Vajad kellegagi rääkida?
Küsi julgelt abi LasteAbi
Logi sisse

ANDMETÖÖTLUSE ALUSED KODUTÖÖ NR. 5 (0)

5 VÄGA HEA
Punktid

Esitatud küsimused

  • Mitut puud tuleks mõõta?
  • Millal kasutata kahepoolset ja millal ühepoolset hüpoteesi?
EESTI MAAÜLIKOOL
Metsandus- ja maaehitusinstituut
osakond
NIMI
PRT 815
ANDMETÖÖTLUSE ALUSED KODUTÖÖ NR. 5
Juhendaja : lektor
Tartu AASTA

Sisukord


Sisukord 2
Sissejuhatus 3
2. Diameetri usalduspiirid 4
3. Mitut puud tuleks mõõta? 4
3.1 Mitut puud tuleks mõõta et saada keskväärtuse hinnang veaga 0,3 cm 4
3.2 Mitut puud tuleks mõõta, et saada keskväärtuse hinnang veaga 1% 4
4. Usaldusnivoo 5
5. Usalduspiirid 5
6. Standardviga 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 7
17. Olulisuse nivoo 7
18. Olulisuse tõenäosus 7
19. Millal kasutata kahepoolset ja millal ühepoolset hüpoteesi? 8
20. Regressioon - Andmete filtreerimine 8
21. Graafik kõrguse ja diameetri vahelise sõltuvuse hindemiseks 8
22. Data analyticsRegression . Kõrguse sõltuvus diameetrist 9
22. 1 Jääkstandardhälve ja kõrguse standardhälve 9
23. Determinatsioonikordaja 9

Sissejuhatus


Kodutöö on proovitükk nr. 815 kohta. Andmed pärinevad failidest „prt815.xls“ mis pärineb Eesti Maaülikooli kohalikust võrgust, ja Külliki Kiviste kodulehelt1 allalaetud failist kodu5.xls
1. I rinde enamuspuuliigi diameetri suurused
Tabel 1 I rinde enamuspuuliigi diameetri suurused
aritmeetiline keskmine,
12,15625
cm
dispersioon,
12,54572
standardhälve,
3,541994
cm
valimi maht,
168
standardviga,
0,273271
variatsioonikordaja ,
29,13723
katsetäpsus e suhteline standardviga.
2,247986
variatsioonikordaja viga
1,589566

2. Diameetri usalduspiirid


Tabel 2 Diameetri usalduspiirid
üldkogumi keskväärtuse 95%lised usalduspiirid,
11,61674
12,69576
cm
üldkogumi keskväärtuse 90%lised usalduspiirid,
11,70425
12,60825
cm
üldkogumi dispersiooni 95%lised usalduspiirid,
10,23642
15,73982
üldkogumi dispersiooni 90%lised usalduspiirid,
10,57326
15,16913
üldkogumi standardhälbe 95%lised usalduspiirid,
3,19944
3,967344
cm
üldkogumi standardhälbe 90%lised usalduspiirid.
3,251655
3,894757
cm

3. Mitut puud tuleks mõõta?

3.1 Mitut puud tuleks mõõta et saada keskväärtuse hinnang veaga 0,3 cm


Eeldades diameetrite samasugust hajuvust ka ülejäänud üldkogumis, tuleks mõõta 140 (139,3969) puu diameetrit, et saada keskväärtuse hinnang veaga 0,3 cm.

3.2 Mitut puud tuleks mõõta, et saada keskväärtuse hinnang veaga 1%


Et saada keskväärtuse hinnang veaga 1 % tuleks mõõta 849 puu diameetrid. (Vt. Tabel 3)
Tabel 3.
Variatsioonikordaja=
29,13723
N=
848,9781

4. Usaldusnivoo


Usaldusnivooks nimetatakse vahemikku kuhu see üldkogumi parameeter kuulub teatud tõenäosusega.

5. Usalduspiirid


Usalduspiird on teisisõnu kaks arvu, mille vahel asub üldkogumi parameeter tõenäosusega 1-

6. Standardviga


Standardviga iseloomustab aritmeetilise keskmise kui keskväärtuse hinnangu standardhälvet. Standardhälvet aruvtatakse valemiga:
(valem 1)

7. Katsetäpsus


Katsetäpsus iseloomustab suhtelist standardviga protsentides. Katsetäpsus arvutatakse valemiga:
Kus Vx – Variatsioonikordaja

8. Vaatluste arvu leidmine, kui on teada standardviga


N leidmiseks on vaja peale standardvea ka valimi standardhälvet. Siis on võimalik arvutada valemiga:
(valem 2)

9. Vaatluste arvu leidmine kui on teada katsetäpsus


Kui on teada katsetäpsus siis on vaja ka varitasioonikordajat, siis on võimalik leida vaatluste arvu valemiga:
(valem 3)
Kus Vx - variatsioonikordaja
10. Proovitüki 815 vaatluste arv
Proovitükk 815 I rinde mändide vaatluste arv on 48 puud.

11. Proovitükkide diameetrite dispersioonid ja nende erinevus


Tabel 4. Proovitükkide dispersioonid ja nende erinevused
Disp. Oma
11,86239745
Disp. 64
18,72321698
P-väärtus
0,05053018
Jah või ei
Jah. Erinevus on.
12. Proovitükkide diameetrite keskväärtused ja nende erinevus.
Tabel 5. Proovitükkide diameetrite keskväärtused ja nende erinevus
Kesk. Oma
12,35420168
cm
Kesk. 64
22,18854167
cm
'equal' või 'unequal'
unequal
P-väärtus
2,52569E-22
Jah või ei
Jah, erinevus on

13. Elektronklupp ja tavalise klupi mõõtmistulemuste võrdlemine


Tabel 6. Elektronklupi ja tavalise klupi mõõtetulemuste võrdlemine
Kesk. tava
19,80909091
Kesk.elek.
19,72727273
P-väärtus
0,009990419
Jah või ei
Ei

14. Katselapid feromonpüünisega


Uuriti kas feromonpüünisest on kasu või mitte.
P-väärtus on 1 ja selgus et feromoonpüünisest ei olnud erilist kasu.

15. Hüpoteesid


H0 ehk nullhüpotees on väide, et valimid on ühesuguse keskväärtusega üldkogumitest. H1 ehk sisukas hüpotees on väide, et valimid on erinevate keskväärtustega üldkogumitest.

16. Esimest liiki viga


Esimest liiki veaks nimetatakse, kui võetakse vastu sisukas hüpotees, aga tegelikult on õige nullhüpotees.
Tavaliselt antakse ette 1. liiki vea tõenäosuseks 0,05.

17. Olulisuse nivoo


Oluselisusse nivooks nimetatakse, esimest liiki vea tegemise suurim lubatav tõenäosus

18. Olulisuse tõenäosus


Olulisuse tõenäosuseks nimetatakse tõenäosust, mille korral saaks konkreetse valimi (etteantud andmete) põhjal sisukat hüpoteesi tõestada.

19. Millal kasutata kahepoolset ja millal ühepoolset hüpoteesi?


Kahepoolne väide - kasutatakse siis, kui protsessi kohta ei ole mingit eelinformatsiooni. Meil ei ole mingit teoreetilist alust arvata, et ühe valimi üldkogumi tunnus on suurem kui teise oma.
Ühepoolne väide – mingitel sisulistel kaalutlustel (mingi eelteadmise põhjal) soovime kontrollida vaid seda, kas ühe üldkogumi mingi näitaja on suurem kui teise üldkogumi sama näitaja.

20. Regressioon - Andmete filtreerimine


Pärast andmete filtreerimist tuli vaatluste arv 35

21. Graafik kõrguse ja diameetri vahelise sõltuvuse hindemiseks


Joonis 1. Kõrguse sõltuvus diameetrist

22. Data analytics – Regression. Kõrguse sõltuvus diameetrist


Tabel 7
Regression Statistics
Multiple R
0,80539
R Square
0,648654
determinatsioonikordaja
Adjusted R Square
0,638007
Standard Error
1,327431
Observations
35
ANOVA
 
df
SS
MS
F
Significance F
Regression
1
107,3533
107,3533
60,92444
5,39E-09
Residual
33
58,14841
1,762073
Total
34
165,5017
 
 
 
 
Coefficients
Standard Error
t Stat
P-value
Lower 95%
Intercept
5,502895
0,707134
7,781965
5,75E-09
4,064219
d
0,452119
0,057924
7,805411
5,39E-09
0,334272
Regr. Võrrand
h=5,5029+0,4521*d
Jah. Regressioonivõrrand on sama mis graafikul.
Regressioonivõrrand on usaldatav.

22. 1 Jääkstandardhälve ja kõrguse standardhälve


Jääkstandardhälve iseloomustab funktsioontunnuse keskmist erinevust regressioonijoonest
Tabel 8 Võrrandi jääkstandardhälve ja kõrguse standardhälve
Jääkstandardhälve
1,3274
Kõrguse standardhälve
2,206285901
m

23. Determinatsioonikordaja


Determinatsioonikordaja on 0,648654. See iseloomustab kui suur osa funktsioonitunnuse varieeruvusest kirjeldatatakse regressiooni võrrandiga.
24. Data analytics – Regression. Mitmene regressioonianalüüs
Tabel 9 Võra alguse sõltuvus diameetrist ja kõrgusest
Regression Statistics
Multiple R
0,83008768
R Square
0,689045557
Adjusted R Square
0,669610905
Standard Error
0,94500738
Observations
35
ANOVA
 
df
SS
MS
F
Significance F
Regression
2
63,32446793
31,66223
35,45448271
7,64E-09
Residual
32
28,57724636
0,893039
Total
34
91,90171429
 
 
 
 
Coefficients
Standard Error
t Stat
P-value
Lower 95%
Intercept
-1,691576458
0,847639026
-1,99563
0,054545288
-3,41816
d
-0,255562133
0,069568514
-3,67353
0,00086784
-0,39727
h
0,923254264
0,123927097
7,449979
1,76942E-08
0,670823
Regressioonivõrrand on:
hv=-1,6916-0,2556*d+0,9233*h
Mitmene korrelatsioonikordaja on :
0,83008768
Mitmene korrelatsioonikordaja, iseloomustab seose tugevust.mida lähemal 0-le seda nõrgem seos on.
Regressioonivõrrandi kordajad on nullist erinevad.
25. Prognoos
Kui puu kõrgus on 16 m ja diameeter 15 cm siis tõenäoliselt algavad selle puu oksad 9,2 meetri kõrguselt.(Vt. Tabel 10)
Tabel 10 Prognoos kui diameeter on 15 cm ja kõrgus 16 m
d=15
cm
h=16
m
hv=
9,2472
Kasutatud kirjandus
Külliki Kiviste koduleht – [www.eau.ee/~kkiviste/] (KUUPÄEV)
1 Külliki Kiviste koduleht – [www.eau.ee/~kkiviste/] (16.04.2012)
11
Vasakule Paremale
ANDMETÖÖTLUSE ALUSED KODUTÖÖ NR-5 #1 ANDMETÖÖTLUSE ALUSED KODUTÖÖ NR-5 #2 ANDMETÖÖTLUSE ALUSED KODUTÖÖ NR-5 #3 ANDMETÖÖTLUSE ALUSED KODUTÖÖ NR-5 #4 ANDMETÖÖTLUSE ALUSED KODUTÖÖ NR-5 #5 ANDMETÖÖTLUSE ALUSED KODUTÖÖ NR-5 #6 ANDMETÖÖTLUSE ALUSED KODUTÖÖ NR-5 #7 ANDMETÖÖTLUSE ALUSED KODUTÖÖ NR-5 #8 ANDMETÖÖTLUSE ALUSED KODUTÖÖ NR-5 #9 ANDMETÖÖTLUSE ALUSED KODUTÖÖ NR-5 #10 ANDMETÖÖTLUSE ALUSED KODUTÖÖ NR-5 #11
Punktid 100 punkti Autor soovib selle materjali allalaadimise eest saada 100 punkti.
Leheküljed ~ 11 lehte Lehekülgede arv dokumendis
Aeg2012-10-23 Kuupäev, millal dokument üles laeti
Allalaadimisi 43 laadimist Kokku alla laetud
Kommentaarid 0 arvamust Teiste kasutajate poolt lisatud kommentaarid
Autor muumitramm Õppematerjali autor
5. praktika kodutöö

Sarnased õppematerjalid

Nimetu
13
docx

Nimetu

EESTI MAAÜLIKOOL Metsandus- ja maaehitusinstituut Metsakorralduse osakond Mikk Sülla Proovitükk nr 613. Hinnangud, hüpoteesid, regressioon Kodune töö nr. 5 õppeaines Metsandusliku andmetöötluse alused II Juhendaja Külliki Kiviste Tartu 2012 Sisukord Sisukord Sissejuhatus Käesoleva töö eesmärgiks on analüüsida, kas proovitükil mõõdetud diameetri jaotus on lähendatav mõne klassikalise teoreetilise jaotusega. Töös on kasutatud Aakre metskonna proovitükki nr. 613 andmeid, mis on saadud EMÜ Metsanduse ja maakorralduse serveris võrgukaustast public:/Metsandusliku andmetöötluse alused 2011/2011]

Andmetöötlus alused
Hinnangud-hüpoteesid-regressioon
34
xls

Hinnangud, hüpoteesid, regressioon

Hinnangud, hüpoteesid, regressioon Proovitükk nr. 6 Kolmas kodutöö õppeaines Metsandusliku andmetöötluse alused Lähteandmeteks on Teie proovitüki 1. rinde enamuspuuliigi keskmine diameeter (rühmitamata andmed). Kopeerige see tulp sellele samale töölehele. Punkthinnangud, vahemikhinnangud, valimi maht 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:

Andmetöötlus alused
Regressioon-hinnang-hüpotees arvutused ja testid
42
xls

Regressioon, hinnang, hüpotees arvutused ja testid

18,7 14,1 7,9 3,2 16,9 0,0 0,0 0,0 15,6 0,0 0,0 0,0 18,5 0,0 0,0 0,0 13,8 0,0 0,0 0,0 14,6 15,2 9,3 3,9 18,8 0,0 0,0 0,0 22,4 0,0 0,0 0,0 18,7 0,0 0,0 0,0 14,6 0,0 0,0 0,0 23,3 17,7 10,5 2,2 13,4 0,0 0,0 0,0 16,9 0,0 0,0 0,0 13,8 0,0 0,0 0,0 15,6 0,0 0,0 0,0 14,5 0,0 0,0 0,0 Hinnangud, hüpoteesid, regressioon Proovitükk nr. 1118 Kodune töö 4 õppeaines Andmetöötluse alused Punkthinnangud, vahemikhinnangud, valimi maht 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), 15,945

Andmetöötlus alused
Filtri kasutamine
15
xls

Filtri kasutamine

d Andmetöötluse alused 25,3 Kodune töö 4 20,2 Proovitükk nr. 24,75 Hinnangud, hüpoteesid, regressioon 23,45 22,25 Punkthinnangud, vahemikhinnangud, valimi maht 16,85 22,8 Eeldame, et teie proovitükil mõõdetud andmete põhjal tahame teha järeldusi samalaadse 18 üldkogumi kohta 23,75 Selleks arvuta järgmised statistikud oma proovitüki kohta 24,85 1) Leida 1. rinde enamuspuuliigi diameetri kohta (rühmitamata andmetest) järgmised suurused: 21,7 aritmeetiline keskmine, 18,05 dispersioon, 19 standardhälve, 25,35 valimi maht, 20,4 standardviga, 21,5 variatsioonikordaja, 21,4 suhteline standardviga e katsetäpsus. 17,5 2) Leida diameetri usalduspiirid: 20,25 aritmeetilise keskmise 95%lised usalduspiirid, 21,74 25,25 aritmeetilise keskmise 90%lised usald

Informaatikainsenerile
Andmetöötluse arvestustööks kordamismaterjalid
10
docx

Andmetöötluse arvestustööks kordamismaterjalid

1. Mis on üldkogum?..............................................................................................................3 2. Mis on valim? Esinduslik valim.........................................................................................3 3. Mis on andmestik? Rühmitamata ja rühmitatud andmestik...............................................3 4. Arvuline tunnus – pidev, diskreetne...................................................................................3 5. Mittearvuline tunnus – järjestustunnus, nominaaltunnus...................................................3 6. Mis on juhuslik suurus?......................................................................................................3 7. Kuidas on defineeritud jaotusfunktsioon? Jaotusfunktsiooni skitseerimine, graafikult lugemine (kvantiil, kvartiil, mediaan, täiendkvantiil)............................................................3 8. Mis on juhusliku suuruse p-kvantiil? Mis on juhusliku suuruse

Kategoriseerimata
Andmetöötluse kordamine
5
docx

Andmetöötluse kordamine

Kordamine arvestustööks 1. Üldkogum (uurimisobjekt, populatsioon) on teatud nähtuste (objektide) hulk, mida soovitakse objektiivsete meetoditega tundma õppida. 2.. Valimiks nimetatakse teatud hulka üldkogumi elemente, mille mõõtmisandmed on uurija käsutuses. Esinduslik valim. 3. Valimi mõõtmisandmed moodustavad andmestiku. Rühmitamata ja rühmitatud andmestik. 4. Arvuline tunnus ­ pidev, diskreetne. Pidev ­ võib omada väärtusi mingil lõigul. Diskreetne ­ arvuliste tunnuste võimalike väärtuste hulk on lõplik või loenduv 5. Mittearvuline tunnus ­ järjestustunnus, nominaaltunnus. Järjestustunnus ­ mittearvuline tunnus, mille väärtused on järjestatavad (Krafti klass, puistu Orlovi boniteet). Nominaaltunnus ­ mittearvuline tunnus, mille väärtused pole järjestatavad. 6. Juhuslik suurus ehk juhuslik muutuja ­ suurus või muutuja, mille väärtus enne mõõtmist või katset ei ole teada. 7. Kuidas on defineeritud jaotusfunktsioon? Jaotusfunktsiooni skitseeri

Andmetöötlus
Andmeanalüüs MS Exceli abil
43
pdf

Andmeanalüüs MS Exceli abil

funktsioonid ja protseduurid, aga ka Chart Wizard'i abil lisatavad joonised ja Pivot Table'iga konstrueeritavad tabelid. Järgnevad kirjeldused baseeruvad versioonil MS Excel 97, kuid selle erinevus nii eelnevast kui ka uuemast (Excel 2000) versioonist on statistilise andmetöötluse osas minimaalne (nn. tehnilisi erinevusi on jooniste ja tabelite konstrueerimisel). Lühidalt peamistest andmeanalüüsi teostamise vahenditest Excelis Joonised Funktsioonid Protseduurid Risttabelid (Pivot Table)

Informaatika
Statistika kordamisküsimused
22
docx

Statistika kordamisküsimused

1. MÕÕTMINE Mõõtmine on objektide võrdlemine - Korraga saab võrrelda ainult kaht objekti omavahel. Kui objekte palju, valitakse välja üks (etalon) ning teisi võrreldakse sellega. Otsene mõõtmine ja kaudne mõõtmine – otseste mõõtmiste kaudu Nimi- ehk nominaalskaala – objektide eristamiseks – sugu, rahvus, huvid, kaubakood, ettevõtte registrinumber Järjestusskaala – võimaldab objekte järjestada mingi tunnuse alusel – nt ettevõtted: väikesed, keskmised, suured – küsitlus: "poolt", pigem poolt kui vastu", "pigem vastu kui poolt", "vastu" – intervallid skaalajaotuste vahel pole võrdsed Intervallskaala – skaalajaotuste intervallid on võrdsed  Vahemikskaala – nullpunkti asukoht kokkuleppeline – ajaskaala, Celsiuse skaala temperatuuri mõõtmiseks – võib leida vahesid, ei tohi leida suhteid  Suhteskaala – nullpunkt fikseeritud absoluutselt – objekti pikkus, kaal, töötajate arv, käive, m

Statistika




Meedia

Kommentaarid (0)

Kommentaarid sellele materjalile puuduvad. Ole esimene ja kommenteeri



Sellel veebilehel kasutatakse küpsiseid. Kasutamist jätkates nõustute küpsiste ja veebilehe üldtingimustega Nõustun