Kemometriasta. Matti Hotokka Fysikaalisen kemian laitos Åbo Akademi

Save this PDF as:
 WORD  PNG  TXT  JPG

Koko: px
Aloita esitys sivulta:

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

Transkriptio

1 Kemometriasta Matti Hotokka Fysikaalisen kemian laitos Åbo Akademi

2 Mistä puhutaan? Määritelmiä Määritys, rinnakkaismääritys Mittaustuloksen luotettavuus Kalibrointi Mittausten suunnittelu Satunnaista! Seulonta Katso myös -> Teaching -> Elementary Statistics.

3 Määritys Yksi määritys liuosten valmistamisesta mittaukseen ja tuloksen laskemiseen.

4 Rinnakkaismääritys Jokainen määritys tulee toistaa useita kertoja alusta pitäen. Mittaustulos: Useiden rinnakkaismääritysten keskiarvo. Näin jokaiselle mittaukselle voidaan antaa luotettavuus. Vertailutulos, tausta, referenssi: Mittaustulos tapauksessa, jossa kaikki olosuhteet ovat nimellisarvossaan.

5 Toisto Toisto: mittausarvon lukeminen uudelleen. Toisto osoittaa kemistin taidon lukea digitaalinäyttöä. Rinnakkaismääritys paljastaa mittauksen kokeelliset virheet.

6 Mittaustuloksen luotettavuus Usean määrityksen keskiarvo (tai mediaani) Luotettavuuden arviointi Keskihajonta Keskiarvon keskivirhe Luotettavuusrajat (konfidenssirajat) Konfidenssirajat Keskivirhe Hajonta <x>

7 Mittauksen kalibrointi Herkkyys Toteamisraja Erotuskyky

8 Kalibrointikäyrä Herkkyys = kulmakerroin Signal, y b 0 x y y = b0 + b1 x y b1 = x Leikkauspiste b 0 voidaan jättää huomiotta, jos mittausta verrataan referenssimittaukseen. Concentration, x

9 Analyyttinen alue Dynaaminen alue: Ne muuttujan x arvot, joilla mittaustulos ei ole satunnainen. Analyyttinen alue: Ne muuttujan x arvot, joilla mittaustulos voidaan lukea tarkasti. Signal, y DL Dynaaminen alue Analyyttinen alue LoD Concentration, x

10 Havaitsemisraja DL=Detection Limit Toteamisraja: (DL=Detection limit) Alhaisin muuttujan x arvo, jolla signaali vielä erottuu kohinasta. Kohina määritetään vertailutuloksen hajonnasta. y b y = y + 3 s x = DL 0 DL B B Määritysraja: (LoD=Limit of Determination) Alhaisin muuttujan x arvo, jolla mittaustulos voidaan määrittää käyttökelpoisella tarkkuudella. DL b 1

11 Näytteenotto Systemaattinen virhe 2000 henkilön puhelinhaastattelu: Syötkö Hesen burgereita? Tulos: 80 % sanoo ehdottomasti en Totuus: 60 % väestöstä käy Hesellä. Mikä meni pieleen? Puhelinhaastattelu aamupäivällä. Kuka on kotona ja vastaa puhelimeen? Eläkeläiset! Sitä osaa väestöstä, joka hiipii salaa Heselle, ei koskaan tavoitettu.

12 Systemaattinen virhe Muuttujan x (vaikkapa konsentraatio) virhe e e = x x = ( x x) + ( x x ) true Random error Satunnaisvaihtelu true Bias x true x x Systemaattinen virhe

13

14 Satunnaisotanta Miksi satunnaistaa Määritykset tulee aina tehdä satunnaisessa järjestyksessä. Response Systemaattinen Todellinen Liukuma Response Satunnainen Todellinen 3 Concentration Concentration

15 Residuaalit Poikkeamat sovituksesta Poikkeamat sovituksesta paljastavat usein systemaatisen virheen. Poikkeama Havainto

16 Satunnainen järjestys Tehtävä: Määritä absorbanssi neljälle eri liuoskonsentraatiolle A, B, C ja D. Menetelmä: Neljän rinnakkaismäärityksen keskiarvo. Numeroi määritykset A 1, A 2, A 3, A 4, B 1, jne.

17 Satunnainen järjestys Ensimmäinen ajo: Valmista liuokset A 1, B 1, C 1 ja D 1, mittaa. Toinen ajo: Valmista liuokset A 2, B 2, C 2, D 2. A 1, B 1, C 1 D 1 A 2, B 2, C 2 D 2 A 3, B 3, C 3 D 3 A 4, B 4, C 4 D 4 Väärin! Systemaattiset virheet eivät löydy.

18 Satunnainen järjestys y A 1, B 1, C 1, D 1 C 2, D 2, A 2, B 2 D 3, A 3, B 3, C 3 B 4, C 4, D 4, A 4 1 A B C D Conc.

19 Satunnainen järjestys Residuaalit Residues A 1, B 1, C 1, D 1 C 2, D 2, A 2, B 2 D 3, A 3, B 3, C 3 B 4, C 4, D 4, A 4 Liukuma! A B C D Conc.

20

21 Huomioitavia muuttujia Säädettävät parametrit Konsentraatio, ph, lämpötila,... Tiedetyt seikat, joihin ei voida vaikuttaa Laitteen ryömiminen,... Tuntemattomat muuttujat, joiden olemassaolo voidaan ennakoida Lähtöaineiden epäpuhtaudet,... Täysin arvaamattomat tekijät

22 Seulonta Mittaustulokseen vaikuttavat monet seikat, joita voidaan säätää: konsentraatio, ph, lämpötila,... Mitkä näistä ovat tärkeitä ja mitkä voidaan jättää huomiotta (mutta pyritään pitämään niin vakioina kuin mahdollista)? Seulonta: Tärkeiksi arvioiduille suureille valitaan kaksi ääriarvoa suuri (merkintä +1) ja pieni (-1).

23 Seulonta Kaikki erilaiset kombinaatiot valmistetaan. Niille kaikille mitataan kokeellinen arvo (absorbanssi). Jokaisesta tehdään tietenkin rinnakkaismäärityksiä kokeellisen tarkkuuden määräämiseksi. Erotusta absorbanssi suurilla (+1) miinus pienillä muuttujan arvoilla (-1) verrataan kokeelliseen mittaustarkkuuteen. Näin nähdään mitkä muuttujat ovat tilastollisesti merkittäviä.

24

25 Jakautuma X

26 Jakautuman paikka Keskiarvo (odotusarvo) x, E(x) Moodi Yleisin arvo Mediaani 1 x = N Puolet havainnoista on alapuolella N i= 1 x i

27 Jakautuman muoto P(X) s X

28 Jakautuman muoto Alue Suurin arvo - pienin arvo Absoluuttinen keskipoikkeama (MAD) 1/N x i -x Neliöllinen keskipoikkeama (MSD) 1/N (x i - x Varianssi s 2 = 1/(N-1) Hajonta s ) 2 (x i - x ) 2

29 Näyte versus kaikki Näyte x, s 2 Arvioita Populaatio, Oikeat 2

30 Kuinka hyvä tulos Näytteen keskiarvo on suureen Kaksi näytettä Kuinka lähellä likiarvo Kaksi eri keskiarvoa :tä näytteen keskiarvo on? X 1 X 3 X X 2 n

31 Keskiarvon keskivirhe Standard error of mean SE σ = N s N SE E[x]

32 ! Konfidenssirajat Todennäköisyys, että sisällä, on 62 % on rajojen E[x ] ± SE 62 % E[x] SE

33 $ "# % & Konfidenssirajat Suurempi todennäköisyys, laveammat rajat " rajojen X ± t SE sisällä 95 %:n todennäköisyydella; t % % riski tuottaa 95 % konfidenssirajat 2.5 % =

34

35 ' Seulontamalleja Kaksitasomallit, 2 k P-fenyleenidiamiinin (PPD) entsymaattinen hapetus spektrofotometrisesti, vakio enstsyymikonsentraatio 13.6 mg L -1 : Faktori Taso T, C ph [PPD], mm

36 2 k -mallit Kombinaatioita on 2 k kappaletta. Se on suuri luku, jos seulottavia muuttujia on useita. Run Coded factor levels T PPD ph Point x 3-1 x 2 +1 x 1 +1

37 Taguchi-malli L4 (2 3 ) Neljä koetta kahdeksan sijasta.

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

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

Mittausepävarmuudesta. Markku Viander Turun yliopisto Lääketieteellinen mikrobiologia ja immunologia 02.11.2007

Mittausepävarmuudesta. Markku Viander Turun yliopisto Lääketieteellinen mikrobiologia ja immunologia 02.11.2007 Mittausepävarmuudesta Markku Viander Turun yliopisto Lääketieteellinen mikrobiologia ja immunologia 02.11.2007 Mittausepävarmuus on testaustulokseen liittyvä arvio, joka ilmoittaa rajat, joiden välissä

Lisätiedot

Mittaustekniikka (3 op)

Mittaustekniikka (3 op) 530143 (3 op) Yleistä Luennoitsija: Ilkka Lassila Ilkka.lassila@helsinki.fi, huone C319 Assistentti: Ville Kananen Ville.kananen@helsinki.fi Luennot: ti 9-10, pe 12-14 sali E207 30.10.-14.12.2006 (21 tuntia)

Lisätiedot

Kojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto

Kojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto Kojemeteorologia Sami Haapanala syksy 2013 Fysiikan laitos, Ilmakehätieteiden osasto Mittalaitteiden staattiset ominaisuudet Mittalaitteita kuvaavat tunnusluvut voidaan jakaa kahteen luokkaan Staattisiin

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

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

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

On määritettävä puupalikan ja lattian välinen liukukitkakerroin. Sekuntikello, metrimitta ja puupalikka (tai jääkiekko).

On määritettävä puupalikan ja lattian välinen liukukitkakerroin. Sekuntikello, metrimitta ja puupalikka (tai jääkiekko). TYÖ 5b LIUKUKITKAKERTOIMEN MÄÄRITTÄMINEN Tehtävä Välineet Taustatietoja On määritettävä puupalikan ja lattian välinen liukukitkakerroin Sekuntikello, metrimitta ja puupalikka (tai jääkiekko) Kitkavoima

Lisätiedot

Kemiallisten menetelmien validointi ja mittausepävarmuus Leena Saari Kemian ja toksikologian tutkimusyksikkö

Kemiallisten menetelmien validointi ja mittausepävarmuus Leena Saari Kemian ja toksikologian tutkimusyksikkö Kemiallisten menetelmien validointi ja mittausepävarmuus Leena Saari Kemian ja toksikologian tutkimusyksikkö Validointi Validoinnilla varmistetaan että menetelmä sopii käyttötarkoitukseen ja täyttää sille

Lisätiedot

Teemu Näykki ENVICAL SYKE

Teemu Näykki ENVICAL SYKE Talousveden kemiallisten määritysmenetelmien oikeellisuus, täsmällisyys, toteamisraja vaatimukset ja vinkkejä laskemiseen Teemu Näykki ENVICAL SYKE AJANKOHTAISTA LABORATORIORINTAMALLA 2.10.2014 Sosiaali-

Lisätiedot

t osatekijät vaikuttavat merkittävästi tuloksen epävarmuuteen Mittaustulosten ilmoittamiseen tulee kiinnittää kriittistä

t osatekijät vaikuttavat merkittävästi tuloksen epävarmuuteen Mittaustulosten ilmoittamiseen tulee kiinnittää kriittistä Mittausepävarmuuden määrittäminen 1 Mittausepävarmuus on testaustulokseen liittyvä arvio, joka ilmoittaa rajat, joiden välissä on todellinen arvo tietyllä todennäköisyydellä Kokonaisepävarmuusarvioinnissa

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

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

Taajuusmittauskilpailu Hertsien herruus 2008. Mittausraportti

Taajuusmittauskilpailu Hertsien herruus 2008. Mittausraportti Taajuusmittauskilpailu Hertsien herruus 2008 1. MITTAUSJÄRJESTELMÄ Mittausraportti Petri Kotilainen OH3MCK Mittausjärjestelmän lohkokaavio on kuvattu alla. Vastaanottoon käytettiin magneettisilmukkaantennia

Lisätiedot

Havaitsevan tähtitieteen peruskurssi I

Havaitsevan tähtitieteen peruskurssi I Havaintokohteita 9. Polarimetria Lauri Jetsu Fysiikan laitos Helsingin yliopisto Havaintokohteita Polarimetria Havaintokohteita (kuvat: @phys.org/news, @annesastronomynews.com) Yleiskuvaus: Polarisaatio

Lisätiedot

TASAVIRTAPIIRI - VASTAUSLOMAKE

TASAVIRTAPIIRI - VASTAUSLOMAKE TASAVIRTAPIIRI - VASTAUSLOMAKE Ryhmä Tekijä 1 Pari Tekijä 2 Päiväys Assistentti Täytä mittauslomake lyijykynällä. Muista erityisesti virhearviot ja suureiden yksiköt! 4 Esitehtävät 1. Mitä tarkoitetaan

Lisätiedot

LIITE 1 VIRHEEN ARVIOINNISTA

LIITE 1 VIRHEEN ARVIOINNISTA 1 Mihin tarvitset virheen arviointia? Mittaustuloksiin sisältyy aina virhettä, vaikka mittauslaite olisi miten uudenaikainen tai kallis tahansa ja mittaaja olisi alansa huippututkija Tästä johtuen mittaustuloksista

Lisätiedot

Keskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)

Keskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6) Mat-.3 Koesuunnittelu ja tilastolliset mallit kevät Keskipisteen lisääminen k -faktorikokeeseen (ks. Montgomery 9-6) Esim (Montg. ex. 9-, 6-): Tutkitaan kemiallisen prosessin saannon Y riippuvuutta faktoreista

Lisätiedot

Kojemeteorologia (53695) Laskuharjoitus 1

Kojemeteorologia (53695) Laskuharjoitus 1 Kojemeteorologia (53695) Laskuharjoitus 1 Risto Taipale 20.9.2013 1 Tehtävä 1 Erään lämpömittarin vertailu kalibrointistandardiin antoi keskimääräiseksi eroksi standardista 0,98 C ja eron keskihajonnaksi

Lisätiedot

Johdatus tilastotieteeseen

Johdatus tilastotieteeseen Johdatus tilastotieteeseen Jari Päkkilä Kevätlukukausi 2017 Matemaattisten tieteiden laitos Esimerkki mittauksen luotettavuudesta Viime viikon mittausharjoituksessa pelattiin mm. kunnat kartalle -peliä

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

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

1.1 Tyhjiön permittiivisyyden mittaaminen tasokondensaattorilla

1.1 Tyhjiön permittiivisyyden mittaaminen tasokondensaattorilla PERMITTIIVISYYS Johdanto Tarkastellaan tasokondensaattoria, joka koostuu kahdesta yhdensuuntaisesta metallilevystä. Siirretään varausta levystä toiseen, jolloin levyissä on varaukset +Q ja Q ja levyjen

Lisätiedot

PERMITTIIVISYYS. 1 Johdanto. 1.1 Tyhjiön permittiivisyyden mittaaminen tasokondensaattorilla . (1) , (2) (3) . (4) Permittiivisyys

PERMITTIIVISYYS. 1 Johdanto. 1.1 Tyhjiön permittiivisyyden mittaaminen tasokondensaattorilla . (1) , (2) (3) . (4) Permittiivisyys PERMITTIIVISYYS 1 Johdanto Tarkastellaan tasokondensaattoria, joka koostuu kahdesta yhdensuuntaisesta metallilevystä Siirretään varausta levystä toiseen, jolloin levyissä on varaukset ja ja levyjen välillä

Lisätiedot

Aki Taanila AIKASARJAENNUSTAMINEN

Aki Taanila AIKASARJAENNUSTAMINEN Aki Taanila AIKASARJAENNUSTAMINEN 26.4.2011 SISÄLLYS JOHDANTO... 1 1 AIKASARJA ILMAN SYSTEMAATTISTA VAIHTELUA... 2 1.1 Liukuvan keskiarvon menetelmä... 2 1.2 Eksponentiaalinen tasoitus... 3 2 AIKASARJASSA

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

Talousveden kemiallisten määritysmenetelmien oikeellisuus, täsmällisyys ja toteamisraja - vaatimukset STMa 461/2000

Talousveden kemiallisten määritysmenetelmien oikeellisuus, täsmällisyys ja toteamisraja - vaatimukset STMa 461/2000 Talousveden kemiallisten määritysmenetelmien oikeellisuus, täsmällisyys ja toteamisraja - vaatimukset STMa 461/2000 Ylitarkastaja Heli Laasonen, FT Sosiaali- ja terveysalan lupa- ja valvontavirasto, Valvira

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

Vinkkejä opettajille ja odotetut tulokset SIVU 1

Vinkkejä opettajille ja odotetut tulokset SIVU 1 Vinkkejä opettajille ja odotetut tulokset SIVU 1 Konteksti palautetaan oppilaiden mieliin käymällä Osan 1 johdanto uudelleen läpi. Kysymysten 1 ja 2 tarkoituksena on arvioida ovatko oppilaat ymmärtäneet

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

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

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een 031021P Tilastomatematiikka (5 op) kertausta 2. vk:een Jukka Kemppainen Mathematics Division 2. välikokeeseen Toinen välikoe on la 5.4.2014 klo. 9.00-12.00 saleissa L1,L3 Koealue: luentojen luvut 7-11

Lisätiedot

Metsämuuronen: Tilastollisen kuvauksen perusteet ESIPUHE... 4 SISÄLLYSLUETTELO... 6 1. METODOLOGIAN PERUSTEIDEN KERTAUSTA... 8 2. AINEISTO...

Metsämuuronen: Tilastollisen kuvauksen perusteet ESIPUHE... 4 SISÄLLYSLUETTELO... 6 1. METODOLOGIAN PERUSTEIDEN KERTAUSTA... 8 2. AINEISTO... Sisällysluettelo ESIPUHE... 4 ALKUSANAT E-KIRJA VERSIOON... SISÄLLYSLUETTELO... 6 1. METODOLOGIAN PERUSTEIDEN KERTAUSTA... 8 1.1 KESKEISTEN KÄSITTEIDEN KERTAUSTA...9 1.2 AIHEESEEN PEREHTYMINEN...9 1.3

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

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

7. Lohkominen ja sulautus 2 k kokeissa. Lohkominen (Blocking)

7. 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

Lisätiedot

ASUINKERROSTALON ÄÄNITEKNISEN LAADUN ARVIOINTI. Mikko Kylliäinen

ASUINKERROSTALON ÄÄNITEKNISEN LAADUN ARVIOINTI. Mikko Kylliäinen ASUINKERROSTALON ÄÄNITEKNISEN LAADUN ARVIOINTI Mikko Kylliäinen Insinööritoimisto Heikki Helimäki Oy Dagmarinkatu 8 B 18, 00100 Helsinki kylliainen@kotiposti.net 1 JOHDANTO Suomen rakentamismääräyskokoelman

Lisätiedot

Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot)

Tässä 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

Lisätiedot

7.4 Fotometria CCD kameralla

7.4 Fotometria CCD kameralla 7.4 Fotometria CCD kameralla Yleisin CCDn käyttötapa Yleensä CCDn edessä käytetään aina jotain suodatinta, jolloin kuvasta saadaan siistimpi valosaaste UV:n ja IR:n interferenssikuviot ilmakehän dispersion

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

Mittausjärjestelmän kalibrointi ja mittausepävarmuus

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

Lisätiedot

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Frekventistiset vs. bayeslaiset menetelmät Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

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

Aineistokoko ja voima-analyysi

Aineistokoko ja voima-analyysi TUTKIMUSOPAS Aineistokoko ja voima-analyysi Johdanto Aineisto- eli otoskoon arviointi ja tutkimuksen voima-analyysi ovat tilastollisen tutkimuksen suunnittelussa keskeisimpiä asioita. Otoskoon arvioinnilla

Lisätiedot

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen MTTTP5, kevät 2016 4.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen 1. Laitosneuvostoon valitaan 2 professoria, 4 muuta henkilökuntaan kuuluvaa jäsentä sekä 4 opiskelijaa. Laitosneuvostoon

Lisätiedot

Ellei tutkijalla ole käsitystä mittauksensa validiteetista ja reliabiliteetista, ei johtopäätöksillä

Ellei tutkijalla ole käsitystä mittauksensa validiteetista ja reliabiliteetista, ei johtopäätöksillä Lauri Tarkkonen: Validiteetti ja reliabiliteetti 1 Ellei tutkijalla ole käsitystä mittauksensa validiteetista ja reliabiliteetista, ei johtopäätöksillä ole pohjaa. Rakennevaliditeetin estimoiminen 1. Mitattavan

Lisätiedot

Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio

Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio Sisältö Regressioanalyysissä tavoitteena on tutkia yhden tai useamman selittävän muuttujan vaikutusta selitettävään muuttujaan. Sen avulla

Lisätiedot

Kuva 1. Ohmin lain kytkentäkaavio. DC; 0 6 V.

Kuva 1. Ohmin lain kytkentäkaavio. DC; 0 6 V. TYÖ 37. OHMIN LAKI Tehtävä Tutkitaan metallijohtimen päiden välille kytketyn jännitteen ja johtimessa kulkevan sähkövirran välistä riippuvuutta. Todennetaan kokeellisesti Ohmin laki. Välineet Tasajännitelähde

Lisätiedot

Nimi: Muiden ryhmäläisten nimet:

Nimi: Muiden ryhmäläisten nimet: Nimi: Muiden ryhmäläisten nimet: PALKKIANTURI Työssä tutustutaan palkkianturin toimintaan ja havainnollistetaan sen avulla pienten ainepitoisuuksien havainnointia. Työn mittaukset on jaettu kolmeen osaan,

Lisätiedot

LIITE 1 VIRHEEN ARVIOINNISTA

LIITE 1 VIRHEEN ARVIOINNISTA Oulun yliopisto Fysiikan opetuslaboratorio Fysikaalisen kemian laboratorioharjoitukset I 1 Mittaustuloksiin sisältyy aina virhettä, vaikka mittauslaite olisi miten uudenaikainen tai kallis tahansa ja mittaaja

Lisätiedot

Anturit ja Arduino. ELEC-A4010 Sähköpaja Tomi Pulli Signaalinkäsittelyn ja akustiikan laitos Mittaustekniikka

Anturit ja Arduino. ELEC-A4010 Sähköpaja Tomi Pulli Signaalinkäsittelyn ja akustiikan laitos Mittaustekniikka Anturit ja Arduino Tomi Pulli Signaalinkäsittelyn ja akustiikan laitos Mittaustekniikka Anturit ja Arduino Luennon sisältö 1. Taustaa 2. Antureiden ominaisuudet 3. AD-muunnos 4. Antureiden lukeminen Arduinolla

Lisätiedot

ASPIRIININ MÄÄRÄN MITTAUS VALOKUVAAMALLA

ASPIRIININ MÄÄRÄN MITTAUS VALOKUVAAMALLA ASPIRIININ MÄÄRÄN MITTAUS VALOKUVAAMALLA Jaakko Lohenoja 2009 Johdanto Asetyylisalisyylihapon määrä voidaan mitata spektrofotometrisesti hydrolysoimalla asetyylisalisyylihappo salisyylihapoksi ja muodostamalla

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

Tilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit

Tilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit Tilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit s t ja t kahden Sisältö t ja t t ja t kahden kahden t ja t kahden t ja t Tällä luennolla käsitellään epäparametrisia eli

Lisätiedot

Harjoitus 6 -- Ratkaisut

Harjoitus 6 -- Ratkaisut Harjoitus 6 -- Ratkaisut 1 Ei kommenttia. 2 Haetaan data tiedostosta. SetDirectory"homeofysjmattas" SetDirectory "c:documents and settingsmattasdesktopteachingatk2harjoitukseth06" netnfstuhome4ofysjmattas

Lisätiedot

Tilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio

Tilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio Tilastollisen analyysin perusteet Luento 9: lineaarinen lineaarinen Sisältö lineaarinen lineaarinen lineaarinen Lineaarinen Oletetaan, että meillä on n kappaletta (x 1, y 1 ), (x 2, y 2 )..., (x n, y n

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

1. Kaksoissokkokokeen oleellinen piirre on, etteivät lääkkeen antaja ja lääkkeen saaja tiedä, minkä lääkkeen vaikutusta tutkitaan.

1. Kaksoissokkokokeen oleellinen piirre on, etteivät lääkkeen antaja ja lääkkeen saaja tiedä, minkä lääkkeen vaikutusta tutkitaan. TURUN YLIOPISTO VALINTAKOE Yhteiskuntatieteellinen tiedekunta 6.6.2006 Psykologia KYSYMYSLOMAKE Valintakoekirjat: Niemi P. & Keskinen E. (toim.): Taitavan toiminnan psykologia, Psykologian laitos, 2002.

Lisätiedot

Johdanto. I. TARKKUUS Menetelmä

Johdanto. I. TARKKUUS Menetelmä Accu-Chek Aviva -järjestelmän luotettavuus ja tarkkuus Johdanto Järjestelmän tarkkuus on vahvistettu ISO 15197:2003 -standardin mukaisesti. Ulkopuolinen diabetesklinikka toimitti diabeetikoilta otetut

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

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

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

1. Matikan kurssin arvosanat jakautuivat seuraavalla tavalla:

1. Matikan kurssin arvosanat jakautuivat seuraavalla tavalla: MAA6. Loppukoe 8.11.01 Jussi Tyni Valitse kuusi tehtävää Muista merkitä vastauspaperiin oma nimesi ja tee etusivulle pisteytysruudukko. Kaikkiin tehtävien ratkaisuihin välivaiheet näkyviin! 1. Matikan

Lisätiedot

OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi. Luento 3

OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi. Luento 3 OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi Luento 3 Tutkimussuunnitelman rakenne-ehdotus Otsikko 1. Motivaatio/tausta 2. Tutkimusaihe/ -tavoitteet ja kysymykset

Lisätiedot

LÄÄKETEHTAAN UUMENISSA

LÄÄKETEHTAAN UUMENISSA LÄÄKETEHTAAN UUMENISSA KOHDERYHMÄ: Soveltuu lukion KE1- ja KE3-kurssille. KESTO: n. 1h MOTIVAATIO: Työskentelet lääketehtaan laadunvalvontalaboratoriossa. Tuotantolinjalta on juuri valmistunut erä aspiriinivalmistetta.

Lisätiedot

Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit

Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit Sisältö Tilastollisia testejä tehdään jatkuvasti lukemattomilla aloilla. Meitä saattaa kiinnostaa esimerkiksi se, että onko miesten ja

Lisätiedot

Havainto uudesta 125 GeV painavasta hiukkasesta

Havainto uudesta 125 GeV painavasta hiukkasesta Havainto uudesta 125 GeV painavasta hiukkasesta CMS-koe CERN 4. heinäkuuta 2012 Yhteenveto CERNin Large Hadron Collider (LHC) -törmäyttimen Compact Muon Solenoid (CMS) -kokeen tutkijat ovat tänään julkistaneet

Lisätiedot

Kvantitatiiviset tutkimusmenetelmät maantieteessä

Kvantitatiiviset tutkimusmenetelmät maantieteessä Kvantitatiiviset tutkimusmenetelmät maantieteessä Harjoitukset: 2 Muuttujan normaaliuden testaaminen, merkitsevyys tasot ja yhden otoksen testit FT Joni Vainikka, Yliopisto-opettaja, GO218, joni.vainikka@oulu.fi

Lisätiedot

3. a) Mitkä ovat tilastolliset mitta-asteikot? b) Millä tavalla nominaaliasteikollisen muuttujan jakauman voi esittää?

3. a) Mitkä ovat tilastolliset mitta-asteikot? b) Millä tavalla nominaaliasteikollisen muuttujan jakauman voi esittää? Seuraavassa muutamia lisätehtäviä 1. Erään yrityksen satunnaisesti valittujen työntekijöiden poissaolopäivien määrät olivat vuonna 003: 5, 3, 16, 9, 0, 1, 3,, 19, 5, 19, 11,, 0, 4, 6, 1, 15, 4, 0,, 4,

Lisätiedot

FOSFORIPITOISUUS PESUAINEESSA

FOSFORIPITOISUUS PESUAINEESSA FOSFORIPITOISUUS PESUAINEESSA KOHDERYHMÄ: Työ soveltuu yläkouluun kurssille elollinen luonto ja yhteiskunta. Lukiossa työ soveltuu parhaiten kurssille KE4. KESTO: Työ kestää n.1-2h MOTIVAATIO: Vaatteita

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

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1 Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen

Lisätiedot

PUHTAAN ILMANVAIHTOJÄRJESTELMÄN TOTEUTTAMINEN JA SAAVUTETUT

PUHTAAN ILMANVAIHTOJÄRJESTELMÄN TOTEUTTAMINEN JA SAAVUTETUT PUHTAAN ILMANVAIHTOJÄRJESTELMÄN TOTEUTTAMINEN JA SAAVUTETUT TULOKSET Sisäilmastoseminaari 2013 13.3.2013, 3 Messukeskus, Helsinki 21.3.2013 Juha Takkunen, Tarja Andersson TUTKIMUKSEN TAVOITTEET JA TUTKIMUSKOHTEET

Lisätiedot

4. Seuraavaan ristiintaulukkoon on kerätty tehtaassa valmistettujen toimivien ja ei-toimivien leikkijunien lukumäärät eri työvuoroissa:

4. Seuraavaan ristiintaulukkoon on kerätty tehtaassa valmistettujen toimivien ja ei-toimivien leikkijunien lukumäärät eri työvuoroissa: Lisätehtäviä (siis vanhoja tenttikysymyksiä) 1. Erään yrityksen satunnaisesti valittujen työntekijöiden poissaolopäivien määrät olivat vuonna 003: 5, 3, 16, 9, 0, 1, 3,, 19, 5, 19, 11,, 0, 4, 6, 1, 15,

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

1. Matikan kurssin arvosanat jakautuivat seuraavalla tavalla:

1. Matikan kurssin arvosanat jakautuivat seuraavalla tavalla: MAA6.3 Loppukoe 9.11.01 Jussi Tyni Valitse kuusi tehtävää Muista merkitä vastauspaperiin oma nimesi ja tee etusivulle pisteytysruudukko. Kaikkiin tehtävien ratkaisuihin välivaiheet näkyviin! 1. Matikan

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 27. syyskuuta 2007 Antti Rasila () TodB 27. syyskuuta 2007 1 / 15 1 Diskreetit jakaumat Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma Geometrinen

Lisätiedot

Hypoteesin testaus Alkeet

Hypoteesin testaus Alkeet Hypoteesin testaus Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Johdanto Kokeellinen tutkimus: Varmennetaan teoreettista olettamusta fysikaalisen systeemin käyttäytymisestä

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

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas LUENNOT Luento Paikka Vko Päivä Pvm Klo 1 L 304 8 Pe 21.2. 08:15-10:00 2 L 304 9 To 27.2. 12:15-14:00 3 L 304 9 Pe 28.2. 08:15-10:00 4 L 304 10 Ke 5.3.

Lisätiedot

b6) samaan perusjoukkoon kohdistuu samanaikaisesti useampia tutkimuksia.

b6) samaan perusjoukkoon kohdistuu samanaikaisesti useampia tutkimuksia. 806109P TILASTOTIETEEN PERUSMENETELMÄT I 1. välikoe 11.3.2011 (Jari Päkkilä) VALITSE VIIDESTÄ TEHTÄVÄSTÄ NELJÄ JA VASTAA VAIN NIIHIN! 1. Valitse kohdissa A-F oikea (vain yksi) vaihtoehto. Oikeasta vastauksesta

Lisätiedot

Higgsin bosonin etsintä CMS-kokeessa LHC:n vuosien 2010 ja 2011 datasta CERN, 13 joulukuuta 2011

Higgsin bosonin etsintä CMS-kokeessa LHC:n vuosien 2010 ja 2011 datasta CERN, 13 joulukuuta 2011 Higgsin bosonin etsintä CMS-kokeessa LHC:n vuosien 2010 ja 2011 datasta CERN, 13 joulukuuta 2011 Higgsin bosoni on ainoa hiukkasfysiikan standardimallin (SM) ennustama hiukkanen, jota ei ole vielä löydetty

Lisätiedot

Perusnäkymä yksisuuntaiseen ANOVAaan

Perusnäkymä yksisuuntaiseen ANOVAaan Metsämuuronen 2006. TTP Tutkimuksen tekemisen perusteet ihmistieteissä Taulukko.51.1 Analyysiin mukaan tulevat muuttujat Mja selite Merkitys mallissa F1 Ensimmäinen faktoripistemuuttuja Selitettävä muuttuja

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

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

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

USEAN MUUTTUJAN REGRESSIOMALLIT JA NIIDEN ANA- LYYSI

USEAN MUUTTUJAN REGRESSIOMALLIT JA NIIDEN ANA- LYYSI TEORIA USEAN MUUTTUJAN REGRESSIOMALLIT JA NIIDEN ANA- LYYSI Regressiomalleilla kuvataan tilanteita, jossa suureen y arvot riippuvat joukosta ns selittäviä muuttujia x 1, x 2,..., x p oletetun funktiomuotoisen

Lisätiedot

Spektrofotometria ja spektroskopia

Spektrofotometria ja spektroskopia 11 KÄYTÄNNÖN ESIMERKKEJÄ INSTRUMENTTIANALYTIIKASTA Lisätehtävät Spektrofotometria ja spektroskopia Esimerkki 1. Mikä on transmittanssi T ja transmittanssiprosentti %T, kun absorbanssi A on 0, 1 ja 2. josta

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

MITTAUS JA VIRHELÄHTEET MITTAAMINEN MITTAAMISEEN LIITTYVIÄ KÄSITTEITÄ. Hanna-Riitta Kymäläinen

MITTAUS JA VIRHELÄHTEET MITTAAMINEN MITTAAMISEEN LIITTYVIÄ KÄSITTEITÄ. Hanna-Riitta Kymäläinen MITTAUS JA VIRHELÄHTEET Hanna-Riitta Kymäläinen Helsingin yliopisto Maatalous-metsätieteellinen tiedekunta Agroteknologian laitos MITTAAMINEN Mitä mittaaminen on? Aiemmin määritellyn standardin ja mitattavan

Lisätiedot

SiMAP Kiinteistötekniikkaratkaisut. Kiinteistötekniikka

SiMAP Kiinteistötekniikkaratkaisut. Kiinteistötekniikka SiMAP Kiinteistötekniikkaratkaisut Kiinteistötekniikka Sivu 1 29.10.2013 Rappukäytävään asennettava reititin vahvistaa antureiden signaalia säätimelle. Mikä SiMAP Säätö? SiMAP Säätö on täysin uudenlainen

Lisätiedot

Teema 3: Tilastollisia kuvia ja tunnuslukuja

Teema 3: Tilastollisia kuvia ja tunnuslukuja Teema 3: Tilastollisia kuvia ja tunnuslukuja Tilastoaineiston peruselementit: havainnot ja muuttujat havainto: yhtä havaintoyksikköä koskevat tiedot esim. henkilön vastaukset kyselylomakkeen kysymyksiin

Lisätiedot

Luku 21. Kemiallisten reaktioiden nopeus

Luku 21. Kemiallisten reaktioiden nopeus Luku 21. Kemiallisten reaktioiden nopeus Reaktiokinetiikka tarkastelee reaktioiden nopeuksia (vrt. termodynamiikka) reaktionopeus = konsentraation muutos aikayksikössä Tarkastellaan yksinkertaista tasapainoreaktiota:

Lisätiedot

Tilastollisten aineistojen kerääminen ja mittaaminen

Tilastollisten aineistojen kerääminen ja mittaaminen Ilkka Mellin Tilastolliset menetelmät Osa 1: Johdanto Tilastollisten aineistojen kerääminen ja mittaaminen TKK (c) Ilkka Mellin (2007) 1 ja mittaaminen >> Tilastollisten aineistojen kerääminen Mittaaminen

Lisätiedot

Johdatus tilastotieteeseen Tilastollisten aineistojen kerääminen ja mittaaminen. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Tilastollisten aineistojen kerääminen ja mittaaminen. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteeseen Tilastollisten aineistojen kerääminen ja mittaaminen TKK (c) Ilkka Mellin (2005) 1 ja mittaaminen Tilastollisten aineistojen kerääminen Mittaaminen ja mitta-asteikot TKK (c)

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 15 1 Tilastollisia testejä Z-testi Normaalijakauman odotusarvon testaus, keskihajonta tunnetaan

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

4. laskuharjoituskierros, vko 7, ratkaisut

4. laskuharjoituskierros, vko 7, ratkaisut 4. laskuharjoituskierros, vko 7, ratkaisut D1. Kone valmistaa kuulalaakerin kuulia, joiden halkaisija vaihtelee satunnaisesti. Halkaisijan on oltava tiettyjen rajojen sisällä, jotta kuula olisi käyttökelpoinen.

Lisätiedot

Fysiikan laboratoriotyöt 1, työ nro: 2, Harmoninen värähtelijä

Fysiikan laboratoriotyöt 1, työ nro: 2, Harmoninen värähtelijä Fysiikan laboratoriotyöt 1, työ nro: 2, Harmoninen värähtelijä Tekijä: Mikko Laine Tekijän sähköpostiosoite: miklaine@student.oulu.fi Koulutusohjelma: Fysiikka Mittausten suorituspäivä: 04.02.2013 Työn

Lisätiedot