Viirutatud ala: tõenäosus, et parameetri tegelik väärtus jääb usalduspiiridesse. (a) lineaarliikme, (b) vabaliikme ja (c) mõlema parameetri määrmatusest tingitud regressioonsirge asendi määrmatus. Punane ala: tõenäosus, et on väljaspool usalduspiire. 1- 2 2 4
Paljude mõõtmistulemuste keskmine on tegelikule keskmisele väga lähedal · Seega saab välja arvestada, kui palju me tüüpiliselt juhuvalimit tehes võiksime eksida. Vahemikhinnang- saadud hinnangule (näiteks keskmisele) lisatakse teatav eksimisvahemik, mis on võimalik välja arvutada eeldusel, et eksimused on juhuslikud. 8) Usalduspiirid, millal kasutada ja mis nende laiust mõjutab. Mida vaja, et arvutada usalduspiire. · Suurte arvude seadus: Küllalt suure katsete arvu korral erineb sündmuse toimumise suhteline sagedus tavaliselt küllalt vähe sündmuse tõenäosusest (Tooding 2007: 49). Paljude mõõtmistulemuste keskmine on tegelikule keskmisele väga lähedal · Seega saab välja arvestada, kui palju me tüüpiliselt juhuvalimit tehes võiksime eksida. Vahemikhinnang- saadud hinnangule (näiteks keskmisele) lisatakse teatav eksimisvahemik,
väärtust. Selleks peame teadma vabadusastmete arvu, mis on df=n-1 ning olulisusnivood 0,05. Vaatame kahepoolsehüpoteesi rida, vabadusastmete arv on 74 ning seega on kriitiline väärtus ligi 2. T-statistik on sellest suurem, järelikult saame vastu võtta alternatiivhüpoteesi.(95% kindlusega saame väita, et noorte töötundide arv nädalas ei ole 40) Null- ja alt. hüpoteeside piirkonnad.Testitav väärtus jääb 95% usalduspiiridest välja. Mis tekitab suuremaid usalduspiire? Väike valim ja suur hajuvus. 2) Kahe sõltumatu valimi t-test 1) Eeldused testi läbiviimiseks: 1. uuritav tunnus on arvuline 2. uuritav tunnus on normaaljaotusega (võimalik testida K-S või S-W testiga) 3. uuritava tunnuse dispersioonid peavad uuritavate gruppide lõikes olema võrdsed (võimalik testida Levene' testiga, mis tuleb automaatselt koos t-testiga kui sig>=0,05,siis on dispersioonid võrdsed) 4
Valimi mahu planeerimine - ∆X<=d ⇒ n>=(tα/2(v)*s0/d)^2 kus s0 proovivalimi standardhälve, kui soovime et usaldusvahemiku poolvahemik oleks väiksem kui d. Kaheväärtuselise tunnuse usalduspiirid – Suure valimi tingimus – valemit võib kasutada juhul, kui kumbagi väärtust omavate elementide arv on valimis ≥ 5, st kehtib tingimus Kui see tingimus pole täidetud, tuleb kasutada korrigeeritud usalduspiire (nelja lisamise reegel) Kolme ja enama tunnusega kvalitatiivse tunnuse osakaalu usalduspiirid – Mediaani usaldusvahemik – Suurte valimite korral: alumine piir on järjestatud valimi element järjenumbriga k=0,5(n-zα/2*√n), ülemine piir n-k+1 Vea komponendid – valikuviga - põhjustatud valimi kasutamisest, loendiviga - põhjustatud ebakorrektsest loendist, kaoviga - mingil põhjusel ei saada andmeid kõigi valimisse sattunud objektide kohta
Empiirilised, struktuuri kirjeldavad meetodid on populatsioonigeneetilse mudeli parameetrite hindamise meetodid. Tihti baseeruvad koalesentsiteoorial. Simuleeritakse mudeli alusel andmed ja võrreldakse parametri hinnanguid simuleeritud ja reaalsete andmete vahel. 2. Kirjelda kuidas saab simulatsioone kasutades hinnata empiirilise populatsiooni sisese geneetilise varieeruvuse (π – keskmine paariviisiline erinevus) hinnangu usalduspiire. DNA järjestustest leitakse keskmine paariviisiline erinevuste arv π. Lähtuvalt koalesentsiteooriast simuleeritakse suur hulk koalesentsi puid eeldades lõputute saitide mudelit. Kasutades sedasama leitud π, paigutatakse puudele juhuslikult mutatsioonid (π/2 igale liinile – juurest tipuni). Nüüd on võimalik nende puude pealt tuletada DNA järjestused ja iga simulatsiooni kohta arvutada π. Nii same π hinnangute jaotuse millelt saame hinnata näiteks 95%
Üldkogumi mingi parameetri vahemikhinnang on piirkond (vahemik, intervall), kuhu hinnatav parameeter teatud, küllalt suure tõenäosusega jääb. See tõenäosus, usaldusnivoo on tavaliselt 95% või 99% (ka 0,95; 0,99) . Tähistatakse 1- . Tihti räägitakse ka olulisuse nivoost ehk riskist, suurusest (=0,05; =0,01). 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.
Populatsiooni(de) demograafilise ajaloo rekonstrueerimine 1. Võrdle populatsioonigeneetikas populatsioonide demograafilise ajaloo rekonstrueerimisel kasutatavaid geneetilise struktuuri kirjeldamise ja analüütilisi meetodeid üldiselt. 2. Kirjelda kuidas saab simulatsioone kasutades hinnata empiirilise populatsiooni sisese geneetilise varieeruvuse (π – keskmine paariviisiline erinevus) hinnangu usalduspiire. 3. Mida saab välja lugeda populatsiooni sisese paariviisiliste erinevuste jaotusest JÜRI 4. Mis asi on asenduste sagedusspekter (Site Frecuency Spectrum) ja mida võiks järeldada kui näeme populatsioonis palju rohkem haruldasi mutatsioone kui konstantset populatsioonisuurust eeldava koalesentsi mudeli põhjal simuleeritud andmetes? Kristine Asenduste sagedusspekter ehk haplotüüpide sageduste distributsioon. See näitab sekventside hulka
täiendavat ekspositsioonist tulenevat riski Väga töö- ja ajamahukas ning ei sobi hästi kui haigestumus on madal Usalduspiirid Enamus epidemiooogilisi uuringuid viiakse läbi valimitel, mitte kogurahvastiku peal Seepärast saadud andmeid saab vaadata kui lähendusi tõelistele rahvastiku näitajatele Usalduspiirid näitavad kui tõenäoselt saadud näitajad on kooskõlas tegelike väärtustega Usalduspiire väljendatakse kui ülemisi ja alumisi väärtusi, millede vahel oodatav õige väärtus peaks asuma Usalduspiirid väljendavad teatud vabadust - näiteks 95% (usalduspiirid on sellised, millede korral me oleme 95% kindlad, et seal vahel asub ka tegelik väärtus) Väikeste valimite või väikeste juhtude korral on usaldus - piirid suured Kui eeldatav juhtude arv on 1, meie uuringus aga on see 2, siis võib selle tõusu suurel määral kanda juhuse arvele
Kõige enam kasutati 2010 aastal harrastuspüügivahendina spinningut, mida kasutas peaaegu iga teine kalastaja, järgnes lihtkäsiõng ja käsiõng, kumbagi kasutas pea kolmandik harrastajates. Võrdselt umbes kümnendik harrastajatest kasutas püügivahendina nakkevõrku, sikutit ning põhjaõnge. Teised kalapüügivahendid leidsid harrastuskalastajate seas vähem kasutamist. Kokku püüdsid Eesti harrastuskalastajad 2010.a. hinnanguliselt 5000 tonni kala (usalduspiire arvestades vahemikus 3900-7100 tonni), suurim saak saadi Peipsist ca 1800 tonni kala (Joonis 2). Liikidest püüti 2010 aastal enim ca 1780 tonni ahvenat (Joonis 3). Harrastuspüüdjad va kalastuskaardi alusel püüdjad ei ole kohustatud saagiandmeid esitama ja nende tegevuse sh saakide kohta kogutakse andmeid küsitluse teel üle aasta. Joonis 2. Hinnangulised harrastuskalastajate 2010. aasta püügikogused tonnides veealade lõikes. Hinnangulised harrastuskalastajate 2010 a
annaabi.ee 
