Specification range USL ja LSL. Mittaustulokset ja normaalijakauma. Six Sigma filosofia: Käytännössä. Pitkäaikainen suorituskyky
|
|
- Tuomo Mattila
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 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 toimii tai halutaan toimivan Lyhyen aikavälin kontrollirajat Edellä mainitut määrät virheellisiä sallittuja LSL Frekvenssi USL µ 68,2% 95,4% 99,6% ±1σ ±3σ ±6σ Specification range Virheettömien määrä eri sigmatasoilla DPMO = Defects per Million Opportunities = Virheellisiä miljoonassa tapauksessa PPM = Parts per Million Pitkäaikainen suorituskyky Upper ja Lower Secification Limit Keskitetty ja siirretty jakauma 1.5σ:n siirtymä pitkällä aikavälillä Syyt: materiaalivariaatiot, valmistusmenetelmät, kuluminen jne ppm ja ppm virheellisiä Frekvenssi Toleranssi Osuus populaatiosta Osuus populaatiosta DPMO DPMO (keskitetty prosessi) (1.5σ siirtymä) (keskitetty (1.5σ prosessi) siirtymä +/- 1σ % % /- 2σ % % /- 3σ % % /- 4σ % % /- 5σ % % /- 6σ % % LSL ±3σ USL Specification range DPMO, virheellisiä miljoonassa mahdollisuudessa Ero lyhytaikaisen ja pitkäaikaisen suorituskyvyn välillä huomattava Esim. 4σ; 63 ja 6200 Virheettömien määrä eri sigmatasoilla DPMO, virheellisiä miljoonassa DPMO Shifted 1.5 σ 100 Centered ,1 0,01 0,001 1,5 2 2,5 3 3,5 4 4,5 5 5,5 6 6,5 Toleranssi Osuus populaatiosta Osuus populaatiosta DPMO DPMO (keskitetty prosessi) (1.5σ siirtymä) (keskitetty (1.5σ prosessi) siirtymä +/- 1σ % % /- 2σ % % /- 3σ % % /- 4σ % % /- 5σ % % /- 6σ % % Toleranssi / +/-σ
2 Konkreettinen esimerkki: Konkreettinen esimerkki: Tarkastellaan jatkuvaa prosessia, joka on toiminnassa 720 tuntia kuukaudessa. Susituotantoon käytetty aika eri sigmatasoilla on: σ C pk Aika h h h min ,5 s s Tarkastellaan pienen kirjaston kirjoissa esiintyvien painovirheiden määrää. 3 σ :n tasolla jokaisen kirjan jokaisella sivulla on keskimäärin yksi virhe. 6 σ :n tasolla koko kirjastosta löytyy yksi virhe. Onko 1 ppm paljon vai vähän? Oletetaan, että TAYSin vastasyntyneiden osastolla hoitajat nostavat työvuoron aikana vastasyntyneitä lapsia 200 kertaa. Vuorokaudessa nostoja tulee 600 kuukaudessa vuodessa Viidessä vuodessa nostoja tehdään yli miljoona. 1 ppm on vain yksi tilastotappio viiden vuoden välein. Aliprosessien määrä ja laatu Aliprosessien määrän vaikutus tärkeää mm. Autoteollisuus Elektroniikkateollisuus Softateollisuus Tuotteet ja tuotantoprosessit ovat Monimutkaisia Monivaiheisia Paljon komponentteja Tällöin erityisen tärkeää pyrkiä minimoimaan virheellisten komponenttien tai vaiheiden määrät Aliprosessien määrä ja laatu Aliprosessien määrä ja laatu Virheettömiä / % Aliprosessien lukumäärän vaikutus koko prosessin suorituskykyyn Komponenttien määrä tai prosessin vaiheiden määrä Pitkällä aikavälillä 1,10 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0, Aliprosessien lkm 5 6 Myös hyvällä suorituskyvyllä selkeitä eroja monimutkaistumisen myötä Komponenttien määrä tai prosessin vaiheiden määrä Esim. 3 Sigman tasolla tuotetaan 99.73% virheettömiä hetkittäin Kymmenen vaiheinen prosessi tuottaa puolet virheettömiä (1.5 Sigman siirto, ppm eli % virheellisiä) = ja 6 Sigman tasoilla ei kolmen desimaalin tarkkuudella vaikutusta Virheettömiä / % 1,10 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 5 σ 6 σ Aliprosessien lkm
3 GM Europe 1997: Opel Corsassa on noin 6000 osaa. Tuotanto tuottaa: 95 autoa tunnissa kaksi vuoroa päivässä 20 päivää kuukaudessa = 160 miljoonaa osaa kuukaudessa Jos osien vikatiheys olisi 25 ppm = ( 0,0025 % ), niin valmistuneista autoista vain 85 % täyttäisi vaatimukset. Uskaltaisitko ostaa Opel Corsan? Six Sigma filosofia Six Sigma on tilastollinen mittasuure, jolla voidaan mitata erilaisten tuotteiden ja palveluiden laatua Six Sigma on osa liiketoimintastrategiaa; voitetaan sekä kustannuksissa että asiakastyytyväisyydessä Työskennellään viisaammin, ei välttämättä kovemmin Eri prosessien vertailu on tärkeää, koska mm. osaprosessien vertailu, tulospalkkaus tai benchmarking Kaikki toiminnot siis laadun näkökulmasta samalle viivalle Niin laskujen käsittely kuin tuotantokin Prosesseja vertaillaan; 1. Mittaamalla virheiden määrää miljoonaa mahdollisuutta kohden DPMO 2. Määrittelemällä mitattomat suorituskykyindeksit Osana liiketoimintastrategiaa; Kustannushyöty voidaan siirtää hintakilpailuun Laadulla säästetty raha suoraa tuloa (suoraan viimeiselle viivalle) Työskennellään viisaammin; Ei enää omien tai muiden virheiden korjaamista, motivointi Laatu kaikille samanlaiseksi mittariksi DPMO, virheellisiä miljoonassa mahdollisuudessa Ero lyhytaikaisen ja pitkäaikaisen suorituskyvyn välillä huomattava Esim. 4σ; 63 ja 6200 DPMO Centered Shifted 1.5 σ 0,1 0,01 0,001 1,5 2 2,5 3 3,5 4 4,5 5 5,5 6 6,5 Toleranssi / +/-σ : Vaiheet Potentiaalista suorituskykyä mitataan suorituskyky indeksillä C p Todellista pitkäaikaista suorituskykyä mitataan suorituskyky indeksillä C pk T on tavoitearvo, µ jakauman keskiarvo C p = 2.0 ja C pk = 1.5 Kun µ = T, C p = C pk C p µ = USL 3σ C = C ( 1 k ) pk p µ LSL C p = 3 σ T µ k = ( USL LSL) / 2 Identifioi tuotteen ominaisuudet, jotka ovat kriittisiä asiakastyytyväisyydessä Määrittele tuotoksen osat tai elementit, jotka ovat kriittisiä saavuttamiseksi Määrittele aliprosessit, jotka vaikuttavat tuotoksen kriittisten ominaisuuksien saavuttamiseen Määrittele jokaiselle tuotoksen ominaisuudelle tavoitearvo ja maksimi toleranssi, jotka takaavat suorituskyvyn Määrittele jokaiselle tuotoksen ominaisuudelle ja aliprosessille, jotka vaikuttavat kriittisiin ominaisuuksiin, suorituskykyindeksit Tarkista, että C p = 2.0 ja C pk = 1.5
4 Vaiheet; 1. ja 2. Vaiheet; 3. ja 4. Tärkeysjärjestys ja kvantitatiivisuus Asiakkaan fyysiset ja funktionaaliset vaatimukset Tuotantojärjestelmän vaatimukset; sisäinen asiakas Yrityksen tavoitteet; kiertoajat, liiketoiminnan tavoitteet, etc. Vaiheessa 2 arvioidaan tuotoksen osat, jotka vaikuttavat kriittisiin ominaisuuksiin Esim. laskujen käsittely ja sisäiset materiaalitoimitukset (DPMO ja siitä indeksit) Aliprosessit, jotka tuottavat kriittiset ominaisuudet Tunnistetaan jo hyvin toimivat huonosti toimivista Tunnistetaan aliprosessit, jotka eniten vaikuttavat kriittisten ominaisuuksien saavuttamiseen ja keskitytään näihin 4. vaiheessa määritellään toleranssit Elintärkeille aliprosesseille optimitoleranssit Muille maksimitoleranssit tai suhteelliset virhemäärät määriteltynä Esim. edellisessä sisäinen jakelu nukkuu puolet päivästä ja hoitaa kaiken kuljetuksen, muut kunnossa Vaiheet; 5. ja 6. Määritetään indeksit ja vertaillaan tavoitetasoihin tuotoksessa Ellei tuotos täytä vaatimuksia, siirrytään mikrotasolle Tarkastellaan aliprosesseja, varsinkin niitä, jotka vaikuttavat tuotoksen krittisiin ominaisuuksiin ja tuottavat eniten virheitä Muutetaan joko prosessia tai toleranssirajoja tai molempia Prosessin parantaminen Prosessin suorituskykyä voidaan parantaa Varsinaisen prosessin parantaminen ja/tai Komponentin specifikaatioiden muuttaminen Design for manufacturability, kun molemmat LFL2 LFL1 Parannettu UFL1 UFL2 Alkuper. Prosessin parantaminen Toleranssirajojen suunnittelu Komponentin toimimisen rajat Upper ja Lower Functional Level UFL ja LFL Lyhyen ajan kontrollirajat Upper ja Lower Specification Level USL ja LSL DM, design margin välissä, jos voi LFL LSL Keskitetty 1.5σ siirretty USL UFL USL = mm LSL = 9.4 mm σ = 0.2 mm Ruuviesimerkki 1 ( ) / 0.20 = 6 Toimitaan siis alueella ±3σ Viallisia on 2700 ppm 2700 ppm* kpl = C p = = = 1.0 6* % UFL ja LFL alueesta
5 USL = mm LSL = 9.4 mm σ = 0.1 mm Ruuviesimerkki 2 ( ) / 0.10 = 12 Toimitaan siis alueella ±6σ Viallisia on ppm ppm* kpl = C p = = = 2.0 6* Ruuviesimerkki 2 väärin tulkittuna!! USL = mm LSL = 8.80 mm σ = 0.20 mm ( ) / 0.20 = 12 Toimitaan siis alueella ±6σ Viallisia on ppm ppm* kpl = C p = = = 2.0 6* UNOHDA VAATIMUSTEN VÄLJENTÄMINEN PAREMMAN σ-tason TAI C p -INDEKSIN SAAVUTTAMISEKSI!! Ruuviesimerkki 3 x = mm USL = mm LSL = 9.4 mm σ = 0.1 mm ( ) / 0.10 = 12 Toimitaan siis alueella ±6σ Tapahtunut 1.5 σ:n siirtymä Viallisia on 3.4 ppm 3.4 ppm* kpl = C p = = = 2.0 6* Ruuviesimerkki 4 N = 500 kpl n = 500 kpl viallisia 3 3 / 500 = = 0.6 % = 6000 ppm Taulukoista tämä vastaa 2.5σ-tasoa Tämä voidaan olettaa jo siirtyneeksi jakaumaksi, joten lisätään tähän 1.5σ 4 σ C p = = σ C pk = = = 2.5 3*0.1 3*0.1 Ruuviesimerkki 5 Ruuveja tarvitaan koko ajan suuria määriä. Yhtään virheellistä ei sallita. USL = mm LSL = 9.6 mm Mikä saa ruuvien keskihajonta σ korkeintaan olla? Kustannukset ja laatu Vanha käsitys virhe- ja parannuskustannuksista Etsitään optimia, jossa kustannukset pienimmät mahdolliset Vaaditaan siis prosessin toimivan 6 σ:n tasolla ( ) /σ = 12 σ = 0.8/12 = mm Tai C p = = 2.0 6* σ Kustannukset Parannuskustannukset Virhekustannukset Kokonaiskustannukset σ = 0.8 / 2*6 = mm Laatu
6 Kustannukset ja laatu MIKÄ ON? Uusi käsitys virhe- ja parannuskustannuksista Parannettaessa laatua kustannukset pienenevät Esim. korjaus-, tarkastus-,materiaali- ja hävikkikustannukset - Pareto-diagrammi? - Attribuuttitarkastus? -OC-käyrä? - Kuluttajan riski? Kustannukset Parannuskustannukset Virhekustannukset 3σ 4σ 5σ - Variaabelitarkastus? -XR-kartta? 6σ -DPMO -Cpk indeksi? Laatu
riippumattomia 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
17.11.2016/1 MTTTP5, luento 17.11.2016 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla likimain Jos X ~ Bin(n, p), niin X ~ N(np, np(1 p)), kun n suuri. 17.11.2016/2
Lisätiedot/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
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
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
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
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,
LisätiedotTilastollinen laadunvalvonta
L u e n t o Laadunvalvonta käytännössä välttämätöntä Tilastollinen laadunvalvonta Valvonnan tavoitteena varmistaa, että prosessit toimivat suunnitelmien mukaan peruskysymyksinä millä tavoilla valvotaan?,
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
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
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
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)
LisätiedotTilastollinen laadunvalvonta
L u e n t o Miten valvonta liittyy laatujohtamiseen? Tilastollinen laadunvalvonta Laatujohtaminen Luennon sisältö Laadunvalvonta Prosessin kyvykkyys Acceptance sampling Laadun suunnittelu Tuotesuunnittelu
Lisätiedot6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely
3.12.2018/1 MTTTP5, luento 3.12.2018 6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely H 0 : = 0 Oletetaan, että populaatiossa viallisia %. Olkoon X 1, X
Lisätiedotpisteet Frekvenssi frekvenssi Yhteensä
806118P JOHDATUS TILASTOTIETEESEEN Loppukoe 15.3.2018 (Jari Päkkilä) 1. Kevään -17 Johdaus tilastotieteeseen -kurssin opiskelijoiden harjoitusaktiivisuudesta saatujen pisteiden frekvenssijakauma: Harjoitus-
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
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
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
LisätiedotTilastollisten menetelmien soveltaminen tuotekehitysympäristössä
Antti Härmä Tilastollisten menetelmien soveltaminen tuotekehitysympäristössä Powerwave Finland Oy Tilastollisten menetelmien soveltaminen tuotekehitysympäristössä Powerwave Finland Oy Antti Härmä Opinnäytetyö
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
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
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...
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
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
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
Lisätiedot4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen
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
LisätiedotMATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ 18.3.2015 HYVÄN VASTAUKSEN PIIRTEITÄ
MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ 8..05 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vastausten piirteiden, sisältöjen ja pisteitysten luonnehdinta ei sido ylioppilastutkintolautakunnan arvostelua. Lopullisessa
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 6A Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotSisäilmakumppani -raportti Viialan yhtenäiskoulu, siirtokoulut
22.1.19 Etusivu Sisäilmakumppani -raportti Viialan yhtenäiskoulu, siirtokoulut 7.1.19 22.1.19 Sisällysluettelo: 1. Yleiskuva 2. Havainnot ja toimenpiteet 3. Mittaustulokset tiloittain 4. Raja-arvot Raportin
LisätiedotLIITE 1 VIRHEEN ARVIOINNISTA
1 Mihin tarvitset virheen arviointia? Mittaustuloksiin sisältyy aina virhettä, vaikka mittauslaite olisi miten uudenaikainen tai kallis tahansa ja mittaaja olisi alansa huippututkija Tästä johtuen mittaustuloksista
LisätiedotTilastollisen analyysin perusteet Luento 2: Tilastolliset testit
Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit Sisältö Tilastollisia testejä tehdään jatkuvasti lukemattomilla aloilla. Meitä saattaa kiinnostaa esimerkiksi se, että onko miesten ja
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
LisätiedotVaatimusmäärittely Ohjelma-ajanvälitys komponentti
Teknillinen korkeakoulu 51 Vaatimusmäärittely Ohjelma-ajanvälitys komponentti Versio Päiväys Tekijä Kuvaus 0.1 21.11.01 Oskari Pirttikoski Ensimmäinen versio 0.2 27.11.01 Oskari Pirttikoski Lisätty termit
LisätiedotMTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)
21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.
Lisätiedot1. Nollahypoteesi on, että teksti on kirjoitettu lyhyemmällä murteella. Mahdollisiavaihtoehtojaonvainyksieliettäteksti
Sosiaalitieteiden laitos Tilastotieteen jatkokurssi, kevät 20 7. laskuharjoitusten ratkaisuehdotukset. Nollahypoteesi on, että teksti on kirjoitettu lyhyemmällä murteella. Mahdollisiavaihtoehtojaonvainyksieliettäteksti
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
LisätiedotVIILUN MITTATARKKUUDEN VARMISTAMINEN TILASTOLLISIN KEINOIN
LAPPEENRANNAN TEKNILLINEN YLIOPISTO Teknillinen tiedekunta LUT Metalli BK10A0400 Kandidaatintyö ja seminaari Kandidaatintyö VIILUN MITTATARKKUUDEN VARMISTAMINEN TILASTOLLISIN KEINOIN Lappeenranta 25.2.2011
LisätiedotOdotusarvoparien vertailu. Vilkkumaa / Kuusinen 1
Odotusarvoparien vertailu Vilkkumaa / Kuusinen 1 Motivointi Viime luennolta: yksisuuntaisella varianssianalyysilla testataan nollahypoteesia H 0 : μ 1 = μ 2 = = μ k = μ Jos H 0 hylätään, tiedetään, että
LisätiedotDiskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma
Diskreetit todennäköisyysjakaumat Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma Satunnaismuuttuja Satunnaisilmiö on ilmiö, jonka lopputulokseen sattuma vaikuttaa Satunnaismuuttuja on muuttuja,
LisätiedotMatemaatikot ja tilastotieteilijät
Matemaatikot ja tilastotieteilijät Matematiikka/tilastotiede ammattina Tilastotiede on matematiikan osa-alue, lähinnä todennäköisyyslaskentaa, mutta se on myös itsenäinen tieteenala. Tilastotieteen tutkijat
LisätiedotLIITE 1 VIRHEEN ARVIOINNISTA
1 LIITE 1 VIRHEEN ARVIOINNISTA Mihin tarvitset virheen arviointia? Mittaustulokset ovat aina todellisten luonnonvakioiden ja tutkimuskohdetta kuvaavien suureiden likiarvoja, vaikka mittauslaite olisi miten
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut
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
LisätiedotISO 9001:2015 JÄRJESTELMÄ- JA PROSESSIAUDITOIN- NIN KYSYMYKSIÄ
ISO 9001:2015 JÄRJESTELMÄ- JA PROSESSIAUDITOIN- NIN KYSYMYKSIÄ IMS Business Solutions Oy, J Moisio 10/ 2016 2.10.2016 IMS Business Solutions Oy 2 ISO 9001:2015 PROSESSIEN AUDITOINTIKYSYMYKSIÄ ISO 9001:2015
Lisätiedot11. laskuharjoituskierros, vko 15, ratkaisut
11. laskuharjoituskierros vko 15 ratkaisut D1. Geiger-mittari laskee radioaktiivisen aineen emissioiden lukumääriä. Emissioiden lukumäärä on lyhyellä aikavälillä satunnaismuuttuja jonka voidaan olettaa
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
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
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
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
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 15 1 Tilastollisia testejä Z-testi Normaalijakauman odotusarvon testaus, keskihajonta tunnetaan
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).
Lisätiedot9. laskuharjoituskierros, vko 12-13, ratkaisut
9. laskuharjoituskierros, vko 12-13, ratkaisut D1. Olkoot X i, i = 1, 2,..., n riippumattomia, samaa eksponenttijakaumaa noudattavia satunnaismuuttujia, joiden odotusarvo E(X i = β, toisin sanoen X i :t
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
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotLIITE 1 VIRHEEN ARVIOINNISTA
Oulun yliopisto Fysiikan opetuslaboratorio Fysiikan laboratoriotyöt 1 1 LIITE 1 VIRHEEN RVIOINNIST Mihin tarvitset virheen arviointia? Mittaustuloksiin sisältyy aina virhettä, vaikka mittauslaite olisi
LisätiedotKUNTATEKNIIKKA 2014 ELINKAARILASKENNASTA OMAISUUDEN HALLINTAAN. Juha Äijö, Ramboll, 11.2013
KUNTATEKNIIKKA 2014 ELINKAARILASKENNASTA OMAISUUDEN HALLINTAAN Juha Äijö, Ramboll, 11.2013 ELINKAARILASKENNASTA OMAISUUDEN HALLINTAAN ELI MITEN NÄHDÄÄN METSÄ PUILTA TAVOITE 10 20 30 40 50 60 70 80 90 Toleranssi
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
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
LisätiedotA-osa. Ratkaise kaikki tämän osan tehtävät. Tehtävät arvostellaan pistein 0-6. Taulukkokirjaa saa käyttää apuna, laskinta ei.
PITKÄ MATEMATIIKKA PRELIMINÄÄRIKOE 7..07 NIMI: A-osa. Ratkaise kaikki tämän osan tehtävät. Tehtävät arvostellaan pistein 0-. Taulukkokirjaa saa käyttää apuna, laskinta ei.. Valitse oikea vaihtoehto ja
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
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
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
LisätiedotTURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ
tammikuussa 2017 TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ Tiivistelmä Hengitysilman tavallisin laatuluokitus vuorokausi-indeksin mukaan oli tammikuussa hyvä Kaarinassa sekä Paraisilla ja tyydyttävä Turun
Lisätiedot, tuottoprosentti r = X 1 X 0
Ostat osakkeen hintaan ja myyt sen vuoden myöhemmin hintaan X 1. Kokonaistuotto on tällöin R = X 1, tuottoprosentti r = X 1 ja pätee R = 1 + r. Lyhyeksimyymisellä tarkoitetaan, että voit myydä osakkeen
Lisätiedot3. a) Mitkä ovat tilastolliset mitta-asteikot? b) Millä tavalla nominaaliasteikollisen muuttujan jakauman voi esittää?
Seuraavassa muutamia lisätehtäviä 1. Erään yrityksen satunnaisesti valittujen työntekijöiden poissaolopäivien määrät olivat vuonna 003: 5, 3, 16, 9, 0, 1, 3,, 19, 5, 19, 11,, 0, 4, 6, 1, 15, 4, 0,, 4,
Lisätiedotχ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut
Mat-2.091 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Yhteensopivuuden testaaminen Homogeenisuuden testaaminen Riippumattomuuden testaaminen Avainsanat: Estimointi, Havaittu frekvenssi, Homogeenisuus,
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
LisätiedotDifferentiaali- ja integraalilaskenta
Differentiaali- ja integraalilaskenta Opiskelijan nimi: DIFFERENTIAALILASKENTA 1. Raja-arvon käsite, derivaatta raja-arvona 1.1 Raja-arvo pisteessä 1.2 Derivaatan määritelmä 1.3 Derivaatta raja-arvona
LisätiedotKojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto
Kojemeteorologia Sami Haapanala syksy 2013 Fysiikan laitos, Ilmakehätieteiden osasto Mittalaitteiden staattiset ominaisuudet Mittalaitteita kuvaavat tunnusluvut voidaan jakaa kahteen luokkaan Staattisiin
LisätiedotLAATUKÄSIKIRJA SFS-EN ISO 9001:2000
LAATUKÄSIKIRJA SFS-EN ISO 9001:2000 LAATUPOLITIIKKA Puutyöliike Pekka Väre Ky:n liiketoiminnan kehittyminen ja jatkuvuus varmistetaan koko henkilökunnan yhdessä omaksumien toimintaperiaatteiden ja yrityksessä
LisätiedotSIPOC ja Arvovirtakartta työskentely - Ohje
SIPOC ja Arvovirtakartta työskentely - Ohje 1. Riittävän aihealueen osaamistason varmistaminen. Käsitteiden ja työkalujen esittely Asiakasarvo ja prosessitehokkuus SIPOC Arvovirtakartta. Työkalujen käyttöohjeet
LisätiedotHämeenlinnan kaupunki: Kotihoidon palveluntuotannon vaikuttavuuden ja käyttäjälähtöisyyden kehittäminen
Hämeenlinnan kaupunki: Kotihoidon palveluntuotannon vaikuttavuuden ja käyttäjälähtöisyyden kehittäminen Selvitystyön loppuraportti 19.02.2015 Vetovoimainen hyvinvointiala Hämeenlinnassa - hanke Johdon
Lisätiedot&idx=2&uilang=fi&lang=fi&lvv=2015
20.10.2015/1 MTTTP5, luento 20.10.2015 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
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
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 20. syyskuuta 2007 Antti Rasila () TodB 20. syyskuuta 2007 1 / 17 1 Kolmogorovin aksioomat σ-algebra Tapahtuman todennäköisyys 2 Satunnaismuuttujat Todennäköisyysjakauma
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
LisätiedotMainonnan kenttä Venäjällä
Mainonnan kenttä Venäjällä Mainonnan historia nykyvenäjällä 15 vuotta siitä kun se alkoi Viimeisen 10 vuoden aikana isoimmat ketjut ovat rantautunet Venäjälle Koulutus, osaaminen, ja yleinen tietotaito
LisätiedotH0: otos peräisin normaalijakaumasta H0: otos peräisin tasajakaumasta
22.1.2019/1 MTTTA1 Tilastomenetelmien perusteet Luento 22.1.2019 Luku 3 2 -yhteensopivuus- ja riippumattomuustestit 3.1 2 -yhteensopivuustesti H0: otos peräisin tietystä jakaumasta H1: otos ei peräisin
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Optimaalisuus: objektiavaruus f 2 min Z = f(s) Parhaat arvot alhaalla ja vasemmalla
LisätiedotTURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ
syyskuussa 2016 TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ Tiivistelmä Hengitysilman tavallisin laatuluokitus vuorokausi-indeksin mukaan oli syyskuussa Turun Kauppatorilla, Raisiossa sekä Paraisilla tyydyttävä
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
LisätiedotTURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ
helmikuussa 2017 TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ Tiivistelmä Hengitysilman tavallisin laatuluokitus vuorokausi-indeksin mukaan oli helmikuussa hyvä Kaarinassa sekä Paraisilla ja tyydyttävä Turun
LisätiedotTURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ
elokuussa 2016 TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ Tiivistelmä Hengitysilman tavallisin laatuluokitus vuorokausi-indeksin mukaan oli elokuussa kaikilla muilla asemilla hyvä, paitsi Paraisilla tyydyttävä.
LisätiedotTURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ
maaliskuussa 2016 TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ Tiivistelmä Hengitysilman tavallisin laatuluokitus vuorokausi-indeksin mukaan oli maaliskuussa muilla mittausasemilla tyydyttävä, paitsi Paraisilla
LisätiedotTURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ
maaliskuussa 2017 TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ Tiivistelmä Hengitysilman tavallisin laatuluokitus vuorokausi-indeksin mukaan oli maaliskuussa kaikilla muilla asemilla tyydyttävä, paitsi Paraisilla
LisätiedotTURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ
kesäkuussa 2016 TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ Tiivistelmä Hengitysilman tavallisin laatuluokitus vuorokausi-indeksin mukaan oli kesäkuussa kaikilla muilla asemilla hyvä, paitsi Paraisilla tyydyttävä.
LisätiedotTilastotiedote 2007:1
TAMPEREEN KAUPUNGIN TALOUS- JA STRATEGIARYHMÄ TIETOTUOTANTO JA LAADUNARVIOINTI Tilastotiedote 2007:1 25.1.2007 TULONJAKOINDIKAATTORIT 1995 2004 Tilastokeskus kokosi vuodenvaihteessa kotitalouksien tulonjakoa
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...
LisätiedotTURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ
joulukuussa 2016 TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ Tiivistelmä Hengitysilman tavallisin laatuluokitus vuorokausi-indeksin mukaan oli joulukuussa hyvä ssa, Kaarinassa sekä Paraisilla ja tyydyttävä
LisätiedotSIIVOJA HALLITSEE EKG-REKISTERÖINNIN, VAIKKA SE ON VAIKEAA JOPA KLIINISEN FYSIOLOGIAN ERIKOISHOITAJILLE!
Hanna-Maarit Riski Yliopettaja Turun ammattikorkeakoulu SIIVOJA HALLITSEE EKG-REKISTERÖINNIN, VAIKKA SE ON VAIKEAA JOPA KLIINISEN FYSIOLOGIAN ERIKOISHOITAJILLE! JOHDANTO Iltasanomissa 17.3.2011 oli artikkeli,
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
LisätiedotEstimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio
17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla
LisätiedotTURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ
tammikuussa 2016 TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ Tiivistelmä Hengitysilman tavallisin laatuluokitus vuorokausi-indeksin mukaan oli tammikuussa muilla mittausasemilla tyydyttävä, paitsi ssa ja
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,
LisätiedotJonojen matematiikkaa
Lectio praecursoria Jonojen matematiikkaa Samuli Aalto luento.ppt 1 Sisältö Johdanto Joukkopalveltu jono (batch service queue) Nestevarastomalli (fluid flow storage model) 2 Reaalimaailman ilmiö... ÿþýüûr.u.p.t.
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
Lisätiedotc) A = pariton, B = ainakin 4. Nyt = silmäluku on5 Koska esim. P( P(A) P(B) =, eivät tapahtumat A ja B ole riippumattomia.
Tehtävien ratkaisuja 4. Palloja yhteensä 60 kpl. a) P(molemmat vihreitä) = P((1. pallo vihreä) ja (. pallo vihreä)) = P(1. pallo vihreä) P(. pallo vihreä 1. pallo vihreä) = 0.05 (yleinen kertolaskusääntö)
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
Lisätiedot