µ 0, T (X) ne e imati t distribuciju i pomaknuta je udesno (zbog µ > µ 0 ) Kriti no podru je traºimo u obliku intervala [t n 1,α, ) tako da P µ0 (T (X) t n 1,α) = α. t n 1,α je upravo (1 α)-kvantil t distribucije s n 1 stupnjeva slobode Kriti no podru je C r = {x : T (x) [t n 1,α, )}.
34 Jednostrani test (2) Hipoteze testa: H 0 : µ = µ 0 H 1 : µ < µ 0 U uvjetima H 0, tj. µ = µ 0 je T (X) t n 1 U uvjetima H 1, tj. µ < µ 0, T (X) ne e imati t distribuciju i pomaknuta je ulijevo (zbog µ > µ 0 ) Kriti no podru je traºimo u obliku intervala (, t n 1,α] tako da P µ0 (T (X) t n 1,α) = α. t n 1,α je upravo α-kvantil t distribucije s n 1 stupnjeva slobode Kriti no podru je C r = {x : T (x) (, t n 1,α]}.
35 Zadaci Zadatak 3. U itajte paket BSDA. U bazi podataka Aids nalaze se podaci o pacijentima za koje se sumnja da su zaraºeni HIV-om preko transfuzije krvi. Varijabla duration sadrºi podatke o vremenu inkubacije virusa i pretpostavimo da je normalno distribuirana. Testirajte je li prosje no vrijeme 30 dana ili dulje na razini zna ajnosti 0.05.
36 Zadatak 4. Proizvoža tvrdi da je prosje no maksimalno optere enje ºice koju proizvodi 60kg. Na slu ajan na in izabran je uzorak od 14 ºica i izra unate su procjene za o ekivanje 59 i za standardnu devijaciju 0.92, a distribucija je normalna. Konkurent tvrdi da su ºice slabije. Testirajte tko je u pravu na nivou zna ajnosti 0.05.
37 Zadatak 5. U datoteci cokolada.txt nalaze se podaci o teºini okolade jednog proizvoža a koja je deklarirana kao 100g i pretpostavimo da su normalno distribuirani. Inspekcija je uzela uzorak i ºeli provjeriti na razini zna ajnosti 0.05 da li proizvoža vara svoje potro²a e.
38 Zadatak 6. U itajte paket BSDA. U bazi podataka Chesapea nalaze se podaci o izmjerenoj slano i mora u jednom zaljevu i pretpostavimo da su normalno distribuirani. Testirajte je li prosje na slano a 7 ili nije na razini zna ajnosti 0.01.
39 Test o varijanci normalne distribucije X = (X 1,..., X n ) jednostavan slu ajan uzorak iz N (µ, σ 2 ). šelimo testirati je li varijanca jednaka nekoj zadanoj vrijednosti σ0 2 Dvostrani test Hipoteze testa: Za test statistiku uzimamo H 0 : σ 2 = σ 2 0 H 1 : σ 2 σ 2 0 T (X) = (n 1) S 2 n. σ 2 0
40 U uvjetima H 0, tj. σ 2 = σ 2 0 je T (X) χ2 n 1 U uvjetima H 1, tj. σ 2 σ 2 0, T (X) ne e imati χ2 distribuciju Kriti no podru je traºimo tako da P µ0 ( T (X) [0, h n 1,α/2] [h n 1,α/2, ) ) = α. Budu i je T (X) χ 2 n 1, od prije znamo da je h n 1,α/2 je α/2 kvantil, a h n 1,α/2 je 1 α/2 kvantil χ2 n 1 distribucije Kriti no podru je C r = {x : T (x) [0, h n 1,α/2] [h n 1,α/2, ) }.
41 Jednostrani test (1) Hipoteze testa: H 0 : σ 2 = σ 2 0 H 1 : σ 2 > σ 2 0 U uvjetima H 0, tj. σ 2 = σ 2 0 je T (X) χ2 n 1 U uvjetima H 1, tj. σ 2 > σ 2 0, T (X) ne e imati χ2 distribuciju, a distribucija e biti pomaknuta udesno Kriti no podru je traºimo u obliku intervala [h n 1,α, ) tako da P µ0 ( T (X) h n 1,α) = α. h n 1,α je upravo (1 α)-kvantil χ2 distribucije s n 1 stupnjeva slobode Kriti no podru je C r = { x : T (x) [h n 1,α, ) }.
42 Jednostrani test (2) Hipoteze testa: H 0 : σ 2 = σ 2 0 H 1 : σ 2 < σ 2 0 U uvjetima H 0, tj. σ 2 = σ0 2 je T (X) χ2 n 1 U uvjetima H 1, tj. σ 2 < σ0 2, T (X) ne e imati χ2 distribuciju, a distribucija e biti pomaknuta ulijevo Kriti no podru je traºimo u obliku intervala [0, h n 1,α] tako da P µ0 (T (X) h n 1,α) = α. h n 1,α je upravo α-kvantil χ 2 distribucije s n 1 stupnjeva slobode Kriti no podru je C r = {x : T (x) [0, h n 1,α]}.
43 Zadaci Zadatak 7. Standardna devijacija godi²njih temperatura u nekom gradu mjerena u periodu od 100 godina je bila 8 C. Mjerena je srednja dnevna temperatura 15. dana u mjesecu u zadnjih 15 godina i izra unata je standardna devijacija godi²njih temperatura od 5 C. Uz pretpostavku o normalnosti temperatura, moºemo li na razini zna ajnosti 0.01 zaklju iti da je temperatura u zadnjih 15 godina postala manje varijabilna?
44 Testovi o parametru o ekivanja na osnovu velikih uzoraka Ovdje ne pretpostavljamo da je populacija normalno distribuirana, ali pretpostavljamo da je varijanca kona na. Neka je X = (X 1,..., X n ) jednostavan slu ajan uzorak, µ = EX 1 i Var(X ) = σ 2 < Po centralnom grani nom teoremu, test statistika T (X) = X n µ 0 n A N (0, 1). σ Za velike uzorke (barem n > 30), testiranje o parametru o ekivanja s nultom hipotezom H 0 : µ = µ 0, provodimo jednako kao i z-test za normalno distribuiranu populaciju
45 Zadaci Zadatak 8. Proizvoža tvrdi da njegove po²iljke sadrºe najvi²e 7% defektnih proizvoda. Uzet je slu ajni uzorak od 200 proizvoda iz jedne velike po²iljke i ustanovljeno je da je u njemu 22 defektna prozivoda. Ima li proizvoža pravo? (α = 0.05)
46 Zadatak 9. U datoteci golovi.txt nalazi tablica o broju golova u 380 utakmica. Gra ki pokaºite da podaci imaju Poissonovu distribuciju. Treba testirati hipotezu da je o ekivani broj golova po utakmici jednak 2.5 na nivou zna ajnosti 0.05
47 Vježbe 4. testiranje statističkih hipoteza ########################################################################### # z-test - Test o očekivanju normalne distribucije (poznata varijanca) # ########################################################################### #z-test nije implementiran u osnovnoj verziji, zbog toga jer ga je vrlo jednostavno provesti. #osim toga, u praksi se malo koristi, jer u većini slučajeva ne znamo točnu varijancu uzorka. #Generirajmo slučajan uzorak iz N(0,1) i isprobajmo test x <- rnorm(10) #testiramo: # H0: mu=0 # H1: mu!=0 # 1. NAČIN #Izračunamo test statistiku teststat <- (mean(x)-0)/(1/sqrt(length(x))) #nađimo z_{alfa/2}. Neka je alpha=0.05 alpha < zalfa <- qnorm(1-alpha/2) teststat c(-inf,-zalfa, zalfa,inf) #Kritično područje #ne upada pa ne odbacujemo # 2. NAČIN #nađemo pouzdani interval za očekivanje i onda pogledamo upada li 0 - upada pa ne odbacujemo zalfa <- qnorm(1-alpha/2) dg <- mean(x)-zalfa*1/(sqrt(length(x))) gg <- mean(x)-zalfa*1/(sqrt(length(x))) c(dg,gg) # 3. NAČIN #u paketu TeachingDemos nalazi se funkcija z.test (slična funkcija se nalazi i u paketu BSDA) install.packages("teachingdemos") library(teachingdemos) #Argumenti: Podaci, mu_0, standardna devijacija, vrsta alternativne hipoteze, nivo pouzdanosti pouzdanog intervala(nema veze s nivoom značajnosti) z.test(x,0,1,alternative="two.sided") #daje nam i pouzdani interval #Računanje p-vrijednosti 2*(1-pnorm(teststat)) 1
48 ## Pogledajmo što znači nivo značajnosti. ## Ponovimo test puno puta, svaki put uzimamo uzorak iz N(0,1), alfa% puta ćemo pogriješiti #Rezultatima testa pristupamo s operatorom $ - u helpu pogledati koji su rezultati testa brojac <- 0 for(i in 1:100) { x <- rnorm(10) if(z.test(x,0,1,alternative="two.sided")$p.value<0.05) brojac=brojac+1 } brojac ############### #### Zadatak 1. #Hipoteze: # H0: mu = 1800 (nema promjene u izdržljivosti) # H1: mu > 1800 (izdržljivost se povećala) xpot < sigma <- 100 teststat <- (xpot-1800)/(sigma/sqrt(50)) #Kritično područje je s desne strane alfa < zalfa <- qnorm(1-alfa) c(zalfa, Inf) #Kritično područje teststat #Upada u kritično područje => odbacujemo H_0 na nivou značajnosti 0.01 #Izdržljivost se povećala s vjerojatnošću 0.99 ############### #### Zadatak 2. #Hipoteze: # H0: mu = 100 (jednako inteligentni) # H1: mu < 100 (ispodprosječno inteligentni) teststat <- (98-100)/(15/sqrt(50)) #Kritično područje je s lijeve strane alfa < zalfa <- qnorm(alfa) c(inf, zalfa) #Kritično područje teststat #Ne upada u kritično područje => ne odbacujemo H_0 na nivou značajnosti 0.01 #Ne možemo tvrditi da su ispodprosječno inteligentni #Na kojem nivou značajnosti bi mogli? pnorm(teststat) #Na nivou značajnosti #Zaista, za alfa < zalfa <- qnorm(alfa) c(inf, zalfa) #Kritično područje teststat 2
49 #Sad upada u kritično područje pa sa vjerojatnošću 82% možemo odbaciti H_0 i tvrditi da su ispoprosječno inteligentni ########################################################################### # t-test - Test o očekivanju normalne distribucije (nepoznata varijanca) # ########################################################################### #t-test se može vrlo jednostavno provoditi računanjem kritičnog područja #drugi način je korištenjem R funkcije t.test koja se nalazi u osnovnom paketu stat #Generirajmo slučajan uzorak iz N(0,1) i isprobajmo test (pretpostavljamo da ne znamo varijancu) x <- rnorm(50) #testiramo: # H0: mu=0 # H1: mu!=0 # 1. NAČIN #Izračunamo test statistiku teststat <- (mean(x)-0)/(sd(x)/sqrt(length(x)-1)) #nađimo t_{n-1,alfa/2}. Neka je alpha=0.05 alpha < talfa <- qt(1-alpha/2,length(x)-1) teststat c(-inf,-talfa, talfa,inf) #Kritično područje #ne upada pa ne odbacujemo # 2. NAČIN #R funkcija t.test t.test(x,mu=0,alternative="two.sided", conf.level=0.95) #NAPOMENA: conf.level=0.95 je nivo pouzdanosti za interval pouzdanosti - nema veze s nivoom značajnosti test - to se vidi iz p-vrijednosti #po rezultatu testa vidimo: #najjednostavnije je odmah pogledati p-vrijednost,veća je od 0.05 pa ne odbacujemo H_0 #Dobijemo i pouzdani interval za očekivanje i lako vidimo da mean(x) upada unutra, stoga ne odbacujemo H_0 ############### #### Zadatak 3. #Hipoteze: # H0: mu = 30 # H1: mu > 30 install.packages("bsda") library(bsda) str(aids) x <- Aids$duration t.test(x,mu=30,alternative="greater") #Odbacujemo hipotezu H_0 na razini značajnosti 0.05 i zaključujemo inkubacija traje duže 3
50 ############### #### Zadatak 4. #Hipoteze: # H0: mu = 60 # H1: mu < 60 teststat <- (59-60)/(0.92/sqrt(14-1)) #Sad ne možemo koristit funkciju jer je sve već izračunato. #Kritično područje je s lijeve strane talfa <- qt(0.05,13) c(-inf, talfa) #kritično područje teststat #Odbacujemo hipotezu na razini značajnosti Konkurent je u pravu. ############### #### Zadatak 5. #Hipoteze: # H0: mu = 7 # H1: mu!= 7 coko <- read.table("cokolada.txt") str(coko) coko <- coko$v1 t.test(coko,mu=100,alternative="less") #Odbacujemo hipotezu na razini značajnosti 0.05 (jako mala p-vrijednost) ############### #### Zadatak 6. #Hipoteze: # H0: mu = 7 # H1: mu!= 7 str(chesapea) x <- Chesapea$salinity t.test(x,mu=7,alternative="two.sided") #Ne odbacujemo hipotezu na razini značajnosti 0.01 ########################################################################### # Test o varijanci normalne distribucije # ########################################################################### #Test se vrlo jednostavno provoditi računanjem kritičnog područja #ne postoji neka specijalna R funkcija (po mom saznanju) #Generirajmo slučajan uzorak iz N(0,1) i isprobajmo test (pretpostavljamo da ne znamo varijancu) x <- rnorm(50) #testiramo: 4
51 # H0: sigma^2 = 1 # H1: sigma^2!= 1 #Izračunamo test statistiku teststat <- ((length(x)-1)*var(x))/1 #nađimo h_{n-1,alfa/2} i h'_{n-1,alfa/2}. Neka je alpha=0.05 alpha < halfa <- qchisq(alpha/2,length(x)-1) halfa1 <- qchisq(1-alpha/2,length(x)-1) teststat c(0,halfa, halfa1,inf) #Kritično područje #ne upada pa ne odbacujemo ############### #### Zadatak 7. #Hipoteze: # H0: sigma^2 = 8^2 # H1: sigma^2 < 8^2 n <- 15 teststat <- ((n-1)*5^2)/(8^2) alpha < halfa <- qchisq(alpha,n-1) teststat c(0,halfa) #Kritično područje #Ne upada u kritično područje pa ne odbacujemo H_0 na nivou značajnosti Temperatura nije postala #manje varijabilna u zadnjih 15 godina. ########################################################################### # Testovi o parametru očekivanja za velike uzorke # ########################################################################### ############### #### Zadatak 8. #Radi se o uzorku iz Bernoullijeve distribucije. Neka je vjerojatnost lošeg proizvoda p. #Uzmemo test statistiku # (mean(x)-p)/(sqrt(p(1-p))/sqrt(n)) u uvjetima H_0 ~ N(0,1) asimptotski #Hipoteze: # H0: p = 0.07 # H1: p > 0.07 xnpotez <- 22/200 teststat <- (xnpotez-0.07)/(sqrt(0.07*(1-0.07))/sqrt(200)) alpha < zalfa <- qnorm(1-alpha) teststat c(zalfa,inf) #Kritično područje #Upada u kritično područje pa odbacujemo H_0 na nivou značajnosti Proizvođač laže. ############### 5
52 #### Zadatak 9. #Radi se o uzorku iz Poissonove distribucije. Neka je intezitet lambda. #Uzmemo test statistiku # (mean(x)-lambda)/(sqrt(lambda)/sqrt(n)) u uvjetima H_0 ~ N(0,1) asimptotski #Hipoteze: # H0: lambda = 2.5 # H1: lambda!= 2.5 gol <- read.table("golovi.txt",header=true) gol str(gol) uzorak <- rep(gol$brgol,gol$frek) #ponovi svaki broj golova onoliko puta kolika mu je frekvencija uzorak #uvjerimo se da je stvarno Poissonova plot(density(uzorak)) lines(0:10, dpois(0:10,mean(uzorak)), col="red") xnpotez <- mean(uzorak) teststat <- (xnpotez-2.5)/(sqrt(2.5)/sqrt(length(uzorak))) alpha < zalfa <- qnorm(1-alpha/2) teststat c(-inf,-zalfa,zalfa,inf) #Ne upada u kritično područje pa ne odbacujemo H_0 na nivou značajnosti Nema dokaza da je # prosječan broj golova po utakmici različit od 2.5 6
4 Testiranje statističkih hipoteza
4 Testiranje statističkih hipoteza 1 4.1. Statistička hipoteza Promatramo statističko obilježje X. Statistička hipoteza je (bilo koja) pretpostavka o (populacijskoj) razdiobi od X. Kažemo da je statistička
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 περισσότερα(Hi-kvadrat test) r (f i f ti ) 2 H = f ti. i=1
χ 2 test (Hi-kvadrat test) Jedan od prvih statističkih testova je χ 2 -test. Predložio ga je K. Pearson 900. godine, pa je poznat i pod nazivom Pearsonov test. χ 2 test je neparametarski test. Pomoću χ
Διαβάστε περισσότερα3.1 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 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 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 περισσότεραApsolutno neprekidne raspodele Raspodele apsolutno neprekidnih sluqajnih promenljivih nazivaju se apsolutno neprekidnim raspodelama.
Apsolutno neprekidne raspodele Raspodele apsolutno neprekidnih sluqajnih promenljivih nazivaju se apsolutno neprekidnim raspodelama. a b Verovatno a da sluqajna promenljiva X uzima vrednost iz intervala
Διαβάστε περισσότερα2 tg x ctg x 1 = =, cos 2x Zbog četvrtog kvadranta rješenje je: 2 ctg x
Zadatak (Darjan, medicinska škola) Izračunaj vrijednosti trigonometrijskih funkcija broja ako je 6 sin =,,. 6 Rješenje Ponovimo trigonometrijske funkcije dvostrukog kuta! Za argument vrijede sljedeće formule:
Διαβάστε περισσότεραVJEŽBE IZ MATEMATIKE 1
VJEŽBE IZ MATEMATIKE 1 Ivana Baranović Miroslav Jerković Lekcija 8 Pojam funkcije, grafa i inverzne funkcije Poglavlje 1 Funkcije Neka su X i Y dva neprazna skupa. Ako je po nekom pravilu, ozna imo ga
Διαβάστε περισσότεραELEMENTARNA MATEMATIKA 1
Na kolokviju nije dozvoljeno koristiti ni²ta osim pribora za pisanje. Zadatak 1. Ispitajte odnos skupova: C \ (A B) i (A C) (C \ B). Rje²enje: Neka je x C \ (A B). Tada imamo x C i x / A B = (A B) \ (A
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 περισσότεραMatematička analiza 1 dodatni zadaci
Matematička analiza 1 dodatni zadaci 1. Ispitajte je li funkcija f() := 4 4 5 injekcija na intervalu I, te ako jest odredite joj sliku i inverz, ako je (a) I = [, 3), (b) I = [1, ], (c) I = ( 1, 0].. Neka
Διαβάστε 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 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 περισσότεραPISMENI ISPIT IZ STATISTIKE
1. a) Trgovina odjeće prodaje odjeću u tri različite veličine: 32% veličine S, 44% veličine M i ostatak veličine L. Pokazalo se da je postotak odjeće s greškom redom 1%, 5% i 2%. Ako je trgovina ustanovila
Διαβάστε περισσότεραPrilagodba modela podacima. Vjeºbe - Statistika Praktikum Statisti ki testovi (2)
Vjeºbe - Statistika Praktikum Statisti ki testovi (2) Prilagodba modela podacima U praksi naj e² e imamo sljede i problem: Raspolaºemo s realizacijom nekog slu ajnog uzorka i htjeli bi utvrditi iz kojeg
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 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 περισσότεραTestiranje statističkih hipoteza Materijali za nastavu iz Statistike
Testiranje statističkih hipoteza Materijali za nastavu iz Statistike Kristina Krulić Himmelreich i Ksenija Smoljak 2012/13 1 / 39 Uvod Osnovna zadaća Statistike je na temelju uzorka ocijeniti kakvu razdiobu
Διαβάστε 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 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 περισσότεραFunkcija gustoće neprekidne slučajne varijable ima dva bitna svojstva: 1. Nenegativnost: f(x) 0, x R, 2. Normiranost: f(x)dx = 1.
σ-algebra skupova Definicija : Neka je Ω neprazan skup i F P(Ω). Familija skupova F je σ-algebra skupova na Ω ako vrijedi:. F, 2. A F A C F, 3. A n, n N} F n N A n F. Borelova σ-algebra Definicija 2: Neka
Διαβάστε 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 περισσότεραOptimalnost u procjeni Nepristran procjenitelj minimalne varijance Cramer-Rao donja granica - ekasnost Konzistentnost. Vjeºbe - Statistika II.
Vjeºbe - Statistika II. dio Optimalnost u procjeni Procjenitelja ima puno, pa treba imati kriterije za usporedbu izmežu njih. Radi jednostavnosti promatramo samo jednodimenzionalne parametre θ Θ R Funkcija
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 περισσότεραVJEŽBE IZ MATEMATIKE 1
VJEŽBE IZ MATEMATIKE Ivana Baranović Miroslav Jerković Lekcije i Limesi i derivacije Poglavlje Limesi i derivacije.0. Limesi Limes funkcije f kada teºi nekoj to ki a ovdje a moºe ozna avati i ± moºemo
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 περισσότεραOsnovni primer. (Z, +,,, 0, 1) je komutativan prsten sa jedinicom: množenje je distributivno prema sabiranju
RAČUN OSTATAKA 1 1 Prsten celih brojeva Z := N + {} N + = {, 3, 2, 1,, 1, 2, 3,...} Osnovni primer. (Z, +,,,, 1) je komutativan prsten sa jedinicom: sabiranje (S1) asocijativnost x + (y + z) = (x + y)
Διαβάστε περισσότεραIZVODI ZADACI ( IV deo) Rešenje: Najpre ćemo logaritmovati ovu jednakost sa ln ( to beše prirodni logaritam za osnovu e) a zatim ćemo
IZVODI ZADACI ( IV deo) LOGARITAMSKI IZVOD Logariamskim izvodom funkcije f(), gde je >0 i, nazivamo izvod logarima e funkcije, o jes: (ln ) f ( ) f ( ) Primer. Nadji izvod funkcije Najpre ćemo logarimovai
Διαβάστε περισσότερα1.4 Tangenta i normala
28 1 DERIVACIJA 1.4 Tangenta i normala Ako funkcija f ima derivaciju u točki x 0, onda jednadžbe tangente i normale na graf funkcije f u točki (x 0 y 0 ) = (x 0 f(x 0 )) glase: t......... y y 0 = f (x
Διαβάστε 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 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 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 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 περισσότεραMatematika 4. t x(u)du + 4. e t u y(u)du, t e u t x(u)du + Pismeni ispit, 26. septembar e x2. 2 cos ax dx, a R.
Matematika 4 zadaci sa pro²lih rokova, emineter.wordpress.com Pismeni ispit, 26. jun 25.. Izra unati I(α, β) = 2. Izra unati R ln (α 2 +x 2 ) β 2 +x 2 dx za α, β R. sin x i= (x2 +a i 2 ) dx, gde su a i
Διαβάστε περισσότεραVjeºbe - Statistika Praktikum Statisti ki testovi (1)
Vjeºbe - Statistika Praktikum Statisti ki testovi (1) Usporedba o ekivanja dviju normalno distribuiranih populacija (t-test) Nevezani uzorci Mjerimo neko statisti ko obiljeºje u dvije razli ite populacije
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 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 περισσότεραTeorem 1.8 Svaki prirodan broj n > 1 moºe se prikazati kao umnoºak prostih brojeva (s jednim ili vi²e faktora).
UVOD U TEORIJU BROJEVA Drugo predavanje - 10.10.2013. Prosti brojevi Denicija 1.4. Prirodan broj p > 1 zove se prost ako nema niti jednog djelitelja d takvog da je 1 < d < p. Ako prirodan broj a > 1 nije
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 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 περισσότεραSlučajne varijable. Diskretna slučajna varijabla X je promjenjiva veličina koja poprima vrijednosti iz skupa
Slučajne varijable Statistički podaci su distribuirani po odredenoj zakonitosti. Za matematičko (apstraktno) opisivanje te zakonitosti potrebno je definirati slučajnu varijablu kojoj pripada odredena razdioba
Διαβάστε 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 περισσότερα2.2 Srednje vrijednosti. aritmetička sredina, medijan, mod. Podaci (realizacije varijable X): x 1,x 2,...,x n (1)
2.2 Srednje vrijednosti aritmetička sredina, medijan, mod Podaci (realizacije varijable X): x 1,x 2,...,x n (1) 1 2.2.1 Aritmetička sredina X je numerička varijabla. Aritmetička sredina od (1) je broj:
Διαβάστε 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 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 περισσότεραTRIGONOMETRIJSKE FUNKCIJE I I.1.
TRIGONOMETRIJSKE FUNKCIJE I I Odredi na brojevnoj trigonometrijskoj kružnici točku Et, za koju je sin t =,cost < 0 Za koje realne brojeve a postoji realan broj takav da je sin = a? Izračunaj: sin π tg
Διαβάστε περισσότεραSume kvadrata. mn = (ax + by) 2 + (ay bx) 2.
Sume kvadrata Koji se prirodni brojevi mogu prikazati kao zbroj kvadrata dva cijela broja? Propozicija 1. Ako su brojevi m i n sume dva kvadrata, onda je i njihov produkt m n takoder suma dva kvadrata.
Διαβάστε 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 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 περισσότεραVJEROJATNOST I STATISTIKA 2. kolokvij lipnja 2016.
Broj zadataka: 5 Vrijeme rješavanja: 0 min Ukupan broj bodova: 50 Zadatak.. kolokvij - 0. lipnja 0. (a Ako su X i Y diskretne slučajne varijable, dokažite da vrijedi formula E [X + Y ] = E [X] + E [Y ].
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 περισσότεραUvod u teoriju brojeva
Uvod u teoriju brojeva 2. Kongruencije Borka Jadrijević Borka Jadrijević () UTB 2 1 / 25 2. Kongruencije Kongruencija - izjava o djeljivosti; Teoriju kongruencija uveo je C. F. Gauss 1801. De nicija (2.1)
Διαβάστε περισσότεραPismeni ispit iz matematike Riješiti sistem jednačina i diskutovati rješenja sistema u zavisnosti od parametra: ( ) + 1.
Pismeni ispit iz matematike 0 008 GRUPA A Riješiti sistem jednačina i diskutovati rješenja sistema u zavisnosti od parametra: λ + z = Ispitati funkciju i nacrtati njen grafik: + ( λ ) + z = e Izračunati
Διαβάστε 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 περισσότερα9. TESTIRANJE HIPOTEZA O PARAMETRU. Josipa Perkov, prof., pred. 1
9. TESTIRANJE HIPOTEZA O PARAMETRU Josipa Perkov, prof., pred. 1 na prethodnom predavanju upoznali smo se s metodom i postupcima koji omogućavaju da se iz dijela populacije, koji je slučajno izabran, procijeni
Διαβάστε περισσότερα9. GRANIČNA VRIJEDNOST I NEPREKIDNOST FUNKCIJE GRANIČNA VRIJEDNOST ILI LIMES FUNKCIJE
Geodetski akultet, dr sc J Beban-Brkić Predavanja iz Matematike 9 GRANIČNA VRIJEDNOST I NEPREKIDNOST FUNKCIJE GRANIČNA VRIJEDNOST ILI LIMES FUNKCIJE Granična vrijednost unkcije kad + = = Primjer:, D( )
Διαβάστε 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 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 περισσότεραVJEŽBE IZ MATEMATIKE 1
VJEŽBE IZ MATEMATIKE 1 Ivana Baranović Miroslav Jerković Lekcija 14 Rast, pad, konkavnost, konveksnost, točke infleksije i ekstremi funkcija Poglavlje 1 Rast, pad, konkavnost, konveksnost, to ke ineksije
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 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 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 περισσότεραnepoznati parametar θ jednak broju θ 0, u oznaci H 0 (θ =θ 0 ), je primer proste hipoteze. Ako hipoteza nije prosta, onda je složena.
Testiraje parametarskih hipoteza Pretpostavka (hipoteza) o parametru raspodele se zove parametarska hipoteza. Postupak jeog potvrđivaja ili odbacivaja a osovu podataka iz uzorka je parametarski test. t
Διαβάστε περισσότεραSadrˇzaj. Sadrˇzaj 1. 4 UVJETNA VJEROJATNOST Ponovimo... 14
Sadrˇzaj Sadrˇzaj 1 4 UVJETNA VJEROJATNOST 3 4.1 Ponovimo................................. 14 1 Radni materijal 2 Poglavlje 4 UVJETNA VJEROJATNOST Thomas Bayes (1702 1762) uvodi pojam uvjetne vjerojatnosti:
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 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 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 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 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 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 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 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 περισσότεραMetode procjene parametara
Sveu ili²te J. J. Strossmayera u Osijeku Odjel za matematiku Mario Erdeg Metode procjene parametara Diplomski rad Osijek, 2016. Sveu ili²te J. J. Strossmayera u Osijeku Odjel za matematiku Mario Erdeg
Διαβάστε περισσότεραNeka je a 3 x 3 + a 2 x 2 + a 1 x + a 0 = 0 algebarska jednadžba trećeg stupnja. Rješavanje ove jednadžbe sastoji se od nekoliko koraka.
Neka je a 3 x 3 + a x + a 1 x + a 0 = 0 algebarska jednadžba trećeg stupnja. Rješavanje ove jednadžbe sastoji se od nekoliko koraka. 1 Normiranje jednadžbe. Jednadžbu podijelimo s a 3 i dobivamo x 3 +
Διαβάστε περισσότεραSTATISTIKA S M E I M N I AR R 7 : METODE UZORKA
Fakultet za menadžment u turizmu i ugotiteljtvu, Opatija Sveučilišni preddiplomki tudij Polovna ekonomija u turizmu i ugotiteljtvu Noitelj kolegija: Prof. dr. c. Suzana Marković Aitentica: Jelena Komšić
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 περισσότεραStrukture podataka i algoritmi 1. kolokvij 16. studenog Zadatak 1
Strukture podataka i algoritmi 1. kolokvij Na kolokviju je dozvoljeno koristiti samo pribor za pisanje i službeni šalabahter. Predajete samo papire koje ste dobili. Rezultati i uvid u kolokvije: ponedjeljak,
Διαβάστε περισσότεραĈetverokut - DOMAĆA ZADAĆA. Nakon odgledanih videa trebali biste biti u stanju samostalno riješiti sljedeće zadatke.
Ĉetverokut - DOMAĆA ZADAĆA Nakon odgledanih videa trebali biste biti u stanju samostalno riješiti sljedeće zadatke. 1. Duljine dijagonala paralelograma jednake su 6,4 cm i 11 cm, a duljina jedne njegove
Διαβάστε 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 περισσότεραBILJEŠKE ZA PREDAVANJA (za internu uporabu)
1. Statistika - Nazivlje... 2 2. Statistika podjela statističkih analiza... 2 3. Objekti, varijable, mjerne skale... 3 4. Ekstremne i nedostajuće vrijednosti podaci... 4 5. Ciljevi statističke analize...
Διαβάστε περισσότεραStatističko zaključivanje jedna varijabla
Poglavlje 5 Statističko zaključivanje jedna varijabla 5.1 Procjena distribucije, očekivanja i varijance U prethodnim poglavljima naučili smo da se veličine promatrane na jedinkama obuhvaćenim nekim istraživanjem
Διαβάστε περισσότεραπ π ELEKTROTEHNIČKI ODJEL i) f (x) = x 3 x 2 x + 1, a = 1, b = 1;
1. Provjerite da funkcija f definirana na segmentu [a, b] zadovoljava uvjete Rolleova poučka, pa odredite barem jedan c a, b takav da je f '(c) = 0 ako je: a) f () = 1, a = 1, b = 1; b) f () = 4, a =,
Διαβάστε 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 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 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 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 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 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 περισσότεραSlučajne varijable Materijali za nastavu iz Statistike
Slučajne varijable Materijali za nastavu iz Statistike Kristina Krulić Himmelreich i Ksenija Smoljak 2012/13 1 / 1 Slučajna varijabla Slučajna varijabla je funkcija X koja elementarnim dogadajima pridružuje
Διαβάστε 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 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 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 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 περισσότεραMjera i Integral Vjeºbe
Mjera i Integral Vjeºbe September 8, 2015 Chapter 1 σ-algebre 1.1 Osnovna svojstva i prvi primjeri Najprije uvodimo pojmove algebre i σ-algebre 1 skupova. Za skup, familiju svih njegovih podskupova zovemo
Διαβάστε περισσότερα1 Limesi, asimptote i neprekidnost funkcija
Slika Limesi, asimptote i neprekidnost funkcija. Limesi funkcija Zajedni ko svim varijantama esa funkcije je da se opisuju (procjenjuju) vrijednosti zadane funkcije u okolini neke vrijednost varijable.
Διαβάστε περισσότεραDijagonalizacija operatora
Dijagonalizacija operatora Problem: Može li se odrediti baza u kojoj zadani operator ima dijagonalnu matricu? Ova problem je povezan sa sljedećim pojmovima: 1 Karakteristični polinom operatora f 2 Vlastite
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 περισσότεραPID: Domen P je glavnoidealski [PID] akko svaki ideal u P je glavni (generisan jednim elementom; oblika ap := {ab b P }, za neko a P ).
0.1 Faktorizacija: ID, ED, PID, ND, FD, UFD Definicija. Najava pojmova: [ID], [ED], [PID], [ND], [FD] i [UFD]. ID: Komutativan prsten P, sa jedinicom 1 0, je integralni domen [ID] oblast celih), ili samo
Διαβάστε περισσότερα16 Lokalni ekstremi. Definicija 16.1 Neka je A R n otvoren, f : A R i c A. Ako postoji okolina U(c) od c na kojoj je f(c) minimum
16 Lokalni ekstremi Važna primjena Taylorovog teorema odnosi se na analizu lokalnih ekstrema (minimuma odnosno maksimuma) relanih funkcija (više varijabli). Za n = 1 i f : a,b R ako funkcija ima lokalni
Διαβάστε περισσότερα