Statistika II z računalniško analizo podatkov. Bivariatna regresija, tipi povezanosti
|
|
- Παιάν Ηλιόπουλος
- 5 χρόνια πριν
- Προβολές:
Transcript
1 Statistika II z računalniško analizo podatkov Bivariatna regresija, tipi povezanosti 1
2 Regresijska analiza Regresijska analiza je statistična metoda, ki nam pomaga analizirati odnos med odvisno spremenljivko in eno ali več neodvisnimi spremenljivkami. Koraki regresijske analize 1. Najprej postavimo teoretične predpostavke o odvisnosti med spremenljivkami: regresijski model. 2. Izbrani model testiramo na vzorcu. Ocenimo parametre modela. 3. Regresijski model ima dvojno vlogo: a) Pojasnjevalno: s pomočjo parametrov lahko opišemo, kako neodvisne spremenljivke vplivajo na odvisno. b) Napovedovalno: S pomočjo regresijskega modela lahko na podlagi vrednosti neodvisnih spremenljivk napovemo vrednost odvisne spremenljivke. 2
3 Postavitev regresijskega modela Pri postavitvi regresijskega modela je potrebno: 1. Izbrati odvisno spremenljivko in vse tiste spremenljivke, ki nanjo pomembno vplivajo ter izbrati način povezave. To je najbolje narediti na podlagi neke teorije. Statistična metoda ne more nadomestiti dobre teoretične osnove modela. 2. Ko izberemo spremenljivke, je potrebno ugotoviti še vrsto odvisnosti med njimi. Statistična metoda nato omogoča testiranje parametrov modela. 3. Ocenjevanje regresijskega modela temelji na določenih predpostavkah, ki jih je potrebno preveriti. 4. Neizpolnjevanje osnovnih predpostavk lahko vodi do statistično neveljavnih rezultatov. 3
4 Ponovitev linearne bivariatne regresije Analizirati želimo linearno odvisnost spremenljivke Y od spremenljivke X. Iščemo torej premico, ki se čim bolj prilega točkam v dvorazsežnem prostoru, ki so določene z vrednostmi spremenljivk Y in X. Iščemo tako premico, da bodo odkloni točk (oz. vsota kvadriranih odklonov) v smeri odvisne (Y) spremenljivke čim manjša. Preveriti želimo, ali spremenljivka X vpliva na spremenljivko Y. 1. Predpostavimo torej linearno zvezo: Y = α + βx + ε 2. Postavimo ničelno in osnovno hipotezo: H 0 : β = 0 H 1 : β 0 4
5 Ponovitev linearne bivariatne regresije 3. Izračunamo oceno regresijskega koeficientov α in β - se pravi a in b in standardno napako b ter odstotek pojasnjene variance r 2. b C s YX 2 X a Y bx r 2 C s 2 YX 2 2 Y sx SE b n 2 4. Zapišemo dobljeno linearno zvezo: Y = a + bx 5. Izračunamo testno statistiko za preverjanje ničelne domneve in stopinje prostosti: t b SE b m n 2 1 r 6. Preverimo domnevo: Izračunamo, kakšna je verjetnost (statistična značilnost), da smo na konkretnem vzorcu dobili eksperimentalno vrednost testne statistike ob pravilnosti ničelne domneve. Če je ta verjetnost majhna (statistična značilnost manjša od 5% oz. 0,05), podvomimo v pravilnost ničelne domneve (jo zavrnemo) in trdimo, da spremenljivka X vpliva na spremenljivko Y. p < α (0,05) H 0 zavrnemo, spremenljivka X vpliva na spremenljivko Y p > α (0,05) H 0 ne zavrnemo, ne moremo trditi, da spremenljivka X vpliva na spremenljivko Y s s Y X 2 5
6 Primer in reševanje v SPSS-u Na podlagi podatkov primer_regresija_ocene.sav bomo analizirali odvisnost spremenljivke ocene (končna ocena število točk) od prisotnost št. predavanja, ki jih je študent obiskal. Zanima nas, ali prisotnost na predavanjih vpliva na oceno. 1. Predpostavimo linearno zvezo: ocena = α + β prisotnost + ε 2. Postavimo ničelno in osnovno hipotezo: H 0 : β = 0 H 1 : β 0 6
7 Primer in reševanje v SPSS - u 3. Narišemo razsevni grafikon (Graphs Chart Builder, Izberemo skupino grafov Scatter/Dot in v njej graf Simple Scatter) 7
8 Primer in reševanje v SPSS - u 3. Pregledam o grafikon. Preverimo, če je linearna zveza ustrezna. 8
9 Primer in reševanje v SPSS - u 4. Zahtevamo linearno regresijo (Analyze Regression Linear). V polje Dependent prenesemo odvisno (ocena), v polje Independents pa neodvisno spremenljivko (pristonost) 9
10 Primer in reševanje v SPSS - u 5. Pregledamo in interpretiramo SPSS-ov output. a) Odstotek pojasnjene variance: Neodvisna spremenljivke (prisotnost) pojasni 23,3% variabilnosti odvisne spremenljivke (ocena) Opozorilo: Pri statistiki 1 smo determinacijski koeficient označili z R. Tu R predstavlja (multipli) korelacijski koeficient, R 2 (R squared) pa (multipli) determinacijski koeficient. 10
11 Primer in reševanje v SPSS - u 5. Pregledamo in interpretiramo SPSS-ov output. b) Regresijski koeficienti: Ocena regresijskega koeficienta b je 1,883. To pomeni, da ocenjujemo, da če se prisotnost poveča za eno enoto (en obisk predavnaj), se ocena (število točk) za 1,883 točk. Koeficient je statistično značilen pri statistični značilnosti 0,2%. Ker je manjša kot 5%, zavrnemo ničelno hipotezo in trdimo, da prisotnost na predavanjih vpliva na oceno pri predmetu (izraženo kot število točk). 11
12 Primer in reševanje v SPSS - u 5. Pregledamo in interpretiramo SPSS-ov output. b) Regresijski koeficienti: Zapišemo lahko tudi sledečo linearno zvezo med spremenljivkama: ocena = 36, ,883 prisotnost 12
13 Tipi regresijskih povezanosti Odvisna in neodvisna/e spremenljivka/e so lahko povezane na več načinov. Običajno predpostavljamo linearno povezanost, ki pa ni edina možna in vedno pravilna. 13
14 Tipi regresijskih povezanosti Linearna: Potenčna: Y Y X X Eksponentna: Y Recipročna: Y X ali Y 1 X e X Drugo (logaritemska, korenska,...) 14
15 Primer 1: Linearna regresijska zveza 15
16 Primer 2: Potenčna regresijska zveza 16
17 Primer 3: Eksponentna regresijska zveza 17
18 Primer 4: Recipročna regresijska zveza 18
19 Transformacija spremenljivk Žal večina metod regresije deluje le za linearni regresijski model. Če regresijska zveza nelinearna, poskušamo s pomočjo transformacije spremenljivk dobiti linearno zvezo. Vse tri zveze nelinearne zveze iz prejšnjih prosojnic lahko prevedemo na linearni model s pomočjo transformacije spremenljivk. Nato ocenimo transformirani (linearni) model Pozor: Ocene parametrov, ki jih dobimo preko transformiranih modelov so le približne. Natančnejše ocene lahko dobimo z numeričnimi metodami. 19
20 Transformacija spremenljivk potenčna zveza Originalna zveza: Način transformacije: logaritmiramo obe strani Dobljeni model: Novi spremenljivki: Novi model: Odvajanje po x: Y d Y d X X Interpretacija β koeficienta: pove nam za koliko % se spremeni Y, če se X poveča za 1 % - elastičnost. logy log logx Y log logy, log log in X log logx Y log log X log X 1 X X Y X ==>d Y Y Postopku pravimo popolna (dvojna) logaritemska transformacija, regresijski modelu pa log-log, dvojni log ali log-linearni regresijski model. d X X 20
21 Transformacija spremenljivk eksponenta zveza Originalna zveza: Y e X Način transformacije: logaritmiramo obe strani Dobljeni model: Novi spremenljivki: Novi model: Odvajanje po x: lny ln X Y ln lny in ln ln Y ln ln X d Y d X e X Y ==> d Y Y d X Interpretacija β koeficienta: pove nam za kakšen delež (če pomnožimo s 100 dobimo %) se spremeni Y, če se X poveča za 1 enoto. Postopku pravimo pollogaritemska transformacija, ker smo logaritmerali samo odvisno spremneljivko, regresijski modelu pa lin-log model. 21
22 Transformacija spremenljivk recipročna zveza Originalna zveza: 1 Y X Način transformacije: ni potrebna Dobljeni model: Nova spremenljivka: Novi model: Y Y 1 X X rec 1 X X rec Regresijski modelu pravimo recipročni model. 22
23 Primer: Učinek dvojne logaritemske transformacije Obe strani enačbe prikazane na levem grafikonu smo logaritmirali 23
24 Primer: Učinek pollogaritemske transformacije Logaritmiranje odvisne spremenljivke 24
25 Primer: Učinek recipročne transformacije 25
26 Primer: Ocena eksponentnega regresijskega modela V datoteki primeri.xls, delovni list Spremenljivke, je podana ocena regresijskega modela iz Primera 3. Model ocenimo v naslednjih korakih: 1. Spremenljivki ustrezno transformiramo: v našem primeru logaritmiramo odvisno spremenljivko Y (yeksp) in kot rezultat uvedemo novo spremenljivko Y log = log Y. 2. Upoštevamo linearno zvezo med spremenljivkama X in Y log ter izračunamo regresijske koeficiente: Y log = -0, ,2X 3. Z antilogaritmiranjem dobimo zvezo med originalnima spremenljivkama: Y = e 0,026 e 0,2X = 0,975 e 0,2X. 26
27 Primer: Napovejmo vrednost spremenljivke Y, če ima spremenljivka X vrednost 6 Y (X = 6) = 0,975 e 1,2 = 3,24. 27
28 Interpretacija koeficientov v eksponentni regresijski zvezi Interpretacije koeficientov pri nelinearnih zvezah so zahtevnejše kot pri linearni zvezi. Spomnimo se, da naklon regresijske premice v linearni zvezi pomeni spremembo vrednosti odvisne spremenljivke, če se neodvisna spremenljivka poveča za eno enoto. To povečanje pa je neodvisno od trenutne vrednosti odvisne ali neodvisne spremenljivke. Pri eksponentni regresijski zvezi je sprememba odvisne spremenljivke, ko se neodvisna poveča za eno enoto, odvisna od še od tega, kolikšna je trenutna vrednost odvisne in neodvisne spremenljivke. Pri tem si lahko pomagamo z odvodom. Odvajajmo regresijsko zvezo Y = 0,975 e 0,2X : dy ' d X 0,2 0,975e 0,2 X 0,2 Y ' ==> dy ' Y ' 0,2 d X Naklonski koeficient tangente na regresijsko krivuljo je torej enak 0,2 Y. Ugotovimo torej, da pomeni povečanje neodvisne spremenljivke za eno enoto, povečanje odvisne spremenljivke za približno 0,2-krat, oziroma za eno petino. 28
29 Ocenjevanje regresijskih parametrov s programom SPSS 1. Določimo odvisne in neodvisne spremenljivke in jih po potrebi transformiramo (ukaz: Transform - Compute) tako, da med njimi velja linearna zveza. Pri tem si lahko pomagamo z razsevnim grafikonom (ukaz: Graphs Chart Builder). 2. V meniju izberemo metodo Analyze Regression - Linear. V polje Dependent prenesemo odvisno, v polje Independents pa neodvisno spremenljivko. Kliknemo gumb OK in počakamo na rezultate izračuna. 3. Rezultati se izpišejo v novem oknu. V izpisu se zaenkrat omejimo na polje Coefficients. Regresijski koeficienti so zapisani v stolpcu Unstandardized coefficients - B. 29
30 Primer ocenjevanja nelinearne zveze Uporabite datoteko nelinregr-podatki.sav in analizirajte zvezo med odvisno spremenljivko y2 in neodvisno spremenljivko x. Napovejte vrednost spremenljive y2 pri x = 2 1. Ugotovimo obliko zveze med spremenljivkama. Pri tem si pomagamo z razsevnim grafikonom (ukaz: Graphs Chart Builder, Izberemo skupino grafov Scatter/Dot in v njej graf Simple Scatter). 31
31 Primer ocenjevanja nelinearne zveze Zveza med spremenljiv kama je očitno nelinearna. Glede na obliko lahko sklepamo, da gre za potenčno ali eksponent no zvezo. 32
32 Primer ocenjevanja nelinearne zveze V primeru potenčne zveze moramo logaritmirati obe spremenljivki (odvisno in neodvisno), v primeru eksponentne pa samo odvisno. To storimo z ukazom Transform Compute. 33
33 Primer ocenjevanja nelinearne zveze Ponovno narišemo razsevna grafikona za obe zvezi (eksponentno in potenčno). Eksponentna zveza Potenčna zveza Očitno je med spremenljivkama y2 in x potenčna zveza (da smo dobili linearno povezavo smo morali 34 logaritmerati obe spremenljivki)
34 Primer ocenjevanja nelinearne zveze 2. Ocenimo linearno regresijo na transformiranih spremenljivkah. 35
35 Primer ocenjevanja nelinearne zveze 3. Pregledamo rezultate (zaenkrat se omejimo na polje Coefficients) in zapišemo regresijsko enačbo. Model 1 (Constant) logx a. Dependent Variable: logy 2 Uns tandardized Coef f icients Coefficients a Standardized Coef f icients B Std. Error Beta t Sig. 2, 773,132 21, 038,000 2, 121,082,980 25, 915,000 Enačba s transformiranima spremenljivkam log y2 ' a b logx log y2 ' 2,773 2,121 logx Enačba z originalnima spremenljivkama: y2' e a e b log x y2' e 2,773 e 2,121 log x 16,01 x 2,121 36
36 Primer ocenjevanja nelinearne zveze 4. Napoved vrednosti spremenljive y2 pri x = 2. Vrednost vstavimo v prej nastavljeno enačbo: Enačba z originalnima spremenljivkama: y2' x 2 16,01x 2,121 16,01 2 2,121 69,64 37
37 Primer ocenjevanja nelinearne zveze 5. Interpretacija β koeficienta. Interpretacijo dobimo z odvajanjem enačbe z originalnimi spremenljivkami. Enačba z originalnima spremenljivkama: y2' 16,01 x 2,121 Odvajamo: 2,121 d y2 ' 2,121 16,01 x 2, ,01 x 2,121 d x d y2 ' y2' 2,121 d x x x 2,121 y2' x Če se x poveča za 1 %, se y2 v povprečju poveča za 2,121%. 38
38 Pogoji za uporabo transformacij Uporaba logaritemske transformacije je možna le na spremenljivkah, ki so strogo pozitivne (logaritem ni definiran za negativne vrednosti in vrednost 0) Logaritmiranje ima smisle le na razmernostnih spremenljivkah, saj drugače povečanje za določen delež trenutne vrednosti nima smisla. 39
39 Dodatno: numerično ocenjevanje Natančneje lahko vrednosti parametrov v nelienarnih modelih (regresijskih zvezah) ocenimo preko numerične aproksimacije. SPSS ponuja to možnost pod Analyze Regression Nonlinear. V polje Dependent prenesemo odvisno spremenljivko (y2), v polje Model Expression pa vpišemo celotno desno stran regresijske enačbe brez člena napake (ax b ). Parametere (a in b) moramo posebej definirati v oknu Parameters ter jim nastaviti začetne vrednosti, ki jih običajno vzamemo iz transformiranega modela. 40
40 Dodatno: numerično ocenjevanje 41
41 Dodatno: numerično ocenjevanje Interpretacija β koeficienta. Če se x poveča za 1 %, se y2 v povprečju poveča za 2,425%. Vidimo torej, da se lahko rezultat precej spremeni. Ta ocena je bolj natančna, saj upošteva pravi model. 42
42 Dodatek za diskretne spremenljivke Razsevni grafikon ni primerne za prikaz podatkov oz. za ugotavljanje oblike povezanosti za diskretne spremenljivke z omejenim številom možnih vrednosti (recimo skala od 1-5, 0-10,...), Namesto njega uporabilo grafikon, kjer glede na vrednost neodvisne predstavimo povprečja odvisne spremenljivke. Poleg povprečji z intervali prikažemo tudi variabilnost vrednosti odvisne spremenljivke pri vsaki vrednosti neodvisne spremenljivke. 43
43 Primer grafičnega prikaza za diskretne spremenljivke Na podatkih ESS za leto 2004 za Slovenijo bomo grafično prikazali odvisnost sreče posameznika (C1) od zaupanja ljudem (A8). Predvidevamo, da so bolj zaupljivi ljudje tudi bolj srečni. Obe spremenljivki sta diskretni z mersko lestvico od Razsevni grafikon zato ni primerne prikaz, kot se lahko prepričamo na levi sliki. Iz njega ne moremo ugotoviti oblike povezanosti. 44
44 Primer grafičnega prikaza za diskretne spremenljivke 1. Ugotovimo obliko zveze med spremenljivkama. Pri tem si pomagamo grafikonom povprečij (ukaz: Graphs Chart Builder).: Izberemo kategorijo Line in potem najenostavnejši graf (Simple Line) Odvisno spremenljivko prenesemo damo na y os, neodvisno pa na x os. 46
45 Primer grafičnega prikaza za diskretne spremenljivke 1. nadaljevanje V oknu Element Properties (če ni že odprto, ga odpremo s klikom na gumb Element Properties v oknu Chart Builder) izberemo v zgornjem oknu Line1 (kar je sicer ponavadi že izbrano) Odkljukamo Display Error Bars Pod Bar represents izberemo Standard Deviation. V okence vnesemo neko vrednost, ki ni prevelika (npr 1.) Želimo namreč, da te kljuke (error bars) ne zavzamejo preveč prostora po potrebi lahko to sicer tudi spreminjam potem v grafu. Kliknemo Apply in v glavnem oknu (Chart Builder) OK 47
46 Primer grafičnega prikaza za diskretne spremenljivke Na tem grafikonu je očitno, da je zveza med spremenljivkama pozitivna. Tisti ki bolj zaupajo so v povprečju tudi bolj srečni. Zveza med spremenljivkama je približno linearna. Variabilnost spremenljivke Y je pri vsaki vrednosti spremenljivke X približno enaka. 48
47 Razsevni prikaz za diskretne spremenljivke Alternativna možnost je tudi, da prilagodimo razsevni diagram tako, da se vidi, koliko točk je na posameznem delu. To lahko naredimo na več načinov: 1. Velikost pike naredimo sorazmerno številu enot, ki so tam 2. Zatresemo spremenljivke 49
48 Velikost pike naredimo sorazmerno številu enot, ki so tam Narišemo razsevni grafikon kot običajno Dvokliknemo graf za urejanje Izberemo Options-Bin Elements V okenčku, ki se odpre (Properties) v zavihku Binning (privzeto odprt) nastavimo: Bin Layout na Grid Bin Size na Custom ter na vsaki osi število razredov (bins) na toliko, koliko je kategorij pri ustrezni spremenljivki. 50
49 Velikost pike naredimo sorazmerno številu enot, ki so tam 51
50 Zatresene spremenljivke Razsevni grafikon naredimo kot običajno, le da v njem uporabimo zatresene spremenljivke Spremenljivke zatresemo tako, da vsaki enoti dodamo slučajno napako, recimo iz enakomerne porazdelitve, na intervalu, ki je centriran na 0 in malce ožji od razlike med dvema sosednjima vrednostnima. V našem primeru je razlike 1, tako da izberemo intreval (-0.4,0.4) 52
51 Zatresene spremenljivke 53
52 Regresija in pogojno matematično upanje Vzemimo spet klasični regresijski model: Y = α + βx, pri čemer z Y označujemo regresijsko napoved spremenljivke Y. Zgornji model ima naslednjo statistično interpretacijo: 1. Vrednosti spremenljivke Y so pričakovane (povprečne) vrednosti spremenljivke Y, za dane vrednosti spremenljivke X. 2. Pričakovano vrednost spremenljivke predstavlja njeno matematično upanje. Vrednosti spremenljivke Y pri X = X i predstavljajo matematično upanje spremenljivke Y ob pogoju X = X i. Tako matematično upanje imenujemo pogojno matematično upanje in označimo: E(Y X = X i ) = α + βx i. Namesto E(Y X = X i ) bomo večkrat pisali kar E(Y X i ). 54
53 Člen napake v regresijskem modelu Dejanske vrednosti spremenljivke Y se od regresijske napovedi bolj ali manj razlikujejo. Označimo torej: ε i = Y i Y (X i ). Člen ε i imenujemo člen napake ali stohastični člen napake. Regresijsko enačbo sedaj lahko zapišemo kot Y = α + βx + ε. Člen napake je slučajna spremenljivka, ki nadomešča vse nezajete vplive. 55
54 Člen napake v regresijskem modelu Vzroki, zakaj bivaritnega modela ne nadomestimo z multiplim regresijskim modelom, ki bi vključeval tudi preostale spremenljivke, ki vplivajo na odvisno spremenljivko: Nekaterih vzrokov morda sploh sploh ne poznamo oziroma jih ne znamo ali ne moremo meriti. Na pojav lahko vpliva veliko število vzrokov, katerih posamezni vplivi so zanemarljivi. Notranja slučajnost v človeškem obnašanju: določenih oblik človeškega obnašanja ni mogoče napovedovati na podlagi značilnosti, ki jih je mogoče opazovati. Vzrok za večanje člena napake je lahko tudi nepravilna izbira funkcijske zveze med odvisno in neodvisno spremenljivko. Pogosto so vir napak tudi merske napake (še posebej, kadar imamo opravka s podatki iz anket). 56
Diferencialna enačba, v kateri nastopata neznana funkcija in njen odvod v prvi potenci
Linearna diferencialna enačba reda Diferencialna enačba v kateri nastopata neznana funkcija in njen odvod v prvi potenci d f + p= se imenuje linearna diferencialna enačba V primeru ko je f 0 se zgornja
Διαβάστε περισσότεραStatistika 2 z računalniško analizo podatkov. Multipla regresija in polinomski regresijski model
Statistika z računalniško analizo podatkov Multipla regresija in polinomski regresijski model 1 Multipli regresijski model Pogosto so vrednosti odvisne spremenljivke linearno odvisne od več kot ene neodvisne
Διαβάστε περισσότεραFunkcijske vrste. Matematika 2. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 2. april Gregor Dolinar Matematika 2
Matematika 2 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 2. april 2014 Funkcijske vrste Spomnimo se, kaj je to številska vrsta. Dano imamo neko zaporedje realnih števil a 1, a 2, a
Διαβάστε περισσότεραOdvod. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 5. december Gregor Dolinar Matematika 1
Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 5. december 2013 Primer Odvajajmo funkcijo f(x) = x x. Diferencial funkcije Spomnimo se, da je funkcija f odvedljiva v točki
Διαβάστε περισσότεραStatistika 2 z računalniško analizo podatkov. Statistično sklepanje
Statistika 2 z računalniško analizo podatkov Statistično sklepanje 1 Multipla regresija Statistično sklepanje o regresijskih koeficientih Multipla regresija Vključevanje nominalnih in ordinalnih spremenljivk
Διαβάστε περισσότεραTretja vaja iz matematike 1
Tretja vaja iz matematike Andrej Perne Ljubljana, 00/07 kompleksna števila Polarni zapis kompleksnega števila z = x + iy): z = rcos ϕ + i sin ϕ) = re iϕ Opomba: Velja Eulerjeva formula: e iϕ = cos ϕ +
Διαβάστε περισσότεραFunkcije. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 14. november Gregor Dolinar Matematika 1
Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 14. november 2013 Kvadratni koren polinoma Funkcijo oblike f(x) = p(x), kjer je p polinom, imenujemo kvadratni koren polinoma
Διαβάστε περισσότεραFunkcije. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 21. november Gregor Dolinar Matematika 1
Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 21. november 2013 Hiperbolične funkcije Hiperbolični sinus sinhx = ex e x 2 20 10 3 2 1 1 2 3 10 20 hiperbolični kosinus coshx
Διαβάστε περισσότεραNEPARAMETRIČNI TESTI. pregledovanje tabel hi-kvadrat test. as. dr. Nino RODE
NEPARAMETRIČNI TESTI pregledovanje tabel hi-kvadrat test as. dr. Nino RODE Parametrični in neparametrični testi S pomočjo z-testa in t-testa preizkušamo domneve o parametrih na vzorcih izračunamo statistike,
Διαβάστε περισσότεραRegresija in korelacija
Regresija in korelacija - Kvantitativne metode v geografiji in uvod v GIS - dr. Gregor Kovačič, doc. Odvisnost in povezanost Opazujemo primere, ko na vsaki enoti gledamo dve številski spremenljivki hkrati
Διαβάστε περισσότεραZaporedja. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 22. oktober Gregor Dolinar Matematika 1
Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 22. oktober 2013 Kdaj je zaporedje {a n } konvergentno, smo definirali s pomočjo limite zaporedja. Večkrat pa je dobro vedeti,
Διαβάστε περισσότεραBooleova algebra. Izjave in Booleove spremenljivke
Izjave in Booleove spremenljivke vsako izjavo obravnavamo kot spremenljivko če je izjava resnična (pravilna), ima ta spremenljivka vrednost 1, če je neresnična (nepravilna), pa vrednost 0 pravimo, da gre
Διαβάστε περισσότεραOsnove sklepne statistike
Univerza v Ljubljani Fakulteta za farmacijo Osnove sklepne statistike doc. dr. Mitja Kos, mag. farm. Katedra za socialno farmacijo e-pošta: mitja.kos@ffa.uni-lj.si Intervalna ocena oz. interval zaupanja
Διαβάστε περισσότερα3. STATISTIKE Z DVEMA SPREMENLJIVKAMA
3. STATISTIKE Z DVEMA SPREMENLJIVKAMA Bivariatne metodo obravnavajo dve spremenljivki hkrati, zato so podatki zapisani: x 1 y 1 x 2 y 2 : : x n y n 3.1. KORELACIJSKI KOEFICIENT Mera stopnje linearne povezanosti
Διαβάστε περισσότεραKODE ZA ODKRIVANJE IN ODPRAVLJANJE NAPAK
1 / 24 KODE ZA ODKRIVANJE IN ODPRAVLJANJE NAPAK Štefko Miklavič Univerza na Primorskem MARS, Avgust 2008 Phoenix 2 / 24 Phoenix 3 / 24 Phoenix 4 / 24 Črtna koda 5 / 24 Črtna koda - kontrolni bit 6 / 24
Διαβάστε περισσότεραMultivariatna analiza variance
(MANOVA) MANOVA je multivariatna metoda za proučevanje odvisnosti med več odvisnimi (številskimi) in več neodvisnimi (opisnimi) spremenljivkami. (MANOVA) MANOVA je multivariatna metoda za proučevanje odvisnosti
Διαβάστε περισσότεραNumerično reševanje. diferencialnih enačb II
Numerčno reševanje dferencaln enačb I Dferencalne enačbe al ssteme dferencaln enačb rešujemo numerčno z več razlogov:. Ne znamo j rešt analtčno.. Posamezn del dferencalne enačbe podan tabelarčno. 3. Podatke
Διαβάστε περισσότεραFunkcije več spremenljivk
DODATEK C Funkcije več spremenljivk C.1. Osnovni pojmi Funkcija n spremenljivk je predpis: f : D f R, (x 1, x 2,..., x n ) u = f (x 1, x 2,..., x n ) kjer D f R n imenujemo definicijsko območje funkcije
Διαβάστε περισσότεραvezani ekstremi funkcij
11. vaja iz Matematike 2 (UNI) avtorica: Melita Hajdinjak datum: Ljubljana, 2009 ekstremi funkcij več spremenljivk nadaljevanje vezani ekstremi funkcij Dana je funkcija f(x, y). Zanimajo nas ekstremi nad
Διαβάστε περισσότεραTema 1 Osnove navadnih diferencialnih enačb (NDE)
Matematične metode v fiziki II 2013/14 Tema 1 Osnove navadnih diferencialnih enačb (NDE Diferencialne enačbe v fiziki Večina osnovnih enačb v fiziki je zapisana v obliki diferencialne enačbe. Za primer
Διαβάστε περισσότεραEnačba, v kateri poleg neznane funkcije neodvisnih spremenljivk ter konstant nastopajo tudi njeni odvodi, se imenuje diferencialna enačba.
1. Osnovni pojmi Enačba, v kateri poleg neznane funkcije neodvisnih spremenljivk ter konstant nastopajo tudi njeni odvodi, se imenuje diferencialna enačba. Primer 1.1: Diferencialne enačbe so izrazi: y
Διαβάστε περισσότεραMETODA FAKTORSKE ANALIZE je osnovana na analizi medsebojnih korelacij. Tu potrebujemo neko vsebinsko poznavanje oz. neko teorijo, da pojav x vpliva na
4. predavanje RVM Kvantitativne metode Borut Kodrič, Koper 4.6.2010 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 1. del Na podlagi česa ugotovimo kako sta dve spremenljivki med
Διαβάστε περισσότεραKontrolne karte uporabljamo za sprotno spremljanje kakovosti izdelka, ki ga izdelujemo v proizvodnem procesu.
Kontrolne karte KONTROLNE KARTE Kontrolne karte uporablamo za sprotno spremlane kakovosti izdelka, ki ga izdeluemo v proizvodnem procesu. Izvaamo stalno vzorčene izdelkov, npr. vsako uro, vsake 4 ure.
Διαβάστε περισσότερα13. Jacobijeva metoda za računanje singularnega razcepa
13. Jacobijeva metoda za računanje singularnega razcepa Bor Plestenjak NLA 25. maj 2010 Bor Plestenjak (NLA) 13. Jacobijeva metoda za računanje singularnega razcepa 25. maj 2010 1 / 12 Enostranska Jacobijeva
Διαβάστε περισσότεραMatematika I (VS) Univerza v Ljubljani, FE. Melita Hajdinjak 2013/14. Pregled elementarnih funkcij. Potenčna funkcija. Korenska funkcija.
1 / 46 Univerza v Ljubljani, FE Potenčna Korenska Melita Hajdinjak Matematika I (VS) Kotne 013/14 / 46 Potenčna Potenčna Funkcijo oblike f() = n, kjer je n Z, imenujemo potenčna. Število n imenujemo eksponent.
Διαβάστε περισσότεραOdvod. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 10. december Gregor Dolinar Matematika 1
Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 10. december 2013 Izrek (Rolleov izrek) Naj bo f : [a,b] R odvedljiva funkcija in naj bo f(a) = f(b). Potem obstaja vsaj ena
Διαβάστε περισσότεραmatrike A = [a ij ] m,n αa 11 αa 12 αa 1n αa 21 αa 22 αa 2n αa m1 αa m2 αa mn se števanje po komponentah (matriki morata biti enakih dimenzij):
4 vaja iz Matematike 2 (VSŠ) avtorica: Melita Hajdinjak datum: Ljubljana, 2009 matrike Matrika dimenzije m n je pravokotna tabela m n števil, ki ima m vrstic in n stolpcev: a 11 a 12 a 1n a 21 a 22 a 2n
Διαβάστε περισσότεραDISKRIMINANTNA ANALIZA
DISKRIMINANTNA ANALIZA Z diskriminantno analizo poiščemo tako linearno kombinacijo merjenih spremenljivk, da bo maksimalno ločila vnaprej določene skupine in da bo napaka pri uvrščanju enot v skupine najmanjša.
Διαβάστε περισσότεραDelovna točka in napajalna vezja bipolarnih tranzistorjev
KOM L: - Komnikacijska elektronika Delovna točka in napajalna vezja bipolarnih tranzistorjev. Določite izraz za kolektorski tok in napetost napajalnega vezja z enim virom in napetostnim delilnikom na vhod.
Διαβάστε περισσότεραKotne in krožne funkcije
Kotne in krožne funkcije Kotne funkcije v pravokotnem trikotniku Avtor: Rok Kralj, 4.a Gimnazija Vič, 009/10 β a c γ b α sin = a c cos= b c tan = a b cot = b a Sinus kota je razmerje kotu nasprotne katete
Διαβάστε περισσότερα1. Definicijsko območje, zaloga vrednosti. 2. Naraščanje in padanje, ekstremi. 3. Ukrivljenost. 4. Trend na robu definicijskega območja
ZNAČILNOSTI FUNKCIJ ZNAČILNOSTI FUNKCIJE, KI SO RAZVIDNE IZ GRAFA. Deinicijsko območje, zaloga vrednosti. Naraščanje in padanje, ekstremi 3. Ukrivljenost 4. Trend na robu deinicijskega območja 5. Periodičnost
Διαβάστε περισσότεραSKUPNE PORAZDELITVE VEČ SLUČAJNIH SPREMENLJIVK
SKUPNE PORAZDELITVE SKUPNE PORAZDELITVE VEČ SLUČAJNIH SPREMENLJIVK Kovaec vržemo trikrat. Z ozačimo število grbov ri rvem metu ( ali ), z Y a skuo število grbov (,, ali 3). Kako sta sremelivki i Y odvisi
Διαβάστε περισσότεραIntegralni račun. Nedoločeni integral in integracijske metrode. 1. Izračunaj naslednje nedoločene integrale: (a) dx. (b) x 3 +3+x 2 dx, (c) (d)
Integralni račun Nedoločeni integral in integracijske metrode. Izračunaj naslednje nedoločene integrale: d 3 +3+ 2 d, (f) (g) (h) (i) (j) (k) (l) + 3 4d, 3 +e +3d, 2 +4+4 d, 3 2 2 + 4 d, d, 6 2 +4 d, 2
Διαβάστε περισσότεραFunkcije. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 12. november Gregor Dolinar Matematika 1
Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 12. november 2013 Graf funkcije f : D R, D R, je množica Γ(f) = {(x,f(x)) : x D} R R, torej podmnožica ravnine R 2. Grafi funkcij,
Διαβάστε περισσότεραDISKRETNA FOURIERJEVA TRANSFORMACIJA
29.03.2004 Definicija DFT Outline DFT je linearna transformacija nekega vektorskega prostora dimenzije n nad obsegom K, ki ga označujemo z V K, pri čemer ima slednji lastnost, da vsebuje nek poseben element,
Διαβάστε περισσότερα1.3 Vsota diskretnih slučajnih spremenljivk
.3 Vsota diskretnih slučajnih spremenljivk Naj bosta X in Y neodvisni Bernoullijevo porazdeljeni spremenljivki, B(p). Kako je porazdeljena njuna vsota? Označimo Z = X + Y. Verjetnost, da je P (Z = z) za
Διαβάστε περισσότεραRegularizacija. Poglavje Polinomska regresija
Poglavje 5 Regularizacija Pri vpeljavi linearne regresije v prejšnjem poglavju je bil cilj gradnja modela, ki se čimbolj prilega učni množici. Pa je to res pravi kriterij za določanje parametrov modela?
Διαβάστε περισσότεραIZPIT IZ ANALIZE II Maribor,
Maribor, 05. 02. 200. (a) Naj bo f : [0, 2] R odvedljiva funkcija z lastnostjo f() = f(2). Dokaži, da obstaja tak c (0, ), da je f (c) = 2f (2c). (b) Naj bo f(x) = 3x 3 4x 2 + 2x +. Poišči tak c (0, ),
Διαβάστε περισσότεραEkonometrija 1. Dvanajste vaje: Odsotnost koreliranosti slučajne spremenljivke in avtokorelacija.
Ekonometrija 1 Dvanajste vaje: Odsotnost koreliranosti slučajne spremenljivke in avtokorelacija. Na dvanajstih vajah bomo nadaljevali z obravnavo in preverjanjem predpostavke o odsotnosti avtokorelacije
Διαβάστε περισσότεραNavadne diferencialne enačbe
Navadne diferencialne enačbe Navadne diferencialne enačbe prvega reda V celotnem poglavju bo y = dy dx. Diferencialne enačbe z ločljivima spremeljivkama Diferencialna enačba z ločljivima spremeljivkama
Διαβάστε περισσότεραdiferencialne enačbe - nadaljevanje
12. vaja iz Matematike 2 (VSŠ) avtorica: Melita Hajdinjak datum: Ljubljana, 2009 diferencialne enačbe - nadaljevanje Ortogonalne trajektorije Dana je 1-parametrična družina krivulj F(x, y, C) = 0. Ortogonalne
Διαβάστε περισσότερα*M * Osnovna in višja raven MATEMATIKA NAVODILA ZA OCENJEVANJE. Sobota, 4. junij 2011 SPOMLADANSKI IZPITNI ROK. Državni izpitni center
Državni izpitni center *M40* Osnovna in višja raven MATEMATIKA SPOMLADANSKI IZPITNI ROK NAVODILA ZA OCENJEVANJE Sobota, 4. junij 0 SPLOŠNA MATURA RIC 0 M-40-- IZPITNA POLA OSNOVNA IN VIŠJA RAVEN 0. Skupaj:
Διαβάστε περισσότεραMATEMATIČNI IZRAZI V MAFIRA WIKIJU
I FAKULTETA ZA MATEMATIKO IN FIZIKO Jadranska cesta 19 1000 Ljubljan Ljubljana, 25. marec 2011 MATEMATIČNI IZRAZI V MAFIRA WIKIJU KOMUNICIRANJE V MATEMATIKI Darja Celcer II KAZALO: 1 VSTAVLJANJE MATEMATIČNIH
Διαβάστε περισσότεραMatematika 2. Diferencialne enačbe drugega reda
Matematika 2 Diferencialne enačbe drugega reda (1) Reši homogene diferencialne enačbe drugega reda s konstantnimi koeficienti: (a) y 6y + 8y = 0, (b) y 2y + y = 0, (c) y + y = 0, (d) y + 2y + 2y = 0. Rešitev:
Διαβάστε περισσότεραPodobnost matrik. Matematika II (FKKT Kemijsko inženirstvo) Diagonalizacija matrik
Podobnost matrik Matematika II (FKKT Kemijsko inženirstvo) Matjaž Željko FKKT Kemijsko inženirstvo 14 teden (Zadnja sprememba: 23 maj 213) Matrika A R n n je podobna matriki B R n n, če obstaja obrnljiva
Διαβάστε περισσότεραReševanje sistema linearnih
Poglavje III Reševanje sistema linearnih enačb V tem kratkem poglavju bomo obravnavali zelo uporabno in zato pomembno temo linearne algebre eševanje sistemov linearnih enačb. Spoznali bomo Gaussovo (natančneje
Διαβάστε περισσότερα1. Trikotniki hitrosti
. Trikotniki hitrosti. Z radialno črpalko želimo črpati vodo pri pogojih okolice z nazivnim pretokom 0 m 3 /h. Notranji premer rotorja je 4 cm, zunanji premer 8 cm, širina rotorja pa je,5 cm. Frekvenca
Διαβάστε περισσότεραOdvode odvisnih spremenljivk po neodvisni spremenljivki bomo označevali s piko: Sistem navadnih diferencialnih enačb prvega reda ima obliko:
4 Sisemi diferencialnih enačb V prakičnih primerih večkra naleimo na več diferencialnih enačb, ki opisujejo določen pojav in so medsebojno povezane edaj govorimo o sisemih diferencialnih enačb V eh enačbah
Διαβάστε περισσότεραKvadratne forme. Poglavje XI. 1 Definicija in osnovne lastnosti
Poglavje XI Kvadratne forme V zadnjem poglavju si bomo ogledali še eno vrsto preslikav, ki jih tudi lahko podamo z matrikami. To so tako imenovane kvadratne forme, ki niso več linearne preslikave. Kvadratne
Διαβάστε περισσότεραStatistična analiza. doc. dr. Mitja Kos, mag. farm. Katedra za socialno farmacijo Univerza v Ljubljani- Fakulteta za farmacijo
Statistična analiza opisnih spremenljivk doc. dr. Mitja Kos, mag. arm. Katedra za socialno armacijo Univerza v Ljubljani- Fakulteta za armacijo Statistični znaki Proučevane spremenljivke: statistični znaki
Διαβάστε περισσότεραAnaliza 2 Rešitve 14. sklopa nalog
Analiza Rešitve 1 sklopa nalog Navadne diferencialne enačbe višjih redov in sistemi diferencialnih enačb (1) Reši homogene diferencialne enačbe drugega reda s konstantnimi koeficienti: (a) 6 + 8 0, (b)
Διαβάστε περισσότεραOsnove statistike. Drago Bokal Oddelek za matematiko in računalništvo Fakulteta za naravoslovje in matematiko Univerza v Mariboru. 1.
Oddelek za matematiko in računalništvo Fakulteta za naravoslovje in matematiko Univerza v Mariboru 1. marec 2010 Obvestila. http://um.fnm.uni-mb.si/ Prosojnice se lahko spremenijo v tednu po predavanjih.
Διαβάστε περισσότεραNa pregledni skici napišite/označite ustrezne točke in paraboli. A) 12 B) 8 C) 4 D) 4 E) 8 F) 12
Predizpit, Proseminar A, 15.10.2015 1. Točki A(1, 2) in B(2, b) ležita na paraboli y = ax 2. Točka H leži na y osi in BH je pravokotna na y os. Točka C H leži na nosilki BH tako, da je HB = BC. Parabola
Διαβάστε περισσότεραS programom SPSS se, glede na število ur, ne bomo ukvarjali. Na izpitu so zastavljena neka vprašanja, zraven pa dobimo računalniški izpis izračunov. T
2. predavanje RVM Kvantitativne metode Borut Kodrič, Koper 21.5.2010 Ključ za dostop do e-učilnice: RMD2009 Tekom srečanj bodo zadeve osvežene v smislu, da bodo okleščene. Morda bo dodan še kak rešen primer.
Διαβάστε περισσότεραZaporedja. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 15. oktober Gregor Dolinar Matematika 1
Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 15. oktober 2013 Oglejmo si, kako množimo dve kompleksni števili, dani v polarni obliki. Naj bo z 1 = r 1 (cosϕ 1 +isinϕ 1 )
Διαβάστε περισσότεραOsnove elektrotehnike uvod
Osnove elektrotehnike uvod Uvod V nadaljevanju navedena vprašanja so prevod testnih vprašanj, ki sem jih našel na omenjeni spletni strani. Vprašanja zajemajo temeljna znanja opredeljenega strokovnega področja.
Διαβάστε περισσότεραFAKULTETA ZA STROJNIŠTVO Matematika 4 Pisni izpit 22. junij Navodila
FAKULTETA ZA STROJNIŠTVO Matematika 4 Pisni izpit 22 junij 212 Ime in priimek: Vpisna št: Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Veljale bodo samo rešitve na papirju, kjer
Διαβάστε περισσότεραTransformator. Delovanje transformatorja I. Delovanje transformatorja II
Transformator Transformator je naprava, ki v osnovi pretvarja napetost iz enega nivoja v drugega. Poznamo vrsto različnih izvedb transformatorjev, glede na njihovo specifičnost uporabe:. Energetski transformator.
Διαβάστε περισσότεραPONOVITEV SNOVI ZA 4. TEST
PONOVITEV SNOVI ZA 4. TEST 1. * 2. *Galvanski člen z napetostjo 1,5 V požene naboj 40 As. Koliko električnega dela opravi? 3. ** Na uporniku je padec napetosti 25 V. Upornik prejme 750 J dela v 5 minutah.
Διαβάστε περισσότερα8. Diskretni LTI sistemi
8. Diskreti LI sistemi. Naloga Določite odziv diskretega LI sistema s podaim odzivom a eoti impulz, a podai vhodi sigal. h[] x[] - - 5 6 7 - - 5 6 7 LI sistem se a vsak eoti impulz δ[] a vhodu odzove z
Διαβάστε περισσότεραREˇSITVE. Naloga a. b. c. d Skupaj. FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost 2. kolokvij 23.
Ime in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost. kolokvij 3. januar 08 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja. Nalog je 6,
Διαβάστε περισσότεραIterativno reševanje sistemov linearnih enačb. Numerične metode, sistemi linearnih enačb. Numerične metode FE, 2. december 2013
Numerične metode, sistemi linearnih enačb B. Jurčič Zlobec Numerične metode FE, 2. december 2013 1 Vsebina 1 z n neznankami. a i1 x 1 + a i2 x 2 + + a in = b i i = 1,..., n V matrični obliki zapišemo:
Διαβάστε περισσότεραMatematika. Funkcije in enačbe
Matematika Funkcije in enačbe (1) Nariši grafe naslednjih funkcij: (a) f() = 1, (b) f() = 3, (c) f() = 3. Rešitev: (a) Linearna funkcija f() = 1 ima začetno vrednost f(0) = 1 in ničlo = 1/. Definirana
Διαβάστε περισσότερα6. Preverjanje predpostavk klasičnega regresijskega modela
6. Preverjanje predpostavk klasičnega regresijskega modela doc. dr. Miroslav Verbič miroslav.verbic@ef.uni-lj.si www.miroslav-verbic.si Ljubljana, februar 2014 Motivacija 1/93 Preverjanje predpostavke
Διαβάστε περισσότεραŽelim Vam obilo uspeha pri reševanju! Predmet / Course: EKONOMETRIJA 1 (pisni izpit / final exam) Ime in priimek / First and last name: Datum / Date:
Predmet / Course: EKONOMETRIJA 1 (pisni izpit / final exam) Datum / Date: Ime in priimek / First and last name: Čas trajanja izpita / Exam duration: 180 minut Dovoljeni pripomočki / Aids permitted: navadni
Διαβάστε περισσότεραPoliedri Ines Pogačar 27. oktober 2009
Poliedri Ines Pogačar 27. oktober 2009 Pri linearnem programiranju imamo opravka s končnim sistemom neenakosti in končno spremenljivkami, torej je množica dopustnih rešitev presek končno mnogo polprostorov.
Διαβάστε περισσότεραFazni diagram binarne tekočine
Fazni diagram binarne tekočine Žiga Kos 5. junij 203 Binarno tekočino predstavljajo delci A in B. Ti se med seboj lahko mešajo v različnih razmerjih. V nalogi želimo izračunati fazni diagram take tekočine,
Διαβάστε περισσότεραNavadne diferencialne enačbe
Poglavje 6 Navadne diferencialne enačbe 6.1 Uvod Splošna rešitev navadne diferencialne enačbe n-tega reda F(x, y, y, y,..., y (n) ) = 0 je n-parametrična družina funkcij. Kadar želimo iz splošne rešitve
Διαβάστε περισσότεραCM707. GR Οδηγός χρήσης... 2-7. SLO Uporabniški priročnik... 8-13. CR Korisnički priručnik... 14-19. TR Kullanım Kılavuzu... 20-25
1 2 3 4 5 6 7 OFFMANAUTO CM707 GR Οδηγός χρήσης... 2-7 SLO Uporabniški priročnik... 8-13 CR Korisnički priručnik... 14-19 TR Kullanım Kılavuzu... 20-25 ENG User Guide... 26-31 GR CM707 ΟΔΗΓΟΣ ΧΡΗΣΗΣ Περιγραφή
Διαβάστε περισσότεραZanesljivost psihološkega merjenja. Osnovni model, koeficient α in KR-21
Zanesljivost psihološkega merjenja Osnovni model, koeficient α in KR- Osnovni model in KTT V kolikšni meri na testne dosežke vplivajo slučajne napake? oziroma, kako natančno smo izmerili neko lastnost.
Διαβάστε περισσότεραPostavitev hipotez NUJNO! Milena Kova. 10. januar 2013
Postavitev hipotez NUJNO! Milena Kova 10. januar 2013 Osnove biometrije 2012/13 1 Postavitev in preizku²anje hipotez Hipoteze zastavimo najprej ob na rtovanju preizkusa Ob obdelavi jih morda malo popravimo
Διαβάστε περισσότεραPROCESIRANJE SIGNALOV
Rešive pisega izpia PROCESIRANJE SIGNALOV Daum: 7... aloga Kolikša je ampliuda reje harmoske kompoee arisaega periodičega sigala? f() - -3 - - 3 Rešiev: Časova fukcija a iervalu ( /,/) je lieara fukcija:
Διαβάστε περισσότεραMetoda glavnih komponent
Metoda glavnih komponent Metoda glavnih kompnent je ena najpogosteje uporabljenih multivariatnih metod. Osnoval jo je Karl Pearson (1901). Največ zaslug za nadaljni razvoj pa ima Hotelling (1933). Osnovna
Διαβάστε περισσότεραNajprej zapišemo 2. Newtonov zakon za cel sistem v vektorski obliki:
NALOGA: Po cesi vozi ovornjak z hirosjo 8 km/h. Tovornjak je dolg 8 m, širok 2 m in visok 4 m in ima maso 4 on. S srani začne pihai veer z hirosjo 5 km/h. Ob nekem času voznik zaspi in ne upravlja več
Διαβάστε περισσότεραPOROČILO 3.VAJA DOLOČANJE REZULTANTE SIL
POROČILO 3.VAJA DOLOČANJE REZULTANTE SIL Izdba aje: Ljubjana, 11. 1. 007, 10.00 Jan OMAHNE, 1.M Namen: 1.Preeri paraeogramsko praio za doočanje rezutante nezporedni si s skupnim prijemaiščem (grafično)..dooči
Διαβάστε περισσότερα8.4 χ 2 -preizkus Preizkušanje hipoteze enake verjetnosti
8.4 χ 2 -preizkus V pedagoških raziskavah imamo veliko pogosteje opravka z opisnimi spremenljivkami kot pa s številskimi spremenljivkami. Do sedaj opisani preizkusi o aritmetičnih sredinah, o standardnih
Διαβάστε περισσότεραPOSTAVITEV IN TESTIRANJE HIPOTEZ
Osnove biometrije 1 Poglavje 1 POSTAVITEV IN TESTIRANJE HIPOTEZ Testiranje hipotez je osrednja naloga pri vsaki obdelavi podatkov. Od postavitve hipotez je odvisen načrt preizkusa, torej moramo hipoteze
Διαβάστε περισσότεραSplošno o interpolaciji
Splošno o interpolaciji J.Kozak Numerične metode II (FM) 2011-2012 1 / 18 O funkciji f poznamo ali hočemo uporabiti le posamezne podatke, na primer vrednosti r i = f (x i ) v danih točkah x i Izberemo
Διαβάστε περισσότεραMatematika 1. Gabrijel Tomšič Bojan Orel Neža Mramor Kosta
Matematika Gabrijel Tomšič Bojan Orel Neža Mramor Kosta 6. november 200 Poglavje 2 Zaporedja in številske vrste 2. Zaporedja 2.. Uvod Definicija 2... Zaporedje (a n ) = a, a 2,..., a n,... je predpis,
Διαβάστε περισσότεραNEPARAMETRIČNI TESTI Doc.dr. Tadeja Kraner Šumenjak
NEPARAMETRIČNI TESTI 5.3.011 Doc.dr. Tadeja Kraner Šumenjak Slabosti parametričnih preizkusov: -stroge predpostavke (predpostavka o normalni porazdelitvi) -veliko računanja -težave, če spremenljivke niso
Διαβάστε περισσότερα3.1 Reševanje nelinearnih sistemov
3.1 Reševanje nelinearnih sistemov Rešujemo sistem nelinearnih enačb f 1 (x 1, x 2,..., x n ) = 0 f 2 (x 1, x 2,..., x n ) = 0. f n (x 1, x 2,..., x n ) = 0. Pišemo F (x) = 0, kjer je x R n in F : R n
Διαβάστε περισσότεραPOSTAVITEV IN TESTIRANJE HIPOTEZ
Biometrija 1 Poglavje 1 POSTAVITEV IN TESTIRANJE HIPOTEZ Testiranje hipotez je osrednja naloga pri vsaki obdelavi podatkov. Od postavitve hipotez je odvisen načrt preizkusa, torej moramo hipoteze postaviti
Διαβάστε περισσότεραMatematika 1. Gregor Dolinar. 2. januar Fakulteta za elektrotehniko Univerza v Ljubljani. Gregor Dolinar Matematika 1
Mtemtik 1 Gregor Dolinr Fkultet z elektrotehniko Univerz v Ljubljni 2. jnur 2014 Gregor Dolinr Mtemtik 1 Izrek (Izrek o povprečni vrednosti) Nj bo m ntnčn spodnj mej in M ntnčn zgornj mej integrbilne funkcije
Διαβάστε περισσότεραVPLIVI SPREMINJANJA CEN POGONSKIH GORIV NA DOLOČENE SPREMENLJIVKE
VPLIVI SPREMINJANJA CEN POGONSKIH GORIV NA DOLOČENE SPREMENLJIVKE MAJA TAVČAR MPRESTOR@GMAIL.COM POVZETEK Skozi celotno statistično analizo sem ugotovila, da na prodajo avtomobilov v Sloveniji vplivajo
Διαβάστε περισσότεραKotni funkciji sinus in kosinus
Kotni funkciji sinus in kosinus Oznake: sinus kota x označujemo z oznako sin x, kosinus kota x označujemo z oznako cos x, DEFINICIJA V PRAVOKOTNEM TRIKOTNIKU: Kotna funkcija sinus je definirana kot razmerje
Διαβάστε περισσότερα8. MULTIVARIATNE METODE 8.1. Uvod Zakaj jih uporabljati
8. MULTIVARIATNE METODE 8.1. Uvod 8.1.1. Zakaj jih uporabljati Multivariatne metode omogočajo sočasno analizo kakršnegakoli števila spremenljivk. Poseben problem predstavlja grafična predstavitev več kot
Διαβάστε περισσότεραMnožico vseh funkcijskih vrednosti, ki jih pri tem dobimo, imenujemo zaloga vrednosti funkcije f. Oznaka: Z f
Funkcije Funkcija f : A B (funkcija iz množice A v množico B) je predpis (pravilo, postopek, preslikava, formula,..), ki danemu podatku x A priredi funkcijsko vrednost f (x) B. Množica A je množica vseh
Διαβάστε περισσότεραInterpolacija in aproksimacija funkcij
Poglavje 4 Interpolacija in aproksimacija funkcij Na interpolacijo naletimo, kadar moramo vrednost funkcije, ki ima vrednosti znane le v posameznih točkah (pravimo jim interpolacijske točke), izračunati
Διαβάστε περισσότεραSpecifični faktorji E i bodo imeli majhne variance, če so opazovane spremenljivke blizu faktorju F.
Faktorska analiza Med metodami za pregledovanje podatkov smo omenili metodo glavnih komponent. Cilj te metode je določiti manjše število linearnih kombinacij merjenih spremenljivk tako, da z njimi pojasnimo
Διαβάστε περισσότεραFrekvenčna analiza neperiodičnih signalov. Analiza signalov prof. France Mihelič
Frekvenčna analiza neperiodičnih signalov Analiza signalov prof. France Mihelič Vpliv postopka daljšanja periode na spekter periodičnega signala Opazujmo družino sodih periodičnih pravokotnih impulzov
Διαβάστε περισσότερα1. UREJENE OBLIKE KVADRATNE FUNKCIJE
1. UREJENE OBLIKE KVADRATNE FUNKCIJE A) Splošna oblika Definicija 1 : Naj bodo a, b in c realna števila in a 0. Realno funkcijo: f : x ax + bx + c imenujemo kvadratna funkcija spremenljivke x v splošni
Διαβάστε περισσότεραUnivariatna in bivariatna statistika
Univariatna in bivariatna statistika Aleš Žiberna 14. oktober 2011 Kazalo 1 Uporabljeni podatki 2 2 Osnovne statistike 2 3 Preverjanje domnev o srednjih vrednostih in pripadajoči intervali zaupanja 12
Διαβάστε περισσότεραII. LIMITA IN ZVEZNOST FUNKCIJ
II. LIMITA IN ZVEZNOST FUNKCIJ. Preslikave med množicami Funkcija ali preslikava med dvema množicama A in B je predpis f, ki vsakemu elementu x množice A priredi natanko določen element y množice B. Važno
Διαβάστε περισσότεραNavadne diferencialne enačbe
Navadne diferencialne enačbe (študijsko gradivo) Matija Cencelj 1. maja 2003 2 Kazalo 1 Uvod 5 1.1 Preprosti primeri......................... 8 2 Diferencialne enačbe prvega reda 11 2.1 Ločljivi spremenljivki.......................
Διαβάστε περισσότεραD f, Z f. Lastnosti. Linearna funkcija. Definicija Linearna funkcija f : je definirana s predpisom f(x) = kx+n; k,
Linearna funkcija Linearna funkcija f : je definirana s predpisom f(x) = kx+n; k, n ᄀ. k smerni koeficient n začetna vrednost D f, Z f Definicijsko območje linearne funkcije so vsa realna števila. Zaloga
Διαβάστε περισσότεραploskovnega toka (Density). Solverji - Magnetostatic
V Maxwellu obstajajo naslednji viri polja: 1. Tok, ki ima dve obliki: a) Tok (Current), ki je razporejen po ploskvah teles. To je tisti tok, ki nam je nekako najbolj domač, npr. tok v žici. Podajamo ga
Διαβάστε περισσότεραNekateri primeri sklopov izpitnih vprašanj pri predmetu Naključni pojavi
Nekateri primeri sklopov izpitnih vprašanj pri predmetu Naključni pojavi 1. Izpeljite Binomsko porazdelitev in pokažite kako pridemo iz nje do Poissonove porazdelitve? 2. Kako opišemo naključne lastnosti
Διαβάστε περισσότεραKvantni delec na potencialnem skoku
Kvantni delec na potencialnem skoku Delec, ki se giblje premo enakomerno, pride na mejo, kjer potencial naraste s potenciala 0 na potencial. Takšno potencialno funkcijo zapišemo kot 0, 0 0,0. Slika 1:
Διαβάστε περισσότερα8. Navadne diferencialne enačbe
8. Navadne diferencialne enačbe 8.1. Začetni problem prvega reda Iščemo funkcijo y(x), ki zadošča diferencialni enačbi y = f(x, y) in začetnemu pogoju y(x 0 ) = y 0, kjer je f dana dovolj gladka funkcija
Διαβάστε περισσότεραMatematika 1. Gabrijel Tomšič Bojan Orel Neža Mramor Kosta
Matematika 1 Gabrijel Tomšič Bojan Orel Neža Mramor Kosta 21. april 2008 102 Poglavje 4 Odvod 4.1 Definicija odvoda Naj bo funkcija f definirana na intervalu (a, b) in x 0 točka s tega intervala. Vzemimo
Διαβάστε περισσότερα