Sirvi Kuupäev , alustades "2013-06-10" järgi

Filtreeri tulemusi aasta või kuu järgi

Nüüd näidatakse 1 - 12 12

Hindamine osakogumites abiinformatsiooni olemasolul
(Tartu Ülikool, 2013-06-10) Binsol, Paavo; Lepik, Natalja, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Üldkogumi gruppide ehk osakogumite efektiivne hindamine on oluline ülesanne paljudes tänapäeva statistika uuringutes ja firmades. Traditsiooniline lähenemine sääraste hinnangute leidmiseks on otsesed hinnangud (direct estimates). Võib aga juhtuda, et valimimahud osakogumites on väga väikesed, mille tõttu otseste hinnangute varieeruvus muutub väga suureks. Esineb olukordi, kus valimisse ei sattu mõne osakogumi korral ühtegi vaatlust, siis pole otsest hinnangut isegi võimalik leida. Väikeste osakogumite hinnangute teooria (Small area estimation methods theory) tegeleb selliste probleemide uurimisega. (Saei & Chambers, 2003) Lahenduseks kasutatakse mudelipõhiseid ehk mitteotseseid hinnanguid. Sageli on üldkogumi kohta teada abiinformatsioon (auxiliary information), mida on võimalik kasutada väikeste osakogumite hinnangute täpsuse parandamiseks. Selliste meetodite kasutamist on statistilises kirjanduses tõlgendatud, kui “jõu laenamisena“ uuritava tunnuse ja abitunnuste vahelisest seosest (Saei & Chambers, 2003, lk 2). Siin töös on mudelipõhiste hinnangutena kasutatud GREG-i (Generalized regression estimator) ja segamudelit (Mixed models). Käesoleva töö uuritavaks parameetriks on kindla tunnuse kogusumma osakogumis ning eesmärgiks ongi kirjeldada ja uurida, millised meetodid annavad kõige täpsema hinnangu. Samuti on eeldatud, et valimi võtmisel on kasutatud kahte valikudisaini, lihtsat juhuslikku valikut tagasipanekuta ja tagasipanekuga. Huvipakkuv on see, kas erinevate valikudisainide puhul võivad tulemused märgatavalt erineda? Mudelipõhiste hinnangute tõhususe uurimiseks on võrdlusena leitud Horwitz-Thompsoni ja Hansen-Hurwitzi hinnanguid, mille omavaheline erinevus seisneb ainult valimi võtmise meetodis. Kahe viimase nimetatud hinnangu puhul ei kasutata abi informatsiooni. Töö on üle ehitatud järgmiselt. Esimeses peatükis esitatakse vajalikud esialgsed terminid ja teoreemid, millele hiljem toetuda. Teine kuni neljas peatükk iseloomustavad töös kasutatavaid hinnanguid (Horvitz-Thompson, Hansen-Hurwitz, GREG, segamudelil põhinev hinnang). Samuti on kirjeldatud, kuidas neid hinnanguid saab rakendada osakogumite hindamisel. Viiendas peatükis on võrreldud nelja hinnangut simulatsioonülesandes, kus kasutatud andmestik on moodustatud ühe Kanada hüpoteetilise küla andmete põhjal. Hinnangute headuse võrdlemiseks on defineeritud täpsusnäitajad, mis arvutatakse simulatsioonis kasutatud andmestiku põhjal. Simulatsiooni läbiviimiseks ja tulemuste illustreerimiseks kasutati statistikapaketti R ning Microsoft Excelit. Lisas on esitatud hinnangute ning täpsusnäitajate leidmise ja andmestiku moodustamise R-i kood. Samuti on esitatud tööga kaasasoleval CD-l algne andmestik ning programm.
Õpiprogramm „Suurte arvude seadus“
(Tartu Ülikool, 2013-06-10) Vent, Ragnar; Pärna, Kalev, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Käesoleva bakalaureusetöö eesmärgiks on koostada õpiprogramm, mis võimaldaks kasutajal uurida, kuidas avaldub suurte arvude seadus erinevate jaotuste korral. Programmi õpetlikkuse eesmärgil on kaasatud lisaks enamtuntud jaotustele ka mõned suurte arvude seadusega vastuolus olevad jaotused. Näiteks selgub, mis juhtub aritmeetiliste keskmiste jadadega raske sabaga jaotuse korral või kui jaotusel keskväärtus puudub üldse. Samuti saab näha, millist mõju omab suurte arvude seaduse avaldumisel suur üksikväärtus jaotuse sabas. Töö lõpptulemuseks on interaktiivne Java rakendus, mis tutvustab kasutajale suurte arvude seaduse teoreetilist poolt ning annab võimaluse testida selle seaduse kehtimist praktikas. Õppeprogramm on mõeldud täies mahus iseseisvalt läbimiseks ning sisaldab teadmiste paremaks kinnistumiseks lühikest kontrolltesti. Antud töö juurde kuulub ka CD, mis sisaldab järgnevaid komponente: 1) lähtekoodid, 2) käivitatav programm, 3) töö kirjalik osa. Programm on koostatud kasutades Java Development Kit 1.7.0 arenduskeskkonda ning Java teeki JFreeChart. Jaotust kirjeldavad graafikud on loodud statistikapaketis R ning programmis esinevad matemaatilised valemid on koostatud kasutades tarkvara LaTeX.
Diferentsiaalvõrrandite lahendamine simulatsioonide abil
(Tartu Ülikool, 2013-06-10) Näksi, Rauno; Kangro, Raul, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Diferentsiaalvõrrandid on matemaatiliseks keeleks, mille abil on võimalik kirjeldada väga paljude reaalse maailma protsesside käitumist, seda nii füüsikas, keemias, bioloogias kui ka finantsmatemaatikas. Huvitaval kombel on paljusid selliseid võrrandeid võimalik ligikaudselt lahendada nii, et simuleerime nn osakese liikumist, vaatame kuhu see jõuab ning leiame lihtsa aritmeetilise keskmise teatud suurustest, mis on arvutatud selle osakese trajektoori ja selle lõppasukoha abil. Olulist rolli mängivad töös stohhastilised diferentsiaalvõrrandid (SDV). Tavalisel diferentsiaalvõrrandil on lahendi tulevikuväärtused määratud algtingimustega, kuid SDV korral on lahendiks juhuslik protsess, see tähendab, et samadele algtingimustele vastab palju erinevaid võimalikke tulevikukäitumisi. Töö eesmärgiks on uurida, kuidas on omavahel seotud tavaliste diferentsiaalvõrrandite lahendid ja SDV lahendid. Töö on jaotatud neljaks peatükiks. Esimeses peatükis tutvume põhjalikult Browni liikumisega. Teises peatükis vaatame, kuidas kasutada Browni liikumist, et defineerida uusi juhuslikke protsesse stohhastilise diferentsiaalvõrrandi abil. Kolmandas peatükis uurima, kuidas on omavahel seotud tavaliste diferentsiaalvõrrandite lahendid ja SDV lahendid ning peatüki lõpus toome esituse diferentsiaalvõrrandi lahendist kui keskväärtusest. Neljandas peatükis viime läbi eksperimendid, et veenduda teoreetiliste tulemuste kehtivuses ja uurime viga, mis tekib sellest, et juhusliku protsessi simuleerimisel kasutame lõplikku ajasammu. Käesolevas töös esitame illustreerivaid jooniseid tulemustest, toome erinevaid näiteid kirjeldatud meetodi rakendamisest. Töös kasutan simulatsioonide läbiviimiseks programmeerimiskeelt Python versioon 3.2.3 ja tarkvarapaketti Matlab versioon 7.12.0.384.
Andmete kogumise juhtimine tasakaaluindikaatori abil
(Tartu Ülikool, 2013-06-10) Roosileht, Nora; Traat, Imbi, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Käesolev bakalaureusetöö käsitleb andmete kogumise juhtimist tasakaaluindikaatorite abil valikuuringutes. Kadu on sage probleem uuringutes. Valimisse sattunud objektidelt ei saada andmeid, sest inimesed jätavad küsimustele vastamata, neid ei saada kätte või ajapuuduse tõttu ei ole võimalik kõiki objekte küsitleda. Tagajärjeks on kallutatud vastanute hulk, mis on paljude näitajate osas ebaproportsionaalne valimi suhtes, ja mida kasutades tekivad nihkega hinnangud. Särndal (2011a) on välja töötanud indikaatorid, mis võimaldavad vastanute hulga tasakaalu mõõta. Indikaatorid võrdlevad abitunnuste keskmisi vastanute hulgas ja kogu valimis. Kui keskmised on lähedased, on vastanute hulk tasakaalus. Antud töö eesmärk on leida tasakaaluindikaatori abil mittevastanute hulgast üles need objektid, kelle andmed viiksid kogutud tulemused kõige enam tasakaalu valimi suhtes. Küsitlejate jõupingutused tuleb suunata siis just nende objektide kättesaamisele. Töö esimeses pooles tutvustatakse tasakaaluindikaatoreid, mille abil on võimalik mõõta vastanute hulga tasakaalu kogu valimi suhtes. Varasemas bakalaureusetöös, Mätik (2012), on juba käsitletud tasakaaluindikaatoreid, nende tuletamist ning omadusi, seetõttu tuuakse sellest materjalist välja vaid vajalik. Antud bakalaureusetöös vaadeldakse kõne all olevate indikaatorite käitumist praktikas. Töö teises pooles rakendataksegi tasakaaluindikaatorite leidmist ning vastanute hulga valimi suhtes tasakaalu viimist reaalsete andmete peal. Autori panuseks on tasakaaluindikaatori töö põhimõtte selgitamine, reaalsete andmete saamine ja kasutatavaks teisendamine, ülesande püstitamine, mis imiteerib andmekogumisprotsessi, programmi kirjutamine, mis võimaldab indikaatori katsetamist andmekogumisprotsessis ja selle protsessi suunamist, ning tulemuste interpreteerimine. Bakalaureusetöö on kirjutatud tekstitöötlusprogrammiga Texmaker. Programm on koostatud ja arvutused teostatud statistikapaketiga R.
Imputation of inventories in Estonian Commercial Register
(Tartu Ülikool, 2013-06-10) Dalberg, Cliona Georgia; Vähi, Mare, juhendaja; Tamm, Ebu, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Missing values is a problem which often troubles statisticians, because most of the analysis methods consider full data. Almost every dataset has unobserved values due to the unconsciousness of the respondents, technical errors and several other reasons. One way to deal with the missingness is trying to replace missing values ‒ imputing. Imputing is a cost-effective measure, it allows to use data which otherwise would be discarded. Imputing also minimizes bias and makes using rectangular dataset and complete data analysis possible (Longford 2005, p. 38; Scheffer 2002, p. 156). This bachelor thesis was written as a part in the project “Integrating annual bookkeeping reports into statistical production system”, which was requested from Statistics Estonia by Eurostat. Data were collected from annual reports of Estonian Commercial Register. Main goal was to complete the section of inventories in the dataset of 2011. The first part of the thesis concentrates on giving overview about missing patterns and applications and theory of selected methods. In the second part a simulation is carried out, the dataset is described and arranged and previously specified methods are tested. Code of the program is added to appendix.
Tutvumine AdaBoostiga
(Tartu Ülikool, 2013-06-10) Sõnajalg, Jaak; Lember, Jüri, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
AdaBoost on boosting-meetodite perre kuuluv tehisõppe algoritm. Boostingmeetodite nimetus tuleneb nende omadusest parandada või võimendada (ingl boost) suhteliselt lihtsate klassifitseerijate klassifitseerimisomadusi. Boostingalgoritmid kasutavad kergesti rakendatavaid ja juhuslikust arvamisest vaid veidi paremate omadustega klassifitseerijaid ja konstrueerivad neist ühe, väga hea klassifitseerija. AdaBoosti kirjeldasid esmakordselt Yoav Freund ja Robert Schapire 1996. aastal. Töö esimeses peatükis tutvustatakse mitmeid klassifitseerimisteooria põhimõisteid nagu näiteks kaofunktsioon ja risk. Järgmine peatükk tutvustab andmetest õppimise põhimõtet. Kolmas peatükk keskendub AdaBoostile. Lisaks algoritmi kirjeldusele esitatakse seal mitmed hinnangud AdaBoosti väljundi riskile. Neljandas peatükis kirjeldatakse autori poolt läbi viidud katseid AdaBoostiga. Kirjeldatud simulatsioonide tarbeks tarvilike programmide koostamiseks on kasutatud statistikatarkvara R. Töös esitatud jooniste kujundamisel on kasutatud pilditöötlustarkvara GIMP 2.
Motivatsioon õpinguteks ja elusuundumus
(Tartu Ülikool, 2013-06-10) Kallasmaa, Getter; Vähi, Mare, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Käesoleva bakalaureusetöö eesmärgiks on analüüsida, millised tegurid mõjutavad Tartu Ülikooli arstiteaduskonna tudengite motivatsiooni õpinguteks ja elusuundumust. Uuriti otseselt õpingutega seotud tegurite, kursuse ja eriala, mõju. Uuritavate tegurite alla kuulusid ka sugu, emakeel, perekonnaseis, töötamine, varasem õpe. Analüüsiti veel stressi ning tervise mõju motiveeritusele ja elusuundumusele. Vaadati, kas peres arstide olemasolul ning soovi kestusel õppida arstiteadust on seos motivatsiooniga õpinguteks ning elusuundumusega. Kasutati faktoranalüüsi, keskväärtuste võrdlemist ning seosekordajaid. Keskmiste võrdlemiseks kasutati dispersioonanalüüsi, t-testi ning mitteparameetrilisi meetodeid. Seoste uurimiseks kasutati 2-testi ning Spearmani korrelatsioonikordajat. Töös kasutatav andmestik on pärit Tartu Ülikooli arstiteaduskonnast, kus viidi 2009. - 2012. a sügissemestritel läbi küsitlus arstiüliõpilaste tervisliku seisundi kohta. Ankeet koosnes üheteistkümnest osast, millest käesolevas töös käsitletakse kolme: üldandmed, motivatsioon õpinguteks ning elusuundumus. Uurimus viidi läbi koostöös Saksamaal tegutseva Greifswaldi Ülikooliga. Käesolev töö koosneb kolmest peatükist. Esimeses peatükis antakse ülevaade kasutatud meetoditest. Teises peatükis kirjeldatakse andmestiku põhjal Tartu Ülikooli arstiteaduskonna tudengeid ning nende motivatsiooni õpinguteks ja elusuundumust kursuste lõikes. Kolmas peatükk sisaldab seoste analüüsi ning tulemusi uuritavate tegurite lõikes. Bakalaureusetöö sisaldab jooniseid ning tabeleid, mis on põhitekstis eristatud numbritega ning lisades tähtedega. Statistiline analüüs on läbi viidud tarkvarapaketi SAS 9.2 abil.
Ravi sihtmärgi saavutamise tõenäosus vankomütsiini korduval manustamisel enneaegsetel vastsündinutel
(Tartu Ülikool, 2013-06-10) Tasa, Tõnis; Käärik, Ene, juhendaja; Oselin, Kersti, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Ravimiga organismis toimuvaid protsesse uurib farmakokineetika. Ravimi mõju uurimisega organismi funktsioonidele tegeleb aga farmakodünaamika. Arvutusintensiivsete meetodite abil saab farmakokineetika ja farmakodünaamika tulemusi kombineerides ravi mõju ning kasutatavaid doose efektiivsemalt ja personaalsemalt hinnata. Vankomütsiin on antibiootikum, mis töötati välja üle 50 aasta tagasi, kuid seoses resistentsuse kasvuga tavapärastele ravimitele on selle kasutusvaldkond tugevatoimelise antibiootikumina viimasel ajal laienenud. Käesolev bakalaureusetöö annab ülevaate farmakokineetilisest taustsüsteemist ning seni teostatud selle alastest uuringutest vankomütsiiniga. Monte-Carlo simulatsioonidel Andersoni mudelist (Anderson et al., 2006) genereeritud farmakokineetilisi parameetrite väärtuseid kasutatakse enneaegsete vastsündinute ravi 90% sihtmärgi saavutamise tõenäosuste jaoks vaja minevate dooside hindamisel. Töö eesmärgiks on TÜ mikrobioloogia instituudis kogutud minimaalsete inhibeerivate kontsentratsioonide põhjal hinnata 90% ravi sihtmärgi saavutamiseks vajaminevaid doose erinevate farmakokineetilis-farmakodünaamiliste parameetrite piirväärtuste korral. Leitud dooside põhjal hinnatakse saavutatavate terapeutiliste kontsentratsioonide sobivust. Töös sisalduvad mitmed lisad. Erinevate lühendite loend on toodud lisas 1. Ravi sihtmärgi saavutamise tõenäosuse hindamise graafikud ning leitud dooside juures esinevad kontsentratsioonide muutused konkreetsetel valitud juhtudel on toodud vastavalt lisades 2 ja 3. Töös esitatud jooniste ning simulatsioonide teostamiseks tarkvarale R (R Core Team, 2013) kirjutatud kood on lisas 4.
Conus consors’i konopeptiidide geene ümbritsevate kordusjärjestuste statistiline analüüs
(Tartu Ülikool, 2013-06-10) Lepamets, Maarja; Remm, Maido, juhendaja; Möls, Märt, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Mereteo Conus consors’i nagu paljude teiste mürgiste loomade toksiinigeene iseloomustab suur koopiate arv ja varieeruvus. Selle mitmekesisuse bioloogiline tekkemehhanism ei ole täpselt teada. Üheks suure varieeruvuse põhjuseks on arvatud lihtsate korduste esinemist geenide ümbruses. Käesoleva töö eesmärgiks on võrrelda lihtsate korduste esinemissagedust toksiini- ja teiste geenide (eksonite) ümbrustes. Lisaks testisime, kas leitud korduste pikkused on mõlemas valimis sarnased. Märgatavalt suurem korduste esinemistõenäosus või nende pikkuste oluline erinevus oleks potentsiaalseks kinnituseks hüpoteesile, et kordustel on oluline roll toksiinigeenide varieeruvuse tekitamisel. Bakalaureusetöö koosneb kahest peatükist. Esimene peatükk sisaldab uurimuse bioloogilise tausta ja terminite tutvustust, samuti töös kasutatud statistiliste testide ja suuruste teoreetiliste tagamaade kirjeldusi. Teine peatükk koosneb analüüsitava andmestiku kokkupanemise metoodika kirjeldusest, andmestiku kirjeldavast analüüsist ja tulemuste kokkuvõttest. Töö on kirjutatud Tartu Ülikooli Molekulaar- ja rakubioloogia instituudis Bioinformaatika õppetoolis. Töös kasutatud lähteandmed pärinevad Euroopa Liidu 6-nda raamprogrammi projektist CONCO – Cone Snail Genome Project for Health (LSHB-CT-2007/037592).
Hindamine osakogumites summeeruvuse kitsenduse korral
(Tartu Ülikool, 2013-06-10) Puksand, Helis; Lepik, Natalja, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Käesolev bakalaureusetöö käsitleb kitsendustega hinnangut osakogumite korral. Statistika tarbijad vajavad usaldusväärseid näitajaid, seetõttu on praktikas väga oluline, et hinnangud vastaksid teatud kitsendustele, mis kehtivad üldkogumi parameetrite puhul. Osakogumite hinnangute korral on oluliseks piiranguks, et saadud hinnangud summeeruksid suurema osakogumi või üldkogumi summaks või selle hinnanguks. Töö esimeses pooles tutvustatakse kitsendusi ja nendele vastavat hinnangut. Vaadeldava kitsendusega hinnangu korral kerkib üles probleem, et selle keskmise ruutvea või nihke hindamiseks on vaja teada esialgse hinnangu keskmist ruutviga ja nihet, kuid praktikas neid enamasti teada ei ole. Seetõttu otsitaksegi töö teises pooles võimalusi, kuidas võiks keskmise ruutvea maatriksit asendada ilma, et hinnangu täpsus palju kannataks. Viimasena katsetatakse saadud tulemusi reaalsete andmete peal. Töö põhineb mitmel allikal. Esmalt nimetame doktoritöö Lepik (2011), mille sisuks on uurida kitsendustega hinnanguid, mis baseeruvad üldistatud regressioon- ja sünteetilistel hinnangutel, osakogumite korral. Käesoleva töö aluseks on üks nendest hinnangutest (GR2). Doktoritöös ei peatuta pikemalt probleemil, mille kohaselt on selle kitsendustega hinnangu keskmise ruutvea (MSE) ja nihke hindamiseks vaja teada esialgse hinnangu MSE-d ja nihet, kuid mida enamasti teada ei ole. Seepärast keskendutigi antud bakalaureusetöös esialgse MSE asendamisele. Ideed selle keskmise ruutvea asendamiseks pärinevad allikast Sõstra ja Traat (2009), kus on pakutud välja kolm erinevat osakogumi hinnangut, mis baseeruvad erinevatel korrigeerivatel konstantidel. Lisaks on proovitud konstante konkreetsetel andmetel ja võrreldud saadud osakogumite hinnangute täpsust. Käesolevas töös on kasutatud neid konstante, et konstrueerida maatrikseid, mis asendavad esialgsete hinnangute tundmatut MSE maatriksit. Lisaks on põhiallikaks ka doktoritöö Sõstra (2007), kus on kirjeldatud kitsendustega hinnangut osakogumite korral, kuid mis keskendub ainult nihketa alghinnangutele. Autori ülesandeks käesoleva töö kirjutamisel on uue valdkonnaga tutvumine. Olulisim on uurida erinevate aktsepteeritavate hinnangute saamise meetodeid ning ühe konkreetse hinnangu praktikas rakendamisel tekkivaid probleeme. Töö koostaja omapoolseks panuseks on materjali kokkuvõtlik esitus, töös vaadeldavate erijuhtude kehtivuse näitamine ja nende kohta näidete toomine, samuti tulemuste katsetamine reaalsete andmete peal. Bakalaureusetöö on kirjutatud tekstitöötlusprogrammiga MS Word, arvutuslik näide viidi läbi statistikapaketiga R.
Segumudeli õppimine osaliselt sildistatud andmetest
(Tartu Ülikool, 2013-06-10) Pärnamaa, Tanel; Parts, Leopold, juhendaja; Kolde, Raivo, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Töö koosneb kolmest osast. Esimeses kirjeldatakse kahte algoritmi osaliselt sildistatud andmete klassifitseerimiseks. Need meetodid põhinevad Gaussi segumudelil ja EM-algoritmil ning sobiv klastrite arv valitakse Bayesi informatsioonikriteeriumi põhjal. Seej ärel pöördume mitteparameetrilise Bayesi statistika valdkonda: andes Bayesi segumudeli korral komponentide osakaalude eeljaotuseks Dirichlet protsessi, järeldab mudel vajalike klastrite arvu automaatselt ja pääseme subjektiivsest mudeli valikust. Seda mudelit kutsume Dirichlet protsessi segumudeliks. Viimases osas on algoritmide headust testitud nii genereeritud kui ka reaalsetel andmestikel. Kõik kirjeldatud mudelid on implementeeritud ja joonised on koostatud statistikatarkvaras R.
Eesti laste kasvukõverad
(Tartu Ülikool, 2013-06-10) Salm, Erik; Käärik, Ene, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Laste kasvu jälgimiseks on arenenud meditsiiniga maades juba üle 50 aasta kasutatud kasvukõveraid. Kehapikkus ja –kaal on füüsilise arengu ühed olulisemad näitajad ning visuaalsed graafikud võimaldavad efektiivselt jälgida lapse kasvamist ja kõrvalekaldeid normaalsest arengust. Laste korduv mõõtmine regulaarse ajavahemiku järel ning mõõtmistulemuste võrdlemine standardiga võimaldab varakult märgata kasvuhäireid. Kasvuhäire võib olla mitmete haiguste ilminguks ning seetõttu sunnib kõrvalekallete leidmine mõtlema võimalikele põhjustele. Kasvukõverate kasutamine kergendab kasvuhäiretega laste leidmist ja jälgimist perearstidel, pediaatritel, geneetikutel ja teistel spetsialistidel. Eestis koostati ja võeti kasvukõverad kasutusele esimest korda 1993. aastal. Need põhinesid 1970-ndatel aastatel tehtud ristläbilõikelistel ning longitudinaalsetel laste pikkuse ja kehakaalu mõõtmistel. Eestis kasutatavad kasvukõverad on jaotusega 3-protsentiilist kuni 97-protsentiilini. Praegused koolides kasutuselolevad normatiivid on koostatud 1996. aastal kogutud andmete põhjal. (Grünberg jt, 1998, 5) Nüüdseks on kogutud uuemad andmed ning töö eesmärk on anda ülevaade Eesti koolilaste füüsilisest arengust ja võrrelda tulemusi varasematega. Statistiliste testide abil uuritakse, kas laste füüsiline areng on piisavalt muutunud, et oleks vaja uusi normatiive. Töö tellijaks on Tartu ülikooli füüsilise antropoloogia keskus. Töös olevad arvutused ja joonised on tehtud statistikapaketi SAS abil. Mittestandardsete lahenduste kohta on esitatud ka vastavad juhendid, kuidas tulemusteni jõuda.