Inštitut za matematiko, fiziko in mehaniko. Seminar DMFA Slovenije. Zgledi uporabe statistike na različnih strokovnih področjih
|
|
- Fay Matthews
- 5 years ago
- Views:
Transcription
1 Inštitut za matematiko, fiziko in mehaniko Seminar DMFA Slovenije Zgledi uporabe statistike na različnih strokovnih področjih Bayesov pristop v statistiki Aleš Toman ales.toman@imfm.si Pedagoška fakulteta, Ljubljana, 28. januar 2012
2 Obstajajo 4 vrste laži 1. Laži 2. Velike laži 3. Statistika 4. Bayesova statistika
3 Obstajajo 4 vrste laži 1. Laži 2. Velike laži 3. Statistika 4. Bayesova statistika Načrt predavanja Ocenjevanje parametrov v Bayesovi statistiki Analiza primera Napovedovanje v Bayesovi statistiki Ali pa...
4 Na kaj boste stavili: na cifro ali na Trubarja?
5 Na kaj boste stavili: na cifro ali na Trubarja? Ali je evrski kovanec pošten? Izvedemo poskus (met kovanca), možna sta dva izida oziroma dogodka: dogodek dogodek pade cifra, pade Trubar.
6 Verjetnosti naštetih dogodkov: ( ) ( ) ( ), ( ). Za sprejem odločitve potrebujemo vrednost parametra. Statistika
7 Verjetnosti naštetih dogodkov: ( ) ( ) ( ), ( ). Za sprejem odločitve potrebujemo vrednost parametra. Statistika Recimo, da kovanec vržemo 10-krat in da je cifra padla 7-krat. Kaj lahko povemo o? Kakšne so naše možnosti za pravilno napoved v 11. metu? frekventistična statistika Bayesova statistika
8 Zgodovinski pregled (Bayesove) statistike Pastor Thomas Bayes ( , ZK). Richard Price ( , ZK) leta 1763 objavi Bayesove zapiske A problem in the doctrine of chances. Bayesova formula o pogojnih verjetnostih je ( ) ( ) ( ) ( ).
9 Zgodovinski pregled (Bayesove) statistike Pastor Thomas Bayes ( , ZK). Richard Price ( , ZK) leta 1763 objavi Bayesove zapiske A problem in the doctrine of chances. Bayesova formula o pogojnih verjetnostih je ( ) ( ) ( ) ( ). Konec 18. stoletja je Pierre-Simon de Laplace ( , F) (neodvisno) predstavil, kako»bayesovo«formulo uporabimo v različnih situacijah.
10 Šokantno: Dva raziskovalca na osnovi istih podatkov prideta do različnih zaključkov le zato, ker sta pred poskusom imela različna pričakovanja! V 30-ih letih 20. stoletja so Ronald A. Fisher ( , ZK), Egon Pearson ( , ZK) in Jerzy Neyman ( , PL, ZDA) predstavili in uveljavili frekventistično statistiko. 20. stoletje je bilo stoletje»objektivne«frekventistične statistike.
11 Bayesov pristop ni povsem zamrl: Harold Jeffreys ( , ZK), Bruno de Finetti ( , Avstrija, Italija), Dennis Victor Lindley (1923, ZK). Omogočal je enostavno matematično formulacijo tudi zelo zapletenih statističnih modelov, običajno pa ni bilo možno ničesar poračunati. You're wrong but even if you weren't wrong, you still can't do the computation.
12 Konec 20. stoletja: dostopnost zmogljivih osebnih računalnikov razvoj učinkovitih simulacijskih metod
13 Konec 20. stoletja: dostopnost zmogljivih osebnih računalnikov razvoj učinkovitih simulacijskih metod Bayesova statistika ponovno aktualna v teoretičnem in aplikativnem svetu.
14 Komu pripada 21. stoletje?
15 Komu pripada 21. stoletje? Bloomberg: spremljanje in analiza finančnih podatkov v realnem času
16 Komu pripada 21. stoletje? DNK mikromreža, mikročip: analiza DNK, genetski testi
17 Komu pripada 21. stoletje? Google: tehnologija vozil brez voznika
18 Komu pripada 21. stoletje? Nekateri pravijo, da bo 21. stoletje (zopet) stoletje Bayesove statistike. Drugi vidijo prihodnost v kombinaciji obeh pristopov.
19 Pogojne verjetnosti Naj bosta v istem poskusu možna dogodka in. Pogojna verjetnost ( ) dogodka glede na dogodek je verjetnost dogodka ob pogoju, da se je zgodil dogodek. Izračunamo jo po formuli ( ) ( ) ( ).
20 Dvofazni poskusi in Bayesova formula Bayesovo formulo pogosto povezujejo z dvofaznimi poskusi, kjer v prvi fazi nastopi natanko en iz popolnega sistema dogodkov (hipotez) in od tega, kateri se je pripetil, so odvisni pogoji drugega poskusa, v katerem opazujemo dogodek. Privzemimo, da poznamo verjetnosti vseh hipotez ( ) ( ), pogojne verjetnosti dogodka ( ) ( ) glede na posamezne hipoteze
21 Dvofazni poskusi in Bayesova formula Bayesovo formulo pogosto povezujejo z dvofaznimi poskusi, kjer v prvi fazi nastopi natanko en iz popolnega sistema dogodkov (hipotez) in od tega, kateri se je pripetil, so odvisni pogoji drugega poskusa, v katerem opazujemo dogodek. Privzemimo, da poznamo verjetnosti vseh hipotez ( ) ( ), pogojne verjetnosti dogodka ( ) ( ) glede na posamezne hipoteze Formula za popolno verjetnost nam pove, kako izračunamo brezpogojno verjetnost dogodka (razčlenitev po vseh možnih načinih) ( ) ( ) ( ).
22 Postavimo si obratno vprašanje: Če se je dogodek v drugi fazi zgodil, kolikšna je verjetnost, da se je v prvi fazi zgodila hipoteza? Bayesova formula nam pomaga zamenjati dogodke v pogojni verjetnosti. ( ) ( ) ( ) ( ). Poimenovanje verjetnosti: ( ) so apriorne verjetnosti hipotez, ( ) so aposteriorne verjetnosti hipotez.
23 Postavimo si obratno vprašanje: Če se je dogodek v drugi fazi zgodil, kolikšna je verjetnost, da se je v prvi fazi zgodila hipoteza? Bayesova formula nam pomaga zamenjati dogodke v pogojni verjetnosti. ( ) ( ) ( ) ( ). Poimenovanje verjetnosti: ( ) so apriorne verjetnosti hipotez, ( ) so aposteriorne verjetnosti hipotez. Opazimo, da je imenovalec od neodvisen in je pri vseh hipotezah enak. Potrebujemo ga za to, da se verjetnosti ( ) vseh hipotez seštejejo v 1. ( ) ( ) ( )
24 Primer: Testiranje bolezni Opravili smo preventivni test za odkrivanje redke bolezni, za katero ni povsem jasno, kateri dejavniki jo spodbujajo in kateri zavirajo. Rezultat testa je pozitiven. O testu in bolezni vemo naslednje: 99% bolnih ljudi je imelo pozitiven test (true positive), 98% zdravih ljudi je imelo negativen test (true negative), bolezen prizadane 0.1% prebivalstva. Kolikšna je verjetnost, da smo resnično bolni?
25 Primer: Testiranje bolezni Opravili smo preventivni test za odkrivanje redke bolezni, za katero ni povsem jasno, kateri dejavniki jo spodbujajo in kateri zavirajo. Rezultat testa je pozitiven. O testu in bolezni vemo naslednje: 99% bolnih ljudi je imelo pozitiven test (true positive), 98% zdravih ljudi je imelo negativen test (true negative), bolezen prizadane 0.1% prebivalstva. Kolikšna je verjetnost, da smo resnično bolni? Iz podatkov hitro izračunamo 1% bolnih ljudi je imelo negativen test (false negative), 2% zdravih ljudi je imelo pozitiven test (false positive).
26 Dogodki in njihove verjetnosti oseba je zdrava, oseba je bolna, rezultat testa je pozitiven, rezultat testa je negativen. ( ), ( ), ( ), ( ), ( ), ( ).
27 Dogodki in njihove verjetnosti oseba je zdrava, oseba je bolna, rezultat testa je pozitiven, rezultat testa je negativen. ( ), ( ), ( ), ( ), ( ), ( ). Zanima nas ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ).
28 Dogodki in njihove verjetnosti oseba je zdrava, oseba je bolna, rezultat testa je pozitiven, rezultat testa je negativen. ( ), ( ), ( ), ( ), ( ), ( ). Zanima nas ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ). Dogajanje si lažje predstavljamo s tabelarično razvrstitvijo ljudi.
29 ljudi, med njimi je 100 bolnih, od tega jih je o 99 imelo pozitiven test, 1 imel negativen test, zdravih, od tega jih je o 1998 imelo pozitiven test in imela negativen test.
30 ljudi, med njimi je 100 bolnih, od tega jih je o 99 imelo pozitiven test, 1 imel negativen test, zdravih, od tega jih je o 1998 imelo pozitiven test in imela negativen test. Izid testa Pozitiven Negativen Stanje Zdrav Bolan
31 ljudi, med njimi je 100 bolnih, od tega jih je o 99 imelo pozitiven test, 1 imel negativen test, zdravih, od tega jih je o 1998 imelo pozitiven test in imela negativen test. Izid testa Stanje Zdrav Bolan Pozitiven Negativen
32 ljudi, med njimi je 100 bolnih, od tega jih je o 99 imelo pozitiven test, 1 imel negativen test, zdravih, od tega jih je o 1998 imelo pozitiven test in imela negativen test. Izid testa Stanje Zdrav Bolan Pozitiven Negativen ( ) in ( ).
33 Ocenjevanje parametrov z Bayesovim pristopom Idejno sledimo spreminjanju verjetnosti hipotez ob tem, ko smo opazili dogodek, to je Bayesova formula ( ) ( ) ( ) ( ).
34 Ocenjevanje parametrov z Bayesovim pristopom Idejno sledimo spreminjanju verjetnosti hipotez ob tem, ko smo opazili dogodek, to je Bayesova formula ( ) ( ) ( ) ( ). 1. Privzamemo apriorno porazdelitev ( ) za ocenjevani parameter. 2. Izračunamo pogojno verjetnost (verjetje) ( ) opazovanih podatkov glede na fiksno vrednost parametra. 3. Izračunamo aposteriorno porazdelitev ( ) parametra ( ) ( ) ( ) ( ).
35 Imenovalec predstavlja brezpogojno verjetnost opazovanih podatkov ( ) ( ) ( ) in ni odvisen od parametra. Običajno zapišemo ( ) ( ) ( ) in nato določimo ustrezne konstante.
36 Imenovalec predstavlja brezpogojno verjetnost opazovanih podatkov ( ) ( ) ( ) in ni odvisen od parametra. Običajno zapišemo ( ) ( ) ( ) in nato določimo ustrezne konstante. Apriorna porazdelitev Podatki Aposteriorna porazdelitev Za oceno parametra navedemo izbrane številske karakteristike ( ).
37 Vrnimo se k evrskemu kovancu. V desetih metih smo dobili cifer. Kaj lahko povemo o parametru? Vprašali bomo 3 statistike.
38 Vrnimo se k evrskemu kovancu. V desetih metih smo dobili cifer. Kaj lahko povemo o parametru? Vprašali bomo 3 statistike. Povprašajmo najprej frekventista Franca je bilo v Sloveniji Franc najpogostejše moško ime za osebe, rojene v obdobju Vzorec ( ) je sicer zelo majhen...
39 Vrnimo se k evrskemu kovancu. V desetih metih smo dobili cifer. Kaj lahko povemo o parametru? Vprašali bomo 3 statistike. Povprašajmo najprej frekventista Franca je bilo v Sloveniji Franc najpogostejše moško ime za osebe, rojene v obdobju Vzorec ( ) je sicer zelo majhen... Cenilka po metodi momentov je. Cenilka po metodi največjega verjetja je. Ocenjena standardna napaka zgornjih cenilk je ( ). 95% interval zaupanja za parameter je.
40 Povprašajmo za mnenje še Bayesovko Barbaro je bilo v Sloveniji Barbara najpogostejše žensko ime na B za osebe, rojene v obdobju Najpogostejše žensko ime v tem obdobju je bilo Anja.
41 Povprašajmo za mnenje še Bayesovko Barbaro je bilo v Sloveniji Barbara najpogostejše žensko ime na B za osebe, rojene v obdobju Najpogostejše žensko ime v tem obdobju je bilo Anja. Barbara se s Francevo oceno ne strinja. Ne verjame, da je lahko evrski kovanec tako zelo nepošten. Uporabila bo Bayesov pristop ( ) ( ) ( )
42 Funkcija verjetja opazovanih podatkov ( ) je ob znanem parametru enaka binomskemu verjetju. Verjetnost za izid s 7 ciframi znaša ( ) ( ) ( ) ( ).
43 Funkcija verjetja opazovanih podatkov ( ) je ob znanem parametru enaka binomskemu verjetju. Verjetnost za izid s 7 ciframi znaša ( ) ( ) ( ) ( ). Jasno je, da leži med 0 in 1. To upošteva pri apriorni porazdelitvi. Možna izbira je beta porazdelitev.
44 Naj bo ( ). Potem je ( ) ( ) ( ) ( ) za, ( ), ( ) ( ) ( ).
45 Naj bo ( ). Potem je ( ) ( ) ( ) ( ) za, ( ), ( ) ( ) ( ). Ker Barbara meni, da je kovanec pošten, bo hiperparametra in določila tako, da bo ( ). To pomeni, da mora izbrati. Disperzija je zato enaka ( ) Pri izbiri to znese. ( ), standardni odklon pa ( ).
46 Graf Barbarine apriorne porazdelitve parametra.
47 Graf Barbarine apriorne porazdelitve parametra. Z uporabo Bayesovega pravila ugotovi, da je ( ) ( ) ( ) ( ) Opazi obliko beta porazdelite, zato ( ) ( )
48 Graf Barbarine aposteriorne porazdelitve parametra.
49 Graf Barbarine aposteriorne porazdelitve parametra. Njene lastnosti so upanje, disperzija ( ) ( ), standardni odklon.
50 Graf Barbarine aposteriorne porazdelitve parametra. 95% centralni interval aposteriorne verjetnosti znaša.
51 Tretji statistik je Bayesovec Blaž je bilo v Sloveniji Blaž najpogostejše moško ime na B za osebe, rojene v obdobju Najpogostejše moško ime v tem obdobju je bilo Luka.
52 Tretji statistik je Bayesovec Blaž je bilo v Sloveniji Blaž najpogostejše moško ime na B za osebe, rojene v obdobju Najpogostejše moško ime v tem obdobju je bilo Luka. Blaž zelo verjame, da je evrski kovanec pošten. Glede funkcije verjetja opazovanih podatkov ( ) se strinja z Barbaro ( ) ( ) ( ) ( ). Izbira apriorne beta porazdelitev se mu zdi primerna (le zakaj?).
53 Tretji statistik je Bayesovec Blaž je bilo v Sloveniji Blaž najpogostejše moško ime na B za osebe, rojene v obdobju Najpogostejše moško ime v tem obdobju je bilo Luka. Blaž zelo verjame, da je evrski kovanec pošten. Glede funkcije verjetja opazovanih podatkov ( ) se strinja z Barbaro ( ) ( ) ( ) ( ). Izbira apriorne beta porazdelitev se mu zdi primerna (le zakaj?). Hiperparametra bo določil tako, da bo standardni odklon apriorne porazdelitve veliko manjši. Pri izbiri je ( ).
54 Graf Blaževe apriorne porazdelitve parametra.
55 Graf Blaževe apriorne porazdelitve parametra. Z uporabo Bayesovega pravila ugotovi, da je ( ) ( ) ( ) ( ) Opazi obliko beta porazdelite, zato ( ) ( )
56 Graf Blaževe aposteriorne porazdelitve parametra.
57 Graf Blaževe aposteriorne porazdelitve parametra. upanje, disperzija ( ) ( ), standardni odklon. 95% centralni interval aposteriorne verjetnosti.
58 Rezultati in nekaj lastnosti Bayesove statistike Franc Barbara Blaž Ocena Standardni odklon Intervalska ocena
59 Rezultati in nekaj lastnosti Bayesove statistike Franc Barbara Blaž Ocena Standardni odklon Intervalska ocena 1. Prikazovanje rezultatov Barbara in Blaž sta za oceno parametra izbrala upanje aposteriorne porazdelitve neznanega parametra, negotovost pa predstavila z njenin standardnim odklonom ter centralnim intervalom aposteriorne gostote. Obstajajo še druge možne točkaste in intervalske ocene istega parametra.
60 2. Konjugirane apriorne porazdelitve Dužina beta porazdelitev je konjugirana k funkciji verjetja binomske porazdelitve. Takih parov je v Bayesovi statistiki ogromno.
61 2. Konjugirane apriorne porazdelitve Dužina beta porazdelitev je konjugirana k funkciji verjetja binomske porazdelitve. Takih parov je v Bayesovi statistiki ogromno. 3. Aposteriorna porazdelitev je kompromis med apriorno in podatki Pri apriorni porazdelitvi ( ) in opazovanih 7 cifrah in 3 Trubarjih, je ( ) ( ) ( ) Pri Barbari ( Pri Blažu ( ) sta»vodilno«vlogo imeli števili 7 in 3 iz poskusa. ) je imelo vodilno vlogo njegovo apriorno prepričanje. Aposteriorne porazdelitve so vselej kompromis med podatki in apriornimi prepričanji. Pri tem pa z rastočo velikostjo vzorca raste pomen podatkov.
62 4. Bayesova statistika je subjektivna Barbarina apriorna porazdelitev vsebuje faktorja ( ) kar je ekvivalentno dejstvu, da bi v šestih metih kovanca opazili 3 cifre. Blaževa apriorna porazdelitev vsebuje faktorja ( ) kar je ekvivalentno apriornemu prepričanju, da v 118 metih padlo 59 cifer. To kaže na njegovo močno prepričanje, da je kovanec pošten.
63 4. Bayesova statistika je subjektivna Barbarina apriorna porazdelitev vsebuje faktorja ( ) kar je ekvivalentno dejstvu, da bi v šestih metih kovanca opazili 3 cifre. Blaževa apriorna porazdelitev vsebuje faktorja ( ) kar je ekvivalentno apriornemu prepričanju, da v 118 metih padlo 59 cifer. To kaže na njegovo močno prepričanje, da je kovanec pošten. 5. Bayesova statistika iz istih podatkov pride do različnih zaključkov Vzrok za to je v subjektivni izbiri apriorne porazdelitve. Bayesovi statistiki te očitke zavračajo s filozofskim vprašanjem, kaj sploh so naši podatki.
64 Imamo tri statistike in tri različne ocene istega parametra. Komu najbolj zaupamo?
65 Imamo tri statistike in tri različne ocene istega parametra. Komu najbolj zaupamo?
66 Imamo tri statistike in tri različne ocene istega parametra. Komu najbolj zaupamo? Bayesova statistika se nam zdi privlačna, ker smo imeli malo podatkov in veliko vedenja o apriornih porazdelitvah. V drugačnih situacijah je lahko rezultat nasproten.
67 Kako se Bayesovi statistiki spopadajo z očitki subjektivnosti Vpeljali so t.i. neinformativne apriorne porazdelitve. Z družino beta porazdelitev lahko opišemo zelo različna prepričanja.
68 Kako se Bayesovi statistiki spopadajo z očitki subjektivnosti Vpeljali so t.i. neinformativne apriorne porazdelitve. Z družino beta porazdelitev lahko opišemo zelo različna prepričanja. Simetrične porazdelitve dobimo pri (oziroma a = b na sliki). Pri izbiri dobimo enakomerno porazdelitev na intervalu. To pomeni, da nimamo nikakršnih apriornih pričakovanj.
69 Če verjamemo, da kovanec ni pošten, so možne še nesimetrične porazdelitve.
70 Če verjamemo, da kovanec ni pošten, so možne še nesimetrične porazdelitve. Apriorno porazdelitev lahko izberemo tudi izven družine beta porazdelitev. Ideje ostanejo iste, le računanje se (zelo) zakomplicira simulacijski algoritmi
71 Analiza kovanca z neinformativno apriorno porazdelitvijo ( ) Če je apriorna porazdelitev enakomerna na intervalu porazdelitev je aposteriorna ( ) ( ) ( ) ( ) kar sorazmerna funkciji verjetja. V našem primeru dobimo ( ). Njene lastnosti so upanje, standardni odklon. 95% centralni interval aposteriorne verjetnosti.
72 Bomo šli domov? Po vsej analizi se odločimo, da bomo stavili na cifro. Kolikšna je tedaj verjetnost, da bomo po metu kovanca odšli domov?
73 Bomo šli domov? Po vsej analizi se odločimo, da bomo stavili na cifro. Kolikšna je tedaj verjetnost, da bomo po metu kovanca odšli domov? V Bayesovi statistiki lahko odgovorimo, saj poznamo porazdelitev parametra. ( ) ( ) ( ) ( ) ( ). Barbara tako izračuna verjetnost, Blaž pa verjetnost.
74 Bayesovo posodabljanje ocen Denimo, da smo isti kovanec vrgli še 5-krat ter pri tem dobili 2 cifri in 3 Trubarje. Skupaj smo v 15 metih dobili 9 cifer in 6 Trubarjev. Barbarina apriorna porazdelitev je ( )
75 Bayesovo posodabljanje ocen Denimo, da smo isti kovanec vrgli še 5-krat ter pri tem dobili 2 cifri in 3 Trubarje. Skupaj smo v 15 metih dobili 9 cifer in 6 Trubarjev. Barbarina apriorna porazdelitev je ( ) Be(4,4) 7 C 3 T Be(11,7) Be(4,4) 9 C 6 T B(13,10)
76 Bayesovo posodabljanje ocen Denimo, da smo isti kovanec vrgli še 5-krat ter pri tem dobili 2 cifri in 3 Trubarje. Skupaj smo v 15 metih dobili 9 cifer in 6 Trubarjev. Barbarina apriorna porazdelitev je ( ) Be(4,4) 7 C 3 T Be(11,7) Be(11,7) 2 C 3 T B(13,10) Be(4,4) 9 C 6 T B(13,10)
77 Zaključek Frekventistična statistika Bayesova statistika Parametri Ocenjevanje parametrov Parametri so neznane konstante. 95% interval zaupanja za parameter je. Če poskus in analizo ponovimo zelo velikokrat, bomo v 95% primerov pokrili pravo vrednost. Parametri so slučajne spremenljivke. Verjetnost, da parameter na intervalu oz. intervalu je 95%. leži
78 Zaključek Frekventistična statistika Bayesova statistika Parametri Ocenjevanje parametrov Parametri so neznane konstante. 95% interval zaupanja za parameter je. Če poskus in analizo ponovimo zelo velikokrat, bomo v 95% primerov pokrili pravo vrednost. Parametri so slučajne spremenljivke. Verjetnost, da parameter na intervalu oz. intervalu je 95%. leži Zaključki Bayesove statistike so običajno bistveno lažje razumljivi kot zaključki frekventistične statistike. Zakaj se torej ne učimo Bayesove statistike? Zahtevni računi, primerni za matematično dobre slušatelje. Težka smiselna izbira apriornih porazdelitev, očitki subjektivnosti. Tradicija znanstvenih podočij frekventistična statistika.
79 Viri in literatura [1] J. Albert: Bayesian Computation With R, Springer, New York, 2009 [2] J.A. Čibej: Matematika. Kombinatorika, verjetnostni račun, statistika, DZS, Ljubljana, 1994 [3] A.B. Gelman, J.B. Carlin, H. Steven Stern, D.B. Rubin: Bayesian data analysis, Chapman & Hall/CRC, 2004 [4] M. Lavine: What is Bayesian statistics and why everything else is wrong, [5] M. Parker: Foundations of Statistics Frequentist and Bayesian, [6] J.W. Stevens: What is Bayesian statistics?
80 Hvala za pozornost in srečno!
VERJETNOSTNI RAČUN IN STATISTIKA. Aleksandar Jurišić, FRI
VERJETNOSTNI RAČUN IN STATISTIKA Aleksandar Jurišić, FRI 2. avgust 2012 ii Seznam poglavij 1. Uvod........................... 1 I. VERJETNOST................... 7 2. Poskusi, dogodki in definicija verjetnosti............
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Predmet: Statistika 2 Course title: Statistics 2. Študijska smer Study field
UČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Predmet: Statistika 2 Course title: Statistics 2 Študijski program in stopnja Study programme and level Magistrski študijski program Matematika
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS. Študijska smer Study field. Samost. delo Individ. work Klinične vaje work
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS Statistika Statistics Študijski program in stopnja Study programme and level Univerzitetni študijski program Matematika First cycle academic
More informationTeorija verjetnosti uvod. prof. dr. Jurij Tasič Asistent Emil Plesnik Laboratorij za digitalno obdelavo signalov, slik in videa
Teorija verjetnosti uvod prof. dr. Jurij Tasič Asistent Emil Plesnik Laboratorij za digitalno obdelavo signalov, slik in videa http://www.ldos.si/ 1 Teorija verjetnosti z več spremeljivkami Ključni koncept
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Uporaba logistične regresije za napovedovanje razreda, ko je število enot v preučevanih razredih
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE. Ekstremne porazdelitve za odvisne spremenljivke
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Ekstremne porazdelitve za odvisne spremenljivke (Extremal Distributions for Dependent Variables)
More informationVERJETNOSTNI RAČUN IN STATISTIKA. Aleksandar Jurišić, FRI
VERJETNOSTNI RAČUN IN STATISTIKA Aleksandar Jurišić, FRI 1. junij 2010 ii Kazalo 1 Uvod 1 I VERJETNOST 7 2 Poskusi, dogodki in definicija verjetnosti 11 2.1 Poskusi in dogodki...............................
More informationENERGY AND MASS SPECTROSCOPY OF IONS AND NEUTRALS IN COLD PLASMA
UDK621.3:(53+54+621 +66), ISSN0352-9045 Informaclje MIDEM 3~(~UU8)4, Ljubljana ENERGY AND MASS SPECTROSCOPY OF IONS AND NEUTRALS IN COLD PLASMA Marijan Macek 1,2* Miha Cekada 2 1 University of Ljubljana,
More informationTOPLJENEC ASOCIIRA LE V VODNI FAZI
TOPLJENEC ASOCIIRA LE V VODNI FAZI V primeru asociacij molekul topljenca v vodni ali organski fazi eksperimentalno določeni navidezni porazdelitveni koeficient (P n ) v odvisnosti od koncentracije ni konstanten.
More informationAttempt to prepare seasonal weather outlook for Slovenia
Attempt to prepare seasonal weather outlook for Slovenia Main available sources (ECMWF, EUROSIP, IRI, CPC.NCEP.NOAA,..) Two parameters (T and RR anomally) Textual information ( Met Office like ) Issued
More informationSolutions. Name and surname: Instructions
Uiversity of Ljubljaa, Faculty of Ecoomics Quatitative fiace ad actuarial sciece Probability ad statistics Writte examiatio September 4 th, 217 Name ad surame: Istructios Read the problems carefull before
More informationUniverza na Primorskem FAMNIT, MFI STATISTIKA 2 Seminarska naloga
Univerza na Primorskem FAMNIT, MFI STATISTIKA 2 Seminarska naloga Naloge so edini način preverjanja znanja pri predmetu Statistika. Vsaka naloga je vredna 10 točk, natančna pravila ocenjevanja pa so navedena
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE. O neeksaknotsti eksaktnega binomskega intervala zaupanja
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga (Final project paper) O neeksaknotsti eksaktnega binomskega intervala zaupanja (On the inexactness
More informationMultipla korelacija in regresija. Multipla regresija, multipla korelacija, statistično zaključevanje o multiplem R
Multipla koelacia in egesia Multipla egesia, multipla koelacia, statistično zaklučevane o multiplem Multipla egesia osnovni model in ačunane paametov Z multiplo egesio napoveduemo vednost kiteia (odvisne
More informationMultipla regresija. Iztok Grabnar. Univerza v Ljubljani, Fakulteta za farmacijo
Multipla regresija Iztok Grabnar Univerza v Ljubljani, Fakulteta za farmacijo Učenje/potrjevanje 3 Analiza povezanosti Opazovani pojav= odvisna spremenljivka Napovedni dejavnik= neodvisna spremenljivka
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Magistrsko delo Modeli za kategori ne odzive (Models for categorical response variables) Ime in priimek: Maru²a
More informationOPTIMIRANJE IZDELOVALNIH PROCESOV
OPTIMIRANJE IZDELOVALNIH PROCESOV asist. Damir GRGURAŠ, mag. inž. str izr. prof. dr. Davorin KRAMAR damir.grguras@fs.uni-lj.si Namen vaje: Ugotoviti/določiti optimalne parametre pri struženju za dosego
More informationLinearna regresija. Poglavje 4
Poglavje 4 Linearna regresija Vinkove rezultate iz kemije so založili. Enostavno, komisija je izgubila izpitne pole. Rešitev: Vinko bo kemijo pisal še enkrat. Ampak, ne more, je ravno odšel na trening
More informationParametrični in neparametrični pristopi za odkrivanje trenda v časovnih vrstah
COBISS koda 1.02 Agrovoc descriptors: trends, statistical methods, methods Agris category code: U10 Parametrični in neparametrični pristopi za odkrivanje trenda v časovnih vrstah Tadeja KRANER ŠUMENJAK
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE. Verjetnostni algoritmi za testiranje praštevilskosti
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Verjetnostni algoritmi za testiranje praštevilskosti (Algorithms for testing primality) Ime in
More informationmodeli regresijske analize nominalnih spremenljivk
modeli regresijske analize nominalnih spremenljivk Cveto Trampuž An Illustrative Comparison Logit Analysis with Dummy Variable Regression Analysis. Two different regression models in which the dependent
More information1) V diagramu sta prikazana plazemska koncentracijska profila po večkratnem intravenskem odmerjanju učinkovine v dveh različnih primerih (1 in 2).
NALOGE ) V diagramu sta prikazana plazemska koncentracijska profila po večkratnem intravenskem odmerjanju učinkovine v dveh različnih primerih ( in ). 0.8 0.6 0.4 0. 0.0 0.08 0.06 0.04 0.0 0.00 0 0 0 30
More informationSimulacija dinamičnih sistemov s pomočjo osnovnih funkcij orodij MATLAB in Simulink
Laboratorijske vaje Računalniška simulacija 2012/13 1. laboratorijska vaja Simulacija dinamičnih sistemov s pomočjo osnovnih funkcij orodij MATLAB in Simulink Pri tej laboratorijski vaji boste spoznali
More informationVAJE 2: Opisna statistika
VAJE : Opisna statistika Na računalniških vajah se za urejanje in prikazovanje statističnih podatkov uporabi statistični programski paket SPSS in podatkovna datoteka podatki.sav. NALOGE: 1. Analiza vzorčnih
More informationGrafični gradnik za merjenje kvalitete klasifikatorja s pomočjo krivulj
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Miha Biček Grafični gradnik za merjenje kvalitete klasifikatorja s pomočjo krivulj DIPLOMSKO DELO NA UNIVERZITETNEM ŠTUDIJU Mentor: doc. dr.
More informationUMESTITEV EKOLOŠKIH RAZISKAV MED OSTALE VRSTE RAZISKAV
EKOLOŠKE RAZISKAVE UMESTITEV EKOLOŠKIH RAZISKAV MED OSTALE VRSTE RAZISKAV EPIDEMIOLOŠKE OPAZOVALNE RAZISKAVE NA AGREGIRANIH PODATKIH EKOLOŠKE RAZISKAVE populacija POPULACIJSKE EKSPERIMENTALNE RAZISKAVE
More informationReševanje problemov in algoritmi
Reševanje problemov in algoritmi Vhod Algoritem Izhod Kaj bomo spoznali Zgodovina algoritmov. Primeri algoritmov. Algoritmi in programi. Kaj je algoritem? Algoritem je postopek, kako korak za korakom rešimo
More informationUNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA POLONA ŠENKINC REŠEVANJE LINEARNIH DIFERENCIALNIH ENAČB DRUGEGA REDA S POMOČJO POTENČNIH VRST DIPLOMSKO DELO
UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA POLONA ŠENKINC REŠEVANJE LINEARNIH DIFERENCIALNIH ENAČB DRUGEGA REDA S POMOČJO POTENČNIH VRST DIPLOMSKO DELO LJUBLJANA, 2016 UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA
More informationVerifikacija napovedi padavin
Oddelek za Meteorologijo Seminar: 4. letnik - univerzitetni program Verifikacija napovedi padavin Avtor: Matic Šavli Mentor: doc. dr. Nedjeljka Žagar 26. februar 2012 Povzetek Pojem verifikacije je v meteorologiji
More informationBayesove verjetnostne mreže
Bayesove verjetnostne mreže Martin Žnidaršič Seminarska naloga pri predmetu Avtomatsko učenje Nosilec predmeta: prof. dr. Igor Kononenko Povzetek Uporaba verjetnostnega sklepanja je na področju umetne
More informationInferenčna statistika
Raziskovala metodologija v fizioterapiji Predavaje 3 Ifereča statistika Ištitut za biostatistiko i medicisko iformatiko Mediciska fakulteta, Uiverza v Ljubljai Biomska porazdelitev! P(K = k, p) = # " k
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS Predmet: Analiza 1 Course title: Analysis 1. Študijska smer Study field. Samost. delo Individ.
UČNI NAČRT PREDMETA / COURSE SYLLABUS Predmet: Analiza 1 Course title: Analysis 1 Študijski program in stopnja Study programme and level Univerzitetni študijski program Finančna matematika First cycle
More informationCveto Trampuž PRIMERJAVA ANALIZE VEČRAZSEŽNIH TABEL Z RAZLIČNIMI MODELI REGRESIJSKE ANALIZE DIHOTOMNIH SPREMENLJIVK
Cveto Trampuž PRIMERJAVA ANALIZE VEČRAZSEŽNIH TABEL Z RAZLIČNIMI MODELI REGRESIJSKE ANALIZE DIHOTOMNIH SPREMENLJIVK POVZETEK. Namen tega dela je prikazati osnove razlik, ki lahko nastanejo pri interpretaciji
More informationDejan Petelin. Sprotno učenje modelov na podlagi Gaussovih procesov
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Dejan Petelin Sprotno učenje modelov na podlagi Gaussovih procesov DIPLOMSKO DELO NA UNIVERZITETNEM ŠTUDIJU Mentor: doc. dr. Janez Demšar
More informationOA07 ANNEX 4: SCOPE OF ACCREDITATION IN CALIBRATION
OA07 ANNEX 4: SCOPE OF ACCREDITATION IN CALIBRATION Table of contents 1 TECHNICAL FIELDS... 2 2 PRESENTING THE SCOPE OF A CALIBRATION LABOORATORY... 2 3 CONSIDERING CHANGES TO SCOPES... 6 4 CHANGES WITH
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Uporaba Kalmanovega filtra pri vrednotenju izbranih finančnih instrumentov (Using Kalman filter
More informationNIKJER-NIČELNI PRETOKI
UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA ALJA ŠUBIC NIKJER-NIČELNI PRETOKI DIPLOMSKO DELO LJUBLJANA, 2016 UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA Dvopredmetni učitelj: matematika - računalništvo ALJA
More informationActa Chim. Slov. 2003, 50,
771 IMPACT OF STRUCTURED PACKING ON BUBBE COUMN MASS TRANSFER CHARACTERISTICS EVAUATION. Part 3. Sensitivity of ADM Volumetric Mass Transfer Coefficient evaluation Ana akota Faculty of Chemistry and Chemical
More informationZDRAVLJENJE BOLNICE S VON WILLEBRANDOVO BOLEZNIJO TIPA 3 IN INHIBITORJI
ZDRAVLJENJE BOLNICE S VON WILLEBRANDOVO BOLEZNIJO TIPA 3 IN INHIBITORJI B. Faganel Kotnik, L. Kitanovski, J. Jazbec, K. Strandberg, M. Debeljak, Bakija, M. Benedik Dolničar A. Trampuš Laško, 9. april 2016
More informationUNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA DIPLOMSKO DELO MAJA OSTERMAN
UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA DIPLOMSKO DELO MAJA OSTERMAN UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA Študijski program: Matematika in računalništvo Fibonaccijevo zaporedje in krožna konstanta
More informationMinimizacija učne množice pri učenju odločitvenih dreves
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Ivan Štajduhar Minimizacija učne množice pri učenju odločitvenih dreves Diplomska naloga Mentor: prof. dr. Ivan Bratko Ljubljana, 2001 Izjava
More informationProjekcija visokodimenzionalnih podatkov ob upoštevanju domenskih omejitev
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Omanović Amra Projekcija visokodimenzionalnih podatkov ob upoštevanju domenskih omejitev MAGISTRSKO DELO MAGISTRSKI PROGRAM DRUGE STOPNJE
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE. Ocenjevanje izvozne funkcije za Slovenijo
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Ocenjevanje izvozne funkcije za Slovenijo (Estimating export function for Slovenia) Ime in priimek:
More informationParticija grafa, odkrivanje skupnosti in maksimalen prerez
Univerza na Primorskem Fakulteta za matematiko, naravoslovje in informacijske tehnologije Matemati ne znanosti - 2. stopnja Peter Mur²i Particija grafa, odkrivanje skupnosti in maksimalen prerez Magistrsko
More informationAKSIOMATSKA KONSTRUKCIJA NARAVNIH
UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA Poučevanje: Predmetno poučevanje ŠPELA ZOBAVNIK AKSIOMATSKA KONSTRUKCIJA NARAVNIH ŠTEVIL MAGISTRSKO DELO LJUBLJANA, 2016 UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA
More informationUvod v odkrivanje znanj iz podatkov (zapiski predavatelja, samo za interno uporabo)
Uvod v odkrivanje znanj iz podatkov (zapiski predavatelja, samo za interno uporabo) Blaž Zupan 29. julij 2017 Kazalo 1 Odkrivanje skupin 7 1.1 Primer podatkov.................................. 7 1.2 Nekaj
More informationProblem umetnostne galerije
Problem umetnostne galerije Marko Kandič 17. september 2006 Za začetek si oglejmo naslednji primer. Recimo, da imamo v galeriji polno vrednih slik in nočemo, da bi jih kdo ukradel. Seveda si želimo, da
More informationMathcad sa algoritmima
P R I M J E R I P R I M J E R I Mathcad sa algoritmima NAREDBE - elementarne obrade - sekvence Primjer 1 Napraviti algoritam za sabiranje dva broja. NAREDBE - elementarne obrade - sekvence Primjer 1 POČETAK
More informationPrimerjava metod aproksimativnega sklepanja pri izolaciji napak - simulacijska študija
Elektrotehniški vestnik 69(2): 120 127, 2002 Electrotechnical Review, Ljubljana, Slovenija Primerjava metod aproksimativnega sklepanja pri izolaciji napak - simulacijska študija Andrej Rakar, D- ani Juričić
More informationSTATISTIČNE METODE V PEDAGOŠKEM RAZISKOVANJU
UNIVERZA NA PRIMORSKEM PEDAGOŠKA FAKULTETA BORIS KOŽUH STATISTIČNE METODE V PEDAGOŠKEM RAZISKOVANJU KOPER 2010 OSNOVNI POJMI... 6 I. MNOŢIČNI POJAVI... 6 II. STATISTIČNE MNOŢICE IN ENOTE... 6 III. SPREMENLJIVKE...
More informationBayesian Inference. Chapter 1. Introduction and basic concepts
Bayesian Inference Chapter 1. Introduction and basic concepts M. Concepción Ausín Department of Statistics Universidad Carlos III de Madrid Master in Business Administration and Quantitative Methods Master
More informationDomen Perc. Implementacija in eksperimentalna analiza tehnike razvrščanja podatkov s konsenzom
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Domen Perc Implementacija in eksperimentalna analiza tehnike razvrščanja podatkov s konsenzom DIPLOMSKO DELO NA UNIVERZITETNEM ŠTUDIJU Mentor:
More informationUporaba preglednic za obdelavo podatkov
Uporaba preglednic za obdelavo podatkov B. Golli, PeF Pedagoška fakulteta UL Ljubljana 2012 Kazalo 1 Uvod 1 2 Zgled iz kinematike 2 2.1 Izračun hitrosti................................... 2 2.2 Izračun
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS. Študijska smer Study field. Samost. delo Individ. work Klinične vaje work
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS Teorija grafov Graph theory Študijski program in stopnja Study programme and level Magistrski študijski program Matematika Master's study
More informationUNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA
UNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA MATEJ JOVAN OCENJEVANJE VERJETNOSTI NEPLAČILA PODJETIJ Z MERTONOVIM (1974) MODELOM IN MODELOM OGROŽENOSTI V DISKRETNEM ČASU DOKTORSKA DISERTACIJA Ljubljana, 2016
More informationHadamardove matrike in misija Mariner 9
Hadamardove matrike in misija Mariner 9 Aleksandar Jurišić, 25. avgust, 2009 J. Hadamard (1865-1963) je bil eden izmed pomembnejših matematikov na prehodu iz 19. v 20. stoletje. Njegova najpomembnejša
More informationUniverza v Ljubljani Fakulteta za matematiko in fiziko. Oddelek za fiziko. Seminar - 3. letnik, I. stopnja. Kvantni računalniki. Avtor: Tomaž Čegovnik
Univerza v Ljubljani Fakulteta za matematiko in fiziko Oddelek za fiziko Seminar - 3. letnik, I. stopnja Kvantni računalniki Avtor: Tomaž Čegovnik Mentor: prof. dr. Anton Ramšak Ljubljana, marec 01 Povzetek
More informationAnaliza variance in linearna regresija
Analiza variance in linearna regresija Aleš Žiberna 28. november 2011 Kazalo 1 Uporabljeni podatki 2 2 Analiza variance (ANOVA) 2 2.1 Enofaktorska analiza variance za neodvisne vzorce....... 3 2.2 Večfaktorska
More informationUSING SIMULATED SPECTRA TO TEST THE EFFICIENCY OF SPECTRAL PROCESSING SOFTWARE IN REDUCING THE NOISE IN AUGER ELECTRON SPECTRA
UDK 543.428.2:544.171.7 ISSN 1580-2949 Original scientific article/izvirni znanstveni ~lanek MTAEC9, 49(3)435(2015) B. PONIKU et al.: USING SIMULATED SPECTRA TO TEST THE EFFICIENCY... USING SIMULATED SPECTRA
More informationA L A BA M A L A W R E V IE W
A L A BA M A L A W R E V IE W Volume 52 Fall 2000 Number 1 B E F O R E D I S A B I L I T Y C I V I L R I G HT S : C I V I L W A R P E N S I O N S A N D TH E P O L I T I C S O F D I S A B I L I T Y I N
More informationMICROWAVE PLASMAS AT ATMOSPHERIC PRESSURE: NEW THEORETICAL DEVELOPMENTS AND APPLICATIONS IN SURFACE SCIENCE
UDK621.3:(53+54+621 +66), ISSN0352-9045 Informacije MIDEM 38(2008)4, Ljubljana MICROWAVE PLASMAS AT ATMOSPHERIC PRESSURE: NEW THEORETICAL DEVELOPMENTS AND APPLICATIONS IN SURFACE SCIENCE T. 8elmonte*,
More informationAnaliza oblike in površine stabilograma
Analiza oblike in površine stabilograma France Sevšek, Darja Rugelj UNIVERZA V LJUBLJANI, Visoka šola za zdravstvo, Ljubljana IZVLEČEK Analiza oblike in velikosti področja gibanja projekcije telesnega
More informationEVA MARKELJ RAČUNALNIŠKO SIMULIRANJE SIPANJA SVETLOBE V ATMOSFERI
UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA EVA MARKELJ RAČUNALNIŠKO SIMULIRANJE SIPANJA SVETLOBE V ATMOSFERI DIPLOMSKO DELO LJUBLJANA, 2016 UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA DVOPREDMETNI UČITELJ:
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Primerjava modernih pristopov za identifikacijo pomembno izraženih genov za dve skupini (Comparison
More informationSTATISTIKA VODSTEV V EKIPNIH ŠPORTIH. Matija Peruš
STATISTIKA VODSTEV V EKIPNIH ŠPORTIH Seminar iz fizike Matija Peruš Mentor: prof. dr. Samo Kralj Maribor, 2016 PERUŠ, M.: Statistika vodstev v ekipnih športih Seminar iz fizike, Univerza v Mariboru, Fakulteta
More informationUNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO. Oddelek za matematiko in računalništvo DIPLOMSKO DELO.
UNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO Oddelek za matematiko in računalništvo DIPLOMSKO DELO Sabina Skornšek Maribor, 2012 UNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO
More informationSVM = Support Vector Machine = Metoda podpornih vektorjev
Uvod 2/60 SVM = Support Vector Machine = Metoda podpornih vektorjev Vapnik in Lerner 1963 (generalized portrait) jedra: Aronszajn 1950; Aizerman 1964; Wahba 1990, Poggio in Girosi 1990 Boser, Guyon in
More informationStatistika 2 z računalniško analizo podatkov. Neizpolnjevanje predpostavk regresijskega modela
Statistika 2 z računalniško analizo podatkov Neizpolnjevanje predpostavk regresijskega modela 1 Predpostavke regresijskega modela (ponovitev) V regresijskem modelu navadno privzamemo naslednje pogoje:
More informationENAČBA STANJA VODE IN VODNE PARE
ENAČBA STANJA VODE IN VODNE PARE SEMINARSKA NALOGA PRI PREDMETU JEDRSKA TEHNIKA IN ENERGETIKA TAMARA STOJANOV MENTOR: IZRED. PROF. DR. IZTOK TISELJ NOVEMBER 2011 Enačba stanja idealni plin: pv = RT p tlak,
More informationMATRIČNI POPULACIJSKI MODELI
TURK ZAKLJUČNA NALOGA 2014 UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE ZAKLJUČNA NALOGA MATRIČNI POPULACIJSKI MODELI LEV TURK UNIVERZA NA PRIMORSKEM FAKULTETA
More informationZgoščevanje podatkov
Zgoščevanje podatkov Pojem zgoščevanje podatkov vključuje tehnike kodiranja, ki omogočajo skrajšan zapis neke datoteke. Poznan program za zgoščevanje datotek je WinZip. Podatke je smiselno zgostiti v primeru
More informationUNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO. Oddelek za matematiko in računalništvo DIPLOMSKO DELO
UNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO Oddelek za matematiko in računalništvo DIPLOMSKO DELO Matjaž Žunko Maribor, 2010 UNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO
More informationEkstrakcija časovnega znanja iz dogodkov v spletnih novicah
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Kristijan Mirčeta Ekstrakcija časovnega znanja iz dogodkov v spletnih novicah DIPLOMSKO DELO UNIVERZITETNI ŠTUDIJSKI PROGRAM PRVE STOPNJE
More informationAvtomatsko prilagajanje tempa spremljave solistu
Univerza v Ljubljani Fakulteta za ra unalni²tvo in informatiko Andrej Oder Avtomatsko prilagajanje tempa spremljave solistu DIPLOMSKO DELO NA INTERDISCIPLINARNEM UNIVERZITETNEM TUDIJU Ljubljana, 2013 Univerza
More informationb) Računske naloge (z osnovami): 1. Izračunaj in nariši tiracijsko krivuljo, če k 10,0mL 0,126M HCl dodajaš deleže (glej tabelo) 0,126M NaOH!
11. Vaja: Kemijsko ravnotežje II a) Naloga: 1. Izmeri ph destilirane in vodovodne vode, ter razloži njegovo vrednost s pomočjo eksperimentov!. Opazuj vpliv temperature na kemijsko ravnotežje!. Določi karbonatno
More informationSimulation of multilayer coating growth in an industrial magnetron sputtering system
RMZ Materials and Geoenvironment, Vol. 57, No. 3, pp. 317 330, 2010 317 Simulation of multilayer coating growth in an industrial magnetron sputtering system Simulacija rasti večplastnih prevlek v industrijski
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Empirična ocena vpliva zadolženosti podjetij na gospodarsko rast v krizi (Empirical evaluation
More informationUNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO. Oddelek za matematiko in računalništvo DIPLOMSKO DELO. Gregor Ambrož
UNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO Oddelek za matematiko in računalništvo DIPLOMSKO DELO Gregor Ambrož Maribor, 2010 UNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO
More informationJEDRSKA URA JAN JURKOVIČ. Fakulteta za matematiko in fiziko Univerza v Ljubljani
JEDRSKA URA JAN JURKOVIČ Fakulteta za matematiko in fiziko Univerza v Ljubljani Natančnost časa postaja vse bolj uporabna in pomembna, zato se rojevajo novi načini merjenja časa. Do danes najbolj natančnih
More informationCălugăreanu-White-Fullerjev teorem in topologija DNA
Univerza v Ljubljani Fakulteta za matematiko in fiziko Oddelek za fiziko Călugăreanu-White-Fullerjev teorem in topologija DNA Seminar Jure Aplinc, dipl. fiz. (UN) Mentor: prof. dr. Rudolf Podgornik 26.
More informationUSING THE DIRECTION OF THE SHOULDER S ROTATION ANGLE AS AN ABSCISSA AXIS IN COMPARATIVE SHOT PUT ANALYSIS. Matej Supej* Milan Čoh
Kinesiologia Slovenica, 14, 3, 5 14 (28) Faculty of Sport, University of Ljubljana, ISSN 1318-2269 5 Matej Supej* Milan Čoh USING THE DIRECTION OF THE SHOULDER S ROTATION ANGLE AS AN ABSCISSA AXIS IN COMPARATIVE
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS Numerical linear algebra. Študijska smer Study field. Samost. delo Individ. work Klinične vaje work
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS Numerična linearna algebra Numerical linear algebra Študijski program in stopnja Study programme and level Univerzitetni študijski program Matematika
More informationKatastrofalno zaporedje okvar v medsebojno odvisnih omrežjih
Katastrofalno zaporedje okvar v medsebojno odvisnih omrežjih Daniel Grošelj Mentor: Prof. Dr. Rudi Podgornik 2. marec 2011 Kazalo 1 Uvod 2 2 Nekaj osnovnih pojmov pri teoriji omrežij 3 2.1 Matrika sosednosti.......................................
More informationD I P L O M S K A N A L O G A
FAKULTETA ZA INFORMACIJSKE ŠTUDIJE V NOVEM MESTU D I P L O M S K A N A L O G A UNIVERZITETNEGA ŠTUDIJSKEGA PROGRAMA PRVE STOPNJE ALEŠ HOČEVAR FAKULTETA ZA INFORMACIJSKE ŠTUDIJE V NOVEM MESTU DIPLOMSKA
More informationUNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA SAŠO ZUPANEC MAX-PLUS ALGEBRA DIPLOMSKO DELO
UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA SAŠO ZUPANEC MAX-PLUS ALGEBRA DIPLOMSKO DELO Ljubljana, 2013 UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA ODDELEK ZA MATEMATIKO IN RAČUNALNIŠTVO SAŠO ZUPANEC Mentor:
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Parcialne diferencialne enačbe Partial differential equations. Študijska smer Study field
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Parcialne diferencialne enačbe Partial differential equations Študijski program in stopnja Study programme and level Magistrski
More informationOPTIMIZACIJA Z ROJEM DELCEV
UNIVERZA V MARIBORU FAKULTETA ZA ORGANIZACIJSKE VEDE Smer: organizacijska informatika OPTIMIZACIJA Z ROJEM DELCEV Mentor: doc. dr. Igor Bernik Kandidat: Matjaž Lipovšek Kranj, december 2005 Izjava: "Študent
More informationActa Chim. Slov. 2000, 47, Macroion-macroion correlations in the presence of divalent counterions. Effects of a simple electrolyte B. Hrib
Acta Chim. Slov. 2000, 47, 123-131 123 Macroion-macroion correlations in the presence of divalent counterions. Effects of a simple electrolyte B. Hribar and V. Vlachy Faculty of Chemistry and Chemical
More informationMODELIRANJE IN SIMULACIJA TER NJUNA UPORABA V MEDICINI IN FARMACIJI
Zdrav Vestn 28; 77: 57 71 57 Pregledni prispevek/review article MODELIRANJE IN SIMULACIJA TER NJUNA UPORABA V MEDICINI IN FARMACIJI USAGE OF MODELLING AND SIMULATION IN MEDICINE AND PHARMACY Maja Atanasijević-Kunc
More informationInterpretacija rezultatov statističnih testov
Interpretacija rezultatov statističnih testov Marija Petek Šter Ljubljana, 11.12. 2014 Vsebina Interpretacija diagnostičnih testov Ocenjevanje učinkovitosti zdravljenja Statistična in klinična pomembnost
More informationCalculation of stress-strain dependence from tensile tests at high temperatures using final shapes of specimen s contours
RMZ Materials and Geoenvironment, Vol. 59, No. 4, pp. 331 346, 2012 331 Calculation of stress-strain dependence from tensile tests at high temperatures using final shapes of specimen s contours Določitev
More informationMODELI CESTNEGA PROMETA
MODELI CESTNEGA PROMETA LUKA ŠEPEC Fakulteta za matematiko in fiziko Univerza v Ljubljani V članku so predstavljeni različni pristopi k modeliranju cestnega prometa. Najprej so predstavljene empirične
More informationInterpolacija s parametričnimi polinomskimikrivuljami 1
Interpolacija s parametričnimi polinomskimikrivuljami Emil Žagar 22. november 200 Skriptajevnastajanju,zatojegotovopolnanapak. Hvaleˇzenbomzavse pripombe. Iskanje napak je obenem del učnega procesa pri
More informationStatistika 2 z računalniško analizo podatkov
Statistika 2 z računalniško analizo podatkov Bivariatne analize 1 V Statistične analize v SPSS-ju V.4 Bivariatne analize Analyze - Descriptive statistics - Crosstabs Analyze Correlate Bivariate Analyze
More informationCómo contar la predicción probabilistica? Part I: The problem with probabilities
Cómo contar la predicción probabilistica? How to tell probabilities in weather forecasting? Part I: The problem with probabilities 1 -Why all this talk about uncertainty and probabilities? The computer
More informationOdločitve na dlani: Sistem za podporo večparametrskemu odločanju na dlančnikih
Odločitve na dlani: Sistem za podporo večparametrskemu odločanju na dlančnikih Decisions at Hand: The Multi-attribute Decision Support System on Handhelds Blaž Zupan 1,2,3, Aleš Porenta 1, Gaj Vidmar 4
More informationNAPOVEDOVANJE STEČAJEV PODJETIJ Z LOGIT MODELOM IN DISKRIMINANTNO ANALIZO
UNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA DIPLOMSKO DELO NAPOVEDOVANJE STEČAJEV PODJETIJ Z LOGIT MODELOM IN DISKRIMINANTNO ANALIZO Ljubljana, januar 2008 MATJAŽ ŠIRCA IZJAVA Študent Matjaž Širca izjavljam,
More informationPRIPRAVA PODATKOV V PROCESU PODATKOVNEGA RUDARJENJA
UNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA MAGISTRSKO DELO PRIPRAVA PODATKOV V PROCESU PODATKOVNEGA RUDARJENJA Ljubljana, september 2013 ŽIGA VAUPOT IZJAVA O AVTORSTVU Spodaj podpisani Žiga Vaupot, študent
More informationProjektovanje paralelnih algoritama II
Projektovanje paralelnih algoritama II Primeri paralelnih algoritama, I deo Paralelni algoritmi za množenje matrica 1 Algoritmi za množenje matrica Ovde su data tri paralelna algoritma: Direktan algoritam
More informationENERGY AND MASS DISTRIBUTIONS OF IONS DURING DEPOSTITION OF TiN BY TRIODE ION PLATING IN BAI 730 M
ISSN 1318-0010 KZLTET 32(6)561(1998) M. MA^EK ET AL.: ENERGY AND MASS DISTRIBUTION OF IONS... ENERGY AND MASS DISTRIBUTIONS OF IONS DURING DEPOSTITION OF TiN BY TRIODE ION PLATING IN BAI 730 M ENERGIJSKE
More information