library(lattice) ################################################ # Die Dauern (ms) wurden gemessen von 5 /a/ (z.B. `Lamm`) # und 5 /a:/ (z.B. `Lahm`) Vokale wie folgt: # /a/: 91 87 83 69 73 # /a:/: 114 123 91 121 105 # Inwiefern unterscheiden sich die Vokale in der Dauer? # Für den Data-Frame dbc = read.table(file.path(pfadu, "dbc.txt")) # inwiefern wird wird die Dauer (d) vom Dialekt # und/oder Einkommen beeinflusst? ################################################## # Diese Tabelle: # http://www.phonetik.uni-muenchen.de/~jmh/lehre/sem/ss14/mwtab.pdf # zeigt 20 F2-Werte für einen /I/ Vokal (z.B. in `Frist`) # produziert von Sprechern und Sprecherinnen aus München und Wien. # Erstellen Sie einen Data-Frame dafür und legen Sie den Data-Frame # als eine Textdatei auf der Festplatte ab. # Inwiefern wird F2 vom Dialekt und/oder Geschlecht beeinflusst? # Für den Data-Frame dip dip = read.table(file.path(pfadu, "dip.txt")) # Gibt es Dauer-Unterschiede zwischen # den Diphthongen und/oder zwischen den Versuchspersonen? # Für den Data-Frame sz: sz = read.table(file.path(pfadu, "sz.txt")) # erstellen Sie einen Barchart, um die Häufigkeiten zu zeigen, # mit denen /s/ oder /z/ von Sprechern aus Bayern und # Schleswig-Holstein produziert wurden. head(sz); dim(sz) # Eine Tabellierung immer mit der abängigen Variable an letzer Stelle tab = with(sz, table(Dialekt, Frikativ)) # Fakultative in Proportionen umsetzen prop = prop.table(tab, 1:1) barchart(prop, horizontal=F, auto.key=T) # Die Dauern von einem /a/ Vokal wurden # von 12 männlichen und 12 weiblichen # Versuchspersonen gemessen. # Hat Geschlecht einen Einfluss auf die Vokaldauer? # Dauer (Männliche Vpn, ms): 52 101 83 116 66 126 68 83 119 121 84 112 # Dauer (Weibliche Vpn, ms): 33 74 59 109 17 63 57 85 71 95 88 58 # Ein Vektor der Dauerwerte d = c(52, 101, 83, 116, 66, 126, 68, 83, 119, 121, 84, 112, 33, 74, 59, 109, 17, 63, 57, 85, 71, 95, 88, 58) # Ein Vektor vom Geschlecht labs = c(rep("m", 12), rep("w", 12)) # Data-Frame bauen d.df = data.frame(d, G = labs) bwplot(d ~ G, data = d.df, ylab = "Dauer (ms)") densityplot(~ d, groups = G, xlab = "Dauer (ms)", data = d.df, auto.key=T, plot.points=F, ref=T) # Dauer wird vom Geschlecht beeinflusst (ist bei Männern größer) # Für den Data-Frame rating: rating = read.table(file.path(pfadu, "rating.txt")) # Inwiefern wird Rating # von der Grammatikalität (Gram) und Lang (E, S) # beeinflusst? head(rating); dim(rating) bwplot(Rating ~ Gram | Lang, ylab = "Rating", data = rating) # es gibt Gram-Unterschiede; kaum Unterschiede in der Sprache densityplot(~Rating | Gram, groups = Lang, auto.key=T, plot.points=F, ref=T, data = rating) # Für den Data-Frame owl: owl = read.table(file.path(pfadu, "owl.txt")) # prüfen Sie ob die Sprache (Lang) # einen Einfluss auf die Reaktionszeit hatte (rt), um das Wort zu identifizieren. head(owl); dim(owl) bwplot(rt ~ Lang, data = owl, ylab = "Reaktionszeit") # Eindeutig ja: schnellere Reaktionszeiten zu englisch als zu other # Der Data-Frame lateral: lateral = read.table(file.path(pfadu, "lateral.txt")) # zeigt wie oft Sprecher aus drei Dialektregionen einen # silbenfinalen /l/ vokalisiert (J) haben oder nicht (N). # Wird die Vokalisierung vom Dialekt beeinflusst? head(lateral); dim(lateral) tab = with(lateral, table(Dialekt, Lateral)) p = prop.table(tab, 1:1) barchart(p, auto.key=T, horizontal=F) # Kaum Unterschiede zwischen Regionen B und C; A # hat mehr Vokalisierungen als die anderen Regionen # 20 Hörer mussten entscheiden, ob ein Laut /f/ oder /x/ war. # Ihre Antworten sind wie folgt: # f x f f x f f f f f f x f x x f x f x f # Die erten 10 Hörer waren holländische Muttersprachler; # die letzten 10 waren deutsche Muttersprachler. Wird # die Wahl zwischen /f/ und /x/ von der Muttersprache beeinflusst? fric = c("f", "x", "f", "f", "x", "f", "f", "f", "f", "f", "f", "x", "f", "x", "x", "f", "x", "f", "x", "f") sprache = c(rep("NL", 10), rep("D", 10)) df = data.frame(fric, sprache) tab = with(df, table(sprache, fric)) p = prop.table(tab, 1:1) barchart(p, auto.key=T, horizontal=F) # Proportional mehr /f/ in NL als in D # Die Grundfrequenzwerte (Hz) von 10 älteren und 12 jüngeren # Männern waren wie folgt. Wird f0 vom Alter beeinflusst? #Alt:67 38 76 104 119 67 63 45 116 76 #Jung: 103 89 57 93 130 104 81 94 82 111 95 94 f0 = c(67, 38, 76, 104, 119, 67, 63, 45, 116, 76, 103, 89, 57, 93, 130, 104, 81, 94, 82, 111, 95, 94) alter = c(rep("alt", 10), rep("jung", 12)) f0.df = data.frame(f0, Alter = alter) bwplot(f0 ~ Alter, data = f0.df, ylab = "Grundfrequenz (Hz)") densityplot(~ f0, groups = Alter, data = f0.df, auto.key=T, ref=T, plot.points=F, xlab = "Grundfrequenz (Hz)") # Die Grundfrequenz für jung ist höher als für alt # Für den Data-Frame preasp preasp = read.table(file.path(pfadu, "preasp.txt")) # inwiefern wird # die Verteilung von ±preasp (ob Pre-aspiration vorkam oder nicht) # von dem davor kommenden Vokal (vtype) beeinflusst? head(preasp); dim(preasp) tab = with(preasp, table(vtype, Pre)) p = prop.table(tab, 1:1) barchart(p, auto.key=T, horizontal=F) # Der Anteil der Vokale mit Präaspiration ist ziemlich gleich in /e, o/; jedoch # höher im /a/-Kontext als für diese beiden Vokale # Diese Tabelle # http://www.phonetik.uni-muenchen.de/~jmh/lehre/Rdf/stable.pdf # aus Sussman et al (1997) zeigt sogenannte # Lokus-Neigungen für 5 Sprecher (M# bis M#5) und # 5 Sprecherinnen (F#1 bis F#5). Die Lokus-Neigungen sind in der # Spalte unter `k` und sie kommen # vor in silbeninitialer, silbenmedialer, und silbenfinaler Position # (daher 10 k-Einträge pro Position; 3 k-Eintrage pro Sprecher oder Sprecherin). # Inwiefern wird `k` von Geschlecht und/oder Silbenposition beeinflusst? # (Quelle: Sussman, Bessell, Dalston, and Majors. J. Acoustical Society of America, 101, 2826 - 2838) werteinit = c(.75, .74, .82, .75, .61, .71, .88, .78, .84, .77) wertemed = c(.79, .81, .79, .68, .69, .74, .81, .77, .84, .73) wertefin = c(.68, .74, .62, .52, .45, .26, .34, .49, .58, .24) werte = c(werteinit, wertemed, wertefin) posn = c(rep("i", 10), rep("m", 10), rep("f", 10)) g = c(rep("M", 5), rep("W", 5), rep("M", 5), rep("W", 5), rep("M", 5), rep("W", 5)) lok.df = data.frame(werte, P = posn, G = g) head(lok.df); dim(lok.df) bwplot(werte ~ P | G, data = lok.df, ylab = "Neigung") densityplot(~ werte | P, groups = G, data = lok.df, xlab = "Neigung", auto.key=T, ref=T, plot.points=F) # Position: kaum Unterschiede zwischen initial und medial; final ist tiefer als die anderen beiden # Geschlecht: Frauen habentiefere Werte final im Vgl. zu Männern library(lattice) source(file.path(pfadu, "normalf.R")) source(file.path(pfadu, "lattice.normal.R")) 1. # (a) 12 Sprecher und 12 Sprecherinnen aus München # und Wien produzierten einen /I/ und F2 wurde aufgenommen. # Die F2-Werte in Hz für die 24 Versuchspersonen sind unten angeführt. # Wird F2 von Geschlecht und/oder Dialekt beeinflusst? # Wien (weiblich) # 2821 2654 2750 2664 2873 2755 # Wien (männlich) # 2149 2354 2296 2094 2309 2069 # München (weiblich) # 2586 2330 2209 2085 2301 2394 # München (männlich) # 1982 1672 2216 1563 1905 1841 F2werte = c(2821, 2654, 2750, 2664, 2873, 2755, 2149, 2354, 2296, 2094, 2309, 2069, 2586, 2330, 2209, 2085, 2301, 2394, 1982, 1672, 2216, 1563, 1905, 1841) dialekt = c(rep("Wien", 12), rep("München", 12)) gesch = rep(c(rep("w", 6), rep("m", 6)), 4) df = data.frame(F2=F2werte, D = dialekt, G = gesch) bwplot(F2 ~ D | G, data = df) densityplot(~ F2 | D, groups=G, data = df, auto.key=T, plot.points=F, ref=T) # F2 ist höher für weiblich vs. männlich; und höher in Wien vs. München. # (b) In einem Perzeptionstest hörten dieselben Versuchspersonen # ein ambiges Wort zwischen Miete und Mitte, und sie mussten pro # Stimulus zwischen den Wortpaaren wählen. Die Antworten waren wie unten angeführt. # Wird die Wahl zwischen Miete/Mitte von Geschlecht und/oder Dialekt beeinflusst? # Wien (weiblich) # Miete Miete Mitte Miete Miete Miete # Wien (männlich) # Mitte Miete Miete Mitte Miete Miete # München (weiblich) # Mitte Mitte Mitte Miete Miete Miete # München (männlich) # Mitte Mitte Miete Mitte Miete Mitte wahl = c("Miete","Miete","Mitte","Miete","Miete", "Miete","Mitte","Miete","Miete","Mitte","Miete","Miete", "Mitte","Mitte","Mitte","Miete","Miete","Miete","Mitte", "Mitte","Miete","Mitte","Miete","Mitte") df = cbind(df, Wahl = wahl) tab = with(df, table(D, G, Wahl)) p = prop.table(tab, 1:2) barchart(p, auto.key=T, horizontal=F) # Mehr Miete Antworten in Wien; mehr Miete Antowrten # für Frauen, insbesondere für Wien # 2. Ich ziehe 350 Mal fünf Ganzzahlen zwischen (inklusive) # -20 und +20 aus einem Hut und berechne # davon den Mittelwert (und tue sie nach jeder Berechnung wieder in den Hut hinein). # Was ist mu, was ist SE? w = (-20:20) n = length(w) mu = mean(w) SE = sd(w) * sqrt((n-1)/n) /sqrt(5) # (a) Führen Sie diesen Vorgang in R durch (mit proben() ) # um 350 solche Werte zu bekommen. # Machen Sie ein Histogramm davon und überlagern Sie die entsprechende Normalverteilung. o = proben(-20, 20, 5, 350) histogram(~o, type="density", mu = mu, SE = SE, panel = lattice.normal) # (b) Was ist die Wahrscheinlichkeit, # dass der Stichprobenmittelwert im Bereich ±10 fällt? # (also weniger als -10 oder mehr als +10)? pnorm(-10, mu, SE) + 1 - pnorm(10, mu, SE) # 0.05878172 # oder 2 * pnorm(-10, mu, SE) # (c) Setzen Sie ein 95% Konfidenzintervall für den Stichprobenmittelwert # wenn Sie (i) 5 Ganzzahlen aus dem Hut ziehen wie oben (ii) 15 Ganzzahlen aus dem Hut ziehen. # (i) qnorm(0.025, mu, SE); qnorm(0.975, mu, SE) # [1] -10.37115 # [1] 10.37115 # (ii) SEneu = sd(w) * sqrt((n-1)/n) /sqrt(15) qnorm(0.025, mu, SEneu); qnorm(0.975, mu, SEneu) # [1] -5.987789 # [1] 5.987789 # 3. Auf der Basis früherer Studien wurden mu = 100 Hz # und SE = 15 Hz für die Grundfrequenz in männlichen Stimmen eingeschätzt. # Wie viele aus einer Gruppe von 50 Männern müssten # laut diesem theoretischen Modell eine f0 (a) unter 80 Hz (b) zwischen 110 und 125 Hz haben. p1 = pnorm(80, 100, 15) 50 * p1 # zwischen 4 und 5 p2 = pnorm(125, 100, 15) - pnorm(110, 100, 15) 50 * p2 # ca. 10