185 5. 0.30 0.49 0.245 6. 0.36 0.54 0.27 7. 0.42 0.58 0.29 8. 0.48 0.66 0.33 5) Leiame vastavad takistused R (tabelis 2). 6) Leiame arvuti abil graafik R = f(l), mõlema traadi kohta. Jäme traat: Peen traat 7)Kasutades lineaarset ekstrapoleerimist leiate graafikult funktsiooni R=f(l) tõusunurga tangensi. tan = k y=kx , siis · tan=0.7443 ( jäme traat) · tan=2.6185 (peen traat) 8) Valemi (6) abil leiame mõlema traadi eritakistuse Peen traat: ===0.385mm ===4.65 ·m Jäme traat: ===0.775mm ==1.89 1.891.41 ·m
6. 0,24 m 0,131 V 0,089 0.3 0.25 f(x) = 0.04x 0.2 0.15 0.1 0.05 0 4. Leidke valemi (2) põhjal traadi lõikudele vastavad takistused R. 5. Leidke arvuti abil graafik R = f(l) mõlema traadi kohta. 6. Kasutades arvuti abil lineaarset ekstrapoleerimist leidke graafikult lineaarse funktsiooni R=f(l) tõusunurga tangensi. k=tan k lineaarse funktsiooni võrrandi konstant 7. Valemi (5) abil leiame mõlema traadi eritakistuse . -8 -8
3. 0,18 0,62 0,41 4. 0,24 0,83 0,55 5. 0,30 1,04 0,69 6. 0,36 1,25 0,83 7. 0,42 1,46 0,97 8. 0,48 1,66 1,11 f) Leiame arvuti abil graafik R=f(l), mõlema traadi kohta. g) Kasutades lineaarset ekstrapoleerimist leiame graafikult funktsioon R=f(l) tõusunurga tangensi tan=k h) Valemi (6) abil leiame mõlema traadi eritakistuse . k=0,6846 S1=1,94*10-6(m2) =k*S=0,6846*1,94*10-6=1,35*10-6 k=2,3072 S2=0,48*10-6(m2) =k*S=2,3072*0,48*10-6=1,11*10-6
4 0,24 0,94 0,62 5 0,3 1,09 0,72 6 0,36 1,29 0,86 7 0,42 1,53 1,02 8 0,48 1,69 1,12 I=1,5A Tabel 3. 5.Leidke valemi (2) põhjal vastavad takistused R. 6.Leidke arvuti abil graafik R = f(l),mõlema traadi kohta. 7.Kasutades lineaarset ekstrapoleerimist leiate graafikult funktsiooni R=f(l) tõusunurga tangensi. tan = k 8.Valemi (6) abil leiame mõlema traadi eritakistuse r. 5. Kokkuvõte Traadi takistus sõltub traadi pikkusest (lineaarselt), traadi materjali eritakistusest ja tema ristlõikes pindalast. Mida pikem on traat, seda täpsemini on võimalik arvutada tema eritakistust. 1= 0,14*10-6 2= 1,23*10-6
0,25 0,2 0,15 0,1 0,05 0 0 0,05 0,1 0,15 0,2 0,25 0,3 Traat 2 graafik: 0,018 0,016 y = 0,0656x 0,014 0,012 0,01 0,008 0,006 0,004 0,002 0 0 0,05 0,1 0,15 0,2 0,25 0,3 6 Kasutades arvuti abil lineaarset ekstrapoleerimist leidke graafikult lineaarse funktsiooni R=f(l) tõusunurga tangensi. tan = k k lineaarse funktsiooni võrrandi konstant. 7. Valemi (5) abil leiame mõlema traadi eritakistuse . 1 = 1,108*7,85*10-7m2 m 2 =0,065*m2 m
3. 0,18 0,62 0,41 4. 0,24 0,83 0,55 5. 0,30 1,04 0,69 6. 0,36 1,25 0,83 7. 0,42 1,46 0,97 8. 0,48 1,66 1,11 f) Leiame arvuti abil graafik R=f(l), mõlema traadi kohta. g) Kasutades lineaarset ekstrapoleerimist leiame graafikult funktsioon R=f(l) tõusunurga tangensi tanα=k h) Valemi (6) abil leiame mõlema traadi eritakistuse ρ. k=0,6846 S1=1,94*10-6(m2) ρ=k*S=0,6846*1,94*10-6=1,35*10-6 k=2,3072 S2=0,48*10-6(m2) ρ=k*S=2,3072*0,48*10-6=1,11*10-6
28 mm 0.02 0.01 f(x) = 0x 0.01 0.01 0.01 0.01 0 0 0 0,04 m 0,08 m 0,12 m 0,16 m 0,20 m 0,24 m d=0.5 mm 0.1 0.09 0.08 f(x) = 0.01x 0.07 0.06 0.05 0.04 0.03 0.02 0.01 0 0,04 m 0,08 m 0,12 m 0,16 m 0,20 m 0,24 m 6 Kasutades arvuti abil lineaarset ekstrapoleerimist leidke graafikult lineaarse funktsiooni R=f(l) tõusunurga tangensi. tan = k k lineaarse funktsiooni võrrandi konstant. k1=0,0022 k2 =0,0145 7. Valemi (5) abil leiame mõlema traadi eritakistuse . 1 = 2,86 * 10-9 2 = 2,9 * 10-9
6 Jrk. l U R Nr (m) (V) () 1. 0,06 0,8 0,11 2. 0,12 0,34 0,14 3. 0,18 0,4 0,16 4. 0,24 0,49 0,2 5. 0,30 0,56 0,22 6. 0,36 0,65 0,26 7. 0,42 0,72 0,29 8. 0,48 0,8 0,32 7 5.Leiame arvuti abil graafik R=f(l), mõlema traadi kohta. 6.Kasutades lineaarset ekstrapoleerimist leiame graafikult funktsioon R=f(l) tõusunurga tangensi tan=k 7.Valemi (6) abil leiame mõlema traadi eritakistuse . k k=0,664 S1=0,33*10-6(m2) =k*S=0,664*0,33*10-6=0,21912*10-6 k=0,4008 S2=1,86*10-6(m2) =k*S=0,4008*1,86*10-6=0,745488*10-6 8 3.Vooluallika kasutegur
· Prognoosiks nimetatakse kindlatele andmetele ja objektiivsetele meetoditele tuginevat ennustust. Prognoos eeldab, et leiame olemasolevale aegreale kirjelduse. Prognoosi pole motet anda mitteusaldava näitaja järgi. Eristatakse punktprognoose, mille korral saadakse prognoositava tunnuse jaoks üks väärtus ja vahemikprognoose, mille korral hinnatakse väärtusvahemikku, millesse tunnuse väärtus teatud usaldatavusega jääb. Eristatakse interpoleerimist ja ekstrapoleerimist. Mõlemal juhul on tegemist kahe muutujaga, millest üks on sõltuv ja teine sõltumatu (argument), kusjuures sõltuva tunnuse väärtused on teada ainult osade argumenttunnuse väärtuste jaoks. Argumenttunnuse väärtuste vahemikku, millesse jäävate väärtuste jaoks on teada sõltuva tunnuse väärtusi, nimetame seose määramispiirkonnaks. · Interpoleerimiseks nimetatakse mitteteadaolevate sõltuva tunnuse väärtuste hindamist seose määramispiirkonnas
0,090 0,050 0,145 0,033 0,097 1,5 4. 0,120 0,670 0,194 0,045 0,129 5. 0,150 0,084 0,243 0,056 0,162 6. 0,180 0,101 0,292 0,067 0,195 4. Leidke valemi (2) põhjal traadi lõikudele vastavad takistused R. 5. Leidke arvuti abil graafik R = f(l) mõlema traadi kohta. 6 Kasutades arvuti abil lineaarset ekstrapoleerimist leidke graafikult lineaarse funktsiooni R=f(l) tõusunurga tangensi. tanα = k k – lineaarse funktsiooni võrrandi konstant. 1. Valemi (5) abil leiame mõlema traadi eritakistuse . ρ1= 1,0802 x 1,73* 10 -8 m2 = 1,87* 10 -8 Ωm ρ2= 0,3722 x 7,39 ×10 -8
libisevad keskmised tunnuse väärtusi alla hindama ja kahanemise korral üle hindama. Libisevate keskmiste korral on probleemiks see, et neid pole võimalik arvutada kõiki rea liikmeid arvestavatena. Majanduses kasutatakse juhtimisotsustuste tegemiseks vajalikel prognoosidel ka majandusteaduse meetodeid ning eksperthinnanguid. Praktiliselt kõik aegridade kirjeldamise meetodid sobivad ka tunnuste tulevaste väärtuste prognoosimiseks. Eristatakse interpoleerimist ja ekstrapoleerimist. Mõlemal juhul on tegemist kahe muutujaga, millest üks on sõltuv ja teine sõltumatu (argument), kusjuures sõltuva tunnuse väärtused on teada ainult osade argumenttunnuse väärtuste jaoks. Argumenttunnuse väärtuste vahemikku, millesse jäävate väärtuste jaoks on teada sõltuva tunnuse väärtusi, nimetame seose määramispiirkonnaks. Interpoleerimiseks nimetatakse mitteteadaolevate sõltuva tunnuse väärtuste hindamist seose määramispiirkonnas
1. . . 1,5 . . 6. Tabel 2 Traadi lõigu takistuse sltuvus traadi pikkusest. Jrk.nr. I (A) l (m) U (V) R () 1. . . 1,5 . . 6. 4. Leidke valemi (2) põhjal traadi lõikudele vastavad takistused R. 5. Leidke arvuti abil graafik R = f(l) mõlema traadi kohta. 6 Kasutades arvuti abil lineaarset ekstrapoleerimist leidke graafikult lineaarse funktsiooni R=f(l) tõusunurga tangensi. k=tan k lineaarse funktsiooni võrrandi konstant. 7. Valemi (5) abil leiame mõlema traadi eritakistuse . 1 = 2 = Leiame eritakistuse tabelist arvutustulemuste põhjal traadi materjali.
libisevad keskmised tunnuse väärtusi alla hindama ja kahanemise korral üle hindama. Libisevate keskmiste korral on probleemiks see, et neid pole võimalik arvutada kõiki rea liikmeid arvestavatena. Majanduses kasutatakse juhtimisotsustuste tegemiseks vajalikel prognoosidel ka majandusteaduse meetodeid ning eksperthinnanguid. Praktiliselt kõik aegridade kirjeldamise meetodid sobivad ka tunnuste tulevaste väärtuste prognoosimiseks. Eristatakse interpoleerimist ja ekstrapoleerimist. Mõlemal juhul on tegemist kahe muutujaga, millest üks on sõltuv ja teine sõltumatu (argument), kusjuures sõltuva tunnuse väärtused on teada ainult osade argumenttunnuse väärtuste jaoks. Argumenttunnuse väärtuste vahemikku, millesse jäävate väärtuste jaoks on teada sõltuva tunnuse väärtusi, nimetame seose määramispiirkonnaks. Interpoleerimiseks nimetatakse mitteteadaolevate sõltuva tunnuse väärtuste hindamist seose määramispiirkonnas
või saadakse iga perioodi alguses, näiteks üüri- või kindlustusmaksed. Perpetuiteet (perpetuity) – annuiteedi nüüdisväärtuse erivorm, mis väljendab igavesti kestvat rahavoogu (näiteks eelisaktsia). Interpoleerimine (interpolation) – arvutuslik võte, mida kasutatakse täpsema vastuse saamiseks näiteks oodatava tulususe hindamisel. Interpoleerimist kasutatakse siis, kui väärtus ilmneb valimi sees. Interpoleerimise vastandiks võiks lugeda ekstrapoleerimist, mille korral väärtus ilmneb valimist väljaspool. Investori nõutav tulunorm (required rate of return) – investori poolt minimaalselt aktsepteeritav tulusus investeeringult alla mille investor ei ole nõus oma raha paigutama. Efektiivselt toimival turul võib nõutav tulunorm langeda kokku investeeringu oodatava ja ka tegelikult realiseerunud tulususega, kuid tavapärases 10
In silico eriti uute ravimite ning kosmeetikas kasutatavate ainete otsimisel, tööstuskemikaalide mürgisuse hindamisel 2. Doos-vastus või doos-vastus suhete demonstreerimine. Selgitatakse välja põhjuslik seos ohtlikule ainele eksponeerumise ning ebasoodsate toimete tekke vahel indiviidide või populatsioonide tasemel. Kvantiteeritakse esimesel etapil samastatud ohud ning tehakse kindlaks ebasoodsa mõju intensiivsuse sõltuvus doosi suurusest. Viimane nõuab väga sageli ekstrapoleerimist loomkatsetel vajalikelt kõrgetelt doosidelt oluliselt madalamatele, millele võib kõige tõenäolisemalt eksponeeruda inimene. See ekstrapoleerimine sõltub primaarseks kuulutatud mõju tüübist. · Juhul, kui see on näiteks genotoksiline kantserogeensus, ei eeldata lävidoosi olemasolu ning riski hindamiseks madalatel doosidel saab kasutada vastavat matemaatilist mudelit. · Kui see on mittegenotoksiline, eeldatakse lävidoosi olemasolu. võib määrata ka
uute ravimite ning kosmeetikas kasutatavate ainete otsimisel, tööstuskemikaalide mürgisuse hindamisel 2. Doos-vastus või doos-vastus suhete demonstreerimine. Selgitatakse välja põhjusliku seose olemasolu ohtlikule ainele eksponeerumise ning ebasoodsate toimete tekke vahel indiviidide või populatsioonide tasemel. Kvantiteeritakse esimesel etapil samastatud ohud ning tehakse kindlaks ebasoodsa mõju e. toime intensiivsuse sõltuvus doosi suurusest. Viimane nõuab väga sageli ekstrapoleerimist loomkatsetel vajalikelt kõrgetelt doosidelt oluliselt madalamatele, millele võib kõige tõenäolisemalt eksponeeruda inimene. Selline ekstrapoleerimine sõltub muidugi primaarseks kuulutatud mõju tüübist. Juhul, kui see on näiteks genotoksiline kantserogeensus, ei eeldata lävidoosi olemasolu ning riski hindamiseks madalatel doosidel saab kasutada vastavat matemaatilist mudelit. Kui see on mittegenotoksiline, eeldatakse lävidoosi olemasolu. võib määrata ka kõrgeimat
DDREF). Madala LET-iga kiirgustele on soovituslik DDTEF=2. Kui 10 inimest võtavad igaüks 100 tabletti aspiriini korraga, siis vähemalt 9 neist sureb. See on suur doositase, mille puhul võib tõmmata parelleeli aatompommiohvrite kiirgusandmetega. Mis aga juhtub, kui sama aspiriinikogus, st 1000 tabletti, jagada 1000 inimese vahel? Selline jaotumine oleks sarnane kiirgussfääri töötajate doosidega, kus suur hulk inimesi saab väga väikese kiirgusdoosi. Kasutades lineaarset ekstrapoleerimist nagu kiirguse puhul, saaksime ikkagi 9 surnut. On selge, et selline ekstrapolatsioon pole tõene, keegi ei sure 1 tableti aspiriini võtmisest. Aspiriini-analoogiat kasutades tekib ilmne viga, mis viitab ühele tähtsale asjaolule. Paljude ravimite puhul eksisteerib kindel lävidoos, millest väiksemate dooside kasutamine on normaalsele inimesele absoluutselt ohutu. Sellisel juhul ei saa suure doosi efekte ekstrapoleerida väikestele doosidele.
annaabi.ee 
