Biomeetria test - sarnased materjalid

Andmeanalüüs MS Exceli abil

allserva (Formula result) [vanematel Exceli versioonidel üles paremasse nurka]. http://www.htg.tartu.ee/~a9tp/mirror/www.eau.ee/%257Ektanel/kool_ja_too/stat_excelis/vahendid.html (2 of 5)29.05.2006 15:08:52 Andmeanalüüs MS Exceli abil - vahendid Protseduurid MS Exceli statistikaprotseduuride loetelu avaneb menüüst Tools käsu Data Analysis alt. NB! Kui Data Analysis Teie arvutis puudub, tuleks liikuda menüüst Tools käsule Add-Ins... ja tehe avanevas aknas "linnuke" nimetuse Analysis ToolPak ees olevatesse kastidesse. Kui Te ka nüüd, peale OK vajutamist, ei leia menüüst Tools käsku Data Analysis, on MS Exceli statistikaprotseduurid jäänud Teie arvutis ilmselt

Biomeetria eksamiks valmistumine

·Suhteline sagedus ­ grupi vaatluste arv/kõigi vaatluste arv. Home sakil saab teha protsendiks ·Pidevate arvtunnuste jaoks on vaja klasse. Klasside arvu leiab võttes vaatluste arvust ruutjuure, klassid peavad olema ühepikkused. Klasside intervalli leidmiseks (max-min)/vaatluste arv. Tuleb teha abitabel, kus on klasside ülempiirid, kuid viimase klassi ülempiiri ei pane. ·Klassidele sagedustabeli moodustamiseks vali Data Analysis..... Histogram. Input range: vaadeldavad andmed. Bin range: ülempiirid. Diagrammi tegemiseks kirjuta välja klassid. ·Kas kehamass sõltub pudru söömisest? Pivottable ­ puder läheb row labelisse, kehamass values. Field settings, kui tahad muuta summa nt tudengite arvuks. ·Keskmised, standardhälbed ja standardvead ümardada ühe kohani peale koma ·Data analysis - Descriptive statistics annab kõik keskmised, min, max .. jne

Matemaatika andmestiku analüüs

5 18 3 21 Üldkokkuvõte 72 95 167 2) Järgmiseks uurime, kas keskmisest kõrgema matemaatika eksami tulemusega üliõpilaste keskmine matemaatika hinne on võrdne keskmisest madalama tulemusega üliõpilaste keskmise matemaatika hindega. Kõigepealt kontrollime F-TEST-i kasutades, kas dispersioonid on võrdsed. Edasi püstitame hüpoteesid, kus H 0 on, et keskmisest 8 kõrgema riigieksami tulemuse saanud üliõpilaste keskmine keskkooli hinne on võrdne keskmisest madalama tulemuse saanud üliõpilaste keskkooli matemaatika hindega ning H1 on, et need ei ole võrdsed. Kasutades T-testi (vt. Tabel 19) võime öelda, et keskmisest kõrgema matemaatika eksami tulemusega (üle 50 punkti) üliõpilaste

Ökonomeetria kontrolltöö kordamisküsimused 2020

asümptootiliselt normaaljaotusega hinnangu dispersioonist. Näiteks mõningad suurima tõepära meetodil leitud hinnangud. 12. Hüpoteeside kontrollimine: otsuse vastuvõtmine, kui on antud teststatistiku empiiriline ja kriitiline väärtus. ● Nullhüpotees: miski võrdub millegagi (erinevus on null) – kogumi keskväärtus μ = μ0 – kogumi A keskväärtus = kogumi B keskväärtus – mudeli parameeter β = 0  ● Sisukas (alternatiivne) hüpotees: võrdus ei kehti ● Otsustamiseks kasutatakse juhuvalimit. ● Juhuvalimi keskväärtus on juhuslik suurus, st erineb arvust μ. ● Kuidas otsustada, kas – kogumi keskväärtus μ = μ0 kehtib nullhüpotees; – kogumi keskväärtus μ ≠ μ0 kehtib sisukas hüpotees? ● Ehk: kui palju võib juhuvalimi keskväärtus erineda nullhüpoteesiga püstitatud väärtusest, et võime öelda: nullhüpotees ei kehti? ● Vaja kriteeriumi!

väärtused, väiksematele X väärtustele vastavad suuremad Y väärtused) 16) Korrelatsioonikordaja selle arvutusvalem ja omadused: Korrelatsioonikordaja absoluutväärtus näitab lineaarse seose tugevust ja märk näitab seose suunda: positiivne või negatiivne. Omadused – Absoluutväärtuse maksimaalne suurus 1  Valem – r_xy=xy/(x*y) 17) Hüpoteesi kontrollimine korrelatsioonikordaja olulisuse kohta: nullhüpotees ja sisukas hüpotees: 18) Regressioonanalüüs ja regressioonmudeli komponendid: Uurib suuruste vahelist sõltuvust ja võimalusi selle funktsionaalseks kirjeldamiseks etteantud valemi põhjal. Regressioonanalüüsi käigus leitakse deterministlik komponent --> leitakse vastava matemaatilise funktsiooni parameetrite hinnangud. Komponendid – y= deterministlik komponent + juhuslik komponent, y = ax + b +u; Tinglik keskväärtus on deterministlik komponent y=E[Y X] + u

Hinnangud, hüpoteesid, regressioon

Eeldame, et teie proovitükil mõõdetud andmete põhjal tahame teha järeldusi samalaadse üldkogumi kohta Selleks arvuta järgmised statistikud oma proovitüki kohta 1) Leida 1. rinde enamuspuuliigi diameetri kohta (rühmitamata andmetest) järgmised suurused: keskväärtuse hinnang (aritmeetiline keskmine), 4.921 dispersioon, 7.352 standardhälve, 2.712 standardhälbe viga 0.183 valimi maht, 110 standardviga, 0.259 variatsioonikordaja, 55.097

Statistika konspekt

Asendikarakteristikud(annavad infot selle kohta, kuidas tunnuse väärtus paikneb). Need on aritmeetiline keskmine, mediaan ja mood. Nende välja arvutamine oleneb sellest, pas meil on tegu pidevate(mingi vahemik) või diskreetsete(1 väärtus) andmetega. Hajuvuskarakteristikud(kui erinevad on väärtused valimi erinevatelobjektidel).Nende eesmärgiks on mõõta andmete varieeruvust andmekogumis(iseloomustavad tunnuse üksikväärtuseerinevust keskmisest) Need on dispersioon ja standardhälve. ASENDIKARAKTERISTIKUTE ARVUTAMINE 1.1. Tabuleerimata(rühmitamata) diskreetsed andmed Keskmine- näiteks KOKKU TOOTEID/NENDES ESINENUD VIGADE ARV. Näitetabelis= 2190/1500=1,46 viga on keskmiselt. X= / Mediaan- kasutatakse kumulatiivset sagedust. Me=(n+1)/2. Mediaan näitetabelis on 750,5, sellele vastav vigade arv on 1. Samamoodi arvutatakse teisi kvartiile. Mood- kõige sagedasem suurus. Näitetabelis on kõige rohkem(440 korda) 0 viga. Mood on 0.

Statistika kordamisküsimused

vahe. Ei anna varieerumisest täielikku pilti, sest sõltub ainult kahest äärmisest väärtusest Keskmine absoluuthälve - Dispersioon - Hälvete ruutude aritmeetiline keskmine on dispersion. Puudus - ühikuks on tunnuse X ühik ruudus. Standardhälve - ruutjuur dispersioonist. Standardhälbe ühik on sama, mis tunnusel X Variatsioonikordaja on standardhälbe ja aritmeetilise keskmise suhe: Esitatakse tavaliselt protsentides. Näitab, mitu protsenti moodustab standardhälve aritmeetilisest keskmisest. Standardiseeritud väärtus näitab, mitmekordse standardhälbe σ kaugusel aritmeetilisest keskmisest asub vaadeldav väärtus xi Assümeetria - Asümmeetria on jaotuskõvera maksimumi kõrvalekaldumine sümmeetriateljest. Kui jaotuskõvera maksimum (mood) on sümmeetriateljest (mediaan) paremal pool, on tegemist on negatiivse ehk vasakkaldelise asümmeetriaga. Kui maksimum on sümmeetriateljest vasakul, on tegemist positiivse ehk paremkaldelise asümmeetriaga

Hüpoteesid

vaatluste arv pearsoni korrelatsioonikoefitsient nullhüpotees vabadusastmete arv parameetri empiiriline väärtus olulisuse tõenäosus, kui ühepoolne hüpotees parameetri kriitiline väärtus, kui ühepoolne hüpotees olulisuse tõenäosus, kui kahepoolne hüpotees parameetri kriitiline väärtus, kui kahepoolne hüpotees mega ja vasaku käe nimetissõrmega lauale koputades on koputamise kiirus utatakse 13st isikust moodustatakse juhuvalimit ning loendatakse, mitu koputust ul. oputamise kiirus on parema ja vasaku käe korral erinev.

Tõenäosusteooria ja statistika

Populatsioon on kõigi objektide, isendite, esemete, nähtuste või seisundite kogum, mille kohta soovitakse järeldusi teha Populatsiooni neid objekte, mida on vaadeldud või uurimiseks välja valitud, kutsutakse valimiks Valimit, kus uuritava tunnuse jaotus on samasugune kui populatsioonis, nimetatakse esindavaks valimiks Standardhälve- ruutjuur dispersioonist (dispersioon pt.2) standardviga = uuritava tunnuse standardhälve / ruutjuur valimi suurusest Populatsioon Valim keskväärtus (EX, ) keskmine (x) pop. dispersioon (DX,2) valimi dispersioon (s2) pop. mediaani valimi mediaan 3 5. Hinnangu täpsuse iseloomustamine - usaldusintervall

ANDMETÖÖTLUSE ALUSED KODUTÖÖ NR. 5

................................................................................................................ 5 7. Katsetäpsus.................................................................................................................... 5 8. Vaatluste arvu leidmine, kui on teada standardviga......................................................5 9. Vaatluste arvu leidmine kui on teada katsetäpsus......................................................... 6 11. Proovitükkide diameetrite dispersioonid ja nende erinevus........................................6 13. Elektronklupp ja tavalise klupi mõõtmistulemuste võrdlemine.................................. 7 14. Katselapid feromonpüünisega..................................................................................... 7 15. Hüpoteesid...................................................................................................................7 16. Esimest liiki viga...............................................................

Statistiline modelleerimine teooria kokkuvõte 2020

nullpunkt (nt raha) o Lickerti skaalal tehtud mõõtmisi on lubatud käsitleda vajadusel pideva muutujana Jaotused (normaaljaotus, negatiivne asümmeetria, positiivne asümmeetria): Andmetöötluse alused: Valemid ja tähised  n või N – juhtumite arv  x – muutuja  X̅ või µ – keskmine  i – indekseerimistähis  σ või SD – standardhälve (standard deviation)  σ2 või SD2 – hajuvus  Σ – summeerimine Standardhälve  Näitab, kui hästi keskmine esindab mõõdetud andmeid.  Muutjal on keskmine väärtus ja iga juhtum on sellest teatud kaugusel: x1- X̅  Hajuvus on keskmine ruutkaugus, seega standardhälve on nö keskmine kaugus keskmisest:  Normaaljaotuse puhul paikneb kõigist mõõtetulemustest 68,27% ±1SD, 95,45% ±2SD ja 99,73% ±3SD kaugusel keskmisest.

KORDAMINE ÖKONOMEETRIA KONTROLLTÖÖKS

selle asümptootilise jaotuse dispersioon on väiksem suvalise mõjusa asümptootiliselt normaaljaotusega hinnangu dispersioonist.  12. Hüpoteeside kontrollimine: otsuse vastuvõtmine, kui on antud teststatistiku empiiriline ja kriitiline väärtus Nullhüpotees: miski võrdub millegagi (erinevus on null) ­ kogumi keskväärtus µ = µ0 ­ kogumi A keskväärtus = kogumi B keskväärtus ­ mudeli parameeter = 0 · Sisukas (alternatiivne) hüpotees: võrdus ei kehti. · Otsustamiseks kasutatakse juhuvalimit. · Juhuvalimi keskväärtus on juhuslik suurus, st erineb arvust µ Otsustamiseks vajaliku statistilise kriteeriumi leidmiseks kasutatakse teststatistikut. · Valimi andmete põhjal arvutatakse teststatistiku empiiriline väärtus ­ sõltuvalt sellest, mida kontrollitakse, on konkreetsed arvutusvalemid erinevad ­ z-test, t-test, F-test, 2 -test, ....

Regressioon, hinnang, hüpotees arvutused ja testid

1118 2008 133 1 MA 349,0 12,7 17,5 1118 2008 2 1 MA 352,0 6,5 14,2 1118 2008 4 1 MA 357,0 9,1 15,5 1118 2008 135 1 MA 207,0 14,4 14,3 D2 H HV HKO 18,7 0,0 0,0 0,0 18,4 0,0 0,0 0,0 13,3 0,0 0,0 0,0 13,8 14,6 9,6 2,4 Dispersioon 10,5 12,2 8,1 3,0 Standardhälve 17,3 17,6 9,2 3,2 standardhälve viga 18,6 0,0 0,0 0,0 standardviga 11,8 0,0 0,0 0,0 variatsioonikordaja 13,0 0,0 0,0 0,0 variatsioonikordaja viga 9,4 0,0 0,0 0,0 katsetäpsus 14,1 0,0 0,0 0,0 13,9 11,7 6,4 3,1 13,0 0,0 0,0 0,0

Andmetöötlus psühholoogias

Soo defineerimine: Variable view - soolahtrist Values... - 1=mees, 2=naine - data view - ülevalt view - value labels ette linnuke Kasvavas järjekorras järjestamine: Teed lahtri aktiivseks mida järjestada soovid - ülevalt Data - Sort cases - valid mida soovid sortida - linnuke ascending lahtri ees kindlalt ja OK Mingi väärtuse minimaalse ja maksimaalse väärtuse leidmine, standardhälve, keskmine: Analyze - descriptive statistics - descriptives/frequencies (kui vaja ekstsessi, histogrammi kellukat jn) - valid mille puhul tahad uurida - Options - valid milliseid väärtusi leida tahad ja ok, vastused ilmuvad OutPuti aknasse. Charts all on võimalik kasutada histogrammi joonistamise võimalust. Joonisel olev küsimärk käib osutatud linnukese kohta. Display frequency tables annab käskluse moodustada iga pikkuse kohta sagedustabel

Ökonomeetria mõisted

Ökonomeetria mõisted 1. Autokorrelatsioon ja heteroskedastatiivsus võivad mudelis olla kahel põhjusel: 1) mudeli spetsifikatsioon on vale. Mudelist on välja jäetud mõned olulised muutujad ja/või mudeli funktsionaalne kuju on vale. Mudel tuleb ümber vaadata. 2) Tavalise vähimruutude meetodi rakendamise protseduur võib anda standardhälvete nihkega hinnangud. Tuleb kasutada uusi lähenemisi mudeli parameetrite hindamiseks. Autokorrelatsiooni testitakse aegridade puhul. Kui juhuslikud vead korreleeruvad omavahel, siis on olemas autokorrelatsioon. Kui autok. Esineb, tuleb mudel ümber vaadata, tuleb muuta spetsifikatsiooni. 2. Asümptootilised hinnangud ­ kui juhuslike vigade normaaljaotuse eeldus ei ole täidetud, siis usalduspiirid on asümptootilised

Tõenäosusteooria ja statistika

koefitsient on nimetu suurus, ta on võrreldav mistahes teise nähtuse kohta arvutatud variats.koef.ga. Dispersioon – selle arvutamisel tõstetakse individuaalväärtused ja nende aritmeetiliste keskmiste vahelised hälved ruutu. See omadus ongi teinud disp. Kõige rohkem kasutatava variatsiooninäitarvu. Puuduseks on see, et tema mõõtühikuks on variandi mõõtühiku ruut. Nimetatud puudusest ülesaamiseks kasutatakse standardhälvet, mis on ruutjuur dispersioonist. Standardhälve on alati samades mõõtühikutes, milles variandidki.  Variatsioonikoefitsienti standardhälve järgi kasutatakse siis kui on vaja võrrelda niisuguste tunnuste hajuvust, mis on mõõdetud erinevates mõõtühikutes. Nt mis varieerub rohkem, kas inimese pikkus v kaal. 9. Asümmeetria koefitsient (asümmeetria kordaja) – vasakkaldeline siis on väiksema väärtusega variante rohkem. Paremkaldeline siis on suurema väärtusega variante rohkem.

Andmeanalüüsi kordamisküsimused 2015

­ Näiteks: sissetulek, pikkus, kaal, temperatuur, vanus, laste arv Veel tunnuste liigitamise võimalusi: ­ Kvalitatiivsed ja kvantitatiivsed tunnused ­ Diskreetsed ja pidevad tunnused ­ Kategoriaalsed tunnused: diskreetne kvalitatiivne tunnus  ­ Binaarsed ehk dihhotoomsed ehk kaheväärtuselised tunnused 4) Kirjeldav statistika eri tüüpi tunnuste kohta: mis on mood, mediaan, kvantiilid, keskmine, standardhälve, dispersioon. Nominaaltunnused · Mood ­ kõige sagedasem väärtus või väärtusklass Järjestustunnused Mood Mediaan ­ punkt tunnuse skaalal, millest väiksemaid ja suuremaid väärtusi on variatsioonreas ühepalju. Mediaan jaotab skaala vaadeldava tunnuse seisukohalt kaheks võrdsagedaseks osaks. Kvantiilid Alumine kvartiil ­ punkt, millest väiksemaid väärtusi on kogumis ¼ osa. Ülemine ­ punkt, millest suuremaid väärtusi on kogumis ¼ osa.

Rakendusstatistika kokkuvõte

funktsionaale, millega opereerimine/arvutused on enamasti lihtsamad kui kogu jaotusseadusega opereerimine. Juhusliku suuruse arvkarakteristikuid võib jagada: moment ja mittemomentkarakteristikud, asendi-,hajuvus- ja kujukarakteristikud, kvantiilkarakteristikud. Keskväärtus on juhusliku suuruse asendikarakteristik, mille abil iseloomustatakse juhusliku suuruse jaotuse keskkoha/tsentri asukohta. Keskväärtuse geomeetriline tõlgendus: jaotuse raskuskeskme projektsioon x-teljele. Dispersioon ja standardhälve on arvkarakteristikud juhusliku suuruse hajuvuse iseloomustamiseks keskväärtuse suhtes. Juhusliku suuruse p-kvantiil xp on selline juhusliku suuruse väärtus, millest vasakule jäävale jaotuse osale vastab tõenäosus p. Kvantiile nim ka protsentiilideks, siis tõenäosus p väljendatakse protsentides. 10% kordseid protsentiile nim detsiilideks, 25%kordseid protsentiile nim kvartiilideks, 50% korral mediaaniks. Mediaan on

Nimetu

11) N leidmise valem, kui on ette antud standardviga 12) N leidmise valem, kui on ette antud katsetäpsus Hüpoteeside kontroll 13) Edasi võrdlesin enda proovitükil mõõdetud andmeid proovitükiga 64. Selleks arvutasin proovitükil 64 kahes suunas mõõdetud diameetri keskmise. Seejärel filtreerisin proovitükilt 64 välja 1. rinde sama puuliigi( MA) diameetrid ning leidin vaatluste arvu. Proovitüki nr. 64 vaatluste arv tuli N=64 14Edasi leidsin mõlema proovitüki diameetri dispersioonid vastaval 1. rinde puuliigile. Ning vastavalt nendele andmetele leidsin kas nendele proovitükkidele vastavate üldkogumite diameetri dispersioonid on oluliselt erinevad ( = 0,05)? Disp. Oma 14,27 Disp. 64 18,72 P-väärtus 0,284 Jah või ei Ei ole olulist erinevust 15) Nende proovitükkide diameetrite keskväärtused (tabel1) ei ole oluliselt erinevad (a = 0,05). Lähtuvalt eelmise ül

ÜLEVAADE TÕENÄOSUSTEOORIA PÕHIMÕISTETEST

opereerimine/arvutused on enamasti lihtsamad kui kogu jaotusseadusega opereerimine. Juhusliku suuruse arvkarakteristikuid võib jagada: moment ja mittemomentkarakteristikud, asendi-,hajuvus- ja kujukarakteristikud, kvantiilkarakteristikud. Keskväärtus(asendikarakteristik) ­ iseloomustab juhusliku suuruse jaotuse keskkoha asukohta. Keskväärtuse geomeetriline tõlgendus: jaotus raskuskeskme projektsioon x-teljele Dispersioon ja standardhälve on arvkarakteristikud juhusliku suuruse hajuvuse iseloomustamiseks keskväärtuse suhtes. dispersioon on standardhälve ruudus ja standardhälve on vastavalt dispersiooni ruutjuur. Juhusliku suuruse p-kvantiil xp on selline juhusliku suuruse väärtus, millest vasakule jäävale jaotuse osale vastab tõenäosus p. Kvantiile nim ka protsentiilideks, siis tõenäosus p väljendatakse protsentides. 10% kordseid protsentiile

Statistika kontrolltöö

62 0,999843 61,99024 hemikku 400-2000. am 120,00% 100,00% 80,00% 60,00% Column J 40,00% Column K 20,00% 0,00% 0 1800 2000 Ülesanne2 Kas 85 ja 88 aasta keskmised kartulisaagid on võrdsed? 85 kartuli 88 kartuli saak saak 169 135 H0 dispersioonid on võrdsed 140 129 H1 dispersioonid ei ole võrdsed 172 106 153 102 p= 0,585202 seega dispersioonid on võrdsed 157 95 119 133 144 54 t-Test: Two-Sample Assuming Equal Variances 113 112 85 kartuli 88 kartuli 119 99 saak saak

Andmetöötlus alused

(kvantiil, kvartiil, mediaan, täiendkvantiil). 8. Mis on juhusliku suuruse p-kvantiil? Juhusliku suuruse X p-kvantiiliks (ingl. k. percentile) nimetatakse niisugust väärtust p, mille korral Mis on juhusliku suuruse q-täiendkvantiil? 9. Mis on tihedusfunktsioon? Tihedusfunktsioon ­ juhusliku suuruse tõenäosuse tihedus, mis avaldub jaotusfunktsiooni tuletisena. 10. Normaaljaotuse skitseerimine (tihedus- ja jaotusfunktsioon). Graafikult lugemine (aritmeetiline keskmine, standardhälve, mood, mediaan). 11. Mis omadused on normaaljaotusel? Normaaljaotuse omadusi: Normaaljaotus on sümmeetriline oma keskväärtuse suhtes. Normaaljaotuse korral ühtivad keskväärtus, mood ja mediaan. Kui dispersioon suureneb, muutub graafik madalamaks ja seega ka laiemaks (hajuvus suureneb) ning lamedamaks. Gaussi kõvera alune pindala x-teljeni on 1, sest juhusliku suuruse X kõikvõimalike väärtuste tõenäosuste summa peab olema 1.

Epidemioloogia konspekt

näidatakse mitu väärtust valimis langeb ühte või teise intervalli. Intervallide arv ei tohi olla liiga suur! Saadakse histogramm pideva tunnuse jaotumise kirjeldamiseks (järjestikuste tulpade vahele vahesid ei jäeta). · Suhteline sagedus · Protsent · Keskmine ­ vt valemit. Keskväärtuse puuduseks on tema suur tundlikkus üksikute äärmuslike vaatluste suhtes. Kui selliseid vaatlusi esineb, on mõttekam kasutada mediaani · Standardhälve ­ leitakse kui ruutjuur dispersioonist vt valemit. · Standardviga · Mediaan ehk teine kvartiil- järjestatud valimi keskpunkt ­ väärtus, millest nii suuremaid kui väiksemaid väärtusi on valimis 50%. Kui valimi suurus on paaritu, siis on mediaaniks keskmine vaatlus järjestatud valimis. Kui tegu on paarisarvulise suurusega valimis, siis on mediaaniks kahe keskmise väärtuse aritm kesk. · Kvartiilid ­ saab hinnata valimi varieeruvust

Kvant met

Ennutused, projektsioonid: kellele ja mille põhjal Ruumis (geograafiliselt): kas on võrreldavad (seadusandlus, normid, keel) Gruppide vahel: gruppide suurused Eri probleemide võrdlus Võrdlusülesanded andmeanalüüsis Üks v mittu tunnust? Jaotuse võrdlus v mingi parameetri võrdlus Kuidas jaotusi võrrelda? Millega võrrelda? Mille alusel võrrelda? Milliseid jaotusparameetreid võrrelda? Nt: -mood, mediaan, kvantiilid -keskmine, standardhälve, dispersioon - kujuparameetrid (ekstsess ja järsakuskordaja) Tunnuse jaotus Jäotus üldarvudena v protsentidena Segadustabel, risttabel Jaotus joonisel Võrdlus normaaljaotusega Parameetrite võrdlus Mood- kõige sagedasem väärtus v väärtusklass Mediaan- punkt tunnuse skaalal, millest väiksemaid ja suuremaid väärtusi on variatsioonreas ühepalju. Mediaan jaotab skaala vaadeldava tunnuse seisukohalt kaheks võrdsagedaseks osaks

Andmeanalüüsi konspekt

....................................6 Kurskall-Wallise test (e. mitteparameetriline ANOVA)..........................................7 T-test sõltumatute gruppidega............................................................................ 7 T-test sõltuvate gruppidega................................................................................. 8 Mann-Whintey U Test (e. mitteparameetriline t-test)...........................................8 Korrelatsioon....................................................................................................... 9 Lineaarne (paaris)regressioon...........................................................................10 Logistiline regressioon....................................................................................... 11 1 Andmefailid SPSS'is

Andmeanalüüs sots.teadustes

ankeetide nummerdamist ning andmetabelisse vastava järjekorranumbri lisamist. 2. VALIMIT KIRJELDAV STATISTIKA Üldiselt, kindlasti suuremate valimite puhul, ei ole andmetabel loomulikult informatiivne, kogutud andmetest ülevaate saamiseks kasutame kirjeldavat statistikat. Andmete esitamiseks kokkuvõtlikul, sisutihedal, ülevaatlikul kujul kasutatakse graafilisi vahendeid (tabelid, diagrammid) ja arvulisi näitajaid (keskmine, standardhälve jm). 2.1. Andmete graafiline kirjeldus Graafilise kirjelduse eesmärk on lihtsustada info lugemist või esitada uudne kokkuvõtte. Tabel või diagramm, mis on annab samaväärse info juba esitatud tekstiga, ei oma mõtet. Töös ei esitata elementaarseid tabeleid ja diagramme (info, mis tekstina oleks lühem või samaväärne), samuti peaks  Andmetöötlus sotsiaalteadustes 8

Statilised järeldused

Võta data view ja sisesta sinna vastuseid, mida valim on andnud: Valimisse tuli 17 objekti. Enne üldistamist antakse ülevaade, kes meil seal andmestikus on ehk räägime valimist, sest see on kõige alus. Meil on kaks tunnus –sagedustabeleid oleks halb teha. Arvutame keskväärtuse, standardhälbe ja võrdleks läbi selle. N=17 Võta alaize ja descripive statistics Kui öeldakse keskväärtus, siis mõeldakse aritmeetilist väärtust ja see on MEAN ehk MIlma puhul tuleb kindlasti standardhälve suurem, sest see sõltub vastuste varieeruvusest Tulemused: Kõik tulemused saab ka SPSSi keskkonda –nt wordi File-Export Standardhälve tuleb alati välja võrdluses. Erinevus on 1,88 punkti. Viiepunkti skaalal on see päris suur. Siit tuli välja, et kõik on eluga rohkem rahul kui ilmaga. See tulemus võib olla ilmselge, aga siiski peaks tegema alati t- testi. T test on kahe üldkogumi keskväärtuste võrdlemine. T-testil on kaks eeldust – gruppe

ÖKONOMEETRIA loegn 1

· Jaotusseadused: normaaljaotus, t-jaotus, F-jaotus, 2 ­ jaotus. · Täiendav kirjandus ­ Paas, T. Sissejuhatus ökonomeetriasse. Tartu, 1995. · Valimvaatlused, usalduspiirid. (TTÜ rmtk momendil saadaval 18 eks). · Hüpoteeside kontrollimine: nullhüpotees, sisukas hüpotees, ­ Listra, E. Ökonomeetria. Aegread. kriitiline väärtus, olulisuse tõenäosus. ­ Sauga, A. Statistika õpik majanduseriala üliõpilastele. · Kovariatsioon cov(x,y) ja korrelatsioonikordaja r (x,y) TTÜ Kirjastus, Tallinn, 2017. (Statistika kordamiseks) · Regressioon. Kordamiseks võib kasutada õpikut Sauga, A.

Biomeetria praktikumid

helbed või müsli 10 0,1754385965 10 0,175439 8 ei söö tavaliselt hommikul 8 0,1403508772 8 0,140351 8 puder 8 0,1403508772 8 0,140351 5 muu 25 5 0,0877192982 5 0,087719 57 Total Result 57 Mida te tavaliselt1hommikul57 sööte? 1 20 Tudengite arv 15 10 5 0 Total Count - HOMMIK 0,1754385965 0,1403508772  Järeldus: Tulemused näitavad, et tihti üliõpilased söövad võibleiba - kakskümmend kuus viiekümne seitsmendast inimest (45,6%). 10 üliõpilast söövad hommikul helbeid või müsleid (17,5%). Viis üliõpelast söövad hommikul midagi muut (8,8%)

Statistika testid

4. Vahemikku 25-30 jääb 10% kõikidest väärtustest. 5. 55, 6% kõikidest väärtustest ei ole suuremad kui 15. 6. Kui asümmeetriakordaja A >0, siis d. esineb ekstremaalselt suuri väärtusi oige e. mood on aritmeetilisest keskmisest vasakul oige 7. On toodud kolm arvukogumit. Millise kogumi dispersioon on kõige väiksem? (hinda ilma arvutamiseta) b) 20; 70; 90; 95; 100; 105; 110; 130; 180 : b) 8. Kui arvukogumi igast arvust lahutada mingi konstant a, siis selle arvukogumi standardhälve b. jääb samaks oige 9. lntervallskaala korral võib leida : a. kvartiilhaaret b. dispersiooni c. variatsioonamplituudi d. detsiilhaaret koik on oige 10. Kui püstakuse kordaja ehk ekstsess on negatiivne, siis : a. tunnuse väärtuste hajumine on väike b. aritmeetilise keskmise lähedal on rohkem väärtusi kui normaaljaotuse korral c. esineb ekstremaalselt väikseid väärtusi d. aritmeetilisest keskmisest kaugel asuvate väärtuste esinemissagedus on suurem kui normaaljaotuse

Harilik lineaarne regressioonmudel

Loenguplaan · Seos kahe tunnuse vahel ­ kovariatsioon ­ korrelatsioon Harilik lineaarne · Harilik lineaarne regressioonmudel ­ Vähimruutude meetod parameetrite hinnangute leidmiseks regressioonmudel ­ ­

Ökonomeetriline projekt - Brutopalga sõltuvus haridustasemest, meeste osakaalust ning linlaste osakaalust maakondade lõikes

Lisaks osakaaludele on ka brutokuutasu leitud arvutuslikult brutotunnitasu ning keskmise ühe kuu töötundide arvu (168 tundi) korrutisena. Detailsed töös kasutatavad andmed on toodud töö lõpus, lisas 3. Kirjeldava statistika tabelist (vt tabel 1 ja lisa 4) on näha, et keskmise brutopalga väärtus üle kõigi maakondade on 541,9 eurot. Seejuures on brutopalga varieeruvus 467,1 eurot (minimaalne väärtus 381.384 eurot ja maksimaalne väärtus 848.48 eurot). Standardhälve ehk keskmine kõrvalekalle keskmisest brutopalgast on 103,68 eurot. See näitab, et Eestis on keskmiste brutopalkade vahe maakondade lõikes suhteliselt suur. Tabel 1. Kirjeldav statistika (brutopalk toodud eurodes, ülejäänud näitajad osakaaludena)  Kesk- Miini- Maksi- Varieeru Standard Valim Mediaan väärtus mum mum -vus -hälve Brutopalk