Skenaariot suurpetokantojen verotuksen suunnittelussa

Koko: px
Aloita esitys sivulta:

Download "Skenaariot suurpetokantojen verotuksen suunnittelussa"

Transkriptio

1 Skenaariot suurpetokantojen verotuksen suunnittelussa Katja Holmala Riistapäivät

2 Esityksen rakenne Tausta Mallit ilveksen populaatiokehityksestä Malli 1: populaatiomalli Malli 2: skenaario- eli ennustemalli Skenaariomallin käyttö ja tulosten tulkitseminen Muutama sana karhumallista Yhteenvetoa

3 Tausta: miksi mallintaa? tarvetta uusille työkaluille mm. ilveskannan hallinnointiin kantaarviolausunnon rinnalle (v. 2012) Tarvetta analyyttisesti tarkastella havaittua kannan kehitystä ja siihen liittyviä osa-alueita Ilveksen metsästysmäärien voimakas kasvu viimeisten vuosien aikana -> ajankohtaista myös arvioida eri vaihtoehtoisten metsästysverotusmäärien vaikutusta ilveskannan lähivuosien mahdolliseen kehitykseen Koska työkalu näytti toimivalta ilvekselle, haluttiin testata kuinka sopisi myös karhulle v (kannanarvioinnissa tiettyjä yhtäläisyyksiä) Mallintaminen tuottaa aikaikkunan mahdollisiin tulevaisuuksiin

4 Mallit ilveksen populaatiokehityksestä 1. Populaatiomalli Aikasarjamalli (19 v) logaritmisille havaitun ilveskannan ja metsästettyjen yksilöiden lukumäärille vuosina State-base-mallinnus (SSM), jossa mallinnettavia systeemeitä on kaksi: 1. populaatioprosessille ja 2. havaitulle populaatiolle Huomioidaan prosessivirhe ja havainnointivirhe Mallintaa pitkällä aikavälillä havaittua kehitystä kannassa ja antaa sitä kautta arvoja kannan tulevaan kehittymiseen liittyville muuttujille mm. Populaation kasvukerroin ja sen vaihtelu Metsästysverotuksen ja havaitun muun kuolleisuuden merkitys havaitulle populaatiokehitykselle Arvioitu MSY (maximum sustainable yield) Muodostaa pohjan ennustemallin rakentamiselle

5 Mallin (SSM) tärkeimpien tekijöiden ja tekijöistä johdettujen tunnuslukujen MCMC-poiminnan mukaiset posteriori-jakaumat. Tekijä (SSM) Keskiarvo Keskihajonta Alaraja 2.5 % Yläraja 97.5 % a KASVU 0,175 0,020 0,134 0,216 b METS 1 0,001 0,998 1,002 Kasvukerroin 1,192 0,024 1,144 1,241 1-MSY 0,8396 0,017 0,806 0,875 var pop 0,0061 0,004 0,002 0,014 var hav 0,0009 0,001 0, ,0046 MSY: Maximum sustainable yield,maksimiverotus Kasvukerroin: luonnollinen kasvukerroin (kerrannallinen) todennäköisyyksien jakauma 3x iteraation (malliajon) kautta

6 2. Skenaariomalli Voidaan laskea erilaisia todennäköisyysjakaumia erilaisille tapahtumille Ei toimi hyvin kovin lyhyillä aikajaksoilla; mitä lyhyempi jakso, sitä suurempi epävarmuus tuloksiin liittyy Keskeisimmät epävarmuustekijät, jotka vaikuttavat populaatiokehitykseen ja sen ennustamiseen mahdolliset puutteet lisääntyneisiin naaraisiin liittyvässä havaintojen alueellisessa kattavuudessa, viive ilveskannan kasvun havaitsemisessa sekä naaraisiin kohdistuvan metsästysverotuksen muutokset. malli olettaa, että ilveskannan alueellinen tiheys ei vaikuta kannan kasvunopeuteen. Malli ei ota huomioon ikärakenteen mahdollista vaihtelua vuosittain ja tämän ilmiön vaikutusta populaation kasvukertoimeen.

7 Skenaariomallin käyttö ja tulosten tulkitseminen Ennuste 4 vuoden päähän Tarkastelussa 3 eri metsästysverotusosuutta: 10 % kasvava populaatio 16 % vakaa populaatio 20 % pienenevä populaatio

8 Taulukko 3 Ennustettu populaation koko ja hajontaluvut sekä metsästettävien naaraiden lukumäärien 95 % vaihteluväli mallin (SSM) mukaan Verotus Keskiarvopopulaatio v Keskihajonta Alaraja 2.5 % Yläraja 97.5 % Tn% (pop>600) Tn% (pop<300) Mets. alaraja 2.5 % 10 % , ,0 0, % , ,5 0, % , ,3 3, Mets. yläraja 97.5 % Lähtöpopulaation koko on 506 pentuetta. Eri metsästysverotusskenaarioille on laskettu todennäköisyydet (Tn), että populaatio kasvaa yli 500 tai laskee alle 300 pentueen vuonna 2018.

9 Pentueita Ilveksen skenaariomallin tulokset visuaalisesti v16_a v16_y v16_ka v20_a v20_y v20_ka v10_a v10_y v10_ka

10 Skenaariomallin tulosten tulkinnasta Verotusosuudet esimerkkejä, todennäköisyyksiä voidaan laskea muillekin prosenttiosuuksille, mutta tulokset asettuvat mallin antamaan peruskuvaan 300 ja 600 ilvespentueen rajat antavat kiinnekohtia todennäköisyyksien laskemiselle pentueiden määrien kehityksille Todennäköisyydet ovat vuodelle 2018, ei sitä edeltäville vuosille Päivitetyn mallin lähtövuosi jo tapahtuneet muutokset pentueiden määrään voidaan nähdä vasta tulevan talven havaintoaineistossa (1 vuoden viive). Metsästysverotuksen aikaansaama muutos lisääntymisikäisten naaraiden määrässä n. 2-3 vuoden viiveellä. Näiden seikkojen vuoksi ennustetta tulisi tarkastella kokonaisvaltaisesti, myös populaatioennusteiden vaihteluvälit huomioon ottaen.

11 Karhumallista lyhyesti Periaate samanlainen kuin ilveksen kohdalla karhulle sovitettu populaatiomalli Haastavampi ennustettava ilvekseen verrattuna mm. vuosittaista vaihtelua lisääntymismäärissä Empiirinen aineisto osoittaa lajin olevan herkkä reagoimaan yliverotukselle, reagointia välillä vaikea ennustaa tarkasti Skenaariomallin varovainen tulkinta ja mallin ominaisuuksien säätäminen herkemmäksi/karhumaisemmaksi 11

12 Yhteenvetoa Ennustemalli tuottaa populaation menneeseen kehitykseen pohjautuen todennäköisyysjakaumilla varustettuja kehityssuuntia valituille toimenpiteille populaatiossa käynnissä luonnollisia populaationkehitykseen vaikuttavia tekijöitä, jotka näkyvät viiveellä; myöskään lähtötieto ei ole absoluuttisen tarkkaa Uusi työkalu suurpetokantojen hallinnointiin mahdollistaa vaihtoehtojen etukäteispuntarointia sekä tavoitteenasettelua lyhyellä ja pitkällä aikavälillä aikaikkunan mahdollisiin tulevaisuuksiin Skenaariomallien parissa työskennelleitä: Jukka Rintala, Katja Holmala, Samuli Heikkinen, Ilpo Kojola

13 Kiitos!

2031/ / / /2017 Maa- ja metsätalousministeriö Luonnonvaraosasto PL Valtioneuvosto

2031/ / / /2017 Maa- ja metsätalousministeriö Luonnonvaraosasto PL Valtioneuvosto 2031/00 04 05/2017 1/11 4.7.2017 2031/00 04 05/2017 Maa- ja metsätalousministeriö Luonnonvaraosasto PL 30 00023 Valtioneuvosto Liite 1. Ilveskannan arviointiin vuonna 2017 liittyviä aineistoja ja lisätietoja

Lisätiedot

ENNUSTE ILVESKANNAN KEHITYKSESTÄ VUOTEEN 2015 ENNUSTEMALLIN KUVAUS

ENNUSTE ILVESKANNAN KEHITYKSESTÄ VUOTEEN 2015 ENNUSTEMALLIN KUVAUS ENNUSTE ILVESKANNAN KEHITYKSESTÄ VUOTEEN 2015 ENNUSTEMALLIN KUVAUS Tiivistelmä Jotta tulevaa ilveskannan kehitystä voitaisiin ennustaa, laadittiin havaittuun kannankehitykseen ja ilmoitettuihin verotusmääriin

Lisätiedot

Lu8. vit vaikuttaa yleison kiinnostus ilmoittaa havaintoja jaltai median kiinnostus suurpetoasioihin.

Lu8. vit vaikuttaa yleison kiinnostus ilmoittaa havaintoja jaltai median kiinnostus suurpetoasioihin. Lu8 LUONNONVARAKESKUS 16.2.2015 Luke 251100 04 05/2015 Maa- ja metsitalousministerio Luonnonvaraosasto Kirjaamo kiriaamo@mmm.fi Viite: Maa- ja metsfitalousministeridn ja Luonnonvarakeskuksen tulossopimus2ol*2019,

Lisätiedot

Ilveskannan seuranta Tiedosta ratkaisuja kestäviin valintoihin

Ilveskannan seuranta Tiedosta ratkaisuja kestäviin valintoihin Ilveskannan seuranta Katja Holmala RKTL Esitelmän sisältö Kannanarviointi RKTL:ssä Ilveksen levinneisyys ja levittäytyminen Ilveskannan arviointimenetelmän yksityiskohtia Erillislaskennat Muutama sananen

Lisätiedot

Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo.

Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo. Kertaus Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Luokiteltu aineisto. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo. Hajontaluvut luokittelemattomalle

Lisätiedot

Suurpetojen lukumäärä ja lisääntyminen vuonna 2000

Suurpetojen lukumäärä ja lisääntyminen vuonna 2000 1 Riistantutkimuksen tiedote 175:1-6. Helsinki, 15.8.2001. Suurpetojen lukumäärä ja lisääntyminen vuonna 2000 Ilpo Kojola Karhukannan kasvu näyttää olevan tasaantumassa. Karhun vähimmäiskanta oli vuoden

Lisätiedot

Suurpetotutkimus/RKTL

Suurpetotutkimus/RKTL Suurpetotutkimus/RKTL 9.12.2010 Pori photo Ilpo Kojola photo Ilpo Kojola photo: Ilpo Kojola photo de5stora.com Tietoa kestäviin valintoihin! Riista- ja kalatalouden tutkimuslaitos on noin 300 hengen asiantuntijaorganisaatio,

Lisätiedot

Suurpetojen lukumäärä ja lisääntyminen vuonna 2004

Suurpetojen lukumäärä ja lisääntyminen vuonna 2004 1 Riistantutkimuksen tiedote 203:1-7. Helsinki 22.8.2005 Suurpetojen lukumäärä ja lisääntyminen vuonna 2004 Ilpo Kojola, Elisa Määttä ja Harri Hiltunen Suomessa oli vuoden 2004 lopulla arviolta 810 850

Lisätiedot

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Esimerkki Tarkastelemme ilmiötä I, joka on a) tiettyyn kauppaan tulee asiakkaita

Lisätiedot

Suurpetojen lukumäärä ja lisääntyminen vuonna 2001

Suurpetojen lukumäärä ja lisääntyminen vuonna 2001 1 Riistantutkimuksen tiedote 182: 1-7. Helsinki 3.9.2 Suurpetojen lukumäärä ja lisääntyminen vuonna 1 Ilpo Kojola Riista- ja kalatalouden tutkimuslaitoksen suurpetoseurannan mukaan maamme karhukanta pysyi

Lisätiedot

Sukulaisuuden merkitys ilvesnaaraiden elinalueiden sijoittumiselle: Kaakon osa hanke

Sukulaisuuden merkitys ilvesnaaraiden elinalueiden sijoittumiselle: Kaakon osa hanke Sukulaisuuden merkitys ilvesnaaraiden elinalueiden sijoittumiselle: Kaakon osa hanke Annika Herrero ja Katja Holmala, Riista ja kalatalouden tutkimuslaitos Esityksen sisältö Tekijöiden ja taustan esittely

Lisätiedot

Keskeiset termit kalakantaarvioiden. Ari Leskelä, RKTL

Keskeiset termit kalakantaarvioiden. Ari Leskelä, RKTL Keskeiset termit kalakantaarvioiden laadinnassa Ari Leskelä, RKTL 21.3.2014 Mitkä? SSB, kutukannan biomassa R, rekrytointi F, kalastuskuolevuus M, luonnollinen kuolevuus MSY, kestävä enimmäistuotto Kalakanta

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

Koko maan ilveskanta-arvion taustasta ja erityisesti Etelä-Hämeen arviosta. Tiedosta ratkaisuja kestäviin valintoihin

Koko maan ilveskanta-arvion taustasta ja erityisesti Etelä-Hämeen arviosta. Tiedosta ratkaisuja kestäviin valintoihin Koko maan ilveskanta-arvion taustasta ja erityisesti Etelä-Hämeen arviosta Tiedosta ratkaisuja kestäviin valintoihin Erillislaskentojen pentuetulos talvi 2012/2013 Ensimmäinen tieto lehdistössä Pentueet

Lisätiedot

Suurpetokantojen arviointi

Suurpetokantojen arviointi Suurpetokantojen arviointi Ilpo Kojola, RKTL Suurpetojen vähimmäislukumäärä vuoden lopussa (1978 2012) 2500 2000 4x 2500 2000 25x 1500 kesä 1500 1000 Karhu 1000 Ilves 500 500 0 1978 1984 1990 1996 2002

Lisätiedot

Matemaatikot ja tilastotieteilijät

Matemaatikot ja tilastotieteilijät Matemaatikot ja tilastotieteilijät Matematiikka/tilastotiede ammattina Tilastotiede on matematiikan osa-alue, lähinnä todennäköisyyslaskentaa, mutta se on myös itsenäinen tieteenala. Tilastotieteen tutkijat

Lisätiedot

Korvausvastuun ennustejakauma bootstrap-menetelmän avulla

Korvausvastuun ennustejakauma bootstrap-menetelmän avulla Korvausvastuun ennustejakauma bootstrap-menetelmän avulla Sari Ropponen 13.5.2009 1 Agenda Korvausvastuu vahinkovakuutuksessa Korvausvastuun arviointi Ennustevirhe Ennustejakauma Bootstrap-/simulointimenetelmä

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

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

Ilmastonmuutos globaalina ja paikallisena ilmiönä

Ilmastonmuutos globaalina ja paikallisena ilmiönä Ilmastonmuutos globaalina ja paikallisena ilmiönä Muuttuva Selkämeri Loppuseminaari 25.5.2011 Kuuskajaskari Anna Hakala Asiantuntija, MMM Pyhäjärvi-instituutti 1 Ilmasto Ilmasto = säätilan pitkän ajan

Lisätiedot

Vantaanjoen tulvat, ilmastonmuutos ja sateet

Vantaanjoen tulvat, ilmastonmuutos ja sateet Vantaanjoen tulvat, ilmastonmuutos ja sateet Bertel Vehviläinen, SYKE Vantaan I tulvaseminaari: Tulvat, tulvariskit ja tulvavahingot Ma 26.11.2012 klo 12:30-16:00 Vantaan uusi valtuustosali/ Asematie 7

Lisätiedot

SAIMAANNORPPA Kannan koon arvioinnista Tero Sipilä & Tuomo Kokkonen Metsähallitus, Etelä-Suomen Luontopalvelut Akselinkatu 8, 57130, Savonlinna

SAIMAANNORPPA Kannan koon arvioinnista Tero Sipilä & Tuomo Kokkonen Metsähallitus, Etelä-Suomen Luontopalvelut Akselinkatu 8, 57130, Savonlinna Saimaannorppa, ilmastonmuutos ja kalastus seminaari. Rantasalmi 28.5.21 SAIMAANNORPPA Kannan koon arvioinnista Tero Sipilä & Tuomo Kokkonen Metsähallitus, Etelä-Suomen Luontopalvelut Akselinkatu 8, 5713,

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

Kaksintaistelun approksimatiivinen mallintaminen (valmiin työn esittely)

Kaksintaistelun approksimatiivinen mallintaminen (valmiin työn esittely) Kaksintaistelun approksimatiivinen mallintaminen (valmiin työn esittely) Juho Roponen 10.06.2013 Ohjaaja: Esa Lappi Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.

Lisätiedot

Optimal Harvesting of Forest Stands

Optimal Harvesting of Forest Stands Optimal Harvesting of Forest Stands (Presentation of the Complete Work) 11 April 2011 Instructor: Janne Kettunen Supervisor: Ahti Salo Tausta Ass. Prof. Janne Kettunen käsittelee osana väitöskirjatyötään

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

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

ELÄMÄÄ SUURPETOJEN KANSSA. Keskustelutilaisuus Pohjois-Karjalan suurpetotilanteesta Matti Osara, Ympäristöministeriö

ELÄMÄÄ SUURPETOJEN KANSSA. Keskustelutilaisuus Pohjois-Karjalan suurpetotilanteesta Matti Osara, Ympäristöministeriö ELÄMÄÄ SUURPETOJEN KANSSA Keskustelutilaisuus Pohjois-Karjalan suurpetotilanteesta 11.10.2012 Matti Osara, Ympäristöministeriö Ympäristöministeriön näkökulma suurpetoihin Suurpetoja koskevat eräät luonnonsuojelulain

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

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

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: 8.1 Satunnaismuuttuja Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: Esim. Nopanheitossa (d6) satunnaismuuttuja X kertoo silmäluvun arvon. a) listaa kaikki satunnaismuuttujan arvot b)

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

LATVUSMASSAN KOSTEUDEN MÄÄRITYS METSÄKULJETUKSEN YHTEYDESSÄ

LATVUSMASSAN KOSTEUDEN MÄÄRITYS METSÄKULJETUKSEN YHTEYDESSÄ LATVUSMASSAN KOSTEUDEN MÄÄRITYS METSÄKULJETUKSEN YHTEYDESSÄ Metsä- ja puuteknologia Pro gradu -tutkielman tulokset Kevät 2010 Petri Ronkainen petri.ronkainen@joensuu.fi 0505623455 Metsäntutkimuslaitos

Lisätiedot

Sektoritutkimusohjelman ilmastoskenaariot SETUKLIM. 12 Climate scenarios for Sectoral Research. Tavoitteet

Sektoritutkimusohjelman ilmastoskenaariot SETUKLIM. 12 Climate scenarios for Sectoral Research. Tavoitteet Sektoritutkimusohjelman ilmastoskenaariot SETUKLIM 2011-12 12 Climate scenarios for Sectoral Research Ilmatieteen laitos Heikki Tuomenvirta, Kirsti Jylhä,, Kimmo Ruosteenoja, Milla Johansson Helsingin

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

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

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

Tilastollisia peruskäsitteitä ja Monte Carlo

Tilastollisia peruskäsitteitä ja Monte Carlo Tilastollisia peruskäsitteitä ja Monte Carlo Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Tilastollisia peruskäsitteitä ja Monte Carlo 1/13 Kevät 2003 Tilastollisia

Lisätiedot

Hirvikannan koko ja vasatuotto vuonna 2005

Hirvikannan koko ja vasatuotto vuonna 2005 Riistantutkimuksen tiedote :. Helsinki..00 Hirvikannan koko ja vasatuotto vuonna 00 Vesa Ruusila, Mauri Pesonen, Riitta Tykkyläinen, Arto Karhapää ja Maija Wallén Maamme hirvikannassa ei tapahtunut syksyn

Lisätiedot

ACCLIM II hankkeen yleisesittely

ACCLIM II hankkeen yleisesittely http://ilmatieteenlaitos.fi/acclim-hanke II hankkeen yleisesittely Ilmastonmuutosarviot ja asiantuntijapalvelu sopeutumistutkimuksia varten Kirsti Jylhä, Ilmatieteen laitos -ilmastoseminaari 8.3.211 ISTO-ohjelman

Lisätiedot

Ilmastonmuutoksen todennäköisyysennusteet. Jouni Räisänen Helsingin yliopiston fysiikan laitos

Ilmastonmuutoksen todennäköisyysennusteet. Jouni Räisänen Helsingin yliopiston fysiikan laitos Ilmastonmuutoksen todennäköisyysennusteet Jouni Räisänen Helsingin yliopiston fysiikan laitos 13.1.2009 Epävarmuus ilmastoennusteissa Päästöskenaarioepävarmuus Ihmiskunnan tuleva käyttäytyminen Malliepävarmuus

Lisätiedot

Paloriskin ennustaminen metsäpaloindeksin avulla

Paloriskin ennustaminen metsäpaloindeksin avulla Paloriskin ennustaminen metsäpaloindeksin avulla Ari Venäläinen, Ilari Lehtonen, Hanna Mäkelä, Andrea Understanding Vajda, Päivi Junila the ja Hilppa climate Gregow variation and change Ilmatieteen and

Lisätiedot

Mikrobikriteereiden arviointi esimerkkinä kampylobakteeri

Mikrobikriteereiden arviointi esimerkkinä kampylobakteeri Mikrobikriteereiden arviointi esimerkkinä kampylobakteeri Taustaa: NMDD-projekti 2011-2012 Rahoitus: pohjoismaiden ministerineuvosto Vast.tutkija: Maarten Nauta, DTU Epävarmuusanalyysin Bayes-mallinnus,

Lisätiedot

Koulutuspaketti: ilvesten erillislaskenta 2012-13

Koulutuspaketti: ilvesten erillislaskenta 2012-13 Koulutuspaketti: ilvesten erillislaskenta 2012-13 Katja Holmala ja Samuli Heikkinen Riista- ja kalatalouden tutkimuslaitos RKTL Kanta-arvion muodostaminen - perustuu petoyhdyshenkilöiden tuottamiin petohavaintoihin

Lisätiedot

Uhanalaisuusarvioinnin keskeiset käsitteet. Annika Uddström, Suomen ympäristökeskus,

Uhanalaisuusarvioinnin keskeiset käsitteet. Annika Uddström, Suomen ympäristökeskus, Uhanalaisuusarvioinnin keskeiset käsitteet Annika Uddström, Suomen ympäristökeskus, 2.2.2017 Populaatio ja populaatiokoko (kriteerit A, C ja D) Populaatiolla tarkoitetaan lajin tarkastelualueella elävää

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

Pakkaset ja helteet muuttuvassa ilmastossa lämpötilan muutokset ja vaihtelu eri aikaskaaloissa

Pakkaset ja helteet muuttuvassa ilmastossa lämpötilan muutokset ja vaihtelu eri aikaskaaloissa Pakkaset ja helteet muuttuvassa ilmastossa lämpötilan muutokset ja vaihtelu eri aikaskaaloissa Jouni Räisänen Helsingin yliopiston fysiikan laitos Kimmo Ruosteenoja Ilmatieteen laitos Sisältöä ACCLIM-skenaariot

Lisätiedot

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. 6.10.2016/1 MTTTP1, luento 6.10.2016 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla

Lisätiedot

MAA- JA METSÄTALOUSMINISTERIÖN ASETUS POIKKEUSLUVALLA SALLITTA- VASTA ILVEKSEN METSÄSTYKSESTÄ METSÄSTYSVUONNA

MAA- JA METSÄTALOUSMINISTERIÖN ASETUS POIKKEUSLUVALLA SALLITTA- VASTA ILVEKSEN METSÄSTYKSESTÄ METSÄSTYSVUONNA MAA- JA METSÄTALOUSMINISTERIÖ Muistio Ylitarkastaja 2.10.2017 Dnro 1454/01.03/2017 Jussi Laanikari MAA- JA METSÄTALOUSMINISTERIÖN ASETUS POIKKEUSLUVALLA SALLITTA- VASTA ILVEKSEN METSÄSTYKSESTÄ METSÄSTYSVUONNA

Lisätiedot

MAA- JA METSÄTALOUSMINISTERIÖN ASETUS POIKKEUSLUVALLA SALLITTA- VASTA ILVEKSEN METSÄSTYKSESTÄ METSÄSTYSVUONNA

MAA- JA METSÄTALOUSMINISTERIÖN ASETUS POIKKEUSLUVALLA SALLITTA- VASTA ILVEKSEN METSÄSTYKSESTÄ METSÄSTYSVUONNA MAA- JA METSÄTALOUSMINISTERIÖ Muistio Ylitarkastaja 6.9.2017 Dnro 1454/01.03/2017 Jussi Laanikari MAA- JA METSÄTALOUSMINISTERIÖN ASETUS POIKKEUSLUVALLA SALLITTA- VASTA ILVEKSEN METSÄSTYKSESTÄ METSÄSTYSVUONNA

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

Kunnan väestöennustemalli

Kunnan väestöennustemalli Kunnan väestöennustemalli VENNI kuntasuunnittelun työkaluna 2009 Tieto Corporation Markku Koskela Tieto Finland Oy markku.koskela@tieto.com Kunnan väestöennustemalli VENNI Venni on tilastokuutioilla toteutettu

Lisätiedot

Suurpetojen lukumäärä ja lisääntyminen vuonna 2003

Suurpetojen lukumäärä ja lisääntyminen vuonna 2003 1 Riistantutkimuksen tiedote 194:1-7. Helsinki 21.6.4 Suurpetojen lukumäärä ja lisääntyminen vuonna 3 Ilpo Kojola ja Elisa Määttä Riista- ja kalatalouden tutkimuslaitos arvioi suurpetojen vähimmäisyksilömääriksi

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

-10 km² ruutuaineistoon perustuva tutkimus. Marika Hakala. Tutkimuksen taustaa

-10 km² ruutuaineistoon perustuva tutkimus. Marika Hakala. Tutkimuksen taustaa Sepelvaltimotautikuolleisuuden alueelliset erot Suomessa -10 km² ruutuaineistoon perustuva tutkimus Marika Hakala Tutkimuksen taustaa Suomessa kuolleisuudessa on merkittävää alueellinen vaihtelua: Itä-

Lisätiedot

Johtuuko tämä ilmastonmuutoksesta? - kasvihuoneilmiön voimistuminen vaikutus sääolojen vaihteluun

Johtuuko tämä ilmastonmuutoksesta? - kasvihuoneilmiön voimistuminen vaikutus sääolojen vaihteluun Johtuuko tämä ilmastonmuutoksesta? - kasvihuoneilmiön voimistuminen vaikutus sääolojen vaihteluun Jouni Räisänen Helsingin yliopiston fysiikan laitos 15.1.2010 Vuorokauden keskilämpötila Talvi 2007-2008

Lisätiedot

Peto- ja saaliskanta

Peto- ja saaliskanta Peto- ja saaliskanta Peto- ja saaliskantojen keskinäistä vuorovaikutusta voiaan mallintaa toisistaan riippuvien ifferentiaaliyhtälöien avulla. Tässä tarkastellaan yksinkertaista mallia, joka perustuu ns.

Lisätiedot

Riistakolmiot: Riistatiedonkeruun voimannäyte. Katja Ikonen, suunnittelija

Riistakolmiot: Riistatiedonkeruun voimannäyte. Katja Ikonen, suunnittelija Riistakolmiot: Riistatiedonkeruun voimannäyte Katja Ikonen, suunnittelija Riista- ja peltokolmiolaskenta Pienriistakantojen vaihteluita on seurattu riistakolmiolaskennoilla jo 28 vuoden ajan. Seuranta

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi

Lisätiedot

Riista- ja kalatalouden tutkimuslaitoksen lausunto susitilanteesta

Riista- ja kalatalouden tutkimuslaitoksen lausunto susitilanteesta 15.2.2010 Dnro 85/301/2010 Maa- ja metsätalousministeriö Kala- ja riistaosasto PL 30 00023 VALTIONEUVOSTO Viite MMM 513/444/2010 Lausuntopyyntö 4.2.2010 Riista- ja kalatalouden tutkimuslaitoksen lausunto

Lisätiedot

Laivat törmäyskurssilla - kuinka suurella todennäköisyydellä?

Laivat törmäyskurssilla - kuinka suurella todennäköisyydellä? Laivat törmäyskurssilla - kuinka suurella todennäköisyydellä? DI Maria Hänninen Aalto-yliopiston teknillinen korkeakoulu Sovelletun mekaniikan laitos, Meritekniikka SAFGOF - Research for the Baltic -seminar

Lisätiedot

HR-analytiikan seuraava vaihe: työkyvyn johtaminen ja henkilöstötuottavuus Ossi Aura, filosofian tohtori Petteri Laine, seniorikonsultti, Silta Oy

HR-analytiikan seuraava vaihe: työkyvyn johtaminen ja henkilöstötuottavuus Ossi Aura, filosofian tohtori Petteri Laine, seniorikonsultti, Silta Oy HR-analytiikan seuraava vaihe: työkyvyn johtaminen ja henkilöstötuottavuus Ossi Aura, filosofian tohtori Petteri Laine, seniorikonsultti, Silta Oy Taustaa Tuotannon kausitasoitettu ja työpäiväkorjattu

Lisätiedot

Sään ja ilmaston vaihteluiden vaikutus metsäpaloihin Suomessa ja Euroopassa Understanding the climate variation and change and assessing the risks

Sään ja ilmaston vaihteluiden vaikutus metsäpaloihin Suomessa ja Euroopassa Understanding the climate variation and change and assessing the risks Sään ja ilmaston vaihteluiden vaikutus metsäpaloihin Suomessa ja Euroopassa Understanding the climate variation and change and assessing the risks Ari Venäläinen, Ilari Lehtonen, Hanna Mäkelä, Andrea Vajda,

Lisätiedot

Suurpetojen lukumäärä ja lisääntyminen vuonna 2005

Suurpetojen lukumäärä ja lisääntyminen vuonna 2005 1 Riistantutkimuksen tiedote 208:1-5. Helsinki 1.8.2006 Suurpetojen lukumäärä ja lisääntyminen vuonna 2005 Ilpo Kojola, Elisa Määttä ja Harri Hiltunen Suomessa eleli vuoden 2005 lopussa arviolta 810 860

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy

Lisätiedot

Dynaamiset regressiomallit

Dynaamiset regressiomallit MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen

Lisätiedot

ACCLIM II Ilmastonmuutosarviot ja asiantuntijapalvelu sopeutumistutkimuksia varten Kirsti Jylhä, Ilmatieteen laitos ISTO-loppuseminaari 26.1.

ACCLIM II Ilmastonmuutosarviot ja asiantuntijapalvelu sopeutumistutkimuksia varten Kirsti Jylhä, Ilmatieteen laitos ISTO-loppuseminaari 26.1. http://www.fmi.fi/acclim II Ilmastonmuutosarviot ja asiantuntijapalvelu sopeutumistutkimuksia varten Kirsti Jylhä, Ilmatieteen laitos ISTO-loppuseminaari 26.1.211 TEHTÄVÄ: tuottaa ilmaston vaihteluihin

Lisätiedot

Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen)

Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen) 1 MTTTP3 Luento 29.1.2015 Luku 6 Hypoteesien testaus Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? H 0 : µ = µ 0 H 1 : µ < µ 0 Nollahypoteesi Vaihtoehtoinen hypoteesi

Lisätiedot

Aki Taanila YHDEN SELITTÄJÄN REGRESSIO

Aki Taanila YHDEN SELITTÄJÄN REGRESSIO Aki Taanila YHDEN SELITTÄJÄN REGRESSIO 26.4.2011 SISÄLLYS JOHDANTO... 1 LINEAARINEN MALLI... 1 Selityskerroin... 3 Excelin funktioita... 4 EKSPONENTIAALINEN MALLI... 4 MALLIN KÄYTTÄMINEN ENNUSTAMISEEN...

Lisätiedot

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. 6.10.2015/1 MTTTP1, luento 6.10.2015 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 16. marraskuuta 2007 Antti Rasila () TodB 16. marraskuuta 2007 1 / 15 1 Epäparametrisia testejä χ 2 -yhteensopivuustesti Homogeenisuuden testaaminen Antti

Lisätiedot

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto Kynä-paperi -harjoitukset Taina Lehtinen 43 Loput ratkaisut harjoitustehtäviin 44 Stressitestin = 40 s = 8 Kalle = 34 pistettä Ville = 5 pistettä Z Kalle 34 8 40 0.75 Z Ville 5 8 40 1.5 Kalle sijoittuu

Lisätiedot

Ilmastonmuutos ja ilmastomallit

Ilmastonmuutos ja ilmastomallit Ilmastonmuutos ja ilmastomallit Jouni Räisänen, Helsingin yliopiston Fysikaalisten tieteiden laitos FORS-iltapäiväseminaari 2.6.2005 Esityksen sisältö Peruskäsitteitä: luonnollinen kasvihuoneilmiö kasvihuoneilmiön

Lisätiedot

Johdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)

Lisätiedot

Gaussiset prosessit derivaattahavainnoilla regressio-ongelmassa (valmiin työn esittely)

Gaussiset prosessit derivaattahavainnoilla regressio-ongelmassa (valmiin työn esittely) Gaussiset prosessit derivaattahavainnoilla regressio-ongelmassa (valmiin työn esittely) Ohjaaja: TkT Aki Vehtari Valvoja: Prof. Harri Ehtamo Kandidaattiseminaari 21 1.11.21 Esityksen rakenne Tausta Derivaattahavaintojen

Lisätiedot

Väsymisanalyysi Case Reposaaren silta

Väsymisanalyysi Case Reposaaren silta Väsymisanalyysi Case Reposaaren silta TERÄSSILTAPÄIVÄT 2012, 6. 7.6.2012 Jani Meriläinen, Liikennevirasto Esityksen sisältö Lyhyet esimerkkilaskelmat FLM1, FLM3, FLM4 ja FLM5 Vanha silta Reposaaren silta

Lisätiedot

Uusinta tietoa ilmastonmuutoksesta: luonnontieteelliset asiat

Uusinta tietoa ilmastonmuutoksesta: luonnontieteelliset asiat Uusinta tietoa ilmastonmuutoksesta: luonnontieteelliset asiat Jouni Räisänen Helsingin yliopiston fysiikan laitos 3.2.2010 Lähteitä Allison et al. (2009) The Copenhagen Diagnosis (http://www.copenhagendiagnosis.org/)

Lisätiedot

GeoGebra tutkivan oppimisen välineenä: havainto-hypoteesi-testaus

GeoGebra tutkivan oppimisen välineenä: havainto-hypoteesi-testaus GeoGebra tutkivan oppimisen välineenä: havainto-hypoteesi-testaus Mitä jäi mieleen viime viikosta? Mitä mieltä olet tehtävistä, joissa GeoGebralla työskentely yhdistetään paperilla jaettaviin ohjeisiin

Lisätiedot

Kvantitatiiviset menetelmät

Kvantitatiiviset menetelmät Kvantitatiiviset menetelmät HUOM! Tentti pidetään tiistaina.. klo 6-8 Vuorikadulla V0 ls Muuttujien muunnokset Usein empiirisen analyysin yhteydessä tulee tarve muuttaa aineiston muuttujia Esim. syntymävuoden

Lisätiedot

Järvitesti Ympäristöteknologia T571SA 7.5.2013

Järvitesti Ympäristöteknologia T571SA 7.5.2013 Hans Laihia Mika Tuukkanen 1 LASKENNALLISET JA TILASTOLLISET MENETELMÄT Järvitesti Ympäristöteknologia T571SA 7.5.2013 Sarkola Eino JÄRVITESTI Johdanto Järvien kuntoa tutkitaan monenlaisilla eri menetelmillä.

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

Bayesiläinen tilastollinen vaihtelu

Bayesiläinen tilastollinen vaihtelu Bayesiläinen tilastollinen vaihtelu Janne Pitkäniemi FT, dos. (biometria), joht. til. tiet Suomen Syöpärekisteri Hjelt-instituutti /Helsingin yliopisto Periaatteet Tilastollinen vaihtelu koskee perusjoukon

Lisätiedot

Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä

Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),

Lisätiedot

Suurpetotilanne. Luumäki 20.03.2013 Erkki Kiukas

Suurpetotilanne. Luumäki 20.03.2013 Erkki Kiukas Suurpetotilanne Luumäki 20.03.2013 Erkki Kiukas SÄÄDÖKSET Luontodirektiivi Metsästyslaki Riistahallintolaki Valtioneuvoston asetus riistahallinnosta Metsästysasetus Valtioneuvoston asetus poikkeusluvista

Lisätiedot

Mikä muuttuu, kun kasvihuoneilmiö voimistuu? Jouni Räisänen Helsingin yliopiston fysiikan laitos

Mikä muuttuu, kun kasvihuoneilmiö voimistuu? Jouni Räisänen Helsingin yliopiston fysiikan laitos Mikä muuttuu, kun kasvihuoneilmiö voimistuu? Jouni Räisänen Helsingin yliopiston fysiikan laitos 15.4.2010 Sisältöä Kasvihuoneilmiö Kasvihuoneilmiön voimistuminen Näkyykö kasvihuoneilmiön voimistumisen

Lisätiedot

TILASTOLLINEN OPPIMINEN

TILASTOLLINEN OPPIMINEN 301 TILASTOLLINEN OPPIMINEN Salmiakki- ja hedelmämakeisia on pakattu samanlaisiin käärepapereihin suurissa säkeissä, joissa on seuraavat sekoitussuhteet h 1 : 100% salmiakkia h 2 : 75% salmiakkia + 25%

Lisätiedot

Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu.

Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Ka6710000 TILASTOLLISEN ANALYYSIN PERUSTEET 2. VÄLIKOE 9.5.2007 / Anssi Tarkiainen Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Tehtävä 1. a) Gallupissa

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

MAA- JA METSÄTALOUSMINISTERIÖ Muistio Ylitarkastaja 1.6.2015 Dnro 774/13/2015 Jussi Laanikari

MAA- JA METSÄTALOUSMINISTERIÖ Muistio Ylitarkastaja 1.6.2015 Dnro 774/13/2015 Jussi Laanikari MAA- JA METSÄTALOUSMINISTERIÖ Muistio Ylitarkastaja 1.6.2015 Dnro 774/13/2015 Jussi Laanikari MAA- JA METSÄTALOUSMINISTERIÖN ASETUS POIKKEUSLUVAN TAI ALUEEL- LISEN KIINTIÖN NOJALLA SALLITTAVASTA KARHUN

Lisätiedot

Lämpötilan ja valssausvoiman tilastollinen mallintaminen levyvalssauksessa

Lämpötilan ja valssausvoiman tilastollinen mallintaminen levyvalssauksessa Lämpötilan ja valssausvoiman tilastollinen mallintaminen levyvalssauksessa VaProKe projekti (Ruukki, TEKES) Intelligent Systems Group, ILMARI JUUTILAINEN, 24.11.2011 Sisältö Projektin tavoitteet Voimamallinnuksen

Lisätiedot

Vesilinnut vuonna 2012

Vesilinnut vuonna 2012 Vesilinnut vuonna 2012 Runsaus ja poikastuotto Riista- ja kalatalouden tutkimuslaitos ja Luonnontieteellinen keskusmuseo käynnistivät vesilintujen laskennan vuonna 1986. Maastolaskennat on nyt tehty 27

Lisätiedot

Tarkista vielä ennen analysoinnin aloittamista seuraavat seikat:

Tarkista vielä ennen analysoinnin aloittamista seuraavat seikat: Yleistä Tilastoapu on Excelin sisällä toimiva apuohjelma, jonka avulla voit analysoida tilastoaineistoja. Tilastoapu toimii Excelin Windows-versioissa Excel 2007, Excel 2010 ja Excel 2013. Kun avaat Tilastoavun,

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-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

6. laskuharjoitusten vastaukset (viikot 10 11)

6. laskuharjoitusten vastaukset (viikot 10 11) 6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287

Lisätiedot

Tervasrosoon vaikuttavat tekijät - mallinnustarkastelu

Tervasrosoon vaikuttavat tekijät - mallinnustarkastelu Tervasrosoon vaikuttavat tekijät - mallinnustarkastelu Ville Hallikainen Kuva: Risto Jalkanen Tutkimuskysymykset Mitkä luonnossa vallitsevat ekologiset ja metsänhoidolliset ym. tekijät vaikuttavat tervasroson

Lisätiedot

ILMASTONMUUTOS TÄNÄÄN

ILMASTONMUUTOS TÄNÄÄN ILMASTONMUUTOS TÄNÄÄN Aprés Ski mitä lumileikkien jälkeen? Prof. Jukka Käyhkö Maantieteen ja geologian laitos Kansallisen IPCC-työryhmän jäsen Viidennet ilmastotalkoot Porin seudulla 20.11.2013 Esityksen

Lisätiedot

Harjoitus 7 : Aikasarja-analyysi (Palautus )

Harjoitus 7 : Aikasarja-analyysi (Palautus ) 31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitus 7 : Aikasarja-analyysi (Palautus 28.3.2017) Tämän harjoituskerran tarkoitus on perehtyä

Lisätiedot

ILMASTONMUUTOSENNUSTEET

ILMASTONMUUTOSENNUSTEET ILMASTONMUUTOSENNUSTEET Sami Romakkaniemi Sami.Romakkaniemi@fmi.fi Itä-Suomen Ilmatieteellinen Tutkimuskeskus Kasvihuoneilmiö Osa ilmakehän kaasuista absorboi lämpösäteilyä Merkittävimmät kaasut (osuus

Lisätiedot