Ydinvoimalaitoksen vuosihuoltoseisokin palotaajuuksien estimointi

Koko: px
Aloita esitys sivulta:

Download "Ydinvoimalaitoksen vuosihuoltoseisokin palotaajuuksien estimointi"

Transkriptio

1 TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat Sovelletun matematiikan erikoistyö Ydinvoimalaitoksen vuosihuoltoseisokin palotaajuuksien estimointi Sami Sirén 57602R Espoo, 11. maaliskuuta 2007

2 Sisältö 1 Johdanto 2 2 Todennäköisyyspohjainen turvallisuusanalyysi 3 3 Aineisto Käyttötilaerottelu Huonetyyppierottelu Redundanssierottelu Laskentamenetelmä Loviisa 1:n palotaajuuksien estimointi Tulokset Epävarmuudet Palotaajuuksien vertailu Yhteenveto 17 Lähteet 18 A Prioriparametrien määritys 19 B Posteriorijakaumaparametrit 20 1

3 1 JOHDANTO 2 1 Johdanto Ydinvoimalan käytön aiheuttamaa riskiä laitokselle itselleen ja ympäristölle arvioidaan monipuolisilla turvallisuusanalyyseillä. Riskitarkasteluiden yleinen lähtökohta on, että ydinvoimalan väestölle aiheuttaman riskin on oltava pieni verrattuna muihin väestöön kohdistuviin riskeihin, kuten liikenneonnettomuuksiin ja poikkeuksellisiin sääilmiöihin. Suomessa ydinvoimalaitoksen käyttöluvan myöntävä valtioneuvosto edellyttää, että suuriin radioaktiivisten aineiden päästöihin johtavien onnettomuuksien on oltava erittäin epätodennäköisiä [1]. Tulipalojen aiheuttamat laiteviat ja epäkäytettävyydet turvallisuudelle tärkeissä järjestelmissä voivat muodostaa huomattavan osan ydinvoimalaitoksen kokonaisriskistä. Loviisa 1:n tehokäytön paloriskianalyysi valmistui vuonna Uusimman riskiarvion mukaan laitoksen tehokäytön aikaiset tulipalot aiheuttavat noin viidenneksen laitoksen sydänvauriotaajuudesta. Ydinvoimalaitos ei ole täysin riskitön edes seisokkitilassa. Sammutettu reaktori tuottaa lämpöä pitkään tehokäytön lopettamisen jälkeenkin, ja tämä jälkilämpö täytyy poistaa reaktorista turvallisesti. Muutaman viikon mittaiseen vuosihuoltoseisokkiin liittyvät riskit muodostavat noin puolet vuotuisesta sydänvaurioriskistä. Tässä erikoistyössä estimoidaan palotaajuudet Loviisa 1:n vuosihuoltoseisokin paloriskimallia varten. Estimointimenetelmänä käytetään luotettavuusparametrien laskentaan kehitettyä empiiristä Bayes-menetelmää. Laskennassa hyödynnetään sekä Loviisan omaa että muiden ydinvoimaloiden laitoskokemusta.

4 2 TODENNÄKÖISYYSPOHJAINEN TURVALLISUUSANALYYSI 3 2 Todennäköisyyspohjainen turvallisuusanalyysi Todennäköisyyspohjaisella turvallisuusanalyysillä (engl. Probabilistic Safety Assessment, PSA, usein myös Probabilistic Risk Assessment, PRA) tarkoitetaan jonkin järjestelmän luotettavuuden arviointia todennäköisyyslaskentaan perustuvilla menetelmillä. Ensimmäinen kattava PSA, vuonna 1975 valmistunut WASH-1400 [7], tutki kevytvesireaktorien aiheuttamia riskejä Yhdysvalloissa. Tapahtuma- ja vikapuumalleihin perustuvan analyysin loppupäätelmä oli, että ydinvoimaloiden aiheuttama riski väestölle on pieni suhteessa muihin riskeihin. PSA-menetelmät ovat sittemmin kehittyneet ja nousseet tärkeäksi apuvälineeksi determinististen analyysien rinnalle. Nykyisin ydinvoimalaitoksia käyttäviltä yhtiöiltä vaaditaan PSA edellytyksenä laitoksen käyttöluvan myöntämiselle. Ydinvoimalaitoksen PSA voidaan jakaa kolmeen tasoon. Ensimmäinen taso tutkii mahdollisuutta reaktorisydänvaurioon. Analyysissä pyritään tunnistamaan sydänvaurioon johtavat onnettomuusketjut ja arvioimaan niiden toteutumistodennäköisyydet. Säteilyturvakeskuksen määräämä suunnittelutavoite sydänvauriotaajuuden odotusarvolle on pienempi kuin 10 5 /a [6]. Tason 2 PSA tutkii mahdollisuutta radioaktiivisiin päästöihin suojarakennuksen ulkopuolelle. Analyysissä tutkitaan päästöjen todennäköisyyttä, suuruutta sekä ajoitusta tason 1 onnettomuusketjujen seurauksena. Suunnittelutavoitteeksi on asetettu, että ulkoilmaan pääsevän 100 TBq Cs-137 päästön tai vastaavan muita nuklideja sisältävän päästön taajuus on odotusarvoltaan pienempi kuin /a [6]. Kolmannen tason PSA tutkii radioaktiivisten päästöjen aiheuttamia seurauksia väestölle ja ympäristölle sekä lyhyellä että pitkällä aikavälillä. Loviisan laitoksen PSA kattaa tasojen 1 ja 2 analyysit. Loviisa 1:n tehokäytön sisäiset alkutapahtumat kattava analyysi valmistui vuonna Sen jälkeen PSA:ta on laajennettu kattamaan mm. poikkeuksellisista sääoloista ja tulipaloista syntyvät alkutapahtumat sekä vuosihuoltoseisokkiin liittyvät riskit. PSA:n tuloksia on käytetty parantamaan laitoksen turvallisuutta entisestään.

5 3 AINEISTO 4 3 Aineisto Työn pohjana on vuonna 1997 valmistunutta Loviisa 1:n tehokäytön palotilanteiden PSA:ta [4] varten kerätty aineisto. Aineisto päivitettiin nykyhetkeen ( ) ja laajennettiin kattamaan useampia laitosyksiköitä eri puolilta maailmaa. Uusi aineisto kerättiin julkisista raporteista ja erityisesti riskianalyysejä varten laadituista palotietokannoista. Laskennassa käytettävä aineisto valittiin siten, että laskentaan otettujen laitosten palotilanteiden raportointi on mahdollisimman kattava ja raportointikriteerit eri laitoksilla ovat lähellä toisiaan. Joidenkin maiden osalta käytössä oleva aineisto oli selvästi puutteellista, joten ne jätettiin pois laskennasta. Laitostyypeistä mukaan otettiin vain painevesi- (PWR, mm. Loviisan laitostyyppi) ja kiehutusvesireaktorit (BWR), jotta menetelmän vaatima riittävä samankaltaisuus laitosten välillä säilytettäisiin. Käytettävä aineisto sisältää laitoskokemusta 204 reaktoriyksiköltä kuudesta eri maasta (yhteensä maailmassa oli käytössä olevaa laitosyksikköä [2]). Kyseisiltä laitoksilta huomioitiin laitoskokemusta yhteensä 3022 reaktorivuotta. Vuosihuoltoseisokin palotaajuuslaskentaa varten aineistosta karsittiin pois tehoajon ja muiden seisokkien kuin vuosihuoltojen palotapahtumat. Lisäksi karsittiin sellaiset palot, jotka todettiin laitosturvallisuuden kannalta vaarattomiksi (esim. itsestään sammuneet palot, jotka eivät aiheuttaneet laitevahinkoja sekä turvallisuuden kannalta merkityksettömien rakennusten palot) tai Loviisan laitoksella mahdottomiksi (esim. palot jäähdytystorneissa Loviisassa ei ole jäähdytystorneja). PWR- ja BWR-laitosten mahdollisten rakenteellisten ja palofysikaalisten erojen perusteella aineistosta karsittiin BWR-laitosten suojarakennuksen ja pääkiertopumppujen moottorien palot. BWR-laitoksia ei siten huomoida ollenkaan tiettyjen huonetyyppien palotaajuuksien laskennassa. Karsinnan jälkeen aineistoon jäi 85 vuosihuoltoseisokin aikaista palotapahtumaa. Nämä jaoteltiin syttymähetkellä vallinneen laitoksen käyttötilan, syttymähuoneen huonetyypin sekä ns. kylmissä käyttötiloissa syttymähuoneen huoltotilanteen mukaan.

6 3 AINEISTO Käyttötilaerottelu Loviisan ydinvoimalaitoksen turvallisuustekniset käyttöehdot (TTKE 1, [5]) määrittelee laitokselle kuusi käyttötilaa. Käyttötilat määritellään fysikaalisten parametrien (primääripiirin lämpötila, paine, boorihappokonsentraatio, reaktorin neutroniteho) ja laitteiden tilan (säätösauvojen asento, reaktorin kansi kiinni/auki) avulla [5]. TTKE:n määrittelemät käyttötilat ovat: 1. Latausseisokki 2. Kylmä seisokki 3. Kuuma seisokki 4. Kuumavalmius 5. Käynnistystila 6. Tehokäyttö Vuosihuoltoseisokissa käyttötilasta toiseen edetään siten, että alasajossa tehokäytöltä siirrytään käynnistystilan, kuumavalmiuden, sekä kuuman ja kylmän seisokin kautta latausseisokkiin ( ). Ylösajossa tilat käydään läpi päinvastaisessa järjestyksessä, jolloin päädytään takaisin tehokäytölle. Koska käytetyssä palotapahtuma-aineistossa käyttötiloja ei ole aina merkitty tarkasti, palotaajuuksia ei voida laskea erikseen jokaiselle käyttötilalle. Toisaalta kaikki käyttötilat eivät välttämättä eroa palotaajuuden kannalta merkittävästi toisistaan. Myös palotapahtumien harvinaisuuden takia palotaajuuksia on mielekkäämpää laskea pidemmille seisokkiosuuksille. Tässä työssä vuosihuoltoseisokki jaetaan kylmiin ja kuumiin tiloihin siten, että kylmiin tiloihin luetaan käyttötilat 1 ja 2 ja kuumiin tiloihin käyttötilat 3, 4 ja 5. Kuumat tilat erotellaan edelleen alas- ja ylösajon tiloihin. Paloaineisto jaotellaan syttymähetkellä vallinneen käyttötilan mukaisesti lukuun ottamatta dieselgeneraattorien vuosikoestuksessa syttyneitä paloja. Ne sijoitetaan kylmille tiloille, koska Loviisassa koestukset tehdään kylmässä seisokissa. 1 TTKE määrittelee reunaehdot, joiden mukaan laitosta tulee käyttää. Käyttöehtojen tarkoituksena on taata riittävän turvallisuusmarginaalin säilyminen kaikissa tilanteissa.

7 3 AINEISTO Huonetyyppierottelu Ydinvoimalaitos koostuu suuresta määrästä erilaisia rakennuksia ja tiloja, eikä voida olettaa, että tulipalon todennäköisyys olisi sama laitoksen eri osissa. Loviisa 1:n tehokäytön palo-psa:ssa laitoksen turvallisuudelle tärkeät alueet on jaettu 16 huonetyyppiin (HT, taulukko 1). Perusoletuksena on, että yhden laitosyksikön tietyntyyppisten tilojen ja laitteiden määrä on jokseenkin vakio. Poikkeuksena tästä ovat dieselgeneraattorihuoneet (D) ja niiden valvomotilat (DS), pääkiertopumppujen moottorit (PCP) sekä turbiinit (TB) ja generaattorit (TG), joiden määrät ovat eri laitoksilla erilaiset ja helpohkosti selvitettävissä. Niiden palotaajuudet lasketaan suoraan huonetilaa tai komponenttia kohden 2. Loviisan näiden komponenttien määrät on esitetty taulukossa 1. Koko laitoksen palotaajuudelle saadaan arvio 3 laskemalla eri huonetyyppien palotaajuudet yhteen. Tällöin huonetilaa tai komponenttia kohden lasketut palotaajuudet täytyy kertoa laitoksen vastaavalla laitemäärällä. Esim. Loviisan laitosyksiköillä on kuusi pääkiertopumppua, joten kokonaispalotaajuutta laskettaessa huonetyypin PCP palotaajuus täytyy kertoa kuudella. 3.3 Redundanssierottelu Ydinvoimalan turvallisuudelle tärkeissä toiminnoissa vallitsee redundanssiajattelu. Tietystä toiminnosta vastaa useampi kuin yksi rinnakkainen ja toisistaan riippumaton järjestelmä, jotta minkä tahansa yhden laitteen vikaantuessa laitoksen turvallisuus ei heikkenisi merkittävästi. Redundantit laitteet on pyritty erottamaan myös fyysisesti sijoittamalla ne eri huonetiloihin niiltä osin kuin se on mahdollista. Vuosihuoltoseisokissa laitteille tehtävät korjaukset ja määräaikaishuollot suunnitellaan siten, että vähintään yhden redundanssin järjestelmät ovat koko ajan käytettävissä. Toinen redundanssi otetaan huoltoon vasta, kun ensimmäisen redundanssin huoltotyöt ovat valmistuneet. Seisokin aikana tapahtuvien tulipalojen riskimerkitys riippuu siten merkittävästi siitä, onko palo huollossa olevan vai käytössä olevan redun- 2 Muiden huonetyyppien yksittäisten huonetilojen palotaajuudet arvioidaan Loviisan Palo- PSA:ssa tässä laskettavan huonetyypin palotaajuuden sekä huoneen palokuormien yms. tekijöiden perusteella. Huonetilakohtaisia palotaajuuksia ei kuitenkaan käsitellä tässä työssä tarkemmin. 3 Laitoksen kokonaispalotaajuuteen sisältyy joitakin muilla menetelmillä arvioituja palotyyppejä, joiden osuus on kuitenkin suhteellisen pieni.

8 3 AINEISTO 7 Taulukko 1: Huonetyypit HT Kuvaus Kpl A Prosessitilat B Akkuhuoneet CT CT-muuntajat D Dieselgeneraattorihuoneet 4 DS Dieselgeneraattorien valvomotilat 4 E Elektroniikka- ja relehuoneet K Kaapelitilat M Muuntaja-alue PCP Pääkiertopumppujen moottorit 6 PV Päävalvomotilat Q Kytkinkenttä R Suojarakennus S Sähkötilat T Turbiinirakennus TB Turbiini 2 TG Generaattori 2 danssin puolella. Tämän vuoksi kylmien käyttötilojen palot on eroteltu tapahtumakuvauksen perusteella huolto- ja käyttöredundanssiin siten, että tapahtuma on sijoitettu huoltoredundanssiin, jos tapahtumaan liittyi selvästi jonkinlainen huoltotyö tai huonetila oli muuten selvästi huoltotilassa. Muussa tapauksessa palo on sijoitettu kunnossa olevaan redundanssiin. Palotapahtumien kuvaukset eivät ole täysin tyhjentäviä, mistä seuraa, että osa kunnossa olevaan redundanssiin sijoitetuista paloista on voinut syttyä huollossa olevan redundanssin puolella. Tämä lisää kasvattaa palotaajuuksia kunnossa olevan redundanssin puolella ja voi johtaa liian pieniin palotaajuusarvioihin huoltoredundanssissa.

9 4 LASKENTAMENETELMÄ 8 4 Laskentamenetelmä Palotaajuuksien, tai yleisemmin vikataajuuksien, arviointiin on kehitetty useita menetelmiä. Helpoin tapa on käyttää eri laitetyypeille kerättyä yleisdataa. Tarkempien laitos- ja laitekohtaisten vikataajuuksien laskemiseen on kehitetty useita menetelmiä. Eri menetelmiä on esitelty lyhyesti viitteessä [3]. Samassa viitteessä esitellään Loviisan PSA-tarpeisiin kehitetty erityinen parametrinen empiirinen Bayesmenetelmä (engl. Parametric Robust Empirical Bayes, PREB). Tässä esitellään pääpiirteittäin PREB:n vika- ja alkutapahtumataajuuksien estimointimenetelmä, jota käytetään tässä työssä palotaajuuksien estimointiin. Menetelmän lähtökohtana on määrittää yksittäisen komponentin vikataajuus käyttäen hyväksi sekä sen omaa, että muiden vastaavien komponenttien vikahistoriaa. Yksittäisen komponentin vikataajuus oletetaan vakioksi, mutta eri komponentteja ei oleteta vikataajuudeltaan identtisiksi. Palotaajuuksien arvioinnissa yksittäistä komponenttia vastaa yhden laitoksen yhden huonetyypin kaikki huonetilat, esim. Loviisa 1:n kaapelitilat. Laskennassa käytetään siten hyväksi usean laitoksen kaapelitilojen palohistoriaa olettamatta, että Loviisa 1:n kaapelitilojen palotaajuus olisi identtinen muiden laitosten kanssa. Oletetaan n komponenttia, joiden vikahistoriat tunnetaan joltakin ajanjaksolta T i, i = 1...n. Komponentilla i on historiansa aikana ollut K i vikatapahtumaa. Kun komponentin vikataajuus oletetaan vakioksi, vikojen määrä K i noudattaa Poissonjakaumaa P (K i ; λ i T i ) = (λ it i ) K i e λ it i, K i = 0,1,... (1) K i! Suurimman uskottavuuden estimaatti vikataajuudelle λ i on K i T i. Kun vikatapahtumia on vähän tai ei lainkaan, vikataajuuteen liittyy suurta epävarmuutta. Tätä epävarmuutta halutaan pienentää käyttämällä hyväksi muiden vastaavien komponenttien vikahistoriaa. Koska komponenttien vikataajuuksia ei haluta olettaa identtisiksi, yhdistetyn vikahistorian Poisson-jakauman perusteella estimoitua suurimman uskottavuuden estimaattia K i Ti ei voida käyttää. PREB-menetelmässä yksittäisten komponenttien vikataajuudet oletetaan otetuksi yhteisestä jakaumasta, jolla on tiheysfunktio f(λ x,y). Oletuksen perustana on komponenttien riittävä samankaltaisuus (sama valmistaja, samanlainen käyttötapa

10 4 LASKENTAMENETELMÄ 9 tms.). Kun lisäksi oletetaan, että ajassa T i havaittu vikojen lukumäärä K noudattaa Poisson-jakaumaa P (K λ i T i ), λ i :n ehdollinen tiheysfunktio saadaan kaavalla p(λ i K i,t i ) = P (K i ; λ i T i )f(λ i ; x,y) 0 P (K i ; λ i T i )f(λ; x,y)dλ. (2) Vikataajuuden priorijakaumaksi valitaan gammajakauma, Poisson-jakauman konjugaattipriorijakauma: f(λ; x,y) = y (λy)x 1 Γ(x) e λy, x 0, y > 0. (3) Kaavassa esiintyvä Γ( ) on gammafunktio. Gammajakauman keskiarvo ja varianssi saadaan kaavoilla E[λ] = x y (4) ja V ar[λ] = x y 2. (5) Prioriparametrit x ja y estimoidaan lähtöaineistosta erityisellä momenttimenetelmällä. Menetelmän vaiheet on esitetty yksityiskohtaisesti liitteessä A. Tässä työssä käytetään menetelmän kompromissiversiota, joka lisää aineistoon 0,5 vikatapahtumaa tietyin perustein. Edellä esitettyjen oletusten ja jakaumavalintojen pätiessä kaavalla (2) laskettu posteriorijakauma on gammajakauma f(λ i,k i +x,t i +y). Posteriorijakauman keskiarvo ja varianssi saadaan vastaavasti kuin priorijakaumalle: E[λ i ] = K i + x T i + y (6) ja V ar[λ i ] = K i + x (T i + y) 2. (7) 4.1 Loviisa 1:n palotaajuuksien estimointi Loviisa 1:n eri huonetyyppien palotaajuuksien estimaatteina käytetään edellä esitetysti laskettuja posteriorijakauman keskiarvoja. Laskennassa käytetyssä aineistossa

11 4 LASKENTAMENETELMÄ 10 Taulukko 2: Loviisa 1:n seisokkiosuuksien kestot. Seisokkiosuus Kesto (h/a) Kuumat tilat yht. 154,82 Kuumat tilat, alasajo 32,65 Kuumat tilat, ylösajo 122,17 Kylmät tilat 409,37 Koko vuosihuoltoseisokki 564,19 laitoskokemus T i on esitetty vuosina. Siten tuloksena saadaan palotaajuudet, joiden yksikkönä on palojen lukumäärä vuotta kohti. Palotaajuuksien vertailun ja PSAmallin kannalta tarpeellinen tieto on kuitenkin palotaajuus yksikkönään paloa/h. Koska maailman laitosten eri käyttötilojen pituuksista seisokissa ei ole saatavilla riittävästi tietoa, oletetaan laskennassa olevien laitosten vuosihuoltoseisokkien eri käyttötilojen pituudet keskimäärin samankaltaisiksi Loviisan laitosyksiköiden kanssa. Niiden perusteella lasketut seisokkiosuuksien kestot on esitetty taulukossa 2. Tämä saattaa tehdä palotaajuusestimaateista liian suuria, sillä Loviisan laitosyksiköiden seisokit ovat olleet keskimäärin maailman keskiarvoja lyhyempiä. Lisäksi ydinvoimalaitosten seisokkien kestoissa saattaa olla tilastollisesti merkitsevä laskeva trendi. Tuntitaajuus voidaan laskea helposti jakamalla vuositaajuus λ a kyseisen seisokkiosuuden kestolla tunteina (d): λ h = λ a d. (8)

12 5 TULOKSET 11 5 Tulokset Vuosihuoltoseisokin palotaajuudet eri seisokkiosuuksille ja redundansseille määritettiin luvun 4 menetelmän mukaisesti. Loviisa 1:n palotaajuuksien posteriorijakaumista laskettiin keskiarvot, joita käytetään palotaajuuksien estimaatteina. Taulukossa 3 on esitetty koko laitoksen palotaajuusarviot. Huonetyyppikohtaiset palotaajuusarviot on esitetty liitteessä B. Taulukko 3: Loviisa 1:n palotaajuusarviot eri seisokkiosuuksille Seisokkiosuus Paloja Palotaajuus (1/a) Palotaajuus (1/h) Kuumat tilat yht. 5 3, , Kuumat tilat, alasajo 1 3, , Kuumat tilat, ylösajo 4 3, , Kylmät tilat yht. 80 1, , Kylmät tilat käyttöred. 56 8, , Kylmät tilat huoltored. 24 5, , Koko vuosihuoltoseisokki 85 1, , Lähes kaikki palotapahtumat ovat olleet kylmissä seisokkitiloissa, ja kylmien tilojen vuositason palotaajuudet ovat selvästi kuumien tilojen palotaajuuksia suuremmat. Tuntitasolla merkittäviä eroja ei kuitenkaan ole. Mitä pienempää seisokkiosuutta lasketaan, sitä suuremmaksi palotaajuusarviot kasvavat. Esimerkiksi kuumien tilojen alasajon ja ylösajon palotaajuudet ovat suurempia kuin kaikille kuumille tiloille lasketut. Tämä johtuu aineiston vähäisyydestä, sillä käytetty kompromissimenetelmä lisää jokaiseen laskentaan 0,5 palotapahtumaa. 5.1 Epävarmuudet Palotaajuusestimaatteja laskettaessa on tehty joitakin yksinkertaistuksia ja oletuksia, jotka saattavat aiheuttaa virhettä tuloksissa. Pääosin virhelähteet kasvattavat palotaajuuksia. Laskennassa ei huomioitu mahdollista trendiä palotaajuuksissa. Kuitenkin U.S.NRC on havainnut tilastollisesti erittäin merkitsevän (p-arvo < 0,001) laskevan trendin USA:n kaupallisten ydinvoimalaitosten palotaajuuksissa vuosien aikana [8]. Taajuudet ovat laskeneet jopa n. 75 % kyseisenä aikana. Merkittävä osa käytetyn aineiston palotapahtumista on yli kahdenkymmenen vuoden

13 5 TULOKSET 12 takaa, joten trendin huomiotta jättäminen saattaa aiheuttaa arvioihin suurta konservatiivisuutta. Tätä vaikutusta saattaa pienentää aineiston karsinta, jonka ansiosta vaarattomiksi luokitellut palot on jätetty huomiotta. Joidenkin palotapahtumien osalta aineistosta ei selviä, millä laitoksella tapahtuma sattui. Tällaiset tapahtumat voivat käytetyn laskentamenetelmän vuoksi vääristää tuloksia, jos ne sijoitetaan epätasaisesti; esimerkiksi kaikki tuntemattomat palot jollekin tietylle laitokselle tai keskimääräistä lyhyemmän laitoskokemuksen omaaville laitoksille. Tätä virhettä on pyritty minimoimaan sijoittamalla tuntemattomat palot tasaisesti laitoskokemukseltaan erilaisille laitoksille. Huollossa olevan redundanssin palotapahtumien raportoinnin kattavuus on erityisen epävarmaa, joten huoltoredundanssille lasketut palotaajuudet saattavat olla liian pieniä. Toisaalta tulitöistä syttyneet ja ennen prosessilaitteille aiheutuneita vikoja sammutetut palot karsitaan laskennasta vaarattomina, joten raportoinnista ei välttämättä puutu huomioitavia palotapahtumia. Osa huollossa olevan redundanssin paloista saattaa olla kuitenkin merkittynä käytössä olevan redundanssin puolelle. 5.2 Palotaajuuksien vertailu Eri aineistoille ja käyttötiloille laskettujen palotaajuuksien vertailu on ongelmallista johtuen PREB-menetelmän tuottamista vähäisen aineiston takia voimakkaasti oikealle vinoista posteriorijakaumista. Palotaajuuden estimaattina käytetty jakauman keskiarvo poikkeaa joissakin tuloksissa huomattavasti mediaanista oikealle. Palotaajuuksien jakaumien standardipoikkeamat ovat suuria, tyypillisesti kertaisia keskiarvoon verrattuna. Estimaattien väliset erot ovat siten suhteellisen pieniä verrattuna epävarmuuksiin, eikä jakaumien vertailu pelkästään keskiarvojen perusteella ole mielekästä. Palotaajuuksien posteriorijakaumien eroja voidaan testata simuloimalla. Jos seisokkiosuuden a palotaajuus näyttäisi olevan keskimäärin pienempi kuin osuuden b, valitaan nollahypoteesiksi, että seisokkiosuuden a taajuus on yhtä suuri kuin seisokkiosuuden b palotaajuus ja vaihtoehtoiseksi hypoteesiksi, että osuuden a taajuus on pienempi. H 0 : λ a λ b (9)

14 5 TULOKSET 13 H 1 : λ a < λ b (10) Simulointi toteutetaan generoimalla a:n palotaajuuden posteriorijakaumasta satunnaislukuja ja laskemalla jokaiselle generoidulle luvulle b:n palotaajuuden posteriorijakauman kertymäfunktion arvo. Kertymäfunktion arvo kyseisessä pisteessä kertoo todennäköisyyden, jolla b:n palotaajuus on korkeintaan yhtä suuri. Kun lukuja generoidaan riittävän paljon, laskettujen todennäköisyyksien keskiarvo lähestyy todennäköisyyttä, jolla b:n jakaumasta arvottu satunnaisluku on korkeintaan yhtä suuri kuin a:n jakaumasta arvottu satunnaisluku. Simulointimenettely on siis seuraavanlainen: 1. Valitaan otoskoko n 2. Generoidaan a:n posteriorijakaumasta n satunnaislukua λ i 3. Lasketaan jokaiselle luvulle Y i = P (λ b λ i ) b:n posteriorijakauman kertymäfunktion avulla 4. Lasketaan p-arvo yksittäisten estimaattien Y i keskiarvona: p = n i=1 Y i n (11) Menetelmä toteutettiin otoskoolla n = Taulukoissa 4-6 on esitetty eri seisokkiosuuksien huonetyyppikohtaisten palotaajuuksien vertailujen p-arvoja. P-arvot on laskettu siten, että nollahypoteesina on, että ensimmäisen sarakkeen palotaajuus on suurempi. P-arvot väleiltä 0%... 5% ja 95% % ovat tilastollisesti merkitseviä käytetyllä 5% merkitsevyystasolla. Taulukosta 4 havaitaan, että ainoastaan huonetyypin TB p-arvo on tilastollisesti merkitsevä. Huomioitavaa on, että kuumien tilojen posteriorijakauman keskiarvo on suurempi, mutta jakaumasta satunnaisesti arvottu luku on n. 95,5 % todennäköisyydellä pienempi. Kuvassa 1 on esitetty kuumien ja kylmien tilojen huonetyypin TB palotaajuuksien posteriorijakaumien kertymäfunktiot. Suurin osa kuu-

15 5 TULOKSET 14 mien tilojen jakauman todennäköisyysmassasta on kylmien tilojen jakauman vasemmalla puolella. Kuumien tilojen jakauman keskiarvo on kuitenkin suurempi pitkän oikealle ulottuvan hännän ansiosta. Kuva 1: Kuumien ja kylmien tilojen huonetyypin TB posteriorijakaumien kertymäfunktiot. Kuumien tilojen alas- ja ylösajon välinen vertailu on esitetty taulukossa 5. Huomataan, että huonetyyppi TB on jälleen ainoa huonetyyppi, jossa on tilastollisesti merkitsevä ero. Tässä alasajon palotaajuusestimaatti on kuitenkin 5,6-kertainen ylösajon estimaattiin verrattuna, joten tulos on järkevä. Kylmien tilojen huollossa olevan ja normaalikäytössä olevan redundanssin palotaajuuksien vertailu on esitetty taulukossa 6. Minkään huonetyypin kohdalla ei ole tilastollisesti merkisevää eroa redundanssien välillä.

16 5 TULOKSET 15 Taulukko 4: Kuumien ja kylmien tilojen palotaajuuksien vertailu. HT Kuumien tilojen Kylmien tilojen p-arvo palotaajuus (1/h) palotaajuus (1/h) A 1, , ,0% B 1, , ,8% CT 1, , ,2% D 4, , ,9% DS 4, , ,4% E 1, , ,9% K 1, , ,3% M 8, , ,1% PCP 4, , ,1% PV 1, , ,4% Q 1, , ,0% R 1, , ,4% S 1, , ,2% T 1, , ,7% TB 6, , ,5% TG 8, , ,8% Taulukko 5: Alas- ja ylösajon kuumien tilojen palotaajuuksien vertailu HT Alasajotilojen Ylösajotilojen p-arvo palotaajuus (1/h) palotaajuus (1/h) A 5, , ,7% B 5, , ,4% CT 5, , ,6% D 2, , ,6% DS 2, , ,7% E 5, , ,6% K 5, , ,5% M 4, , ,7% PCP 1, , ,7% PV 5, , ,7% Q 5, , ,4% R 7, , ,8% S 5, , ,7% T 5, , ,3% TB 4, , ,1% TG 3, , ,8%

17 5 TULOKSET 16 Taulukko 6: Kylmien tilojen huollossa ja käytössä olevien redundanssien palotaajuuksien vertailu. HT Huoltored. Käyttöred. p-arvo palotaajuus (1/h) palotaajuus (1/h) A 7, , ,2% B 4, , ,0% CT 4, , ,8% D 2, , ,4% DS 1, , ,2% E 4, , ,2% K 4, , ,7% M 4, , ,2% PCP 1, , ,7% PV 4, , ,3% Q 4, , ,0% R 3, , ,8% S 1, , ,0% T 2, , ,1% TB 3, , ,9% TG 3, , ,0%

18 6 YHTEENVETO 17 6 Yhteenveto Tässä työssä laskettiin palotaajuusestimaatit Loviisa 1:n eri huonetyypeille, käyttötiloille ja redundansseille PSA-tarpeisiin kehitetyn PREB-menetelmän avulla. Laskennassa hyödynnettiin sekä laitoksen omaa, että muiden ydinvoimalaitosten palotapahtuma-aineistoa. Palotapahtumien harvinaisuuden johdosta estimaattien varianssit ovat suuria. Laskettujen estimaattien vertailu ei anna perusteita vaatimukselle eri palotaajuuksien käytöstä eri käyttötiloissa ja redundansseissa. Tilastollisesti merkittäviä eroja käyttötilojen välillä oli ainoastaan yhden huonetyypin kohdalla. Vuosihuoltoseisokin paloriskimallissa käytettävät palotaajuusarviot on siten johdonmukaista valita mallinnusteknisten syiden ja asiantuntija-arvioiden perusteella.

19 Lähteet 18 Lähteet [1] Valtioneuvoston päätös ydinvoimalaitosten turvallisuutta koskevista yleisistä määräyksistä, 395/1991, Saatavilla: laki/alkup/1991/ [2] IAEA International Atomic Energy Agency. WWW-sivusto, http: // [3] Jussi K. Vaurio ja Kalle E. Jänkälä. Evaluation and comparison of estimation methods for failure rates and probabilities. Reliability Engineering and System Safety, 91: , [4] Matti Lehto ja Seppo Tarkiainen. Psalo1: Pääraportti, luku 8.3: Paloriskianalyysi. Tekninen raportti, [5] Esko Markkanen. Loviisa 1 turvallisuustekniset käyttöehdot. Tekninen raportti, Fortum Power And Heat, [6] Säteilyturvakeskus. Ydinvoimalaitosohje 2.8, Saatavilla: (viitattu ). [7] U.S.NRC. Reactor Safety Study, WASH Tekninen raportti, United States Nuclear Regulatory Commission, [8] U.S.NRC. Rates of Fire Events at U.S. Nuclear Power Plants Tekninen raportti, 2004.

20 A PRIORIPARAMETRIEN MÄÄRITYS 19 A Prioriparametrien määritys PREB-menetelmän prioriparametrien määritys viitteen [3] mukaan: 1. T = n i=1 T i, w i = 1/n tai w i = T i /T, i = 1,2,...,n. 2. T = T max(t i ) 3. m = n i=1 w i K i T i ; jos m = 0, valitse pieni ɛ > 0 ja m = ɛ/t 1 4. v = 1 n n i=1 w i( K i i=1 T i m) + m T 5. u i = T i T i, i 1,2,...,n. +m/v 6. w i = u i n, j 1,2,...,n. j=1 u j 7. Toista kohdat 3 6 (paitsi jos kaikki T i ovat identtisiä) kunnes m ja v suppenevat. 8. y 0 = m/v, x 0 = m 2 /v = my 0 9. Valitse δ = 0 (optimistinen), δ = 0,5 (kompromissi) tai δ = 1 (konservatiivinen). 10. x c = x 0 + δy 0 /T, y c = y Priorimomentit: M c = m + δ/t, V c = v + δy 0 /T 12. Posterioritiheysfunktiot ovat f(λ i ; K i + x c,t i + y c ).

21 B POSTERIORIJAKAUMAPARAMETRIT 20 B Posteriorijakaumaparametrit PREB-menetelmällä lasketut posteriorijakaumien parametrit käyttötila-, redundanssija huonetyyppikohtaisesti. Kuumat tilat, alasajo: HT K i + x T i + y E[λ] σ A 0, ,65 5, , B 0, ,65 5, , CT 0, ,65 5, , D 0, ,96 2, , DS 0, ,96 2, , E 0, ,65 5, , K 0, ,65 5, , M 0, ,69 4, , PCP 0, ,36 1, , PV 0, ,65 5, , Q 0, ,65 5, , R 0, ,97 7, , S 0, ,65 5, , T 0, ,65 5, , TB 0, ,43 4, , TG 0, ,10 3, ,

22 B POSTERIORIJAKAUMAPARAMETRIT 21 Kuumat tilat, ylösajo: HT K i + x T i + y E[λ] σ A 0, ,57 1, , B 0, ,57 1, , CT 0, ,57 1, , D 0, ,55 5, , DS 0, ,55 5, , E 0, ,57 1, , K 0, ,57 1, , M 0, ,08 1, , PCP 0, ,80 4, , PV 0, ,57 1, , Q 0, ,57 1, , R 0, ,67 2, , S 0, ,41 1, , T 0, ,01 1, , TB 0, ,69 8, , TG 0, ,90 1, ,

23 B POSTERIORIJAKAUMAPARAMETRIT 22 Kuumat tilat yhteensä: HT K i + x T i + y E[λ] σ A 0, ,22 1, , B 0, ,22 1, , CT 0, ,22 1, , D 0, ,51 4, , DS 0, ,51 4, , E 0, ,22 1, , K 0, ,22 1, , M 0, ,77 8, , PCP 0, ,72 4, , PV 0, ,22 1, , Q 0, ,22 1, , R 0, ,64 1, , S 0, ,13 1, , T 0, ,11 1, , TB 0, ,89 6, , TG 0, ,00 8, ,

24 B POSTERIORIJAKAUMAPARAMETRIT 23 Kylmät tilat, huollossa oleva redundanssi: HT K i + x T i + y E[λ] σ A 0, ,88 7, , B 0, ,77 4, , CT 0, ,77 4, , D 0, ,85 2, , DS 0, ,36 1, , E 0, ,77 4, , K 0, ,77 4, , M 0, ,36 4, , PCP 0, ,40 1, , PV 0, ,77 4, , Q 0, ,77 4, , R 0, ,45 3, , S 0, ,31 1, , T 0, ,93 2, , TB 0, ,68 3, , TG 0, ,39 3, ,

25 B POSTERIORIJAKAUMAPARAMETRIT 24 Kylmät tilat, käytössä oleva redundanssi: HT K i + x T i + y E[λ] σ A 0, ,61 1, , B 0, ,77 4, , CT 0, ,54 7, , D 0, ,32 1, , DS 0, ,60 2, , E 0, ,59 1, , K 0, ,84 8, , M 0, ,89 1, , PCP 0, ,00 1, , PV 0, ,75 1, , Q 0, ,77 4, , R 0, ,53 6, , S 0, ,37 3, , T 0, ,37 1, , TB 0, ,68 3, , TG 0, ,39 3, ,

26 B POSTERIORIJAKAUMAPARAMETRIT 25 Kylmät tilat yhteensä: HT K i + x T i + y E[λ] σ A 0, ,02 1, , B 0, ,77 4, , CT 0, ,54 7, , D 0, ,61 1, , DS 0, ,60 2, , E 0, ,59 1, , K 0, ,84 8, , M 0, ,75 1, , PCP 0, ,00 1, , PV 0, ,75 1, , Q 0, ,77 4, , R 0, ,71 3, , S 0, ,82 4, , T 0, ,71 3, , TB 0, ,68 3, , TG 0, ,39 3, ,

27 B POSTERIORIJAKAUMAPARAMETRIT 26 Vuosihuoltoseisokki yhteensä: HT K i + x T i + y E[λ] σ A 0, ,45 1, , B 0, ,99 2, , CT 0, ,82 5, , D 0, ,58 9, , DS 0, ,75 1, , E 0, ,81 1, , K 0, ,44 5, , M 0, ,30 1, , PCP 0, ,43 1, , PV 0, ,93 9, , Q 0, ,99 2, , R 0, ,45 2, , S 0, ,04 3, , T 0, ,20 2, , TB 0, ,60 1, , TG 0, ,39 2, ,

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

Gripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta

Gripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta MS-A00 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta 7.. Gripenberg Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot ja minkä kokeen suoritat! Laskin,

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

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

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

Lisätiedot

Mat sovelletun matematiikan erikoistyö Sääalkutapahtumien arviointi korjausseisokin riskimallissa

Mat sovelletun matematiikan erikoistyö Sääalkutapahtumien arviointi korjausseisokin riskimallissa Mat-2.108 sovelletun matematiikan erikoistyö Sääalkutapahtumien arviointi korjausseisokin riskimallissa Toivo Kivirinta 52663S Teknillisen fysiikan ja matematiikan osasto 19. marraskuuta 2004 1 Johdanto

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

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Frekventistiset vs. bayeslaiset menetelmät Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

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

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

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

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo

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

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

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

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

T Luonnollisten kielten tilastollinen käsittely

T 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:

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

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

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

5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3

5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3 Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Verkot todennäköisyyslaskennassa Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut Kertymäfunktio, Momentit, Odotusarvo,

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

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

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

Oletetun onnettomuuden laajennus, ryhmä A

Oletetun onnettomuuden laajennus, ryhmä A MUISTIO 1 (4) 06.04.2009 YDINVOIMALAITOKSEN OLETETTUJEN ONNETTOMUUKSIEN LAAJENNUS Ydinvoimalaitoksen turvallisuutta koskevan valtioneuvoston asetuksen (733/2008) 14 kolmannen momentin mukaan onnettomuuksien

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

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

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

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

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

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

Todennäköisyyden ominaisuuksia

Todennäköisyyden ominaisuuksia Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset

Lisätiedot

TODENNÄKÖISYYSPOHJAISET TURVALLISUUSANALYYSIT (PSA) YDINVOIMALAITOSTEN TURVALLISUUDEN HALLINNASSA

TODENNÄKÖISYYSPOHJAISET TURVALLISUUSANALYYSIT (PSA) YDINVOIMALAITOSTEN TURVALLISUUDEN HALLINNASSA TODENNÄKÖISYYSPOHJAISET TURVALLISUUSANALYYSIT (PSA) YDINVOIMALAITOSTEN TURVALLISUUDEN HALLINNASSA 1 YLEISTÄ 3 2 PSA YDINVOIMALAITOSTEN SUUNNITTELUN JA RAKENTAMISEN AIKANA 3 2.1 Todennäköisyyspohjaiset

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

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

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

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

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

Moniulotteisia todennäköisyysjakaumia

Moniulotteisia todennäköisyysjakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen

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

Järvitesti Ympäristöteknologia T571SA 7.5.2013

Järvitesti Ympäristöteknologia T571SA 7.5.2013 Hans Laihia Mika Tuukkanen 1 LASKENNALLISET JA TILASTOLLISET MENETELMÄT Järvitesti Ympäristöteknologia T571SA 7.5.2013 Sarkola Eino JÄRVITESTI Johdanto Järvien kuntoa tutkitaan monenlaisilla eri menetelmillä.

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

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

1. Tutkitaan regressiomallia Y i = β 0 + β 1 X i + u i ja oletetaan, että tavanomaiset

1. Tutkitaan regressiomallia Y i = β 0 + β 1 X i + u i ja oletetaan, että tavanomaiset TA7, Ekonometrian johdantokurssi HARJOITUS 7 RATKAISUEHDOTUKSET 16.3.2015 1. Tutkitaan regressiomallia Y i = β 0 + X i + u i ja oletetaan, että tavanomaiset regressiomallin oletukset pätevät (Key Concept

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

Ydinvoimalaitoksen turvatärkeiden laitteiden korjausajan mallinnus

Ydinvoimalaitoksen turvatärkeiden laitteiden korjausajan mallinnus TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.8 Sovelletun matematiikan erikoistyö Ydinvoimalaitoksen turvatärkeiden laitteiden korjausajan mallinnus Sami Sirén 5762R Espoo,. huhtikuuta 27

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

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen

Lisätiedot

805306A Johdatus monimuuttujamenetelmiin, 5 op

805306A Johdatus monimuuttujamenetelmiin, 5 op monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Logistinen regressioanalyysi Vastemuuttuja Y on luokiteltu muuttuja Pyritään mallittamaan havaintoyksikön todennäköisyyttä kuulua

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi

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

Turvallisuudelle tärkeiden laitteiden koestusten merkitys vikojen havaitsemisessa (Valmis työ)

Turvallisuudelle tärkeiden laitteiden koestusten merkitys vikojen havaitsemisessa (Valmis työ) Turvallisuudelle tärkeiden laitteiden koestusten merkitys vikojen havaitsemisessa (Valmis työ) Raul Kleinberg 12.3.2012 Ohjaaja: Suunnittelupäällikkö Kalle Jänkälä Valvoja: Prof. Ahti Salo Työn saa tallentaa

Lisätiedot

STUK-YVL 2.6 YDINLAITOSTEN RISKIEN HALLINTA

STUK-YVL 2.6 YDINLAITOSTEN RISKIEN HALLINTA 1 LUONNOS 2 (22.8.2007) STUK-YVL 2.6 YDINLAITOSTEN RISKIEN HALLINTA 1. Johdanto 2.6-1.0. Osana ydinturvallisuuteen liittyvää riskien hallintaa ydinlaitoksille laaditaan todennäköisyyspohjainen riskianalyysi

Lisätiedot

Ydinvoimalaitoksen käyttöönotto ja käyttö

Ydinvoimalaitoksen käyttöönotto ja käyttö Ydinvoimalaitoksen käyttöönotto ja käyttö Teemailta Pyhäjoki, Tero Jännes Projektipäällikkö 1 Yleistä käyttöönotosta YVL-ohje 2.5 Ydinvoimalaitoksen käyttöönotto Ydinvoimalaitoksen käyttöönotolla tarkoitetaan

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

Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1

Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (004) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden

Lisätiedot

P (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.

P (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx. Yhteenveto: Satunnaisvektorit ovat kuvauksia tn-avaruudelta seillaiselle avaruudelle, johon sisältyy satunnaisvektorin kaikki mahdolliset reaalisaatiot. Satunnaisvektorin realisaatio eli otos on jokin

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

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen

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

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

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä

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

Mittaustulosten tilastollinen käsittely

Mittaustulosten tilastollinen käsittely Mittaustulosten tilastollinen käsittely n kertaa toistetun mittauksen tulos lasketaan aritmeettisena keskiarvona n 1 x = x i n i= 1 Mittaustuloksen hajonnasta aiheutuvaa epävarmuutta kuvaa keskiarvon keskivirhe

Lisätiedot

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä

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

3. laskuharjoituskierros, vko 6, ratkaisut

3. laskuharjoituskierros, vko 6, ratkaisut Mat-.9 Sovellettu todennäköisyyslasku, kevät - eliövaara, Palo, Mellin. laskuharjoituskierros, vko 6, ratkaisut D. Uurnassa A on 4 valkoista ja 6 mustaa kuulaa ja uurnassa B on 6 valkoista ja 4 mustaa

Lisätiedot

Teema 8: Parametrien estimointi ja luottamusvälit

Teema 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.

Lisätiedot

Kohdassa on käytetty eksponentiaalijakauman kertymäfunktiota (P(t > T τ ) = 1 P(t T τ ). λe λτ e λ(t τ) e 3λT dτ.

Kohdassa on käytetty eksponentiaalijakauman kertymäfunktiota (P(t > T τ ) = 1 P(t T τ ). λe λτ e λ(t τ) e 3λT dτ. 25.2.215 1. Autossa on 4 rengasta ja 1 vararengas (T i Exp(λ), [λ] = 1/km, i=1,...,5). Kulkeakseen auto tarvitsee 4 ehjää rengasta. Aluksi auto käyttää neljää alkuperäistä rengasta. Kun yksi näistä vikaantuu,

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

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien

Lisätiedot

Sovellettu todennäköisyslasku

Sovellettu todennäköisyslasku Sovellettu todennäköisyslasku Työpäiväkirja 16.12.2001 Espoo Teknillinen korkeakoulu Systeemianalyysin laboratorio Jussi Matti Aleksi Jokelainen jussi.jokelainen@hut.fi Opiskelijanumero 123456A Sovellettu

Lisätiedot

30A02000 Tilastotieteen perusteet

30A02000 Tilastotieteen perusteet 30A02000 Tilastotieteen perusteet Kertaus 1. välikokeeseen Lauri Viitasaari Tieto- ja palvelujohtamisen laitos Kauppatieteiden korkeakoulu Aalto-yliopisto Syksy 2019 Periodi I-II Sisältö Välikokeesta Joukko-oppi

Lisätiedot

r = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.

r = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit. A. r = 0. n = Tilastollista testausta varten määritetään aluksi hypoteesit. H 0 : Korrelaatiokerroin on nolla. H : Korrelaatiokerroin on nollasta poikkeava. Tarkastetaan oletukset: - Kirjoittavat väittävät

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

Testit laatueroasteikollisille muuttujille

Testit laatueroasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten

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

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

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

Tehtävät. 1. Ratkaistava epäyhtälöt. a) 2(4 x) < 12, b) 5(x 2 4x + 3) < 0, c) 3 2x 4 > 6. 1/10. Sukunimi (painokirjaimin)

Tehtävät. 1. Ratkaistava epäyhtälöt. a) 2(4 x) < 12, b) 5(x 2 4x + 3) < 0, c) 3 2x 4 > 6. 1/10. Sukunimi (painokirjaimin) 1/10 Tehtävä 1 2 3 4 5 6 7 8 9 10 Yhteensä Pisteet (tarkastaja merkitsee) Kokeessa on kymmenen tehtävää, joista jokainen on erillisellä paperilla. Jokaisen tehtävän maksimipistemäärä on 6 pistettä. Ratkaise

Lisätiedot

Todennäköisyyspohjaisen paloanalyysimenetelmän kehittäminen ydinvoimalaitoksella

Todennäköisyyspohjaisen paloanalyysimenetelmän kehittäminen ydinvoimalaitoksella Lappeenrannan teknillinen yliopisto Energia- ja ympäristötekniikan osasto Todennäköisyyspohjaisen paloanalyysimenetelmän kehittäminen ydinvoimalaitoksella Diplomityön aihe on hyväksytty Energia- ja ympäristötekniikan

Lisätiedot

Normaalijakaumasta johdettuja jakaumia

Normaalijakaumasta johdettuja jakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2007) 1 Normaalijakaumasta johdettuja jakaumia >> Johdanto χ 2 -jakauma F-jakauma

Lisätiedot

Aalto-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, Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi, kesä 2016 Laskuharjoitus 5, Kotitehtävien palautus laskuharjoitusten

Lisätiedot

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme? TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä

Lisätiedot

Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi,

Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi, Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi, kesä 017 Laskuharjoitus 4, Kotitehtävien palautus Mycourses:iin PDF-tiedostona

Lisätiedot

Regressioanalyysi. Kuusinen/Heliövaara 1

Regressioanalyysi. Kuusinen/Heliövaara 1 Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin

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

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

Todennäköisyyspohjaisen turvallisuusanalyysin käyttö viranomaistyön tukena

Todennäköisyyspohjaisen turvallisuusanalyysin käyttö viranomaistyön tukena 77 ^w STUK-YTO-TR 94 Todennäköisyyspohjaisen turvallisuusanalyysin käyttö viranomaistyön tukena Ari Julin MARRASKUU 1995 Strälsäkerhetscentralen Finnish Centre for Radiation and Nuclear Safety 7112. STUK-YTO-TR94

Lisätiedot

Luku 10. Bayesläiset estimaattorit Bayesläiset piste-estimaatit. Lasse Leskelä Aalto-yliopisto 18. lokakuuta 2017

Luku 10. Bayesläiset estimaattorit Bayesläiset piste-estimaatit. Lasse Leskelä Aalto-yliopisto 18. lokakuuta 2017 Luku 1 Bayesläiset estimaattorit Lasse Leskelä Aalto-yliopisto 18. lokakuuta 217 1.1 Bayesläiset piste-estimaatit Tarkastellaan datalähdettä, joka tuottaa tiheysfunktion f(x θ) mukaan jakautuneita riippumattomia

Lisätiedot

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla? 6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.

Lisätiedot

6. laskuharjoitusten vastaukset (viikot 10 11)

6. laskuharjoitusten vastaukset (viikot 10 11) 6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy

Lisätiedot

Johdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1

Johdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2004) 1 Testit laatueroasteikollisille muuttujille Laatueroasteikollisten muuttujien testit Testi suhteelliselle

Lisätiedot

Mikrotila Makrotila Statistinen paino Ω(n) 3 Ω(3) = 4 2 Ω(2) = 6 4 Ω(4) = 1

Mikrotila Makrotila Statistinen paino Ω(n) 3 Ω(3) = 4 2 Ω(2) = 6 4 Ω(4) = 1 76628A Termofysiikka Harjoitus no. 4, ratkaisut (syyslukukausi 204). (a) Systeemi koostuu neljästä identtisestä spin- -hiukkasesta. Merkitään ylöspäin olevien spinien lukumäärää n:llä. Systeemin mahdolliset

Lisätiedot

Keskipakopumppujen yhteisvikataajuuksien arviointi

Keskipakopumppujen yhteisvikataajuuksien arviointi TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.108 Sovelletun matematiikan erikoistyö Keskipakopumppujen yhteisvikataajuuksien arviointi Juho Helander 63646T Espoo, 27. marraskuuta 2007 Sisältö

Lisätiedot

4. laskuharjoituskierros, vko 7, ratkaisut

4. laskuharjoituskierros, vko 7, ratkaisut 4. laskuharjoituskierros, vko 7, ratkaisut D1. Kone valmistaa kuulalaakerin kuulia, joiden halkaisija vaihtelee satunnaisesti. Halkaisijan on oltava tiettyjen rajojen sisällä, jotta kuula olisi käyttökelpoinen.

Lisätiedot

Palo-osastoinnin luotettavuuden laskennallinen arviointi

Palo-osastoinnin luotettavuuden laskennallinen arviointi Palo-osastoinnin luotettavuuden laskennallinen arviointi Simo Hostikka Aalto-yliopisto Terhi Kling, Antti Paajanen, Anna Matala Teknologian tutkimuskeskus VTT Oy Palotutkimuksen päivät 2015 Johdanto Palo-osastointi

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