Ponovitev prejšnjega predavanja Množico vseh možnih izidov poskusa, ki ustreza celotemu vzorčnemu prostoru S imenujemo populacija X. Izbrano podmnožic

Velikost: px
Začni prikazovanje s strani:

Download "Ponovitev prejšnjega predavanja Množico vseh možnih izidov poskusa, ki ustreza celotemu vzorčnemu prostoru S imenujemo populacija X. Izbrano podmnožic"

Transkripcija

1 oovtev prejšjega predavaja Možco vseh možh zdov posusa, ustreza celotemu vzorčemu prostoru meujemo populacja. Izbrao podmožco zdov z populacje meujemo vzorec: V,, K, ) ( V prmeru, o so posameze aljuče spremeljve, astopajo v vzorcu medsebojo eodvse majo sto porazdeltev f(x), predstavlja vzorec V (,, K, ) aljuč vzorec. Osova aloga statste je a osov zbraega aljučega vzorca V (,, K, slepat a statstče lastost obravavae populacje. Hstogram Vzorec s ) ( x, x,, ) K x tatstčo slepaje x x m opulacja tatste, se uporabljajo za oceo parametrov θ populacje a osov aljučega vzorca V meujemo cele. r tem je v splošem statsta Z opredeljea s poljubo merljvo fucjo aljučega vzorca V. Z Z V ) Z(,,..., ( ) Da eo statsto Z Θˆ uporabmo ot celo za parametra θ morajo vredost statste θˆ Θˆ (V) met lastost: [ ˆ θ θ < C] lm jer je C zbraa poztva ostata. ) Dosledost cele: [ ˆ θ < ε ] lm θ Vzorča relatva freveca dogoda A ) Neprstraost cele Θˆ [ Θˆ ] θ 3) Asmptotsa eprstraost cele lm [ Θˆ ] lm ( ˆ θ + O( ) ) θ ( A) p( A) je eprstrasa dosleda cela verjetost dogoda A. Vzorčo povprečje [ ] m m je eprstraa dosleda cela povpreče vredost populacje

2 Vzorča varaca s ( ) je asmptotso eprstrasa med tem o je popravljea vzorča varaca ( ) eprstrasa dosleda cela varace populacje V splošem je statsta Z opredeljea s poljubo merljva fucja Z aljučega vzorca V. Z Z V ) Z(,,..., ( tatsta Z je aljuča spremeljva. Kar pome, da ma Z zalogo vredost eo porazdeltev verjetost F Z (z). ) 9.3. orazdeltev statste vzorčega povprečja Vzorčo povprečje aljučega vzorca smo opredell z: Z r tem so statstčo eodvse majo eao gostoto porazdeltve: f ( x) f ( x) j Cetral lmt teorem: Če vzorčmo z populacje z ezao porazdeltvjo verjetost bo porazdeltev vzorčega povprečja prblžo ormala z sredjo vredostjo varaco: [ ] m Var( ) Ozroma če je aljuč vzorec velost zbra z poljube populacje z: če je statste: V,,..., ) [ ] m ( Var( ) vzorčo povprečje potem porazdeltev Z / m z lmtra stadard ormal porazdeltv H-vadrat porazdeltev Imamo populacjo z ormalo porazdeltvjo, ma: [ ] m 0 Var( ) Zama as gostota porazdeltve aljuče spremeljve ozroma statste Z opredeljea z: Z

3 pozavajem gostote verjetost f Z (z) uporabe ovolucje laho določmo gostoto verjetost vsote dveh vadratov Z f f Z Z ( z) fz ( z) fz ( z x) d x π z x / ( zx) / e e / 0 x z x ( ) ( z) 0, / 0 z e Γ( / ), z / z > 0 z 0 d x pomočjo popole matematče ducje laho poažemo da velja: ( ) z / z e, z > 0 / Γ( / ) fz ( z) 0, z 0 Dobljea gostota verjetost za se meuje h-vadrat z prostostm stopjam. Naljuča spremeljva opredeljea z vsoto vadratov stadardzrah ormalh spremeljv ma h-vadrat porazdeltev gostote verjetost. rmer grafov h vadrat porazdeltve v odvsost od : Adtva lastost porazdeltve h-vadrat 5 0 [ Z ] Var ( Z ) x max, Naj bodo Y, Y,..., Y, h-vadrat eodvse aljuče spremeljve s prostostm stopjam,,...,. Y Y + Y + L+ Y Vredost ostalh začlh parametrov porazdeltve : r [ Z ] m ( + ) L( + r ) g / g / r je h-vadrat aljuča spremeljva z prostosto stopjo: rmer spremeljv z porazdeltvjo. oljub ormal porazdelje spremeljv z: [ ] m Var( ) laho prredmo stadard odm od sredje vredost Z : m Z z: [ Z] m 0 Z Var( Z) Z Vzorč drug momet spremeljve Z opredelje z: m, Z m ma porazdeltev z prostostm stopjam. 3

4 . Za poljubo ormalo spremeljv z: je z [ ] m Var( ) poda odm od vzor. povprečja 3. Z uporabo spremeljve laho zrazmo vzorč varac: ( ) s Na osov odma vpeljemo spremeljvo: ( ) ( ) ma porazdeltve z - prostostm stopjam. mata porazdeltve z - prostostm stopjam. Vredost porazdeltvea fucja so podae tabelarčo. Tabela podaja verjetost:, ( ) f ( z) z, Z d, Kjer je ozačuje vredost h-vadrat spremeljve z prostostm stopjam, pr ater je: tudetova porazdeltev t Vzorčmo z ormale populacje z: [ ] m Var( ) ( ), (z) f Z, z Vzorčo povprečje porazdeltev z: populacje ma ormalo [ ] m Var( ) Na osov cetralega lmtega teorema ma statsta ozroma aljuča spremeljva: Z ( m ) / stadardo ormalo porazdeltev. redpostavmo, da varace populacje e pozamo. Kaj se zgod z porazdeltvjo spremeljve Z če v jej adomestmo z vzorčo varaco : T ( m ) / V splošem laho poažemo, da: Če je Z ormala spremeljva V h-vadrat spremeljva z prostostm stopjam če sta Z V statstčo eodvs, potem ma spremeljva: gostoto verjetost: f T [( + ) / ] Z V / Γ t) t + π Γ( / ) T ( [( ) ] ( ) < <, / t / + se meuje tudetova al t porazdeltev z prostostm stopjam. 4

5 rmer grafov tudetove gostote verjetost: f T () t 0 t Vredost ostalh začlh parametrov: r 3L [ ] ( r ) T m r 0 [ N(0,) ] g 0 g 3 3, 4 > ( )( 4) L( r) 4 [ T ] 0 Var( ) /( ) T t max 0 r V ašem prmeru mamo spremeljvo: Kjer je m ormala h-vadrat spremeljva z - prostostm stopjam, sta statstčo eod- vs. Zato ma gorja statsta T tudetovo ozroma t porazdeltev z - prostostm stopjam: f T Γ t) π ( m ) ( m ) / / [( ) / ] Γ( ( ) / ) t /( ) T ( [( ) + ] ( )/ tudetova porazdeltev je podaa v tabel, podaja:, T t, ( t ) f ( t)d z T t t,, oglavje 0 Osove teorje cel 0. Točovo ocejevaje parametrov a od poglavth alog statste je določtev porazdeltve verjetost opazovae aljuče spremeljve. r tem prvzamemo, da je opazova pojav možo opsat z eo od pozah teoretčh porazdeltve. Izbraa porazdeltev je opsaa z eo fucjo F (x,, je v splošem odvsa še od abora začlh parametrov q. Naša aloga je določt abor parametrov q a osov vzorca V, predstavlja podmožco populacje. Hstogram s Vzorec V tatstčo slepaje x x m r tem parameter q ocemo s pomočjo ustreze statste Z ozroma cele. opulacja 5

6 0.. Metode za določaje cel Metoda mometov orazdeltvea fucja F (x, aljuče spremeljve je v splošem odvsa od parametrov q. Od parametrov q so odvs tud momet m aljuče spremeljve : [ ] x d F ( x, x f ( x, ) d x m ( q Na osov daega vzorca v ( x, x, K, x) vredost mometov m, ocemo z vzorčm povprečj: m, m, so doslede eprstrase cele mometov m ( Z zeačejem: m m (,,,K x, dobmo sstem eačb, z aterega določmo q : q q ( m,, m,, K) q ( V ) rmer : Naljuča spremeljva je eaomero porazdeljea a tervalu z ezama rajščema a b. a b želmo ocet z vzorca. Gostota porazdeltve spremeljve je podaa z: /( b a), f ( x; a, b) 0, za drugod a x b Z uporabo mometov: b b a m x d x a b b a a b a + b 3 3 b a a m x d x a b 3 ( b a) a m zapšemo sstem dveh eačb: x f ( x) d x + ab + b 3 Z vpeljavo zraza za cetral mometa v sstem eačb: Var( ) μ m m ( b a) Laho reštve sstema zapšemo v obl: a m 3μ b m + 3μ Cel za a b dobmo z zamejav mometov m μ z ustrezma vzorčma mometoma: aˆ s 3 b ˆ + s 3 Metoda ajvečje zaesljvost e zaže za zaesljvejšo pr majhh vzorch V. Imamo aljučo spremeljvo, j prpada gostota porazdeltve f (x,, je odvsa od parametrov q. Imamo aljuč vzorec V (,,..., ) aterega ompoete so statstčo eodvse majo eao gostoto verjetost f (x,. 6

7 Gostota verjetost aljučega vzorca V je opredeljea z fucjo: L( V, f (, f (, L f (, jo meujemo fucja zaesljvost vzorca ozačuje verjetost, da pr vzorčeju dobmo vzorec V. r vzorčeju zberemo vzorec v(x,x,...,x ). r predpostav, da smo vzorec v(x,x,...,x ) zbral er je bl ajbolj verjete določmo parametre q, am pr daem vzorcu masmrajo fucjo zaesljvost vzorca. tem prevedemo ocejevaje ezah parametrov q a problem saja masmuma fucje: L( v, f ( x, f ( x, L f ( x, v odvsost od q. r tem je L pr zbraem vzorcu v odvsa samo še od q. rmer : Vzorčeje treh zdelov s teočega trau poaže dva dobra eega slabega Določmo celo ozroma oceo verjetost za pojav dobrega zdela. Opravt mamo z Berouljevo spremeljvo. orazdeltev verjetost je podaa z: f p, za ( dober) ( x, p) p, za 0 ( slab) Vzorec s aterm razpolagamo je: v (x, x, x 3 )(,, 0) prpadajoča fucja zaesljvost: L(v,p)f(,p) f(,p) f(0,p)p (-p) Masmum zaesljvost L dobmo v toč jer je zpolje pogoj: Reštve eačbe : ( p ( p) ) p 3 0 L d p d p d x d sta pr : p/3 p0. p 3p 0 L ma masmum pr p/3 ar je reštev. rmer : premeljva ma ormalo porazdeltev s parametroma m. osusom smo dobl vzorec v(x,x,...,x ). Ocemo parametra m, da bo verjetost vzorca v masmala. Fucja zaesljvost je podaa z: L( v, f ( x, f ( x, L f ( x, ma pr ormal porazdeltv oblo: L ( x ) m ( v; m, ) exp / ( π ) Z logartmrajem fucje zaesljvost dobmo: l L( v; m, ) l π l Iz pogoja za estrem dobmo eačb: L m L + ( x m) 0 ( x m) 0 3 ( x m) 7

8 Reštev dobljeega sstema eačb je poda z: m x ( x m) ( x ) s Ocea za je prstrasa. Do sth cel prdemo tud z metodo mometov. V splošem dobmo z obema metodama razlče rezultate. Ozroma potrebe lastost cel (dosledost, eprstraost) za oce parametra q v splošem laho zpoljuje več razlčh statst Z. rmer: Za ocea sredje vredost pr ormal porazdeltv laho uporabmo vzorčo povprečje, medao,.. Za prmerjavo cel vpeljemo povprečo vadratčo apao : M( Z) [( Z ] Var( Z) O jer smo upošteval, da za eprstraso celo velja: ter da velja eaost: [ Z ] q + O [ Z ] Var( Z) + [ Z ] pomočjo M vpeljemo relatvo učovtost dveh cel parametra q, Z Z ot vocet: Če je u < je: M( Z) u M( Z ) M( Z ) < M( Z) laho zaljučmo, da je Z v smslu povpreče vadratče apae boljša cela parametra q. Ko sta Z Z eprstras cel parametra q velja: [ Z ] [ Z ] q M( Z ) Var( Z) M( Z ) Var( Z) orazdeltev Z orazdeltev Z rmer o je Z prstrasa Z eprstrasa cela parametra [ Z ] q + O [ Z ] q orazdeltev Z orazdeltev Z Za Var( Z ) < Var( Z) je u < po eeačb Čebševa: Var ( Z q ε ) ε ( Z ) ( Z q ε ) > ( Z q ε ) q M( Z + O ) Var( Z) M( Z ) Var( Z) Var( Z ) << Var( Z) u q [ Z ] M( Z ) M( Z ) < 8

9 0. Itervalo ocejevaje parametrov tatste, jh uporabljamo za oceo parametrov so aljuče spremeljve. Ocea parametra q s pomočjo statste Z se od vzorca do vzorca razluje. o od merl atačost zaesljvost ocee je varaca cele. Bolj podrobo oceo podamo, če a osov statstčh lastost cele Z podamo terval (l z u) ool ocejee vredost z q z l u v aterem z določeo verjetostjo : ( l z u) prčaujemo, da lež prava vredost parametra q. Oceje terval (l z u) meujemo terval zaupaja - stopjo zaupaja tvegaje Obravavajmo ormalo populacjo z zao stadardo devacjo ezao sredjo vredostjo m. Zarad ormale porazdeltve ool m : Naj bo V(,,..., ) aljuč vzorec populacje. / / Vzorčo povprečje porazdeljeo z : m ormale populacje je ormalo velja: t / ( m ) e d t Φ( ) π m jer je ormalzra odlo Φ() Laplaceova fucja. Za vpeljavo razlago pojma terval zaupaja verjetost dogoda: zapšemo v obl: ( m ) Φ( ) ( ) m ( + ) Φ( ) V zrazu: ( ) m ( + ) Φ( ) je m dolčea determstča vredost zraz e podaja verjetost za astop m v tervalu ±. r zbraem vzorcu v je tud določea olča, je verjetost, da se m ahaja v tervalu ( ) m ( + )), za m ± 0, za m ± 9

10 V splošem je fucja aljučega vzorca V. ± m ± predstavlja tervalo oceo parametra m, določa da terval šre ± z verjetostjo Števla vzorca v (( ) m ( + )) Φ( ) določa verjetost, da aljuč terval porva (vsebuje) m. ± (( ) m ( + )) Φ( ) ozroma stopjo zaupaja porva (vsebuje) m. Če želmo določt velost terval zaupaja (l,u) (-, ) moramo ajprej zbrat stopjo zaupaja -. (( ) m ( + )) Φ( ) ovezava med stopjo zaupaja šro tervala je podaa tabelarčo: mej vredost tervala (l,u) (-, ) al mej zaupaja sta tem bolj araze čm majše je tvegaje. šrjejem tervala zaupaja arašča verjetost, da terval vsebuje ozroma porva pravo vredost parametra m. Na drug stra, šrš o je terval maj formacje ozroma maj atačo oceo mamo o prav vredost parametra m. V pras težmo, da stopj zaupaja pr čm majš šr tervala. Šra tervala je podaa z: x ± ± Na šro laho vplvamo z velostjo vzorca Itervala ocea sredjo vredost ormale populacje z ezao stadardo devacjo. V prejšjem prmeru smo uporabl ormalo statsto: Z ( m ) / V prmeru, o e pozamo stadarde devacje jo ocemo s popravljeo vzorčo varaco: I za tervalo oceo povprečja m populacje uporabmo statsto: T ( m ) / ma tudetovo t porazdeltev z - prostostm stopjam: f T ( t) ( x ) / t, / t, / / 0

11 Iz grafa porazdeltve po aalogj s prejšjm prmerom laho zapšemo: f T () t / / ačbo: m ( t ; / t ; / ) preuredmo v terval: / t, / t, / ( t ) ; / T t ; / t ; / m + t ; / al: m ( t ; / t ; / ) / podaja tervalo oceo povprečja m populacje z stopjo zaupaja - ostras terval zaupaja ogosto as pr oce tervala zama samo ea meja medtem, o je druga laho poljuba al podaa v aprej. Zato amesto dvostraega tervala zaupaja: t ; / m + t ; / Če as zama zgorja meja podamo eostrasega: m + t ; V prmeru spodje pa: t ; m rmer: tervala ocea zgorje meje je varace ormale spremeljve. Vzorčo varaco laho zrazmo z : ( ) Kjer ma spremeljva h-vadrat porazdeltev z - prostostm stopjam. Kot statsto za tervalo oceo varace uporabmo: Iz grafa porazdeltve ( /, / ( ) sled:, / / ; / ; / ) Z upoštevajem: dobmo : ( ( ) ( ) ; / ; / ) ar preuredmo v oceo tervala zaupaja za : ( ) ( ) ; / ; /

12 Iz tervale ocee: led, da je tervala ocea zgorje meje za podaa z: ( ) ( ) / ; / ; ( ) ;

1. Kako opišemo povezano in pogojno verjetnost dogodkov A in B? Kdaj sta dogodka A in B statistično povezana in kdaj neodvisna? Kaj je popolna verjetn

1. Kako opišemo povezano in pogojno verjetnost dogodkov A in B? Kdaj sta dogodka A in B statistično povezana in kdaj neodvisna? Kaj je popolna verjetn . Kako opšemo povezao pogoo veretost dogodkov A B? Kda sta dogodka A B statstčo povezaa kda eodvsa? Ka e popola veretost dogodka B? Ka opsue Baesov teorem? Navedte prmer uporabe Baesovega teorema. * Povezaa

Prikaži več

MATEMATIKA – IZPITNA POLA 1 – OSNOVNA IN VIŠJA RAVEN

MATEMATIKA – IZPITNA POLA 1 – OSNOVNA IN VIŠJA RAVEN Državi izpiti ceter *M840* Osova i višja rave MATEMATIKA JESENSKI IZPITNI ROK NAVODILA ZA OCENJEVANJE Poedeljek, 7. avgust 08 SPLOŠNA MATURA Državi izpiti ceter Vse pravice pridržae. M8-40-- IZPITNA POLA

Prikaži več

Četrta vaja iz matematike 1 Andrej Perne Ljubljana, 2006/07 zaporedja Zaporedje je predpis, ki vsakemu n N priredi a n R. Monotonost zaporedij: Zapore

Četrta vaja iz matematike 1 Andrej Perne Ljubljana, 2006/07 zaporedja Zaporedje je predpis, ki vsakemu n N priredi a n R. Monotonost zaporedij: Zapore Četrta vaja iz matematike Adrej Pere Ljubljaa, 2006/07 zaporedja Zaporedje je predpis, ki vsakemu N priredi R. Mootoost zaporedij: Zaporedje { } je araščajoče, če je za vsak. Zaporedje { } je strogo araščajoče,

Prikaži več

Bivariatna analiza

Bivariatna analiza 11 Bivariata aaliza V tem poglavju obravavamo statističo aalizo slučajega vektorja dveh slučajih spremeljivk Iz vzorca i z uporabo ustrezih statističih metod lahko ugotovimo, ali sta dve slučaji spremeljivki

Prikaži več

FORMULE 1. Pravokotni koordinatni sistem v ravnini, linearna funkcija 2 2 Razdalja dveh točk v ravnini: d( A, B) ( x2 x1) ( y2 y1) y2 y1 Linearna funk

FORMULE 1. Pravokotni koordinatni sistem v ravnini, linearna funkcija 2 2 Razdalja dveh točk v ravnini: d( A, B) ( x2 x1) ( y2 y1) y2 y1 Linearna funk FORMULE. Pravokoti koordiati sistem v ravii, lieara fukcija Razdalja dveh točk v ravii: d( A, B) ( ) ( ) Lieara fukcija: f ( ) k Smeri koeficiet: k k k Nakloski kot premice: k ta Kot med premicama: ta

Prikaži več

PowerPointova predstavitev

PowerPointova predstavitev Večfators razsovaln načrt Unverza v Lublan, lozofsa faulteta, Oddele za pshologo Štud prve stopne Pshologa. semester, predmet Statstčno zalučevane Izr. prof. dr. na Podlese Načrt predavana ators razsovaln

Prikaži več

O EKSPONENTNI FUNKCIJI Martin Raič Jesen 2013

O EKSPONENTNI FUNKCIJI Martin Raič Jesen 2013 O EKSPONENTNI FUNKCIJI Mari Raič Jese 203 M. RAIČ: O EKSPONENTNI FUNKCIJI Ekspoea fukcija z osovo a > 0 je defiiraa ko fukcija, ki x preslika v a x. Ta fukcija je pomembe sesavi del začeega ečaja aalize.

Prikaži več

Slide 1

Slide 1 SLUČAJNE SPREMENLJIVKE Povezave med verjetnostjo P, porazdelitveno funcijo F in gostoto porazdelitve p. P F (x) =P( x) P(a b)=f (b)-f (a) F p Slučajna spremenljiva ima gostoto p. Kašno gostoto ima Y=+l?

Prikaži več

vaja4.dvi

vaja4.dvi Laboraorijske vaje Račuališka simulacija /3. laboraorijska vaja deifikacija diamičih sisemov Pri ej vaji bomo uporabili eosavo meodo ideifikacijo diamičega sisema. Srejceva meoda emelji a odzivu procesa

Prikaži več

Vsebinska struktura predmetnih izpitnih katalogov za splošno maturo

Vsebinska struktura predmetnih izpitnih katalogov za splošno maturo Ljubljaa 09 MATEMATIKA Predmeti izpiti katalog za splošo maturo Predmeti izpiti katalog se uporablja od spomladaskega izpitega roka 0, dokler i določe ovi Veljavost kataloga za leto, v katerem bo kadidat

Prikaži več

Informativni test

Informativni test 9. Z-trasformacia Uvod Z-trasformacia: Ivera Z-trasformacia x[ ] X = (9..) = = π d (9..) [ ] X ( ) x Osova pravila: Premik: Kovolucia: x [ ] X( ) m [ ] x m X [ ]* [ ] = [ ] [ ] x y x i y i i= [ ]* [ ]

Prikaži več

Microsoft PowerPoint _SPO-UPES_05_Racunovodsko-financna_funkcija.ppt

Microsoft PowerPoint _SPO-UPES_05_Racunovodsko-financna_funkcija.ppt Staska za poslovo odločaje SPO v račuovodsko-fiači fukciji prof. dr. Lea Bregar 7. predavaje Vsebia. Staska i fiačo-račuovodska fukcija. 2. Fiace: borza staska i borzi ideksi. 3. Račuovodstvo i staska.

Prikaži več

Osme vaje

Osme 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 več

6.6 Simetrični problem lastnih vrednosti Če je A = A T, potem so lastne vrednosti realne, matrika pa se da diagonalizirati. Schurova forma za simetrič

6.6 Simetrični problem lastnih vrednosti Če je A = A T, potem so lastne vrednosti realne, matrika pa se da diagonalizirati. Schurova forma za simetrič 6.6 Simetriči problem lastih vredosti Če je A = A T, potem so laste vredosti reale, matrika pa se da diagoalizirati. Schurova forma za simetričo matriko je diagoala matrika. Laste vredosti ozačimo tako,

Prikaži več

glava.dvi

glava.dvi Lastnosti verjetnosti 1. Za dogodka A in B velja: P(A B) = P(A) + P(B) P(A B) 2. Za dogodke A, B in C velja: P(A B C) = P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P(A B C) Kako lahko to pravilo posplošimo

Prikaži več

PRIPRAVA NA 1. Š. N.: KVADRATNA FUNKCIJA IN KVADRATNA ENAČBA 1. Izračunaj presečišča parabole y=5 x x 8 s koordinatnima osema. R: 2 0, 8, 4,0,,0

PRIPRAVA NA 1. Š. N.: KVADRATNA FUNKCIJA IN KVADRATNA ENAČBA 1. Izračunaj presečišča parabole y=5 x x 8 s koordinatnima osema. R: 2 0, 8, 4,0,,0 PRIPRAVA NA 1. Š. N.: KVADRATNA FUNKCIJA IN KVADRATNA ENAČBA 1. Izračunaj presečišča parabole y=5 x +18 x 8 s koordinatnima osema. R: 0, 8, 4,0,,0 5. Zapiši enačbo kvadratne funkcije f (x )=3 x +1 x+8

Prikaži več

Mrežni modeli polimernih verig Boštjan Jenčič 22. maj 2013 Eden preprostejših opisov polimerne verige je mrežni model, kjer lahko posamezni segmenti p

Mrežni modeli polimernih verig Boštjan Jenčič 22. maj 2013 Eden preprostejših opisov polimerne verige je mrežni model, kjer lahko posamezni segmenti p Mrežni modeli polimernih verig Boštjan Jenčič. maj 013 Eden preprostejših opisov polimerne verige je mrežni model, kjer lahko posameni segmenti polimera asedejo golj ogljišča v kvadratni (ali kubični v

Prikaži več

POPOLNI KVADER

POPOLNI KVADER List za mlade matematike, fizike, astronome in računalnikarje ISSN 031-662 Letnik 18 (1990/1991) Številka 3 Strani 134 139 Edvard Kramar: POPOLNI KVADER Ključne besede: matematika, geometrija, kvader,

Prikaži več

Microsoft Word - Anketa-zaposleni-2014.doc

Microsoft Word - Anketa-zaposleni-2014.doc Izvedba ankete za zaposle FERI "Raziskava delovga zadovoljstva - Vprašalnik za zaposle 2014" Ocena stanja Anketo za zaposle»raziskava delovga zadovoljstva Vprašalnik za zaposle 2014«smo izvedli od 8.4.2014

Prikaži več

POMEN IN PROBLEMI RAZDELITVE DOHODKA

POMEN IN PROBLEMI RAZDELITVE DOHODKA UNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA D I P L O M S K O D E L O MARTIN ROMIH UNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA D I P L O M S K O D E L O POMEN IN PROBLEMI RAZDELITVE DOHODKA Ljubljana, avgust

Prikaži več

1

1 Decj ekost, presek, uje rzlke dve možc Možc A B st ek tko tkrt, kdr mt ste elemete, kr zpšemo A B N prmer, možc vse rel števl je ek možc: A {; je relo števlo, } Uj A U B je možc, k vseuje vse elemete,

Prikaži več

Metodologija za določanje bonitetnih ocen gospodarskih družb (podjetij, zadrug in zavodov) ter samostojnih podjetnikov (S.BON AJPES model) Kratek opis

Metodologija za določanje bonitetnih ocen gospodarskih družb (podjetij, zadrug in zavodov) ter samostojnih podjetnikov (S.BON AJPES model) Kratek opis Metodologja za določanje bontetnh ocen gospodarskh družb (podjetj, zadrug n zavodov) ter samostojnh podjetnkov (S.BON AJPES model) Kratek ops metodologje Ljubljana, junj 2019 POVZETEK Prps bontetnh ocen

Prikaži več

Smernice za mikrobiološko varnost živil, ki so namenjena končnemu potrošniku (Različica 2019) Pripravili: NLZOH, Center za mikrobiološke analize živil

Smernice za mikrobiološko varnost živil, ki so namenjena končnemu potrošniku (Različica 2019) Pripravili: NLZOH, Center za mikrobiološke analize živil Smerie za mikrobiološko varost živil, ki so amejea kočemu potrošiku (Različia 2019) Pripravili: NLZOH, Ceter za mikrobiološke aalize živil, vod i drugih vzorev okolja: Tatjaa Rupel, Marija Lušiky, Tatjaa

Prikaži več

Ime 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: 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 več

Namesto (x,y)R uporabljamo xRy

Namesto (x,y)R uporabljamo xRy RELACIJE Namesto (x,y) R uporabljamo xry Def.: Naj bo R AxA D R = { x; y A: xry } je domena ali definicijsko obmocje relacije R Z R = { y; x A: xry } je zaloga vrednosti relacije R Za zgled od zadnjič:

Prikaži več

UDK 669.3:537.24:621.7 ISSN Izvirni znanstveni ~lanek MTAEC9, 39(4)107(2005) L. GUSEL, M. BREZO^NIK: GENETSKO MODELIRANJE ELEKTRI^NE PREVODN

UDK 669.3:537.24:621.7 ISSN Izvirni znanstveni ~lanek MTAEC9, 39(4)107(2005) L. GUSEL, M. BREZO^NIK: GENETSKO MODELIRANJE ELEKTRI^NE PREVODN UDK 669.3:537.24:621.7 ISSN 1580-2949 Izvrn znanstven ~lanek MTAEC9, 39(4)107(2005) GENETSKO MODELIRANJE ELEKTRI^NE PREVODNOSTI PREOBLIKOVANEGA MATERIALA GENETIC MODELING OF ELECTRICAL CONDUCTIVITY OF

Prikaži več

Statistika, Prakticna matematika, , izrocki

Statistika, 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 več

3. Preizkušanje domnev

3. 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 več

Organizacija, letnik 43 Razprave številka 4, julij-avgust 2010 Vpliv pro jekt ne zre lo sti or ga ni za ci je na us pe šnost pri pra ve evrop skih pro

Organizacija, letnik 43 Razprave številka 4, julij-avgust 2010 Vpliv pro jekt ne zre lo sti or ga ni za ci je na us pe šnost pri pra ve evrop skih pro Vpliv pro jekt e zre lo sti or ga i za ci je a us pe šost pri pra ve evrop skih pro jek tov Mar ja Kraj ik 1, Mir ko Mar kič 2 1 Ku rir ska pot 2c, Slo ve ski Ja vor ik, 4270 Je se i ce, marjakrajik@yahoo.com

Prikaži več

Microsoft Word - SERUGA-SUZANA.doc

Microsoft Word - SERUGA-SUZANA.doc UNIVERZA V MARIBORU EKONOMSKO-POSLOVNA FAKULTETA MARIBOR DIPLOMSKO DELO PRIMERJAVA METOD PRIME IN AHP PRI IZBIRI VZAJEMNEGA SKLADA A comparson of PRIME method and AHP method consderng choce of mutual fund

Prikaži več

2. Model multiple regresije

2. 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 več

MERE SREDNJE VREDNOSTI

MERE SREDNJE VREDNOSTI OPIS PODATKOV ENE SPREMENLJIVKE frekvenčne porazdelitve in mere srednje vrednosti as. dr. Nino RODE Uni-Lj. Fakulteta za socialno delo O ČEM BOMO GOVORILI NAMEN OPISNE STATISTIKE Kako opisati podatke OPIS

Prikaži več

PowerPoint Presentation

PowerPoint Presentation RAK: P-II//9 NUMERIČNI MODE esatno reševanje: reševanje dierencialni enačb aprosimativno reševanje: metoda ončni razli (MKR) inite dierence metod (FDM) metoda ončni elementov (MKE) inite element metod

Prikaži več

C:/Users/Matevž Èrepnjak/Dropbox/FKKT/TESTI-IZPITI-REZULTATI/ /Izpiti/FKKT-avgust-17.dvi

C:/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 več

OSNOVE UMETNE INTELIGENCE

OSNOVE UMETNE INTELIGENCE OSOVE UMETE ITELIGECE 07/8 regresijsa drevesa ocenjevanje učenja linearni modeli - Zoran Bosnić del gradiva povzet po: Brato: Prolog programming for AI, Pearson (0) in Russell, orvig: AI: A Modern Approach,

Prikaži več

UNIVERZA 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 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 več

DOLŽNIK: MARJAN KOLAR - osebni steč aj Opr. št. St 3673/ 2014 OSNOVNI SEZNAM PREIZKUŠENIH TERJATEV prij ava terjatve zap. št. št. prij. matič na števi

DOLŽNIK: MARJAN KOLAR - osebni steč aj Opr. št. St 3673/ 2014 OSNOVNI SEZNAM PREIZKUŠENIH TERJATEV prij ava terjatve zap. št. št. prij. matič na števi DOLŽNIK: MARJAN KOLAR - osebni steč aj Opr. St 3673/ 2014 OSNOVNI SEZNAM PREIZKUŠENIH TERJATEV prij ava terjatve zap. prij. matič na številka firma / ime upnika glavnica obresti stroški skupaj prij ava

Prikaži več

UNIVERZA V MARIBORU EKONOMSKO-POSLOVNA FAKULTETA Delo diplomskega projekta AKTUARSKI PRISTOP K ODPLAČEVANJU KREDITOV Avgust, 2017 Tina Cvitanič

UNIVERZA V MARIBORU EKONOMSKO-POSLOVNA FAKULTETA Delo diplomskega projekta AKTUARSKI PRISTOP K ODPLAČEVANJU KREDITOV Avgust, 2017 Tina Cvitanič UNIVERZA V MARIBORU EKONOMSKO-POSLOVNA FAKULTETA Delo dplomskega projekta AKTUARSKI PRISTOP K ODPLAČEVANJU KREDITOV Avgust, 2017 Tna Cvtanč UNIVERZA V MARIBORU EKONOMSKO-POSLOVNA FAKULTETA Delo dplomskega

Prikaži več

PRILOGA 2 Minimalni standardi kakovosti oskrbe za izbrane dimenzije kakovosti oskrbe in raven opazovanja posameznih parametrov kakovosti oskrbe 1. NEP

PRILOGA 2 Minimalni standardi kakovosti oskrbe za izbrane dimenzije kakovosti oskrbe in raven opazovanja posameznih parametrov kakovosti oskrbe 1. NEP PRILOGA 2 Minimalni standardi kakovosti oskrbe za izbrane dimenzije kakovosti oskrbe in raven opazovanja posameznih parametrov kakovosti oskrbe 1. NEPREKINJENOST NAPAJANJA 1.1. Ciljna raven neprekinjenosti

Prikaži več

Microsoft Word - M docx

Microsoft Word - M docx Državni izpitni center *M77* SPOMLADANSK ZPTN OK NAVODLA ZA OCENJEVANJE Petek, 7. junij 0 SPLOŠNA MATA C 0 M-77-- ZPTNA POLA ' ' QQ QQ ' ' Q QQ Q 0 5 0 5 C Zapisan izraz za naboj... točka zračunan naboj...

Prikaži več

Poslovilno predavanje

Poslovilno predavanje Poslovilno predavanje Matematične teme z didaktiko Marko Razpet, Pedagoška fakulteta Ljubljana, 20. november 2014 1 / 32 Naše skupne ure Matematične tehnologije 2011/12 Funkcije več spremenljivk 2011/12

Prikaži več

fm

fm Navodla za montažo n uporabo VdeoTermnal 2600.. Vsebna Ops naprave...3 Montaža...4 Demontaža steklenega pokrova...5 Upravljanje...5 Normalno pogovarjanje...6 Prevzem klca... 6 Funkcja prepletanja... 7

Prikaži več

FGG13

FGG13 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 več

Verjetnost 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 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 več

C:/Users/Matevz/Dropbox/FKKT/TESTI-IZPITI-REZULTATI/ /Izpiti/FKKT-januar-februar-15.dvi

C:/Users/Matevz/Dropbox/FKKT/TESTI-IZPITI-REZULTATI/ /Izpiti/FKKT-januar-februar-15.dvi Kemijska tehnologija, Kemija Bolonjski univerzitetni program Smer: KT K WolframA: DA NE Čas reševanja je 75 minut. Navodila: Računski del izpita pri predmetu MATEMATIKA I Ugasni in odstrani mobilni telefon.

Prikaži več

1 Merjenje sil in snovnih lastnosti 1.1 Merjenje sil z računalnikom Umeritev senzorja Senzor za merjenje sile pretvarja silo v električno napetost. Si

1 Merjenje sil in snovnih lastnosti 1.1 Merjenje sil z računalnikom Umeritev senzorja Senzor za merjenje sile pretvarja silo v električno napetost. Si 1 Merjenje sil in snovnih lastnosti 11 Merjenje sil z računalnikom Umeritev senzorja Senzor za merjenje sile pretvarja silo v električno napetost Signal vodimo do računalnika, ki prikaže časovno odvisnost

Prikaži več

Ime 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 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 več

Microsoft Word - UP_Lekcija04_2014.docx

Microsoft 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 več

NAVADNA (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 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 več

resitve.dvi

resitve.dvi FAKULTETA ZA STROJNIŠTVO Matematika 4 Pini izpit 2. januar 22 Ime in priimek: Vpina št: Navodila Pazljivo preberite beedilo naloge, preden e lotite reševanja. Veljale bodo amo rešitve na papirju, kjer

Prikaži več

Ime 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 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 več

Microsoft Word - M docx

Microsoft Word - M docx Državni izpitni center *M7773* SPOMLDNSKI IZPITNI ROK NVODIL Z OCENJEVNJE Četrtek,. junij 07 SPLOŠN MTUR Državni izpitni center Vse pravice pridržane. M7-77--3 IZPITN POL W kwh 000 W 3600 s 43, MJ Pretvorbena

Prikaži več

CelotniPraktikum_2011_verZaTisk.pdf

CelotniPraktikum_2011_verZaTisk.pdf Elektrotehniški praktikum Osnove digitalnih vezij Namen vaje Videti, kako delujejo osnovna dvovhodna logi na vezja v obliki integriranih vezij oziroma, kako opravljajo logi ne funkcije Boolove algebre.

Prikaži več

MAGIČNI KVADRATI DIMENZIJE 4n+2

MAGIČNI KVADRATI DIMENZIJE 4n+2 List za mlade matematike, fizike, astronome in računalnikarje ISSN 0351-6652 Letnik 18 (1990/1991) Številka 6 Strani 322 327 Borut Zalar: MAGIČNI KVADRATI DIMENZIJE 4n + 2 Ključne besede: matematika, aritmetika,

Prikaži več

Microsoft Word - SI_vaja1.doc

Microsoft 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 več

EKVITABILNE PARTICIJE IN TOEPLITZOVE MATRIKE Aleksandar Jurišić Politehnika Nova Gorica in IMFM Vipavska 13, p.p. 301, Nova Gorica Slovenija Štefko Mi

EKVITABILNE PARTICIJE IN TOEPLITZOVE MATRIKE Aleksandar Jurišić Politehnika Nova Gorica in IMFM Vipavska 13, p.p. 301, Nova Gorica Slovenija Štefko Mi EKVITABILNE PARTICIJE IN TOEPLITZOVE MATRIKE Aleksandar Jurišić Politehnika Nova Gorica in IMFM Vipavska 13, p.p. 301, Nova Gorica Slovenija Štefko Miklavič 30. okt. 2003 Math. Subj. Class. (2000): 05E{20,

Prikaži več

Podatkovni model ER

Podatkovni model ER Podatkovni model Entiteta- Razmerje Iztok Savnik, FAMNIT 2018/19 Pregled: Načrtovanje podatkovnih baz Konceptualno načtrovanje: (ER Model) Kaj so entite in razmerja v aplikacijskem okolju? Katere podatke

Prikaži več

2. 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 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 več

Microsoft Word - 04 Inferencna statistika - Katja

Microsoft Word - 04 Inferencna statistika - Katja Auška Ferligoj, Katja Loar afreda, Aleš ibera: OSNOVE STATISTIKE NA PROSOJNICA Študijko gradivo ri redmetu Statitika. Fakulteta a družbee vede, Uivera v Ljubljai Ljubljaa, 0 4 INFERENČNA STATISTIKA 4.

Prikaži več

Ime in priimek

Ime in priimek Polje v osi tokovne zanke Seminar pri predmetu Osnove Elektrotehnike II, VSŠ (Uporaba programskih orodij v elektrotehniki) Ime Priimek, vpisna številka, skupina Ljubljana,.. Kratka navodila: Seminar mora

Prikaži več

PowerPoint Presentation

PowerPoint Presentation Integral rešujemo nalogo: Dana je funkcija f. Najdimo funkcijo F, katere odvod je enak f. Če je F ()=f() pravimo, da je F() primitivna funkcija za funkcijo f(). Primeri: f ( ) = cos f ( ) = sin f () =

Prikaži več

KOTNE FUNKCIJE Kotne funkcije uporabljamo le za pravokotni trikotnik! Sinus kota α je enak razmerju dolžin kotu nasprotne katete in hipotenuze. sin α

KOTNE FUNKCIJE Kotne funkcije uporabljamo le za pravokotni trikotnik! Sinus kota α je enak razmerju dolžin kotu nasprotne katete in hipotenuze. sin α KOTNE FUNKCIJE Kotne funkije uporljmo le z prvokotni trikotnik! Sinus kot α je enk rzmerju dolžin kotu nsprotne ktete in hipotenuze. sin α = Kosinus kot α je enk rzmerju dolžin kotu priležne ktete in hipotenuze.

Prikaži več

Univerza v Ljubljani Fakulteta za gradbeništvo in geodezijo Jamova Ljubljana, Slovenija telefon (01) faks (01)

Univerza v Ljubljani Fakulteta za gradbeništvo in geodezijo Jamova Ljubljana, Slovenija telefon (01) faks (01) Unverza v Ljubljan Fakulteta za grabenštvo n geoezjo Jamova Ljubljana, Slovenja telefon () 47 68 5 fak () 4 5 68 fgg@fgg.un-lj. Unverztetn program Geoezja, mer Geoezja Kanat: Klemen Jovanovč Analza premkov

Prikaži več

RAČUNALNIŠKA ORODJA V MATEMATIKI

RAČUNALNIŠKA ORODJA V MATEMATIKI DEFINICIJA V PARAVOKOTNEM TRIKOTNIKU DEFINICIJA NA ENOTSKI KROŢNICI GRAFI IN LASTNOSTI SINUSA IN KOSINUSA POMEMBNEJŠE FORMULE Oznake: sinus kota x označujemo z oznako sin x, kosinus kota x označujemo z

Prikaži več

CA IZRAČUN KAPITALA IN KAPITALSKE ZAHTEVE Oznaka vrstice Postavka 1 SKUPAJ KAPITAL (za namen kapitalske ustreznosti) = =

CA IZRAČUN KAPITALA IN KAPITALSKE ZAHTEVE Oznaka vrstice Postavka 1 SKUPAJ KAPITAL (za namen kapitalske ustreznosti) = = CA IZRAČUN KAPITALA IN KAPITALSKE ZAHTEVE Oznaka vrstice Postavka 1 SKUPAJ KAPITAL (za namen kapitalske ustreznosti) =1.1+1.2+1.3+1.6 =1.4+1.5+1.6 1.1 TEMELJNI KAPITAL =1.1.1+ 1.1.2+1.1.4+1.1.5 Znesek

Prikaži več

Kazalo 1 DVOMESTNE RELACIJE Operacije z dvomestnimi relacijami Predstavitev relacij

Kazalo 1 DVOMESTNE RELACIJE Operacije z dvomestnimi relacijami Predstavitev relacij Kazalo 1 DVOMESTNE RELACIJE 1 1.1 Operacije z dvomestnimi relacijami...................... 2 1.2 Predstavitev relacij............................... 3 1.3 Lastnosti relacij na dani množici (R X X)................

Prikaži več

Univerza v Mariboru Fakulteta za naravoslovje in matematiko Oddelek za matematiko in računalništvo Enopredmetna matematika IZPIT IZ VERJETNOSTI IN STA

Univerza 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 več

Osnove verjetnosti in statistika

Osnove verjetnosti in statistika Osnove verjetnosti in statistika Gašper Fijavž Fakulteta za računalništvo in informatiko Univerza v Ljubljani Ljubljana, 26. februar 2010 Poskus in dogodek Kaj je poskus? Vržemo kovanec. Petkrat vržemo

Prikaži več

Kinematika

Kinematika /1/6 1. Uavljaje V aalizi ereč e uporabljaa dva odela. Prvi je kieaiči odel, ki eelji a predpoavki poeka pojeka, drugi je diiči odel, ki oogoča izraču pojeka a oovi pozavaja zavorih il..1 Faze uavljaja

Prikaži več

Osnove matematicne analize 2018/19

Osnove 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 več

Microsoft Word - 9.vaja_metoda porusnih linij.docx

Microsoft Word - 9.vaja_metoda porusnih linij.docx 9. vaja: RAČUN EJNE NOSILNOSTI AB PLOŠČ PO ETODI PORUŠNIH LINIJ 1. ZASNOVA S pomočjo analize plošč po metodi porušnih linij bomo določili mejno obtežbo plošče, za katero poznamo geometrijo, robne pogoje

Prikaži več

Georitem qxd

Georitem qxd JANI KOZINA PROMETNA DOSTOPNOST V SLOVENIJI 1 2 PROMETNA DOSTOPNOST V SLOVENIJI 4 PROMETNA DOSTOPNOST V SLOVENIJI LJUBLJANA 2010 Knji` na zbir ka Geo ri tem, ISSN 1855-1963, UDK 91 PROMETNA DOSTOPNOST

Prikaži več

Svet elektronika 205.indd

Svet elektronika 205.indd Re gu la ci ja mo či grel ca elek trič ne pon ve Avtor: Bo jan Ru pnik E-pošta:Ru pnik.bo jan@gma il.com Ve li ke skriv no sti ma le elek tro ni ke, ali ka ko naj va še je di di ši jo bo lje. Kot ve či

Prikaži več

1 Diskretni naklju ni vektorji 1 1 Diskretni naklju ni vektorji 1. Dopolni tabelo tako, da bosta X in Y neodvisni. X Y x x x x x

1 Diskretni naklju ni vektorji 1 1 Diskretni naklju ni vektorji 1. Dopolni tabelo tako, da bosta X in Y neodvisni. X Y x x x x x 1 Diskretni naklju ni vektorji 1 1 Diskretni naklju ni vektorji 1. Dopolni tabelo tako, da bosta X in Y neodvisni. X Y 0 1 2 1 1-1 x x 20 10 1 0 x x x 10 1 1 x x x 20 x x x 1 Dolo i ²e spremenljivko Z,

Prikaži več

Delavnica Načrtovanje digitalnih vezij

Delavnica Načrtovanje digitalnih vezij Laboratorij za načrtovanje integriranih vezij Univerza v Ljubljani Fakulteta za elektrotehniko Programirljivi Digitalni Sistemi Digitalni sistem Digitalni sistemi na integriranem vezju Digitalni sistem

Prikaži več

Analiza anket o šolski prehrani Učenci Analiza anket o šolski prehrani OŠ Medvode za učence 3. Ali doma zajtrkuješ? Razred DA, vsak dan NE, nikoli OBČ

Analiza anket o šolski prehrani Učenci Analiza anket o šolski prehrani OŠ Medvode za učence 3. Ali doma zajtrkuješ? Razred DA, vsak dan NE, nikoli OBČ Učenci OŠ Medvode za učence 3. Ali doma zajtrkuješ? Razred DA, vsak dan NE, nikoli OBČASNO Skupaj %DA, vsak %NE, %OBČAS dan nikoli NO 1 r 22 5 11 38 57,9% 13,2% 28,9% 2 r 23 5 18 46 5 10,9% 39,1% 3 r 7

Prikaži več

STAVKI _5_

STAVKI _5_ 5. Stavki (Teoremi) Vsebina: Stavek superpozicije, stavek Thévenina in Nortona, maksimalna moč na bremenu (drugič), stavek Tellegena. 1. Stavek superpozicije Ta stavek določa, da lahko poljubno vezje sestavljeno

Prikaži več

C:/Users/Matevž Èrepnjak/Dropbox/FKKT/TESTI-IZPITI-REZULTATI/ /Izpiti/FKKT-junij-17.dvi

C:/Users/Matevž Èrepnjak/Dropbox/FKKT/TESTI-IZPITI-REZULTATI/ /Izpiti/FKKT-junij-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 več

IZDANI CERTIFIKATI O SKLADNOSTI SISTEMA KONTROLE PROIZVODNJE IN NADZORA NAD NJO (PO SISTEMU 2+)

IZDANI CERTIFIKATI O SKLADNOSTI SISTEMA KONTROLE PROIZVODNJE IN NADZORA NAD NJO (PO SISTEMU 2+) SEZNAM CERTIFIKATOV, IZDANIH NA PODLAGI AKTIM-u PODELJENE AKREDITACIJSKE LISTINE SA, PO ZAHTEVAH STANDARDA SIST EN 17065:2012 (CP- 006) VELJAVNI PREJEMNIK CERTIFIKATA OBRAT ŠTEVILKA CERTIFIKATA DATUM 1.

Prikaži več

Microsoft Word - Objave citati RIF in patentne prijave za MP.doc

Microsoft Word - Objave citati RIF in patentne prijave za MP.doc Primerjalna analiza gibanja števila objav, citatov, relativnega faktorja vpliva in patentnih prijav pri Evropskem patentnem uradu I. Uvod Število objav in citatov ter relativni faktor vpliva so najbolj

Prikaži več

Velika logična pošast Eulerjeva metoda reševanja diofantskih enačb Dana je diofantska enačba ax+by=c. Enačbo rešujemo samo v primeru, če sta a in b me

Velika logična pošast Eulerjeva metoda reševanja diofantskih enačb Dana je diofantska enačba ax+by=c. Enačbo rešujemo samo v primeru, če sta a in b me Velika logična pošast Eulerjeva metoda reševanja diofantskih enačb Dana je diofantska enačba ax+by=c. Enačbo rešujemo samo v primeru, če sta a in b medseboj tuji naravni števili.. 0x+y=4 2 Eulerjeva metoda

Prikaži več

s = pot /m

s = pot /m Fizika ot / t ča / t / 3,6 k /h reočrtno gibanje :. enakoerno gibanje hitrot je talna. neenakoerno gibanje hitrot ni talna neenakoerno oešeno gibanje je orečna hitrot, je hitrot, katero bi e telo oralo

Prikaži več

Microsoft Word - Povzetek revidiranega letnega porocila 2006.doc

Microsoft Word - Povzetek revidiranega letnega porocila 2006.doc CINKARNA Metalurško kemična industrija Celje, d.d. Kidričeva 26, 3001 Celje OBJAVA POVZETKA REVIDIRANEGA LETNEGA POROČILA ZA LETO 2006 V skladu z ZTVP-1 ter Sklepom o podrobnejši vsebini in načinu objave

Prikaži več

Microsoft Word - KRI-ZRN-3 splet.doc

Microsoft Word - KRI-ZRN-3 splet.doc Zbira rešenih nalog KEMIJSKO REKCIJSKO INŽENIRSTVO. del lbin Pinar Ljubljana . Pinar Naloga # 57 Pri esperimenalni nalogi smo določevali onenraijo sledilne speije na izsopu iz reaorja. Izmerili smo naslednje

Prikaži več

24. državno prvenstvo iz gradbene mehanike za 3. letnike 16. maj naloga Med dve enakostranični prizmi s stranico a postavimo valj s polmerom r

24. državno prvenstvo iz gradbene mehanike za 3. letnike 16. maj naloga Med dve enakostranični prizmi s stranico a postavimo valj s polmerom r 24. držvno prvenstvo iz grdbene menie z 3. letnie 16. mj 2018 1. nlog Med dve enostrnični prizmi s strnico postvimo vlj s polmerom r, ot je prizno n slii. Tež prizm je G = 10 N, tež vlj p V = 14 N. Koeficient

Prikaži več

Predmetnik dvopredmetnega pedagoškega študijskega programa 2. stopnje Slovenski jezik in književnost Predmetnik je sestavljen iz: obveznih predmetov (

Predmetnik dvopredmetnega pedagoškega študijskega programa 2. stopnje Slovenski jezik in književnost Predmetnik je sestavljen iz: obveznih predmetov ( Predmetnik dvopredmetnega pedagoškega študijskega programa 2. stopnje in književnost Predmetnik je sestavljen iz: obveznih predmetov ( 26 ), nabora izbirnih predmetov ( 6 ), PDP-modula, obveznega magistrskega

Prikaži več

Brexit_Delakorda_UMAR

Brexit_Delakorda_UMAR MAKROEKONOMSKI IZGLEDI ZA EU IN SLOVENIJO KAKŠNA JE / BO VLOGA BREXITA? Aleš Delakorda, UMAR C F A S l o v e n i j a, 1 7. 1 0. 2 0 1 6 M A K R O E K O N O M S K I P O L O Ž A J I N I Z G L E D I Z A E

Prikaži več

PREDMETNIK : S P L O Š N A G I M N A Z I J A

PREDMETNIK : S P L O Š N A     G I M N A Z I J A P R E D M E T N K S P L Š N E G M N A Z J E Razreda: 4. a in 4. b Predmet 1. 2. 3. 4. Skupno Maturitetni Tedensko število ur število ur standard bvezni predmeti Slovenščina SL 4 4+0,5* 4 4+1 560+52 560

Prikaži več

Univerza v Ljubljani Fakulteta za matematiko in fiziko Verjetnost v fiziki 2012/13 tutorstvo #1 Kombinatorika Avtorja: Peter Ferjančič, Boštjan Kokot

Univerza v Ljubljani Fakulteta za matematiko in fiziko Verjetnost v fiziki 2012/13 tutorstvo #1 Kombinatorika Avtorja: Peter Ferjančič, Boštjan Kokot Univerza v Ljubljani Fakulteta za matematiko in fiziko Verjetnost v fiziki 2012/13 tutorstvo #1 Kombinatorika Avtorja: Peter Ferjančič, Boštjan Kokot Mentor: izr. prof. dr. Simon Širca 4. oktober 2012

Prikaži več

LaTeX slides

LaTeX 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 več