Professional Documents
Culture Documents
LABORATORISKE
VJEŽBE …
Literatura:
o Petz, B., Kolesarić, V., Ivanec, D. (2012.). Petzova statistika.
Jastrebarsko: Naklada Slap.
o Brojni internetski izvori: radovi, prezentacije (npr. PPT, YOUTUBE) i
slično na različitim razinama; posebna preporuka –
khanacademy.com
DESKRIPTIVNA STATISTIKA / TEHNIČKA LOGISTIKA LEKCIJA 1
UVOD U MJERENJE: VARIJABLE I LJESTVICE (SKALE)
Varijable općenito:
obilježje, broj ili iznos koji se može mijenjati kroz vrijeme ili u različitim situacijama, a
može se mjeriti ili brojiti; mogu biti „stvarne” (postojeće) ili teorijski konstrukti
poseban slučaj varijable: konstanta – varijabla kojoj su sve vrijednosti jednake
4
DESKRIPTIVNA STATISTIKA / TEHNIČKA LOGISTIKA LEKCIJA 1
- papir-olovka: praćenje, npr. Kvarova, različiti testovi i upitnici nazivaju se tradicionalno papir-
olovka, danas su sve češće u elektroničkom obliku)
- evidencijski protokoli
Općenito, svi su instrumenti zapravo poboljšana (pojačana) ljudska osjetila; svaki instrument 5
sadrži neku skalu na kojoj se bilježe rezultati mjerenja
5
DESKRIPTIVNA STATISTIKA / TEHNIČKA LOGISTIKA LEKCIJA 1
Skale (ljestvice)…
- zahvaćaju ili bilježe sve ili samo dio mogućih vrijednosti koje neka varijabla može poprimiti
- u slučaju kontinuiranih varijabli redovito zahvaćaju samo dio vrijednosti (koliki će biti ovisi o
osjetljivosti instrumenta i preciznosti skale)
KLASIFIKACIJOM/MJERENJEM…
- NOMINALNIM ili kategorijalnim skalama odgovaramo na pitanje je li nešto isto ili različito
- ORDINALNIM skalama (rangiranjem): kao prethodno + je li ujedno nešto veće ili manje (ne i za
koliko)
6
- INTERVALNIM skalama: kao sve prethodno + za koliko je veće ili manje (ekvidistantne jedinice)
- OMJERNIM skalama: kao sve prethodno + koliko je puta veće ili manje (ekvidistantne jedinice
+ apsolutna nula)
6
DESKRIPTIVNA STATISTIKA / LEKCIJA 1
Kvantitativne skale služe za „pravo” mjerenje (numeričke vrijednosti skale pravi su rezultati mjerenja)
Intervalne skale omogućuju zbrajanje rezultata (vrijednosti varijable), omjerne omogućuju zbrajanje i
množenje (jer imaju apsolutnu nulu); Što to znači ?
• omjerne skale: apsolutna nula znači potpunu odsutnost onoga što se mjeri (potpuno korespondiraju s
varijablom „od početka”), pa je množenje moguće; na primjer udaljenost od šest metara tri puta je
dulja od dva metra (jer je moguće da udaljenosti uopće nema); 150 litara je pet puta više od 50
litara i sl. …
• intervalne skale: nula je arbitrarna, ne znači potpunu odsutnost onoga što se mjeri (skale s varijablom
ne korespondiraju „od početka”), pa množenje nije moguće; na primjer temperatura u stupnjevima
Celzijusa, a ne Kelvina (150C nije apsolutno tri puta viša temperatura od 50C, nego je viša za 100C);
razina ulja u motoru od 2 cm za jedan je cm viši od razine koji iznosi 1 cm, no to ne znači da je razina
ulja apsolutno dva puta viša (jer se razina ne mjeri od dna nego od neke dogovorene vrijednosti koja
znači nulu) i slično…
7
7
DESKRIPTIVNA STATISTIKA / TEHNIČKA LOGISTIKA LEKCIJA 1
Pitanje:
je li školska ocjena vrlo dobar dva puta veća od dovoljne (ako prihvatimo da je skala kvantitativna)?
0 1 2 3 4 5…
Apsolutna 0 Omjerna skala
Potpuna
odsutnost Varijabla (stvarno stanje)
obilježja 0 1 2 3 4 5… Na primjer, načelno:
Relativna 0 0 1 2 3… Intervalna skala • na omjernoj skali 2 je dva puta veće od 1
(djelomična prisutnost i predstavlja stvarno stanje na varijabli
obilježja) • na intervalnoj skali 2 je dva puta veće od
1, ali ne predstavlja stvarno stanje na
varijabli, na njoj bi omjer bio 4/3
Poseban slučaj nominalnih skala su one od dvije kategorije koje nazivamo binarne ili dihotomne (u radu-Zastoju,
muško-žensko, crno-bijelo, položio-nije položio, itd.). Možemo reći da su te skale „specijalan” slučaj omjernih od samo
dvije kategorije – jedna je kategorija potpuna odsutnost, druga potpuna prisutnost obilježja, bez stupnjeva između;
• zahvaljujući tome možemo bilo koju nominalnu skalu pretvoriti u „omjerne”, odnosno onoliko binarnih koliko
nominalna ima kategorija: npr. ako imamo plave, crvene i žute automobile (nominalna skala od tri kategorije),
možemo ju pretvoriti u tri binarne: plavi automobili (0 – uopće nije plav, 1 – potpuno je plav) i tako za ostale;
Opisani se način pretvaranja jedne nominalne u više binarnih skala naziva dummy kodiranje i trebat će vam
dodatno znanje, u inferencijalnoj statistici.
8
DESKRIPTIVNA STATISTIKA / LEKCIJA 1
Poseban slučaj, vrlo čest za dobivanje kvalitativne skale (stupnjevi slaganja s tvrdnjama) i slične, primjerice:
• ovakve skale mogu imati različit broj stupnjeva (najmanje tri, obično pet ili sedam, ponekad devet ili 11)
• najdulje skale, od 11 stupnjeva, česte su prilikom ispitivanja povjerenja u institucije:
obično idu od 0 (uopće nemam povjerenja) do 10 (imam potpuno povjerenje)
• najčešće se teži (ne i redovito) neparnom broju stupnjeva kako bi skale imale apriornu srednju vrijednost koja nije
između stupnjeva (nego je cijeli broj)
Ovakve i slične skale suštinski su ordinalne, no iz metodoloških razloga smatraju se (kvazi)intervalnim ili (kvazi)omjernim,
kao da su stupnjevi doista ekvidistantni (a zapravo nisu).
9
DESKRIPTIVNA STATISTIKA / TEHNIČKA LOGISTIKA LEKCIJA 1
Uz skale se vežu i pojmovi: preslika ili redukcija stvarnosti, raspon, gradacija, baždarenost, diskriminativnost,
osjetljivost i slično, a o svemu spomenutom (i još mnogočemu) naučit ćete iz metodoloških kolegija tijekom studija.
10
SREĐIVANJE PODATAKA I UVID
U REZULTATE … (MS EXCEL)
FREKVENCIJE, GRUPIRANJE,
GRAFIČKO I TABLIČNO
PRIKAZIVANJE
FUNKCIJE
DESKRIPTIVNA STATISTIKA / LEKCIJA 2
PRVI KORAK u deskriptivnoj statistici: sređivanje uvidom u distribuciju (raspodjelu, razdiobu) varijable (varijabli)
• distribucija varijable: broj (frekvencija, učestalost) pojedinih rezultata zabilježenih skalom kojom smo mjerili
varijablu, neovisno o vrsti varijable i skale mjerenja
• ukupan broj rezultata označavamo: n
• učestalost pojedinog rezultata označavamo: f (frekvencija, ponekad i n za taj rezultat)
• učestalost pojedinog rezultata možemo iskazati apsolutno (koliko je puta izmjeren) ili relativno (koliki mu je udio
• u ukupnom broju rezultata)
Udio se može iskazati u proporcijama (p) ili postotcima (%): p = f/n ili % = f/n � 100 <odnosno> % = p � 100
- npr. nominalna skala: ako se grupa od 230 urđaja (n = 230) sastoji od 80 U RADU (fR = 80) i 150 U KVARU (fK = 150) …
- proporcija U RADU iznosi: pR = 80 /230 = 0,35; ili, u postotcima, 0,35 � 100 = 35%
- proporcija U KVARU iznosi pK = 150 /230 = 0,65; ili, u postotcima, 0,65 � 100 = 65%
12
DESKRIPTIVNA STATISTIKA / LEKCIJA 2
Općenito, grafički (i tablični) prikazi dijele se na izvještajne (prikaz rezultata mjerenja) i analitičke (prikaz
rezultata analiza). U okviru deskriptive statistike bavit ćemo se isključivo izvještajnim…
Primjer: mjerenjem neke varijable na skali od (npr.) pet stupnjeva dobili smo 12 rezultata: 1, 3, 2, 5, 3, 4, 3, 4, 2, 2, 1, 3
- vidimo da je rezultat 1 izmjeren dvaput, rezultat 2 triput, rezultat 3 četiri puta, rezultat 4 dvaput i rezultat 5 jedanput
- sredimo to malo preglednije…
… numerički, npr. ovako: …ili grafički, npr. ovako:
Grafički prikaz s prethodnog slajda naziva se stupčasti (ako je skala kvalitativna) ili histogram frekvencija
(ako je kvantitativna): može biti orijentiran uspravno (stupci, primjer lijevo) ili vodoravno (trake, primjer
desno), ovisno o orijentaciji papira (ekrana), broju i dužini naziva kategorija varijable.
14
DESKRIPTIVNA STATISTIKA / LEKCIJA 2
U „tortama” omjeri frekvencija odgovaraju omjerima površina, određenih kutovima: kut0 = f / n • 360;
na fiktivnom primjeru lijevo kut udjela zaposlenih iznosi 0,40 • 360 = 111,10 ; učenika 0,12 • 360 = 33,30 itd.
Primjerice:
15
DESKRIPTIVNA STATISTIKA / LEKCIJA 2
Poligon frekvencija: ako spojimo vrhove stupaca (lijevo), dobit ćemo tzv. poligon frekvencija (desno).
Poligoni frekvencija pogodni su za prikaz „gustih” distribucija (duge skale s mnogo podjela), usporednih
distribucija (prikaz rezultata više grupa) i slično. Dobro dođu i za uočavanje oblika distribucija, grupiranja rezultata
i identifikaciju odstupajučih rezultata (outliera), koji najvjerojatnije predstavljaju pogreške mjerenja (iako se često sve
može vidjeti i iz histograma/stupčastih grafikona).
16
DESKRIPTIVNA STATISTIKA / LEKCIJA 2
Vrste grafikona: linijski
70
60
50 f(t)
f(t), λ(t) • 10-4 [1/h]
40
30
λ(t)
20
10
0
0 200 400 600 800 1000 1200 1400
t [h]
17
DESKRIPTIVNA STATISTIKA / LEKCIJA 2
Rezultate više skupina podataka na istoj varijabli možemo prikazati usporedno. Nekad su poligoni bolji od
stupaca/histograma: lakše se uočavaju trendovi i uspoređuju skupine… u svakom slučaju, nužno je dodati legendu
kako bismo mogli razlikovati odgovore različitih skupina…
Isto, u obliku
poligona
(čitljivije)
18
DESKRIPTIVNA STATISTIKA / LEKCIJA 2
Teorijske distribucije kontinuiranih ili beskonačnih varijabli (poput Gaussove ili normalne) prikazujemo varijantom
poligona frekvencija. Ako zamislimo da imamo beskonačno stupaca, postat će beskonačno tanki, a vrhovi poligona slit će
se u krivulju, kao na slici.
19
DESKRIPTIVNA STATISTIKA / LEKCIJA 2
kombinacija brojčanog i grafičkog prikaza rezultata; npr. ako imamo rezultate 1, 3, 11, 11, 12, 14, 15, 22,
23, 24, 24, 25, 25, 25, 26, 28, 28, 31, 32, 32, 33, 37, 37, 38, 39, možemo ih prikazati kao lijevo ispod: desetice su
„stablo”, jedinice su „lišće”; osim što vidimo svaki rezultat, vidimo i distribuciju (broj rezultata unutar dekade) –
rezultati se grupiraju prema većim vrijednostima (većim od 20)
možemo dodati još jednu distribuciju rezultata na istoj varijabli i usporediti s prethodnom: vidimo da se novi
rezultati grupiraju oko nižih vrijednosti…
0 13 7754320 0 13
1 11245 „crnima” dodamo „plave” -> 54321 1 11245
2 2344555688 721 2 2344555688
3 12237789 4 3 12237789
20
DESKRIPTIVNA STATISTIKA / LEKCIJA 2
sredina i desno: distribucije su pozitivno („rep” je desno) i negativno asimetrične („rep” je lijevo); ako je
npr. riječ o rezultatima na nekom testu znanja, vjerojatno nije primjeren: slika u sredini znači da je vjerojatno
pretežak, a slika desno da je suviše lagan (no ne mora biti, ovisi kakvo znanje očekujemo…)
… (b) nego i zbog toga što o vrsti varijabli/skala i obliku distribucije ovisi izbor kasnijih analitičkih postupaka
21
DESKRIPTIVNA STATISTIKA / LEKCIJA 2
Ako je neka skala kratka, prikaz učestalosti svakog rezultata bit će pregledan, no ako je duga i ima puno podjela
neće. U slučaju kvalitativnih varijabli/skala neke se kategorije mogu spojiti u šire ili obuhvatnije (ako je opravdano)…
- npr. ljudi, miševi i krave u sisavce; stanovnici županija u regije (npr. Dalmacija, Slavonija itd.); ptice, komarci i avioni
u „poznate leteće objekte”, a leteći tanjuri, pegazi i batman u „NLO-e” (ako smo maštoviti ) i slično.
U slučaju kvantitativnih varijabli/skala rezultati se, radi preglednosti, mogu grupirati u razrede. Na primjer pratili smo
otkaze vozila u km.
PRVO poredamo: 161, 166, 169, 174, 175, 177, 177, 178, 180, 181, 182, 184, 185, 188, 188, 189, 191, 194, 197, 200;
zatim… DRUGO
1. pogledamo ukupni raspon rezultata (od najmanjeg do najvećeg): u našem primjeru od 161 do 200 km
2. odaberemo broj razreda: obično između pet i 15 (no nije pravilo); recimo pet
3. izračunamo interval ili širinu razreda -> širina razreda = ukupni raspon rezultata (max – min) + 1 / broj razreda
3. izračunatu širinu, ako treba, zaokružimo na veću vrijednost (inače nećemo obuhvatiti ukupni raspon rezultata);
- u našem primjeru -> širina razreda = (200 – 161 + 1) / 5 = 8
4. odredimo donju i gornju granicu svakog razreda (granice su cijeli brojevi ako su rezultati cijeli brojevi; decimalni su
ako su rezultati decimalni brojevi); u našem primjeru razredi su 161-168 169-176 177-184 185-192 193-200
23
DESKRIPTIVNA STATISTIKA / LEKCIJA 2
5. nakon razvrstavanja u razrede, svaki rezultat gubi identitet: zamjenjujemo ga apriornim prosjekom razreda
(npr. ako je raspon razreda 1-5, apriorni prosjek razreda iznosi tri i svi rezultati u tom razredu postaju tri;
ako je raspon razreda 17-20, apriorni prosjek je 18,5 i svi rezultati u tom razredu postaju 18,5)
- u našem primjeru u prvom razredu više nemamo rezultate
161 i 166, nego dva rezultata 164,5 (apriorna sredina između 161
i 168); u drugom umjesto 169, 174 i 175 imamo tri rezultata 172,5
(apriorna sredina između 169 i 176), itd.
24
DESKRIPTIVNA STATISTIKA / LEKCIJA 2
Kumulativne frekvencije
Zbrajamo frekvencije do svake vrijednosti skale ili gornje granice razreda (i prikazujemo grafički) kako bismo na
brzinu mogli uočiti gdje je neki rezultat (ili skupina rezultata) u odnosu na sve ostale: koliko je nižih ili viših od njega
(ili skupine), apsolutno (f) ili relativno (p, %).
Na primjer:
rezultat
(ili razred) f kum. f
----------------------------
% kum. %
------------------- Iz tablice i grafikona, npr.:
1 10 10 4,5 4,5 …na brzinu možemo očitati
2 20 30 9,1 13,6 gdje nam je C…
3 40 70 18,2 31,8
… ili koliko je (%) rezultata
4 60 130 27,4 59,2
manjih ili većih od, primjerice, 5
5 50 180 22,7 81,9
6 30 210 13,6 95,5
7 10 220 4,5 100,0
---------------------------- -------------------
Σ 220 100,0
Ovdje su za ilustraciju grafički prikazani kumulativni postotci, na isti se način mogu prikazati
i kumulativne apsolutne frekvencije, ovisi što nam treba.
25
DESKRIPTIVNA STATISTIKA / LEKCIJA 2
26
DESKRIPTIVNA STATISTIKA / LEKCIJA 2
Relativno samorazumljivo
(u tekstu iz kojeg je prikaz
sigurno je navedeno o kojim
se brucošima radi i koliko ih je)
Apsolutno samorazumljivo
(sve je jasno, zar ne?)
27
MS EXCEL
Funkcije
FUNKCIJE
▪ Funkcije - gotove, složene formule koje izvode razne
operacije nad zadanim podacima (argumentima).
2
FUNKCIJE - KATEGORIJE
3
FUNKCIJA
4
FUNKCIJA - ARGUMENTI
5
UMETANJE FUNKCIJE
6
UMETANJE FUNKCIJE
▪ Moguće je birati naredbeni gumb Umetanje funkcije
ili za to predviđeni gumb iz trake formula (otvara se
okvir Umetanje funkcije).
7
UMETANJE FUNKCIJE
2
1
3
4
8
POMOĆ ZA FUNKCIJU
9
ZADAVANJE ARGUMENATA
▪ Argumenti se unose u za to predviđene okvire (broj
okvira ovisi o odabranoj funkciji).
▪ Mogu se upisati,
a može ih se i unijeti
označavanjem željenog
raspona na radnom listu.
10
OBLIKOVANJE FUNKCIJE
▪ Klikom na gumb U redu izračunat će se vrijednost
zadane funkcije.
Vrijednosti
argumenta
Izračun funkcije
Objašnjenje argumenata
11
MATEMATIKA I
TRIGONOMETRIJA
12
MATEMATIČKE FUNKCIJE
ABS (BROJ) 13
14
ABS (BROJ)
1
5
4
2
15
INT(BROJ)
▪ Funkcija zaokružuje broj
na najbliži manji cijeli
broj.
(Obratiti pažnju na
negativne brojeve!)
16
TRUNC(BROJ;BROJ_ZNAMENKI)
▪ Funkcija - odbacuje
decimalni dio broja i
time broj pretvara u
cijeli broj.
17
ROUND(BROJ;BROJ_ZNAMENKI)
▪ Funkcija zaokružuje
broj na zadani broj
znamenaka.
18
SQRT(BROJ)
▪ Funkcija računa kvadratni
korijen broja.
19
POGREŠKA U FORMULI: #BROJ!
▪ Upozorava da:
ili
20
POWER(BROJ;POTENCIJA)
▪ Funkcija računa
n-tu potenciju
broja.
21
POWER(BROJ; POTENCIJA)
▪ Funkcija računa
i n-ti korijen
(za vrijednost
eksponenta treba
napisati 1/n).
23
ROMAN(BROJ)
▪ Funkcija pretvara
arapski broj u rimski
(i to kao tekst).
24
SUM(BROJ1;BROJ2;...)
▪ Funkcija zbraja brojeve
iz odabranih nizova
ćelija
(moguć je odabir do
255 različitih nizova B11:B16
ćelija).
25
PRODUCT(BROJ1;BROJ2;...)
26
RAND()
▪ DAJE - slučajni broj veći ili
jednak 0, a manji od 1.
27
FUNKCIJA KAO ARGUMENT
Vježba;
▪ U ćelije B2:B8 ispisati 7 cijelih slučajnih brojeva
koji su veći ili jednaki 0, a manji od 100.
28
FUNKCIJA KAO ARGUMENT
29
FUNKCIJA KAO ARGUMENT
30
FUNKCIJA KAO ARGUMENT
Vježba;
▪ U ćelije D2:D8 ispisati 7 cijelih slučajnih brojeva koji
su veći ili jednaki 1, a manji od 39.
31
TRIGONOMETRIJSKE FUNKCIJE
Vježba;
▪ Svaku od funkcija koje će biti objašnjene na
sljedećim slajdovima isprobati …
32
RADIANS (KUT)
33
SIN(BROJ)
▪ Računa sinus kuta zadanog u radijanima (BROJ je kut
u radijanima).
34
ASIN(BROJ)
35
DEGREES(KUT)
36
FUNKCIJE UGRAĐENE U EXCEL do 2010.
STATISTIKA
37
STATISTIČKE FUNKCIJE
Vježba;
▪ Svaku od funkcija koje će biti objašnjene na
sljedećim prozirnicama isprobati …
38
AVERAGE(BROJ1;BROJ2;...)
▪ aritmetička sredina
(prosjek) brojeva iz
odabranihnizova ćelija
B1:B6
(moguć je odabir do 255
različitih nizova ćelija).
39
MIN(BROJ1;BROJ2;...)
▪ najmanji broj iz odabranih
nizova ćelija
(moguć je odabir do 255
različitih nizova ćelija). B1:B6
40
MAX(BROJ1;BROJ2;...)
▪ najveći broj iz odabranih
nizova ćelija
(moguć je odabir do 255
različitih nizova ćelija). B1:B6
41
COUNT(VRIJEDNOST1; VRIJEDNOST2;...)
▪ U K2, funkcija COUNT s argumentom E2:E7.
▪ U K4 funkcija COUNT s argumentom G2:G8.
Vježba;
▪ U K6 funkcija COUNT s argumentom I2:I9.
Što je rezultat funkcije COUNT?
42
COUNT(VRIJEDNOST1; VRIJEDNOST2;...)
▪ Funkcija broji ćelije u kojima se nalaze brojčani
podaci.
44
COUNTA(VRIJEDNOST1; VRIJEDNOST2;...)
▪U L2, funkcija COUNTA s argumentom E2:E7.
▪U L4 funkcija COUNTA s argumentom G2:G8.
Vježba;
▪U L6 funkcija COUNTA s argumentom I2:I9.
Što je rezultat funkcije COUNTA?
45
COUNTA(VRIJEDNOST1; VRIJEDNOST2;...)
▪ Funkcija u odabranom nizu ćelija broji ćelije koje
nisu prazne.
47
COUNTBLANK(RASPON)
Vježba;
48
COUNTBLANK(RASPON)
49
COUNTBLANK(RASPON)
▪ Funkcija u odabranom nizu ćelija broji prazne ćelije.
50
COUNTIF(RASPON;KRITERIJ)
▪ Funkcija broji ćelije čije vrijednosti zadovoljavaju
postavljen uvjet (kriterij).
▪ Uvjet može biti broj, izraz, tekst (npr. 32, <32, U ZASTOJU).
51
COUNTIF(RASPON;KRITERIJ)
Vježba;
▪ U ćeliju N2 upisati
koliko je vrijednosti
iz raspona I2:I9 manje
od 200.
52
MODE.SNGL(BROJ1;BROJ2;...)
▪ vrijednost koja se
najčešće javlja u
odabranom nizu ćelija.
B14:B19
53
MODE.SNGL(BROJ1;BROJ2;...)
▪ #N/D – poruka o
pogrešci - vrijednost
nije dostupna B14:B18
(niti jedna vrijednost
ne pojavljuje se bar
dva puta).
54
POGREŠKE U FORMULAMA #N/D
▪ Nedostaju podaci,
▪ ispušten je jedan ili više obaveznih argumenata u
ugrađenoj ili prilagođenoj funkciji,
55
AUTOMATSKI ZBROJ
2
▪ kazalo treba postavit na ćeliju u
kojoj se želi prikazati rezultat, a
potom odabrati funkciju.
56
AUTOMATSKI ZBROJ
Vježba;
▪ Uporabom naredbenog gumba Automatski zbroj
riješiti zadatke koji su navedeni na sljedećoj
prozirnici.
57
Aritmetička
Najveća
sredina
C1:C10. vrijednost
Prebrojiti koliko je
iz F1:F10
Zbroj sadržaja ćelija u kojima se
raspona ćelija Najmanja nalaze brojevi u
A1:A10. vrijednost iz rasponu H1:H10.
E1:E10.
58
AUTOMATSKI ZBROJ
Vježba;
▪ Zbrojiti i retke i stupce
raspona J1:L10
60
INŽENJERING
Vježba;
▪ Svaku od funkcija koje će biti objašnjene na
sljedećim prozirnicama isprobati.
61
PRETVORBE BROJEVA IZ JEDNOG BROJEVNOG
SUSTAVA U DRUGI
62
PRETVORBE BROJEVA IZ JEDNOG BROJEVNOG
SUSTAVA U DRUGI
Vježba;
▪ U B2 funkcija koja binarni broj iz ćelije A2 pretvara u
heksadekadski.
63
PRETVORBE BROJEVA IZ JEDNOG BROJEVNOG
SUSTAVA U DRUGI
64
BIN2HEX(BROJ;MJESTA)
65
KOMPLEKSNI BROJEVI
66
COMPLEX(REALNI_DIO;IMAGINARNI_DIO;SUFIKS)
Vježba;
▪ U B9 funkcija koja koeficijente iz ćelija A9,A10
pretvara u kompleksni broj.
68
KOMPLEKSNI BROJEVI
Vježba;
69
KOMPLEKSNI BROJEVI
70
CONVERT (BROJ;POLAZNA_JEDINICA;CILJNA_JEDINICA)
71
CONVERT (BROJ;POLAZNA_JEDINICA;CILJNA_JEDINICA)
Vježba 79.
▪ Pretvoriti 6 inča u metre (u B15).
▪ Pretvoriti 2 godine u minute (u B16).
▪ Pretvoriti 760 mm stupca žive u paskale (u B17).
72
UNOS VREMENA
▪ Na radni je list moguće unositi i podatke koji
predstavljaju vrijeme.
73
UNOS VREMENA
▪ Kod unosa podataka u obliku vremena, Excel vrijeme
pretvara u decimalni broj iz raspona od 0 do0,999999,
što predstavlja vrijeme od 0:00:00 do 23:59:59.
74
DATUM I
VRIJEME
DATUM I VRIJEME
Vježba;
▪ U ćeliju A15 unijeti trenutno vrijeme. Mijenjati
razne oblike prikaza vremena.
▪ Svaku od funkcija koje će biti objašnjene na
sljedećim slajdovima isprobati.
76
NOW()
▪ serijski broj trenutnog
datuma i točnog vremena.
77
TODAY()
▪ serijski broj tekućeg
datuma.
78
DATEVALUE(DATUM_TEKST)
▪ datum predstavljen tekstom u serijski broj (broj dana
od 01.01.1900. do navedenog datuma).
80
YEAR(REDNI_BROJ)
▪ Rezultat funkcije je godinaodređenogdatuma
predstavljenog serijskim brojem (raspon od 1900-9999).
81
WEEKDAY(REDNI_BROJ;VRSTA_REZULTATA)
82
TIMEVALUE(VRIJEME_TEKST)
▪ Funkcija pretvara prikaz vremena predstavljen
tekstom u decimalni broj.
(Vrijednost u rasponu od 0 do 0,99999999, što
predstavlja vrijeme od 0:00:00 do 23:59:59.)
83
HOUR(REDNI_BROJ)
▪ Rezultat funkcije prikazuje sat određenog vremena
predstavljenog tekstom ili decimalnim brojem.
84
TEKST
86
LEN(TEKST)
▪ Funkcija broji znakove tekstualnog niza (broje se i
razmaci između riječi).
87
UPPER(TEKST)
▪ Funkcija pretvara sva slova tekstualnog niza u
velika tiskana slova.
88
PROPER(TEKST)
▪ Funkcija pretvara prvo slovo svake od riječi
tekstualnog niza u veliko slovo.
89
LEFT(TEKST;BROJ_ZNAKOVA)
90
RIGHT(TEKST;BROJ_ZNAKOVA)
▪ Funkcija iz odabranog tekstualnog niza izdvaja
zadani broj znakova počevši s desne strane.
91
MID(TEKST;REDNI_BROJ;BROJ_ZNAKOVA)
92
CONCATENATE(TEKST1;TEKST2;…)
▪ Funkcija spaja tekstualne nizove u jedan tekstualni
niz (do 255 tekstualnih nizova).
93
TRIM(TEKST)
▪ Funkcija uklanja sve razmake iz teksta, osim
jednostrukih razmaka između riječi.
94
REPT(TEKST;BROJ_PONAVLJANJA)
▪ Funkcija ponavlja zadani tekstualni niz, zadani broj
puta.
95
CHAR (BROJ)
▪ Rezultat funkcije je znak koji u kodnoj tablici odgovara
zadanom cijelom broju.
Vježba 82.
▪ Pokrenuti radnu knjigu Funkcije vjezba, otvoriti
radni list ASCII.
▪ U ćeliju B1 umetnuti funkciju CHAR, pa je
korištenjem držača ispune kopirati u ostale ćelije u
stupcu.
97
CHAR (BROJ)
98
LOGIČKE FUNKCIJE
Vježba;
▪ Svaku od funkcija koje će biti objašnjene na
sljedećim slajdovima isprobati.
99
LOGIČKE FUNKCIJE
100
AND(LOGIČKA1;LOGIČKA2;…)
101
AND(LOGIČKA1;LOGIČKA2;…)
▪ U primjeru je prvi uvjet ispunjen, a drugi nije, stoga je
rezultat funkcije FALSE.
102
OR(LOGIČKA1;LOGIČKA2;…)
▪ Funkcija vraća TRUE ako je bilo koji argument TRUE;
vraća FALSE ako su svi argumenti FALSE.
103
OR(LOGIČKA1;LOGIČKA2;…)
▪ U primjeru nije ispunjen niti prvi niti drugi uvjet, pa je
rezultat funkcije FALSE.
▪ Moguć je odabir do 255
različitih uvjeta.
104
IF(LOGIČKI_TEST;VRIJEDNOST_AKO_JE_TRUE;VRIJEDNOST_AKO_JE_FALSE)
105
IF(LOGIČKI_TEST;VRIJEDNOST_AKO_JE_TRUE;VRIJEDNOST_AKO_JE_FALSE)
106