Kemometriasta. Matti Hotokka Fysikaalisen kemian laitos Åbo Akademi
|
|
- Maija Kivelä
- 8 vuotta sitten
- Katselukertoja:
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 n kertaa toistetun mittauksen tulos lasketaan aritmeettisena keskiarvona n 1 x = x i n i= 1 Mittaustuloksen hajonnasta aiheutuvaa epävarmuutta kuvaa keskiarvon keskivirhe
LisätiedotTilastollisen 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
LisätiedotKojemeteorologia. 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
LisätiedotMittausepävarmuudesta. 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
LisätiedotMittaustekniikka (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)
LisätiedotOtoskoko 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
LisätiedotVirhearviointi. 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
LisätiedotSisällysluettelo 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...
LisätiedotOn 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
Lisätiedott 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
Lisätiedot761121P-01 FYSIIKAN LABORATORIOTYÖT 1. Oulun yliopisto Fysiikan tutkinto-ohjelma Kevät 2016
1 76111P-01 FYSIIKAN LABORATORIOTYÖT 1 Oulun yliopisto Fysiikan tutkinto-ohjelma Kevät 016 JOHDANTO Fysiikassa pyritään löytämään luonnosta lainalaisuuksia, joita voidaan mitata kokeellisesti ja kuvata
LisätiedotKemiallisten 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
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotTeemu Näykki ENVICAL SYKE
Talousveden kemiallisten määritysmenetelmien oikeellisuus, täsmällisyys, toteamisraja vaatimukset ja vinkkejä laskemiseen Teemu Näykki ENVICAL SYKE AJANKOHTAISTA LABORATORIORINTAMALLA 2.10.2014 Sosiaali-
LisätiedotTilastollisen 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
LisätiedotTaajuusmittauskilpailu Hertsien herruus 2008. Mittausraportti
Taajuusmittauskilpailu Hertsien herruus 2008 1. MITTAUSJÄRJESTELMÄ Mittausraportti Petri Kotilainen OH3MCK Mittausjärjestelmän lohkokaavio on kuvattu alla. Vastaanottoon käytettiin magneettisilmukkaantennia
LisätiedotHavaitsevan tähtitieteen peruskurssi I
Havaintokohteita 9. Polarimetria Lauri Jetsu Fysiikan laitos Helsingin yliopisto Havaintokohteita Polarimetria Havaintokohteita (kuvat: @phys.org/news, @annesastronomynews.com) Yleiskuvaus: Polarisaatio
LisätiedotLIITE 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
LisätiedotTASAVIRTAPIIRI - 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
LisätiedotLIITE 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
LisätiedotKeskipisteen 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
Lisätiedot1.1 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
LisätiedotLIITE 1 VIRHEEN ARVIOINNISTA
Oulun yliopisto Fysiikan opetuslaboratorio Fysiikan laboratoriotyöt 1 1 LIITE 1 VIRHEEN RVIOINNIST Mihin tarvitset virheen arviointia? Mittaustuloksiin sisältyy aina virhettä, vaikka mittauslaite olisi
LisätiedotKojemeteorologia (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
LisätiedotJohdatus tilastotieteeseen
Johdatus tilastotieteeseen Jari Päkkilä Kevätlukukausi 2017 Matemaattisten tieteiden laitos Esimerkki mittauksen luotettavuudesta Viime viikon mittausharjoituksessa pelattiin mm. kunnat kartalle -peliä
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotPERMITTIIVISYYS. 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
LisätiedotAki 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
LisätiedotEstimointi 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
LisätiedotTalousveden 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
LisätiedotMS-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,
LisätiedotMS-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,
Lisätiedot031021P 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
LisätiedotVinkkejä 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
LisätiedotMetsämuuronen: 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
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
LisätiedotLuento 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
Lisätiedotpitkittäisaineistoissa
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
LisätiedotASUINKERROSTALON 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
Lisätiedot7. Lohkominen ja sulautus 2 k kokeissa. Lohkominen (Blocking)
7. Lohkominen ja sulautus 2 k kokeissa Lohkominen (Blocking) Lohkotekijät muodostuvat faktoreista, joiden suhteen ei voida tehdä (täydellistä) satunnaistamista. Esimerkiksi faktorikokeessa raaka-aine-erät
LisätiedotOtoskeskiarvo 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
LisätiedotMittausjärjestelmän kalibrointi ja mittausepävarmuus
Mittausjärjestelmän kalibrointi ja mittausepävarmuus Kalibrointi kalibroinnin merkitys kansainvälinen ja kansallinen mittanormaalijärjestelmä kalibroinnin määritelmä mittausjärjestelmän kalibrointivaihtoehdot
Lisätiedot7.4 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
LisätiedotTilastollisen 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
LisätiedotKandidaatintutkielman aineistonhankinta ja analyysi
Kandidaatintutkielman aineistonhankinta ja analyysi Anna-Kaisa Ylitalo M 315, anna-kaisa.ylitalo@jyu.fi Musiikin, taiteen ja kulttuurin tutkimuksen laitos Jyväskylän yliopisto 2018 2 Havaintomatriisi Havaintomatriisi
LisätiedotMS-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
LisätiedotHarjoitus 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
LisätiedotAineistokoko 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
LisätiedotLisätehtäviä 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
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
LisätiedotEllei 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
LisätiedotTilastollisen 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
LisätiedotOHJ-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/1. MTTTP1, luento Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:
2.10.2018/1 MTTTP1, luento 2.10.2018 7.4 Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 2.10.2018/2
LisätiedotKuva 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
LisätiedotNimi: 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,
LisätiedotAnturit 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
LisätiedotLIITE 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
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
LisätiedotASPIRIININ MÄÄRÄN MITTAUS VALOKUVAAMALLA
ASPIRIININ MÄÄRÄN MITTAUS VALOKUVAAMALLA Jaakko Lohenoja 2009 Johdanto Asetyylisalisyylihapon määrä voidaan mitata spektrofotometrisesti hydrolysoimalla asetyylisalisyylihappo salisyylihapoksi ja muodostamalla
LisätiedotSovellettu 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
LisätiedotTässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot)
R-ohjelman käyttö data-analyysissä Panu Somervuo 2014 Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. 0) käynnistetään R-ohjelma Huom.1 allaolevissa ohjeissa '>' merkki on R:n
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotHarjoitus 6 -- Ratkaisut
Harjoitus 6 -- Ratkaisut 1 Ei kommenttia. 2 Haetaan data tiedostosta. SetDirectory"homeofysjmattas" SetDirectory "c:documents and settingsmattasdesktopteachingatk2harjoitukseth06" netnfstuhome4ofysjmattas
LisätiedotTilastollisen 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:
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
Lisätiedot1. 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.
LisätiedotMiten 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
LisätiedotJohdanto. 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
Lisätiedot7. 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,
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
LisätiedotMTTTP5, 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.
Lisätiedot1. 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
LisätiedotHavainto 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
LisätiedotKvantitatiiviset 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
LisätiedotTilastollisen 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
LisätiedotLÄÄKETEHTAAN UUMENISSA
LÄÄKETEHTAAN UUMENISSA KOHDERYHMÄ: Soveltuu lukion KE1- ja KE3-kurssille. KESTO: n. 1h MOTIVAATIO: Työskentelet lääketehtaan laadunvalvontalaboratoriossa. Tuotantolinjalta on juuri valmistunut erä aspiriinivalmistetta.
LisätiedotDiskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi
TOD.NÄK JA TILASTOT, MAA0 Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi Kuten tilastojakaumia voitiin esittää tunnuslukujen (keskiarvo, moodi, mediaani, jne.) avulla, niin vastaavasti
Lisätiedot3. 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,
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 5
MS-A Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko Tilastollinen testaus Tilastollisten testaaminen Tilastollisen tutkimuksen kohteena olevasta perusjoukosta on esitetty jokin väite tai
LisätiedotSovellettu 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
LisätiedotFOSFORIPITOISUUS 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
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotPUHTAAN 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
Lisätiedot1. 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
Lisätiedot4. 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,
LisätiedotTUTKIMUSAINEISTON 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.
Lisätiedotb6) 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
LisätiedotPerusnäkymä 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
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
LisätiedotHypoteesin testaus Alkeet
Hypoteesin testaus Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Johdanto Kokeellinen tutkimus: Varmennetaan teoreettista olettamusta fysikaalisen systeemin käyttäytymisestä
LisätiedotIlkka 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
LisätiedotTeema 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.
LisätiedotOsa 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
LisätiedotLisätehtäviä 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
LisätiedotUSEAN 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
LisätiedotHiggsin 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
LisätiedotSpektrofotometria 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
Lisätiedotriippumattomia 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