Helikopterien huoltotoiminnan simulointityökalu

Koko: px
Aloita esitys sivulta:

Download "Helikopterien huoltotoiminnan simulointityökalu"

Transkriptio

1 Sovelletun matematiikan erikoistyö Helikopterien huoltotoiminnan simulointityökalu Teknillinen korkeakoulu Teknillisen fysiikan ja matematiikan laitos Systeemianalyysin laboratorio Jirka Poropudas 50138U

2 1. Johdanto Simuloinnin taustaa... 3 Simulointimalleista... 3 Simulointimallin muodostaminen ja käyttö... 3 Mallin rakenne... 4 Mallin syötetiedot... 4 Simulointiajot ja tulosten tulkinta... 4 Mallin verifiointi ja validointi Helikopterien lento- ja huoltotoiminnan simulointimalli... 6 Yleistä Suomen puolustusvoimien helikoptereista... 6 Helikopterien lento- ja huoltotoiminta... 7 Helikoptereiden huoltotoiminnan simulointimalli... 9 Simulointimallin rakenne... 9 Mallin parametrien estimointi ja mallin validointi Helikopterien huoltotoiminnan simulointityökalu SIMAN-ohjelmointikieli Arena-simulointiohjelmisto Helikoptereiden huoltotoiminnan simulointityökalu Esimerkkiajo: Satunnaisvaihtelun merkitys huoltoresurssissa Yhteenveto ja jatkokehityssuuntia Viitteet

3 1. Johdanto Teknillisen korkeakoulun Systeemianalyysin laboratoriossa rakennettiin vuonna 2002 yhteistyössä Ilmavoimien kanssa huoltotoiminnan simulointityökalu, jonka on tarkoitus toimia päätöksenteon tukena lentokoneiden huoltotoimintaa kehitettäessä [7]. Kun Puolustusvoimat teki päätöksen 20 uuden NH-90 kuljetushelikopterin hankkimisesta Maavoimien käyttöön [11], oli myös ajankohtaista rakentaa vastaava simulointityökalu kuvaamaan helikoptereiden lento- ja huoltotoimintaa. Työkalua on tarkoitus käyttää apuna helikoptereiden huoltotoimintaorganisaation suunnittelussa jo ennen helikoptereiden varsinaista käyttöönottoa, joka tapahtuu porrastetusti vuodesta 2004 alkaen [10]. Tavoitteena huoltotoiminnan suunnittelussa on mahdollisimman tehokas huolto-organisaatio, jossa ei esiinny rajoittavia pullonkauloja tai virheellisesti asemoituja resursseja. Työkalun avulla saadaan tietoa huoltotoimintaa kuvaavan järjestelmän käyttäytymisestä ja erilaisten muuttujien ja skenaarioiden vaikutuksesta huoltotoiminnan tehokkuuteen. Simulointisovelluksen avulla huoltotoiminnan suunnittelijat voivat tehdä erilaisia mitä-jos-analyyseja ja sitä voidaan käyttää myös huoltohenkilöstön koulutuksessa. Työkalun avulla saadaan havaintoaineistoa vielä suunnitteluvaiheessa olevasta järjestelmästä, mutta se ei suoraan muodosta tehokkaampia huoltotoiminnan strategioita tai etsi ja analysoi mahdollisia ongelmakohtia. Tehokkaampien vaihtoehtojen generointi ja niiden vertailu jää käyttäjän vastuulle. Tässä työssä käsitellään simulointia yleisesti sekä lähestymistapana monimutkaisten logistiikkajärjestelmien tutkimukseen [1,2,6,7]. Työssä esitellään simulointimalli, joka kuvaa helikoptereiden lento- ja huoltotoimintaa, ja tämän mallin ympärille rakennettu simulointityökalu, jonka on tarkoitus helpottaa mallin hyödyntämistä helikoptereiden huoltotoimintaa suunniteltaessa. Simulointimallin avulla voidaan tutkia huoltotoiminnan tehokkuutta yksinkertaisten mittareiden kuten helikoptereiden käytettävyyden ja toteutuneiden lentotuntien avulla. Tämän lisäksi malli tuottaa suuren määrän muita järjestelmän toimintaa kuvaavia tunnuslukuja, kuten tietoa erilaisten huoltojen ja varaosien odotusten kestoista, huoltopisteiden kuormituksesta tai erilaisten materiaalien kulutuksesta. Lento- ja huoltotoimintojen mallintamisessa käytetään diskreetin tapahtumasimuloinnin lähestymistapaa [1]. Keskeinen osa toiminnan tarkastelua on järjestelmään sisältyvän epävarmuuden mallintaminen. Tämä on sisällytetty malliin satunnaisten syötetietojen avulla, mutta varsinaisten mallin parametrien estimointi on suoritettu viitteessä [10]. Simulointimalli on rakennettu lähes kokonaan jo olemassa olevan lentokoneiden huoltotoiminnan simulointityökalun pohjalta [7]. Mallin toteutuksessa on käytetty oliopohjaista, graafista Arenasimulointiohjelmistoa [3]. Mallista on konstruoitu huoltotoiminnan simulointityökalu, jossa simulointiasetusten tekeminen ja simulointiajojen hallinta on yhdistetty käyttöliittymään, joka on suunniteltu lentokoneiden huoltotoiminnan simulointityökalun vastaavan käyttöliittymän pohjalta. Työkalu sisältää automaattiset raportointitoiminnot ja mahdollistaa ajassa kehittyvien olosuhteiden mallintamisen, mikä ei olisi Arena-ohjelmistolla suoraan mahdollista. Simulointityökalun on tarkoitus olla mahdollisimman helppokäyttöinen siten, että sen avulla huoltotoiminnan tarkastelu on vaivatonta eikä edellytä varsinaisen simulointimallin tuntemista tai mallin suoranaista muuntelua. 2

4 2. Simuloinnin taustaa Simulointimalleista Simulointi on monimutkaisten järjestelmien ja prosessien tutkimusmenetelmä, joka on erityisen käytännöllinen tutkittaessa järjestelmiä, jotka ovat niin monimutkaisia tai laajoja, ettei niitä koskevien analyyttisten mallien ja ratkaisujen muodostaminen ole mielekästä. Simulointipohjainen lähestyminen tutkimusongelmaan tulee myös kyseeseen, jos tutkittavalla järjestelmällä ei voida suorittaa hallittuja kokeita, kokeiden suorittaminen on liian kallista tai tutkittavaa järjestelmää ei vielä ole olemassa. Tällöin muodostetaan reaalimaailman järjestelmästä tai ilmiöstä simulointimalli, jonka käyttäytymisen perusteella koetetaan tehdä johtopäätöksiä todellisen mielenkiinnonkohteen ominaisuuksista. Simulointia voidaan hyödyntää olemassa olevien tai vielä suunnitelman tasolla olevien järjestelmien tutkimiseen. Käytännössä simulointimallin muodostamisessa tutkittava järjestelmä mallinnetaan käyttötarkoitukseen sopivalla tarkkuudella siten, että syntyvä malli on esimerkiksi ohjelmoitavissa tietokoneelle. Tässä yhteydessä sopivalla tarkkuudella tarkoitetaan tutkittavan järjestelmän rajaamista niin, että sen tehokas mallintaminen on mahdollista, mutta järjestelmän oleellisia osia ei jätetä mallin ulkopuolelle. Tämä rajanveto on luonnollisesti tapauskohtaista ja mallin riittävyyteen palataan mallin validoinnin yhteydessä. Simulointimallit luokitellaan usein kolmen eri ominaisuuden perusteella. Tavallisimmin käytetty luokittelu jakaa mallit luokkiin seuraavien ominaisuuksien mukaan [7]: - staattiset ja dynaamiset mallit - deterministiset ja stokastiset mallit - diskreetit ja jatkuva-aikaiset mallit Luokittelu perustuu järjestelmän tilan tarkasteluun. Tilalla tarkoitetaan järjestelmän ominaisuuksia kuvaavien muuttujien joukkoa, joka tarvitaan tutkimuksen tavoitteet huomioon ottaen kuvaamaan järjestelmää tietyllä ajan hetkellä. Staattinen malli kuvaa systeemin tilaa yksittäisellä ajan hetkellä, kun taas dynaaminen malli seuraa systeemin tilan käyttäytymistä ajan hetkestä toiseen. Stokastinen malli huomioi systeemin käyttäytymiseen sisältyvän epävarmuuden; tilaa kuvaavat muuttujat ovat satunnaisia ja mallin antama systeemin tilahistoria on siis stokastisen prosessin realisaatio. Deterministinen malli ei sisällä satunnaisuutta, järjestelmän tilat määräytyvät yksikäsitteisesti alkutilasta ja järjestelmän dynamiikasta. Diskreettien mallien tila muuttuu vain yksittäisinä ajanhetkinä, mutta jatkuvissa malleissa tila on ajan suhteen jatkuva. Kaikki edellä mainitut mallityypit soveltuvat simulointiin, mutta tässä työssä käsiteltävä malli on esimerkki dynaamisesta, stokastisesta ja diskreettiaikaisesta mallista. Tämänkaltaisiin malleihin perustuvaa simulointia kutsutaan diskreettiaikaiseksi tapahtumasimuloinniksi [1]. Simulointimallin muodostaminen ja käyttö Järjestelmän simulointi ei ole suoraviivainen tai yksikäsitteinen prosessi, vaan todellisen systeemin malli rakennetaan iteratiivisesti. Mallinrakennuksen aluksi määritellään, mitä mallilla halutaan tutkia. Tämän jälkeen todellisesta järjestelmästä muodostetaan malli, jonka toivotaan kuvaavan 3

5 järjestelmää riittävällä tarkkuudella. Tällä mallilla suoritetaan sitten simulointiajoja, joiden perusteella arvioidaan, onko malli käyttötarkoitukseensa sopiva. Tarvittaessa malliin tehdään korjauksia tai se hylätään kokonaan. Samalle järjestelmälle voidaan muodostaa malli lukemattomilla eri tavoilla. Näiden ehdokkaiden joukosta valitaan sellainen malli, joka kuvaa tutkittavaa ilmiötä riittävällä tarkkuudella, mutta kuitenkin soveltuu muilta ominaisuuksiltaan (esim. tietokoneen laskenta-aika jne.) tehokkaaseen analyysiin. Mallin rakenne Simulointimallin muodostamisessa voidaan erottaa toisistaan niinsanotun käsitteellisen simulointimallin muodostaminen ja sen toiminnallisen mallin ohjelmointi tietokoneelle. Käsitteellinen malli pitää sisällään järjestelmän toiminnasta tehdyt oletukset. Käsitteelliseen malliin kuuluvat myös päätökset simulointimallin rakenteesta ja sitä koskevat oletukset. Tavoitteena on kuvata järjestelmä siten, että malli sisältää tutkimuksen tavoitteiden kannalta oleelliset järjestelmän ominaisuudet. Toisaalta on huomioitava simuloinnin kustannukset. Mallia muodostettaessa tulee pitää mielessä niukkuusperiaate, jonka mukaan käytetään yksinkertaisinta riittävää mallia. Mallin tarkkuuden kasvattaminen vaatii aina lisätietoa järjestelmästä ja siis lisää projektin vaatimaa työpanosta. Jos taas järjestelmästä on tehty liikaa yksinkertaistavia oletuksia, mallin kuvaustaso kärsii [9]. Mallin rakennetta valittaessa on usein suositeltavaa edetä yksinkertaisemmasta rakenteesta yksityiskohtaisempaan [6]. Mallin syötetiedot Mallin rakennetta päätettäessä valitaan myös malliin liittyvien syötetietojen ominaisuudet. Mallin syötetiedoilla tarkoitetaan niitä simulointimallin osia, joihin voidaan vaikuttaa ilman tietokoneohjelmointia. Nämä simulaatiomallille annettavat syötteet voivat kuvata erilaisia tapoja vaikuttaa järjestelmän käyttäytymiseen suunnitellulla tai erilaisilla ohjauksilla. Syötetietojen avulla voidaan myös mallintaa järjestelmään sisältyvää epävarmuutta. Esimerkiksi jonomalleissa tapahtuvat asiakkaiden saapumiset tai huoltotoiminnan malleissa esiintyvät satunnaiset laitteiston vikaantumiset mallinnetaan satunnaisesti generoitujen syötetietojen avulla. Mallin rakenteellisen osan ja syötetietojen välinen raja saattaa olla hyvinkin häilyvä. Simulointiajot ja tulosten tulkinta Simulointiajossa mallin avulla generoidaan kuvattavan systeemin keinotekoinen toimintahistoria (eli mallin tilat simulaation edetessä). Mallin tilat ovat jonkun stokastisen prosessin realisaatioita, joten simulaatiotuloksia tulkittaessa on huomioitava stokastisuuden vaikutus tilastollisen analyysin keinoin. Mallin antamat tulokset saattavat olla myös voimakkaasti (auto-)korreloituneita, mikä vaikeuttaa tätä analyysia. Simulointitulosten tilastollista analyysia ja korreloituneisuuden vaikutuksia tuloksiin on käsitelty tarkemmin viitteessä [4]. Simulointimallin lähtötilanteella on myös suuri vaikutus mallin antamiin tuloksiin. Jos alkutilanne ei vastaa mallilla kuvattavan järjestelmän normaalitilaa, esiintyy simulointiajojen alussa ns. alkutransienttivaihe, jossa malli hakeutuu kohti tilastollista tasapainoaan. Alkutransienttivaiheen vaikutusta voiden pienentää määrittämällä simulointiajojen alkuun ns. warm up-periodi, joka jätetään toimintahistorian analyysissa huomiotta. Warm up-periodin pituus on hyvin tilannekohtaista ja sitä on käsitelty esim. viitteissä [2,4,6]. Simuloinnin tuloksia tarkasteltaessa on muistettava, että tutkittava malli on vain todellisen järjestelmän approksimaatio. Malli ei välttämättä sisällä kaikkia osia, jotka ovat sen kuvaaman 4

6 järjestelmän käyttäytymisen kannalta tärkeitä tai mallin osien vuorovaikutukset saattavat olla todellisuudesta poikkeavia. Malli saattaa myös perustua virheelliseen todellisesta järjestelmästä saatuun informaatioon. Mallin tuottamiin tuloksiin sisältyy siis merkittävää epävarmuutta, jota koetetaan vähentää mallin verifioinnilla ja validoinnilla. Mallin verifiointi ja validointi Simulointimallien muodostamiseen liittyy aina epävarmuutta siitä, kuinka hyvin malli kuvaa järjestelmää ja kuinka luotettavina mallin antamia tuloksia voidaan pitää. Luotettavuuden arvioinnissa voidaan erottaa kaksi osaa; mallin verifiointi ja validointi (esim. [2], s ). Mallin verifiointi liittyy simulointimallin toteutukseen, joka suoritetaan lähes poikkeuksetta tietokoneohjelmalla. Verifioitaessa simulointimallia tarkistetaan toimiiko tämä ohjelma niin kuin on tarkoitus. Mallin validointi on laajempi prosessi, jossa määritellään, onko simulointimalli tutkimuksen tavoitteet huomioon ottaen riittävän tarkka kuvaus järjestelmästä. Jos tutkittavasta järjestelmästä on olemassa havaintoaineistoa, validointi voidaan suorittaa vertaamalla simulointimallin tuottamia tuloksia tähän aineistoon. Jos taas mallinnetaan järjestelmää, josta ei aineistoa ole käytettävissä, on validoinnissa turvauduttava esim. asiantuntijalausuntoihin, samantyyppisiin järjestelmiin vertailuun tai pahimmassa tapauksessa raakaan päättelyyn siitä, miten mallin tulisi toimia. 5

7 3. Helikopterien lento- ja huoltotoiminnan simulointimalli Yleistä Suomen puolustusvoimien helikoptereista Kuva 1: McDonnell Hughes 500 harjoitushelikopteri [11]. Suomen puolustusvoimien helikopterikalusto koostuu kahdesta kopterityypistä, MD Helicopters MD 500 E/Hughes 500 D kevyestä koulutuskopterista (kuva 1) ja NH Industriesin NH-90 TTT keskiraskaasta kuljetushelikopterista (kuva 2). Puolustusvoimilla on vielä toistaiseksi myös käytössä venäläisvalmisteisia raskaita Mil Mi-8 H/P kuljetushelikoptereita. Nämä kopterit tullaan korvaamaan vuodesta 2004 alkaen portaittain uusilla NH-90 kuljetushelikoptereilla. Suomen puolustusvoimille on tilattu yhteensä 20 NH-90 helikopteria, joista ensimmäinen toimitetaan Suomeen kesällä Ensimmäisen sarjavalmisteisen NH-90 helikopterin ensilento on tämänhetkisen tiedon mukaan kesällä 2004 [11]. Kuva 2: NH-90 kuljetushelikopteri [8]. 6

8 Kaikki puolustusvoimien helikopterit ovat normaalioloissa sijoitettuina Utin Jääkärirykmentin Helikopteripataljoonaan Uttiin. Poikkeustilanteessa Helikopteripataljoonan toiminta-alue laajenee kattamaan koko Suomen. Normaaliolojen helikopteripataljoonan organisaatiokaavio on esitetty kuvassa 3. Helikopteripataljoona koostuu kahdesta Helikopterikomppaniasta ja teknisestä komppaniasta, jotka toimivat yhteisen esikunnan alaisuudessa. Helikopteripataljoona Esikunta 1. Helikopterikomppania 2. Helikopterikomppania Tekninen komppania Kuva 3: Helikopteripataljoonan normaaliolojen organisaatiokaavio. Normaalioloissa päätukikohta MOB (Main Operating Base) pitää sisällään kaikki huollon toimipisteet keskuskorjaamoa lukuun ottamatta. Päätukikohdassa toimivan Teknillisen komppanian huolto-organisaatio voidaan jakaa kahteen osaan; käyttöhuolto- ja määräaikais- /vikahuoltohenkilöstöön. Nämä kaksi henkilöstöryhmää eivät ole täysin erillisiä, vaan henkilöstö voi suorittaa kaikkia huoltotoimia oman koulutuksensa ja kelpuutustensa rajoissa. Kaikilla huoltomiehillä ei ole kuitenkaan osaamista tai lupaa suorittaa kaikkia huoltotoimenpiteitä. Hajautetussa poikkeusolojen organisaatiossa ei varsinaista tukikohtaa ole, vaan toiminta perustuu useampiin eteentyönnettyihin tukikohtiin, joista käytetään nimitystä FOB (Forward Operating Base). (Poikkeusolojen organisaatiokaaviota ei voida tässä esittää.) Jokaisessa tukikohdassa voi olla osia helikopteripataljoonan komppanioista ja sen huolto-osista. Tukikohdissa on myös lentoteknisiä resursseja hoitamassa käyttöhuoltoa, mutta huolto- ja korjausryhmien sijoittelu tukikohtien välillä on tilannesidonnaista [10]. Helikopterien lento- ja huoltotoiminta Normaalitilanteessa Helikopteripataljoonan lentotoiminta koostuu pääasiassa koulutustoiminnasta ja tukitoiminnasta muille joukko-osastoille. Lentoja suoritetaan ennalta määritetyn aikataulun mukaisesti, mikä mahdollistaa koneiden määräaikaishuoltojen suunnittelun noin vuodeksi eteenpäin. Helikopteripataljoona toimii myös normaalitilanteessa sotaharjoituksissa oman toimenkuvansa mukaisesti poikkeusolojen kokoonpanossa suorittaen sille annettuja tehtäviä. Rauhanajan Helikopteripataljoonasta muodostetaan poikkeustilanteessa erityinen poikkeusolojen joukko-osasto, Kuljetushelikopteripataljoona. Nämä kaksi organisaatiota poikkeavat toisistaan suuresti, vaikka Kuljetushelikopteripataljoona muodostetaankin normaaliolojen Helikopteripataljoonasta. Poikkeustilanteessa lentotoiminta poikkeaa voimakkaasti normaalitilanteesta. Pataljoona toimii hajautetusti useammasta tukikohdasta lentäen toimintansa mukaisia lentoja ympärivuorokautisesti. Poikkeustilanteen toiminta on kalustolle merkittävästi kuluttavampaa, koska lentämisessä joudutaan ottamaan harkittuja riskejä. Tällaisia riskejä ovat mm. pinta- tai taustalento lähellä maanpintaa suurilla nopeuksilla koneen havaitsemisen 7

9 vaikeuttamiseksi. Lento vihollisen vaikutuksen alaisena altistaa helikopterit myös vaurioitumiselle ja tuhoutumiselle. Karkealla jaolla lentolaitteiden huolto-ohjelma voidaan jakaa kahteen eri huoltotyyppiin; ennakoivaan ja ennakoimattomaan huoltoon. Nämä kaksi huoltotyyppiä voidaan jakaa useammaksi alatasoksi sen mukaan, millä huoltotasolla ko. huolto suoritetaan. NATO:n huoltotasomäärittelyn mukaisesti huoltotasoja on kolme; O-, I- ja D-tasot [10]. O-tasolla (Operational Level) tehdään jokapäiväisiä huoltoja omien helikoptereiden toiminnan ylläpitämiseksi. Tämän huoltotason toimenpiteet ovat käyttöhuoltotoimenpiteitä, yksinkertaisia määräaikaistarkastuksia tai vika- ja vauriokorjauksia, jotka eivät vaadi laitekorjausta. O-tason toimipisteet ovat palveltavan yksikön alueella ja liikkuvat tarvittaessa se mukana. Ilmavoimien organisaatiossa O-taso tarkoittaa laivueen huoltoa. I-taso (Intermediate Level) sisältää O-tason huoltoja monimutkaisemmat toimenpiteet, joihin O- tason resursseilla tai osaamisella ei kyetä. Tällaisia ovat laitekorjaukset, vaativammat määräaikaishuollot sekä vika- ja vauriokorjaukset. Tarvittaessa I-tasolta tuetaan O-tasoa asiantuntija-avulla. I-tason huoltopisteet sijaitsevat erillisinä yksiköinä. Ilmavoimissa I-tason huolloista vastaavat lennostojen korjaamot. D-taso (Depot Level) on huoltotasoista korkein ja keskittyy täysin monimutkaisempiin huoltotoimenpiteisiin kuten peruskorjauksiin, vaativiin vauriokorjauksiin ja modifikaatioiden tekemiseen ja suunnitteluun. D-tason toimipisteet voivat myös valmistaa varaosia tai suorittaa vaativia laitekorjauksia, joihin O- ja I-tasojen resurssit eivät riitä. Suomessa D-tason huoltoja suorittaa Patria Aviation. Useilla valmistajilla on omat jaottelunsa tuotteidensa huoltotoimenpiteille. Yleisesti ottaen nämä luokittelut noudattavat yllä esitettyä jaottelua. Esimerkiksi Eurocopter on määritellyt NH-90 helikoptereille kolme huoltotasoa ML1, ML2 ja ML3 (Maintenance Level) [10]. Puolustusvoimat on muokannut tätä luokittelua omaan käyttöönsä siten, että helikoptereiden huoltotoiminnassa huoltotasot tulevat olemaan O+- ja D-tasot. Tässä luokittelussa I-tason puuttuessa maavoimien organisaatiosta sen toimenpiteet on jaettu O+-tason (pataljoonan huollon) ja D-tason (keskuskorjaamon) välillä [10]. Ennakoivan huollon toimenpidetasot voidaan jakaa käyttöhuoltoon, linjahuoltoon, peruskorjauksiin ja modifikaatioihin [10]. Käyttöhuollolla tarkoitetaan lentotoiminnan yhteydessä tapahtuvia koneen tarkastuksia, poltto- ja voiteluaineenlisäyksiä, jotka suoritetaan lentopaikoilla. Linjahuolto on koneille erityisessä huoltopaikassa tehtäviä tarkastuksia ja huollollisia toimenpiteitä. Peruskorjaus on kaikista huoltotasoista laaja-alaisin ja ajallisesti suurin resurssien kuluttaja, joka suoritetaan valmistajan määrittämän lentorangan lentotuntimäärän täytyttyä. Modifikaatioissa koneen tiettyä järjestelmää tai komponenttia muutetaan ja sen kestoaika vaihtelee huomattavasti modifikaation laajuudesta riippuen. Lentolaitteissa on myös aikavalvottuja komponentteja, jotka määrittävät eri huoltotasoilla tehtävät toimenpiteet ja niiden ajoitukset. Samassa järjestelmässä olevat aikavalvotut komponentit pyritään vaihtamaan samalla kertaa työmäärän pienentämiseksi. Käyttöhuollot tehdään lentojen välillä, joten niiden intensiteetti on suoraan verrannollinen lentojen lukumäärään eli lentotoiminnan vilkastuessa käyttöhuollon huoltotoimenpiteiden lukumäärä kasvaa samassa suhteessa. Lentojen määrän kasvaessa myös määräaikaistarkastusten määrä kasvaa ja kalenteriajallinen suoritusväli lyhenee, koska määräaikaistarkistusten väliset lentotuntimäärät tulevat nopeammin täyteen. 8

10 Helikoptereiden vaurioitumisen voidaan katsoa olevan satunnainen ilmiö sekä normaalioloissa että poikkeustilanteessa. Poikkeustilanteessa helikopterit vaurioituvat vihollisvaikutuksesta tai muista ulkoisista tekijöistä johtuen, esim. poikkeuksellisen riskinoton seurauksena. Normaalitilanteessa vaurioita saattavat aiheuttaa esim. lintutörmäykset tai inhimilliset tekijät. Helikoptereiden huoltotoiminnan simulointimalli Helikoptereiden huoltotoiminnan simulointimalli perustuu Teknillisen korkeakoulun Systeemianalyysin laboratoriossa aiemmin Ilmavoimien käyttöön kehitettyyn lentokoneiden huoltotoiminnan simulointimalliin [7]. Malli sisältää helikoptereiden lentotoiminnan sekä niiden vikaantumisen, vaurioitumisen ja tuhoutumisen, helikoptereiden kuntoa ylläpitävät määräaikaishuollot, lentämisen yhteyteen liittyvät käyttöhuollot ja vikakorjaukset. Huoltoorganisaatiosta on mallinnettu henkilöstöresurssit ja joitain tärkeimpiä varastointitoimintoja. Mallin avulla voidaan tarkastella tärkeimpien huoltojärjestelmän ominaisuuksien vaikutusta helikoptereiden käytettävyyteen. Tällaisia ominaisuuksia ovat esim. tukikohtien huoltopisteiden kapasiteetti, huoltojen kesto, helikoptereiden vikaantumisalttius ja lentotoiminnan intensiteetti. Huollon eräs keskeinen tavoite on ylläpitää helikoptereiden toimintakuntoa pitkällä aikavälillä. Malli on tarkoitettu ensisijaisesti tasapainotilassa olevan huoltojärjestelmän tutkimiseen, mutta sillä voidaan myös tarkastella erilaisten kriisiskenaarioiden kehittymistä ajassa lyhyellä aikavälillä. Toimintakunnon mittarina käytetään helikoptereiden käytettävyyttä. Helikoptereiden käytettävyydellä tarkoitetaan lentokelpoisten helikopterien osuutta kaikista alkutilanteessa mukana olleista helikoptereista. Käytettävyyttä voidaan käyttää huoltotoiminnan tehokkuuden mittarina, sillä se kuvaa käytössä olevan huolto-organisaation kykyä ylläpitää alkutilanteen mukaista helikopterikantaa. Jos mallissa huomioidaan helikoptereiden tuhoutumisen mahdollisuus, jokainen helikopterin tuhoutuminen aiheuttaa käytettävyyden askelmaisen laskun. Tämä ei ehkä ole aivan perusteltua, sillä huolto-organisaatiosta riippumaton helikoptereiden tuhoutuminen laskee organisaation tehokkuutta. Vaihtoehtoinen käytettävyyden määritelmä olisi lentokelpoisten helikoptereiden ja kullakin ajan hetkellä olemassa olevien helikoptereiden suhde, jossa siis poistettaisiin laskuista tuhoutuneet helikopterit, joita ei huoltotoimenpiteillä enää voida saattaa lentokuntoon. Tämä käytettävyyden määritelmä ei kuitenkaan ole järkevä, sillä se poistaa poikkeustilanneskenaarioista helikopterikannan toimintakyvyn laskevan trendin, jonka vihollisen vaikutus aiheuttaa. Simulointimallin rakenne Helikoptereiden simulointimallissa kuvataan lento- ja huoltotoimintoja Helikopteripataljoonassa ja keskuskorjaamotasolla. Helikopteripataljoona voi toimia keskitetysti tai jakautuneena korkeintaan kolmeen tukikohtaan. Mallin rakenne on esitetty kuvassa 4. Yhtenäiset nuolet kuvaavat helikoptereiden liikkumista huoltojärjestelmän osista toisiin. Katkoviivat ovat materiaali- ja resurssivirtoja tai lentotehtäviä kuvaavia signaaleja. Tukikohdat on oletettu rakenteiltaan samanlaisiksi. Helikoptereita huolletaan tukikohtien sisäisissä huoltopisteissä ja keskuskorjaamolla. Huollon tukitoiminnoista on mallinnettu polttoaine-, tst-materiaali- ja varaosavarastot. Henkilöstöresurssien määrä huoltopisteissä sekä eri varastojen ominaisuudet voidaan määritellä jokaiselle tukikohdalle erikseen. Muut ominaisuudet määritellään yhteisesti kaikille tukikohdille. 9

11 HELIKOPTERIPATALJOONA 3 Tukikohtaa MA-huollon tarve Tukikohdan sisäinen huolto Lennon odotus Lentotehtävät Lento, vaurioituminen ja vikaantuminen Tuhoutuneet koneet Keskuskorjaamo Polttoaine-, tst-materiaalija varaosatoimitukset Henkilöstöresurssit Kuva 4: Helikoptereiden huoltotoiminnan simulointimallin rakenne. Simulointimalli on tarkoitettu pääasiallisesti pitkän aikavälin keskimääräisen käytettävyyden tarkasteluun. Viikonloppuja, lomakausia tai vuodenaikojen vaihtelua ei ole huomioitu. Päivittäisen lentotoiminnan rytmitys määritellään asettamalla malliin päivittäisen lentotoiminnan aloitus- ja lopetusajat. Vaikka todellisuudessa lentoaikataulu on suunniteltu etukäteen, päivittäisten lentojen tarkalla ajoituksella ei mallin kannalta merkitystä, sillä helikoptereiden käytettävyys lasketaan kerran vuorokaudessa. Lentotehtävät kuvataan geneerisinä satunnaisen pituisina viiveinä, joita esiintyy satunnaisin väliajoin. Jos mallilla halutaan kuvata poikkeustilanteen hälytyslentoja, voidaan lentotehtävää suorittavien osastojen koolle määritellä jokin diskreetti jakauma ja niiden esiintymistiheyttä voidaan kasvattaa. Tehtävien suorittamisen yhteydessä päivitetään materiaalinkulutus- ja lentoaikatilastot. Lentotehtäviin liittyvät vaurioitumis- ja tuhoutumisriskit on mallinnettu todennäköisyyksin. Lentotehtävää generoitaessa tarkistetaan syntyykö viholliskosketusta ja tämän jälkeen tuottaako kosketus osaston helikoptereille vaurioita tai johtaako se jopa tuhoutumiseen. Rauhanajan tilannetta voidaan kuvata asettamalla viholliskosketuksen todennäköisyys nollaksi. Koska todellisuudessa lentotoiminnalla on aina jonkinlaiset vuotuiset lentotuntitavoitteet, malliin on sisällytetty mahdollisuus asettaa lentointensiteetti toteutuneista lennoista riippuvaksi. Tämän muutoksen avulla saadaan tietyllä ajanjaksolla lentojen kokonaiskesto erittäin hyvin vastaamaan tavoitetta. Helikopterit vikaantuvat satunnaisin väliajoin, jotka mitataan lentotunneissa. Vikaluokkia on mallinnettu kuusi ja ne on jaoteltu ko. vian korjaustason mukaan. Tukikohdassa korjattavia vikatyyppejä 4 ja keskuskorjaamolla korjattavia 2. Todellisuudessa erilaisia vikoja on paljon enemmän, mutta nyt mallinnuksen painopiste on siinä, miten vika kuormittaa huoltopistettä. Luokat kuvaavat korjauskestoltaan samankaltaisten vikojen ryhmiä. Eri vikatyypeille määritellään esiintymistodennäköisyydet siten, että vikaantumisen tapahtuessa arvotaan, minkä tyyppisestä viasta on kyse, ja helikopteri ohjataan vikatyypin mukaiselle huoltotasolle. Aina, kun helikopteriin 10

12 syntynyt vika on korjattu, generoidaan helikopterille seuraava vikaantumishetki. Tätä tietoa ei tietenkään hyödynnetä koneiden huollon koordinoinnissa. Todellisuudessa lentotehtävän suorittaminen voi myös keskeytyä, mitä tässä ei ole kuitenkaan huomioitu. Päivittäisen lentotoiminnan päättyessä tarkastetaan lentokelpoisten helikoptereiden määräaikaishuollon tarve ja ne ohjataan tarvittaessa huoltoon. Huoltotarve määritetään helikoptereille kertyneiden lentotuntimäärien ja eri määräaikaishuolloille ominaisten huoltovälien perusteella. Kuitenkin jos ao. huoltopisteessä on ruuhkaa ja helikopterin lentotunnit ovat tiettyjen marginaalien rajoissa, sillä lentämistä jatketaan. Tällä tavalla voidaan tasata huoltopisteiden kuormitusta. Helikopteri ohjataan huoltoon viimeistään silloin, kun sen lentotuntimäärä ylittää annetut marginaalit. Simulointimallissa määräaikaishuolto-ohjelmaan voi kuulua yhdestä yhdeksään eri tyyppistä huoltoa, joista viittä tehdään tukikohdissa ja neljää keskuskorjaamolla. Jokaiselle huoltopisteelle on määritelty omat henkilöstöresurssit, joissa voi esiintyä satunnaista vaihtelua päivästä toiseen. Tämän on tarkoitus kuvata esim. sairaspoissaoloja tai huoltohenkilökunnan muita tehtäviä, kuten koulutusta. Mekaanikoille on määritelty kaksi erilaista taitotasoa ; osa mekaanikoista tekee vain käyttöhuoltoja ja osalla on valtuudet suorittaa myös vikaja määräaikaishuoltoja. Jos määräaikaishuoltoja ei ole käynnissä, osallistuvat pätevämmät mekaanikot käyttöhuoltoihin. Kun helikopteri otetaan huoltoon, sille varataan huoltotyypille ominainen määrä mekaanikkoja. Käyttöhuollon tekee aina tietynsuuruinen ryhmä, mutta muissa huolloissa mekaanikkojen määrä voi vaihdella ja simulointimallissa määritellään ainoastaan ryhmän koon yläraja. Oletusarvoisesti koneelle varataan aina maksimimäärä mekaanikkoja. Jos vapaita mekaanikkoja on vähemmän, heitä otetaan ryhmään mahdollisimman monta. Käyttöhuollon kestot määritellään kalenteriajassa, kun taas määräaikais- ja vikahuoltojen kestot on mallinnettu miestyötuntipohjaisesti. Huoltotoimenpiteen kalenterikesto saadaan jakamalla työn kestomiestyötunteina toimenpiteeseen osallistuvien mekaanikkojen lukumäärällä. Työteho riippuu siis lineaarisesti resurssien määrästä. Todellisuudessa ryhmän koon kasvattamisella voi olla asiantuntijoiden mukaan joko kasvava tai aleneva rajahyöty [7]. Työvauhdin lineaarista riippuvuutta resurssien määrästä voidaan kuitenkin pitää realistisena approksimaationa, kun huoltoryhmän koko on rajoitettu järkevälle välille. Valmistuvista huolloista vapautuvat resurssit allokoidaan ensisijaisesti niille käynnissä oleville huoltotoimenpiteille, joihin ei ole saatu huoltotyypin mukaista maksimimäärää mekaanikkoja. Yhtäaikaisesti huolletaan siis minimimäärää helikoptereita mahdollisimman nopeasti. Resursseja odottavat helikopterit korjataan korjaamollesaapumisjärjestyksessä, eikä erilaisia huoltotarpeita priorisoida. Lentotoiminnan tapaan myös huoltopisteiden päivittäinen työrytmi on säädettävissä simulointimallissa. Huoltotoimintaa voidaan rajoittaa määrittelemällä määräaikaistarkastuksille ja vikakorjauksille varaosatarpeita, joissa voi esiintyä satunnaista vaihtelua. Lisäksi on mallinnettu helikoptereiden polttoaineen kulutus. Varastot ovat tukikohtakohtaisia ja niitä ylläpidetään tekemällä tietyn suuruisia tilauksia varaston tason laskiessa alle määritellyn tilausrajan. Varastointitoimintojen mallinnus on pidetty hyvin yksinkertaisella tasolla; tarkoituksena on mahdollistaa joidenkin kriittisten materiaalien kulutuksen seuraaminen. Tukikohtien ja mallin ulkopuolisen päävaraston väliset siirtymät on mallinnettu ajassa. Malli ei siis ota kantaa eri toimipisteiden välisiin fyysisiin etäisyyksiin, vaan ajallisiin viiveisiin, jotka siirtymistä aiheutuvat. 11

13 Mallin parametrien estimointi ja mallin validointi Koska mallista ei ole käytettävissä asianmukaista helikoptereiden lento- ja huoltotoimintaa kuvaavaa dataa, ei tämän työn puitteissa voida estimoida mallin parametreja. Tämän seurauksena myös mallin validointi on jäänyt täysin kvalitatiiviselle tasolle. Toiminnalliselle mallille on tehty alustavaa verifiointia lentokonemallin parametreilla, mikä voidaan perustella järjestelmien välisillä merkittävillä yhteneväisyyksillä. Näiden tulosten perusteella malli näyttää toimivan odotetusti. Mallin parametrien muutokset johtavat odotetun suuntaisiin muutoksiin mallin antamissa tuloksissa; esim. lentotiheyden ja lentojen kasvattaminen laskee koneiden käytettävyyttä. Näiden muutoksien suuruuksien realistisuuteen on kuitenkin tässä vaiheessa mahdoton ottaa kantaa. Mallissa ei siis ole vielä tässä vaiheessa havaittu merkittäviä puutteita, jotka olisi korjattava. Tätä ongelmaa on käsitelty viitteessä [10], jossa estimoidaan mallin parametrit ja suoritetaan mallin kattava validointi yhteistyössä asiantuntijoiden kanssa. 12

14 4. Helikopterien huoltotoiminnan simulointityökalu SIMAN-ohjelmointikieli SIMAN-ohjelmointikieli (SImulation Modeling and ANalysis) on yleiskäyttöinen ohjelmointikieli, jota voidaan hyödyntää prosessien vuorovaikutus-, tapahtumapohjaisessa ja jatkuva-aikaisessa simuloinnissa (esim. [2], s. 9). Oliopohjaisen SIMAN-kielen tärkeimpiin ominaisuuksiin kuuluvat [1]: 1. Ympäristöjen määrittely työpisteiksi ( stations ) ja mahdollisuus määritellä loogisesti ohjattu reitti systeemin läpi virtaaville olioille. Nämä ominaisuudet ovat hyödyllisiä esim. tuotantolaitoksia tai huoltojärjestelmiä mallinnettaessa. 2. Interaktiivinen ajonohjaus, joka sallii erilaiset pysäytysajat ja -ehdot, simulaatiokellon hyödyntämisen sekä muita ajonhallintaan liittyviä toimenpiteitä. 3. Mallien siirrettävyys kaiken tyyppisille alustoille. 4. Valikkopohjainen Arena-simulointiohjelmisto, joka sallii SIMAN-kielisten mallien vaivattoman rakentamisen. Arena-simulointiohjelmisto Arena-simulointiohjelmiston tarkoitus on mahdollistaa SIMAN-kielinen simulointimallien toteutus ilman ko. kielen varsinaista hallintaa. Arenassa SIMAN-kielen rakenteet on toteutettu graafisiksi mallinnusobjekteiksi, joita kutsutaan moduuleiksi. Simulointimalli rakennetaan yhdistelemällä moduuleita toisiinsa Arenan työpöydällä. Näistä moduuleista muodostuu vuokaavio, joka kuvaa simulointimallin loogista rakennetta, jonka läpi simulointimallin oliot kulkevat. Esim. helikoptereiden huoltotoiminnan simulointimallissa moduulit esittävät toimenpiteitä, jotka suoritetaan moduulien läpi kulkeville olioille; helikoptereille. Kaikki Arena-ohjelmistoon kuuluvat moduulit on muodostettu SIMAN-kielen rakenteista ja niiden välillä vallitsee selvä hierarkia. Korkeamman ja matalamman tason moduulit sisältävät vaihtelevan määrän SIMAN-rakenteita ja siten siis eri määrän toimintoja. Eritasoiset moduulit ovat vapaasti yhdisteltävissä, mikä lisää mallin rakentamisen joustavuutta. Moduulit on Arenassa ryhmitelty kirjastoihin käyttötarkoituksen tai mallinnustason mukaan. Käyttäjällä on Arenassa mahdollisuus luoda omia moduulikirjastoja tarpeidensa mukaan yhdistelemällä valmiita moduuleita tai liittämällä malliin esim. Visual Basic-kielisiä rakenteita, joten moduulien kirjo ulottuu käytännössä yleisten ohjelmointikielen rakenteiden tasolta äärimmäisen spesifisiin käyttäjän tiettyä tarkoitusta varten määrittelemiin moduuleihin. Arena sisältää moduulikirjastojen ohella myös muita mallinnusprosessia helpottavia ominaisuuksia ja työkaluja, joista useimpia on hyödynnetty luotaessa helikoptereiden huoltotoiminnan simulointityökalua. Rakennettu simulointimalli voidaan Arenan avulla esittää animaationa, jossa voidaan käyttää Arenan sisäisiä työkaluja tai ulkoisilla ohjelmistoilla luotua grafiikkaa. Visual Basic-kielen avulla voidaan simulointimalleihin yhdistää ulkoisia sovelluksia ja käyttöliittymiä. Simulointituloksista voidaan kerätä automatisoidut raportit, joita voidaan tarpeen mukaan konfiguroida. Erillisillä työkaluilla voidaan tehdä tilastollisia analyyseja syöte- ja ulostulodatalle ja hallita useista simulointiajoista koostuvia koejärjestelyjä. Lisää tietoa Arena-ohjelmistosta löytyy viitteessä [3]. 13

15 Helikoptereiden huoltotoiminnan simulointityökalu Helikoptereiden lento- ja huoltotoiminnan simulointimallin toiminnallisuus on toteutettu Arenaohjelmistolla jo olemassa olevaan lentokoneiden huoltotoiminnan simulointimalliin lähes täysin perustuen [7]. Malli koostuu noin kolmestakymmenestä osamallista, joissa kussakin suoritetaan tiettyjä toimintokokonaisuuksia (kuva 5). Esimerkiksi simulointiajon alussa helikoptereiden ominaisuudet alustava osamalli on esitetty kuvassa 6. Mallissa on myös hyödynnetty aiemmin lentokonetyökalua varten Arenan avulla luotua Huoltopiste-moduulia, joka mahdollistaa huoltopisteiden henkilöstön järjestymisen uudelleen huoltoryhmiin aina, kun huoltovaihe on saatettu päätökseen, mikä ei valmiilla Arena-moduuleilla ole mahdollista [7]. Kuva 5: Helikoptereiden huoltotoiminnan simulointimalli. Kuva 6: Simulointimallin osamalli, joka alustaa helikoptereiden ominaisuudet simuloinnin alussa. Koko helikopterihuoltotoiminnan simulointityökalu ja sen taustalla oleva simulointimalli perustuvat toteutukseltaan ja idealtaan aiemmin ilmavoimien käyttöön rakennettuun Huoltotoiminnan simulointityökaluun [7]. Työkalun toteutuksen lähtökohtana oli tunnistaa lento- ja huoltotoiminnan yhtenevyydet ja poikkeavuudet lentokoneiden ja helikoptereiden välillä. Kun nämä ominaisuudet 14

16 oli selvitetty, olemassa olevaa mallia muokattiin siten, että sen toiminta kuvaa oikein helikoptereiden huoltotoimintaa. Lopputuloksena syntynyt malli on yksinkertaisempi, mitä tulee moduulien ja toimintojen lukumäärään; mallilla ajettavat simulaatiot ovat siis nopeampia verrattuna lentokoneiden vastaavaan malliin. Lentokoneiden huoltotoiminnan simulointityökalu on esitelty tarkemmin viitteessä [7]. Käytännössä näiden simulointityökalujen toiminnallisuudet ja ominaisuudet ovat hyvin samankaltaisia. Lentokoneiden simulointityökalun toimivaksi havaittu käyttöliittymäkin on säilytetty jokseenkin ennallaan. Työkalun tarkoitus on mahdollistaa helikoptereiden lento- ja huoltotoiminnan simulointi ilman, että itse Arena-pohjaiseen malliin on tarvetta tehdä muutoksia. Käyttäjälle mallista esitetään vain käyttöliittymä, jonka avulla mallin toimintaa ohjataan ja mallille annetaan syötetiedot, automaattisesti tulostuva tulostiedosto, joka kokoaa simulaatioajojen tulokset käyttäjän nähtäville, sekä animaatio, joka pyörii simulaatioajojen aikana. Kuva 7: Helikopterihuoltotoiminnan simulointityökalun käyttöliittymä. Työkalun käyttöliittymä on Visual Basic-kielellä toteutettu ikkuna, jossa simulaatiomallin eri osiin liittyvät osiot on jaoteltu omille välilehdilleen (ks. kuva 7). Käyttäjä voi syöttää malliin haluamansa parametrit, joiden avulla kuvataan simuloitava tilanne. Mallin asetukset voidaan antaa myös erillisessä MS-Excel-asetustiedostossa. Asetustiedostojen avulla voidaan esimerkiksi kuvata kriisitilanteen kehittymistä ajassa. Simulointeja voidaan nopeuttaa tekemällä ne ilman animaatiota, mikä on erittäin suositeltavaa. Käyttäjälle on myös varattu mahdollisuus keskeyttää käynnissä oleva 15

17 ajo ja tehdä sen asetuksiin muutoksia. Tämän toiminnon avulla voidaan esimerkiksi kuvata jonkun tukikohdan lamaantumista vihollisen vaikutuksen johdosta. Kuva 8: Simulointityökalun esittämä ajonaikainen animaatio. Simulaatiomalliin on rakennettu yksinkertainen käsitteellinen animaatio, jonka avulla voidaan seurata helikoptereiden liikkumista ja eri resurssimäärien käyttäytymistä simulaatioajon edetessä (kuva 8). Animaation tärkeimpänä tarkoituksena on mallin toimivuuden tarkastelu; se ei yritä kuvata realistisesti Helikopteripataljoonan todellista rakennetta, joka siis muuttuu normaalioloista poikkeustilanteeseen siirryttäessä. 16

18 Kuva 9: Simulointityökalun automaattisesti tuottama tulostiedosto. Työkalu tulostaa simulaatioajon päätteeksi simulaation tulokset automaattisesti MS-Exceltiedostoon (kuva 9). Tässä tiedostossa esitetään helikoptereiden käytettävyyden kehittyminen ajan funktiona simulointiajon aikana sekä suuri joukko huoltojärjestelmää ja sen toimintaa kuvaavia tunnuslukuja. Käytettävyydestä muodostetaan graafinen esitys, jossa on hetkellisen käytettävyyden lisäksi esitetty myös 30, 60, 90 ja 360 vuorokauden liukuvat keskiarvot. Tämän lisäksi esitetään myös lentojen lukumäärästä, lentotunneista ja lentotehtävien lukumäärästä päiväkohtaiset kuvaajat. Jos simulointiajosta tehdään useampia toistoja, muodostetaan keskimääräiselle käytettävyydelle myös 95%-luottamusväli. Esimerkkejä muista esitettävistä tunnusluvuista ovat lentotiheys, helikoptereiden huoltoon sekä henkilöstöresurssien ja varaosien odotukseen kuluneet ajat, huoltopisteiden kuormitukset ja niissä tehtyjen huoltojen lukumäärät, varaosien ja bensiinin kulutus jne. Aineistosta lasketaan myös tunnuslukujen minimi- ja maksimiarvot, sekä 95%-luottamusvälit, jotka Arena laskee automaattisesti eräajomenetelmällä ( batch means method [2], s ) edellyttäen, että havaintoja on riittävästi. Esimerkkiajo: Satunnaisvaihtelun merkitys huoltoresurssissa Helikoptereiden huoltotoiminnan simulointityökalun yksi uusista ominaisuuksia verrattuna lentokoneiden vastaavaan työkaluun on mahdollisuus tehdä käytettävissä olevista huoltoresursseista satunnaismuuttujia. Tämän on tarkoitus kuvata mekaanikkojen mahdollisia sairaspoissaoloja tai muita tehtäviä. Simulointityökalun avulla voidaan tutkia tämä satunnaisen vaihtelun vaikutusta käytettävyyteen ja sen varianssiin. 17

19 Tutkittava esimerkkiskenaario on äärimmäinen yksinkertaistus todellisesta huoltotoiminnasta. Helikopteripataljoona toimii keskitetysti yhdestä tukikohdasta. Mahdollisia vikatyyppejä on vain yksi, joka korjataan pataljoonan huollossa, vaurioitumisia tai tuhoutumisia ei skenaariossa ole. Vikaantumisia tapahtuu intensiteetillä, joka vastaa keskimäärin yhtä vikaantumista 6.6 lentotuntia kohti. Määräaikaishuoltoja ei tehdä. Myös keskuskorjaamo on jätetty pois tarkastelusta. Pataljoonatasolla tehtävien huoltojen kestot on tarkoituksella asetettu pitkiksi. Lentotoiminnan intensiteetti on keskimäärin neljä lentoa vuorokaudessa ja lentävän osaston koko on aina neljä helikopteria. Käytettävissä olevan huoltomiesresurssin satunnaisvaihtelun vaikutusta tutkitaan vertailemalla kahta tilannetta. Ensimmäisessä tilanteessa pataljoonan huollossa on vakiomäärä huoltomiehiä; käyttöhuollossa 6 mekaanikkoa ja korjaamolla 10. Toisessa skenaariossa käyttöhuollossa on 3 mekaanikkoa todennäköisyydellä 0.50 ja 9 todennäköisyydellä Käytetään tästä simulointimallin syntaksin mukaista merkintää DISC(0.5,3,1,9). Vastaavasti korjaamon mekaanikkojen lukumäärän jakauma on DISC(0.5,5,1,15). Käytännössä tämä vastaa siis tilannetta, jossa joka aamu pataljoonan huollossa arvotaan ko. jakaumista töihinsaapuvien huoltomiesten lukumäärä. Jakaumien odotusarvot ovat samat eli keskimäärin kummassakin tapauksessa töihin saapuu saman verran huoltomiehiä. Käyttöhuollon suorittaminen vaatii kolmen huoltomiehen osallistumista, eli vakiotilanteessa voidaan koko ajan suorittaa kahta käyttöhuoltoa ja vaihtelevassa tilanteessa joko yhtä tai kolmea riippuen aamulla töihin tulleiden mekaanikkojen lukumäärästä. Vikahuollolle on asetettu huoltoryhmän maksimikooksi viisi mekaanikkoa eli vakiotilanteessa voidaan tehdä koko ajan täydellä teholla kahta vikahuoltoa ja vaihtelevassa tilanteessa joko yhtä tai kolmea. Simulaatioajon pituus on 180 vuorokautta ja kummastakin tapauksesta ajetaan 10 replikaatiota. Koska simuloitava tilanne on täysin hypoteettinen, eikä sille ole olemassa järkevää alkutilannetta, silmämääräisesti simulointituloksia tarkastelemalla valitaan warm up-periodin pituudeksi 100 vuorokautta. Tässä ajassa kummatkin skenaariot saavuttavat tilastollisen tasapainon riittävällä tarkkuudella. Simulointitulosten perusteella vertaillaan eri tapausten keskimääräisiä käytettävyyksiä ja niiden varianssia. Simulointityökalu laskee automaattisesti 10 replikaation perusteella helikoptereiden keskimääräisen käytettävyyden estimaatin ja käytettävyydelle 95%-luottamusvälin. Työkalu tulostaa myös kuvaajat keskimääräisen käytettävyyden käyttäytymisestä. Skenaariossa, jossa huoltomiesten lukumäärä on vakio päivästä toiseen, keskimääräiseksi käytettävyydeksi saadaan x A = ja käytettävyyden otoskeskihajonnaksi s A = Käytettävyyden 95%-luottamusväli on [0.867, 0.880]. Kymmenestä replikaatiosta laskettu keskimääräinen käytettävyys ja sen luottamusväli on esitetty kuvassa

20 Toistojen keskiarvojen luottamusväli ja hetkelliset käytettävyydet - kaikki helikopterit 1 Käytettävyysluku Keskiarvo 95% LV alaraja 95% LV yläraja Keskiarvokäyrä Päivää Kuva 10: Käytettävyys, kun huoltomiesten lukumäärä on vakio. Kun huoltomiesresurssiin lisätään satunnaista vaihtelua, käytettävyydeksi saadaan x B = ja sen otoskeskihajonnaksi s B = Käytettävyyden 95%-luottamusväliksi saadaan [0.849, 0.871]. Kymmenestä replikaatiosta laskettu keskimääräinen käytettävyys ja sen 95%-luottamusväli on esitetty kuvassa 11. Toistojen keskiarvojen luottamusväli ja hetkelliset käytettävyydet - kaikki helikopterit 1 Käytettävyysluku Keskiarvo 95% LV alaraja 95% LV yläraja Keskiarvokäyrä Päivää Kuva 11: Käytettävyys, kun huoltomiesten lukumäärässä on satunnaista vaihtelua. Havaittujen otoskeskihajontojen perusteella voidaan testata nollahypoteesia vastahypoteesia H : A B 2 2 sb = = = s A ( F F ) 0 H 0 = H σ = σ ja tämän : A B σ σ käyttäen Fisherin F-testiä (esim. [5], s.267). Testisuure F noudattaa F( n B 1, n 1) -jakaumaa ja sen P-arvo P A. Koska P-arvo on suhteellisen suuri, nollahypoteesi jää voimaan ja todetaan, 19

21 että näiden simulaatioajojen perusteella huoltomiesresurssin satunnaisella vaihtelulla ei ole tilastollisesti merkitsevää vaikutusta käytettävyyden varianssiin. Kun on todettu, että variansseja voidaan pitää yhtäsuurina, verrataan käytettävyyden odotusarvoja eri skenaarioissa. Testataan nollahypoteesia H 0 : µ A µ B ja sen vastahypoteesia H 1 : µ A < µ B x A xb Studentin t-testillä (esim. [5], s.264). Testisuure t = = s =, missä ( n 1) s + ( n 1) s P n A n B A A B B -4 s P = = , noudattaa approksimatiivisesti t-jakaumaa n A + nb 2 vapausasteparametrilla ν = n A + nb 2 = 18 ja sen P-arvo P ( T t0 P0 ) = Koska P-arvo on pieni, näiden simulaatioajojen perusteella huoltomiesresurssin satunnaisvaihtelu laskee käytettävyyttä tilastollisesti merkitsevästi. Tutkitussa tilanteessa huoltohenkilöstölle mielivaltaisesti asetettu satunnainen vaihtelu on hyvin voimakasta. Tämä vaihtelu vaikuttaa helikopterikannan käytettävyyteen kahdella tavalla; keskimääräinen käytettävyys laskee ja käytettävyyden varianssi kasvaa hiukan. Käytettävyyden keskimääräinen lasku on tilastollisesti erittäin merkitsevää ja koska kyseessä on hyvin pitkälle yksinkertaistettu skenaario, voidaan muutoksen olettaa aiheutuneen juurikin huoltomiesten lukumäärän vaihtelusta. Käytettävyyden varianssi kasvaa myös havaintojen perusteella, mutta tämä kasvu ei ole tilastollisesti merkitsevää, vaan saattaa olla pelkän satunnaisen vaihtelun aiheuttamaa. Koska odotusarvoisesti huoltomiehiä on kummassakin skenaariossa keskimäärin saman verran, mutta vaihtelevassa tilanteessa käytettävyys on huonompi, voidaan tehdä johtopäätös, ettei mahdollisesta kolmannesta vikahuoltoryhmästä ole juurikaan hyötyä tutkittavan skenaarion tapauksessa. Eli kun huoltomiehiä on ollut käytettävissä 15, heille kaikille ei ole riittänyt töitä tämän skenaarion vikaantumisintensiteetillä. Jos skenaarioiden vikaantumisintesiteettiä kasvatettaisiin, todennäköisesti vaihtelun aiheuttama käytettävyydessä havaittu ero pienenisi

22 5. Yhteenveto ja jatkokehityssuuntia Tässä työssä käsiteltiin simuloinnin perusteita ja esiteltiin simulointia ongelmanratkaisun työkaluna. Tarkastelun kohteena olivat myös simulointimallien rakentamisen perusteet. Työn tavoitteena oli esitellä helikoptereiden huoltotoiminnan simulointimalli ja siihen perustuva simulointityökalu, joka on toteutettu Puolustusvoimien tilauksesta huoltotoiminnan organisoinnin avuksi tulevia helikopterihankintoja ajatellen. Helikoptereiden huoltotoiminnan simulointimalli rakennettiin Arena-ohjelmistolla diskreettiaikaisen tapahtumasimuloinnin keinoin. Simulointimallin ympärille rakennettiin simulointityökalu, jonka tarkoitus on helpottaa malliin perustuvan analyysin tekemistä. Työkaluun kuuluvat Visual Basic-kielinen graafinen käyttöliittymä ja automaattinen simulointitulosten raportointi. Työkalu perustuu jo aiemmin teknillisen korkeakoulun Systeemianalyysin laboratoriossa yhteistyössä Ilmavoimien kanssa rakennettuun lentokoneiden vastaavaan työkaluun. Helikoptereiden huoltotoiminnan simulointimalli vaikuttaa ainakin alustavien kvalitatiivisten validointien perusteella toimivalta. Mallin kattava validointi on kuitenkin tässä yhteydessä mahdotonta luotettavien mallin parametriestimaattien puuttuessa. Laajempi mallin validointi ja sen parametrien estimointi suoritetaan viitteessä [10]. Mallissa on todennäköisesti vielä kehitettävää ja epätarkkuuksia, mutta tarvittavien muutosten tekemiseksi on mallista saatava sen käyttäjältä palautetta ja korjausehdotuksia. Simulointityökalun on tarkoitus olla helppokäyttöinen ja joustava siten, että käyttäjä voi sen avulla tarkastella vaivattomasti erilaisia huolto-organisaatioita ja skenaarioita. Työkalun avulla voidaan kokeilla erilaisten mallin parametrien vaikutusta helikopterikannan käytettävyyteen, eri huoltotasojen kuormituksiin tai lentotavoitteiden toteutumiseen. Varioitavina parametreina voidaan käyttää esimerkiksi erilaisia resurssimääriä ja niiden allokaatioita, vikaantumis- ja vaurioitumistodennäköisyyksiä, korjaus- ja siirtymäviiveiden kestoja, lentointensiteettejä tms. Malli tuottaa todellista huoltojärjestelmää approksimoivaa havaintoaineistoa käytettävyyttä ja lentojen lukumääriä kuvaavien aikasarjojen ja koko järjestelmää tai sen osia kuvaavien tunnuslukujen muodossa. Näiden ulostulojen raportointi on automatisoitu mallien analysoinnin tehostamiseksi. Huomattavaa kuitenkin on, ettei työkalu hae suoraan mitään optimaalista huolto-organisaatiota. Mahdollisten tehokkaampien huoltostrategioiden generoinnissa ja tarkastelussa vaaditaan todellisen järjestelmän tuntemusta. Työkalu kuitenkin toimii apuna erilaisten vaihtoehtojen vertailussa ja mitäjos-skenaarioiden tutkimuksessa. Mallin ja työkalun rakentamisen perustana oli tarkastella lentokoneiden ja helikoptereiden lento- ja huoltotoiminnan yhteneväisyyksiä ja eroavaisuuksia. Kun nämä oli tunnistettu, tehtiin jo olemassa olevaan lentokoneita kuvaavaan malliin vastaavat muutokset siten, että se kuvaa oikein helikoptereiden huoltotoimintaa. Mallin rakennuksen lähtökohtana tämä ei kenties ollut paras mahdollinen. Vaikka aloittamalla suoraan jo olemassa olevan samantyyppisen mallin muokkaamisesta vältyttiin paljolta ylimääräiseltä työltä, asettivat alkuperäisen mallin rakenteen tietyt ominaisuudet rajoituksia helikopterimallin viimeistelyvaiheessa ja vaikeuttivat huomattavasti eräiden helikopterimallin ominaisuuksien implementointia. Parempi lähestyminen olisi varmaankin ollut kokonaan uuden mallin rakentaminen aiemmasta mallista osia ja moduuleita lainaillen; varsinkin, kun moduuleihin perustuva Arena-ohjelmisto olisi soveltunut tähän täydellisesti. Kaiken kaikkiaan mallista pitäisi jatkuvan kehitystyön avulla syntyä toimiva huoltotoiminnan suunnittelun apuväline, jota voidaan hyödyntää helikoptereiden huoltotoiminnan ja sen organisoinnin suunnittelussa ja huoltohenkilöstön koulutuksessa. Tässä jatkokehityksessä vaaditaan 21

23 kuitenkin tiiviistä yhteistyötä mallin tulevan käyttäjän kanssa ja kenties tarkempaa ominaisuuksiin pureutumista. 22

Simulointimalli lentokoneiden käytettävyyden hallintaan. Ville Mattila Systeemianalyysin laboratorio Teknillinen korkeakoulu www.sal.tkk.

Simulointimalli lentokoneiden käytettävyyden hallintaan. Ville Mattila Systeemianalyysin laboratorio Teknillinen korkeakoulu www.sal.tkk. Simulointimalli lentokoneiden käytettävyyden hallintaan Ville Mattila Systeemianalyysin laboratorio Teknillinen korkeakoulu www.sal.tkk.fi Sisältö Johdanto Simulointimalli Suomen Ilmavoimien lentokoneiden

Lisätiedot

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Tilastollinen testaus. Vilkkumaa / Kuusinen 1 Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää

Lisätiedot

Harjoitus 7: NCSS - Tilastollinen analyysi

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

Lisätiedot

Dynaamiset regressiomallit

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

Lisätiedot

Sovellettu todennäköisyyslaskenta B

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

Lisätiedot

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.

FoA5 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.

Lisätiedot

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme? TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman

Lisätiedot

Jos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan

Jos 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

Lisätiedot

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

Johdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 2: Otokset, otosjakaumat ja estimointi Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin

Lisätiedot

Tutkimustiedonhallinnan peruskurssi

Tutkimustiedonhallinnan peruskurssi Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,

Lisätiedot

Aircraft Maintenance Scheduling with Multi- Objective Simulation- Optimization

Aircraft Maintenance Scheduling with Multi- Objective Simulation- Optimization Aircraft Maintenance Scheduling with Multi- Objective Simulation- Optimization 7.5.2011 Ohjaaja: Ville Mattila Valvoja: Raimo Hämäläinen Tausta Ilmavoimilla tärkeä rooli maanpuolustuksessa Rauhan aikana

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi

Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin

Lisätiedot

Väliestimointi (jatkoa) Heliövaara 1

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

Lisätiedot

Prosessin reaalisaatioiden tuottaminen

Prosessin reaalisaatioiden tuottaminen Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Satunnaismuuttujan arvonta annetusta jakaumasta Tulosten keruu ja analyysi Varianssinreduktiotekniikoista 20/09/2004

Lisätiedot

Identifiointiprosessi

Identifiointiprosessi Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi

Lisätiedot

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden 1.12.2006 1. Satunnaisjakauman tiheysfunktio on Ü µ Üe Ü, kun Ü ja kun Ü. Määritä parametrin estimaattori momenttimenetelmällä ja suurimman uskottavuuden menetelmällä. Ratkaisu: Jotta kyseessä todella

Lisätiedot

pitkittäisaineistoissa

pitkittäisaineistoissa Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon

Lisätiedot

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1 Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin

Lisätiedot

Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen

Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen 16.06.2014 Ohjaaja: Urho Honkanen Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston

Lisätiedot

Harjoitus 2: Matlab - Statistical Toolbox

Harjoitus 2: Matlab - Statistical Toolbox Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut

Lisätiedot

Sovellettu todennäköisyyslaskenta B

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

Lisätiedot

pitkittäisaineistoissa

pitkittäisaineistoissa Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf

Lisätiedot

805306A Johdatus monimuuttujamenetelmiin, 5 op

805306A Johdatus monimuuttujamenetelmiin, 5 op monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista

Lisätiedot

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1

Odotusarvoparien 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

Lisätiedot

Tuotannon simulointi. Teknologiademot on the road -hanke

Tuotannon simulointi. Teknologiademot on the road -hanke Tuotannon simulointi Teknologiademot on the road -hanke Simulointi Seamkissa Tuotannon simulointia on tarjottu palvelutoimintana yrityksille 90-luvun puolivälistä lähtien. Toteutettuja yritysprojekteja

Lisätiedot

1. Tilastollinen malli??

1. Tilastollinen malli?? 1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) Tavoitteet (teoria): Hallita autokovarianssifunktion ominaisuuksien tarkastelu. Osata laskea autokovarianssifunktion spektriiheysfunktio. Tavoitteet

Lisätiedot

Tilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin

Tilastollisen 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

Lisätiedot

11. laskuharjoituskierros, vko 15, ratkaisut

11. 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

Lisätiedot

Sovellettu todennäköisyyslaskenta B

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

Lisätiedot

¼ ¼ joten tulokset ovat muuttuneet ja nimenomaan huontontuneet eivätkä tulleet paremmiksi.

¼ 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

Lisätiedot

Esimerkki: Tietoliikennekytkin

Esimerkki: Tietoliikennekytkin Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen

Lisätiedot

Tilastotieteen kertaus. Kuusinen/Heliövaara 1

Tilastotieteen 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

Lisätiedot

χ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut

χ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut Mat-2.091 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Yhteensopivuuden testaaminen Homogeenisuuden testaaminen Riippumattomuuden testaaminen Avainsanat: Estimointi, Havaittu frekvenssi, Homogeenisuus,

Lisätiedot

tilastotieteen kertaus

tilastotieteen 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

Lisätiedot

T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi

T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi T-79.179 Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi 12. maaliskuuta 2002 T-79.179: Stokastinen analyysi 8-1 Stokastinen analyysi, miksi? Tavallinen Petri-verkkojen saavutettavuusanalyysi

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

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

Lisätiedot

Tilastollisia peruskäsitteitä ja Monte Carlo

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

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-2.2104 Tilastollisen analyysin perusteet, kevät 2007 2. luento: Tilastolliset testit Kai Virtanen 1 Tilastollinen testaus Tutkimuksen kohteena olevasta perusjoukosta esitetään väitteitä oletuksia joita

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

Seurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen

Seurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen Seurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen 08.09.2014 Ohjaaja: DI Mikko Harju Valvoja: Prof. Kai Virtanen Työn saa tallentaa ja julkistaa Aalto-yliopiston

Lisätiedot

Parametrin estimointi ja bootstrap-otanta

Parametrin estimointi ja bootstrap-otanta Parametrin estimointi ja bootstrap-otanta Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Parametrin estimointi ja bootstrap-otanta 1/27 Kevät 2003 Käytännön asioista

Lisätiedot

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1 Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään tiedetään, että ainakin kaksi

Lisätiedot

Teoria. Prosessin realisaatioiden tuottaminen

Teoria. Prosessin realisaatioiden tuottaminen Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Tapahtumapohjaisen simuloinnin periaatteet Esimerkki: M/M/1 jonon simulointi Simulointiohjelman geneeriset komponentit

Lisätiedot

Batch means -menetelmä

Batch means -menetelmä S-38.148 Tietoverkkojen simulointi / Tulosten keruu ja analyysi 1(9) Batch means -menetelmä Batch means -menetelmää käytetään hyvin yleisesti Simulointi suoritetaan tässä yhtenä pitkänä ajona olkoon simuloinnin

Lisätiedot

Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit

Tilastollisen 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

Lisätiedot

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo

FoA5 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

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 6A Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

Tilastollinen aineisto Luottamusväli

Tilastollinen aineisto Luottamusväli Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden

Lisätiedot

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

VALTIOTIETEELLINEN 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

Lisätiedot

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään, tiedetään, että ainakin

Lisätiedot

Johdatus varianssianalyysiin. Vilkkumaa / Kuusinen 1

Johdatus varianssianalyysiin. Vilkkumaa / Kuusinen 1 Johdatus varianssianalyysiin Vilkkumaa / Kuusinen 1 Motivointi Luento 4: kahden riippumattoman otoksen odotusarvoja voidaan vertailla t-testillä H 0 : μ 1 = μ 2, T = ˉX 1 ˉX 2 s 2 1 + s2 2 n 1 n 2 a t(min[(n

Lisätiedot

Regressioanalyysi. Vilkkumaa / Kuusinen 1

Regressioanalyysi. Vilkkumaa / Kuusinen 1 Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016

Lisätiedot

Simulointi. Varianssinhallintaa Esimerkki

Simulointi. Varianssinhallintaa Esimerkki Simulointi Varianssinhallintaa Esimerkki M C Esimerkki Tarkastellaan lasersäteen sirontaa partikkelikerroksesta Jukka Räbinän pro gradu 2005 Tavoitteena simuloida sirontakuvion tunnuslukuja Monte Carlo

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Bayesläinen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

Lisätiedot

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

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

Lisätiedot

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016

Lisätiedot

Estimointi. Vilkkumaa / Kuusinen 1

Estimointi. Vilkkumaa / Kuusinen 1 Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman

Lisätiedot

10. laskuharjoituskierros, vko 14, ratkaisut

10. laskuharjoituskierros, vko 14, ratkaisut 10. laskuharjoituskierros, vko 14, ratkaisut D1. Eräässä kokeessa verrattiin kahta sademäärän mittaukseen käytettävää laitetta. Kummallakin laitteella mitattiin sademäärät 10 sadepäivän aikana. Mittaustulokset

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

Kon Simuloinnin Rakentaminen Janne Ojala

Kon Simuloinnin Rakentaminen Janne Ojala Kon 16.4011 Simuloinnin Rakentaminen Janne Ojala Simulointi käytännössä 1/3 Simulaatiomalleja helppo analysoida Ymmärretään ongelmaa paremmin - Opitaan ymmärtämään koneen toimintaa ja siihen vaikuttavia

Lisätiedot

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0. 806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy 2012 1. Olkoon (X 1,X 2,...,X 25 ) satunnaisotos normaalijakaumasta N(µ,3 2 ) eli µ

Lisätiedot

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH 8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin

Lisätiedot

Kojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto

Kojemeteorologia. 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

Lisätiedot

Testejä suhdeasteikollisille muuttujille

Testejä suhdeasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

T Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti , 8:30-10:00 Kollokaatiot, Versio 1.1

T Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti , 8:30-10:00 Kollokaatiot, Versio 1.1 T-61.281 Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti 10.2.2004, 8:30-10:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Tilastollisen merkitsevyyden testaus (+ jatkuvan parametrin Bayes-päättely) Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden

Lisätiedot

2. TILASTOLLINEN TESTAAMINEN...

2. 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...

Lisätiedot

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas

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

Lisätiedot

3. Laskennan vaativuusteoriaa

3. Laskennan vaativuusteoriaa 3. Laskennan vaativuusteoriaa tähän asti puhuttu siitä, mitä on mahdollista laskea äärellisessä ajassa siirrytään tarkastelemaan laskemista kohtuullisessa ajassa vaihtoehtoisesti voidaan laskenta-ajan

Lisätiedot

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

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

Lisätiedot

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

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

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

Lisätiedot

Jatkuvat satunnaismuuttujat

Jatkuvat 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

Lisätiedot

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin

Lisätiedot

Sovellettu todennäköisyyslaskenta B

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

Lisätiedot

Yleistetyistä lineaarisista malleista

Yleistetyistä lineaarisista malleista Yleistetyistä lineaarisista malleista Tilastotiede käytännön tutkimuksessa -kurssi, kesä 2001 Reijo Sund Klassinen lineaarinen malli y = Xb + e eli E(Y) = m, jossa m = Xb Satunnaiskomponentti: Y:n komponentit

Lisätiedot

Omistajahuoltajan oikeudet liite 1. Vantaa Hannu Martikainen

Omistajahuoltajan oikeudet liite 1. Vantaa Hannu Martikainen Omistajahuoltajan oikeudet liite 1 Vantaa 9-10.2.2019 Hannu Martikainen Omistajahuoltajalla tarkoitetaan ilma-aluksen ilmaalusrekisteriin merkittyä omistajaa, osaomistajaa tai käyttäjää, tai ilma-aluksen

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-2.2104 Tilastollisen analyysin perusteet, kevät 2007 4. luento: Jakaumaoletuksien testaaminen Kai Virtanen 1 Jakaumaoletuksien testaamiseen soveltuvat testit χ 2 -yhteensopivuustesti yksi otos otoksen

Lisätiedot

Lääkintähelikopterikaluston mallintaminen

Lääkintähelikopterikaluston mallintaminen Mat-2.4177 Operaatiotutkimuksen projektityöseminaari Lääkintähelikopterikaluston mallintaminen Projektisuunnitelma 19.2.2010 Pohjalainen Tapio (projektipäällikkö) Kuikka Ilmari Tyrväinen Tero Salomaa Osmo

Lisätiedot

Varavoimakoneiden huoltopalvelut

Varavoimakoneiden huoltopalvelut Varavoimakoneiden huoltopalvelut pidämme sen käynnissä! Huolettomuutta toimivalla huollolla Hienoinkaan auto ei säilytä käyttövarmuuttaan ilman säänöllistä, ammattitaitoisesti tehtyä huoltoa. Sama pätee

Lisätiedot

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

Johdatus tilastotieteeseen Väliestimointi. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteeseen Väliestimointi TKK (c) Ilkka Mellin (2005) 1 Väliestimointi Todennäköisyysjakaumien parametrien estimointi Luottamusväli Normaalijakauman odotusarvon luottamusväli Normaalijakauman

Lisätiedot

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Tilastollisen 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

Lisätiedot

Otoskoko 107 kpl. a) 27 b) 2654

Otoskoko 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

Lisätiedot

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

MTTTP5, 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.

Lisätiedot

Algoritmit 2. Luento 13 Ti Timo Männikkö

Algoritmit 2. Luento 13 Ti Timo Männikkö Algoritmit 2 Luento 13 Ti 30.4.2019 Timo Männikkö Luento 13 Simuloitu jäähdytys Merkkijonon sovitus Horspoolin algoritmi Ositus ja rekursio Rekursion toteutus Algoritmit 2 Kevät 2019 Luento 13 Ti 30.4.2019

Lisätiedot

Ne liittyvät samaan henkilöön, paikkaan, projektiin, asiaan, asiakkaaseen, tapahtumaan tai seikkaan.

Ne liittyvät samaan henkilöön, paikkaan, projektiin, asiaan, asiakkaaseen, tapahtumaan tai seikkaan. 6. Asiakirjapalvelu 6.1 PALVELUINFORMAATIO Palvelun nimi Asiakirjapalvelu Palvelun versio 1.0 Tunnus (ks. M14.4.42) 6.2 Avainkäsitteet 6.2.1 Tarkoituksenmukainen asiakirjakoosteiden muodostaminen MoReq2010

Lisätiedot

Optimaalisen tarkastusvälin määrittäminen suun terveydenhuollossa

Optimaalisen tarkastusvälin määrittäminen suun terveydenhuollossa Projektin väliraportti Optimaalisen tarkastusvälin määrittäminen suun terveydenhuollossa 13.4.2012 Mat-2.4117 Operaatiotutkimuksen projektityöseminaari Toimeksiantaja: Nordic Healthcare Group Projektiryhmä:

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

Lisätiedot

MTTTP1, luento KERTAUSTA

MTTTP1, 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

Lisätiedot

9. Tila-avaruusmallit

9. Tila-avaruusmallit 9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia

Lisätiedot