Ülesanne 1: Valguskaugusmõõturit kalibreeriti baasjoonel pikkusega 100,020 m. Kalibreerimisel mõõdeti baasjoont 10 korda. a) Püstitage hüpoteesid? Nullhüpotees: mõõtmisel saadud joonepikkus võrdub etaloni pikkusega. Alternatiivne hüpotees: mõõtmistel saadud joonepikkus ja etaloni pikkus erinevad. Hüpoteeside kontrollimiseks selle ülesande puhul kasutame t-teststatistikut. See kontrollib valimi keskmisel põhinevat hüpoteesi kasutades selleks algandmetena valimi keskmist, standardhälvet, mõõtmiste arvu, usaldusnivood ja üldkogumi keskmist (hetkel kalibraatori pikkus). Usaldusnivoo tuleb võtta 0.025, sest tegemist "kahe sabaga". Programmi sisestatud suurused ja neile vastavad tulemused on näidatud järgneval joonisel (Joonis 1). Tulemused tulid samad, mis praktikumitunnis arvutatud. Ka programm lükkas nullhüpoteesi tagasi ehk mõõdetud joonepikkus ei võrdu etaloni pikkusega. 1 Joonis 1
võimalik konstrueerida, siis on see meetod ka ülimalt aeglane. Erinevate kujudega puude arv kasvab eksponentsiaalselt taksonite arvu kasvades. Arvutusteks kulunud aeg on võrdne 4nda astmega käsitletavate taksonite arvust. Seetõttu on antud meetod kasutatav vaid suhteliselt lühikeste järjestuste korral. ML on hea meetod fülogeneetilise puu rekonstrueerimiseks, kuna see suudab kasutada puu väljatöötamiseks kogu iseloomilikku informatsiooni, mis meil algandmetena teada on. Plussiks on ka asjaolu, et see rekonstrueerib puul eellaste sõlmpunktid. Statistiliselt on ML kõige võimsam meetod, kuna genereerib tõenäosushinnangud igale harule. Kuid tänu sellele on ML ka ülimalt aeglane, mis on antud meetodi suurimaks miinuseks. Lisaks ei pruugi alati õiged olla aluspaaride sageduste muutustesse puutuvad eeldused. Kolmandaks ei saa selle meetodiga arvesse võtta morfoloogilisi tunnuseid, kuna nende muutumiste tõenäosusi ei saa me kuidagi leida.
Z=exp(P*td) - teisendab pidevad poolused diskreetseteks Kd=place(Ad,Bd,Z) - regulaatori maatriksi arvutus [Ad,Gd]=c2d(A,G,td) - 6. Põhimõtteskeemid Joonis: pidevaja põhiskeem Joonis: Diskreetaja põhiskeem Joonistel olevad tähistused on eelnevalt lahti seletatud. 7. Simulatsioonskeemid Joonisel on koos nii pidevaja kui ka diskreetaja simulatsioonskeem. Pidevaja skeem on ülemine, diskreetaja skeem alumine. Pidevaeg: State-Space plokk kasutab algandmetena olekumaatrikseid A ja Bh, C on 2. järku ühikmaatriks, D on nullmaatriks.Tagasiside on väljundi järgi negatiivne. Uh ja Xh on häiringud. Diskreetaeg: Discrete State-Space plokk kasutab arvutusel Ad, Bhd olekumaatrikseid ning C on ühikmaatriks ja D on nullmaatriks. Uhd ja Xhd on häiringud. Multipleksorite abiga on kõik ühte skoopi sisestatud. 8. Siirdeprotsesside graafikud. U(t); U(k) 10 0 -10 -20
Praktikum nr 3. Mõõtmiste kaalud. Sõltumatute mõõtmiste kovariatsioonimaatriks ja kaalumaatriks Ülesanne 1. Algandmetena on antud polügonomeetriakäigus kolme täisvõttega mõõdetud parempoolsed nurgad ja nende standardhälbed. Leia nurkade kaalud. Koosta mõõtmise kaalu- ja kovariatsioonimaatriksid. Nurgamõõtmiste kaalud leiame nende standardhälvete S järgi. Nurga kaaluks on tema 1 w=
dutseeritud kvaalidele reageerimise dispositsioonide produkt erinevates proportsioonides. (Nii vi- sandaks selle meie intuitiivne ettekujutus kvaalidest.) Arvatakse, et kvaalid mõjutavad meie tegevust või käitumist üksnes meie otsustuste vahendusel nende kohta, seega võib iga käitumuslik test nagu eristuse või mälu test anda meile otseseid andmeid üksnes kahe faktori resultandi kohta, kuna ta käsi- tab oma algandmetena otsustustel põhinevaid tegusid. Äärmuslikel juhtudel leiame kaudseid tõendeid, mis viitavad sellele, et üks faktor on olulisel määral muutunud ja teine peaaegu üldse mitte, ning me saame seda hüpoteesi edasi testida, kontrollides katseisiku suhtelist tundlikkust muutustele neis tingi- mustes, mis eeldatavasti muudavad kaht osafaktorit. Kuid ei saa loota, et selline kaudne testimine la-
kuju ning märkida valikud Display Equation on Chart (lisab joonisele joone võrrandi) ning Display R-squared Value on Chart (lisab joonisele determinatsioonikordaja väärtuse). Näide 11-8 Mitmene regressioon Vaatleme järgnevalt ka ühte näidet mitmese regressiooni läbiviimise kohta. Algandmetena on antud 180 põhikooli õpilaste hinded III veerandil ning me soovime leida mudelit, mis kirjeldaks keskmise hinde sõltuvust üksikute õppeainete hinnetest. Kuna hetkel puudub meil teadmine, missuguste õppeainete hinded keskmist hinnet kõige tugevamini mõjutavad, on otstarbekas leida tunnustevahelised paariskorrelatsioonikordajad, kasutades selleks töövahendit Tools/Data Analysis/Correlation. Lahtrisse Input Range tuleb sisestada
annaabi.ee 
