Sama mutta density-based (saadaan jakaumat): (tuli aavistuksen eri klusterointi)
|
|
- Juha Mäkelä
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 1 Teht means, järjestetty data Within cluster sum of squared errors:.95 Clustered Instances 16 ( 13%) 1 33 ( 3%) 3798 ( 33%) 3 3 ( %) 5 ( %) 5 33 ( 9%) 6 37 ( %) ( 7%) 8 ( %) ( 15%) Tutkitaan sisältöä: Klusteri : suuri. Hero< eli mutanteilla geeni passiivisempi kuin terveillä. Muuttujat korreloimattomia. Klusteri 1: melko pieni. Hero 1 eli mutanteilla geeni aktiivisempi. Muuttujat korreloimattomia. Klusteri : Iso. Hero< eli eli mutanteilla geeni passiivisempi. Muuttujat korreloimattomia. Klust. 3 vain 3 alkiota! (Ucp1, Alb, Pck1) rero iso (> 15), toiset pieniä. Eli rottavanhuksilla geeni paljon aktiivisempi. Klusteri : pieni. rero>1. Rottavanhuksilla geeni aktiivisempi. r(hero,rero1)=., toiset korreloimattomia. Klusteri 5: Iso. Kaikki lähellä :aa. Jollain yhden (rero1:n) arvo hieman suurempi. Muuttujat korreloimattomia. Klusteri 6: Suuri. hero> eli mutanteilla geeni aktiivisempi. Muuttujat korreloimattomia. (suurin r(hero,rero1)=.) Klusteri 7: Keskikokoinen. Hero hieman koholla. Muuttujat korreloimattomia. Klusteri 8: Pieni ( alkiota). Erikoinen! roero1:n arvot valtavan suuria! Jopa 179 (Rrm). Toiset kaksi muuttujaa hyvin pieniä. Eli vauvarotilla geeni tosi aktiivinen ja hiljenee aikuisena. Klusteri 9: Iso. Hero koholla eli mutanteilla geeni aktiivisempi. Muuttujat korreloimattomia. Sama mutta density-based (saadaan jakaumat): (tuli aavistuksen eri klusterointi) Fitted estimators (with ML estimates of variance): Cluster: Prior probability:.173 Attribute: hiero Normal Distribution. Mean = -. StdDev =.11 Attribute: roero1 Normal Distribution. Mean =.18 StdDev = 1.1 Attribute: roero Normal Distribution. Mean = -. StdDev =.16 1
2 Taulukko 1: 1-means kaikki 3 muuttujaa Attribute Full Data (1165) (16) (33) (3798) (3) (5) (33) (37) (783) () (167) hiero roero roero
3 Cluster: 1 Prior probability:.9 Attribute: hiero Normal Distribution. Mean = StdDev =.199 Attribute: roero1 Normal Distribution. Mean =.1865 StdDev =.96 Attribute: roero Normal Distribution. Mean = -.61 StdDev =.13 Cluster: Prior probability:.3311 Attribute: hiero Normal Distribution. Mean = StdDev =.665 Attribute: roero1 Normal Distribution. Mean =.39 StdDev = Attribute: roero Normal Distribution. Mean =.51 StdDev =.1655 Cluster: 3 Prior probability:.3 Attribute: hiero Normal Distribution. Mean =.7 StdDev =.7 Attribute: roero1 Normal Distribution. Mean = StdDev =.181 Attribute: roero Normal Distribution. Mean = StdDev =.98 Cluster: Prior probability:.8 Attribute: hiero Normal Distribution. Mean =.6 StdDev =.7 Attribute: roero1 Normal Distribution. Mean =.7131 StdDev =.777 Attribute: roero Normal Distribution. Mean =.676 StdDev = : Cluster: 5 Prior probability:.878 Attribute: hiero Normal Distribution. Mean =.89 StdDev =.71 Attribute: roero1 Normal Distribution. Mean =.165 StdDev = 1.67 Attribute: roero Normal Distribution. Mean =.15 StdDev =.1757 Cluster: 6 Prior probability:.33 Attribute: hiero Normal Distribution. Mean =.781 StdDev = Attribute: roero1 Normal Distribution. Mean = StdDev =.3518 Attribute: roero Normal Distribution. Mean = -.7 StdDev =.171 Cluster: 7 Prior probability:.683 Attribute: hiero Normal Distribution. Mean =.7785 StdDev =.139 Attribute: roero1 Normal Distribution. Mean =.1588 StdDev =.63 Attribute: roero Normal Distribution. Mean =.39 StdDev =.96 Cluster: 8 Prior probability:. Attribute: hiero Normal Distribution. Mean =.718 StdDev =.966 Attribute: roero1 Normal Distribution. Mean = StdDev = Attribute: roero Normal Distribution. Mean =.338 StdDev = Cluster: 9 Prior probability:.158 Attribute: hiero Normal Distribution. Mean =.3735 StdDev =.976 Attribute: roero1 Normal Distribution. Mean =.89 StdDev =.998 Attribute: roero Normal Distribution. Mean = -.6 StdDev = Vain rottamuuttujat Tulee ihan erilaisia! 3
4 Taulukko : 1-means (vain rottien attr) Attribute Full Data (1166) (8776) (36) (376) (6) (3) (81) (683) (11) (75) (35) roero roero
5 8885 ( 77%) 1 9 ( 3%) 361 ( 3%) 3 63 ( %) 39 ( 3%) 5 78 ( %) ( 6%) 7 16 ( 1%) 8 53 ( %) 9 3 ( %) Teht..1 Average-link, K = 1 Esimerkkejä: Outliereita: *sin+pi yksin huomasin, c++osasin, osasin rautaa,dataa,raapustaa shell, lähellä usein sama taivutusmuoto (jos ei muuten): tehnyt, tekemiseen/tekemisessä kauniita klustereita: koulutyö, ohjelmointikieli/-kurssi, internet, ohjelma, perus-alkuiset Toimi varsin hyvin! (Eikä juuri eroa vaikka sotki datan välillä.) Kun K=5, ei yhtä hyviä.. Ward ja K=1 Omituisia. Miksi esim. kokeilu, aiheisiin, iltana ja freehand samassa? Näyttää kuin olisi eri etäisyysmitta! (mutta ei ollut).3 Complete ja K=1 Nättejä tuloksia, samantap. kuin average, mutta ehkä jakanut joitain averagen (samankantaisia) klustereita osiin? 3 Teht.3 Mansikilla outo outlier alussa klo (Samaan an koko navetalla paljon vierailuja.) Mustikki syö harevmmin mutta enemmän. 5
6 Koko navetta h keskiarvot: iso piikki aamulla n. 8 an, seuraavat huiput eivät yhtä selviä, klo 15 ja 1 an. Klo 5 an hiljaisinta. Mansikki ja Mustikki h keskiarvot: Mansikilla paljon enemmän vierailuja ja isot erot vrk-aikojen välillä: suurin huippu n. 19 an, 6 hiljaista. Mustikilla vierailuja tasaisesti, jopa klo 1 eräs huippu. Mansikin määrissä sama kuvio, lisääntyvät klo 19 kohden ja sitten taas laskua. Mustikillakin suurin piikki illalla, mutta vasta klo? Muuallakin korkeita piikkejä. Määrien korrelogrammi: Mansikki näyttää säännöllisemmältä: selvempi piikki h kohdalla. Mustikin piikki 3h kohdalla eli vuorokausi pikemminkin 3h??? (Mutta ei selvä.) Huom! -kohdan neg. piikillä ei merkitystä. Frekvenssien korrelogrammi: Kummallakin korkea piikki h kohdalla, mutta Mustikin korkein piikki 3h kohdalla..? 6
7 5 Kuva 1: Koko navetta nimi..txt using Frekv 18 nimi..txt using Maara 7
8 3 Kuva : Frekvenssit: Mansikki ja Mustikki Mansikki Mustikki Frekv 1 Mansikki Mustikki Frekv 8
9 3 Kuva 3: Frekvenssit: Mansikki ja Mustikki nimi..txt using Frekv 3 nimi..txt using Frekv 9
10 1 Kuva : Määrät: Mansikki ja Mustikki nimi..txt using Maara 1 nimi..txt using Maara 1
11 Kuva 5: Määrät: Mansikki ja Mustikki 1 Mansikki Mustikki 1 8 kulutus
12 1 9 Kuva 6: Koko navetta nimi..txt using Fr 1 nimi..txt using Maara 1
13 5 Kuva 7: Frekvenssit: Mansikki ja Mustikki nimi..txt using Fr 5 nimi..txt using Fr 13
14 5 Kuva 8: Määrät: Mansikki ja Mustikki nimi..txt using Maara 5 nimi..txt using Maara 1
15 .5 Kuva 9: Määrien korrelogrammit: Mansikki ja Mustikki nimi..txt using Mansikin Korrelogrammi.15 nimi..txt using Mustikin Korrelogrammi 15
16 .3 Kuva 1: Frekvenssien korrelogrammit: Mansikki ja Mustikki nimi..txt using Mansikin Korrelogrammi.3 nimi..txt using Mustikin Korrelogrammi 16
pisteet Frekvenssi frekvenssi Yhteensä
806118P JOHDATUS TILASTOTIETEESEEN Loppukoe 15.3.2018 (Jari Päkkilä) 1. Kevään -17 Johdaus tilastotieteeseen -kurssin opiskelijoiden harjoitusaktiivisuudesta saatujen pisteiden frekvenssijakauma: Harjoitus-
LisätiedotPPSHP Vuoden 2010 aineiston trimmausprojekti. Peteri & Vesa
PPSHP Vuoden 21 aineiston trimmausprojekti Peteri & Vesa Taustaa Tarkastelun kohteena vuoden 21 laskutusaineisto, joka ryhmitelty vuoden 211 ryhmittelijäversiolla Päivitetyt välisuoritehinnat Kansalliset
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
LisätiedotKandidaatintutkielman aineistonhankinta ja analyysi
Kandidaatintutkielman aineistonhankinta ja analyysi Anna-Kaisa Ylitalo M 315, anna-kaisa.ylitalo@jyu.fi Musiikin, taiteen ja kulttuurin tutkimuksen laitos Jyväskylän yliopisto 2018 2 Havaintomatriisi Havaintomatriisi
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
LisätiedotPylväsdiagrammi Suomen kunnat lääneittäin vuonna Piirakkadiagrammi Suomen kunnat lääneittäin vuonna 2003 LKM 14.8% 11.2% 19.7% 4.9% 3.6% 45.
Pylväsdiagrammi Suomen kunnat lääneittäin vuonna Piirakkadiagrammi Suomen kunnat lääneittäin vuonna 8.8% 8.9%.%.% 9.7%.7% Etelä Länsi Itä Oulu Lappi Ahvenanmaa Länsi Etelä Itä Oulu Lappi Ahvenanmaa Läänien
LisätiedotT Luonnollisten kielten tilastollinen käsittely
T-61.281 Luonnollisten kielten tilastollinen käsittely Vastaukset 3, ti 11.2.2003, 16:15-18:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:
LisätiedotT 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:
Lisätiedotjens 1 matti Etäisyydet 1: 1.1 2: 1.4 3: 1.8 4: 2.0 5: 3.0 6: 3.6 7: 4.0 zetor
T-1.81 Luonnollisten kielten tilastollinen käsittely Vastaukset 11, ti 8.4., 1:1-18: Klusterointi, Konekääntäminen. Versio 1. 1. Kuvaan 1 on piirretty klusteroinnit käyttäen annettuja algoritmeja. Sanojen
LisätiedotJY / METODIFESTIVAALI 2013 PRE-KURSSI: KYSELYTUTKIMUS DEMOT
JY / METODIFESTIVAALI 2013 PRE-KURSSI: KYSELYTUTKIMUS DEMOT SPSS-ohjelmiston Complex Samples- toiminto otoksen poiminnassa ja estimaattien laskennassa Mauno Keto, lehtori Mikkelin AMK / Liiketalouden laitos
Lisätiedot(d) Laske selittäjään paino liittyvälle regressiokertoimelle 95 %:n luottamusväli ja tulkitse tulos lyhyesti.
2. VÄLIKOE vuodelta -14 1. Liitteessä 1 on esitetty R-ohjelmalla saatuja tuloksia aineistosta, johon on talletettu kahdenkymmenen satunnaisesti valitun miehen paino (kg), vyötärön ympärysmitta (cm) ja
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas JAKAUMAN MUOTO Vinous, skew (g 1, γ 1 ) Kertoo jakauman symmetrisyydestä Vertailuarvona on nolla, joka vastaa symmetristä jakaumaa (mm. normaalijakauma)
LisätiedotPeruskoulu - nousu, huippu (AAA) ja lasku?
Peruskoulu - nousu, huippu (AAA) ja lasku? Jarkko Hautamäki & Sirkku Kupiainen, Jukka Marjanen, Mari- Pauliina Vainikainen ja Risto Hotulainen Koulutuksen arviointikeskus Helsingin yliopisto 4.4.2014 Peruskoulu
LisätiedotTässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot)
R-ohjelman käyttö data-analyysissä Panu Somervuo 2014 Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. 0) käynnistetään R-ohjelma Huom.1 allaolevissa ohjeissa '>' merkki on R:n
LisätiedotOvatko tentit tarpeellisia? Tuomas Paloposki & Maria Clavert, Aalto-yliopisto Peda-Forum 2018
Ovatko tentit tarpeellisia? Tuomas Paloposki & Maria Clavert, Aalto-yliopisto Peda-Forum 2018 Tausta Miksi me inhoamme tenttejä? Työelämärelevanssin puute Toimintatapa tentissä on täysin erilainen kuin
LisätiedotTil.yks. x y z 1 2 1 20.3 2 2 1 23.5 9 2 1 4.7 10 2 2 6.2 11 2 2 15.6 17 2 2 23.4 18 1 1 12.5 19 1 1 7.8 24 1 1 9.4 25 1 2 28.1 26 1 2-6.2 33 1 2 33.
Tehtävien ratkaisuja. a) Tilastoyksiköitä ovat työntekijät: Vatanen, Virtanen, Virtanen ja Voutilainen; muuttujina: ikä, asema, palkka, lasten lkm (ja nimikin voidaan tulkita muuttujaksi, jos niin halutaan)
LisätiedotLuentorunko perjantaille
Luentorunko perjantaille 28.11.28 Eräitä ryvästyksen keskeisiä käsitteitä kustannusfunktio sisäinen vaihtelu edustajavektori etäisyysmitta/funktio Osittamiseen perustuva ryvästys (yleisesti) K:n keskiarvon
LisätiedotTeema 3: Tilastollisia kuvia ja tunnuslukuja
Teema 3: Tilastollisia kuvia ja tunnuslukuja Tilastoaineiston peruselementit: havainnot ja muuttujat havainto: yhtä havaintoyksikköä koskevat tiedot esim. henkilön vastaukset kyselylomakkeen kysymyksiin
LisätiedotLuentorunko keskiviikolle Hierarkkinen ryvästäminen
Luentorunko keskiviikolle 3.12.2008 Hierarkkinen ryvästäminen Ryvästyshierarkia & dendrogrammi Hierarkkinen ryvästäminen tuottaa yhden ryvästyksen sijasta sarjan ryvästyksiä Tulos voidaan visualisoida
LisätiedotJärvi 1 Valkjärvi. Järvi 2 Sysijärvi
Tilastotiedettä Tilastotieteessä kerätään tietoja yksittäisistä asioista, ominaisuuksista tai tapahtumista. Näin saatua tietoa käsitellään tilastotieteen menetelmin ja saatuja tuloksia voidaan käyttää
LisätiedotTil.yks. x y z
Tehtävien ratkaisuja. a) Tilastoyksiköitä ovat työntekijät: Vatanen, Virtanen, Virtanen ja Voutilainen; muuttujina: ikä, asema, palkka, lasten lkm (ja nimikin voidaan tulkita muuttujaksi, jos niin halutaan)
Lisätiedot4.3. Matemaattinen induktio
4.3. Matemaattinen induktio Matemaattinen induktio: Deduktion laji Soveltuu, kun ominaisuus on osoitettava olevan voimassa luonnollisilla luvuilla. Suppea muoto P(n) : Ominaisuus, joka joka riippuu luvusta
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 1 / vko 44
MS-A0003/A0005 Matriisilaskenta Laskuharjoitus / vko Tehtävä (L): Käynnistä Matlab-ohjelma ja kokeile laskea sillä muutama peruslaskutoimitus: laske jokin yhteen-, vähennys-, kerto- ja jakolasku. Laske
Lisätiedotvkp 4*(1+0)/(32-3)-1= vkp 2*(1+0)/(32-3)=
JÄRJESTYSKORRELAATIO 1. Hannu ja Kerttu pitävät karamelleista, mutta heidän mieltymyksensä poikkeavat hieman. Hannun mielestä punaiset karkit ovat parhaita ja keltaiset miellyttävät häntä vähiten. Kerttu
LisätiedotAIHE: Tyossa_kouluttautuminen
TMT Tilastokuvaajia Pron tutkimusjärjestelmä T0_utoala IHE: Tyossa_kouluttautuminen OS : Ryhmä: TES_5K2 Koko otos ilman ryhmittäisiä vertailuja Pro tutkimus Tämän dokumentin analyysit (sivuja voit hakea
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
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Ryhmittelyn perusperiaate Tästä lähdetään liikkeelle: Tähän pyritään: a b c bc d e f de def bcdef abcdef monimuuttujamenetelmiin,
LisätiedotGraph. COMPUTE x=rv.normal(0,0.04). COMPUTE y=rv.normal(0,0.04). execute.
COMPUTE x=rv.ormal(0,0.04). COMPUTE y=rv.ormal(0,0.04). execute. compute hplib_man_r = hplib_man + x. compute arvokons_man_r = arvokons_man + y. GRAPH /SCATTERPLOT(BIVAR)=hplib_man_r WITH arvokons_man_r
LisätiedotAIHE: Tyytyvaisyysmittareita
TMT Tilastokuvaajia Pron tutkimusjärjestelmä P11_Finnair_lentovirk AIHE: Tyytyvaisyysmittareita OSA 1: Ryhmä: TES_5K2 Koko otos ilman ryhmittäisiä vertailuja Pro tutkimus Tämän dokumentin analyysit (sivuja
LisätiedotTiedonlouhinta rakenteisista dokumenteista (seminaarityö)
Tiedonlouhinta rakenteisista dokumenteista (seminaarityö) Miika Nurminen (minurmin@jyu.fi) Jyväskylän yliopisto Tietotekniikan laitos Kalvot ja seminaarityö verkossa: http://users.jyu.fi/~minurmin/gradusem/
LisätiedotTOIMINNALLINEN ESIOPETUS HENNA HEINONEN UITTAMON PÄIVÄHOITOYKSIKKÖ TURKU
TOIMINNALLINEN ESIOPETUS HENNA HEINONEN UITTAMON PÄIVÄHOITOYKSIKKÖ TURKU Toiminnallinen esiopetus on: Toiminnallinen esiopetus on tekemällä oppimista. Vahvistaa vuorovaikutus- ja yhteistyötaitoja, sekä
LisätiedotMTTTP5, luento Luottamusväli, määritelmä
23.11.2017/1 MTTTP5, luento 23.11.2017 Luottamusväli, määritelmä Olkoot A ja B satunnaisotoksen perusteella määriteltyjä satunnaismuuttujia. Väli (A, B) on parametrin 100(1 - ) %:n luottamusväli, jos P(A
LisätiedotHiirten ja rottien sydännäytteistä tuotetun mikrosirudatan analysointi
Hiirten ja rottien sydännäytteistä tuotetun mikrosirudatan analysointi Tiedonlouhinnan harjoitustyö 9.6.2013 Antti Kurronen Irene Pöllänen antti.kurronen@student.uef.fi 1 YLEISKUVAUS (ANTTI KURRONEN) Tutkimuksessa
LisätiedotS Laskennallinen systeemibiologia
S-114.2510 Laskennallinen systeemibiologia 3. Harjoitus 1. Koska tilanne on Hardy-Weinbergin tasapainossa luonnonvalintaa lukuunottamatta, saadaan alleeleista muodostuvien eri tsygoottien genotyyppifrekvenssit
LisätiedotVertailutestien tulosten tulkinta Mikä on hyvä tulos?
Vertailutestien tulosten tulkinta Mikä on hyvä tulos? Pertti Virtala PANK-menetelmäpäivä 28.1.2016 Sisältö Mittaustarkkuuden käsitteitä Mittaustarkkuuden analysointi Stabiilius Kohdistuvuus Toistettavuus
LisätiedotHarjoitus 3 -- Ratkaisut
Harjoitus 3 -- Ratkaisut 1 ' '-merkki kirjoitetaan =, ' '-merkki!=, ' '-merkki ==. Yhtälöiden ratkaisusta puhutaan lisää myöhemmin. a f x, y : If ehtolauseke x y, y tämä palautetaan, jos
LisätiedotTEEMU ROOS (KALVOT MUOKATTU PATRIK HOYERIN LUENTOMATERIAALISTA)
JOHDATUS TEKOÄLYYN TEEMU ROOS (KALVOT MUOKATTU PATRIK HOYERIN LUENTOMATERIAALISTA) KONEOPPIMISEN LAJIT OHJATTU OPPIMINEN: - ESIMERKIT OVAT PAREJA (X, Y), TAVOITTEENA ON OPPIA ENNUSTAMAAN Y ANNETTUNA X.
LisätiedotResiduaalit. Residuaalit. UK Ger Fra US Austria. Maat
TAMPEREEN YLIOPISTO Tilastollisen mallintamisen harjoitustyö Teemu Kivioja ja Mika Helminen Epätasapainoisen koeasetelman analyysi Worksheet 5 Matematiikan, tilastotieteen ja filosofian laitos Tilastotiede
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 9. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 9. luento Pertti Palo 22.11.2012 Käytännön asioita Eihän kukaan paikallaolijoista tee 3 op kurssia? 2. seminaarin ilmoittautuminen. 2. harjoitustyön
Lisätiedot1. Normaalisuuden tutkiminen, Bowmanin ja Shentonin testi, Rankit Plot, Wilkin ja Shapiron testi
Mat-2.2104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Yhteensopivuuden ja homogeenisuden testaaminen Bowmanin ja Shentonin testi, Hypoteesi, 2 -homogeenisuustesti, 2 -yhteensopivuustesti,
LisätiedotAIHE: Tyytyvaisyysmittareita
TMT Tilastokuvaajia Pron tutkimusjärjestelmä 000Muu AIHE: Tyytyvaisyysmittareita OSA 1: Ryhmä: TES_5K2 Koko otos ilman ryhmittäisiä vertailuja Pro tutkimus Tämän dokumentin analyysit (sivuja voit hakea
LisätiedotT Statistical Natural Language Processing Answers 6 Collocations Version 1.0
T-61.5020 Statistical Natural Language Processing Answers 6 Collocations Version 1.0 1. Let s start by calculating the results for pair valkoinen, talo manually: Frequency: Bigrams valkoinen, talo occurred
LisätiedotAIHE: Tyytyvaisyysmittareita
TMT Tilastokuvaajia Pron tutkimusjärjestelmä T53_Pahvi _ja_paperijal AIHE: Tyytyvaisyysmittareita OSA 1: Ryhmä: TES_5K2 Koko otos ilman ryhmittäisiä vertailuja Pro tutkimus Tämän dokumentin analyysit (sivuja
LisätiedotAIHE: op_pohjola_tulojen_hajotelma
TMT Tilastokuvaajia Pron tutkimusjärjestelmä AIHE: op_pohjola_tulojen_hajotelma OSA : Ryhmä: KAIKKI Otoksena OP Pohjola Pro tutkimus Tämän dokumentin analyysit (sivuja voit hakea Etsi toiminnolla): Otoksena
LisätiedotPaikkatiedon semanttinen mallinnus, integrointi ja julkaiseminen Case Suomalainen ajallinen paikkaontologia SAPO
Paikkatiedon semanttinen mallinnus, integrointi ja julkaiseminen Case Suomalainen ajallinen paikkaontologia SAPO Tomi Kauppinen, Eero Hyvönen, Jari Väätäinen Semantic Computing Research Group (SeCo) http://www.seco.tkk.fi/
LisätiedotOtoskoon arviointi. Tero Vahlberg
Otoskoon arviointi Tero Vahlberg Otoskoon arviointi Otoskoon arviointi (sample size calculation) ja tutkimuksen voima-analyysi (power analysis) ovat tilastollisen tutkimuksen suunnittelussa keskeisiä kysymyksiä
LisätiedotMITEN TEET AIKAAN LIITTYVIÄ KYSYMYKSIÄ JA MITEN VASTAAT NIIHIN?
MITEN TEET AIKAAN LIITTYVIÄ KYSYMYKSIÄ JA MITEN VASTAAT NIIHIN? 1. MILLOIN? KOSKA? 2. MIHIN AIKAAN? 3. MINÄ PÄIVÄNÄ? 4. MILLÄ VIIKOLLA? 5. MISSÄ KUUSSA? 6. MINÄ VUONNA? 7. MILLÄ VUOSIKYMMENELLÄ? 8. MILLÄ
LisätiedotMärehtijä. Väkirehumäärän lisäämisen vaikutus pötsin ph-tasoon laiduntavilla lehmillä 29.3.2012. Karkearehun käyttäjä Ruoansulatus.
Märehtijä Karkearehun käyttäjä Ruoansulatus Pötsin ph Ruokinta Väkevyys Arja Korhonen Väkirehumäärän lisäämisen vaikutus pötsin ph-tasoon laiduntavilla lehmillä Tutkimus tehty MTT Maaningan tutkimuskoeasemalla
LisätiedotMat Tilastollisen analyysin perusteet. Tilastollisten aineistojen kerääminen ja mittaaminen Tilastollisten aineistojen kuvaaminen Väliestimointi
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Tilastollisten aineistojen kerääminen ja mittaaminen Tilastollisten aineistojen kuvaaminen Väliestimointi Diskreetit muuttujat,
LisätiedotFETAL FIBROBLASTS, PASSAGE 10
Double-stranded methylation patterns of a 104-bp L1 promoter in DNAs from fetal fibroblast passages 10, 14, 17, and 22 using barcoded hairpinbisulfite PCR. Fifteen L1 sequences were analyzed for passages
LisätiedotSukupuoli Mies Nainen Yht. Suhtautuminen kannattaa 10 45 55 uudistukseen ei kannata 20 90 110 Yht. 30 135 165
806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Harjoitus 6, viikko 42, syksy 2012 HUOM. 1. välikoe on pe 19.10. klo 13-17 salissa L1. Välikokeeseen on ilmoittauduttava weboodissa 15.10. klo 12
LisätiedotDiagrammeja ja tunnuslukuja luokkani oppilaista
Diagrammeja ja tunnuslukuja luokkani oppilaista Aihepiiri Tilastollisiin tunnuslukuihin tutustuminen Luokka-aste Kesto Tarvittavat materiaalit / välineet Lyhyt kuvaus tehtävästä Yläaste 9. luokka 30 min
LisätiedotTaitajaa taitavammin. Taitaja-päällikkö Pekka Matikainen Skills Finland ry
Taitajaa taitavammin Taitaja-päällikkö Pekka Matikainen Skills Finland ry 6. Miten hyvin kilpailulajisi järjestelyt mielestäsi sujuivat? 1=erittäin huonosti 2=huonosti 3=kohtalaisesti 4=hyvin 5=erittäin
LisätiedotNäistä standardoiduista arvoista laskettu keskiarvo on nolla ja varianssi 1, näin on standardoidulle muuttujalle aina.
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, kevät 2019 https://coursepages.uta.fi/mtttp1/kevat-2019/ HARJOITUS 3 Joitain ratkaisuja 1. x =(8+9+6+7+10)/5 = 8, s 2 = ((8 8) 2 + (9 8) 2 +(6 8) 2 + (7 8) 2 ) +
LisätiedotATH-koulutus: R ja survey-kirjasto THL 16.2.2011. 16. 2. 2011 ATH-koulutus / Tommi Härkänen 1
ATH-koulutus: R ja survey-kirjasto THL 16.2.2011 16. 2. 2011 ATH-koulutus / Tommi Härkänen 1 Sisältö Otanta-asetelman kuvaaminen R:llä ja survey-kirjastolla Perustunnusluvut Regressioanalyysit 16. 2. 2011
LisätiedotA TIETORAKENTEET JA ALGORITMIT
A274105 TIETORAKENTEET JA ALGORITMIT HARJOITUSTEHTÄVÄT 6 DEADLINE 1.4.2009 KLO 9:00 Kynätehtävät tehdään kirjallisesti ja esitetään harjoituksissa. Välivaiheet näkyviin! Ohjelmointitehtävät sähköisesti
LisätiedotMS-A0504 First course in probability and statistics
MS-A0504 First course in probability and statistics Week 6 Statistical dependence and linear regression Heikki Seppälä Department of mathematics and system analysis School of science Aalto University Spring
LisätiedotMatin alkuvuoden budjetti
1 TILASTOJEN TULKINTAA 1. euroa Matin alkuvuoden budjetti 600 500 400 300 200 100 0 tammikuu helmikuu maaliskuu huhtikuu a) Milloin Matti on kuluttanut eniten rahaa ostoksiin? Arvioi, kuinka paljon vaatteisiin
LisätiedotMatriisilaskenta Laskuharjoitus 1 - Ratkaisut / vko 37
Matriisilaskenta Laskuharjoitus 1 - Ratkaisut / vko 37 Tehtävä 1: Käynnistä Matlab-ohjelma ja kokeile laskea sillä muutama peruslaskutoimitus: laske jokin yhteen-, vähennys-, kerto- ja jakolasku. Laske
LisätiedotMitä mikrobilääkkeiden kulutusluvut kertovat? Antibioottipäivä 9.11.2010 Katariina Kivilahti-Mäntylä
Mitä mikrobilääkkeiden kulutusluvut kertovat? Antibioottipäivä 9.11.2010 Katariina Kivilahti-Mäntylä 1. Mikrobilääkkeiden kulutus eläimille Suomessa 2010-10-09 Antibioottipäivä KKM 2 Kokonaiskulutus Suomessa
LisätiedotNäistä standardoiduista arvoista laskettu keskiarvo on nolla ja varianssi 1, näin on standardoidulle muuttujalle aina.
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2017 http://www.uta.fi/sis/mtt/mtttp1/syksy_2017.html HARJOITUS 3 viikko 40 Joitain ratkaisuja 1. Suoritetaan standardointi. Standardoidut arvot ovat z 1 =
Lisätiedotvalikosta Data -> Import data -> from text file, clipboard or URL...
806118P JOHDATUS TILASTOTIETEESEEN Mikroluokkaharjoitus 3/3, kevät 2019, viikko 9 Käynnistä R-ohjelma valinnoilla Start -> All Programs -> R -> R x64 3.4.2. Käytämme tässä harjoituksessa R-ohjelmaa pääasiassa
LisätiedotTilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio
Tilastollisen analyysin perusteet Luento 9: lineaarinen lineaarinen Sisältö lineaarinen lineaarinen lineaarinen Lineaarinen Oletetaan, että meillä on n kappaletta (x 1, y 1 ), (x 2, y 2 )..., (x n, y n
LisätiedotDiskreetin Matematiikan Paja Tehtäviä viikolle 2. ( ) Jeremias Berg
Diskreetin Matematiikan Paja Tehtäviä viikolle 2. (24.3-25.3) Jeremias Berg Tämän viikon tehtävien teemoina on tulojoukot, relaatiot sekä kuvaukset. Näistä varsinkin relaatiot ja kuvaukset ovat tärkeitä
Lisätiedot1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet
VAASAN YLIOPISTO/KESÄYLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia A KURSSIKYSELYAINEISTO: 1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka
LisätiedotI Data ja sen esiprosessointi
Tiedonlouhinta 2013 Kotikoe (palautuspäivä 24.6.2012) Tee tehtäviä kaikista osioista. (Kannattaa ehdottomasti tehdä kaikki tehtävät! Silloin harjoitustyökin sujuu helpommin.) Tehtävät arvostellaan ja mikäli
LisätiedotOtanta-aineistojen analyysi
Helsingin yliopisto Otanta-aineistojen analyysi Kevät 2010 Periodi III Risto Lehtonen Teema 2 Estimaattoreiden varianssien estimointi Survey-analyysin lähestymistavat Kuvaileva survey Descriptive survey
LisätiedotI. Ristiintaulukointi Excelillä / Microsoft Office 2010
Savonia-ammattikorkeakoulu Liiketalous Kuopio Tutkimusmenetelmät Likitalo & Mäkelä I. Ristiintaulukointi Excelillä / Microsoft Office 2010 Tässä ohjeessa on mainittu ensi Excelin valinnan/komennon englanninkielinen
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
LisätiedotLaskut käyvät hermoille
Laskut käyvät hermoille - Miten ja miksi aivoissa lasketaan todennäköisyyksiä Aapo Hyvärinen Matematiikan ja tilastotieteen laitos & Tietojenkäsittelytieteen laitos Helsingin Yliopisto Tieteen päivät 13.1.2011
LisätiedotTähtitieteen käytännön menetelmiä Kevät 2009
Tähtitieteen käytännön menetelmiä Kevät 2009 2009-01-12 Yleistä Luennot Luennoija hannu.p.parviainen@helsinki.fi Aikataulu Observatoriolla Maanantaisin 10.00-12.00 Ohjattua harjoittelua maanantaisin 9.00-10.00
LisätiedotTILASTOMATEMATIIKKA. Keijo Ruohonen
TILASTOMATEMATIIKKA Keijo Ruohonen 20 Sisältö I PERUSOTOSJAKAUMAT JA DATAN KUVAUKSET. Satunnaisotanta.2 Tärkeitä otossuureita 2.3 Datan esitykset ja graafiset metodit 6.4 Otosjakaumat 6.4. Otoskeskiarvon
Lisätiedot811120P Diskreetit rakenteet
811120P Diskreetit rakenteet 2016-2017 4. Joukot, relaatiot ja funktiot Osa 1: Joukot 4.1 Joukot Matemaattisesti joukko on mikä tahansa hyvin määritelty kokoelma objekteja, joita kutsutaan joukon alkioiksi
LisätiedotTilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit
Tilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit s t ja t kahden Sisältö t ja t t ja t kahden kahden t ja t kahden t ja t Tällä luennolla käsitellään epäparametrisia eli
LisätiedotI/2018 IV/2017 III/2017 II/2017 I/2017 IV/2016 III/2016 II/2016
I/2018 IV/2017 III/2017 II/2017 I/2017 IV/2016 III/2016 II/2016 2512 2571 2493 2464 2482 2476 2445 2445 385 299 379 269 312 232 364 262 355 366 351 270 305 283 314 264 371 273 357 258 299 231 336 250 341
LisätiedotBenecol Hedelmämix tehojuoma 6 x 65 ml
Benecol Hedelmämix tehojuoma 6 x 65 ml Soijapohjainen juoma saa pirteän makunsa hedelmämehuista Maidoton Laktoositon Täysin kasviperäinen Päivän kasvistanoliannos (2 g) yhdestä pullosta Suositellaan nautittavaksi
LisätiedotPerhevapaiden palkkavaikutukset
Perhevapaiden palkkavaikutukset Perhe ja ura tasa-arvon haasteena seminaari, Helsinki 20.11.2007 Jenni Kellokumpu Esityksen runko 1. Tutkimuksen tavoite 2. Teoria 3. Aineisto, tutkimusasetelma ja otos
LisätiedotLukion 1. ja 2. vuoden opiskelijoiden hyvinvointi Lapissa Kouluterveyskysely THL: Kouluterveyskysely 1
Lukion 1. ja 2. vuoden opiskelijoiden hyvinvointi Lapissa 2002 2010 Kouluterveyskysely 2010 3.12.2010 1 ELINOLOT Lappi Ainakin yksi vanhemmista tupakoi Vähintään yksi vanhemmista työttömänä vuoden aikana
LisätiedotPUUT T E H TÄV. käyttää hyödyksi.
PUU / j j l Y / E H ÄÄ l l l l r r Ä E H Ä l l j l j H rl r j K PUU j r r j r IE OA P P r j r l J rj r P r l j r l l j l r r j r j r P P l r j r l j P j Ml r j rg j r r l M A R JA r l l O E H ÄÄ l / l
LisätiedotTilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi. Esimerkit laskettu JMP:llä
Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi Esimerkit laskettu JMP:llä Antti Hyttinen Tampereen teknillinen yliopisto 29.12.2003 ii Ohjelmien
LisätiedotKURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun se kelpaa kyllä!
VAASAN YLIOPISTO/KESÄYLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia A KURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun
LisätiedotPeruskoulun 8. ja 9. luokkien oppilaiden hyvinvointi Lapissa
Peruskoulun 8. ja 9. luokkien oppilaiden hyvinvointi Lapissa 2002 2010 Kouluterveyskysely 2010 3.12.2010 1 ELINOLOT Lappi Ainakin yksi vanhemmista tupakoi Vähintään yksi vanhemmista työttömänä vuoden aikana
LisätiedotTeema 8: Parametrien estimointi ja luottamusvälit
Teema 8: Parametrien estimointi ja luottamusvälit Todennäköisyyslaskennan perusteet (Teemat 6 ja 7) antavat hyvän pohjan siirtyä kurssin viimeiseen laajempaan kokonaisuuteen, nimittäin tilastolliseen päättelyyn.
LisätiedotTUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas
TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas MUITA HAJONNAN TUNNUSLUKUJA Varianssi, variance (s 2, σ 2 ) Keskihajonnan neliö Käyttöä enemmän osana erilaisia menetelmiä (mm. varianssianalyysi),
LisätiedotL9: Rayleigh testi. Laskuharjoitus
L9: Rayleigh testi Laskuharjoitus Data on tiedoston H7binput.dat 1. sarake: t = t i Ajan hetket ovat t = t 1, t 2,..., t n, missä n n = 528 Laske ja plottaa välillä f min = 1/P max ja f max = 1/P min z(f
LisätiedotMALE ADULT FIBROBLAST LINE (82-6hTERT)
Double-stranded methylation patterns of a 104-bp L1 promoter in DNAs from male and female fibroblasts, male leukocytes and female lymphoblastoid cells using hairpin-bisulfite PCR. Fifteen L1 sequences
LisätiedotMATEMATIIKAN TASOTESTI / EKAMK / 9.9.2003
MATEMATIIKAN TASOTESTI / EKAMK / 9.9.2003 Etelä-Karjalan ammattikorkeakoulun johdon toimeksiannosta järjestettiin aloittaville opiskelijoille matematiikan tasotesti. Mukana olivat kaikki koulutusalat,
LisätiedotTilastollisten menetelmien käyttö Kelan tutkimustoiminnassa
Tilastollisten menetelmien käyttö Kelan tutkimustoiminnassa Risto Lehtonen Helsingin yliopisto Kela 1 Tilastokeskuksen SAS-seminaari 16.11.2009 Aiheita Kelan tutkimustoiminta SAS-sovellukset vaativien
LisätiedotE80. Data Uncertainty, Data Fitting, Error Propagation. Jan. 23, 2014 Jon Roberts. Experimental Engineering
Lecture 2 Data Uncertainty, Data Fitting, Error Propagation Jan. 23, 2014 Jon Roberts Purpose & Outline Data Uncertainty & Confidence in Measurements Data Fitting - Linear Regression Error Propagation
LisätiedotKoira testissä vai Racci tuotannossa O10G/IAS10 Linuxilla
Koira testissä vai Racci tuotannossa O10G/IAS10 Linuxilla Petri Tumppila/Bemecon Oy, petri.tumppila@bemecon.fi Tuomas Pystynen/Deepbase Oy, tuomas.pystynen@deepbase.com OUGF 4.11.2004 Agenda Ympäristö
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas KURSSIN SISÄLTÖ Johdanto Mittaaminen ja aineiston hankinta Mitta-asteikot Otanta Aineiston esittäminen ja data-analyysi Havaintomatriisi Yksiulotteisen
LisätiedotL9: Rayleigh testi. Laskuharjoitus
L9: Rayleigh testi Laskuharjoitus Data on tiedoston Rayleighdata.dat 1. sarake: t = t i Ajan hetket ovat t = t 1, t 2,..., t n, missä n = n = 528 Laske ja plottaa välillä f min = 1/P max ja f max = 1/P
LisätiedotSuomen lääkintätekniikan teollisuuden markkinakatsaus. Vuosi
Raportin on laatinut FiHTAn toimeksiannosta Harri Luukkanen, Eco-Intelli Ky, 29.8.. 1 Yhteenveto kokonaiskehityksestä Lääkintälaitteiden vienti jatkuu aikaisemmalla korkealla tasolla Useimmat viennin pääryhmät
LisätiedotSAS ja R yhteiskäyttö
Maria Valaste Kela & Helsingin yliopisto 24.5.2012 SAS Technical Club Sisällys 1 2 3 Tunnuslukuja (R) Hierarkkinen ryhmittely Kuva 4 Aineiston luominen Moni-imputointi R:ssä Tulosten yhdistäminen institution-logo-filen
LisätiedotMetsälamminkankaan tuulivoimapuiston osayleiskaava
VAALAN KUNTA TUULISAIMAA OY Metsälamminkankaan tuulivoimapuiston osayleiskaava Liite 3. Varjostusmallinnus FCG SUUNNITTELU JA TEKNIIKKA OY 12.5.2015 P25370 SHADOW - Main Result Assumptions for shadow calculations
Lisätiedot2. Keskiarvojen vartailua
2. Keskiarvojen vartailua Esimerkki 2.1: Oheiset mittaukset liittyvät Portland Sementin sidoslujuuteen (kgf/cm 2 ). Mittaukset y 1 ovat nykyisestä seoksesta ja mittaukset y 2 uudesta seoksesta, jossa lisäaineena
LisätiedotKvantitatiiviset menetelmät
Kvantitatiiviset menetelmät HUOM! Tentti pidetään tiistaina.. klo 6-8 V ls. Uusintamahdollisuus on rästitentissä.. ke 6 PR sali. Siihen tulee ilmoittautua WebOodissa 9. 8.. välisenä aikana. Soveltuvan
LisätiedotKokemuksia opintovierailulle osallistumisesta Study Visit september 23 september ICT in education
Kokemuksia opintovierailulle osallistumisesta Study Visit 2011 19 september 23 september ICT in education Minna Taivassalo-Salkosuo Opintovierailut ohjelman tiedotustilaisuus 12.1.2012 Study visitors from
LisätiedotTodisteita aikakauslehtimainonnan tehokkuudesta
The impact of investment Econometrics & ROI Todisteita aikakauslehtimainonnan tehokkuudesta Magazines & Brand Metrics Todisteita aikakauslehtimainonnan tehokkuudesta Aikakauslehdet & kuluttajan ostopolku
LisätiedotErikoiskasvit vaihtoehtona. Kumina maataloutemme pikkujättiläinen Loimaa Sari Yli-Savola
Erikoiskasvit vaihtoehtona Kumina maataloutemme pikkujättiläinen 16.10.2018 Loimaa Sari Yli-Savola Miten kaikki alkoi? Trans Farm Oy perustettiin v. 1990 Jyrki Leppälä ja Juha Hemminki Harrel-neliöaurat
Lisätiedot