Tilastollinen laadunvalvonta
|
|
- Hannes Karvonen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 L u e n t o Laadunvalvonta käytännössä välttämätöntä Tilastollinen laadunvalvonta Valvonnan tavoitteena varmistaa, että prosessit toimivat suunnitelmien mukaan peruskysymyksinä millä tavoilla valvotaan?, missä kohdin prosessia valvotaan? ja kuinka usein valvontaa tehdään? Luennon sisältö Valvonta ennen ja jälkeen tuotannon Valvonta prosessin aikana Prosessiin sisään rakennettu laatu Laadunvalvonta Prosessin kyvykkyys Acceptance sampling Acceptance sampling Perinteisin Prosessin kontrolli Jatkuva kehittäminen Modernein TUTA 17 Luento 11 5 Miten valvonta liittyy laatujohtamiseen? Laatujohtaminen Laadun suunnittelu Laadunvalvonta Tuotesuunnittelu Tuotanto Prosessisuunnittelu Tarkastus/Pakkaus Ostotoiminta Jakelu Kenttäorganisaatio Laadunvalvonnan työkalujen käyttöprosessi 1. Ongelman identifiointi asiakasvalitukset, kontrollikartat ym. lähtösykäyksenä 2. Datan kerääminen tarkistuslistat, graafit, histogrammit jne. apuvälineinä 3. Tietomassan analysointi ja jaottelu pareto-analyysi hyvä lähtökohta 4. Ongelmien syiden selvittäminen esim. syy-seuraus analyysi prosessin pohjana 5. Ratkaisun kehittäminen ja toteutus 6. Toiminnan jatkuva valvonta ja kehittäminen TUTA 17 Luento 11 3 TUTA 17 Luento 11 7
2 Kannattaako odottaa asiakasvalituksiin asti? - prosessin aikaisella valvonnalla monia hyviä puolia - Kontrollissa on siis kyse vaihtelun laadusta Control process rather than product/service TUTA 17 Luento 11 9 TUTA 17 Luento Laadunvalvonnan menetelmät - prosessin kontrollikartat - statistical process control Kontrollikarttojen ajatus yksinkertainen - vaihtelusta osa satunnaista ja osa ei-satunnaista - Prosessivalvonnan tilastollinen menetelmä (SPC) arviointi tapahtuu prosessista otettujen otosten perusteella Prosessi on kontrollissa kun siinä on ainoastaan satunnaista vaihtelua (vaihtelua on aina) ei-satunnaiselle vaihtelulla löytyy yleensä joku syy mikä tulee eliminoida - SPC ei paljasta vaihtelun syytä; se on johdon ja työntekijöiden tehtävä! satunnaista vaihtelua voidaan vähentää ainoastaan suunnittelemalla prosessi/tuote/palvelu uudelleen Satunnainen vaihtelu ilmenee otoksien arvojen osumisena ns. kontrollirajojen sisäpuolelle rajat asetetaan yleensä +/- kolmen standardipoikkeaman päähän keskiarvosta (saadaan johtopäätöksille sopiva luottamustaso) - jos arvoja ulkopuolella, niin prosessi ei todennäköisesti ole kontrollissa Johdon vaikeimpia päätöksiä on päättää tarvitseeko prosessi muutosta vai ei (sekä satunnainen että ei-satunnainen vaihtelu) TUTA 17 Luento ka. 86,65 std. 3,11 ±3σŁ77-96m 70m 80m 90m TUTA 17 Luento 11 12
3 Normaalijakauma laadunvalvonnan pohjana Prosessin kontrollikarttojen käyttö Suurin osa arvoista keskiarvon ympärillä 99,74 % arvoista ±3 keskihajonnan sisällä x + 3s Ylempi kontrolliraja Merkki siitä, että prosessissa saattaa olla jotain ongelmia (epätodennäköistä, että otoksen arvo ylittäisi kontrollirajan jos prosessi olisi täysin kunnossa) Selvitä syy! Hypoteettinen prosessin keskiarvo x 99.74% t ka. 3s 2s 1s +1s +2s +3s 68.26% 95.44% 99.74% TUTA 17 Luento x -3s Alempi kontrolliraja Yhden otoksen arvo (esim. keskiarvo) Satunnaista vaihtelua = prosessi on kontrollissa TUTA 17 Luento Satunnainen ja ei-satunnainen vaihtelu Prosessin kontrollikarttojen käyttö ka. Kaikissa prosesseissa on tietty määrä satunnaista vaihtelua ka. ka. ka. Keskiarvo siirtynyt Hajonta kasvanut Jakauma vinoutunut Ei-satunnaisen vaihtelun kolme perustyyppiä TUTA 17 Luento TUTA 17 Luento 11 17
4 Prosessin kontrollikarttojen käyttö Miksi tarvitaan sekä X- että R-kartta? Prosessia pidetään ei-kontrollisissa olevaksi kun yksi piste menee kontrollirajojen ulkopuolelle kaksi peräkkäistä pistettä on lähellä samaa kontrollirajaa 5 peräkkäistä pistettä on keskiarvon samalla puolella Otoksien jakaumat 5 peräkkäistä pistettä muodostaa trendin ylös- tai alaspäin raju muutos pisteiden tasossa muu epäsatunnainen käyttäytyminen Kolmen standardipoikkeaman käyttö on suositeltavaa mutta harkintaa voi käyttää jos kontrollirajat asetetaan liian tiukalle (esim. ka.± 2s) normaalivariaatio tulkitaan liian usein ei-kontrollissa tilanteeksi (virhetyyppi I) jos kontrollirajat asetetaan liian löysiksi (esim. ka.± 4s) ei-kontrollissa tilanne tulkitaan liian usein normaaliksi variaatioksi (virhetyyppi II) kolmen standardipoikkeaman kontrollirajojen käyttö tasapainottaa virhetyypit I ja II UCL LCL UCL LCL (prosessin keskiarvo siirtyy) Siirtyminen paljastuu Siirtyminen ei paljastu X-kartta R-kartta (prosessin hajonta kasvaa) Hajonta ei paljastu Hajonta paljastuu UCL LCL UCL LCL TUTA 17 Luento TUTA 17 Luento Jatkuvien muuttujien mittaaminen X-kartta (otosten keskiarvo) käytetään analysoimaan jatkuvien muuttujien (= mittaasteikollinen) otosten keskiarvon kehitystä koska harvoin tiedetään prosessin todellista keskiarvoa X-kartan keskiarvo lasketaan otoksien keskiarvoista koska harvoin tiedetään prosessin todellista hajontaa X-kartan kontrollirajat lasketaan otoksien vaihteluvälien keskiarvon avulla - vaihteluväli (R); otoksen suurimman ja pienimmän arvon erotus otoksien koko huomioidaan myös kontrollikarttoja laskiessa, melko pienet otoskoot suositeltuja aikaviiveen minimoimiseksi R-kartta (otosten sisäinen hajonta) käytetään analysoimaan jatkuvien muuttujien (=mittaasteikollinen) otosten sisäisen hajonnan kehitystä koska harvoin tiedetään prosessin todellista hajontaa R-kartan kontrollirajat lasketaan otoksien vaihteluvälien keskiarvon avulla - antaa melko yhtäläiset tulokset todelliseen hajontaan verrattaessa TUTA 17 Luento X- ja R-kartta esimerkki Finnish Washer Oy valmistaa sarjatuotantona aluslevyjä, joita käytetään erilaisien koneiden komponentteina. Tuotannossa olevan aluslevyn reikä on kriittinen mitta, jotta se sopisi aiottuun tarkoitukseen. Laadunvalvonta on ottanut kymmenen päivän kuluessa kymmenen otosta, joissa kussakin on viisi aluslevyä (alla mittaustulokset). Tutki tilastollisen laadunvalvonnan menetelmin onko prosessi kontrollissa eli toimiiko laite kunnolla. Piirrä kontrollikartat koneen toiminnasta. Perustele vastauksesi lyhyesti. TUTA 17 Luento 11 22
5 X- ja R-kartta esimerkki X- ja R-kartta esimerkki 1. Laske otoskeskiarvo, -vaihteluväli, keskiarvojen keskiarvo ja vaihteluvälien keskiarvo 3. Taulukoi yksittäiset otosarvot, kaikkien otosten keskiarvot ja kontrollirajat 4. Tulkitse tulokset ja tee johtopäätökset/suositukset Keskiarvo ei ole kontrollissa; yksi rajan ylitys, nouseva trendi jne. Hajonta hyvin kontrollissa TUTA 17 Luento TUTA 17 Luento X- ja R-kartta esimerkki Kontrollikarttojen analysointia 2. Laske kontrollirajat X- ja R-kartoille Arvoja X- ja R-karttoihin Kuvio Kuvaus Mahdolliset syyt Normaali Satunnaista vaihtelua Epätasaisuus Kohdennettavat syyt (esim. työkalut, materiaalit, ihmiset, ylireagointi, kahvitauot) HUOM! n = otoskoko Trendi Esim. koneen kuluminen, työntekijän väsyminen, paremmat työmetodit Kun joudutaan käyttämään hajontana otoksien vaihteluvälien keskiarvoa R on jokaisella kontrollirajalla oma kaavansa jotka vain pitää osata Kun joudutaan käyttämään hajontana otoksien vaihteluvälien keskiarvoa R käytetään kontrollirajojen laskemisessa apuna taulukoituja arvoja Sykli Eri työvuorot, sähkön vaihtelu, kausivaihtelu jne. TUTA 17 Luento TUTA 17 Luento 11 26
6 Ominaisuuksien mittaaminen p-kartta (virheellisten osuus per otos) aina kaikkia muuttujia ei voida/haluta mitata tasaisesti. P-karttaa käytetään kun havainnot voidaan jakaa kahteen kategoriaan - toimii vs. ei toimi, hyvä vs. huono, läpi vs. ei läpi jne. ilmoitetaan usein prosenteissa p-kartta esimerkki 1. Laske otoskohtainen todennäköisyys p 2. Laske kaikkien otosten virheellisten keskiarvo p 3. Laske otosten keskihajonta c-kartta (virheiden määrä per yksikkö) käytetään kun ainoastaan havainnot per mitattava yksikkö voidaan laskea (eli kun ei-havaintoja ei pystytä laskemaan) - puhelinsoittoja, valituksia, hajoamisia per aikayksikkö - naarmuja, lommoja, virheitä per kappale ei voida ilmoittaa prosenteissa 4. Laske kontrollirajat HUOM! n = otoskoko HUOM! z:n arvo riippuu halutusta luottamustasosta, perusoletus z=3 (99,74%) TUTA 17 Luento TUTA 17 Luento p-kartta esimerkki p-kartta esimerkki Jotkut aktivistit olivat valittaneet kaupunginvaltuustolle, että kaupungin asukkailla tulisi olla samanveroinen oikeus turvallisuuteen. Heidän mielestään poliisivoimia ja rikoksia ehkäiseviä investointeja (esim. valaistus, korjaukset) tulisi tehdä suhteellisin perustein eli ns. ongelma-alueiden tulisi saada enemmän huomiota kuin turvallisten asuinalueiden. Valituksia tutkiakseen kaupunginviranomaiset keräsivät tiedot asukkaiden kokemista rikoksista viimeisen 30 päivän aikana. Jokaisella alueella otoskoko oli 1000 henkilöä. Mitä ohjeita antaisit kerätyn tiedon pohjalta resurssien allokoinnista? Perusta analyysisi laadunvalvontaoppeihin. 5. Taulukoi otososuudet, kaikkien otosten keskiarvo ja kontrollirajat 6. Tulkitse tulokset ja tee johtopäätökset/suositukset Investointeja tulisi lisätä alueille F, P ja T Investointeja tulisi vähentää alueilta B ja J TUTA 17 Luento TUTA 17 Luento 11 31
7 c-kartta esimerkki Kauppias on saanut valituksia kassahenkilökunnan tylystä käyttäytymisestä. Mitä johtopäätöksiä tekisit kerätyn datan perusteella? Laadunvalvonnan menetelmät - histogrammit ja graafit - Tiedon visualisoinnilla suora vaikutus tiedon hallitsemiseen ja ymmärtämiseen histogrammit auttavat laatuongelmien laajuuden ja tyypin selvittämisessä graafeilla pystytään seuraamaan mm. prosessin laatumuuttujien kehittymistä 0.58 Valitusten määrä ei näytä selittyvän pelkästään satunnaisuudella (prosessi ei siis ole kontrollissa): kuuden päivän laskeva trendi lopussa, tiettyä syklisyyttä viikon sisällä Frekvenssi Muuttujat Halkaisija Aika (tuntia) TUTA 17 Luento TUTA 17 Luento Laadunvalvonnan menetelmät - tarkastuslistat - Tukkimiehen kirjanpidolla seurataan eri virhekohtien ja -lajien tapahtumatiheyttä huonon laadun syiden selvittämisen lähtökohta - tiedon keruulla oltava joku syy, muuten turhaa käytetään myös varmistamaan, että ihmiset keräävät tietoa oikein Laadunvalvonnan menetelmät - pareto-analyysi - Käytetään identifioimaan tavallisimmat ongelmien syyt pieni määrä syitä aiheuttaa yleensä suurimman osan ongelmista - Juran: vital few and trivial many, 80/20 -sääntö - voidaan tehdä myös painottaen Ottovirheet Väärä tili Väärä määrä Panovirheet Väärä tili Väärä määrä Maanantaiaamu Maanantaiilta Muuta laakerien materiaalia ja voiteluöljyä Suunnittele uudelleen oven sulkemismekanismi jne TUTA 17 Luento TUTA 17 Luento 11 38
8 Laadunvalvonnan menetelmät - syy-seuraus -diagrammi - (Ishikawa/Fishbone/kalanruotodiagrammi) Jatkuva kehittäminen menestyksen avaimena Toimintaa pitää kehittää katkeamattomasti suorituskyvyn seuraaminen ja kyseenalaistaminen keskeistä Laatukysymyksissä työntekijöillä keskeinen rooli toiminnan kehittämisessä johdolla monia keinoja sitouttaa työntekijät (ei silti helppoa) - kulttuurimuutos, asiakaskeskeisyys, ryhmätyö, valtaistaminen, koulutus, palkinnot, kannusteet Suunnittelu Laatu Korjaa Deming cycle Tee Huom! Ei ratkaisuja, vaan mahdollisia syitä, syiden syitä jne. TUTA 17 Luento Tarkkaile Aika TUTA 17 Luento Laadunvalvonnan menetelmät - korrelaatiodiagrammit - Prosessin kehittäminen näkyy myös kartoissa Toimiva graafinen esitystapa kun selvä syy-seuraus yhteys Kontrolli Prosessin parannus Ongelmien määrä Koulutustunteja ihmiset koneet materiaali prosessi TUTA 17 Luento TUTA 17 Luento 11 43
9 Prosessin kyvykkyys - process capability - Kyvykkyydellä tarkoitetaan prosessin kykyä vastata haluttuihin tuote-/prosessispesifikaatioihin tyyliin 99% munkeistamme vastaa vaatimuksianne - analyysin kohteena siis jokainen tuotettu nimike! Keskitytään satunnaisen vaihtelun määrään ei-satunnainen vaihtelu oletetaan eliminoiduiksi Usein asiakas määrittelee halutut toleranssi-/spesifikaatiorajat esim. haluamme, että munkit painavat 100±12g (eli g) UTL = upper tolerance limit / USL = upper specification limit LTL= lower tolerance limit / LSL = lower specification limit TUTA 17 Luento Kyvykkyyden mittaaminen ja ilmaiseminen minimitavoite Kyvykkyyttä mitataan kyvykkyysindekseillä C pk kertoo prosessin tämän hetkisen kyvykkyyden C p kertoo kyvykkyyden jos prosessi olisi täysin keskitetty Kyvykkyyttä ilmaistaan prosenttiosuuksien sijaan ns. sigma-tasoilla kyvykkyysindeksi 0,67Łkahden sigman laatua (väh. 95,45 hyviä) kyvykkyysindeksi 1,00Łkolmen sigman laatua (väh. 99,73 hyviä) kyvykkyysindeksi 1,33Łneljän sigman laatua (väh. 99,99 hyviä) kyvykkyysindeksi 1,67Łviiden sigman laatua (väh. 99,9999 hyviä) kyvykkyysindeksi 2,00Łkuuden sigman laatua (väh. 99, hyviä) TUTA 17 Luento Kontrolli ja kyvykkyys ovat siis eri asioita! Sigma-taso on käytännössä etäisyys lähimpään toleranssirajaan eli vaikka kummassakin puhutaan keskiarvoista, keskihajonnoista, sigmoista, ylä-/alarajoista ym. kyse eri asioista TUTA 17 Luento TUTA 17 Luento 11 49
10 Kyvykkyys esimerkki Huom! Kaavoissa olevat 3 ja 6 ovat vakioitaj Kuinka hyvä prosessin oikein tulisi olla? Tiukan ostajan maineessa oleva tukkukaupan leivosvastaava on määrittänyt yksittäin myytävien hillomunkkien toleranssi-/spesifikaatiorajoiksi 88g ja 112g. Kun tehtaan munkkilinjasto tuottaa tällä hetkellä keskimäärin 104g painoisia munkkeja ja painojen keskihajonta on 4g, niin miten kommentoisit tehtaan kykyä vastata ostajan 5-sigman laatutavoitteeseen (eli C pk vähintään 1,67 ja vähintään 99,9999% hyviä)? Miten tilanne muuttuisi, jos keskihajonta onnistuttaisiin pudottamaan 2 grammaan? case s = 4 case s = 2 (3-sigman laatua) (6-sigman laatua) (2-sigman laatua) Prosessi ei ole kyvykäs (C pk ), eikä olisi sitä edes keskitettynä (C p )! (4-sigman laatua) Prosessi ei ole kyvykäs (C pk ), mutta keskitettynä (C p ) olisi (eli pystyisi vastaamaan ostajan vaatimuksiin!) TUTA 17 Luento Yleisesti korkealta kuulostava 99% (2,6 s) toimintataso ei monessa tilanteessa riitä 3,5 vuorokautta ilman sähköä vuodessa 15 minuuttia juomakelvotonta vettä joka päivä 15 minuuttia ilman puhelinta ja televisiota joka päivä väärää reseptiä vuodessa (USA) hukattua kirjettä joka tunti (USA) yli lääkärien pudottamaa vastasyntynyttä vuodessa (USA) väärin tehtyä leikkausta per viikko (USA) 3 epäonnistunutta laskua Heathrowssa joka päivä yrityksen www-sivut alhaalla 7 tuntia joka kuukausi TUTA 17 Luento Kyvykkyys nousee prosessia parantamalla - case keskitetään ja pienennetään hajontaa - Prosessin hyvyys ja ongelmien määrää LTL 4s C pk =0,67 s = 4 97,72 % UTL 2s LTL 3s C pk =1,00 UTL s = 4 3s 99,73 % sigman taso eli 99,9937% hyviä 6 sigman taso eli keskiarvosta on toleranssirajaan matkaa kuusi keskihajontaa ja hyviä 99,999999% C pk =1,33 C pk =2,00 2 sigman taso eli 95,45% hyviä LTL UTL LTL UTL 8s s = 2 4s 6s s = 2 6s 99,99 % , % LTL ka. UTL TUTA 17 Luento TUTA 17 Luento 11 55
11 Sigmatasojen suhde ei ole lineaarinen Kuusi sigmaa johtamisfilosofiana TQM:n tapaiseksi paisunut tilastollisorientoitunut toiminnan kehittämiskonsepti työntekijät pyrkivät kehittämään prosesseja, keskitytään suunnittelussa asiakkaaseen, päätökset tehdään faktatiedon pohjalta, laatua valvotaan tilastollisin menetelmin jne. Painopiste alunperin enemmän virheiden eliminoinnissa zero defects, kerralla kuntoon, kustannukset alas, saanto ylös... Prosesseilta vaadittava kyvykkyysindeksi 1,50 ei ole 2,00 koska prosessien keskiarvon tyypillistä siirtymistä vaikea todeta otosten perusteella ennen kuin merkittävä - perustuu laskennallisesti keskitetyn 6-sigman prosessin 1,5s siirtymiseen eli toiseen laitaan 7,5s ja toiseen 4,5s jolloin indeksistä tulee 4,5s / 3s = 1,50 ja huonoja kappalemääräisesti 3,4 per miljoona TUTA 17 Luento TUTA 17 Luento Miksi 6 sigman laatutaso olisi toivottavaa? Six-sigma Quality ja 1,5 std. siirtyminen Todennäköisyys että tuote/prosessi täyttää spesifikaatiot? 3,4 per miljoona huonoja TUTA 17 Luento TUTA 17 Luento 11 60
12 Laadunvalvonnan menetelmät - acceptance sampling - Perinteinen laadunvarmistamismenetelmä tuote-erän laatutaso varmistetaan tutkimalla erästä otos Kyseinen tuote-erä hyväksytään jos otoksessa on tarpeeksi vähän virheellisiä hylätyt erät korjattaviksi tai tuhottaviksi Menetelmässä monia haittapuoli lähtökohtana oletus, että tietty määrä virheellisiä on hyväksyttävää otosmenetelmä saattaa johtaa virhepäätöksiin (tieto rajoittunutta) kokonaiskustannuksiltaan (elinkaari) kallis menetelmä Käytössä kuitenkin monissa yrityksissä prosessina helppo ja suorat kustannukset alhaiset (halvempi kuin tutkia kaikki), tutkimuksessa rikkoutuville tuotteille ainoa tapa - päätöksinä otoksen koko ja sallittujen virheellisten lukumäärä motivoi tuottajaa tekemään hyvää laatua TUTA 17 Luento Acceptance sampling käytännössä - otoskoon ja maksimaalinen virheiden määrä - Laske ensin LTPD/AQL eli esim. 0,08/0,02=4 Etsi taulukosta maksimaalinen virheellisten määrä c joka on ylöspäin pyöristäen lähimpänä LTPD/AQL tulosta eli c=4 (4,057) Selvitä otoskoko etsimällä taulukosta kyseisen rivin n*aql arvo ja jaa se AQL:llä eli 1,970/0,02=98,5 eli otoskoko 99...eli jos 99 kappaleen otoksessa on maksimissaan 4 kpl viallisia hyväksy koko toimitus TUTA 17 Luento a B Acceptance samplingin keskeiset luvut Hyväksyttävä laatutaso (AQL) asiakkaan määrittelemä hyväksyttävä virheellisten osuus - esim. 2% tuote-erästä Maksimaalinen virheellisten määrä (LTPD) asiakkaan määrittelemä maksimaalinen virheellisten osuus huonoimmassa tapauksessa (=hylkäämispiste) - esim. asiakkaalle jolla AQL on 2% niin LTPD voi olla 8% Tuottajan riski (a) hyväksyttävän tuote-erän hylkäystodennäköisyys - esim. jos a=0,05 niin tarkastajalla on 5% todennäköisyys hylätä 10,000 kpl tuote-erä jossa on virheitä vähemmän kuin 2% Asiakkaan riski (B ) huonon tuote-erän hyväksymistodennäköisyys - esim. jos B =0,10 niin tarkastajalla on 10% todennäköisyys hyväksyä 10,000 kpl tuote-erä jossa on virheitä enemmän kuin 8% Otoksiin perustuva päätös sisältää riskiä - operating characteristic curve - Hyväksymisen todennäköisyys a =.05 (tuottajan riski) n = 99 c = 4 B =.10 (asiakkaan riski) AQL LTPD Huonojen prosentuaalinen osuus TUTA 17 Luento TUTA 17 Luento 11 65
Tilastollinen laadunvalvonta
L u e n t o Miten valvonta liittyy laatujohtamiseen? Tilastollinen laadunvalvonta Laatujohtaminen Luennon sisältö Laadunvalvonta Prosessin kyvykkyys Acceptance sampling Laadun suunnittelu Tuotesuunnittelu
LisätiedotTilastollinen laadunvalvonta
L u e n t o Tilastollinen laadunvalvonta Luennon sisältö Laadunvalvonta Prosessin kyvykkyys Acceptance sampling Laadunvalvonta Miten valvonta liittyy laatujohtamiseen? Laatujohtaminen Laadun suunnittelu
LisätiedotSpecification range USL ja LSL. Mittaustulokset ja normaalijakauma. Six Sigma filosofia: Käytännössä. Pitkäaikainen suorituskyky
Mittaustulokset ja normaalijakauma Specification range USL ja LSL Keskiarvo Tavoitearvo Ylä- ja alaraja hyväksynnälle s tai sigma, σ 1σ, 2σ ja 3σ Määrittelyalue Määritellään millä laatutasolla prosessi
LisätiedotLuottamusvälit. Normaalijakauma johnkin kohtaan
Luottamusvälit Normaalijakauma johnkin kohtaan Perusjoukko ja otanta Jos halutaan tutkia esimerkiksi Suomessa elävien naarashirvien painoa, se voidaan (periaatteessa) tehdä kahdella tavalla: 1. tutkimalla
LisätiedotMTTTP1, luento KERTAUSTA
26.9.2017/1 MTTTP1, luento 26.9.2017 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2017/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
Lisätiedotriippumattomia ja noudattavat samaa jakaumaa.
12.11.2015/1 MTTTP5, luento 12.11.2015 Luku 4 Satunnaisotos, otossuure ja otosjakauma 4.1. Satunnaisotos X 1, X 2,, X n on satunnaisotos, jos X i :t ovat riippumattomia ja noudattavat samaa jakaumaa. Sanonta
Lisätiedot/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla
16.11.2017/1 MTTTP5, luento 16.11.2017 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla ~,, ~,,. 16.11.2017/2 Esim. Tutkittiin uuden menetelmän käyttökelpoisuutta
LisätiedotMTTTP1, luento KERTAUSTA
25.9.2018/1 MTTTP1, luento 25.9.2018 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
Lisätiedotr = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.
A. r = 0. n = Tilastollista testausta varten määritetään aluksi hypoteesit. H 0 : Korrelaatiokerroin on nolla. H : Korrelaatiokerroin on nollasta poikkeava. Tarkastetaan oletukset: - Kirjoittavat väittävät
LisätiedotLuottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.
5.10.2017/1 MTTTP1, luento 5.10.2017 KERTAUSTA Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla todennäköisyydellä,
LisätiedotMTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)
21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.
LisätiedotTutkimusongelmia 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
LisätiedotLuottamisvälin 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
LisätiedotVäliestimointi (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).
LisätiedotLuottamisvälin 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/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
Lisätiedothttps://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
LisätiedotOtoskoko 107 kpl. a) 27 b) 2654
1. Tietyllä koneella valmistettavien tiivisterenkaiden halkaisijan keskihajonnan tiedetään olevan 0.04 tuumaa. Kyseisellä koneella valmistettujen 100 renkaan halkaisijoiden keskiarvo oli 0.60 tuumaa. Määrää
LisätiedotA130A0650-K Tilastollisen tutkimuksen perusteet 6 op Tentti / Anssi Tarkiainen & Maija Hujala
Kaavakokoelma, testinvalintakaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Tehtävä 1 a) Konepajan on hyväksyttävä alihankkijalta saatu tavaraerä, mikäli viallisten komponenttien
LisätiedotKynä-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
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
Lisätiedot¼ ¼ joten tulokset ovat muuttuneet ja nimenomaan huontontuneet eivätkä tulleet paremmiksi.
10.11.2006 1. Pituushyppääjä on edellisenä vuonna hypännyt keskimäärin tuloksen. Valmentaja poimii tämän vuoden harjoitusten yhteydessä tehdyistä muistiinpanoista satunnaisesti kymmenen harjoitushypyn
LisätiedotOtoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden
1 KERTAUSTA JA TÄYDENNYSTÄ Luento 30.9.2014 Olkoon satunnaisotos X 1, X 2,, X n normaalijakaumasta N(µ, σ 2 ), tällöin ~ N(µ, σ 2 /n), kaava (6). Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
LisätiedotMittaustulosten tilastollinen käsittely
Mittaustulosten tilastollinen käsittely n kertaa toistetun mittauksen tulos lasketaan aritmeettisena keskiarvona n 1 x = x i n i= 1 Mittaustuloksen hajonnasta aiheutuvaa epävarmuutta kuvaa keskiarvon keskivirhe
LisätiedotTILASTOLLINEN LAADUNVALVONTA
1 Aki Taanila TILASTOLLINEN LAADUNVALVONTA 31.10.2008 2 TILASTOLLINEN LAADUNVALVONTA Tasalaatuisuus on hyvä tavoite, jota ei yleensä voida täydellisesti saavuttaa: asiakaspalvelun laatu vaihtelee, vaikka
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
LisätiedotMatemaatikot ja tilastotieteilijät
Matemaatikot ja tilastotieteilijät Matematiikka/tilastotiede ammattina Tilastotiede on matematiikan osa-alue, lähinnä todennäköisyyslaskentaa, mutta se on myös itsenäinen tieteenala. Tilastotieteen tutkijat
Lisätiedot806109P 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
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
LisätiedotKaavakokoelma, 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
LisätiedotSovellettu 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
LisätiedotHARJOITUS- PAKETTI E
Logistiikka A35A00310 Tuotantotalouden perusteet HARJOITUS- PAKETTI E (6 pistettä) TUTA 17 Luento 18 Jonojen hallinta Hamburger Restaurant Pinball Wizard 1 piste Benny s Arcade 1/4 Luento 19 Projektin
LisätiedotTilastollinen 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
LisätiedotMittaustekniikka (3 op)
530143 (3 op) Yleistä Luennoitsija: Ilkka Lassila Ilkka.lassila@helsinki.fi, huone C319 Assistentti: Ville Kananen Ville.kananen@helsinki.fi Luennot: ti 9-10, pe 12-14 sali E207 30.10.-14.12.2006 (21 tuntia)
LisätiedotSisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4
Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4 1. METODOLOGIAN PERUSTEIDEN KERTAUSTA... 6 1.1 KESKEISTEN KÄSITTEIDEN KERTAUSTA... 7 1.2 AIHEESEEN PEREHTYMINEN...
LisätiedotEsim. Pulssi-muuttujan frekvenssijakauma, aineisto luentomoniste liite 4
18.9.2018/1 MTTTP1, luento 18.9.2018 KERTAUSTA Esim. Pulssi-muuttujan frekvenssijakauma, aineisto luentomoniste liite 4 pyöristetyt todelliset luokka- frekvenssi luokkarajat luokkarajat keskus 42 52 41,5
LisätiedotLuento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja
1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma
LisätiedotTilastollisen 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 ),
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas JAKAUMAN MUOTO Vinous, skew (g 1, γ 1 ) Kertoo jakauman symmetrisyydestä Vertailuarvona on nolla, joka vastaa symmetristä jakaumaa (mm. normaalijakauma)
LisätiedotLisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen
MTTTP5, kevät 2016 4.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen 1. Laitosneuvostoon valitaan 2 professoria, 4 muuta henkilökuntaan kuuluvaa jäsentä sekä 4 opiskelijaa. Laitosneuvostoon
LisätiedotTilastotieteen jatkokurssi syksy 2003 Välikoe 2 11.12.2003
Nimi Opiskelijanumero Tilastotieteen jatkokurssi syksy 2003 Välikoe 2 11.12.2003 Normaalisti jakautuneiden yhdistyksessä on useita tuhansia jäseniä. Yhdistyksen sääntöjen mukaan sääntöihin tehtävää muutosta
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu
10.1.2019/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 10.1.2019 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2018 10.1.2019/2
LisätiedotMiten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa?
21.3.2019/1 MTTTP1, luento 21.3.2019 7 TILASTOLLISEN PÄÄTTELYN PERUSTEITA Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä
LisätiedotTUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas
TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas TEOREETTISISTA JAKAUMISTA Usein johtopäätösten teko helpottuu huomattavasti, jos tarkasteltavan muuttujan perusjoukon jakauma noudattaa
LisätiedotJatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
Lisätiedotvoidaan hylätä, pienempi vai suurempi kuin 1 %?
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2017 http://www.uta.fi/sis/mtt/mtttp1/syksy_2017.html HARJOITUS 5 viikko 42 6.10.2017 klo 10:42:20 Ryhmät: ke 08.30 10.00 LS C6 Paajanen ke 10.15 11.45 LS
LisätiedotTestit laatueroasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten
LisätiedotJos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan
17.11.2006 1. Kahdesta kohteesta (A ja K) kerättiin maanäytteitä ja näistä mitattiin SiO -pitoisuus. Tulokset (otoskoot ja otosten tunnusluvut): A K 10 16 Ü 64.94 57.06 9.0 7.29 Oletetaan mittaustulosten
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
LisätiedotLisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo?
MTTTP5, kevät 2016 15.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen 1. Valitaan 25 alkion satunnaisotos jakaumasta N(µ, 25). Olkoon H 0 : µ = 12. Hylätään H 0, jos otoskeskiarvo
Lisätiedot1. 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
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
LisätiedotMatematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot
Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot Sievin lukio Tehtävien ratkaisut tulee olla esim. Libre officen -writer ohjelmalla tehtyjä. Liitä vastauksiisi kuvia GeoGebrasta ja esim. TI-nSpire
Lisätiedot1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet
VAASAN YLIOPISTO/KESÄYLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia A KURSSIKYSELYAINEISTO: 1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka
Lisätiedot1. Johdanto Todennäköisyysotanta Yksinkertainen satunnaisotanta Ositettu otanta Systemaattinen otanta...
JHS 160 Paikkatiedon laadunhallinta Liite III: Otanta-asetelmat Sisällysluettelo 1. Johdanto... 2 2. Todennäköisyysotanta... 2 2.1 Yksinkertainen satunnaisotanta... 3 2.2 Ositettu otanta... 3 2.3 Systemaattinen
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Tilastollisen merkitsevyyden testaus Osa II Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015
25.10.2016/1 MTTTP5, luento 25.10.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
LisätiedotVALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170
VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 4.6.2013 Ratkaisut ja arvostelu 1.1 Satunnaismuuttuja X noudattaa normaalijakaumaa a) b) c) d) N(170, 10 2 ). Tällöin P (165 < X < 175) on likimain
LisätiedotKvantitatiiviset 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
LisätiedotTestit järjestysasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten
LisätiedotNäistä standardoiduista arvoista laskettu keskiarvo on nolla ja varianssi 1, näin on standardoidulle muuttujalle aina.
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2017 http://www.uta.fi/sis/mtt/mtttp1/syksy_2017.html HARJOITUS 3 viikko 40 Joitain ratkaisuja 1. Suoritetaan standardointi. Standardoidut arvot ovat z 1 =
LisätiedotTilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit
Tilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit s t ja t kahden Sisältö t ja t t ja t kahden kahden t ja t kahden t ja t Tällä luennolla käsitellään epäparametrisia eli
Lisätiedot2. TILASTOLLINEN TESTAAMINEN...
!" # 1. 1. JOHDANTO... 3 2. 2. TILASTOLLINEN TESTAAMINEN... 4 2.1. T-TESTI... 4 2.2. RANDOMISAATIOTESTI... 5 3. SIMULOINTI... 6 3.1. OTOSTEN POIMINTA... 6 3.2. TESTAUS... 7 3.3. TESTIEN TULOSTEN VERTAILU...
Lisätiedot4. laskuharjoituskierros, vko 7, ratkaisut
4. laskuharjoituskierros, vko 7, ratkaisut D1. Kone valmistaa kuulalaakerin kuulia, joiden halkaisija vaihtelee satunnaisesti. Halkaisijan on oltava tiettyjen rajojen sisällä, jotta kuula olisi käyttökelpoinen.
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa Luentokuulustelujen esimerkkivastauksia Pertti Palo 30. marraskuuta 2012 Saatteeksi Näiden vastausten ei ole tarkoitus olla malleja vaan esimerkkejä.
LisätiedotKURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun se kelpaa kyllä!
VAASAN YLIOPISTO/KESÄYLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia A KURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun
Lisätiedot1. Matikan kurssin arvosanat jakautuivat seuraavalla tavalla:
MAA6.3 Loppukoe 9.11.01 Jussi Tyni Valitse kuusi tehtävää Muista merkitä vastauspaperiin oma nimesi ja tee etusivulle pisteytysruudukko. Kaikkiin tehtävien ratkaisuihin välivaiheet näkyviin! 1. Matikan
Lisätiedot/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:
4.10.2016/1 MTTTP1, luento 4.10.2016 7.4 Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 4.10.2016/2
Lisätiedot/1. MTTTP5, luento Kertausta. Olk. X 1, X 2,..., X n on satunnaisotos N(µ, ):sta, missä tunnettu. Jos H 0 on tosi, niin
30.11.2017/1 MTTTP5, luento 30.11.2017 Kertausta H 0 : µ = µ 0 Olk. X 1, X 2,..., X n on satunnaisotos N(µ, ):sta, missä tunnettu. Jos H 0 on tosi, niin = / ~ 0,1. Kaava 5.1 30.11.2017/2 Esim. Tutkija
LisätiedotGeoGebra 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
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 6. luento Pertti Palo 1.11.2012 Käytännön asioita Harjoitustöiden palautus sittenkin sähköpostilla. PalautusDL:n jälkeen tiistaina netistä löytyy
LisätiedotOtantajakauman käyttö päättelyssä
Keskiarvo otatajakauma Toisistaa tietämättä kaksi tutkijaa tutkii samaa ilmiötä, jossa perusjoukko koostuu kuudesta tutkittavasta ja tarkoituksea o laskea keskiarvo A: Kokoaistutkimus B: Otatatutkimus
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
LisätiedotSovellettu 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
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas LUENNOT Luento Paikka Vko Päivä Pvm Klo 1 L 304 8 Pe 21.2. 08:15-10:00 2 L 304 9 To 27.2. 12:15-14:00 3 L 304 9 Pe 28.2. 08:15-10:00 4 L 304 10 Ke 5.3.
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.14 Tilastollisen analyysin perusteet, kevät 7 7. luento: Tarina yhden selittään lineaarisesta regressiomallista atkuu Kai Virtanen 1 Luennolla 6 opittua Kuvataan havainnot (y, x ) yhden selittään
LisätiedotHarjoitus 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
LisätiedotVirhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus.
Virhearviointi Fysiikassa on tärkeää tietää tulosten tarkkuus. Virhelajit A. Tilastolliset virheet= satunnaisvirheet, joita voi arvioida tilastollisin menetelmin B. Systemaattiset virheet = virheet, joita
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu
5.3.2018/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 5.3.2018, osa 1 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2017
LisätiedotTilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin
Tilastollisen analyysin perusteet Luento 10: Sisältö Varianssianalyysi Varianssianalyysi on kahden riippumattoman otoksen t testin yleistys. Varianssianalyysissä perusjoukko koostuu kahdesta tai useammasta
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai
Lisätiedot6. 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
LisätiedotIlkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Tilastollinen testaus TKK (c) Ilkka Mellin (2007) 1 Tilastolliset testit >> Tilastollinen testaus Tilastolliset hypoteesit Tilastolliset
Lisätiedottilastotieteen kertaus
tilastotieteen kertaus Keskiviikon 24.1. harjoitukset pidetään poikkeuksellisesti klo 14-16 luokassa Y228. Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 15. marraskuuta 2007 Antti Rasila () TodB 15. marraskuuta 2007 1 / 19 1 Tilastollisia testejä (jatkoa) Yhden otoksen χ 2 -testi varianssille Kahden riippumattoman
LisätiedotTilastotieteen kertaus. Kuusinen/Heliövaara 1
Tilastotieteen kertaus Kuusinen/Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla reaalimaailman ilmiöistä voidaan tehdä johtopäätöksiä tilanteissa, joissa
LisätiedotMTTTP1, luento KERTAUSTA
19.3.2019/1 MTTTP1, luento 19.3.2019 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
LisätiedotTeema 8: Parametrien estimointi ja luottamusvälit
Teema 8: Parametrien estimointi ja luottamusvälit Todennäköisyyslaskennan perusteet (Teemat 6 ja 7) antavat hyvän pohjan siirtyä kurssin viimeiseen laajempaan kokonaisuuteen, nimittäin tilastolliseen päättelyyn.
LisätiedotEstimointi. Luottamusvälin laskeminen keskiarvolle α/2 α/2 0.1
Estimointi - tehdään päätelmiä perusjoukon ominaisuuksista (keskiarvo, riskisuhde jne.) otoksen perusteella - mitä suurempi otos, sitä tarkemmat estimaatit Otokseen perustuen määritellään otantajakaumalta
LisätiedotTilastollisen analyysin perusteet Luento 4: Testi suhteelliselle osuudelle
Tilastollisen analyysin perusteet Luento 4: Sisältö Testiä suhteelliselle voidaan käyttää esimerkiksi tilanteessa, jossa tarkastellaan viallisten tuotteiden osuutta tuotantoprosessissa. Tilanne palautuu
LisätiedotMTTTP1, luento KERTAUSTA JA TÄYDENNYSTÄ. Tunnusluvut. 1) Sijainnin tunnuslukuja. Keskilukuja moodi (Mo) mediaani (Md) keskiarvo, kaava (1)
20.9.2018/1 MTTTP1, luento 20.9.2018 KERTAUSTA JA TÄYDENNYSTÄ Tunnusluvut 1) Sijainnin tunnuslukuja Keskilukuja moodi (Mo) mediaani (Md) keskiarvo, kaava (1) Muita sijainnin tunnuslukuja ala- ja yläkvartiili,
Lisätiedot5 Lisa materiaali. 5.1 Ristiintaulukointi
5 Lisa materiaali 5.1 Ristiintaulukointi 270. a) Aineiston koko nähdään frekvenssitaulukon oikeasta alakulmasta: N = 559. Tilastotieteen johdantokurssille osallistui yhteensä 559 opiskelijaa. Huomaa: Opiskelijoiden
LisätiedotOHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi. Luento 3
OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi Luento 3 Tutkimussuunnitelman rakenne-ehdotus Otsikko 1. Motivaatio/tausta 2. Tutkimusaihe/ -tavoitteet ja kysymykset
LisätiedotMittausepävarmuuden laskeminen ISO mukaisesti. Esimerkki: Campylobacter
Mittausepävarmuuden laskeminen ISO 19036 mukaisesti. Esimerkki: Campylobacter Marjaana Hakkinen Erikoistutkija, Elintarvike- ja rehumikrobiologia Mikrobiologisten tutkimusten mittausepävarmuus 18.3.2019
LisätiedotTehtävä 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
LisätiedotJärvi 1 Valkjärvi. Järvi 2 Sysijärvi
Tilastotiedettä Tilastotieteessä kerätään tietoja yksittäisistä asioista, ominaisuuksista tai tapahtumista. Näin saatua tietoa käsitellään tilastotieteen menetelmin ja saatuja tuloksia voidaan käyttää
Lisätiedot