Männyn oksaisuuslaadun vaihtelu ja sen ennustaminen katkonnan yhteydessä. Jarkko Isotalo Tampereen yliopisto
|
|
|
- Outi Hukkanen
- 1 vuotta sitten
- Katselukertoja:
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 Johdantoa Pohjoismaisen käytännön mukaan rungot katkaistaan tukeiksi jo metsässä. Katkonnan ohjauksessa
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
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
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
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
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
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
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
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
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
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
KUUSEN OMINAISUUSPOTENTIAALI
KUUSEN OMINAISUUSPOTENTIAALI Marketta Sipi ja Antti Rissanen Helsingin yliopisto Metsävarojen käytön laitos Taustaa» Puuaineen ja kuitujen ominaisuudet vaihtelevat» Runkojen sisällä» Runkojen välillä»
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
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,
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
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
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
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
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).
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
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
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
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
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
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:
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
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
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
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
Hoitotyön henkilöstövoimavarojen hallinnan mallintaminen kansallisesti yhtenäisillä tunnusluvuilla
Hoitotyön henkilöstövoimavarojen hallinnan mallintaminen kansallisesti yhtenäisillä tunnusluvuilla Ehdotukset kansallisesti yhtenäisiksi hoitotyön henkilöstövoimavarojen hallinnan tunnusluvuiksi Erikoissairaanhoito
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,
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
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
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
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»
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
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
Katkonnanohjaus evoluutiolaskennan keinoin
Katkonnanohjaus evoluutiolaskennan keinoin Askel kohti optimaalista tavaralajijakoa Veli-Pekka Kivinen HY, Metsävarojen käytön laitos Katkonnanohjauksen problematiikkaa Miten arvo-/tavoitematriisit tulisi
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
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
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
ABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
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
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
ABHELSINKI UNIVERSITY OF TECHNOLOGY
Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai
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
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-
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
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
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
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
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
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
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
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
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
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
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
HAAPA PUUTUOTETEOLLISUUDESSA
HAAPA PUUTUOTETEOLLISUUDESSA Henrik Heräjärvi Metsäntutkimuslaitos, Joensuun toimintayksikkö Saunanlauteita haavasta, MacPine Oy., Karstula Kuvat: www.macpine.fi Saunanlauteita haavasta, MacPine Oy., Karstula
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
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
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
Regressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
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
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
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
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
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
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
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
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
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
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
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
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,
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
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
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
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
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
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
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
KUITUPUUN PINO- MITTAUS
KUITUPUUN PINO- MITTAUS Ohje KUITUPUUN PINOMITTAUS Ohje perustuu maa- ja metsätalousministeriön 16.6.1997 vahvistamaan pinomittausmenetelmän mittausohjeeseen. Ohjeessa esitettyä menetelmää sovelletaan
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
Taitaja 2011 finaalitehtävät Metsäkoneenkäyttö
Taitaja 2011 finaalitehtävät Metsäkoneenkäyttö Tehtävä A: Koneellinen puutavaran valmistus (uudistushakkuu) (John Deere E-sarjan käyttösimulaattori) Tavoitteet Tehtävässä tavoitellaan ammattimaista koneenkäsittelyä
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
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
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
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
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
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
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
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
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
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
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
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
SMG-2100: SÄHKÖTEKNIIKKA. Kompleksilukujen hyödyntäminen vaihtosähköpiirien
SMG-100: SÄHKÖTEKNIIKKA Kompleksilukujen hyödyntäminen vaihtosähköpiirien analyysissä Osoitin Trigonometrinen muoto Polaarimuoto Kompleksilukujen peruslaskutoimitukset Viime luennolla esitettiin, että
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
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)