Enajste vaje
|
|
- Ivan Mlinarič
- pred 4 leti
- Pregledov:
Transkripcija
1 Ekonometrija 1 Enajste vaje: Konstantnost variance slučajne spremenljivke in heteroskedastičnost. Odsotnost koreliranosti slučajne spremenljivke in avtokorelacija. Na enajstih vajah bomo nadaljevali z obravnavo homoskedastičnosti kot ene temeljnih predpostavk klasičnega linearnega regresijskega modela. Spoznali bomo dva dodatna testa za preverjanje te predpostavke, tj. Breusch Paganov in Whiteov test ter dodaten postopek ocenjevanja regresijskih modelov v primeru heteroskedastičnosti. Nato pa bomo obravnavali še eno temeljnih predpostavk klasičnega linearnega regresijskega modela, in sicer predpostavko o odsotnosti avtokorelacije. - - Primer 1: Na podlagi podatkov za 50 ameriških zveznih držav za leto 1985 ocenite naslednjo funkcijo porabe bencina (glej datoteko bencin.dta): CON = β + β REGMV + β TAX + u. i 1 2 i 3 i i Pri tem imajo posamezne spremenljivke naslednji pomen: CON: poraba bencina v posamezni državi (v milijonih sodčkov); REGMV: število registriranih motornih vozil (v tisočih); TAX: stopnja trošarine za bencin (v centih na galono). a) Opravite Breusch Paganov test prisotnosti heteroskedastičnosti in pojasnite vaše ugotovitve. S pomočjo metode PNK TNK zapišite model v obliki, ki bo zagotavljala, da je predpostavka o homoskedastičnosti ponovno izpolnjena in to tudi dokažite. Ocenite ta model, nato pa zapišite ustrezne (NENALICE) ocene prvotnega regresijskega modela. b) Opravite Whiteov test prisotnosti heteroskedastičnosti in pojasnite vaše ugotovitve. S pomočjo metode PNK TNK zapišite model v obliki, ki bo zagotavljala, da je predpostavka o homoskedastičnosti ponovno izpolnjena in to tudi dokažite. Ocenite ta model, nato pa zapišite ustrezne (NENALICE) ocene prvotnega regresijskega modela. c) Poskušajte odpraviti ugotovljeno prisotnost heteroskedastičnosti še s pomočjo logaritemske transformacije spremenljivk. Ste bili pri tem uspešni? d) Nazadnje s pomočjo Huber/White robustne cenilke variance izračunajte nepristranske standardne napake ocen parametrov. Katero predpostavko klasičnega linearnega regresijskega modela ste pri tem sprostili in kako? 1
2 Izpis rezultatov obdelav v programskem paketu Stata:. regress con regmv tax F( 2, 47) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = 253 con Coef. Std. Err. t P> t [95% Conf. Interval] regmv tax _cons predict econ, resid. gen econ2=econ^2. * Breusch-Paganov test. sum econ2 Variable Obs Mean Std. Dev. Min Max econ regress econ2 regmv tax F( 2, 47) = 9.17 Model e e+11 Prob > F = Residual e e+10 R-squared = Adj R-squared = Total e e+10 Root MSE = 1.8e+05 econ2 Coef. Std. Err. t P> t [95% Conf. Interval] regmv tax _cons display invchi2tail(2,0.05) display chi2tail(2, ) 1.749e-18. qui regress con regmv tax. estat hettest regmv tax Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance Variables: regmv tax chi2(2) = Prob > chi2 =
3 . qui regress econ2 regmv tax. predict econ2fit, xb. inspect econ2fit econ2fit: Linear prediction Number of Observations Total Integers Nonintegers # Negative # Zero # Positive # # # # Total # # #.. Missing (50 unique values). gen lecon2=log(econ2). qui regress lecon2 regmv tax. predict lecon2fit, xb. gen td=sqrt(exp(lecon2fit)). gen cont=con/td. gen regmvt=regmv/td. gen taxt=tax/td. gen kt=1/td. regress cont regmvt taxt kt, nocons F( 3, 47) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = cont Coef. Std. Err. t P> t [95% Conf. Interval] regmvt taxt kt gen contfit=_b[regmvt]*regmv+_b[taxt]*tax+_b[kt]. correlate con contfit (obs=50) con contfit con contfit scalar r2p=r(rho)^2. display r2p drop econ2fit td cont regmvt taxt kt contfit lecon2 lecon2fit. * Whiteov test. gen regmv2=regmv^2. gen tax2=tax^2. gen regmvtax=regmv*tax 3
4 . regress econ2 regmv tax regmv2 tax2 regmvtax F( 5, 44) = Model e e+11 Prob > F = Residual e e+10 R-squared = Adj R-squared = Total e e+10 Root MSE = 1.3e+05 econ2 Coef. Std. Err. t P> t [95% Conf. Interval] regmv tax regmv tax regmvtax _cons scalar theta=e(n)*e(r2). display theta, invchi2tail(e(rank)-1,0.05), chi2tail(e(rank)-1,theta) e-06. qui regress con regmv tax. estat imtest, white White's test for Ho: homoskedasticity against Ha: unrestricted heteroskedasticity chi2(5) = Prob > chi2 = Cameron & Trivedi's decomposition of IM-test Source chi2 df p Heteroskedasticity Skewness Kurtosis Total qui regress econ2 regmv tax regmv2 tax2 regmvtax. predict econ2fit, xb. inspect econ2fit econ2fit: Linear prediction Number of Observations Total Integers Nonintegers # Negative # Zero # Positive # # Total # #... Missing (50 unique values). gen lecon2=log(econ2). qui regress lecon2 regmv tax regmv2 tax2 regmvtax. predict lecon2fit, xb 4
5 . gen td=sqrt(exp(lecon2fit)). gen cont=con/td. gen regmvt=regmv/td. gen taxt=tax/td. gen kt=1/td. regress cont regmvt taxt kt, nocons F( 3, 47) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = cont Coef. Std. Err. t P> t [95% Conf. Interval] regmvt taxt kt gen contfit=_b[regmvt]*regmv+_b[taxt]*tax+_b[kt]. correlate con contfit (obs=50) con contfit con contfit scalar r2p=r(rho)^2. display r2p drop econ2fit td cont regmvt taxt kt contfit lecon2 lecon2fit. * Logaritemska transformacija spremenljivk. gen lcon=log(con). gen lregmv=log(regmv). gen ltax=log(tax). regress lcon lregmv ltax F( 2, 47) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = lcon Coef. Std. Err. t P> t [95% Conf. Interval] lregmv ltax _cons
6 . estat hettest lregmv ltax Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance Variables: lregmv ltax chi2(2) = Prob > chi2 = estat imtest, white White's test for Ho: homoskedasticity against Ha: unrestricted heteroskedasticity chi2(5) = Prob > chi2 = Cameron & Trivedi's decomposition of IM-test Source chi2 df p Heteroskedasticity Skewness Kurtosis Total * Uporaba robustnih standardnih napak. regress con regmv tax, robust Linear regression Number of obs = 50 F( 2, 47) = Prob > F = R-squared = Root MSE = 253 Robust con Coef. Std. Err. t P> t [95% Conf. Interval] regmv tax _cons Primer 2: Na podlagi četrtletnih podatkov za ZDA za obdobje 1976q1 1990q4 ocenite naslednjo funkcijo povpraševanja po novih avtomobilih (glej datoteko avtotrg.dta): AVTOP = β + β CENA + β RRDP + β OM + u. t 1 2 t 3 t 4 t t Pri tem imajo posamezne spremenljivke naslednji pomen: AVTOP: število prodanih novih avtomobilov na prebivalcev; CENA: indeks cen novih avtomobilov (1982q1=100); RRDP: realni razpoložljivi dohodek na prebivalca (v USD); OM: referenčna obrestna mera pri poslovnih bankah (v %). 6
7 Najprej s pomočjo grafične metode odkrivanja avtokorelacije preverite, ali je v zgornji funkciji povpraševanja po novih avtomobilih mogoče zaznati prisotnost avtokorelacije prvega in četrtega reda. Grafično preverite tudi morebitne znake slabe specifikacije modela. Nato opravite še Durbin Watsonov d test. Pri tem ocenite tudi koeficient avtokorelacije prvega in četrtega reda (na različne načine). Pojasnite vaše ugotovitve. Izpis rezultatov obdelav v programskem paketu Stata:. tsset kvartal time variable: kvartal, 1976q1 to 1990q4 delta: 1 quarter. regress avtop cena rrdp om Source SS df MS Number of obs = F( 3, 56) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = avtop Coef. Std. Err. t P> t [95% Conf. Interval] cena rrdp om _cons predict eavto, resid. * Analiza prisotnosti avtokorelacije - Graficna metoda. rvfplot, yline(0) Residuals Fitted values. gen eavto1=eavto[_n-1] (1 missing value generated). gen eavto4=eavto[_n-4] (4 missing values generated) 7
8 . twoway connected eavto kvartal, yline(0). scatter eavto l.eavto Residuals Residuals 1975q1 1980q1 1985q1 1990q1 Cetrtletje opazovanja Residuals, L. scatter eavto l4.eavto Residuals Residuals, L4. * Analiza prisotnosti avtokorelacije - Ocenjevanje koeficienta AK 1. reda. gen eeavtott1=eavto*eavto1 (1 missing value generated). qui sum eeavtott1, detail. scalar rhostevec=r(n)*r(mean). gen eavto2=eavto^2. qui sum eavto2, detail. scalar rhoimenovalec1=r(n)*r(mean). scalar rhoapprox1=rhostevec/rhoimenovalec1. display rhostevec, rhoimenovalec1, rhoapprox corrgram eavto LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor]
9 gen eavto12=eavto1^2 (1 missing value generated). qui sum eavto12, detail. scalar rhoimenovalec2=r(n)*r(mean). scalar rhoapprox2=rhostevec/rhoimenovalec2. display rhostevec, rhoimenovalec2, rhoapprox regress eavto eavto1, nocons Source SS df MS Number of obs = F( 1, 58) = 2.27 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE =.9015 eavto Coef. Std. Err. t P> t [95% Conf. Interval] eavto scalar rho=_b[eavto1]. display rho * Analiza prisotnosti avtokorelacije - Durbin-Watsonov d-test. gen eavtott12=(eavto-eavto1)^2 (1 missing value generated). qui sum eavtott12, detail. scalar dwstevec=r(n)*r(mean). qui sum eavto2, detail. scalar dwimenovalec=r(n)*r(mean). scalar dw=dwstevec/dwimenovalec. display dwstevec, dwimenovalec, dw qui regress avtop cena rrdp om. estat dwatson Durbin-Watson d-statistic( 4, 60) = * Analiza prisotnosti avtokorelacije - Ocenjevanje koeficienta AK 4. reda. gen eeavtott4=eavto*eavto4 (4 missing values generated) 9
10 . qui sum eeavtott4, detail. scalar rhostevec=r(n)*r(mean). qui sum eavto2, detail. scalar rhoimenovalec1=r(n)*r(mean). scalar rhoapprox1=rhostevec/rhoimenovalec1. display rhostevec, rhoimenovalec1, rhoapprox corrgram eavto LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor] gen eavto42=eavto4^2 (4 missing values generated). qui sum eavto42, detail. scalar rhoimenovalec2=r(n)*r(mean). scalar rhoapprox2=rhostevec/rhoimenovalec2. display rhostevec, rhoimenovalec2, rhoapprox regress eavto eavto4, nocons Source SS df MS Number of obs = F( 1, 55) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = eavto Coef. Std. Err. t P> t [95% Conf. Interval] eavto scalar rho=_b[eavto4]. display rho
Primer 1: V vzorec smo izbrali 35 evropskih držav in zanje pridobili naslednje podatke (datoteka tobak.dta): odstotek prebivalcev, starejših od 65 let
Primer 1: V vzorec smo izbrali 35 evropskih držav in zanje pridobili naslednje podatke (datoteka tobak.dta): odstotek prebivalcev, starejših od 65 let (STAR); poraba cigaret na prebivalca (TOBAK; izražena
Prikaži več2. Model multiple regresije
2. Model multiple regresije doc. dr. Miroslav Verbič miroslav.verbic@ef.uni-lj.si www.miroslav-verbic.si Ljubljana, februar 2014 2.1 Populacijski regresijski model in regresijski model vzorčnih podatkov
Prikaži večPrimer 1: Analiziramo produkcijske funkcije za podjetja industrijske dejavnosti v RS v podskupini DL Proizvodnja računalnikov in druge opreme za
Primer 1: Analiziramo produkcijske funkcije za podjetja industrijske dejavnosti v RS v podskupini DL 30.02 Proizvodnja računalnikov in druge opreme za obdelavo podatkov na podlagi podatkov iz zaključnih
Prikaži večOsme vaje
Ekonometrja 1 Osme vaje: Vplv lnearnh transformacj spremenljvk na ocene parametrov regresjske funkcje. Napovedovanje povprečne n posamčne vrednost odvsne spremenljvke. Na osmh vajah bomo nadaljeval s proučevanjem
Prikaži večMicrosoft Word - SI_vaja1.doc
Univerza v Ljubljani, Zdravstvena fakulteta Sanitarno inženirstvo Statistika Inštitut za biostatistiko in medicinsko informatiko Š.l. 2011/2012, 3. letnik (1. stopnja), Vaja 1 Naloge 1. del: Opisna statistika
Prikaži več3. Preizkušanje domnev
3. Preizkušanje domnev doc. dr. Miroslav Verbič miroslav.verbic@ef.uni-lj.si www.miroslav-verbic.si Ljubljana, februar 2014 3.1 Izračunavanje intervala zaupanja za vrednosti regresijskih koeficientov Motivacija
Prikaži večMicrosoft Word - SI_vaja5.doc
Univerza v Ljubljani, Zdravstvena fakulteta Sanitarno inženirstvo Statistika Inštitut za biostatistiko in medicinsko informatiko Š.l. 2011/2012, 3. letnik (1. stopnja), Vaja 5 Naloge 1. del: t test za
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 6. julij 2018 Navodila Pazljivo preberite be
Ime in priimek: Vpisna št: FAKULEA ZA MAEMAIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 6 julij 2018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Za pozitiven rezultat
Prikaži večNAVADNA (BIVARIATNA) LINEARNA REGRESIJA O regresijski analizi govorimo, kadar želimo opisati povezanost dveh numeričnih spremenljivk. Opravka imamo to
NAVADNA (BIVARIATNA) LINEARNA REGRESIJA O regresijski analizi govorimo, kadar želimo opisati povezanost dveh numeričnih spremenljivk. Opravka imamo torej s pari podatkov (x i,y i ), kjer so x i vrednosti
Prikaži večUNIVERZA V LJUBLJANI FAKULTETA ZA MATEMATIKO IN FIZIKO Katja Ciglar Analiza občutljivosti v Excel-u Seminarska naloga pri predmetu Optimizacija v fina
UNIVERZA V LJUBLJANI FAKULTETA ZA MATEMATIKO IN FIZIKO Katja Ciglar Analiza občutljivosti v Excel-u Seminarska naloga pri predmetu Optimizacija v financah Ljubljana, 2010 1. Klasični pristop k analizi
Prikaži večOsnove statistike v fizični geografiji 2
Osnove statistike v geografiji - Metodologija geografskega raziskovanja - dr. Gregor Kovačič, doc. Bivariantna analiza Lastnosti so med sabo odvisne (vzročnoposledično povezane), kadar ena lastnost (spremenljivka
Prikaži večŠTEVCI PROMETA IN NJIHOVA UPORABA ZA NAMENE STATISTIK ČRT GRAHONJA
ŠTEVCI PROMETA IN NJIHOVA UPORABA ZA NAMENE STATISTIK ČRT GRAHONJA Navdih Poizvedovanje po BD podatkovnih virih, ki imajo časovno dimenzijo in so dostopni. Večji promet pomeni večje število dobrin in močnejšo
Prikaži večPredmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS Ekonometrija Econometrics Študijski program in stopnja Study programme and level Magistrs
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS Ekonometrija Econometrics Študijski program in stopnja Study programme and level Magistrski študijski program Finančna matematika Master's
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 31. avgust 2018 Navodila Pazljivo preberite
Ime in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 31 avgust 018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Za pozitiven
Prikaži večLaTeX slides
Linearni in nelinearni modeli Milena Kovač 22. december 2006 Biometrija 2006/2007 1 Linearni, pogojno linearni in nelinearni modeli Kriteriji za razdelitev: prvi parcialni odvodi po parametrih Linearni
Prikaži več2
LETNO POROČILO O KAKOVOSTI ZA RAZISKOVANJE ČETRTLETNO STATISTIČNO RAZISKOVANJE O ELEKTRONSKIH KOMUNIKACIJSKIH STORITVAH (KO-TEL/ČL) IN LETNO STATISTIČNO RAZISKOVANJE O ELEKTRONSKIH KOMUNIKACIJSKIH STORITVAH
Prikaži večMicrosoft Word - RAZISKAVA_II._del.doc
DEJAVNIKI VARNOSTI CESTNEGA PROMETA V SLOVENIJI Raziskava II. del Inštitut za kriminologijo pri Pravni fakulteti v Ljubljani Ljubljana, avgusta 2010 Vodja raziskave: dr. Dragan Petrovec Izvajalci in avtorji:
Prikaži večIZLETI V MATEMATIČNO VESOLJE Ali so fantje bolj nadarjeni za matematiko kot dekleta? Arjana Brezigar Masten UP FAMNIT in UMAR 1
IZLETI V MATEMATIČNO VESOLJE Ali so fantje bolj nadarjeni za matematiko kot dekleta? Arjana Brezigar Masten UP FAMNIT in UMAR 1 Culture, Gender, and Math L.Guiso, F.Monte, P. Sapienza, L.Zingales Science
Prikaži večOCENA UČINKOV NOVE ZAKONODAJE (ZAKON O DOHODNINI, ZAKON O POKOJNINSKEM IN INVALIDSKEM ZAVAROVANJU) NA SAMOZAPOSLENE V KULTURI Pripravilo: Društvo Asoc
OCENA UČINKOV NOVE ZAKONODAJE (ZAKON O DOHODNINI, ZAKON O POKOJNINSKEM IN INVALIDSKEM ZAVAROVANJU) NA SAMOZAPOSLENE V KULTURI Pripravilo: Društvo Asociacija, Odprta zbornica za sodobno umetnost Povzetek
Prikaži večRAM stroj Nataša Naglič 4. junij RAM RAM - random access machine Bralno pisalni, eno akumulatorski računalnik. Sestavljajo ga bralni in pisalni
RAM stroj Nataša Naglič 4. junij 2009 1 RAM RAM - random access machine Bralno pisalni, eno akumulatorski računalnik. Sestavljajo ga bralni in pisalni trak, pomnilnik ter program. Bralni trak- zaporedje
Prikaži večAJPES Agencija Republike Slovenije za javnopravne evidence in storitve INFORMACIJA O POSLOVANJU SAMOSTOJNIH PODJETNIKOV POSAMEZNIKOV V REPUBLIKI SLOVE
AJPES Agencija Republike Slovenije za javnopravne evidence in storitve INFORMACIJA O POSLOVANJU SAMOSTOJNIH PODJETNIKOV POSAMEZNIKOV V REPUBLIKI SLOVENIJI V LETU 2005 Ljubljana, maj 2006 K A Z A L O Stran
Prikaži več2
REPUBLIKA SLOVENIJA LETNO POROČILO O KAKOVOSTI ZA RAZISKOVANJE ANKETA O MNENJU POTROŠNIKOV ZA LETO 2010 Poročilo pripravil: Martin Bajželj, Marta Arnež Datum: avgust 2011 1/12 Kazalo 0 Osnovni podatki...
Prikaži večVerjetnost in vzorčenje: teoretske porazdelitve standardne napake ocenjevanje parametrov as. dr. Nino RODE prof. dr. Blaž MESEC
Verjetnost in vzorčenje: teoretske porazdelitve standardne napake ocenjevanje parametrov as. dr. Nino RODE prof. dr. Blaž MESEC VERJETNOST osnovni pojmi Poskus: dejanje pri katerem je izid negotov met
Prikaži večMicrosoft Word - Faktorska_analiza_blagovne_znamke_II
Funkcije blagovne znamke Občutljivost na blagovne znamke (angl. brand sensitivity), definirana kot pomen, ki ga kupci pripisujejo blagovni znamki v procesu odločanja za nakup, je izkazano pomemben dejavnik,
Prikaži več(Microsoft Word - 3. Pogre\232ki in negotovost-c.doc)
3.4 Merilna negotovost Merilna negotovost je parameter, ki pripada merilnem rezltat. Označje razpršenost vrednosti, ki jih je mogoče z določeno verjetnostjo pripisati merjeni veličini. Navaja kakovost
Prikaži večPREDMETNI KURIKULUM ZA RAZVOJ METEMATIČNIH KOMPETENC
MATEMATIKA 1.razred OSNOVE PREDMETA POKAZATELJI ZNANJA SPRETNOSTI KOMPETENCE Naravna števila -pozna štiri osnovne računske operacije in njihove lastnosti, -izračuna številske izraze z uporabo štirih računskih
Prikaži večVAJE RID 1 (4), program PTI, šol
VAJE INFORMATIKA, program PTI šol. leto 08/09 Za vsako vajo izdelajte kratka navodila oz. katere ukaze ste uporabili za izdelavo dokumenta. Vsak dokument stiskajte in ga vsatvite v delovno mapo. Pred izpitom
Prikaži več2. izbirni test za MMO 2017 Ljubljana, 17. februar Naj bosta k 1 in k 2 dve krožnici s središčema O 1 in O 2, ki se sekata v dveh točkah, ter
2. izbirni test za MMO 2017 Ljubljana, 17. februar 2017 1. Naj bosta k 1 in k 2 dve krožnici s središčema O 1 in O 2, ki se sekata v dveh točkah, ter naj bo A eno od njunih presečišč. Ena od njunih skupnih
Prikaži večMatematika Diferencialne enačbe prvega reda (1) Reši diferencialne enačbe z ločljivimi spremenljivkami: (a) y = 2xy, (b) y tg x = y, (c) y = 2x(1 + y
Matematika Diferencialne enačbe prvega reda (1) Reši diferencialne enačbe z ločljivimi spremenljivkami: (a) y = 2xy, (b) y tg x = y, (c) y = 2x(1 + y 2 ). Rešitev: Diferencialna enačba ima ločljive spremenljivke,
Prikaži večMakroekonomske projekcije strokovnjakov ECB za euroobmočje, marec 2013
Okvir MAKROEKONOMSKE PROJEKCIJE STROKOVNJAKOV ZA EUROOBMOČJE Strokovnjaki so na podlagi podatkov, ki so bili na voljo do 22. februarja 2013, pripravili projekcije makroekonomskih gibanj v euroobmočju.
Prikaži večIzvozna in uvozna funkcija slovenskega gospodarstva
UNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA DIPLOMSKO DELO IZVOZNA IN UVOZNA FUNKCIJA SLOVENSKEGA GOSPODARSTVA Ljubljana, junij 005 PRIMOŽ ZAPLOTNIK IZJAVA Študent Primož Zaplotnik izjavljam, da sem avtor
Prikaži večJournal of Central European Agriculture, 2012, 13(1), p DOI: /JCEA01/ DETERMINANTS OF AGRO FOOD PRICE CHANGES IN SLOVENIA DEJAV
Journal of Central European Agriculture, 2012, 13(1), p.95-108 DOI: 10.5513/JCEA01/13.1.1020 DETERMINANTS OF AGRO FOOD PRICE CHANGES IN SLOVENIA DEJAVNIKI SPREMINJANJA AGROŽIVILSKIH CEN V SLOVENIJI Sergej
Prikaži večFIZIKA IN ARHITEKTURA SKOZI NAŠA UŠESA
FIZIKA IN ARHITEKTURA SKOZI NAŠA UŠESA SE SPOMNITE SREDNJEŠOLSKE FIZIKE IN BIOLOGIJE? Saša Galonja univ. dipl. inž. arh. ZAPS marec, april 2012 Vsebina Kaj je zvok? Kako slišimo? Arhitekturna akustika
Prikaži večMicrosoft Word - strakl-jana.doc
UNIVERZA V LJUBLJANI FAKULTETA ZA DRUŽBENE VEDE JANA ŠTRAKL VEČNIVOJSKA ANALIZA DIPLOMSKO DELO LJUBLJANA 2008 UNIVERZA V LJUBLJANI FAKULTETA ZA DRUŽBENE VEDE JANA ŠTRAKL MENTOR: DOC. DR. GREGOR PETRIČ
Prikaži večIZVEDBENA UREDBA KOMISIJE (EU) 2018/ z dne 16. julija o spremembi Izvedbene uredbe (EU) 2017/ za razjasnitev in
L 180/10 17.7.2018 IZVEDBENA UREDBA KOMISIJE (EU) 2018/1002 z dne 16. julija 2018 o spremembi Izvedbene uredbe (EU) 2017/1153 za razjasnitev in poenostavitev postopka korelacije ter njegovo prilagoditev
Prikaži večOSNOVE UMETNE INTELIGENCE
OSNOVE UMETNE INTELIGENCE 2017/18 regresijska drevesa ocenjevanje učenja linearni modeli k-nn Zoran Bosnić del gradiva povzet po: Bratko: Prolog programming for AI, Pearson (2011) in Russell, Norvig: AI:
Prikaži več2
REPUBLIKA SLOVENIJA LETNO POROČILO O KAKOVOSTI ZA RAZISKOVANJE ANKETA O MNENJU POTROŠNIKOV ZA LETO 2011 Poročilo pripravil: Martin Bajželj, Marta Arnež Datum: september 2012 1/12 Kazalo 0 Osnovni podatki...
Prikaži večBrownova kovariancna razdalja
Brownova kovariančna razdalja Nace Čebulj Fakulteta za matematiko in fiziko 8. januar 2015 Nova mera odvisnosti Motivacija in definicija S primerno izbiro funkcije uteži w(t, s) lahko definiramo mero odvisnosti
Prikaži večVaje: Matrike 1. Ugani rezultat, nato pa dokaži z indukcijo: (a) (b) [ ] n 1 1 ; n N 0 1 n ; n N Pokaži, da je množica x 0 y 0 x
Vaje: Matrike 1 Ugani rezultat, nato pa dokaži z indukcijo: (a) (b) [ ] n 1 1 ; n N n 1 1 0 1 ; n N 0 2 Pokaži, da je množica x 0 y 0 x y x + z ; x, y, z R y x z x vektorski podprostor v prostoru matrik
Prikaži večReliability estimation of individual predictions
Ocenjevanje zanesljivosti posameznih napovedi pri nadzorovanem učenju Darko Pevec DOKTORSKA DISERTACIJA PREDANA FAKULTETI ZA RAčUNALNIšTVO IN INFORMATIKO KOT DEL IZPOLNJEVANJA POGOJEV ZA PRIDOBITEV NAZIVA
Prikaži večFGG13
10.8 Metoda zveznega nadaljevanja To je metoda za reševanje nelinearne enačbe f(x) = 0. Če je težko poiskati začetni približek (še posebno pri nelinearnih sistemih), si lahko pomagamo z uvedbo dodatnega
Prikaži večUniverza v Ljubljani Fakulteta za elektrotehniko Kristjan Ažman Identifikacija dinamičnih sistemov z Gaussovimi procesi z vključenimi linearnimi model
Univerza v Ljubljani Fakulteta za elektrotehniko Kristjan Ažman Identifikacija dinamičnih sistemov z Gaussovimi procesi z vključenimi linearnimi modeli Magistrsko delo Mentor: prof. dr. Juš Kocijan V Ljubljani,
Prikaži več1. TERENSKA VAJA V DOMAČEM KRAJU ŠTETJE PROMETA Datum izvedbe vaje: UVOD
1. TERENSKA VAJA V DOMAČEM KRAJU ŠTETJE PROMETA Datum izvedbe vaje: UVOD Velika večina ljudi si dandanes življenja brez avtomobila ne more predstavljati. Hitro napredujeta tako avtomobilska industrija
Prikaži večMESEČNI PREGLED GIBANJ NA TRGU FINANČNIH INSTRUMENTOV April 2019
MESEČNI PREGLED GIBANJ NA TRGU FINANČNIH INSTRUMENTOV April 1 TRG FINANČNIH INSTRUMENTOV Tabela 1: Splošni kazalci Splošni kazalci 30. 9. 2018/ sep. 2018 31. 10. 2018/ okt. 2018 30. 11. 2018/ nov. 2018
Prikaži večUvodno predavanje
RAČUNALNIŠKA ORODJA Simulacije elektronskih vezij M. Jankovec 2.TRAN analiza (Analiza v časovnem prostoru) Iskanje odziva nelinearnega dinamičnega vezja v časovnem prostoru Prehodni pojavi Stacionarno
Prikaži večMergedFile
CENIK TRGOVALNE PLATFORME OPTIMTRADER PREMIUM PAKET PREMIUM paket je določen glede na mesečni obseg trgovanja.. Pri trgovanju preko platforme OptimTrader veljajo splošni pogoji poslovanja podjetja CM-Equity.
Prikaži večSTATISTIKA - zbiranje podatkov - obdelava podatkov - analiza in prikaz podatkov Z besedo statistika označujemo sistematično zbrane številske podatke.
STATISTIKA - zbiranje podatkov - obdelava podatkov - analiza in prikaz podatkov Z besedo statistika označujemo sistematično zbrane številske podatke. Te podatke obdelamo, analiziramo in prikažemo z različnimi
Prikaži več(Microsoft PowerPoint _IZS_izobraevanje ZK_1_del.ppt [Zdru\236ljivostni na\350in])
Geodetski postopki in izdelava elaborata Darinka Bertole, september 2017 NAMEN IZOBRAŽEVANJA: obnova znanja s področja izvedbe geodetske storitve in izdelave elaborata poenotenje dela in dvig kvalitete
Prikaži večStatistika, Prakticna matematika, , izrocki
Srednje vrednosti Srednja vrednost...... številske spremenljivke X je tako število, s katerim skušamo kar najbolje naenkrat povzeti vrednosti na posameznih enotah: Polovica zaposlenih oseb ima bruto osebni
Prikaži več1 MMK - Spletne tehnologije Vaja 5: Spletni obrazci Vaja 5 : Spletni obrazci 1. Element form Spletni obrazci so namenjeni zbiranju uporabniških podatk
1 MMK - Spletne tehnologije Vaja 5: Spletni obrazci Vaja 5 : Spletni obrazci 1. Element form Spletni obrazci so namenjeni zbiranju uporabniških podatkov in njihov prenos med spletnimi mesti. Obrazec v
Prikaži večPredmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Časovne vrste Time series Študijski program in stopnja Study progra
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Časovne vrste Time series Študijski program in stopnja Study programme and level Magistrski študijski program Finančna
Prikaži večPreštudirati je potrebno: Floyd, Principles of Electric Circuits Pri posameznih poglavjih so označene naloge, ki bi jih bilo smiselno rešiti. Bolj pom
Preštudirati je potrebno: Floyd, Principles of Electric Circuits Pri posameznih poglavjih so označene naloge, ki bi jih bilo smiselno rešiti. Bolj pomembne, oziroma osnovne naloge so poudarjene v rumenem.
Prikaži več6.1 Uvod 6 Igra Chomp Marko Repše, Chomp je nepristranska igra dveh igralcev s popolno informacijo na dvo (ali vec) dimenzionalnem prostoru
6.1 Uvod 6 Igra Chomp Marko Repše, 30.03.2009 Chomp je nepristranska igra dveh igralcev s popolno informacijo na dvo (ali vec) dimenzionalnem prostoru in na končni ali neskončni čokoladi. Igralca si izmenjujeta
Prikaži večUČNI NAČRT PREDMETA / COURSE SYLLABUS Predmet: Ekonometrija 1 Course title: Econometrics 1 Študijski program in stopnja Study programme and level Univ
UČNI NAČRT PREDMETA / COURSE SYLLABUS Predmet: Ekonometrija 1 Course title: Econometrics 1 Študijski program in stopnja Study programme and level Univerzitetni študijski program Finančna matematika First
Prikaži večMicrosoft Word - DAES zbornik 2010-številke.doc
5. konferenca DAES Sodobni izzivi menedžmenta v agroživilstvu Pivola 18.-19. marec 2010 Sodobni izzivi menedžmenta v agroživilstvu Uredil: dr. Črtomir Rozman in dr. Stane Kavčič Programski odbor: dr. Jernej
Prikaži večMicrosoft Word - UP_Lekcija04_2014.docx
4. Zanka while Zanke pri programiranju uporabljamo, kadar moramo stavek ali skupino stavkov izvršiti večkrat zaporedoma. Namesto, da iste (ali podobne) stavke pišemo n-krat, jih napišemo samo enkrat in
Prikaži večENV2:
. Kazalo. KAZALO.... UVOD... 3. ANALIZA POPULACIJE DRŽAV EU...5 4. VSEBINSKE UGOTOVITVE...8 5. LITERATURA... . Uvod Vir podatkov za izdelavo statistične naloge je Eurostat ali Statistični urad Evropske
Prikaži večMicrosoft Word - SevnoIII.doc
Naše okolje, april 8 METEOROLOŠKA POSTAJA SEVNO Meteorological station Sevno Mateja Nadbath V Sevnem je klimatološka meteorološka postaja Agencije RS za okolje. Sevno leži na prisojnem pobočju Sevniškega
Prikaži večV
3. /redna/ seja občinskega sveta Januar 2015 PREDLOG OKVIRNEGA INFORAMTIVNEGA PROGRAMA DELA OBČINSKEGA SVETA OBČINE LENDAVA V LETU 2015 GRADIVO PRIPRAVIL: mag. Anton BALAŽEK, Župan Polgármester PREDLAGATELJ:
Prikaži večČetrtletno naložbeno poročilo Skupnega pokojninskega sklad
Ljubljana, 31. december 2016 1 DELNIŠKI SKUPNI POKOJNINSKI SKLAD... 3 2 MEŠANI SKUPNI POKOJNINSKI SKLAD... 5 3 OBVEZNIŠKI SKUPNI POKOJNINSKI SKLAD Z ZAJAMČENIM DONOSOM... 6 ČETRTLETNO NALOŽBENO POROČILO
Prikaži več10. Meritev šumnega števila ojačevalnika Vsako radijsko zvezo načrtujemo za zahtevano razmerje signal/šum. Šum ima vsaj dva izvora: naravni šum T A, k
10. Meritev šumnega števila ojačevalnika Vsako radijsko zvezo načrtujemo za zahtevano razmerje signal/šum. Šum ima vsaj dva izvora: naravni šum T A, ki ga sprejme antena in dodatni šum T S radijskega sprejemnika.
Prikaži večPredstavitev projekta
Delavnica Projekcije cen energije Primerjava mednarodnih projekcij cen energije mag. Andreja Urbančič, IJS Ljubljana, 21. 6. 2018 2 Cene na mednarodnih trgih svetovne cene nafte na mednarodnih trgih zemeljskega
Prikaži večVrste
Matematika 1 17. - 24. november 2009 Funkcija, ki ni algebraična, se imenuje transcendentna funkcija. Podrobneje si bomo ogledali naslednje transcendentne funkcije: eksponentno, logaritemsko, kotne, ciklometrične,
Prikaži večUniverza v Mariboru Fakulteta za naravoslovje in matematiko Oddelek za matematiko in računalništvo Enopredmetna matematika IZPIT IZ VERJETNOSTI IN STA
Enopredmetna matematika IN STATISTIKE Maribor, 31. 01. 2012 1. Na voljo imamo kovanca tipa K 1 in K 2, katerih verjetnost, da pade grb, je p 1 in p 2. (a) Istočasno vržemo oba kovanca. Verjetnost, da je
Prikaži večSMERNICA EVROPSKE CENTRALNE BANKE (EU) 2016/ z dne novembra o spremembi Smernice ECB/ 2013/ 24 o zahtevah Evrops
L 14/36 SL SMERNICA EVROPSKE CENTRALNE BANKE (EU) 2016/66 z dne 26. novembra 2015 o spremembi Smernice ECB/2013/24 o zahtevah Evropske centralne banke za statistično poročanje na področju četrtletnih finančnih
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost Pisni izpit 5. februar 2018 Navodila Pazljivo preberite
Ime in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost Pisni izpit 5 februar 018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Nalog je
Prikaži večMicrosoft Word doc
SLO - NAVODILA ZA UPORABO IN MONTAŽO Kat. št.: 51 08 22 www.conrad.si NAVODILA ZA UPORABO Vtični napajalnik Dehner SYS1308 15~24 W Kataloška št.: 51 08 22 Osnovne informacije Država proizvajalka:... Kitajska
Prikaži več(Microsoft Word - Razvoj konkuren\350nega gospodarstva in internacionalizacija.docx)
Razvoj konkurenčnega gospodarstva in internacionalizacija Posredno financiranje NAZIV PRODUKTA: Razvoj konkurenčnega gospodarstva in internacionalizacija NAČIN FINANCIRANJA posredno financiranje preko
Prikaži večSistemi Daljinskega Vodenja Vaja 3 Matej Kristan Laboratorij za Strojni Vid Fakulteta za elektrotehniko, Univerza v Ljubl
Sistemi Daljinskega Vodenja Vaja 3 Matej Kristan Laboratorij za Strojni Vid Fakulteta za elektrotehniko, Univerza v Ljubljani matej.kristan@fe.uni-lj.si Česa smo se naučili
Prikaži večMicrosoft PowerPoint - Umanotera ppt [Read-Only] [Compatibility Mode]
Blaženje podnebnih sprememb: strošek ali razvojna priložnost? mag. Mojca Vendramin Okoljska Kuznetsova krivulja Pritiski na okolje na prebiv. Dohodek na prebivalca Neposredni vpliv različnih cen CO 2
Prikaži večKRMILNA OMARICA KO-0
KOTLOVSKA REGULACIJA Z ENIM OGREVALNIM KROGOM Siop Elektronika d.o.o., Dobro Polje 11b, 4243 Brezje, tel.: +386 4 53 09 150, fax: +386 4 53 09 151, gsm:+386 41 630 089 e-mail: info@siopelektronika.si,
Prikaži večEKS - Priloga 1
Langusova ulica 4, 1535 Ljubljana T: 01 478 80 00 F: 01 478 81 39 E: gp.mzi@gov.si www.mzi.gov.si PROJEKCIJA DOLGOROČNE ENERGETSKE BILANCE Povzetek strokovnih podlag za projekcijo dolgoročnih energetskih
Prikaži večAnaliza vpliva materiala, maziva in aktuatorja na dinamiko pnevmatičnega ventila
Programsko orodje LabVIEW za kreiranje, zajem in obdelavo signalov (statične in dinamične karakteristike hidravličnih proporcionalnih ventilov) Marko Šimic Telefon: +386 1 4771 727 e-mail: marko.simic@fs.uni-lj.si
Prikaži večMatematika 2
Matematika 2 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 23. april 2014 Soda in liha Fourierjeva vrsta Opomba Pri razvoju sode periodične funkcije f v Fourierjevo vrsto v razvoju nastopajo
Prikaži večAJPES Agencija Republike Slovenije za javnopravne evidence in storitve INFORMACIJA O POSLOVANJU GOSPODARSKIH DRUŽB V REPUBLIKI SLOVENIJI V LETU 2005 L
AJPES Agencija Republike Slovenije za javnopravne evidence in storitve INFORMACIJA O POSLOVANJU GOSPODARSKIH DRUŽB V REPUBLIKI SLOVENIJI V LETU 2005 Ljubljana, maj 2006 K A Z A L O Stran I. UVOD...1 II.
Prikaži večpredstavitev fakultete za matematiko 2017 A
ZAKAJ ŠTUDIJ MATEMATIKE? Ker vam je všeč in vam gre dobro od rok! lepa, eksaktna veda, ki ne zastara matematičnoanalitično sklepanje je uporabno povsod matematiki so zaposljivi ZAKAJ V LJUBLJANI? najdaljša
Prikaži večOptimizacija z roji delcev - Seminarska naloga pri predmetu Izbrana poglavja iz optimizacije
Univerza v Ljubljani Fakulteta za matematiko in fiziko Seminarska naloga pri predmetu Izbrana poglavja iz optimizacije 2. junij 2011 Koncept PSO Motivacija: vedenje organizmov v naravi Ideja: koordinirano
Prikaži večOsnove matematicne analize 2018/19
Osnove matematične analize 2018/19 Neža Mramor Kosta Fakulteta za računalništvo in informatiko Univerza v Ljubljani Funkcija je predpis, ki vsakemu elementu x iz definicijskega območja D f R priredi natanko
Prikaži večMicrosoft PowerPoint - Java_spremenljivke
Java Spremenljivke, prireditveni stavek Spremenljivke Prostor, kjer hranimo vrednosti Ime Znak, števka, _ Presledkov v imenu ne sme biti! Tip spremenljivke int (cela števila) Vse spremenljivke napovemo
Prikaži večC:/Users/Matevž Èrepnjak/Dropbox/FKKT/testi in izpiti/ /IZPITI/FKKT-februar-14.dvi
Kemijska tehnologija, Kemija Bolonjski univerzitetni program Smer: KT K WolframA: DA NE Računski del izpita pri predmetu MATEMATIKA I 6. 2. 2014 Čas reševanja je 75 minut. Navodila: Pripravi osebni dokument.
Prikaži večPožarna odpornost konstrukcij
Požarna obtežba in razvoj požara v požarnem sektorju Tomaž Hozjan e-mail: tomaz.hozjan@fgg.uni-lj.si soba: 503 Postopek požarnega projektiranja konstrukcij (SIST EN 1992-1-2 Izbira za projektiranje merodajnih
Prikaži večPoskusi s kondenzatorji
Poskusi s kondenzatorji Samo Lasič, Fakulteta za Matematiko in Fiziko, Oddelek za fiziko, Ljubljana Povzetek Opisani so nekateri poskusi s kondenzatorji, ki smo jih izvedli z merilnim vmesnikom LabPro.
Prikaži večMicrosoft PowerPoint - CIGER - SK 3-15 Izkusnje nadzora distribucijskih transformatorjev s pomo... [Read-Only]
CIRED ŠK 3-15 IZKUŠNJE NADZORA DISTRIBUCIJSKIH TRANSFORMATORJEV S POMOČJO ŠTEVCEV ELEKTRIČNE ENERGIJE ŽIGA HRIBAR 1, BOŠTJAN FABJAN 2, TIM GRADNIK 3, BOŠTJAN PODHRAŠKI 4 1 Elektro novi sistemi. d.o.o.,
Prikaži večPowerPoint Presentation
1»Projekcije prometnega dela«uporaba projekcij prometnega dela v analizi scenarijev za Dolgoročno strategijo za nizke emisije Matjaž Česen, IJS-CEU Reaktorski center Podgorica, Ljubljana, 21.11.2018 2
Prikaži večMere kompleksnih mrež (angl. Network Statistics) - Seminarska naloga pri predmetu Izbrana poglavja iz diskretne matematike
Mere kompleksnih mrež (angl. Network Statistics) Seminarska naloga pri predmetu Izbrana poglavja iz diskretne matematike Ajda Pirnat, Julia Cafnik in Živa Mitar Fakulteta za matematiko in fiziko April
Prikaži večDirektiva Komisije 2014/44/EU z dne 18. marca 2014 o spremembi prilog I, II in III k Direktivi Evropskega parlamenta in Sveta 2003/37/ES o homologacij
L 82/20 Uradni list Evropske unije 20.3.2014 DIREKTIVA KOMISIJE 2014/44/EU z dne 18. marca 2014 o spremembi prilog I, II in III k Direktivi Evropskega parlamenta in Sveta 2003/37/ES o homologaciji kmetijskih
Prikaži večLaTeX slides
Model v matri ni obliki ena ba modela Milena Kova 13 november 2012 Biometrija 2012/13 1 Nomenklatura Skalarji: tako kot doslej, male tiskane, neodebeljene Vektorji: male tiskane, odebeljene rke (y) ali
Prikaži večPRIPOROČILA ZA OBLIKOVANJE KATALOGOV ZNANJA ZA MODULE V PROGRAMIH VIŠJEGA STROKOVNEGA IZOBRAŽEVANJA
KATALOG ZNANJA 1. IME PREDMETA ZBIRKE PODATKOV I ZBIRKE PODATKOV II 2. SPLOŠNI CILJI Splošni cilji predmeta so: razvijanje sposobnosti za uporabo znanstvenih metod in sredstev, razvijanje odgovornosti
Prikaži večC:/Users/Matevž Èrepnjak/Dropbox/FKKT/TESTI-IZPITI-REZULTATI/ /Izpiti/FKKT-avgust-17.dvi
Vpisna številka Priimek, ime Smer: K KT WA Izpit pri predmetu MATEMATIKA I Računski del Ugasni in odstrani mobilni telefon. Uporaba knjig in zapiskov ni dovoljena. Dovoljeni pripomočki so: kemični svinčnik,
Prikaži večMicrosoft Word CENIK STORITEV VSZ V STUDIJSKEM LETU 2007.doc
19 CENIK STORITEV VŠZ V ŠTUDIJSKEM LETU 2007/2008 CENIK UL VŠZ za študijsko leto 2007/2008 1 Sprejeto na 12.seji UO UL, 14.06.2007 Zap.št. ELEMENT v 1. VPISNINA V PRVI LETNIK 24,66 2. VPISNINA V VIŠJI
Prikaži večPowerPointova predstavitev
Tehnološki vidik pridobivanja lesa v varovalnih gozdovih pod Ljubeljem As. Matevž Mihelič Prof. Boštjan Košir 2012 Izhodišča Varovalni gozdovi, kjer razmišljamo o posegih, morajo zadovoljevati več pogojem.
Prikaži večDELEGIRANA UREDBA KOMISIJE (EU) 2018/ z dne 13. julija o dopolnitvi Uredbe (EU) 2016/ Evropskega parlamenta in S
5.11.2018 L 274/11 DELEGIRANA UREDBA KOMISIJE (EU) 2018/1639 z dne 13. julija 2018 o dopolnitvi Uredbe (EU) 2016/1011 Evropskega parlamenta in Sveta v zvezi z regulativnimi tehničnimi standardi, ki podrobneje
Prikaži večresitve.dvi
FAKULTETA ZA STROJNIŠTVO Matematika 4 Pisni izpit 3. februar Ime in priimek: Vpisna št: Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja. Veljale bodo samo rešitve na papirju, kjer
Prikaži več2019 QA_Final SL
Predhodni prispevki v enotni sklad za reševanje za leto 2019 Vprašanja in odgovori Splošne informacije o metodologiji izračuna 1. Zakaj se je metoda izračuna, ki je za mojo institucijo veljala v prispevnem
Prikaži večStrojna oprema
Asistenta: Mira Trebar, Miha Moškon UIKTNT 2 Uvod v programiranje Začeti moramo razmišljati algoritmično sestaviti recept = napisati algoritem Algoritem za uporabo poljubnega okenskega programa. UIKTNT
Prikaži večSlide 1
Slide 1 OBDELAVA ODPADNE VODE Slide 2 KAKO POVRNITI PORUŠENI EKOSITEM V PRVOTNO STANJE? KAKO POVRNITI PORUŠENI EKOSITEM V PRVOTNO STANJE?! uravnavanje ph, alkalnosti! odstranjevanje ali dodajanje elementov!
Prikaži večMicrosoft Word - Met_postaja_Jelendol1.doc
Naše okolje, junij 212 METEOROLOŠKA POSTAJA JELENDOL Meteorological station Jelendol Mateja Nadbath V Jelendolu je padavinska meteorološka postaja; Agencija RS za okolje ima v občini Tržič še padavinsko
Prikaži več