Vajad kellegagi rääkida?
Küsi julgelt abi LasteAbi
Logi sisse

Proovitüki nr. 722 andmete analüüs (2)

5 VÄGA HEA
Punktid
EESTI MAAÜLIKOOL
Põllumajandus- ja keskkonnainstituut
Proovitüki nr. 722 andmete analüüs
Kodune töö nr. 2 õppeaines „Andmetöötluse alused“
Juhendaja lektor Külliki Kiviste
Tartu 2011
Sisukord
Sissejuhatus 3
1. Proovitüki üldiseloomustus 4
2. Tunnuste liigid 4
3. Risttabel, filtreerimine 4
4. Rühmitamine 5
5. Jaotushistogramm, jaotusfunktsioon 6
6. Kvantiil , täiendkvantiil 7
7. Karakteristikud 8
8. Lähendamine normaaljaotusega 9
9.Normaaljaotuse graafik 10
10. Normaaljaotuse ülesanded 10

Sissejuhatus


Minu töö on proovitüki nr 722. Andmed on metsakorralduse instituudi töötajate mõõdetud ning analüüsis kasutan juhendmaterjalidena lektor Külliki Kiviste kodulehte (Kiviste K 2011a), lektor Andres Kiviste raamatut (Kiviste A 2007) ning metsandus- ja maaehitusinstituudi üliõpilastööde koostamise metoodilist juhendit (Eesti Maaülikool 2009).

1. Proovitüki üldiseloomustus


Analüüsitav proovitükk asub kvartalil TR076, eraldusel 2. Mets kuulub jänesekapsa kasvukohatüübi Laanemetsade alla. Ringproovitükk on 1. rinde puude jaoks raadiusega 15m ehk pindalaga 706,5m2. Peapuuliigiks on kuusk , mille vanus on 22 aastat. Mõõrmine on teostatud 4. juulil 2002. aastal. Proovitükk asub Triigi metskonnas ning metsakorralduse aastaks on 2001. Reljeef on tasane nõlv, mikroreljeefiks on tasane ning raieid teostatud pole (Kiviste K 2011b).

2. Tunnuste liigid


Nr 772 proovitükil on mõõdetud puuliikideks mänd, kuusk ja kask , puude diameeter proovitüki tsentri suunas (D1), diameeter tsentriga risti olevas suunas (D2), kõrgus (H), võra alguse kõrgus (HV). Mõõdetud ka puude kõrgus, kust hakkavad kuivad oksad (HKO), kahjustuse kood ja kahjustuse tugevus (nõrk, keskmine või tugev)(Kiviste K 2011b).
Nominaaltunnus on mittearvuline tunnus, kus tunnuste väärtused ei ole sisemise loogika järgi järjestatavad (nt. veregrupp, rahvus, rass, puuliik , lehe kuju)(tabel 1)(Kiviste K 2011c).
Tabel 1. Tunnuste liigid
Pidev
Diskreetne
Arvuline
Mittearvuline
Järjestustunnus
Nominaaltnnus
Puuliik
x
x
Rinne
x
x
D1
x
x
D2
x
x
H
x
x
HV
x
x
HKO
x
x
Rikke kood
x
x
Kahjustusaste
x
x

3. Risttabel, filtreerimine


  • Risttabel 1. rinde enamuspuuliigi väljaselgitamiseks (Tabel 2) antud proovitükil.
    Tabel 2. Risttabel proovitüki 772 puude arvu kohta rinnete ja puuliikide lõikes
    Count of rin
    rin
     
     
    pl
    1
    Y
    Grand Total
    KS
    44
    1
    45
    KU
    63
    63
    MA
    3
    3
    Grand Total
    110
    1
    111
    Proovitükil 772 on 1. rinde enamuspuuliigiks kuusk (KU), andmebaasis on esitatud andmed 63 esimese rinde kuuse kohta.
    Andmestikus on igal puul mõõdetud kaks diameetrit, d1 – tsentri suunas, d2 – risti tsentriga (Kiviste K 2011b). Lisan uue veeru ning arvutan igale puule keskmise diameetri . Kuna d2 võib olla 0, st. mõõtmata, kasutan keskmise leidmisel funktsiooni IF (=IF(d2>0; (d1+d2)/2; d1)).
  • Filtreerisin välja selle puuliigi 1. rinde puud, mida oli risttabelis 1. rindes kõige rohkem ehk 1 rinde kuused. Kopeerisin nende diameetrid uuele töölehele (Kleebi teisiti, Väärtused ( Paste Special , Values ).
    Proovitükil 772 on peapuuliigiks kuusk (KU).

    4. Rühmitamine


    Edasises töös vaatlen uuritava juhusliku suurusena diameetrit d.
    Andmetöötluse lihtsustamiseks omistasin pesadele, kus asuvad d väärtused, nime (märkisin hiirega andmeplokk, valisin menüüst: Lisa, Nimi, Määratle).
    Leidsin rühmitamata andmeist valimi esmased karakteristikud: valimi mahuks funktsiooniga COUNT sain 63, minimaalsks väärtuseks 4,05 cm ja maksimaalseks väärtuseks 14,55 cm funktsioonidega MIN ja MAX. Nende põhjal arvutatasin tunnuse haardeks 10,5 cm (MAX-MIN), klasside arvuks 6 (k = 1 + INT(3,32*LOG(N))) ja orienteeruvaks klassi intervalliks 1,75 cm ( intervall = haare /k).
    Esimese rühma ülemiseks piiriks on 5,8 cm, sammuks 1,8 cm ja viimase rühma ülemiseks piiriks on toodud 14,8 cm (Kiviste K 2011b).
  • Vastavalt failis yld.xls (Kiviste K 2011b) antud esimese rühma ülemisele piirile, sammule ja viimase rühma ülemisele piirile moodustasin Exceli töölehele diameetri klasside ülemiste piiride plokk xüi ja nendele vastavad klassi keskmised xi (ülemine piir miinus pool sammu). Vastused on antud tabelis 3.
    Tabel 3. Rühma tsentrid ja ülemised piirid
    Rühma tsenter
    Rühma ülem. piir
    xi
    i
    4,9
    5,8
    6,7
    7,6
    8,5
    9,4
    10,3
    11,2
    12,1
    13
    13,9
    14,8
  • Rühmitasin diameetri d andmestik , st leidsin FREQUENCY funktsiooniga sagedused klassidesse (ülemiste piiride järgi)(Tabel 4).
    Tabel 4. Diameetrite ülemised piirid ja sagedused
    Rühma ülem. piir
    Klassi sagedus
    i
    ni
    5,8
    18
    7,6
    15
    9,4
    5
    11,2
    12
    13
    9
    14,8
    4
     
    0
     
    63
    Töös leitud esmasteks statistikuteks on vaatluste arv ehk sageduste summa 63, miinimum 4,05 cm, maksimum 14,55 cm, haare 10,5 cm, klasside arv 6, orienteeruv klassi intervall 1,75 cm (haare/klasside arv), tegelik samm 1,8 cm.

    5. Jaotushistogramm, jaotusfunktsioon


    Jaotusfunktsioon kohal x on tõenäosus, et juhuslik suurus on väiksem sellest väärtusest x (Kiviste K 2011d).
    Koostan diameetri jaotushistogrammi (joonis 1.) ja empiirilise jaotusfunktsiooni (joonis 2).
    Selleks arvutan rühmitatud andmeil suhtelised sagedused pi=ni/N ja jaotusfunktsiooni F(x) väärtused (need saadakse osakaalude pi tõusva summeerimise teel). Histogrammil kasutasin x-teljel klassi keskmised, jaotusfunktsioonil klassi ülemisi piire .
    Joonis 1. Diameetri jaotushistogramm
    Joonis 2. Diameetri jaotusfunktsioon

    6. Kvantiil, täiendkvantiil


    Juhusliku suuruse p-kvantiiliks nimetatakse sellist juhuslikku suuruse väärtust xp, millest väiksemate väärtuste esinemise tõenäosus on p (Kiviste A 2007).
    Rühmitatud andmete korral leidsin kvantiilid jaotusfunktsiooni graafikult ja rühmitamata andmete korral kasutasin vastavaid Exceli funktsioone (Tabel 5).
    Tabel 5. Diameetri kvantiilid rühmitatud ja rühmitamata andmete korral
     
    Rühmita- mata andmed
    Rühmitatud andmed
    0,1-kvantiil
    4,51
    4,9
    0,25-kvantiil
    5,55
    4,9
    0,75-kvantiil
    10,5
    10,9
    0,9-kvantiil
    12,54
    12,5
    0,5-kvantiil
    7,35
    7,5
    Juhusliku suuruse q-täiendkvantiiliks nimetatakse juhusliku suuruse sellist väärtust xq, millest võrdsete või suuremate väärtuste esinemise tõenäosus on q (Kiviste A 2007).
    Diameetri 0,3-täiendkvantiil minu andmestiku põhjal on 10,13cm.

    7. Karakteristikud


    Arvutan mõlemal andmestikul (rühmitamata ja rühmitatud) juhuslikku suurust (puu diameetrit) iseloomustavad karakteristikud.
    a) Leidsin aritmeetiline keskmise rühmitamata andmete korral (=average(d)), rühmitatud andmete korral ((sum(ni*xi))/63), ruutkeskmise rühmitamata andmete korral (= sqrt (sumsq(d)/count(d))), rühmitamata andmete korral ((sum(ni*xi2))/63)
    b) Leidsin hajuvust iseloomustavad karakteristikud rühmitamata andmete korral:
    dispersioon (=var(d)), standardhälve ( stdev (d)), variatsioonikordaja (=100*sx/ ), kvartiilhälve (ülemine kvartiil-alumine kvartiil), haare (max-min).
    Hajuvust iseloomustavad karakteristikud rühmitatud andmete korral:
    dispersioon-
    standardhälve-
    variatsioonikordaja-
    kvartiilhälve- ülemine kvartiil-alumine kvartiil
  • Leian ainult rühmitamata andmetest asümmeetriakordaja (=skew(d)) ja ekstsessi (=kurt(d)).
    Jaotus on paremale väljaveninud sabaga ning lamedatipuline.
    Arvutuste tulemused on tabelis 6.
    Tabel 6. Karakteristikud
    Rühmita- mata andmed
    Rühmi- tatud andmed
    Vaatluste arv
    63
    63
    Rühmade arv
    6
    Maksimum
    14,55
    Miinimum
    4,05
    Aritmeetiline keskmine
    8,2
    8,243
    Ruutkeskmine diameeter
    8,74
    8,756
    Mediaan
    7,35
    7,5
    Mood
    5,55
    4,9
    0,1-kvantiil
    4,51
    4,9
    0,25-kvantiil
    5,55
    4,9
    0,75-kvantiil
    10,5
    10,9
    0,9-kvantiil
    12,54
    12,5
    0,3-täiendkvantiil
    10,13
    10,2
    Kvartiilhälve
    4,95
    6
    Haare
    10,5
    Dispersioon
    9,31
    8,87
    Standardhälve
    3,05
    2,98
    Variatsioonikordaja
    37,22
    36,13
    Asümmeetriakordaja
    0,32
    Ekstsess
    -1,24

    8. Lähendamine normaaljaotusega


    Eeldades, et proovitüki diameeter on normaaljaotusega, leian diameetri jaotusfunktsiooni väärtused (NORMDIST) klassi ülemiste piiride kohal.
    Normaaljaotuse parameetriteks  ja  väärtusteks võtan vastavalt aritmeetiline keskmine ja standardhälve (rühmitatud andmeist).
    Arvutan teoreetilised sagedused klassides, mille tulemused on tabelis 7.
    Tabel 7. Teoreetilised sagedused klassides
     =8,24 =2,978
     
     
    Emp
     
    Norm
    xi
    xü
    ni
    F(xü)
    ni
     4,9
    5,8 
    18 
     0,206
    13,0 
     6,7
     7,6
     15
     0,415
     13,1
     8,5
     9,4
     5
     0,651
     14,9
    10,3
    11,2
    12
    0,840
    11,9
    12,1
    13
    9
    0,945
    6,6
    13,9
    14,8
    4
    1,000
    3,5

    9.Normaaljaotuse graafik


    Joonistasin graafiku (tulpdiagrammi), mis illustreerib, kui hästi on diameeter lähendatav normaaljaotusega (Joonis 3).
    Joonis 3. Diameetri jaotuse võrdlemine normaaljaotusega.

    10. Normaaljaotuse ülesanded


    Eeldame diameetri normaaljaotust. Normaaljaotuse parameetriteks  ja on rühmitatud andmetest arvutatud aritmeetiline keskmine ja standardhälve (Kiviste A 2007).
    Normaaljaotuse eeldusel on vastused antud tabelis 8.
    Tabel 8. Arvutused normaaljaotuse eeldusel
    leida, mitu protsenti diameetritest on väiksemad kui 9 cm,
    60%
    leida, mitu protsenti diameetritest on suuremad kui 11 cm,
    17,7%
    leida diameetri mediaan,
    8,2 cm
    leida diameetri 0,4-kvantiil,
    7,5 cm
    leida diameetri alumine detsiil,
    4,4 cm
    leida diameeter, millest 75% puudest on jämedamad,
    6,2 cm
    leida, mitu protsenti diameetritest jääb vahemikku 7 cm kuni 10 cm,
    38,40%
    kui suur on diameetri asümmeetriakordaja,
    0
    kui suur on diameetri variatsioonikordaja.
    36,1%
    Kirjanduse loetelu
    Eesi Maaülikool 2009. Üliõpilastööde koostamine ja vormistamine Metsandus- ja maaehitusinstituudis. [ http://mi.emu.ee/userfiles/MI/Oppeinfo/MIyliopliastoode+met+juhend+v_2009+25_03_2009.pdf ] (6.10.2011)
    Kiviste, A. 2007. Matemaatiline statistika MS Excel i keskkonnas. Tartu. 86 lk.
    Kiviste, K. 2011a. Andmetöötluse alused. [ http://www.eau.ee/~kkiviste/andmetoo.ht m] (6.10.2011)
    Kiviste, K. 2011b. Yld.xls. [ http://www.eau.ee/~kkiviste/andmetoo_failid/yld.xls ] (6.10.2011)
    Kiviste, K. 2011c. Tunnuste liigid. [ http://www.eau.ee/~kkiviste/andmetoo_failid/tunnused.doc ] (6.10.2011)
    Kiviste, K. 2011d. Jaotused . [ http://www.eau.ee/~kkiviste/andmetoo_failid/jaotused.doc ] (6.10.2011)
    11
  • Vasakule Paremale
    Proovitüki nr- 722-andmete analüüs #1 Proovitüki nr- 722-andmete analüüs #2 Proovitüki nr- 722-andmete analüüs #3 Proovitüki nr- 722-andmete analüüs #4 Proovitüki nr- 722-andmete analüüs #5 Proovitüki nr- 722-andmete analüüs #6 Proovitüki nr- 722-andmete analüüs #7 Proovitüki nr- 722-andmete analüüs #8 Proovitüki nr- 722-andmete analüüs #9 Proovitüki nr- 722-andmete analüüs #10 Proovitüki nr- 722-andmete analüüs #11 Proovitüki nr- 722-andmete analüüs #12
    Punktid 50 punkti Autor soovib selle materjali allalaadimise eest saada 50 punkti.
    Leheküljed ~ 12 lehte Lehekülgede arv dokumendis
    Aeg2012-05-03 Kuupäev, millal dokument üles laeti
    Allalaadimisi 96 laadimist Kokku alla laetud
    Kommentaarid 2 arvamust Teiste kasutajate poolt lisatud kommentaarid
    Autor Maret Mandel Õppematerjali autor
    Kodune töö nr. 2 õppeaines „Andmetöötluse alused“

    Sarnased õppematerjalid

    Metsandusliku andmetöötluse alused 2 osa
    12
    doc

    Metsandusliku andmetöötluse alused 2.osa

    Eesti Maaülikool Metsandus- ja maaehitusinstituut Metsakorralduse osakond Gabriel Kase Metsandusliku andmetöötluse alused II Proovitüki nr. 819 andmete analüüs Kodune töö nr. 2 Juhendaja - lektor Külliki Kiviste Tartu 2012 Sisukord 2. Üldiseloomustus........................................................................................................ 3 3. Tunnuste liigid...........................................................................................................3 4. Rühmitamine..........................................................

    Andmetöötlus alused
    Proovitüki nr-711 andmete analüüs
    6
    docx

    Proovitüki nr. 711 andmete analüüs

    Eesti Maaülikool Põllumajandus- ja keskkonnainstituut Maastikukaitse ja -hoolduse osakond Proovitüki nr. 711 andmete analüüs Kodune töö nr. 2 õppeaines Andmetöötluse alused Juh.Külliki Kiviste Tartu 2009 Sisukord 1. Proovitüki üldiseloomustus Proovitüki 711 kvartaliks on RO204, eralduse number on 4, kasvukohatüübiks on mustika. Peapuuligiks on mänd, peapuuliigi vanuseks on 35 aastat. Proovitüki raadius 1 rinde puude jaoks on 15 cm, raadius 2 rinde puude jaoks puudub (0). Reljeef on laugjas, mikroreljeef on matlik. Andmed mõõdeti 1. Juulil 2002. aastal. 2. Tunnuste liigid Pide Diskreetn Arvulin Mittearvulin Järjestustunnu Nominaaltunnu

    Informaatikainsenerile
    Andmete analüüs
    8
    doc

    Andmete analüüs

    EESTI MAAÜLIKOOL Metsandus- ja maaehitusinstituut Veemajanduse osakond PROOVITÜKI NR. 710 ANDMETE ANALÜÜS Informaatika insenerierialadele Kodune töö nr. 2 Juhendaja lektor Külliki Kiviste Tartu 2009 Sisukord Sissejuhatus....................................................................................................................... 3 1. Proovitüki üldiseloomustus........................................................................................... 4 2. Tunnuste liigid...............................................................................................................4 3. Risttabel.........................................................................................................................4 4. Rühmitamine ja graafikud............................................................................................. 5

    Informaatikainsenerile
    Andmetöötluse alused kodune töö PRT 815- Kodutöö 2
    11
    doc

    Andmetöötluse alused kodune töö PRT 815- Kodutöö 2

    Sissejuhatus Tegin kodusetöö ,,prt815" kohta, Andmed pärinevad Maaülikooli kohalikust võrgust ja Külliki Kiviste kodulehelt, dokumentidest: prt815.xls, yld12.xls ja mkkt.xls. Töö vormistamisel on lähtutud ,,Üliõpilastööde koostamise metoodilisele juhendile". 3 1. Diameetri klassi keskmised Tabel 1. Proovitüki rühmitatud andmete diameetri klassi keskmised (di), klassi ülemised piirid(dü) , empiirilised sagedused klassides (ni (emp) ja vaatluste üldarv N. di dü ni (emp) 6,5 7,5 14 8,5 9,5 22 10,5 11,5 36 12,5 13,5 43 14,5 15,5 22 16,5 17,5 11 18,5 19,5 9 20,5 21,5 7

    Andmetöötlus alused
    Proovitükk 815
    8
    doc

    Proovitükk 815

    Sissejuhatus Tegin koduse töö ,,prt 815" kohta. Andmed pärinevad kkiviste kodulehelt.1 Abimaterjalideks on internetis google otsingumootor. 1. Üldiseloomustus Proovitükk asub Roela metskonnas. Kvartali number on RO198 ja uuritud on eraldis 15. Kasvukohatüüp on karusambla-mustika. Eralduse pindala on 3,3 hektarit. Proovitükk on 25 meetrise raadiusega. Peamiseks puuliigiks on Mänd ja selle keskmine vanus on 35 aastat. Mõõtmised tehti teisel juulil 2002. Tabel 1. Proovitüki info. Yld12.xls prt aasta kood kv er mkaasta kkt pe a r1 r2 815 2002RO RO198 15 2001KR MA 35 20 0 prt kuupaev reljeef mreljeef raieliik esimene dü samm viimane dü a Weib b Weib c Weib 81502-Jul-02 LAINJAS MATLIK 7,5 2 21,5 1,6084 6,4782 6,4 2. Tunnuste liigid Tabel 2. Tunnuste liigid

    Andmetöötlus
    Andmetöötlus aluse kodunetöö proovitükk nr 701
    11
    xlsx

    Andmetöötlus aluse kodunetöö proovitükk nr 701

    d esmased karakteristikud 20,15 valimi maht 149 diameetrit 19,7 miinimum 4,85 cm 17,35 maksimum 25,2 cm 15,6 Haare 20,35 cm 11,75 1. klassi ülemine piir 7,6 cm 15,75 klassi samm 2,8 cm 18,45 viimase klassi ülemine piir 27,2 cm 17,3 rühmade arv 8 20,15 Pool sammu 1,4 cm 23,45 Rühma Klassi Klassi kuulumise Jaotus- 21,7 tsenter Rühma ülem. piir sagedus tõenäosus funktsioon 8,8 xi xüi ni pi F(xüi) 21,15 6,2 7,6 5 0,03 0,03 18,85 9 10,4 1

    Andmetöötlus alused
    Pidevad jaotused-diskreetsed jaotused
    10
    xls

    Pidevad jaotused, diskreetsed jaotused

    3,756273 3. Et kontrollida, kas antud empiiriline jaotus võiks pärineda normaaljaotusega 4 üldkogumist, leia 2-statistik, vabadusastmete arv ja P-väärtus 0,4399943 4. Kas toodud empiiriline ja teoreetiline jaotus (normaaljaotus) on sobivad või sobimatud? sobivad Olgu proovitüki andmeil leitud männi diameetri aritmeetiline keskmine 35,2 cm ja standardhälve 5,1 cm (ülesannete 5 kuni 8 algandmed) 5. Eeldades männi diameetri normaaljaotust, leida mitu protsenti diameetritest on jämedamad, kui 28 cm P(X>28)= 92,0990 6. Eeldades männi diameetrite korral normaaljaotust, x0,7= 37,9 leida jaotuse 0,7-kvantiil, leia 0,2-täiendkvantiil

    Matemaatika
    Nimetu
    13
    docx

    Nimetu

    Töös on kasutatud Aakre metskonna proovitükki nr. 613 andmeid, mis on saadud EMÜ Metsanduse ja maakorralduse serveris võrgukaustast public:/Metsandusliku andmetöötluse alused 2011/2011]. Samuti on kasutatud K.Kiviste kodulehte [http://www.eau.ee/~kkiviste] kust oli võimalik saada väga täpseid juhiseid, lühendeid ja valemeid ülesande sooritamiseks. . Töö eesmärk on tundma õppida hinnangute, hüpoteeside ja regressiooni koostamist MS Exceli keskkonnas ning neid uurida proovitüki nr. 613 andmete põhjal. Lisamaterjalina kasutasin ka A.Kiviste poolt välja antud raamatut ,,Matemaatiline statistika MS Exeli keskkonnas" Punkt h i n n a n g u d , v a h e m i k h i n n a n g u d , v a li m i m a h t Eeldade s, et proovitü kil mõõdet ud andmete põhjal tahame teha järeldusi samalaa dse üldkogu mi kohta.

    Andmetöötlus alused




    Meedia

    Kommentaarid (2)

    jaya profiilipilt
    jaya: materjal on sisutihe ja asjalik, korrektselt vormistatud, minul oli abi
    12:23 18-03-2013
    juhan0000 profiilipilt
    juhan0000: väga tore ja mõnus töö
    16:19 24-12-2012



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