Minitab 14. Datan syöttäminen ja manipulointi. Johdatus graafiseen analyysiin käyttäen Minitabbia,, 1 päivä. Minitab 14 koulutus. Minitab 14 koulutus
|
|
- Ida Juusonen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Minitab 4 Datan syöttäminen ja manipulointi Johdatus graafiseen analyysiin käyttäen Minitabbia,, päivä Tanja Karjalainen Quality Knowhow Karjalainen Oy Tyyrpuurinkatu A 4 LAHTI Puh Fax tanja@qk-karjalainen.fi Internet: 4 Quality Knowhow Karjalainen Oy. All Rights Reserved. Minitab 4 koulutus Minitab Analysoi mittaustuloksia ja dataa kurssilla käydään neljän päivän aikana läpi keskeisiä laatu- ja tilastotyökaluja.. Päivä Minitabin perusteet Kurssilla opit käyttämään MINITAB:a mahdollisimman kätevästi. Opit navigoimaan MINITAB:n ikkunoissa nopeasti ja järjestämään dataa kunnolla. Lisäksi opit, miten mukautat MINITAB:n valikoita ja pikanappuloita luomalla esim. suosikit valikon, josta löytyy kaikki tarvitsemasi työkalut nopeasti. Näet, kuinka sujuvasti MINITAB toimii yhteen muiden ohjelmien kanssa mm. Office - paketti. Opit kuinka luodaan, käytetään ja tulkitaan MINITAB:n graafeja. Opit arvioimaan datan normaalisuutta käyttäen apunasi graafeja ja perustilastoja. Opit muokkaamana graafeja ja lisäämään niihin erilaisia tietoja. Lisäksi opit, miten luot näyttävän näköisiä raportteja ja esityksiä MINITAB:n avulla Minitab 4 koulutus. Päivä Tilastollinen analyysi, t-testit, ANOVA, Regressio Täydennä graafisen analyysin taitojasi käyttäen MINITAB:n erinomaisia tilastollisia työkaluja. Kurssilla opit määrittämään sopivan näytekoon, jolla varmistat analyysituloksien luotettavuuden. Opit myös tutkimaan mahdollisia suhteita muuttujien välillä käyttäen korrelaatiota, regressiota ja matriisikuvia. Opit, kuinka prosessin muutokset tai parannukset todistetaan käyttämällä t-testejä, ANOVA -tekniikkaa ja varianssitestejä. Kurssi keskittyy hyvän liiketoimintapäätöksen tekoon, käyttäen avuksi tilastollisia sovelluksia. Opiskelijan tulee hallita ennestään MINITAB:n perusteet tai osallistua MINITAB:n peruteet päivään, jotta kurssin eteneminen olisi sujuvaa. Minitab 4 koulutus. Päivä MSA, Gage R&R ja laadunparannus Opit, kuinka arvioidaan mittaussysteemejä (Gage R&R), prosessin kyvykkyyttä ja prosessin stabiilisuutta. Opit arvioimaan Gage R&R avulla, kuinka mittauslaitteen ja operaattorin tarkkuus vaikuttavat mittaussysteemin un sekä opit määrittämään mittaussysteemin stabiilisuuden ajan suhteen käyttäen Gage Stability tutkimusta. Kurssilla harjoitellaan, kuinka priorisoidaan laatuongelmia ja keskitytään parannustoimenpiteisiin Paretokaavioiden avulla sekä organisoidaan ideat mahdollisista syistä syy-seuraus diagrammin avulla. Lisäksi tunnistetaan ei-satunnaisia kuvioita aikadatasta käyttäen run chartteja. Kurssilla arvioidaan prosessin ohjausta (SPC) käyttäen Xbar, R, S ja historiallisia kortteja sekä analysoidaan prosessin ohjausta ja kyvykkyyttä käyttäen Capability Sixpack:iä. Opit myös arvioimaan kyvykkyyttä käytten kyvykkyysanalyysia ja arvioimaan ei-normaalin datan kyvykkyyttä käyttäen Box-Cox muunnosta. Minitab 4 koulutus 4. Päivä Koesuunnittelu Kurssilla opitaan luomaan ja analysoimaan täys- ja osittaistekijäkokeita käyttäen MINITAB:a. Opit, kuinka luot koesuunnitelman, kuinka analysoit koessuunnitelmaa sekä tulkitset pareto kaavioita ja normaalisuuskuvia vaikutuksista, kuutiokuvia ja päävaikutuskuvia sekä keskinäisvaikutuskuvia yhdessä tilastollisen ulostulon ja responce optimizerin kanssa. Opit, kuinka valitset asetukset, jotka optimoivat yhden tai useamman vasteen tai opit määrittämään suunnan seuraavalle kokeelle. Kurssilla tehdään myös käytännön harjoituksia kokeesta ja sen suunnittelusta ja analysoinnista.
2 Minitab 4 Minitab 4 Minitab 4 Minitab 4 Minitab 4 koulutus Minitab -kurssi on jaettu neljään päivään. Voit osallistua kuhunkin päivään erikseen tai koko kurssiin kerrallaan. Kurssilla tehdään esimerkkiharjoituksia jokaisesta työkalusta. Kurssi keskittyy pääsääntöisesti työkalun opettamiseen / tulosten tulkitsemiseen Minitabilla. Kuitenkin kurssiaineisto sisältää myös jonkun verran teoriaa kustakin laatu/tilastotekniikasta. Voit siis osallistua kurssille vähemmälläkin pohjatiedolla työkalusta. Jakson tavoitteet. päivä Opitaan Minitabin keskeiset ikkunat ja menujen rakenne, työkalurivit ja oikotiekäskyt näppäimistöstä Opitaan Minitabin data-tyypit, datan tuominen, manipulointitekniikat ja oikea MINITAB analyyseissä tarvittava datan rakenne. Opitaan, kuinka luodaan ja tulkitaan perusgraafeja Minitabilla sekä kuinka luodaan raportit. Opitaan kuinka liikutaan ja siirretään dataa Minitabista toisiin ohjelmiin.
3 Minitab 4 Graafiset analyysit Jakson tavoitteet. päivä Käytetään sopivia graafeja datan tutkimiseen Käytetään perusgraafeja määrittämään mahdolliset n syyt Käytetään perusgraafien mukautettuja ominaisuuksia ja graafin editointityökaluja muokatessamme graafeja Käytetään Exec-makroja toistettaessa tiettyjä graafisia analyysejä Minitab 4 Tilastotekniikan perusteet käyttäen MINITAB:ia,. päivä Tanja Karjalainen Quality Knowhow Karjalainen Oy Tyyrpuurinkatu A 4 LAHTI Puh Fax tanja@qk-karjalainen.fi Internet: 4 Quality Knowhow Karjalainen Oy. All Rights Reserved. Johdatus johtopäätösstatistiikkaan Johdatus johtopäätösstatistiikkaan Testataan nollahypoteesiä käyttäen t-testejä ja luottamusvälejä Arvioidaan hypoteesitestauksen tehokkuutta käyttäen tehoanalyysejä.
4 t-testit ja osuuksien testit t-testit ja osuuksien testit Arvioidaan eroa prosessinkeskiarvon ja tavoitearvon välillä, käyttäen one-sample t-testiä Arvioidaan eroa kahden näytteen keskiarvojen välillä käyttäen riippumatonta two-sample t-testiä Arvioidaan eroa parittaisten havaintojen välillä käyttäen parittaista t-testiä Arvioidaan eroa osuuden ja tavoitearvon välillä käyttäen one proportion testiä. Regressio Regressio Kun tilastollinen riippuvuus on havaittu, ryhdytään selvittämään, onko muuttujien välillä myös olemassa syy-seuraus suhdetta. Pelkkä riippuvuus ei nimittäin vielä takaa sitä, että toinen tekijä aiheuttaa toisen. Mitataan lineaarisen yhteyden astetta kahden muuttujan välillä käyttäen graafeja ja statistiikkaa Mallinnetaan suhdetta jatkuvan vastemuuttujan ja yhden tai useamman ennustavan muuttujan välillä Määritetään jatkuvan vastemuuttujan ja yhden tai useamman ennustavan muuttujan välillä olevan suhteen vahvuus Varianssianalyysi Varianssianalyysi Verrataan ryhmän variansseja käyttäen varianssitestiä Verrataan kerättyjä näytekeskiarvoja yksittäisen tekijän eritasoilla käyttäen analysis of means Verrataan kerättyjä näytekeskiarvoja useamman kuin yhden tekijän eritasoilla käyttäen balanced anova Verrataan kerättyjä näytekeskiarvoja useamman kuin yhden tekijän eritasoilla käyttäen general linear model
5 4 4 Defects Defects Gage name: Date Gage of study: name: Date of study:,,,4,4,, Panel v ariable: RimStrip Panel v ariable: RimStrip Count Percent Count 4,84,99,4 4,9,4 4,8 Cum Percent % 4,8 4,8 8,,9 88,9, 9,44, 9,,4,4, Cum % 4,8 8, 88,9 9,4 9,, Reported by: Tolerance: Reported by: Misc: Tolerance: Misc: ,,,4,4,, Shifts = Day Shifts = Day Shifts = Night Shifts = Night Peel Scratch Other Smudge Peel Scratch Other Smudge Reported by: Gage name: Tolerance: Reported by: Date Gage of study: name: Misc: Tolerance: Date of study: Misc: Components of Variation Thick by RimStrip Components of Variation % Contribution Thick by RimStrip % Study Var, % Contribution % Process % Study Var, % Tolerance % Process, % Tolerance,, Gage R&R Repeat Reprod Part-to-Part 4 8 9, Gage R&R Repeat Reprod Part-to-Part 4 RimStrip 8 9 R Chart by RimStrip R Chart by Thick by,4 UC L=,4 Thick by,4 UC L=,4,,,,, R=,, R=,, LC L=,, LC L=, Xbar Chart by Xbar Chart by * RimStrip Interaction * RimStrip Interaction, UC L=,94, X=,9, LC L=,4 UC L=,94, X=,9, LC L=,4,,,,, 4 8 9,, RimStrip RimStrip Measurem Measurem ents ents Micrometers Material Material Micrometers Microscopes Microscopes Inspectors Alloys Inspectors Condensation Brake Condensation Brake Engager Moisture% Engager Moisture% Angle Angle Environment Methods Environment Methods Peel Scratch Other Smudge Peel Shifts Scratch = Evening Other Smudge Flaws Shifts = Evening Peel Flaws Scratch Peel Other Scratch Smudge Other Smudge Shifts = W eekend Shifts = W eekend Alloys Lubricants Lubricants Suppliers Suppliers Personnel Personnel Shifts Shifts Supervisors Sockets Machines Machines Supervisors Training Training s Speed Speed Lathes Lathes Bits Bits Sockets s Surface Flaws Surface Flaws Minitab 4 MSA, Gage R&R ja tilastollinen laadunparannus ja ohjaus,. päivä Mittaussysteemin analysointi Tanja Karjalainen Quality Knowhow Karjalainen Oy Tyyrpuurinkatu A 4 LAHTI Puh Fax tanja@qk-karjalainen.fi Internet: 4 Quality Knowhow Karjalainen Oy. All Rights Reserved. Gage Run Chart of Thick by RimStrip, Gage Run Chart of Thick by RimStrip, Thick Thick Gage R&R (ANOVA) for Thick Gage R&R (ANOVA) for Thick Percent Percent Average Average 8 Mittaussysteemin analysointi Mahdollisia n lähteitä Havaittu prosessin Arvioidaan kuinka mittauslaitteen ja operaattorin tarkkuus vaikuttavat mittaussysteemin un Gage R&R avulla. Määritetään mittaussysteemin stabiilisuus ajan suhteen käyttäen Gage Stability tutkimusta Määritetään lineaarisuus ja bias mittaussysteemille käyttäen Gage Linearity tutkimusta Pitkän ajan prosessi Todellinen prosessin Lyhyen ajan prosessi Vaihtelu näytteen sisällä Mittauksen Operaattorista johtuva Uusittavuus Mittalaitteesta johtuva Tarkkuus Toistettavuus Stabiilisuus Lineaarisuus Mittauksilta vaadittava kyvykkyys 9 Laadunsuunnittelun työkalut Mittaussysteemi on OK. Ei vaikuta merkittävästi tulokseen Riippuu kriittisyydestä ja kustannuksista Ok ei ok Hylkää mittaus systeemi Ei ok Vaikutus % Tutkittu Erilliset luokat Erottelu suhde < % < % > > % - 9 % % - % > 9 % > % < 4 < 4 Peukalosääntö on, että mittauksen kyvykkyyden on oltava x niin hyvä kuin pienin havaittava/hallittava muutos. Count Count Missing Screws Missing Screws Pareto Chart of Defects Pareto Chart of Defects Missing Clips Missing Clips Leaky Gasket Leaky Gasket Defective Housing Defective Housing Incomplete Part Incomplete Part Other Other Percent Percent Count Count Pareto Chart of Flaws by Shifts Pareto Chart of Flaws by Shifts Flaws Flaws Accuracy Accuracy Condition Condition Cause-and-Effect Diagram Cause-and-Effect Diagram Mentors Mentors Too slow Too slow Testing Testing Erratic Erratic
6 ,8,,4,, ,8,,4,, UCL=4,4 UCL=4,4 R=,4 R=,4 LCL= LCL= UCL=4,88 UCL=4,88 X=4 X=4 LCL=8, LCL=8, UCL=4, UCL=4, R=, R=, LCL= LCL=,,,,,, Xbar Chart Xbar Chart 9 9 R Chart R Chart 9 9 Last Subgroups Last Subgroups UCL=,84 UCL=,84 X=, X=, LCL=8,8 LCL=8,8 UCL=, UCL=, R=,4 R=,4 LCL= LCL= 8 Capability Histogram Capability Histogram Weibull Prob Plot AD: Weibull,48, P: Prob,4Plot AD:,48, P: Capability Plot Capability Plot Overall Overall Shape Overall, Overall Scale Shape,4, Pp Scale,4 * PpkPp,9 * Specs,9 Specs UCL=,8 UCL=,8 X= 4 4 LCL=4,4 LCL=4, Observation 4 49 Observation UCL=, UCL=, MR=9, LCL= LCL= Observation 4 49 Observation 8 8 Laadun suunnittelun työkalut Data alaryhmissä Priorisoidaan laatuongelmia ja keskitytään parannustoimenpiteisiin Pareto-kaavioiden avulla Organisoidaan ideat mahdollisista syistä syyseuraus diagrammin avulla Tunnistetaan ei-satunnaisia kuvioita aikadatasta käyttäen run chartteja R Chart of Measure;...; Measure R Chart of Measure;...; Measure Vendor Vendor Tsquared Tsquared Tsquared Chart of Stay; Satisfaction Tsquared Chart of Stay; Satisfaction Values Values Process Capability Sixpack of PSI;...; PSI4 Process Capability Sixpack of PSI;...; PSI4 UCL=, UCL=, Median=, Median=, Data alaryhmissä Ohjauskortit Arvioidaan prosessin ohjausta käyttäen Xbar, R, S ja historiallisia kortteja Arvioidaan prosessin ohjausta ja kyvykkyyttä käyttäen Capability Sixpack:iä Arvioidaan kyvykkyyttä käyttäen kyvykkyysanalyysiä Arvioidaan ei-normaalin datan kyvykkyyttä käyttäen Box-Cox muunnosta Arvioidaan ei-normaalin datan kyvykkyyttä käyttäen kyvykkyys analyysiä (Weibull) Mitä on ohjauskortit Ohjauskortit ovat erikoistuneempi aikasarja kortti, joka on suunniteltu auttamaan prosessin epänormaalien kuvioiden tunnistamisessa. Yleisesti ottaen ohjauskortti näyttää tältä: Laatuominaisuus Ylempi ohjausraja Keskiviiva Alempi ohjausraja Näytenumerot (tai aika) Ohjauskortit Individuaali-data Milloin käytetään ohjauskortteja Käytä ohjauskorttia, kun sinulla on aika-järjestyksessä olevaa näytedataa tärkeästä laatuominaisuudesta. Miksi käytetään ohjauskortteja Ohjauskortit voivat auttaa vastaamaan kysymyksiin, kuten: Kuinka yhdenmukainen tuote on? Kuinka paljon a on jokaisella operaattorilla tai jokaisessa erässä? Kuinka paljon a on operaattoreiden tai erien välillä? Esimerkiksi Onko uudet operaattorit saaneet riittävästi ohjausta, jotta heidän työ on yhdenmukaista? Onko koneet säädetty samalla lailla, jotta tuotteet ovat samanlaisia? Individual Value Individual Value I Chart of FillWt I Chart of FillWt Observation 4 49 Observation UCL=,8 UCL=,8 X= X= LCL=4,4 LCL=4,4 Individual Value Individual Value Moving Range Moving Range I Chart of FillWt I Chart of FillWt Moving Range Chart of FillWt Moving Range Chart of FillWt X= MR=9,
7 Centerpoint 4, 4,8 4,4 4, 9, 4, 4, 9, - Temperature - - Reactime Temperature - Centerpoint , -, -,,,,,, -, -,,,,,4,4,,,,,,,,,,,,,,,, P Chart P Chart Cumulative %Defective Cumulative %Defective 4 4 UCL=,499 UCL=,499 P=,4 P=,4 LCL= LCL= Summary Stats (using 9,% Summary confidence) Stats (using 9,% confidence) %Defective:,4 Lower %Defective: CI:,,4 Upper Lower CI: CI:,9, Target: Upper CI:,,9 PPM Target: Def: 4, Lower PPM CI: Def: 4 Upper Lower CI: CI: 88 Process Upper Z: CI:,9 88 Lower Process CI: Z:,99,9 Upper Lower CI: CI:,8,99 Upper CI:,8 Binomial Plot 4, Binomial Plot 4,,,,,,, 4 Observed Defectives 4 Observed Defectives Dist of %Defective Dist of %Defective Tar Tar 4 4 Individuaali -data Attribuutti -data 8 Monitoroidaan prosessia käyttäen liikkuvan välin korttia Arvioidaan prosessin keskiarvoa käyttäen individuaali-korttia. Proportion Proportion %Defective %Defective Binomial Process Capability Analysis of Failed Binomial Process Capability Analysis of Failed Expected Defectives Expected Defectives Proportion Proportion,,,,,4,4,,,,,,,,,9,9 P Chart of To VMail P Chart of To VMail Date Date Tests performed with unequal sample sizes Tests performed with unequal sample sizes 8//9 8//9 8//9 8//9 8/9/9 8/9/9 8//9 8//9 8//9 8//9 8/9/9 8/9/9 8//9 8//9 8//9 8//9 8//9 8//9 8/9/9 8/9/9 UCL=, UCL=, P=,4 P=,4 LCL=,9 LCL=,9 9 Attribuutti -data Valitse sopiva ohjauskortti, kun sinulla on attribuutti-dataa Monitoroi prosessin ohjausta käyttäen P, NP, U ja C -kortteja Arvioi prosessin kyvykkyyttä, kun data on binomi-jakaumasta. Minitab 4 Koesuunnittelu MINITABin avulla - Johdatus faktorikokeisiin 4. päivä Tanja Karjalainen Quality Knowhow Karjalainen Oy Tyyrpuurinkatu A 4 LAHTI Puh Fax tanja@qk-karjalainen.fi Internet: 4 Quality Knowhow Karjalainen Oy. All Rights Reserved. Parannus kokeen avulla 4 Miksi koesuunnittelua käytetään? 4 DOE, Koesuunnittelu Yield Main Effects Plot (data means) for Yield Y Surface Plot of Y Koesuunnittelussa muutetaan prosessin asetuksia tietyn koesuunnitelman avulla, jotta nähtäisi, mikä on muutoksen vaikutus ulostuloon. Interaction Plot (data means) for Yield B, -, A Termi Design of Experiments viittaa strukturoituun tapaan muuttaa prosessin asetuksia, niin että voidaan tutkia monien asetuksien vaikutusta ulostuloon yhtäaikaisesti ei yksi kerrallaan. Reactime Koesuunnittelulla löydetään funktionaalinen yhteys Y:n ja X:n välille. Koesuunnittelua (DoE, Taguchi) hyväksikäyttäen löydetään vaikuttavat muuttujat prosessista. Tämä aktiivinen lähestymistapa mahdollistaa prosessin muuttujien (x) ja ulostulon (y) suhteen tutkimisen tehokkaasti.
8 Miksi koesuunnittelu tekee? 4 Johdatus faktorikokeisiin 44 Tunnistaa vital few eli muutamat harvat n lähteet (x:t) tekijät, joilla on suurin vaikutus tulokseen (ulostuloon). Tunnistaa x:t, joilla on hyvin vähän vaikutusta tulokseen. Määrittää tärkeiden x:n vaikutuksen ottaen huomioon myös keskinäisvaikutukset. Tuottaa yhtälön, joka määrittää x:n ja y:n välisen suhteen Ennustaa kuinka paljon hyötyä tai hävikkiä aiheutuisi tietyistä prosessin olosuhteiden muutoksista. 4 4 Johdatus faktorikokeisiin Faktorikoesuunnitelmat Ymmärretään faktorikoesuunnitelmien rakenne ja käyttö Ymmärretään vasteen päävaikutukset ja keskinäisvaikutukset Mitä on faktorikoesuunnitelmat Faktorikoesuunnitelmat mahdollistavat useiden tekijöiden vaikutuksen samanaikaisen tutkimisen prosessissa. Vaihtelemalla tekijöiden tasoja yhtäaikaisesti ennemmin kuin yksi kerrallaan: on tehokasta sekä ajan että rahan suhteen mahdollistaa tekijöiden välisten keskinäisvaikutusten tutkimisen Milloin käytetään faktorikoesuunnitelmia Käytä faktorikoesuunnitelmia arvioidaksesi tehokkaasti jokaisen tekijän vaikutuksia vasteeseen arvioidaksesi kahden tai useamman tekijän keskinäisvaikutusten vaikutusta vasteeseen Faktorisuunnitelmat 4 Täystekijäkoesuunnitelmat 48 testataksesi vasteen käyryyttä sisällyttämällä keskipisteet suunnitelmaan Miksi käytetään faktorikoesuunnitelmia Käytä faktorikoesuunnitelmia vastataksesi kysymyksiin, kuten: Mitkä muuttujat vaikuttavat eniten vasteeseen? Mitkä tekijöiden asetukset optimoisivat vasteen? Esimerkiksi: Kuinka leikkausnopeus, metallin kovuus ja leikkauskulma vaikuttavat metallin leikkaustyökalun käyttöikään? Mitkä asetukset makeudelle, laimennussuhteelle, hiilihydraattitasolle ja lämpötilalle maksimoisivat parhaan maun uudessa virvoitusjuomassa.
9 Täystekijäkoesuunnitelmat 49 Perättäiset kokeet Määritetään näytekoko täystekijäkoesuunnitelmalle Toistetaan täystekijäkoesuunnitelma Lasketaan täystekijäkoesuunnitelman teho Perättäiset kokeet Useiden vasteiden optimointi Vähennetään tarvittavien kokeen ajojen määrää käyttämällä osittaistekijäkoesuunnitelmia Havaitaan mallin käyryyttä käyttämällä keskipisteitä Useiden vasteiden optimointi Etsi tekijäasetukset, jotka minimoivat yhtä vastemuuttujaa Etsi tekijäasetukset, jotka optimoivat useita vastemuuttujia.
Minitab liiketoiminnan kehittämisessä
- 1 - Minitab liiketoiminnan kehittämisessä Ohjelmistot ja kurssit tehokkaaseen datan analysointiin Quality Trainer Quality Companion Minitab Statistical Software Kuva: Minitab Inc. -2- Tehokasta data-analyysia
LisätiedotMinitab liiketoiminnan kehittämisessä
Minitab liiketoiminnan kehittämisessä Ohjelmistot ja kurssit tehokkaaseen datan analysointiin Quality Trainer Companion Minitab Statistical Software Kuva: Minitab Inc. - 2 - Tehokasta data-analyysia Tämän
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
LisätiedotMinitab liiketoiminnan kehittämisessä
Minitab liiketoiminnan kehittämisessä Ohjelmistot ja kurssit tehokkaaseen datan analysointiin Quality Trainer Quality Companion Minitab Statistical Software Kuva: Minitab Inc. - 2 - Tehokasta data-analyysia
LisätiedotSix Sigman ammattilaiset. Champion linkki yrityksen johdon ja Black Belttien välillä. Champion osa funktionalista organisaatiota.
Six Sigma Champion kurssi Eero E. Karjalainen Quality Knowhow Karjalainen Oy Tyyrpuurinkatu 5 A 5 540 LAHTI Puh. 03-780 4264 Fax. 03-780 707 E-mail: antti@qk-karjalainen.fi Internet: www.qk-karjalainen.fi
LisätiedotSix Sigman ammattilaiset
Six Sigma Green Belt kurssi Tanja & Eero E. Karjalainen Quality Knowhow Karjalainen Oy Tyyrpuurinkatu 5 A 5 540 LAHTI Puh. 0-780 464 Fax. 0-780 707 E-mail: antti@qk-karjalainen.fi Internet: www.qk-karjalainen.fi
LisätiedotVertailutestien tulosten tulkinta Mikä on hyvä tulos?
Vertailutestien tulosten tulkinta Mikä on hyvä tulos? Pertti Virtala PANK-menetelmäpäivä 29.1.2015 Sisältö Mittaustarkkuuden käsitteitä Mittaustarkkuuden analysointi Stabiilius Kohdistuvuus Toistettavuus
LisätiedotKonenäköjärjestelmän stabiiliuden seuranta
Christian Arboix Llobell Konenäköjärjestelmän stabiiliuden seuranta Murata Electronics Oy:lle Metropolia Ammattikorkeakoulu Ylempi ammattikorkeakoulututkinto Sähkö- ja automaatiotekniikka Opinnäytetyö
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
Lisätiedot54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):
Tilastollinen tietojenkäsittely / SPSS Harjoitus 5 Tarkastellaan ensin aineistoa KUNNAT. Kyseessähän on siis kokonaistutkimusaineisto, joten tilastollisia testejä ja niiden merkitsevyystarkasteluja ei
Lisätiedotvoidaan hylätä, pienempi vai suurempi kuin 1 %?
[TILTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2011 http://www.uta.fi/~strale/tiltp1/index.html 30.9.2011 klo 13:07:54 HARJOITUS 5 viikko 41 Ryhmät ke 08.30 10.00 ls. C8 Leppälä to 12.15 13.45 ls. A2a Laine
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
LisätiedotHarjoittele tulkintoja
Harjoittele tulkintoja Syksy 9: KT (55 op) Kvantitatiivisen aineiston keruu ja analyysi SPSS tulosteiden tulkintaa/til Analyysit perustuvat aineistoon: Haavio-Mannila, Elina & Kontula, Osmo (1993): Suomalainen
LisätiedotDatan analysointi ja visualisointi Teollisen internetin työpaja
Datan analysointi ja visualisointi Teollisen internetin työpaja Jouni Tervonen, Oulun yliopisto, Oulun Eteläisen instituutti 14.3.2016 Johdanto Tavoite yhdessä määritellä miten data-analytiikkaa voi auttaa
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
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,
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
LisätiedotOngelma: Poikkeaako perusjoukon suhteellinen osuus vertailuarvosta?
Yhden otoksen suhteellisen osuuden testaus Ongelma: Poikkeaako perusjoukon suhteellinen osuus vertailuarvosta? Hypoteesit H 0 : p = p 0 H 1 : p p 0 tai H 1 : p > p 0 tai H 1 : p < p 0 Suhteellinen osuus
LisätiedotKouluttaja. Koulutus ja työkokemus:
Lean ja Six Sigma ------ Tehokkuutta palvelu- ja tuotantotoimintaan Paikka: Henry Aika: 23.9.2009 2009 Quality Knowhow Karjalainen Oy. All Rights Reserved. Kouluttaja 2 Koulutus ja työkokemus: Six Sigma
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
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
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
Lisätiedotvoidaan hylätä, pienempi vai suurempi kuin 1 %?
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2017 http://www.uta.fi/sis/mtt/mtttp1/syksy_2017.html HARJOITUS 5 viikko 42 6.10.2017 klo 10:42:20 Ryhmät: ke 08.30 10.00 LS C6 Paajanen ke 10.15 11.45 LS
LisätiedotKaksisuuntaisen varianssianalyysin tilastollisessa malli voidaan esittää seuraavassa muodossa:
Mat-.03 Koesuunnittelu ja tilastolliset mallit Mat-.03 Koesuunnittelu ja tilastolliset mallit / Ratkaisut Aiheet: Avainsanat: Kaksisuuntainen varianssianalsi Aritmeettinen keskiarvo, Estimointi, F-testi,
LisätiedotTavanomaisten otostunnuslukujen, odotusarvon luottamusvälin ja Box ja Whisker -kuvion määritelmät: ks. 1. harjoitukset.
Mat-.04 Tilastollisen analyysin perusteet Mat-.04 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Testit suhdeasteikollisille muuttujille Hypoteesi, Kahden riippumattoman otoksen t-testit,
LisätiedotMS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)
MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2017 Käytännön järjestelyt Luennot: Luennot maanantaisin (sali E) ja keskiviikkoisin (sali U4) klo 10-12 Luennoitsija: (lauri.viitasaari@aalto.fi)
LisätiedotKeskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)
Mat-.3 Koesuunnittelu ja tilastolliset mallit kevät Keskipisteen lisääminen k -faktorikokeeseen (ks. Montgomery 9-6) Esim (Montg. ex. 9-, 6-): Tutkitaan kemiallisen prosessin saannon Y riippuvuutta faktoreista
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotATH-aineiston tilastolliset analyysit SPSS/PASW SPSS analyysit / Risto Sippola 1
ATH-aineiston tilastolliset analyysit SPSS/PASW 16.2.2011 SPSS analyysit / Risto Sippola 1 Aineiston avaaminen Aineisto on saatu SPSS-muotoon ja tallennettu koneelle sijaintiin, josta sitä voidaan käyttää
LisätiedotMS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)
MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2016 Käytannön järjestelyt Luennot: Luennot ma 4.1. (sali E) ja ti 5.1 klo 10-12 (sali C) Luennot 11.1.-10.2. ke 10-12 ja ma 10-12
LisätiedotVastepintamenetelmä. Kuusinen/Heliövaara 1
Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,
LisätiedotVIIKON VINKKI: Kannattaa tutustua ensin koko tehtävänantoon ja tehdä tehtävä vasta sitten.
Tilastollinen tietojenkäsittely / SPSS Harjoitus 1 VIIKON VINKKI: Kannattaa tutustua ensin koko tehtävänantoon ja tehdä tehtävä vasta sitten. 1. Avaa SPSS-ohjelma. Tarkoitus olisi muodostaa tämän sivun
LisätiedotKaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille tarvittaessa.
NIMI: OPPILASNUMERO: ALLEKIRJOITUS: tehtävä 1 2 3 4 yht pisteet max 25 25 25 25 100 arvosana Kaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille
LisätiedotOtanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita
Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita risto.lehtonen@helsinki.fi OHC Survey Tilastollinen analyysi Kysymys: Millä
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
Lisätiedotpisteet Frekvenssi frekvenssi Yhteensä
806118P JOHDATUS TILASTOTIETEESEEN Loppukoe 15.3.2018 (Jari Päkkilä) 1. Kevään -17 Johdaus tilastotieteeseen -kurssin opiskelijoiden harjoitusaktiivisuudesta saatujen pisteiden frekvenssijakauma: Harjoitus-
LisätiedotLaskuharjoitus 9, tehtävä 6
Aalto-yliopiston perustieteiden korkeakoulu Jouni Pousi Systeemianalyysin laboratorio Mat-2.4129 Systeemien identifiointi Laskuharjoitus 9, tehtävä 6 Tämä ohje sisältää vaihtoehtoisen tavan laskuharjoituksen
Lisätiedot7. Lohkominen ja sulautus 2 k kokeissa. Lohkominen (Blocking)
7. Lohkominen ja sulautus 2 k kokeissa Lohkominen (Blocking) Lohkotekijät muodostuvat faktoreista, joiden suhteen ei voida tehdä (täydellistä) satunnaistamista. Esimerkiksi faktorikokeessa raaka-aine-erät
LisätiedotHarjoitus 7 : Aikasarja-analyysi (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitus 7 : Aikasarja-analyysi (Palautus 28.3.2017) Tämän harjoituskerran tarkoitus on perehtyä
LisätiedotYhteistyöaineiden edustajan puheenvuoro
Yhteistyöaineiden edustajan puheenvuoro Professori Ilkka Virtanen Talousmatematiikka Johdatus laskentatoimen ja rahoituksen tutkielmatyöskentelyyn 21.10.2002 Vaasan yliopisto Johdatus laskentatoimen ja
LisätiedotTilastolliset ohjelmistot 805340A. Pinja Pikkuhookana
Tilastolliset ohjelmistot 805340A Pinja Pikkuhookana Sisältö 1 SPSS 1.1 Yleistä 1.2 Aineiston syöttäminen 1.3 Aineistoon tutustuminen 1.4 Kuvien piirtäminen 1.5 Kuvien muokkaaminen 1.6 Aineistojen muokkaaminen
LisätiedotMS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)
MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2017 Todennäköisyyslaskennan kertaus Satunnaismuuttujat ja tn-jakaumat Tunnusluvut χ 2 -, F- ja t-jakauma Riippumattomuus Tilastotieteen
LisätiedotTILASTOLLISTEN MENETELMIEN KIRJO JA KÄYTTÖ LÄÄKETIETEEN TUTKIMUSJULKAISUISSA. Pentti Nieminen 03.11.2014
TILASTOLLISTEN MENETELMIEN KIRJO JA KÄYTTÖ LÄÄKETIETEEN TUTKIMUSJULKAISUISSA LUKIJAN NÄKÖKULMA 2 TAUSTAKYSYMYKSIÄ 3 Mitä tutkimusmenetelmiä ja taitoja opiskelijoille tulisi opettaa koulutuksen eri vaiheissa?
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas LUENNOT Luento Paikka Vko Päivä Pvm Klo 1 L 304 8 Pe 21.2. 08:15-10:00 2 L 304 9 To 27.2. 12:15-14:00 3 L 304 9 Pe 28.2. 08:15-10:00 4 L 304 10 Ke 5.3.
LisätiedotSimulation 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
LisätiedotMittaustekniikka (3 op)
530143 (3 op) Yleistä Luennoitsija: Ilkka Lassila Ilkka.lassila@helsinki.fi, huone C319 Assistentti: Ville Kananen Ville.kananen@helsinki.fi Luennot: ti 9-10, pe 12-14 sali E207 30.10.-14.12.2006 (21 tuntia)
Lisätiedot1. 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
LisätiedotHARJOITUS- PAKETTI A
Logistiikka A35A00310 Tuotantotalouden perusteet HARJOITUS- PAKETTI A (6 pistettä) TUTA 19 Luento 3.Ennustaminen County General 1 piste The number of heart surgeries performed at County General Hospital
LisätiedotMS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely
MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017 Aikataulu ja suoritustapa (Katso MyCourses) Luennot
LisätiedotTilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),
LisätiedotC470E9AC686C
INVENTOR 17 VALUOSAN SUUNNITTELU http://help.autodesk.com/view/invntor/2017/enu/?guid=guid-b3cd4078-8480-41c3-9c88- C470E9AC686C About Mold Design in Inventor Mold Design provides integrated mold functionality
LisätiedotLämpötilan ja valssausvoiman tilastollinen mallintaminen levyvalssauksessa
Lämpötilan ja valssausvoiman tilastollinen mallintaminen levyvalssauksessa VaProKe projekti (Ruukki, TEKES) Intelligent Systems Group, ILMARI JUUTILAINEN, 24.11.2011 Sisältö Projektin tavoitteet Voimamallinnuksen
LisätiedotSPSS ohje. Metropolia Business School/ Pepe Vilpas
1 SPSS ohje Page 1. Perusteita 2 2. Frekvenssijakaumat 3 3. Muuttujan luokittelu 4 4. Kaaviot 5 5. Tunnusluvut 6 6. Tunnuslukujen vertailu ryhmissä 7 9. Ristiintaulukointi ja Chi-testi 8 10. Hajontakaavio
LisätiedotTekijä(t) Vuosi Nro. Arviointikriteeri K E? NA
JBI: Arviointikriteerit kvasikokeelliselle tutkimukselle 29.11.2018 Tätä tarkistuslistaa käytetään kvasikokeellisen tutkimuksen metodologisen laadun arviointiin ja tutkimuksen tuloksiin vaikuttavan harhan
Lisätiedot2 k -faktorikokeet. Vilkkumaa / Kuusinen 1
2 k -faktorikokeet Vilkkumaa / Kuusinen 1 Motivointi 2 k -faktorikoe on k-suuntaisen varianssianalyysin erikoistapaus, jossa kaikilla tekijöillä on vain kaksi tasoa, matala (-) ja korkea (+). 2 k -faktorikoetta
LisätiedotEpävarmuuden hallinta bootstrap-menetelmillä
1/17 Epävarmuuden hallinta bootstrap-menetelmillä Esimerkkinä taloudellinen arviointi Jaakko Nevalainen Tampereen yliopisto Metodifestivaalit 2015 2/17 Sisältö 1 Johdanto 2 Tavanomainen bootstrap Bootstrap-menettelyn
LisätiedotAki Taanila VARIANSSIANALYYSI
Aki Taanila VARIANSSIANALYYSI 18.5.2007 VARIANSSIANALYYSI 1 JOHDANTO...2 VARIANSSIANALYYSI...3 Yksisuuntainen varianssianalyysi...3 Kaksisuuntainen varianssianalyysi ilman toistoja...6 Kaksisuuntainen
LisätiedotPakettisynkronointitestauksen automaatio
Pakettisynkronointitestauksen automaatio Risto Hietala valvoja: Prof. Riku Jäntti ohjaaja: DI Jonas Lundqvist ESITYKSEN RAKENNE Tietoverkkojen synkronointi Pakettikytkentäisten verkkojen synkronointi Ohjelmistotestaus
LisätiedotTilastollinen ajattelu ja johdantoa koesuunnitteluun
Tilastollinen ajattelu ja johdantoa koesuunnitteluun Tilastollinen ajattelu 1. Tutkimussilmukka PPDAC Problem > Plan > Data > Analysis > Conclusions (MacKay, Oldford 2000) Tilastollisen tutkimuksen malli,
LisätiedotPienet ännät tutkimuksessa Tilastollisen analyysin työpaja. Jari Westerholm Niilo Mäki instituutti Jyväskylän yliopisto
Pienet ännät tutkimuksessa Tilastollisen analyysin työpaja Jari Westerholm Niilo Mäki instituutti Jyväskylän yliopisto Luennon sisältö Pienten otoskokojen haasteista Pieni otoskoko Suositeltuja metodeja
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
Lisätiedot5.6.3 Matematiikan lyhyt oppimäärä
5.6.3 Matematiikan lyhyt oppimäärä Matematiikan lyhyen oppimäärän opetuksen tehtävänä on tarjota valmiuksia hankkia, käsitellä ja ymmärtää matemaattista tietoa ja käyttää matematiikkaa elämän eri tilanteissa
LisätiedotLean työkalut käytännön työssä-osa II. Vaj juha kemppinen
140119 Lean työkalut käytännön työssä-osa II Vaj juha kemppinen 3. Lean metodit ja työkalut Vaj juha kemppinen 14.1.2019 vaj juha kemppinen 2 3. Lean metodit ja työkalut Muda 7 wastes of lean Mura not
LisätiedotDOE-RAPORTTI 1 (16) Timo Kontu 7.1.2015. Pientalon lämmitysenergian optimointi vastepintamenetelmällä. DoE-raportti
DOE-RAPORTTI 1 (16) Pientalon lämmitysenergian optimointi vastepintamenetelmällä DoE-raportti Tekijä: Timo Kontu DOE-RAPORTTI 2 (16) SISÄLTÖ 1. YHTEENVETO... 3 2. VASTEMUUTTUJA... 4 3. LÄMMITYSJÄRJESTELMÄ...
LisätiedotAki Taanila YHDEN SELITTÄJÄN REGRESSIO
Aki Taanila YHDEN SELITTÄJÄN REGRESSIO 26.4.2011 SISÄLLYS JOHDANTO... 1 LINEAARINEN MALLI... 1 Selityskerroin... 3 Excelin funktioita... 4 EKSPONENTIAALINEN MALLI... 4 MALLIN KÄYTTÄMINEN ENNUSTAMISEEN...
LisätiedotVIRTAUSTEHOKKUUDEN LISÄÄMINEN PATOLOGIAN LABORATORIOSSA
VIRTAUSTEHOKKUUDEN LISÄÄMINEN PATOLOGIAN LABORATORIOSSA Mikko Laiho 6.2.2015 TEHOKKUUSMATRIISI LEAN ON TÄHDEN TAVOITTELUA VAIHTELUA VÄHENTÄMÄLLÄ RESURSSITEHOKKUUS VIRTAUSTEHOKKUUS Vaihtelu Voi syntyä mm.
LisätiedotTilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin
Tilastollisen analyysin perusteet Luento 10: Sisältö Varianssianalyysi Varianssianalyysi on kahden riippumattoman otoksen t testin yleistys. Varianssianalyysissä perusjoukko koostuu kahdesta tai useammasta
LisätiedotJohdanto. I. TARKKUUS Menetelmä
Accu-Chek Aviva -järjestelmän luotettavuus ja tarkkuus Johdanto Järjestelmän tarkkuus on vahvistettu ISO 15197:2003 -standardin mukaisesti. Ulkopuolinen diabetesklinikka toimitti diabeetikoilta otetut
LisätiedotPuheentutkimuksen tilastoanalyysin perusteet. 8. luento. Pertti Palo 20.1.2012
Puheentutkimuksen tilastoanalyysin perusteet 8. luento Pertti Palo 20.1.2012 Käytännön asioita Viimeisen seminaarin siirto: 2.3. 10-12 -> 2.3. 14-16. Miten seminaarin luentokuulustelun voi korvata? Harjoitustöiden
LisätiedotOHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi. Luento 3
OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi Luento 3 Tutkimussuunnitelman rakenne-ehdotus Otsikko 1. Motivaatio/tausta 2. Tutkimusaihe/ -tavoitteet ja kysymykset
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotSPSS-pikaohje. Jukka Jauhiainen OAMK / Tekniikan yksikkö
SPSS-pikaohje Jukka Jauhiainen OAMK / Tekniikan yksikkö SPSS on ohjelmisto tilastollisten aineistojen analysointiin. Hyvinvointiteknologian ATK-luokassa on asennettuna SPSS versio 13.. Huom! Ainakin joissakin
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 ) +
LisätiedotAalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi,
Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi, kesä 2016 Laskuharjoitus 5, Kotitehtävien palautus laskuharjoitusten
LisätiedotKojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto
Kojemeteorologia Sami Haapanala syksy 2013 Fysiikan laitos, Ilmakehätieteiden osasto Mittalaitteiden staattiset ominaisuudet Mittalaitteita kuvaavat tunnusluvut voidaan jakaa kahteen luokkaan Staattisiin
LisätiedotEstimointi. 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
LisätiedotMS-C2128 Ennustaminen ja aikasarja-analyysi ARMA esimerkkejä
MS-C2128 Ennustaminen ja aikasarja-analyysi ARMA esimerkkejä Tehtävä 4.1. Ncss-ohjelmiston avulla on generoitu AR(1)-, AR(2)-, MA(1)- ja MA(2)-malleja vastaavia aikasarjoja erilaisilla parametrien arvoilla.
LisätiedotA130A0650-K Tilastollisen tutkimuksen perusteet 6 op Tentti / Anssi Tarkiainen & Maija Hujala
Kaavakokoelma, testinvalintakaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Tehtävä 1 a) Konepajan on hyväksyttävä alihankkijalta saatu tavaraerä, mikäli viallisten komponenttien
Lisätiedot031021P Tilastomatematiikka (5 op) kertausta 2. vk:een
031021P Tilastomatematiikka (5 op) kertausta 2. vk:een Jukka Kemppainen Mathematics Division 2. välikokeeseen Toinen välikoe on la 5.4.2014 klo. 9.00-12.00 saleissa L1,L3 Koealue: luentojen luvut 7-11
LisätiedotGap-filling methods for CH 4 data
Gap-filling methods for CH 4 data Sigrid Dengel University of Helsinki Outline - Ecosystems known for CH 4 emissions; - Why is gap-filling of CH 4 data not as easy and straight forward as CO 2 ; - Gap-filling
LisätiedotVARIANSSIANALYYSI ANALYSIS OF VARIANCE
VARIANSSIANALYYSI ANALYSIS OF VARIANCE 1 Suomalaisten aikuisten pituusjakauma:.8.7.6.5.4.3.2.1 14 15 16 17 18 19 2 21 Jakauma ei ole normaali, sen olettaminen sellaiseksi johtaa virheellisiin päätelmiin.
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 =
LisätiedotLean & Six Sigma. Valmenna itsesi tulevaisuuden huippuosaamiseen ja ammattiin. Sibeliustalo, Lahti Kuvaaja: Voitto Niemelä
2014 Lean & Six Sigma Valmenna itsesi tulevaisuuden huippuosaamiseen ja ammattiin Sibeliustalo, Lahti Kuvaaja: Voitto Niemelä - 2 - Mitkä ovat Six Sigman ja Leanin teoriat? En malta olla siteeraamatta
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu
10.1.2019/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 10.1.2019 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2018 10.1.2019/2
LisätiedotSovellettu 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
LisätiedotEfficiency change over time
Efficiency change over time Heikki Tikanmäki Optimointiopin seminaari 14.11.2007 Contents Introduction (11.1) Window analysis (11.2) Example, application, analysis Malmquist index (11.3) Dealing with panel
LisätiedotSPC-TOIMINTAMALLIN KÄYTTÖÖNOTTO LUKOT- LIIKETOIMINTAYKSIKÖLLE
KARELIA-AMMATTIKORKEAKOULU Kone- ja tuotantotekniikan koulutusohjelma Terho Uuksulainen SPC-TOIMINTAMALLIN KÄYTTÖÖNOTTO LUKOT- LIIKETOIMINTAYKSIKÖLLE Opinnäytetyö Toukokuu 2013 Sisältö Tiivistelmä Abstract
LisätiedotFrequencies. Frequency Table
GET FILE='C:\Documents and Settings\haukkala\My Documents\kvanti\kvanti_harjo'+ '_label.sav'. DATASET NAME DataSet WINDOW=FRONT. FREQUENCIES VARIABLES=koulv paino /ORDER= ANALYSIS. Frequencies [DataSet]
LisätiedotYksinkertaista. Me autamme.tm
Yksinkertaista. Me autamme.tm Tuloksia tehokkalla Lean Six Sigma projektilla Ala töihin. Mittaa ja hallitse työtäsi! Ver. 7.0 v7_ceriffi_check_tietopaketti 18.6.2018 Ceriffi Oy MKE Ceriffi Check- mobiilisovellus
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)
LisätiedotSPSS-perusteet. Sisältö
SPSS-perusteet Sisältö Ikkunat 3 Päävalikot 5 Valikot 6 Aineiston käsittely 6 Muuttujamuunnokset 7 Aineistojen kuvailu analyysit 8 Havaintomatriisin luominen ja käsittely 10 Muulla sovelluksella tehdyn
LisätiedotJohdatus 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:
LisätiedotMediaanikorko on kiinteäkorkoiselle lainalle korkeampi. Tämä hypoteesi vastaa taloustieteen käsitystä korkojen määräytymismekanismista.
Mat-2.04 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Testit järjestysasteikollisille muuttujille Testit laatueroasteikollisille muuttujille Hypoteesi, Mannin ja Whitneyn testi (Wilcoxonin
LisätiedotKalustetestaus- ja asiantuntijapalvelut.
Kalustetestaus- ja asiantuntijapalvelut Kalustetestaus- ja asiantuntijapalvelut Tuotetestaukset Seinäkkeet Office furniture. Screens. Part 1: Dimensions EN 1023-1 Office furniture. Screens. Part 2: Mechanical
LisätiedotOsafaktorikokeet. Heliövaara 1
Osafaktorikokeet Heliövaara 1 Osafaktorikokeet Kun faktorien määrä 2 k -faktorikokeessa kasvaa, tarvittavien havaintojen määrä voi ylittää kokeentekijän resurssit. Myös estimoitavien korkean asteen yhdysvaikutustermien
LisätiedotStatCrunch -laskentasovellus
StatCrunch -laskentasovellus Yleistä sovelluksesta StatCrunch on Integrated Analytics LLC:n valmistama sovellus tilastotieteellisten analyysien tuottamista varten. Se on verkon yli käytettävä analyysisovellus,
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.14 Tilastollisen analyysin perusteet, kevät 7 7. luento: Tarina yhden selittään lineaarisesta regressiomallista atkuu Kai Virtanen 1 Luennolla 6 opittua Kuvataan havainnot (y, x ) yhden selittään
LisätiedotBOOTSTRAPPING? Jukka Nyblom Jyväskylän yliopisto. Metodifestivaali
BOOTSTRAPPING? Jukka Nyblom Jyväskylän yliopisto Metodifestivaali 28.5.2009 1 1 Mitä ihmettä on bootstrap? Webster: 1. a loop of leather or cloth sewn at the top rear, or sometimes on each side of a boot
LisätiedotOpetus talteen ja jakoon oppilaille. Kokemuksia Aurajoen lukion tuotantoluokan toiminnasta Anna Saivosalmi 9.9.2011
Opetus talteen ja jakoon oppilaille Kokemuksia Aurajoen lukion tuotantoluokan toiminnasta Anna Saivosalmi 9.9.2011 Aurajoen lukio ISOverstaan jäsen syksystä 2010 lähtien ISOverstas on maksullinen verkko-oppimisen
Lisätiedot