Männyn oksaisuuslaadun vaihtelu ja sen ennustaminen katkonnan yhteydessä. Jarkko Isotalo Tampereen yliopisto

Save this PDF as:
 WORD  PNG  TXT  JPG

Koko: px
Aloita esitys sivulta:

Download "Männyn oksaisuuslaadun vaihtelu ja sen ennustaminen katkonnan yhteydessä. Jarkko Isotalo Tampereen yliopisto"

Transkriptio

1 Männyn oksaisuuslaadun vaihtelu ja sen ennustaminen katkonnan yhteydessä Jarkko Isotalo Tampereen yliopisto

2 Laatuaineisto Laatuaineisto koostuu kuuden eri leimikon mäntyrungoista: 1) Ryösä (20 runkoa) 2) Koskinen I (20 runkoa) 3) Koskinen II (10 runkoa) 4) Tuohiniemi (20 runkoa) 5) Palojoki (10 runkoa) 6) Kuusijoensuu (20 runkoa) Sydäntavarakappaleet on laatuluokitettu oksaisuuden suhteen. (sahe 0 ja sahe 1) Oksaisuuslaatuluokitus on määritelty saheen jokaiselle 10 cm:n alueelle pintalappeen ja molempien syrjien perusteella. Aineisto sisältää myös runkojen kuivaoksa- ja latvusrajat.

3

4 Laatuluokitus Laatuluokitus perustuu Pohjoismaisen sahatavaran lajitteluohjeisiin. Aineiston laatumuuttujat: - Lape tuoreoksa - Lape kuivaoksa - Lape laho-oksa - Syrjä tuoreoksa - Syrjä kuivaoksa - Kokonaislaatu maksimi summa maksimi summa maksimi summa maksimi summa maksimi summa

5 Tutkimuksen tavoitteet Laatuaineiston kuvaileva analyysi: Havainnollistaa oksaisuuden vaihtelua ja tarkastella muuttujien välisiä riippuvuussuhteita. Tilastollinen mallintaminen:? Ennustaa tilastollisen mallin avulla ensimmäistä laadun vaihtumiskohtaa (ulkoisia tunnusmerkkejä hyväksi käyttäen). A B

6 Laatuluokitus: Leimikko 1, Runko 1. Sahe 1 Ensimmäinen laadunvaihtokohta: 150 cm. A1 A2 A3 A4 B C D A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Sahe 0 Ensimmäinen laadunvaihtokohta: 80 cm. A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Rungon pituus (cm)

7 Laatuluokitus: Leimikko 1, Runko 2. Sahe 1 Ensimmäinen laadunvaihtokohta: 750 cm. A1 A2 A3 A4 B C D A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Sahe 0 Ensimmäinen laadunvaihtokohta: 110 cm. A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Rungon pituus (cm)

8 Laatuluokitus: Leimikko 6, Runko 20. Sahe 1 Ensimmäinen laadunvaihtokohta: 500 cm. A1 A2 A3 A4 B C D A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Sahe 0 Ensimmäinen laadunvaihtokohta: 200 cm. A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Rungon pituus (cm)

9

10

11

12

13

14

15 Laatuluokituksen jakauma huonoimman laadun perusteella Lape - tuoreoksa Lape - kuivaoksa Lape - laho-oksa Syrjä - tuoreoksa Syrjä - kuivaoksa Rungon pituus (cm)

16 Laatuluokituksen jakauma huonoimman laadun perusteella Lape - tuoreoksan maksimi Lape - tuoreoksan summa Lape - kuivaoksan maksimi Lape - kuivaoksan summa Lape - laho-oksan maksimi Lape - laho-oksan summa Syrjä - tuoreoksan maksimi Syrjä - tuoreoksan summa Syrjä - kuivaoksan maksimi Syrjä - kuivaoksan summa Rungon pituus (cm)

17 A ja B laadun jakauma Lape - tuoreoksa Lape - kuivaoksa Lape - laho-oksa Syrjä - tuoreoksa Syrjä - kuivaoksa A luokka Rungon pituus (cm)

18 B laadun kokojakauma Lape - tuoreoksan maksimi Lape - tuoreoksan summa Lape - kuivaoksan maksimi Lape - kuivaoksan summa Lape - laho-oksan maksimi Lape - laho-oksan summa Syrjä - tuoreoksan maksimi Syrjä - tuoreoksan summa Syrjä - kuivaoksan maksimi Syrjä - kuivaoksan summa Rungon pituus (cm)

19

20

21

22

23 Ensimmäinen B laatukohta (cm) Kuivaoksaraja ja ensimmäinen B laatukohta Kuivaoksaraja (m)

24 Ensimmäinen B laatukohta (cm) Latvusraja ja ensimmäinen B laatukohta Latvusraja (m)

25 Logistinen regressio : e 1+ e α + β * x0 π B( pituus = x0) = α + β * x 0

26

27

28

29

30 Tutkimuksen ongelmia 1. Tutkimusongelma on väärä! Ensimmäistä laadunvaihtokohtaa on ehkä mahdotonta ennustaa. Uutena tavoitteena pitäisikin olla keinojen luominen, joiden avulla turhia B laadun tukkeja voidaan välttää. Vastaavasti voisivatko nykyiset A laadun tukit olla pidempiä?

31 Ensimmäisen tukin laatujakauma A laatu B laatu

32 Ensimmäisen tukin A laadun jakauma Ensimmäisen tukin B laadun jakauma Frekvenssi Frekvenssi cm cm

33 Tutkimuksen ongelmia 2. Laatuluokitus on harhainen! Huonoimman metrin periaate tuottaa harhaisia tuloksia. Uuden luokitusmenetelmän pitäisi vastata paremmin todellisten oksaryppäiden olemassa oloa. Ryhmittelyanalyysin avulla voitaisiin saheelta löytää oksaryhmät, jotka sitten luokiteltaisiin oksaryhmän laadun suhteen.

34

35

36 Uusi laatuluokitus Perusperiaate: Etsitään ensiksi oksaryhmät ja sen jälkeen oksaryhmälle annetaan laatuluokitus.

37 Uusi laatuluokitus: Leimikko 1, Runko 1. Sahe 1 Ensimmäinen laadunvaihtokohta: 240 cm. A1 A2 A3 A4 B C D A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Sahe 0 Ensimmäinen laadunvaihtokohta: 170 cm. A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Rungon pituus (cm)

38 Uusi laatuluokitus: Leimikko 1, Runko 2. Sahe 1 Ensimmäinen laadunvaihtokohta: 880 cm. A1 A2 A3 A4 B C D A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Sahe 0 Ensimmäinen laadunvaihtokohta: 200 cm. A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Rungon pituus (cm)

39 Uusi laatuluokitus: Leimikko 6, Runko 20. Sahe 1 Ensimmäinen laadunvaihtokohta: 460 cm. A1 A2 A3 A4 B C D A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Sahe 0 Ensimmäinen laadunvaihtokohta: 290 cm. A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Rungon pituus (cm)

40

41

42

43

44

45

46 Laatuluokituksen jakauma huonoimman laadun perusteella (uusi luokitus) Lape - tuoreoksa Lape - kuivaoksa Lape - laho-oksa Syrjä - tuoreoksa Syrjä - kuivaoksa Rungon pituus (cm)

47 Laatuluokituksen jakauma huonoimman laadun perusteella (uusi luokitus) Lape - tuoreoksan maksimi Lape - tuoreoksan summa Lape - kuivaoksan maksimi Lape - kuivaoksan summa Lape - laho-oksan maksimi Lape - laho-oksan summa Syrjä - tuoreoksan maksimi Syrjä - tuoreoksan summa Syrjä - kuivaoksan maksimi Syrjä - kuivaoksan summa Rungon pituus (cm)

48 A ja B laadun jakauma (uusi luokitus) Lape - tuoreoksa Lape - kuivaoksa Lape - laho-oksa Syrjä - tuoreoksa Syrjä - kuivaoksa A luokka Rungon pituus (cm)

49 B laadun kokojakauma (uusi luokitus) Lape - tuoreoksan maksimi Lape - tuoreoksan summa Lape - kuivaoksan maksimi Lape - kuivaoksan summa Lape - laho-oksan maksimi Lape - laho-oksan summa Syrjä - tuoreoksan maksimi Syrjä - tuoreoksan summa Syrjä - kuivaoksan maksimi Syrjä - kuivaoksan summa Rungon pituus (cm)

50

51

52

53

54 Ensimmäinen B laatukohta (cm) Kuivaoksaraja ja ensimmäinen B laatukohta (uusi luokitus) Kuivaoksaraja (m)

55 Ensimmäinen B laatukohta (cm) Latvusraja ja ensimmäinen B laatukohta (uusi luokitus) Latvusraja (m)

56

57

58

59

60

61 Tutkimuksen jatko Tilastollisen mallin luominen, minkä avulla turhien B laatuluokan saheiden muodostuminen voitaisiin estää. Todellisuutta paremmin kuvaavan laatuluokituksen muodostaminen (Ryhmittelyanalyysi).?

Männyn laaturajojen integrointi runkokäyrän ennustamisessa. Laura Koskela Tampereen yliopisto 9.6.2003

Männyn laaturajojen integrointi runkokäyrän ennustamisessa. Laura Koskela Tampereen yliopisto 9.6.2003 Männyn laaturajojen integrointi runkokäyrän ennustamisessa Laura Koskela Tampereen yliopisto 9.6.2003 Johdantoa Pohjoismaisen käytännön mukaan rungot katkaistaan tukeiksi jo metsässä. Katkonnan ohjauksessa

Lisätiedot

Tilastolliset mallit hakkuukoneen katkonnan ohjauksessa. Tapio Nummi Tampereen yliopisto

Tilastolliset mallit hakkuukoneen katkonnan ohjauksessa. Tapio Nummi Tampereen yliopisto Tilastolliset mallit hakkuukoneen katkonnan ohjauksessa Tapio Nummi Tampereen yliopisto Runkokäyrän ennustaminen Jotta runko voitaisiin katkaista optimaalisesti pitäisi koko runko mitata etukäteen. Käytännössä

Lisätiedot

Voidaanko laatu huomioida männyn katkonnassa? Jori Uusitalo Joensuun yliopisto

Voidaanko laatu huomioida männyn katkonnassa? Jori Uusitalo Joensuun yliopisto Voidaanko laatu huomioida männyn katkonnassa? Jori Uusitalo Joensuun yliopisto Esityksen sisältö Katkonnan ohjauksen perusteet Tutkimustuloksia Laadun huomioon ottaminen katkonnassa Katkonnan ohjauksen

Lisätiedot

Kuusen kasvun ja puutavaran laadun ennustaminen

Kuusen kasvun ja puutavaran laadun ennustaminen Kuusen kasvun ja puutavaran laadun ennustaminen Anu Kantola Työ on aloitettu omana hankkeenaan 1.1.2001 Suomen Luonnonvarain Tutkimussäätiön rahoittamana, siirtyi Puro -hankkeen rahoittamaksi 1.1.2004

Lisätiedot

Kuusen kasvun ja puutavaran laadun ennustaminen

Kuusen kasvun ja puutavaran laadun ennustaminen 1/13 Kuusen kasvun ja puutavaran laadun ennustaminen Anu Kantola Työ on aloitettu omana hankkeenaan 1.1.21 Suomen Luonnonvarain Tutkimussäätiön rahoittamana, siirtyi Puro-hankkeen rahoittamaksi 1.1.24

Lisätiedot

Tukkiröntgendata sahapuun ohjauksessa

Tukkiröntgendata sahapuun ohjauksessa Tukkiröntgendata sahapuun ohjauksessa Tapio Räsänen Metsäteho Oy FOREST BIG DATA hankkeen tulosseminaari 8.3.2016 Heureka, Vantaa Kehittämistavoitteet Tavoitteena on parantaa puutuoteteollisuuden arvoketjun

Lisätiedot

Tukkiröntgendata sahapuun ohjauksessa

Tukkiröntgendata sahapuun ohjauksessa Tukkiröntgendata sahapuun ohjauksessa Tapio Räsänen Metsäteho Oy FOREST BIG DATA hankkeen tulosseminaari 8.3.2016 Heureka, Vantaa Kehittämistavoitteet Tavoitteena on parantaa puutuoteteollisuuden arvoketjun

Lisätiedot

Kuusen kasvun ja puutavaran laadun ennustaminen

Kuusen kasvun ja puutavaran laadun ennustaminen Kuusen kasvun ja puutavaran laadun ennustaminen Anu Kantola Työ on aloitettu omana hankkeenaan 1.1.21 Suomen Luonnonvarain Tutkimussäätiön rahoittamana, siirtyi Puro -hankkeen rahoittamaksi 1.1.24 Biomassa-aineiston

Lisätiedot

hinnoitteluun ja puukauppaan

hinnoitteluun ja puukauppaan Työkaluja puutavaran hinnoitteluun ja puukauppaan PUU tutkimus ja kehittämisohjelman väliseminaari 6.9.2012 Sokos Hotel Vaakuna, Hämeenlinna Jukka Malinen Metla / Joensuu Metsäntutkimuslaitos Skogsforskningsinstitutet

Lisätiedot

Harvennuspuun raaka-aineominaisuudet ja puutuotemahdollisuudet

Harvennuspuun raaka-aineominaisuudet ja puutuotemahdollisuudet Puunkäytön kehittäminen ja uudet tuotemarkkinat Tutkimusohjelman loppuseminaari 13.11.2008, Lahti, Sibeliustalo Harvennuspuun raaka-aineominaisuudet ja puutuotemahdollisuudet Tapio Wall: - Harvennusmännyn

Lisätiedot

Runkohinnoittelun käytettävyys? Puumarkkinatyöryhmä, tiistaina Jukka Malinen Metla / Joensuu

Runkohinnoittelun käytettävyys? Puumarkkinatyöryhmä, tiistaina Jukka Malinen Metla / Joensuu Runkohinnoittelun käytettävyys? Puumarkkinatyöryhmä, tiistaina 12.10.2010 Jukka Malinen Metla / Joensuu Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research Institute www.metla.fi Tavaralajihinnoittelun

Lisätiedot

KUUSEN OMINAISUUSPOTENTIAALI

KUUSEN OMINAISUUSPOTENTIAALI KUUSEN OMINAISUUSPOTENTIAALI Marketta Sipi ja Antti Rissanen Helsingin yliopisto Metsävarojen käytön laitos Taustaa» Puuaineen ja kuitujen ominaisuudet vaihtelevat» Runkojen sisällä» Runkojen välillä»

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 22. marraskuuta 2007 Antti Rasila () TodB 22. marraskuuta 2007 1 / 17 1 Epäparametrisia testejä (jatkoa) χ 2 -riippumattomuustesti 2 Johdatus regressioanalyysiin

Lisätiedot

Tukkien laatukriteerit ja apteerauksen arvoperusteet

Tukkien laatukriteerit ja apteerauksen arvoperusteet Tukkien laatukriteerit ja apteerauksen arvoperusteet Eero Lukkarinen Sirkka Keskinen Olavi Pennanen Metsätehon raportti 65 30.12.1998 Konsortiohanke: A.Ahlström Osakeyhtiö, Aureskoski Oy, Koskitukki Oy,

Lisätiedot

SahapuuPunJGoj en APTEEIAUS alkaen käyttöön hyväksytyt. metsäteollisuuden tarkastamat tukkienteko-ohjeet.

SahapuuPunJGoj en APTEEIAUS alkaen käyttöön hyväksytyt. metsäteollisuuden tarkastamat tukkienteko-ohjeet. SahapuuPunJGoj en APTEEIAUS 1.5.1989 alkaen käyttöön hyväksytyt sahatukkien laatuvaatimukset sekä MTK:n ja metsäteollisuuden tarkastamat tukkienteko-ohjeet. YLEISOHJEIT A APTEERAUKSEST A Sahapuurunkojen

Lisätiedot

Vaihtoehtoisia malleja puuston kokojakauman muodostamiseen

Vaihtoehtoisia malleja puuston kokojakauman muodostamiseen Vaihtoehtoisia malleja puuston kokojakauman muodostamiseen Jouni Siipilehto, Harri Lindeman, Jori Uusitalo, Xiaowei Yu, Mikko Vastaranta Luonnonvarakeskus Geodeettinen laitos Helsingin yliopisto Vertailtavat

Lisätiedot

Eero Lukkarinen Sirkka Keskinen Jari Marjomaa Olavi Pennanen

Eero Lukkarinen Sirkka Keskinen Jari Marjomaa Olavi Pennanen Tukin ja rungon arvon laskentaohjelmiston kuvaus Eero Lukkarinen Sirkka Keskinen Jari Marjomaa Olavi Pennanen Metsätehon raportti 49 27.2.1998 Konsortiohanke: A.Ahlström Osakeyhtiö, Aureskoski Oy, Enso

Lisätiedot

Tehtävä 1. Jatka loogisesti oheisia jonoja kahdella seuraavaksi tulevalla termillä. Perustele vastauksesi

Tehtävä 1. Jatka loogisesti oheisia jonoja kahdella seuraavaksi tulevalla termillä. Perustele vastauksesi Tehtävä. Jatka loogisesti oheisia jonoja kahdella seuraavaksi tulevalla termillä. Perustele vastauksesi lyhyesti. a) a, c, e, g, b),,, 7,, Ratkaisut: a) i ja k - oikea perustelu ja oikeat kirjaimet, annetaan

Lisätiedot

Väliestimointi (jatkoa) Heliövaara 1

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

Lisätiedot

Mänty sahapuuna tapaustutkimuksia

Mänty sahapuuna tapaustutkimuksia Mänty sahapuuna tapaustutkimuksia Harri Mäkinen Lauri Valsta, Sami Pastila, Kirsi Makkonen, Henna Lyhykäinen, Annikki Mäkelä, Arto Usenius Sisältö 1. Harvennusten kannattavuus» sahan kannalta» metsänomistajan

Lisätiedot

Suomalaisen sahateollisuuden kilpailukyvyn

Suomalaisen sahateollisuuden kilpailukyvyn Metsätieteen aikakauskirja t i e t e e n t o r i Anu Kantola Puu pintaa syvemmältä: kuusen rungon rakennetta ennustavat simulaattorit osa tulevaisuuden tuotantoteknologiaa Oikeanlaista puuta jatkojalostukseen

Lisätiedot

Pohjois- ja Etelä-Suomen kuusen ominaisuudet vaativien rakennustuotteiden kannalta

Pohjois- ja Etelä-Suomen kuusen ominaisuudet vaativien rakennustuotteiden kannalta Pohjois- ja Etelä-Suomen kuusen ominaisuudet vaativien rakennustuotteiden kannalta Antti Lukkarinen, Metsäntutkimuslaitos, Rovaniemen toimintayksikkö Puun käyttö- ja markkinamahdollisuudet, PKM-tutkimusohjelman

Lisätiedot

Kuusen kasvun ja puutavaran laadun ennustaminen

Kuusen kasvun ja puutavaran laadun ennustaminen Kuusen kasvun ja puutavaran laadun ennustaminen Anu Kantola Työ on aloitettu omana hankkeenaan 1.1.21 Suomen Luonnonvarain Tutkimussäätiön rahoittamana, siirtyi Puro-hankkeen rahoittamaksi 1.1.24 Biomassa-aineiston

Lisätiedot

Katkonta - ensimmäinen jalostuspäätös vai raaka-aineen hinnan määritystä?

Katkonta - ensimmäinen jalostuspäätös vai raaka-aineen hinnan määritystä? Katkonta - ensimmäinen jalostuspäätös vai raaka-aineen hinnan määritystä? Puupäivä, torstaina 27.10.2011 Jukka Malinen Metla / Joensuu Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research

Lisätiedot

Läpäisyehto: Kokeesta saatava 5. Uusintakoe: Arvosana määräytyy yksin uusintakokeen perusteella.

Läpäisyehto: Kokeesta saatava 5. Uusintakoe: Arvosana määräytyy yksin uusintakokeen perusteella. MAA7 Trigonometriset funktiot Arvosanan perusteet: koe 70 %, harjoitustehtävä 10 %, tuntitestit 20 %, lisäksi oppimisen ja työskentelyn havainnointi opettajan harkinnan mukaan (ks. OPS 6.2). Muu arviointi:

Lisätiedot

Hämeenlinna 6.9.2012. Jari Lindblad Jukka Antikainen. Jukka.antikainen@metla.fi 040 801 5051

Hämeenlinna 6.9.2012. Jari Lindblad Jukka Antikainen. Jukka.antikainen@metla.fi 040 801 5051 Puutavaran mittaus Hämeenlinna 6.9.2012 Jari Lindblad Jukka Antikainen Metsäntutkimuslaitos, Itä Suomen alueyksikkö, Joensuu Jukka.antikainen@metla.fi 040 801 5051 SISÄLTÖ 1. Puutavaran mittaustarkkuus

Lisätiedot

Puukaupan uudet tuulet - rungonosahinnoittelu. Jori Uusitalo Metla 02.10.2014

Puukaupan uudet tuulet - rungonosahinnoittelu. Jori Uusitalo Metla 02.10.2014 Puukaupan uudet tuulet - rungonosahinnoittelu Jori Uusitalo Metla 02.10.2014 Puun hinnoittelutapoja Puutavaralajihinnoittelu hinta tavaralajille Runkohinnoittelu yksi hinta koko rungolle Rungonosahinnoittelu

Lisätiedot

ARVO-ohjelmisto pienpuun hankinnan tukena

ARVO-ohjelmisto pienpuun hankinnan tukena ARVO-ohjelmisto pienpuun hankinnan tukena Jukka Malinen Pienpuupäivä Keskiviikko 17.11.2010 Mikpoli, auditorio, Patteristonkatu 2, 50100 Mikkeli Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest

Lisätiedot

Itä-Savon laatukasvatuspäivä Rantasalmi, 21.8.2012

Itä-Savon laatukasvatuspäivä Rantasalmi, 21.8.2012 Tuloksia nopeakasvuisen männyn laadusta, pystykarsinnasta ja laadun hyödyntämisestä puutuotteissa Erkki Verkasalo, Esko Sirparanta, Mitchell Baker, Harri Kilpeläinen, Antti Ihalainen Itä-Savon laatukasvatuspäivä

Lisätiedot

Hoitotyön henkilöstövoimavarojen hallinnan mallintaminen kansallisesti yhtenäisillä tunnusluvuilla

Hoitotyön henkilöstövoimavarojen hallinnan mallintaminen kansallisesti yhtenäisillä tunnusluvuilla Hoitotyön henkilöstövoimavarojen hallinnan mallintaminen kansallisesti yhtenäisillä tunnusluvuilla Ehdotukset kansallisesti yhtenäisiksi hoitotyön henkilöstövoimavarojen hallinnan tunnusluvuiksi Erikoissairaanhoito

Lisätiedot

Metsänhoidollisen ympäristön vaikutus mäntysahapuun laatuun

Metsänhoidollisen ympäristön vaikutus mäntysahapuun laatuun Metsänhoidollisen ympäristön vaikutus mäntysahapuun laatuun Anu Kantola Olavi Pennanen Metsätehon raportti 69 29.3.1999 Ryhmähanke: Aureskoski Oy, Metsähallitus, Metsäliitto Osuuskunta, Stora Enso Oyj,

Lisätiedot

METSATEHO ~ METSÄTEOLLISUUS 12/1994 PUUNKORJUUN KUSTANNUSTEN JAKAMINEN PUUTAVARALAJEILLE. Jari Terävä. Teppo Oijala

METSATEHO ~ METSÄTEOLLISUUS 12/1994 PUUNKORJUUN KUSTANNUSTEN JAKAMINEN PUUTAVARALAJEILLE. Jari Terävä. Teppo Oijala METSATEHO... ' 1 ~ ~.. ~ ' 1.. : 12/1994 PUUNKORJUUN KUSTANNUSTEN JAKAMINEN PUUTAVARALAJEILLE e Teppo Oijala Jari Terävä Metsätehossa on valmistunut metsäkoneiden ajanmenekkitutkimuksiin sekä PMP- ja VMI

Lisätiedot

PUUTAVARA- PÖLKKYJEN MITTAUS

PUUTAVARA- PÖLKKYJEN MITTAUS PUUTAVARA- PÖLKKYJEN MITTAUS PUUTAVARAPÖLKKYJEN MITTAUS Metsähallitus Metsäteollisuus ry Yksityismetsätalouden Työnantajat ry Puu- ja erityisalojen liitto Ohje perustuu alla lueteltuihin maa- ja metsätalousministeriön

Lisätiedot

PITUUSJAKAUTUMINEN. mittausta katkottujen paperipuiden hakkuusta kerättyjä tutkimusainei stoja hyväksi käyttäen.

PITUUSJAKAUTUMINEN. mittausta katkottujen paperipuiden hakkuusta kerättyjä tutkimusainei stoja hyväksi käyttäen. METSÄTEHON KATSAUS 7/1968 ) S I L M Ä V A R A I S E S T I KATKOTUN HAVUPAPERIPUUN PITUUSJAKAUTUMINEN Tämä selvitys on tehty Metsätehon vuosina 1965--1967 ilman pituuden mittausta katkottujen paperipuiden

Lisätiedot

Laatua kuvaavien kasvumallien kehittäminen. Annikki Mäkelä, Anu Kantola, Harri Mäkinen HY Metsäekologian laitos, Metla

Laatua kuvaavien kasvumallien kehittäminen. Annikki Mäkelä, Anu Kantola, Harri Mäkinen HY Metsäekologian laitos, Metla Laatua kuvaavien kasvumallien kehittäminen Annikki Mäkelä, Anu Kantola, Harri Mäkinen HY Metsäekologian laitos, Metla Taustaa» Kasvumallit antavat puustoennusteen kiertoaikana, kun tunnetaan» kasvupaikkatiedot»

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

Lineaariset luokittelumallit: regressio ja erotteluanalyysi

Lineaariset luokittelumallit: regressio ja erotteluanalyysi Lineaariset luokittelumallit: regressio ja erotteluanalyysi Aira Hast Johdanto Tarkastellaan menetelmiä, joissa luokittelu tehdään lineaaristen menetelmien avulla. Avaruus jaetaan päätösrajojen avulla

Lisätiedot

Katkonnanohjaus evoluutiolaskennan keinoin

Katkonnanohjaus evoluutiolaskennan keinoin Katkonnanohjaus evoluutiolaskennan keinoin Askel kohti optimaalista tavaralajijakoa Veli-Pekka Kivinen HY, Metsävarojen käytön laitos Katkonnanohjauksen problematiikkaa Miten arvo-/tavoitematriisit tulisi

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.104 Tilastollisen analyysin perusteet, kevät 007 8. luento: Usean selittäjän lineaarinen regressiomalli Kai Virtanen 1 Usean selittäjän lineaarinen regressiomalli Selitettävän muuttujan havaittujen

Lisätiedot

Sahatavara. Laatutavaraa suomalaisesta kuusesta ja männystä

Sahatavara. Laatutavaraa suomalaisesta kuusesta ja männystä TIMBER Sahatavara Laatutavaraa suomalaisesta kuusesta ja männystä SUOMALAINEN PUU MONIMUOTOINEN RAKENNUS- JA SISUSTUSMATERIAALI Suomalainen havupuu on miellyttävä, lämmin ja kaunis materiaali, joka mukautuu

Lisätiedot

Sovellettu todennäköisyyslaskenta B

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

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.

Lisätiedot

40VUOTISJUHLARETKEILY

40VUOTISJUHLARETKEILY METSÄNTUTKIMUSLAITOKSEN 40VUOTISJUHLARETKEILY PUNKAHARJUN HEINÄKUUN KOKEILUALUEESSA 1 PÄIVÄNÄ 1958 RETKEILY OHJELMA klo 8.30 10.00 Kahviaamiainen T ervehdyssanat 10.00 12.00 Retkeilyä 12.00 13.15 Kenttälounas

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

ABHELSINKI UNIVERSITY OF TECHNOLOGY

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

Lisätiedot

PURO Osahanke 3. Elintoimintoihin perustuvat mallit: Tavoitteet. PipeQual-mallin kehittäminen. PipeQual-mallin soveltaminen

PURO Osahanke 3. Elintoimintoihin perustuvat mallit: Tavoitteet. PipeQual-mallin kehittäminen. PipeQual-mallin soveltaminen PURO Osahanke 3 Annikki Mäkelä, HY Anu Kantola Harri Mäkinen Elintoimintoihin perustuvat mallit: Tavoitteet PipeQual-mallin kehittäminen mänty: puuaineen ominaisuudet mallit männyn kasvumalliin mallin

Lisätiedot

Laatumäntyä erirakenteiskasvatuksella koesuunnitelma ja toteutus

Laatumäntyä erirakenteiskasvatuksella koesuunnitelma ja toteutus Laatumäntyä erirakenteiskasvatuksella koesuunnitelma ja toteutus Riikka Piispanen Luonnonvarakeskus Erirakenteiskasvatus männiköissä näin se voi toimia (Sauli Valkonen ja Riikka Piispanen) Erirakenteis-

Lisätiedot

1. Tutkitaan tavallista kahden selittäjän regressiomallia

1. Tutkitaan tavallista kahden selittäjän regressiomallia TA7, Ekonometrian johdantokurssi HARJOITUS 5 RATKAISUEHDOTUKSET 232215 1 Tutkitaan tavallista kahden selittäjän regressiomallia Y i = β + β 1 X 1,i + β 2 X 2,i + u i (a) Kirjoita regressiomalli muodossa

Lisätiedot

PURO Osahanke 3 Annikki Mäkelä, HY Anu Kantola Harri Mäkinen Edistyminen -mallin adaptointi kuuselle mittaukset kuusen yleisestä rakenteesta, kilpailun vaikutus siihen Anu Kantola kuusen oksamittaukset

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

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

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

Laboratorioanalyysit, vertailunäytteet ja tilastolliset menetelmät

Laboratorioanalyysit, vertailunäytteet ja tilastolliset menetelmät Jarmo Koskiniemi Maataloustieteiden laitos Helsingin yliopisto 0504151624 jarmo.koskiniemi@helsinki.fi 03.12.2015 Kolkunjoen taimenten geneettinen analyysi Näytteet Mika Oraluoma (Vesi-Visio osk) toimitti

Lisätiedot

1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet

1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet VAASAN YLIOPISTO/AVOIN YLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia 1 KURSSIKYSELYAINEISTO: 1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka

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

Laskennallinen menetelmä puun biomassan ja oksien kokojakauman määrittämiseen laserkeilausdatasta

Laskennallinen menetelmä puun biomassan ja oksien kokojakauman määrittämiseen laserkeilausdatasta Laskennallinen menetelmä puun biomassan ja oksien kokojakauman määrittämiseen laserkeilausdatasta Pasi Raumonen, Mikko Kaasalainen ja Markku Åkerblom Tampereen teknillinen ylipisto, Matematiikan laitos

Lisätiedot

MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely

MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017 Aikataulu ja suoritustapa (Katso MyCourses) Luennot

Lisätiedot

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

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

Lisätiedot

HAAPA PUUTUOTETEOLLISUUDESSA

HAAPA PUUTUOTETEOLLISUUDESSA HAAPA PUUTUOTETEOLLISUUDESSA Henrik Heräjärvi Metsäntutkimuslaitos, Joensuun toimintayksikkö Saunanlauteita haavasta, MacPine Oy., Karstula Kuvat: www.macpine.fi Saunanlauteita haavasta, MacPine Oy., Karstula

Lisätiedot

ARVO ohjelmisto. Tausta

ARVO ohjelmisto. Tausta ARVO ohjelmisto Tausta Jukka Malinen, Metla Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research Institute www.metla.fi Ennakkotiedon tarve - Metsänomistaja 25.1.2010 2 Ennakkotiedon

Lisätiedot

MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely

MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Aikataulu ja suoritustapa (Katso MyCourses) Luennot

Lisätiedot

Metsikkötason optimointimallit metsänkasvatuksen taloudellisessa tutkimuksessa ja metsänkäsittelypäätösten tukena

Metsikkötason optimointimallit metsänkasvatuksen taloudellisessa tutkimuksessa ja metsänkäsittelypäätösten tukena Tutkijoiden metsäpalaverin päätöskokous Kolilla, 16.-17.11. 200 Metsikkötason optimointimallit metsänkasvatuksen taloudellisessa tutkimuksessa ja metsänkäsittelypäätösten tukena Kari Hyytiäinen, Metsäntutkimuslaitos

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

Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle

Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle - Sisältö - - - Varianssianalyysi Varianssianalyysissä (ANOVA) testataan oletusta normaalijakautuneiden otosten odotusarvojen

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen

Lisätiedot

Tehtävä 1. Oletetaan että uv on neliö ja (u, v) = 1. Osoita, että kumpikin luvuista u ja v on. p 2j i. p j i

Tehtävä 1. Oletetaan että uv on neliö ja (u, v) = 1. Osoita, että kumpikin luvuista u ja v on. p 2j i. p j i JOHDATUS LUKUTEORIAAN (syksy 07) HARJOITUS 8, MALLIRATKAISUT Tehtävä. Oletetaan että uv on neliö ja (u, v) =. Osoita, että kumpikin luvuista u ja v on neliö. Ratkaisu. Olkoon p i alkuluku, joka jakaa luvun

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

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

MAOL-pisteytysohje. Matematiikka lyhyt oppimäärä Kevät 2014

MAOL-pisteytysohje. Matematiikka lyhyt oppimäärä Kevät 2014 0..0 MAOL-pistetsohje Matematiikka lht oppimäärä Kevät 0 Hvästä suorituksesta näk, miten vastaukseen on päädtt. Ratkaisussa on oltava tarvittavat laskut tai muut riittävät perustelut ja lopputulos. Arvioinnissa

Lisätiedot

Lohkoasetelmat. Kuusinen/Heliövaara 1

Lohkoasetelmat. Kuusinen/Heliövaara 1 Lohkoasetelmat Kuusinen/Heliövaara 1 Kiusatekijä Kaikissa kokeissa kokeen tuloksiin voi vaikuttaa vaihtelu, joka johtuu kiusatekijästä. Kiusatekijä on tekijä, jolla on mahdollisesti vaikutusta vastemuuttujan

Lisätiedot

Itseoppivat ja joustavat tuotantojärjestelmät puutuoteteollisuudessa (SisuPUU)

Itseoppivat ja joustavat tuotantojärjestelmät puutuoteteollisuudessa (SisuPUU) Itseoppivat ja joustavat tuotantojärjestelmät puutuoteteollisuudessa (SisuPUU) Nelisahauksen ja läpisahauksen vertailu Tukin pyörityksen optimointi Arto Usenius, Antti Heikkilä ja Timo Usenius Tulevaisuuden

Lisätiedot

Harvennuslehtikuusen laatuluokituksen

Harvennuslehtikuusen laatuluokituksen Metsätieteen aikakauskirja t u t k i m u s a r t i k k e l i Tuomas Salila ja Timo Kärki Tuomas Salila Timo Kärki Harvennuslehtikuusen laatuluokituksen kehittäminen Salila, T. & Kärki, T. 2006. Harvennuslehtikuusen

Lisätiedot

Harjoitus 7: NCSS - Tilastollinen analyysi

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

Lisätiedot

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

Puuston ennakkotiedon hankintamenetelmät. Tapio Räsänen Eero Lukkarinen

Puuston ennakkotiedon hankintamenetelmät. Tapio Räsänen Eero Lukkarinen Puuston ennakkotiedon hankintamenetelmät ja käyttö Tapio Räsänen Eero Lukkarinen Metsätehon raportti 43 10.2.1998 Konsortiohanke: A.Ahlström Osakeyhtiö, Aureskoski Oy, Enso Oyj, Koskitukki Oy, Kuhmo Oy,

Lisätiedot

Todennäköisyyden ominaisuuksia

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

Lisätiedot

Diagrammeja ja tunnuslukuja luokkani oppilaista

Diagrammeja ja tunnuslukuja luokkani oppilaista Diagrammeja ja tunnuslukuja luokkani oppilaista Aihepiiri Tilastollisiin tunnuslukuihin tutustuminen Luokka-aste Kesto Tarvittavat materiaalit / välineet Lyhyt kuvaus tehtävästä Yläaste 9. luokka 30 min

Lisätiedot

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

Johdatus tilastotieteeseen Johdatus regressioanalyysiin. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteeseen Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2005) 1 Johdatus regressioanalyysiin Regressioanalyysin lähtökohdat ja tavoitteet Deterministiset mallit ja regressioanalyysi

Lisätiedot

Rakenteisen kirjaamisen hyödyntäminen tunnuslukutyössä perusterveydenhuollossa

Rakenteisen kirjaamisen hyödyntäminen tunnuslukutyössä perusterveydenhuollossa Rakenteisen kirjaamisen hyödyntäminen tunnuslukutyössä perusterveydenhuollossa Rakenteisen kirjaamisen hyödyntäminen hoitotyön prosessin kuvaamisessa perusterveydenhuollossa VeTeHH-raportti PPT_12B taina.pitkaaho@kuh.fi

Lisätiedot

ARVO ohjelmisto. Tausta

ARVO ohjelmisto. Tausta ARVO ohjelmisto Tausta Jukka Malinen, Metla Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research Institute www.metla.fi Ennakkotiedon tarve - Metsänomistaja 11.2.2010 2 Ennakkotiedon

Lisätiedot

Tuontikoivutukkien laatu loppukäyttäjien kannalta. Juha Arponen & Henrik Heräjärvi

Tuontikoivutukkien laatu loppukäyttäjien kannalta. Juha Arponen & Henrik Heräjärvi Tuontikoivutukkien laatu loppukäyttäjien kannalta Juha Arponen & Henrik Heräjärvi Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research Institute www.metla.fi Tausta Kuusi- ja koivutukkien

Lisätiedot

Leimikon arvosaanto ja puukaupan tehostaminen. Jukka Malinen, Harri Kilpeläinen, Tapio Wall & Erkki Verkasalo

Leimikon arvosaanto ja puukaupan tehostaminen. Jukka Malinen, Harri Kilpeläinen, Tapio Wall & Erkki Verkasalo Leimikon arvosaanto ja puukaupan tehostaminen Jukka Malinen, Harri Kilpeläinen, Tapio Wall & Erkki Verkasalo / Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research Institute www.metla.fi

Lisätiedot

KUITUPUUN PINO- MITTAUS

KUITUPUUN PINO- MITTAUS KUITUPUUN PINO- MITTAUS Ohje KUITUPUUN PINOMITTAUS Ohje perustuu maa- ja metsätalousministeriön 16.6.1997 vahvistamaan pinomittausmenetelmän mittausohjeeseen. Ohjeessa esitettyä menetelmää sovelletaan

Lisätiedot

https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014

https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014 1 MTTTP3 Tilastollisen päättelyn perusteet 2 Luennot 8.1.2015 ja 13.1.2015 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014

Lisätiedot

Taitaja 2011 finaalitehtävät Metsäkoneenkäyttö

Taitaja 2011 finaalitehtävät Metsäkoneenkäyttö Taitaja 2011 finaalitehtävät Metsäkoneenkäyttö Tehtävä A: Koneellinen puutavaran valmistus (uudistushakkuu) (John Deere E-sarjan käyttösimulaattori) Tavoitteet Tehtävässä tavoitellaan ammattimaista koneenkäsittelyä

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

Logistinen regressio, separoivat hypertasot

Logistinen regressio, separoivat hypertasot Logistinen regressio, separoivat hypertasot Topi Sikanen Logistinen regressio Aineisto jakautunut K luokkaan K=2 tärkeä erikoistapaus Halutaan mallintaa luokkien vedonlyöntikertoimia (odds) havaintojen

Lisätiedot

Johdatus matematiikkaan

Johdatus matematiikkaan Johdatus matematiikkaan Luento 6 Mikko Salo 6.9.2017 Sisältö 1. Kompleksitaso 2. Joukko-oppia Kompleksiluvut Edellisellä luennolla huomattiin, että toisen asteen yhtälö ratkeaa aina, jos ratkaisujen annetaan

Lisätiedot

Eero Lukkarinen Jari Marjomaa

Eero Lukkarinen Jari Marjomaa Rungon kapenemisen ennustaminen hakkuukoneen mittalaitteella Ennustusmenetelmien vertailu Eero Lukkarinen Jari Marjomaa Metsätehon raportti 35 15.12.1997 Konsortiohanke: A.Ahlström Osakeyhtiö, Aureskoski

Lisätiedot

Opastiosilta 8 B 00520 HELSINKI 52 SELOSTE Puhelin 90-140011 3/1976 HAKKUUMIEHEN AJANKÄYTTÖ PÖLKKY

Opastiosilta 8 B 00520 HELSINKI 52 SELOSTE Puhelin 90-140011 3/1976 HAKKUUMIEHEN AJANKÄYTTÖ PÖLKKY MDSATIHO Opastiosilta 8 B 0050 HELSINKI 5 SELOSTE Puhelin 90400 /976 HAKKUUMIEHEN AJANKÄYTTÖ PÖLKKY MENETELMÄÄN LIITTYVISSÄ TÖISSÄ Mikko Kahala TIIVISTELMÄ Tutkimuksessa selvitetäänhakkuumiehen ajankäyttöä

Lisätiedot

BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 4, Syksy 2016

BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 4, Syksy 2016 BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 4, Syksy 2016 1. Hahmottele karkeasti funktion f : R R 2 piirtämällä sen arvoja muutamilla eri muuttujan arvoilla kaksiulotteiseen koordinaatistoon

Lisätiedot

Harjoitustehtävien ratkaisut. Joukko-opin harjoituksia. MAB1: Luvut ja lukujoukot 2

Harjoitustehtävien ratkaisut. Joukko-opin harjoituksia. MAB1: Luvut ja lukujoukot 2 MAB: Luvut ja lukujoukot Harjoitustehtävien ratkaisut Joukko-opin harjoituksia T Joukossa W V ovat kaikki joukkojen W ja V alkiot, siis alkiot, jotka ovat joko W :n tai V :n tai molempien alkioita. Siis

Lisätiedot

Sahauksen kustannuslaskenta

Sahauksen kustannuslaskenta Sahauksen kustannuslaskenta PUU-ohjelman Pienpuupäivä Mikpoli, Mikkeli Heikki Korpunen 17.11.2010 WOOD VALUE Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research Institute www.metla.fi

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

Uusiutuvan energian velvoite Suomessa (RES direktiivi)

Uusiutuvan energian velvoite Suomessa (RES direktiivi) Hakkuutähteen paalaus ja kannonnosto kuusen väliharvennuksilta Juha Nurmi, Otto Läspä and Kati Sammallahti Metla/Kannus Energiapuun saatavuus, korjuu ja energiaosuuskunnat Keski-Pohjanmaalla Forest Power

Lisätiedot

Kenguru 2012 Junior sivu 1 / 8 (lukion 1. vuosi)

Kenguru 2012 Junior sivu 1 / 8 (lukion 1. vuosi) Kenguru 2012 Junior sivu 1 / 8 Nimi Ryhmä Pisteet: Kenguruloikan pituus: Irrota tämä vastauslomake tehtävämonisteesta. Merkitse tehtävän numeron alle valitsemasi vastausvaihtoehto. Väärästä vastauksesta

Lisätiedot

Taimikonhoidon vaikutus. Taimikonhoidon vaikutus kasvatettavan puuston laatuun

Taimikonhoidon vaikutus. Taimikonhoidon vaikutus kasvatettavan puuston laatuun Taimikonhoidon vaikutus kasvatettavan puuston laatuun Taimikonhoidon teemapäivä 26.8.2010 MMT Metsäntutkimuslaitos, Suonenjoki Varhaishoito Pintakasvillisuuden torjunta - kilpailun vaikutukset Taimikonhoidon

Lisätiedot

SMG-2100: SÄHKÖTEKNIIKKA. Kompleksilukujen hyödyntäminen vaihtosähköpiirien

SMG-2100: SÄHKÖTEKNIIKKA. Kompleksilukujen hyödyntäminen vaihtosähköpiirien SMG-100: SÄHKÖTEKNIIKKA Kompleksilukujen hyödyntäminen vaihtosähköpiirien analyysissä Osoitin Trigonometrinen muoto Polaarimuoto Kompleksilukujen peruslaskutoimitukset Viime luennolla esitettiin, että

Lisätiedot

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas KURSSIN SISÄLTÖ Johdanto Mittaaminen ja aineiston hankinta Mitta-asteikot Otanta Aineiston esittäminen ja data-analyysi Havaintomatriisi

Lisätiedot

Til.yks. x y z 1 2 1 20.3 2 2 1 23.5 9 2 1 4.7 10 2 2 6.2 11 2 2 15.6 17 2 2 23.4 18 1 1 12.5 19 1 1 7.8 24 1 1 9.4 25 1 2 28.1 26 1 2-6.2 33 1 2 33.

Til.yks. x y z 1 2 1 20.3 2 2 1 23.5 9 2 1 4.7 10 2 2 6.2 11 2 2 15.6 17 2 2 23.4 18 1 1 12.5 19 1 1 7.8 24 1 1 9.4 25 1 2 28.1 26 1 2-6.2 33 1 2 33. Tehtävien ratkaisuja. a) Tilastoyksiköitä ovat työntekijät: Vatanen, Virtanen, Virtanen ja Voutilainen; muuttujina: ikä, asema, palkka, lasten lkm (ja nimikin voidaan tulkita muuttujaksi, jos niin halutaan)

Lisätiedot