SAS:n käyttö Työterveyslaitoksessa. Pertti Mutanen
|
|
- Harri Hakala
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 SAS:n käyttö Työterveyslaitoksessa Pertti Mutanen
2 Edistämme työn terveellisyyttä ja turvallisuutta osana hyvää elämää
3 Työterveyslaitos Arbetshälsoinstitutet Itsenäinen julkisoikeudellinen yhteisö Sosiaali- ja terveysministeriön hallinnonalan sektoritutkimuslaitos Johtokunta ohjaa toimintaamme. Johtokunnassa ovat edustettuina sosiaali- ja terveysministeriö työ- ja elinkeinoministeriö työnantajajärjestöt (EK, Kunnallinen työmarkkinalaitos) työntekijäjärjestöt (AKAVA, SAK, STTK) omaa työtä tekevien järjestö (MTK)
4 Lukuja Perustettu 1945 Talousarvio 2009: n. 69 milj. Valtionosuus 60 % Omat tuotot 40 % ulkopuolinen tutkimusrahoitus palvelutoiminnan tuotot koulutustuotot tiedonvälityksen tuotot Henkilöstömäärä valtionosuuteen oikeutettu henkilöstö: n. 600 ylimääräisillä tuotoilla palkattu henkilöstö: n. 200
5 TTL ratkoo työn ja hyvinvoinnin yhteyksiä Työttömät: työllistymisen edellytykset Nuoret: valmiudet toimia työelämässä Terveellinen, turvallinen, mielekäs työ osana hyvää elämää Ikääntyvät: houkutteleva työ Työkyvyttömät, vajaakuntoiset: toimiva palvelujärjestelmä, työhönpaluun mahdollisuudet
6 Organisaatio Toimipisteet: Helsinki, Kuopio, Lappeenranta, Oulu, Tampere, Turku
7 Alueellinen toiminta Tarjoamme kokonaisvaltaisia palveluja alueellisesti koko TTL:n osaaminen käytettävissä eri puolilla Suomea Otamme huomioon alueiden vahvat osaamiskeskittymät ja työpaikkojen palvelutarpeet Suuret ja pienet työpaikat, työterveyshuollot, työsuojelupiirit, tutkimuslaitokset, yliopistot ja ammattikorkeakoulut,. muut oppilaitokset, kunnat, TE-keskukset, viranomaiset, jne.. Turku.. Tampere Oulu. Helsinki Kuopio. Lappeenranta
8 Tilastotiedepalvelut Asiantuntijatoiminnan tavoitteena on edistää tilastotieteen menetelmien oikeata ja tehokasta käyttöä Työterveyslaitoksen kaikkien osaamiskeskusten tutkimusprojekteissa ja muissa toiminnoissa. Tilastotieteen asiantuntijat osallistuvat tutkimusten suunnitteluun, aineistojen tilastolliseen käsittelyyn sekä tulosten tulkintaan ja raportointiin. + tilastollista ohjelmistoa + sisäistä koulutusta + tilastollisten menetelmien ja laskentamahdollisuuksia tutkimusta
9 SAS-ohjelmisto SAS tuotteet: BASE STAT GRAPH EG, Enterprise Guide IML FSP INSIGHT
10 SAS käyttö Aineistojen tilastollinen käsittely -datan käsittely -tilastollinen analyysi -grafiikka, jäänyt vähemmälle -IML, makrot, analyysejä -INSIGHT, tutkija
11 SAS käyttö Datan käsittely -aineistojen muokkaus analyysiä varten -esimerkkejä
12 SAS käyttö Tilastollinen analyysi -raportointia Työ ja terveys haastattelututkimus, taulukkoraportointia FREQ, TABULATE, MEANS, CORR -tilastollista analyysiä SAS/Stat proseduurit GLM, MIXED, NLMIXED LOGISTIC, GENMOD TTEST, NPAR1WAY PHREG POWER
13 SAS Proc mixed -toistomittausanalyysiä The MIXED procedure fits a variety of mixed linear models to data and enables you to use these fitted models to make statistical inferences about the data. A mixed linear model is a generalization of the standard linear model used in the GLM procedure, the generalization being that the data are permitted to exhibit correlation and nonconstant variability. The mixed linear model, therefore, provides you with the flexibility of modeling not only the means of your data (as in the standard linear model) but their variances and covariances as well. Since Gaussian data can be modeled entirely in terms of their means and variances/covariances, the two sets of parameters in a mixed linear model actually specify the complete probability distribution of the data. The parameters of the mean model are referred to as fixed-effects parameters, and the parameters of the variance-covariance model are referred to as covariance parameters.
14 SAS Proc mixed -toistomittausanalyysiä
15 SAS Proc mixed -toistomittausanalyysiä PROC MIXED <options> ; CLASS variables ; MODEL dependent = <fixed-effects> </ options> ; RANDOM random-effects </ options> ; REPEATED <repeated-effect></ options> ; PARMS (value-list)...</ options> ; LSMEANS fixed-effects </ options> ; PROC MIXED data=pr method=ml covtest; CLASS Person Gender; MODEL y = Gender Age Gender*Age / s; REPEATED / type=un subject=person r; RUN;
16 Sleep Restriction and Multitasking Performance PROC MIXED -toistomittausnalyysi ods output RCorr=rcorr1; title " mt50, paivat 2-7, lajennettu CS-malli "; proc mixed data=dataf method=reml COVTEST noclprint ; class apip group day day2 idnroday idnro time2 dayapiptime ; model mt50 = group day apip time3 time3*day*group / DDFM=SATTERTH s OUTP=predi1; repeated dayapiptime / type=lin(4) ldata=rmalli1 sub=idnro rcorr r ; random time3 / type=un /* sub=idnro */ sub=iddayapip s ; parms (5000) (170000) (200000) (50000) (15000) ; /* parms (100) (1000) (1000) (100) (100) ; */ run; ods output ; run;
17 SAS Proc mixed -toistomittausanalyysiä
18 SAS Proc mixed -toistomittausanalyysiä TYPE=covariance-structure specifies the covariance structure of the R matrix. The SUBJECT= option defines the blocks of R, and the TYPE= option specifies the structure of these blocks. Valid values for covariance-structure and their descriptions are provided in Table and Table The default structure is VC. Table Covariance Structures Structure Description Parms th element ANTE(1) Ante-dependence AR(1) Autoregressive(1) 2 ARH(1) Heterogeneous AR(1) ARMA(1,1) ARMA(1,1) 3 CS Compound Symmetry 2 CSH Heterogeneous CS FA( )... LIN( ) TOEP... Factor Analytic General Linear Toeplitz
19 SAS Proc mixed -toistomittausanalyysiä TYPE=LIN(q) specifies the general linear covariance structure with q parameters (Helms and Edwards 1991). This structure consists of a linear combination of known matrices that are input with the LDATA= option. This structure is very general, and you need to make sure that the variance matrix is positive definite. By default, PROC MIXED sets the initial values of the parameters to 1. You can use the PARMS statement to specify other initial values. Structure Description Parms (i,j)th element LIN(q) General Linear q LDATA=SAS-data-set reads the coefficient matrices associated with the TYPE=LIN(number) option. The data set must contain the variables Parm, Row, Col1 Col n or Parm, Row, Col, Value. The Parm variable denotes which of the number coefficient matrices is currently being constructed, and the Row, Col1 Col n, or Row, Col, Value variables specify the matrix values, as they do with the RANDOM statement option GDATA=. Unspecified values of these matrices are set equal to 0. repeated / type=lin(4) ldata=rmalli1 sub=idnro rcorr ;
20 SAS Proc mixed -toistomittausanalyysiä LIN(q) General Linear q repeated / type=lin(4) ldata=rmalli1 sub=idnro rcorr ; parm=1; parm=2; parm=3; parm=4; diagonaali-parametri, kaikille yhteinen arvo diagonaalilla varianssiparametri yksilölle = parm1+parm2 diagonaali ja ei-diagonaali, kaikille yhteinen arvo sekä diagonaalilla että ei-diagonaalilla kovarianssiparametri = parm2 5:n havainnon keskinäinen ei-diagonaali-arvo, kovarianssi näiden viiden havainnon välillä = parm2+parm3+parm4 saman päivän sisällä ap-ip-kovarianssi, kovarianssi saman päivän sisällä olevien aamu ja iltapäivä-havaintojen välillä = parm2 + parm4
21 SAS Proc mixed -toistomittausanalyysiä SAS-tulosteesta poimittua, estimated R Correlation Matrix
22 SAS Proc mixed -toistomittausanalyysiä SAS-tulosteesta poimittua Covariance Parameter Estimates Standard Z Cov Parm Subject Estimate Error Value Pr Z UN(1,1) idnro LIN(1) idnro <.0001 LIN(2) idnro LIN(3) idnro <.0001 LIN(4) idnro Fit Statistics -2 Res Log Likelihood AIC (smaller is better) AICC (smaller is better) BIC (smaller is better)
23 SAS Proc mixed -toistomittausanalyysiä SAS, LDATA-tiedoston rakenteen tarkastelua, print parm=1 Obs parm col1 col2 col3 col4 col5 col6 col7 col8 col9 col10 col
24 SAS Proc mixed -toistomittausanalyysiä SAS, LDATA-tiedoston rakenteen tarkastelua, print parm=2 Obs parm col1 col2 col3 col4 col5 col6 col7 col8 col9 col10 col
25 SAS Proc mixed -toistomittausanalyysiä SAS, LDATA-tiedoston rakenteen tarkastelua, print parm=3 Obs parm col1 col2 col3 col4 col5 col6 col7 col8 col9 col10 col11 col12 col13 col14 col15 col
26 SAS Proc mixed -toistomittausanalyysiä SAS, LDATA-tiedoston rakenteen tarkastelua, print parm=4 Obs parm col1 col2 col3 col4 col5 col6 col7 col8 col9 col10 col11 col
27 SAS Proc mixed -toistomittausanalyysiä LDATA-tiedoston teko data-vaiheessa data rmalli1(keep=parm row col1-col60); length parm row 8; array mat{60} col1-col60; parm=1; do i=1 to 60; do ii=1 to 60; mat{ii}=0; end; row=i; do j=1 to 60; if j=i then arvo=1; else arvo=0; mat{j}=arvo; end; output; end; parm=2; do i=1 to 60; row=i; do ii=1 to 60; mat{ii}=1; end; output; end; parm=3;... jne
28 SAS Mixed GLM/Manova vertailua, 2 ajankohtaa PROC MIXED data=dataf1 method=reml covtest NOCLPRINT; CLASS ID ; MODEL mase = time koekont1 sukup aika Amasenriski Avalmistautu koekont1*time sukup*time aika*time amasenriski*time Avalmistautu*time / s ; REPEATED / type=un subject=id r; RUN; PROC GLM data= dataf2 ; MODEL Amasennus Cmasennus = koekont1 sukup aika Avalmistautu amasenriski / nouni ; REPEATED Time 2 (1 3) / summary printe; QUIT; RUN;
29 SAS käyttö, datan käsittely, esimerkki 1 Lähtödata datan muokkaus eri proseduureilla Tulosdata Obs sukup syntyv ammx sta95 sta00 sta04 sta05 lkm jne, N=7785 Obs year age S1TOT1 S1TOT2 S1TOT3 S1TOT4 W1W1 W1W2 W1W3 W1W jne jne, N=125
30 SAS käyttö, datan käsittely, esimerkki 1 alkutila 1 data-vaihe, siirtymät tabulate data sort data data data data.., siirtymät data.., siirtymät alkutila 2, alkutila 3, data datan tulostus txt-tiedostoon SAS-rivejä yli 1000 Analyysi(R-ohjelmistolla)
31 SAS käyttö, datan käsittely, esimerkki 1 title "Tiedosto= &dfile sex= &sex alkut= &alkutila "; ods output Table=table1 ; proc tabulate data=apu noseps ; class ika95 ika00 ika04 ika05 sta95 sta00 sta04 sta05; tables ika04, (sta05 all)* (N*F=7.0 ) / RTS=10 ; freq lkm ; where sta04= &alkutila; run; data table2; set table1; year=2004; age=ika04; drop ika04; if _TYPE_="11"; run; proc sort data=table2; by age sta05; run; jne, rivejä yli 1000
32 SAS käyttö, datan käsittely, esimerkki 2 Lähtödata datan muokkaus eri proseduureilla Tulosdata Obs jarjnro SVV KVV Laak1 L1AIKAVV SA1 SA2 SA3 SA jne, N=nn jne, paljon muuttujia jnro SVV TVV tapalkm KVV xt1 xt2 xt3 xt4 xv1 xv2 xv3 xv jne, N=nn
33 SAS käyttö, datan käsittely, esimerkki 2 DATA datafile2; length tapahty $ 8;... set datafile1;... array maaral{6} LAAKX1-LAAKX6 ; array maarav{6} L1ALKUVV L2ALKUVV L3ALKUVV L6ALKUVV;... array mat1{40} evkoo1-evkoo40; array mat3{40} evvv1-evvv40;... /* muuttuja-arvojen talletus matriiseihin */... do i=2 to 40; do j=1 to i-1; koodi1=mat1{i};... icd1=koodi1;... if icd1=icd2 and mat4{i} NE 7 and mat4{j} NE 7 then do; aika1=mat2{i}*30+mat3{i}*365;... end; end; end; /* paljon matriisikäsittelyä, data-vaiheita */ run;
Työhyvinvointia yhteisesti kehittämällä - TEDI
Työhyvinvointia yhteisesti kehittämällä - TEDI Pirjo Sirola-Karvinen, projektipäällikkö p. 0500 444575 Merja Turpeinen, tutkija p. 030 4742669 Maria Rautio, kehittämispäällikkö Päivi Husman, hankkeen vastuullinen
LisätiedotTyöterveyslaitoksen työhygieeniset asiantuntijapalvelut
LIITU päivä 4.5.2006 Työterveyslaitoksen työhygieeniset asiantuntijapalvelut Markku Linnainmaa, FT, dos., laboratoriopäällikkö Työterveyslaitos, työhygienian ja toksikologian laboratorio Työterveyslaitos
LisätiedotHealth 2000/2011 Surveys. Statistical Analysis using SAS and SAS-Callable SUDAAN Packages 17.6.2013. Esa Virtala. etunimi.sukunimi@thl.
Health 2000/2011 Surveys Statistical Analysis using SAS and SAS-Callable SUDAAN Packages 17.6.2013 Esa Virtala etunimi.sukunimi@thl.fi Terveyden ja hyvinvoinnin laitos (THL) PL 30 00271 Helsinki Puhelin:
LisätiedotDynaamista ja joustavaa ohjelmointia - maukasta makrokielellä www.turkuamk.fi
Markku Suni Turun ammattikorkeakoulu Dynaamista ja joustavaa ohjelmointia - maukasta makrokielellä SAS Makrokieli SAS Makrokieli on kieli SAS-kielen laajennus datavaihetta muistuttavia lauseita ja funktioita
LisätiedotTilastollisten menetelmien käyttö Kelan tutkimustoiminnassa
Tilastollisten menetelmien käyttö Kelan tutkimustoiminnassa Risto Lehtonen Helsingin yliopisto Kela 1 Tilastokeskuksen SAS-seminaari 16.11.2009 Aiheita Kelan tutkimustoiminta SAS-sovellukset vaativien
LisätiedotGap-filling methods for CH 4 data
Gap-filling methods for CH 4 data Sigrid Dengel University of Helsinki Outline - Ecosystems known for CH 4 emissions; - Why is gap-filling of CH 4 data not as easy and straight forward as CO 2 ; - Gap-filling
LisätiedotThe CCR Model and Production Correspondence
The CCR Model and Production Correspondence Tim Schöneberg The 19th of September Agenda Introduction Definitions Production Possiblity Set CCR Model and the Dual Problem Input excesses and output shortfalls
LisätiedotJakaumien merkitys biologisissa havaintoaineistoissa: Löytyykö ratkaisu Yleistetyistä Lineaarisista (Seka)Malleista?
1 Hydrobiologian tutkijaseminaari 20.3.2000 Jakaumien merkitys biologisissa havaintoaineistoissa: Löytyykö ratkaisu Yleistetyistä Lineaarisista (Seka)Malleista? Jari Hänninen Turun yliopisto Saaristomeren
LisätiedotCapacity Utilization
Capacity Utilization Tim Schöneberg 28th November Agenda Introduction Fixed and variable input ressources Technical capacity utilization Price based capacity utilization measure Long run and short run
LisätiedotEfficiency change over time
Efficiency change over time Heikki Tikanmäki Optimointiopin seminaari 14.11.2007 Contents Introduction (11.1) Window analysis (11.2) Example, application, analysis Malmquist index (11.3) Dealing with panel
LisätiedotInformation on preparing Presentation
Information on preparing Presentation Seminar on big data management Lecturer: Spring 2017 20.1.2017 1 Agenda Hints and tips on giving a good presentation Watch two videos and discussion 22.1.2017 2 Goals
Lisätiedot1.3Lohkorakenne muodostetaan käyttämällä a) puolipistettä b) aaltosulkeita c) BEGIN ja END lausekkeita d) sisennystä
OULUN YLIOPISTO Tietojenkäsittelytieteiden laitos Johdatus ohjelmointiin 81122P (4 ov.) 30.5.2005 Ohjelmointikieli on Java. Tentissä saa olla materiaali mukana. Tenttitulokset julkaistaan aikaisintaan
LisätiedotTimo Hurme Maa- ja elintarviketalouden tutkimuskeskus MTT
Timo Hurme Maa- ja elintarviketalouden tutkimuskeskus MTT Sisältö Johdantoa aiheeseen esimerkein SAS-grafiikan uusi ja vanha tapa Tavat käyttää uutta ODS Grafiikkaa, esimerkein Taustaa Perinteinen tapa
LisätiedotAlternative DEA Models
Mat-2.4142 Alternative DEA Models 19.9.2007 Table of Contents Banker-Charnes-Cooper Model Additive Model Example Data Home assignment BCC Model (Banker-Charnes-Cooper) production frontiers spanned by convex
LisätiedotGraph. COMPUTE x=rv.normal(0,0.04). COMPUTE y=rv.normal(0,0.04). execute.
COMPUTE x=rv.ormal(0,0.04). COMPUTE y=rv.ormal(0,0.04). execute. compute hplib_man_r = hplib_man + x. compute arvokons_man_r = arvokons_man + y. GRAPH /SCATTERPLOT(BIVAR)=hplib_man_r WITH arvokons_man_r
LisätiedotFinFamily PostgreSQL installation ( ) FinFamily PostgreSQL
FinFamily PostgreSQL 1 Sisällys / Contents FinFamily PostgreSQL... 1 1. Asenna PostgreSQL tietokanta / Install PostgreSQL database... 3 1.1. PostgreSQL tietokannasta / About the PostgreSQL database...
LisätiedotKONEISTUSKOKOONPANON TEKEMINEN NX10-YMPÄRISTÖSSÄ
KONEISTUSKOKOONPANON TEKEMINEN NX10-YMPÄRISTÖSSÄ https://community.plm.automation.siemens.com/t5/tech-tips- Knowledge-Base-NX/How-to-simulate-any-G-code-file-in-NX- CAM/ta-p/3340 Koneistusympäristön määrittely
LisätiedotChoose Finland-Helsinki Valitse Finland-Helsinki
Write down the Temporary Application ID. If you do not manage to complete the form you can continue where you stopped with this ID no. Muista Temporary Application ID. Jos et onnistu täyttää lomake loppuun
LisätiedotDATA-vaiheen ohjelmoijan yleissivistys helposti unohtuvia asioita
Markku Suni Factotum emeritus Turun ammattikorkeakoulu DATA-vaiheen ohjelmoijan yleissivistys helposti unohtuvia asioita Aivan ensimmäiseksi haluan kiittää kuulijoita kuuntelusta Kuten tunnettu poliitikko
LisätiedotReturns to Scale II. S ysteemianalyysin. Laboratorio. Esitelmä 8 Timo Salminen. Teknillinen korkeakoulu
Returns to Scale II Contents Most Productive Scale Size Further Considerations Relaxation of the Convexity Condition Useful Reminder Theorem 5.5 A DMU found to be efficient with a CCR model will also be
LisätiedotOn instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)
On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31) Juha Kahkonen Click here if your download doesn"t start automatically On instrument costs
LisätiedotI. Principles of Pointer Year Analysis
I. Principles of Pointer Year Analysis Fig 1. Maximum (red) and minimum (blue) pointer years. 1 Fig 2. Principle of pointer year calculation. Fig 3. Skeleton plot graph created by Kinsys/Kigraph programme.
LisätiedotC++11 seminaari, kevät Johannes Koskinen
C++11 seminaari, kevät 2012 Johannes Koskinen Sisältö Mikä onkaan ongelma? Standardidraftin luku 29: Atomiset tyypit Muistimalli Rinnakkaisuus On multicore systems, when a thread writes a value to memory,
LisätiedotOn instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)
On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31) Juha Kahkonen Click here if your download doesn"t start automatically On instrument costs
LisätiedotE80. Data Uncertainty, Data Fitting, Error Propagation. Jan. 23, 2014 Jon Roberts. Experimental Engineering
Lecture 2 Data Uncertainty, Data Fitting, Error Propagation Jan. 23, 2014 Jon Roberts Purpose & Outline Data Uncertainty & Confidence in Measurements Data Fitting - Linear Regression Error Propagation
LisätiedotFrequencies. Frequency Table
GET FILE='C:\Documents and Settings\haukkala\My Documents\kvanti\kvanti_harjo'+ '_label.sav'. DATASET NAME DataSet WINDOW=FRONT. FREQUENCIES VARIABLES=koulv paino /ORDER= ANALYSIS. Frequencies [DataSet]
LisätiedotBounds on non-surjective cellular automata
Bounds on non-surjective cellular automata Jarkko Kari Pascal Vanier Thomas Zeume University of Turku LIF Marseille Universität Hannover 27 august 2009 J. Kari, P. Vanier, T. Zeume (UTU) Bounds on non-surjective
Lisätiedot7. Lohkominen ja sulautus 2 k kokeissa. Lohkominen (Blocking)
7. Lohkominen ja sulautus 2 k kokeissa Lohkominen (Blocking) Lohkotekijät muodostuvat faktoreista, joiden suhteen ei voida tehdä (täydellistä) satunnaistamista. Esimerkiksi faktorikokeessa raaka-aine-erät
Lisätiedot1.3 Lohkorakenne muodostetaan käyttämällä a) puolipistettä b) aaltosulkeita c) BEGIN ja END lausekkeita d) sisennystä
OULUN YLIOPISTO Tietojenkäsittelytieteiden laitos Johdatus ohjelmointiin 811122P (5 op.) 12.12.2005 Ohjelmointikieli on Java. Tentissä saa olla materiaali mukana. Tenttitulokset julkaistaan aikaisintaan
LisätiedotOtanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita
Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita risto.lehtonen@helsinki.fi OHC Survey Tilastollinen analyysi Kysymys: Millä
LisätiedotRuokahalu kasvaa syödessä lisää makrokielen herkkuja
Turun ammattikorkeakoulu Ruokahalu kasvaa syödessä lisää makrokielen herkkuja SAS Makrokieli - kertaus Makrokielen asiat tapahtuvat ohjelmaa käännettäessä makroprosessorin työn tulos näkyy kääntäjälle
LisätiedotATH-aineiston tilastolliset analyysit SPSS/PASW SPSS analyysit / Risto Sippola 1
ATH-aineiston tilastolliset analyysit SPSS/PASW 16.2.2011 SPSS analyysit / Risto Sippola 1 Aineiston avaaminen Aineisto on saatu SPSS-muotoon ja tallennettu koneelle sijaintiin, josta sitä voidaan käyttää
LisätiedotSIMULINK S-funktiot. SIMULINK S-funktiot
S-funktio on ohjelmointikielellä (Matlab, C, Fortran) laadittu oma algoritmi tai dynaamisen järjestelmän kuvaus, jota voidaan käyttää Simulink-malleissa kuin mitä tahansa valmista lohkoa. S-funktion rakenne
Lisätiedot812336A C++ -kielen perusteet, 21.8.2010
812336A C++ -kielen perusteet, 21.8.2010 1. Vastaa lyhyesti seuraaviin kysymyksiin (1p kaikista): a) Mitä tarkoittaa funktion ylikuormittaminen (overloading)? b) Mitä tarkoittaa jäsenfunktion ylimääritys
LisätiedotSPSS ohje. Metropolia Business School/ Pepe Vilpas
1 SPSS ohje Page 1. Perusteita 2 2. Frekvenssijakaumat 3 3. Muuttujan luokittelu 4 4. Kaaviot 5 5. Tunnusluvut 6 6. Tunnuslukujen vertailu ryhmissä 7 9. Ristiintaulukointi ja Chi-testi 8 10. Hajontakaavio
LisätiedotDatavaiheen taikoja - tietäjien perintönä www.turkuamk.fi
Markku Suni Factotum emeritus Turun ammattikorkeakoulu Datavaiheen taikoja - tietäjien perintönä SAS Datavaihe lukee lauseiden SET ja INPUT avulla Datavaihe tulostaa lauseiden OUTPUT ja PUT avulla Vaan
LisätiedotRULLARADAT RULLADAT ROLLER TABLES
ROLLER TABLES Roller tables are an important element in an assembly line, where ergonomics and good workflow must be ensured. The roller tables guarantee that the wheels can be fed forward effortlessly
LisätiedotOther approaches to restrict multipliers
Other approaches to restrict multipliers Heikki Tikanmäki Optimointiopin seminaari 10.10.2007 Contents Short revision (6.2) Another Assurance Region Model (6.3) Cone-Ratio Method (6.4) An Application of
LisätiedotTässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot)
R-ohjelman käyttö data-analyysissä Panu Somervuo 2014 Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. 0) käynnistetään R-ohjelma Huom.1 allaolevissa ohjeissa '>' merkki on R:n
LisätiedotPerhevapaiden palkkavaikutukset
Perhevapaiden palkkavaikutukset Perhe ja ura tasa-arvon haasteena seminaari, Helsinki 20.11.2007 Jenni Kellokumpu Esityksen runko 1. Tutkimuksen tavoite 2. Teoria 3. Aineisto, tutkimusasetelma ja otos
LisätiedotDictionary taulut. Miten perus metadataa käytetään koodillisesti joustavuutta lisäämään
Dictionary taulut Miten perus metadataa käytetään koodillisesti joustavuutta lisäämään Metadata Base SASissa Metadata on käytettävissä jokaisessa SAS istunnossa, oli sitten kyse yksittäiskäyttäjästä omalla
LisätiedotMakrojen mystinen maailma lyhyt oppimäärä
Makrojen mystinen maailma lyhyt oppimäärä Makrot osana SAS-teknologiaa Yleiskuva Jouni Javanainen Aureolis lyhyesti Aureolis on jatkuvia Business Intelligence -palveluita tuottava asiantuntijaorganisaatio
LisätiedotSAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä. Antti Suoperä 16.11.2009
SAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä Antti Suoperä 16.11.2009 SAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä: Matriisi ja vektori laskennan ohjelmisto edellyttää
Lisätiedotproc glm data = ex61; Title2 "Aliasing Structure of the 2_IV^(5-1) design"; model y = A B C D E /Aliasing; run; quit;
Title "Exercises 6"; Data ex61; input A B C D E y @@; Label A = "Furnance Temperature" B = "Heating Time" C = "Transfer Time" D = "Hold Down Time" E = "Quench of Oil Temperature" y = "Free Height of Leaf
Lisätiedot( ( OX2 Perkkiö. Rakennuskanta. Varjostus. 9 x N131 x HH145
OX2 9 x N131 x HH145 Rakennuskanta Asuinrakennus Lomarakennus Liike- tai julkinen rakennus Teollinen rakennus Kirkko tai kirkollinen rak. Muu rakennus Allas Varjostus 1 h/a 8 h/a 20 h/a 0 0,5 1 1,5 2 km
LisätiedotOhjelmoinnin peruskurssien laaja oppimäärä
Ohjelmoinnin peruskurssien laaja oppimäärä Luento 10: Paikalliset muuttujat, kirjan tulkki kokonaisuutena (mm. SICP 3.2, 4.1.24.1.6) Riku Saikkonen 22. 11. 2012 Sisältö 1 Ympäristöt: miten paikalliset
LisätiedotTynnyrivaara, OX2 Tuulivoimahanke. ( Layout 9 x N131 x HH145. Rakennukset Asuinrakennus Lomarakennus 9 x N131 x HH145 Varjostus 1 h/a 8 h/a 20 h/a
, Tuulivoimahanke Layout 9 x N131 x HH145 Rakennukset Asuinrakennus Lomarakennus 9 x N131 x HH145 Varjostus 1 h/a 8 h/a 20 h/a 0 0,5 1 1,5 km 2 SHADOW - Main Result Assumptions for shadow calculations
LisätiedotECVETin soveltuvuus suomalaisiin tutkinnon perusteisiin. Case:Yrittäjyyskurssi matkailualan opiskelijoille englantilaisen opettajan toteuttamana
ECVETin soveltuvuus suomalaisiin tutkinnon perusteisiin Case:Yrittäjyyskurssi matkailualan opiskelijoille englantilaisen opettajan toteuttamana Taustaa KAO mukana FINECVET-hankeessa, jossa pilotoimme ECVETiä
LisätiedotOtanta-aineistojen analyysi
Helsingin yliopisto Otanta-aineistojen analyysi Kevät 2010 Periodi III Risto Lehtonen Teema 4 Asetelmaperusteinen monimuuttujaanalyysi Logistinen ANOVA ja GWLS-estimointi Binäärinen tulosmuuttuja Diskreetit
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotT Statistical Natural Language Processing Answers 6 Collocations Version 1.0
T-61.5020 Statistical Natural Language Processing Answers 6 Collocations Version 1.0 1. Let s start by calculating the results for pair valkoinen, talo manually: Frequency: Bigrams valkoinen, talo occurred
LisätiedotHyvinvointia työstä. Työterveyslaitos www.ttl.fi
Hyvinvointia työstä Kokemuksia talviliukastumisista tutkimusten valossa Pysy pystyssä - talvijalankulun turvallisuusseminaari 11.1.2012 Mikko Hirvonen 2 Työterveyslaitos on työhyvinvoinnin asiantuntija,
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Calculation: N117 x 9 x HH141 Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotMetsälamminkankaan tuulivoimapuiston osayleiskaava
VAALAN KUNTA TUULISAIMAA OY Metsälamminkankaan tuulivoimapuiston osayleiskaava Liite 3. Varjostusmallinnus FCG SUUNNITTELU JA TEKNIIKKA OY 12.5.2015 P25370 SHADOW - Main Result Assumptions for shadow calculations
LisätiedotUusi Ajatus Löytyy Luonnosta 4 (käsikirja) (Finnish Edition)
Uusi Ajatus Löytyy Luonnosta 4 (käsikirja) (Finnish Edition) Esko Jalkanen Click here if your download doesn"t start automatically Uusi Ajatus Löytyy Luonnosta 4 (käsikirja) (Finnish Edition) Esko Jalkanen
LisätiedotNational Building Code of Finland, Part D1, Building Water Supply and Sewerage Systems, Regulations and guidelines 2007
National Building Code of Finland, Part D1, Building Water Supply and Sewerage Systems, Regulations and guidelines 2007 Chapter 2.4 Jukka Räisä 1 WATER PIPES PLACEMENT 2.4.1 Regulation Water pipe and its
LisätiedotOn instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)
On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31) Juha Kahkonen Click here if your download doesn"t start automatically On instrument costs
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.9.269
LisätiedotETELÄESPLANADI 2 00130 HELSINKI
00130 HELSINKI MODERNIA TOIMISTOTILAA Noin VUOKRATAAN Ainutlaatuinen tilaisuus vuokrata huipputason Helsingin näköalapaikalta Toimi pian! Lisätietoja KALLE JASKARA Myyntijohtaja +358 50 324 0404 kalle.jaskara@tkoy.fi
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotWindPRO version joulu 2012 Printed/Page :42 / 1. SHADOW - Main Result
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table 13.6.2013 19:42 / 1 Minimum
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
VE1 SHADOW - Main Result Calculation: 8 x Nordex N131 x HH145m Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please
LisätiedotToppila/Kivistö 10.01.2013 Vastaa kaikkin neljään tehtävään, jotka kukin arvostellaan asteikolla 0-6 pistettä.
..23 Vastaa kaikkin neljään tehtävään, jotka kukin arvostellaan asteikolla -6 pistettä. Tehtävä Ovatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi. (a) Lineaarisen kokonaislukutehtävän
LisätiedotTilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi. Esimerkit laskettu JMP:llä
Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi Esimerkit laskettu JMP:llä Antti Hyttinen Tampereen teknillinen yliopisto 29.12.2003 ii Ohjelmien
LisätiedotValuation of Asian Quanto- Basket Options
Valuation of Asian Quanto- Basket Options (Final Presentation) 21.11.2011 Thesis Instructor and Supervisor: Prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta
LisätiedotLYTH-CONS CONSISTENCY TRANSMITTER
LYTH-CONS CONSISTENCY TRANSMITTER LYTH-INSTRUMENT OY has generate new consistency transmitter with blade-system to meet high technical requirements in Pulp&Paper industries. Insurmountable advantages are
LisätiedotHARJOITUS- PAKETTI A
Logistiikka A35A00310 Tuotantotalouden perusteet HARJOITUS- PAKETTI A (6 pistettä) TUTA 19 Luento 3.Ennustaminen County General 1 piste The number of heart surgeries performed at County General Hospital
LisätiedotLaskennallisesti Älykkäät Järjestelmät. Sumean kmeans ja kmeans algoritmien vertailu
Laskennallisesti Älykkäät Järjestelmät Sumean kmeans ja kmeans algoritmien vertailu Annemari Auvinen (annauvi@st.jyu.fi) Anu Niemi (anniemi@st.jyu.fi) 28.5.2002 1 Tehtävän kuvaus Tehtävänämme oli verrata
Lisätiedot( ,5 1 1,5 2 km
Tuulivoimala Rakennukset Asuinrakennus Liikerak. tai Julkinen rak. Lomarakennus Teollinen rakennus Kirkollinen rakennus Varjostus "real case" h/a 1 h/a 8 h/a 20 h/a 4 5 3 1 2 6 7 8 9 10 0 0,5 1 1,5 2 km
LisätiedotKvanttilaskenta - 2. tehtävät
Kvanttilaskenta -. tehtävät Johannes Verwijnen January 8, 05 edx-tehtävät Vastauksissa on käytetty edx-kurssin materiaalia.. Problem The inner product of + and is. Edelleen false, kts. viikon tehtävä 6..
LisätiedotA250A0050 Ekonometrian perusteet Tentti
A250A0050 Ekonometrian perusteet Tentti 28.9.2016 Tentissä ei saa käyttää laskinta. Tentistä saa max 80 pistettä. Hyväksytysti suoritetusta harjoitustyöstä saa max 20 pistettä. Huom. Merkitse vastauspaperin
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table 22.12.2014 11:33 / 1 Minimum
LisätiedotRotarypiiri 1420 Piiriapurahoista myönnettävät stipendit
Rotarypiiri 1420 Piiriapurahoista myönnettävät stipendit Ø Rotarypiiri myöntää stipendejä sille osoitettujen hakemusten perusteella ensisijaisesti rotaryaatteen mukaisiin tarkoituksiin. Ø Stipendejä myönnetään
LisätiedotTietorakenteet ja algoritmit
Tietorakenteet ja algoritmit Taulukon edut Taulukon haitat Taulukon haittojen välttäminen Dynaamisesti linkattu lista Linkatun listan solmun määrittelytavat Lineaarisen listan toteutus dynaamisesti linkattuna
LisätiedotI. AES Rijndael. Rijndael - Internal Structure
I. AES Rndael NOKIA T-79.53 Additional material Oct 3/KN Rndael - Internal Structure Rndael is an iterated block cipher with variable length block and variable key size. The number of rounds is defined
LisätiedotOtanta-aineistojen analyysi Kevät 2010 TEEMA 5: Tilastollinen mallinnus II Mallit, analyysimenetelmiä ja ohjelmia, PISA-esimerkki
Otanta-aineistojen analyysi Kevät 2010 TEEMA 5: Tilastollinen mallinnus II Mallit, analyysimenetelmiä ja ohjelmia, PISA-esimerkki risto.lehtonen@helsinki.fi Korreloituneiden havaintojen analyysi Lineaariset
LisätiedotKaksitasoiset hierarkiset asetelmat (Two-Stage Nested Designs) 9. Muita koeasetelmia. 9.1 Hierarkiset asetelmat (Nested Designs)
9. Muita koeasetelmia 9.1 Hierarkiset asetelmat (Nested Designs) Tietyissä koetilanteissa yhden faktorin tasot ovat samanlaisia joskaan ei täysin identtisiä toisen faktorin eri tasoilla. Tällaista asetelmaa
LisätiedotKäyttöliittymät II. Käyttöliittymät I Kertaus peruskurssilta. Keskeisin kälikurssilla opittu asia?
Käyttöliittymät II Sari A. Laakso Käyttöliittymät I Kertaus peruskurssilta Keskeisin kälikurssilla opittu asia? 1 Käyttöliittymät II Kurssin sisältö Käli I Käyttötilanteita Käli II Käyttötilanteet selvitetään
LisätiedotTIEKE Verkottaja Service Tools for electronic data interchange utilizers. Heikki Laaksamo
TIEKE Verkottaja Service Tools for electronic data interchange utilizers Heikki Laaksamo TIEKE Finnish Information Society Development Centre (TIEKE Tietoyhteiskunnan kehittämiskeskus ry) TIEKE is a neutral,
Lisätiedot19. Statistical Approaches to. Data Variations Tuomas Koivunen S ysteemianalyysin. Laboratorio. Optimointiopin seminaari - Syksy 2007
19. Statistical Approaches to Data Variations Tuomas Koivunen 24.10.2007 Contents 1. Production Function 2. Stochastic Frontier Regressions 3. Example: Study of Texas Schools 4. Example Continued: Simulation
LisätiedotUse of spatial data in the new production environment and in a data warehouse
Use of spatial data in the new production environment and in a data warehouse Nordic Forum for Geostatistics 2007 Session 3, GI infrastructure and use of spatial database Statistics Finland, Population
LisätiedotDigitally signed by Hans Vadbäck DN: cn=hans Vadbäck, o, ou=fcg Suunnittelu ja Tekniikka Oy, email=hans.vadback@fcg.fi, c=fi Date: 2016.12.20 15:45:35 +02'00' Jakob Kjellman Digitally signed by Jakob Kjellman
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table 5.11.2013 16:44 / 1 Minimum
LisätiedotBusiness Opening. Arvoisa Herra Presidentti Very formal, recipient has a special title that must be used in place of their name
- Opening Finnish Norwegian Arvoisa Herra Presidentti Very formal, recipient has a special title that must be used in place of their name Hyvä Herra, Formal, male recipient, name unknown Hyvä Rouva Formal,
Lisätiedot7.4 Variability management
7.4 Variability management time... space software product-line should support variability in space (different products) support variability in time (maintenance, evolution) 1 Product variation Product
LisätiedotInfrastruktuurin asemoituminen kansalliseen ja kansainväliseen kenttään Outi Ala-Honkola Tiedeasiantuntija
Infrastruktuurin asemoituminen kansalliseen ja kansainväliseen kenttään Outi Ala-Honkola Tiedeasiantuntija 1 Asemoitumisen kuvaus Hakemukset parantuneet viime vuodesta, mutta paneeli toivoi edelleen asemoitumisen
LisätiedotInformation on Finnish Language Courses Spring Semester 2018 Päivi Paukku & Jenni Laine Centre for Language and Communication Studies
Information on Finnish Language Courses Spring Semester 2018 Päivi Paukku & Jenni Laine 4.1.2018 Centre for Language and Communication Studies Puhutko suomea? -Hei! -Hei hei! -Moi! -Moi moi! -Terve! -Terve
LisätiedotSAS ja R yhteiskäyttö
Maria Valaste Kela & Helsingin yliopisto 24.5.2012 SAS Technical Club Sisällys 1 2 3 Tunnuslukuja (R) Hierarkkinen ryhmittely Kuva 4 Aineiston luominen Moni-imputointi R:ssä Tulosten yhdistäminen institution-logo-filen
LisätiedotNaisnäkökulma sijoittamiseen. 24.3.2007 Vesa Puttonen
Naisnäkökulma sijoittamiseen 24.3.2007 Vesa Puttonen Miten sukupuolella voi olla mitään tekemistä sijoittamisen kanssa??? Naiset elävät (keskimäärin) pidempään kuin miehet Naiset saavat (keskimäärin) vähemmän
Lisätiedot2017/S Contract notice. Supplies
Supplies 153936 2017 25/04/2017 S80 - - Supplies - Contract notice - Open procedure I. II. III. IV. VI. -: Medical equipments, pharmaceuticals and personal care products 2017/S 080-153936 Contract notice
LisätiedotNetwork to Get Work. Tehtäviä opiskelijoille Assignments for students. www.laurea.fi
Network to Get Work Tehtäviä opiskelijoille Assignments for students www.laurea.fi Ohje henkilöstölle Instructions for Staff Seuraavassa on esitetty joukko tehtäviä, joista voit valita opiskelijaryhmällesi
LisätiedotStatistical design. Tuomas Selander
Statistical design Tuomas Selander 28.8.2014 Introduction Biostatistician Work area KYS-erva KYS, Jyväskylä, Joensuu, Mikkeli, Savonlinna Work tasks Statistical methods, selection and quiding Data analysis
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
Lisätiedotmake and make and make ThinkMath 2017
Adding quantities Lukumäärienup yhdistäminen. Laske yhteensä?. Countkuinka howmonta manypalloja ballson there are altogether. and ja make and make and ja make on and ja make ThinkMath 7 on ja on on Vaihdannaisuus
LisätiedotMTTTP5, luento Luottamusväli, määritelmä
23.11.2017/1 MTTTP5, luento 23.11.2017 Luottamusväli, määritelmä Olkoot A ja B satunnaisotoksen perusteella määriteltyjä satunnaismuuttujia. Väli (A, B) on parametrin 100(1 - ) %:n luottamusväli, jos P(A
Lisätiedot,0 Yes ,0 120, ,8
SHADOW - Main Result Calculation: Alue 2 ( x 9 x HH120) TuuliSaimaa kaavaluonnos Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered
Lisätiedotanna minun kertoa let me tell you
anna minun kertoa let me tell you anna minun kertoa I OSA 1. Anna minun kertoa sinulle mitä oli. Tiedän että osaan. Kykenen siihen. Teen nyt niin. Minulla on oikeus. Sanani voivat olla puutteellisia mutta
LisätiedotWindPRO version joulu 2012 Printed/Page :47 / 1. SHADOW - Main Result
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotTIETEEN PÄIVÄT OULUSSA 1.-2.9.2015
1 TIETEEN PÄIVÄT OULUSSA 1.-2.9.2015 Oulun Yliopisto / Tieteen päivät 2015 2 TIETEEN PÄIVÄT Järjestetään Oulussa osana yliopiston avajaisviikon ohjelmaa Tieteen päivät järjestetään saman konseptin mukaisesti
Lisätiedot