Leidsid 33 sarnast õppematerjali, mis on seotud failiga "Kordamisküsimuste vastused". Need materjalid aitavad sul teemat sügavamalt mõista.
üldkogum, valim, jaotusfunktsiooneskväärtus, hüpotees, statistik, jaotustihedus, jaotustabel, ajavahemik, jaotusfunktsiooni, sattumise, teststatistikriteerium, vektor, hüpoteesidvartiil, diskreetse, piirteoreem, nihketa, usaldusvahemik, üldkogumis, nullhüpotees, protsentiil, juhuslikud, standardhälve, erijuht, liitmise, reaalarv, lõpmatu.., An, siis küsime tõenäosust, et
toimus i-s sündmus A1. Bayesi valem. P(Ai/B)=(P(Ai)P(B/Ai))/ P(A1)P(B/A1)+ P(A2)P(B/A2)+...+ P(An)P(B/An), i=1,2,...,n Tõestus!!!
P(AiB)=P(B)P(Ai/B). Fikseerime i ja leiame P(Ai/B)=P(AiB)/P(B)= P(Ai)P(B/Ai)/( P(A1)P(B/A1)+ P(A2)P(B/A2)+...+ P(An)P(B/An).
Erijuhul, kui n=2 saame P(Ai/B)= P(AiB)/P(B)=P(Ai)P(B/Ai)/ P(A1)P(B/A1)+ P(A2)P(B/A2)+...+ P(An)P(B/An), i=1,2.
7. Juhusliku suuruse jaotusfunktsiooni definitsioon. Selle omadused (tõestustega).
Kogu reaalarvude hulga R maaratud funktsiooni F(x)=P(X
tõenäosuse omadustega). Sündmuse A suhteliseks suuruse X jaotustabel järgmine: 1, Sündmus ja tõenäosus. Kindel, võimatu ja juhuslik sageduseks Pn(A) antud katseseeria puhul nim. sündmuse sündmus, nende tõenäosused. Sündmus on Aesinemiste arvu m ja kõigi katsete arvu n suhet: P n(A)= tõenäosusteooria põhimõiste. Tavaliselt tähistatakse m/n Juhusliku sündmuse A statistiliseks tõenäosuseks suurte tähtedega, vajadusel kasutatakse indekseid. Nt. A, nim
( )= ∑ = ∑ ( + ) = ∑ + ∑ ( 1) = +
∑ ( )
= + ∑ = +
D(X) = E(X ) – E(X) = λ + λ – λ = λ
2 2 2 2
15. Jaotusfunktsiooni ja tihedusfuntsiooni vahelised seosed
Funktsiooni f(x) nimetatakse juhusliku suuruse X tihedusfunktsiooniks, kui f(X) = F’(X). Seega F(X) = ∫ ( )
Olgu X pidev juhuslik suurus jaotusfunktsiooniga F(X). Leiame tõenäosuse, et see juhuslik suurus satuks vahemikku
(x, x+∆x): P(x
DJS standardhälbeks nimetame ruutjuurt dispersioonist. S(X)= 9 Erinevad DJSjaotusfunktsioonid ja neile vastavad juhuslikud suurused Bernoulli jaotus (Olgu A mingi sündmus ruumis , tema tõenäosus P(A)=p). Bernoulli jaotusega juhuslikuks suuruseks nimetame juhuslikku suurust X, mis on defineeritud järgmiselt: kui A toimub, siis X=1, kui A ei toimu, siis X=0. Lihtsamalt juhuslik suurus X on sündmuse A toimumiste arv (0 või 1). Binoomjaotus: DJS jaotus, mille korral jaotustabel defineeritakse valemiga (Bernoulli valem) P ( X = k ) = C nk p k (1 - p ) n-k , k=0,1,...,n. Juhuslik suurus X on sündmuse A toimumiste arv n sõltumatul katsel, kui sündmuse toimumise tõenäosus igal katsel on p. Sündmuse mittetoimumise tõenäosus igal katsel on siis q=1-p. Binoomjaotusega on näiteks praakdetailide arv korduval võtmisel, läbipõlevate pirnide arv. Keskväärtus: EX=np, dispersioon DX=npq, standardhälve npq Poisson'i jaotus:
F ( b )=F ( a ) +P( a< X ≤ b) ning kuna tõenäosus on alati mittenegatiivne, siis saamegi
F(b) ≥ F(a).
Vahetult eelnevast tõestusest saame avaldada ka vahemikku langemise tõenäosuse
P ( a< X ≤ b )=F ( b )−F ( a ) , kui a
k! k=0 k! k=0 k! k=2 ( k −2 ) ! i=0 i!
∞ k ∞
λ
E ( X 2 )=∑ k 2 e−λ =∑ ¿
k=0 k! k=0
D(X) = E(X ) – E(X) = λ + λ – λ = λ
2 2 2 2
14. Jaotusfunktsiooni ja tihedusfuntsiooni vahelised seosed
Funktsiooni f nimetatakse juhusliku suuruse X tihedusfunktsiooniks, kui f(X)
X
= F’(X). Seega F(X) = ∫ f ( t ) dt
−∞
Olgu X pidev juhuslik suurus jaotusfunktsiooniga F(X). Leiame tõenäosuse, et
see juhuslik suurus satuks vahemikku (x, x+∆x): P(x
Diskreetse juhusliku suurused X ja Y on sõltumatud, siis suuruse X tõenäosusjaotuseks nimetatakse E(XY) = EX EY funktsiooni p(x), kus p(x) = P(X = x). See 2. Kui juhuslikud suurused X ja Y funktsioon omandab positiivseid väärtusi on sõltumatud, siis ainult nende argumentide korral, mis on D(X+Y) = DX + DY. juhusliku suuruse võimalikeks Pideva juhusliku vektori väärtusteks. Tõenäosusjaotust esitatakse kas jaotusfunktsiooni F(x,y) saab esitada valemina või tabeli abil, milles loetletakse tihedusfunktsiooni abil. Kui leidub niisugune juhusliku suuruse kõikvõimalikud väärtused ja funktsioon f(x,y), et siis nimetatakse seda nende omandamise tõenäosused. juhuslikku vektorit pidevaks, funktsiooni Normaaljaotus on pidev jaotus, mis võib f(x,y) aga selle juhusliku vektori omandada kõiki reaaltelje väärtuseid, teda tihedusfunktsiooniks.Kui jaotusfunktsioon F(x,
Diskreetse JS X jaotus on vastavus iga xi ja tema esinemise tõenäosuse pi vahel. Seejuures pi =1
i=1
42. Juhusliku suuruse jaotus- ja tihedusfunktsioon.
Juhusliku suuruse X jaotusfunktsiooniks F(x) nimetatakse funktsiooni, mis määrab tõenäosuse, et JS on väiksem
argumendi teatud väärtusest x,
F(x)=P(X
väärtuse, mis on väiksem reaalarvust x. F(x) = P(X < x), kus x , . Pidevaks nimetatakse juhuslikku suurust, mille jaotusfunktsioon on pidev. Graafiliselt tähendab see, et juhuslik punkt X asetseb juhuslikust suurusest x alati vasakul. Omadused. 1. Kuna jaotusfunktsioon on defineeritud tõenäosuse abil, siis 0 ≤ F(x) ≤ 1. 2. Tõenäosus, et juhuslik suurus omandaks väärtusi lõigul , , on võrdne jaotusfunktsiooni muuduga sellel lõigul P X = F(β) - F(α). 1. Jaotusfunktsioon on mittekahanev funktsioon. Kui x1 < x2, siis F(x1) ≤ F(x2). 2. F( - ) = 0, kuna A = (X < - ) on võimatu sündmus ja F( + ) = 1, kuna B = (X < + ) on kindel sündmus. 2.4 Pideva juhusliku suuruse jaotustihedus Juhusliku suuruse jaotustiheduseks on funktsioon f(x), mis on tuletis jaotusfunktsioonist F(x). F ( x) f(x) = F´(x) = lim .
pidev juhuslik suurus: võimalike väärtuste hulk on pidev (nt mõõtetulemused pidevalt skaalalt)
Juhusliku suuruse omadused määrab (täielikult) tema jaotusseadus:
jaotusfunktsioon - tõenäosus, et juhuslik suurus väärtus ei ületa funktsiooni argumenti x: F(x) = P (X
mittennustatava väärtuse mingist võimalikust väärtuste hulgast. Diskreetne juhuslik suurus: võimalike väärtuste hulk on lõplik Pidev juhuslik suurus: võimelike väärtuste hulk on kontiinum Jaotusfunktsioon on tõenäosus, et juhusliku suuruse väärtus ei ületa funktsiooni argumenti. Jaotusfunktsioon peab rahuldama järgmisi tingimusi: monotoonsus (kui b>a, siis F(b)>F(a), normeeritus (x-lõpmatus korrral lim F(x)=0, xlõpmatus lim F(x)=1) Jaotustihedus on jaotusfunktsiooni tuletis. Arvkarakteristikud kujutavad endast mingeid jaotusseaduse järgi leitavad 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
Juhuslikud suurused on kas diskreetsed või pidevad. Diskreetne juhuslik suurus X
omandab katsel ühe oma võimalikest väärtustest x1, x2, x3, ..., xn, st toimub üks järgmistest sündmustest:
X=x1, X=x2, ..., X=xn. Need sündmused kokku moodustavad täieliku sündmuste süsteemi, milles
üksiksündmuste tõenäosused on: p1=p(X=x1) jne. Summaarne tõenäosus (p=1) mingil viisil jaotub
juhusliku suuruse erinevate väärtuste vahel. Lihtsaim jaotusseadus on jaotusrida või nn jaotustabel.
Jaotushulknurk (sageduse polügoon) on graafiline kujutis jaotustabelile. Kasutades sündmuse tõenäosuse
kaudse arvutamise võtteid, on tuletatud alljärgnev tõenäosuse jaotus. Tõenäosus, et n võimalikust
sündmusest toimub m sündmust.
F2(x1; x2; t1; t2) = P((X(t1)
kriteeriumiks. Valitakse see alternatiiv, mille korral oodatav väärtus on ekstremaalne. Näiteks: oodatav kasum maksimaalne,oodatav kulu minimaalne Valem: µ=E[X]= ∑ pixi Dispersioon – diskreetse juhusliku suuruse dispersioon σ^2=∑(xi-µ)^2*pi Pidev juhuslik suurus - Pideva juhusliku suuruse korral ei saa rääkida mingi üksiku konkreetse väärtuse esinemise tõenäosusest. Selle korral on konkreetse üksiku väärtuse esinemise tõenäosus 0 Jaotustihedus jaotusfunktsiooni tuletis: Empiirilised jaotused - Teostame mingit katset palju kordi, iga kord registreerime juhusliku suuruse väärtuse ja leiame statistilised tõenäosused. Saame empiirilise jaotuse. Empiirilise jaotuse saab anda vaid tabeli või diagrammina. Teoreetilised jaotused - Teatud teoreetilistest printsiipidest tuletatud jaotusseadus on teoreetiline jaotus. Diskreetse juhusliku suuruse korral: valem tõenäosuste leidmiseks. Pideva juhusliku suuruse korral: valem jaotustiheduse leidmiseks
2 1 k np 1 2 npq P(n, k) e = (z) / npq 2 npq 30. Valim. Empiiriline jaotusfunktsioon Valimi esinduslikkus ja hälbed. Histogramm ja polügon. 31. Kogumi punkthinnangud. Nihutatud ja nihutamata hinnangud Ühe arvuga, *=f(x1,., xn). Keskmine ja dispersioon. Nihutamata, hinnangu väärtus ja põhikogumi matemaatiline ootus langevad kokku. Keskmine ja s2=n DD/(n-1). 32. Punkthinnangu arvutamise momentide meetod. Valimi keskmise ja dispersiooni arvutamine korrutismeetodiga Teoreetilise momendid võrdsustatakse empiiriliste momentidega ja leitakse hinnang
1. Üldkogum – ehk populatsiooni all mõeldakse kõiki juhtumeid või situatsioone, mille kohta uurijad soovivad, et nende poolt saadud järeldused või prognoosid kehtiksid. Valim – liikmed tuleb valida juhuslikult, st igal üldkogumi liikmel peab olema võrdne võimalus saada valitud valimisse. Valimimaht – Valimisse valitavate objektide arv. Tunnuste- all mõistetakse liikmeid kirjeldavaid erinevaid omadusi. 2. Statistilise uurimistöö etapid. Mingi probleemi statistilise uurimisel läbitakse 4 tööetappi: Uuringu ettevalmistamine Statistiline vaatlus või eksperiment Vaatlusandmete kokkuvõtte ja esialgne töötlemine
Haare: valimi suurima ja vähima elemendi vahe Statistika põhiteoreem: Empiiriline jaotusfunktsioon FN(x) on teoreetilise (üldkogumi) jaotusfunktsiooni F(x) nihutamata ja mõjus hinnang. Histogramm: Histogramm on enimkasutatav (üldkogumi) jaotustiheduse hinnang. Histogrammi kasutatakse ettekujutuse saamiseks üldkogumi jaotusseadusest ning ta kujutab endast tulpdiagrammi, mille tulpade kõrgused näitavad vastavasse vahemikku sattumise sagedust. 2-jaotus on kasutusel normaaljaotusega juhusliku suuruse dispersiooni hinnangu jaoks usaldusvahemike arvutamisel. t-jaotus (Studenti jaotus) on kasutusel normaaljaotusega juhusliku suuruse keskvaartuse hinnangu jaoks usaldusvahemike arvutamisel. F-jaotus (Fisheri jaotus) on kasutusel kahe normaaljaotusega juhusliku suuruse dispersioonide hinnangute võrdlemisel osana mitmetes hüpoteeside kontrolli skeemides.
Punkthinnangud Matemaatilise statistika ülesanne Matemaatiline statistika on teadus, mis käsitleb katse- või vaatlusandmete kogumise, klassifitseerimise ja oluliste karakteristikute hindamise meetodeid. Matemaatiline statistika ülesanded: 1. Juhusliku suuruse X mõõtmise käigus on saadud sõltumatud tulemused x1, x2, ... , xn. Nende tulemuste põhjal tuleb hinnata selle juhusliku suuruse jaotusfunktsiooni F(x). 2. Jaotuse parameetrite hindamine: Valimi põhjal tuleb otsustada, millised on üldkogumi jaotust iseloomustava jaotusfunktsiooni parameetrid. Näiteks normaaljaotuse korral tuleb hinnata keskväärtust ja standardhälvet (dispersiooni). 3. Statistiliste hüpoteeside kontrollimine Tunnused Katsel jälgitakse tavaliselt juhuslikke suurusi , mis väljendavad uuritava nähtuse omadusi ning avalduvad reeglina mõõtmis- või vaatlustulemustena
arv, kes ootavad teenindamist, kaubasaadetises esinevad vigade arv. Ühtlase jaotuse keskväärtus EX = (a + b)/2 s.o. keskväärtus on juhusliku suuruse võimalike väärtuste lõigu [a, b] keskpunkt. Dispersioon on DX = (b - a)2/12. Normaaljaotuse keskväärtus EX = µ ja dispersioon on s2. 16. Pideva juhusliku suuruse tihedusfunktsioon. Pideva juhusliku suuruse korral on võimalik leida jaotusfunktsioonist tuletis. Jaotusfunktsiooni tuletist nimetatakse juhusliku suuruse tihedusfunktsiooniks. Tihedusfunktsiooni tähistatakse tähega f(x). Tihedusfunktsioonil on järgmised omadused, mis vahetult tulenevad jaotusfunktsiooni omadustest: Tihedusfunktsioon on mittenegatiivne f(x) >= 0.; Tihedusfunktsiooni alune pindala on võrdne ühega. Tihedusfunktsioon kannab endaga kaasas kõikvõimalike intervallide tõenäosusi, intervalli (a, b) tõenäosus on võrdne pindalaga, mis jääb tihedusfunktsiooni alla selle intervalli kohale
Majandusstatistika eksamiküsimused FK100 1. Statistika mõiste. Üldkogum ja valim. Rühmitatud andmed. Statistilise materjali graafiline esitamine (histogramm ja kumulatiivse sageduse graafik). Statistika on andmete kogumine ja töötlemine, statistilised andmekogumid, teadusharu, mille põhiülesandeks on massinähtuste vaatlemine, nende kohta andmete kogumine ja analüüsimine ning selle põhjal järelduste ja üldistuste tegemine ning praktiliste lahenduste pakkumine Üldkogum antud tunnustega elementide hulk (nt. koolis õpilaste hulk), N
Tähistame F-ga
F(x )=P(Xx ) tõenäosus, et JS kuulub paljude väärtuste korral
0 0
teatavasse piirkonda P(a
MTMM.00.340 Kõrgem matemaatika 1 2016 KÄRBITUD loengukonspekt Marek Kolk ii Sisukord 0 Tähistused. Reaalarvud 1 0.1 Tähistused . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 0.2 Kreeka tähestik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 0.3 Reaalarvud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 0.4 Summa sümbol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1 Maatriksid ja determinandid 7 1.1 Maatriksi mõiste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.2 Tehted maatriksitega . . . . . . . . . . . . . . . . . . .
Regressioonianalüüs võimaldab mõõta nähtuste vahelise seose olemasolu, suunda ja tugevust, kuju ning välja tuua regressivõrrandi eristamaks sõltuvat ja sõltumatuid ehk seletavaid muutujaid. Reg.analüüs uurib sõltuva muutuja Y sõltuvust ühest või mitmest sõltumatus (seletavast) muutujast (X). 37. Reg.mudeli statistiline analüüs mudeli parameetrite statistiline olulisus, usalduspiirid (t statistik, tjaotus). Usalduspiiride ja parameetrite kohta käivate hüpoteeside testimiseks on vaja teada parameetrite standardvigasid ja hinnangut regressiooni standardveale. Reeglina testitakse, kas parameetri hinnang erineb etteantud olulisuse nivoo korral nullist (st parameeter on statistiliselt oluline). Hüpoteeside testimisel leitakse tstatistiku väärtus ja vaadeldakse, kas ta kuulub t ja t vahele
Siin olid Märdil ainult erinevad funktsioonid ja 0 teksti. Jaotusfunktsioon on juhusliku suuruse universaalne iseloomustaja, mis kirjeldab võimalike väärtuste tõenäosuste jaotust. Jaotustabel x 0 1 3 P(X=x) 0,8 0,1 0,1 Leia E(X2): 02x0,8+12x0,1+32x0,1= 1 1 Jaotusfunktsiooni abil on raske otsustada juhusliku suuruse käitumise üle mingi punkti ümbruses. Seetõttu kasutatakse lisaks jaotusfunktsioonile ka sellest tuletatud tihedusfunktsiooni. 2 4. Populatsioon ja valim, standardviga Populatsioon on kõigi objektide, isendite, esemete, nähtuste või seisundite kogum, mille kohta soovitakse järeldusi teha
Tudeng teab neist kolme. P(S/H4)=1/36*36 Talle esitatakse kolm küsimust. Olgu X küsimuste arv, mida tudeng neist teab. Leidke suuruse X jaotusseadus, jaotusfunktsioon F(x) analüütiliselt ja graafiliselt, jaotustihedus f(x), karakteristlik funktsioon g(w), genereeriv funktsioon G(z), keskväärtus E(X) ja dispersioon D(X) ning tabamuste arvud esimesel ja teisel viskel. Leidke standardhälve. suuruste X1 ja X2 ning X genereerivad funktsioonid, Lahendus: X=1,2,3 suuruse X jaotusseadus, F(x) , Gx(z), EX, DX.
70,00 0,925 0,3238 28,25 5,65 5,00 -23,25 540,66 19,14 90,00 1,645 0,4505 39,31 13,10 3,00 -36,31 1318,19 33,54 X2 -27,72787048 statistik Vabadusastmete arv k = m 1 r = 5 1 1 = 2 X2kr (0,1;2) = 4,605 Kuna kriitiline teststatistik on suurem kui teststatistik, siis peab hüpotees paika. 4.2 põhikogumi jaotuseks on eksponentjaotus (mille parameeter tuleb hinnata valimi järgi) k xm ni F0(m) pi ni' ((ni-n'i)2)/n'i 1 20,00 6,00 0,29 0,29 7,25 0,215517241 2 40,00 7,00 0,50 0,21 5,15 0,664563107
MAINORI KÕRGKOOL Juhtimise instituut Annika Krutto ANDMEANALÜÜS SOTSIAALTEADUSTES Loengukonspekt Tartu 2009 SISUKORD SISSEJUHATUS...........................................................................................................................3 1. ANDMEANALÜÜSI põhimõisted ......................................................................................... 3 1.1 Üldkogum ja valim............................................................................................................... 3 1.2. Valimi valikumeetodid.........................................................................................................4 1.3. Mõõtmismeetod ja mõõtmisvahend ....................................................................................5 1.4. Andmetabel.....................................................................................................
1) empiirilise jaotuse histogrammi graafik 2) hüpoteesile 4.1 vastava normaaljaotuse tiheduse ja sellele vastava hüpoteetilise histogrammi graafik 3) hüpoteesile 4.2 vastava eksponentjaotuse tiheduse ja sellele vastava hüpoteetilise histogrammi graafik 4) hüpoteesile 4.3 vastava ühtlase jaotuse tiheduse ja sellele vastava hüpoteetilise histogrammi graafik Kõik graafikud koos: 6. Graafikute koostamine: 1) empiirilise jaotusfunktsiooni graafik. 2) parameetritega a = 0, b = 100 ühtlase jaotuse jaotusfunktsiooni graafik. 7. Kontrollin Kolmogorovi-Smirnovi testi abil hüpoteesi, et põhikogumi jaotuseks on ühtlane jaotus fikseeritud parameetritega a = 0 ja b = 100 ( = 0,10, Dkr = 0,238). Valemid DN arvutamiseks: DN = max d i di = max i ( di+ , di- ) i di+ = F0 ( xi ) - N (i - 1)
Funktsioon. Määramispiirkond, väärtuste hulk. Pöördfunktsioon. Seaduspärasust või teisendust, mis igale X elemendile x seab vastavuse ühe hulga Y elemendi y nim. argumendi x funktsiooniks ja kirjutatakse y=f(x) Funktsiooni y=f(x) määramispiirkonnaks on kõigi nende argumendi x väärtuste hulk, mille korral funktsioon omab mõtet ja on lõpliku väärtusega. Funktsiooni väärtuste hulgaks nim. nende väärtuste hulka, mida funktsioon omandab, kui läbib kogu määramispiirkonna. Tingimused, mis peavad olema täidetud elementaarfunktsioonide kaudu esitatud reaalmuutuja funktsioonil: B ( x) 1) A( x) 0 A( x) 2) 2 x A( x) A( x) 0 3) logaA(x) A(x) >0 arcsin A( x) 4) -1 A( x) 1 arccos A( x) Funktsiooni y=f(x) pöördfunktsiooniks nim. f-ni y=g(x), mis igale funktsiooni f väärtusele y seab vastavusse need argumendi x väärtused, mille korral y=f(x) Olgu funktsioonid y=f(x) ja y=g(x), siis väärtus y on teisendatud argumendi x l
Funktsioon. Määramispiirkond, väärtuste hulk. Pöördfunktsioon. Seaduspärasust või teisendust, mis igale X elemendile x seab vastavuse ühe hulga Y elemendi y nim. argumendi x funktsiooniks ja kirjutatakse y=f(x) Funktsiooni y=f(x) määramispiirkonnaks on kõigi nende argumendi x väärtuste hulk, mille korral funktsioon omab mõtet ja on lõpliku väärtusega. Funktsiooni väärtuste hulgaks nim. nende väärtuste hulka, mida funktsioon omandab, kui läbib kogu määramispiirkonna. Tingimused, mis peavad olema täidetud elementaarfunktsioonide kaudu esitatud reaalmuutuja funktsioonil: B ( x) 1) A( x) 0 A( x) 2) 2 x A( x) A( x) 0 3) logaA(x) A(x) >0 arcsin A( x) 4) -1 A( x) 1 arccos A( x) Funktsiooni y=f(x) pöördfunktsiooniks nim. f-ni y=g(x), mis igale funktsiooni f väärtusele y seab vastavusse need argumendi x väärtused, mille korral y=f(x) Olgu funktsioonid y=f(x) ja y=g(x), siis väärtus y on teisendatud argumendi x l
MATEMAATIKA TÄIENDÕPE VALEMID JA MÕISTED KOOSTANUD LEA PALLAS 1 2 SAATEKS Käesolev trükis sisaldab koolimatemaatika valemeid, lauseid, reegleid ja muid seoseid, mille tundmine on vajalik kõrgema matemaatika ülesannete lahendamisel. Kogumikus on ka mõned kõrgema matemaatika õppimisel vajalikud mõisted, mida koolimatemaatika kursuses ei käsitletud.. 3 KREEKA TÄHESTIK - alfa - nüü - beeta - ksii - gamma - omikron - delta - pii - epsilon - roo - dzeeta - sigma - eeta - tau - teeta - üpsilon - ioota - fii - kapa - hii - lambda - psii - müü - oomega
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).
0, 1, 1, 4, 5, 5, 6, 7, 10, 10, 11, 12, 12, 15, 17, 20, 22, 23, 24, 25, 25, 25, 27, 33, 38, 38, 39, 39, 40, 43, 44, 44, 46, 52, 62, 62, 69, 69, 71, 71, 74, 74, 75, 75, 78, 78, 79, 79, 80, 82, 82, 85, 86, 87, 91, 91, 96, 96, 96, 98 Dixon-test Rlow=(x3-x1)/(xn-2-x1), n=60 -> Rlow=(1-0)/(96-0)=1/96=0,01 -> x1 ekse, sest et Rlow =0,01> Dkr=0,35 Osa A. Hinnangud, usaldusvahemikud, statilised h üpoteesid ja jaotused Tabel 1. Valim xi-juhuslik arv, ni xi kordumiste arv xmin=0, xmax=98 xi ni ni*xi ni*xi² ni(xi-x)² 0 1 0 0 2254.35 4320.78 1 2 2 2 1 4 1 4 16 1890.51 3609.10 5 2 10 50 1 6 1 6 36 1720.59 7 1 7 49 1638
MATEMAATIKA TÄIENDÕPE VALEMID JA MÕISTED KOOSTANUD LEA PALLAS 1 2 SAATEKS Käesolev trükis sisaldab koolimatemaatika valemeid, lauseid, reegleid ja muid seoseid, mille tundmine on vajalik kõrgema matemaatika ülesannete lahendamisel. Kogumikus on ka mõned kõrgema matemaatika õppimisel vajalikud mõisted, mida koolimatemaatika kursuses ei käsitletud.. 3 KREEKA TÄHESTIK Α α alfa Ν ν nüü Β β beeta Ξ ξ ksii Γ γ gamma Ο ο omikron Δ δ delta Π π pii Ε ε epsilon Ρ ρ roo Ζ ζ dzeeta Σ σ sigma Η η eeta Τ τ tau Θ θ teeta Υ υ üpsilon Ι ι ioota Φ φ fii Κ κ kap
annaabi.ee 
