1. zadatak. Stupcasti dijagram podataka: F:\STATISTICKI_PRAKTIKUM\1.KOLOKVIJ. . l_od_theta.m poisson.m test.doc.. podaci.dat rjesenja.
|
|
- David Scott
- 5 years ago
- Views:
Transcription
1 1. zadatak cd F:\STATISTICKI_PRAKTIKUM\1.KOLOKVIJ cd F:\STATISTICKI_PRAKTIKUM\1.KOLOKVIJ ls. l_od_theta.m poisson.m test.doc.. podaci.dat rjesenja.doc clear podaci; podaci=csvread('podaci.dat') podaci = Stupcasti dijagram podataka: xi=podaci(:,1); xi=xi' xi = Columns 1 through Column fi=podaci(:,2); fi=fi' fi = Columns 1 through Column 13 2
2 bar(xi,fi) ylabel('broj INTERVALA'); xlabel('broj ALPHA-CESTICA'); title('dijagram apsolutnih frekvencija')
3 6 Dijagram apsolutnih frekvencija 5 4 BROJ INTERVALA BROJ ALPHA-CESTICA Nacrtajmo sad graf relativnih frekvencija uzorka: n=sum(fi) rfi=fi*1/n rfi = Columns 8 through bar(xi,rfi) ylabel('broj INTERVALA'); xlabel('broj ALPHA-CESTICA');
4 .25.2 BROJ INTERVALA BROJ ALPHA-CESTICA title('dijagram relativnih frekvencija');
5 .25 Dijagram relativnih frekvencija.2 BROJ INTERVALA BROJ ALPHA-CESTICA Testiranje pripadnosti Poissonovoj razdiobi: X~P(λ) P(X=k) = λ k * 1/k! * e - λ ; k N U {} Sa (x 1, x n ) označimo realizaciju slucajnog uzorka. Tada je fja maximalne vjerodostojnosti dana sa: L(θ) = θ x1 * θ x2 * * θ xn * 1/x 1! * *1/x n! * e -θ * *e -θ = = θ xi * 1/(x 1! * * x n!) * e -n* θ,tj. prema nasim oznakama (vektor xi i fi ) i dobivenim podacima, to je zapravo: L(θ) = θ xi(i) * fi(i) * 1/( xi(1)! fi(1) * * xi(m)! fi(m) ) * e -n*θ, gdje je m broj razreda, tj. m=13. Traženje maximuma ove funkcije ekvivalentno je traženju maximuma fje: l(θ) = ln L(θ) = x i * ln(θ) + ln(xi(1)! -fi(1) ) + + ln(xi(m)! -fi(m) ) n*θ = x i * ln(θ) fi(1)*ln(xi(1)!) - fi(m)*ln(xi(m)!) n*θ suma=dot(xi,fi)
6 suma = 1126 Izračunamo potrebne faktorijele: for i=1:13 faktpom(i)=prod( 1:xi(i) ); end faktpom=[log(faktpom)] faktpom = Columns 8 through fakt=dot(faktpom,fi) fakt = e+3 U editoru definiramo funkciju l_od_theta to je fja l(θ): { function fmaxvj=l_od_theta(lam,n,suma,fakt) fmaxvj=suma*log(lam) fakt n*lam; } Deriviramo je po parametru θ, (tj. lam): syms lam; diff(l_od_theta(lam,n,suma,fakt)) ans = 1126/lam-2612 i nađemo njen maximum: lamkapa=solve(diff(l_od_theta(lam,n,suma,fakt))) lamkapa = 563/136 format short lamkapa=563/136 lamkapa =
7 Sada nacrtamo stupčasti dijagram Poissonove razdiobe s procijenjenim parametrom λ' i usporedimo ga sa dijagramom empirijske razdiobe. Funkcija poisson(k,lam) daje vjerojatnost poprimanja vrijednosti k za Poissonovu distribuciju s parametrom lam,tj. P(X=k) = λ k * 1/k! * e -λ : { function f=poisson(k,lam) f=lam^k * 1/factorial(k) * exp(-lam); } clear pfi for k=1:13 pfi(k)=poisson(k-1,lamkapa); end pfi pfi = Columns 8 through rfi rfi = Columns 8 through lista=[rfi ; pfi] lista = Columns 8 through bar(xi,lista')
8 Preostaje nam jos pretpostavku o Poissonovoj distribuiranosti od X testirati pomoću Pearsonovog hi-kvadrat testa. Preostaje nam jos pretpostavku o Poissonovoj distribuiranosti od X testirati pomoću Pearsonovog hi-kvadrat testa. Očekivane frekvencije uz pretpostavku pripadnosti podataka Poissonovoj distirbuciji su clear pfi for k=1:13 pfi(k)=poisson(k-1,lamkapa); end pfi pfi = Columns 8 through zadnji=1-sum(pfi) zadnji = 2.375e-4
9 pfi(14)=zadnji pfi = Columns 8 through ofi=n*pfi ofi = Columns 8 through zadnji=n-sum(fi) zadnji = fi(14)=zadnji fi = Columns 1 through Columns 13 through 14 2 Uz odgovarajuce grupiranje razreda(akoje u nekom razredu očekivana frekvencija <5,grupiramo susjedne razrede dok očekivana frekvenvija novog razreda ne bude barem 5), test statistika H ima sljedecu vrijednost: finova=[fi(:,1:11),fi(12)+fi(13)+fi(14)] finova = ofinova=[ofi(:,1:11),ofi(12)+ofi(13)+ofi(14)] ofinova = Columns 8 through l=finova-ofinova l = Columns 8 through for k=1:12 z(k)=l(k)*l(k)/ofinova(k);
10 end z z = Columns 8 through h=sum(z) h = Treba izracunati p-vrijednost za taj test. Trebat ce nam hi-kvadrat distribucija s stupnjeva slobode. df=1 df = 1 P-vrijednost izracunat cemo koristeci funkciju distribucije chi2cdf za hi-kvadrat(1)- distribuiranu slucajnu varijablu h: pv=1-chi2cdf(h, df) pv = je maksimalni nivo znacajnosti na kojem necemo odbaciti pretpostavku o pripadnosti podataka Poissonovoj distribuciji. 2. zadatak clear x; data=[1 49;2-67;3 8;4 16;5 6;6 23;7 28;8 41;9 14;1 29;11 56;12 24;13 75;14 6;15-48] data =
11 datat=data' datat = Columns 1 through Columns 13 through c=[datat(2,:)] c = Columns 1 through Columns 13 through x=sort(c) x = Columns 1 through Columns 13 through Karakteristična petorka: medijan=x(1/2*(length(x)+1)) raspon_uzorka=x(length(x))-x(1) gornji_kvartil=x(3/4*(length(x)+1)) donji_kvartil=x(1/4*(length(x)+1)) interkvartil=gornji_kvartil-donji_kvartil medijan = 24 raspon_uzorka = 142 gornji_kvartil = 49 donji_kvartil = 8 interkvartil = 41 Dijagram pravokutnika: boxplot(x)
12 grid on title('dijagram pravokutnika') legend('razlike visina') 8 dijagram pravokutnika razlike visina Values Column Number Normalni vjerojatnosni graf: Funkcija mean računa aritmetičku sredinu, a funkcija var uzoračku varijancu. mi=mean(c) mi = sigma_kvadrat=var(c) sigma_kvadrat = e+3 format rat, sigma_kvadrat sigma_kvadrat = 66958/47
13 n=length(x) i=1:n; t=[(i-3/8)/(n+1/4)] n = 15 t = Columns 1 through 5 5/122 13/122 21/122 29/122 37/122 Columns 6 through 1 45/122 53/122 1/2 69/122 77/122 Columns 11 through 15 85/122 93/122 11/122 19/ /122 Točke t su točke na apscisi u kojima inverzna funkcija distribucije normalne jedinične razdiobe postiže vrijednosti i/n, gdje je i {1,,n}. y=norminv(t) y = Columns 1 through / /555-97/ / /767 Columns 6 through / /43 71/ /5339 Columns 11 through / /737 97/ / /683 Funkcija norminv je inverzna funkcija distribucije jedinične normalne razdiobe. sigma=sqrt(sigma_kvadrat) sigma = 52/133 plot(y,x,'rd') title('graf normalnih vjerojatnosti'); hold on plot(y,sigma*y+mi)
14 1 graf normalnih vjerojatnosti hold off Iz grafa je očito da u lijevom repu postoji poveće odstupanje od normalne razdiobe. Međutim, kako se radi o procijeni relativno malog uzorka, duljine 15, i od toga su svega dvije vrijednosti iz tog uzorka negativne, mi još uvijek na temelju grafičkog kriterija ne možemo odbaciti hipotezu da uzorak dolazi iz normalne distribucije. Još jedan način provođenja grafičkog testa, koristeći naredbu normplot: normplot(x); grid on; title('graf normalnih vjerojatnosti'); hold off
15 .98 graf normalnih vjerojatnosti Probability Data LILLIEFORSOVA INAČICA K-S TESTA: z=[(1/sigma)*(x-mi)] z = Columns 1 through / / / / /1116 Columns 6 through 1-169/ / / / /1385 Columns 11 through / / / /314 37/2583 Ho: F ~ AN(,1) Dn=sup Fn(z)-F(z) =max{ (i-1)/n F(z(i)), i/n F(z(i)) }; supremum po z iz R, i maksimum za 1 i n, gdje je n=15 tj. length(z). Fn je empirijska funkcija distribucije. Dn=; for i=1:n d1=abs(normcdf(z(i),,1)-(i-1)/n); d2=abs(i/n-normcdf(z(i),,1)); m=max(d1,d2); if m>dn Dn=m; end end
16 Dn Dn =.2129 Normcdf je funkcija distribucije normalne jedinične slučajne varijable. Lilliefosov test se može provesti direktno naredbom lillietest: [H,P,LSTAT] = lillietest(x) H = P =.688 LSTAT =.2129 U našem slučaju je: H= što znači da ne odbacujemo našu nul hipotezu da z~n(,1,) tj. x~n(µ,σ^2), gdje je µ=mi=2.9333, σ^2=sigma_kvadrat=82629/58. P=.688 i to je p-vrijednost dobivena interpolacijom iz Lillieforsove tablice. LSTAT=.2129, što je vrijednost test-statistike dn i ovaj Lillietest je proveden uz značajnostod od 5%. ZAKLJUČAK: uz značajnost od 5% ne odbacujemo Ho, točnije za značajnosti.688 ne odbacujemo nul-hipotezu (Dn=.2129, Dn<.219, gdje je.219 broj iz Lillieforsove tablice za size=15 i nivo značajnosti alfa=.5. Pa za nivoe značajnosti.688 ne odbacujemo pretpostavku o pripadnosti slučajnog uzorka x normalnoj distribuciji s parametrima koji su procijenjeni s vrijednostima mi= i sigma_kvadrat=82629/58). for i=1:2 u(i)=2*randn+2; end u u = Columns 8 through Columns 15 through Columns 22 through Columns 29 through Columns 36 through Columns 43 through 49
17 Columns 5 through Columns 57 through Columns 64 through Columns 71 through Columns 78 through Columns 85 through Columns 92 through Columns 99 through Columns 16 through Columns 113 through Columns 12 through Columns 127 through Columns 134 through Columns 141 through Columns 148 through Columns 155 through Columns 162 through Columns 169 through Columns 176 through Columns 183 through Columns 19 through Columns 197 through Dobivene podatke prikazat cemo pomocu histograma na sljedeci nacin: hist(u)
18 Izracunajmo ukupnu povrsinu stapica na histogramu: [frekv,sredina_razreda]=hist(u) frekv = sredina_razreda = Columns 8 through sirina =sredina_razreda(2)-sredina_razreda(1) sirina =.9643 povrsina=sum(frekv*sirina) povrsina =
19 Popravimo histogram tako da ukupna povrsina stapica bude 1 i usporedimo ga s grafom normalne jedinicne razdiobe: frekv_rel=frekv/sum(frekv); visina_pruga=frekv_rel/sirina; bar(sredina_razreda,visina_pruga,1) hold on f=inline('(1/(2*sqrt(2*pi)))*exp(-((x-2)^2)/(2*4))') f = Inline function: f(x) = (1/(2*sqrt(2*pi)))*exp(-((x-2)^2)/(2*4)) ezplot(f)
20 (1/(2 sqrt(2 π))) exp(-((x-2) 2 )/(2 4)) x hold off 3. zadatak syms x m Matematičko očekivanje dobijem integriranjem funkcije x*f(x) od do 3m: Ex=int((2*x/(3*m))*(1-(x/(3*m))),x,,3*m) Ex = m Varijanca je E(x) 2 -(Ex) 2 : Var_x=int((2*x*x/(3*m))*(1-(x/(3*m))),x,,3*m)-mˆ2 Var_x = 1/2*m^2 Prvo radim procjenu parametra m za trokutastu razdiobu: a) Procjena parametra m točkovno:
21 m_arit=mean(podaci1) m_arit = 4.24 b) Procjena parametra m pomoću MLE procjenitelja Procjenitelj najveće vjerodostojnosti pod pretpostavkom da je uzorak iz trokutaste razdiobe, MLE, za parametar m se dobiva ovako: Formiram funkciju maksimalne vjerodostojnosti za uzorak duljine 5: 5 L(X1, X5; m)=π i=1 f(xi; m) L(X1,.., X5) = (2/3m)^5*(1-x1/(3*m))*..*(1-x5/(3*m)) produkt=prod(1-(podaci1/(3*m))) produkt =(1-5/3/m)^6*(1-8/3/m)^3*(1-2/3/m)^11*(1-1/3/m)^9*(1-1/m)^7*(1-7/3/ m)^2*(1-4/3/m)^4*(1-1/3/m)*(1-2/m)^4*(1-14/3/m)*(1-4/m)*(1-16/3/m) l=log((((2/(3*m))ˆ5)*produkt)) l = log( / /m^5*(1-5/3/m)^6*(1-8/3/m)^3* (1-2/3/m)^11*(1-1/3/m)^9*(1-1/m)^7*(1-7/3/m)^2*(1-4/3/m)^4*(1-1/3/m)*(1-2/ m)^4*(1-14/3/m)*(1-4/m)*(1-16/3/m)) Tražim ekstreme te funkcije, tj. nultočke derivacije od l: m_kapa=solve(diff(l)) m_kapa = Sad ubacujem svih 12 vrijednosti od m_kapa da vidim za koju vrijednost se postiže maksimum funkcije L: for j=1:12 produkt=1;
22 for i=1:5 produkt=produkt*(1-podaci1(i)/(3*m_kapa(j))); end L(j)=((2/(3*m_kapa(j)))^5)*produkt; end L L = , e-13, e-26, e-34, e-41, e-44, e-45, e-46, e-48, e-5, e-52, e-54] for i=1:12 L_1(i)=double(L(i)); end L_1 L_1 = 1.e+19 * L_maks=max(L_1) L_maks = e-14 To je maksimum funkcije maksimalne vjerodostojnosti, koji se postiže za m_kapa(2) =.7353 Crtam trokutastu razdiobu za m =.7353 bar(sred_razreda,visina,1) grid on title('h I S T O G R A M') ylabel('frekvencije međudolaznih vremena') xlabel('intervali međudolaznih vremena') hold on x = :.1:3 y = (2/(3*m))*(1-(x/(3*m))) plot(x,y,'-m')
23 1 H I S T O G R A M.8 frekvencije meðudolaznih vremena intervali meðudolaznih vremena hold off Za m_arit crtam trokutastu razdiobu na grafu s histogramom: bar(sred_razreda,visina,1) grid on title('h I S T O G R A M') ylabel('frekvencije međudolaznih vremena') xlabel('intervali međudolaznih vremena') hold on.3.25 frekvencije meðudolaznih vremena intervali meðudolaznih vremena hold off
χ 2 -test i Kolmogorov-Smirnovljev test
7 χ 2 -test i Kolmogorov-Smirnovljev test 7.1 χ 2 -test o pripadnosti distribuciji Zadatak 7.1 Tri novčića se bacaju 250 puta i broji se broj pisama koji su pali. Dobiveni su sljedeći podaci: Broj pisama
More informationLINEARNI MODELI STATISTIČKI PRAKTIKUM 2 2. VJEŽBE
LINEARNI MODELI STATISTIČKI PRAKTIKUM 2 2. VJEŽBE Linearni model Promatramo jednodimenzionalni linearni model. Y = β 0 + p β k x k + ε k=1 x 1, x 2,..., x p - varijable poticaja (kontrolirane) ε - sl.
More informationProcjena funkcije gustoće
Sveučilište J.J. Strossmayera u Osijeku Odjel za matematiku Jelena Milanović Procjena funkcije gustoće Diplomski rad Osijek, 2012. Sveučilište J.J. Strossmayera u Osijeku Odjel za matematiku Jelena Milanović
More informationBROWNOV MOST I KOLMOGOROV-SMIRNOVLJEVA STATISTIKA
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Nikolina Blažević BROWNOV MOST I KOLMOGOROV-SMIRNOVLJEVA STATISTIKA Diplomski rad Zagreb, veljača 2016. Voditelj rada: doc. dr.
More informationNeprekidan slučajan vektor
Sveučilište J.J.Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Ana Leko Neprekidan slučajan vektor Završni rad Osijek, 3 Sveučilište J.J.Strossmayera u Osijeku Odjel
More informationGENERALIZIRANI LINEARNI MODELI. PROPENSITY SCORE MATCHING.
GENERALIZIRANI LINEARNI MODELI. PROPENSITY SCORE MATCHING. STATISTIƒKI PRAKTIKUM 2 11. VJEšBE GLM ine ²iroku klasu linearnih modela koja obuhva a modele s specijalnim strukturama gre²aka kategorijskim
More informationANALIZA VARIJANCE PONOVLJENIH MJERENJA
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Ivan Pažin ANALIZA VARIJANCE PONOVLJENIH MJERENJA Diplomski rad Zagreb, srpanj, 2014 Voditelj rada: prof. dr. sc. Anamarija Jazbec
More informationTestiranje statističkih hipoteza
5 Testiranje statističkih hipoteza Neka je X 1,..., X n slučajni uzorak iz populacije s razdiobom f(x θ), θ Θ R d i neka je za opaženi uzorak x 1,..., x n definirana funkcija vjerodostojnosti L: Θ R, n
More informationZANIMLJIV NAČIN IZRAČUNAVANJA NEKIH GRANIČNIH VRIJEDNOSTI FUNKCIJA. Šefket Arslanagić, Sarajevo, BiH
MAT-KOL (Banja Luka) XXIII ()(7), -7 http://wwwimviblorg/dmbl/dmblhtm DOI: 75/МК7A ISSN 5-6969 (o) ISSN 986-588 (o) ZANIMLJIV NAČIN IZRAČUNAVANJA NEKIH GRANIČNIH VRIJEDNOSTI FUNKCIJA Šefket Arslanagić,
More informationKRITERIJI KOMPLEKSNOSTI ZA K-MEANS ALGORITAM
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Stela Šeperić KRITERIJI KOMPLEKSNOSTI ZA K-MEANS ALGORITAM Diplomski rad Voditelj rada: doc.dr.sc. Pavle Goldstein Zagreb, Srpanj
More informationPRIPADNOST RJEŠENJA KVADRATNE JEDNAČINE DANOM INTERVALU
MAT KOL Banja Luka) ISSN 0354 6969 p) ISSN 1986 58 o) Vol. XXI )015) 105 115 http://www.imvibl.org/dmbl/dmbl.htm PRIPADNOST RJEŠENJA KVADRATNE JEDNAČINE DANOM INTERVALU Bernadin Ibrahimpašić 1 Senka Ibrahimpašić
More informationTHE ROLE OF SINGULAR VALUES OF MEASURED FREQUENCY RESPONSE FUNCTION MATRIX IN MODAL DAMPING ESTIMATION (PART II: INVESTIGATIONS)
Uloga singularnih vrijednosti izmjerene matrice funkcije frekventnog odziva u procjeni modalnog prigušenja (Dio II: Istraživanja) ISSN 33-365 (Print), ISSN 848-6339 (Online) DOI:.7559/TV-2492894527 THE
More informationAKTUARSKA MATEMATIKA II
AKTUARSKA MATEMATIKA II SADRŽAJ 1 Teorija odlučivanja 8 str. 2 Bayesovska statistika 6 str. 3 Distribucije šteta 12 str. 4 Modeli rizika 34 str. 5 Teorija nesolventnosti 33 str. 6 Teorija povjerenja 39
More informationFormule za udaljenost točke do pravca u ravnini, u smislu lp - udaljenosti math.e Vol 28.
1 math.e Hrvatski matematički elektronički časopis Formule za udaljenost točke do pravca u ravnini, u smislu lp - udaljenosti Banachovi prostori Funkcija udaljenosti obrada podataka optimizacija Aleksandra
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 informationFajl koji je korišćen može se naći na
Machine learning Tumačenje matrice konfuzije i podataka Fajl koji je korišćen može se naći na http://www.technologyforge.net/datasets/. Fajl se odnosi na pečurke (Edible mushrooms). Svaka instanca je definisana
More informationVIŠESTRUKO USPOREĐIVANJE
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO-MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Almeida Hasić VIŠESTRUKO USPOREĐIVANJE Diplomski rad Zagreb, 2014. SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO-MATEMATIČKI FAKULTET MATEMATIČKI
More informationAlgoritam za množenje ulančanih matrica. Alen Kosanović Prirodoslovno-matematički fakultet Matematički odsjek
Algoritam za množenje ulančanih matrica Alen Kosanović Prirodoslovno-matematički fakultet Matematički odsjek O problemu (1) Neka je A 1, A 2,, A n niz ulančanih matrica duljine n N, gdje su dimenzije matrice
More informationITERATIVNA OPTIMIZACIJA MODELA I PRETRAŽIVANJE PROTEOMA
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Maja Cigula ITERATIVNA OPTIMIZACIJA MODELA I PRETRAŽIVANJE PROTEOMA Diplomski rad Zagreb, veljača, 2016. SVEUČILIŠTE U ZAGREBU
More informationFTN Novi Sad Katedra za motore i vozila. Drumska vozila Uputstvo za izradu vučnog proračuna motornog vozila. 1. Ulazni podaci IZVOR:
1. Ulazni podaci IZVOR: WWW.CARTODAY.COM 1. Ulazni podaci Masa / težina vozila Osovinske reakcije Raspodela težine napred / nazad Dimenzije pneumatika Čeona površina Koeficijent otpora vazduha Brzinska
More informationThe Prediction of. Key words: LD converter, slopping, acoustic pressure, Fourier transformation, prediction, evaluation
K. Kostúr, J. et Futó al.: The Prediction of Metal Slopping in LD Coerter on Base an Acoustic ISSN 0543-5846... METABK 45 (2) 97-101 (2006) UDC - UDK 669.184.224.66:534.6=111 The Prediction of Metal Slopping
More informationFraktalno Brownovo gibanje
Sveučilište J.J. Strossmayera u Osijeku Odjel za matematiku Ivana Brkić Fraktalno Brownovo gibanje Diplomski rad Osijek, 2018. Sveučilište J.J. Strossmayera u Osijeku Odjel za matematiku Ivana Brkić Fraktalno
More informationHornerov algoritam i primjene
Osječki matematički list 7(2007), 99 106 99 STUDENTSKA RUBRIKA Hornerov algoritam i primjene Zoran Tomljanović Sažetak. U ovom članku obrad uje se Hornerov algoritam za efikasno računanje vrijednosti polinoma
More informationTheory of Statistical Tests
Ch 9. Theory of Statistical Tests 9.1 Certain Best Tests How to construct good testing. For simple hypothesis H 0 : θ = θ, H 1 : θ = θ, Page 1 of 100 where Θ = {θ, θ } 1. Define the best test for H 0 H
More informationStatistics GIDP Ph.D. Qualifying Exam Theory Jan 11, 2016, 9:00am-1:00pm
Statistics GIDP Ph.D. Qualifying Exam Theory Jan, 06, 9:00am-:00pm Instructions: Provide answers on the supplied pads of paper; write on only one side of each sheet. Complete exactly 5 of the 6 problems.
More informationCoxov regresijski model
Sveu ili²te J.J. Strossmayera u Osijeku Odjel za matematiku Sveu ili²ni diplomski studij nancijske matematike i statistike Filip Paradºik Coxov regresijski model Diplomski rad Osijek, 2017. Sveu ili²te
More informationTEORIJA SKUPOVA Zadaci
TEORIJA SKUPOVA Zadai LOGIKA 1 I. godina 1. Zapišite simbolima: ( x nije element skupa S (b) d je član skupa S () F je podskup slupa S (d) Skup S sadrži skup R 2. Neka je S { x;2x 6} = = i neka je b =
More informationShear Modulus and Shear Strength Evaluation of Solid Wood by a Modified ISO Square-Plate Twist Method
Hiroshi Yoshihara 1 Shear Modulus and Shear Strength Evaluation of Solid Wood by a Modified ISO 1531 Square-late Twist Method rocjena smicajnog modula i smicajne čvrstoće cjelovitog drva modificiranom
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 informationREVIEW OF GAMMA FUNCTIONS IN ACCUMULATED FATIGUE DAMAGE ASSESSMENT OF SHIP STRUCTURES
Joško PAUNOV, Faculty of Mechanical Engineering and Naval Architecture, University of Zagreb, Ivana Lučića 5, H-10000 Zagreb, Croatia, jparunov@fsb.hr Maro ĆOAK, Faculty of Mechanical Engineering and Naval
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 informationKVADRATNE INTERPOLACIJSKE METODE ZA JEDNODIMENZIONALNU BEZUVJETNU LOKALNU OPTIMIZACIJU 1
MAT KOL (Banja Luka) ISSN 0354 6969 (p), ISSN 1986 5228 (o) Vol. XXII (1)(2016), 5 19 http://www.imvibl.org/dmbl/dmbl.htm KVADRATNE INTERPOLACIJSKE METODE ZA JEDNODIMENZIONALNU BEZUVJETNU LOKALNU OPTIMIZACIJU
More informationf(x θ)dx with respect to θ. Assuming certain smoothness conditions concern differentiating under the integral the integral sign, we first obtain
0.1. INTRODUCTION 1 0.1 Introduction R. A. Fisher, a pioneer in the development of mathematical statistics, introduced a measure of the amount of information contained in an observaton from f(x θ). Fisher
More informationSOLUTION FOR HOMEWORK 7, STAT p(x σ) = (1/[2πσ 2 ] 1/2 )e (x µ)2 /2σ 2.
SOLUTION FOR HOMEWORK 7, STAT 6332 1. We have (for a general case) Denote p (x) p(x σ)/ σ. Then p(x σ) (1/[2πσ 2 ] 1/2 )e (x µ)2 /2σ 2. p (x σ) p(x σ) 1 (x µ)2 +. σ σ 3 Then E{ p (x σ) p(x σ) } σ 2 2σ
More informationA Very Brief Summary of Statistical Inference, and Examples
A Very Brief Summary of Statistical Inference, and Examples Trinity Term 2009 Prof. Gesine Reinert Our standard situation is that we have data x = x 1, x 2,..., x n, which we view as realisations of random
More informationMatematika i statistika
Klasteri 1 Strojarski fakultet u Slavonskom Brodu Sveučilište J. J. Strossmayera u Osijeku 1 Uvod Matematika i statistika II. Grupiranje podataka: klasteri R. Scitovski, M. Benšić, K. Sabo Definicija 1.
More informationNEKI STATISTIČKI ASPEKTI PREPOZNAVANJA MOTIVA
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Ajka Relja NEKI STATISTIČKI ASPEKTI PREPOZNAVANJA MOTIVA Diplomski rad Voditelj rada: doc. dr. sc. Pavle Goldstein Zagreb, srpanj
More informationSveučilište Jurja Dobrile u Puli Odjel za ekonomiju i turizam Dr. Mijo Mirković. Alen Belullo UVOD U EKONOMETRIJU
Sveučilište Jurja Dobrile u Puli Odjel za ekonomiju i turizam Dr. Mijo Mirković Alen Belullo UVOD U EKONOMETRIJU Sveučilište Jurja Dobrile u Puli Odjel za ekonomiju i turizam Dr. Mijo Mirković UVOD U EKONOMETRIJU
More informationSveučilišni studijski centar za stručne studije. Zavod za matematiku i fiziku. Uvod u Matlab. Verzija 1.1
Sveučilišni studijski centar za stručne studije Zavod za matematiku i fiziku Uvod u Matlab Verzija 1.1 Karmen Rivier, Arijana Burazin Mišura 1.11.2008 Uvod Matlab je interaktivni sistem namijenjen izvođenju
More informationAn Algorithm for Computation of Bond Contributions of the Wiener Index
CROATICA CHEMICA ACTA CCACAA68 (1) 99-103 (1995) ISSN 0011-1643 CCA-2215 Original Scientific Paper An Algorithm for Computation of Bond Contributions of the Wiener Index Istvan Lukouits Central Research
More informationSveučilište J.J.Strossmayera u Osijeku Odjel za matematiku. Sveučilišni preddiplomski studij matematike
Sveučilište J.J.Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Lorena Škalac Fermatova metoda beskonačnog spusta Završni rad Osijek, 014. Sveučilište J.J.Strossmayera
More informationUvod u relacione baze podataka
Uvod u relacione baze podataka Ana Spasić 2. čas 1 Mala studentska baza dosije (indeks, ime, prezime, datum rodjenja, mesto rodjenja, datum upisa) predmet (id predmeta, sifra, naziv, bodovi) ispitni rok
More informationExtreme values of surface wave heights in the Northern Adriatic
GEOFIZIKA VOL. 15 1998 Original scientific paper UDC 551.46.06 Extreme values of surface wave heights in the Northern Adriatic Nenad Leder, Ante Smir~i} and Ivica Vilibi} State Hydrographic Institute,
More informationSveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni nastavnički studij matematike i informatike. Sortiranje u linearnom vremenu
Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni nastavnički studij matematike i informatike Tibor Pejić Sortiranje u linearnom vremenu Diplomski rad Osijek, 2011. Sveučilište J.
More informationANALYSIS OF THE RELIABILITY OF THE "ALTERNATOR- ALTERNATOR BELT" SYSTEM
I. Mavrin, D. Kovacevic, B. Makovic: Analysis of the Reliability of the "Alternator- Alternator Belt" System IVAN MAVRIN, D.Sc. DRAZEN KOVACEVIC, B.Eng. BRANKO MAKOVIC, B.Eng. Fakultet prometnih znanosti,
More informationMatematika (PITUP) Prof.dr.sc. Blaženka Divjak. Matematika (PITUP) FOI, Varaždin
Matematika (PITUP) FOI, Varaždin Dio II Bez obzira kako nam se neki teorem činio korektnim, ne možemo biti sigurni da ne krije neku nesavršenost sve dok se nam ne čini prekrasnim G. Boole The moving power
More informationHarun Kuč : Statistika u Excelu. Izdavač : Weling SD Zenica Za izdavača : Damir Bajramović. Recenzenti : Dr. Hasan Zolić Dr.
Harun Kuč : Statistika u Excelu Izdavač : Weling SD Zenica Za izdavača : Damir Bajramović Recenzenti : Dr. Hasan Zolić Dr. Dževad Zečić Lektor : Lejla Kuč Naslovna strana : Mustafa Ganović Štamparija :
More informationODREĐIVANJE DINAMIČKOG ODZIVA MEHANIČKOG SUSTAVA METODOM RUNGE-KUTTA
Sveučilište u Zagrebu GraĎevinski faklultet Kolegij: Primjenjena matematika ODREĐIVANJE DINAMIČKOG ODZIVA MEHANIČKOG SUSTAVA METODOM RUNGE-KUTTA Seminarski rad Student: Marija Nikolić Mentor: prof.dr.sc.
More informationMetoda parcijalnih najmanjih kvadrata: Regresijski model
Sveučilište u Zagrebu Prirodoslovno-matematički fakultet Matematički odsjek Tamara Sente Metoda parcijalnih najmanjih kvadrata: Regresijski model Diplomski rad Voditelj rada: Izv.prof.dr.sc. Miljenko Huzak
More informationPARALELNI ALGORITMI ZA PROBLEM GRUPIRANJA PODATAKA
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Anto Čabraja PARALELNI ALGORITMI ZA PROBLEM GRUPIRANJA PODATAKA Diplomski rad Voditelj rada: doc. dr. sc. Goranka Nogo Zagreb,
More informationMetode praćenja planova
Metode praćenja planova Klasična metoda praćenja Suvremene metode praćenja gantogram mrežni dijagram Metoda vrednovanja funkcionalnosti sustava Gantogram VREMENSKO TRAJANJE AKTIVNOSTI A K T I V N O S T
More informationNIZOVI I REDOVI FUNKCIJA
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Danijela Piškor NIZOVI I REDOVI FUNKCIJA Diplomski rad Voditelj rada: izv. prof. dr. sc. Ljiljana Arambašić Zagreb, rujan 206.
More informationPoložaj nultočaka polinoma
Osječki matematički list 4 (204), 05-6 Položaj nultočaka polinoma Mandalena Pranjić Rajna Rajić Sažetak Prema Rolleovom teoremu, bilo koji segment čiji su krajevi međusobno različite realne nultočke polinoma
More informationMatrice u Maple-u. Upisivanje matrica
Matrice u Maple-u Tvrtko Tadić U prošlom broju upoznali ste se s matricama, a u ovom broju vidjeli ste neke njihove primjene. Mnoge je vjerojatno prepalo računanje s matricama. Pa tko će raditi svo to
More informationPeriodi i oblici titranja uobičajenih okvirnih AB građevina
DOI: https://doi.org/10.1456/jce.1774.016 Građevinar /018 Primljen / Received: 30.7.016. Ispravljen / Corrected: 19..017. Prihvaćen / Accepted: 8..017. Dostupno online / Available online: 10.3.018. Periodi
More informationKLASIFIKACIJSKA STABLA
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Anja Damiš KLASIFIKACIJSKA STABLA Diplomski rad Voditelj rada: prof. dr. sc. Anamarija Jazbec Zagreb, rujan, 2016. Ovaj diplomski
More informationSTACIONARNOST GARCH PROCESA I PRIMJENE
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Daniel Stojanović STACIONARNOST GARCH PROCESA I PRIMJENE Diplomski rad Voditelj rada: prof.dr.sc.siniša Slijepčević Zagreb, lipanj,
More informationHrvatski matematički elektronički časopis. Kvantitativne metode odlučivanja - problem složene razdiobe ulaganja
math.e Hrvatski matematički elektronički časopis Kvantitativne metode odlučivanja - problem složene razdiobe ulaganja optimizacija Tihana Strmečki, Ivana Božić i Bojan Kovačić Tehničko veleučilište u Zagrebu,
More informationAriana Trstenjak Kvadratne forme
Sveučilište Josipa Jurja Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Ariana Trstenjak Kvadratne forme Završni rad Osijek, 014. Sveučilište Josipa Jurja Strossmayera
More informationMath 362, Problem set 1
Math 6, roblem set Due //. (4..8) Determine the mean variance of the mean X of a rom sample of size 9 from a distribution having pdf f(x) = 4x, < x
More informationPrimjena numeričke metode Runge-Kutta na rješavanje problema početnih i rubnih uvjeta
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO-MATEMATIČKI FAKULTET FIZIČKI ODSJEK SMJER: PROFESOR FIZIKE I INFORMATIKE Ivan Banić Diplomski rad Primjena numeričke metode Runge-Kutta na rješavanje problema početnih
More informationAIR CURTAINS VAZDU[NE ZAVESE V H
AIR CURTAINS V 15.000 H 21.000 KLIMA Co. 2 KLIMA Co. Flow and system stress should be known factors in air flow. The flow is gas quantity flowing through the system during given time unit and is measured
More informationSveučilište Josipa Jurja Strossmayera u Osijeku Odjel za matematiku
Sveučilište Josipa Jurja Strossmayera u Osijeku Odjel za matematiku Valentina Volmut Ortogonalni polinomi Diplomski rad Osijek, 2016. Sveučilište Josipa Jurja Strossmayera u Osijeku Odjel za matematiku
More informationThe Bond Number Relationship for the O-H... O Systems
CROATICA CHEMICA ACTA CCACAA 61 (4) 815-819 (1988) CCA-1828 YU ISSN 0011-1643 UDC 541.571.9 Original Scientific Paper The Bond Number Relationship for the O-H... O Systems Slawomir J. Grabowski Institute
More information1. Point Estimators, Review
AMS571 Prof. Wei Zhu 1. Point Estimators, Review Example 1. Let be a random sample from. Please find a good point estimator for Solutions. There are the typical estimators for and. Both are unbiased estimators.
More informationSHOWER PARTICLE MULTIPLICITY DISTRIBUTIONS FOR COLLISIONS OF GEV/C PROTONS WITH EMULSION UDC S. Drndarević, G. Škoro, D.
UNIVERSITY OF NIŠ The scientific journal FACTA UNIVERSITATIS Series: Physics, Chemistry and Technology Vol. 2, No 1, 1999 pp. 39-45 Editor of series: Momčilo Pejović, e-mail: pejovic@elfak.ni.ac.yu Address:
More informationGrupiranje podataka u skupine 1 Rudolf Scitovski, Odjela za matematiku, Sveučilište u Osijeku 2
Klaster analiza 1 U tekstu vjerojatno ima pogrešaka. Ako ih uočite, molim da mi to javite Grupiranje podataka u skupine 1 Rudolf Scitovski, Odjela za matematiku, Sveučilište u Osijeku 2 1 Formulacija problema
More informationDEVELOPMENT OF MATHEMATICAL MODELS TO PREDICT THE EFFECT OF INPUT PARAMETERS ON FEED RATE OF A RECIPROCATORY TUBE FUNNEL FEEDER
http://doi.org/10.24867/jpe-2018-01-067 JPE (2018) Vol.21 (1) Jain, A., Bansal, P., Khanna, P. Preliminary Note DEVELOPMENT OF MATHEMATICAL MODELS TO PREDICT THE EFFECT OF INPUT PARAMETERS ON FEED RATE
More informationMetode izračunavanja determinanti matrica n-tog reda
Osječki matematički list 10(2010), 31 42 31 STUDENTSKA RUBRIKA Metode izračunavanja determinanti matrica n-tog reda Damira Keček Sažetak U članku su opisane metode izračunavanja determinanti matrica n-tog
More informationMode I Critical Stress Intensity Factor of Medium- Density Fiberboard Obtained by Single-Edge- Notched Bending Test
... Yoshihara, Mizuno: Mode I Critical Stress Intensity Factor of Medium-Density... Hiroshi Yoshihara, Hikaru Mizuno 1 Mode I Critical Stress Intensity Factor of Medium- Density Fiberboard Obtained by
More informationAdaptivna valićna transformacija ostvarena na CUDA arhitekturi
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVRŠNI RAD br. 2128 Adaptivna valićna transformacija ostvarena na CUDA arhitekturi Matija Osrečki Zagreb, lipanj 2011. Umjesto ove stranice
More informationO aksiomu izbora, cipelama i čarapama
O aksiomu izbora, cipelama i čarapama Aksiom izbora može se izreći u raznim ekvivalentnim formama. Dokazi ekvivalencije aksioma izbora npr. sa Zornovom lemom, ili pak sa Zermelovim teoremom o dobrom uredaju,
More informationU X. 1. Multivarijantna statistička analiza 1
. Multivarijantna statistička analiza Standardizovana (normalizovana) vrednost obeležja Normalizovano odstupanje je mera varijacije koja pokazuje algebarsko odstupanje jedne vrednosti obeležja od aritmetičke
More informationKvantitativne metode za poslovno odlučivanje IV. Linearno programiranje
Kvantitativne metode za poslovno odlučivanje IV. Linearno programiranje Rudolf Scitovski, Ivan Vazler, Martina Briš. siječnja 3. Sadržaj Uvod Maksimizacija profita primarni LP problem. Geometrijska interpretacija
More information1 Pogreške Vrste pogrešaka Pogreške zaokruživanja Pogreške nastale zbog nepreciznosti ulaznih podataka
Sadržaj 1 Pogreške 1 1.1 Vrste pogrešaka...................... 1 1.1.1 Pogreške zaokruživanja.............. 1 1.1.2 Pogreške nastale zbog nepreciznosti ulaznih podataka....................... 2 1.1.3 Pogreška
More information7 Influence Functions
7 Influence Functions The influence function is used to approximate the standard error of a plug-in estimator. The formal definition is as follows. 7.1 Definition. The Gâteaux derivative of T at F in the
More informationZadatci sa ciklusima. Zadatak1: Sastaviti progra koji određuje z ir prvih prirod ih rojeva.
Zadatci sa ciklusima Zadatak1: Sastaviti progra koji određuje z ir prvih prirod ih rojeva. StrToIntDef(tekst,broj) - funkcija kojom se tekst pretvara u ceo broj s tim da je uvedena automatska kontrola
More informationPrimijenjena statistika
Mirta Benšić Nenad Šuvak Primijenjena statistika Osijek, 2013. M. Benšić, N. Šuvak Primijenjena statistika. Izdavač: Sveučilište J.J. Strossmayera, Odjel za matematiku Recenzenti: Prof.dr.sc. Bojan Basrak
More informationINDUSTRIAL, COMMERCIAL and DOMESTIC AREAS OF EXPERTISE
INDUTRIAL, OMMERIAL DOMETI AREA OF EXPERTIE Di & Ui f i ii i i fiii T i Bii L i i qi,, i f i i i f z! O i i i 3B i i i Di Mfi iq T i ff i, i qi i i qi qik, ii i f i,, ii i i ii W i fii i i fi i f, i iiii
More informationNilpotentni operatori i matrice
Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Nikolina Romić Nilpotentni operatori i matrice Završni rad Osijek, 2016. Sveučilište J. J. Strossmayera
More informationSortiranje podataka. Ključne riječi: algoritmi za sortiranje, merge-sort, rekurzivni algoritmi. Data sorting
Osječki matematički list 5(2005), 21 28 21 STUDENTSKA RUBRIKA Sortiranje podataka Alfonzo Baumgartner Stjepan Poljak Sažetak. Ovaj rad prikazuje jedno od rješenja problema sortiranja podataka u jednodimenzionalnom
More informationInstitute of Actuaries of India
Institute of Actuaries of India Subject CT3 Probability & Mathematical Statistics May 2011 Examinations INDICATIVE SOLUTION Introduction The indicative solution has been written by the Examiners with the
More informationHarmonijski brojevi. Uvod
MATEMATIKA Harmonijski brojevi Darko Žubrinić, Zagreb Beskonačno! Niti koje drugo pitanje nije nikada toliko duboko dirnulo duh čovjeka. David Hilbert (862. 943.) Uvod U ovom članku opisat ćemo jedan pomalo
More information17. Example SAS Commands for Analysis of a Classic Split-Plot Experiment 17. 1
17 Example SAS Commands for Analysis of a Classic SplitPlot Experiment 17 1 DELIMITED options nocenter nonumber nodate ls80; Format SCREEN OUTPUT proc import datafile"c:\data\simulatedsplitplotdatatxt"
More informationANALYSIS OF INFLUENCE OF PARAMETERS ON TRANSFER FUNCTIONS OF APERIODIC MECHANISMS UDC Života Živković, Miloš Milošević, Ivan Ivanov
UNIVERSITY OF NIŠ The scientific journal FACTA UNIVERSITATIS Series: Mechanical Engineering Vol.1, N o 6, 1999 pp. 675-681 Editor of series: Nenad Radojković, e-mail: radojkovic@ni.ac.yu Address: Univerzitetski
More informationPEARSONOV r koeficijent korelacije [ ]
PEARSONOV r koeficijent korelacije U prošlim vježbama obradili smo Spearmanov Ro koeficijent korelacije, a sada nas čeka Pearsonov koeficijent korelacije ili Produkt-moment koeficijent korelacije. To je
More informationMaximum Likelihood. F θ, θ Θ. X 1,..., X n. L(θ) = f(x i ; θ) l(θ) = ln L(θ) = i.i.d. i=1. n ln f(x i ; θ) Sometimes
Maximum Likelihood X 1,..., X n i.i.d. F θ, θ Θ L(θ) = n i=1 f(x i ; θ) l(θ) = ln L(θ) = Sometimes n i=1 ln f(x i ; θ) Close your eyes and differentiate? Let X 1,..., X n be a random sample from a Gamma
More informationDRUGI KOLOKVIJ ZADACI ZA VJEŽBU. 1. zadatak. Za rad s bazom podataka moja_baza koristimo naredbu:
DRUGI KOLOKVIJ ZADACI ZA VJEŽBU 1. zadatak. Za rad s bazom podataka moja_baza koristimo naredbu: a. SELECT moja_baza b. ENTER moja_baza c. USE moja_baza d. OPEN moja_baza 2. zadatak. Koja od ovih naredbi
More informationP a g e 5 1 of R e p o r t P B 4 / 0 9
P a g e 5 1 of R e p o r t P B 4 / 0 9 J A R T a l s o c o n c l u d e d t h a t a l t h o u g h t h e i n t e n t o f N e l s o n s r e h a b i l i t a t i o n p l a n i s t o e n h a n c e c o n n e
More informationĐorđe Đorđević, Dušan Petković, Darko Živković. University of Niš, The Faculty of Civil Engineering and Architecture, Serbia
FACTA UNIVERSITATIS Series: Architecture and Civil Engineering Vol. 6, N o 2, 2008, pp. 207-220 DOI:10.2298/FUACE0802207D THE APPLIANCE OF INTERVAL CALCULUS IN ESTIMATION OF PLATE DEFLECTION BY SOLVING
More informationQuantum Statistical Aspects of Charge Transfer on Electrodes~'
CR 0 AT IC A CB: EM l CA ACT A 44 (1972) 15 CCA-679 541.138 :530.145 Conference Paper Quantum Statistical Aspects of Charge Transfer on Electrodes' E. Bergmann BatteHe Institute, Advanced Studies Center,
More information02/05/09 Last 4 Digits of USC ID: Dr. Jessica Parr
Chemistry 05 B First Letter of PLEASE PRINT YOUR NAME IN BLOCK LETTERS Exam last Name Name: 02/05/09 Last 4 Digits of USC ID: Dr. Jessica Parr Lab TA s Name: Question Points Score Grader 2 2 9 3 9 4 2
More informationMirela Nogolica Norme Završni rad
Sveučilište J.J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Mirela Nogolica Norme Završni rad Osijek, 2014. Sveučilište J.J. Strossmayera u Osijeku Odjel za
More informationStatistics Ph.D. Qualifying Exam: Part I October 18, 2003
Statistics Ph.D. Qualifying Exam: Part I October 18, 2003 Student Name: 1. Answer 8 out of 12 problems. Mark the problems you selected in the following table. 1 2 3 4 5 6 7 8 9 10 11 12 2. Write your answer
More informationŠta je to mašinsko učenje?
MAŠINSKO UČENJE Šta je to mašinsko učenje? Disciplina koja omogućava računarima da uče bez eksplicitnog programiranja (Arthur Samuel 1959). 1. Generalizacija znanja na osnovu prethodnog iskustva (podataka
More informationVektori u ravnini i prostoru. Rudolf Scitovski, Ivan Vazler. 10. svibnja Uvod 1
Ekonomski fakultet Sveučilište J. J. Strossmayera u Osijeku Vektori u ravnini i prostoru Rudolf Scitovski, Ivan Vazler 10. svibnja 2012. Sadržaj 1 Uvod 1 2 Operacije s vektorima 2 2.1 Zbrajanje vektora................................
More informationDr. Željko Jurić: Matematička logika i teorija izračunljivosti Radna skripta za istoimeni kurs na Elektrotehničkom fakultetu u Sarajevu.
Dr. Željko Jurić: Matematička logika i teorija izračunljivosti Radna skripta za istoimeni kurs na Elektrotehničkom fakultetu u Sarajevu (akademska godina 2015/16) Funkcijske relacije i funkcije (preslikavanja)
More informationIZVEDBENI PLAN NASTAVE OPIS KOLEGIJA
Studij: SPECIJALISTIČKI DIPLOMSKI STRUČNI STUDIJ Studijska godina: 1.,.* Akad. godina: VELEUČILIŠTE U ŠIBENIKU 013./014. Smjer: Semestar: * Od akademske godine 013./014. predmet Statistika izvodi se u
More informationHypothesis Testing: The Generalized Likelihood Ratio Test
Hypothesis Testing: The Generalized Likelihood Ratio Test Consider testing the hypotheses H 0 : θ Θ 0 H 1 : θ Θ \ Θ 0 Definition: The Generalized Likelihood Ratio (GLR Let L(θ be a likelihood for a random
More informationRazni načini zadavanja vjerojatnosti
Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Sanja Pešorda Razni načini zadavanja vjerojatnosti Završni rad Osijek, 2017. Sveučilište J. J. Strossmayera
More information