2. LINEARNA ALGEBRA
|
|
- Breda Černe
- pred 4 leti
- Pregledov:
Transkripcija
1 UPORABNA MATEMATIKA V LOGISTIKI za višješolsko strokovno izobraževanje (OPISNA ) 1
2 Cilj tega sklopa predavanja je predstaviti obvladovanje računskih spretnosti pri reševanju logističnih problemov in pri statistični analizi. Pravilen izračun iskane količine je seveda pomemben, mnogokrat pa je še pomembnejša interpretacija izračunanega rezultata. Na svoji poklicni poti boste morda morali sprejeti kako pomembno poslovno odločitev. Svoje sodelavce boste morali prepričati v pravilnost svoje odločitve. Argumente boste morali podpreti z izračuni in izračunano korektno interpretirati. Ali pa boste morda želeli analizirati povpraševanje potencialnih kupcev izdelka, s katerim želite prodreti na tržišče. V teh in podobnih primerih vam bo priskočilo na pomoč vaše znanje matematike in statistike. V uvodu je predstavljeno nekaj matematičnih zakonitosti, prikazanih nekaj računskih spretnosti in obdelana dva temeljna matematična modela soodvisnosti med dvema spremenljivima količinama. 2
3 Beseda statistika izvira iz latinske besede status, ki pomeni država. Statistika je kot metoda za zbiranje podatkov zelo stara, saj so že v starem veku. zbirali podatke o prebivalstvu, pridelkih itd. Pravi razvoj statistike se je začel v 17. stoletju, ko so znani matematiki tega obdobja postavili temelje verjetnostnega računa, na katerem temelji matematična statistika. V 20. stoletju je z razvojem računalništva postala statistika širše uporabljana. Osnovni namen statistike je razumevanje pojavov iste vrste, ki se pojavljajo v velikem številu, zato jih imenujemo množični pojavi. Množičen pojav je na primer serijska proizvodnja določenega izdelka. Med osnovne naloge statistike štejemo zbiranje, razvrščanje in urejanje podatkov ter sprejemanje zaključkov, kot so npr. odkrivanje lastnosti in zakonitosti populacije in napovedovanje vrednosti. 3
4 Statistika je veja matematike, ki proučuje metode zbiranja, urejanja, kvantitativne obdelave, prikazovanja in analiziranja številskih podatkov. Ko zberemo podatke, jih je potrebno»obdelati«. Metodološka obdelava je odvisna od namena in cilja statistične raziskave. V vsakem primeru, pa naj bi vsebovala: - ureditev podatkov, - grafični prikaz, - izračun parametrov, - interpretacijo. 4
5 Množica, ki jo statistično proučujemo, se imenuje populacija. Populacija je lahko končna ali neskončna množica enot, kot so predmeti, ljudje, dogodki ali kaj drugega. Populacijo moramo opredeliti stvarno, geografsko in časovno: - s stvarno opredelitvijo natančno določimo, kdo ali kaj spada vanjo in kdo ne, - z geografsko opredelitvijo povemo, kje je zajeta populacija, - s časovno opredelitvijo pa kdaj. Število statističnih enot, ki jih zajamemo v raziskavi, po navadi označujemo N (numerus). 5
6 Elementi populacije se imenujejo statistične enote. Pogosto ne moremo, ne želimo ali pa je predrago proučevati celotno populacijo, zato izberemo le podmnožico populacije, ki jo imenujemo vzorec, nato pa na podlagi lastnosti vzorca sklepamo o lastnostih populacije. Podmnožica je slučajno izbrana, če ima vsak element enako verjetnost, da bo izbran v vzorec. Lastnosti statistične enote, ki jih raziskujemo, imenujemo statistični podatek ali statistična spremenljivka. Pri tem poskušamo zagotoviti reprezentativnost vzorca. Vzorec je reprezentativen, če so rezultati raziskave na vzorcu enaki, kot bi bili rezultati raziskave na celotni populaciji. 6
7 Slučajni vzorec dobimo s slučajnim izborom enot populacije v vzorec. S tem dosežemo, da je struktura vzorca kar najbolj podobna strukturi populacije. Pogosto rečemo, da slučajni vzorec najbolje predstavlja (reprenzetira) celotno populacijo. Velikost vzorca bomo označili z n. Statistična spremenljivka opisuje lastnost enot. Primeri statističnih spremenljivk so spol oseb, število prometnih nesreč, število potnikov na vlaku, poraba goriva avtomobila na 100 km. V vseh opisanih primerih se izraz spremenljivka uporablja upravičeno, saj vsaka opazovana enota zavzame neko določeno vrednost. Te vrednosti so lahko med seboj različne, lahko pa ima nekaj enot enake vrednosti. Vrednosti spremenljivk bomo pogosto imenovali podatki. 7
8 Glede na način izražanja vrednosti spremenljivke delimo spremenljivke na: opisne, pri katerih vrednosti le opišemo z besedami in jih ne moremo ovrednotiti numerično (npr. spol, kraj bivanja, nacin transporta) in številske, pri katerih vrednosti izrazimo numerično. Številske spremenljivke delimo na diskretne in zvezne. Diskretne spremenljivke imajo za zalogo vrednosti končno ali neskončno zaporedje realnih števil. Ce vrednosti diskretne spremenljivke dobimo s stetjem, je njena zaloga vrednosti podmnožica naravnih števil (npr. število prometnih nesreč, število potnikov na avtobusu). Zvezne spremenljivke lahko zavzamejo vsako vrednost iz nekega intervala. Vrednosti zveznih spremenljivk dobimo z merjenjem (npr. čas, ki ga potrebuje voznik za določeno pot) ali z izračunavanjem (npr. poraba goriva vozila na 100 km). 8
9 Parameter je statistična karakteristika populacije, ki ga izračunamo iz podatkov celotne populacije in vzorčna statistika je statistična karakteristika vzorca, ki ga izračunamo iz podatkov vzorca Kot primer parametra lahko navedemo povprečje populacije ali pa delež populacije z določeno lastnostjo. Pri statističnem raziskovanju najprej zberemo podatke od posameznih enot vzorca, na podlagi teh podatkov izračunamo vzorčno statistiko, ki opisuje lastnost vzorca, nato pa s statističnem sklepanjem, ki temelji na matematični statistiki, sklepamo o parametru populacije. 9
10 Opisna statistika se ukvarja s predstavitvijo oz. povzemanjem pridobljenih podatkov. Množico informacij želimo obdelati in jih predstaviti na čim bolj nazoren način. Inferenčna statistika raziskuje medsebojno povezanost določenih statističnih parametrov. Ukvarja se tudi z ugotavljanjem zanesljivosti sklepov, ki smo jih dobili tako, da nismo raziskali celotne populacije, pač pa samo njen manjši del, vzorec. V nadaljevanju bomo spoznali osnove opisne statistike in osnove statističnega sklepanja. 10
11 Urejanje podatkov Podatke, ki smo jih pridobili od opazovanih statističnih enot populacije, moramo primerno urediti. Najprej si bomo ogledali urejanje številskih podatkov, nato pa se opisnih. Pri številskih podatkih imamo dve možnosti: če je podatkov malo, npr. do 30, jih uredimo po velikosti v ranžirno vrsto, če pa je podatkov veliko, jih grupiramo in prikažemo v tabeli, ki jo imenujemo frekvenčna porazdelitev. Število enot populacije smo označili z N. Ranžirna vrsta Po velikosti urejenim številskim podatkom v ranžirni vrsti določimo zaporedno številko, ki jo imenujemo rang. Rang nam pove, na katerem mestu v ranžirni vrsti se nahaja podatek. Enaki podatki stojijo v ranžirni vrsti skupaj in imajo enak rang. Izračunamo ga kot povprečje rangov, ki bi jih podatki imeli, če bi bili različni med seboj. 11
12 Primer 1: Iz proizvodnje čokolad vzamemo vzorec 9-ih izdelkov (150g lešnikove čokolada) ter izmerimo težo. Vzorec X i (posamezni rezultat) RANŽIRNA VRSTA: 1 150, , , , , , , , ,9 149,5 150,4 150,6 150,6 150,9 151,5 151,8 152,2 153,4 12
13 13
14 Običajno se podatke uredi v tabelah. Danes se za to uporablja računalniško orodje EXCEL, ki ga boste uporabljali tudi vi pri reševanju študijskih primerih. Če podatke vnesete v excelovo tabelo, ne boste imeli težav z grafično predstavitvijo, saj vam excel ponuja različne vrste grafikonov. Vi se le morate odločite, kateri je za prikaz podatkov, ki ste jih zbrali, najprimernejši. Primer 1: Linijski grafikon teže vzorcev mlečne čokolade 14
15 Sedaj pa sledi najtežji del obdelave, to je analitični del, ki mora vsebovati izračune in interpretacije statističnih parametrov. Kateri statistične parametre naj bi vsebovala posamezna poročila, je odvisno od namena in ciljev statističnega proučevanja. Na nacionalnem nivoju je to v pristojnosti Statističnega urada Republike Slovenije; na podjetniškem nivoju pa je to prepuščeno menedžmentu, razen na tistih področjih, ki jih določajo predpisi. Odločiti se boste morali za tiste parametre, ki po vašem mnenju najbolj odražajo lastnosti populacije. Pri izračunu statističnih parametrov (aritmetična sredina, mediana, modus) je treba upoštevati pravila in postopke, ki jih predpisuje stroka. Aritmetična sredina, mediana, modus kažejo osrednjo težnjo rezultatov, okrog njih se rezultati kopičijo: Statistične parametre izračunamo za negrupirane in grupirane podatke. 15
16 Aritmetična sredina 16
17 Aritmetična sredina Aritmetična sredina je povprečje rezultatov in je enaka kvocientu vsote vseh vrednosti statistične spremenljivke s številom teh vrednosti x Negrupirani/posamezni rezultati = n i i= 1 Nx = N x n i= 1 x i x = vsota št.vrednos ti 17
18 Aritmetična sredina Primer 2: Iz proizvodnje čokolad izračunajmo povprečno težo 9-ih izdelkov (150g lešnikove čokolada) Vzorec X i (posamezni rezultat) 1 150, , , , , , , , ,9 18
19 Aritmetična sredina - tehtana aritmetična sredina Primer 3: Izračunajte povprečno število zaposlenih v posamezni trgovini za podane podatke o številu trgovin s številom zaposlenih nn xx = ii=1 ff ii xx ii nn = ff 1 xx 1 + ff 2 xx 2 + ff 3 xx ff nn xx nn ff ii ff 1 + ff ff nn ii=1 xx = = = 33, 0000 Odg: Povprečno število zaposlenih je 3,05 v posamezni trgovini. 19
20 Primer za pomanjkljivost aritmetične sredine Štiri osebe so pri testiranju dosegle naslednje rezultate: 21, 22, 23 in 36. xx = 25,50. Ta vrednost pade v praznino med prvimi tremi in četrtim rezultatom. Težko bi trdili, da posamezni rezultati težijo k temu povprečju in da jih to povprečje dobro zastopa. Skrajna vrednost 36 ga je namreč preveč»potegnila proti sebi«. V tem primeru bi mediana (Me) gotovo bolje opisovala osrednjo težnjo rezultatov kot aritmetična sredina ( xx) koliko znaša mediana Me? 20
21 Mediana (Me) Mediana ali središčnica je tista srednja vrednost statistične spremenljivke, pri kateri je polovica vrednosti večjih, druga polovica vrednosti pa manjših od dane vrednosti (50% je manjših vrednosti in 50% večjih vrednosti). Statistične podatke razvrstiti po velikosti: Neparno število enot: r = int Me = ( ) N x r Parno število enot: r = N Me = 2 x r + x r
22 Mediana (Me) Je rezultat na sredini ranžirne vrste Najprej izračunamo medianski položaj: (N+1)/2 Mediana je ta rezultat v ranžirni vrsti (prešteješ). V našem primeru Če bi bilo sodo število, vzameš povprečje obeh rezultatov Pomanjkljivost: upošteva le vrednost na sredi (nenatančna mera) Prednost: neodvisnost od skrajnih vrednosti 22
23 Mediana (Me) 23
24 Primer za pomanjkljivost aritmetične sredine brez podatka o standardnem odklonu (δδ) Pri eni zelo odstopajoči vrednosti nam xx daje napačen vtis. Podatek o povprečni plači v tem podjetju bi bil 2875 evrov. Enako xx bi dobili npr. za podatke 2000, 2000, 2000 in (direktor), le da bi bila razpršenost posameznih rezultatov okoli povprečja v tem primeru bistveno manjša. 24
25 Preverjanje razlik med aritmetičnimi sredinami Npr. razlika na vprašalniku učnih navad med fanti in dekleti je 2 točki (fantje 39, dekleta 41) Razlika je zelo majhna ali res obstaja ali je zgolj naključna posledica t.i. napake vzorčenja (pojavi se zaradi slučajnih dejavnikov, ker smo rezultate zbrali na vzorcu, ne na celi populaciji)? Preverimo s posebnimi stat. metodami, ki se jih ne bomo učili, pač pa bomo sklepali na oko. Razlika med dvema xx je statistično pomembna: z visoko stopnjo prepričanosti (običajno na nivoju 95%) lahko trdimo, da res obstaja v populaciji (le 5% tveganje, da je v resnici ni). 25
26 Razpršenost rezultatov K vsaki xx sodi podatek o tem, koliko so rezultati okoli nje: Zgoščeni (bolj reprezentativna) npr. xx=50 za rezultate 48, 49, 50, 51, 52 Razpršeni (manj reprezentativna) npr. xx=50 za rezultate 5, 5, 60, 130 Najpreprostejša mera je razpon: razlika med maksimalnim in minimalnim rezultatom Najpogosteje pa računamo standardni odklon ali standardno deviacijo: pove, kolikšna so odstopanja posameznih rezultatov od aritmetične sredine σσ = xx xx 2 nn 26
27 Primer 3: Iz proizvodnje čokolad izračunajmo standardni odklon vzorca 9-ih izdelkov (150g mlečna čokolada) 27
28 Razpršenost (nad.) Velika in mala razpršenost: sploščena in koničasta distribucija Primer za pomen mere razpršenosti: če se odpravljamo na počitnice, nam podatek o povprečni temperaturi pove, katerih oblačil naj vzamemo največ, podatek o razpršenosti pa, ali moramo vzeti tudi bistveno toplejša/lažja oblačila: xx = 20 (ali to pomeni od 18 do 22 ali od 10 do 30?) 28
29 MERA DISPERZIJE RAZPON VARIACIJE: (Razpon med največjo in najmanjšo vrednostjo podatkov) R = X max X min 29
30 Modus (Mo) Modus ali gostiščnica se imenuje najpogostejša vrednost ali najpogostejši podatek v množici vseh vrednosti Je rezultat, ki se največkrat pojavlja v podatkih Prednosti: tudi pri kvalitativnih spremenljivkah (ločene kategorije, npr. spol, stan) Pomanjkljivosti: upošteva le najpogostejšo vrednost (nenatančna mera) 30
31 Modus (Mo) Primer 4: Iz proizvodnje čokolad izračunajmo modus (Mo) vzorca 9-ih izdelkov (150g lešnikove čokolada) Vzorec X i (posamezni rezultat) RANŽIRNA VRSTA: 1 150, , , , , , , , ,9 149,5 150,4 150,6 150,6 150,9 151,5 151,8 152,2 153,4 31
32 KOEFICIENT VARIACIJE (V) Omogoča primerjavo različnih pojavov glede variabilnosti. Koeficient variacije pove kolikšen odstotek vrednosti aritmetične sredine zavzema standardni odklon. Večji kot je večja je razpršenost podatkov. Definiran je kot razmerje med standardnim odklonom in aritmetično sredino, od standardnega odklona, ki prav tako prikazuje razpršenost statističnih enot, pa se razlikuje po tem, da je merjen v odstotkih in ga je zato moč uporabiti za primerjavo razpršenosti enot različnih statističnih populacij. kjer je: σσ standardni odklon xx aritmetična sredina VV = 100 σσ xx 32
33 Primer 5: Iz proizvodnje čokolad izračunajmo varianco in koeficient variance V vzorca 9-ih izdelkov (150g lešnikove čokolada) VV = 100 δδ xx = 100 1, ,21 = 108,67 151,21 = 0,71867 Interpretacija: Pri vzorcu 9-ih kosov mlečnih čokolad predstavlja standardni odklon 0,71867% vrednosti aritmetične sredine. 33
34 Mo Q Q1 3 Me x Mo Me x Q1 Q Q 1 x Mo Me Q 3 x = M e M e Q = M = Q O M 1 3 e e 1 3 e M M o < M Q e < x < Q M x < M Q e M < M < M 3 e e Q 1 o 34
35 MERA DISPERZIJE RAZPON VARIACIJE: (Razpon med največjo in najmanjšo vrednostjo podatkov) R = X max X min 35
36 36
37 Določanje vrednosti spremenljivke, da bi se razporedila na opredeljeno mesto v množici imenujemo ga kvantil. Vrednosti za dano spremenljivko v grafikonu kumulative frekvenc, lahko izračunamo. Prav tako lahko izračunamo položaj določene vrednosti, če poznamo podatek o tem, kolikšen delež vrednosti je manjših oziroma večjih od dane vrednosti. Pri statističnem preučevanju nas pogosto zanima položaj posamezne enote med ostalimi enotami v populaciji. Za opredeljevanje položaja posamezne enote uporabljamo naslednja parametra: rang R (določa, na katerem mestu v urejeni vrsti je posamezna enota) pove, koliko enot ima manjše in koliko večje vrednosti od izbrane enote. Ima vse vrednosti od 1 do N in zato lastnost diskretne spremenljivke; kvantilni rang P (položaj posamezne enote določa relativno) pove, koliko odstotkov enot ima manjše in koliko večje vrednosti od izbrane enote. Ima vse vrednosti na razmiku od 0 do 1 in lastnost zvezne spremenljivke. kvantilnemu rangu P = 0 ustreza rang R = 0,5 in kvantilnemu rangu P = 1 ustreza rang R = N + 0,5 37
38 Vrednosti, ki ustrezajo določenemu kvantilnemu rangu, so kvantili. Med njimi največkrat računamo: kvartile: prvi kvartil Q 1 s kvantilnim rangom P = 0,25 je vrednost, od katere ima 25 % enot manjše ali kvečjemu enake vrednost, 75 % enot pa večje vrednosti; drugi kvartil Q 2 s kvantilnim rangom P = 0,50 je vrednost, od katere ima 50 % enot manjše ali kvečjemu enake vrednosti, 50 % pa večje vrednosti; tretji kvartil Q 3 s kvantilnim rangom P = 0,75 je vrednost, od katere ima 75 % enot manjše ali kvečjemu enake vrednosti, 25 % pa večje vrednosti. decile: prvi decil D 1 P(D 1 ) = 0,10; Q2 = D5 = mediana drugi decil D 2 P(D 2 ) = 0,20; peti decil D 5 P(D 5 ) = 0,50 do deveti decil D 9 P(D 9 ) = 0,90 je vrednost, od katere ima 90 % enot manjše ali kvečjemu enake vrednosti, 10 % pa večje. 38
39 KVANTILI IN KVANTILNI RANGI IZ RANŽIRNE VRSTE Brskanje po podatkih in iskanje pravih podatkov je lahko zelo zamudno opravilo. V statistiki so razvili številne metode, kako lahko podatke predstavimo zelo pregledano, kar nam olajša delo. Najprej bomo spoznali razvrščanje po velikosti. Po velikosti urejenim številskim ali vrstim podatkom pravimo ranžirna vrsta. Podatke v ranžirni vrsti lahko uredimo od najmanjšega do največjega ali obratno. Podatkom v ranžirni dodelimo tudi zaporedno številko, ki jo imenujemo rang. Če je več podatkov enakih, jim dodelimo enak rang, ki ga izračunamo kot povprečje rangov, ki bi jih podatki imeli, če bi bili med seboj različni. Zastavimo si lahko dve nalogi: 1) danemu kvantilu y poiščemo pripadajoči kvantilni rang P in 2) danemu kvantilnemu rangu P poiščemo pripadajoči kvantil y. 39
40 KVANTILI IN KVANTILNI RANGI IZ RANŽIRNE VRSTE 40
41 Primer 6: danemu kvantilu y poiščemo pripadajoči kvantilni rang P Iz proizvodnje čokolad vzamemo vzorec 9-ih izdelkov (150g lešnikove čokolade) ter izmerimo težo. Podatke uredimo po velikosti in izračunajmo odstotek teže lešnikove čokolade, ki je večja od 152,1 gr! Rešitev: 1. Podatke uredimo v ranžirno vrsto 41
42 Primer 6 nad.: 42
43 Primer 7: danemu kvantilnemu rangu P poiščemo pripadajoči kvantil y Iz proizvodnje čokolad vzamemo vzorec 9-ih izdelkov (150g lešnikove čokolade) ter izmerimo težo. Izračunajmo prvi kvartil (QQ 1 ) in tretji decil (DD 3 ) Rešitev: Ad a) 1. Podatke uredimo v ranžirno vrsto 43
44 Primer 7a nad.: danemu kvantilnemu rangu P poiščemo pripadajoči kvantil y Kvantilni rang prvega kvartila QQ 1 je PP(QQ 1 ) = 0,25 Pripadajoči rang R je 2,5 RR = PP NN + 0,5 = 0, ,5 = 2,75 Zato je RR 0 = 2 < RR < RR 1 = 3,5 in yy 0 = 150,4 < yy < yy 1 = 150,6 QQ 11 = yy = yy 0 + RR RR 0 yy RR 1 RR 1 yy 0 = 150,4 + 2, ,5 2 = 150,4 + 0,5 0,2 = 150,4 + 0,1 = , ,6 150,4 = 150,4 + 0,75 1,5 0,2 Interpretacija rezultata: ocenjujemo, da je med devetimi vzorci 150gr lešnikove čokolade 25 % takih, katerih teža je manjša ali enaka 150,5 gr oziroma 75% vzorcev je takih, katerih teža je večja kot 150,5 gr. 44
45 Primer 7b nad.: danemu kvantilnemu rangu P poiščemo pripadajoči kvantil y 45
46 Rešitev: Ad 7b) 46
47 47
48 Grupiranje podatkov in frekvenčna porazdelitev Kadar je opazovanih enot veliko, jih združimo oziroma grupiramo v skupine, ki jih imenujemo razredi. Pri grupiranju najprej določimo skupne lastnosti enot v posameznih razredih, nato pa enote razdelimo po razredih. Lastnosti razredov morajo biti izbrane tako, da je vsaka enota v natanko enem razredu. Ne sme se zgoditi, da bi ista enota ustrezala lastnostim dveh razredov ali pa da za kakšno enoto ne bi obstajal razred, v katerega bi jo uvrstili. Postavlja se vprašanje, koliko razredov je smiselno oblikovati. Če jih je premalo, izgubimo določene informacije o podatkih, če pa jih je preveč, zopet nimamo pregleda. V praksi se je izkazalo, da je ustrezno izbrati od 6 do 20 razredov oziroma uporabimo naslednje pravilo za določanje število razredov: Pri tem naj bo r število razredov in N število enot preučevane množice. 48
49 Grupiranje podatkov in frekvenčna porazdelitev Sedaj pa je potrebno enote populacije razvrstiti v posamezne razrede. Odločiti se morate za najmanjšo in največjo vrednost spremenljivke, ki spada v posamezni razred. Ti vrednosti se imenujeta meji razreda, razlika med mejama pa širina razreda. V nadaljevanju bomo prešteli enote, ki jih bomo uvrstili v posamezne razrede. To število se imenuje frekvenca razreda, ki se običajno označuje z fj, kjer f pomeni število enot v razredu, j pa zaporedno številko razreda. Tako urejeni podatki predstavljajo frekvenčno porazdelitev, ki je prikazana v frekvenčni tabeli. Frekvenčna tabela je primerna za nadaljnjo obdelavo in interpretacijo lastnosti populacije. Običajno se pri interpretaciji uporabljajo naslednji pojmi: relativna frekvenca, komulativna frekvenca, komulativna relativna frekvenca. 49
50 Grupiranje podatkov in frekvenčna porazdelitev Relativna frekvenca je delež enot posameznega razreda, zato se tudi običajno izraža v odstotkih. Delež izračunamo tako, da frekvenco razreda delite s številom enot populacije N. Relativna frekvenca: Komulativne frekvenca posameznega razreda predstavlja vsoto absolutnih frekvenc v predhodnih razredih. V prvem razredu je ta enaka frekvenci razreda, v naslednjih razredih pa jih izračunamo tako, da komulativni frekvenci predhodnega razreda prištejemo frekvenco tega razreda. Tudi komulativne frekvence lahko izrazite kot deleže oziroma z odstotki, ki se imenujejo komulativne relativne frekvence. 50
51 Primer 8: Frekvenčna tabela starosti ponesrečencev 51
52 Interpretacija: Relativna frekvenca: V starosti med 30 in 40 let je bilo 9 ponesrečencev (kolona 3), kar predstavlja 11% vseh ponesrečenih (kolona 4). Komulativna frekvenca: Mlajših od 20 let je bilo 34 ponesrečencev (kolona 5), kar predstavlja 41% vseh ponesrečenih (kolona 6). Grafični prikaz: Histogram frekvenčne porazdelitve starosti ponesrečencev Frekvenčni poligon starosti ponesrečencev 52
53 Za grafični prikaz relativnih frekvenc je primeren strukturni krog, kjer izseki pomenijo delež enot v posameznem razredu, torej relativno frekvenco. 53
54 Grupiranje podatkov in frekvenčna porazdelitev Primer 9: V proizvodnji čokolad smo v času ene ure izbrali naključno 25 kosov (150g lešnikove čokolade) ter izmerili njihovo težo. Podatki o teži so zbrani v tabeli. Uredite podatke tako, da dobite predstavo o tem kako uspešen je proizvodni proces! Postopek: 1. Podatke uredimo v ranžirno vrsto 2. Iz podatka o številu populacije N izračunamo po Stugersov pravilu število razredov r, 3. Poiščemo minimalno in maksimalno vrednost podatkov in izračunamo širino razreda i 4. Izdelamo frekvenčno tabelo meritev teže, 5. Interpretacija dobljenih podatkov. 54
55 r - št. razredov Število razredov je odvisno od enot (N) v množici podatkov - več kot je podatkov, več razredov bomo opredelili. Če jih je: - preveč dobimo preveliko razdrobljenost podatkov (manjšo preglednost), - premalo dobimo zelo lepo preglednost, zabrišemo pa osnovne značilnosti proučevanega pojava (spremenljivke). Velja, da uporabimo Stugersov princip: r = 1 + 3,32*log N širina razreda: 55
56 Grupiranje podatkov in frekvenčna porazdelitev 56
57 Frekvenčni poligon teže čokolade nad 138 do 141,88 nad 141,88 do 145,76 nad 145,76 do 149,65 nad 149,65 do 153,53 nad 153,53 do- 157,41 nad 157,41 do 161, abs. frekv. fj Relativna frekvenca teže čokolade 4,00% 4,00% 8,00% 16,00% 12,00% 56,00% 1 nad 138 do 141,88 2 nad 141,88 do 145,76 3 nad 145,76 do 149,65 4 nad 149,65 do 153,53 5 nad 153,53 do- 157,41 6 nad 157,41 do 161,29 57
58 Aritmetična sredina Aritmetično sredino grupiranih podatkov, katere smo uredili v frekvenčno porazdelitev izračunamo po naslednji formuli: nn xx = ii=1 ff ii xx ii NN = ff 1 xx 1 + ff 2 xx 2 + ff 3 xx ff nn xx nn NN kjer predstavlja xx ii sredino razreda. xx ii = xx iiii + xx iiii 2 58
59 Mediana ali središčnica je tista srednja vrednost statistične spremenljivke, pri kateri je polovica vrednosti večjih, druga polovica vrednosti pa manjših od dane vrednosti (50% je manjših vrednosti in 50% večjih vrednosti). Najprej izračunamo medianski položaj: (N+1)/2 Medialni (kvartilni) razred je tisti, ki ima kumulativno frekvenco neposredno večjo od N/2 LL 1 spodnja meja medialnega (kvartilnega) razreda ff - kumulativna frekvenca pred medialnim (kvartilnim) razredom ff mmmmmm - originalna frekvenca medialnega (kvartilnega) razreda i - velikost medialnega (kvartilnega) razreda 59
60 Modus ali gostiščnica se imenuje najpogostejša vrednost ali najpogostejši podatek v množici vseh vrednosti Modalni razred je razred z največjo absolutno frekvenco (ff jj ) LL 1 -spodnja meja modalnega razreda b - največja frekvenca a - frekvenca pred modalnim razredom c - frekvenca za modalnim razredom i - velikost modalnega razreda (b a) Mo = L1 + i (b a) + (b c) Prednost modusa pred aritmetično sredino je v tem, da samo absolutna frekvenca. Zato zelo dobro predstavlja podatke. 60
61 Povprečni absolutni odklon (PPPP MM ) nam pove, za koliko se v povprečju vrednosti spremenljivke razlikujejo od aritmetične sredine. kjer so: PPPP MM = NN ii=11 xx ii sredine razredov ff ii xx ii xx NN ff absolutne frekvence razredov xx aritmetična sredina NN skupno število podatkov 61
62 Varianca (σσ 2 ) nam pove kolikšno je povprečno odstopanje posameznih vrednosti od aritmetične sredine. σσ 2 = ii=1 NN ff ii xx ii xx 2 NN kjer so: xx ii sredine razredov ff absolutne frekvence razredov xx aritmetična sredina NN skupno število podatkov Standardni odklon ali standardna deviacija ( σσ ) nam pove kolikšna so odstopanja posameznih rezultatov od aritmetične sredine oziroma koliko je "vredna aritmetična sredina" (kako dobro nam predstavlja podatke). Večja je vrednost večja je variabilnost podatkov. σσ = ii=1 NN ff ii xx ii xx 2 NN 62
63 Kvartili Q 1 (spodnji kvartil) Q 1 = L 1 N + 4 f q f i Spodnji kvartil je srednja vrednost ki niz deli tako da 25% enot ima vrednost manjšo ali enako Q 1 a 75% večjo ali enako Q 3 (zgornji kvartil) Q 3 = L 1 3N + 4 f q f i Gornji kvartil kvartil je srednja vrednost ki niz deli tako da 75% enot ima vrednost manjšo ali enako Q 3 a 25% večjo ali enako 63
64 MERE DISPERZIJE RAZPON VARIACIJE: (Razpon med največjo in najmanjšo vrednostjo podatkov) R = X max X min INTERKVARTIL (Razpon srednjih 50% členov niza) I Q = Q 3 Q 1 KOEFICIENT KVARTILNE DEVIACIJE (Relativna mera za interkvartil) V Q = Q Q 3 Q + Q 1 0 VQ
65 Simetrična Desnostranska Levostranska Mo Q1 Q x = M e M e Q = Me x M = Q O M Mo Me x Q1 Q e e 1 3 e M M o < M Q e < x < Q M 0 38 Q 1 x < M Q e M x Mo Me < M Q 3 3 e e Q 1 o < M 3 Koeficient α 3 = 2 < α < α 3 M δ Pearsonova mera asimetrije S k = x M δ o S k 3( x M e) δ = 3 < S < 3 k Bowleyeva mera asimetrije S kq Q3 + Q1 2me = 1 < Skq < 1 Q 3 Q 1 65
66 Bowleyeva mera asimetrije Bowleyeva mera asimetrije temelji na razmerju kvantilov in mediane. v simetričnih porazdelitvah je Bowleyeva mera asimetrije enaka 0 v pozitivno asimetričnih mera je pozitivna, a v negativno asimetričnih je negativna. Bowleyeva in Pearsonova mera asimetrije so nepopolne mere in dajo informacije kot so koeficienti asimetrije, ter se izračunajo enostavno in hitreje. 66
67 α M δ 4 α SPLOŠČENOST 0 = Ostra α 4 >3 Normalna α 4 =3 Položna 1,8<α 4 <3 Pravokotna α 4 =1,8 U porazdelitev 0<α 4 <1,8 67
68 Primer 10: Za podatke v primeru 9 naredimo izračun statističnih parametrov za grupirane podatke 68
69 Primer 10: Za podatke v primeru 9 naredimo izračun statističnih parametrov za grupirane podatke L1 =
70 Primer 10: Za podatke v primeru 9 naredimo izračun statističnih parametrov za grupirane podatke 70
71 Primer 10: Za podatke v primeru 9 naredimo izračun statističnih parametrov za grupirane podatke 71
72 Primer 10: Za podatke v primeru 9 naredimo izračun statističnih parametrov za grupirane podatke 72
73 Primer 10: Za podatke v primeru 9 naredimo izračun statističnih parametrov za grupirane podatke 73
74 Primer 10: Za podatke v primeru 9 naredimo izračun statističnih parametrov za grupirane podatke Najpogosteje se uporablja relativna mera variabilnosti, ki jo imenujemo koeficient variabilnosti (V) in jo izračunamo kot kvocient med standardnim odklonom in aritmetično sredino: 100 σσ KKKK = xx 74
75 Primer 10: Za podatke v primeru 9 naredimo izračun statističnih parametrov za grupirane podatke M 3 Koeficient α 3 α3 = 2 < α < δ α SPLOŠČENOST = M δ 4 4 α
76 Primer 10: Za podatke v primeru 9 naredimo izračun statističnih parametrov za grupirane podatke Σf vsota kumulativnih frekvenc pred medialnim razredom N št. podatkov L1 spodnja meja medialnega razreda fq absolutna frekvenca medialnega razreda i širina razreda 76
77 Primer 10: Za podatke v primeru 9 naredimo izračun statističnih parametrov za grupirane podatke 77
78 Primer 10: Za podatke v primeru 9 naredimo izračun statistične parametre za grupirane podatke 78
79 RAČUNANJE KVANTILOV IN KVANTILNIH RANGOV IZ FREKVENČNE PORAZDELITVE Pri frekvenčni porazdelitvi so enote populacije zbrane v razrede. Rang posamezne enote nadomestimo s kumulativo razreda, v katerega sodi ta enota. Rešimo naslednjo nalogo: Danemu kvantilu y izračunajmo pripadajoči kvantilni rang P. Poiščimo razred, v katerega sodi vrednost y. Naj bo to j-ti razred, imenujemo ga kvantilni razred. Tedaj velja naslednja ocena (denimo, da so razredi definirani tako, da vsebujejo svojo zgornjo mejo). Rang R, ki pripada kvantilu y, je tedaj umeščen med kumulativo kvantilnega razreda in kumulativo razreda pred njim. 79
80 80
81 Primer 11: Danemu kvantilu y izračunajmo pripadajoči kvantilni rang P. Tabela 1 prikazuje grupirane podatke o neto mesečnih plačah zaposlenih v podjetju ABC. Tabela 1: Neto mesečne plače zaposlenih v podjetju ABC Izračunaj, kolikšen delež zaposlenih zasluži mesečno največ 850 EUR. 81
82 Rešitev: 82
83 Primer 12: Danemu kvantilnemu rangu P poiščimo pripadajoči kvantil y. Tabela 1 prikazuje grupirane podatke o neto mesečnih plačah zaposlenih v podjetju ABC. Tabela 1: Neto mesečne plače zaposlenih v podjetju ABC 83
84 Slike trenutno ni mogoče prikazati. Slike trenutno ni mogoče prikazati. Rešitev: Ad a) 84
85 Rešitev: Ad b) 85
86 Rešitev: Ad c) 86
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 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 večMERE 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 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 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 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 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 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 večPoslovna informatika s statistiko - Gregorc, 16_11_09
POSLOVNA INFORMATIKA S STATISTIKO FRANČIŠKA GREGORC Višješolski strokovni program: Gostinstvo in turizem Učbenik: Poslovna informatika s statistiko Gradivo za 1. letnik Avtorica: Frančiška Gregorc, univ.
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 večNAVODILA AVTORJEM PRISPEVKOV
Predmetna komisija za nižji izobrazbeni standard matematika Opisi dosežkov učencev 6. razreda na nacionalnem preverjanju znanja Slika: Porazdelitev točk pri matematiki (NIS), 6. razred 1 ZELENO OBMOČJE
Prikaži večMicrosoft PowerPoint - cigre_c2_15.ppt [Compatibility Mode]
Univerza v Mariboru Fakulteta za elektrotehniko, računalništvo in informatiko Boštjan Polajžer, Drago Dolinar, Jožef Ritonja (FERI) bostjan.polajzer@um.si Andrej Semprimožnik (ELES) KAZALNIKI KAKOVOSTI
Prikaži večMicrosoft Word - Analiza rezultatov NPZ matematika 2018.docx
Analiza dosežkov pri predmetu matematika za NPZ 28 6. razred NPZ matematika 28 Dosežek šole Povprečno število točk v % Državno povprečje Povprečno število točk v % Odstopanje v % 49,55 52,52 2,97 Povprečni
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 Word - vprasalnik_AZU2007.doc
REPUBLIKA SLOVENIJA Anketa o zadovoljstvu uporabnikov statističnih podatkov in informacij Statističnega urada RS 1. Kako pogosto ste v zadnjem letu uporabljali statistične podatke in informacije SURS-a?
Prikaži večIND/L Zakon o državni statistiki (Uradni list RS, št. 45/1995 in št. 9/2001) Letni program statističnih raziskovanj (Uradni list RS, št. 97/2013) Spor
IND/L Zakon o državni statistiki (Uradni list RS, št. 45/1995 in št. 9/2001) Letni program statističnih raziskovanj (Uradni list RS, št. 97/2013) Sporočanje podatkov je obvezno. Vprašalnik za statistično
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 večVST: 1. kviz
jsmath Učilnica / VST / Kvizi / 1. kviz / Pregled poskusa 1 1. kviz Pregled poskusa 1 Končaj pregled Začeto dne nedelja, 25. oktober 2009, 14:17 Dokončano dne nedelja, 25. oktober 2009, 21:39 Porabljeni
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 več4.Racionalna števila Ulomek je zapis oblike. Sestavljen je iz števila a (a ), ki ga imenujemo števec, in iz števila b (b, b 0), ki ga imenujemo imenov
4.Racionalna števila Ulomek je zapis oblike. Sestavljen je iz števila a (a ), ki ga imenujemo števec, in iz števila b (b, b 0), ki ga imenujemo imenovalec, ter iz ulomkove črte. Racionalna števila so števila,
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 večMicrosoft Word - Seštevamo stotice.doc
UČNA PRIPRAVA: MATEMATIKA UČNI SKLOP: Računske operacije UČNA TEMA: Seštevamo in odštevamo stotice Seštevamo stotice UČNE METODE: razlaga, prikazovanje, demonstracija, grafično in pisno delo UČNE OBLIKE:
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 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 večIND-L Zakon o državni statistiki (Uradni list RS, št. 45/95 in št. 9/01) Letni program statističnih raziskovanj za leto 2011 (Uradni list RS, št. 92/1
IND-L Zakon o državni statistiki (Uradni list RS, št. 45/95 in št. 9/0) Letni program statističnih raziskovanj za leto 0 (Uradni list RS, št. 9/) Sporočanje podatkov je obvezno. Vprašalnik za statistično
Prikaži večSlide 1
Vsak vektor na premici skozi izhodišče lahko zapišemo kot kjer je v smerni vektor premice in a poljubno število. r a v Vsak vektor na ravnini skozi izhodišče lahko zapišemo kot kjer sta v, v vektorja na
Prikaži večMladi za napredek Maribora srečanje DOLŽINA»SPIRALE«Matematika Raziskovalna naloga Februar 2015
Mladi za napredek Maribora 015 3. srečanje DOLŽINA»SPIRALE«Matematika Raziskovalna naloga Februar 015 Kazalo 1. Povzetek...3. Uvod...4 3. Spirala 1...5 4. Spirala...6 5. Spirala 3...8 6. Pitagorejsko drevo...10
Prikaži večDN5(Kor).dvi
Koreni Število x, ki reši enačbo x n = a, imenujemo n-ti koren števila a in to označimo z n a. Pri tem je n naravno število, a pa poljubno realno število. x = n a x n = a. ( n a ) n = a. ( n a ) m = n
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 večLABORATORIJSKE VAJE IZ FIZIKE
UVOD LABORATORIJSKE VAJE IZ FIZIKE V tem šolskem letu ste se odločili za fiziko kot izbirni predmet. Laboratorijske vaje boste opravljali med poukom od začetka oktobra do konca aprila. Zunanji kandidati
Prikaži večMicrosoft Word - 10-Selekcijski intervju _4.del_.docx
številka 10,27.avg. 2004, ISSN 1581-6451, urednik:radovan Kragelj Pozdravljeni! V prejšnji številki mesečnika smo si ogledali, katera področja moramo vsebinsko obdelati v sklopu delovne zgodovine. V današnji
Prikaži večMERJENJE GORIŠČNE RAZDALJE LEČE
MERJENJE GORIŠČNE RAZDALJE LEČE 1. UVOD: V tej vaji je bilo potrebno narediti pet nalog, povezanih z lečami. 2. NALOGA: -Na priloženih listih POTREBŠČINE: -Na priloženih listih A. Enačba zbiralne leče
Prikaži večresitve.dvi
FAKULTETA ZA STROJNISTVO Matematika Pisni izpit. junij 22 Ime in priimek Vpisna st Navodila Pazljivo preberite besedilo naloge, preden se lotite resevanja. Veljale bodo samo resitve na papirju, kjer so
Prikaži večMicrosoft PowerPoint - Mocnik.pptx
MATEMATIČNA PISMENOST IN MATEMATIČNI PROBLEMI Metoda Močnik in Alenka Podbrežnik KAJ NAS JE ZANIMALO? ugotoviti, v kolikšni meri so učenci uspešni pri samostojnem, nevodenemreševanju matematičnih besedilnih,
Prikaži večPRILOGA 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 večLaTeX slides
Statistični modeli - interakcija - Milena Kovač 23. november 2007 Biometrija 2007/08 1 Število živorojenih pujskov Biometrija 2007/08 2 Sestavimo model! Vplivi: leto, farma Odvisna spremenljivka: število
Prikaži večZakon o državni statistiki (Uradni list RS, št. 45/1995 in št. 9/2001) Letni program statističnih raziskovanj (Uradni list RS, št. 89/2015) Sporočanje
Zakon o državni statistiki (Uradni list RS, št. 45/1995 in št. 9/2001) Letni program statističnih raziskovanj (Uradni list RS, št. 89/2015) Sporočanje podatkov je obvezno. Vprašalnik za statistično raziskovanje
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 več7. VAJA A. ENAČBA ZBIRALNE LEČE
7. VAJA A. ENAČBA ZBIRALNE LEČE 1. UVOD Enačbo leče dobimo navadno s pomočjo geometrijskih konstrukcij. V našem primeru bomo do te enačbe prišli eksperimentalno, z merjenjem razdalj a in b. 2. NALOGA Izračunaj
Prikaži večMicrosoft PowerPoint - Standardi znanja in kriteriji ocenjevanja 2 r.ppt [Samo za branje] [Združljivostni način]
STANDARDI ZNANJA PO PREDMETIH IN KRITERIJI OCENJEVANJA 2. razred SLOVENŠČINA 1 KRITERIJI OCENJEVANJA PRI SLOVENŠČINI POSLUŠANJE -Poslušanje umetnostnega besedilo, določanja dogajalnega prostora in časa,
Prikaži več11. Navadne diferencialne enačbe Začetni problem prvega reda Iščemo funkcijo y(x), ki zadošča diferencialni enačbi y = f(x, y) in začetnemu pogo
11. Navadne diferencialne enačbe 11.1. Začetni problem prvega reda Iščemo funkcijo y(x), ki zadošča diferencialni enačbi y = f(x, y) in začetnemu pogoju y(x 0 ) = y 0, kjer je f dana dovolj gladka funkcija
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 večACAD-BAU-Analiza-prostorov
ANALIZA PROSTOROV Ko obdelujemo večje projekte, je analiza prostorov zelo pomembna v vseh fazah projektiranja. Pri idejnem snovanju moramo npr. za določeno površino trgovske namembnosti zagotoviti primerno
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 večŠTUDENTSKE ANKETE UNIVERZE V LJUBLJANI Fakulteta za družbene vede Študentska anketa o študiju na III. stopnji Študijsko leto 2017/18 Pripombe, komenta
ŠTUDENTSKE ANKETE UNIVERZE V LJUBLJANI Študentska anketa o študiju na III. stopnji Študijsko leto 2017/18 Pripombe, komentarje, vprašanja sporočite na http://1ka.si/set Ljubljana, 7. januar 2019 1. Povzetek
Prikaži več00main.dvi
UNIVERZA V LJUBLJANI Fakulteta za elektrotehniko Vitomir Štruc, Simon Dobrišek INFORMACIJA IN KODI DOPOLNILNI UČBENIK Z VAJAMI UNIVERZITETNI ŠTUDIJSKI PROGRAM II. STOPNJE ELEKTROTEHNIKA - AVTOMATIKA IN
Prikaži večSpremljanje in obvladovanje stroškov
Spremljanje in obvladovanje stroškov v podjetjih mag. Jana Trbižan Dnevni red Razvrščanje in razmejevanje stroškov Ugotavljanje stroškov po dejavnostih Obvladovanje stroškov 1 Pomembno je poznati stroškovna
Prikaži večM
Š i f r a k a n d i d a t a : Državni izpitni center *M16140111* Osnovna raven MATEMATIKA Izpitna pola 1 SPOMLADANSKI IZPITNI ROK Sobota, 4. junij 016 / 10 minut Dovoljeno gradivo in pripomočki: Kandidat
Prikaži večSpletno raziskovanje
SPLETNO RAZISKOVANJE RM 2013/14 VRSTE SPLETNEGA RAZISKOVANJA RENKO, 2005 Spletne fokusne skupine Spletni eksperiment Spletno opazovanje Spletni poglobljeni intervjuji Spletna anketa 2 PREDNOSTI SPLETNIH
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 večBiometrija 1 Poglavje 1 PORAZDELITVE NAKLJUČNIH SPREMENLJIVK Porazdelitve nam predstavljajo pogostnost posameznih vrednosti. Predstavimo jih lahko s š
Biometrija 1 Poglavje 1 PORAZDELITVE NAKLJUČNIH SPREMENLJIVK Porazdelitve nam predstavljajo pogostnost posameznih vrednosti. Predstavimo jih lahko s številom posameznih vrednosti (dogodkov) ali z deleži
Prikaži večPowerPointova predstavitev
U K 20 P K U P M 2 0 1 2 12 M OBLIKOVANJE POJMA ŠTEVILO PRI OTROKU V 1. RAZREDU Sonja Flere, Mladen Kopasid Konferenca o učenju in poučevanju matematike, M a r i b o r, 2 3. i n 2 4. avgusta 2 0 1 2 Oblikovanje
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 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 večSTATISTIČNA ANALIZA SIMPLIA»NOČI V STARI LJUBLJANI«
STATISTIČNA ANALIZA SIMPLIA»NOČI V STARI LJUBLJANI«1. 6. 214 13. 1. 214 OSNOVNI POJMI Objava Samostojna, od drugih objav ločena enota sporočanja, ki vsebuje geslo (trigger). Publiciteta Zbirka objav, ki
Prikaži večuntitled
2. poglavje: Povprečni dosežki po področjih matematike PODPOGLAVJA 2.1 Kakšne so razlike v dosežkih po posameznih področjih matematike? 2.2 Razlike med učenci in učenkami v dosežkih po področjih matematike
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 večGeometrija v nacionalnih preverjanjih znanja
Geometrija v nacionalnih preverjanjih znanja Aleš Kotnik, OŠ Rada Robiča Limbuš Boštjan Repovž, OŠ Krmelj Struktura NPZ za 6. razred Struktura NPZ za 9. razred Taksonomska stopnja (raven) po Gagneju I
Prikaži večKONTINGENČNI PRISTOP K OBLIKOVANJU SISTEMA STRATEŠKEGA POSLOVODNEGA RAČUNOVODSTVA: EMPIRIČNA PREVERBA V SLOVENSKIH PODJETJIH
Temelji poslovodnega računovodstva(1) Uvod v poslovodno računovodstvo (kontroling) Prof. dr. Simon Čadež simon.cadez@ef.uni-lj.si 2 CILJI PREDMETA Opredeliti vlogo managerjev in poslovodnega računovodstva
Prikaži večEvalvacijsko porocilo: Fakulteta za družbene vede
Univerza v Ljubljani Fakulteta za družbene vede ŠTUDENTSKE ANKETE UNIVERZE V LJUBLJANI EVALVACIJSKO POROČILO ŠTUDIJSKE PRAKSE Fakulteta za družbene vede Študijsko leto 2014/15 Metodološke komentarje sporočite
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 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 večSezana_porocilo okt2013
Občani Sežane o aktualnih vprašanjih telefonska raziskava Izvajalec: Ninamedia d.o.o. Ljubljana, oktober 2013 1. POVZETEK Zaposlitvene možnosti so trenutno največji problem, ki ga zaznavajo anketiranci.
Prikaži večMicrosoft Word - 25_LPK_E_PE_L2011.doc
REPUBLIKA SLOVENIJA LETNO POROČILO O KAKOVOSTI ZA RAZISKOVANJE LETNO STATISTIČNO RAZISKOVANJE O PORABI ENERGIJE, GORIV IN IZBRANIH NAFTNIH PROIZVODOV E-PE/L ZA LETO 2011 Poročilo pripravil: Jože Zalar,
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 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
REPUBLIKA SLOVENIJA LETNO POROČILO O KAKOVOSTI ZA RAZISKOVANJE Izdatki za varstvo okolja (OKI) ZA LETO 2006 Poročilo pripravila: Danica Bizjak in Boro Nikić Datum: oktober 2008 1/9 Kazalo 0 Osnovni podatki...
Prikaži večPOSLOVNA MATEMATIKA S STATISTIKO JULIJA LAPUH BELE
POSLOVNA MATEMATIKA S STATISTIKO JULIJA LAPUH BELE Višješolski strokovni program: Ekonomist Učbenik: Gradivo za 2. Letnik Avtorica: Dr. Julija Lapuh Bele, univ. dipl. mat. B2 d.o.o., Višja strokovna šola
Prikaži večPowerPointova predstavitev
Obravnava kotov za učence s posebnimi potrebami Reading of angles for pupils with special needs Petra Premrl OŠ Danila Lokarja Ajdovščina OSNOVNA ŠOLA ENAKOVREDNI IZOBRAZBENI STANDARD NIŽJI IZOBRAZBENI
Prikaži večMicrosoft PowerPoint - UN_OM_G03_Marketinsko_raziskovanje
.: 1 od 10 :. Vaja 3: MARKETINŠKO KO RAZISKOVANJE Marketinško ko raziskovanje Kritičen del marketinškega informacijskega sistema. Proces zagotavljanja informacij potrebnih za poslovno odločanje. Relevantne,
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 večSrednja šola za oblikovanje
Srednja šola za oblikovanje Park mladih 8 2000 Maribor POKLICNA MATURA MATEMATIKA SEZNAM VPRAŠANJ ZA USTNI DEL NARAVNA IN CELA ŠTEVILA Opišite vrstni red računskih operacij v množici naravnih števil. Kakšen
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 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 več4. tema pri predmetu Računalniška orodja v fiziki Ljubljana, Grafi II Jure Senčar
4. tema pri predmetu Računalniška orodja v fiziki Ljubljana, 6.4.29 Grafi II Jure Senčar Relativna sila krčenja - F/Fmax [%]. Naloga Nalogo sem delal v Excelu. Ta ima vgrajeno funkcijo, ki nam vrne logaritemsko
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 večModel IEUBK za napoved vsebnosti svinca v krvi otrok in njegova uporaba na primeru Zgornje Mežiške doline
MODEL IEUBK ZA NAPOVED VSEBNOSTI SVINCA V KRVI OTROK IN NJEGOVA UPORABA NA PRIMERU ZGORNJE MEŢIŠKE DOLINE ZZV Ravne na Koroškem mag. Matej Ivartnik Portorož 25.11.2011 IEUBK model Računalniško orodje,
Prikaži večAvtomatizirano modeliranje pri celostnem upravljanju z vodnimi viri
Univerza v Ljubljani Fakulteta za gradbeništvo in geodezijo 36. Goljevščkov spominski dan Modeliranje kroženja vode in spiranja hranil v porečju reke Pesnice Mateja Škerjanec 1 Tjaša Kanduč 2 David Kocman
Prikaži večSESTAVA VSEBINE MATEMATIKE V 6
SESTAVA VSEBINE MATEMATIKE V 6. RAZREDU DEVETLETKE 1. KONFERENCA Št. ure Učne enote CILJI UVOD (1 ura) 1 Uvodna ura spoznati vsebine učnega načrta, način dela, učne pripomočke za pouk matematike v 6. razredu
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 večRAZLIKE MED MSRP 16 IN MRS 17 Izobraževalna hiša Cilj
15. 10. 2018 RAZLIKE MED MSRP 16 IN MRS 17 Izobraževalna hiša Cilj MSRP 16 MRS 17 OPREDELITEV POJMA 'NAJEM' V skladu z MSRP 16 je najem pogodba ali del pogodbe, ki prenaša pravico do uporabe identificiranega
Prikaži večMicrosoft Word - IRDO doc
ANALIZA MEDIJSKEGA POJAVLJANJA IRDO Inštitut za razvoj družbene odgovornosti 1. 3. 21 28. 2. 211 Press CLIPPING d.o.o., Kraljeviča Marka ulica 5, 2 Maribor, Slovenija, tel.: +386 ()2 / 25-4-1, fax: +386
Prikaži večv sodelovanju z S.BON-1 [-] S.BON AJPES za podjetje: Podjetje d.o.o. Ulica 1, 1000 Ljubljana Matična številka: ID za DDV / davčna številka:
v sodelovanju z S.BON AJPES za podjetje: Ulica 1, 1000 Ljubljana Matična številka: 1234567000 ID za DDV / davčna številka: SI12345678 BONITETNA OCENA PO PRAVILIH BASEL II BONITETNA OCENA PODJETJA NA DAN
Prikaži večPlanning and Control of Operations
Sistem planiranja in kontrole izvajalne poslovne funkcije Sistem planiranja in kontrole izvajalne poslovne funkcije Predvidevanje povpraševanja Dolgoročno planiranje proizvodnje Mesečno planiranje proizvodnje
Prikaži več3 Matematični dosežki v vsebinskih in kognitivnih področjih Kot je opisano v izhodiščih raziskave TIMSS 2007, smo s preizkusi znanja preverjali znanje
3 Matematični dosežki v vsebinskih in kognitivnih področjih Kot je opisano v izhodiščih raziskave, smo s preizkusi znanja preverjali znanje različnih matematičnih vsebin na več kognitivnih področjih. Naloge
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 več