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
|
|
- Miran Volk
- pred 4 leti
- Pregledov:
Transkripcija
1 . 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 veretost dogodka P A B P B / A P A P A / B P B Dva epovezaa dogodka P A B P A + P B ( B ) 0 P A * Pogoa veretost dogodka B pr pogou A da se zgod A e: N P ( A B A B ) P ( A/ B ) P ( B) 0 N P B B * Dva povezaa dogodka P A B P A + P B P A B Dva dogodka sta statstčo povezaa če u presek praza možca P A B 0 * Neodvsa dogodka Če e veretost dogodka A eodvsa od pogoa B obrato če e veretost dogodka B eodvsa od pogoa A pravmo da sta dogodka eodvsa P ( A B ) P ( A / B ) P B ( ) ( / ) P ( A) P ( B ) P ( B ) ( / ) P ( A) P ( B ) P ( A) P A B P A P B P A B P B A P A P B * Popola veretost dogodka B e gotova veretost e eaka: P ( B ) P ( S ) e P(S)veretost vzorčega prostora Izpelava Baesovega teorema: pr čemer
2 ( A) P ( A) P B P B / A P A 0 P B P B P B A P B P B / A P A aprora vredost P B A P B / A P A P A B P B / A P A P A / B P B P [ B] P B / A P A P A / B Baesov teorem P B Baesov teorem uporabmo za zraču veretost da e ek slab zdelek z celote prozvode bl aree a ekem strou.. Ka e osova aloga statstke? Kako e opredeleo povpreče <> kakše so lastost te celke? Izpelte zraza za statstčo povpreče E[<> ] varaco vzorčega povpreča Var(<> ). * Osova aloga statstke e da glede a vzorec sklepa kakše so lastost celote populace. * Vzorčo povpreče e defrao < > Od vzorca do vzorca se povpreče <> sprema zato spada med akluče spremelvke. * Pr stal razsežost vzorca lahko določmo statstčo povpreče: E < > E X m E < > m Ker e statstčo povpreče <> eako vzorčemu povpreču pravmo da e eprstraska celka * Raztros vzorčega povpreča <> opšemo z varaco: Var E ( m) < > < > Var [ ] σ Var < > σ < > σ al σ < > 3. Opšte čemu e amee HI-kvadrat prlagodtve test. Opredelte statstko HIkvadrat prlagodtveega testa eo porazdeltev veretost ter poaste, kako test poteka kakše e sklep. Kako e pr tem testu opredelea apaka prve druge vrste. * S pomočo HI-kvadrat prlagodtveega testa ugotavlamo kako se emprč podatk prlagaao ek porazdeltve fukc. Zamslmo s prmer pr katerem smo z vzorcem razsežost dobl emprčo zbro porazdeltev F() za katero domevamo da o e mogoče opsat s teoretčo zbro porazdeltveo fukco F 0 ()
3 slka Za ugotavlae uemaa uporabmo metodo zavračaa H(FF 0 ). Kadar vredost statstke k o zračuamo e pade v krtčo področe, hpoteze e zavremo. H : f N µ, σ f 0 0 H : f f χ 0 0 > r ( ) r 0 ( 0 ) r ( p p 0 ) 0 p p p Če vela χ > χ H α, r l 0 zavremo (to e apaka. reda) * Napaka prvega reda e ko hpotezo zavremo klub temu da e pravla. Ker e vzorčo povpreče <> akluča spremelvka lahko zavzame vredost zotra al pa zve tervala zavračaa. Kadar e zmerea vredost v tervalu zavračaa hpotezo H 0 zavremo. Veretost da se to zgod meuemo STOPNJA ZNAČILNOSTI α. P < > S f d α ( c ) 0 Sc * Napaka drugega reda e ko hpoteza pravla zavrea. Parameter β ustreza veretost da zmermo vzorčo povpreče zve krtčega področa S c. Zato pome β veretost spreema apače hpoteze kar ustreza apak drugega reda. 4. Kako sta povezaa vhod zhod sgal pr learem časovo eodvsem sstemu? Kako sta defra mpulza frekveča odzva fukca learega sstema? Kako e opredelea spektrala gostota stacoarega procesa kakše e e fzkal pome? Kako e opredelea spektrala gostota zhoda learega sstema, če pozamo spektralo gostoto stacoarega vhoda. *Kako sta povezaa vhoda zhoda spremelvka pr časovo eodvsem learem sstemu. ( t) H ( t) X(t)-akluč proces, vhod sgal Y(t)-trasformra akluč proces, zhod sgal
4 H-smbolča ozaka za trasformaco ozroma vplv ssstema (operator) Odzv (t) learega sstema e poda z learo trasformaco vhoda (t). ( t ) H ( t ) H ( t ') δ ( t t ') dt ' ( ') δ ( ') ' ( ') (, ') t H t t dt t dg t t t ' h t, t ' dt ' *Defca mpulza lm t t δ t t ( ) ( ) t t : t t ; t + I ( t t ) t 0 : drugo frekveč odzv fukce t t lm % t 0 0 t I t t t % 0 δ ( ) t ' t t ' dt ' t-t't'' dt'dt'' ( ) δ t t '' t '' dt '' - H ( ( t ) ) t H ( t ') δ ( t t ') dt ' ( δ ) t ' H t t ' dt ' t ' h t t ' dt ' kovolucsk tegral t-t't'' dt'dt'' ( ) t t t '' h t '' dt '
5 Odzv sstema a harmočo vzbuae (t) e ωt ( ') ( ') t t t h t dt ω ( ') ωt ( ω ) ω t t t t e h t ' dt ' e h t ' dt t e H ωt ( ω ) H e h t ' dt ' frekveča odzva fukca * Spektrala gostota pome gostoto moč, k o kompoete s krožo frekveco v tervalu dω okol ω prspevao k skup moč sgala. ωt S ( ω ) R ( t ) e dt Spektrala gostota learega sstema če pozamo spektralo gostoto stacoarega vhoda? ωt e R ( t ) H ( ω ) H ( ω ) δ ( ω + ω ) S ( ω ) dω dω π ωt R ( t ) H ( ω ) H ( ω ) e S ( ω ) dω π H - ( ω ) H '' ( ω ) ωt R ( t ) H ( ω ) e S ( ω ) dω π ωt S ( ω ) e dω π ( ω ) ( ω ) S t H S spektrala gostota zhodega procesa (t) /
6 5.)Izpelte Bomsko porazdeltev Bomsko porazdeltev uporablamo pr pozkush, ker sta moža le dva razlča zda poskusa, tpče prmer e met kovaca. Izpelava : -števlo poskusov -števlo ugodh zdov P A p q + P B P S P A B P A P B p + q q p Veretost, da se poav A -krat v pozkush e p q.števlo vseh možh zadetkov, ker se A poav -krat e eako števlu razlčh razporedtev elemetov a mesth, pr čemer e elemetov v eakh A - eakh B.! To števlo e: ( )!( )! Veretost, da se v pozkush poav dogodek A -krat e tore: P ( ) p q ( ) ( ) P ( ) p ( p) Za veče vredost s za zraču fakultete poslužmo aslede eačbe:! e π 6.)Kako prdemo z Bomske do Possoove porazdeltve?
7 p Θ p Θ p << Θ...povpreča vredost >> [ ; ] P ( )... ( ( ) ) Θ! Θ Θ Θ Θ P [ ; ]! Θ P [ ; ] e! ker e : Θ Θ Θ lm lm e Θ Θ 7.)Kako v Possoovo porazdeltev vpelemo časovo pogoost al frekveco dogodka. ν 0 -frekveca prezkusa ν-frekveca dogodkov t-čas traaa ν t 0 Θ p p ν t ν ν t 0 Θ ν t 0 Θ Θ P [ ; t ] e! ( ν t) ν t P [ ; t ] e! 8.)Kako opšemo akluče lastost dvodmezoalh aklučh vektorev?kako so opredelee komulatva porazdeltev fukce, ea gostota gostota pogoe veretost. Kako e opredelea roba porazdeltvea fukca?kako so opredelee povpreča vredost vektora,korelaca kovaraca med obema kompoetama? Lastost dvodmezoalega vektora:.) F ( +, + ) P S,,,, P [ S ].) F (, ) ) F (, + ) P X, Y + P X F ( ) F ( +, ) P Y +, Y P Y F ( )
8 4.)Komulatva porazdeltvea fukca:, F (, ) f (, ) d d P X, Y < 5.)Gostota porazdeltvee veretost F(, ) f (, ) če e F odvedlva 6.)Rob porazdeltv u gostot: F ( ) f (, ) d d,,, F ( ) f (, ) d d, f ( ) f (, ) d f ( ) f (, ) d Komulatva porazdeltvea fukca:, F (, ) f (, ) d d P X, Y Gostota porazdeltvee veretost: F (, ) f (, ) Povezaa veretost, k ustreza ftzemalem mahem področu: P X < + d, < Y < + d P X + d, Y + d P < Y + d Pogoa veretost, kadar e f ( ) 0 f (, ) dd f (, ) P [ < X + d, < Y + d] f ( ) d f ( ) [, ] dp f (, ) f d f ( ) / ( / ) Povpreča vredost: N < > p N N Korelaca e povpreča vredost produkta dveh aklučh spremelvk.prv poveza momet meuemo korelaca ga deframo: R m, E [, ] dp(, )
9 Kovaraca: K cov [, ] E ( m)( m ) ( m)( m) d p 9.)Kako e zazamova test za preverae eakost dveh ormalh poavov? V ta ame uporabmo test Kolmogorova, za kar potrebuemo vzorče porazdeltvee fukce. Pogostee kot porazdeltve fukc pa sta za vzorč povpreč < > < > ter vzorč varac S S.V ta ame hpotezo o eakost dveh porazdeltveh fukcah prevedemo v hpotezo eakost sredh vredost stadarde devace. H ( F ( ) F ( )) H ( m m, σ σ ) Prevermo eakost sredh vredost apre prevermo, da e σ σ σ Za to uporabmo čelo hpotezo H 0 (m m ) H ( m m 0) 0 H ( < > < > 0) σ 0 < > < > σ σ + σ + Kot testo statstko uporabmo stadard odklo: < > < > z če e podaa stadarda devaca. σ < > < > Če stadarda devaca podaa o ocemo z vzorčo varaco S S Varace σ pa e ocemo z: ( ) S + ( ) S0 S + S σ ( )( ) + ( < > ) + ( < > ) + Tako dobmo ormal odklo, k ma Studetovo porazdeltev + - prostosto stopo. < > < > T σ +.)Prevermo še varaco: H ( σ σ ) H ( σ σ ) Kot celko varace uporabmo vzorčo varaco S.Nato mu a 0 0 podlag zračuah varac S S zavremo s tvegaem α hpotezo H 0 ( σ σ ) Kot statstko uporabmo razmere F S / S Te statstk prpadata dve prostost stop p -, p - Imeue se Sedeloreva porazdeltev al F porazdeltev. F P( F > F ) p, p, p, p, krtč α α α 0.)Kako sta poveza vhoda zhoda spremelvka pr časovo eodvsem learem sstemu?kako določmo frekvečo odzvo fukco, če pozamo dferecalo eačbo, k opsue sstem: && + k? Kako sta povezaa vhoda zhoda spremelvka pr časovo eodvsem learem sstemu.
10 ( t) H ( t) X(t)-akluč proces, vhod sgal Y(t)-trasformra akluč proces, zhod sgal H-smbolča ozaka za trasformaco ozroma vplv ssstema (operator) Odzv Y(t) learega sstema e poda z learo trasformaco vhoda (t). ( t) H [ ( t) ] H ( t ) δ ( t t ) dt ( t ) Hδ ( t t ) dt ( t ) dg( t, t ) ( t ) h( t, t ) dt Kako določmo odzvo fukco, če pozamo dferecalo eačbo, k opsue sstem: && + k? && + a ( t) Napre določmo frekvečo odzvo fukco H(ω) za harmosk vhod (t)e ωt ωt ( t) H ( ω) e H ( ω)( ω + a) H ( ω) ω + a Impulzo odzvo fukco h(t) določmo z.)z verzo trasformaco: ωt ωt e dω h( t) H ( ω) e dω π π ω + a.)z drekto tegrraem sstema od vzbuaa δ(t) za +<0 e δ(t)0 Z tegrraem eačbe: & + a ( t) δ ( t) t / t / t / t / + adt δ ( t) dt t / t / za t 0 ad 0 za t 0 za t > 0 & + a ( t) 0 k ma reštev ( t) c e začet pogo (0) e C h( t) ( t) 0 za t < 0 e at za t > 0 at.)kohereča fukca e pome. Za aalzo vplva v kolkš mer e zhod sgal posledca vhodega sgala mermo s koherečo fukco:
11 γ ( ω) S S ( ω) ( ω) S ( ω) Kadar sta X Y learo odvsa e: H ( ω) S ω γ ( ω) S ( ω) H ( ω) S ( ω) Za ekorelraa sgala e R (t)0 posledčo S (ω)0 ter zato: S ω γ ( ω) 0 S ( ω) S ( ω) Vredost med 0 so lahko posledca asledh vzorcev. Zveza med X Y leara. V mertvah X Y e prsote šum. Na zhodu Y poleg vhoda X plvao tud drug sgal..) Kda e statstka z celka parametra q? Kda e celka dosleda kda prstraska? Kako e defrao vzorčo povpreče akluče spremelvke kolkša e egova prčakovaa vredost ter varaca? Kako uporabmo eeačbo Čebševa pr opsu lastost celke vzorčega povpreča akluče spremelvke? *Statstka z e točkova celka parametra q, če e pr araščaoč razsežost vzorca ea vredost z veretosto blzu, eaka vredost parametra q: lm P z q < C k mora bt zpolea za določeo vredost poztve kostate C. * Kda e statstka dosleda kda eprstraska celka?.) dosledost Celka z z(,, 3,..., ) e dosleda, če e za polubo maho poztvo števlo ε zpole pogo: lm P z q < ε.)eprstraskost Celka z z(,, 3,..., ) e eprstraska, če e eo statstčo povpreče eako q vredost parametra, k ga oceue: E [ z] Celka e asmptotsko eprstraska, če e zpolea eačba: lm E z q
12 *Kako e defrao vzorčo povpreče akluče spremelvke kolkša e prčakovaa vredost ter varaca? E [ < > ] E [ ] E m m Var( ) G G < > Var < > G G < > *Kako uporabmo eeačbo Čebševa pr opsu lastost celke vzorčega povpreča akluče spremelvke? E [ X ] e koča, E X Var X < * A m ε { A } { ma ε } Var m dp ( A) e koča; ( ma) dp( ) + ( ma) dp( ) A AC Var( ) > ( ma) dp( ) > ε dp( ) ε P A A A Var( ) Neeačba Čebševa e tore: P m > ε ε S pomčo te eeačbe lahko htro dokažemo, da e vzorčo povpreče dosleda eprstraska celka srede vredost m: G P < > m ε ε lm P < > m 3.)Poas, kda e akluč proces stacoare v ožem kda v šršem smslu? Kako sta defra avtokorelacska fukca spektrala gostota stacoarega aklučega prcesa? Proces { X ( t), t T } e stacoare, če so vse porazdeltve povezah veretost varate a premk parametra t. Za polube premk vela: P X ( t ), X ( t )... P X ( t + t ), X ( t + t ), Proces e stacoare v ožem smslu, kadar e porazdeltev povezae veretost lahko odvsa le od razlke parametrov pr katerh spremelvko opazuemo pa odvsa od vredost t. -Stacoara v šršem smslu pome, da e povpreča vredost procesa eodvsa od parametra t, korelaca procesa pa le od razlke parametrov t-t. Med m so lahko tud proces, k so stacoar v ožem pomeu defce stacoarost.
13 [ ( ) ] [ ( + 0) ] [ (0) ] ; 0 [ ( ), ( ) ] [ ( + 0), ( + 0) ] [ (0) ; ( + ) ] (, ) [ ( ), ( ) ] (, ;, ) dp(,, t t) P X t P X t t P X t t P X t X t P X t t X t t P X X t t E X t dp t m E X t t dp t t R( t t ) R( t t ) Če e { m kost R( t t) } e proces stacoare v šršem pomeu. -Proces e ergodče, če e P f E [ f ] 4.)Kako sta defra avtokorelacska fukca spektrala gostota stacoarega aklučega procesa? Spektrala gostota e defraa Z verzo trasformaco domo S( t) H ( ω) S( ω) ωt R( t) S( ω) e dω π Za t 0 e avtokorelacska fukca eaka drugemu mometu procesa { ( t )} moč sgala { ( t )}?,k predstavla 5.)Ka veste o aalz varace? Izpelte ustreze formule podate prmer uporabe aalze varace v stroštvu. Z aalzo varace ugotavlamo al med poav obstaa kakša povezaost. Prmer: Al oča zmea delavcev ared več apak kot podev. Al kaee vplva a pluča obolea? Podatke tabelramo: * H : µ µ... µ 0 A B E H : µ µ za vsa e par(, ) m a N a a ( ) (( ) + ( )) a A a a ( ) ( )( ) (? ) a a ( ) ( ) q + q N q...varablost zarad ekspermeta q... varablost zarad parametra (faktora)
14 a ( )( ) ( ) ( ) ( ) ( ) ) a ( )( ) 0 q q S S S F? a N a S >, a, N v tem prmeru zavremo H0 F F α Povpreč Vr vsota Št. Produktov kvadrat Statstka F vareblost kvadratov odstopaa Faktor Q a- Q /(a-) Q (U-a) Eksperme t Q N-a Q /(N-a) Q (a-) vsota Q N- 6.)Ka veste o celkah fukc? Fukca Yc g( ) občao meuemo celka fukce al predktor medseboe odvsost akluče spremelvke X Y, ustreze graf pa regresska krvula. *Kda e celka optmala?.r korelacsk elemet r e celka optmala Cov( X, Y ) r G G *Kda e celka parametrča zaka e? Yc ω(, G) ω(, G) eparametrčost regrese ω(, G) *Izpelava zraza za regressko premco
15 Yc a + b E Y Yc ( ) m E Y a X b ( ) m E ( Y a X b) E ( Y a X b) 0 0 a b E XY ae X be X ( ) E X ( a b) 0 E ( a b) 0 E Y a E X b b E Y ae X E XY ae X E X E Y ae X a E X E X E XY E X E Y a Var( X ) Cov( X, Y ) Cov( X, Y ) a Var( ) Tore e Y a X + b C Cov( X, Y ) Cov( X, Y ) YC X + E Y E X Var( X ) Var( X ) Cov( X, Y ) YC E Y X E X G GG G Cov( X, Y) r GG.r korelacsk elemet r odstopae med determstča zveza 7.)Ka e potrebe pogo za kaotče sstem ka e osva lastost kaotčega sstema? Nelearost sstema e potrebe pogo, da e sstem kaotče. Lastost kaotčega sstema: Damko dmezoalega kaotčega sstema opšemo s sstemom avtoomh dferecalh eačb prvega reda, k mu pravmo damsk sstem: & F(, p) Ker e...prostora sta (faza spremelvka) p ( p, p,... p ) parametr sstema (,,... ) vektor sta
Ponovitev prejšnjega predavanja Množico vseh možnih izidov poskusa, ki ustreza celotemu vzorčnemu prostoru S imenujemo populacija X. Izbrano podmnožic
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
Prikaži večMATEMATIKA – 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 večPowerPointova 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 večBivariatna 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 večInformativni 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 večFORMULE 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 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 večČetrta 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 večMatematika II (UNI) Izpit (23. avgust 2011) RE ITVE Naloga 1 (20 to k) Vektorja a = (0, 1, 1) in b = (1, 0, 1) oklepata trikotnik v prostoru. Izra una
Matematika II (UNI) Izpit (. avgust 11) RE ITVE Naloga 1 ( to k) Vektorja a = (, 1, 1) in b = (1,, 1) oklepata trikotnik v prostoru. Izra unajte: kot med vektorjema a in b, pravokotno projekcijo vektorja
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 večglava.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 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 _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 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 večVektorji - naloge za test Naloga 1 Ali so točke A(1, 2, 3), B(0, 3, 7), C(3, 5, 11) b) A(0, 3, 5), B(1, 2, 2), C(3, 0, 4) kolinearne? Naloga 2 Ali toč
Vektorji - naloge za test Naloga 1 li so točke (1, 2, 3), (0, 3, 7), C(3, 5, 11) b) (0, 3, 5), (1, 2, 2), C(3, 0, 4) kolinearne? Naloga 2 li točke a) (6, 0, 2), (2, 0, 4), C(6, 6, 1) in D(2, 6, 3), b)
Prikaži večMatematika II (UN) 2. kolokvij (7. junij 2013) RE ITVE Naloga 1 (25 to k) ƒasovna funkcija f je denirana za t [0, 2] in podana s spodnjim grafom. f t
Matematika II (UN) 2. kolokvij (7. junij 2013) RE ITVE Naloga 1 (25 to k) ƒasovna funkcija f je denirana za t [0, 2] in podana s spodnjim grafom. f t 0.5 1.5 2.0 t a.) Nari²ite tri grafe: graf (klasi ne)
Prikaži večVsebinska 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 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 večPOMEN 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 večSlide 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 večO 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 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 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 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 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 večPowerPoint 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 več1
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 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 večOsnove 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 več6.6 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 večSPECIJALNA BOLNICA ZA MEDICINSKU REHABILITACIJU KRAPINSKE TOPLICE Ured za centralno naručivanje Tel. (049)
PA BR 147884430 Hum Na Sutli 13.05.2019 0830 BO JO 147858624 Hum na Sutli 29.05.2019 0815 JU BO 147474917 Pregrada 09.07.2019 0800 DL MA 148427658 Sv Križ Začretje 09.07.2019 0745 ST ŠT 148037359 K.oplice
Prikaži večvaja4.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 večC:/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 večMetodologija 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 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 večANALITIČNA GEOMETRIJA V RAVNINI
3. Analitična geometrija v ravnini Osnovna ideja analitične geometrije je v tem, da vaskemu geometrijskemu objektu (točki, premici,...) pridružimo števila oz koordinate, ki ta objekt popolnoma popisujejo.
Prikaži večUDK 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 večPOPOLNI 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 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 večOrganizacija, 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 večUM FKKT, Bolonjski visoko²olski program Kemijska tehnologija Vpisna ²tevilka Priimek, ime 3. test pri predmetu MATEMATIKA II Ra unski del
UM FKKT, Bolonjski visoko²olski program Kemijska tehnologija Vpisna ²tevilka Priimek, ime 3. test pri predmetu MATEMATIKA II Ra unski del 13. 6. 2016 Navodila: Pripravi osebni dokument. Ugasni in odstrani
Prikaži večMatematika II (UN) 1. kolokvij (13. april 2012) RE ITVE Naloga 1 (25 to k) Dana je linearna preslikava s predpisom τ( x) = A x A 1 x, kjer je A
Matematika II (UN) 1 kolokvij (13 april 01) RE ITVE Naloga 1 (5 to k) Dana je linearna preslikava s predpisom τ( x) = A x A 1 x, kjer je 0 1 1 A = 1, 1 A 1 pa je inverzna matrika matrike A a) Poi² ite
Prikaži večPoslovilno 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 večUniverza v Mariboru Fakulteta za naravoslovje in matematiko Oddelek za matematiko in ra unalni²tvo Izobraºevalna matematika Pisni izpit pri predmetu K
31. januar 2014 1. [25] V kino dvorano z 10 vrstami po 10 o²tevil enih sedeºev vstopi 100 ljudi. Od tega je 40 deklet in 60 fantov. Na koliko na inov se lahko posedejo, (a) e ni nobenih omejitev? (b) e
Prikaži večMicrosoft 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 večUvodno predavanje
RAČUNALNIŠKA ORODJA Simulacije elektronskih vezij M. Jankovec Pomagala za hitrejšo/boljšo konvergenco Modifikacija vezja s prevodnostimi Med vsa vozlišča in maso se dodajo upori Velikost uporov določa
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 večMAGIČNI 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 - 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 večUniverza na Primorskem FAMNIT, MFI Vrednotenje zavarovalnih produktov Seminarska naloga Naloge so sestavni del preverjanja znanja pri predmetu Vrednot
Univerza na Primorskem FAMNIT, MFI Vrednotenje zavarovalnih produktov Seminarska naloga Naloge so sestavni del preverjanja znanja pri predmetu Vrednotenje zavarovalnih produktov. Vsaka naloga je vredna
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 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 večNamesto (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 večDelavnica Načrtovanje digitalnih vezij
Laboratorij za načrtovanje integriranih vezij Univerza v Ljubljani Fakulteta za elektrotehniko Digitalni Elektronski Sistemi Osnove jezika VHDL Strukturno načrtovanje in testiranje Struktura vezja s komponentami
Prikaži večOsnovni pojmi(17)
Osnovni poji pri obravnavi periodičnih signalov Equation Section 6 Vsebina: Opis periodičnih signalov s periodo, frekvenco in krožno frekvenco. Razlaga pojov aplituda, faza, haronični signal. Določanje
Prikaži več1 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 večStrojni{ki vestnik 50(2004)5, Journal of Mechanical Engineering 50(2004)5, ISSN ISSN UDK : UDC 621.3
Strojn{k vestnk 5(24)5,267-276 Journal of Mechancal Engneerng 5(24)5,267-276 ISSN 39-248 ISSN 39-248 UDK 621.313.14:53.88 UDC 621.313.14:53.88 Kratk znanstven prspevek Rakar A., (1.3) Jur~} \.: Modelranje
Prikaži večresitve.dvi
FAKULTETA ZA STROJNISTVO Matematika 2. kolokvij. december 2 Ime in priimek: Vpisna st: Navodila Pazljivo preberite besedilo naloge, preden se lotite resevanja. Veljale bodo samo resitve na papirju, kjer
Prikaži večOpozorilo: Neuradno prečiščeno besedilo predpisa predstavlja zgolj informativni delovni pripomoček, glede katerega organ ne jamči odškodninsko ali kak
Opozorlo: Neurano prečščeno beselo prepsa prestavlja zgolj nformatvn elovn prpomoček, glee katerega organ ne jamč oškonnsko al kako rugače. Neurano prečščeno beselo Pravlnka o načnu eltve n obračunu stroškov
Prikaži večPopravki nalog: Numerična analiza - podiplomski študij FGG : popravljena naloga : popravljena naloga 14 domače naloge - 2. skupina
Popravki nalog: Numerična analiza - podiplomski študij FGG 9.8.24: popravljena naloga 4 3..25: popravljena naloga 4 domače naloge - 2. skupina V drugem delu morate rešiti toliko nalog, da bo njihova skupna
Prikaži večOPPN Centralne dejavnosti Brod- zahodni del. LEGENDA S SSs SSv SBv SKs Z ZS ZK ZD K1 K2 SKg SP C CU Gospodarski objekti P PC PO G G V Varovalni gozdov
OPPN Centralne dejavnosti Brod- zahodni del. LEGENDA S SSs SSv SBv SKs Z ZS ZK ZD K1 K2 SKg SP C CU Gospodarski objekti P PC PO G G V Varovalni gozdovi CDo CDi T VC VI Celinske vode Vodna infrastruktura
Prikaži večUniverza 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 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 večEquation Chapter 1 Section 24Trifazni sistemi
zmenicni_signali_triazni_sistemi(4b).doc / 8.5.7/ Triazni sistemi (4) Spoznali smo že primer dvoaznega sistema pri vrtilnem magnetnem polju, ki sta ga ustvarjala dva para prečno postavljenih tuljav s azno
Prikaži večresitve.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 večMATLAB programiranje MATLAB... programski jezik in programersko okolje Zakaj Matlab? tipičen proceduralni jezik enostaven za uporabo hitro učenje prir
MATLAB programiranje MATLAB... programski jezik in programersko okolje Zakaj Matlab? tipičen proceduralni jezik enostaven za uporabo hitro učenje priročno programsko okolje tolmač interpreter (ne prevajalnik)
Prikaži večMicrosoft PowerPoint _12_15-11_predavanje(1_00)-IR-pdf
uporaba for zanke i iz korak > 0 oblika zanke: for i iz : korak : ik NE i ik DA stavek1 stavek2 stavekn stavek1 stavek2 stavekn end i i + korak I&: P-XI/1/17 uporaba for zanke i iz korak < 0 oblika zanke:
Prikaži več1. izbirni test za MMO 2018 Ljubljana, 16. december Naj bo n naravno število. Na mizi imamo n 2 okraskov n različnih barv in ni nujno, da imam
1. izbirni test za MMO 018 Ljubljana, 16. december 017 1. Naj bo n naravno število. Na mizi imamo n okraskov n različnih barv in ni nujno, da imamo enako število okraskov vsake barve. Dokaži, da se okraske
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 večIzpitna vprašanja pri numeričnih metodah–UNI- 2006/07
Izpt vprš pr umerčh metodh UNI- 006/07 Poste z več trem stvk čemu e v mtlbu mee sled kluč besed l zk? Prkžte krtek prmer hove uporbe: - * * / / ; [] \ ~ bs s t th brek cel chol clss clc cler cler ll close
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 večSTRUKTURA STANDARDNIH IZPISOV PODATKOV IZ LETNIH POROČIL GOSPODARSKIH DRUŽB, ZADRUG IN SAMOSTOJNIH PODJETNIKOV ZA LETO 2006 ZA JAVNO OBJAVO 1. Struktu
STRUKTURA STADARDIH IZPISOV PODATKOV IZ LETIH POROČIL GOSPODARSKIH DRUŽB, ZADRUG I SAMOSTOJIH PODJETIKOV ZA LETO 2006 ZA JAVO OBJAVO 1. Struktura standardnega izpisa podatkov iz letnih poročil gospodarskih
Prikaži večC:/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 večMicrosoft Word Poglavje.doc
4. Hlajenje ventlov 4 HLAJENJE VENILOV Med obratovanjem nastanejo na polprevodnškh ventlh zgube v oblk toplote. Ker se ta toplota sprošča v slcjev tabletk, k ma zelo majhen volumen n debelno le nekaj desetnk
Prikaži večMicrosoft 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 večSTAVKI _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 večTM Leica DISTO Leica DISTOTMD510 X310 The original laser distance meter The original laser distance meter
TM Leca DISTO Leca DISTOTMD510 X10 The orgnal laser dstance meter The orgnal laser dstance meter Kazalo Nastavtev naprave - - - - - - - - - - - - - - - - - - - - - - - - - 2 Predstavtev - - - - - - - -
Prikaži večDOLŽNIK: 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 večKazalo 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 večMicrosoft Word - ELEKTROTEHNIKA2_ junij 2013_pola1 in 2
Šifra kandidata: Srednja elektro šola in tehniška gimnazija ELEKTROTEHNIKA PISNA IZPITNA POLA 1 12. junij 2013 Čas pisanja 40 minut Dovoljeno dodatno gradivo in pripomočki: Kandidat prinese nalivno pero
Prikaži večVABILO Dne 15. in 16. junija 2019 vas vabimo na 2. pokalno tekmo Dresurnega Mastersa 2019 ter tekmo za Pokal Slovenije, ki bo na osrednjem zunanjem ja
VABILO Dne 15. in 16. junija 2019 vas vabimo na 2. pokalno tekmo Dresurnega Mastersa 2019 ter tekmo za Pokal Slovenije, ki bo na osrednjem zunanjem jahališču Hipodroma Lipica. Splošne informacije: Tekmovanje
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 večUčinkovita izvedba algoritma Goldberg-Tarjan Teja Peklaj 26. februar Definicije Definicija 1 Naj bo (G, u, s, t) omrežje, f : E(G) R, za katero v
Učinkovita izvedba algoritma Goldberg-Tarjan Teja Peklaj 26. februar 2009 1 Definicije Definicija 1 Naj bo (G, u, s, t) omrežje, f : E(G) R, za katero velja 0 f(e) u(e) za e E(G). Za v V (G) definiramo presežek
Prikaži večZAVODZAZDRAVSTVENOVARSTVOMARIBOR Sedež: Prvomajska ulica 1,2000 Maribor; Pošta: ZZV Maribor. p.p. 916, 2001 Maribor INŠTITUTZA VARSTV OKOLJA Telefon:(
ZAVODZAZDRAVSTVENOVARSTVOMARBOR Sedež: Prvomajska ulica 1,2000 Maribor; Pošta: ZZV Maribor. p.p. 916, 2001 Maribor NŠTTUTZA VARSTV OKOLJA Telefon:(02)4500170,Telefaks:(02)4500227,E-pošta:;vo@zfv-mb.si,Splet
Prikaži večKinematika
/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 večEKVITABILNE 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 več10. Vaja: Kemijsko ravnotežje I a) Osnove: Poznamo enosmerne in ravnotežne kemijske reakcije. Za slednje lahko pišemo določeno konstanto kemijskega ra
10. Vaja: Kemijsko ravnotežje I a) Osnove: Poznamo enosmerne in ravnotežne kemijske reakcije. Za slednje lahko pišemo določeno konstanto kemijskega ravnotežja (K C ), ki nam podaja konstantno razmerje
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 večfm
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 večMicrosoft Word - Primer nalog_OF_izredni.doc
1) Ob koncu leta 2004 je bilo v Sloveniji v obtoku za 195,4 mrd. izdanih bankovcev, neto tuja aktiva je znašala 1.528,8 mrd. SIT, na poravnalnih računih pri BS so imele poslovne banke za 94 mrd. SIT, depoziti
Prikaži več