Leidsid 33 sarnast õppematerjali, mis on seotud failiga "Nimetu". Need materjalid aitavad sul teemat sügavamalt mõista.
diameetri, hüpotees, regressioon, väärtu, rtuse, tatud, metsandus, mõõdet, võra, kiviste, sõltuvus, regression, proovitükk, hüpoteesid, statistik, rite, usaldusnivoo, parameeter, equal, kahjus, nullhüpotees, square, error, teoreetilise, iline, puuliigi, diameetrite, keskväärtused, diameeter, mõõtmistulemus, elektron, terved, sisukas, graafikosakond 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...................................................
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: keskväärtuse hinnang (aritmeetiline keskmine), 4.921 dispersioon, 7.352 standardhälve, 2.712 standardhälbe viga 0.183
13,1 0,0 0,0 0,0 13,0 15,4 11,3 5,2 0,0 0,0 0,0 0,0 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
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
EESTI MAAÜLIKOOL Põllumajandus- ja keskkonnainstituut Proovitüki nr. 722 andmete analüüs Kodune töö nr. 2 õppeaines ,,Andmetöötluse alused" Juhendaja lektor Külliki Kiviste Tartu 2011 2 Sisukord Sissejuhatus.............................................................................................................................4 1. Proovitüki üldiseloomustus.................................................................................................5 2. Tunnuste liigid.................................................................................................................
Samas ei ole see materjal mõeldud matemaatilise statistika konspektiks, vastavad teadmised/materjalid eeldatakse kasutajal enesel olemas olevat. Seetõttu pole ka eriti tegeletud konkreetsete näidetega ega tulemuste tõlgendamisega. See konspekt ei ole Andres Kiviste 1998 aastal ilmunud vihiku "Matemaatilise statistika algteadmisi ja rakenduslikke näiteid MS Exceli keskkonnas" ümbertrükk. MS Wordi dokumendina oli ta olemas juba pool aastat enne ülalnimetatud raamatu ilmumist ja sai siis ka tudengitele kätte jagatud.
Hüpoteeside testimine ehk keskmiste võrdlemine: Vaja vastata küsimustele: (1) kas rühmad (või valimid ja nende jaotused) on nii sarnased, et võime öelda, et nad kuuluvad samasse üldkogumisse või (2) on nad nii erinevad, et esindavad kahte erinevat üldkogumit? (Nt. Kas naissoost üliõpilased saavad sõnavaratestis paremaid tulemusi kui meessoost üliõpilased?) Hüpoteesi kontrollimine: püstitada nullhüpotees (nt erinevust ei ole) ning alternatiivne e. sisuline hüpotees (erinevus on) defineerida testimise protseduur, sealhulgas olulisuse nivoo (psühholoogias 95%) otsustada, millist keskmiste erinevuste testi kasutada arvutada teststatistikud ja nendega seotud olulisuse tõenäosused arvutada efekti suuruse näitajad teha järeldus, kas andmed on kooskõlas nullhüpoteesiga või mitte Nullhüpotees ja alternatiivne hüpotees: Alustatakse eeldusest, et valimid ei erine; H0: μ1= μ 2 (nullhüpotees)
, objektide asendamise viga, mõõtmisviga – mõõtmisvahendi viga, mõõtmisolukorra viga, intervjueerija viga, töötlusviga - Tekivad andmete kodeerimisel, sisestamisel, analüüsimisel 7. STATISTILISTE HÜPOTEESIDE KONTROLL Kriitiline piirkond - nullhüpotees on ümber lükatud. Kui K langeb kriitilisse piirkonda kehtib sisukas hüpotees. Kui K ei lange kriitilisse piirkonda kehtib nullhüpotees Nullhüpotees: kogumi keskväärtus μ võrdub mingi arvuga μ0. H0: μ = μ0 Sisukas hüpotees: kogumi keskväärtus μ ei võrdu arvuga μ0. H1: μ ≠ μ0 Keskväärtuse testimine suurte valimite korral – testimiseks Z-test. Valem: Mida suurem on valimi standardhälve s , seda väiksem on z, st seda "kergemini" tuleb vastuseks nullhüpotees. Ühepoolse hüpoteesi korral on kriitiline väärtus nullile lähemal. Järelikult sisukat hüpoteesi on nö lihtsam tõestada. I liiki viga: kehtiva nullhüpoteesi tagasilükkamine II liiki viga: mittekehtiva nullhüpoteesi vastuvõtmine
ehk hüpoteesite kehtivust üldkogumite suhtes, millest väljavõtud on tehtud. Püstitatakse hüpoteesid, mis arvutuste tulemusel kas loetakse paikapidavaks või kummutatakse. Vead kontrollimiseks: I liiki vea korral kummutatakse nullhüpotees, mis tegelikult on õige. See on raske viga – uurija tõestab erinevust, mida tegelikult ei ole, mis vaid juhuslikult ilmnes valimis. II liiki vea korral võetakse vastu konkureeriv hüpotees, mis on tegelikult vale. See on kergem viga, mis enamasti tähendab seda, et soovitu tõestamiseks tuleb mõõtmisandmeid juurde koguda. Olulisuse nivoo – esimest liiki vea tõenäosus on α. Selle suurimat lubatavat tõenäosust nimetatakse olulisuse nivooks, nt α=0,05. 36. Üldkogumite keskväärtuste võrdlemine – tuleb esmalt selgitada, kas dispersioonid on erinevad. F.TEST’ funktsiooniga. Erinevate
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, ....
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!
x , t , s, n Toodud valemites 2 ;n -1 on vastavalt tunnuse keskmine valimis, t-jaotuse olulisusnivoole a-le vastav täiendkvantiil, tunnuse standardhälve valimis ja valimi suurus. 4.3. Statistiliste hüpoteeside kontrollimine Üldkogumi kohta esitatud oletusi nimetame hüpoteesideks. Otsus, kumb väide ehk hüpotees üldkogumis kehtib, langetatakse valimi põhjal. Teaduste areng toimubki üldreeglina nii, et teoreetikud sõnastavad teoorial põhinevad hüpoteesid (teaduslikud oletused), praktikud teevad vastavad mõõtmised ja püüavad neid hüpoteese kas tõestada või kummutada. Selleks, et kasutada matemaatilise statistika metoodikat erinevatest valdkondadest pärinevate hüpoteeside
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
2) Pudelites on jooki 0,33 l või rohkem 2. Kuidas muutub valimi mahu suurenemisel z-testi parameetri kriitiline väärtus ei muutu 3. Kui kahe valimi keskväärtuse testimisel nende keskväärtuste erinevus on väiksem, siis t-testi parameetri empiiriline väärtus on vaiksem 4. Arvatakse, et meeste ja naiste töökiirus konveieri taga on erinev. Kontrollimiseks valitakse juhuslikult välja 10 meestöötajat ja 10 naistöötajat ning mõõdetakse nende töökiirused. Sisukas hüpotees on Meeste ja naiste töökiirused on erinevad. Kas tegemist on sõltuvate või sõltumatute valimitega? Sõltumatud valimid. 5. Hüpoteesi statistilisel kontrollimisel saadi vastava statistiku empiiriliseks väärtuseks -2,3 ja kriitilisteks väärtuseks -1,5 ja 1,5. Milline on järeldus? Kehtib sisukas hüpotees 6. Kuidas muutub valimi mahu suurenemisel t-testi parameetri empiiriline väärtus? suureneb 7. Kumba liiki veaga on tegemist, kui võetakse vastu mittekehtiv nullhüpotees
Hinnanguvahemikku nimetatakse ka usaldusvahemikuks ehk usalduspiirkonnaks. Selle otspunkte usalduspiirideks. NB! Kuna üldkogumi parameeter on JS, siis usalduspiire võib vaadelda kui parameetri hinnangu vastavaid kvantiile. 46. Usaldus- ja olulisuse nivoo. Otsustuse, hüpoteesi tõenäosus olulisuse nivoo; tähis . Hinnangu täpsust etteantud olulisuse nivool iseloomustab usalduspiirkonna laius. 47. Statistiline hüpotees, nullhüpotees, alternatiivne hüpotees, ühe-ja kahepoolne hüpotees. Üldkogumi kohta esitatud tõenäosuslik oletus on statistiline hüpotees. Nullhüpotees (tähistatakse H0 ) on väide, mis kinnitab üldkogumi vastavust teatavale standardile. See on juhus, millel ei ole uurijat huvitavat sisu. Näiteks väide selle kohta, et veekogus elavad punased ja sinised kalad ei erine üksteisest oma keskmise kaalu (või pikkuse jne) poolest. Sisukas ehk alternatiivne hüpotees (tähistatakse H1) on väide, mis kinnitab teatud erinevusi üldkogumi elementide
Mainori Kõrgkool Matemaatika ja statistika Loengukonspekt Silver Toompalu, MSc 2008/2009 1 Matemaatika ja statistika 2008/2009 Sisukord 1 Mudelid majanduses ............................................................................................................. 4 1.1 Mudeli mõiste ......................................................................................................................... 4 1.2 Matemaatilise mudeli struktuur ja sisu ................................................................................... 4 2 Funktsioonid ja nende algebra............................................................................................... 5 2.1 Funktsionaalne sõltuvus ....................................
1. Epidemioloogia on rahvastervishoiu, kliinilise meditsiini ja statistika ühisosa. Käsitleb haiguste ja terviseseisundite levikut inimpopulatsioonis. a. Uurib tervisega/haigusega seotud seisundite ja sündmuste esinemist ja mõjureid rahvastikurühmades. b. Uurib uurimistulemuste rakendamist tervisega/haigusega seotud probleemide lahendamisel rahvastikurühmades. c. Ühesõnaga viib läbi igasuguseid uuringuid, et saada aimu erinevate tegurite mõjust jne d. Saame ise uurida ja uuringuid tõlgendada tänu epidemioloogiale. e. Klassikaline epi tegeles ajalooliselt nakkushaiguste uurimisega rahvastikud. f. Moodne epi uurib nii nakkushaigusi kui ka mittenakkushaiguslikke haigusi ja tervist rahvastikurühma tasandil. g. John Snow oletas, et joogivesi on sobiv haiguse edasikandja inimeselt inimesele (koolera). h. James Lind merendushügieeni alusepanija (meremehed peavad mer
ELEKTRIMÕÕTMISED ELECTRICITY MEASUREMENTS 3. parandatud ja täiendatud trükk LOENGU KONSPEKT Koostas: Toomas Plank TARTU 2005 Sisukord Sissejuhatus ......................................................................................................................................... 5 MÕÕTMISTEOORIA ALUSED ........................................................................................................ 6 1. Mõõtmine, mõõtühikud, mõõtühikute vahelised seosed.............................................................. 6 1.1. Mõõtmine ............................................................................................................................ 6 1.2. Mõõtühikud ja nende süsteemid .......................................................................................... 6 1.3. Dimensioonvalem
muutujad (X) · matemaatiliste ja statistiliste meetoditega hinnatavad mudeli parameetrid · juhuslik komponent () ÖKONOMEETRILISE MODELLEERIMISE ETAPID: 1. teooria ja sellel baseeruva verbaalse mudeli formuleerimine 2. andmebaasi korraldamine 3. ökonomeetrilise (matemaatilise) mudeli valik 4. ökonomeetrilise mudeli parameetrite hindamine 5. parameetrite usaldatavuse kontrollimine 6. mudeli omaduste parandamine 7. järelduste tegemine 8. prognooside koostamine 3. Lihtne regressioon, regressioonivõrrandi põhikuju. Determineeritud regressioonivõrrand. Lineaarse regressiooni korral kirjeldatakse seost uuritavate muutujate väärtuste vahel sirge abil võrrandiga Y = a0+a1X Eesmärgiks on leida punktiparvega antud X ja Y vahelist seost iseloomustava parima sirge võrrand Lineaarse kahe muutujaga determineeritud regressioonimudeli korral eeldatakse, et juhusliku suuruse Y tingliku keskväärtuse ja sõltumatu muutuja X vahel on seos
Uurimismeetodid psühholoogias (SOPH.00.282; 6 EAP) Kokku käsitletakse loengutes/seminarides/praktikumides seitset suuremat teemat, lisaks tuleb lugeda ka õpikust Kõigi teemade kohta on õppejõud koostanud lühikonspektid, mida auditoorse töö käigus pikemalt kommenteeritakse (koos näidetega). Mõnede teemadega kaasnevad praktilised tööd, kokku 5. Iga töö kohta tuleb vormistada aruanne/protokoll (tähtaeg määratakse iga töö kohta eraldi). Kuna on tegemist võimalikult praktilise kursusega, siis on auditoorsel tööl kohalolek kohustuslik. Aine lõpeb kirjaliku eksamiga. Eelduseks eksamile pääsemiseks on kontrolltöö sooritamine (9. aprill 2012) ja praktiliste tööde tegemine ning esitamine. Lisaks on vaja osaleda mõnes psühholoogilises uurimuses aineväliselt (2h). Teemad: · Eksperimentaalne meetod psühholoogias · Uurimistöö allikad. Uurimustöö eetika (praktiline töö nr. 1; Ch 6-7) · Mõõtmine ja mõõtmisskaalad (praktiline töö nr 2; Ch 8) ·
Ülejäänud 5 juhtu võivad moodustada erandi. KONTSEPSIOON. Teaduskirjanduses käsitletakse seda valdavalt käsitlusviisi või vaadete süsteemina, mis oma ulatuselt üldises tunnetuslikus plaanis väiksem, võrreldes teadusliku hüpoteesi või teooriaga. Käsitlusviis, mida saab pidada kontseptsiooniks, võib hõlmata mitut hüpoteesi ja teooriat. Samuti võib kontseptsiooni määratleda suhtumise kaudu konkreetsesse hüpoteesi või teooriasse. TEADUSLIK HÜPOTEES. Hüpotees on oletus, mis on esitatud mõne nähtuse seletamiseks ja mis nõuab kontrollimist ja tõestamist faktide varal, et muutuda usaldatavaks teadusteooriaks. Hüpotees on teadusliku tunnetuse oluline aste ja vahend, katse tungida puudulikult uuritud alasse. Hüpoteeside tõesus on erinev. Oluline on, et nad võimaldavad fakte loogiliselt organiseerida ja saada uusi teadmisi, mis kaasnevad nii hüpoteesi tõestamise kui ka kummutamisega
Andemanalüüsi konspekt: Mõisteid küsitakse eksamis: näidete toomise, selgitamise, võrdlemise ja analüüsimise tasandil. Binaarne tunnus- sugu; jah/ei Järjestustunnus- kooli tüüp, 1-väga hea, 2- hea jne(NB!- Õpilaste hinnang koolile), kui suured on klaassid- väga suured, suured jne, milline kooli maine- väga hea, hea jne, millisesse vahemikku jääb arv (0-200, 201-301 jne) oluline oleks, et Display frequence ees oleks linnuke, siis saab teha sagedustabeli Intervalltunnus- 1-väga hea, 2-hea jne (NB!_- Kooli hoolekogu hinnang eelmise õppeaasta tulemustele?/ Kooli hoolekogu hinnang eelmise aasta juhtimisele?) , hulk (n: minu klassi avatakse), vanus (keskmine vanus), kui kaugel asub kool millestki- km-tes, Nimitunnus- millegi nimi, huviringude nimed, kooli nimi jne, kas koolis töötab nõustaja- ei tööta, töötab, mõlemad jne, Kiire ü
RIIK SUGU PIKKUS MASS PEA_P JALANR ODE_VEND MAT_HINNE Eesti M 186 95 59 44 1 4 Eesti N 170 85 57 42 6 4 Eesti N 169 50 54 38 1 3 Eesti M 180 70 56 43 0 3 Eesti 179 72 55 40 1 4 Eesti N 170 55 55 37 1 4 Eesti N 160 58 55 38 1 5 Eesti N 161 57 55 39 1 4 Eesti N 171,5 59 57 38 1 4 Eesti N 180 63 58 41 2 5 Eesti N 168 54 57 38 1 4 Eesti N 170 57 52 40 2 3 Eesti N 163 61 57,5 39 0 4 Eesti M 172 66 54 42 1 4 Eesti M 183 73 54,5 44 4 Eesti M 185 72 56 44
TALLINNA TEHNIKAÜLIKOOL Matemaatika-loodusteaduskond Analüütilise keemia õppetool RASKEMETALLIDE MÄÄRAMINE AHVENAS Magistritöö Kristiina Fuchs Juhendaja: teadur Ph.D Anu Viitak Konsultandid: MSc Leili Järv Bioloogiakandidaat Mart Simm Tartu Ülikool Eesti Mereinstituut Tallinn 2009 Sisukord Sisukord..........................................................................................................................2 1. SISSEJUHATUS........................................................................................................3 2. Kirjanduse ülevaade...................................................................................................4 2.1 Raskemetallid..............................................................................................
9/6/2011 Eesmärk · Kursuse läbinud üliõpilane: omab teadmisi teadusfilosoofia sissejuhatusest, äriuuringute spetsiifikast, uuringu ülesehitusest ja uurimisprotsessi etappidest; teadmisi kvantitatiivsete ja kvalitatiivsete andmete kogumise ja Majandusalased uurimismeetodid
Tallinna Reaalkool Venoosse trombembolismi seos pahaloomulise kasvajaga Uurimistöö Koostaja: Brigita Maria Raave 11.b Juhendajad: PhD Katrin Nõukas, PhD Marika Tammaru Koolisisene juhendaja: Kersti Veskimets Tallinn 2019 Sisukord Kasutatud mõisted............................................................................................................................ 4 Sissejuhatus ...................................................................................................................................... 6 1. Kirjanduse ülevaade ................................................................................................................. 8 1.1 Hemostaas .............................................................................................................................. 8 1.1 Tromboos ......
teoreetilised mudelid, sisaldamata ilmtingimata põhjuslikke seoseid • Mudeleid ei saa ümber lükata - nad võivad olla hästi konstrueeritud või halvasti konstrueeritud. Näide kausaalmudelist Näide teoreetilisest mudelist Näide teoreetilisest mudelist Hüpotees • Teooriast tulenev oletuslik väide, et kontseptide võimuutujate vahel on teatud tüüpi seosed. • Näitab seost sõltumatu ja sõltuva muutuja vahel. • Enamasti on hüpotees formuleeritud: – Mida kõrgem/madalam/suurem/väiksem…on üks muutuja, seda kõrgem/madalam/suurem/väiksem… on teine muutuja. – Nt. Mida kõrgem on kodaniku haridustase, seda suurema tõenäosusega ta osaleb valimistel. – Nt. Mida etniliselt killustutum on ühiskond seda väiksema tõenäosusega tekib seal hästitöötav demokraatia • Hüpoteesid on vajalik teooria või selle osiste testimiseks. Hüpoteesid leiavad kinnitust või ei Teaduslik uurimistöö: põhiloogika
5 MÕÕTMETE ÜLDPRINTSIIBID 5.1 Mõõtme määratlus Mõõtmete tolerantside mõisted ja juhised tolereerimiseks on antud standardis ISO 286-1. Mõõde: Lineaarse suuruse numbriline väärtus erilises ühikus. Näiteks: 20 mm või 20 km, kuid mitte 40 kg ega nurk. Lineaarne suurus Kohtmõõde Arvutatud mõõde Statistiline mõõde Üldmõõde Kahe punkti vahemaa Pindala diameetri mõõde Minimaalne mõõde Vähimruutude mõõde Sfääri määrav mõõde Ümbermõõdu- diameetri Maksimaalne mõõde Maksimaalne omistatud mõõde mõõde Keskmine mõõde Minimaalne omistatud mõõde ISO 14660-1 järgi:
Mölli peenosakesed 0,002 kuni 0,006 Saueosakesed <0,002 Kuna saueosakesed on plaatjad vi nõeljad, siis on tegemist mingi ekvivalentse mõõduga, mitte konkreetse pikkuse, laiuse vi paksusega. Kruusa-, liiva- ja tolmuterade kuju võib iseloomustada kui kompaktset. Nende kõik kolm mõõdet - laius, pikkus ja paksus - on ühes suurusjärgus. Terad võivad olla nurgelised, nurgeliste vi ümardunud servadega vi ümardunud olenevalt tekkeviisist. Terade kujul on oluline tähtsus pinnase mehaanilistele omadustele. Saueosakesed on enamasti plaatja kujuga, harvem nõeljad. See tähendab, et saueosakestel on üks mõõtmetest teistest vähemalt suurusjärgu võrra erinev. Mõõtmete suhted sõltuvad savi mineroloogilisest koostisest (vt. tabel 2.2). Tabel 2
TERASKONSTRUKTSIOONID I Loengukonspekt TTÜ Ehitiste projekteerimise instituut Prof. Kalju Loorits Teras 1 2 SISSEJUHATUS Euroopa Liidus ja Eestis kehtiv projekteerimisstandardite süsteem EN 1990 Eurokoodeks: Kandekonstruktsioonide projekteerimise alused EN 1991 Eurokoodeks 1: Konstruktsioonide koormused EN 1992 Eurokoodeks 2: Raudbetoonkonstruktsioonide projekteerimine EN 1993 Eurokoodeks 3: Teraskonstruktsioonide projekteerimine EN 1994 Eurokoodeks 4: Terasest ja betoonist komposiitkonstruktsioonide projekteerimine EN 1995 Eurokoodeks 5 Puitkonstruktsioonide projekteerimine EN 1996 Eurokoodeks 6 Kivikonstruktsioonide projekteerimine EN 1997 Eurokoodeks 7 Geotehniline projekteerimine EN 1998 Eurokoodeks 8 Ehitiste projekteerimine maavärinat taluvaks EN 1999 Eurokoo
TTÜ ehituskonstruktsioonide õppetool Raudbetoonkonstruktsioonide üldkursus I Vello Otsmaa Johannes Pello 2007.a Raudbetoonkonstruktsioonide üldkursus 1 SISSEJUHATUS 1 Raudbetooni olemus Raudbetoon on liitmaterjal (komposiitmaterjal), kus koos töötavad kaks väga erinevate oma- dustega materjali: teras ja betoon. Neist betoon on suhteliselt odav kohalik materjal, mis töö- tab hästi survel, kuid üsna halvasti tõmbel (betooni tõmbetugevus on 10-15 korda väiksem survetugevusest). Teras seevastu töötab ühteviisi hästi nii survel kui ka tõmbel, kuid tema hind on küllalt kõrge. Osutub, et survejõu vastuvõtmine betooniga on kordi odavam kui tera- sega, tõmbejõu vastuvõtmine on kordi odavam aga terasega. Siit tulenebki raudbetooni ma- janduslik olemus: võtta ühes ja samas konstruktsioonis esinevad survesisejõud v
EESTI MEREAKADEEMIA RAKENDUSMEHAANIKA ÕPPETOOL MTA 5298 RAKENDUSMEHAANIKA LOENGUMATERJAL Koostanud: dotsent I. Penkov TALLINN 2010 EESSÕNA Selleks, et aru saada kuidas see või teine masin töötab, peab teadma millistest osadest see koosneb ning kuidas need osad mõjutavad teineteist. Selleks aga, et taolist masinat konstrueerida tuleb arvutada ka iga seesolevat detaili. Masinaelementide arvutusmeetodid põhinevad tugevusõpetuse printsiipides, kus vaadeldakse konstruktsioonide jäikust, tugevust ja stabiilsust. Tuuakse esile arvutamise põhihüpoteesid ning detailide deformatsioonide sõltuvuse väliskoormustest ja elastsusparameetritest. Detailide pinguse analüüs lubab optimeerida konstruktsiooni massi, mõõdu ja ökonoomsuse parameetrite kaudu. Masinate projekteerimisel omab suurt tähtsust detailide materjali õige valik. Masinaehitusel kasutatavate materjalide nomenklatuur täieneb pidevalt, rakendatakse efekti
TARTU ÜLIKOOLI TEADUSKOOL PROGRAMMEERIMISE ALGKURSUS 2005-2006 Sisukord KURSUSE TUTVUSTUS: Programmeerimise algkursus.........................................6 Kellele see algkursus on mõeldud?..................................................................6 Mida sellel kursusel ei õpetata?.......................................................................6 Mida selle kursusel õpetatakse?......................................................................6 Kuidas õppida?.................................................................................................7 Mis on kompilaator?.............................................................................................8 Milliseid kompilaatoreid kasutada ja kust neid saab?......................................8 Millist keelt valida?...........................................................................................8 ESIMENE TEEMA: sissejuhatav sõnavõtt ehk 'milleks on v
annaabi.ee 
