Praegusel juhul jääb teststatistik kriitiliste piiride sisse ning kaaluühiku standardhälve on statistilises mõttes võrdne a’priori valitud standardhälbega (δ=1). Kaaluühiku standardhälve on 1’le lähedal, seega ei ole alust arvata, et mõõtmistulemustes esineks jämedaid vigu. Leitud punkti E koordinaatide usaldusväärsuse hindamiseks leiame nende S i=S0 √ q x x , kus qx x standardhälbed Sx, Sy ja Sz. Selleks kasutame valemit i i i i on parameetrite kofaktormaatriksi Qxx i-nda rea ja i-nda veeru element ning S0=1,037 tasandusjärgse kaaluühiku standardhälve. kofaktormaatriksi Qxx saame programmist S x =0,002 S y =0,0022 Matrix
Praktikum nr 5. Nivelleerimisvõrgu tasandamine. Ülesanne 1. Tabelis 1 on antud lahtise nivelleerimiskäigu mõõtmisandmed. Lähtepunktide kõrgused on HA=34,286 m ja HB= 41,522 m. Koostada mõõtmistulemuste võrrandid ja maatriksid ning leida tundmatute punktide kõrgused ja standardhälbed ning mõõtmistulemuste parandid vähimruutude meetodil. Koostada tasandustulemuste koondtabel(Tabel 10). Tabel 1.Nivelleerimiskäigu mõõtmisandmed. Vastavalt lähteandmetele koostame parameetrilised võrandid geomeetrilise v nivelleerimise prototüüpvõrrandi Hj-He=ΔHej+ ΔH eeskujul. Vastavalt saame neli ej parameetrilist võrrandit: H1-HA=2,179+v1 H2-H1=3,243+v2
astme (Joonis 6). Selle meetodiga moodustunud mudel on joonisel 7. Joonis 6. Local Polynomial parameetrite määramine Joonis 7. Kõrgusmudel Local Polynomial meetodil 4) Viimaseks võrgustiku loomise meetodiks on Triangulation With Linear Interpolation. Võrgustiku parameetrid on jätkuvalt samad ainult valime teise meetodi. Tulemus on toodud joonisel 8. Joonis 8. Kõrgusmudel Triangulation With Linear Interpolation meetodil 5) Nüüd leiame interpoleerimise standardhälbed iga meetodi puhul (Tabel 1). Selleks valime GridResiduals ning määrame andmefaili ja grid faili. Iga meetodi kohta saadud standardhälbed saame andmefaili eraldiseisva tulbana. Need kõik aktiivseks tehes ning valides DataStatistics saame valida, milliseid andmed meile kuvatakse (Joonis 9). Joonis 9. Statistikute leidmine Tabel 1. Erinevate meetodite sandardhälbed Residuals_kriging Residuals_mincurv Residuals_LocalPoly Residuals_triang
Praktikum nr 3. Mõõtmiste kaalud. Sõltumatute mõõtmiste kovariatsioonimaatriks ja kaalumaatriks Ülesanne 1. Algandmetena on antud polügonomeetriakäigus kolme täisvõttega mõõdetud parempoolsed nurgad ja nende standardhälbed. Leia nurkade kaalud. Koosta mõõtmise kaalu- ja kovariatsioonimaatriksid. Nurgamõõtmiste kaalud leiame nende standardhälvete S järgi. Nurga kaaluks on tema 1 w= dispersiooni pöördväärtus ehk valemina väljendades S2 . Nurga mõõtmistulemuse kaal määrab tema suhtelise väätuse võrreldes teiste tulemustega.
Tuleb teha abitabel, kus on klasside ülempiirid, kuid viimase klassi ülempiiri ei pane. ·Klassidele sagedustabeli moodustamiseks vali Data Analysis..... Histogram. Input range: vaadeldavad andmed. Bin range: ülempiirid. Diagrammi tegemiseks kirjuta välja klassid. ·Kas kehamass sõltub pudru söömisest? Pivottable puder läheb row labelisse, kehamass values. Field settings, kui tahad muuta summa nt tudengite arvuks. ·Keskmised, standardhälbed ja standardvead ümardada ühe kohani peale koma ·Data analysis - Descriptive statistics annab kõik keskmised, min, max .. jne ·Alumine ja ülemine usalduspiir - = keskmine -+ usalduspiir ·T-test näited: kas autot omavate ja mitteomavate tudengite keskmised kehamassid on erinevad? Kas hinge kinni pidamise võime on meestel ja naistel erinev? Kas spordiga tegelevate ja mitte tegelevate tudengite keskmised kehamassid on erinevad? ·T- test läbi viimine: lisa vt PRAKS 4
Iseseisev töö nr 3. Mõõtmistulemuste kaalude, kaalutud keskmise väärtuse ja kaalutud keskmise standardhälbe leidmine. Ülesanne 1: On toodud ühe nurga neljakordse mõõtmise tulemused. Leia selle nurga kõige tõenäolisem väärtus, selle standardhälve ning kaal. Nurga kõige tõenäolisema väärtuse saame kui leiame selle nurga kaalutud keskmise väärtuse. Kuna algandmetes on meile ette antud nurgamõõtmiste standardhälbed S, siis need ruutu tõstes saame neile vastavad dispersioonid S 2. Nurgamõõtmiste kaalud leiame 1 w= nende dispersioonide pöördväärtustena S 2i . Järgnevalt leiame mõõtmistulemustest kõige väiksema tulemuse ning valime selle β 0. Nüüd saame leida β0 ja iga nurgamõõtmise vahe δi= βi- β0. Kaalutud keskmise leidmiseks on meil lisaks vaja kaalude ja vahede korrutise summat
Koosta oma klassi õpilaste tunnuse pikkus ja kaal ning pikkus ja jalanumber korrelatsiooniväli.Toimi nagu diagrammi tegemisel(insert-scatter). Leia oma klassi õpilaste pikkuse ja kehakaalu korrelatsioonikordaja ning jalanumbrite ja pikkuse korrelatsioonikordaja. Erinevalt eelmisest punktist, tuleb nüüd märgistada mõlemad kogumid: üks reale Array1 aj teine reale Array2. Kumb seos on tugevam? 4. Leia oma klassi antud ainete keskmised hinded ja standardhälbed. Leia 5 ainepaari kohta korrelatsioonikordajad. Missuguste ainete hinded on omavahel kõige tugevamas seoses? Missuguse aine keskmine hinne erineb tütarlastel ja noormeestel kõige rohkem?
Koordinaatide arvutamine toimus Gaussi otselõike põhimõttel. Deformatsioonide määramine toimus mõõtmistulemuste võrdlemisel kaheksa varasema mõõtmise andmetega. Lisaks on oluline hinnata deformatsioonide määramise täpsust. Sellest tulenevalt peaks selguma kas hälbed varasematest mõõtmistest on tingitud reeperite vajumisest. Martin Sirk on oma töös deformatsiooni määramise täpsust hinnanud erinevatest mõõtmistest saadud kõrguste standardhälvete kaudu. Kõrguste standardhälbed on võetud programmi Geo2012 tasandusaruandest. Praktikumis teostati Mart Härma juhendamisel digitaalnivelliiri kontroll ülalnimetatud meetodit kasutades. Näbaueri meetodi puhul tuleb märkida maha kolm 15 meetri pikkust lõiku. Kahele keskmisele punktile asetatakse latid ja seejärel võetakse vastavalt instrumendi juhistele neile lugemid. Praktikumis olid kasutusel Trimble koodlatid. Kohati ilmnes probleeme lattidelt lugemite võtmisega- instrument ei saanud latilt selget
Praktikum nr. 7. Polügonomeetriavõrgu tasandamine programmiga GEO Ülesanne. Teostada Tartu linna 2. järgu geodeetilise põhivõrgu osa tasandamine programmiga „Geo“. Vastavalt lähteandmetele koostame horisontaalse geodeetilise võrgu taasandusfaili. Sinna paneme mõõdetud nurgad ja joonepikkused. Lisaks nende standardhälbed. Samuti tuleb faili panna ka lähtepunktide koordinaadid ning tundmatute punktide esialgsed ligikaudsed koordinaadid. Esmalt teostame vaba tasanduse (DataAdjustFree adjustment with translation and rotation) ning seejärel lisaks seotud tasanduse (DataAdjustStrict adjustment). Saadud tasandusaruannete abil teostame F-testi. Koostame hüpoteesid: S 21 =1 või S 21 = S 22 H0: S 22 S 21 ≠1 või S 21 ≠ S 22 HA: S2 2
3000-3499 30% Mediaan 6,5 Haare 2600 Kodune ülesanne 1.3 Koduelektroonikat müüval kauplusel on 10 nädala andmed reklaami avaldamise kordade ja müügi suuruse kohta: Leida nii reklaami avaldamise kordade kui ka müügi aritmeetilised keskmised, mediaanid, dispersioonid, standardhälbed, haarded. Kas reklaami avaldamise ja müügi vahel on seos? Joonistada hajusdiagramm ja arvutada Pearsoni korrelatsioonikordaja. Nädal Reklaame Müük 1 2 50 2 5 57
2% ; 95.4%) Meestel vahemik (49.3% ; 86.5%) Ülesanne 3 Kas võib arvata, et meeste ja naiste keskmine palk on võrdsed? Koostada hüpoteeside paar. Esitada teststatistik. Usaldusnivoo 0,95 juures leida kriitilised väärtused, kriitiline piirkond. Arvutada teststatistiku väärtus ja võtta vastus otsus. EX – meeste keskmine palk EY – naiste keskmine palk H0 – Meeste ja naiste keskmine palk on võrdsed – EX = EY H1 – Meeste ja naiste keskmised palgad ei ole võrdsed EX != EY Standardhälbed on tabelis tähistatud Δ ^2. Valimite suurused on vastavalt 28 -> mehed ja 22 -> naised. β = 0.95 -> α = 0.05 Kuna vaatleme kahepoolset kriitilist piirkonda, siis F^-1 argumendiks on (1 – α)/2, mille väärtuseks on 1,96(Laplace'i tabeli järgi). Kuna teststatistik jääb kriitilisest piirkonnast välja, lükkame nullhüpoteesi tagasi. Naiste ja meeste keskmine palk ei ole võrdsed. Ülesanne 4 Kas võib arvata, et mehed kulutavad meelelahutusele rohkem raha kui naised? Koostada
ei viimase aasta jooksul viimase aasta jooksul enam ei, aga olen viimase suitsetanud aasta jooksul viimase kuu jooksul jah rohkem kui aasta tagasi viimase kuu jooksul ei viimase aasta jooksul viimase aasta jooksul Kas spordiga tegelevate ja mitte tegelevate tudengite keskmised kehamassid on erinevad? Leidke tudengite arv võrreldavais gruppides, samuti keskmised massid ja masside standardhälbed. Sportivad tudengid Mittesportivad tudengid Tudengite arv 44 12 Keskmine mass 72,93 67,17 Masside standardhälve #NAME? #NAME?
kontrollivaks võrduseks Std.Res>3,29. Tasandatud vektorite puhul ilmnevad kõige suuremad hälbed mõõdetud kõrgusvektorite juures. Maksimaalne hälve on baasjoone 1-2 dz vektori puhul 8,7 cm. dx ja dy vektorite puhul jääb hälve 7 cm piiresse. Tasandatud punktide koordinaatide standardhälvetes ilmneb kõige suurem hälve jällegi Z koordinaadiga seoses. Punkti nr 1 puhul on selleks 4,7 cm. X ja Y koordinaatide puhul jäävad standardhälbed 2,4 cm piiresse. Üldiselt võib lugeda tasandatud koordinaadid usaldusväärseiks. Tasandatud koordinaadid koos standardhälvetega on toodud järgnevas tabelis 1. Tabel 1. Tasandatud koodinaadid Punkti nr. X Y Z Sx Sy Sz 2 2,904,829. 1,460,511. 5,468,898. 05 74 12 2,901,645. 1,461,580. 5,470,285. 5 05 54 54 2,905,110. 1,460,983
Eksamihinnete mediaanid on 2 ja 3 Küsimus 12 Pole veel vastatud Võimalik punktisumma 5'st Märgista küsimus Küsimuse tekst Tudengite eksamitulemused olid järgmised: mehed: 1 2 3 4 5 naised: 1 1 2 2 3 3 4 4 5 5 Millised järgnevatest väidetest on õiged? Vali üks või enam: Naiste tulemuste standardhälve on suurem, kuna naisi on rohkem Naiste tulemuste standardhälve on väiksem, kuna naisi on rohkem Meeste ja naiste eksamihinnete standardhälbed on võrdsed Naiste keskmine eksamitulemus oli parem, sest naiste seas oli rohkem neid, kelle eksamihinne oli "5" Naiste tulemuste mediaan on suurem, sest naisi oli rohkem Meeste ja naiste eksamihinnete mediaanid on võrdsed Meeste ja naiste keskmised eksamitulemused olid võrdsed Küsimus 13 Pole veel vastatud Võimalik punktisumma 5'st Märgista küsimus Küsimuse tekst Ettevõtte töötajate keskmine sissetulek on 8200 kr, mediaan 6000 kr ning standardhälve
7 250 125 120 600 10 1105 0,000438 0,00040 0,12 7,609 0,51 8 250 85 160 600 10 1105 0,000438 0,00040 0,12 7,609 0,51 9 250 45 200 600 10 1105 0,000438 0,00040 0,12 7,609 0,51 Arvutasin Km ja Vmax väärtused ja nende standardhälbed mittelineaarse korrelatsiooni abil Km= 27,95 +- 7,34 M Vmax= 0,518 +- 0,028 M/min Substraadi Arvutatud V, Katse nr konts, M V, M/min M/min Hälve 1 0,00 0,00 0,00 0,00 2 9,05 0,07 0,13 -0,06
30 milj Turu-uuring on juba tehtud kulu hindamise hetkeks, seega ebaoluline kulu nüüd. NPV = -2.1milj + 0.65/1.15 + ..... + Microsoft Excel Worksheet Seega projekti tasu investeerida. 5. Portfelliteooria Oletame et riskifond koostab portfelli kahest väärtpaberist. Fond soetab 40 milj euro eest ettevõtte A aktsiaid ning 85 milj euro eest ettevõtte B aktsiaid. Oletame, et A ja B aktsiate tulumäärade vaheline korrelatsioonikoefitsient on -0.60 ning oodatavad tootlused ning standardhälbed on toodud järgmises tabelis. Oodatav Standardhälve tootlus () A aktsia 8% 30.0% B aktsia 15% 45.0% a) Leidke aktsiate osakaalud portfellis ning portfelli oodatav tulumäär? b) Mis on portfelli risk?
mise spektrofotomeetrilise meetodi aluseks on ammooniumi vilise kompleksi moodustamisega, mida saab spektrofotomeetriliselt ensiivsus otseselt sõltub ammooniumi kontsentratsioonist proovis; sorptsioon, seda kõrgem on ammooniumi sisaldus. kontsentratsioon, väljendatud kui lämmastiku kontsentratsioon miseks koostati kalibreerimisgraafik kasutades erineva andardlahuseid: aadi vastavad signaali intensiivsused: 0; 1,0 AU (arbitrary units) tõusu (b1) ja algordinaadi (b0) standardhälbed olid vastavalt 0,005 AU*l/mg ja 0,003 AU. t seda lahjendati 1,25 korda. määramatust saab hinnata kui 0,5% lahjendusfaktori (fd) väärtusest. i kompleksi signaali intensiivsuseks (Asample) 0,186 AU. rduvuse määramatus on 0,001 AU. tingitud signaali lugemise triivist on hinnanguliselt 2% signaali intensiivsusest. ntratsioon proovis tuleb leida kalibreerimisgraafikult vastava mudeli järgi: tsentratsioon veeproovis ja selle laiendmääramatus ISO GUM meetodil.
5 N3 BMB 4.791 15.5 N2 N1 3.092 5.9 N2 N3 5.255 8.8 BMC N4 0.730 4.1 N4 N2 7.273 10.7 N4 BMD 20.802 14.9 Tasandusfailist (Lisa 1) ei selgu, kas mõõtmistulemustes võib esineda jämedaid vigu. Data snooping testi põhjal võivad jämedad vead esineda kui mõõtmistulemuse standardiseeritud hälve (Std.Res) on suurem kui 0,019, kuid kõik leitud standardiseeritud hälbed on sellest kriteeriumist väiksemad. Mõõtmistulemustele ning punktide kõrgustele leitud standardhälbed on väikesed, mis annab alust eeldada, et mõõtmistulemused on täpsed ning usaldusväärsed. 2 Siiski proovime joonepikkuste ümberskaleerimist ( S 0 ∑ ). S0 on tasandusjärgse kaaluühiku standardhälve ning ∑ on kovariatsioonimaatriks (Tabel 1), mille diagonaalil on sektsioonide pikkused L. Tasandusjärgse kaaluühiku standardhälve S0 = 0,0057, mis on võetud esialgsest tasandusaruandest
Keskväärtus määrab jaotuse raskuskeskme asukoha ja standardhälve tiheduskõvera kuju. Mida suurem on standardhälve, seda väiksema järskusastmega on tiheduskõver. Standardhälbe suurendamine muudab normaaljaotuse graafikut laiemaks. Väikese korral on graafik kitsam ja teravam. Joonis 2. Keskväärtuse muutmine nihutav graafikut vasakule või paremale. Joonis 3. Joonis 2. Võrdsed keskväärtused, erinev standardhälve Joonis 3. Võrdsed standardhälbed, erinev keskväärtus Kahetipuline normaaljaotus Normaaljaotus võib olla ka kahetipuline, kui kaks normaaljaotusele alluva suuruste (nt meeste ja naiste jalanumber pikkus jne) vastavad väärtused ühendatakse üheks jaotuseks. Joonis 5. Joonis 5. Kahetipuline normaaljaotus. Ebasümmeetriline normaaljaotus Joonis 6.1 Ebasümmeetriline normaaljaotus. Joonis 6.2 Ebasümmeetriline normaaljaotus. Vasakule ebasümmeetriline e. Vasakkaldeline rida
The correct answer is: variatsioonikoe tsiente Question 14 Tudengite eksamitulemused olid järgmised: Correct mehed: 1 2 3 4 5 Mark 5.0 out of 5.0 naised: 1 1 2 2 3 3 4 4 5 5 Millised järgnevatest väidetest on õiged? Select one or more: Meeste ja naiste eksamihinnete standardhälbed on võrdsed Naiste tulemuste mediaan on suurem, sest naisi oli rohkem Naiste tulemuste standardhälve on väiksem, kuna naisi on rohkem Meeste ja naiste keskmised eksamitulemused olid võrdsed Naiste keskmine eksamitulemus oli parem, sest naiste seas oli rohkem neid, kelle eksamihinne oli "5"
Finantskulud - segatüüpi kulud ..intressikulu - püsikulu Ettevõtte tulumaks - muutuvkulud 9 Müügitulu, muutuv-, püsi- ning segatüüpi kulude dünaamika ja varieeruvus. Müügitulu keskmine näitaja on 10 606 058 krooni tuhat krooni, standarthälve on 2 714 410. Keskmised muutuv- ja püsikulude keskmised näitajad on vastavalt 6 629 115 ja 2 309 723 tuhat krooni. Standardhälbed olid vastavalt 1 263 516, 839 208 ja 572 930. Müügitulu, muutuv-, püsi- ja segatüüpi kulud, tuhat krooni, aastatel 2000-2008 Graafikult võime välja lugeda, et müügitulu kui ka kulud on kasvanud.. Kasv on põhjustatud tootmismahu kui ka sisendite ja väljundite hindade kasvuga. Müügitulu piir rahalises väljenduses Müügitulu piiri rahalises väljenduses saab leida valemiga S*=F/(1-VC/S), kus S on müügitulu kriitiline maht (rahas), F on summaarsed püsikulud, VC on
1916 olid tüdrukud ja 1969 poisid. 2.2.2. Meetodid Hüpoteesi kindlaks tegemiseks jagati lapsed vastavalt füüsilises antropoloogia keskuse kehastruktuuri uurimiseks välja töötatud pikkuse-kaaluklasside meetodi abil viide pikkuse- kaaluklassi. Selleks jagati kõigepealt lapsed nii kaalu kui pikkuse järgi kolme hindeklassi. Need kolm hindeklassi olid väiksed, keskmised ja suured. Klassidesse jaotamiseks arvutati nii pikkuse kui ka kaalu puhul keskväärtus ning standardhälbed. Need väärtused arvutati poiste ja tüdrukute puhul pärast sündi ja aasta vanuselt mõõdetud väärtuste põhjal. Keskväärtusele liites või lahutades standardhälbe, saadi piirid keskmiste klasside jaoks. Kõik, kelle mõõtmed jäid alla poole keskmise klassi alumist piiri, loeti väikeste klassi ja need, kelle väärtused oli ülemisest piirist suuremad, loeti suurte klassi. Mõõtmete paremaks uurimiseks moodustati kolm korda kolm tabel. Tabelis tähistasid veerud
Nende modelleerimisel esineb sageli multikollineaarsust, mille põhjuseks on regressioonimudelisse lülitavate tunnuste omavaheline korrelatsioon. Sellisel juhul on raske eristada nende mõju. Mõned mult. koll. tunnused a) Mõne sõltumatute tunnuste paari omavaheline korrelatsioon on tugevam kui korrelatsioon sõltuva muutujaga. B) Mudeli parameetritel on väga suured usalduspiirid ja suured standardhälbed c) Regressioonimudeli ühe või mitme parameetri märk on ebaloogiline. Kui VIF on suurem kui 5 või 10 ja Tolerance väiksem kui 0,1, siis võib esineda, muidu mitte. Kui konditsiooniindeks CI väärtus on 10 ja 30 vahel, siis on mudelis mul.kollineaarsuse oht. Kui see on üle 30, siis on suur oht. Mult.Kollineaarsuse avastamiseks viiakse lisaks regressioonianalüüsile läbi ka korrelatsioonianalüüs
aritmeetilisest keskmisest märgatavalt kõrvale. Standardhälvete erinevus kahe linna vahel on juba väiksem, kuna tegu on dispersiooni ruutjuurega, mistõttu läheb ka erinevus väiksemaks. Tartus oli vastav näitaja 26,63 ning Tallinnas 26,15. Variatsioonikordaja näitab, kui suure osa moodustab standardhälve aritmeetilisest keskmisest. Antud juhul on mõlema linnal vastavaks kordajaks sarnane väärtus. Väikese erinevuse tingivad erinevad standardhälbed ning aritmeetiline keskmine. Olgugi, et tegelikult on asümmeetriakordaja ning ekstsessi väärtusi pole väiksemate valimite puhul eriti mõtet leida, kuna see ei ole väga täpne, siis autor otsustas neid siiski analüüsida, et saaks kas või mingigi ülevaate. Vaadates joonist 6 ning analüüsides asümmeetria kordajat, võib öelda, et Tartu elanikkonna puhul, mida iseloomustab vastava kordaja väärtus 0,03, on tegu peaaegu täiesti sümmeetrilise jaotusega, mis
nimetatakse MÄÄRAMATUSE VAHEMIKUKS. V tund: 1) Mõõtmiste ebatäpsuse põhjustab kõigepealt mõõteriist ise ehk tegemist on RIISTAVEAGA. Näiteks joonlaua veaks lubatakse võtta täpse tulemuse korral pool jaotisest ehk 0,5mm ning ümardatud tulemuse korral ¾ jaotisest ehk 0,75mm. See tähendab, et juba tootmisel on lubatud joonlaua skaala sellised hälbed, mida nimetatakse standardhälveteks. Ka muude mõõteriistade puhul on lubatud standardhälbed, kuid elektrimõõteriistadele on tavaliselt lisatud täpsusklass. Selleks on number (0,1; 0,2; ... 2,5; 4), mida nimetatakse ka taandatud veaks, mis näitab suhtelist piirviga protsentides mõõteriista maksimaalse näidu korral. 2) Mõõtja enda ebatäpsusest ja ümardamistest tingitud parandusi nimetatakse PROTSEDUURIVEAKS. 3) Mõõtmise ebatäpsusi, mis on mingi suuruse korduval mõõtmisel üks ja sama, nimetatake SÜSTEMAATILISEKS VEAKS. (tekib tavaliselt sama mõõteriista kasutades)
viimase kuu jooksul jah jah ei üle 0,5 l ei viimase kuu jooksul viimase kuu jooksul ei jah ei kuni 0,5 l jah viimase kuu jooksul viimase kuu jooksul Kas autot omavate ja mitte omavate tudengite keskmised massid on Leidke tudengite arv võrreldavais gruppides, samuti keskmised massid ja standardhälbed. Autoga Autota tudengid tudengid Tudengite arv 31 33 Keskmine mass 71,16129 69,88235 Masside standardhälve 4,949747 16,26346 Minu kirjeldus võrreldavate gruppide ja nende vahelise erinevuse/sarnasus arvkarakteristikute põhjal. Autot omavate tudengite keskmine mass on suurem, kui nendel tudengitel, kes
Üle 0,9 – suur efekt 26.02 Mine vaata t-testi videosid http://www.tlu.ee/~kairio/yldistav.html T-test : andmestik: Ttest – kui on vaja võrrelda kahe grupi (õigemini kahe üldkogumi keskväärusi) keskväärtusi. Samade objektide kordushinnang nt astra versus silva maja Kui oleks sõltumatud valimid, siis oleks reaalselt erinevad objektid nt erinevad kursused. https://www.youtube.com/watch?v=PSo6FsAkaTI Kõigepealt vaatame, kas üldse hinnangud erinevad? Valimi keskmised ja standardhälbed arvutame mõlema maja kohta välja ja teeme neist järeldused. Astra M1=2,76 Silva M2=2,24 SDa=1,26 SDs=1,04 Tulemuste järeldus : üliõpilased on rohkem rahul Astra maja ruumidega kui Silva. Teeme olulisuse testi, sest tekib küsimus, kas me saame üldistada. Meil on kaks üldkogumit ja võrdlen keskväärtusi, siis järeldub ,et ma teen t-testi. Kui meil on aga kaks või enam gruppi (üldkogumit) ja me võrdleme proportsioone, siis me nt
kummutatud ning x ja y võib lugeda korreleerituks. Kasutades z-statistikut, peab nullhüpoteesi vastu võtmiseks z0z1-/2, seega nullhüpotees on kummutatud ning x ja y võib lugeda korreleeritud suurusteks. 11. Regressioonimudeli y=b0+b1x (joonis 5) leidmiseks arvutasin b1 ja selle kaudu b0; y=3,96x+1,94. Usaldusvahemike leidmiseks (=0,05) tuli arvutada mudeli parameetrite hinnangute standardhälbed si. Dispersioon s2(b1) on korduskatsete seeria väljundi y dispersiooni hinnangu s2(y) ja punktis 10 leitud Vx jagatis, s2(b0) on s2(b1) ja N x2 Ni korrutis. bj=t1-/2(w-1)*s(bj), kus w=7 ja j=0,1. i=1 19 Mudeli adekvaatsuse hinnanguks (kui mõlemad liikmed lugeda oluliseks) tuleb F- statistiku abil kontrollida hüpoteesi H0: ad2=2(y), mille korral FFkr
on näha, et kõrghariduse osakaalu (p=0,0000), fiktiivse muutuja D1 (p= 0,0000), fiktiivse muutuja D2 (p = 0,0000) ja fiktiivse muutuja D3 (p = 0,0000) parameetrite hinnangud on statistiliselt olulised usaldusnivool 0,95. Saame väita, et keskmise brutopalga kujunemine sõltub olulisel määral vaid kõrghariduse olemasolust ning aastast. Lisas 15 on toodud jääkliikmete maksimaalsed ja minimaalsed väärtused ning standardhälbed. Lisas 16 on toodud ka lõpliku mudeli koefitsientide koovariatsiooni maatriks. Mudeli parameetrite stabiilsuse kontrollimiseks viisid autorid läbi Chow testi ( vt lisa 17). Chow testi F-statistik F=50,27360 olulisuse tõenäosusel 0,2017 F=50,27360 , millest autorid järeldavad, et mudeli parameetrid on stabiilsed. 1.4. Lõplik mudel Koostatud ökonomeetrilise projekti lõplik mudel on järgmine: Y = 529.737 + 722.087X1 – 220.916D1 – 151.609D2 – 65
T= , s12 s22 + n1 n2 Andmetöötlus sotsiaalteadustes 19 kus x1 , x 2 on vastavalt tunnuse keskmised valimites, s1 ja s2 on vastavalt tunnuse standardhälbed valimites ning n1 ja n2 on vastavalt valimite mahud. Kui ühes või mõlemas grupis on alla 30 vastanu, siis eelmisest valemist ei piisa, kindlasti peame kontrollima järgmisi eeltingimusi: 1. Kas tunnuse väärtused väikeses valimis alluvad normaaljaotusele kui see tingimus ei ole täidetud, ei tohi t-testi teha. 2. Kas tunnuse dispersioonid valimites on võrdsed või mitte see ei mõjuta t-testi lubatust, vaid kontrollimiseks kasutatav metoodika muutub.
iseloomustab x muutumist y muutumisel. Need kaks regressioonisirget lõikuvad omavahel mingi nurga all, kusjuures see nurk on seda väiksem, mida tugevam on uuritavate nähtuste vaheline korrelatiivne seos. 46. Korrelatsioonikordaja ja korrelatsioonisuhe Paariskorrelatsioonikordaja r leitakse regressioonikordajate kaudu järgmise võrrandi abil: rb x y kus x ja y on vastavalt muutujate x ja y standardhälbed. Korrelatsioonikordaja võib omada arvväärtusi -1 r 1 ning selle interpreteerimisel loetakse seos seda tugevamaks, mida suurem on r absoluutväärtus. Korrelatsioonikordaja märk aga näitab seose suunda. Korrelatsiooni tugevuse kohta võib öelda, et korrelatsioon on tugev, kui r 0,8; korrelatsioon on märgatav, kui 0,6 r 0,8 ; korrelatsioon on nõrk, kui 0,3 r 0,6 ;
nimetatakse MÄÄRAMATUSE VAHEMIKUKS. V tund: 1) Mõõtmiste ebatäpsuse põhjustab kõigepealt mõõteriist ise ehk tegemist on RIISTAVEAGA. Näiteks joonlaua veaks lubatakse võtta täpse tulemuse korral pool jaotisest ehk 0,5mm ning ümardatud tulemuse korral ¾ jaotisest ehk 0,75mm. See tähendab, et juba tootmisel on lubatud joonlaua skaala sellised hälbed, mida nimetatakse standardhälveteks. Ka muude mõõteriistade puhul on lubatud standardhälbed, kuid elektrimõõteriistadele on tavaliselt lisatud täpsusklass. Selleks on number (0,1; 0,2; ... 2,5; 4), mida nimetatakse ka taandatud veaks, mis näitab suhtelist piirviga protsentides mõõteriista maksimaalse näidu korral. 2) Mõõtja enda ebatäpsusest ja ümardamistest tingitud parandusi nimetatakse PROTSEDUURIVEAKS. 3) Mõõtmise ebatäpsusi, mis on mingi suuruse korduval mõõtmisel üks ja sama, nimetatake SÜSTEMAATILISEKS VEAKS. (tekib tavaliselt sama mõõteriista kasutades)
iga uuritava näitaja kohta eraldi ning analüüsitud näitajatevahelisi klastrite struktuuri. Lisaks klasteranalüüsile on kasutatud ka korrelatsioonanalüüsi tunnustevaheliste seoste uurimiseks. Analüüsi käigus selgitatakse, kas ühe tunnuse poolest sarnased riigid on sarnased ka teiste valitud tunnuste poolest. Mustrite ja anomaaliate tuvastamiseks on 32 arvutatud aegridade keskmised ja standardhälbed, mille alusel on võimalik selgitada riikide klastritesse jaotumist. Korrelatsioonanalüüsi tulemusena selgitatakse riikidevahelisi seoseid täpsemalt, kuna korrelatsioon näitab seose tugevust iga riigi kohta eraldi, mida klasteranalüüs ei võimalda. Järgnevas magistritöö osas on esitatud peamised tulemused ning analüüsitud mustreid riikide valitud tegurite aegridades. 2.2. Mustrite avastamine Euroopa Liidu riikide kinnisvaraturgude dünaamikas
· Mudeli valest spetsifikatsioonist tulenevat heteroskedastiivsust nim ebapuhtaks heteroskedastiivsuseks. Heteroskedastiivsuse tagajärjed · Mõju parameetrite hinnangule · Parameetrite hinnangud on lineaarsed nihketa hinnangud, kuid nad ei ole parimad, st nad ei ole vähima dispersiooniga, nad ei ole efektiivsed. Mis juhtub heteroskedastiivsuse korral? · 1.Hinnangud ei ole efektiivsed. · 2.Parameetri hinnangute standardhälbed on nihkega ja üldjuhul ei ole teada, kas leitud standardhälve ülehindab või alahindab hinnangu tegelikku standardhälvet. · 3.Leitud usalduspiirid ei ole tõesed, seega ei pruugi usaldusväärsed olla ka hüpoteeside testimise tulemused. Heteroskedastiivsuse avastamine Heteroskedastiivsuse olemasolu vahetu kontrollimine ei ole enamasti võimalik, kuna valimi põhjal ei saa leida juhuslike vigade dispersioone. Analüüsitakse vaid hinnatud
kasulik, kui korduvust saaks määrata selliselt, et oleksid kaasatud erinevate päevade andmed. Sellise võimaluse annab kogutud standardhälbe kasutamine. Kogutud standardhälve S-kogutud avaldub järgmiselt: ( n1 - 1) s12 + ( n 2 - 1) s 22 + ... + ( n k - 1) s k2 s kogutud = n1 + n 2 + ... + n k - k Kus k on erinevate mõõteseeriate arv, ni....nk on mõõtmiste arvud mõõtmisseeriates, si....sk on erinevate mõõteseeriate standardhälbed. Kogutud standardhälve annab üldiselt usaldusväärsema korduvuse hinnangu kui lihtsalt standardhälve. Seejuures võivad erinevad mõõteseeriad olla läbi viidud erinevate perioodidega ja neil võivad olla erinevad mõõteväärtused. Need mõõteväärtused peaksid aga olema sarnased, sest reeglina mõõtmise korduvus sõltub mõõteväärtusest. /27/30/ 21 4.9 Mõõtemääramatus Mõõtemääramatus e
Näiteks uuritakse populatsioonis kasvu ja kaalu muutlikkust ning soovitakse leida korrelatsiooni nende tunnuste väärtuste suhtes suguluses olevate indiviidide puhul. Tekib küsimus, kas isa ja poegade kaalu vahel esineb seos. Appi võetakse korrelatsioonikoefitsient r. r = [(Xi X)*(Yi Y)]/ ((n 1)sx sy), kus Xi ja Yi on i-nda mõõtmise andmed ning X ja Y valimi keskmised andmed. sx ja sy on vastavalt nende standardhälbed. n näitab valimi suurust. Korrelatsioonikoefitsient varieerub - 1 kuni + 1. Väärtuse 1 korral on tegemist täielikult negatiivse korrelatsiooniga X ja Y vahel, näiteks pikakasvulistel isadel on lühikesed pojad. Väärtuse + 1 korral on tegemist positiivse korrelatsiooniga (pikakasvulistel isadel on pikakasvulised pojad). Väärtuse 0 puhul korrelatsioon puudub. Inimestel on nii kasv kui kaal positiivses korrelatsioonis. Samas on kodulindude munade suurus ja nende arv
Usaldusintervalliks valiti ±2 USD keskmisest kulutusest. Kui suur peab olema valim, et saavutada selline täpsus? Lähtudes valemist (5) on vaja selleks määrata nii s kui s2 76 Esimeseks sammuks on standardhälbe s määramine, milleks on kolm võimalust: · uurijal peaks olema informatsiooni teisest võrreldavast uuringust ja ta peaks seda kasutama standardhälve määramiseks. See on siiski küsitav oletus, et mõlema valimi standardhälbed on võrdsed; · tehakse väike sihtgrupiküsitlus (n = 30) ja saadud standardhälvet kasutatakse valemis (5). See variant on vastuvõetavam; · kolmas meetod eeldab uuringu all oleva muutuja muutumise vahemiku hindamist. See vahemik jagatakse kuuega ja saadud tulemus võetakse standardhälveks. Selle lähenemise aluseks on normaaljaotusseadus ( vaata joonis 15), kus mõlemale poole keskmist väärtust jääb kolm standardhälvet (üldtuntud ,,3s reegel").
Seega tuleb tähelepanu pöörata andmete värskusele. Kui andmed seda pole, tuleb mõõtmetele lisada proportsionaalselt teatud arv sentimeetreid. Käesoleval ajal on noore eesti mehe keskmine pikkus 180 cm, naisel 168 cm. Eestlased on üks pikemaid rahvaid. 1986. aastal inimese pikkuse mõõtmistel oli Ameerika Ühendriikides 5. pertsentiil naistel 149,5 cm, meestel 161,8 cm, 95. pertsentiil naistel 171,3 cm ja meestel 184,4 ning standardhälbed naistel 6,6 cm ja meestel 6,9 cm. Statistiline antropomeetriline info pole piisav töökoha või toote geomeetriliste mõõtmete leidmisel. Vahel, eriti läbikäikude puhul, tuleb arvestada ka raseda naisega, kes võib viimastel raseduskuudel nii töötada kui olla tarbija. Peab arvestama töö iseloomu ja toote kasutamist ning mis konkreetselt juhtub, kui ei ole vastavust. On vahe, kas uks on pikale mehele liialt madal trepil või vähekasutataval ruumil.
küsimustele struktureeritud intervjuus töötlemisele kasutada ka avatud küsimusi Anda võimalus lisada kommentaare, lisada · Vastusevariandid esitatud skaalal, igale oma arvamus (kui variantides seda pakutud ei variandile omistatakse numbriline väärtus olnud) Avatud küsimuste vastuste töötlemisel tuleb · Võimalik leida keskmised, standardhälbed, kasutada sama lähenemist, nagu anda hinnang keskmiste erinevusele jne. poolstruktureeritud intervjuu korral: kodeerimine, kategooriate otsimine (Tepp) (Tepp) Poolstruktureeritud (teema)intervjuud
Tootmisprotsessi kontrollimiseks on rakendatavad mitmesugused kvaliteeditagamise vahendid - andmevormid- kontrolllehed (check list), histogrammid (histograms),Pareto diagrammid, hajuvusdiagrammid (scatter diagrams), Ishikava kalaluudiagrammid (fishbone diagrams) jt. Tootmisprotsessi kontrolliks kasutatakse eelkõige X- ja S-kaarte. X-kaardile kantakse gruppide keskväärtused ning S-kaartidele standardhälbed. X-kaart x UCL (ülemine lubatud hälve) Keskväärtus LCL (alumine lubatud hälve) 1 2 3 4 5 Grupi number S-kaart s Lubatud standardhälbe väärtus 1 2 3 4 5 Grupi number
Variatsioonikoefitsient on standardhälbe ja aritmeetilise keskmise suhe: = Variatsioonikoefitsient on ilma ühikuta suurus, võimaldades võrrelda erinevates ühikutes mõõdetud tunnuste varieeruvust. Näide 10-11 Variatsioonikoefitsient Esitatud on kolme ettevõtte aktsiakursside aritmeetilised keskmised ja standardhälbed ajavahemikul 01.01.2007 kuni 14.03.2007. Leida, millise firma aktsia oli kõige ebastabiilsem. Eesti Ehitus Merko Ehitus Tallinna Vesi Keskmine 187,84 354,99 266,90 Std.hälve 18,47 28,86 17,99 Var.koef 0,098 (9,8%) 0,081 (8,1%) 0,067 (6,7%)
Näiteks uuritakse populatsioonis kasvu ja kaalu muutlikkust ning soovitakse leida korrelatsiooni nende tunnuste väärtuste suhtes suguluses olevate indiviidide puhul. Tekib küsimus, kas isa ja poegade kaalu vahel esineb seos. Appi võetakse korrelatsioonikoefitsient r. r= [(Xi X) (Yi Y)]/ ((n 1)sx sy), kus Xi ja Yi on i-nda mõõtmise andmed ning X ja Y valimi keskmised andmed. sx ja sy on vastavalt nende standardhälbed. n näitab valimi suurust. Korrelatsioonikoefitsient varieerub - 1 kuni + 1. Väärtuse 1 korral on tegemist täielikult negatiivse korrelatsiooniga X ja Y vahel, näiteks pikakasvulistel isadel on lühikesed pojad. Väärtuse + 1 korral on tegemist positiivse korrelatsiooniga (pikakasvulistel isadel on pikakasvulised pojad). Väärtuse 0 puhul korrelatsioon puudub. Inimestel on nii kasv kui kaal positiivses korrelatsioonis.
Näiteks uuritakse populatsioonis kasvu ja kaalu muutlikkust ning soovitakse leida korrelatsiooni nende tunnuste väärtuste suhtes suguluses olevate indiviidide puhul. Tekib küsimus, kas isa ja poegade kaalu vahel esineb seos. Appi võetakse korrelatsioonikoefitsient r. r= [(Xi X) (Yi Y)]/ ((n 1)sx sy), kus Xi ja Yi on i-nda mõõtmise andmed ning X ja Y valimi keskmised andmed. sx ja sy on vastavalt nende standardhälbed. n näitab valimi suurust. Korrelatsioonikoefitsient varieerub - 1 kuni + 1. Väärtuse 1 korral on tegemist täielikult negatiivse korrelatsiooniga X ja Y vahel, näiteks pikakasvulistel isadel on lühikesed pojad. Väärtuse + 1 korral on tegemist positiivse korrelatsiooniga (pikakasvulistel isadel on pikakasvulised pojad). Väärtuse 0 puhul korrelatsioon puudub. Inimestel on nii kasv kui kaal positiivses korrelatsioonis.
annaabi.ee 
