Männyn oksaisuuslaadun vaihtelu ja sen ennustaminen katkonnan yhteydessä. Jarkko Isotalo Tampereen yliopisto
|
|
- Outi Hukkanen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Männyn oksaisuuslaadun vaihtelu ja sen ennustaminen katkonnan yhteydessä Jarkko Isotalo Tampereen yliopisto
2 Laatuaineisto Laatuaineisto koostuu kuuden eri leimikon mäntyrungoista: 1) Ryösä (20 runkoa) 2) Koskinen I (20 runkoa) 3) Koskinen II (10 runkoa) 4) Tuohiniemi (20 runkoa) 5) Palojoki (10 runkoa) 6) Kuusijoensuu (20 runkoa) Sydäntavarakappaleet on laatuluokitettu oksaisuuden suhteen. (sahe 0 ja sahe 1) Oksaisuuslaatuluokitus on määritelty saheen jokaiselle 10 cm:n alueelle pintalappeen ja molempien syrjien perusteella. Aineisto sisältää myös runkojen kuivaoksa- ja latvusrajat.
3
4 Laatuluokitus Laatuluokitus perustuu Pohjoismaisen sahatavaran lajitteluohjeisiin. Aineiston laatumuuttujat: - Lape tuoreoksa - Lape kuivaoksa - Lape laho-oksa - Syrjä tuoreoksa - Syrjä kuivaoksa - Kokonaislaatu maksimi summa maksimi summa maksimi summa maksimi summa maksimi summa
5 Tutkimuksen tavoitteet Laatuaineiston kuvaileva analyysi: Havainnollistaa oksaisuuden vaihtelua ja tarkastella muuttujien välisiä riippuvuussuhteita. Tilastollinen mallintaminen:? Ennustaa tilastollisen mallin avulla ensimmäistä laadun vaihtumiskohtaa (ulkoisia tunnusmerkkejä hyväksi käyttäen). A B
6 Laatuluokitus: Leimikko 1, Runko 1. Sahe 1 Ensimmäinen laadunvaihtokohta: 150 cm. A1 A2 A3 A4 B C D A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Sahe 0 Ensimmäinen laadunvaihtokohta: 80 cm. A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Rungon pituus (cm)
7 Laatuluokitus: Leimikko 1, Runko 2. Sahe 1 Ensimmäinen laadunvaihtokohta: 750 cm. A1 A2 A3 A4 B C D A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Sahe 0 Ensimmäinen laadunvaihtokohta: 110 cm. A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Rungon pituus (cm)
8 Laatuluokitus: Leimikko 6, Runko 20. Sahe 1 Ensimmäinen laadunvaihtokohta: 500 cm. A1 A2 A3 A4 B C D A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Sahe 0 Ensimmäinen laadunvaihtokohta: 200 cm. A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Rungon pituus (cm)
9
10
11
12
13
14
15 Laatuluokituksen jakauma huonoimman laadun perusteella Lape - tuoreoksa Lape - kuivaoksa Lape - laho-oksa Syrjä - tuoreoksa Syrjä - kuivaoksa Rungon pituus (cm)
16 Laatuluokituksen jakauma huonoimman laadun perusteella Lape - tuoreoksan maksimi Lape - tuoreoksan summa Lape - kuivaoksan maksimi Lape - kuivaoksan summa Lape - laho-oksan maksimi Lape - laho-oksan summa Syrjä - tuoreoksan maksimi Syrjä - tuoreoksan summa Syrjä - kuivaoksan maksimi Syrjä - kuivaoksan summa Rungon pituus (cm)
17 A ja B laadun jakauma Lape - tuoreoksa Lape - kuivaoksa Lape - laho-oksa Syrjä - tuoreoksa Syrjä - kuivaoksa A luokka Rungon pituus (cm)
18 B laadun kokojakauma Lape - tuoreoksan maksimi Lape - tuoreoksan summa Lape - kuivaoksan maksimi Lape - kuivaoksan summa Lape - laho-oksan maksimi Lape - laho-oksan summa Syrjä - tuoreoksan maksimi Syrjä - tuoreoksan summa Syrjä - kuivaoksan maksimi Syrjä - kuivaoksan summa Rungon pituus (cm)
19
20
21
22
23 Ensimmäinen B laatukohta (cm) Kuivaoksaraja ja ensimmäinen B laatukohta Kuivaoksaraja (m)
24 Ensimmäinen B laatukohta (cm) Latvusraja ja ensimmäinen B laatukohta Latvusraja (m)
25 Logistinen regressio : e 1+ e α + β * x0 π B( pituus = x0) = α + β * x 0
26
27
28
29
30 Tutkimuksen ongelmia 1. Tutkimusongelma on väärä! Ensimmäistä laadunvaihtokohtaa on ehkä mahdotonta ennustaa. Uutena tavoitteena pitäisikin olla keinojen luominen, joiden avulla turhia B laadun tukkeja voidaan välttää. Vastaavasti voisivatko nykyiset A laadun tukit olla pidempiä?
31 Ensimmäisen tukin laatujakauma A laatu B laatu
32 Ensimmäisen tukin A laadun jakauma Ensimmäisen tukin B laadun jakauma Frekvenssi Frekvenssi cm cm
33 Tutkimuksen ongelmia 2. Laatuluokitus on harhainen! Huonoimman metrin periaate tuottaa harhaisia tuloksia. Uuden luokitusmenetelmän pitäisi vastata paremmin todellisten oksaryppäiden olemassa oloa. Ryhmittelyanalyysin avulla voitaisiin saheelta löytää oksaryhmät, jotka sitten luokiteltaisiin oksaryhmän laadun suhteen.
34
35
36 Uusi laatuluokitus Perusperiaate: Etsitään ensiksi oksaryhmät ja sen jälkeen oksaryhmälle annetaan laatuluokitus.
37 Uusi laatuluokitus: Leimikko 1, Runko 1. Sahe 1 Ensimmäinen laadunvaihtokohta: 240 cm. A1 A2 A3 A4 B C D A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Sahe 0 Ensimmäinen laadunvaihtokohta: 170 cm. A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Rungon pituus (cm)
38 Uusi laatuluokitus: Leimikko 1, Runko 2. Sahe 1 Ensimmäinen laadunvaihtokohta: 880 cm. A1 A2 A3 A4 B C D A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Sahe 0 Ensimmäinen laadunvaihtokohta: 200 cm. A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Rungon pituus (cm)
39 Uusi laatuluokitus: Leimikko 6, Runko 20. Sahe 1 Ensimmäinen laadunvaihtokohta: 460 cm. A1 A2 A3 A4 B C D A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Sahe 0 Ensimmäinen laadunvaihtokohta: 290 cm. A vs. (B ja C ja D) Laatuluokitus Lape tuoreoksa maksimi Lape tuoreokda summa Lape kuivaoksa maksimi Lape kuivaoksa summa Lape laho-oksa maksimi Lape laho-oksa summa Syrjä tuoreoksa maksimi Syrjä tuoreoksa summa Syrjä kuivaoksa maksimi Syrjä kuivaoksa summa Rungon pituus (cm)
40
41
42
43
44
45
46 Laatuluokituksen jakauma huonoimman laadun perusteella (uusi luokitus) Lape - tuoreoksa Lape - kuivaoksa Lape - laho-oksa Syrjä - tuoreoksa Syrjä - kuivaoksa Rungon pituus (cm)
47 Laatuluokituksen jakauma huonoimman laadun perusteella (uusi luokitus) Lape - tuoreoksan maksimi Lape - tuoreoksan summa Lape - kuivaoksan maksimi Lape - kuivaoksan summa Lape - laho-oksan maksimi Lape - laho-oksan summa Syrjä - tuoreoksan maksimi Syrjä - tuoreoksan summa Syrjä - kuivaoksan maksimi Syrjä - kuivaoksan summa Rungon pituus (cm)
48 A ja B laadun jakauma (uusi luokitus) Lape - tuoreoksa Lape - kuivaoksa Lape - laho-oksa Syrjä - tuoreoksa Syrjä - kuivaoksa A luokka Rungon pituus (cm)
49 B laadun kokojakauma (uusi luokitus) Lape - tuoreoksan maksimi Lape - tuoreoksan summa Lape - kuivaoksan maksimi Lape - kuivaoksan summa Lape - laho-oksan maksimi Lape - laho-oksan summa Syrjä - tuoreoksan maksimi Syrjä - tuoreoksan summa Syrjä - kuivaoksan maksimi Syrjä - kuivaoksan summa Rungon pituus (cm)
50
51
52
53
54 Ensimmäinen B laatukohta (cm) Kuivaoksaraja ja ensimmäinen B laatukohta (uusi luokitus) Kuivaoksaraja (m)
55 Ensimmäinen B laatukohta (cm) Latvusraja ja ensimmäinen B laatukohta (uusi luokitus) Latvusraja (m)
56
57
58
59
60
61 Tutkimuksen jatko Tilastollisen mallin luominen, minkä avulla turhien B laatuluokan saheiden muodostuminen voitaisiin estää. Todellisuutta paremmin kuvaavan laatuluokituksen muodostaminen (Ryhmittelyanalyysi).?
Männyn laaturajojen integrointi runkokäyrän ennustamisessa. Laura Koskela Tampereen yliopisto 9.6.2003
Männyn laaturajojen integrointi runkokäyrän ennustamisessa Laura Koskela Tampereen yliopisto 9.6.2003 Johdantoa Pohjoismaisen käytännön mukaan rungot katkaistaan tukeiksi jo metsässä. Katkonnan ohjauksessa
LisätiedotTilastolliset mallit hakkuukoneen katkonnan ohjauksessa. Tapio Nummi Tampereen yliopisto
Tilastolliset mallit hakkuukoneen katkonnan ohjauksessa Tapio Nummi Tampereen yliopisto Runkokäyrän ennustaminen Jotta runko voitaisiin katkaista optimaalisesti pitäisi koko runko mitata etukäteen. Käytännössä
LisätiedotVoidaanko laatu huomioida männyn katkonnassa? Jori Uusitalo Joensuun yliopisto
Voidaanko laatu huomioida männyn katkonnassa? Jori Uusitalo Joensuun yliopisto Esityksen sisältö Katkonnan ohjauksen perusteet Tutkimustuloksia Laadun huomioon ottaminen katkonnassa Katkonnan ohjauksen
LisätiedotKuusen kasvun ja puutavaran laadun ennustaminen
Kuusen kasvun ja puutavaran laadun ennustaminen Anu Kantola Työ on aloitettu omana hankkeenaan 1.1.2001 Suomen Luonnonvarain Tutkimussäätiön rahoittamana, siirtyi Puro -hankkeen rahoittamaksi 1.1.2004
LisätiedotKuusen kasvun ja puutavaran laadun ennustaminen
1/13 Kuusen kasvun ja puutavaran laadun ennustaminen Anu Kantola Työ on aloitettu omana hankkeenaan 1.1.21 Suomen Luonnonvarain Tutkimussäätiön rahoittamana, siirtyi Puro-hankkeen rahoittamaksi 1.1.24
LisätiedotTukkiröntgendata sahapuun ohjauksessa
Tukkiröntgendata sahapuun ohjauksessa Tapio Räsänen Metsäteho Oy FOREST BIG DATA hankkeen tulosseminaari 8.3.2016 Heureka, Vantaa Kehittämistavoitteet Tavoitteena on parantaa puutuoteteollisuuden arvoketjun
LisätiedotTukkiröntgendata sahapuun ohjauksessa
Tukkiröntgendata sahapuun ohjauksessa Tapio Räsänen Metsäteho Oy FOREST BIG DATA hankkeen tulosseminaari 8.3.2016 Heureka, Vantaa Kehittämistavoitteet Tavoitteena on parantaa puutuoteteollisuuden arvoketjun
LisätiedotKuusen kasvun ja puutavaran laadun ennustaminen
Kuusen kasvun ja puutavaran laadun ennustaminen Anu Kantola Työ on aloitettu omana hankkeenaan 1.1.21 Suomen Luonnonvarain Tutkimussäätiön rahoittamana, siirtyi Puro -hankkeen rahoittamaksi 1.1.24 Biomassa-aineiston
LisätiedotTukin laatukatkonta. Valtakunnalliset mittauspäivät, Antti Raatevaara. Luonnonvarakeskus. Luonnonvarakeskus
Tukin laatukatkonta Valtakunnalliset mittauspäivät, 14-15.03.2019 Antti Raatevaara Luonnonvarakeskus Esityksen sisältö 1. Laatukatkonta projektin esittely Projektin tausta Projektin jäsenet Tavoitteet
Lisätiedothinnoitteluun ja puukauppaan
Työkaluja puutavaran hinnoitteluun ja puukauppaan PUU tutkimus ja kehittämisohjelman väliseminaari 6.9.2012 Sokos Hotel Vaakuna, Hämeenlinna Jukka Malinen Metla / Joensuu Metsäntutkimuslaitos Skogsforskningsinstitutet
LisätiedotHarvennuspuun raaka-aineominaisuudet ja puutuotemahdollisuudet
Puunkäytön kehittäminen ja uudet tuotemarkkinat Tutkimusohjelman loppuseminaari 13.11.2008, Lahti, Sibeliustalo Harvennuspuun raaka-aineominaisuudet ja puutuotemahdollisuudet Tapio Wall: - Harvennusmännyn
LisätiedotRunkohinnoittelun käytettävyys? Puumarkkinatyöryhmä, tiistaina Jukka Malinen Metla / Joensuu
Runkohinnoittelun käytettävyys? Puumarkkinatyöryhmä, tiistaina 12.10.2010 Jukka Malinen Metla / Joensuu Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research Institute www.metla.fi Tavaralajihinnoittelun
LisätiedotKUUSEN OMINAISUUSPOTENTIAALI
KUUSEN OMINAISUUSPOTENTIAALI Marketta Sipi ja Antti Rissanen Helsingin yliopisto Metsävarojen käytön laitos Taustaa» Puuaineen ja kuitujen ominaisuudet vaihtelevat» Runkojen sisällä» Runkojen välillä»
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 22. marraskuuta 2007 Antti Rasila () TodB 22. marraskuuta 2007 1 / 17 1 Epäparametrisia testejä (jatkoa) χ 2 -riippumattomuustesti 2 Johdatus regressioanalyysiin
LisätiedotTukkien laatukriteerit ja apteerauksen arvoperusteet
Tukkien laatukriteerit ja apteerauksen arvoperusteet Eero Lukkarinen Sirkka Keskinen Olavi Pennanen Metsätehon raportti 65 30.12.1998 Konsortiohanke: A.Ahlström Osakeyhtiö, Aureskoski Oy, Koskitukki Oy,
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.14 Tilastollisen analyysin perusteet, kevät 7 7. luento: Tarina yhden selittään lineaarisesta regressiomallista atkuu Kai Virtanen 1 Luennolla 6 opittua Kuvataan havainnot (y, x ) yhden selittään
LisätiedotSahapuuPunJGoj en APTEEIAUS alkaen käyttöön hyväksytyt. metsäteollisuuden tarkastamat tukkienteko-ohjeet.
SahapuuPunJGoj en APTEEIAUS 1.5.1989 alkaen käyttöön hyväksytyt sahatukkien laatuvaatimukset sekä MTK:n ja metsäteollisuuden tarkastamat tukkienteko-ohjeet. YLEISOHJEIT A APTEERAUKSEST A Sahapuurunkojen
LisätiedotLEIMIKON ARVONMUODOSTUS Myyntiarvo
LEIMIKON ARVONMUODOSTUS Myyntiarvo PKM-tutkimuspäivä nro 2. Lahti, 4.10.05 Leimikon myyntiarvon vaihtelu Tavoitteena oli selvittää leimikon myyntiarvon eli kantorahatulon muodostumista erilaisilla katkontaohjeilla
LisätiedotVaihtoehtoisia malleja puuston kokojakauman muodostamiseen
Vaihtoehtoisia malleja puuston kokojakauman muodostamiseen Jouni Siipilehto, Harri Lindeman, Jori Uusitalo, Xiaowei Yu, Mikko Vastaranta Luonnonvarakeskus Geodeettinen laitos Helsingin yliopisto Vertailtavat
LisätiedotValinnanvapaus ja alueellinen saatavuus Kelan kuntoutuksessa. Visa Pitkänen Tutkija Kelan
Valinnanvapaus ja alueellinen saatavuus Kelan kuntoutuksessa Visa Pitkänen Tutkija Kelan tutkimus @visapitkanen Johdanto Terveyspalveluiden tasapuolinen alueellinen saatavuus on usein tärkeä tavoite palveluiden
LisätiedotTehtävä 1. Jatka loogisesti oheisia jonoja kahdella seuraavaksi tulevalla termillä. Perustele vastauksesi
Tehtävä. Jatka loogisesti oheisia jonoja kahdella seuraavaksi tulevalla termillä. Perustele vastauksesi lyhyesti. a) a, c, e, g, b),,, 7,, Ratkaisut: a) i ja k - oikea perustelu ja oikeat kirjaimet, annetaan
LisätiedotEero Lukkarinen Sirkka Keskinen Jari Marjomaa Olavi Pennanen
Tukin ja rungon arvon laskentaohjelmiston kuvaus Eero Lukkarinen Sirkka Keskinen Jari Marjomaa Olavi Pennanen Metsätehon raportti 49 27.2.1998 Konsortiohanke: A.Ahlström Osakeyhtiö, Aureskoski Oy, Enso
LisätiedotVäliestimointi (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).
LisätiedotMänty sahapuuna tapaustutkimuksia
Mänty sahapuuna tapaustutkimuksia Harri Mäkinen Lauri Valsta, Sami Pastila, Kirsi Makkonen, Henna Lyhykäinen, Annikki Mäkelä, Arto Usenius Sisältö 1. Harvennusten kannattavuus» sahan kannalta» metsänomistajan
LisätiedotSuomalaisen sahateollisuuden kilpailukyvyn
Metsätieteen aikakauskirja t i e t e e n t o r i Anu Kantola Puu pintaa syvemmältä: kuusen rungon rakennetta ennustavat simulaattorit osa tulevaisuuden tuotantoteknologiaa Oikeanlaista puuta jatkojalostukseen
LisätiedotPohjois- ja Etelä-Suomen kuusen ominaisuudet vaativien rakennustuotteiden kannalta
Pohjois- ja Etelä-Suomen kuusen ominaisuudet vaativien rakennustuotteiden kannalta Antti Lukkarinen, Metsäntutkimuslaitos, Rovaniemen toimintayksikkö Puun käyttö- ja markkinamahdollisuudet, PKM-tutkimusohjelman
LisätiedotKatkonta - ensimmäinen jalostuspäätös vai raaka-aineen hinnan määritystä?
Katkonta - ensimmäinen jalostuspäätös vai raaka-aineen hinnan määritystä? Puupäivä, torstaina 27.10.2011 Jukka Malinen Metla / Joensuu Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research
LisätiedotKuusen kasvun ja puutavaran laadun ennustaminen
Kuusen kasvun ja puutavaran laadun ennustaminen Anu Kantola Työ on aloitettu omana hankkeenaan 1.1.21 Suomen Luonnonvarain Tutkimussäätiön rahoittamana, siirtyi Puro-hankkeen rahoittamaksi 1.1.24 Biomassa-aineiston
LisätiedotHämeenlinna 6.9.2012. Jari Lindblad Jukka Antikainen. Jukka.antikainen@metla.fi 040 801 5051
Puutavaran mittaus Hämeenlinna 6.9.2012 Jari Lindblad Jukka Antikainen Metsäntutkimuslaitos, Itä Suomen alueyksikkö, Joensuu Jukka.antikainen@metla.fi 040 801 5051 SISÄLTÖ 1. Puutavaran mittaustarkkuus
LisätiedotLäpäisyehto: Kokeesta saatava 5. Uusintakoe: Arvosana määräytyy yksin uusintakokeen perusteella.
MAA7 Trigonometriset funktiot Arvosanan perusteet: koe 70 %, harjoitustehtävä 10 %, tuntitestit 20 %, lisäksi oppimisen ja työskentelyn havainnointi opettajan harkinnan mukaan (ks. OPS 6.2). Muu arviointi:
LisätiedotPuukaupan uudet tuulet - rungonosahinnoittelu. Jori Uusitalo Metla 02.10.2014
Puukaupan uudet tuulet - rungonosahinnoittelu Jori Uusitalo Metla 02.10.2014 Puun hinnoittelutapoja Puutavaralajihinnoittelu hinta tavaralajille Runkohinnoittelu yksi hinta koko rungolle Rungonosahinnoittelu
LisätiedotSovellettu 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
LisätiedotARVO-ohjelmisto pienpuun hankinnan tukena
ARVO-ohjelmisto pienpuun hankinnan tukena Jukka Malinen Pienpuupäivä Keskiviikko 17.11.2010 Mikpoli, auditorio, Patteristonkatu 2, 50100 Mikkeli Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest
Lisätiedot1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
LisätiedotItä-Savon laatukasvatuspäivä Rantasalmi, 21.8.2012
Tuloksia nopeakasvuisen männyn laadusta, pystykarsinnasta ja laadun hyödyntämisestä puutuotteissa Erkki Verkasalo, Esko Sirparanta, Mitchell Baker, Harri Kilpeläinen, Antti Ihalainen Itä-Savon laatukasvatuspäivä
LisätiedotHoitotyön henkilöstövoimavarojen hallinnan mallintaminen kansallisesti yhtenäisillä tunnusluvuilla
Hoitotyön henkilöstövoimavarojen hallinnan mallintaminen kansallisesti yhtenäisillä tunnusluvuilla Ehdotukset kansallisesti yhtenäisiksi hoitotyön henkilöstövoimavarojen hallinnan tunnusluvuiksi Erikoissairaanhoito
LisätiedotMETSATEHO ~ METSÄTEOLLISUUS 12/1994 PUUNKORJUUN KUSTANNUSTEN JAKAMINEN PUUTAVARALAJEILLE. Jari Terävä. Teppo Oijala
METSATEHO... ' 1 ~ ~.. ~ ' 1.. : 12/1994 PUUNKORJUUN KUSTANNUSTEN JAKAMINEN PUUTAVARALAJEILLE e Teppo Oijala Jari Terävä Metsätehossa on valmistunut metsäkoneiden ajanmenekkitutkimuksiin sekä PMP- ja VMI
LisätiedotMetsänhoidollisen ympäristön vaikutus mäntysahapuun laatuun
Metsänhoidollisen ympäristön vaikutus mäntysahapuun laatuun Anu Kantola Olavi Pennanen Metsätehon raportti 69 29.3.1999 Ryhmähanke: Aureskoski Oy, Metsähallitus, Metsäliitto Osuuskunta, Stora Enso Oyj,
LisätiedotPUUTAVARA- PÖLKKYJEN MITTAUS
PUUTAVARA- PÖLKKYJEN MITTAUS PUUTAVARAPÖLKKYJEN MITTAUS Metsähallitus Metsäteollisuus ry Yksityismetsätalouden Työnantajat ry Puu- ja erityisalojen liitto Ohje perustuu alla lueteltuihin maa- ja metsätalousministeriön
LisätiedotPITUUSJAKAUTUMINEN. mittausta katkottujen paperipuiden hakkuusta kerättyjä tutkimusainei stoja hyväksi käyttäen.
METSÄTEHON KATSAUS 7/1968 ) S I L M Ä V A R A I S E S T I KATKOTUN HAVUPAPERIPUUN PITUUSJAKAUTUMINEN Tämä selvitys on tehty Metsätehon vuosina 1965--1967 ilman pituuden mittausta katkottujen paperipuiden
LisätiedotLaatua kuvaavien kasvumallien kehittäminen. Annikki Mäkelä, Anu Kantola, Harri Mäkinen HY Metsäekologian laitos, Metla
Laatua kuvaavien kasvumallien kehittäminen Annikki Mäkelä, Anu Kantola, Harri Mäkinen HY Metsäekologian laitos, Metla Taustaa» Kasvumallit antavat puustoennusteen kiertoaikana, kun tunnetaan» kasvupaikkatiedot»
LisätiedotKvantitatiiviset menetelmät
Kvantitatiiviset menetelmät HUOM! Tentti pidetään tiistaina.. klo 6-8 Vuorikadulla V0 ls Muuttujien muunnokset Usein empiirisen analyysin yhteydessä tulee tarve muuttaa aineiston muuttujia Esim. syntymävuoden
LisätiedotLineaariset luokittelumallit: regressio ja erotteluanalyysi
Lineaariset luokittelumallit: regressio ja erotteluanalyysi Aira Hast Johdanto Tarkastellaan menetelmiä, joissa luokittelu tehdään lineaaristen menetelmien avulla. Avaruus jaetaan päätösrajojen avulla
LisätiedotKatkonnanohjaus evoluutiolaskennan keinoin
Katkonnanohjaus evoluutiolaskennan keinoin Askel kohti optimaalista tavaralajijakoa Veli-Pekka Kivinen HY, Metsävarojen käytön laitos Katkonnanohjauksen problematiikkaa Miten arvo-/tavoitematriisit tulisi
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Logistinen regressioanalyysi Vastemuuttuja Y on luokiteltu muuttuja Pyritään mallittamaan havaintoyksikön todennäköisyyttä kuulua
LisätiedotSahatavara. Laatutavaraa suomalaisesta kuusesta ja männystä
TIMBER Sahatavara Laatutavaraa suomalaisesta kuusesta ja männystä SUOMALAINEN PUU MONIMUOTOINEN RAKENNUS- JA SISUSTUSMATERIAALI Suomalainen havupuu on miellyttävä, lämmin ja kaunis materiaali, joka mukautuu
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 11. lokakuuta 2007 Antti Rasila () TodB 11. lokakuuta 2007 1 / 15 1 Johdantoa tilastotieteeseen Peruskäsitteitä Tilastollisen kuvailun ja päättelyn menetelmiä
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollisen analyysin perusteet, kevät 007 8. luento: Usean selittäjän lineaarinen regressiomalli Kai Virtanen 1 Usean selittäjän lineaarinen regressiomalli Selitettävän muuttujan havaittujen
Lisätiedot40VUOTISJUHLARETKEILY
METSÄNTUTKIMUSLAITOKSEN 40VUOTISJUHLARETKEILY PUNKAHARJUN HEINÄKUUN KOKEILUALUEESSA 1 PÄIVÄNÄ 1958 RETKEILY OHJELMA klo 8.30 10.00 Kahviaamiainen T ervehdyssanat 10.00 12.00 Retkeilyä 12.00 13.15 Kenttälounas
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
LisätiedotLaatumäntyä erirakenteiskasvatuksella koesuunnitelma ja toteutus
Laatumäntyä erirakenteiskasvatuksella koesuunnitelma ja toteutus Riikka Piispanen Luonnonvarakeskus Erirakenteiskasvatus männiköissä näin se voi toimia (Sauli Valkonen ja Riikka Piispanen) Erirakenteis-
LisätiedotPURO Osahanke 3. Elintoimintoihin perustuvat mallit: Tavoitteet. PipeQual-mallin kehittäminen. PipeQual-mallin soveltaminen
PURO Osahanke 3 Annikki Mäkelä, HY Anu Kantola Harri Mäkinen Elintoimintoihin perustuvat mallit: Tavoitteet PipeQual-mallin kehittäminen mänty: puuaineen ominaisuudet mallit männyn kasvumalliin mallin
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai
Lisätiedot1. Tutkitaan tavallista kahden selittäjän regressiomallia
TA7, Ekonometrian johdantokurssi HARJOITUS 5 RATKAISUEHDOTUKSET 232215 1 Tutkitaan tavallista kahden selittäjän regressiomallia Y i = β + β 1 X 1,i + β 2 X 2,i + u i (a) Kirjoita regressiomalli muodossa
LisätiedotPURO Osahanke 3 Annikki Mäkelä, HY Anu Kantola Harri Mäkinen Edistyminen -mallin adaptointi kuuselle mittaukset kuusen yleisestä rakenteesta, kilpailun vaikutus siihen Anu Kantola kuusen oksamittaukset
LisätiedotLaboratorioanalyysit, vertailunäytteet ja tilastolliset menetelmät
Jarmo Koskiniemi Maataloustieteiden laitos Helsingin yliopisto 0504151624 jarmo.koskiniemi@helsinki.fi 03.12.2015 Kolkunjoen taimenten geneettinen analyysi Näytteet Mika Oraluoma (Vesi-Visio osk) toimitti
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
LisätiedotMikä muuttuu, kun kasvihuoneilmiö voimistuu? Jouni Räisänen Helsingin yliopiston fysiikan laitos
Mikä muuttuu, kun kasvihuoneilmiö voimistuu? Jouni Räisänen Helsingin yliopiston fysiikan laitos 15.4.2010 Sisältöä Kasvihuoneilmiö Kasvihuoneilmiön voimistuminen Näkyykö kasvihuoneilmiön voimistumisen
LisätiedotJohtuuko tämä ilmastonmuutoksesta? - kasvihuoneilmiön voimistuminen vaikutus sääolojen vaihteluun
Johtuuko tämä ilmastonmuutoksesta? - kasvihuoneilmiön voimistuminen vaikutus sääolojen vaihteluun Jouni Räisänen Helsingin yliopiston fysiikan laitos 15.1.2010 Vuorokauden keskilämpötila Talvi 2007-2008
LisätiedotLaskennallinen menetelmä puun biomassan ja oksien kokojakauman määrittämiseen laserkeilausdatasta
Laskennallinen menetelmä puun biomassan ja oksien kokojakauman määrittämiseen laserkeilausdatasta Pasi Raumonen, Mikko Kaasalainen ja Markku Åkerblom Tampereen teknillinen ylipisto, Matematiikan laitos
Lisätiedot1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet
VAASAN YLIOPISTO/AVOIN YLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia 1 KURSSIKYSELYAINEISTO: 1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka
LisätiedotAritmeettinen lukujono
Aritmeettinen lukujono 315. Aritmeettisen lukujonon kolme ensimmäistä jäsentä ovat 1, 4 ja 7. a) Mikä on jonon peräkkäisten jäsenten erotus d? b) Mitkä ovat jonon kolme seuraavaa jäsentä? a) d = 7 4 =
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
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
LisätiedotMännyn kuivaoksa- ja latvusrajan silmävaraisen arvioinnin tarkkuus
Kiviluoma & Uusitalo Metsätieteen aikakauskirja Männyn kuivaoksa- ja latvusrajan silmävaraisen arvioinnin tarkkuus t i e d o n a n t o Pasi Kiviluoma ja Jori Uusitalo Männyn kuivaoksa- ja latvusrajan silmävaraisen
LisätiedotMenetelmät tietosuojan toteutumisen tukena - käytännön esimerkkejä. Tilastoaineistot tutkijan työvälineenä - mahdollisuudet ja rajat 2.3.
Menetelmät tietosuojan toteutumisen tukena - käytännön esimerkkejä Tilastoaineistot tutkijan työvälineenä - mahdollisuudet ja rajat 2.3.2009 Tietosuoja - lähtökohdat! Periaatteena on estää yksiköiden suora
Lisätiedot(b) Vedonlyöntikertoimet syytetyn ihonvärin eri luokissa
Oulun yliopiston matemaattisten tieteiden tutkimusyksikkö/tilastotiede 805306A JOHDATUS MONIMUUTTUJAMENETELMIIN, sl 2017 (Jari Päkkilä) Harjoitus 3, viikko 47 (19.20.11.): kotitehtävät Ratkaisuja 1. Floridan
LisätiedotLohkoasetelmat. Vilkkumaa / Kuusinen 1
Lohkoasetelmat Vilkkumaa / Kuusinen 1 Motivointi 1/3 Kaksisuuntaisella varianssianalyysilla voidaan tutkia kahden tekijän A ja B vaikutusta sekä niiden yhdysvaikutusta tutkimuksen kohteeseen Kaksisuuntaisessa
LisätiedotHAAPA PUUTUOTETEOLLISUUDESSA
HAAPA PUUTUOTETEOLLISUUDESSA Henrik Heräjärvi Metsäntutkimuslaitos, Joensuun toimintayksikkö Saunanlauteita haavasta, MacPine Oy., Karstula Kuvat: www.macpine.fi Saunanlauteita haavasta, MacPine Oy., Karstula
LisätiedotARVO ohjelmisto. Tausta
ARVO ohjelmisto Tausta Jukka Malinen, Metla Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research Institute www.metla.fi Ennakkotiedon tarve - Metsänomistaja 25.1.2010 2 Ennakkotiedon
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
LisätiedotMetsikkötason optimointimallit metsänkasvatuksen taloudellisessa tutkimuksessa ja metsänkäsittelypäätösten tukena
Tutkijoiden metsäpalaverin päätöskokous Kolilla, 16.-17.11. 200 Metsikkötason optimointimallit metsänkasvatuksen taloudellisessa tutkimuksessa ja metsänkäsittelypäätösten tukena Kari Hyytiäinen, Metsäntutkimuslaitos
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotTilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle
Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle - Sisältö - - - Varianssianalyysi Varianssianalyysissä (ANOVA) testataan oletusta normaalijakautuneiden otosten odotusarvojen
LisätiedotEtelä-Suomen raakapuuvarat laskennalliseen pölkytykseen perustuen
Ahonen & Mäkelä Etelä-Suomen raakapuuvarat laskennalliseen pölkytykseen perustuen Folia Forestalia tutkimusartikkeli Olli-Pekka Ahonen ja Helena Mäkelä Etelä-Suomen raakapuuvarat laskennalliseen pölkytykseen
LisätiedotPuustovaurioiden määrittäminen ajouralle näkyvien vaurioiden perusteella
Puustovaurioiden määrittäminen ajouralle näkyvien vaurioiden perusteella Metsätehon tuloskalvosarja 3/2019 Niklas Peltoniemi, Jyry Eronen, Teijo Palander, Itä-Suomen yliopisto Heikki Ovaskainen, Metsäteho
LisätiedotSovellettu 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
LisätiedotTehtävä 1. Oletetaan että uv on neliö ja (u, v) = 1. Osoita, että kumpikin luvuista u ja v on. p 2j i. p j i
JOHDATUS LUKUTEORIAAN (syksy 07) HARJOITUS 8, MALLIRATKAISUT Tehtävä. Oletetaan että uv on neliö ja (u, v) =. Osoita, että kumpikin luvuista u ja v on neliö. Ratkaisu. Olkoon p i alkuluku, joka jakaa luvun
Lisätiedotriippumattomia ja noudattavat samaa jakaumaa.
12.11.2015/1 MTTTP5, luento 12.11.2015 Luku 4 Satunnaisotos, otossuure ja otosjakauma 4.1. Satunnaisotos X 1, X 2,, X n on satunnaisotos, jos X i :t ovat riippumattomia ja noudattavat samaa jakaumaa. Sanonta
LisätiedotTutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen)
1 MTTTP3 Luento 29.1.2015 Luku 6 Hypoteesien testaus Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? H 0 : µ = µ 0 H 1 : µ < µ 0 Nollahypoteesi Vaihtoehtoinen hypoteesi
Lisätiedot806109P 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
LisätiedotLohkoasetelmat. Kuusinen/Heliövaara 1
Lohkoasetelmat Kuusinen/Heliövaara 1 Kiusatekijä Kaikissa kokeissa kokeen tuloksiin voi vaikuttaa vaihtelu, joka johtuu kiusatekijästä. Kiusatekijä on tekijä, jolla on mahdollisesti vaikutusta vastemuuttujan
LisätiedotItseoppivat ja joustavat tuotantojärjestelmät puutuoteteollisuudessa (SisuPUU)
Itseoppivat ja joustavat tuotantojärjestelmät puutuoteteollisuudessa (SisuPUU) Nelisahauksen ja läpisahauksen vertailu Tukin pyörityksen optimointi Arto Usenius, Antti Heikkilä ja Timo Usenius Tulevaisuuden
LisätiedotMAOL-pisteytysohje. Matematiikka lyhyt oppimäärä Kevät 2014
0..0 MAOL-pistetsohje Matematiikka lht oppimäärä Kevät 0 Hvästä suorituksesta näk, miten vastaukseen on päädtt. Ratkaisussa on oltava tarvittavat laskut tai muut riittävät perustelut ja lopputulos. Arvioinnissa
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
Lisätiedota) Mitkä reaaliluvut x toteuttavat yhtälön x 2 = 7? (1 p.) b) Mitkä reaaliluvut x toteuttavat yhtälön 5 4 x
Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 01 Arkkitehtimatematiikan koe, 1..01, Ratkaisut (Sarja A) 1. Anna kohdissa a), b) ja c) vastaukset tarkkoina arvoina. a) Mitkä reaaliluvut x toteuttavat
LisätiedotHarvennuslehtikuusen laatuluokituksen
Metsätieteen aikakauskirja t u t k i m u s a r t i k k e l i Tuomas Salila ja Timo Kärki Tuomas Salila Timo Kärki Harvennuslehtikuusen laatuluokituksen kehittäminen Salila, T. & Kärki, T. 2006. Harvennuslehtikuusen
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
LisätiedotPuuston ennakkotiedon hankintamenetelmät. Tapio Räsänen Eero Lukkarinen
Puuston ennakkotiedon hankintamenetelmät ja käyttö Tapio Räsänen Eero Lukkarinen Metsätehon raportti 43 10.2.1998 Konsortiohanke: A.Ahlström Osakeyhtiö, Aureskoski Oy, Enso Oyj, Koskitukki Oy, Kuhmo Oy,
LisätiedotIonisoiva säteily. Tapio Hansson. 20. lokakuuta 2016
Tapio Hansson 20. lokakuuta 2016 Milloin säteily on ionisoivaa? Milloin säteily on ionisoivaa? Kun säteilyllä on tarpeeksi energiaa irrottaakseen aineesta elektroneja tai rikkoakseen molekyylejä. Milloin
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
Lisätiedotpisteet Frekvenssi frekvenssi Yhteensä
806118P JOHDATUS TILASTOTIETEESEEN Loppukoe 15.3.2018 (Jari Päkkilä) 1. Kevään -17 Johdaus tilastotieteeseen -kurssin opiskelijoiden harjoitusaktiivisuudesta saatujen pisteiden frekvenssijakauma: Harjoitus-
LisätiedotRakenteisen kirjaamisen hyödyntäminen tunnuslukutyössä perusterveydenhuollossa
Rakenteisen kirjaamisen hyödyntäminen tunnuslukutyössä perusterveydenhuollossa Rakenteisen kirjaamisen hyödyntäminen hoitotyön prosessin kuvaamisessa perusterveydenhuollossa VeTeHH-raportti PPT_12B taina.pitkaaho@kuh.fi
LisätiedotMatemaattinen Analyysi
Vaasan yliopisto, kevät 01 / ORMS1010 Matemaattinen Analyysi. harjoitus, viikko 1 R1 ke 1 16 D11 (..) R to 10 1 D11 (..) 1. Määritä funktion y(x) MacLaurinin sarjan kertoimet, kun y(0) = ja y (x) = (x
LisätiedotTuontikoivutukkien laatu loppukäyttäjien kannalta. Juha Arponen & Henrik Heräjärvi
Tuontikoivutukkien laatu loppukäyttäjien kannalta Juha Arponen & Henrik Heräjärvi Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research Institute www.metla.fi Tausta Kuusi- ja koivutukkien
LisätiedotARVO ohjelmisto. Tausta
ARVO ohjelmisto Tausta Jukka Malinen, Metla Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research Institute www.metla.fi Ennakkotiedon tarve - Metsänomistaja 11.2.2010 2 Ennakkotiedon
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014
1 MTTTP3 Tilastollisen päättelyn perusteet 2 Luennot 8.1.2015 ja 13.1.2015 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014
LisätiedotJohdatus tilastotieteeseen Johdatus regressioanalyysiin. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2005) 1 Johdatus regressioanalyysiin Regressioanalyysin lähtökohdat ja tavoitteet Deterministiset mallit ja regressioanalyysi
LisätiedotTaitaja 2011 finaalitehtävät Metsäkoneenkäyttö
Taitaja 2011 finaalitehtävät Metsäkoneenkäyttö Tehtävä A: Koneellinen puutavaran valmistus (uudistushakkuu) (John Deere E-sarjan käyttösimulaattori) Tavoitteet Tehtävässä tavoitellaan ammattimaista koneenkäsittelyä
Lisätiedot