Latvijas Valsts mežzinātnes institūts Silava, Rīgas iela 111, Salaspils, LV-2169, Latvija; * e-pasts:

Size: px
Start display at page:

Download "Latvijas Valsts mežzinātnes institūts Silava, Rīgas iela 111, Salaspils, LV-2169, Latvija; * e-pasts:"

Transcription

1 Audzes krājas tekošā pieauguma u dabiskā atmiruma progožu modeļi Jāis Dois 1, 2 *, Gutars Šņepsts 1, Raimods Šēhofs 1, Agita Treimae 1 u Leoīds Zdors 2 Dois, J., Šņepsts, G., Šēhofs, R., Treimae, A., u Zdors, L., 215. Audzes krājas tekošā pieauguma u dabiskā atmiruma progožu modeļi. ežziāte 29, Kopsavilkums. Latvijā ir izstrādātas vairākas kamerālās metodes faktiskās audzes tekošā pieauguma aprēķiāšaai ga skuju kokiem, ga lapu kokiem. Tās pamatojas uz pagājušā gadsimta 6.-tajos u 7.-tajos gados viereiz uzmērītu parauglaukumu datiem u ar urbumu metodēm iegūtiem caurmēra pieaugumiem. Savukārt dabiskā atmiruma modeļi ir izstrādāti tikai skuju kokiem. To izstrādes metodiskā pieeja publikācijās av atspoguļota. Pētījumi liecia, ka Eiropā pēdējos gadu desmitos ir maiījusies audžu augšaas gaita, tādēļ epieciešama ga pieauguma, ga atmiruma modeļu precizēšaa. Pētījuma mērķis ir izstrādāt kamerālo metodi faktiskās audzes tekošā pieauguma u dabiskā atmiruma progozēm, balstot to uz pārmērītu meža statistiskās ivetarizācijas parauglaukumu datu kopu. Aalīzē izmatoti dati par 234 meža statistiskās ivetarizācijas (SI) I u II ciklā pēc 5 gadiem atkārtoti uzmērītajiem parauglaukumiem. Katram parauglaukumam aprēķiāts krājas tekošais faktiskās audzes vidēji periodiskais pieaugums. Balstoties uz šiem datiem aproksimēti jaui vieādojumi krājas tekošā faktiskās audzes vidēji periodiskā pieauguma aprēķiam priedei, eglei, bērzam, apsei, melalksim u baltalksim. Aproksimācijai izmatots kokaudzes vecums krūšaugstumā A 1,3, audzes boitāte pēc Orlova skalas u kokaudzes (meža elemeta) šķērslaukums. No tās datu kopas atlasot audzes, kur av veikta ciršaa u atmirums epārsiedz 2 % o sākotējās krājas, izstrādāti jaui modeļi krājas tekošā vidēji periodiskā dabiskā atmiruma aprēķiam priedei, eglei, bērzam, apsei, melalksim u baltalksim. Dabiskā atmiruma aproksimācijai izmatots kokaudzes vecums krūšaugstumā A 1,3 u kokaudzes šķērslaukums. Vieādojumi izmatojami audžu kopas (stratu), evis atsevišķas audzes pieauguma u audzes dabiskā atmiruma progozēšaai, bet e dabisko (ugusgrēku, vējgāžu utt.) procesu rezultātā radušos masveida krājas atmiruma progozēm. Raksturvārdi: vidējais periodiskais krājas pieaugums, dabiskais atmirums. 1 Latvijas Valsts mežziātes istitūts Silava, Rīgas iela 111, Salaspils, LV-2169, Latvija; * e-pasts: jais.dois@silava.lv 2 SIA eža ozares kompeteces cetrs, Dzērbees iela 27, Rīga, LV-16, Latvija 99

2 ežziāte 29(62) 215 Dois, J. 3, 4 *, Sepsts, G. 3, Sehofs, R. 3, Treimae, A. 3, ad Zdors, L. 4 Stad volume icremet ad the atural mortality models. Abstract. I Latvia, several methods for calculatio of curret volume icremet calculatio, both for coiferous ad deciduous stads have bee developed earlier. They are based o data from oce surveyed sample plots ad radial icremet cores. ajority of sample plots were established i the 196-ies ad 197-ies. I tur, the models of atural mortality have bee developed oly for coiferous stads. The methodological approach of developmet of atural mortality models is ot reflected i publicatios. Studies show that forest growth i Europe has chaged durig recet decades, therefore it is ecessary to specify both the growth ad atural mortality models. The study aims to develop a cameral method for forecasts of mea period stad growth ad atural mortality, based o re-measured Natioal forest ivetory (NFI) sample plot data sets. The aalysis used data from 2,34 NFI sample plots surveyed secod time durig For each plot growig stock at the ed of period ad growig stock of trees alive at the begiig of period was calculated. The gross mea periodic growth excludig icremet p of volume of losses ((Z )) was calculated. Based o these ew data, we developed equatio of p ((Z )) for Scots pie (Pius sylvestris L.), Norway spruce (Picea abies (L.) Karst), birch (Betula spp.), aspe (Populus tremula L.), commo alder (Alus glutiosa L.) ad grey alder (Alus icaa L.). Growth approximatio used breast height age A 1.3, site quality class accordig to Orlov s scale ad stad basal area. From the same basic data set we selected sample plots where o cuttig occurred or atural losses exceeded 2 % of iitial growig stock for developmet of ew models for approximatio of volume of mea periodic atural mortality for pie, spruce, birch, aspe, commo alder ad grey alder stads. For approximatio of atural mortality stad age at breast height A 1.3 ad stad basal area were used. Equatios ca be used for growth progosis for strata of stads istead of predictio of growth ad atural mortality of idividual stads. They are ot suitable for forecastig of atural losses created by disturbaces (fire, widfall, etc.). Key words: mea periodic volume growth, atural mortality. 3 Latvia State Forest Research Istitute Silava, 111 Riga str., Salaspils, LV-2169, Latvia; * jais.dois@silava.lv 4 Forest Sector Competece Ceter Ltd., 27 Dzerbees str., Riga, LV-16, Latvia 1

3 J. Dois, G. Šņepsts, R. Šēhofs, A. Treimae, L. Zdors Донис Я. 5, 6 * Шнепстс Г. 5 Шенхофс Р. 5 Треймане А. 5 и Здорс Л. 6 Модели прогнозов фактического текущего прироста запаса и естественного отпада. Резюме. В Латвии разработан целый ряд камеральных методов для вычисления фактического текущего прироста хвойных и лиственных деревьев которые основываются на данные добытые в 6-ых и 7-ых г.г. прошлого столетия путем одноразового измерения пробных площадей и с методом бурения определëнных приростов диаметра. Модели естественного отпада разработаны только для хвойных деревьев методика создания которых в публикациях не раскрыта. Исследования показывают что в последние десятилетя ход роста насаждений в Европе изменился поэтому необходимо произвести уточнение моделей прироста и отпада. Цель данного исследования разработать камеральный метод для прогнозирования текущего прироста и отпада насаждений основываясь на набор данных о пробных площадях перемеренных вовремя статистической инвентаризации леса. При анализе использованы данные о 234 повторно измеренных пробных площадей в I и II циклах статистической инвентаризации леса спустя 5-летний срок. Для каждой пробной площади вычислен фактический средне периодичный текущий прирост запаса насаждения. Используя полученные данные, аппроксимированы новые уравнения для вычисления фактического средне периодичного текущего прироста сосновых, еловых, берëзовых, осиновых, черноольховых и белоольховых насаждений. Для аппроксимации прироста применён возраст насаждения на высоте груди A 1,3, бонитет по шкале Орлова и площадь поперечного сечения насаждения (лесной элемент). Из упомянутого набора данных выбирая те насаждения, где не проводились вырубки и отпад не превышал 2 % от изначального запаса, выработаны новые модели для вычисления фактического средне периодичного текущего прироста сосновых, еловых, берëзовых, осиновых, черноольховых и белоольховых насаждений. Для аппроксимации естественного отпада использован возраст насаждения на возрасте груди A 1,3 и площадь поперечного сечения насаждения. Выработанные уравнения пригодны только для прогнозирования прироста и естественного отпада набора насаждений (страт), но не для отдельного насаждения. Уравнения также не пригодны для прогнозирования естественного отпада запаса насаждения, образовавшейся в результате естественных процессов (лесные пожары, ветровалы и др.). Ключевые слова: средний периодичный прирост запаса, естественный отпад. 5 Латвийский государственный институт лесоведения «Силава», ул. Ригас 111, Саласпилс, LV-2169, Латвия; * эл. почта: jais.dois@silava.lv 6 OOO «eža ozares kompeteces cetrs», ул. Дзербенес 27, Рига, LV-16, Латвия 11

4 ežziāte 29(62) 215 (ugusgrēku, vējgāžu utt.) procesu rezultātā radušos masveida krājas atmiruma 1. tabula, Table 1 progozēšaai. Tekošā pieauguma oteikšaai Ievads izmatojamas vairākas metodes (Liepa, to aprēķiāšaas Jebkurā kokaudzē vieādojumi tās dzīves laikā (Liepa, 1996; 1996) Антанайтис, Загреев, 1981), kuras otiek kvalitatīvas Nozīmīgākie u kvatitatīvas vārdi: vidējais izmaiņas, periodiskais klasificējamas krājas pieaugums, šādi: atkārtotas dabiskais uzskaites atmirums jeb t ad ko equatios osaka tās augšaa for calculatio u attīstība. Vies (Liepa, o pastāvīgo 1996) parauglaukumu metode, paraugkoku kokaudzi raksturojošiem rādītājiem ir tās krāja, metode, urbumu metodes u kamerālās kas ir koku Abstract. kopas stumbra The volume tilpumu Apzīmējums icremet summa metodes. ad the Katrai atural Vieādojums o 1. tām mortality tabula, ir priekšrocības Table models 1 u of the (Liepa, 1996, 28). Vies o krājas izmaiņu trūkumi. Atkārtotās uzskaites jeb pastāvīgo u to ecoomically raksturošaai aprēķiāšaas importat izmatotajiem vieādojumi forest tree species. rādītājiem Symbols ir (Liepa, parauglaukumu 1996) Equatios metode pielietojama tekošā krājas pieaugums, kura klasifikācija detāli pilā pieauguma oteikšaai (periodiskais et ad aprakstīta equatios vairākās publikācijās for calculatio (piemēram, (Liepa, 1996) 1. tabula, Table 1 I Latvia, several methods for pu vidēji periodiskais). calculatio of curret 1. A Антанайтис, Загреев, 1981; Liepa, 1996 u.c.). 1. tabula, Parauglaukumus tabula, volume A ce / Net periodic growth Δ Table Table 1 icremet 1 rājas pieaugumu veidi u to aprēķiāšaas vieādojumi uzmēra ik (Liepa, pēc ( 1996) = 5...1) gadiem. P. Sarma ājas rājas pieaugumu pieaugumu calculatio, To aprēķiu veidi veidi formulas both u u for to ievietotas aprēķiāšaas coiferous aprēķiāšaas 1. tabulā. ad Apzīmējums vieādojumi deciduous vieādojumi stads (Liepa, (Liepa, have 1996) Vieādojums 1996) bee 1. developed (1) uzskata šo metodi par drošāko, tabula, pieļaujot, Table earlier. 1 ka They ypes of volume icremet ad equatios for calculatio (Liepa, 1996) ājas pes ypes of pieaugumu of volume are volume based icremet veidi icremet o data u to from ad ad aprēķiāšaas equatios oce equatios surveyed for for Symbols vieādojumi calculatio calculatio sample plots (Liepa, (Liepa, ad 1996) radial Equatios 1996) icremet ieauguma iferece veids / Net rādītājs mea periodic A A cores. ajority p Apzīmējums Vieādojums pes ieauguma auguma of volume of veids veids sample rādītājs rādītājs icremet plots were ad established equatios for i calculatio the Δ196-ies Apzīmējums Apzīmējums (Liepa, ad 197-ies. 1996) Vieādojums Vieādojums 1. tabula / Table 1 Krājas pieaugumu veidi u to aprēķiāšaas p I vieādojumi (Liepa, A tur, the models of ypes of volume icremet Symbols Equatios 1996) A auguma ypes es rece of of volume volume / Net icremet veids rādītājs icremet periodic growth Δ Symbols Types of volume icremet ad equatios Apzīmējums Symbols Equatios (2) atural mortality have bee developed oly for for calculatio coiferous (Liepa, Vieādojums stads. Equatios 1996) p (1) A The methodological A rājas tekošā periodiskā diferece / Net periodic growth Δ es of volume icremet Symbols p Equatios A p A a ājas diskais rājas tekošā tekošā approach periodiskā pieaugums periodiskā of diferece diferece developmet // Net Gross Pieauguma / Net periodic veida periodic of atural growth rādītājsgrowth mortality p models Δ A Apzīmējums Δ is ot A reflected Vieādojums A (1) + i publicatios. kā diferece / Net Type mea of volume periodic Z A (1) A icremet p Symbols p A Equatios (1) rājas tekošā tekošā periodiskā vidēji periodiskā diferece diferece / Net periodic / Net growth mea periodic p A et of Studies volume show of that losses forest growth i Europe Δ Krājas tekošā Δhas chaged p durig recet A p rājas tekošā vidēji periodiskā diferece / Net mea periodic (3) ājas tekošā vidēji periodiskā diferece / Net mea periodic A decades, A therefore Δ Net periodic growth A (1) A p Δ A rowth p A (1) Δ (2) (2) jas tekošā vidēji periodiskā diferece / Net mea periodic A rowth wth it is ecessary to specify both the growth ad atural Δ mortality models. riodiskais pieaugums / Gross A Krājas tekošā vidēji periodiskā diferece p (2) rājas tekošais pilais periodiskais pieaugums / Gross p A A (2) Δ A Δ Net mea periodic growth p (2) wth eriodiskais pieaugums / Gross rājas tekošais pilais periodiskais pieaugums / Gross p A A A +a A + a a (2) a p A ājas tekošais pilais The study periodiskais aims to pieaugums develop a / cameral Gross p method Z for forecasts p p A of mea A + A + period a stad g eriodic icremet growth icludig of icremet volume of volume of of losses Z p Z Z p Z (3) p a eriodic iodic growth growth Krājas tekošais pilais periodiskais p A A + a growth icludig ad icludig icremet atural mortality, periodiskais icremet of of volume pieaugums volume of based of losses o re-measured p Natioal forest losses (3) ivetory / Gross (NFI) cremet of volume of losses Z Gross periodic growth icludig icremet of volume of losses p Z p A A (3) abula, rājas tekošais Table 1 pilais vidēji periodiskais pieaugums / Gross (4) + (3) p A (3) A +a ājas iodic rājas tekošais growth tekošais sample pilais icludig pilais plot vidēji vidēji data periodiskais icremet sets. periodiskais pieaugums of volume pieaugums / Gross of losses / Gross p A (3) A +a ji ea periodiskais periodic growth pieaugums icludig icremet / Gross of volume of Z A A +a p p rājas tekošais Krājas pilais tekošais pilais vidēji vidēji periodiskais pieaugums / Gross p A +a jas ea tekošais periodic pilais growth vidēji icludig periodiskais icremet pieaugums of volume / Gross of Z A A +a a periodic growth icludig icremet of volume of Z odiskais sses Gross pieaugums mea The periodic aalysis growth / icludig used Gross icremet data of from volume 2,34 p of losses p (4) p ea periodic growth icludig icremet of volume of Z A A +a (4) p NFI sample plots p A surveyed m ludig p a sses icremet of volume of Z (4) A secod time ses Z periodic growth icludig icremet of volume of p Z p (4) rājas tekošais durig faktiskais periodiskais For each pieaugums plot growig p (4) sses et of Krājas volume tekošais faktiskais of losses / Gross stock at the ed of period periodiskais p (4) A m A ājas es rājas tekošais tekošais faktiskais Gross periodic faktiskais periodiskais growth excludig periodiskais pieaugums Z eriodic growth excludig icremet icremet of volume pieaugums / of volume of losses of / Gross losses Gross p p A (5) ad growig stock dojums A m m A (5) of trees alive at the begiig of period was calculated. Z A rājas tekošais faktiskais periodiskais pieaugums / Gross Z (5) The gross mea periodic ios eriodic iodic p A m ji tekošais periodiskais growth growth excludig faktiskais excludig icremet pieaugums periodiskais icremet of of volume pieaugums volume / of of losses losses (5) / Gross A Z eriodic icremet of volume of losses Z p A (5) periodiskais rājas tekošais Krājas tekošais faktiskais pieaugums faktiskais vidēji vidēji / periodiskais Gross pieaugums / p p A A m ājas (5) A iodic rājas tekošais growth ross growth mea tekošais faktiskais excludig periodic excludig faktiskais vidēji icremet growth icremet vidēji periodiskais of excludig of periodiskais pieaugums volume of icremet of losses pieaugums / losses (Z Gross mea periodic growth excludig icremet of volume of losses of volume Z/ ) was calculated. A m A Based (6) o these A A p p Z A m (5) A m cludig icremet of volume Z A A oss rājas tekošais faktiskais vidēji periodiskais pieaugums / p A m jas ross cremet mea tekošais mea periodic periodic of volume growth faktiskais growth of excludig vidēji excludig losses icremet periodiskais icremet of pieaugums volume p p Z (1) ew data, we developed equatios of volume (Z / Z (5)(6) A f losses ) for Scots pie (Pius sylvestris L.), Norway Apzīmējumi / Leged: p (6) A m (6) A ross mea periodic growth excludig icremet of volume Z losses A A p f ss losses mea periodic growth excludig icremet of volume Z (6) vidēji A - audzes spruce periodiskais A audzes krāja vecumā A (augošo koku krāja) / growig stock at the ed of period; krāja vecumā A (augošo pieaugums koku krāja); / A - audzes krāja pirms gadiem (6) f losses (Picea abies (L.) Karst), birch (Betula spp.), aspe (Populus A (pirms m (6) A gadiem tremula L.), - audzes ugošo osses A - audzes krāja A audzes krāja pirms gadiem (pirms gadiem augošo koku krāja) / growig stock at the begiig of krāja vecumā krāja); vecumā A laika A (augošo (augošo koku itervāla koku krāja); lielums, krāja); kurā A - audzes A osaka - audzes krāja p krāja pirms pirms a gadiem gadiem (pirms (pirms gadiem (2) excludig commo koku period; krāja); A - audzes icremet alder Alus vecumā A (augošo A of volume - glutiosa audzes krāja L.) ad koku krāja); A - Zpirms pieaugumu; grey alder gadiem (Alus - atmiruma (pirms icaa krāja gadiem ( gadu audzes krāja pirms a gadiem (pirms gadiem ugošo ošo koku - audzes koku krāja); laika itervāla krāja krāja); vecumā laika lielums, A laika itervāla kurā (augošo itervāla lielums, osaka pieaugumu koku lielums, kurā krāja); kurā osaka / legth A osaka pieaugumu; of period; L.). Growth a a ikā atmitušo koku krāja perioda beigās); m - audzes pieaugumu; krāja pirms - atmiruma gadiem - atmiruma krāja (pirms krāja ( gadiem ( gadu A + gadu A - itervāla beigās audzē augošo koku a ugošo koku krāja); laika itervāla lielums, kurā osaka pieaugumu; a - atmiruma (6) A- krāja ( ecumā ošo ikā ā atmitušo approximatio atmiruma krāja ( gadu laikā atmitušo koku krāja perioda koku atmitušo koku krāja); koku krāja krāja perioda used laika perioda beigās); breast height itervāla beigās); m lielums, m A - age itervāla A1.3, A kurā - itervāla beigās site a beigās) / stadig volume at the ed of tervāla period lielums, of trees which kurā died durig osaka years pieaugumu; period; quality osaka pieaugumu; beigās audzē audzē augošo class augošo koku accordig - atmiruma koku krāja A- to ( A- Orlov`s scale - atmiruma krāja ( gadu (3) m gadu gadu ikā atmitušo koku krāja perioda beigās); m A - itervāla beigās audzē augošo koku krāja A- ecumā umā ad A itervāla beigās audzē augošo koku krāja A gadu vecumā / growig stock age A of trees alive stad basal area. From the same basic data set we selected sample plots where o ā (augošo atmitušo the ed koku krāja of period. da krāja); perioda beigās); m A - itervāla beigās audzē augošo koku A beigās); Growig stock m A at the ed - itervāla of period, ecumā A - audzes beigās A- Growig krāja audzē stock pirms at augošo the begiig gadiem koku of period; (pirms krāja A- legth gadiem gadu A A +a of umā A Growig period; Growig cuttig stock stock occurred at at the the ed ed of or of period, period, atural A- Growig stock at the begiig of period; legth of ka 12 a A itervāla a A- Growig losses stock exceeded at the begiig 2 % of period; iitial growig legth of stock for Stadig volume at the ed of period of trees which died durig years period. m Growig stock lielums, at the ed kurā of period, osaka A- pieaugumu; Growig stock at the begiig of period; legth of Growig period; stock a at the ed of period, A- Growig stock at the begiig of period; legth of period; a Stadig volume at the ed of period of trees which - atmiruma krāja ( gadu A period; (4) a Stadig volume at the ed of period of trees which died growig stock at age A- of trees alive at the ed of period. died durig durig years years period. period. m developmet of ew models for approximatio of volume of mea periodic m A A atural Stadig volume at the ed of period of trees which died durig years period. m

5 J. Dois, G. Šņepsts, R. Šēhofs, A. Treimae, L. Zdors = 3 (Liepa, 1996). Savukārt citi pētieki uzskata, ka uzmērīšaai epieciešams ievērojami ilgāks laiks (Антанайтис, Загреев, 1981). etodes trūkums mērījumu veikšaa e agrāk kā pēc 5 gadiem, kas eļauj oteikt ikgadējo pieaugumu, savukārt tās priekšrocība iespējama audzes sastāva formēšaās apsekošaa, kopējās produktivitātes progozēšaa u.c., tādēļ tā ir eaizstājama augšaas gaitas pētīšaai (Liepa, 1996). Tekošā pieauguma oteikšaai acioālā līmeī dati iegūstami meža statistiskās ivetarizācijas (SI) parauglaukumos ( Jasos, Licite, 29). Ar paraugkoku metodi aprēķiāms faktiskais pieaugums periodiskais, vidēji periodiskais u ikgadējais. etodes precizitāti osaka izvēlēto paraugkoku skaits u veids. Paraugkoku metodes ir precīzākās, osakot pieaugumu īsā laika itervālā, it īpaši, aprēķiot ikgadējo pieaugumu. Urbumu metodes balstās uz izurbto skaidu radiālo pieaugumu mērījumiem. Tā kā augstuma pieaugums bieži vie av izmērāms, to aprēķia, pielietojot dažādas empīriskās metodes, kuru pieauguma oteikšaas kļūda epārsiedz 1 15 %. iēto metožu darbietilpība, salīdziājumā ar parauglaukumu u paraugkoku metodēm, ir ievērojami mazāka, tādēļ tās tiek izmatotas visbiežāk. Pie šīm metodēm pieskaitāmas eijera-loča metode, kuru plaši pielietojuši arī Latvijas pētieki (Zviedris, atuzāis,1964; atuzāis, Tauriņš, 1971; Liepa, 211), kā arī I. Liepas izstrādātās metodikas (Liepa, 1968, 1975, 1996, 211; Лиепа и др., 198). Kokrētās audzes (meža elemeta) krājas tekošā pieauguma oteikšaai, ziot radiālo pieaugumu, vidējo caurmēru D (cm), šķērslaukumu G (m 2 ha 1 ) u vidējo augstumu H (Liepa, 1996), tā pielietota SI pirmajā uzmērīšaas ciklā, lai aprēķiātu faktiskās audzes poteciālo tekošo ikgadējo pieaugumu, kas balstīts uz iepriekšējo 5 (1) gadu radiālo pieaugumu vērtībām (Lībiete et al., 29). Kamerālās metodes pamatojas uz tradicioālo, meža ivetarizācijas laikā iegūto iformāciju. Pie tām pieskaitāmas augšaas gaitas tabulu metodes (Ozols, 1926; atuzāis, 1983; Liepa, 1996). Sagaidāmā tekošā krājas pieauguma (vidējais turpmākajos 1 gados) oteikšaai, izmatojot lielu skaitu (vairāk ekā 12) viereiz uzmērītu parauglaukumu datu, ir izstrādāti vieādojumi parastās priedes (Pius sylvestris L.), parastās egles (Picea abies (L.) Karst) u bērza (Betula spp.) audzēm (atuzāis, 1983). Priedes u egles krājas tekošais pieaugums Z aprēķiāts kā fukcija o šķērslaukuma G, krūšaugstuma vecuma gados A 1,3 u virsaugstuma boitātes 1 gadu bāzes vecumā (H 1 ), Z = f(g; A 1,3 ; H 1 ); savukārt bērzam, apsei (Populus tremula L.) u melalksim (Alus glutiosa L.) Z = f(g; A 1,3 ; H 5 ), bet baltalksim (Alus icaa L.) kā fukcija o šķērslaukuma G, vecuma A, u boitātes B pēc Orlova skalas Z = f(g; A; B) (Нормативы для таксации..., 1988). Priežu jauaudzēm Z = f(a; G; H 2 ) aproksimēts, balstoties uz 55 parauglaukumu datiem (Геркис, 1981), bet egļu jauaudzēm Z = f(a; G; H 2 ) aproksimēts, balstoties uz 144 parauglaukumu datiem (Бисениекс, 1975). Ņemot vērā datu ieguves metodiku, Z šajā gadījumā ir krājas tekošais faktiskais vidēji periodiskais pieaugums (Z p. 13

6 ežziāte 29(62) 215 I. Liepa (28, 29) izstrādājis kamerālo metodi, kas izmatojama audžu kopu krājas tekošā faktiskā poteciālā pieauguma oteikšaai, balstot to uz tradicioālajiem taksācijas aprakstu rādītājiem suga, A, G, B. etodes pamatā ir atsevišķu parauglaukumu pieaugumu dati. Tā paredzēta krājas pieauguma aprēķiāšaai astoņām Latvijā mežsaimieciski ozīmīgākajām sugām (P, E, B, A,, Ba, Os, Oz) saistībā ar mežaudzes vecumu, šķērslaukumu u boitāti (Z = f(a; G; B). Diemžēl, I. Liepa (Liepa, 28, 29) av atspoguļojis, kā metodiski aprēķiāts (aproksimēts) radiālais pieaugums dažāda vecuma, sugu u boitāšu audzēm, u kāda ir šo aproksimāciju eoteiktība. Pētījumos mēdz odalīt dabisko atmirumu, kas sevī eietver krājas zudumus, kuri radušies dabisko traucējumu (vējgāzes, ugusgrēki utt.) vai cilvēka darbības (Liepa, 29) rezultātā. Taču atšķirt dabisko traucējumu radītos zudumus o dabiskā atmiruma e viemēr ir iespējams. J. Biseieks u J. atuzāis g. (Нормативы для таксации..., 1988) izstrādājuši modeļus ikgadējā dabiskā atmiruma (m 3 ha 1 ) oteikšaai priežu audzēs u egļu audzēs 1 gadu laikā atkarībā o boitātes (pēc Orlova skalas), vecuma u biezības, kas aprēķiāta pēc Tretjakova skalas. odeļu lietošaas ierobežojums audzes vecums vismaz 4 gadi. Šos pašus datus aproksimējis I. Liepa (Liepa, 28) u izskaitļojis reducēto ikgadējo atmirumu (m 3 m 2 ), balstoties uz pieņēmumu, ka atmirums ir tieši proporcioāls šķērslaukumam, kas eatbilst teorijai, ka dabiskais atmirums pašizretiāšaās dēļ biezākās audzēs ir lielāks ekā līdzīga vecuma u augstuma retākās audzēs (Hasehauer, 26; Weiskittel et al., 211). J. Biseieks ir izstrādājis vieādojumus arī ikgadējā dabiskā atmiruma u kopējā dabiskā atmiruma aproksimācijai, kas balstīti uz vecumu, augstumu u šķērslaukumu V atm = f(a; H; G) priedei u eglei (Biseieks, 1984). Agrāk izstrādāto modeļu pamatā ir pagājušā gadsimta 6.-tajos u 7.-tajos gados ierīkoto u viereiz uzmērīto parauglaukumu u tajos iegūto urbumu skaidu dati. Pētījumi liecia, ka daudzviet Eiropā audžu augšaas gaitā ovērotas izmaiņas (Spiecker, 1999; Pretzsch, 29), tādēļ ir epieciešama jauu modeļu izstrāde. Pētījuma mērķis: izstrādāt kamerālo metodi faktiskās audzes tekošā pieauguma u dabiskā atmiruma progozēšaai, balstoties uz pārmērītajos meža statistiskās ivetarizācijas parauglaukumos iegūto datu kopu. ateriāls u metodes Aalīzei izmatoti dati par 234 meža statistiskās ivetarizācijas (SI) I u II ciklā pēc 5 gadiem atkārtoti uzmērītajiem parauglaukumiem, turklāt dati tikai par tiem parauglaukumiem, kuriem: abās uzmērīšaas reizēs sakritusi I stāvā valdošā koku suga; I stāvā valdošā koku suga bijusi priede (94 parauglaukumi), egle (425), bērzs (655), apse (14), melalksis (115), u baltalksis (137); I stāva valdošās koku sugas krūšaugstuma vecums 1. uzmērīšaas reizē bijis vismaz 5 gadi; I stāva valdošās koku sugas koku skaits 14

7 J. Dois, G. Šņepsts, R. Šēhofs, A. Treimae, L. Zdors 1. uzmērīšaas reizē uzrādījis vismaz 1 kokus uz hektāra; I stāva valdošās koku sugas vidējā kvadrātiskā caurmēra u tam atbilstošā augstuma pieaugums bijis pozitīvs u av lielāks par 3 stadartovirzēm o parauglaukuma atbilstošās audzes vecuma desmitgades aritmētiski vidējās vērtības; dabiskais atmirums av bijis lielāks par 2 % o 1. uzmērīšaas reizē kostatētās koku krājas, pieņemot, ka lielāku atmirumu izraisa dabiskie traucējumi, piem., spēcīgu vēju radīti audžu bojājumi; periodā starp uzmērīšaām av kostatēta koku izciršaa. Paraugkopu raksturojošie taksācijas rādītāji atspoguļoti 2. tabulā. Lai izvairītos o krājas izmaiņu kļūdām, kas SI metodikas dēļ rodas, kokiem ieaugoties (pārsiedzot 2, cm krūšaugstuma caurmēru) vai pārejot uz citu reprezetācijas klasi (pārsiedzot 6, cm u 14, cm krūšaugstuma caurmēru), aalīzei izmatoti tikai tie koki, kas kostatēti pirmajā uzmērīšaas ciklā u kuru reprezetācijas klases paliek emaiīgas. eža elemeta koka augstums aprēķiāts, izmatojot Petersoa augstumlīki (va Laar, Akça, 27), savukārt koku stumbru tilpumi izskaitļoti ar I. Liepas formulu (28. formula (Liepa, 1996)); attiecīgi izrēķiāts meža elemeta vidējais kvadrātiskais caurmērs u vidējā kvadrātiskā caurmēra koka augstums. Veicot aalīzi, faktiskās audzes tekošo vidēji periodisko pieaugumu katram parauglaukumam aprēķia šādi (Liepa, 1996): Z m = A m A,, kur (7) A audzes krāja vecumā A (augošo koku krāja), m 3 ha 1 ; m A itervāla beigās audzē augošo koku krāja A gadu vecumā, m 3 ha 1 ; itervāla garums, gadi. Visi aprēķii veikti audzes krājas pieauguma oteikšaai ar mizu. Faktiskās audzes tekošā vidēji periodiskā krājas pieauguma progozēšaai izstrādāts šāds vieādojums: p a = a 1 A 1. a G a, kur (8) Z p Z faktiskās audzes tekošais vidēji periodiskais krājas pieaugums, m 3 ha 1 ; A 1,3 kokaudzes I stāvā valdošās koku sugas krūšaugstuma vecums, gadi; B audzes boitāte (atbilstoši Orlova boitāšu skalai Ia =, I = 1... IV = 4, V = 5); G kokaudzes (meža elemeta) šķērslaukums, m 2 ha 1 ; a 1...a 4 empīriskie koeficieti. B aprēķiāts, pielietojot J. Biseieka sakarību aproksimāciju (6.12. tabula o Нормативы для таксации..., 1988). odelis pašreiz ietver visus dabiskos zudumus kopā, t.sk., arī dabisko traucējumu radītos krājas zudumus, ja vie dabiskais atmirums av lielāks par 2 % o 1. SI ciklā parauglaukumā kostatēto koku krājas. Vidējā periodiskā dabiskā atmiruma modelēšaai pārbaudīti 2 vieādojumi: Z p ( ) = b 1 A 1. b b A 1. 1 G b, kur (9) Z p ( ) = A 1. G 1 + A 1. + G, kur (1) Z p ( ) audzes tekošais vidēji periodiskais krājas dabiskais atmirums, m 3 ha 1 ; A 1,3 kokaudzes I stāvā valdošās koku sugas krūšaugstuma vecums, gadi; G kokaudzes šķērslaukums, m 2 ha 1 ; b 1...b 4 u c 1...c 3 empīriskie koeficieti. 15

8 ežziāte 29(62) 215 Paraugkopas taksācijas rādītāji Ivetory data of sample set 2. tabula / Table 2 Suga Species Priede Pie Egle Spruce Bērzs Birch elalksis Black alder Apse Aspe Baltalksis Grey alder Rādītājs Variable Audzes taksācijas rādītāji Stad characterists A Bo D H G G1 1 N N1 Biez Aritm. vid. / ea 68,6 2,3 23,7 19,3 25,6 22,4 242,9 221, ,51,67 i. / i 5 2,6 1,5,4,4,8,8 1 1,3 aks. / ax ,5 35,1 72, 61,2 823,2 745, ,68 Stadartovirze / StdDev 29,8 1,7 8,4 6,7 11,2 9,2 145,1 129, ,24 Aritm. vid. / ea 46,4 1,2 21,2 18,5 24,7 21,2 236,4 213, ,24,69 i. / i 5 2,6 2,7,3,3 1,1 1,1 1 1,3 aks. / ax ,7 36,3 5,6 44,6 655,4 611, ,59 Stadartovirze / StdDev 28,8 1,1 8,5 6,6 11, 9,7 139,8 129, ,6,26 Aritm. vid. / ea 4,4 1,5 17,6 18,5 2,7 16,3 185,8 157,7 1921,6 931,45,67 i. / i 5 2,5 3,5,5,5 1,6 1,6 1 1,3 aks. / ax ,5 32, 5,9 45,8 652,7 615, ,59 Stadartovirze / StdDev 18,8 1,3 7,6 6,7 1,8 8,3 123,1 14, ,33 Aritm. vid. / ea 41,5 1,6 2,2 18,7 26,4 23,1 246,3 226,6 1559,5 84,17,79 i. / i 5 3,8 4,3,9,9 2,4 2, ,11 aks. / ax ,6 28, 49, 4,4 598,9 53, ,43 Stadartovirze / StdDev 16, 1, 6,5 5, 1,7 9,6 126, 119, ,4,29 Aritm. vid. / ea 41,6,3 24,3 23,4 29,9 23,3 337,3 288,1 2293,5 1211,3,83 i. / i 6 2,4 4,,8,8 2,8 2, ,2 aks. / ax ,7 38,5 6, 47,3 738,9 717, ,77 Stadartovirze / StdDev 21,1,6 12,6 8,7 14, 1,7 28, 18, ,56 Aritm. vid. / ea 26, 1,2 13,1 14,5 21,6 19,5 163,7 152,5 267,3 1912,6,91 i. / i 5 2,6 4,7 1,1 1,1 3,2 3, ,9 aks. / ax ,4 22,9 4,6 37,5 391,6 358, ,97 Stadartovirze / StdDev 11,2 1, 5,2 4,5 9,9 9,1 93,7 87, ,52 Apzīmējumi / Leged: A 1,3 audzes krūšaugstuma vecums / age at the breast height; Bo boitāte pēc Orlova skalas / site quality class accordig to Orlov`s scale; D vidējais kvadrātiskais caurmērs, cm / mea quadratic diameter, cm; H vidējā kvadrātiskā caurmēra koka augstums, m / height of the tree with mea quadratic diameter, m; G parauglaukumu kokaudzes šķērslaukums, m 2 ha 1 / basal area of stad m 2 ha 1 ; G1 parauglaukumu kokaudzes I stāva šķērslaukums, m 2 ha 1 / basal area of trees i the upper layer, m 2 ha 1 ; parauglaukumu kokaudzes krāja, m 3 ha 1 / volume of stad, m 3 ha 1 ; 1 parauglaukumu kokaudzes I stāva krāja, m 3 ha 1 / volume of upper layer, m 3 ha 1 ; N parauglaukumu kokaudzes koku skaits uz hektāra, gab. ha 1 / umber of trees i the stad per hectare, umber ha 1 ; N1 parauglaukumu kokaudzes I stāva koku skaits uz hektāra, gab. ha 1 / umber of trees i the upper layer per hectare, umber ha 1 ; Biez parauglaukuma biezība pēc valdošās sugas, atbilstoši Tretjakova ormālo šķērslaukuma skalai, ja H pārsiedz 12 m vai ormatīvos oteiktajam ormālajam koku skaitam, ja H ir mazāks / relative desity by domiat species accordig to Tretjakov`s scale of ormal basal area, if H > 12 m, otherwise accordig o tables of ormal umber of trees. 16

9 J. Dois, G. Šņepsts, R. Šēhofs, A. Treimae, L. Zdors Arī šajā gadījumā dabiskais atmirums uzskaitīts ar mizu. Empīrisko koeficietu vērtības aprēķiātas, pielietojot datorprogrammu SPSS 14 rīku Noliear regressio. Vieādojumu atbilstības izvērtējumam izmatoti šādi rādītāji, skat. 3. tabulu. Rezultāti Pētījumā aproksimētas koeficietu vērtības valdošās koku sugas, kokaudzes I stāva u kokaudzes tekošā vidēji periodiskā krājas pieauguma aprēķiāšaai (4. tabula). Egles, apses u baltalkšņa tekošais vidēji periodiskais krājas pieaugums pārbaudītajā datu kopā eosaka boitāte, jo attiecīgais koeficiets (a 3 ), pie 95 % ticamības, būtiski eatšķiras o 1. Vieādojumam, ar visiem aalīzē iekļautajiem meža elemetiem, kostatētas ļoti elielas vidējās ovirzes (mazākas par,5 m 3 ha 1 ), kas visos gadījumos ir 3. tabula. Table 3 Vieādojumu atbilstības izvērtēšaas statistiskie rādītāji 3. tabula / Table 3 odel Vieādojumu performace atbilstības evaluatio 3. tabula. izvērtēšaas idicators Table statistiskie 3 rādītāji odel performace evaluatio idicators skais rādītājs Apzīmējums Vieādojums Ideālā vērtība umu atbilstības ace criterio 3. izvērtēšaas tabula. Table statistiskie 3 rādītāji Symbol Statistiskais rādītājs Equatio Apzīmējums Ideal Vieādojums value Ideālā odel performace evaluatio 3. tabula. idicators Table 3 vērtība tistiskie rādītāji Performace criterio Symbols (y Equatios Ideal value ovirze (ea Residual) Vidējā RES ovirze y) Apzīmējums Vieādojums Ideālā vērtība RES (y y) statistiskie dicators rādītāji ea residual Symbol Equatio Ideal value (y (y Procetuālā vidējā ovirze y) y ) ādojums uālā idicators vidējā ovirze (ea Residual Ideālā as vērtība %) RES% ea residual as % RES% 1 (y 1 RES y) y y Vieādojums atio Ideal value Ideālā vērtība y bsolūtā ovirze (Absolute Vidējā ea absolūtā residual) ovirze ARES Absolute mea residual ARES y (y y Equatio Ideal value y) idual (y as %) y) RES% 1 y (y y) Stadartovirze Root mea square error RSE tovirze (Root mea square error) RSE (y y) (y a residual) y) y ARES y 1 p 1 y (y y) as koeficiets (Root Variācijas mea square koeficiets error as (y y) ror) RSE 1 RSE% (y y) y y Root mea square error as % RSE% 1 p y 1 p 1 3. tabula. Table 3 y quare error y as y (y y) Vidējā kvadrātiskā kļūda SE vadrātiskā statistiskie (y kļūda (ea square error) SE y) RSE% rādītāji 1 p (y y) 1 ea square error p 1 p y idicators odeļa efektivitāte (y EF efektivitāte (odel efficiecy) EF y) (y y ) (y re error) SE y) odel efficiecy Vieādojums (y y) (y y) 1 p p 1 p Ideālā vērtība 1 Equatio y Dispersijas attiecība y ijas VR attiecība (Variace ratio) VR y (y y) Ideal value (y ) EF y) 1 Variace ratio 1 1 p (y y) (y (y y) (y y) y) 1 py mērītais rādītājs Apzīmējumi (observed / Leged: values); y - aprēķiātais y VR y rādītājs 1 (predicted values); y - aritmētiski vidējais (y tais rādītājs y) (mea uzmērītais (y observed rādītājs values); / observed y - aritmētiski values; y) (y (y ) y) vidējais aprēķiātais rādītājs (mea predicted values); d values); (y y ) - p aprēķiātais rādītājs (predicted / values); values; y - aritmētiski vidējais 1 rojumu skaits ojumu y (cout); p vieādojuma parametru skaits (umber of model parameters). ed values); (y aritmētiski vidējais uzmērītais rādītājs / mea observed values; - y) vidējais aprēķiātais rādītājs (mea predicted values); y aritmētiski vidējais y vieādojuma (y parametru y) aprēķiātais rādītājs / mea predicted values; y 1 (y ) ovērojumu skaits skaits (umber / cout; of model parameters). p vieādojuma parametru skaits / umber of model parameters. edicted values); y y y - aritmētiski vidējais 1 (y (y y) y) ātais rādītājs (mea predicted values); 1 p 17 model (predicted parameters). values); y - aritmētiski vidējais (y y)

10 ežziāte 29(62) 215 mazākas par,5 % o elemeta aritmētiski vidējā faktiskās audzes krājas tekošā vidēji periodiskā pieauguma (5. tabula). Determiācijas koeficiets ir o,398 apsei līdz,587 priedei. Starpības starp uzmērīto u p aproksimēto Z av atkarīgas o vieādojumā iekļautajām faktoriālajām pazīmēm (krūšaugstuma vecuma, boitātes u ele- meta šķērslaukuma), jo visos gadījumos lieārās korelācijas ir vājas. Lai ga atsevišķos gadījumos, lielā ovērojumu skaita dēļ, lieārās korelācijas ir statistiski būtiskas, tomēr tās vairāk atbilst ekorelatīvai haotiskai puktu kopai, ekā loģiskai sakarībai (1. attēls). Aproksimētās faktiskās audzes I stāva vidējā periodiskā krājas pieauguma sakarības priežu audzēm saistībā ar dažādiem 4. tabula / Table 4 Faktiskās audzes tekošā vidējā periodiskā krājas pieauguma u dabiskā atmiruma progožu modeļu (vieādojumi 2, 3 u 4) koeficietu vērtības Coefficiets of curret mea periodic volume icremet ad atural mortality models (eq. 2, 3, ad 4) Taksācijas vieība Stad uit I stāvs Stad`s upper layer Kopā Total Koeficiets Coefficiet Priede Pie Egle Spruce Bērzs Birch elalksis Black alder Apse Aspe Baltalksis Grey alder a 1 3, ,1552 1,2968 5,1151 8, ,13721 a 2,34574,52985,48196,41588,33549,58424 a 3, ,91965, a 4,74736,72111,5673,75745,5734,5639 b 1,1,775,1,1,862,232 b 2 2,51928, , ,96925,87142,51242 b 3,1669,471,429,116,9735 3,3958 b 4 1,2451,7737 1, ,6724 1,5999,8963 c 1 843, , ,283 67,24 25,79 159,571 c 2 22,684 6,39 11,467,627 1,556,665 c 3 28,539 6,284 21,661 3,639,893 1,296 a 1 2, , , , , ,7689 a 2,2186,49799,3718,35313,19714,53498 a 3, ,91244, a 4,6948,65366,5369,68166,44586,4983 b 1,136,469,115,1,817,4435 b 2,8676,97348, , , ,722 b 3,3652,19516,64,31,4528 9,29593 b 4 1,334 1,4411 1,64561,39367,8682 1,16853 c 1 56, ,89 291, ,813 37, ,339 c 2 18,758 9,344 12,656 3,99 1,458 2,835 c 3 16,195 5,334 11,83 1,166 2,242 1,68 18

11 J. Dois, G. Šņepsts, R. Šēhofs, A. Treimae, L. Zdors parametriem atspoguļotas 2. attēlā. Vieādā vecumā augstāku boitāšu gadījumā pieaugums ir lielāks, līdzīgi arī lielāka šķērslaukuma gadījumā, vieā u tajā pašā vecumā u boitātē, pieaugums ir lielāks. Savukārt dabiskā atmiruma vieādojumu statistiskie rādītāji abiem modeļiem ir salīdzioši zemi (6. tabula). Vidējā ovirze ir ievērojami lielāka, kaut arī lielākajā daļā gadījumu tā ir mazāka par,5 m 3 ha 1. Arī determiācijas koeficieti ir p ievērojami zemāki ekā Z aprēķios: R 2 priedei ir tikai,144, u,475 baltalksim (6. tabula). Krājas dabiskā atmiruma modelis pašreizējā variatā av atkarīgs o audzes boitātes, jo izmatoto datu boitātei av statistiski būtiskas ietekmes uz kokaudzes krājas atmirumu, kas visticamāk skaidrojams ar pārāk īso periodu starp uzmērīšaas cikliem. Statistiski korektai dabiskā atmiruma modelēšaai 5 gadu pārmērīšaas cikls ir par īsu, jo: 5. tabula / Table 5 Faktiskās audzes tekošā vidēji periodiskā krājas pieauguma progožu modeļu aproksimēto vieādojuma statistiskie rādītāji Statistical idicators of curret mea periodic volume icremet predictio equatios Suga Species Priede Pie Egle Spruce Bērzs Birch elalksis Black alder Apse Aspe Baltalksis Grey alder Taksācijas vieība Stad s uit Vieādojuma statistiskie rādītāji Criteria for evaluatig model performace RES ARES RSE SE VR R^2 N I stāvs / upper floor,3 1,89 2,53 6,39,529, Kopā / total,3 2,12 2,84 8,5,563, I stāvs / upper floor, 2,57 3,33 11,9,545, Kopā / total,1 2,87 3,63 13,13,51, I stāvs / upper floor,1 2,23 2,97 8,79,43, Kopā / total,1 2,63 3,42 11,65,443, I stāvs / upper floor,1 2,52 3,18 1,2,544, Kopā / total,1 2,7 3,44 11,75,515, I stāvs / upper floor,1 2,9 3,77 14,6,438, Kopā / total, 3,7 4,13 16,88,395, I stāvs / upper floor,4 2,6 3,5 12,12,418, Kopā / total,2 2,71 3,64 13,18,395, Apzīmējumi / Leged: RES vidējā ovirze / mea residual; ARES vidējā absolūtā ovirze / absolute mea residual; RSE stadartovirze / root mea square error; SE vidējā kvadrātiskā kļūda / mea square error; VR dispersijas attiecība / variace ratio; R^2 determiācijas idekss / squared multiple correlatio coefficiet; N parauglaukumu skaits / cout of samplig plot. 19

12 ežziāte 29(62) 215 1) 22) 3) 4) 5 5) 6) 1. attēls. Faktiskās audzes I stāva (1. stāvs) u audzes kopējā (kopā) vidējā periodiskā krājas pieauguma starpības (ΔZ, m 3 ha 1 gadā) starp uzmērītajām u progozētajām (2. vieādojums) vērtībām saistībā ar audzes krūšaugstuma vecumu (A 1,3, gadi), boitāti u attiecīgās mežaudzes šķērslaukumu (G, m 2 ha 1 ). 1) priežu audzes; 2) egļu audzes; 3) bērzu audzes; 4) melalkšņu audzes; 5) apšu audzes; 6) baltalkšņu audzes. Figure 1. Differece betwee observed ad predicted (ΔZ,, m 3 ha 1 year 1 ) values of gross mea periodic growth excludig icremet of volume of losses of upper layer (1. stāvs) ad stad`s total ( kopā ) (eq. 2) depedig of age at the breast height (A 1.3, years), site quality class (Bo) ad basal area of the stad (G, m 2 ha 1 ). 1)pie; 2)spruce; 3)birch; 4)black alder; 5)aspe; 6) grey alder. 11

13 J. Dois, G. Šņepsts, R. Šēhofs, A. Treimae, L. Zdors z VP I bo III bo V bo z VP G5 G25 G A1.3 A1.3 1) 2) z VP I bo III bo V bo z VP A5 A1 A G G 3) 4) z VP G5 G25 G5 Ia I II III IV V Va z VP A5 A1 A15 Ia I II III IV V Va Bo Bo 5) 6) 2. attēls. Faktiskās audzes I stāva vidējā periodiskā krājas pieauguma sakarības priedes audzēm atkarībā o dažādiem parametriem, A 1,3, G u boitātes. 1) G = 25 m 2 ha 1 ; 2) Bo = 1; 3) A 1,3 = 5; 4) Bo = 1; 5) A 1,3 = 5; 6) G = 25 m 2 ha 1. Figure 2. Gross mea periodic growth excludig icremet of volume of losses i pie stads depedig o breast height age (A 1.3 ), basal area (G), ad site quality class (Bo). 1) G = 25 m 2 ha 1 ; 2) Bo = 1; 3) A 1.3 = 5; 4) Bo = 1; 5) A 1.3 = 5; 6) G = 25 m 2 ha

14 ežziāte 29(62) tabula / Table 6 Faktiskās audzes vidējā periodiskā dabiskā atmiruma progožu modeļu aproksimēto vieādojumu statistiskie rādītāji Statistical idicators of mea periodic atural mortality modellig equatios Suga Species Priede Pie Egle Spruce Bērzs Birch elalksis Black alder Apse Aspe Baltalksis Grey alder Taksācijas vieība Stad uit Kopā Total I stāvs Upper floor Kopā Total I stāvs Upper floor Kopā Total I stāvs Upper floor Kopā Total I stāvs Upper floor Kopā Total I stāvs Upper floor Kopā Total I stāvs Upper floor Vieādojums Equatio Vieādojuma statistiskie rādītāji Criteria for evaluatig model performace RES ARES RSE SE EF R R 2 N 3,11 6,392 9,672 93,445,856,38, ,126 6,317 9,654 93,92,853,383, ,161 5,774 8,811 77,543,895,324, ,422 5,543 8,773 76,886,889,339, ,156 9,695 14,177 2,54,88,446, ,777 9,53 14,11 198,354,82,449, ,86 8,362 13,2 168,659,855,389, ,87 8,416 13,18 169,73,859,385, ,44 7,288 11,419 13,198,75,546, ,331 7,278 11,53 132,127,716,535, ,79 6,65 1,7 11,255,819,462, ,44 5,81 9,863 97,129,787,469, ,157 11,289 14, ,983 1,96,493, ,16 8,185 12, ,127,755,496, ,532 8,695 12,27 147,666,943,48, ,712 7,422 11,1 122,119,787,467, ,478 12,42 17,417 3,331,823,424, ,79 11,914 17,97 289,427,81,45, ,51 1,454 15,87 249,342,871,362, ,723 1,326 15, ,14,872,364, ,981 8,583 11, ,613,532,689, ,265 8,818 12,4 143,869,561,67, ,385 8,335 11, ,957,578,661, ,45 8,389 11, ,11,588,651, ir liels parauglaukumu īpatsvars, kuros piecu gadu laikā av atmiris evies koks (37 %) vai evies I stāva koks (54 %); tik īsā laika periodā ir eloģiski liels (retās audzēs katrs atmirušais koks dod relatīvi lielu krājas atmirumu) vai eloģiski mazs (pārbieziātās audzēs kur, iespējams, koki atmirst lēcieveidīgi, respektīvi, kādu laiku pārbieziātā audzē koki īkuļo, bet eatmirst) dabiskais krājas atmirums. Iepriekš miēto iemeslu dēļ vieādojumi būtu piemērojami lielas audžu 112

15 J. Dois, G. Šņepsts, R. Šēhofs, A. Treimae, L. Zdors 3. attēls. Audzes kopējā (a) u audzes I stāva (b) vidējā periodiskā krājas dabiskā atmiruma starpības (ΔZ ( ), m 3 ha 1 gadā) starp uzmērītajām u progozētajām (3. vieādojums) vērtībām saistībā aro audzes krūšaugstuma vecumu (A 1,3, gadi), u attiecīgā meža elemeta šķērslaukumu (G, m 2 ha 1 ). Figure 3. Differece betwee observed ad predicted mea periodic volume mortality (ΔZ ( ), m 3 ha 1 year 1 ) of stad`s total (a) ad upper layer (b) (eq. 3) depedig of age at the breast height (A 1.3, years), ad basal area of the forest elemet (G, m 2 ha 1 ). 113

16 ežziāte 29(62) attēls. Audzes kopējā (a) u audzes I stāva (b) vidējā periodiskā krājas dabiskā atmiruma starpības (ΔZ ( ), m 3 ha 1 gadā) starp uzmērītajām u progozētajām (4. vieādojums) vērtībām saistībā ar audzes krūšaugstuma vecumu (A 1,3, gadi), u attiecīgā meža elemeta šķērslaukumu (G, m 2 ha 1 ). Figure 4. Differece betwee observed ad predicted mea periodic volume mortality (ΔZ ( ), m 3 ha 1 year 1 ) of stad`s total (a) ad upper layer (b) (eq. 4) depedig of age at the breast height (A 1.3, years), ad basal area of the forest elemet (G, m 2 ha 1 ). 114

17 J. Dois, G. Šņepsts, R. Šēhofs, A. Treimae, L. Zdors kopas, evis atsevišķas audzes dabiskā atmiruma progozēšaai, kā arī tie av izmatojami masveida krājas atmiruma progozēšaai, kas radies dabisko (ugusgrēki, vējgāzes utt.) procesu rezultātā. Abiem vieādojumiem u visiem aalizētajiem meža elemetiem saistībā ar modeļa maiīgajiem lielumiem (audzes krūšaugstuma vecumu u meža elemeta šķērslaukumu pirmajā uzmērīšaas reizē) av kostatētas sistemātiskas progozētā krājas dabiskā atmiruma ovirzes (3. u 4. attēls), jo lieārās korelācijas ir vājas (R <,5), lai ga lielā ovērojumu skaita dēļ atsevišķos gadījumos lieārās korelācijas koeficietu vērtības ir lielākas par šo koeficietu kritiskajām vērtībām. Sakarības starp audzes vidējā periodiskā dabiskā atmiruma lielumu u audžu taksācijas rādītājiem A 1,3 u šķērslaukumu priežu audzēs atspoguļotas 5. attēlā. Palielioties šķērslaukumam, palieliās arī dabiskais atmirums. Kokrētā vecumā lielāka šķērslaukuma gadījumā lielāks ir arī dabiskais atmirums. Krājas difereces progoze aprēķiāma atbilstoši 5. formulai: Δ p = Z Z am Z, kur (11) p Δ kokaudzes krājas diferece; p Z faktiskās audzes krājas pieaugums; Z atm kokaudzes krājas dabiskais zudums, ieskaitot dabisko atmirumu; Z izc izcirstās kokaudzes krāja. odelējot krājas difereci, strata faktiskās audzes krājas pieauguma aproksimācijai izmatojams 2. vieādojums, pielietojot atbilstošās koku sugas kopējās krājas koeficietus (4. tabula). Vidējā periodiskā krājas dabiskā atmiruma aprēķios priedei, bērzam, apsei u melalksim ieteicams izmatot 3. vieādojumu, savukārt eglei u melalksim 4. vieādojumu u kopējās atmiruma krājas aprēķiāšaas koeficietus. Atbilstoši starptautiski pieņemtajām defiīcijām, krājas dabiskos zudumus (atural losses) atbilstošajā periodā pašizretiāšaās dēļ veido dabiskais atmirums (atural mortality) u atmirums, ko izraisījušas z VP (-) A1.3 G5 G25 G5 z VP (-) A5 A1 A G 5. attēls. Faktiskās audzes vidējā periodiskā krājas dabiskā atmiruma sakarības priedes audzēm atkarībā o dažādiem parametriem A 1,3, G. Figure 5. Gross mea periodic volume mortality i pie stads depedig o breast height age (A 1.3 ), basal area (G). 115

18 ežziāte 29(62) 215 slimības, kukaiņu kaitējums, ugus, vējš u.c. fiziskie bojājumi. Pašreizējā modelī uzskaitīti visi dabiskie zudumi kopā, t.sk. arī dabisko traucējumu radītais krājas zudums, ja vie dabiskais atmirums av lielāks par 2 % o aprēķia perioda sākumā stratā kostatēto koku krājas, tādēļ vieādojums, iespējams, pārvērtē dabisko atmirumu, taču jebkurā gadījumā jāpatur prātā, ka koku skaits u dzīvo koku krāju samazia arī vējgāzes, sieglauzes u.c. traucējumi, tādēļ atmirušās kokses veidošaās audzē otiek straujāk, ekā progozē šie modeļi. Vieādojumu sistēma izmatojama, modelējot dažādas ciršaas itesitātes vai apsaimiekošaas variatus audžu kopu (stratu) līmeī. Turklāt vieādojumi pielietojami, ievērojot šādus ierobežojumus: Suga A 1,3 (krūšaugstuma vecums) Boitāte P Ia...Vb E Ia...IV B Ia...V Ia...V A Ia...II Ba Ia...IV Veidojot stratus, vies o pieejamākajiem iformācijas avotiem ir eža valsts reģistrs, tomēr, kā liecia pētījumi, reģistrā ietvertā iformācija kopumā ir ar sistemātisku ovirzi, proti, dabā krājas (vismaz valsts mežos briestaudžu vecuma u vecākās audzēs) ir lielākas, ekā reģistrā uzrādītās (Zālītis, Jasos, 29). Tādēļ lai, pielietojot kamerālās metodes izvairītos o būtiskām sistemātiskām kļūdām, svarīgi, lai audžu sākotējie taksācijas dati būtu iespējami precīzāki. odeļi paredzēti pieauguma u atmiruma ovērtējumam kokrētā laika brīdī, bet e ilgtermiņa progozēm. Nākotē epieciešams izstrādāt modeļus, kas iekļautu ilgtermiņa vidējos dabisko traucējumu radītos krājas zudumus, tāpat arī modeļus atmirušo u izcirsto koku pieauguma aprēķiāšaai. Seciājumi 1. Izstrādāti jaui modeļi krājas tekošā faktiskās audzes vidēji periodiskā pieauguma aprēķiam priedei, eglei, bērzam, apsei, melalksim u baltalksim. Pieauguma aproksimēšaai izmatots kokaudzes vecums A 1,3, audzes boitāte u kokaudzes šķērslaukums. 2. Izstrādāti jaui modeļi krājas tekošā vidēji periodiskā dabiskā atmiruma aprēķiam priedei, eglei, bērzam, apsei, melalksim u baltalksim. Dabiskā atmiruma aproksimācijai izmatots kokaudzes vecums A 1,3 u kokaudzes šķērslaukums. 3. odeļi paredzēti stratu vidējā pieauguma u atmiruma aprēķiāšaai, bet av izmatojami progozēm audzes līmeī. 116

19 J. Dois, G. Šņepsts, R. Šēhofs, A. Treimae, L. Zdors Pateicība: pētījums veikts SIA eža ozares kompeteces cetrs Eiropas Reģioālās Attīstības foda projekta etodes u teholoģijas meža kapitālvērtības palieliāšaai pētījumu virziea ežaudžu augšaas gaitas u pieauguma oteikšaa, izmatojot pārmērītos meža statistiskās ivetarizācijas datus (līguma Nr /t/11/11/13) ietvaros. Literatūra 1. Hasehauer, H. (Ed.), 26. Sustaiable Forest aagemet: Growth odels for Europe. Berli Heidelberg New York: Spriger-Verlag, 398 p. 2. Jasos, J., ad Licite, I., 29. Latvia. I: Tomppo, E., Gschwater, Th., Lawrece,. ad croberts, R.E. (Eds.) Natioal Forest Ivetories Pathways for Commo Reportig. Heidelberg Dordrecht Lodo New York: Spriger, pp Liepa, I., Jaua metode audzes masas tekošā pieauguma oteikšaai. Jauākais mežsaimiecībā 1, Liepa, I., Latvijas PSR mežaudžu krājas tekošā pieauguma tabulas. Rīga: LRZTIPI, 9 lpp. 5. Liepa, I., Pieauguma mācība. Jelgava: LLU, 124 lpp. 6. Liepa, I., 28. Latvijas skujkoku mežu krājas pieaugums. LLU raksti 2, Liepa, I., 29. Krājas tekošā pieauguma oteikšaas kamerālā metode. ežziāte 2(53), Liepa, I., 211. Audžu krājas tekošā pieauguma oteikšaas četru urbšaas metožu precizitātes salīdziājums. ežziāte 23, Lībiete, Z., Jasos, J., u Zālītis, T., 29. Latvijas skujkoku audžu vecumstruktūra u ražība. ežziāte 19, atuzāis, J., Audžu augšaas gaitas u produktivitātes modeļi. Apskats. Rīga: LatZTIZPI, 32 lpp. 11. atuzāis, J., u Tauriņš, J., Audžu pieaugums (apskats). Rīga, LRZTIPI, 32 lpp. 12. Ozols, J., eža taksācija u mežierīcība. Rokas grāmata mežkopjiem. Rīga: ežu departamets, 173 lpp. 13. Pretzsch, H., 29. Forest dyamics, growth ad yield. Berli Heidelberg, Spriger, 664 p. 14. Spiecker, H., Overview of recet growth treds i Europea forests. Water, Air, ad Soil Pollutio 116(1 2), Zālītis, P., u Jasos, J., 29. ērķtiecīgi izveidotu kokaudžu struktūra. Salaspils: LVI Silava, 8 lpp. 16. Zviedris, A., u atuzāis, J., Tekošā kokses masas pieauguma oteikšaa. Jauākais ežsaimiecībā 6/7, va Laar, A., ad Akça, A., 27. Forest esuratio. Series: aagig Forest Ecosystems, Vol. 13, 2 d ed., XVI, 385 pp. 18. Weiskittel, A. R., Ha, D. W., Kershaw, J. A., ad Vaclay, J. K., 211. Forest growth ad yield modelig. Chicester, UK: Wiley-Blackwell, 2 d ed., 415 p. 117

Dažādu koku sugu meža elementu vidējā caurmēra augšanas gaitas modelis Jānis Donis 1 * un Guntars Šņepsts 1

Dažādu koku sugu meža elementu vidējā caurmēra augšanas gaitas modelis Jānis Donis 1 * un Guntars Šņepsts 1 Dažādu koku sugu meža elemetu vidējā caurmēra augšaas gaitas modelis Jāis Dois * u Gutars Šņepsts Dois, J., u Šņepsts, G., 5. Dažādu koku sugu meža elemetu vidējā caurmēra augšaas gaitas modelis. Mežziāte

More information

Baltalkšņu audžu ražības modeļi J. Bisenieks 1 *, M. Daugavietis 1, M. Daugaviete 1

Baltalkšņu audžu ražības modeļi J. Bisenieks 1 *, M. Daugavietis 1, M. Daugaviete 1 Baltalkšņu audžu ražības modeļi J. Bisenieks 1 *, M. Daugavietis 1, M. Daugaviete 1 Bisenieks, J., Daugavietis, M., Daugaviete, M. (2010). Yield models for grey alder stands. Mežzinātne Forest Science

More information

Geoid Model for Surveying in Latvia

Geoid Model for Surveying in Latvia Geoid Model for Surveying in Latvia Janis KAMINSKIS, Latvia Key words: geoid model, gravity, height, Latvia SUMMARY In our country, we have different local and global geoid models available for use with

More information

P Ā R S K A T S Izpildītājs: Latvijas Valsts Mežzinātnes institūts Silava

P Ā R S K A T S Izpildītājs: Latvijas Valsts Mežzinātnes institūts Silava VAS LATVIJAS VALSTS MEŽI LVM SĒKLAS UN STĀDI KONTEINERSTĀDU AUDZĒŠANAI PAREDZĒTĀ KŪDRAS SUBSTRĀTA BIOLOĢISKĀ PĀRBAUDE MIKORIZĀS INFEKCIJAS POTENCIĀLA UN MIKROFLORAS SASTĀVA NOVĒRTĒJUMS P Ā R S K A T S

More information

Zemes un vides zinātnes

Zemes un vides zinātnes LATVIJAS UNIVERSITĀTES RAKSTI 762. SĒJUMS Zemes un vides zinātnes Scientific Papers University of Latvia VOLUME 762 Earth and Environmental Sciences Scientific Papers University of Latvia VOLUME 762 Earth

More information

LATVIAN JOURNAL OF PHYSICS AND TECHNICAL SCIENCES 2017, N 5 GRID STUDY ON THE BASIS OF ALLOCATED POWER LOSS CALCULATION

LATVIAN JOURNAL OF PHYSICS AND TECHNICAL SCIENCES 2017, N 5 GRID STUDY ON THE BASIS OF ALLOCATED POWER LOSS CALCULATION LATVIAN JOURNAL OF PHYSICS AND TECHNICAL SCIENCES 2017, N 5 DOI: 10.1515/lpts-2017-0034 GRID STUDY ON THE BASIS OF ALLOCATED POWER LOSS CALCULATION J. Survilo Riga Technical University, 12 Azenes Str.,

More information

ST 305: Exam 3 ( ) = P(A)P(B A) ( ) = P(A) + P(B) ( ) = 1 P( A) ( ) = P(A) P(B) σ X 2 = σ a+bx. σ ˆp. σ X +Y. σ X Y. σ X. σ Y. σ n.

ST 305: Exam 3 ( ) = P(A)P(B A) ( ) = P(A) + P(B) ( ) = 1 P( A) ( ) = P(A) P(B) σ X 2 = σ a+bx. σ ˆp. σ X +Y. σ X Y. σ X. σ Y. σ n. ST 305: Exam 3 By hadig i this completed exam, I state that I have either give or received assistace from aother perso durig the exam period. I have used o resources other tha the exam itself ad the basic

More information

GRADE 12 JUNE 2016 MATHEMATICS P2

GRADE 12 JUNE 2016 MATHEMATICS P2 NATIONAL SENIOR CERTIFICATE GRADE 1 JUNE 016 MATHEMATICS P MARKS: 150 TIME: 3 hours *MATHE* This questio paper cosists of 11 pages, icludig 1 iformatio sheet, ad a SPECIAL ANSWER BOOK. MATHEMATICS P (EC/JUNE

More information

NATIONAL SENIOR CERTIFICATE EXAMINATION MATHEMATICS P2 SEPTEMBER 2016 GRADE 12. This question paper consists of 13 pages including the formula sheet

NATIONAL SENIOR CERTIFICATE EXAMINATION MATHEMATICS P2 SEPTEMBER 2016 GRADE 12. This question paper consists of 13 pages including the formula sheet NATIONAL SENIOR CERTIFICATE EXAMINATION MATHEMATICS P SEPTEMBER 06 GRADE MARKS: 50 TIME: 3 Hours This questio paper cosists of 3 pages icludig the formula sheet Mathematics/P September 06 INSTRUCTIONS

More information

LATVIAN JOURNAL OF PHYSICS AND TECHNICAL SCIENCES 2010, N /v EVALUATION OF ATMOSPHERIC LUCIDITY AND DIFFUSED RADIATION

LATVIAN JOURNAL OF PHYSICS AND TECHNICAL SCIENCES 2010, N /v EVALUATION OF ATMOSPHERIC LUCIDITY AND DIFFUSED RADIATION LATVIAN JOURNAL OF PHYSICS AND TECHNICAL SCIENCES 21, N 6 1.2478/v147-1-29-7 EVALUATION OF ATMOSPHERIC LUCIDITY AND DIFFUSED RADIATION I. Pelece 1, M. Vanags 2, L. Migla 2,3 1 Latvian University of Agriculture,

More information

REGRESSION (Physics 1210 Notes, Partial Modified Appendix A)

REGRESSION (Physics 1210 Notes, Partial Modified Appendix A) REGRESSION (Physics 0 Notes, Partial Modified Appedix A) HOW TO PERFORM A LINEAR REGRESSION Cosider the followig data poits ad their graph (Table I ad Figure ): X Y 0 3 5 3 7 4 9 5 Table : Example Data

More information

Ieguldījumu plāna aktīvu un saistību pārskats

Ieguldījumu plāna aktīvu un saistību pārskats Stāvoklis uz 31.03.2018. nosaukums AKTĪVI Finanšu ieguldījumi 0100 7 306 504 7 244 543 Debitoru parādi 0200 Nākamo periodu izdevumi un uzkrātie ienākumi 0300 Pārējie aktīvi 0400 KOPĀ AKTĪVI (0100+0200+0300+0400)

More information

CS 270 Algorithms. Oliver Kullmann. Growth of Functions. Divide-and- Conquer Min-Max- Problem. Tutorial. Reading from CLRS for week 2

CS 270 Algorithms. Oliver Kullmann. Growth of Functions. Divide-and- Conquer Min-Max- Problem. Tutorial. Reading from CLRS for week 2 Geeral remarks Week 2 1 Divide ad First we cosider a importat tool for the aalysis of algorithms: Big-Oh. The we itroduce a importat algorithmic paradigm:. We coclude by presetig ad aalysig two examples.

More information

1 Inferential Methods for Correlation and Regression Analysis

1 Inferential Methods for Correlation and Regression Analysis 1 Iferetial Methods for Correlatio ad Regressio Aalysis I the chapter o Correlatio ad Regressio Aalysis tools for describig bivariate cotiuous data were itroduced. The sample Pearso Correlatio Coefficiet

More information

8. СОВЕТУВАЊЕ. Охрид, септември ANALYSIS OF NO LOAD APPARENT POWER AND FREQUENCY SPECTRUM OF MAGNETIZING CURRENT FOR DIFFERENT CORE TYPES

8. СОВЕТУВАЊЕ. Охрид, септември ANALYSIS OF NO LOAD APPARENT POWER AND FREQUENCY SPECTRUM OF MAGNETIZING CURRENT FOR DIFFERENT CORE TYPES 8. СОВЕТУВАЊЕ Охрид, 22 24 септември Leoardo Štrac Frajo Keleme Kočar Power Trasformers Ltd. ANALYSS OF NO LOAD APPARENT POWER AND FREQENCY SPECTRM OF MAGNETZNG CRRENT FOR DFFERENT CORE TYPES ABSTRACT

More information

Topic 1 2: Sequences and Series. A sequence is an ordered list of numbers, e.g. 1, 2, 4, 8, 16, or

Topic 1 2: Sequences and Series. A sequence is an ordered list of numbers, e.g. 1, 2, 4, 8, 16, or Topic : Sequeces ad Series A sequece is a ordered list of umbers, e.g.,,, 8, 6, or,,,.... A series is a sum of the terms of a sequece, e.g. + + + 8 + 6 + or... Sigma Notatio b The otatio f ( k) is shorthad

More information

CENTRIFUGAL PUMP SPECIFIC SPEED PRIMER AND THE AFFINITY LAWS Jacques Chaurette p. eng., Fluide Design Inc. November 2004

CENTRIFUGAL PUMP SPECIFIC SPEED PRIMER AND THE AFFINITY LAWS Jacques Chaurette p. eng., Fluide Design Inc. November 2004 CENTRIFUGAL PUMP SPECIFIC SPEE PRIMER AN THE AFFINITY LAWS Jacques Chaurette p. eg., Fluide esig Ic. November 004 www.fluidedesig.com There is a umber called the specific speed of a pump whose value tells

More information

A L A BA M A L A W R E V IE W

A L A BA M A L A W R E V IE W A L A BA M A L A W R E V IE W Volume 52 Fall 2000 Number 1 B E F O R E D I S A B I L I T Y C I V I L R I G HT S : C I V I L W A R P E N S I O N S A N D TH E P O L I T I C S O F D I S A B I L I T Y I N

More information

SECTION 1.5 : SUMMATION NOTATION + WORK WITH SEQUENCES

SECTION 1.5 : SUMMATION NOTATION + WORK WITH SEQUENCES SECTION 1.5 : SUMMATION NOTATION + WORK WITH SEQUENCES Read Sectio 1.5 (pages 5 9) Overview I Sectio 1.5 we lear to work with summatio otatio ad formulas. We will also itroduce a brief overview of sequeces,

More information

(all terms are scalars).the minimization is clearer in sum notation:

(all terms are scalars).the minimization is clearer in sum notation: 7 Multiple liear regressio: with predictors) Depedet data set: y i i = 1, oe predictad, predictors x i,k i = 1,, k = 1, ' The forecast equatio is ŷ i = b + Use matrix otatio: k =1 b k x ik Y = y 1 y 1

More information

Provläsningsexemplar / Preview TECHNICAL REPORT INTERNATIONAL SPECIAL COMMITTEE ON RADIO INTERFERENCE

Provläsningsexemplar / Preview TECHNICAL REPORT INTERNATIONAL SPECIAL COMMITTEE ON RADIO INTERFERENCE TECHNICAL REPORT CISPR 16-4-3 2004 AMENDMENT 1 2006-10 INTERNATIONAL SPECIAL COMMITTEE ON RADIO INTERFERENCE Amedmet 1 Specificatio for radio disturbace ad immuity measurig apparatus ad methods Part 4-3:

More information

A Note on Effi cient Conditional Simulation of Gaussian Distributions. April 2010

A Note on Effi cient Conditional Simulation of Gaussian Distributions. April 2010 A Note o Effi ciet Coditioal Simulatio of Gaussia Distributios A D D C S S, U B C, V, BC, C April 2010 A Cosider a multivariate Gaussia radom vector which ca be partitioed ito observed ad uobserved compoetswe

More information

6.867 Machine learning, lecture 7 (Jaakkola) 1

6.867 Machine learning, lecture 7 (Jaakkola) 1 6.867 Machie learig, lecture 7 (Jaakkola) 1 Lecture topics: Kerel form of liear regressio Kerels, examples, costructio, properties Liear regressio ad kerels Cosider a slightly simpler model where we omit

More information

CEE 522 Autumn Uncertainty Concepts for Geotechnical Engineering

CEE 522 Autumn Uncertainty Concepts for Geotechnical Engineering CEE 5 Autum 005 Ucertaity Cocepts for Geotechical Egieerig Basic Termiology Set A set is a collectio of (mutually exclusive) objects or evets. The sample space is the (collectively exhaustive) collectio

More information

OH BOY! Story. N a r r a t iv e a n d o bj e c t s th ea t e r Fo r a l l a g e s, fr o m th e a ge of 9

OH BOY! Story. N a r r a t iv e a n d o bj e c t s th ea t e r Fo r a l l a g e s, fr o m th e a ge of 9 OH BOY! O h Boy!, was or igin a lly cr eat ed in F r en ch an d was a m a jor s u cc ess on t h e Fr en ch st a ge f or young au di enc es. It h a s b een s een by ap pr ox i ma t ely 175,000 sp ect at

More information

Question 1: Exercise 8.2

Question 1: Exercise 8.2 Questio 1: Exercise 8. (a) Accordig to the regressio results i colum (1), the house price is expected to icrease by 1% ( 100% 0.0004 500 ) with a additioal 500 square feet ad other factors held costat.

More information

NATIONAL SENIOR CERTIFICATE GRADE 12

NATIONAL SENIOR CERTIFICATE GRADE 12 NATIONAL SENIOR CERTIFICATE GRADE 1 MATHEMATICS P SEPTEMBER 016 MARKS: 150 TIME: 3 hours This questio paper cosists of 13 pages, 1 iformatio sheet ad a aswer book. INSTRUCTIONS AND INFORMATION Read the

More information

Unbiased Estimation. February 7-12, 2008

Unbiased Estimation. February 7-12, 2008 Ubiased Estimatio February 7-2, 2008 We begi with a sample X = (X,..., X ) of radom variables chose accordig to oe of a family of probabilities P θ where θ is elemet from the parameter space Θ. For radom

More information

Progressions. ILLUSTRATION 1 11, 7, 3, -1, i s an A.P. whose first term is 11 and the common difference 7-11=-4.

Progressions. ILLUSTRATION 1 11, 7, 3, -1, i s an A.P. whose first term is 11 and the common difference 7-11=-4. Progressios SEQUENCE A sequece is a fuctio whose domai is the set N of atural umbers. REAL SEQUENCE A Sequece whose rage is a subset of R is called a real sequece. I other words, a real sequece is a fuctio

More information

Measurement uncertainty of the sound absorption

Measurement uncertainty of the sound absorption Measuremet ucertaity of the soud absorptio coefficiet Aa Izewska Buildig Research Istitute, Filtrowa Str., 00-6 Warsaw, Polad a.izewska@itb.pl 6887 The stadard ISO/IEC 705:005 o the competece of testig

More information

Mobilo ģenētisko elementu izplatība priežu gēnu rajonos

Mobilo ģenētisko elementu izplatība priežu gēnu rajonos Mobilo ģenētisko elementu izplatība priežu gēnu rajonos Angelika Voronova, Martha Rendon, Par Ingvarsson, Dainis Ruņģis Latvijas Valsts mežzinātnes institūts Silava ; Zviedrijas Lauksaimniecības Zinātņu

More information

Construction and test of forecasting push-pull demand model of urban. emergency supplies

Construction and test of forecasting push-pull demand model of urban. emergency supplies Advaces i Ecoomics, Busiess ad Maagemet Researc, volume 33 Secod Iteratioal Coferece o Ecoomic ad Busiess Maagemet (FEBM 7) Costructio ad test of forecastig pus-pull demad model of urba emergecy supplies

More information

Chapter 2 Descriptive Statistics

Chapter 2 Descriptive Statistics Chapter 2 Descriptive Statistics Statistics Most commoly, statistics refers to umerical data. Statistics may also refer to the process of collectig, orgaizig, presetig, aalyzig ad iterpretig umerical data

More information

ADVANCED SOFTWARE ENGINEERING

ADVANCED SOFTWARE ENGINEERING ADVANCED SOFTWARE ENGINEERING COMP 3705 Exercise Usage-based Testig ad Reliability Versio 1.0-040406 Departmet of Computer Ssciece Sada Narayaappa, Aeliese Adrews Versio 1.1-050405 Departmet of Commuicatio

More information

Small regional airport sustainability: Lessons from benchmarking

Small regional airport sustainability: Lessons from benchmarking mall regioal airport sustaiability: Lessos from bechmarkig JATM, 2013 Nicole Adler, Tolga Ülkü ad Ekateria Yazhemsky Hebrew Uiversity of Jerusalem, Israel. E-Mail: msic@hui.ac.il Humboldt Uiversity of

More information

Study on Coal Consumption Curve Fitting of the Thermal Power Based on Genetic Algorithm

Study on Coal Consumption Curve Fitting of the Thermal Power Based on Genetic Algorithm Joural of ad Eergy Egieerig, 05, 3, 43-437 Published Olie April 05 i SciRes. http://www.scirp.org/joural/jpee http://dx.doi.org/0.436/jpee.05.34058 Study o Coal Cosumptio Curve Fittig of the Thermal Based

More information

Mathematical Modeling of Optimum 3 Step Stress Accelerated Life Testing for Generalized Pareto Distribution

Mathematical Modeling of Optimum 3 Step Stress Accelerated Life Testing for Generalized Pareto Distribution America Joural of Theoretical ad Applied Statistics 05; 4(: 6-69 Published olie May 8, 05 (http://www.sciecepublishiggroup.com/j/ajtas doi: 0.648/j.ajtas.05040. ISSN: 6-8999 (Prit; ISSN: 6-9006 (Olie Mathematical

More information

SIMPLE LINEAR REGRESSION AND CORRELATION ANALYSIS

SIMPLE LINEAR REGRESSION AND CORRELATION ANALYSIS SIMPLE LINEAR REGRESSION AND CORRELATION ANALSIS INTRODUCTION There are lot of statistical ivestigatio to kow whether there is a relatioship amog variables Two aalyses: (1) regressio aalysis; () correlatio

More information

Signal Processing in Mechatronics

Signal Processing in Mechatronics Sigal Processig i Mechatroics Zhu K.P. AIS, UM. Lecture, Brief itroductio to Sigals ad Systems, Review of Liear Algebra ad Sigal Processig Related Mathematics . Brief Itroductio to Sigals What is sigal

More information

NATIONAL SENIOR CERTIFICATE GRADE 12

NATIONAL SENIOR CERTIFICATE GRADE 12 NATIONAL SENIOR CERTIFICATE GRADE MATHEMATICS P FEBRUARY/MARCH 0 MARKS: 50 TIME: 3 hours This questio paper cosists of 9 pages, 5 diagram sheets ad iformatio sheet. Please tur over Mathematics/P DBE/Feb.

More information

Bivariate Sample Statistics Geog 210C Introduction to Spatial Data Analysis. Chris Funk. Lecture 7

Bivariate Sample Statistics Geog 210C Introduction to Spatial Data Analysis. Chris Funk. Lecture 7 Bivariate Sample Statistics Geog 210C Itroductio to Spatial Data Aalysis Chris Fuk Lecture 7 Overview Real statistical applicatio: Remote moitorig of east Africa log rais Lead up to Lab 5-6 Review of bivariate/multivariate

More information

Paired Data and Linear Correlation

Paired Data and Linear Correlation Paired Data ad Liear Correlatio Example. A group of calculus studets has take two quizzes. These are their scores: Studet st Quiz Score ( data) d Quiz Score ( data) 7 5 5 0 3 0 3 4 0 5 5 5 5 6 0 8 7 0

More information

Properties and Hypothesis Testing

Properties and Hypothesis Testing Chapter 3 Properties ad Hypothesis Testig 3.1 Types of data The regressio techiques developed i previous chapters ca be applied to three differet kids of data. 1. Cross-sectioal data. 2. Time series data.

More information

FIXED-FREE AGAINST FREE-FREE BEAMS FOR DYNAMIC YOUNG S MODULUS OF WOOD By: Mehran Roohnia

FIXED-FREE AGAINST FREE-FREE BEAMS FOR DYNAMIC YOUNG S MODULUS OF WOOD By: Mehran Roohnia FIXED-FREE AGAINST FREE-FREE BEAMS FOR DYNAMIC YOUNG S MODULUS OF WOOD By: Mehra Roohia Itroductio: Itroductio: Modulus of Elasticity Hook's Law: s : Stress (e.g. Normal Stress) E: Modulus of Elasticity,

More information

TRACEABILITY SYSTEM OF ROCKWELL HARDNESS C SCALE IN JAPAN

TRACEABILITY SYSTEM OF ROCKWELL HARDNESS C SCALE IN JAPAN HARDMEKO 004 Hardess Measuremets Theory ad Applicatio i Laboratories ad Idustries - November, 004, Washigto, D.C., USA TRACEABILITY SYSTEM OF ROCKWELL HARDNESS C SCALE IN JAPAN Koichiro HATTORI, Satoshi

More information

MATHEMATICS. The assessment objectives of the Compulsory Part are to test the candidates :

MATHEMATICS. The assessment objectives of the Compulsory Part are to test the candidates : MATHEMATICS INTRODUCTION The public assessmet of this subject is based o the Curriculum ad Assessmet Guide (Secodary 4 6) Mathematics joitly prepared by the Curriculum Developmet Coucil ad the Hog Kog

More information

Run-length & Entropy Coding. Redundancy Removal. Sampling. Quantization. Perform inverse operations at the receiver EEE

Run-length & Entropy Coding. Redundancy Removal. Sampling. Quantization. Perform inverse operations at the receiver EEE Geeral e Image Coder Structure Motio Video (s 1,s 2,t) or (s 1,s 2 ) Natural Image Samplig A form of data compressio; usually lossless, but ca be lossy Redudacy Removal Lossless compressio: predictive

More information

Objective Mathematics

Objective Mathematics . If sum of '' terms of a sequece is give by S Tr ( )( ), the 4 5 67 r (d) 4 9 r is equal to : T. Let a, b, c be distict o-zero real umbers such that a, b, c are i harmoic progressio ad a, b, c are i arithmetic

More information

The axial dispersion model for tubular reactors at steady state can be described by the following equations: dc dz R n cn = 0 (1) (2) 1 d 2 c.

The axial dispersion model for tubular reactors at steady state can be described by the following equations: dc dz R n cn = 0 (1) (2) 1 d 2 c. 5.4 Applicatio of Perturbatio Methods to the Dispersio Model for Tubular Reactors The axial dispersio model for tubular reactors at steady state ca be described by the followig equatios: d c Pe dz z =

More information

Photosynthesis Characteristics of Festulolium and Lolium Boucheanum Sward Fotosintētiskās darbības rādītāji Festulolium un Lolium boucheanum zelmenī

Photosynthesis Characteristics of Festulolium and Lolium Boucheanum Sward Fotosintētiskās darbības rādītāji Festulolium un Lolium boucheanum zelmenī Photosynthesis Characteristics of Festulolium and Lolium Boucheanum Sward Fotosintētiskās darbības rādītāji Festulolium un Lolium boucheanum zelmenī Iveta Gūtmane, Aleksandrs Adamovičs Institute of Agrobiotechnology,

More information

Time-Domain Representations of LTI Systems

Time-Domain Representations of LTI Systems 2.1 Itroductio Objectives: 1. Impulse resposes of LTI systems 2. Liear costat-coefficiets differetial or differece equatios of LTI systems 3. Bloc diagram represetatios of LTI systems 4. State-variable

More information

Section 1.1. Calculus: Areas And Tangents. Difference Equations to Differential Equations

Section 1.1. Calculus: Areas And Tangents. Difference Equations to Differential Equations Differece Equatios to Differetial Equatios Sectio. Calculus: Areas Ad Tagets The study of calculus begis with questios about chage. What happes to the velocity of a swigig pedulum as its positio chages?

More information

Regression. Correlation vs. regression. The parameters of linear regression. Regression assumes... Random sample. Y = α + β X.

Regression. Correlation vs. regression. The parameters of linear regression. Regression assumes... Random sample. Y = α + β X. Regressio Correlatio vs. regressio Predicts Y from X Liear regressio assumes that the relatioship betwee X ad Y ca be described by a lie Regressio assumes... Radom sample Y is ormally distributed with

More information

Sample Size Determination (Two or More Samples)

Sample Size Determination (Two or More Samples) Sample Sie Determiatio (Two or More Samples) STATGRAPHICS Rev. 963 Summary... Data Iput... Aalysis Summary... 5 Power Curve... 5 Calculatios... 6 Summary This procedure determies a suitable sample sie

More information

The Mathematical Model and the Simulation Modelling Algoritm of the Multitiered Mechanical System

The Mathematical Model and the Simulation Modelling Algoritm of the Multitiered Mechanical System The Mathematical Model ad the Simulatio Modellig Algoritm of the Multitiered Mechaical System Demi Aatoliy, Kovalev Iva Dept. of Optical Digital Systems ad Techologies, The St. Petersburg Natioal Research

More information

There is no straightforward approach for choosing the warmup period l.

There is no straightforward approach for choosing the warmup period l. B. Maddah INDE 504 Discrete-Evet Simulatio Output Aalysis () Statistical Aalysis for Steady-State Parameters I a otermiatig simulatio, the iterest is i estimatig the log ru steady state measures of performace.

More information

GRADE 12 SEPTEMBER 2015 MATHEMATICS P2

GRADE 12 SEPTEMBER 2015 MATHEMATICS P2 NATIONAL SENIOR CERTIFICATE GRADE SEPTEMBER 05 MATHEMATICS P MARKS: 50 TIME: 3 hours *MATHE* This questio paper cosists of 3 pages icludig iformatio sheet, ad a SPECIAL ANSWERBOOK. MATHEMATICS P (EC/SEPTEMBER

More information

P a g e 5 1 of R e p o r t P B 4 / 0 9

P a g e 5 1 of R e p o r t P B 4 / 0 9 P a g e 5 1 of R e p o r t P B 4 / 0 9 J A R T a l s o c o n c l u d e d t h a t a l t h o u g h t h e i n t e n t o f N e l s o n s r e h a b i l i t a t i o n p l a n i s t o e n h a n c e c o n n e

More information

The improvement of the volume ratio measurement method in static expansion vacuum system

The improvement of the volume ratio measurement method in static expansion vacuum system Available olie at www.sciecedirect.com Physics Procedia 32 (22 ) 492 497 8 th Iteratioal Vacuum Cogress The improvemet of the volume ratio measuremet method i static expasio vacuum system Yu Hogya*, Wag

More information

Massachusetts Institute of Technology

Massachusetts Institute of Technology Massachusetts Istitute of Techology 6.867 Machie Learig, Fall 6 Problem Set : Solutios. (a) (5 poits) From the lecture otes (Eq 4, Lecture 5), the optimal parameter values for liear regressio give the

More information

NAME OF SCHOOL NATIONAL SENIOR CERTIFICATE GRADE 12 MATHEMATICS ALTERNATE PAPER PAPER 2 SEPTEMBER 2016

NAME OF SCHOOL NATIONAL SENIOR CERTIFICATE GRADE 12 MATHEMATICS ALTERNATE PAPER PAPER 2 SEPTEMBER 2016 NAME OF SCHOOL NATIONAL SENIOR CERTIFICATE GRADE MATHEMATICS ALTERNATE PAPER PAPER SEPTEMBER 06 MARKS: 50 TIME: 3 hours This paper cosists of 3 pages ad a formula sheet INSTRUCTIONS Read the followig istructios

More information

NANYANG TECHNOLOGICAL UNIVERSITY SYLLABUS FOR ENTRANCE EXAMINATION FOR INTERNATIONAL STUDENTS AO-LEVEL MATHEMATICS

NANYANG TECHNOLOGICAL UNIVERSITY SYLLABUS FOR ENTRANCE EXAMINATION FOR INTERNATIONAL STUDENTS AO-LEVEL MATHEMATICS NANYANG TECHNOLOGICAL UNIVERSITY SYLLABUS FOR ENTRANCE EXAMINATION FOR INTERNATIONAL STUDENTS AO-LEVEL MATHEMATICS STRUCTURE OF EXAMINATION PAPER. There will be oe 2-hour paper cosistig of 4 questios.

More information

Session 5. (1) Principal component analysis and Karhunen-Loève transformation

Session 5. (1) Principal component analysis and Karhunen-Loève transformation 200 Autum semester Patter Iformatio Processig Topic 2 Image compressio by orthogoal trasformatio Sessio 5 () Pricipal compoet aalysis ad Karhue-Loève trasformatio Topic 2 of this course explais the image

More information

PAR RADIOAKTĪVĀ OGLEKĻA ( 14 C) DATĒŠANAS METODI UN TĀS PIELIETOŠANU ARHEOLOĢIJĀ

PAR RADIOAKTĪVĀ OGLEKĻA ( 14 C) DATĒŠANAS METODI UN TĀS PIELIETOŠANU ARHEOLOĢIJĀ 95 PAR RADIOAKTĪVĀ OGLEKĻA ( C) DATĒŠANAS METODI UN TĀS PIELIETOŠANU ARHEOLOĢIJĀ IEVADS Senāka laikmeta, t.i., akmens, bronzas un dzelzs laikmeta arheoloģisko objektu absolūtai datēšanai mūsdienās bieži

More information

Statistics Lecture 27. Final review. Administrative Notes. Outline. Experiments. Sampling and Surveys. Administrative Notes

Statistics Lecture 27. Final review. Administrative Notes. Outline. Experiments. Sampling and Surveys. Administrative Notes Admiistrative Notes s - Lecture 7 Fial review Fial Exam is Tuesday, May 0th (3-5pm Covers Chapters -8 ad 0 i textbook Brig ID cards to fial! Allowed: Calculators, double-sided 8.5 x cheat sheet Exam Rooms:

More information

TESTING OF THE FORCES IN CABLE OF SUSPENSION STRUCTURE AND BRIDGES

TESTING OF THE FORCES IN CABLE OF SUSPENSION STRUCTURE AND BRIDGES TSTING OF TH FORCS IN CABL OF SUSPNSION STRUCTUR AND BRIDGS Zhou, M. 1, Liu, Z. ad Liu, J. 1 College of the Muicipal Techology, Guagzhou Uiversity, Guagzhou. Guagzhou Muicipal ad Ladscape gieerig Quality

More information

Introduction to Signals and Systems, Part V: Lecture Summary

Introduction to Signals and Systems, Part V: Lecture Summary EEL33: Discrete-Time Sigals ad Systems Itroductio to Sigals ad Systems, Part V: Lecture Summary Itroductio to Sigals ad Systems, Part V: Lecture Summary So far we have oly looked at examples of o-recursive

More information

Dr. Maddah ENMG 617 EM Statistics 11/26/12. Multiple Regression (2) (Chapter 15, Hines)

Dr. Maddah ENMG 617 EM Statistics 11/26/12. Multiple Regression (2) (Chapter 15, Hines) Dr Maddah NMG 617 M Statistics 11/6/1 Multiple egressio () (Chapter 15, Hies) Test for sigificace of regressio This is a test to determie whether there is a liear relatioship betwee the depedet variable

More information

The Pendulum. Purpose

The Pendulum. Purpose The Pedulum Purpose To carry out a example illustratig how physics approaches ad solves problems. The example used here is to explore the differet factors that determie the period of motio of a pedulum.

More information

Geometry of LS. LECTURE 3 GEOMETRY OF LS, PROPERTIES OF σ 2, PARTITIONED REGRESSION, GOODNESS OF FIT

Geometry of LS. LECTURE 3 GEOMETRY OF LS, PROPERTIES OF σ 2, PARTITIONED REGRESSION, GOODNESS OF FIT OCTOBER 7, 2016 LECTURE 3 GEOMETRY OF LS, PROPERTIES OF σ 2, PARTITIONED REGRESSION, GOODNESS OF FIT Geometry of LS We ca thik of y ad the colums of X as members of the -dimesioal Euclidea space R Oe ca

More information

WHAT IS THE PROBABILITY FUNCTION FOR LARGE TSUNAMI WAVES? ABSTRACT

WHAT IS THE PROBABILITY FUNCTION FOR LARGE TSUNAMI WAVES? ABSTRACT WHAT IS THE PROBABILITY FUNCTION FOR LARGE TSUNAMI WAVES? Harold G. Loomis Hoolulu, HI ABSTRACT Most coastal locatios have few if ay records of tsuami wave heights obtaied over various time periods. Still

More information

Understanding Samples

Understanding Samples 1 Will Moroe CS 109 Samplig ad Bootstrappig Lecture Notes #17 August 2, 2017 Based o a hadout by Chris Piech I this chapter we are goig to talk about statistics calculated o samples from a populatio. We

More information

TABLES AND FORMULAS FOR MOORE Basic Practice of Statistics

TABLES AND FORMULAS FOR MOORE Basic Practice of Statistics TABLES AND FORMULAS FOR MOORE Basic Practice of Statistics Explorig Data: Distributios Look for overall patter (shape, ceter, spread) ad deviatios (outliers). Mea (use a calculator): x = x 1 + x 2 + +

More information

New Particle Swarm Neural Networks Model Based Long Term Electrical Load Forecasting in Slovakia

New Particle Swarm Neural Networks Model Based Long Term Electrical Load Forecasting in Slovakia New Particle Swarm Neural Networks Model Based Log Term Electrical Load Forecastig i Slovakia S.H. OUDJANA 1, A. HELLAL 2 1, 2 Uiversity of Laghouat, Departmet of Electrical Egieerig, Laboratory of Aalysis

More information

UC Berkeley CS 170: Efficient Algorithms and Intractable Problems Handout 17 Lecturer: David Wagner April 3, Notes 17 for CS 170

UC Berkeley CS 170: Efficient Algorithms and Intractable Problems Handout 17 Lecturer: David Wagner April 3, Notes 17 for CS 170 UC Berkeley CS 170: Efficiet Algorithms ad Itractable Problems Hadout 17 Lecturer: David Wager April 3, 2003 Notes 17 for CS 170 1 The Lempel-Ziv algorithm There is a sese i which the Huffma codig was

More information

Expected Norms of Zero-One Polynomials

Expected Norms of Zero-One Polynomials DRAFT: Caad. Math. Bull. July 4, 08 :5 File: borwei80 pp. Page Sheet of Caad. Math. Bull. Vol. XX (Y, ZZZZ pp. 0 0 Expected Norms of Zero-Oe Polyomials Peter Borwei, Kwok-Kwog Stephe Choi, ad Idris Mercer

More information

Holistic Approach to the Periodic System of Elements

Holistic Approach to the Periodic System of Elements Holistic Approach to the Periodic System of Elemets N.N.Truov * D.I.Medeleyev Istitute for Metrology Russia, St.Peterburg. 190005 Moskovsky pr. 19 (Dated: February 20, 2009) Abstract: For studyig the objectivity

More information

Finally, we show how to determine the moments of an impulse response based on the example of the dispersion model.

Finally, we show how to determine the moments of an impulse response based on the example of the dispersion model. 5.3 Determiatio of Momets Fially, we show how to determie the momets of a impulse respose based o the example of the dispersio model. For the dispersio model we have that E θ (θ ) curve is give by eq (4).

More information

1 Review of Probability & Statistics

1 Review of Probability & Statistics 1 Review of Probability & Statistics a. I a group of 000 people, it has bee reported that there are: 61 smokers 670 over 5 960 people who imbibe (drik alcohol) 86 smokers who imbibe 90 imbibers over 5

More information

SAFE HANDS & IIT-ian's PACE EDT-10 (JEE) SOLUTIONS

SAFE HANDS & IIT-ian's PACE EDT-10 (JEE) SOLUTIONS . If their mea positios coicide with each other, maimum separatio will be A. Now from phasor diagram, we ca clearly see the phase differece. SAFE HANDS & IIT-ia's PACE ad Aswer : Optio (4) 5. Aswer : Optio

More information

Bounds of Herfindahl-Hirschman index of banks in the European Union

Bounds of Herfindahl-Hirschman index of banks in the European Union MPRA Muich Persoal RePEc Archive Bouds of Herfidahl-Hirschma idex of bas i the Europea Uio József Tóth Kig Sigismud Busiess School, Hugary 4 February 2016 Olie at https://mpra.ub.ui-mueche.de/72922/ MPRA

More information

Response Variable denoted by y it is the variable that is to be predicted measure of the outcome of an experiment also called the dependent variable

Response Variable denoted by y it is the variable that is to be predicted measure of the outcome of an experiment also called the dependent variable Statistics Chapter 4 Correlatio ad Regressio If we have two (or more) variables we are usually iterested i the relatioship betwee the variables. Associatio betwee Variables Two variables are associated

More information

: Transforms and Partial Differential Equations

: Transforms and Partial Differential Equations Trasforms ad Partial Differetial Equatios 018 SUBJECT NAME : Trasforms ad Partial Differetial Equatios SUBJECT CODE : MA 6351 MATERIAL NAME : Part A questios REGULATION : R013 WEBSITE : wwwharigaeshcom

More information

62. Power series Definition 16. (Power series) Given a sequence {c n }, the series. c n x n = c 0 + c 1 x + c 2 x 2 + c 3 x 3 +

62. Power series Definition 16. (Power series) Given a sequence {c n }, the series. c n x n = c 0 + c 1 x + c 2 x 2 + c 3 x 3 + 62. Power series Defiitio 16. (Power series) Give a sequece {c }, the series c x = c 0 + c 1 x + c 2 x 2 + c 3 x 3 + is called a power series i the variable x. The umbers c are called the coefficiets of

More information

Comparison of Methods for Estimation of Sample Sizes under the Weibull Distribution

Comparison of Methods for Estimation of Sample Sizes under the Weibull Distribution Iteratioal Joural of Applied Egieerig Research ISSN 0973-4562 Volume 12, Number 24 (2017) pp. 14273-14278 Research Idia Publicatios. http://www.ripublicatio.com Compariso of Methods for Estimatio of Sample

More information

WOOD POLE OVERHEAD LINE STRENGTH PROBLEMS UNDER EXTREME WEATHER LOADS.

WOOD POLE OVERHEAD LINE STRENGTH PROBLEMS UNDER EXTREME WEATHER LOADS. WOOD POLE OVERHEAD LINE STRENGTH PROBLEMS UNDER EXTREME WEATHER LOADS Alexander Janushevskis 1, Janis Auzins 1, Anatoly Melnikovs 1, Armands Staltmanis 2, Ivo Vaicis 1, Janis Viba 1 1 Riga Technical University,

More information

CHAPTER 10 INFINITE SEQUENCES AND SERIES

CHAPTER 10 INFINITE SEQUENCES AND SERIES CHAPTER 10 INFINITE SEQUENCES AND SERIES 10.1 Sequeces 10.2 Ifiite Series 10.3 The Itegral Tests 10.4 Compariso Tests 10.5 The Ratio ad Root Tests 10.6 Alteratig Series: Absolute ad Coditioal Covergece

More information

MATHEMATICS: PAPER III (LO 3 AND LO 4) PLEASE READ THE FOLLOWING INSTRUCTIONS CAREFULLY

MATHEMATICS: PAPER III (LO 3 AND LO 4) PLEASE READ THE FOLLOWING INSTRUCTIONS CAREFULLY NATIONAL SENIOR CERTIFICATE EXAMINATION EXEMPLAR 008 MATHEMATICS: PAPER III (LO 3 AND LO 4) Time: 3 hours 100 marks PLEASE READ THE FOLLOWING INSTRUCTIONS CAREFULLY 1. This questio paper cosists of 16

More information

LINEAR REGRESSION ANALYSIS. MODULE IX Lecture Multicollinearity

LINEAR REGRESSION ANALYSIS. MODULE IX Lecture Multicollinearity LINEAR REGRESSION ANALYSIS MODULE IX Lecture - 9 Multicolliearity Dr Shalabh Departmet of Mathematics ad Statistics Idia Istitute of Techology Kapur Multicolliearity diagostics A importat questio that

More information

WORKING WITH NUMBERS

WORKING WITH NUMBERS 1 WORKING WITH NUMBERS WHAT YOU NEED TO KNOW The defiitio of the differet umber sets: is the set of atural umbers {0, 1,, 3, }. is the set of itegers {, 3,, 1, 0, 1,, 3, }; + is the set of positive itegers;

More information

BHW #13 1/ Cooper. ENGR 323 Probabilistic Analysis Beautiful Homework # 13

BHW #13 1/ Cooper. ENGR 323 Probabilistic Analysis Beautiful Homework # 13 BHW # /5 ENGR Probabilistic Aalysis Beautiful Homework # Three differet roads feed ito a particular freeway etrace. Suppose that durig a fixed time period, the umber of cars comig from each road oto the

More information

Abstract. Ranked set sampling, auxiliary variable, variance.

Abstract. Ranked set sampling, auxiliary variable, variance. Hacettepe Joural of Mathematics ad Statistics Volume (), 1 A class of Hartley-Ross type Ubiased estimators for Populatio Mea usig Raked Set Samplig Lakhkar Kha ad Javid Shabbir Abstract I this paper, we

More information

Analysis of Algorithms. Introduction. Contents

Analysis of Algorithms. Introduction. Contents Itroductio The focus of this module is mathematical aspects of algorithms. Our mai focus is aalysis of algorithms, which meas evaluatig efficiecy of algorithms by aalytical ad mathematical methods. We

More information

11 Correlation and Regression

11 Correlation and Regression 11 Correlatio Regressio 11.1 Multivariate Data Ofte we look at data where several variables are recorded for the same idividuals or samplig uits. For example, at a coastal weather statio, we might record

More information

STAT 515 fa 2016 Lec Sampling distribution of the mean, part 2 (central limit theorem)

STAT 515 fa 2016 Lec Sampling distribution of the mean, part 2 (central limit theorem) STAT 515 fa 2016 Lec 15-16 Samplig distributio of the mea, part 2 cetral limit theorem Karl B. Gregory Moday, Sep 26th Cotets 1 The cetral limit theorem 1 1.1 The most importat theorem i statistics.............

More information

TABLES AND FORMULAS FOR MOORE Basic Practice of Statistics

TABLES AND FORMULAS FOR MOORE Basic Practice of Statistics TABLES AND FORMULAS FOR MOORE Basic Practice of Statistics Explorig Data: Distributios Look for overall patter (shape, ceter, spread) ad deviatios (outliers). Mea (use a calculator): x = x 1 + x 2 + +

More information

Math 257: Finite difference methods

Math 257: Finite difference methods Math 257: Fiite differece methods 1 Fiite Differeces Remember the defiitio of a derivative f f(x + ) f(x) (x) = lim 0 Also recall Taylor s formula: (1) f(x + ) = f(x) + f (x) + 2 f (x) + 3 f (3) (x) +...

More information

MATHEMATICS. The assessment objectives of the Compulsory Part are to test the candidates :

MATHEMATICS. The assessment objectives of the Compulsory Part are to test the candidates : MATHEMATICS INTRODUCTION The public assessmet of this subject is based o the Curriculum ad Assessmet Guide (Secodary 4 6) Mathematics joitly prepared by the Curriculum Developmet Coucil ad the Hog Kog

More information

Prediction of returns in WEEE reverse logistics based on spatial correlation

Prediction of returns in WEEE reverse logistics based on spatial correlation Predictio of returs i WEEE reverse logistics based o spatial correlatio Ju LV (JLV@dbm.ecu.edu.c) School of Busiess, East Chia Normal Uiversity 8, Dogchua Road, Shaghai 41, Chia. Jia-pig XIE School of

More information

STP 226 ELEMENTARY STATISTICS

STP 226 ELEMENTARY STATISTICS TP 6 TP 6 ELEMENTARY TATITIC CHAPTER 4 DECRIPTIVE MEAURE IN REGREION AND CORRELATION Liear Regressio ad correlatio allows us to examie the relatioship betwee two or more quatitative variables. 4.1 Liear

More information