2. Normi piiride määramine (R.D. Smith)
|
|
- Ἀδράστεια Δυοβουνιώτης
- 5 χρόνια πριν
- Προβολές:
Transcript
1 . Normi piiride määramine (R.D. Smith) Sissejuhatuseks Meditsiiniliste otsuste tegemise protsess koosneb neljast põhietapist: 1. Subjektiivsete andmete kogumine. Subjektiivsed andmed põhinevad meie enda ja loomaomaniku vaatlustel ja siia kuuluvad valu ilmingud, looma isu, aktiivsus jms.. Objektiivsete andmete kogumine, milleks on kehatemperatuuri, pulsi- ja hingamissageduse mõõtmine, parasitoloogiline uurimine, vere vormelementide arvu ja suhte määramine, vere biokeemiliste näitajate määramine jne. 3. Kogutud andmeid me hiljem hindame ja püüame selgusele jõuda, kas näitaja jääb normi piiridesse või langeb sellest välja. Hindamine toimub toetudes meie varasemale kogemusele või meditsiinilisele kirjandusele ning selle tulemusena jõuame me järeldusele, kas tegemist on mõne terviseprobleemiga või mitte. 4. Hindamise tulemustest lähtuvalt teeme otsuse edasiseks tegevuseks, milleks võib olla täiendava info kogumine looma seisundi kohta, ravi määramine ja/või omaniku nõustamine. Siin toodud neli põhietappi on aluseks probleemipõhisele meditsiiniliste andmete registreerimise süsteemile, mille puhul patsiendi kohta käivaid subjektiivseid ja objektiivseid andmeid registreeritakse kindlaks määratud skeemi kohaselt. Ühtlasi registreeritakse ka probleemi lahendamiseks rakendatud meetmed. Sellised andmebaasid võimaldavad analüüsida meditsiinilise probleemi ja avalduvate tunnuste vahelisi seoseid, samuti sekkumise-strateegiate efektiivsust. Ühtlasi aitavad sellised andmebaasid määratleda organismi erinevate füsioloogiliste näitajate normi piire. Alljärgnevalt õpime tundma kliiniliste mõõtmiste tulemusena saadud andmete omadusi ja nende jaotusi populatsioonides ning meetodeid kuidas määratakse kindlaks kliiniliste näitajate normi ja ebanormaalsuse piirid. Kliiniliste andmete omadused Arstid koguvad pidevalt bioloogilisi andmeid oma patsientide kohta. Kliiniku tingimustes saab need andmed kategoriseerida järgmiselt: 1. anamneesi andmed. kliinilised tunnused 3. diagnostiliste uuringute (testide) tulemused 1
2 Siinkohal on sobiv meelde tuletada, et kliinilised andmed iseenesest ei pruugi meile midagi ütelda enne, kui me ei hinda neid populatsiooni eeldatavate väärtuste kontekstis. Kliiniline hinnang patsiendi andmetele põhineb sellel, kuivõrd need erinevad populatsiooni normväärtustest ja langevad kokku väärtustega, mida me oletatava haiguse puhul eeldame esinevat. Skaalad Kliinilised andmed võivad olla kolme tüüpi: nominaalsed, järjestusandmed (ordinaalsed), või pidevad andmed (tõelised arvandmed, kvantitatiivsed andmed) Nominaalsed andmed [Nominal Data] kategoorialised andmed millel on piiratud arv kategooriaid, kusjuures need ei ole järjestatavad, näiteks nagu tõug ja sugu, karvavärvus. Siia hulka kuuluvad ka diskreetsed sündmused haigestumine, surm, sünd (binaarsed e. dihhotoomsed tunnused). Järjestusandmed [Ordinal data] kategoorialiste andmete liik. Tunnus millel on piiratud arv kategooriaid, kuid mis on olemuslikult astendatud madalaimast tasemest kõrgeimani (nt. haiguse raskusastmed; valu tugevus skaalal 1-5). Samas erinevate tasemete vaheline intervall ei ole objektiivselt kindlaks määratav. Kvantitatiivsed andmed (tõelised arvandmed ). Kvantitatiivseteks nimetatakse hästi määratletud skaalal numbrilise väärtusega kirjeldatavaid muutujaid: pikkus, kaal, piimatoodang. Kvantitatiivseid muutujaid on kahte liiki pidevad ja diskreetsed. Diskreetsed andmed: näitaja saab omada vaid kindlaid täisarvulisi väärtusi (parasiidi munade arv väljaheiteproovis, vererakkude arv / ml veres, pesakonna suurus - põrsaste arv emisel) Pidevad andmed [Continuous Data] kvantitatiivsed andmed potentsiaalselt lõputu hulga võimalike väärtustega antud skaalal. Intervallid skaala erinevate tasemete vahel on võrdsed ja objektiivselt kindlakstehtavad. Seetõttu nimetatakse seda skaalat ka intervallskaalaks. Näideteks on kehatemperatuur, kehakaal. Lisaks intervallskaalale eristatakse kvantitatiivsete andmete puhul ka suhte-skaalat. Suhteskaalast räägitakse siis kui näitajal on olemas tegelik ja mõistusepärane nullpunkt. Sellisel juhul on võimlaik põhjendatult arvutada ka suhteid kahe näitaja vahel. Kui pulsisagedus on suurenenud 60-lt löögilt 10-le minutis, siis on igati asjakohane öelda, et pulss on kiirenenud kaks korda. Kui õhutemperatuur on aga tõusnud 4 0 C-lt 8 0 C-ni, siis ei ole korrektne öelda, et temperatuur on tõusnud korda, sest meil ei ole praktiliselt võimalik kindlaks määrata nn. temperatuuri alguspunkti.
3 Null kraadi Celsiuse järgi on vaid tinglik punkt temperatuuriskaalal (emperatuur võib langeda ka miinuskraadidesse absoluutne null C). Statistilises analüüsis käsitletakse suhte ja intervallskaala muutujaid ühtemoodi nagu ka diskreetseid ja pidevaid andmeid. Seetõttu võime kasutada kõigi loetletud andmeliikide ühisnimetajana mõistet kvantitatiivsed andmed ja nimetada skaalat nende mõõtmiseks intervallskaalaks. Objektiivsus, valiidsus (paikapidavus, täpsus), usaldusväärsus (korratavus) Objektiivsus Hinnatavate tunnuste väljendamine peab olema sõltumatu isikust, kes registreerib või analüüsib andmeid. Paraku oleme me veterinaarmeditsiinis sageli sunnitud kasutama ka subjektiivseid hinnanguid haigustunnuste kirjeldamiseks (rooja konsistents, limaskestade värv, valu tugevus jne.). Oluline on endale aru anda subjektiivsete andmete subjektiivsusest ja püüda võimalikult vähendada hindajast sõltuvat varieeruvust hinnangutes. Täpsus (valiidsus, accuracy) Täpsus näitab millisel määral uurimistulemus väljendab seda, mida tegelikult mõõdeti. Näiteks, kas ja kui hästi diagnostiline test suudab tuvastada teatud haigusetekitajaga nakatunud loomad? Kui täpselt analüsaator määrab veresuhkru taseme? Jne. Usaldusväärsus (korratavus, precision) Me eeldame, et ühe ja sama objekti korduv mõõtmine annab sama või üsna sarnase tulemuse, st tulemused on reprodutseeritavad. Selle omaduse mõõduks on samade üksuste mõõtmistulemuste korratavus. Näide: Ensüümi aktiivsust mõõdetakse uue meetodiga samal loomal kaks korda. Mõõtmise tulemused erinevad oluliselt üksteisest. Uus meetod tuleb ilmselt kõrvale jätta madala korratavuse (usaldusväärsuse) tõttu. Täpsust ja korratavust on suhteliselt lihtne kontrollida siis, kui meil on võtta usaldusväärne standard, millega oma uurimistulemusi võrrelda (näiteks kontrollproovid diagnostiliste testide puhul). Palju keerulisem on see siis, kui tunnuse hindamine toimub meie meelte abil näiteks 3
4 kopsupõletiku raskus kopsuräginate tugevuse ja iseloomu alusel auskultatsioonil või valu tugevuse astmed eri hindajate poolt hinnatuna. Variatsioon Kliinilistes andmetes on kaks variatsiooni allikat. Üks on seotud mõõtmise protseduuri enesega, teine aga bioloogilise variatsiooniga looma ja populatsiooni tasandil. Klinitsist peab olema teadlik neist variatsiooni allikatest, et mitte teha valesid järeldusi konkreetses situatsioonis. Variatsioon mõõtmistes Variatsioon mõõtmistes võib tuleneda erinevustest proovi käsitsemises, proovi kvaliteedi erinevustest, instrumendi ja hindaja omadustest. Mõõtmises esinevat variatsiooni väljendab erinevus uurimistulemustes, mis saadakse näitaja korduval hindamisel samal indiviidil. Variatsioon mõõtmistes võib olla juhuslik ja süstemaatiline. Juhuslik variatsioon (viga) väljendub mõningases erinevuses mõõtmistulemuste vahel võrrelduna tunnuse tegeliku väärtusega, kuid need erinevused tegelikust väärtusest on n.ö. erisuunalised (kord suurenemise, kord vähenemise suunas). Süstemaatilise vea puhul on tulemused alati kas suuremad või väiksemad tegelikust väärtusest. Bioloogiline variatsioon Bioloogiline variatsioon võib avalduda nii indiviidi kui populatsiooni tasandil. Looma kliinilised näitajad muutuvad ajas ja nad on erinevad eri indiviididel populatsioonis. Kliiniliste näitajate normi piiride selgitamise seisukohast on oluline bioloogilise variatsiooni võimalikult täpne kirjeldamine. Jaotused Andmeid, mida saab mõõta intervallskaalas, kas pidevas või diskreetses, on võimalik esitada sagedusjaotustena (frequency distribution). Sagedusjaotus võib olla esitatutud tabelina või graafiliselt sageduspolügooni või histogrammi vormis. Sageduspolügoon on suletud joonega graafik sagedusjaotusest. x-telg (horisontaalne) kujutab tulemuse skaalat. y-telg (vertikaalne) kujutab sageduse skaalat. 4
5 Sageduspolügooni näide: 10, 9, 9, 8, 8, 8, 8, 7, 7, 7, 7, 7, 7, 7, 7, 6, 6, 6, 6, 5, 5, 4 (puuki looma kohta). X F Joonis.1 Sageduspolügoon Histogrammid on nagu sageduspolügoonid, kuid kogu intervalli kujutatakse punkti asemel tulbana. Jooned vertikaaltulba mõlemal küljel tõmmatakse väärtuste intervalli ülem- ja alampiirile ning nad puutuvad üksteisega kokku igas intervalliklassis. Joonis.. Histogrammi näide (lihaveiste päevane kaaluiive g/päevas ekstensiivse pidamise tingimustes) Jaotuste põhiomadused Jaotustel on kaks põhiomadust, need on keskne tendents, mis näitab jaotuse keskkohta ja hajuvus, mis iseloomustab andmete ulatust skaala piires. Keskse tendentsi ja hajuvuse väljendamiseks on erinevaid mooduseid. 5
6 Keskne tendents Jaotuse keskset tendentsi iseloomustavaid parameetreid nimetatakse asukoha (paiknemise) parameetriteks (näitajateks, statistikuteks). Tuntuimad neist on aritmeetiline keskmine, mood ja mediaan. Aritmeetiline keskmine 1 y = N = N i= 1 y i, kus y on uuritud valimi aritmeetilise keskmise sümbol, mis on vaid populatsiooni tegeliku keskmise μ hinnang. Mediaan väärtus, mis jaotab andmed kahte ossa nii, et pooled andmetest on suuremad ja pooled väiksemad kui mediaan. Mediaan M võib kujutada andmetes mittekajastuvat väärtust. Andmereas 3, 4, 5, 6, 7 on mediaan 5. Andmereas 5, 7, 9, 11, 1, 15 on mediaan M = 1/ (9+11) = 10. Mood on kõige sagedamini korduv väärtus andmereas. Väärtuste 1,, 3, 6, 6, 6, 8, 9, 11 mood on 6. On võimalik, et valimil on kaks või enam moodi. Paljude bioloogiliste nähtuste puhul võivad kolm nimetatud asukoha parameetrit olla üsna lähedase väärtusega. Seetõttu kasutatakse tavaliselt aritmeetilist keskmist. Kui nimetatud parameetrid on erinevad, tuleks uurida andmete sagedusjaotuse kuju. Hajuvus Kõige sagedamini kasutatav ja sobilikum hajuvuse parameeter on dispersioon või selle ruutjuur standardhälve. Dispersioon on andmete hälvete (väärtuse ja aritmeetilise keskmise vahe) ruutude summa keskmine. 1 σ = ( yi μ ) N i 6
7 See valem on rakendatav, kui teada on populatsiooni tegelik keskmine μ. Seega, kui meil on vaid valim populatsioonist, peame keskmise arvutama valimi põhjal. Seetõttu kaotame ka ühe vabadusastme. Valem valimi dispersiooni (s ) arvutamiseks on järgmine: s 1 = ( yi y ). N 1 i Ruutu astendatuna ei iseloomusta dispersioon kõige selgemini andmete hajuvust. Näiteks arvud 600 kg, mis on Euroopa lehmade piimatoodangu dispersioon, või põrsas, mis on sigade pesakonna suuruse dispersioon, ei ole just kõige paljuütlevamad. Seetõttu kasutatakse praktikas sagedamini standardhälvet s, mis on ruutjuur dispersioonist: s = s, Standardhälvet mõõdetakse samades ühikutes kui vaadeldavat suurust. Teised hajuvuse näitajad on haare ja protsentiilid (detsiilid, kvartiilid jne.). Haare on vahemik kahe äärmusliku väärtuse (miinimum ja maksimum väärtus) vahel. Protsentiilid (protsentiilhaare) väljendavad vaatluste proportsiooni, mis jääb määratud piirväärtuste vahele. Näiteks mediaan jaotab variatsioonrea kaheks osaks: alumiseks (siia kuuluvad mediaanist väiksemad väärtused) ja ülemiseks (kuhu kuuluvad mediaanist suuremad väärtused). Variatsioonrea alumise poole mediaani nimetatakse alumiseks ehk esimeseks kvartiiliks (Q1), variatsioonrea ülemise poole mediaani ülemiseks ehk kolmandaks kvartiiliks (Q3). Mediaan ja kvartiilid jaotavad variatsioonrea neljaks osaks, millest igasse kuulub (ligikaudu) veerand kõigist variatsioonrea liikmetest. JAOTUSTE KUJU KARAKTERISTIKUD Modaalsus Modaalsus kirjeldab tippude (moodide) arvu jaotuses. Ühe muutuja sagedusjaotusel võib olla rohkem kui üks mood (kõige sagedaini esinenud väärtusi andmereas). Jaotuse kuju iseloomustab osaliselt see, mitu moodi selles on. Ühe moodiga jaotust nimetatakse ühemodaalseks (näiteks normaaljaotus), kahe moodiga kahemodaalseks jne. Tavaliselt nimetatakse rohkem kui 1 moodiga jaotusi mitmemodaalseteks jaotuseks. 7
8 Ühemodaalne Kahemodaalne Mitmemodaalne 8
9 Sümmeetria ja järsakus (kurtoos) Asümmeetria Jaotuse asümmeetria näitab, kas jaotus on sümmeetriline või mitte. Täpsetel normaaljaotustel on asümmeetria null. Jaotus on asümmeetriline, kui üks tema ots on pikem kui teine. Juuresoleval joonisel esimesena kujutatud jaotusel on positiivne asümmeetria. See tähendab, et tal on pikk ots positiivses suunas. Keskmine jaotus omab negatiivset asümmeetriat, kuna tal on pikk ots negatiivsuse suunas. Lõpuks, kolmas jaotus on sümmeetriline ja tal puudub asümmeetria üldse. Positiivse asümmeetriaga jaotused on tavalisemad kui jaotused negatiivse asümmeetriaga. Üks näidetest on somaatiliste rakkude arv piimas. Enamikul piimalehmadel on piimas vähem kui rakku/ml, kuid mõne lehma piim sisaldab mitu miljonit rakku/ml. Positiivne ots sirutub seetõttu välja, samal ajal jääb aga negatiivne ots seisma nulli juurde. Siiski eksisteerivad ka negatiivselt asümmeetrilised jaotused. Võtame näiteks üliõpilaste epidemioloogia eksami hinnete diagrammi, kus enamik neist läbib eksami väga hea hindega, kuid mõned saavad ka halbu hindeid. Selles on suur negatiivne asümmeetria. Asümmeetria määra saab iseloomustada ka arvulise väärtusega, mis kalkuleeritakse järgmiselt: 3 ( X μ ), 3 Nσ kus µ on keskmine ja s on standardhälve. Normaaljaotusel on asümmeetria 0, kuna see on sümmeetriline jaotus. Sümmeetrilise jaotuse korral on aritmeetiline keskmine, mediaan ja mood võrdsed. Positiivselt asümmeetrilistes jaotustes on keskmine suurem kui mediaan ja mood ning negatiivse asümmeetriaga jaotustes väiksem kui mediaan ja mood. 9
10 Mood Mood Järsakus (Kurtosis) näitab, kui kiiresti jaotus saavutab tipu. Täiuslikel normaaljaotustel on järsakuse näitaja null ja seda nimetatakse mesokurtiliseks. Järsakus põhineb jaotuse otste mõõtmetel. Kõveraid, mis tõusevad tippu kiiremini kui normaalkõverad ehk väga saledaid kõveraid suhteliselt suurte otstega nimetatakse leptokurtilisteks. Kõveraid, mis tõusevad aeglasemalt kui normaalkõverad ehk väga pakse kõveraid suhteliselt väikeste otstega nimetatakse platükurtilisteks. Järsakuse arvutamiseks võib kasutada järgmist valemit: ( X μ) järsakus = 3, kus σ on standardhälve. Kahel järgneval jaotusel on sama dispersioon, ligikaudu sama asümmeetria, kuid nad erinevad märkimisväärselt oma järsakuse poolest. Nσ
11 Normaaljaotus Normaaljaotus (Laplace i kõver, Gaussi kõver) kujutab endast teoreetilist matemaatilist mudelit, mis väljendab juhuslikku variatsiooni füüsikalistes mõõtmistes. See on sümmeetriline jaotus keskmise ümber paljude väärtustega jaotuse keskosas, mille tulemusena tekib tipp, ning äärmuslike väärtuste väikese sagedusega otstes. 0,5 0,4 0,3 0, 0, Joonis.3. Normaalne tõenäosuse kõver (Allikas: Microsoft Encarta 1997) Kuna paljude pidevate kvantitatiivsete bioloogiliste tunnuste sagedusjaotus populatsioonis on lähedane normaaljaotusele, siis kasutatakse seda sageli matemaatilise mudelina näitaja keskse tendentsi ja hajuvuse arvutusteks. Kliinilises epidemioloogias kasutatakse seda sageli ka normi piiride arvutamiseks Nagu öeldud, on normaaljaotus ühemodaalne, mis tähendab, et tema keskmine, mediaan ja mood on võrdsed. Ta on ka sümmeetriline, mis tähendab et väärtuste osakaal (jaotuse pindala) standardhälbe ühiku võrra negatiivses suunas keskmisest on võrdne väärtuste osakaaluga (jaotuse pindalaga) standardhälbe ühiku võrra positiivses suunas keskmisest. 11
12 Normaalkõvera all olevat ala kirjeldab kumulatiivse normaaljaotuse funktsioon, mida meil ei ole vaja siinkohal tundma õppida, kuna selle funktsiooni väärtused standardse normaaljaotuse jaoks on teada ja need on esitatud tabelis.1. Mis tahes normaalselt jaotunud muutuja suhtes võib väita järgmist (tabel.1): Tabel.1. Hajuvus normaalselt jaotunud muutujates μ ± σ sisaldab 68,6% μ ± σ sisaldab 95,46% μ ± 3σ sisaldab 99,73% 50% väärtustest on piirides μ + 0,674 σ 95% väärtustest on piirides μ + 1,960 σ 99% väärtustest on piirides μ +,576 σ kõigist variatsioonrea väärtustest μ populatsiooni keskmine; σ standardhälve 99,73% 0,6 95,46% 68,6% 0,5 0,4 0,3 0, 0, Standardhälve Joonis.4. Normaalkõvera alune pindala erinevate standardhälvete korral 1
13 Referents-väärtused ja ebanormaalsuse kriteeriumid Teades kliiniliste näitajate mitmekesisust ja bioloogilistele tunnustele omast varieeruvust, tekib küsimus, kuidas määrata kindlaks normaalse ja ebanormaalse piirid arvestades ka seda, et tervete ja haigete isendite kliiniliste näitajate sagedusjaotused sageli kattuvad suures ulatuses. Kui puudub selge piir normaalse ja ebanormaalse vahel, siis on võimalik meil lähtuda kolmest kriteeriumist ebanormaalsuse sedastamiseks: ebanormaalne kui ebatavaline, seos haigusega, mõjutatavus raviga. Ebanormaalne kui ebatavaline Ebanormaalsuse kriteeriumid on võimalik määrata statistiliselt. Kui vaadeldava kliinilise näitaja variatsioon populatsioonis on lähedane normaaljaotusele (näiteks kehatemperatuur), siis on võimalik määratleda normi piirid kasutades keskmist ja standarthälvet ARV , 35,4 35,6 35, , 36,4 36,6 36, , 37,4 37,6 37,8 Temperatuur Joonis sügissemestril epidemioloogia seminaris osalenud üliõpilaste kehatemperatuuri sagedusjaotus Nagu tabelist.1 selgub, siis keskmine ± 1,96 σ hõlmab 95% väärtustest. Me võime määratleda, et need 95% kuuluvad normi vahemikku ja sellest välja jääv 5% (,5% jaotuse kummastki otsast) on ebanormaalsed väärtused. Sellega oleks meie näite puhul normaalne kehatemperatuuri vahemik epidemioloogia seminaris osalenutel 35,5 37,3 0 C (36,4 ±0,9 0 C). 13
14 Selline lähenemine sobib näitajate puhul, kus optimaalne on kindel näitaja vahemik ja nii näitaja liigkõrge kui liigmadal väärtus tuleb lugeda ebanormaalseks (näiteks vere glükoosisisaldus). Kehatemperatuuri puhul on meil ebanormaalsusega tegemist eelkõige näitaja suurte väärtuste juures (palavik). Selliste näitajate puhul, kus me oleme huvitatud rohkem jaotuse ühe poole näitajatest tuleb meil rakendada nn. ühe poolset lähenemist. Sel juhul me määratleme endiselt 95% tulemustest normaalseks, kuid 5% ebanormaalseid väärtusi tuleb meile jaotuse ühest otsast, antud juhul paremalt. Sellisel juhul on meie normi piiriks: keskmine + 1,64 σ. Meie näite puhul oleks normi piiriks (läviväärtuseks; cut off value, threshold value) 37,17 0 C. Siin toodud lähenemise puuduseks on see, et eeldatakse tunnuse variatsiooni vastavust normaaljaotusele. Paljud kliinilised näitajad aga ei vasta normaaljaotusele, mistõttu standardhälbest lähtuv normi piiride määratlemine ei ole õigustatud. Kui andmete variatsioon ei ole normaaljaotusele vastav tuleks kasutada protsentiile 95% normaalväärtuste leidmiseks. Selleks moodustame kumulatiivse sagedusjaotuse ja leiame,5% ja 97,5% protsentiilid või analoogselt eelnevaga, kui meid huvitavad eelkõige kõrgemad näitaja väärtused, siis 95% protsentiili. Meie näitel oleks kahepoolselt normipiiride määratlemisel normaalseks kehatemperatuuride vahemikuks 35,34 37,06 0 C. Ühepoolse protsentiili võtmisel oleks normaalse temperatuuri läviväärtuseks 36,9 0 C. Ebanormaalne kui seos haigusega See lähenemine võtab aluseks leiud, mis ilmnevad regulaarselt seoses isendi haiguse, toodanguvõime vähenemise või surmaga. Näiteks on mitmesugused kliinilised tunnused, mida avastatakse looma kliinilisel ülevaatusel ja uurimisel, vere biokeemiliste ja morfoloogiliste näitajate muutused. See lähenemine on väga oluline diagnostiliste testi hindamise juures, kus võrreldakse spetsiifiliste leidude avastamist haigete ja tervete isendite juures. Ebanormaalne kui avastatav või sekkumisega mõjutatav Mõnede seisundite puhul määrab haiguse raskusaste, mille puhul sekkumine on majanduslikult põhjendatud, selle kas kliinilise näitaja väärtus loetakse ebanormaalseks või normaalseks. Selline lähenemine on rakendatav eelkõige põllumajandusloomade puhul. Näiteks on siinjuures lehmakarja somaatiliste rakkude tase som.rakku/ml tangipiimas võib olla nii aktsepteeritud tase kui tase, mida loetakse ebanormaalseks ja peetakse vajalikuks sekkuda. 14
15 Ebanormaalsuse kriteeriumid muutuvad seoses meditsiini diagnostilise võimekuse suurenemisega. Mida väiksemaid koguseid kahjulikke aineid ja haigusetekitajaid me oleme võimelised tuvastama seda madalamale nihkub ebanormaalsuse piir selliste näitajate puhul. 15
2. Normi piiride määramine
. Normi piiride määramine 1 Teemad Kliiniliste andmete omadused Andmete liigid Skaalade liigid Objektiivsus, valiidsus (paikapidavus, täpsus), usaldusväärsus (korratavus) Variatsioon vaatlusandmetes Statistilised
Διαβάστε περισσότερα2.2.1 Geomeetriline interpretatsioon
2.2. MAATRIKSI P X OMADUSED 19 2.2.1 Geomeetriline interpretatsioon Maatriksi X (dimensioonidega n k) veergude poolt moodustatav vektorruum (inglise k. column space) C(X) on defineeritud järgmiselt: Defineerides
Διαβάστε περισσότεραLokaalsed ekstreemumid
Lokaalsed ekstreemumid Öeldakse, et funktsioonil f (x) on punktis x lokaalne maksimum, kui leidub selline positiivne arv δ, et 0 < Δx < δ Δy 0. Öeldakse, et funktsioonil f (x) on punktis x lokaalne miinimum,
Διαβάστε περισσότεραGeomeetrilised vektorid
Vektorid Geomeetrilised vektorid Skalaarideks nimetatakse suurusi, mida saab esitada ühe arvuga suuruse arvulise väärtusega. Skalaari iseloomuga suurusi nimetatakse skalaarseteks suurusteks. Skalaarse
Διαβάστε περισσότεραMATEMAATIKA TÄIENDUSÕPE MÕISTED, VALEMID, NÄITED LEA PALLAS XII OSA
MATEMAATIKA TÄIENDUSÕPE MÕISTED, VALEMID, NÄITED LEA PALLAS XII OSA SISUKORD 8 MÄÄRAMATA INTEGRAAL 56 8 Algfunktsioon ja määramata integraal 56 8 Integraalide tabel 57 8 Määramata integraali omadusi 58
Διαβάστε περισσότεραRuumilise jõusüsteemi taandamine lihtsaimale kujule
Kodutöö nr.1 uumilise jõusüsteemi taandamine lihtsaimale kujule Ülesanne Taandada antud jõusüsteem lihtsaimale kujule. isttahuka (joonis 1.) mõõdud ning jõudude moodulid ja suunad on antud tabelis 1. D
Διαβάστε περισσότεραFunktsiooni diferentsiaal
Diferentsiaal Funktsiooni diferentsiaal Argumendi muut Δx ja sellele vastav funktsiooni y = f (x) muut kohal x Eeldusel, et f D(x), saame Δy = f (x + Δx) f (x). f (x) = ehk piisavalt väikese Δx korral
Διαβάστε περισσότεραKompleksarvu algebraline kuju
Kompleksarvud p. 1/15 Kompleksarvud Kompleksarvu algebraline kuju Mati Väljas mati.valjas@ttu.ee Tallinna Tehnikaülikool Kompleksarvud p. 2/15 Hulk Hulk on kaasaegse matemaatika algmõiste, mida ei saa
Διαβάστε περισσότεραGraafiteooria üldmõisteid. Graaf G ( X, A ) Tippude hulk: X={ x 1, x 2,.., x n } Servade (kaarte) hulk: A={ a 1, a 2,.., a m } Orienteeritud graafid
Graafiteooria üldmõisteid Graaf G ( X, A ) Tippude hulk: X={ x 1, x 2,.., x n } Servade (kaarte) hulk: A={ a 1, a 2,.., a m } Orienteeritud graafid Orienteerimata graafid G(x i )={ x k < x i, x k > A}
Διαβάστε περισσότεραPlaneedi Maa kaardistamine G O R. Planeedi Maa kõige lihtsamaks mudeliks on kera. Joon 1
laneedi Maa kaadistamine laneedi Maa kõige lihtsamaks mudeliks on kea. G Joon 1 Maapinna kaadistamine põhineb kea ümbeingjoontel, millest pikimat nimetatakse suuingjooneks. Need suuingjooned, mis läbivad
Διαβάστε περισσότεραHAPE-ALUS TASAKAAL. Teema nr 2
PE-LUS TSL Teema nr Tugevad happed Tugevad happed on lahuses täielikult dissotiseerunud + sisaldus lahuses on võrdne happe analüütilise kontsentratsiooniga Nt NO Cl SO 4 (esimeses astmes) p a väärtused
Διαβάστε περισσότεραAndmeanalüüs molekulaarbioloogias
Andmeanalüüs molekulaarbioloogias Praktikum 3 Kahe grupi keskväärtuste võrdlemine Studenti t-test 1 Hüpoteeside testimise peamised etapid 1. Püstitame ENNE UURINGU ALGUST uurimishüpoteesi ja nullhüpoteesi.
Διαβάστε περισσότεραPLASTSED DEFORMATSIOONID
PLAED DEFORMAIOONID Misese vlavustingimus (pinegte ruumis) () Dimensineerimisega saab kõrvaldada ainsa materjali parameetri. Purunemise (tugevuse) kriteeriumid:. Maksimaalse pinge kirteerium Laminaat puruneb
Διαβάστε περισσότεραMatemaatiline statistika ja modelleerimine
Matemaatiline statistika ja modelleerimine Kirjeldav statistika EMÜ doktorikool DK.7 Tanel Kaart Sagedused ja osakaalud diskreetne tunnus Mittearvuliste või diskreetsete tunnuste (erinevate väärtuste arv
Διαβάστε περισσότερα7.7 Hii-ruut test 7.7. HII-RUUT TEST 85
7.7. HII-RUUT TEST 85 7.7 Hii-ruut test Üks universaalsemaid ja sagedamini kasutust leidev test on hii-ruut (χ 2 -test, inglise keeles ka chi-square test). Oletame, et sooritataval katsel on k erinevat
Διαβάστε περισσότεραITI 0041 Loogika arvutiteaduses Sügis 2005 / Tarmo Uustalu Loeng 4 PREDIKAATLOOGIKA
PREDIKAATLOOGIKA Predikaatloogika on lauseloogika tugev laiendus. Predikaatloogikas saab nimetada asju ning rääkida nende omadustest. Väljendusvõimsuselt on predikaatloogika seega oluliselt peenekoelisem
Διαβάστε περισσότεραVektorid II. Analüütiline geomeetria 3D Modelleerimise ja visualiseerimise erialale
Vektorid II Analüütiline geomeetria 3D Modelleerimise ja visualiseerimise erialale Vektorid Vektorid on arvude järjestatud hulgad (s.t. iga komponendi väärtus ja positsioon hulgas on tähenduslikud) Vektori
Διαβάστε περισσότεραMATEMAATIKA TÄIENDUSÕPE MÕISTED, VALEMID, NÄITED, ÜLESANDED LEA PALLAS VII OSA
MATEMAATIKA TÄIENDUSÕPE MÕISTED, VALEMID, NÄITED, ÜLESANDED LEA PALLAS VII OSA SISUKORD 57 Joone uutuja Näited 8 58 Ülesanded uutuja võrrandi koostamisest 57 Joone uutuja Näited Funktsiooni tuletisel on
Διαβάστε περισσότερα9. AM ja FM detektorid
1 9. AM ja FM detektorid IRO0070 Kõrgsageduslik signaalitöötlus Demodulaator Eraldab moduleeritud signaalist informatiivse osa. Konkreetne lahendus sõltub modulatsiooniviisist. Eristatakse Amplituuddetektoreid
Διαβάστε περισσότεραEhitusmehaanika harjutus
Ehitusmehaanika harjutus Sõrestik 2. Mõjujooned /25 2 6 8 0 2 6 C 000 3 5 7 9 3 5 "" 00 x C 2 C 3 z Andres Lahe Mehaanikainstituut Tallinna Tehnikaülikool Tallinn 2007 See töö on litsentsi all Creative
Διαβάστε περισσότεραExcel Statistilised funktsioonid
Excel2016 - Statistilised funktsioonid Statistilised funktsioonid aitavad meil kiiresti leida kõige väiksemat arvu, keskmist, koguarvu, tühjaks jäänud lahtreid jne jne. Alla on lisatud sellesse gruppi
Διαβάστε περισσότερα4.2.5 Täiustatud meetod tuletõkestusvõime määramiseks
4.2.5 Täiustatud meetod tuletõkestusvõime määramiseks 4.2.5.1 Ülevaade See täiustatud arvutusmeetod põhineb mahukate katsete tulemustel ja lõplike elementide meetodiga tehtud arvutustel [4.16], [4.17].
Διαβάστε περισσότεραMatemaatiline analüüs I iseseisvad ülesanded
Matemaatiline analüüs I iseseisvad ülesanded Leidke funktsiooni y = log( ) + + 5 määramispiirkond Leidke funktsiooni y = + arcsin 5 määramispiirkond Leidke funktsiooni y = sin + 6 määramispiirkond 4 Leidke
Διαβάστε περισσότερα4 T~oenäosuse piirteoreemid Tsentraalne piirteoreem Suurte arvude seadus (Law of Large Numbers)... 32
Sisukord 1 Sündmused ja t~oenäosused 4 1.1 Sündmused................................... 4 1.2 T~oenäosus.................................... 7 1.2.1 T~oenäosuse arvutamise konkreetsed meetodid (üldise
Διαβάστε περισσότεραLisa 2 ÜLEVAADE HALJALA VALLA METSADEST Koostanud veebruar 2008 Margarete Merenäkk ja Mati Valgepea, Metsakaitse- ja Metsauuenduskeskus
Lisa 2 ÜLEVAADE HALJALA VALLA METSADEST Koostanud veebruar 2008 Margarete Merenäkk ja Mati Valgepea, Metsakaitse- ja Metsauuenduskeskus 1. Haljala valla metsa pindala Haljala valla üldpindala oli Maa-Ameti
Διαβάστε περισσότεραEesti koolinoorte XLVIII täppisteaduste olümpiaadi
Eesti koolinoorte XLVIII täppisteaduste olümpiaadi lõppvoor MATEMAATIKAS Tartus, 9. märtsil 001. a. Lahendused ja vastused IX klass 1. Vastus: x = 171. Teisendame võrrandi kujule 111(4 + x) = 14 45 ning
Διαβάστε περισσότεραELEKTRIMÕÕTMISTE TÄIENDKOOLITUS
Meede 1.1 projekt nr 1.0101-0386/IN660 Elektrotehnilise personali täiendkoolitussüsteemi väljaarendamine ELEKTRIMÕÕTMISTE TÄIENDKOOLITUS Täiendkoolituse õppematerjal Koostanud Raivo Teemets Tallinn 2007
Διαβάστε περισσότεραFunktsioonide õpetamisest põhikooli matemaatikakursuses
Funktsioonide õpetamisest põhikooli matemaatikakursuses Allar Veelmaa, Loo Keskkool Funktsioon on üldtähenduses eesmärgipärane omadus, ülesanne, otstarve. Mõiste funktsioon ei ole kasutusel ainult matemaatikas,
Διαβάστε περισσότεραMatemaatiline analüüs I iseseisvad ülesanded
Matemaatiline analüüs I iseseisvad ülesanded. Leidke funktsiooni y = log( ) + + 5 määramispiirkond.. Leidke funktsiooni y = + arcsin 5 määramispiirkond.. Leidke funktsiooni y = sin + 6 määramispiirkond.
Διαβάστε περισσότερα1 Funktsioon, piirväärtus, pidevus
Funktsioon, piirväärtus, pidevus. Funktsioon.. Tähistused Arvuhulki tähistatakse üldlevinud viisil: N - naturaalarvude hulk, Z - täisarvude hulk, Q - ratsionaalarvude hulk, R - reaalarvude hulk. Piirkonnaks
Διαβάστε περισσότεραSisukord. 4 Tõenäosuse piirteoreemid 36
Sisukord Sündmused ja tõenäosused 5. Sündmused................................... 5.2 Tõenäosus.................................... 8.2. Tõenäosuse arvutamise konkreetsed meetodid (üldise definitsiooni
Διαβάστε περισσότεραKirjeldab kuidas toimub programmide täitmine Tähendus spetsifitseeritakse olekuteisendussüsteemi abil Loomulik semantika
Operatsioonsemantika Kirjeldab kuidas toimub programmide täitmine Tähendus spetsifitseeritakse olekuteisendussüsteemi abil Loomulik semantika kirjeldab kuidas j~outakse l~oppolekusse Struktuurne semantika
Διαβάστε περισσότεραSisukord. 3 T~oenäosuse piirteoreemid Suurte arvude seadus (Law of Large Numbers)... 32
Sisukord Sündmused ja t~oenäosused 4. Sündmused................................... 4.2 T~oenäosus.................................... 7.2. T~oenäosuse arvutamise konkreetsed meetodid (üldise definitsiooni
Διαβάστε περισσότεραHULGATEOORIA ELEMENTE
HULGATEOORIA ELEMENTE Teema 2.2. Hulga elementide loendamine Jaan Penjam, email: jaan@cs.ioc.ee Diskreetne Matemaatika II: Hulgateooria 1 / 31 Loengu kava 2 Hulga elementide loendamine Hulga võimsus Loenduvad
Διαβάστε περισσότερα6.6 Ühtlaselt koormatud plaatide lihtsamad
6.6. Ühtlaselt koormatud plaatide lihtsamad paindeülesanded 263 6.6 Ühtlaselt koormatud plaatide lihtsamad paindeülesanded 6.6.1 Silindriline paine Kui ristkülikuline plaat on pika ristküliku kujuline
Διαβάστε περισσότεραVeaarvutus ja määramatus
TARTU ÜLIKOOL Tartu Ülikooli Teaduskool Veaarvutus ja määramatus Urmo Visk Tartu 2005 Sisukord 1 Tähistused 2 2 Sissejuhatus 3 3 Viga 4 3.1 Mõõteriistade vead................................... 4 3.2 Tehted
Διαβάστε περισσότερα,millest avaldub 21) 23)
II kursus TRIGONOMEETRIA * laia matemaatika teemad TRIGONOMEETRILISTE FUNKTSIOONIDE PÕHISEOSED: sin α s α sin α + s α,millest avaldu s α sin α sα tan α, * t α,millest järeldu * tα s α tα tan α + s α Ülesanne.
Διαβάστε περισσότεραCompress 6000 LW Bosch Compress LW C 35 C A ++ A + A B C D E F G. db kw kw /2013
55 C 35 C A A B C D E F G 50 11 12 11 11 10 11 db kw kw db 2015 811/2013 A A B C D E F G 2015 811/2013 Toote energiatarbe kirjeldus Järgmised toote andmed vastavad nõuetele, mis on esitatud direktiivi
Διαβάστε περισσότεραRF võimendite parameetrid
RF võimendite parameetrid Raadiosageduslike võimendite võimendavaks elemendiks kasutatakse põhiliselt bipolaarvõi väljatransistori. Paraku on transistori võimendus sagedusest sõltuv, transistor on mittelineaarne
Διαβάστε περισσότεραJätkusuutlikud isolatsioonilahendused. U-arvude koondtabel. VÄLISSEIN - COLUMBIA TÄISVALATUD ÕÕNESPLOKK 190 mm + SOOJUSTUS + KROHV
U-arvude koondtabel lk 1 lk 2 lk 3 lk 4 lk 5 lk 6 lk 7 lk 8 lk 9 lk 10 lk 11 lk 12 lk 13 lk 14 lk 15 lk 16 VÄLISSEIN - FIBO 3 CLASSIC 200 mm + SOOJUSTUS + KROHV VÄLISSEIN - AEROC CLASSIC 200 mm + SOOJUSTUS
Διαβάστε περισσότεραSissejuhatus mehhatroonikasse MHK0120
Sissejuhatus mehhatroonikasse MHK0120 2. nädala loeng Raavo Josepson raavo.josepson@ttu.ee Loenguslaidid Materjalid D. Halliday,R. Resnick, J. Walker. Füüsika põhikursus : õpik kõrgkoolile I köide. Eesti
Διαβάστε περισσότεραsiis on tegemist sümmeetrilise usaldusvahemikuga. Vasakpoolne usaldusvahemik x i, E x = EX, D x = σ2
Vahemikhinnangud Vahemikhinnangud Olgu α juhusliku suuruse X parameeter ja α = α (x 1,..., x n ) parameetri α hinnang. Kui ε > 0 on kindel suurus, siis vahemiku (α ε, α +ε) otspunktid on samuti juhuslikud
Διαβάστε περισσότερα20. SIRGE VÕRRANDID. Joonis 20.1
κ ËÁÊ Â Ì Ë Æ Á 20. SIRGE VÕRRANDID Sirget me võime vaadelda kas tasandil E 2 või ruumis E 3. Sirget vaadelda sirgel E 1 ei oma mõtet, sest tegemist on ühe ja sama sirgega. Esialgu on meie käsitlus nii
Διαβάστε περισσότεραMatemaatika VI kursus Tõenäosus, statistika KLASS 11 TUNDIDE ARV 35
Matemaatika VI kursus Tõenäosus, statistika Permutatsioonid, kombinatsioonid ja variatsioonid. Sündmus. Sündmuste liigid. Klassikaline tõenäosus. Geomeetriline tõenäosus. Sündmuste liigid: sõltuvad ja
Διαβάστε περισσότεραWilcoxoni astakmärgitest (Wilcoxon Signed-Rank Test)
Peatükk 2 Wilcoxoni astakmärgitest (Wilcoxon Signed-Rank Test) 2.1 Motivatsioon ja teststatistik Wilcoxoni astakmärgitesti kasutatakse kahe s~oltuva valimi v~ordlemiseks. Oletame näiteks, et soovime v~orrelda,
Διαβάστε περισσότεραKORDAMINE RIIGIEKSAMIKS VII teema Vektor. Joone võrrandid.
KORDMINE RIIGIEKSMIKS VII teema Vektor Joone võrrandid Vektoriaalseid suuruseid iseloomustavad a) siht b) suund c) pikkus Vektoriks nimetatakse suunatud sirglõiku Vektori alguspunktiks on ja lõpp-punktiks
Διαβάστε περισσότερα4.1 Funktsiooni lähendamine. Taylori polünoom.
Peatükk 4 Tuletise rakendusi 4.1 Funktsiooni lähendamine. Talori polünoom. Mitmetes matemaatika rakendustes on vaja leida keerulistele funktsioonidele lihtsaid lähendeid. Enamasti konstrueeritakse taolised
Διαβάστε περισσότερα1 Kompleksarvud Imaginaararvud Praktiline väärtus Kõige ilusam valem? Kompleksarvu erinevad kujud...
Marek Kolk, Tartu Ülikool, 2012 1 Kompleksarvud Tegemist on failiga, kuhu ma olen kogunud enda arvates huvitavat ja esiletõstmist vajavat materjali ning on mõeldud lugeja teadmiste täiendamiseks. Seega
Διαβάστε περισσότεραEpidemioloogiliste terminite lühisõnastik
Epidemioloogiliste terminite lühisõnastik Andmed [Data] - informatsioon, mistahes laadi faktid. Data on mitmuses, datum on ainsuses. Andmestik [Data set] süstematiseeritud infokogum, tavaliselt elektroonilisel
Διαβάστε περισσότεραStatistiline andmetöötlus, VL-0435 sügis, 2008
Praktikum 6 Salvestage kursuse kodulehelt omale arvutisse andmestik lehmageen.xls. Praktikum püüab kirjeldada mõningaid võimalusi tunnuste vaheliste seoste uurimiseks. Kommentaarid andmestiku kohta Konkreetselt
Διαβάστε περισσότεραSTM A ++ A + A B C D E F G A B C D E F G. kw kw /2013
Ι 47 d 11 11 10 kw kw kw d 2015 811/2013 Ι 2015 811/2013 Toote energiatarbe kirjeldus Järgmised toote andmed vastavad nõuetele, mis on esitatud direktiivi 2010/30/ täiendavates määrustes () nr 811/2013,
Διαβάστε περισσότερα2017/2018. õa keemiaolümpiaadi piirkonnavooru lahendused klass
2017/2018. õa keemiaolümpiaadi piirkonnavooru lahendused 11. 12. klass 18 g 1. a) N = 342 g/mol 6,022 1023 molekuli/mol = 3,2 10 22 molekuli b) 12 H 22 O 11 + 12O 2 = 12O 2 + 11H 2 O c) V = nrt p d) ΔH
Διαβάστε περισσότεραTöökorraldus. Õppematerialid. Töökorraldus. Harvey Motulsky Intuitive Biostatistics (2010, 1995)
Andmeanalüüs molekulaarbioloogias LOMR.0.007. loeng Andmed, tunnused, tunnuste tüübid ja tunnuse jaotuse iseloomustamine Prof Maido Remm Märt Möls martm@ut.ee Töökorraldus Hinne Hinne kujuneb kontrolltööde
Διαβάστε περισσότεραLexical-Functional Grammar
Lexical-Functional Grammar Süntaksiteooriad ja -mudelid 2005/06 Kaili Müürisep 6. aprill 2006 1 Contents 1 Ülevaade formalismist 1 1.1 Informatsiooni esitus LFG-s..................... 1 1.2 a-struktuur..............................
Διαβάστε περισσότεραJuhuslik faktor ja mitmetasandilised mudelid
Peatükk 2 Juhuslik faktor ja mitmetasandilised mudelid Uurime inimese verer~ohku. Inimese verer~ohk on üsnagi varieeruv ja s~oltub üsnagi tugevalt hetkeolukorrat mida inimene on enne m~o~otmist söönud/joonud,
Διαβάστε περισσότεραDEF. Kolmnurgaks nim hulknurka, millel on 3 tippu. / Kolmnurgaks nim tasandi osa, mida piiravad kolme erinevat punkti ühendavad lõigud.
Kolmnurk 1 KOLMNURK DEF. Kolmnurgaks nim hulknurka, millel on 3 tippu. / Kolmnurgaks nim tasandi osa, mida piiravad kolme erinevat punkti ühendavad lõigud. Kolmnurga tippe tähistatakse nagu punkte ikka
Διαβάστε περισσότεραSeminar II: Mitmemõõtmeline dispersioonanalüüs (MANOVA)
Kursus: Mitmemõõtmeline statistika Seminar II: Mitmemõõtmeline dispersioonanalüüs (MANOVA) Õppejõud: Katrin Niglas PhD, dotsent informaatika instituut Statistilise olulisustesti põhisammud: E I: Analüüsisin
Διαβάστε περισσότεραKORDAMINE RIIGIEKSAMIKS V teema Vektor. Joone võrrandid.
KORDMINE RIIGIEKSMIKS V teema Vektor Joone võrrandid Vektoriaalseid suuruseid iseloomustavad a) siht b) suund c) pikkus Vektoriks nimetatakse suunatud sirglõiku Vektori alguspunktiks on ja lõpp-punktiks
Διαβάστε περισσότεραHSM TT 1578 EST 6720 611 954 EE (04.08) RBLV 4682-00.1/G
HSM TT 1578 EST 682-00.1/G 6720 611 95 EE (0.08) RBLV Sisukord Sisukord Ohutustehnika alased nõuanded 3 Sümbolite selgitused 3 1. Seadme andmed 1. 1. Tarnekomplekt 1. 2. Tehnilised andmed 1. 3. Tarvikud
Διαβάστε περισσότεραAnnegrete Peek. Üldistatud aditiivne mudel. Bakalaureusetöö (6 EAP)
TARTU ÜLIKOOL MATEMAATIKA-INFORMAATIKATEADUSKOND MATEMAATILISE STATISTIKA INSTITUUT Annegrete Peek Üldistatud aditiivne mudel Bakalaureusetöö (6 EAP) Juhendaja: Märt Möls, PhD Tartu 2014 Üldistatud aditiivne
Διαβάστε περισσότεραKontekstivabad keeled
Kontekstivabad keeled Teema 2.1 Jaan Penjam, email: jaan@cs.ioc.ee Rekursiooni- ja keerukusteooria: KV keeled 1 / 27 Loengu kava 1 Kontekstivabad grammatikad 2 Süntaksipuud 3 Chomsky normaalkuju Jaan Penjam,
Διαβάστε περισσότεραTuletis ja diferentsiaal
Peatükk 3 Tuletis ja diferentsiaal 3.1 Tuletise ja diferentseeruva funktsiooni mõisted. Olgu antud funktsioon f ja kuulugu punkt a selle funktsiooni määramispiirkonda. Tuletis ja diferentseeruv funktsioon.
Διαβάστε περισσότεραSirgete varraste vääne
1 Peatükk 8 Sirgete varraste vääne 8.1. Sissejuhatus ja lahendusmeetod 8-8.1 Sissejuhatus ja lahendusmeetod Käesoleva loengukonspekti alajaotuses.10. käsitleti väändepingete leidmist ümarvarrastes ja alajaotuses.10.3
Διαβάστε περισσότεραArvuteooria. Diskreetse matemaatika elemendid. Sügis 2008
Sügis 2008 Jaguvus Olgu a ja b täisarvud. Kui leidub selline täisarv m, et b = am, siis ütleme, et arv a jagab arvu b ehk arv b jagub arvuga a. Tähistused: a b b. a Näiteks arv a jagab arvu b arv b jagub
Διαβάστε περισσότεραSmith i diagramm. Peegeldustegur
Smith i diagramm Smith i diagrammiks nimetatakse graafilist abivahendit/meetodit põhiliselt sobitusküsimuste lahendamiseks. Selle võttis 1939. aastal kasutusele Philip H. Smith, kes töötas tol ajal ettevõttes
Διαβάστε περισσότεραKoduseid ülesandeid IMO 2017 Eesti võistkonna kandidaatidele vol 4 lahendused
Koduseid ülesandeid IMO 017 Eesti võistkonna kandidaatidele vol 4 lahendused 17. juuni 017 1. Olgu a,, c positiivsed reaalarvud, nii et ac = 1. Tõesta, et a 1 + 1 ) 1 + 1 ) c 1 + 1 ) 1. c a Lahendus. Kuna
Διαβάστε περισσότερα2. HULGATEOORIA ELEMENTE
2. HULGATEOORIA ELEMENTE 2.1. Hulgad, nende esitusviisid. Alamhulgad Hulga mõiste on matemaatika algmõiste ja seda ei saa def ineerida. Me võime vaid selgitada, kuidas seda abstraktset mõistet endale kujundada.
Διαβάστε περισσότεραMitmest lülist koosneva mehhanismi punktide kiiruste ja kiirenduste leidmine
TALLINNA TEHNIKAÜLIKOOL MEHAANIKAINSTITUUT Dünaamika kodutöö nr. 1 Mitmest lülist koosnea mehhanismi punktide kiiruste ja kiirenduste leidmine ariant ZZ Lahendusnäide Üliõpilane: Xxx Yyy Üliõpilase kood:
Διαβάστε περισσότερα28. Sirgvoolu, solenoidi ja toroidi magnetinduktsiooni arvutamine koguvooluseaduse abil.
8. Sigvoolu, solenoidi j tooidi mgnetinduktsiooni vutmine koguvooluseduse il. See on vem vdtud, kuid mitte juhtme sees. Koguvooluseduse il on sed lihtne teh. Olgu lõpmt pikk juhe ingikujulise istlõikeg,
Διαβάστε περισσότεραAnalüütilise geomeetria praktikum II. L. Tuulmets
Analüütilise geomeetria praktikum II L. Tuulmets Tartu 1985 2 Peatükk 4 Sirge tasandil 1. Sirge tasandil Kui tasandil on antud afiinne reeper, siis iga sirge tasandil on selle reeperi suhtes määratud lineaarvõrrandiga
Διαβάστε περισσότεραTeaduskool. Alalisvooluringid. Koostanud Kaljo Schults
TARTU ÜLIKOOL Teaduskool Alalisvooluringid Koostanud Kaljo Schults Tartu 2008 Eessõna Käesoleva õppevahendi kasutajana on mõeldud eelkõige täppisteaduste vastu huvi tundvaid gümnaasiumi õpilasi, kes on
Διαβάστε περισσότεραMaterjalide omadused. kujutatud joonisel Materjalide mehaanikalised omadused määratakse tavaliselt otsese testimisega,
Peatükk 7 Materjalide omadused 1 Materjalide mehaanikalised omadused määratakse tavaliselt otsese testimisega, mis sageli lõpevad katsekeha purunemisega, näiteks tõmbekatse, väändekatse või löökkatse.
Διαβάστε περισσότεραEesti koolinoorte XLIX täppisteaduste olümpiaad
Eesti koolinoorte XLIX täppisteaduste olümpiaad MATEMAATIKA PIIRKONDLIK VOOR 26. jaanuaril 2002. a. Juhised lahenduste hindamiseks Lp. hindaja! 1. Juhime Teie tähelepanu sellele, et alljärgnevas on 7.
Διαβάστε περισσότερα; y ) vektori lõpppunkt, siis
III kusus VEKTOR TASANDIL. JOONE VÕRRAND *laia matemaatika teemad. Vektoi mõiste, -koodinaadid ja pikkus: http://www.allaveelmaa.com/ematejalid/vekto-koodinaadid-pikkus.pdf Vektoite lahutamine: http://allaveelmaa.com/ematejalid/lahutaminenull.pdf
Διαβάστε περισσότεραsin 2 α + cos 2 sin cos cos 2α = cos² - sin² tan 2α =
KORDAMINE RIIGIEKSAMIKS III TRIGONOMEETRIA ) põhiseosed sin α + cos sin cos α =, tanα =, cotα =, cos sin + tan =, tanα cotα = cos ) trigonomeetriliste funktsioonide täpsed väärtused α 5 6 9 sin α cos α
Διαβάστε περισσότεραKEEMIAÜLESANNETE LAHENDAMISE LAHTINE VÕISTLUS
KEEMIAÜLESANNETE LAHENDAMISE LAHTINE VÕISTLUS Nooem aste (9. ja 10. klass) Tallinn, Tatu, Kuessaae, Nava, Pänu, Kohtla-Jäve 11. novembe 2006 Ülesannete lahendused 1. a) M (E) = 40,08 / 0,876 = 10,2 letades,
Διαβάστε περισσότεραT~oestatavalt korrektne transleerimine
T~oestatavalt korrektne transleerimine Transleerimisel koostatakse lähtekeelsele programmile vastav sihtkeelne programm. Transleerimine on korrektne, kui transleerimisel programmi tähendus säilib. Formaalsemalt:
Διαβάστε περισσότεραVahendid Otsus Analüüs: Analüüsi Riskantseid Otsuseid
Vahendid Otsus Analüüs: Analüüsi Riskantseid Otsuseid Link: http://home.ubalt.edu/ntsbarsh/opre640a/partix.htm Kui sa alustada kindlust, siis lõpetab kahtlusi, kuid kui te tahate sisu alustada kahtlusi,
Διαβάστε περισσότεραKATEGOORIATEOORIA. Kevad 2016
KTEGOORITEOORI Kevad 2016 Loengukonspekt Lektor: Valdis Laan 1 1. Kategooriad 1.1. Hulgateoreetilistest alustest On hästi teada, et kõigi hulkade hulka ei ole olemas. Samas kategooriateoorias sooviks me
Διαβάστε περισσότεραJaanus Kroon. Statistika kvaliteedi mõõtmed
MAKSEBILANSI KVALITEEDI HINDAMINE Jaanus Kroon Statistikat kasutades tekib sageli küsimus, kui kvaliteetsed analüüsitavad andmed on ning kas need on piisavalt usaldusväärsed, et teha nende põhjal majandus-
Διαβάστε περισσότεραKOMBINATSIOONID, PERMUTATSIOOND JA BINOOMKORDAJAD
KOMBINATSIOONID, PERMUTATSIOOND JA BINOOMKORDAJAD Teema 3.1 (Õpiku peatükid 1 ja 3) Jaan Penjam, email: jaan@cs.ioc.ee Diskreetne Matemaatika II: Kombinatoorika 1 / 31 Loengu kava 1 Tähistusi 2 Kombinatoorsed
Διαβάστε περισσότεραEnam kui kahe grupi keskmiste võrdlus
Bomeetra Enam ku kahe populatsoon keskväärtuste võrdlemne dspersoonanalüüs Enam ku kahe grup keskmste võrdlus H 0 : 1 = 2 = = k H 1 : leduvad sellsed grupd,j, et Eeldustel, et j uurtav (sõltuv) tunnus
Διαβάστε περισσότεραPEATÜKK 5 LUMEKOORMUS KATUSEL. 5.1 Koormuse iseloom. 5.2 Koormuse paiknemine
PEATÜKK 5 LUMEKOORMUS KATUSEL 5.1 Koormuse iseloom (1) P Projekt peab arvestama asjaolu, et lumi võib katustele sadestuda paljude erinevate mudelite kohaselt. (2) Erinevate mudelite rakendumise põhjuseks
Διαβάστε περισσότεραEcophon Line LED. Süsteemi info. Mõõdud, mm 1200x x x600 T24 Paksus (t) M329, M330, M331. Paigaldusjoonis M397 M397
Ecophon Line LED Ecophon Line on täisintegreeritud süvistatud valgusti. Kokkusobiv erinevate Focus-laesüsteemidega. Valgusti, mida sobib kasutada erinevates ruumides: avatud planeeringuga kontorites; vahekäigus
Διαβάστε περισσότεραEnergiabilanss netoenergiavajadus
Energiabilanss netoenergiajadus 1/26 Eelmisel loengul soojuskadude arvutus (võimsus) φ + + + tot = φ φ φ juht v inf φ sv Energia = tunnivõimsuste summa kwh Netoenergiajadus (ruumis), energiakasutus (tehnosüsteemis)
Διαβάστε περισσότεραSORTEERIMINE JA FILTREERIMINE
Praktikum 3 Tänase praktikumi teema on andmetabelite filtreerimine ja kokkuvõtvate tabelite loomine, juttu tulebka mõningatest pisut nutikamatest funktsioonidest keskmiste ja vaatluste arvu arvutamisel.
Διαβάστε περισσότερα3. LOENDAMISE JA KOMBINATOORIKA ELEMENTE
3. LOENDAMISE JA KOMBINATOORIKA ELEMENTE 3.1. Loendamise põhireeglid Kombinatoorika on diskreetse matemaatika osa, mis uurib probleeme, kus on tegemist kas diskreetse hulga mingis mõttes eristatavate osahulkadega
Διαβάστε περισσότεραSuhteline salajasus. Peeter Laud. Tartu Ülikool. peeter TTÜ, p.1/27
Suhteline salajasus Peeter Laud peeter l@ut.ee Tartu Ülikool TTÜ, 11.12.2003 p.1/27 Probleemi olemus salajased sisendid avalikud väljundid Program muud väljundid muud sisendid mittesalajased väljundid
Διαβάστε περισσότερα1 Entroopia ja informatsioon
Kirjadus: T.M. Cover, J.A. Thomas "Elemets of iformatio theory", Wiley, 99 ja 2006. Yeug, Raymod W. "A first course of iformatio theory", Kluwer, 2002. Mackay, D. "Iformatio theory, iferece ad learig algorithms",
Διαβάστε περισσότερα1 Reaalarvud ja kompleksarvud Reaalarvud Kompleksarvud Kompleksarvu algebraline kuju... 5
1. Marek Kolk, Kõrgem matemaatika, Tartu Ülikool, 2013-14. 1 Reaalarvud ja kompleksarvud Sisukord 1 Reaalarvud ja kompleksarvud 1 1.1 Reaalarvud................................... 2 1.2 Kompleksarvud.................................
Διαβάστε περισσότερα(Raud)betoonkonstruktsioonide üldkursus 33
(Raud)betoonkonstruktsioonide üldkursus 33 Normaallõike tugevusarvutuse alused. Arvutuslikud pinge-deormatsioonidiagrammid Elemendi normaallõige (ristlõige) on elemendi pikiteljega risti olev lõige (s.o.
Διαβάστε περισσότεραJuhend. Kuupäev: Teema: Välisõhu ja õhuheidete mõõtmised. 1. Juhendi eesmärk
Juhend Kuupäev: 13.10.2015 Teema: Välisõhu ja õhuheidete mõõtmised 1. Juhendi eesmärk Käesolev juhend on mõeldud abivahendiks välisõhus sisalduvate saasteainete või saasteallikast väljuva saasteaine heite
Διαβάστε περισσότεραKATEGOORIATEOORIA. Kevad 2010
KTEGOORITEOORI Kevad 2010 Loengukonspekt Lektor: Valdis Laan 1 1. Kategooriad 1.1. Hulgateoreetilistest alustest On hästi teada, et kõigi hulkade hulka ei ole olemas. Samas kategooriateoorias sooviks me
Διαβάστε περισσότεραVektoralgebra seisukohalt võib ka selle võrduse kirja panna skalaarkorrutise
Jõu töö Konstanse jõu tööks lõigul (nihkel) A A nimetatakse jõu mooduli korrutist teepikkusega s = A A ning jõu siirde vahelise nurga koosinusega Fscos ektoralgebra seisukohalt võib ka selle võrduse kirja
Διαβάστε περισσότεραMatemaatiline statistika ja modelleerimine
Matemaatiline statistika ja modelleerimine Kahe arvtunnuse ühine käitumine, korrelatsioon- ja regressioonanalüüs EMÜ doktorikool DK.0007 Tanel Kaart Lineaarne e Pearsoni korrelatsioonikordaja Millal kasutada
Διαβάστε περισσότερα1. Paisksalvestuse meetod (hash)
1. Paisksalvestuse meetod (hash) Kas on otsimiseks võimalik leida paremat ajalist keerukust kui O(log n)? Parem saaks olla konstantne keerukus O(1), mis tähendaks seda, et on kohe teada, kust õige kirje
Διαβάστε περισσότεραEesti koolinoorte XLI täppisteaduste olümpiaad
Eesti koolinoorte XLI täppisteaduste olümpiaad MATEMAATIKA III VOOR 6. märts 994. a. Lahendused ja vastused IX klass.. Vastus: a) neljapäev; b) teisipäev, kolmapäev, reede või laupäev. a) Et poiste luiskamise
Διαβάστε περισσότερα8. KEEVISLIITED. Sele 8.1. Kattekeevisliide. Arvutada kahepoolne otsõmblus terasplaatide (S235J2G3) ühendamiseks. F = 40 kn; δ = 5 mm.
TTÜ EHHATROONIKAINSTITUUT HE00 - ASINATEHNIKA -, 5AP/ECTS 5 - -0-- E, S 8. KEEVISLIITED NÄIDE δ > 4δ δ b k See 8.. Kattekeevisiide Arvutada kahepoone otsõmbus teraspaatide (S5JG) ühendamiseks. 40 kn; δ
Διαβάστε περισσότεραJoonis 1. Teist järku aperioodilise lüli ülekandefunktsiooni saab teisendada võnkelüli ülekandefunktsiooni kujul, kui
Ülesnded j lhendused utomtjuhtimisest Ülesnne. Süsteem oosneb hest jdmisi ühendtud erioodilisest lülist, mille jonstndid on 0,08 j 0,5 ning õimendustegurid stlt 0 j 50. Leid süsteemi summrne ülendefuntsioon.
Διαβάστε περισσότεραAlgebraliste võrrandite lahenduvus radikaalides. Raido Paas Juhendaja: Mart Abel
Algebraliste võrrandite lahenduvus radikaalides Magistritöö Raido Paas Juhendaja: Mart Abel Tartu 2013 Sisukord Sissejuhatus Ajalooline sissejuhatus iii v 1 Rühmateooria elemente 1 1.1 Substitutsioonide
Διαβάστε περισσότερα