Luento 2 Riskien arvioinnista
|
|
- Päivi Pääkkönen
- 5 vuotta sitten
- Katselukertoja:
Transkriptio
1 Luento 2 Riskien arvioinnista Jan-Erik Holmberg Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, Aalto jan-erik.holmberg@riskpilot.fi jan-erik.holmberg@aalto.fi 1
2 Termistöä Vaara/Uhka (engl. hazard) Tarkoittaa ei-toivotun seuraamuksen (tappion, vahingon) toteutumisen mahdollisuutta Ei ota kantaa mahdollisuuden todennäköisyyteen» Esim. ydinvoimaonnettomuuden säteilypäästö (ilman lisätäsmenteitä) on tässä mielessä vaara Riski Täsmentää tappion lisäksi myös sen todennäköisyyden (tn), jolla vaara toteutuu» Esim. sellaisenaan samansuuruiset ympäristövaikutukset aiheuttavat laitokset ovat riskiltään erilaisia riippuen siitä, miten niissä on alennettu näiden vaikutusten toteutumisen tn:ää Huomioita Termistön käyttö osin epäyhtenäistä Riskiin sisältyy myös tappioiden suuruus Terveysriskien arvioinnissa kuvataan usein altistumisesta aiheutuvat seuraamukset (dose-response, annos-reaktio)» Esim. syöpäkuolleisuus per säteilyannos Teknisten järjestelmien toimimattomuus voi aiheuttaa hyvin erilaisia riskejä» Ml. ympäristö-, talous-, terveys- jne. riskit Pyrkimyksenä järjestelmien tarkoituksenmukainen suunnittelu ja ylläpito, ei numerot sinänsä! 2
3 Riskien arviointi (1/2) Peruskysymykset Mikä voi mennä vikaan? Miten todennäköistä tämä on? Mitä vikaanmenosta voi seurata? Periaate Lähdetään alkutapahtumista (initiating events), jotka voivat haitata järjestelmän toimintaa» Helsinkiin sataa paljon lunta Tunnistetaan ne (jatko)tapahtumat, jotka voivat johtaa haitallisiin seuraamuksiin Rautatievaihteet eivät toimi Junat myöhastyvät Opiskelijat eivät ehdi luennolle Oppiminen jää vähäisemmäksi Työelämässä riskienhallinta heikompaa Riskienhallinta pettää ja tulee onnettomuuksia (seuraamukset riskejä eri tahojen kannalta VR vs Aalto) Arvioidaan näiden määrittyvien uhkaskenaarioiden todennäköisyydet sekä haitallisten seuraamusten suuruudet Ideaali Tunnistetaan kaikki skenaariot, lasketaan näiden todennäköisyydet ja rakennetaan kokonaisvaltainen riskikuva Käytännössä utopistinen tavoite Kaikkea ei voi tietää tietämättömyys 3
4 Epävarmuudet ja tietämättömyys 4
5 Tietämättömyyden taksonomia Ayyub, Fig
6 Riskien arviointi (2/2) Teknisten järjestelmien riskeistä Vaarojen tunnistaminen» Vaara = tilanne, joka voi antaa edellytyksiä riskin toteutumiselle» Lähtökohtana usein alkutapahtumat (kemialliset, biologiset, mekaaniset, jne.) Järjestelmän rajojen tunnistaminen» Kantavuus, kestävyys, taipuisuus jne. Rajoihin kohdistuvien kuormitusten tunnistaminen» Paine, kuumuus, kiihtyvyys, jne. Rajojen pettämismahdollisuuksien arviointi» Kuluminen, jne. Seuraamusvaikusten arviointi» Vaikutukset ihmisiin, ympäristöön, talouteen, jne. Haasteita Miten huomioida se, että alkutapahtumat voivat esiintyä yhtäaikaa tai peräkkäin? Miten arvioida vain osittain toimivan järjestelmän suoritusrajoja? Miten pystytään ottamaan huomioon seuraamusten kontekstisidonnaisuus? (esim. talvi- vs. kesäolosuhteet) Miten rinnastaa erilaisia seuraamusvaikutuksia? (esim. henkilö-, materiaali- ja ympäristövahingot) 6
7 Riskienhallinta Riskienhallinta koostuu toimista, joilla estetään, rajataan ja minimoidaan vaaroille altistumisesta aiheutuvia tappioita määrittelemällä, vertaamalla, valitsemalla ja panemalla täytäntöön toimenpiteitä huomioonottaen päätöksentekijöiden ja sidosryhmien arvostukset, teknologiset ja taloudelliset reunaehdot sekä lainsäädännölliset ja poliittiset näkökohdat Näkökulmia Monia menetelmiä (mm. kustannushyötyanalyysi, elinkaarianalyysi, monikriteerinen päätöksenteko) 80:20 sääntö pätee monessa tilanteessa 80% riskeistä johtuu 20% uhkaskenaarioista Riskienhallintatoimenpiteiden ideointi on luova prosessi» Aivoriihet, vertailut (benchmarkkaus) Vaihtoehtoisia strategioita» Välttäminen - Esim. kotona pysyminen» Suojautuminen - Esim. turvavyöt» Vähentäminen - Esim. nopeusrajoitukset Riskienhallinnan oltava jatkuvaa Tiedon hankinta, koostaminen, analysointi, tulkinta, johtopäätösten päivitys - tuorein analyysi on usein paras Tukeuduttava monipuolisesti eri tietolähteisiin Tiivis vuoropuhelu ja päätöksentekijöiden kanssa 7
8 Suorituskyvyn arvioinnista Suorituskyky Tarkoittaa järjestelmän kykyä suoriutua sille tarkoitetuista tehtävistä kaikkina ajankohtina Huomioita» Voidaan luonnehtia kvalitatiivisesti tai kvantitatiivisesti» Ei ole kvantitatiivisesssa mielessä deterministinen, riippuu toimintaympäristön asettamista vaatimuksista suoritusominaisuuksista Järjestelmä on suorituskykyinen, jos toimintaympäristön asettavat vaatimukset eivät ylitä sen suoritusominaisuuksia 8
9 Suorituskyvyn ulottuvuuksia Suoritustaso (engl. capability) Täsmentää, miten todennäköisesti järjestelmän suoritusominaisuudet (eng. capacity) vastaavat järjestelmään kohdistuvia vaatimuksia siten, että järjestelmä saavuttaa sille asetetut tavoitteet» Vrt. junaliikenteen suoritustaso max 5 min myöhästys» Jos vaatimukset ylittävät suoritustason, tavoitteita ei saavuteta Tehokkuus (engl. efficiency) Kuvastaa, miten tehokkaasti järjestelmä muuntaa käytetyt panokset tavoitteiden saavuttamiseksi» Järjestelmä on tehoton, jos se käyttää enemmän raakaaineita, materiaaleja tms. panoksia kuin vaihtoehtoiset suorituskykyiset järjestelmät Tehokkuus yksi vaihtoehtoisten järjestelmien arviointiperuste Käytettävyys (engl. availability) Täsmentää, miten todennäköisesti järjestelmä pystyy täyttämään sille asetetut tavoitteet eri ajanhetkinä 9
10 Suorituskyky ja riskien arviointi 10
11 Riskien arviointi 11
12 12
13 Riskiarvioinnin vaiheet (1/2) Vaarojen (uhkien) tunnistaminen Luonnonolosuhteista johtuvat Inhimillisistä järjestelmistä aiheutuvat Erottelu osin keinotekoinen (ks. seur.taulukko 2.2) Force majeur-tekijöitä ei kovin usein käsitellä» Näiden suhteen ei kuitenkaan voitaisi mitään tehdä» Esim. asteroidit liikenneriskien kannalta Esteiden tunnistaminen Esteet poistavat, estävät, rajoittavat ja vähentävät vaaroja, muuntavat näitä tai ennakoivat niiden toteutumista Esteet voivat olla joko» Aktiivisia (so. nimenomaisesti esteeksi suunniteltuja) (vrt. tulvapatojen rakentaminen)» Passiivisia (so. esteinä muista syistä toimivia) (vrt. tulvia ehkäisevien suomaastojen säilyttäminen) Samaa vaaraa voi estää yksi tai useampia esteitä Syvyyspuolustus ( defence-in-depth ): jos yksi este pettää, niin muita jää jäljelle Esteiden suorituskyvyn arviointi Vaara toteutuu, jos esteet pettävät tai vaatimukset ylittävät niiden suorituskyvyn Tällöin seurauksena vaaralle altistaminen 13
14 14
15 Riskianalyysin vaiheet (2/2) Altistumisen arviointi Määrittää, missä määrin henkilöt, tuotantovälineet, luonto ja muu ympäristö jne. altistuvat, jos järjestelmä pettää Kvalitatiisessa riskien arvioinnissa usein karkeita suuruusluokka-arvioita Kvantitatiivisessa riskien arvioinnissa altistuminen arvioidaan tarkemmin ja esitetään numeroin» Esim. miten paljon haitallisia ainesosia pääsee luontoon? Riskivaikutusten kuvaus Täsmentää, miten altistuminen johtaa haitallisiin seuraamuksiin» Esim. kuinka moni henkilö altistuu, mitä on kunkin altistumisen määrä, mitä vaikutuksia altistumisella on yksilö- ja kokonaistasolla» Annosvastemallit (STUK): Yhden sievertin säteilyannos aiheuttaa väestössä keskimäärin 5 % ylimääräisen syöpäkuoleman riskin. Jos ihmistä saa kukin 10 millisievertin annoksen, tästä voi aiheutua ajan mittaan viisi ylimääräistä syöpäkuolema Ulkoisen säteilyn annosnopeus on normaalioloissa noin 0,1 0,2 µsv tunnissa. Kymmenessä tunnissa saamme täten 1 mikrosievertin (miljoonasosasievertin) säteilyannoksen. 15
16 Esimerkkejä Matematiikan ja systeemianalyysin junaliikenteestä laitos Lähde: Ratahallintokeskus 16
17 Riskien arviointi prosessina Peruskysymykset Mitkä kehityskulut voivat aiheuttaa vaaroja? Miten todennäköisiä nämä ovat? Mitä seuraamuksia voidaan odottaa tapahtuvan, jos vaara toteutuu? Riskien arviointiprosessi Täsmennetään vaaraskenaariot Estimoidaan kunkin todennäköisyys Arvioidaan vahingon määrä kussakin skenaariossa Riski voidaan määritellä kolmikkona R = S i, P i, C i, i = 1,, n missä S i = i:s vaaraskenaario P i = i:nnen skenaarion todennäköisyys C i = vahingon suuruus ko. skenaariossa Huomioita Skenaarioiden määrittelyssä pyrittävä kattavuuteen» Muuten riskiarvio jää alakanttiin usein haetaan konservatiivisia riskiarvioita, jotka ovat yläkanttiin Eri skenaarioiden sisällä vahingot eivät deterministiä Eli laaditaanko vähän yleisluontoisia skenaarioita vai paljon paremmin täsmennettyjä?» Haettavat tarkoituksenmukainen tasapaino 17
18 Tilastollinen aggregointi Riskien aggregointi R = f i c i, i missä f i = i:nnen skenaarion tilastollinen frekvenssi c i = odotettu tappio ko. skenaariossa Verrataan kahta tapausta Suuronnettomuus» Toteutuu todennäköisyydellä 1x10-6 / vuosi» Odotusarvoinen tappio 1x10 6 henkilön kuolema Pienonnettomuus» Toteutuu todennäköisyydellä 0,1/ vuosi» Odotusarvoinen tappio 10 henkilön kuolema Aggregoidut riskit yhtä suuria, koska (1x10-6 )x(1x10 6 )=(0,10)x(10)=1» Kummankin riski siis 1 kuolema/vuosi Ei vastaa intuitiivista riskikäsitystä» Suuria riskejä halutaan tyypillisesti välttää» Yksilöt ja yhteisöt usein riskipakoisia 18
19 Farmerin käyrä Tulkinta Liittää kuhunkin tappiotasoon todennäköisyyden, jolla päädytään tätä tasoa suurempaan tappioon P(C>c) c 19
20 Farmerin käyriä (1/2) 20
21 Farmerin käyriä (2/2) 21
22 Esimerkki Farmerin käyristä (1/2) Lähtökohtia Laitostyyppi hajoaa todennäköisyydellä p = 0,1 Hajotessaan laitos aiheuttaa 10 henkilön kuoleman Lasketaan riskiprofiilit, kun laitoksia n = 1,2,5,10 kpl Binomijakauma Jos laitoksia n, niin niistä hajoaa täsmälleen x kpl todennäköisyydellä P X = x; n = n x px (1 p) n x, 0 x n Esimerkiksi jos n = 3, x = 1, niin P X = 1; 3 = 3 1 0,11 (1 0,1) 2 = 3! 2! 1! 0,1 0,92 0,243 Enintään x laitosta hajoaa todennäköisyydellä P X x; n = i x n i p i (1 p) n i 22
23 Probabilities Probabilities Probabilities Aalto-yliopiston perustieteiden korkeakoulu Esimerkki Farmerin käyristä (1/2) Todennäköisyys sille, että kuolemia tulee yli c kpl on komplementtitapaus sille, että enintään c/10 laitosta hajoaa n F n c = 1 p i i (1 p) n i i c/10 1,000 Prob distributions 0,800 0,600 0,400 0,200 0, Casualties n=1 n=2 n=5 n=10 1,000 0,800 0,600 0,400 0,200 Cumulative probabilities n=1 n=2 n=5 n=10 Farmers curves 0, ,700 0,600 0,500 0,400 0,300 0,200 0,100 0, n=1 n=2 n=5 n=10 Casualties Casualties 23
24 Todennäköisyystulkinnat (1/2) Subjektiivinen todennäköisyys Kuvastaa kaiken käytettävissä olevan tietämyksen varaan perustuvaa näkemystä siitä, miten mahdollisena tapahtuman toteutumista pidetään Näkökohtia» Kaikkea tietämystä vaikea hankkia» Näkemykset voi poiketa toisistaan tai olla ristiriitaisia» Näkemykset päivitettävissä Bayesin kaavalla P H E = P E H P(H) P(E),» missä P(H) = Hypoteesin a priori tn P(E) = Evidenssin saamisen tn P(H E) = Hypoteesin posteriori tn Todennäköisyydet riskianalyysissä Ilmiöt monesti harvinaisia eivätkä toistettavissa Sovelletaan usein subjektiivisia todennäköisyyksiä Hyödynnetään käytettävissä olevia ja relevantteja tilastoja 24
25 Todennäköisyystulkinnat (2/2) Frekventistinen tulkinta Todennäköisyys on raja-arvo, joka saadaan tarkastelemalla tilastollisesti äärettömän isoksi kasvavaa aineistoa Esim. kruunan (eng. head) todennäköisyys saadaan rajaarvona sarjasta P H = N H N, N, jossa kolikkoa heitetään äärettömän monesti ja jossa N = kaikkien heittojen määrä ja N H = saatujen klaavojen määrä Näkökohtia Reaali-ilmiöillä riittäviä toistoja ei voida tehdä» Mahdotonta, liian kallista, liian hidasta» Esim. tuotannonohjaus, koronnostot, suojavallit Toistot eivät tapahdu identtisissä olosuhteissa Tilastot antavat kuitenkin tukea muille analyyseille 25
26 Tilastoperustainen riskien arviointi Frekvenssipohjainen yhdistely Jos tiedetään,» mitkä ovat odotusarvoiset vahingot vaaratilanteissa ja» miten usein vaaratilanteita toteutuu, niin riskiarvioita voidaan tuottaa näiden tietojen pohjalta Esim. USA:n liikennekuolemat USA:ssa on tilastojen valossa 15 miljoonaa liikenneonnettomuutta vuodessa siten, että 1 henkilö kuolee 300 onnettomuutta kohtia. Liikennekuolemien riskiä voidaan täten kuvata luvulla onnettomuus vuosi = kuollutta vuosi 1 kuollutta 300 onnettomuus Huom! Tapahtumia oltava tarpeeksi paljon tilastollisesti muuten luottamusvälit ovat isoja» Vrt. suurten lukujen laki ennuste tarkentuu Tämä tulos varmaan saatavissa tilastoista suoraan Näkökulmana kansakunnan taso ei yksilön» Millä tn:llä yksi nimenomainen henkilö kuolee?» Miten ajotottumukset jne. vaikuttavat? 26
27 Esimerkkejä Salmonella Toiseksi yleisin ruokamyrkytyksen aiheuttaja» Esiintyy kananmunissa, pastöroimattomassa maidossa, lihassa jne. Tilastotietoja USAsta» 19 sairastumista per miljoona syötyä kananmunaa» 710 kuolemaa per miljoona sairastumista» 47 miljardia syötyä kananmunaa» $400 taloudellinen tappio per sairastapaus Mitkä ovat salmonellan odotusarvoiset tappiot (kuolemantapaukset, taloudelliset menetykset)?» sairastumisia 47x10 9 /(1x10 6 )x19= kpl» kuolemia x(710/1x10 6 ) = 634 kpl» taloudelliset tappiot x $ 400 = $ Autokolarit Tilastotietoja USA:sta v. 2003» väkiluku 250 miljoonaa» 6,3 miljoonaa kolaria» 1 loukkaantunut per 3 kolaria» 1 kuolemantapaus per 165 kolaria» kuolemaan johtaneen kolarin odotusarvoiset tappiot $ kuolemasta ja $ omaisuudesta» loukkaantumiseen johtaneen kolarin vastaavasti $ loukkaantumisesta ja $ omaisuudesta» muista kolareista $3 000 omaisuudesta Mitkä ovat kolareista aiheutuvat taloudelliset tappiot? 27
28 Autokolarit (jatkoa) 10-2 Lähde: Liikenneonnettomuudet maanteillä vuonna 2011, Liikenneviraston tilastoja 7/12. 28
29 Riskin mittaamisesta Riskitaso suhteutettava asteikkoon Ajokilometriä kohden suhteutettu riski vähentynyt tätäkin enemmän (lähde: Tiehallinto) 29
30 30
31 31
32 Liikennekuolemien tiheys päätieverkolla, TARVA-ohjelmalla laskettu nykytilan ennuste (vuosien tiedot) 32
33 33
34 34
35 /Tieliikenneonnettomuudet_2011.pdf 35
36 36
37 37
Luento 2 Riskien arvioinnista
Luento 2 Riskien arvioinnista Ahti Salo Teknillinen korkeakoulu PL 1100, 02015 TKK 1 Termistöä Vaara (engl. hazard) Tarkoittaa ei-toivotun seuraamuksen (tappion, vahingon) toteutumisen mahdollisuutta Ei
LisätiedotLuento 3 Riskien arvioinnista
Luento 3 Riskien arvioinnista Jan-Erik Holmberg Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto jan-erik.holmberg@riskpilot.fi 1 Termistöä Vaara (engl. hazard)
LisätiedotLuento 2 Riskien arvioinnista
Luento 2 Riskien arvioinnista Ahti Salo Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto ahti.salo@aalto.fi 1 Termistöä Vaara (engl. hazard) Tarkoittaa ei-toivotun
LisätiedotMS-E2117 Riskianalyysi (5 op) 2019
MS-E2117 Riskianalyysi (5 op) 2019 Jan-Erik Holmberg Systeemianalyysin laboratorio PL 11100, 00076 Aalto jan-erik.holmberg@aalto.fi 1 2 Lähtökohtia Taustaa Riskienhallinta on tärkeää» Talous-, ympäristö-,
LisätiedotMat Riskianalyysi (5 op)
Mat-2.3117 Riskianalyysi (5 op) sl-2007 Ahti Salo Teknillinen korkeakoulu PL 1100, 02015 TKK 1 Lähtökohtia Taustaa Riskienhallinta on entistäkin tärkeämpää» Talous-, ympäristö-, terveysriskit osin kasvaneet»
LisätiedotLuento 3 Riskien kvalitatiivinen arviointi PSA:n pääpiirteet Vikapuuanalyysi
Luento 3 Riskien kvalitatiivinen arviointi PSA:n pääpiirteet Vikapuuanalyysi Ahti Salo Teknillinen korkeakoulu PL 1100, 02015 TKK 1 Esimerkki Farmerin käyristä (1/2) Lähtökohtia Laitostyyppi hajoaa todennäköisyydellä
LisätiedotMS-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
Lisätiedot0.08 bussimatkustajaa. 0.92 ei-bussimatkustajaa
141216 1 Riski R f C (a) Tarkastellaan kuolemaan johtaneita onnettomuuksia f bussi 13 onnettomuutta f muut 13 onnettomuutta 3 tulipalokuolemaa onnettomus 3 tulipalokuolemaa onnettomus 8 bussimatkustajaa
LisätiedotMS-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
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotLuento 10 Kustannushyötyanalyysi
Luento 10 Kustannushyötyanalyysi Ahti Salo Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto ahti.salo@aalto.fi 1 Päätösanalyysistä Päätöksenteon teoriat Deskriptiiviset
LisätiedotMS-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
LisätiedotHY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I
HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I Tehtävä 1 on klassikko. 1. Tässä tehtävässä tapahtumat A ja B eivät välttämättä
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 6A Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotSuotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä
Todennäköisyys 1 Klassinen todennäköisyys: p = Suotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä Esimerkkejä: Nopan heitto, kolikon heitto Satunnaismuuttuja Tilastollisesti vaihtelevaa
LisätiedotLuento 6 Yhteisvikojen analyysi PSA:n sovelluksia
Luento 6 Yhteisvikojen analyysi PSA:n sovelluksia Jan-Erik Holmberg Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto jan-erik.holmberg@riskpilot.fi 1 Katkosjoukkojen
LisätiedotProjektin riskit, mahdollisuudet ja niiden hallinta
Projektin riskit, mahdollisuudet ja niiden hallinta TU-C3010 Projektien suunnittelu ja ohjaus Aalto-yliopisto, Perustieteiden korkeakoulu, Tuotantotalous 9.8.2017 Jere Lehtinen Agenda Teeman jälkeen opiskelija
LisätiedotMS-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
LisätiedotKvantitatiivinen riski Määrittäminen ja hyväksyttävyys
TEKNOLOGIAN TUTKIMUSKESKUS VTT OY Kuvapaikka (ei kehyksiä kuviin) Kvantitatiivinen riski Määrittäminen ja hyväksyttävyys Palotutkimuksen päivät 30.8.2017 Terhi Kling Esitelmän sisältö Riskin käsite Riskien
LisätiedotLuento 5 Riippuvuudet vikapuissa Esimerkkejä PSA:sta
Luento 5 Riippuvuudet vikapuissa Esimerkkejä S:sta hti Salo Teknillinen korkeakoulu L 1100, 0015 TKK 1 Toisistaan riippuvat vikaantumiset Riippuvuuksien huomiointi erustapahtumien taustalla voi olla yhteisiä
LisätiedotTILASTOLLINEN OPPIMINEN
301 TILASTOLLINEN OPPIMINEN Salmiakki- ja hedelmämakeisia on pakattu samanlaisiin käärepapereihin suurissa säkeissä, joissa on seuraavat sekoitussuhteet h 1 : 100% salmiakkia h 2 : 75% salmiakkia + 25%
LisätiedotORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus Mitkä todennäköisyystulkinnat sopivat seuraaviin väitteisiin?
ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 200 Harjoitus Ratkaisuehdotuksia. Mitkä todennäköisyystulkinnat sopivat seuraaviin väitteisiin? (a) Todennäköisyys että kolikonheitossa saadaan lopulta
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Tilastollisen merkitsevyyden testaus Osa II Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotMyrskylän liikenneturvallisuussuunnitelma: Onnettomuustarkastelut
Myrskylän liikenneturvallisuussuunnitelma: Onnettomuustarkastelut 29.5.2018 HUOM! Myrskylässä tilastopohja on hyvin pieni, joten analyyseja pitää tulkita varoen. Yhteenveto Myrskylän kunnan alueella tapahtuu
LisätiedotS Ä T E I LY T U R V A L L I S U U S K O U L U T U S J U H A P E L T O N E N / J U H A. P E L T O N E H U S.
S Ä T E I LY T U R V A L L I S U U S K O U L U T U S 1 4. 9. 2 0 1 7 J U H A P E L T O N E N / J U H A. P E L T O N E N @ H U S. F I YMPÄRISTÖN SÄTEILY SUOMESSA Suomalaisten keskimääräinen vuosittainen
Lisätiedot3.7 Todennäköisyysjakaumia
MAB5: Todennäköisyyden lähtökohdat 4 Luvussa 3 Tunnusluvut perehdyimme jo jakauman käsitteeseen yleensä ja normaalijakaumaan vähän tarkemmin. Lähdetään nyt tutustumaan binomijakaumaan ja otetaan sen jälkeen
LisätiedotTaipalsaaren liikenneturvallisuussuunnitelma. 1b. Nykytilan selvitys Liikenneonnettomuudet
Taipalsaaren liikenneturvallisuussuunnitelma 1b. Nykytilan selvitys Liikenneonnettomuudet 1.9.2015 Nykytilan selvitys - liikenneonnettomuudet Taipalsaarella vuosina 2009 2013 poliisin tietoon tulleista
LisätiedotJuvan, Rantasalmen ja Sulkavan liikenneturvallisuussuunnitelmat
7.2.2018 Juvan, Rantasalmen ja Sulkavan liikenneturvallisuussuunnitelmat Onnettomuustarkastelut Yhteenveto onnettomuustarkasteluista Juvan, Rantasalmen ja Sulkavan kuntien alueella tapahtuu vuosittain
LisätiedotLapinjärven liikenneturvallisuussuunnitelma: Onnettomuustarkastelut
Lapinjärven liikenneturvallisuussuunnitelma: Onnettomuustarkastelut 29.5.2018 Yhteenveto Lapinjärven kunnan alueella tapahtuu vuosittain keskimäärin seitsemän henkilövahinkoon johtavaa ja kymmenen omaisuusvahinkoon
LisätiedotPukkilan liikenneturvallisuussuunnitelma: Onnettomuustarkastelut
Pukkilan liikenneturvallisuussuunnitelma: Onnettomuustarkastelut 29.5.2018 HUOM! Pukkilassa tilastopohja on hyvin pieni, joten analyyseja pitää tulkita hyvin varoen. Yhteenveto Pukkilan kunnan alueella
LisätiedotBayesilainen päätöksenteko / Bayesian decision theory
Bayesilainen päätöksenteko / Bayesian decision theory Todennäköisyysteoria voidaan perustella ilman päätösteoriaa, mutta vasta päätösteorian avulla siitä on oikeasti hyötyä Todennäköisyyteoriassa tavoitteena
LisätiedotJärvenpään, Keravan ja Tuusulan liikenneturvallisuussuunnitelmat. Onnettomuustarkasteluja 2/2013
Järvenpään, Keravan ja Tuusulan liikenneturvallisuussuunnitelmat Onnettomuustarkasteluja 2/2013 Kalvosarjan sisältö Yleinen onnettomuuskehitys Lähde: Tilastokeskus Onnettomuuksien osalliset Lähteet: Tilastokeskus
LisätiedotMS-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
LisätiedotLuento 5 Yhteisvikojen analyysi PSA:n sovelluksia
alto-yliopiston perustieteiden korkeakoulu Luento 5 Yhteisvikojen analyysi S:n sovelluksia hti Salo Systeemianalyysin laboratorio alto-yliopiston perustieteiden korkeakoulu L 11100, 00076 alto ahti.salo@aalto.fi
LisätiedotKemikaaliriskien hallinta ympäristöterveyden kannalta. Hannu Komulainen Ympäristöterveyden osasto Kuopio
Kemikaaliriskien hallinta ympäristöterveyden kannalta Hannu Komulainen Ympäristöterveyden osasto Kuopio 1 Riskien hallinta riskinarvioijan näkökulmasta! Sisältö: REACH-kemikaalit/muut kemialliset aineet
LisätiedotTodennäköisyys (englanniksi probability)
Todennäköisyys (englanniksi probability) Todennäköisyyslaskenta sai alkunsa 1600-luvulla uhkapeleistä Ranskassa (Pascal, Fermat). Nykyisin todennäköisyyslaskentaa käytetään hyväksi mm. vakuutustoiminnassa,
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
LisätiedotSäteilyannokset ja säteilyn vaimeneminen. Tapio Hansson
Säteilyannokset ja säteilyn vaimeneminen Tapio Hansson Ionisoiva säteily Milloin säteily on ionisoivaa? Kun säteilyllä on tarpeeksi energiaa irrottaakseen aineesta elektroneja tai rikkoakseen molekyylejä.
LisätiedotRiskit hallintaan ISO 31000
Riskit hallintaan ISO 31000 Riskienhallinta ja turvallisuus forum 17.10.2012 Riskienhallintajohtaja Juha Pietarinen Tilaisuus, Esittäjä Mitä on riskienhallinta? 2 Strategisten riskienhallinta Tavoitteet
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
LisätiedotSYSTEMAATTINEN RISKIANALYYSI YRITYKSEN TOIMINTAVARMUUDEN KEHITTÄMISEKSI
Päivitetty 28.3.2017 SYSTEMAATTINEN RISKIANALYYSI YRITYKSEN TOIMINTAVARMUUDEN KEHITTÄMISEKSI Riskianalyysiohjeen tarkoitus on tukea yrityksen toimintaa uhkaavien tilanteiden (riskien) tunnistamisessa,
LisätiedotT Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti , 8:30-10:00 Kollokaatiot, Versio 1.1
T-61.281 Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti 10.2.2004, 8:30-10:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:
LisätiedotHelsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe klo 10 13
Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt. (a) 3 2 x 2 3 2 3 x 1 4, (b) (x + 1)(x 2)
LisätiedotHelsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 Ratkaisut ja pisteytysohjeet
Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.01 klo 10 13 t ja pisteytysohjeet 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt. (a) 3 x 3 3 x 1 4, (b)
LisätiedotTilastollisia 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
LisätiedotT Luonnollisten kielten tilastollinen käsittely
T-61.281 Luonnollisten kielten tilastollinen käsittely Vastaukset 3, ti 11.2.2003, 16:15-18:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:
LisätiedotMat-2.3117 Riskianalyysi (5 op) 2015
Mat-2.3117 Riskianalyysi (5 op) 2015 Ahti Salo Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto ahti.salo@aalto.fi 1 Lähtökohtia Taustaa Riskienhallinta on
LisätiedotMonimutkaisten järjestelmien toimintavarmuuden parantaminen Jussi Kangaspunta ja Ahti Salo
Monimutkaisten järjestelmien toimintavarmuuden parantaminen 22..202 Jussi Kangaspunta ja Ahti Salo Taustaa Yhteiskunnan turvallisuusstrategia ja elintärkeiden toimintojen turvaaminen Esim. myrskyjen aiheuttamat
LisätiedotHangon liikenneturvallisuussuunnitelma: Onnettomuustarkastelut
Hangon liikenneturvallisuussuunnitelma: Onnettomuustarkastelut 5/2019 HUOM! Hangossa tilastopohja on hyvin pieni, joten analyysit/tulkinnat ovat rajallisia. Tiivistelmä Onnettomuuskehitys yleisesti Hangon
LisätiedotRiskienhallintamalli. ja kuvaus riskienhallinnan kehittämisestä keväällä Inka Tikkanen-Pietikäinen
Riskienhallintamalli ja kuvaus riskienhallinnan kehittämisestä keväällä 2018 Inka Tikkanen-Pietikäinen 15.6.2018 1 Riskienhallinnan kehittämisen aikataulu ja työn tulokset 2018 helmikuu maaliskuu huhtikuu
LisätiedotKynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto
Kynä-paperi -harjoitukset Taina Lehtinen 43 Loput ratkaisut harjoitustehtäviin 44 Stressitestin = 40 s = 8 Kalle = 34 pistettä Ville = 5 pistettä Z Kalle 34 8 40 0.75 Z Ville 5 8 40 1.5 Kalle sijoittuu
LisätiedotLIIKENNETURVALLISUUSRAPORTTI 2018
LIIKENNETURVALLISUUSRAPORTTI 2018 Tieliikenneonnettomuudet Kauniaisissa Vuosi 2017 oli ennätysturvallinen liikenteessä sekä Kauniaisissa, että koko maassa. Iliitu-tilaston mukaan Kauniaisissa sattui viime
LisätiedotHyppylentämisen Turvallisuusseminaari. Skydive Finland ry & Laskuvarjotoimikunta Utti, Finland
Hyppylentämisen Turvallisuusseminaari Skydive Finland ry & Laskuvarjotoimikunta 5.-6.1.2019 Utti, Finland Hyppylentämisen riskikartoitus 2 Riskinarviointi NCO.SPEC.105 Ennen hyppylentotoiminnan aloittamista
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
Lisätiedot(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.
Todennäköisyyslaskenta I, kesä 7 Harjoitus 4 Ratkaisuehdotuksia. Satunnaismuuttujalla X on ns. kaksipuolinen eksponenttijakauma eli Laplacen jakauma: sen tiheysfunktio on fx = e x. a Piirrä tiheysfunktio.
LisätiedotLuento 9 Riskivertailut ja päätöksenteko
Luento 9 Riskivertailut ja päätöksenteko Ahti Salo Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto ahti.salo@aalto.fi 1 Tarkastelukulmia Riskejä koskeva
LisätiedotNollasummapelit ja bayesilaiset pelit
Nollasummapelit ja bayesilaiset pelit Kristian Ovaska HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Seminaari: Peliteoria Helsinki 18. syyskuuta 2006 Sisältö 1 Johdanto 1 2 Nollasummapelit 1 2.1
LisätiedotMS-A0004/A0006 Matriisilaskenta
4. MS-A4/A6 Matriisilaskenta 4. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto..25 Tarkastellaan neliömatriiseja. Kun matriisilla kerrotaan vektoria, vektorin
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
LisätiedotTodennäköisyyden 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
LisätiedotT Luonnollisen kielen tilastollinen käsittely Vastaukset 5, ti , 8:30-10:00 N-grammikielimallit, Versio 1.1
T-6.28 Luonnollisen kielen tilastollinen käsittely Vastaukset 5, ti 24.2.2004, 8:30-0:00 N-grammikielimallit, Versio.. Alla on erään henkilön ja tilaston estimaatit sille, miten todennäköistä on, että
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
LisätiedotLiikenneturvallisuustyö. Kirkkonummella
Liikenneturvallisuustyö Kirkkonummella Kalvosarjan sisältö 1. Liikenneturvallisuustilanne Liikenneonnettomuudet Koettu liikenneturvallisuus Koetut t liikenneturvallisuuspuutteet lli tt t 2. Liikenneturvallisuustyö
LisätiedotTerveyden edistämisen vaikutus vai vaikuttavuus? Vaikuttavuuden seurannan mahdollisuudet
Terveyden edistämisen vaikutus vai vaikuttavuus? Vaikuttavuuden seurannan mahdollisuudet 04.02.2014 HUSn kuntien hyvinvoinnin ja terveyden edistäjien yhteistapaaminen Heli Hätönen, TtT, Eritysasiantuntija
Lisätiedot031021P Tilastomatematiikka (5 op)
031021P Tilastomatematiikka (5 op) Jukka Kemppainen Mathematics Division Yleinen todennäköisyys Kertausmateriaalissa esiteltiin koulusta tuttuja todennäköisyysmalleja. Tällä kurssilla todennäköisyys on
LisätiedotTilastollinen 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
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
LisätiedotLuento 9 Riskivertailut ja päätöksenteko
Luento 9 Riskivertailut ja päätöksenteko Ahti Salo Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto ahti.salo@aalto.fi 1 Tarkastelukulmia Riskejä koskeva
LisätiedotRiskienhallintasuunnitelma ja riskianalyysi
Riskienhallintasuunnitelma ja riskianalyysi ylitarkastaja jari.knuuttila@valvira.fi Keskustelutilaisuus hammasteknisten töiden valmistajille 10.5.2019 Valvira.fi, @ValviraViestii Valvira valvoo valtakunnallisesti
LisätiedotP(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu
1. Tyhjentävä tunnusluku (sucient statistics ) Olkoon (P(X = x θ) : θ Θ) todennäköisyysmalli havainnolle X. Datan funktio T (X ) on Tyhjentävä tunnusluku jos ehdollinen todennäköisyys (ehdollinen tiheysfunktio)
LisätiedotTodennäköisyys. Antoine Gombaud, eli chevalier de Méré?.? Kirjailija ja matemaatikko
Todennäköisyys TOD.NÄK JA TILASTOT, MAA10 Todennäköisyyslaskennan juuret ovat ~1650-luvun uhkapeleissä. Kreivi de Mérén noppapelit: Jos noppaa heitetään 4 kertaa, niin kannattaako lyödä vetoa sen puolesta,
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Normaaliapproksimaatio Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
LisätiedotMS-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
LisätiedotTURVALLISESTI VAIHTOON - ENNAKOIDEN JA VARAUTUEN
Lähde: Ranta/Turvallisuusjohtaja/Laurea TURVALLISESTI VAIHTOON - ENNAKOIDEN JA VARAUTUEN TYÖRYHMÄ: Pertti Hukkanen ja Riikka Hälikkä, DIAK Tiina Ranta, Laurea-ammattikorkeakoulu Solja Ryhänen, Jyväskylän
Lisätiedot1. TILASTOLLINEN HAHMONTUNNISTUS
1. TILASTOLLINEN HAHMONTUNNISTUS Tilastollisissa hahmontunnistusmenetelmissä piirteitä tarkastellaan tilastollisina muuttujina Luokittelussa käytetään hyväksi seuraavia tietoja: luokkien a priori tn:iä,
LisätiedotOletetun 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
LisätiedotRiskin arviointi. Peruskäsitteet- ja periaatteet. Standardissa IEC esitetyt menetelmät
Ylitarkastaja Matti Sundquist Uudenmaan työsuojelupiiri Riskin arviointi Peruskäsitteet- ja periaatteet Standardissa IEC 61508-5 esitetyt menetelmät matti.sundquist@stm.vn.fi 2.9.2004 1 Toiminnallinen
LisätiedotOulun seutu kasvaa, liikenne kasvaa
Liikenteen kasvu ja liikenneturvallisuus Kasvun hillinnän mahdollisuudet Oulun seudulla (OULULIIKA) Kati Kiiskilä Tiehallinto kati.kiiskila@tiehallinto.fi Tuomo Vesajoki Insinööritoimisto Liidea Oy tuomo.vesajoki@liidea.fi
LisätiedotSäteilyannokset ja säteilyn vaimeneminen
Säteilyannokset ja säteilyn vaimeneminen Tapio Hansson 26. lokakuuta 2016 Säteilyannos Ihmisen saamaa säteilyannosta voidaan tutkia kahdella tavalla. Absorboitunut annos kuvaa absoluuttista energiamäärää,
LisätiedotIlmastonmuutoksen hillintä, päästöjen hinnoittelu ja riskienhallinta
Ilmastonmuutoksen hillintä, päästöjen hinnoittelu ja riskienhallinta FORS-seminaari 16.12.2011 Operaatiotutkimuksella kohti energiatehokkuutta Tommi Ekholm 2 Esityksen sisältö Taustaa: 2 C-tavoite ja ilmastonmuutoksen
LisätiedotBayes-mallinnus siltana teorian ja empiirisen evidenssin välillä
Bayes-mallinnus siltana teorian ja empiirisen evidenssin välillä Antti Penttinen Jyväskylän yliopisto Matematiikan ja tilastotieteen laitos Metodifestivaalit Jyväskylän yliopisto 21.5.2013 Suunnitelma
LisätiedotMS-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
LisätiedotValitaan testisuure, jonka jakauma tunnetaan H 0 :n ollessa tosi.
9.10.2018/1 MTTTP1, luento 9.10.2018 KERTAUSTA TESTAUKSESTA, p-arvo Asetetaan H 0 H 1 Valitaan testisuure, jonka jakauma tunnetaan H 0 :n ollessa tosi. Lasketaan otoksesta testisuureelle arvo. 9.10.2018/2
LisätiedotLuento 4 Vikapuuanalyysit
Luento 4 Vikapuuanalyysit Ahti Salo Teknillinen korkeakoulu PL 1100, 02015 TKK 1 Vikapuuanalyysin vaiheet ❶ Ongelman ja reunaehtojen määrittely ❷ Vikapuun rakentaminen ❸ Minimikatkosjoukkojen tunnistaminen
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 2016 Aikataulu ja suoritustapa (Katso MyCourses) Luennot
LisätiedotPäätöksentekomenetelmät
L u e n t o Hanna Virta / Liikkeenjohdon systeemit Päätöksentekomenetelmät Luennon sisältö Johdanto päätöksentekoon Päätöksenteko eri tilanteissa Päätöspuut Päätösongelmia löytyy joka paikasta Päästökauppa:
LisätiedotLIIKENNETURVALLISUUSTILANNE JANAKKALASSA. Onnettomuusanalyysia vuosista 2002-2011
LIIKENNETURVALLISUUSTILANNE JANAKKALASSA Onnettomuusanalyysia vuosista - Janakkalan kunnan alueella tapahtuu vuosittain noin kaksikymmentä henkilövahinkoihin johtavaa liikenneonnettomuutta. Liikenneonnettomuuksissa
LisätiedotTyön vaarojen selvittämisen ja riskien arvioinnin periaatteet
Työn vaarojen selvittämisen ja riskien arvioinnin periaatteet Päivi Rauramo, asiantuntija TtM Työturvallisuuskeskus TTK Paivi.rauramo@ttk.fi 1 Turvallisuusjohtamisen perusmalli EU:ssa Vaarojen ja haittojen
Lisätiedot6. 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
LisätiedotBayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly
Bayesin pelit Kalle Siukola MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly 12.10.2016 Toistetun pelin esittäminen automaatin avulla Ekstensiivisen muodon puu on tehoton esitystapa, jos peliä
LisätiedotKatsaus laivaonnettomuuden todennäköisyyksiin Suomenlahdella
Katsaus laivaonnettomuuden todennäköisyyksiin Suomenlahdella SAFGOF-projektin väliseminaari 2.12.2008 DI Maria Hänninen Teknillinen korkeakoulu, Sovelletun mekaniikan laitos maria.hanninen@tkk.fi Sisältö
LisätiedotValtakunnallisen liikennejärjestelmäsuunnitelman. vaikutusten arviointi (SOVA) Tuire Valkonen ja Niko-Matti Ronikonmäki
Valtakunnallisen liikennejärjestelmäsuunnitelman vaikutusten arviointi (SOVA) Tuire Valkonen ja Niko-Matti Ronikonmäki 13.3.2019 1 Arvioinnin tarkempi aikataulu Arvioinnin tavoitteet ja prosessin suunnittelu
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Satunnaismuuttujien summa ja keskihajonta Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotVAAROJEN TUNNISTAMINEN JA RISKIEN ARVIOINTI KALANVILJELY-YRITYKSISSÄ
VAAROJEN TUNNISTAMINEN JA RISKIEN ARVIOINTI KALANVILJELY-YRITYKSISSÄ Työturvallisuuslain (738/2002, 10 ) mukaan on jokaisen työnantajan selvitettävä ja arvioitava työpaikalla esiintyvät vaaratekijät. Tämä
LisätiedotPäätöksentekomenetelmät
L u e n t o Päätöksentekomenetelmät Luennon sisältö Hanna Virta / Liikkeenjohdon systeemit Johdanto päätöksentekoon Päätöksenteko eri tilanteissa Päätöspuut Johdanto päätöksentekoon Päätösongelmia löytyy
LisätiedotTyöterveyshuollon näkökulma henkiseen työsuojeluun
Hyvinvointia työstä Työterveyshuollon näkökulma henkiseen työsuojeluun Heli Hannonen työterveyspsykologi 2 Työturvallisuuslaki 23.8.2002/738 1 : Tämän lain tarkoituksena on parantaa työympäristöä ja työolosuhteita
LisätiedotKvanttimekaniikan tulkinta
Kvanttimekaniikan tulkinta 20.1.2011 1 Klassisen ja kvanttimekaniikan tilastolliset formuloinnit 1.1 Klassinen mekaniikka Klassisen mekaniikan systeemin tilaa kuvaavat kappaleiden koordinaatit ja liikemäärät
Lisätiedot