Leidsid 33 sarnast õppematerjali, mis on seotud failiga "Statistika eksami üks variant". Need materjalid aitavad sul teemat sügavamalt mõista.
kuudes, hüpotees, regression, square, error, lower, upper, istik, tellimust, onega, kriitilise, teststatistik, piirkon, corp, johnson, anova, total, coefficients, value, sisukas, nivool, käive, abbott, 1072, alza, products, bristol, myers, 1199, carter, wallace, rhone, lambert, logaritmilise, tundide, standardhälve, standardviga, empiirilineSUMMARY OUTPUT Regression Statistics Multiple R 0,997117 R Square 0,994242 Adjusted R Square 0,993923 Standard Error 0,050087 Observations 20 ANOVA df SS MS F Significance F Regression 1 7,797748 7,797748 3108,303 1,3E021 Residual 18 0,045156 0,002509 Total 19 7,842905 Coefficients Standard Error t Stat Pvalue Lower 95%Upper 95% Lower 95,0% Upper 95,0% Intercept 0,02403 0,023267 1,03285 0,315351 0,07291 0,024851 0,07291 0,024851 X Variable 10,02166 0,000388 55,7522 1,3E021 0,02247 0,02084 0,02247 0,02084 SUMMARY OUTPUT Regression Statistics Multiple R 0,997434 R Square 0,994874 Adjusted R Square 0,994589 Standard Error 0,040604
2.1 Koopia- Teenindaja Töötundide masinate tööstaaz, arv arv kuudes 1 1 12 SUMMARY OUTPUT 3,1 3 8 17 10 5 Regression Statistics 14 8 2 Multiple R 0,9346801 6 5 10 R Square 0,8736269 1,8 1 1 Adjusted R Square 0,8578302 11,5 10 10 Standard Error 2,056276 9,3 5 2 Observations 10 6 4 6 12,2 10 18 ANOVA df SS MS
12 #NAME? #NAME? #NAME? Vastus: tõenäosus, et järgmise minuti jooksul helistab rohkem kui 12 inimest on ~0,424. t on ~0,424. 2 Läbimüük, Tootmisvarud, tuh. kr tuh. kr 192,78 9,400 197,51 9,550 SUMMARY OUTPUT 197,53 9,590 199,48 9,720 Regression Statistics 207,48 10,030 Multiple R 0,9312647 212,50 10,240 R Square 0,867254 200,22 9,820 Adjusted R Square 0,8506607 207,61 10,081 Standard Error 0,2506178 214,18 11,200 Observations 10
89833 9685.27416 11181.73983 13390.76938 16069.403 16304.20885 13839.56372 14305.26396 15973.00018 SUMMARY OUTPUT Regression Statistics Multiple R 0.93001005 R Square 0.864918694 Adjusted R Square 0.856476112 Standard Error 197.413872 Observations 18 ANOVA df SS MS Regression 1 3992595.82144818 3992595.821 Residual 16 623555.789662928 38972.23685
1665,3061224 0,5874487612 53,86 250 000 714,2857142857 2499,1556906 0,9678407163 259,30 1 025 000 496,4539007092 1293,7062937 0,7069314636 121,52 142 801 1699,300699301 Regression Statistics X1 - Y X2 - Y X3 - Y X4 - Y Multiple R 0,4433659456 0,2504434603 0,819144 0,786003 R Square 0,1965733617 0,0627219268 0,670997 0,6178 Adjusted R Square 0,1212521143 -0,0251478926 0,640153 0,581969 Standard Error 536,1476481701 0,3302241854 134,3823 465784,2 Observations 36 36 36 36 VIF= 1,2446687131 1,0669192298 3,039482 2,616432 SUMMARY OUTPUT
Y9 -0,0621608954 -0,045391323 0,237548335 -0,3991149782 R^2 0,8090315055 0,859 0,953 0,954 VIF 5,2364658507 7,072 21,354 21,609 TOL 0,1909684945 0,141 0,047 0,046 x1 SUMMARY OUTPUT Regression Statistics Multiple R 0,8994617866 R Square 0,8090315055 Adjusted R Square 0,7963002725 Standard Error 5,684885887 Observations 145 ANOVA df SS MS F Regression 9 18483,362517209 2053,706946357 63,5469877603 Residual 135 4362,9202190334 32,3179275484 Total 144 22846,282736242
Kokku 110 130 240 Kokku 110 130 240 Kas feromoonpüünis aitas oluliselt kaasa taimede kasvamaminekule? Esitage ka teoreetilised sagedused. 18) Mis on hüpoteesid H0 ja H1? H0-nullhüpotees-väljendab uurijat mittehuvitavat juhtu, seda ei ole võimalik tõe 19) Mis on 1. liiki viga? Tekib siis, kui võetakse vastu sisukas hüpotees, aga tegelikult on õige nullhüpo 20) Kui suur antakse ette tavaliselt 1. liiki vea tõenäosus? 0.05 21) Mis on olulisuse nivoo? Esimest liiki vea tegemise suurim lubatud tõenäosus 22) Mis on olulisuse tõenäosus? P-väärtus, vähim olulisuse nivoo, mille korral saab konkreetse valimi põhjal sis 23) Millal kasutatakse kahepoolset hüpoteesi ja millal ühepoolset? Kahepoolsete hüpoteeside korral kontroll
Põhja-Korea 24 051 706 37000 356000 Ghaana 23 837 000 1669000 757000 Jeemen 23 580 000 265000 846000 Eesti 1 340 021 202000 14000 Populatsioon Klasside arv 19,74889026 Variatsiooni kordaja 205,32% Klasside laius 67604303,9 68000000 Mean 118256430,96 Standard Error 34337359,309124 Ülemine piir Sagedus Median 49546822,5 35340021 16 Mode #N/A 103340021 23 Standard Deviation 242801796,155206 171340021 6 Sample Variance 5,895271222E+016 239340021 2 Kurtosis 19,8300035296 307340021 0
apr.08 5 8,65 52 mai.08 7 7,59 53 juuni.08 20 15,97 54 juuli.08 12 10,90 55 aug.08 10 8,16 56 sept.08 14 11,43 57 okt.08 13 12,77 58 nov.08 14 12,56 59 dets.08 5 4,18 60 Lahutused ja ilma sessoonsuseta 500 400 Lahutused Ilma sessoonsuseta 300 Linear Regression for Ilma sessoonsuseta 200 100 0 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 SUMMARY OUTPUT Regression Statistics Multiple R 0,4266894 R Square 0,1820639 Adjusted R Square 0,1679615 Standard Error 36,134229 Observations 60 ANOVA df SS MS F Significance F Regression 1 16856,6 16856,6 12,91018 0,000675
Summad 171 0,95018 162,4808 p= 3,6579E-10 Järelikult H1 - tunnuse hinne jaotus ei lähene normaaljaotusele Tabel 15. Kirjeldavad statistikud. aasta sugu test eksam/kool hinne kood Mean 2003,731 1,4 8,291803 50,0729167 3,491228 2,872131 Standard Error 0,156329 0,028098 0,177857 1,46060454 0,070072 0,064523 Median 2003 1 8 53 4 3 Mode 2003 1 6 4 4 4 Standard Deviation 2,730164 0,490703 3,106143 24,787281 0,916312 1,126845 Sample Variance 7,453796 0,240789 9,648123 614,409299 0,839628 1,26978
4,85 49 3 5 3 5 4,89 71 4 5 3 5 4,91 71 4 5 3 5 4,3146666667 55,1666666667 2,8333333333 3,56666667 2,5 2,9 y x x x x x SUMMARY OUTPUT Regression Statistics Multiple R 0,2914756837 R Square 0,0849580742 Adjusted R Square 0,0522780054 Standard Error 14,0519899745 Observations 30 ANOVA df SS MS F Significance F Regression 1 513,330843841 513,330844 2,599690801 0,1181007 Residual 28 5528,83582283 197,458422
Kahjus- 21,5 25,5 4 tatud 7 Hukkunu 23,4 27,6 5 d 1 Kokku 110 130 2 4 0 18) H0 -nullhüpotees väljendab uurijat mittehuvitavat juhtu. Nullhüpoteesi pole võimalik tõestada ning kui uurija tahab mingisugust erinevust tõestada siis tuleb tal uurimist jätkata H1-sisukas hüpotees, mida uurija soovis tõestada. Hüpoteeside kontrollimisel püütakse tõestada sisukas hüpotees nullhüpoteesi kummutamise teel. 19) 1. liiki viga tekib siis, kui võetakse vastu sisukas hüpotees aga tegelikult on tegemist nullhüpoteesiga.Tegemist on raske veaga, mis tekib siis kui uurija tahab tõestada erinevust või seost mida tegelikult ei ole. 20) Tavaliselt antakse metsanduslikes uurimustöödes 1. liiki vea tõenäosuseks =0,05.
P(T<=t) two-tail 0,836434 t Critical two-tail 2,085963 0,374 jah nullhüpotees, mis tavaliselt väljendab uurijat mittehuvitavat juhtu (üldkogumi vastamine teatud standardile). sisukas e. alternatiivne e. konkureeriv hüpotees, mida uurija soovib tõestada ( tavaliselt mingi erinevuse, mõju või seose olemasolu). est liiki viga tekib siis, kui võetakse vastu sisukas hüpotees, aga tegelikult on õige nullhüpotees. See on raske viga, mis tähendab, e est liiki vead on sageli ohtlikud vead, mille tegemist tuleks võimalikult vältida. Esimest liiki vea tegemise suurimat lubatavat tõenäosu m olulisuse nivoo, mille korral saab konkreetse valimi põhjal sisukat hüpoteesi tõestada.
38 44,5583068429 36,4372469636 1,05 1516 39 35,9871452826 17,8035178035 1,05 1566 43 39,3236520102 20,0927357032 1,05 1644 38 32,3002707017 25,2365930599 1,05 1284 45 51,5075841657 7,3130752742 1,05 1609 39 47,2103528263 19,5348837209 1,05 1594 46 42,1644144144 8,492855217 1,05 1392 37 40,4813393791 10,2040816327 1,05 1293 korranumbrist. 1) SUMMARY OUTPUT Regression Statistics Multiple R 0,8331163283 R Square 0,6940828165 Adjusted R Square 0,68466998 Standard Error 219,67192353 Observations 135 ANOVA df SS MS F Significance F Regression 4 14233112 3558278 73,7379 1,69E-032
........................7 18. Olulisuse tõenäosus..................................................................................................... 7 19. Millal kasutata kahepoolset ja millal ühepoolset hüpoteesi?......................................8 20. Regressioon - Andmete filtreerimine.......................................................................... 8 21. Graafik kõrguse ja diameetri vahelise sõltuvuse hindemiseks....................................8 22. Data analytics Regression. Kõrguse sõltuvus diameetrist........................................9 22. 1 Jääkstandardhälve ja kõrguse standardhälve............................................................9 23. Determinatsioonikordaja............................................................................................. 9 2 Sissejuhatus Kodutöö on proovitükk nr. 815 kohta. Andmed pärinevad failidest ,,prt815.xls" mis
ts võrra. See saadud lahend on vastuolus, kuna lehmade arvu suurenedes peaks toodang suurenema, mitte vähenema. Joonis 1. Tegelik Y iseloomustab küllaltki hästi arvutuslikku y-t. Saab aru sellest, et trendijooned kattuvad. Joonis 2. 3 Joonis 3. Jääk ei sõltu Y suurusest. 4 Tabel 3.: Esimene näitajate regressioonanalüüs SUMMARY OUTPUT Regression Statistics Multiple R 0,880423638 R Square 0,775145783 0,7-1 v.hea Adjusted R Square 0,768167549 Standard Error 5,53563172 Observations 300 ANOVA df MS F Significance F Regression 9 3403,864 111,0805 1,45893E-88
Otsimis- ja viitamisfunktsiooni funktsioonid Funktsioon INDEX - üldpõhimõtted Funktsioon INDEX - näited 1 Funktsioon INDEX - näited 2 Andmed korterite kohta Otsimise üldpõhimõtted Funktsioon LOOKUP Funktsioon VLOOKUP Funktsioon MATCH Funktsiooni MATCH tööpõhimõte. Demo Funktsioonide INDEX ja MATCH kooskasutamine. Paralleelsed vektorid Funktsioonide ekstreemumite ja nende asukohtade leidmine Funktsioonide INDEX ja MATCH kooskasutamine. Tabel Vahemiku otsimine Harjutus "Komisjonitasu" Otsimine kahes suunas. INDEX & MATCH ja VLOOKUP. sed vektorid veeb klipp index Funktsioon INDEX Võimaldab viidata vektorite (rivid, tulbad) ja tabelite elementidele (lahtritele) indeksite abil. Kaks V(k); V[k] põhivarianti: INDEX (vektor; indeks) Vk = INDEX(V; k) INDEX (tabel; riviindeks; tulbaindeks) Ti, j = INDEX(T; i; j)
Kõik Leibkonnad 3 388,23 2 897,88 5 937,23 Tabel 3 Tulu Kulu Palk Leibkonnapea elab linnas 3790,96 3275,197777778 6893,851851852 Leibkonnapea elab maal 2029,0125 1624,43875 2708,625 Kõik Leibkonnad 3 388,23 2 897,88 5 937,23 SUMMARY OUTPUT Regression Statistics Multiple R 0,948422877 R Square 0,899505953 Adjusted R Square 0,896460679 Standard Error 1160,052615 Observations 35 ANOVA df SS MS F Significance F Regression 1 397496237,381 397496237,4 295,37766127 4,969708E-018 Residual 33 44408828,2678 1345722,069 Total 34 441905065,649
Tabelid I Valemite kasutamine tabelites Aadresside ja nimede kasutamine tabelites Table-objekti loomine ja kasutamine Diagrammid ja graafikud Mitme, omavahel seotud, tabeliga rakendused utamine tabelites sutamine abeliga rakendused Tabelite loomise ja kasutamise üldpõhimõtted Aadresside kasutamine Harjutus "Lagede värvimine I". Aadressid Tabel Värvid Ühemuutuja funktsiooni tabuleerimine ja graafikud. Aadressid Kahemuutuja funktsioon. Aadressid Kaubad Nimede määramine ja kasutamine tabelites Harjutus "Lagede värvimine II". Nimed. Diagrammid Table-objektid. Tabeli muutmine Table-objektiks Tabeli loomine otse Table-objektina. Valemites nimed Tabeli loomine otse Table-objektina. Valemites päisete tekstid Funktsioonide tabuleerimine ja graafikud. Variant 1 Funktsioonide tabuleerimine ja graafikud. Variant 2. Table-objekt Kahemuutuja funktsioon. Nimed Harjutus "Lagede värvimine III". Ülesande püstitus Tabel Ruumid Tabel Värvimine Lisad Valideerimine tabelites
10434 3525509376 4951958.4 23.204194 81.944732 2.1178051 447195609 1602942.6 7.7446817 76.794004 0.9880442 67732900 586799 53.041023 75.053651 14.089898 1807440196 3452136.8 6.849072 79.672855 2.3321709 62780960920 112824678.5 529.89805 0 3221.9 0 272.2308 i sõltuva muutuja kogumuudust on selgitatav mudeliga). SUMMARY OUTPUT -ynurk)ruut Regression Statistics Multiple R 0.6973221 R Square 0.4862582 Adjusted R Sq 0.4730853 Standard Erro 2.6420214 Observations 41 ANOVA df SS MS
n xi2 n x 2 30 1979529261 30 7 9.3 Prognoosi vastav 90%-line usalduspiirkond: t (k ; ) 1.70 alpha = k= alumine y^ p y^ p su t (k , ) 247180.956 7 1441.14480 7 1,70 y^ palumine y^ p su t (k , ) 247180.956 7 1441.14480 7 1,70 9.4 Järeldus: 90%lise tõenäosusega järgib 10000 abiellude 16727 kuni 21631 sündi. 10. Protseduur Regression SUMMARY OUTPUT Regression Statistics Multiple R 0.940941045 R Square 0.885370049 Adjusted R Square 0.881276123 Standard Error 1401.579976 Observations 30 ANOVA df SS Regression 1 424835227.446 Residual 28 55003940.021 Total 29 479839167.467 Coefficients Standard Error Intercept 5767
Ülesanne 2. Andmed ja valemid Siia tehke või kopeerige eelmisest tööst "kirjanurk". Kuju võib olla teine, kuid toodud andmed peavad olema Martin Jõgeva Jaan Übi d ja valemid st tööst "kirjanurk". andmed peavad olema 082649 MATB11 Ülesanded Arvvavaldised Ruutvõrrandi lahendamine Rakendus "Detail" Detaili kujud Materjalid Värvid Ideaalne inimene Laenuintress Viktoriin Lisad Matemaatikafunktsioonid Tekstifunktsioonid Loogikafunktsioonid Ajafunktsioonid Sisestage siia matrikli viimane (a) ja viimane nr eelviimane eelviimane (b) number. Valemid annavad c a b c y nr z nr väärtuse ja funktsioonide numbrid 9 4 3 1 3 Funktsioonide
Mass, kg 67 62 57 52 47 150 155 160 165 170 175 Pikkus, cm SUMMARY OUTPUT Regression Statistics Multiple R 0,648811715 R Square 0,420956641 Adjusted R Square 0,410233616 Standard Error 6,868962883 Observations 56 ANOVA df SS Regression 1 1852,261841 Residual 54 2547,863159
Variandi number 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 Arendatud filter (tulemused esitada töölehtedel Filter_1 ja Filter_2) Filtreerida töölehele Filter_1 nende meeste isikukoodid, kelle vanus jääb vahemikku 30 kuni 40. Filtreerida töölehele Filter_2 pallimängudest huvitatud töötajate isikukood, sugu ja osakond. Filtreerida töölehele Filter_1 nende naiste ees- ja perenimed, kelle vanus jääb vahemikku 50 kuni 60. Filtreerida töölehele Filter_2 nende töötajate perenimi, osakond ja amet, kelle palk on üle keskmise. Filtreerida töölehele Filter_1 Tallinnas elavate kassiomanike isikukoodid. Filtreerida töölehele Filter_2 nende töötajate ees- ja perenimi, kelle palk on alla keskmise. Filtreerida töölehele Filter_1 kalapüügiga tegelevate meeste ees- ja perenimed, kelle vanus on üle 50. Väljastada töölehele Filter_2 nende ees- ja perenimed, kelle aadres
Töö eesmärk. Lahjendatud vesilahuses kulgeva esimest järku reaktsiooni (CH3CO)2O + H2O = CH3COOH kiiruskonstandi määramine. Reaktsiooni kineetikat uuritakse elektrijuhtivuse mõõtmise teel, mis laseb reaktsiooni pide peaks võtma proove. Süsteemi elektrijuhtivus kasvab oluliselt etaanhappe moodustumise tõttu. Töövahendid. Vesitermostaat; juhtivusmõõtja anduriga; lihvkorgiga 50-ml kolb; 6-ml pipe Töö käik. Termostaat reguleeritakse juhendaja poolt antud temperatuurile (lubatud tempe - 0,2°C). 50-ml mahuga mõõtekolbi mõõdetakse 6 ml etaanhappe (äädikhappe) anhüdriidi ja täideta eelnevalt termostateeritud (vajaliku temperatuurini soojendatud) destilleeritud veega. Eta algmomendil käivitatakse stopper ja lastakse see seiskamata käia katse lõpuni (kuni püsiv väärtuse saavutamiseni). Stopperi järgi fikseeritakse lahustumise algus ja lõpp. (Vee lisam kahe vedeliku piir, loksutamisel tekib hägu. Hägu kadumist tuleb lugeda lahustumise lõppm Lahustumise
Descriptive statistics Ülaltoodud valikute tulemusel saame MS Exceli uuele töölehele järgneva tunnuse 'Pikkus' arvkarakteristikute tabeli (lisatud ka eestikeelsed vasted): Pikkus Mean 178.33 Keskmine Standard Error 3.77 Standardviga Median 179.00 Mediaan Mode 164.00 Mood Standard Deviation 11
Ülesanne 2. Andmed ja valemid Siia tehke või kopeerige eelmisest tööst "kirjanurk". Kuju võib olla teine, kuid toodud andmed peavad olema Tallinna Tehnikaülikool Informaatikainstituut Töö: Andmed ja valemid Üliõpilane: Õppejõud: Jüri Vilipõld d ja valemid st tööst "kirjanurk". andmed peavad olema ehnikaülikool Õppemärkmik: 83280 Õpperühm: Ülesanded Arvvavaldised Ruutvõrrandi lahendamine Rakendus "Detail" Detaili kujud Materjalid Värvid Ideaalne inimene Laenuintress Viktoriin Lisad Matemaatikafunktsioonid Tekstifunktsioonid Loogikafunktsioonid Ajafunktsioonid Sisestage siia matrikli viimane (a) ja viimane nr eelviimane eelviimane (b) number. Valemid annavad c a b c y
------------------------------------------------------------------------------- Page 7 SPSS/PC+ 6/12/ 2 Independent samples of T8 Teie sugu Group 1: T8 EQ 1 Group 2: T8 EQ 2 t-test for: T75 Minu too vastab mu kvalifikatsioonile Number Standard Standard of Cases Mean Deviation Error Group 1 18 2.0556 1.056 .249 Group 2 15 1.6000 .632 .163 ³ Pooled Variance Estimate ³ Separate Variance Estimate ³ ³ F 2-Tail ³ t Degrees of 2-Tail ³ t Degrees of 2-Tail Value Prob. ³ Value Freedom Prob. ³ Value Freedom Prob.
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)
Soojuslikult mittehomogeensete kihtidega piirdetarindi skeem (vasakul) ja näide sektsioonide ja kihtide jaotusest puitsõrestikseinal (paremal). Mittehomogeensete kihtidega piirdetarindi kogusoojustakistuse ülemine piirväärtus Rtot;upper (m2K)/W, arvutatakse piirdetarindi pinnaga risti olevate sektsioonide soojustakistuste kaalutud keskmise summana, eeldades ühemõõtmelist soojuslevi: A Rtot ; upper Aa Ab An , (m2K)/W ... Rtot ; a Rtot ; b Rtot ; n Aa, …, An piirde üksikute sektsioonide osapindalad (osakaalud); Rtot;a,…,Rtot.n piirde üksikute sektsioonide soojustakistused. Kogusoojustakistuse alumine piirväärtus Rtot;lower, (m2K)/W, arvutatakse piirdetarindi pinnaga paralleelselt olevate kihtide ühemõõtmeliste soojusvoogude summana:
I aasta II aasta Kas ettevõte hakkab/on registreeritud käibemaksukohustuslaseks (jah/ei) jah jah Krediiti müügi osakaal käibest (kui suur osa müügiarvetest laekub järgmisel kuul) % 3 3 Hoonete amortisatsiooninorm % 2 2 Seadmete amortisatsiooninorm % 15 15 Immateriaalse põhivara amortisatsiooninorm % Finantsprognooside täitmise juhend 1. Täita ära "Algandmed" lehel kõik rohelise taustaga lahtrid! 2. Täita ära "Tooted" lehel kõik andmed! NB! Sinisega täidetud lahtrid on näitlikud ja neid saab muuta! 3. Täita ära "Bilanss" lehel eelmise tegevusperioodi veerg (B) kui majandustegevust on varem toimunud 4. Täita ära "Kassavood" lehel tühjad lahtrid! Siin esitada andmed projekti esimese 12 kuu kohta.
Tallinna Tehnikaülikool Informaatikainstituut Tõõ Andmed ja valemid Üliõpilane Õppemärkmik Õppejõud J. Vilipõld Õpperühm Palun täitke tühjad lahtrid MASB11 Harjutused Andmete tüübid Excelis Valemid ja avaldised Funktsioonid Arvandmed, -avaldised ja -funktsioonid Aadressite ja nimede kasutamine valemites Arvavaldised - tehete prioriteedid, funktsioonid Minirakendus "Detailike" - ülesande püstitus Minirakendus "Detailike" - aadresside kasutamine Minirakendus "Detailike" - nimede kasutamine Pildi hind Loogikaandmed, -avaldised ja funktsioonid Võrdlused ja loogikatehted IF-funktsioon Funktsioonid Palk & Kauba hind Viktoriin_1 Tekstandmed, -avaldised ja funktsioonid Ajaandmed, -avaldised ja -funktsioonid Ülesanded Kolmnurga karakteristikud Prisma silinder Arvvalemid Ruutvõrrand Intressi arvutamine Pall Ideaalne inimene Viktor
Andmed ja valemid Excel'is id Excel'is Andmete tüübid Excelis Valemid ja avaldised Funktsioonid Arvandmed, -avaldised ja -funktsioonid Aadressite ja nimede kasutamine valemites. Harjutus "Kolmnurk" Harjutus "Täisnurkne kolmnurk " Arvavaldised - tehete prioriteedid, funktsioonid Loogikaandmed, -avaldised ja funktsioonid Võrdlused ja loogikatehted Võrdlused ja loogikatehted. Harjutused IF-funktsioon Palk & Kauba hind Funktsioonide tabel Minirakendus "Detail" - ülesande püstitus "Detail" - kasutajaliides "Detail" - materjalid "Detail" - värvid Ajaandmed, -avaldised ja -funktsioonid Tekstandmed, -avaldised ja funktsioonid Lisad Nimede määramine ja kasutamine Valideerimine Matemaatikafunktsioonid Tekstifunktsioonid Loogikafunktsioonid Ajafunktsioonid Otsimine. Funktsioon VLOOKUP Valemiredaktor MS Equation 3.0 s "Kolmnurk"
annaabi.ee 
