JHS 160 Paikkatiedon laadunhallinta Liite II: Laatumittarit. Sisällysluettelo. 1. Johdanto Liite B... 3 B.1 Laatumittareiden rakenne...

Koko: px
Aloita esitys sivulta:

Download "JHS 160 Paikkatiedon laadunhallinta Liite II: Laatumittarit. Sisällysluettelo. 1. Johdanto... 2. Liite B... 3 B.1 Laatumittareiden rakenne..."

Transkriptio

1 JHS 60 Paikkatiedon laadunhallinta Liite II: Laaturit Sisällsluettelo. Johdanto... Liite B... 3 B. Laatureiden rakenne... 3 Liite C... 4 C. Laadun perusreiden tarkoitus... 4 C. Lukumäärään perustuvat laadun perusrit... 4 C.3 Epävarmuuden tilastolliseen mallintamiseen perustuvat laadun perusrit... 4 C.3. Yksiulotteisen satunnaismuuttujan Z ri... 5 C.3.3 Kaksiulotteisen satunnaismuuttujan X,Y ri... 6 C.3.4 Kolmiulotteisen satunnaismuuttujan X, Y, Z ri... 7 Liite D... 8 D. Tädellisden rit... 8 D.. Yleistä... 8 D.. Ylimääräinen tieto... 8 D..3 Puuttuva tieto... 9 D. Loogisen eheden rit... 9 D.. Käsitteellinen ehes... 9 D.. Arvojoukkoehes... 0 D..3 Formaattiehes... 0 D..4 Topologinen ehes... 0 D.3 Sijaintitarkkuus... D.3. Absoluuttinen tai ulkoinen tarkkuus... D.3.. Yleiset sijaintiepävarmuuden rit... D.3.. Korkeussijaintitarkkuus... 6 D.3..3 Tasosijaintiepävarmuus... 0 D.3. Suhteellinen tai sisäinen tarkkuus... 4 D.3.3 Rasteritiedon sijaintitarkkuus... 7 D.4 Ajallinen tarkkuus... 7 D.4. Ajan uksen tarkkuus... 7 D.4. Ajallinen ehes... 7 D.4.3 Ajanmukaisuus... 7 D.5 Ominaisuustarkkuus... 8 D.5. Luokittelun oikeellisuus... 8 D 5. Ei-kvantitatiivisten ominaisuustietojen oikeellisuus D.5.3 Kvantitatiivisen ominaisuustiedon tarkkuus... 30

2 Liite II (informatiivinen) Laaturit. Johdanto Tämä liite perustuu ISO/TS 938 -spesifikaatioon, jossa on esitett paikkatiedon laadun amiseen soveltuvia laatureita. Spesifikaatio on tarkoitettu tukemaan paikkatiedon kättäjää hänen vertaillessaan tietoaineistoja. Yhtenäisten ja ksikäsitteisesti mmärrettjen laadun reiden kättö on vertailun edellts. Mittareiden kättö on välttämätöntä mös täsmällisessä laadun raportoinnissa. Spesifikaation tarkoituksena ei ole olla kaikenkattava. Laatureille voidaan perustaa jonkin viranomaisen taholta lläpidett rekisteri, jonne voidaan lisätä sellaisia laatureita, joita spesifikaatio ei sisällä. Spesifikaatio koostuu johdantotekstistä ja neljästä eri liitteestä. Johdantotekstin sisältö, kuten käsitteet ja määritelmät sekä laatutekijöiden esittel on sisälltett JHStekstin leiseen osaan. Spesifikaation neljästä liitteestä: - Liitteessä A on määritelt menettel sille, kuinka perustettuun rekisteriin voidaan lisätä uusi laaturi. Liitteen sisältö on jätett tämän JHS-suosituksen ulkopuolelle. - Liitteessä B on esitett laaturin kuvaamiseen kätett rakenne. Liitteen B informaatio on esitett mös tässä laaturi-liitteessä. - Liitteessä C kuvataan laadun perusrit ja niihin perustuvat laaturit. Liitteen C informaatio on esitett mös tässä laaturi-liitteessä. - Liitteessä D esitett laaturit kättävät liitteessä C esitettjä laadun perusreita aina kun mahdollista. Esimerkiksi osa sijaintitarkkuuden reista ei kuitenkaan kätä laadun perusreita. Liitteen D informaatio on koottu tiivistetsti tähän laaturi-liitteeseen. Perusteet on esitett tädellisenä. Laatureiden kuvauksia on tiivistett tässä laaturi-liitteessä siten, että kun alkuperäisessä tekstissä rit on kuvattu jokainen omana taulukkonaan, niin tässä kuvauksessa hden laatutekijän rit on koottu samaan taulukkoon. Kuvaukseen on koottu kaikki laaturin rakenteen kuvaamisessa pakolliseksi ja ehdolliseksi määritellt kohdat (ks. laaturin rakenne).

3 Liite B B. Laaturin rakenne Laaturit kuvaillaan alla olevan taulukon mukaisella rakenteella. Komponentti Kuvaus Pakollisuudet Mittarin nimi Laaturin nimi Pakollinen Alias Mitattava laatutekijä Mitattavan laatutekijän osatekijä Laadun perusri Määritelmä Kuvaus Parametri Tietotppi Rakenne Viitetiedot - Laaturi ID Laaturin jokin muu leisesi kätett nimi tai nimet. Alias voi olla mös lhenne. Mitattava laatutekijä, jolle ko. laaturia sovelletaan Mitattavan laatutekijän osatekijä, jolle laaturia sovelletaan Laadun perusri, josta laaturi on johdettu Laaturin tekstimuotoinen määritelmä Laadun rin laskukaavat selitksineen Mahdolliset apumuuttujat (nimi, määritelmä ja kuvaus) Laaturilla saatavan laatutuloksen tietotppi, kuten totuusarvo, reaaliluku, kokonaisluku, suhdeluku, prosenttiluku tai. Mitta koostuu lukuarvosta ja ksiköstä (esim. 5 m). Laatutulos voi koostua useasta arvosta, jolloin tulos ei ole ksittäinen arvo. Laatutuloksen rakenne voi olla mm. joukko (set), sarja (sequence), taulukko tai matriisi. Sen lähteen viitetiedot, missä laaturi on määritelt Laaturin ksiselitteisesti identifioiva tunniste (oltava kokonaisluku) Vapaaehtoinen Pakollinen Pakollinen Ehdollinen, ilmoitettava jos laaturi on johdettu perusrista Pakollinen Ehdollinen, ilmoitettava jos tekstimuotoisessa määritelmässä laskentatapaa ei voida riittävän ksiselitteisesti ilmaista Ehdollinen, ilmoitettava jos laaturi kättää jotain annettua parametria Pakollinen Vapaaehtoinen Ehdollinen, ilmoitettava jos ulkoinen lähde on tiedossa Ehdollinen, ilmoitettava jos laaturi on rekisterissä 3

4 Liite C C. Laadun perusreiden tarkoitus Laadun perusri-käsite on luotu standardissa toiston välttämiseksi. Samaa perusria, kuten esimerkiksi virheellisten, voidaan kättää usean eri laadun osatekijän amiseen. Laadun perusrit jaetaan kahteen rhmään: virheellisten tai oikeellisten ksilöiden n laskemiseen perustuvat rit ja epävarmuuden tilastolliseen mallinnukseen perustuvat rit. Yksilö tässä tarkoittaa tarkasteltavaa mitattua arvoa, jollekin muuttujalle; esimerkiksi ksi etäisdenushavainto on tässä tarkoitettu ksilö ja etäiss on mitattava suure/muuttuja. C. Lukumäärään perustuvat laadun perusrit Taulukossa C. on esitett virheellisten tai oikeellisten ksilöiden än perustuvien laadun perusreiden tpit. Jokaisesta perusrista on esitett määritelmä, esimerkki ja perusrin arvon tietotppi. On huomattava, että määritelmissä esiintvä koko määrä viittaa joko todellisuudessa tai kätetssä referenssiaineistossa esiintvien laatukuvauksen laajuuteen (eli perusjoukkoon) kuuluvien ksilöiden määrään. Taulukko C.. ja oikeellisten ksilöiden än perustuvat laadun perusrit. Perusrin nimi Perusrin määritelmä Esimerkki Tietotppi Virheellissindikaattori Kertoo että ksilö on virheellinen. epätosi Totuusarvo Oikeellisuusindikaattori Kertoo, että ksilö on oikeellinen. tosi Totuusarvo Oikeellisten Virheellisssuhde Oikeellisuussuhde Kertoo tietn tppisten virheellisten ksilöiden n Kertoo oikeellisten ksilöiden (tietntppisestä virheestä vapaiden) ksilöiden n ksilöiden ja koko määrän suhde Oikeellisten ksilöiden ja koko määrän suhde Kokonaisluku 57 Kokonaisluku % : % 57:58 Reaaliluku Prosenttiluku Suhdeluku Reaaliluku Prosenttiluku Suhdeluku C.3 Epävarmuuden tilastolliseen mallintamiseen perustuvat laadun perusrit Mittausmenetelmää kättämällä saadut numeeriset arvot voidaan esittää vain tietllä tarkkuudella. Kun mitattavaa suuretta pidetään satunnaismuuttujana, epävarmuus voidaan määrittää kättäen tilastollisia tunnuslukuja. Epävarmuuden mallinnuksessa oletetaan, että ) epävarmuus on homogeenista, ) havaitut arvot eivät korreloi ja 3) havaitut arvot ovat normaalijakautuneita. 4

5 Z:lle + C.3. Yksiulotteisen satunnaismuuttujan Z ri Esimerkiksi reaaliluvuilla ilmaistavan jatkuvan suureen tapauksessa on mahdotonta antaa todennäköisttä sille, että suureen tiett arvo on oikea. Sen sijaan, voidaan antaa todennäköiss, jolla oikea arvo on tietllä arvovälillä. Tätä väliä kutsutaan luottamusväliksi ja se kuvataan antamalla varmuusprosentti ja välin ma ja min arvot. Tätä varmuusprosenttia P kutsutaan mös merkitsevstasoksi. P(Lower limit true value Upper limit) P Jos keskihajonta tunnetaan, saadaan min ja ma arvot normaalijakauman kvantiileista u. P(BtB u true value BtB u ) P Taulukko C.. ormaalijakauman kvantiileiden ja merkitsevstason välinen suhde. Perusrin LE (linear error keskivirhe) arvo annetaan eri varmuustasoille ja se perustuu keskihajontaan. Varmuusprosentti P Kvantiili, varmuuskerroin Laadun perusri imi Tietotppi P 68.3 % ub68.3 % B u68.3% Z LE68.3 Mitta P 50 % ub50 0,6745 %B u 50 % Z LE50 Mitta P 90 % ub90,645 %B u90 % Z LE90 Mitta P 95 % ub95,960 %B u95 % Z LE95 Mitta P 99 % ub99,576 %B u99 % Z LE99 Mitta P 99.8 % ub %B u99.8% Z LE99.8 Mitta Jos keskihajonta on tuntematon, mutta satunnaismuuttujaa Z mitataan toistuvasti kertaa toisistaan riippumattomilla uksilla, voidaan keskihajonta estimoida havainnoista. Alla olevassa kaavassa Bmi Bon i:s suureelle mitattu arvo. Jos todellinen arvo B Bt tunnetaan, voidaan keskihajonta estimoida seuraavalla kaavalla s Z r i ( mi ) t, r on toistettujen riippumattomien usten, r. Jos todellista arvoa ei tunneta, voidaan se estimoida laskemalla aritmeettinen keskiarvo t mi i. Keskihajonta voidaan laskea kättäen samaa kaavaa, sijoittamalla r -. 5

6 Jos keskihajonta estimoidaan toistettujen usten avulla, saadaan luottamusväli kättämällä Studentin t-jakaumaa parametrilla r. ( t s Z t s ) P P, jossa ( Z ) / s ~ t( r). t Taulukko C.3. Student in t-jakauman kvantiilien ja erilaisten merkitsevstasojen suhde kätettäessä r:n eri arvoja. Varmuusprosentti P Kvantiili kun r 0 Kvantiili Kun r 5 Kvantiili kun r 4 Kvantiili kun r 3 t Kvantiili kun r Kvantiili kun r P 50 % t. t.30 t.344 t.43 t.604 t.44 P 68.3 % t.54 t.657 t.73 t.868 t.03 t P 90 % t.8 t.57 t.776 t 3.8 t t.706 P 95 % t.634 t 3.63 t t 4.77 t 6.05 t 5.45 P 99 % t 3.58 t t t t t 7.3 P 99.8 % t t t 8.60 t.94 t t Taulukko C.4. Laadun perusreita eri varmuusprosenteille P ksidimensioisessa tapauksessa, kun keskihajonta on estimoitu toistetuista uksista. T:n arvot eri r:n arvoille saadaan taulukosta C.3. Todennäköiss P Laadun perusri imi Tietotppi P 50.0 % P 68.3 % P 90.0 % P 95.0 % P 99.0 % P 99.8 % t t 50 % ( r) sz LE50(r) 68.3% ( r) sz LE68.3(r) 90 % ( r) sz LE90(r) 95 % ( r) sz LE95(r) 99 % ( r) sz LE99(r) 99.8% ( r) sz LE99.8(r) t t t t Yksiulotteisten ustulosten laadun perusrit perustuvat kvantiileihin, jotka on esitett taulukoissa C. ja C.4. iiden kummankin tarkoituksena on kuvata epävarmuutta antamalla luottamusvälin lä- ja ala-arvot. Edellä esitettjen tapausten ero luottamusvälin määritksessä on siinä, miten keskihajonta saadaan. Jos keskihajonta tunnetaan apriori, silloin kätetään taulukkoa C.. Jos keskihajonta lasketaan toistetuista uksista, silloin kätetään taulukkoa C.4 ja C.3. C.3.3 Kaksiulotteisen satunnaismuuttujan X,Y ri Yksiulotteinen tapaus voidaan laajentaa kaksidimensioiseksi, tällöin havainnosta saadaan aina kaksi arvoa. Voimassa ovat samat oletukset. Havainnot ovat BmiB and BmiB. Yksidimensioisen tapauksen luottamusväliä vastaa kaksidimensioisessa tapauksessa luottamusalue, joka useimmiten kuvataan mpränä todellisen arvon parhaan estimaatin mpärillä (vrt. virhe-ellipsi). Todennäköiss sille, että todellinen arvo on tämän luottamusalueen sisällä, saadaan laskemalla integraali normaalijakauman kaksiulotteisesta tihesfunktiosta. Ymprää kuvaa sen säde. Tämä säde on kaksidimensioisen satunnaismuuttujan tarkkuuden ri. 6

7 ja P( radius, X, Y ) π X Y ( ) t + ( ) t e ( t ) X radius ( t ) + Y dd Tietille varmuusprosenteille P säde voidaan laskea keskihajonnoista BB BB. Taulukko C.5. Varmuusprosentin P ja luottamusaluetta kuvaavan mprän säteen suhteita. Perusri CE (circular error keskivirhemprä, kaksiulotteinen keskivirhe) on mprän säde laskettuna taulukossa tietille varmuusprosenteille :n ja :n keskihajonnoista. Varmuusprosentti P Laadun perusri imi Tietotppi P 39,4 % P 50 % P 90 % P 95 % P 99.8 % + CE39.4 Mitta,774 + CE50 Mitta,46 + CE90 Mitta, CE95 Mitta 3,5 + CE99.8 Mitta C.3.4 Kolmiulotteisen satunnaismuuttujan X, Y, Z ri Yksiulotteisen satunnaismuuttujan tapaus voidaan laajentaa kolmedimensioiseen tapaukseen, jossa suuretta havaitaan aina kolmella arvolla. Mittauksen arvo annetaan (,, ) arvona. Samat oletukset kuin ksidimensioisessa tapauksessa. Havainnot ovat Bmi,B BmiB and BmiB. Yksidimensioista luottamusväliä vastaa kolmedimensioinen luottamusalue (confidence sphere), joka kuvataan todellisen arvon parhaan estimaatin mpärillä (vrt. virhe-ellipsoidi). Todennäköiss, että todellinen arvo on tietn säteen määräämän pallon sisällä, lasketaan integroimalla normaalijakauman kolmiulotteinen tihesfunktio. Taulukko C.6. Varmuusprosentin P ja sitä vastaavaa luottamusaluetta kuvaavan pallon säteen suhde. Säde laskettuna :n, :n ja Z:n keskihajonnoista. Todennäköiss P Laadun perusri P 50 % 0.5 ( + + ) P 6 % + + P 90 % ( + + ) P 99 %. ( + + ) imi Todennäköinen pallovirhe (SEPspherical error probable) Keskipallovirhe (MRSEmean radial spherical error) 90 % kolmiulotteinen varmuustaso (spherical accurac standard) 99 % kolmiulotteinen varmuustaso (spherical accurac standard) Tietotppi Mitta Mitta Mitta Mitta 7

8 Liite D Laatureiden luettelo Laaturit on listattu laatutekijöittäin. Erikseen on lueteltu rit, jotka soveltuvat: - tädellisden - loogisen eheden - sijaintitarkkuuden - ajallisen tarkkuuden - ominaisuustarkkuuden amiseen. Alkuperäisessä tekstissä on esitett jokainen ri omana taulukkonaan eritellen snonmit, kuvattavan laadun tekijän ja osatekijät, kätetn perusrin, määritelmät ja tarkemman kuvauksen, parametrit, tietotpin, viittauksen lähdeaineistoon ja kättöesimerkin. Mittarit on tässä suosituksessa koottu tiivistettihin taulukoihin. Taulukot on nimett mitattavan laatutekijän ja mitattavan laatutekijän osatekijän mukaan. Taulukkoon on otettu seuraavat rin rakenteeseen liittvät tiedot: - nimi ja mahdolliset aliakset - kätett perusri (jos ri on johdettu perusrista) - rin määritelmä, kuvaus, parametrit ja tietotppi - mahdollisia lisätietoja kuten lähde tai huomautuksia - tunniste (ID) D. Tädellisden rit D.. Yleistä Laadun kuvailu tulisi suorittaa kättäen tässä liitteessä esitettjä reita. Paikkatiedon laadun luonteesta johtuen luettelo ei voi olla tädellinen. Tilanteissa, joissa joudutaan määrittelemään uusia reita, tulee perustana kättää edellä esitettjä perusreita, liitteessä B esitettä rin rakennetta ja liitteessä A (ei sisäll tähän suositukseen) kuvattua menetteltapaa. D.. Ylimääräinen tieto ID Mittarin nimi/alias Perusri Mittarin määritelmä Tietotppi Ylimääräinen ksilö Virheellissindikaattori Indikaattori, joka ilmaisee että, ksilö on aineistossa virheellisesti totuusarvo Ylimääräisten ksilöiden lkm Sellaisten ksilöiden, joiden ei pitäisi olla aineistossa kokonaisluku 3 Ylimääräisten ksilöiden suhde Virheellisssuhde Ylimääräisten ksilöiden n suhde ksilöiden än, jonka tulisi olla aineistossa reaaliluku, prosenttiluku, suhde 8

9 4 Oikein kerättjen ksilöiden suhde Oikeellisuussuhde Oikein kerättjen ksilöiden n suhde ksilöiden än, joka tulisi olla aineistossa reaaliluku, prosenttiluku, Suhdeluku 5 Kahteen kertaan kerättjen ksilöiden lkm Geometrialtaan kahteen kertaan kerättjen ksilöiden aineistossa Kokonaisluku D..3 Puuttuva tieto ID Mittarin nimi/alias Perusri Mittarin määritelmä Tietotppi 6 Puuttuva ksilö 7 8 Puuttuvien ksilöiden Puuttuvien ksilöiden suhde Virheellissindikaattori Virheellisssuhde Indikaattori, joka ilmaisee, että ksilö puuttuu aineistosta Sellaisten puuttuvien ksilöiden, joiden pitäisi olla aineistossa Puuttuvien ksilöiden n suhde ksilöiden än, jonka pitäisi olla aineistossa Totuusarvo Kokonaisluku reaaliluku, prosenttiluku, Suhdeluku D. Loogisen eheden rit D.. Käsitteellinen ehes ID Mittarin nimi/alias Perusri Mittarin määritelmä Tietotppi 9 Epähdenmukaisuus käsitekaavion kanssa Virheellissindikaattori Indikaattori, joka ilmaisee, että ksilö ei ole hdenmukainen sitä vastaavan käsitekaavion kanssa Totuusarvo 0 Yhdenmukaisuus käsitekaavion kanssa Oikeellisuusindikaattori Indikaattori, joka ilmaisee, että ksilö on hdenmukainen sitä vastaavan käsitekaavion kanssa Totuusarvo Käsitekaavion kanssa epähdenmukaisten ksilöiden määrä Käsitekaavion kanssa epähdenmukaisten ksilöiden tietoaineistossa Kokonaisluku päällekkäissrelaatioiden päällekkäissrelaatioiden tietoaineistossa Kokonaisluku 3 Käsitekaavion sääntöjen kanssa epähdenmukaisten ksilöiden suhde Virheellisssuhde Käsitekaavion kanssa epähdenmukaisten ksilöiden n suhde niiden ksilöiden kokonaisän, joiden tulisi olla tietoaineistossa reaaliluku, prosenttiluku, suhdeluku 4 Käsitekaavion sääntöjen kanssa hdenmukaisten ksilöiden suhde Oikeellisuussuhde Käsitekaavion kanssa hdenmukaisten ksilöiden n suhde niiden ksilöiden kokonaisän, joiden tulisi olla tietoaineistossa reaaliluku, prosenttiluku, suhdeluku 9

10 D.. Arvojoukkoehes ID Mittarin nimi/alias Perusri Mittarin määritelmä Tietotppi 5 Arvoalueepähtenevs Virheellissindikaattori Indikaattori, joka ilmaisee, että tietoksilö ei ole annetulla arvoalueella totuusarvo 6 Arvoaluehtenevs Oikeellisuusindikaattori Indikaattori, joka ilmaisee, että tietoksilö on annetulla arvoalueella totuusarvo 7 Arvoalueepähtenevien ksilöiden lkm Arvoalue-epähtenevien ksilöiden tietoaineistossa kokonaisluku 8 Arvoaluehtenevs Oikeellisten Lukumäärä Arvoalue-htenevien ksilöiden tietoaineistossa kokonaisluku 9 Arvoalueepähtenevssuhde Virheelliss- Suhde Arvoalue-epähtenevien ksilöiden n suhde ksilöiden kokonaisän tietoaineistossa reaaliluku, prosenttiluku, suhdeluku D..3 Formaattiehes ID Mittarin nimi/alias Perusri Mittarin määritelmä Tietotppi 0 Fsisen rakenteen konfliktien lkm Tietoaineiston fsisen rakenteen kanssa konfliktissa tallennettujen ksilöiden aineistossa kokonaisluku Fsisen rakenteen konfliktien suhde Virheellisssuhde Tietoaineiston fsisen rakenteen kanssa konfliktissa tallennettujen ksilöiden n suhde ksilöiden kokonaismäärään aineistossa reaaliluku, prosenttiluku, suhdeluku D..4 Topologinen ehes Topologisen eheden reista huomautetaan, että ne on tarkoitettu toimimaan ksilöiden geometristen esitsten topologisen eheden testaamisessa. e eivät ole tarkoitettu standardin ISO 907 mukaisten topologisia kohteita kättävien topologian eksplisiittisten kuvausten eheden testaukseen. ID Mittarin nimi/alias Perusri Määritelmä Tietotppi pisteviiva hdistävsrelaatioiden määrä/ Asiaankuulumattomat solmut piste-viiva hdistävsrelaatioiden määrä Kokonaisluku Kuvaus/ parametrit Yhdistävsrelaatio on virheellinen, jos tallennettu relaatio ei vastaa todellisuutta 0

11 3 piste-viiva hdistävsrelaatioiden suhde Virheellisssuhde piste-viiva hdistävsrelaatioiden suhde todellisten relaatioiden määrään Reaaliluku, prosenttiluku, suhde Yhdistävsrelaatio on virheellinen, jos tallennettu relaatio ei vastaa todellisuutta 4 Liian lhestä viivasta johtuvien puuttuvien hdistävsrelaatioiden määrä Parametrina annetun hdistämistoleranssin ulkopuolelle jäävien viivojen vuoksi puuttuvien hdistävsrelaatioiden lkm Kokonaisluku Parametrina hakuetäiss (toleranssi) solmutettavan viivan päätesolmusta 5 Liian pitkästä viivasta johtuvien puuttuvien hdistävsrelaatioiden määrä. Parametrina annetun hakusäteen ulkopuolelle jäävien viivojen vuoksi puuttuvien hdistävsrela atioiden lkm Kokonaisluku Parametrina hakusäteen pituus, jolla haetaan leikkaavaa viivaa. 6 kaistaleiden määrä kaistaleiden aineistossa Kokonaisluku Kaistale on merkitksetön reunaviivojen leikkausalue, joka snt, kun esim. kaksi vierekkäistä aluetta digitoidaan epätarkasti. Parametrit: kaistaleen maksimikoko ja leves Lähde: ESRI GIS Data Reviewer 4. User Guide 7 itseäänleikkaavuuksien lkm/ luuppi (loop) Virheellisesti itseään leikkaavien ksilöiden lkm Kokonaisluku 8 itsensä kanssa päällekkäisksien lkm/ taaksepäinpaluu (kickbacks) Virheellisesti itsensä kanssa päällekkäisten ksilöiden lkm Kokonaisluku

12 ebib on D.3 Sijaintitarkkuus D.3. Absoluuttinen tai ulkoinen tarkkuus D.3.. Yleiset sijaintiepävarmuuden rit ID Mittarin nimi/alias Määritelmä Perusri Tietotppi Kuvaus, parametrit, lisätiedot 9 30 Koordinaattierojen keskiarvo D,D,3D (Mean value of positional uncertainties) Koordinaattierojen keskiarvo (ilman outliereitä/karkeita virheitä) ei ole ei ole Pisteille laskettujen koordinaattierojen keskiarvo. Koordinaattierot pisteille on määritelt mitattujen pisteiden ja totena pidettjen pisteiden etäisksinä Mitatuista arvoista poistetaan ensin virhemaksimin littävät koordinaattierot. Lasketaan jäljelle jääneistä koordinaattierojen keskiarvo Mitta Mitta Joukolle pisteitä (), mitatut koordinaattiarvot ovat Bmi, BBmiB and BmiB riippuen dimensiosta. Vastaavat totena pidett koordinaattiarvot ovat, Bti,B Bti Band BtiB. Virheet lasketaan kaavoilla: e D: i mi ti D: e i ( mi ti) + ( mi ti ) 3D: ei ( mi ti) + ( mi ti) + ( mi ti) Absoluuttinen tai ulkoinen tasokoordinaattierojen keskiarvo lasketaan kaavalla: ē e i i Huom: tämä ri on eri kuin keskihajonta. Joukolle pisteitä (), mitatut koordinaattiarvot ovat Bmi, BBmiB and BmiB riippuen dimensiosta. Pisteet Bti,B Bti Bja BtiB, ovat vastaavat totena pidett arvot. Kaikki määritelln knnsarvon ebmab littävät koordinaattierot poistetaan joukosta. Koordinaattierot lasketaan kaavalla e i,if ei e 0,if ei > e e i ma ma laaturin koordinaattierojen keskiarvo hdessä, kahdessa tai kolmessa dimensiossa. Jäljellejääneelle virheellisten määrälle (BRB), absoluuttisten tasosijaintien koordinaattierojen keskiarvo lasketaan kaavalla.

13 e ecluding outliers R i e i Parametri: hväkstt sijaintiepävarmuudet ebmab 3 Annettua knnsarvoa suurempien koordinaattierojen. Lasketaan mitattujen pisteiden ja totena pidettjen pisteiden avulla pisteiden koordinaattierot. Annettua knnsarvoa Suuremmat koordinaattierot määritellään virheiksi. Lasketaan virheellisten Virheiden Kokonaisluku Virheet lasketaan kättäen edellä annettua koordinaattierojen kaavaa. Virheiksi katsotaan kaikki annettua parametria suuremmat koordinaattierot. Parametri: hväkstt sijaintiepävarmuudet ebmab 3 Annettua knnsarvoa suurempien koordinaattierojen suhde Ei ole Lasketaan totena pidettjen arvojen avulla koordinaattierojen keskiarvo. Annettu parametri määrittää knnsarvon, jota suuremmat koordinaattierot ovat virheellisiä. Lasketaan virheellisten. Lasketaan virheellisten suhde koko määrään. Reaaliluku, prosenttiluku, suhdeluku Virheet lasketaan kättäen edellä annettua koordinaattierojen kaavaa. Virheiksi katsotaan kaikki annettua parametria suuremmat koordinaattierot. Parametri: hväkstt sijaintiepävarmuudet ebmab 3

14 Kovarianssimatriisi leistää varianssin käsitteen hdestä useampaan dimensioon, esimerkiksi skalaariarvoista vektoriarvoihin. () D koordinaatit (esim. korkeustieto) Satunnaisvektori: (B B BnB) Sen kovarianssimatriisi: Σ M n L O L M n n, jossa n n on elementin varianssi, sen neliöjuuri antaa keskihajonnan 33 Kovarianssimatriisi, varianssikovarianssi -matriisi ei ole Smmetrinen neliömatriisi, jossa päädiagonaalilla ovat pisteiden koordinaattiarvojen varianssit ja muissa alkioissa pisteiden väliset kovarianssit. (matriis i). Kahden elementin korrelaatio voidaan laskea ij ρ ij. Jos koordinaatit eivät korreloi diagonaalin ulkopuoliset i j elementit saavat arvon 0. () D koordinaatit Satunnaisvektori: M n Sen kovarianssimatriisi: Σ M n M n L L O L n n M n, 4

15 5 (3) 3D koordinaatit Satunnaisvektori: n n M Sen kovarianssimatriisi: Σ n nn n n n nn n n n n n n n n n n L L M M O M M M L L L, (4) mielivaltainen havainto Satunnaisvektori: b a M Sen kovarianssimatriisi: Σ b b a a b b ba ab a ba a L M O M M L L

16 D.3.. Korkeussijaintitarkkuus Korkeudenukset ovat ksidimensioisia sijaintihavaintoja. Suuretta korkeus voidaa pitää ksidimensioisena satunnaismuuttujana. Korkeusuksien laadun rit perustuvat siis laadun perusriin ksidimensioinen satunnaismuuttuja. ID 34 Mittarin nimi/alias Todennäköinen lineaarinen virhe/ LEP LE50 tai LE50(r) Määritelmä Ylä- ja ala-arvoina annetun luottamusvälin puolikkaan pituus. Todellinen arvo on tällä välillä 50 %. Perusri Tietotppi Mitta Kuvaus, parametrit, lisätietoa Kuvaus: katso C.3. r havaintojen (LEP linear error porbable) 35 Lineaarinen keskivirhe (standard linear error) / SD, Keskihajonta, keskivirhe, LE68.3 tai LE68.3 (r) Ylä- ja ala- arvoina annetun luottamusvälin puolikkaan pituus. Todellinen arvo on tällä välillä 68.3% Mitta Kuvaus: katso C.3 ormaalijakautuneessa aineistossa tarkoittaa hden keskihajonnan (hden sigman) päässä olevien arvojen joukkoa. SD standard deviation 36 Lineaarinen kartan tarkkuus 90 %:n / LMAS 90 % LE90 tai LE90(r) Ma ja min arvoina annetun vaihteluvälin puolikas. Todellinen arvo on tällä välillä 90 %. Mitta Kuvaus: katso C Lineaarinen kartan tarkkuus 95 %:n LE 90 tai LE90(r) Ma ja min arvoina annetun vaihteluvälin Mitta Kuvaus: katso C.3. ormaalijakautuneessa aineistossa 95 % arvoista on kahden keskihajonnan sisällä. 6

17 / LMAS 95 % puolikas. Todellinen arvo on tällä välillä 95 %. 38 Lineaarinen kartan tarkkuus 95 %:n / LMAS 95 % LE 90 tai LE90(r) Sama kuin edellä! Duplikaatti! Mitta Kuvaus: katso C.3. ormaalijakautuneessa aineistossa 95 % arvoista on kahden keskihajonnan sisällä. 39 Lineaarinen kartan tarkkuus 99 %:n / LMAS 99 % LE99 tai LE99(r) Ma ja min arvoina annetun vaihteluvälin puolikas. Todellinen arvo on tällä välillä 99 %. 40 Lähes varma lineaarinen virhe ear certaint linear error 3 LE99.8 tai LE99.8 (r) Ma ja min arvoina annetun vaihteluvälin puolikas. Todellinen arvo on tällä välillä 99.8% 4 Keskineliövirheen neliöjuuri/ neliökeskivirhe/ RMSE Ei ole Keskihajonta, kun todellista arvoa ei estimoida havainnoista vaan se tunnetaan a priori. Todellinen Z :n arvo tunnetaan, se on BtB. Tästä lasketaan havaittujen arvojen ja todellisten arvojen neliöllisten erotusten neliöjuuri, kaavalla ( Zmi t ) i joka on RMSE. 7

18 (RMSE root mean square error) Testattavaa aineistoa (source) ja referenssiaineistoa (control/reference) verrataan seuraavasti:. Lasketaan korkeusdimension absoluuttinen virhe jokaisessa pisteessä: δ V sourcev referencev kaikille i i i i. Lasketaan harhan absoluuttinen arvo: δ V i δ V i 4 Harhaisen korkeustiedon absoluuttinen keskivirhe 90% (ATO)/LMAS ei ole Harhaisen korkeustiedon (sstemaattista virhettä) koordinaattien absoluuttinen korkeustarkkuus ilmaistuna (linear error) keskivirheenä 90 %. 3. Lasketaan testattavan aineiston (source) ja referenssiaineiston mitattujen erojen lineaarinen keskihajonta: M V i i 4. Lasketaan referenssiaineiston lineaarinen keskihajonta: R 5. Lasketaan testattavan aineiston lineaarinen keskihajonta: 6. Lasketaan absoluuttisen keskivirheen ja keskihajonnan suhde: ratio, silloin LMAS V [. 8 + ratio] 7. Jos >. 4 + V M R δv ratio V 8. Jos ratio. 4, laske k vertikaalisen harhan ja korkeuden keskihajonnan suhteesta, kättäen: 3 [ ratio 0.8 ratio ] LMAS V Lähde: ATO STAAG 5 IGEO (EDITIO 6) Maastokarttojen ja ilmailukarttojen 8

19 arviointi sekä digitaalisten maastoaineistojen arviointi. Lähtöaineistoa (source) ja referenssiaineistoa (control/reference) verrataan seuraavasti:. Lasketaan korkeusdimension absoluuttinen virhe jokaisessa pisteessä seuraavasti: δ V sourcev referencev kaikille i i i i. Lasketaan korkeusvirheen keskiarvo: δ V i δ V i 43 Harhaisen korkeustiedon absoluuttinen keskivirhe 90% /ALE ei ole Harhaisen korkeustiedon absoluuttinen vertikaalinen koordinaattien tarkkuus, ilmaistuna keskivirheenä 90 %. V V i i 3. Lasketaan korkeusvirheiden keskihajonta: 4. Lasketaan absoluuttisen virheen keskiarvon ja keskihajonnan suhde: ratio δ V / V 5. Jos ratio >. 4, silloin k Jos ratio. 4, silloin lasketaan k perustuen vertikaalisen harhan ja keskihajonnan suhteeseen kättäen kuutiopolnomin sovitusta taulukkoarvoilla (lähde: Handbook of Tables for Probabilit and Statistics) 3 k ratio ratio ratio ( ) ( ) ( ) 7. Lasketaan LE90 lähtöaineistolle: LE90 δ V + ( k ) source V 8. Lasketaan absoluuttinen LE90: 90 abs LE90 reference LE90 source LE + Parametri: Otoskoko min 30 pistettä; kohdekohtainen otos 0 % populaatiosta. Lähde: Department of Defense, US. 9

20 D.3..3 Tasosijaintiepävarmuus Tasokoordinaatit määritetään kahdessa dimensiossa. Pisteiden sijainnin epävarmuutta voidaan kuvata kättäen D satunnaismuuttujan laadun perusreita, jotka on kuvattu kappaleessa C.3.3. ID 44 Mittarin nimi/alias Keskivirhemprä/ Helmert in pistevirhe/cse CE39.4 Määritelmä Säde, joka määrittää mprän, jonka sisällä todellinen pisteen sijainti on 39.4 % Perusri Tietotppi Kuvaus, parametrit, lisätietoa Katso C.3.3 (CSE circular standard error) 45 Todennäköinen virhemprä/cep CE50 Säde, joka määrittää mprän, jonka sisällä todellinen pisteen sijainti on 50 % Katso C.3.3 (CEP circular error probable) 46 Kartan tarkkuuden virhemprä/cmas CE90 Säde, joka määrittää mprän, jonka sisällä todellinen pisteen sijainti on 90 % Katso C.3.3 (CMAS circular map accurac standard) 47 Virhemprä 95 % / navigointitarkkuus CE95 Säde, joka määrittää mprän, jonka sisällä todellinen pisteen sijainti on 95 % Katso C.3.3 0

21 and tunnetaan. and 48 Lähes varma virhemprä/cce CE99.8 Säde, joka määrittää mprän, jonka sisällä todellinen pisteen sijainti on 99,8% Katso C.3.3 (CCE Circular near certaint error) 49 Tasouksen keskineliövirheen neliöjuuri/rmsep/ keskivirhe ei ole Säde, joka määrittää mprän, jonka sisällä todellinen arvo on annetulla. Mitattavien koordinaattien X:n ja Y:n todelliset arvot BtB tasouksen keskihajonta RMSEP n i n [( ) + ( ) ] mi t mi t BtB Saadaan (RMSEP root mean square error of planimetr) Lähtöaineistoa (source) ja referenssiaineistoa (control/reference) verrataan seuraavasti: 50 Harhaisen datan absoluuttinen virhemprä 90 % /CMAS ei ole Koordinaattien absoluuttinen tasosijaintitarkkuus, ilmaistuna virhempränä 90 %, kun datassa on harhaa. Lasketaan horisontaalidimension absoluuttinen virhe jokaisessa pisteessä XBiB -koordinaateille: δ Xi ( sourcex i referencex i ) and δyi ( sourceyi referenceyi ) jokaiselle i. Lasketaan jokaisen koordinaatin horisontaalinen virheen keskiarvo: δ X δxi and δy δyi 3. Lasketaan testattavan aineiston (source) ja referenssiaineiston mitattujen erojen δxi δx + ( ) i i keskivirhemprä: ( ) ( ) CM δxi δx YBiB 4. Lasketaan referenssiaineiston keskivirhemprä: CR

22 + 5. Lasketaan testattavan aineiston (source) keskivirhemprä: C CM 6. Lasketaan harhaisen aineiston keskivirhemprä 90 % (CMAS): δx + δy CMAS C C CR (CMAS circular map accurac standard) Lähde: ATO STAAG 5 IGEO (EDITIO 6) Lähtöaineiston ja testiaineiston vertaaminen:. Lasketaan horisontaalinen absoluuttinen virhe jokaisessa pisteessä: ( sourcex referencex ) + ( sourcey referencey ) i i i i Hi for i (. Lasketaan horisontaalisen virheen keskiarvo: H µ i H ) 5 Harhaisen datan absoluuttinen keskivirhemprä 90 % / ACE Ei ole Harhaisen datan absoluuttinen koordinaattien tasosijaintitarkkuus, ilmaistuna 90 % keskivirhempränä 3. Lasketaan horisontaalisen virheen keskihajonta: H ( H i µ H ) ( ) 4. Lasketaan virheen keskiarvon absoluuttisen arvon ja keskihajonnan suhde: ratio µ / H 5. Jos ratio >. 4, silloin k. 85 H 6. Jos ratio. 4, silloin laske k perustuen keskiarvon ja keskihajonnan suhteeseen kättäen kuutiopolnomisovitusta ja taulukkoarvoja (lähde: CRC Handbook of Tables for Probabilit and Statistics) 3 k ratio ratio ratio ( ) ( ) ( ) 7. Laske lähtöaineiston CE90: CE90 µ + ( k ) source H H

23 8. Lasketaan absoluuttinen CE90: (ACE absolute circular error) 90 abs CE90 reference CE90 source CE + Annetusta D koordinaattidatan kovarianssimatriisista (laaturi 53) voidaan määrittää virhe-ellipsi sen ominaisarvojen avulla. Yksittäiselle pisteelle k, kovarianssimatriisi on: Σ k k kk kk k, jossa kk kk. 5 Virhe-ellipsi Ei ole d ellipsi, jossa pääakselit indikoivat d pisteen suurimman ja pienimmän virheen suuntaa ja suuruutta. rakenn e: lista(a, b,ϕ) Virhe-ellipsin pääpuoliakselin suunta α (kaavassa virhe, po. ϕα) voidaan laskea kaavoilla: ϕ ja a arctan k + kk k k k + ( ) k k + 4 kk b k + k ( ) k k + 4 kk Parametrit: Minimiotoskoko 30 pistettä. Kohdekohtaisessa otannassa 0 % populaatiosta. 53 Virhe-ellipsi D luottamusalue ei ole D ellipsi, jonka kaksi pääakselia indikoivat D pisteen suurimman ja pienimmän epävarmuuden suuntaa ja rakenn e: lista(a, b,ϕ) Lähde: Department of Defence/US Annetusta kovarianssimatriisista (laaturi 33) voidaan määrittää virhe-ellipsi sen ominaisarvojen perusteella. Yksittäiselle pisteelle k, kovarianssimatriisi on: 3

24 suuruutta Σ k k kk, jossa kk kk. kk k Pääpuoliakselin suunta α (kaavassa virhe, po. α ϕ) voidaan laskea kaavalla: ϕ ja arctan kk k k a b χ α ( ) k k + kk () k + k + 4 () k + ( ) k k + kk χ α k 4 χ α D-luottamusalueen () -jakauman arvot: χ α () P - 95% 5,99 P - 99% 9, Parametri: merkitsevstaso -α D.3. Suhteellinen tai sisäinen tarkkuus Tämä laadun elementin alaelementti kättää samoja laadun reita kuin absoluuttinen tai ulkoinen tarkkuus. Evaluointimenetelmät eroavat. ID Mittarin nimi/alias Perus ri Määritelmä Tietotppi Kuvaus, parametrit, lisätietoa 4

25 kaikille kaikille kaikille kaikille kaikille Department of Defence/US 54 Suhteellinen korkeusvirhe varmuustasolla 90 % / Rel LE90 ei ole Kahden saman tietoaineiston (tai saman kartan) kohteen korkeushavainnon satunnaisten virheiden tarkastelu suhteessa toisiinsa. On funktio kahden korkeushavainnon satunnaisista virheistä suhteessa hteiseen datumiin. Mitatun datan (measured) ja kontrolli (true) aineiston vertailu seuraavasti:. Määritä kaikki mahdolliset pisteparikombinaatiot: Point Pair Combinations m n(n-) /. Laske absoluuttinen korkeusvirhe kaikissa pisteissä: B ZBi Measured HeightBi B True HeightBiB kaikille i n 3. Laske suhteellinen korkeusvirhe kaikissa pisteissä: B ZBrel kj ZBk B- B ZBj k m-, j k+, m 4. Laske suhteellinen vertikaalinen keskihajonta: Z _ rel Σ Z rel m 5. Laske Rel LE konvertoiden sigma 90 % varmuustasoon: Rel LE BZ relb Parametri: n otoskoko Lähde: Department of Defense, US Mitatun datan ja kontrolliaineiston (tosi) vertaaminen: 55 Suhteellinen taso(horisontaali) virhe varmuustasolla 90%/RelCE90 ei ole Kahden kohteen tasosijaintihavainno n satunnaisten virheiden tarkastelu suhteessa toisen saman tietoaineiston /kartan kohteen tasosijaintihavaintoon. Mitta. Määtitä kaikki mahdolliset pisteparikombinaatiot: Point Pair Combinations m n(n-) /. Laske absoluuttiset virheet X ja Y dimensioissa kaikille pisteille: XBi B YBi B Measured XBi B True XBiB Measured YBi B True YBi B i n i n 3. Laske suhteellinen virhe X ja Y dimensiossa kaikille pisteparikombinaatioille: XBrel kj B XBk B- XBj B k m-, j k+, mb YBrel kj B YBk B- YBj B k m-, j k+, m 4. laske suhteellinen keskihajonta kaikille akseleille: 5

26 B X _ rel X rel Σ m Y rel Σ Y _ rel m 5. Laske suhteellinen horisontaalinen keskihajonta: H _ rel X _ rel + Y _ rel 6. Laske RelCE 90 % varmuustasolla: Rel CE90.46 BH rel Parametrit: notoskoko Lähde: Department of Defence/US 6

27 D.3.3 Rasteritiedon sijaintitarkkuus Kätetään tasosijaintitarkkuuden reita D.4 Ajallinen tarkkuus D.4. Ajan uksen tarkkuus Ajan uksia voidaan käsitellä-ulotteisina satunnaismuuttujina. ID 56 Mittarin nimi Ajallinen tarkkuus 68.3 % Perus- Mittari LE68.3 tai LE68.3(r) Määritelmä Puolet lemmän ja alemman arvon määrittämästä luottamusvälistä, jossa todellinen arvo on 68.3 % Tietotppi Kuvaus Katso C Ajallinen tarkkuus 50 % LE50 Puolet lemmän ja alemman arvon määrittämästä luottamusvälistä, jossa todellinen arvo on 50 % Katso C Ajallinen tarkkuus 90 % LE90 Puolet lemmän ja alemman arvon määrittämästä luottamusvälistä, jossa todellinen arvo on 90 % Katso C Ajallinen tarkkuus 95 % LE95 Puolet lemmän ja alemman arvon määrittämästä luottamusvälistä, jossa todellinen arvo on 95 % Katso C Ajallinen tarkkuus 99 % LE99 Puolet lemmän ja alemman arvon määrittämästä luottamusvälistä, jossa todellinen arvo on 99 % Katso C.3. 6 Ajallinen tarkkuus 99.8 % LE99.8 Puolet lemmän ja alemman arvon määrittämästä luottamusvälistä, jossa todellinen arvo on 99.8 % Katso C.3. D.4. Ajallinen ehes Ajallisen eheden amiseen ei ole ria. D.4.3 Ajanmukaisuus Kuten muutkin arvoalueisiin liittvät laaturit (ID 5-9). 7

28 D.5 Temaattinentarkkuus D.5. Luokittelun oikeellisuus Yksilön sijoittaminen tiettn luokkaan on oikein tai väärin. ID 6 Mittarin nimi Virheellisesti luokiteltujen ksilöiden lkm Perus- Mittari lkm Määritelmä Tietotppi Kuvaus, parametrit, lisätietoa Virheellisesti luokiteltujen ksilöiden Kokonaisluku 63 Väärinluokittelusuhde Virheelliss- Suhde Virheellisesti luokiteltujen ksilöiden määrän suhde oletettuun kokonaismäärään Reaaliluku, prosenttiluku, suhdeluku. 64 Väärinluokittelumatriisi Ei ole Matriisi, joka kertoo luokan (i) alkioiden luokittelun luokkaan (i) Kokonaisluku Rakenne: (nn)matriisi eliömatriisi, jossa n saraketta ja n riviä. n on tarkasteltavana olevien luokkien määrä. MCM (i,j) ( # luokan (i) kohteet, luokiteltu luokkaan (j) ) Diagonaalielementit kertovat oikeinluokiteltujen määrän, muut alkiot vastaavasti vääriin luokkiin luokiteltujen määrät. 65 Suhteellinen väärinluokittelumatriisi ei ole Matriisi, joka kertoo luokan (i) alkioiden luokittelun luokkaan (i) jaettuna luokan (i) alkioiden kokonaismäärällä Reaaliluku, prosenttiluku, suhdeluku Rakenne: (nn) matriisi RMCM (i,j) ( # luokan (i)kohteet, luokiteltu luokkkaan (j) ) / ( # ksilöitä luokassa (i)) * 00 % 8

29 Väärinluokittelumatriisin elementeistä MCM(i,j) voidaan laskea kappa-tunnusluku(κ ) 66 Kappatunnusluku ei ole Tunnusluku, joka kuvaa oikeinluokittelun osuutta poistamalla väärinluokittelut reaaliluku κ r i r r r MCM ( i, i) MCM ( i, j) MCM ( j, i) i j j r r r MCM ( i, j) MCM ( j, i) i j j luokiteltujen ksilöiden määrä Parametri: käsiteltävien luokkien 9

30 D 5. Ei-kvantitatiivisten ominaisuustietojen oikeellisuus ID Mittarin nimi Perusri Määritelmä Tietotppi 67 ominaisuusarvojen ominaisuusarvojen Kokonaisluku 68 Oikeellisten ominaisuusarvojen suhde Oikeellisten Oikeellisten ominaisuusarvojen. Reaaliluku, prosenttiluku, Suhdeluku 69 ominaisuusarvojen suhde suhde ominaisuusarvojen suhde ominaisuusarvojen kokonaismäärään Reaaliluku, prosenttiluku, Suhdeluku D.5.3 Kvantitatiivisen ominaisuustiedon tarkkuus ID Mittarin nimi Ominaisuusarvon tarkkuus 68.3 % Ominaisuusarvon tarkkuus 50 % Ominaisuusarvon tarkkuus 90 % Ominaisuusarvon tarkkuus 95 % Ominaisuusarvon tarkkuus 99 % Ominaisuusarvon tarkkuus 99.8 % Perusri LE68.3 tai LE68.3 (r) LE50 tai LE50(r) LE90 tai LE90(r) LE95 tai LE95(r) LE99 tai LE99(r) LE99.8 tai LE99.8 (r) Määritelmä Puolet lä- ja ala-arvon määrittämästä luottamusvälistä, jonka sisällä todellinen arvo on 68.3 % Puolet lä- ja ala-arvon määrittämästä luottamusvälistä, jonka sisällä todellinen arvo on 50 % Puolet lä- ja ala-arvon määrittämästä luottamusvälistä, jonka sisällä todellinen arvo on 90 % Puolet lä- ja ala-arvon määrittämästä luottamusvälistä, jonka sisällä todellinen arvo on 95 % Puolet lä- ja ala-arvon määrittämästä luottamusvälistä, jonka sisällä todellinen arvo on 99 % Puolet lä- ja ala-arvon määrittämästä luottamusvälistä, jonka sisällä todellinen arvo on 99.8 % Tietotppi Kuvaus, parametrit, lisätietoa Katso C.3. Katso C.3. Katso C.3. Katso C.3. Katso C.3. Katso C.3. 30

JHS 160 Paikkatiedon laadunhallinta Liite I: Esimerkkejä mitattavien laatutekijöiden osatekijöiden sovelluskohteista. 1. Johdanto...

JHS 160 Paikkatiedon laadunhallinta Liite I: Esimerkkejä mitattavien laatutekijöiden osatekijöiden sovelluskohteista. 1. Johdanto... JHS 160 Paikkatiedon laadunhallinta Liite I: Esimerkkejä mitattavien laatutekijöiden osatekijöiden sovelluskohteista Sisällysluettelo 1. Johdanto...2 2. Täydellisyys...2 3. Looginen eheys...3 4. Sijaintitarkkuus...5

Lisätiedot

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman

Lisätiedot

Testejä suhdeasteikollisille muuttujille

Testejä suhdeasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman

Lisätiedot

Virhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus.

Virhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus. Virhearviointi Fysiikassa on tärkeää tietää tulosten tarkkuus. Virhelajit A. Tilastolliset virheet= satunnaisvirheet, joita voi arvioida tilastollisin menetelmin B. Systemaattiset virheet = virheet, joita

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat .9. Kaksiulotteiset satunnaismuuttujat MS-A Todennäköisslaskennan ja tilastotieteen peruskurssi Viikko Moniulotteiset satunnaismuuttujat sekä niiden jakaumat ja tunnusluvut; Moniulotteisia jakaumia Usein

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo

Lisätiedot

Estimointi. Vilkkumaa / Kuusinen 1

Estimointi. Vilkkumaa / Kuusinen 1 Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

Moniulotteisia todennäköisyysjakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 2: Otokset, otosjakaumat ja estimointi Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin

Lisätiedot

pitkittäisaineistoissa

pitkittäisaineistoissa Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf

Lisätiedot

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme? TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman

Lisätiedot

Tilastollinen aineisto Luottamusväli

Tilastollinen aineisto Luottamusväli Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden

Lisätiedot

pitkittäisaineistoissa

pitkittäisaineistoissa Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon

Lisätiedot

Luottamusvälit. Normaalijakauma johnkin kohtaan

Luottamusvälit. Normaalijakauma johnkin kohtaan Luottamusvälit Normaalijakauma johnkin kohtaan Perusjoukko ja otanta Jos halutaan tutkia esimerkiksi Suomessa elävien naarashirvien painoa, se voidaan (periaatteessa) tehdä kahdella tavalla: 1. tutkimalla

Lisätiedot

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka

Lisätiedot

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0. 806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy 2012 1. Olkoon (X 1,X 2,...,X 25 ) satunnaisotos normaalijakaumasta N(µ,3 2 ) eli µ

Lisätiedot

Johdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:

Lisätiedot

Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi

Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin

Lisätiedot

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma

Lisätiedot

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme? TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä

Lisätiedot

4.0.2 Kuinka hyvä ennuste on?

4.0.2 Kuinka hyvä ennuste on? Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki

Lisätiedot

Mittaustulosten tilastollinen käsittely

Mittaustulosten tilastollinen käsittely Mittaustulosten tilastollinen käsittely n kertaa toistetun mittauksen tulos lasketaan aritmeettisena keskiarvona n 1 x = x i n i= 1 Mittaustuloksen hajonnasta aiheutuvaa epävarmuutta kuvaa keskiarvon keskivirhe

Lisätiedot

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Tilastollinen testaus. Vilkkumaa / Kuusinen 1 Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää

Lisätiedot

Väliestimointi (jatkoa) Heliövaara 1

Väliestimointi (jatkoa) Heliövaara 1 Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).

Lisätiedot

7. laskuharjoituskierros, vko 10, ratkaisut

7. laskuharjoituskierros, vko 10, ratkaisut 7. laskuharjoituskierros, vko 10, ratkaisut D1. a) Oletetaan, että satunnaismuuttujat X ja Y noudattavat kaksiulotteista normaalijakaumaa parametrein E(X) = 0, E(Y ) = 1, Var(X) = 1, Var(Y ) = 4 ja Cov(X,

Lisätiedot

Ilkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1

Ilkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1 Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Tilastollinen testaus TKK (c) Ilkka Mellin (2007) 1 Tilastolliset testit >> Tilastollinen testaus Tilastolliset hypoteesit Tilastolliset

Lisätiedot

r = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.

r = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit. A. r = 0. n = Tilastollista testausta varten määritetään aluksi hypoteesit. H 0 : Korrelaatiokerroin on nolla. H : Korrelaatiokerroin on nollasta poikkeava. Tarkastetaan oletukset: - Kirjoittavat väittävät

Lisätiedot

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1 Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin

Lisätiedot

Olkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:

Olkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan: Mat-.6 Sovellettu todennäköisslaskenta B Mat-.6 Sovellettu todennäköisslaskenta B / Ratkaisut Aiheet: Moniulotteiset satunnaismuuttujat ja todennäköissjakaumat Moniulotteisia jakaumia Avainsanat: Diskreetti

Lisätiedot

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman

Lisätiedot

Todennäköisyyden ominaisuuksia

Todennäköisyyden ominaisuuksia Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset

Lisätiedot

Otannasta ja mittaamisesta

Otannasta ja mittaamisesta Otannasta ja mittaamisesta Tilastotiede käytännön tutkimuksessa - kurssi, kesä 2001 Reijo Sund Aineistot Kvantitatiivisen tutkimuksen aineistoksi kelpaa periaatteessa kaikki havaintoihin perustuva informaatio,

Lisätiedot

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30. FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa Luentokuulustelujen esimerkkivastauksia Pertti Palo 30. marraskuuta 2012 Saatteeksi Näiden vastausten ei ole tarkoitus olla malleja vaan esimerkkejä.

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 11. lokakuuta 2007 Antti Rasila () TodB 11. lokakuuta 2007 1 / 15 1 Johdantoa tilastotieteeseen Peruskäsitteitä Tilastollisen kuvailun ja päättelyn menetelmiä

Lisätiedot

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016

Lisätiedot

MTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu

MTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu 5.3.2018/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 5.3.2018, osa 1 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2017

Lisätiedot

Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4

Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4 Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4 1. METODOLOGIAN PERUSTEIDEN KERTAUSTA... 6 1.1 KESKEISTEN KÄSITTEIDEN KERTAUSTA... 7 1.2 AIHEESEEN PEREHTYMINEN...

Lisätiedot

pisteet Frekvenssi frekvenssi Yhteensä

pisteet Frekvenssi frekvenssi Yhteensä 806118P JOHDATUS TILASTOTIETEESEEN Loppukoe 15.3.2018 (Jari Päkkilä) 1. Kevään -17 Johdaus tilastotieteeseen -kurssin opiskelijoiden harjoitusaktiivisuudesta saatujen pisteiden frekvenssijakauma: Harjoitus-

Lisätiedot

Tilastotieteen kertaus. Kuusinen/Heliövaara 1

Tilastotieteen kertaus. Kuusinen/Heliövaara 1 Tilastotieteen kertaus Kuusinen/Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla reaalimaailman ilmiöistä voidaan tehdä johtopäätöksiä tilanteissa, joissa

Lisätiedot

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016

Lisätiedot

tilastotieteen kertaus

tilastotieteen kertaus tilastotieteen kertaus Keskiviikon 24.1. harjoitukset pidetään poikkeuksellisesti klo 14-16 luokassa Y228. Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla

Lisätiedot

Otantajakauman käyttö päättelyssä

Otantajakauman käyttö päättelyssä Keskiarvo otatajakauma Toisistaa tietämättä kaksi tutkijaa tutkii samaa ilmiötä, jossa perusjoukko koostuu kuudesta tutkittavasta ja tarkoituksea o laskea keskiarvo A: Kokoaistutkimus B: Otatatutkimus

Lisätiedot

Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo?

Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo? MTTTP5, kevät 2016 15.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen 1. Valitaan 25 alkion satunnaisotos jakaumasta N(µ, 25). Olkoon H 0 : µ = 12. Hylätään H 0, jos otoskeskiarvo

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut

Lisätiedot

Inversio-ongelmien laskennallinen peruskurssi Luento 2

Inversio-ongelmien laskennallinen peruskurssi Luento 2 Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +

Lisätiedot

Toisen asteen käyrät 1/7 Sisältö ESITIEDOT: käyrä, kartio ja lieriö

Toisen asteen käyrät 1/7 Sisältö ESITIEDOT: käyrä, kartio ja lieriö Toisen asteen kärät 1/7 Sisältö ESITIEDOT: kärä, kartio ja lieriö Hakemisto KATSO MYÖS: mprä, toisen asteen pinnat Toisen asteen kärä Toisen asteen käräksi kutsutaan kärää, jonka htälö -ssa on muuttujien

Lisätiedot

Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1

Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (004) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden

Lisätiedot

MTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu

MTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu 10.1.2019/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 10.1.2019 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2018 10.1.2019/2

Lisätiedot

805306A Johdatus monimuuttujamenetelmiin, 5 op

805306A Johdatus monimuuttujamenetelmiin, 5 op monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista

Lisätiedot

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu) 21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.

Lisätiedot

Testit järjestysasteikollisille muuttujille

Testit järjestysasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten

Lisätiedot

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 6. luento Pertti Palo 1.11.2012 Käytännön asioita Harjoitustöiden palautus sittenkin sähköpostilla. PalautusDL:n jälkeen tiistaina netistä löytyy

Lisätiedot

Harjoitus 2: Matlab - Statistical Toolbox

Harjoitus 2: Matlab - Statistical Toolbox Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat

Lisätiedot

riippumattomia ja noudattavat samaa jakaumaa.

riippumattomia ja noudattavat samaa jakaumaa. 12.11.2015/1 MTTTP5, luento 12.11.2015 Luku 4 Satunnaisotos, otossuure ja otosjakauma 4.1. Satunnaisotos X 1, X 2,, X n on satunnaisotos, jos X i :t ovat riippumattomia ja noudattavat samaa jakaumaa. Sanonta

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾. 24.11.2006 1. Oletetaan, että kaksiulotteinen satunnaismuuttuja µ noudattaa kaksiulotteista normaalijakaumaa. Oletetaan lisäksi, että satunnaismuuttujan regressiofunktio satunnaismuuttujan suhteen on ݵ

Lisätiedot

Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2017 Insinöörivalinnan matematiikan koe , Ratkaisut (Sarja A)

Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2017 Insinöörivalinnan matematiikan koe , Ratkaisut (Sarja A) Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 017 Insinöörivalinnan matematiikan koe 30..017, Ratkaisut (Sarja A) 1. a) Lukujen 9, 0, 3 ja x keskiarvo on. Määritä x. (1 p.) b) Mitkä reaaliluvut

Lisätiedot

Harjoitus 7: NCSS - Tilastollinen analyysi

Harjoitus 7: NCSS - Tilastollinen analyysi Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen

Lisätiedot

Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden

Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden 1 KERTAUSTA JA TÄYDENNYSTÄ Luento 30.9.2014 Olkoon satunnaisotos X 1, X 2,, X n normaalijakaumasta N(µ, σ 2 ), tällöin ~ N(µ, σ 2 /n), kaava (6). Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B

Mat Sovellettu todennäköisyyslaskenta B Mat-1.2620 Sovellettu todennäköisslaskenta B 1. välikoe 08.03.2011 / Kibble Kirjoita selvästi jokaiseen koepaperiin seuraavat tiedot: Mat-1.2620 SovTnB 1. vk 08.03.2011 opiskelijanumero + kirjain TEKSTATEN

Lisätiedot

9. laskuharjoituskierros, vko 12-13, ratkaisut

9. laskuharjoituskierros, vko 12-13, ratkaisut 9. laskuharjoituskierros, vko 12-13, ratkaisut D1. Olkoot X i, i = 1, 2,..., n riippumattomia, samaa eksponenttijakaumaa noudattavia satunnaismuuttujia, joiden odotusarvo E(X i = β, toisin sanoen X i :t

Lisätiedot

MTTTP1, luento KERTAUSTA

MTTTP1, luento KERTAUSTA 26.9.2017/1 MTTTP1, luento 26.9.2017 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2017/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen

Lisätiedot

Kemometriasta. Matti Hotokka Fysikaalisen kemian laitos Åbo Akademi Http://www.abo.fi/~mhotokka

Kemometriasta. Matti Hotokka Fysikaalisen kemian laitos Åbo Akademi Http://www.abo.fi/~mhotokka Kemometriasta Matti Hotokka Fysikaalisen kemian laitos Åbo Akademi Http://www.abo.fi/~mhotokka Mistä puhutaan? Määritelmiä Määritys, rinnakkaismääritys Mittaustuloksen luotettavuus Kalibrointi Mittausten

Lisätiedot

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: 4.10.2016/1 MTTTP1, luento 4.10.2016 7.4 Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 4.10.2016/2

Lisätiedot

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas JAKAUMAN MUOTO Vinous, skew (g 1, γ 1 ) Kertoo jakauman symmetrisyydestä Vertailuarvona on nolla, joka vastaa symmetristä jakaumaa (mm. normaalijakauma)

Lisätiedot

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla 16.11.2017/1 MTTTP5, luento 16.11.2017 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla ~,, ~,,. 16.11.2017/2 Esim. Tutkittiin uuden menetelmän käyttökelpoisuutta

Lisätiedot

Tekijä Pitkä matematiikka Suoran pisteitä ovat esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4).

Tekijä Pitkä matematiikka Suoran pisteitä ovat esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4). Tekijä Pitkä matematiikka 4 9.12.2016 212 Suoran pisteitä ovat esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4). Vastaus esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4) 213 Merkitään pistettä

Lisätiedot

Parametrin estimointi ja bootstrap-otanta

Parametrin estimointi ja bootstrap-otanta Parametrin estimointi ja bootstrap-otanta Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Parametrin estimointi ja bootstrap-otanta 1/27 Kevät 2003 Käytännön asioista

Lisätiedot

Menetelmät tietosuojan toteutumisen tukena - käytännön esimerkkejä. Tilastoaineistot tutkijan työvälineenä - mahdollisuudet ja rajat 2.3.

Menetelmät tietosuojan toteutumisen tukena - käytännön esimerkkejä. Tilastoaineistot tutkijan työvälineenä - mahdollisuudet ja rajat 2.3. Menetelmät tietosuojan toteutumisen tukena - käytännön esimerkkejä Tilastoaineistot tutkijan työvälineenä - mahdollisuudet ja rajat 2.3.2009 Tietosuoja - lähtökohdat! Periaatteena on estää yksiköiden suora

Lisätiedot

Regressioanalyysi. Kuusinen/Heliövaara 1

Regressioanalyysi. Kuusinen/Heliövaara 1 Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin

Lisätiedot

Epävarmuuden hallinta bootstrap-menetelmillä

Epävarmuuden hallinta bootstrap-menetelmillä 1/17 Epävarmuuden hallinta bootstrap-menetelmillä Esimerkkinä taloudellinen arviointi Jaakko Nevalainen Tampereen yliopisto Metodifestivaalit 2015 2/17 Sisältö 1 Johdanto 2 Tavanomainen bootstrap Bootstrap-menettelyn

Lisätiedot

Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa?

Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa? 21.3.2019/1 MTTTP1, luento 21.3.2019 7 TILASTOLLISEN PÄÄTTELYN PERUSTEITA Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai

Lisätiedot

2 k -faktorikokeet. Vilkkumaa / Kuusinen 1

2 k -faktorikokeet. Vilkkumaa / Kuusinen 1 2 k -faktorikokeet Vilkkumaa / Kuusinen 1 Motivointi 2 k -faktorikoe on k-suuntaisen varianssianalyysin erikoistapaus, jossa kaikilla tekijöillä on vain kaksi tasoa, matala (-) ja korkea (+). 2 k -faktorikoetta

Lisätiedot

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas TEOREETTISISTA JAKAUMISTA Usein johtopäätösten teko helpottuu huomattavasti, jos tarkasteltavan muuttujan perusjoukon jakauma noudattaa

Lisätiedot

805306A Johdatus monimuuttujamenetelmiin, 5 op

805306A Johdatus monimuuttujamenetelmiin, 5 op monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos K:n lähimmän naapurin menetelmä (K-Nearest neighbours) Tarkastellaan aluksi pientä (n = 9) kurjenmiekka-aineistoa, joka on seuraava:

Lisätiedot

Teema 8: Parametrien estimointi ja luottamusvälit

Teema 8: Parametrien estimointi ja luottamusvälit Teema 8: Parametrien estimointi ja luottamusvälit Todennäköisyyslaskennan perusteet (Teemat 6 ja 7) antavat hyvän pohjan siirtyä kurssin viimeiseen laajempaan kokonaisuuteen, nimittäin tilastolliseen päättelyyn.

Lisätiedot

SAS/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 Antti Suoperä 16.11.2009 SAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä: Matriisi ja vektori laskennan ohjelmisto edellyttää

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 6A Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

edellyttää valintaa takaisinpanolla Aritmeettinen keskiarvo Jos, ½ Ò muodostavat satunnaisotoksen :n jakaumasta niin Otosvarianssi Ë ¾

edellyttää valintaa takaisinpanolla Aritmeettinen keskiarvo Jos, ½ Ò muodostavat satunnaisotoksen :n jakaumasta niin Otosvarianssi Ë ¾ ËØÙ ÓØÓ Ø Mitta-asteikot Nominaali- eli laatueroasteikko Ordinaali- eli järjestysasteikko Intervalli- eli välimatka-asteikko ( nolla mielivaltainen ) Suhdeasteikko ( nolla ei ole mielivaltainen ) Otos

Lisätiedot

Tutkimustiedonhallinnan peruskurssi

Tutkimustiedonhallinnan peruskurssi Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,

Lisätiedot

Regressioanalyysi. Vilkkumaa / Kuusinen 1

Regressioanalyysi. Vilkkumaa / Kuusinen 1 Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen

Lisätiedot

Otoskoko 107 kpl. a) 27 b) 2654

Otoskoko 107 kpl. a) 27 b) 2654 1. Tietyllä koneella valmistettavien tiivisterenkaiden halkaisijan keskihajonnan tiedetään olevan 0.04 tuumaa. Kyseisellä koneella valmistettujen 100 renkaan halkaisijoiden keskiarvo oli 0.60 tuumaa. Määrää

Lisätiedot

Järvi 1 Valkjärvi. Järvi 2 Sysijärvi

Järvi 1 Valkjärvi. Järvi 2 Sysijärvi Tilastotiedettä Tilastotieteessä kerätään tietoja yksittäisistä asioista, ominaisuuksista tai tapahtumista. Näin saatua tietoa käsitellään tilastotieteen menetelmin ja saatuja tuloksia voidaan käyttää

Lisätiedot

Muodonmuutostila hum 30.8.13

Muodonmuutostila hum 30.8.13 Muodonmuutostila Tarkastellaan kuvan 1 kappaletta Ω, jonka pisteet siirtvät ulkoisen kuormituksen johdosta siten, että siirtmien tapahduttua ne muodostavat kappaleen Ω'. Esimerkiksi piste A siirt asemaan

Lisätiedot

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1, Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on

Lisätiedot

MTTTP1, luento KERTAUSTA

MTTTP1, luento KERTAUSTA 25.9.2018/1 MTTTP1, luento 25.9.2018 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen

Lisätiedot

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio 17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla

Lisätiedot

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla 17.11.2016/1 MTTTP5, luento 17.11.2016 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla likimain Jos X ~ Bin(n, p), niin X ~ N(np, np(1 p)), kun n suuri. 17.11.2016/2

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt ja pienimmän neliösumman menetelmä Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi QR ja PNS PNS-ongelma

Lisätiedot

Mittausjärjestelmän kalibrointi ja mittausepävarmuus

Mittausjärjestelmän kalibrointi ja mittausepävarmuus Mittausjärjestelmän kalibrointi ja mittausepävarmuus Kalibrointi kalibroinnin merkitys kansainvälinen ja kansallinen mittanormaalijärjestelmä kalibroinnin määritelmä mittausjärjestelmän kalibrointivaihtoehdot

Lisätiedot

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170 VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 4.6.2013 Ratkaisut ja arvostelu 1.1 Satunnaismuuttuja X noudattaa normaalijakaumaa a) b) c) d) N(170, 10 2 ). Tällöin P (165 < X < 175) on likimain

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

Esim. Pulssi-muuttujan frekvenssijakauma, aineisto luentomoniste liite 4

Esim. Pulssi-muuttujan frekvenssijakauma, aineisto luentomoniste liite 4 18.9.2018/1 MTTTP1, luento 18.9.2018 KERTAUSTA Esim. Pulssi-muuttujan frekvenssijakauma, aineisto luentomoniste liite 4 pyöristetyt todelliset luokka- frekvenssi luokkarajat luokkarajat keskus 42 52 41,5

Lisätiedot

MTTTP5, luento Luottamusväli, määritelmä

MTTTP5, 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

LIITE 1 VIRHEEN ARVIOINNISTA

LIITE 1 VIRHEEN ARVIOINNISTA 1 LIITE 1 VIRHEEN ARVIOINNISTA Mihin tarvitset virheen arviointia? Mittaustulokset ovat aina todellisten luonnonvakioiden ja tutkimuskohdetta kuvaavien suureiden likiarvoja, vaikka mittauslaite olisi miten

Lisätiedot

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Juuri 0 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 9..08 Kertaus K. a) Alapaineiden pienin arvo on ja suurin arvo 74, joten vaihteluväli on [, 74]. b) Alapaineiden keskiarvo on 6676870774

Lisätiedot

TTY Mittausten koekenttä. Käyttö. Sijainti

TTY Mittausten koekenttä. Käyttö. Sijainti TTY Mittausten koekenttä Käyttö Tampereen teknillisen yliopiston mittausten koekenttä sijaitsee Tampereen teknillisen yliopiston välittömässä läheisyydessä. Koekenttä koostuu kuudesta pilaripisteestä (

Lisätiedot