Laden Sie die folgenden Packages und Data-Frames:
library(tidyverse)
library(afex)
library(emmeans)
library(broom)
urla = "https://www.phonetik.uni-muenchen.de/studium_lehre/"
urlb = "lehrmaterialien/R_speech_processing/Rdf"
url = paste0(urla, urlb)
preasp = read.table(file.path(url, "preasp.txt"),
stringsAsFactors = T)
ital.df = preasp %>%
filter(vtype == "e" & cplace == "kk") %>%
mutate(spk = factor(spk))
rownames(ital.df) = 1:nrow(ital.df)
nv.df = read.table(file.path(url, "nv.df.txt"),
stringsAsFactors = T)Q1: Der Dataframe nv.df besteht aus
folgenden Spalten:
Speaker: Sprecher
Sex: M oder F
Context: a, na,
an. Die Bedeutung davon: /a/ ist ein oraler Vokal (in z.B.
‘pad’), na ein Vokal nach einem nasalen Konsonant (in z.B.
‘mad’), und an ein Vokal vor einem nasalen Konsonanten (in
z.B. ‘pan’).
F1: Frequenz von F1
Prüfen Sie durch eine Abbildung und statistischen Test inwiefern F1 von Sex und oder Context beeinflusst wird.
Q2: Prüfen Sie durch eine Abbildung und
statistischen Test für den Dataframe trees, inwiefern
Height aus Volume vorhersagbar ist. Schätzen
Sie Height ein für ein Volumen von 110. Führen Sie zwei
diagnostische Tests durch, um die Gültigkeit des statistischen Tests zu
prüfen.
Q3: Für diese Daten wurde F2-F1 (Hz) in einem Vokal gemittelt über mehrere Sprecher zwischen 1910 und 1997 gemessen. Prüfen Sie durch eine Abbildung, ob sich F2-F1 mit der Zeit ändert. Schätzen Sie den Wert von F2-F1 ein im Jahr 2012. Führen Sie vier Tests durch, um die Gültigkeit des statistischen Tests zu prüfen.
jahr = c(1910, 1920, 1930, 1940, 1950, 1959, 1969, 1978, 1987, 1997)
fdat = c(139, 149, 157, 175, 216, 303, 390, 449, 462, 487)ital.df prüfen
Sie durch eine Abbildung und statistischen Test, ob eine lineare
Beziehung zwischen Vokaldauer (vdur) und Dauer der
Verschlusslösung (clorel) vorliegt. Prüfen Sie die
Gültigkeit des statistsichen Tests.