Kantavuuden kausivaihtelumalli
|
|
- Pirkko Mäkinen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Kantavuuden kausivaihtelumalli Laskennallinen malli kevätkantavuuden määrittämiseksi tien rakenteellisten ominaisuuksien ja kuntotietojen avulla Tiehallinnon selvityksiä 17/26
2
3 Kantavuuden kausivaihtelumalli Laskennallinen malli kevätkantavuuden määrittämiseksi tien rakenteellisten ominaisuuksien ja kuntotietojen avulla Tiehallinnon selvityksiä 17/26 Tiehallinto Helsinki 26
4 Verkkojulkaisu pdf ( ISSN ISBN TIEH v Helsinki 26 TIEHALLINTO Asiantuntijapalvelut Opastinsilta 12 A PL HELSINKI Puhelinvaihde
5 Kantavuuden kausivaihtelumalli. Helsinki 26. Tiehallinto, Asiantuntijapalvelut. Tiehallinnon selvityksiä 17/ s. + liitt. 14 s. ISSN , ISBN , TIEH Asiasanat: Kantavuus, kausivaihtelu Aiheluokka: 33, 82 TIIVISTELMÄ Tutkimuksen tavoitteena on ollut laatia laskennallinen malli kevätkantavuuden määrittämiseksi tien rakenteellisten ominaisuuksien ja mitattujen kuntotietojen avulla. Malli tulisi korvaamaan nykyisen hyvin työlään ja epätarkan menetelmän, jossa ns. kevätkantavuuskerroin arvioidaan silmämääräisesti paikan päällä olosuhteiden ja tien kunnon perusteella. Tutkimusaineistoksi pyrittiin valitsemaan mahdollisimman edustava satunnaisotos, kuitenkin niin, että kohdejoukko painottuu alemmalle (vaurioituvalle) tieverkolle. Lopullinen tutkimusaineisto sisälsi 134 kohdetta (1- metristä), joille tehtiin vuoden 23 keväällä ja kesällä taipumamittausten (PPL) lisäksi myös PTM- ja PVI-mittaukset. Useiden vaiheiden kautta parhaaksi osoittautui sellainen yleistetty lineaarinen malli, jossa selittäville muuttujille etsittiin sopivat eksponentit. AB-tiet: (selitysaste 86 %) X1.12 X Y = X X 5 missä Y = DT kevät (lämpötilakorjattu) X 1 = keskiharjanteen (keskiarvon) kasvunopeus, X 2 = kumulatiivinen kuormituskertaluku X 3 = BCI (lämpötilakorjattujen D9 D12 erotus) X 4 = SCI (lämpötilakorjattujen D D3 erotus) X 5 = DT_kesä (lämpötilakorjattu). PAB-tiet: (selitysaste 74 %) X [ X X ] 151 Y = X missä Y = DT_kevät (lämpötilakorjattu) X 1 = keskiharjanteen (keskiarvon) kasvunopeus X 2 = BCI (D9 D12 erotus) X 3 = DT_kesä (lämpötilakorjattu). SOP-tiet: (selitysaste 81 %) Y missä [ Χ Χ Χ ] 23 = X Y = DT_kevät (lämpötilakorjattu) X 1 = Päällysteen ikä X 2 = keskiharjanteen (keskiarvon) kasvunopeus X 3 = DT_kesä (lämpötilakorjattu). X 4 = BCI (D9 D12 erotus) Todettakoon, että malleissa vauriosumma on voitu korvata kokonaan paremmin toistettavilla rakenteellisilla muuttujilla: keskiharjanteen kasvunopeus, SCI (Surface Curvature Index) ja BCI (Base Curvature Index).,,
6 Säsongsvariation modell för bärighet. Helsingfors 26. Vägförvaltningen, Expertenhet. Vägförvaltningens utredningar 17/ s. + bilagor 14 s. ISSN , ISBN , TIEH v. SAMMANFATTNING Målsättningen med studien har varit att ta fram en kalkyleringsmodell för bedömning av vårbärighet med hjälp av vägens konstruktiva egenskaper och uppmätta konditionsdata. Modellen skulle kunna ersätta den nuvarande mycket mödosamma och inexakta metoden, där den sk. vårbärighetsfaktorn bedöms visuellt på platsen utifrån rådande förhållanden och vägens kondition. Syftet var att som studieunderlag välja en så representativt slumpmässigt urval som möjligt, dock så att lägre (skadekänsligt) vägnät blir betonad i målgruppen. I det slutgiltiga underlaget ingick 134 vägavsnitt (på 1 meter), där man på våren och sommaren 23 utöver sättningsmätningar (PPL) även utförde PTM- och PVI-mätningar. Bästa modellen ansågs efter flera mätningsfaser vara en kombinerad linjär modell där lämpliga exponenter söktes för de förklarande variablerna. AB-vägar: (redovisningsgrad 86 %) X1 Y = X X +.89 X X.88 3 Y = DT sättning vår (temperaturkorrigerad) X 1 = mittryggens (medelvärdes) tillväxthastighet X 2 = kumulativt belastningsantal X 3 = BCI sättningsskillnad (skillnaden mellan D9 D12) X 4 = SCI sättningsskillnad (skillnaden mellan temp.korr. D D3) X 5 = DT sättning sommar (temperaturkorrigerad). PAB-vägar: (redovisningsgrad 74 %) Y = X X X 3 Y = DT_sättning vår (temperaturkorrigerad) X 1 = SCI sättningsskillnad (skillnaden mellan temp.korr. D D3) X 2 = mittryggens (medelvärdes) tillväxthastighet X 3 = BCI sättningsskillnad (skillnaden D9 D12) X 4 = DT sättning sommar (temperaturkorrigerad). 82 [ ] 151 SOP-vägar: (redovisningsgrad 81 %), där, där [ Χ Χ Χ ] 23 Y = X där Y = DT sättning vår (temperaturkorrigerad) X 1 = Beläggningens ålder X 2 = mittryggens (medelvärdes) tillväxthastighet X 3 = DT sättning sommar (temperaturkorrigerad). X 4 = BCI sättningsskillnad (skillnaden D9 D12) Det ska konstateras att i modellerna har skadesumman helt kunnat ersättas med bättre reproducerbara konstruktiva variabler: mittryggens tillväxthastighet, SCI (Surface Curvature Index) och BCI (Base Curvature Index).
7 Season variation model for road bearing capacity. Helsinki 26. Finnish Road Administration. Finnra Reports 17/ p. + app. 14 p. ISSN , ISBN , TIEH v. Keywords: Road bearing capacity, season variation SUMMARY The main purpose of this study has been to create theoretical model to determine spring time bearing capacity based on the structural properties and measured condition data of the road. The model would replace present method which is extremely demanding and inaccurate. Earlier spring time bearing capacity was determined visually evaluated by the condition of the road. The research material was tried to choose as representative random sample as possible. However, the sample is emphasizing on the lower (which is more damaged) road network. The final research material consisted of 134 subjects (each distance was 1 meters). In addition to deflection measurements the research subjects were also analyzed with the PTM and PVI measurements during spring and summer 23. The best method was found to be the generalized linear model where fitting exponents for explanatory variables were determined. Asphalt roads: (coefficient of determination 86 %) X1.12 X X 3 Y = , X X 5 where Y = DT spring (corrected temperature) X 1 = The growth rate of the road middle ridge (average) X 2 = cumulative equivalent axle load X 3 = BCI (difference of temperature corrected D9 D12) X 4 = SCI (difference of temperature corrected D D3) X 5 = DT_summer (corrected temperature). PAB- roads: (coefficient of determination 74 %) Y = X X X 3 where Y = DT spring (corrected temperature) X 1 = The growth rate of the road middle ridge (average) X 2 = BCI (difference of temperature corrected D9 D12) X 3 = DT summer (corrected temperature). [ ] 151 Surface treatment of gravel roads: (coefficient of determination 81 %) Y = Χ Χ Χ X 4 where Y = DT spring (corrected temperature) X 1 = Age of the pavement X 2 =The growth rate of the road middle ridge (average) X 3 = DT summer (corrected temperature). X 4 = BCI (difference of temperature corrected D9 D12) [ ] 23 In these models the crack surface index has been replaced completely with the structural variables which are more repeatable like; the growth rate of the road middle ridge, SCI (Surface Curvature Index) and BCI (Base Curvature Index).,
8
9 ESIPUHE Tämän tutkimuksen tavoitteena on ollut laatia laskennallinen malli kevätkantavuuden määrittämiseksi tien rakenteellisten ominaisuuksien ja mitattujen kuntotietojen avulla. Nykyinen käytäntö on ollut työläs ja epätarkka, koska se on perustunut ns. kevätkantavuuskertoimen määrittämiseen silmämääräisesti paikan päällä olosuhteiden ja tien kunnon perusteella. Mallit perustuvat vuonna 23 mitattuun havaintoaineistoon, johon sisältyi edustava otos AB-, PAB- ja SOP-teillä tehtyjä PPL-, PTM- ja vauriomittauksia. Työn on tilannut Tiehallinto osana Väyläomaisuuden hallinnan tutkimusohjelmaa (VOH). Tutkimuksen käytännön työn ja raportin on laatinut FM Seppo Järvinen, Ramboll Finland Oy:stä. Työtä on ohjannut ja raportin laadinnassa on ollut mukana DI Ismo Iso-Heiniemi Tiehallinnosta. Helsinki, toukokuu 26 Tiehallinto Asiantuntijapalvelut
10
11 Kantavuuden kausivaihtelumalli 9 Sisältö 1 JOHDANTO JA TUTKIMUSAINEISTO Kevätkantavuusmallin tutkimuskohteiden valintaperusteet Mitatun aineiston esittely 12 2 MENETELMÄT 15 3 KEVÄTKANTAVUUSMALLIT AB-tiet PAB-tiet SOP-tiet 2 4 JOHTOPÄÄTÖKSET JA JATKOTOIMENPITEET 22 5 LIITTEET 23
12 1 Kantavuuden kausivaihtelumalli
13 Kantavuuden kausivaihtelumalli 11 JOHDANTO JA TUTKIMUSAINEISTO 1 JOHDANTO JA TUTKIMUSAINEISTO Tutkimuksen tavoitteena on ollut laatia laskennallinen malli kevätkantavuuden määrittämiseksi tien rakenteellisten ominaisuuksien ja mitattujen kuntotietojen avulla. Malli tulisi korvaamaan nykyisen hyvin työlään ja epätarkan menetelmän, jossa ns. kevätkantavuuskerroin arvioidaan silmämääräisesti paikan päällä olosuhteiden ja tien kunnon perusteella. 1.1 Kevätkantavuusmallin tutkimuskohteiden valintaperusteet Projektissa kausivaihtelumallin tutkimuskohteiden valinta ja koordinointi tehtiin ehdotus tutkimuskohteiden valitsemiseksi: keväällä 23 inventoitiin kaikenkuntoisia teitä PPL:llä, PVI:llä ja PTM:llä. Samat tiekohteet mitattiin myöhemmin kesällä sekä PTM että PPL mittauksilla. Tiet valittiin siten, että mahdollisimman moni kuului normaaliin mittausohjelmaan. Myös valittujen teiden tuli edustaa kattavasti kaikenkuntoisia teitä: 1. Koko tieverkko noin 53 km 2. Valikoidut alkuvaiheen tutkimuskohteet 3 5 km 3. Lopullinen satunnaisotos noin 1 4km. Koko tieverkko 53 km Valikoidut kohteet Sat.otos Alkukarsinta koko tieverkolta Tutkimuskohteiden alkukarsinta tehtiin seuraavien ehtojen mukaisesti : PVI mittaus keväältä 2 (todennäköisesti 3 vuoden mittauskierrolla seuraava mittaus on keväällä 23). PTM mittaus kesältä 21 (todennäköisesti 2 vuoden mittauskierrolla seuraava mittaus on kesällä 23). Toimenpiteiden oli oltava ennen sekä PVI että PTM mittauksia (= toimenpide ennen vuotta 2). SAS-tietokannasta poimittiin valikoidut tieosat (tie, ajr, suunta, kaista, aosa, aet, osan pituus) ja kohdistettiin Suomen tieverkolle ARCVIEW- ohjelmalla. Kartalta nähtiin, kuinka maantieteellisesti valitut kohteet sijaitsivat (kartasta voitiin tehdä A3 tai A kokoisia piiritulosteita). Samaan karttaan voitiin myöhemmin lisätä tiepiirien mittausohjelman mukaiset kohteet. Edellä kuvatulla tavalla tieverkolta löytyi noin 3 5 km tutkimuskohteiksi soveltuvia teitä. Lopullinen kohdejoukko valittiin erikseen valittujen tiekohteiden (vajaat 3 5 km) joukosta siten, että ne edustivat erilaisia teitä (painotus alemmalle, vaurioituneelle, tieverkolle). Edustavuutta verrattiin koko tieverkon- ja alkuvaiheen karsitun aineistojen välillä.
14 12 Kantavuuden kausivaihtelumalli JOHDANTO JA TUTKIMUSAINEISTO Edustavuutta tutkittiin seuraavien muuttujien avulla tieosakeskiarvoina: o Päällystelaji: 2 eri luokkaa, AB päällystelaji<21, PAB ja SOP päällystelaji o SCI3-taipuma: 2 eri luokkaa, SCI3<33, SCI3 >329 o Vauriosumma: 2 eri luokkaa, VS<4, VS>39 o Päällysteen ikä: 2 eri luokkaa, päällysteen ikä 1 8 vuotta, päällysteen ikä yli 9-vuotta. Edellä mainittujen muuttujien muodostamien luokkien suhteen tehtiin kokeensuunnittelumatriisi (2x2x2x2 = 16 kpl eri luokkakombinaatiota). Tehtiin ositettu otanta, josta saatiin seuraavan taulun mukainen tulos. Taulukko. Kokeensuunnittelumatriisi. Ositetun otanta-aineiston jakautuminen homogeenisiin osaverkkoihin (harvinaisia osaverkkoja yhdistelty). SCI3 VS Ei mittausta <33 =>33 yhteensä /m PVI-23 OSAVERKKO <4 =>4 <4 =>4 <4 on 1: AB,Pikä<9v : AB,Pikä=>9v : AB : MUU, Pikä<9v : MUU, Pikä=>9v : MUU, Pikä=>9v : MUU, Pikä=>9v : MUU, Pikä=>9v : MUU, Pikä<9v : MUU, Pikä=>9v : MUU, Pikä=>9v : MUU, Pikä=>9v Yhteensä Osa-aineistot yhdistettiin SAS-tilasto-ohjelmassa yhdeksi tietokannaksi, jossa yksi rivi on yksi 1-metrin tiepätkä eli tieosoite ja eri muuttujat ovat eri sarakkeissa. 1.2 Mitatun aineiston esittely Havaintojen määrät mittauslajeittain Yhteensä PVI_kevät 117 PPL_kevät 1178 PPL_kesä 119 PTM_kevät -mittaus 12 PTM_kesä -mittaus 1149 Tutkimuksessa käytettävissä olevia havaintoja 134 Tilattuja mittauksia oli kpl, joista 1 34 soveltui tutkimukseen.
15 Kantavuuden kausivaihtelumalli 13 JOHDANTO JA TUTKIMUSAINEISTO Summa / pituus m SCI3 kevät VS <33 33 Yhteensä P-laji P-ikä <4 4 <4 4 AB 1-8 vuotta vuotta PAB 1-8 vuotta vuotta SOP 1-8 vuotta vuotta Yhteensä Summa / pituus m SCI3 kesä VS <33 33 Yhteensä P-laji P-ikä <4 4 <4 4 AB 1-8 vuotta vuotta PAB 1-8 vuotta vuotta SOP 1-8 vuotta vuotta Yhteensä Aineiston määrä päällystelajiluokissa Frequency AB PAB SOP Frequency Päällysteluokka Frequency
16 14 Kantavuuden kausivaihtelumalli JOHDANTO JA TUTKIMUSAINEISTO B-tiet AB-tie, Kevätkantavuuskerroin 2 % 1 % 16 % 72 % PAB-tiet PAB-tie, Kevätkantavuuskerroin % 39 % 36 % % SOP-tiet SOP-tie, Kevätkantavuuskerroin % 43 % 57 % % Tutkimusaineiston tilastollisia jakaumia on esitetty tarkemmin liitteessä 1.
17 Kantavuuden kausivaihtelumalli 15 MENETELMÄT 2 MENETELMÄT Tässä tutkimuksessa on käytetty sakkomallia eli toiselta nimeltään yleistettyä lineaarista mallia (=GLM), jossa valitut selittäjät joko lisäävät tai vähentävät selitettävän muuttujan Y keskimääräistä tasoa. Selittäjät voivat olla joko jatkuvia tai luokitettuja kunhan ne ovat järjestysasteikollisia. Regressiomallin ja sakkomallin yksi ero on siinä, että sakkomallissa luokitetun selittäjän luokkatason vaikutus vasteen Y keskimääräiseen arvoon ei tarvitse olla vakio. Seuraava esimerkki valaisee regressio- ja sakkomallin eroja Plaji ( AB = 1, PAB = 2, SOP = 3) Y REG = +.9 KVL _ R ( KVL _ R = 1, KVL _ R = 2, KVL _ R = 3) +.6 SCI3 Eo. regressiomallia tulkitaan siten, että jos selittäjiä ei oteta huomioon, vaurionopeus regressiomallissa olisi 1.4 m2/vuosi. Sitten tuohon vakioarvoon on lisättävä kunkin tieolosuhteen aiheuttama muutos keskimääräisessä nopeudessa. Esimerkiksi jos päällystelajina onkin SOP, niin tällöin regressiokerroin.6 kerrotaan 3:lla (AB=.6, PAB=1.2 ja SOP=1.8) ja päällystelaji SOP:n vaikutukseksi saadaan 1.8 m2/vuosi nopeuslisää. Tällöin vakion ja päällystelajin muodostama nopeusennuste olisi jo 3.2 m2/vuosi. Samalla tavalla kaikkien merkitsevien selittäjien vaikutus nopeuteen on additiivisesti laskettavissa riippuen toki muuttujan saamasta arvosta. Kaavan Y REG mukaisesti mikäli tiellä olisi KVL_R:n luokkatason 2 mukainen raskaan liikenteen määrä sitä vastaava vaikutus Y-muuttujaan olisi 2 x.9 eli.18 suuruista etumerkkeineen. Eli luokkatason muutos vaikuttaa vakiomuutoksen Y-muuttujan keskimääräiseen tasoon. 1. ( jos AB) +.9 ( jos PAB) 1.2 ( jos SOP) Y sakko =.. ( jos KVL _ R = 1) +.4 ( jos KVL _ R = 2 ).32 ( jos KVL _ R = 3) +.2 SCI3 Edellä on esimerkki sakkomallista: jos sakkomallissa tiellä on raskaanliikenteen määrä luokkatasoa 2 vastaavaa vaikuttaa ko. muuttuja selitettävän muuttujan Y keskimääräiseen tasoon vain.4 yksikön verran (vrt. regressiomallin vaikutus.18). Numeeristen menetelmien avulla (Gauss Newton) on arvioitu kunkin yleistetyn lineaarisen mallin selittäjän funktiomuotoa kaavan a X j b mukaan, jossa parametrit a ja b ovat tuntemattomia. Kun funktiomuoto on saatu selville sijoitetaan tulos yleistetyn lineaarisen mallin yhtälöön, josta sitten haetaan sopivat kertoimet kullekin selittäjälle X. j
18 16 Kantavuuden kausivaihtelumalli KEVÄTKANTAVUUSMALLIT 3 KEVÄTKANTAVUUSMALLIT 3.1 AB-tiet Parhaaksi AB-päällysteiden malliksi osoittautui seuraava: X1.12 X Y = X X 5 missä Y = DT kevät (lämpötilakorjattu) X 1 = keskiharjanteen (keskiarvon) kasvunopeus X 2 = kumulatiivinen kuormituskertaluku X 3 = BCI taipumaero (D9 D12) X 4 = SCI taipumaero (lämpötilakorjattu D D3) X 5 = DT_kesä (lämpötilakorjattu). Selitysasteeksi on AB-teiden mallissa saatu noin 86 % X AB-tiet R 2 = Mallilla laskettu dt_kevät Mitattu dt_kevät Mallin pätevyysalue on DT_kesä -taipuma 3. Pienillä arvoilla (=hyvin kantavilla teillä), kun DT_kesä -taipuma on alle 3, käytetään kaavaa: D T _ kevät = 1.5 DT _ kesä, joka on saatu laskemalla suhde DT _ kevät DT _ kesä mitatusta tutkimusaineistosta.
19 Kantavuuden kausivaihtelumalli 17 KEVÄTKANTAVUUSMALLIT Seuraavasta kuvasta käy ilmi, kuinka suhdekertoimella ennustettu DT_kevät vastaa mitattua DT_kevät -arvoa AB-teillä (siis kun DT_kesä 3). 4 AB-tiet 1.3 kertoimella kerrottu D_kesä = ennustettu dt_kevät Mitattu dt_kevät Mikäli DT_kevät -ennusteen laskennassa on puuttuvia tietoja kuten esimerkiksi harjanteen keskimääräinen kasvunopeus origon kautta ja/tai kumulatiivinen kuormituskertaluku (ei taipuma DT_kesä, BCI- ja SCI taipumaerot), käytetään seuraavia oletusarvoja AB-teillä Harjanteen keskimääräisen kasvunopeuden oletusarvona on 1.17 mm/v. kumulatiivisen kuormituskertaluvun oletusarvona on AB-tiet (oletusarvoilla) R 2 = Mallilla laskettu dt_kevät Mitattu dt_kevät
20 18 Kantavuuden kausivaihtelumalli KEVÄTKANTAVUUSMALLIT 3.2 PAB-tiet Paras PAB-päällysteiden malli on seuraava: Y = X X X 3 missä Y = DT_kevät (lämpötilakorjattu) X 1 = keskiharjanteen (keskiarvon) kasvunopeus X 2 = BCI taipumaero X 3 = DT_kesä (lämpötilakorjattu). [ ] 151 Selitysasteeksi on PAB-teiden mallissa saatu 74 %., 25 PAB-tiet R 2 = Mallilla laskettu dt_kevät Mitattu dt_kevät Mallin pätevyysalue on DT_kesä -taipuma 35. Pienillä arvoilla, kun DT_kesä -taipuma on alle 35, käytetään kaavaa: D T _ kevät = 1.38 DT _ kesä, joka on saatu laskemalla suhde DT _ kevät DT _ kesä mitatusta tutkimusaineistosta.
21 Kantavuuden kausivaihtelumalli 19 KEVÄTKANTAVUUSMALLIT Oheisesta kuvasta käy ilmi, kuinka hyvin suhdekertoimella ennustettu DT_kevät vastaa mitattua DT_kevät -arvoa. 5 PAB-tiet 1.38 kertoimella kerrottu D_kesä = ennustettu DT_kevät Mitattu dt_kevät Mikäli kevättaipuman ennusteen laskennassa on puuttuvia tietoja kuten esimerkiksi harjanteen keskimääräinen kasvunopeus origon kautta (ei taipuma DTkesä tai BCI taipumaero), käytetään PAB-teillä oletusarvoa 1.8 mm/v. 25 PAB-tiet (oletusarvoilla) R 2 = Mallilla laskettu dt_kevät Mitattu dt_kevät
22 2 Kantavuuden kausivaihtelumalli KEVÄTKANTAVUUSMALLIT 3.3 SOP-tiet Paras SOP-päällysteiden malli on seuraava: Y = Χ Χ Χ X 4 missä Y = DT_kevät (lämpötilakorjattu) X 1 = Päällysteen ikä X 2 = keskiharjanteen (keskiarvon) kasvunopeus X 3 = DT_kesä (lämpötilakorjattu). X 4 = BCI_kesä (lämpötilakorjattu). [ ] 23 Selitysasteeksi on SOP-teiden mallissa saatu 81 %. 25 SOP-tiet 2 Mallilla laskettu dt_kevät Mitattu dt_kevät Mallin pätevyysalue on DT_kesä -taipuma 55. Pienillä arvoilla, kun DT kesätaipuma on alle 55, käytetään kaavaa: D T _ kevät = 1.58 DT _ kesä, joka on saatu laskemalla suhde DT _ kevät DT _ kesä mitatusta tutkimusaineistosta.
23 Kantavuuden kausivaihtelumalli 21 KEVÄTKANTAVUUSMALLIT Oheisesta kuvasta käy ilmi, kuinka hyvin suhdekertoimella ennustettu DT_kevät vastaa mitattua DT_kevät -arvoa. SOP-tiet kertoimella kerrottu D_kesä = ennustettu DT_kevät Mitattu dt_kevät Mikäli kevättaipuman ennusteen laskennassa on puuttuvia tietoja kuten esimerkiksi harjanteen keskimääräinen kasvunopeus origon kautta ja/tai päällysteen ikä (ei taipuma DT_kesä ja BCI taipumaero), käytetään seuraavia oletusarvoja SOP-teillä Harjanteen keskimääräisen kasvunopeuden oletusarvona on 2.5 mm/v. Pällysteen iän oletusarvona on 1 vuotta. 25 SOP-tiet (oletusarvoilla) R 2 = Mallilla laskettu dt_kevät Mitattu dt_kevät Lisää mallien kuvausta on liitteessä 2 "Kausivaihtelumallien diagnostiikkakuvat".
24 22 Kantavuuden kausivaihtelumalli JOHTOPÄÄTÖKSET JA JATKOTOIMENPITEET 4 JOHTOPÄÄTÖKSET JA JATKOTOIMENPITEET Tutkimustulosten tulkinnassa on otettava huomioon, että kohdeaineiston mittausajankohtaa keväällä ei ole voitu valita kantavuudeltaan heikoimpaan ajankohtaan. Siten keskimäärin mallin antamat kevätkantavuusarvot eivät edusta heikointa tilannetta tiestöllä. Malli siis edustaa ainoastaan yhden vuoden tilannetta valitulla kohdejoukolla vuonna 23. Pitemmällä aikavälillä näissä kohdejoukon pisteissä esiintyy todennäköisesti vielä heikompia kantavuuksia kevään aikana johtuen erilaisista kosteusolosuhteista tien rakenteessa ja pohjamaassa. Lisäksi käytännön havainnot ovat osoittaneet, että esimerkiksi kesäkantavuuskin voi vaihdella 2 3 % verrattaessa sadejakson jälkeisiä arvoja kuivaan kauteen. Edellä esitetyt näkökohdat tulisi ottaa huomioon silloin, kun mallin antamia kevätkantavuusarvoja käytetään hanketasolla tierakenteiden mitoituksessa. Raportin luvuissa on esitetty parhaimmat kevätkantavuusmallit. Sekä mitattu että ennustettu DT_kevät ovat keskimäärin samalla tasolla kaikilla päällystelajeilla (AB, PAB, SOP). PPL-mittaajien arviointiin perustuvien kevätkantavuuskertoimien avulla ennustetut DT_kevät -arvot (kts. liite1 sivu 11/13) poikkeavat tämän tutkimuksen mukaan selvästi havaituista: kk-kertoimet antavat AB-teillä liian hyviä ja PAB sekä SOP -teillä liian huonoja kevätkantavuuksia. Tässä työssä tehty kausivaihtelumalli kannattaisi testata heti keväällä 26 tehtävien PPL-mittausten avulla (samat tiet vuodelta 23 pitäisi mitata sekä keväällä että kesällä PPL ja RST-mittareilla). Tällöin lasketaan kausivaihtelumallilla kevään DT-taipumaennuste, jota verrataan todelliseen kevät DTmittaukseen. Testausaineistoksi sopisi sellainen kohdejoukko, joka painottuisi etupäässä alemmalle tieverkolle, jossa taipuma DT arvot ovat suurehkoja. Lisäksi RST- ja APVM-mittarin uusien parametrien monipuolisempaa käyttöä voitaisiin harkita, jolloin kausivaihtelumallissa olisi mahdollisesti lisäselittäjiä.
25 Kantavuuden kausivaihtelumalli 23 LIITTEET 5 LIITTEET Liite 1: Kevätkantavuusmallien aineiston kuvaus (sivut 1 9/13) Liite 1: Kevätkantavuusmallien diagnostiikkakuvat (sivut 1 13/13) Excel-tiedosto (Järvinen/Iso-Heiniemi): -Kevätkantavuusmalli_3426.xls
26
27 Kantavuuden kausivaihtelumalli Liite 1 (1/13) LIITTEET KAUSIVAIHTELUMALLIN AINEISTON KUVAUS D AB-tie N/A Log-logistic (data) Function Shift N/A g b a 4.2 Minimum Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis D PAB-tie N/A Log-norm (data) Function Shift Mean STD Minimum Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis X <= % AB-tie, D taipuma Mean = 528. Mean = X <= % PAB-tie, D taipuma X <= % Mean = 656 Mean = 65 X <= % Values x 1^-3 Values x 1^-3 D SOP-tie N/A Log-norm (data) Function Shift Mean STD Minimum Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis X <= % SOP-tie, D taipuma Mean = 891 Mean = 899 X <= % Values x 1^-3
28 Liite 1 (2/13) Kantavuuden kausivaihtelumalli LIITTEET SCI AB-tie N/A FIT Log-logistic (data) Function Shift N/A g b a 5.84 Minimum Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis SCI PAB-tie N/A Log-logistic (data) Function Shift N/A g b a 3.53 Minimum Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis N/A X <= % AB-tie, SCI taipumaero Mean = Mean = X <= % X <= 19 5.% PAB-tie, SCi taipumaero Mean = 311 Mean = 313 X <= % Values x 1^-3 Values x 1^-3 SCI SOP-tie N/A Log-norm (data) Function Shift Mean STD Minimum Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis X <= % SOP-tie, SCI taipumaero Mean = Mean = X <= % Values x 1^-3
29 Kantavuuden kausivaihtelumalli Liite 1 (3/13) LIITTEET BCI AB-tie N/A FIT Gauss (data) Function 33.9 Shift 6.98 a 2.88 b 9.36 Minimum - 8. Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis BCI PAB-tie N/A Lognorm (data) Function Shift Mean 4.8 STD 2.88 Minimum Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis X <= % AB tie, BCI taipumaero Mean = 33.9 Mean = 33.9 X <= % X <= 1. 5.% PAB-tie, BCI taipumaero Mean = 34.8 Mean = 34.3 X <= % X <= % SOP-tie, BCI taipumaero X <= % Mean = 5.6 Mean = Values x 1^-2 Values x 1^-2 Values x 1^-2 BCI SOP-tie N/A Lognorm (data) Function 5.66 Shift Mean STD Minimum -. Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis
30 Liite 1 (4/13) Kantavuuden kausivaihtelumalli LIITTEET Harjanne nopeus AB-tie N/A Log-logistic (data) Function 1.1 Shift N/A g -.27 b 1.15 a 4. Minimum Maximum Mean Mode.74.6 arvio Median.88.9 STD Variance Skewness Kurtosis N/A 3.92 Harjanne nopeus PAB-tie N/A Log-logistic (data) Function.82 Shift N/A g -.25 b.98 a 4.35 Minimum Maximum Mean Mode.63.6 arvio Median STD.5.43 Variance Skewness Kurtosis Harjanne nopeus SOP-tie N/A Log-norm (data) Function 1.89 Shift -.98 Mean 2.86 STD.94 Minimum -.4 Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis AB-tie, harjanne keskiarvon kasvunopeus X <=.28 5.% Mean = 1. Mean = 1. X <= % PAB-tie, harjanne keskiarvon kasvunopeus X <= % Mean =.81 Mean =.82 X <= % X <= % SOP-tie, harjanne keskiarvon kasvunopeus Mean = 1.9 Mean = 1.9 X <= %
31 Kantavuuden kausivaihtelumalli Liite 1 (5/13) LIITTEET Päällysteen ikä AB-tie N/A Normal (data) Function Shift N/A mean STD 5.34 Minimum - 5. Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis Päällysteen ikä PAB-tie N/A uniform (data) Function 16.5 Shift N/A min 4.96 max 28.4 Minimum - 5. Maximum Mean Mode N/A 12. arvio Median STD Variance Skewness..87 Kurtosis Päällysteen ikä SOP-tie N/A Normal (data) Function 1.8 Shift N/A Mean 1.8 STD 2.68 Minimum - 8. Maximum Mean Mode arvio Median STD Variance Skewness..13 Kurtosis AB-tie, päällysteen ikä Mean = 11.1 X <= % Mean = X <= % PAB-tie, päällysteen ikä Mean = 12.6 Mean = 16.5 X <= % SOP-tie, päällysteen ikä Mean = 1.8 Mean =
32 Liite 1 (6/13) Kantavuuden kausivaihtelumalli LIITTEET Vauriosumma AB-tie N/A Log-normal (data) Function Shift Mean 34.2 STD Minimum -. Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis Vauriosumma PAB-tie N/A Log-norm (data) Function 5.33 Shift Mean STD Minimum -. Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis X <= % SOP-tie, vauriosumma Mean = 37.3 Mean = 38.4 X <= % Values x 1^-2 Vauriosumma SOP-tie N/A Log-norm (data) Function Shift -9.9 Mean STD Minimum -. Maximum Mean Mode arvio Median Std. Deviation Variance Skewness Kurtosis X <= % Mean = 31.9 Mean = 32.8 AB-tie, vauriosumma X <= % X <= % Mean = 43.2 PAB-tie, vauriosumma X <= % 2.5 Mean = Values x 1^-2 Values x 1^-2
33 Kantavuuden kausivaihtelumalli Liite 1 (7/13) LIITTEET Vaurionopeus (m2/v) AB-tie N/A Log-normal (data) Function 2.7 Shift -.19 Mean 2.89 STD 3.7 Minimum -. Maximum Mean Mode.48 arvio Median STD Variance Skewness Kurtosis Vaurionopeus (m2/v). PAB-tie N/A Log-norm (data) Function 3.95 Shift -.14 Mean 4.9 STD 8.7 Minimum -. Maximum Mean Mode.24. arvio Median STD Variance Skewness Kurtosis Vaurionopeus (m2/v). SOP-tie N/A Log-norm (data) Function 3.45 Shift -1.5 Mean 4.5 STD 3.9 Minimum -. Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis X <=.16 5.% AB-tie, vaurionopeus (m2/v) X <= % Mean = 2.9 Mean = X <=.9 5.% PAB-tie, vaurionopeus (m2/v). Mean = 3.4 X <= % Mean = X <=.29 5.% SOP-tie, vaurionopeus (m2/v) Mean = 3.4 X <= % Mean =
34 Liite 1 (8/13) Kantavuuden kausivaihtelumalli LIITTEET Kevät/kesä IRI AB-tie N/A Normal (data) Function 1.4 Shift N/A Mean 1.4 STD.15 Minimum -. Maximum Mean Mode arvio Median STD Variance.2.2 Skewness Kurtosis Kevät/kesä IRI PAB-tie N/A Log-norm (data) Function 1.8 Shift -1.7 Mean 2.15 STD.2 Minimum -. Maximum Mean Mode arvio Median STD.2.21 Variance.4.5 Skewness Kurtosis Kevät/kesä IRI SOP-tie N/A Normal (data) Function 1.8 Shift N/A Mean 1.8 STD.12 Minimum -.82 Maximum Mean Mode arvio Median STD Variance.2.2 Skewness..83 Kurtosis AB-tie, (kevät/kesä) IRI X <=.84 5.% Mean = 1.4 Mean = 1.4 X <= % PAB-tie, (kevät/kesä) IRI X <= % Mean = 1.7 X <= % Mean = SOP-tie, (kevät/kesä) IRI X <= % Mean = 1.7 Mean = 1.7 X <= %
35 Kantavuuden kausivaihtelumalli Liite 1 (9/13) LIITTEET Kumulatiivinen kuormituskertaluku AB-tie N/A Log-normal (data) Function Shift Mean STD Minimum Maximum Mean Mode arvio Median STD Variance 2.5x1^11 1.7x1^11 Skewness Kurtosis Tien leveys AB-tie N/A Normal (data) Function 7.7 Shift N/A Mean 7.7 STD 1.45 Minimum Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis AB-tie, kumulatiivinen kuormituskertaluku 1. X <= % Mean = Mean = X <= % AB-tie, tien leveys X <= % Mean = 7.7 Mean =
36 Kantavuuden kausivaihtelumalli LIITTEET
37 Kantavuuden kausivaihtelumalli Liite 1 (1/13) LIITTEET KEVÄTKANTAVUUSMALLIN ENNUSTEVIRHEKUVAAJAT 8 AB-tiet 8 6 Malli yliennustaa Sakko-mallin ennustevirhe (ennustemittaus) Malli aliennustaa Mitattu dt_kevät PAB-tiet Malli yliennustaa Sakko-mallin ennustevirhe (ennustemittaus) Malli aliennustaa -8 Mitattu dt_kevät SOP-tiet Malli yliennustaa Malli aliennustaa Mitattu dt_kevät Sakko-mallin ennustevirhe (ennustemittaus)
38 Liite 1 (11/13) Kantavuuden kausivaihtelumalli LIITTEET ERI KEVÄTKANTAVUUSMALLIEN DIAGNOSTIIKKAKUVAT Kevätkantavuuskertoimella laskettu Dkevät AB-tiet R 2 =.812 PAB-tiet R 2 = KK-kertoimella laskettu dt_kevät KK-kertoimella laskettu dot_kevät Mitattu dt_kevät Mitattu dt_kevät 3 SOP-tiet R 2 = KK-kertoimella laskettu dt_kevät Mitattu dt_kevät
39 Kantavuuden kausivaihtelumalli Liite 1 (12/13) LIITTEET Lämpötilakorjatun D:n avulla regressiomallilla laskettu Dkevät AB-tiet R 2 PAB-tiet R = = Nlin-mallilla laskettu dt_ke Nlin-mallilla laskettu dt_ke Mitattu dt_kevät Mitattu dt_kevät 3 SOP-tiet R 2 = Nlin-mallilla laskettu dt_ke Mitattu dt_kevät
40 Liite 1 (13/13) Kantavuuden kausivaihtelumalli LIITTEET Yleistetyn lineaarisen mallin avulla laskettu Dkevät 25 AB-tiet R 2 = GLM-Mallilla laskettu dt_ke Mitattu dt_kevät PAB-tiet R 2 = Mitattu dt_kevät GLM-Mallilla laskettu dot_ke 3 SOP-tiet R 2 = GLM-Mallilla laskettu dt_ke Mitattu dt_kevät
41
42 ISSN ISBN TIEH v
Seppo Järvinen, Kari Lehtonen. Tien epätasaisuus 3 6 vuotta rakentamisen tai parantamisen jälkeen
Seppo Järvinen, Kari Lehtonen Tien epätasaisuus 3 6 vuotta rakentamisen tai parantamisen jälkeen Seppo Järvinen, Kari Lehtonen Tien epätasaisuus 3 6 vuotta rakentamisen tai parantamisen jälkeen Tiehallinnon
LisätiedotVähäliikenteisten teiden urautumismallit kuntorekisteriaineistossa ( )
Vähäliikenteisten teiden urautumismallit kuntorekisteriaineistossa (2002-2003) Tiehallinnon sisäisiä julkaisuja 14/2003 Aineistona ovat PAB-V tiet sekä alle 800 ajon/d AB ja PAB-B tiet. Kunnostuksen jälkeinen
LisätiedotHarjoittele tulkintoja
Harjoittele tulkintoja Syksy 9: KT (55 op) Kvantitatiivisen aineiston keruu ja analyysi SPSS tulosteiden tulkintaa/til Analyysit perustuvat aineistoon: Haavio-Mannila, Elina & Kontula, Osmo (1993): Suomalainen
LisätiedotHarjoitus 9: Excel - Tilastollinen analyysi
Harjoitus 9: Excel - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen regressioanalyysiin
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
LisätiedotKantavuustunnusluvun kehittäminen
Kantavuustunnusluvun kehittäminen Taipumasuhde-hypoteesin testaus Tiehallinnon selvityksiä 6/2007 Kantavuustunnusluvun kehittäminen Taipumasuhde-hypoteesin testaus Tiehallinnon selvityksiä Tiehallinto
LisätiedotJaakko Myllylä ja Anssi Lampinen Liikkuvan kelihavainnoinnin automatisointi
Jaakko Myllylä ja Anssi Lampinen Liikkuvan kelihavainnoinnin automatisointi VIKING Jaakko Myllylä ja Anssi Lampinen Liikkuvan kelihavainnoinnin automatisointi Tiehallinto Kaakkois-Suomen tiepiiri Liikenteen
LisätiedotASUINKERROSTALON ÄÄNITEKNISEN LAADUN ARVIOINTI. Mikko Kylliäinen
ASUINKERROSTALON ÄÄNITEKNISEN LAADUN ARVIOINTI Mikko Kylliäinen Insinööritoimisto Heikki Helimäki Oy Dagmarinkatu 8 B 18, 00100 Helsinki kylliainen@kotiposti.net 1 JOHDANTO Suomen rakentamismääräyskokoelman
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
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
LisätiedotPientalojen radonpitoisuuksien tilastollinen analyysi
Pientalojen radonpitoisuuksien tilastollinen analyysi (Valmiin työn esittely) 11.4.2011 Ohjaaja: DI Jirka Poropudas Valvoja: Prof. Raimo Hämäläinen Sisältö 1. Tausta 2. Tavoitteet 3. Menetelmät 4. Tulokset
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
LisätiedotNäistä standardoiduista arvoista laskettu keskiarvo on nolla ja varianssi 1, näin on standardoidulle muuttujalle aina.
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, kevät 2019 https://coursepages.uta.fi/mtttp1/kevat-2019/ HARJOITUS 3 Joitain ratkaisuja 1. x =(8+9+6+7+10)/5 = 8, s 2 = ((8 8) 2 + (9 8) 2 +(6 8) 2 + (7 8) 2 ) +
LisätiedotTeema 3: Tilastollisia kuvia ja tunnuslukuja
Teema 3: Tilastollisia kuvia ja tunnuslukuja Tilastoaineiston peruselementit: havainnot ja muuttujat havainto: yhtä havaintoyksikköä koskevat tiedot esim. henkilön vastaukset kyselylomakkeen kysymyksiin
LisätiedotVerkkotason taipumamittausten tarveselvitys
Verkkotason taipumamittausten tarveselvitys 5.9.2005 Työraportti Verkkotason taipumamittausten tarveselvitys Tiehallinto Helsinki 2005 Helsinki 2005 TIEHALLINTO Keskushallinto Opastinsilta 12 A PL 33
LisätiedotYhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1
Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia Heliövaara 1 Regressiokertoimien PNS-estimaattorit Määritellään havaintojen x j ja y j, j = 1, 2,...,n
LisätiedotLeikkijunan kunto toimiva ei-toimiva Työvuoro aamuvuoro päivävuoro iltavuoro
Lisätehtäviä 1. Erään yrityksen satunnaisesti valittujen työntekijöiden poissaolopäivien määrät olivat vuonna 003: 5, 3, 16, 9, 0, 1, 3,, 19, 5, 19, 11,, 0, 4, 6, 1, 15, 4, 0,, 4, 3, 3, 8, 3, 9, 11, 19,
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
LisätiedotTA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET
TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET 16..015 1. a Poliisivoimien suuruuden lisäksi piirikuntien rikostilastoihin vaikuttaa monet muutkin tekijät. Esimerkiksi asukkaiden keskimääräinen
LisätiedotTIEREKISTERIN INTRANET-KATSELUOHJELMAN KÄYTTÖOHJE (19.2.2004)
1 (7) TIEREKISTERIN INTRANET-KATSELUOHJELMAN KÄYTTÖOHJE (19.2.2004) Huom! Tätä ohjetta ei ole täysin päivitetty vastamaan uutta ulkoasua, koska vielä uudempi extranet-versio on tulossa. Perusperiaatteet
LisätiedotI. Principles of Pointer Year Analysis
I. Principles of Pointer Year Analysis Fig 1. Maximum (red) and minimum (blue) pointer years. 1 Fig 2. Principle of pointer year calculation. Fig 3. Skeleton plot graph created by Kinsys/Kigraph programme.
LisätiedotSELVITTÄJÄN KOMPETENSSISTA
OTM, KTM, Mikko Hakola, Vaasan yliopisto, Laskentatoimen ja rahoituksen laitos Helsinki 20.11.200, Helsingin kauppakorkeakoulu Projekti: Yrityksen maksukyky ja strateginen johtaminen SELVITTÄJÄN KOMPETENSSISTA
LisätiedotHarjoitukset 3 : Monimuuttujaregressio 2 (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 3 : Monimuuttujaregressio 2 (Palautus 7.2.2017) Tämän harjoituskerran tehtävät
LisätiedotUsean selittävän muuttujan regressioanalyysi
Tarja Heikkilä Usean selittävän muuttujan regressioanalyysi Yhden selittävän muuttujan regressioanalyysia on selvitetty kirjan luvussa 11, jonka esimerkissä18 muodostettiin lapsen syntymäpainolle lineaarinen
LisätiedotKeskittämisrenkaat. Meiltä löytyy ratkaisu jokaiseen putkikokoon, 25 mm ja siitä ylöspäin.
Keskittämisrenkaat Keskittämisrenkaita käytetään kun virtausputki menee suojaputken sisällä, kuten esim. tiealituksissa. Meidän keskittämisrenkaat ovat valmistettu polyeteenistä jonka edut ovat: - helppo
LisätiedotNäistä standardoiduista arvoista laskettu keskiarvo on nolla ja varianssi 1, näin on standardoidulle muuttujalle aina.
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2017 http://www.uta.fi/sis/mtt/mtttp1/syksy_2017.html HARJOITUS 3 viikko 40 Joitain ratkaisuja 1. Suoritetaan standardointi. Standardoidut arvot ovat z 1 =
LisätiedotKeskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)
Mat-.3 Koesuunnittelu ja tilastolliset mallit kevät Keskipisteen lisääminen k -faktorikokeeseen (ks. Montgomery 9-6) Esim (Montg. ex. 9-, 6-): Tutkitaan kemiallisen prosessin saannon Y riippuvuutta faktoreista
LisätiedotMaaston ja tiestön kantavuuden ennustaminen. Jori Uusitalo Jari Ala-ilomäki Harri Lindeman Tomi Kaakkurivaara Nuutti Vuorimies Pauli Kolisoja
Maaston ja tiestön kantavuuden ennustaminen Jori Uusitalo Jari Ala-ilomäki Harri Lindeman Tomi Kaakkurivaara Nuutti Vuorimies Pauli Kolisoja Metsätien kantavuuden mittaus Pudotuspainolaitteet Loadman ja
LisätiedotHARJOITUS- PAKETTI A
Logistiikka A35A00310 Tuotantotalouden perusteet HARJOITUS- PAKETTI A (6 pistettä) TUTA 19 Luento 3.Ennustaminen County General 1 piste The number of heart surgeries performed at County General Hospital
LisätiedotVOH 2.15 Painorajoitussuunnittelun kriteerien kehittäminen
VOH 2.15 Painorajoitussuunnittelun kriteerien kehittäminen 2 Tavoitteet Painorajoitussuunnittelun kehittäminen Toimintamallin kehittäminen Tarkennetaan päällystettyjen teiden kelirikkoalttiuden määräytymistä.
Lisätiedot1. PÄÄTTELY YHDEN SELITTÄJÄN LINEAARISESTA REGRESSIOMALLISTA
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat Päättely yhden selittäjän lineaarisesta regressiomallista Ennustaminen, Ennuste, Ennusteen luottamusväli, Estimaatti, Estimaattori,
LisätiedotTasaisuuden ja sivukaltevuuden toteutuma 3-5 vuotta rakentamisen tai parantamisen jälkeen
Rakenteen parantaminen, ennen/jälkeen TP Kari Lehtonen, Vesa Laine, Seppo Järvinen Tasaisuuden ja sivukaltevuuden toteutuma - vuotta rakentamisen tai parantamisen jälkeen Tiehallinnon selvityksiä / Kari
LisätiedotTässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot)
R-ohjelman käyttö data-analyysissä Panu Somervuo 2014 Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. 0) käynnistetään R-ohjelma Huom.1 allaolevissa ohjeissa '>' merkki on R:n
LisätiedotSiirto-projekti. Suositus kuntotietojen muunnoskaavoiksi
Siirto-projekti Suositus kuntotietojen muunnoskaavoiksi Vanhan ja uuden uran korrelaatiokuva 30 25 uusi (mm) 20 15 10 5-40 -30-20 -10 0 10 20 30 vanha (mm) 0 Vesa Männistö Inframan Oy 12.12.2003 Siirto-projekti
LisätiedotHAVAITUT JA ODOTETUT FREKVENSSIT
HAVAITUT JA ODOTETUT FREKVENSSIT F: E: Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies (1) 59 28 4 91 Nainen (2) 5 14 174 193 Yhteensä 64 42 178 284 Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies
LisätiedotTree map system in harvester
Tree map system in harvester Fibic seminar 12.6.2013 Lahti Timo Melkas, Metsäteho Oy Mikko Miettinen, Argone Oy Kalle Einola, Ponsse Oyj Project goals EffFibre project 2011-2013 (WP3) To evaluate the accuracy
LisätiedotA250A0050 Ekonometrian perusteet Tentti
A250A0050 Ekonometrian perusteet Tentti 28.9.2016 Tentissä ei saa käyttää laskinta. Tentistä saa max 80 pistettä. Hyväksytysti suoritetusta harjoitustyöstä saa max 20 pistettä. Huom. Merkitse vastauspaperin
Lisätiedot54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):
Tilastollinen tietojenkäsittely / SPSS Harjoitus 5 Tarkastellaan ensin aineistoa KUNNAT. Kyseessähän on siis kokonaistutkimusaineisto, joten tilastollisia testejä ja niiden merkitsevyystarkasteluja ei
LisätiedotCapacity Utilization
Capacity Utilization Tim Schöneberg 28th November Agenda Introduction Fixed and variable input ressources Technical capacity utilization Price based capacity utilization measure Long run and short run
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
LisätiedotEsimerkki 1: auringonkukan kasvun kuvailu
GeoGebran LASKENTATAULUKKO Esimerkki 1: auringonkukan kasvun kuvailu Auringonkukka (Helianthus annuus) on yksivuotinen kasvi, jonka varren pituus voi aurinkoisina kesinä hyvissä kasvuolosuhteissa Suomessakin
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
Lisätiedot(d) Laske selittäjään paino liittyvälle regressiokertoimelle 95 %:n luottamusväli ja tulkitse tulos lyhyesti.
2. VÄLIKOE vuodelta -14 1. Liitteessä 1 on esitetty R-ohjelmalla saatuja tuloksia aineistosta, johon on talletettu kahdenkymmenen satunnaisesti valitun miehen paino (kg), vyötärön ympärysmitta (cm) ja
LisätiedotTilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi. Esimerkit laskettu JMP:llä
Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi Esimerkit laskettu JMP:llä Antti Hyttinen Tampereen teknillinen yliopisto 29.12.2003 ii Ohjelmien
LisätiedotKevyen liikenteen väylien hallinnan kehittäminen (VOH-2.4)
Kevyen liikenteen väylien hallinnan kehittäminen (VOH-2.4) Vesa Männistö Inframan Oy 17.12.2003 Kevyen liikenteen väylien hallinta 1 17.12.2003 Sisällysluettelo 1 Yleistä...3 2 Väylien osoitteisto...3...3...3
Lisätiedot3. a) Mitkä ovat tilastolliset mitta-asteikot? b) Millä tavalla nominaaliasteikollisen muuttujan jakauman voi esittää?
Seuraavassa muutamia lisätehtäviä 1. Erään yrityksen satunnaisesti valittujen työntekijöiden poissaolopäivien määrät olivat vuonna 003: 5, 3, 16, 9, 0, 1, 3,, 19, 5, 19, 11,, 0, 4, 6, 1, 15, 4, 0,, 4,
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
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
LisätiedotTilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),
Lisätiedotxi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n =
1. Tutkitaan paperin ominaispainon X(kg/dm 3 ) ja puhkaisulujuuden Y (m 2 ) välistä korrelaatiota. Tiettyä laatua olevasta paperierästä on otettu satunnaisesti 10 arkkia ja määritetty jokaisesta arkista
LisätiedotMTTTP5, luento Luottamusväli, määritelmä
23.11.2017/1 MTTTP5, luento 23.11.2017 Luottamusväli, määritelmä Olkoot A ja B satunnaisotoksen perusteella määriteltyjä satunnaismuuttujia. Väli (A, B) on parametrin 100(1 - ) %:n luottamusväli, jos P(A
LisätiedotMat Tilastollisen analyysin perusteet. Tilastollisten aineistojen kerääminen ja mittaaminen Tilastollisten aineistojen kuvaaminen Väliestimointi
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Tilastollisten aineistojen kerääminen ja mittaaminen Tilastollisten aineistojen kuvaaminen Väliestimointi Diskreetit muuttujat,
LisätiedotMikko Havimo Petteri Mönkkönen. Bo Dahlin. www.helsinki.fi/yliopisto 27.10.2011 1
Metsäteiden suunnittelu Venäjällä Mikko Havimo Petteri Mönkkönen Eugene Lopatin Bo Dahlin www.helsinki.fi/yliopisto 27.10.2011 1 Tausta Luoteis-Venäjän metsätieverkko on harva verrattuna esimerkiksi Suomen
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
LisätiedotVALTIOTIETEELLINEN 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
LisätiedotGap-filling methods for CH 4 data
Gap-filling methods for CH 4 data Sigrid Dengel University of Helsinki Outline - Ecosystems known for CH 4 emissions; - Why is gap-filling of CH 4 data not as easy and straight forward as CO 2 ; - Gap-filling
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
LisätiedotHarha mallin arvioinnissa
Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö
LisätiedotLATVUSMASSAN KOSTEUDEN MÄÄRITYS METSÄKULJETUKSEN YHTEYDESSÄ
LATVUSMASSAN KOSTEUDEN MÄÄRITYS METSÄKULJETUKSEN YHTEYDESSÄ Metsä- ja puuteknologia Pro gradu -tutkielman tulokset Kevät 2010 Petri Ronkainen petri.ronkainen@joensuu.fi 0505623455 Metsäntutkimuslaitos
LisätiedotKandidaatintutkielman aineistonhankinta ja analyysi
Kandidaatintutkielman aineistonhankinta ja analyysi Anna-Kaisa Ylitalo M 315, anna-kaisa.ylitalo@jyu.fi Musiikin, taiteen ja kulttuurin tutkimuksen laitos Jyväskylän yliopisto 2018 2 Havaintomatriisi Havaintomatriisi
LisätiedotTilastollisen analyysin perusteet Luento 7: Lineaarinen regressio
Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio Sisältö Regressioanalyysissä tavoitteena on tutkia yhden tai useamman selittävän muuttujan vaikutusta selitettävään muuttujaan. Sen avulla
LisätiedotPOHJATUTKIMUKSEN TYÖSAAVUTUKSET JA KUSTANNUKSET. Tiehallinnon sisäisiä julkaisuja 42/2008
POHJATUTKIMUKSEN TYÖSAAVUTUKSET JA KUSTANNUKSET Tiehallinnon sisäisiä julkaisuja 42/2008 POHJATUTKIMUKSEN TYÖSAAVUTUKSET JA KUSTANNUKSET Tiehallinnon sisäisiä julkaisuja Tiehallinto Helsinki2008 RAPORTTI
LisätiedotLisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo?
MTTTP5, kevät 2016 15.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen 1. Valitaan 25 alkion satunnaisotos jakaumasta N(µ, 25). Olkoon H 0 : µ = 12. Hylätään H 0, jos otoskeskiarvo
LisätiedotVideotoisto Nexus 7 tableteilla: Android 4.4 KitKat selvästi edellistä versiota heikompi
Videotoisto Nexus 7 tableteilla: Android 4.4 KitKat selvästi edellistä versiota heikompi - Android 4.3 Jelly Bean ja 4.4 Kitkat käyttöjärjestelmien videotoiston suorituskyvyn vertailu Nexus 7 tabletilla
LisätiedotVertailutestien tulosten tulkinta Mikä on hyvä tulos?
Vertailutestien tulosten tulkinta Mikä on hyvä tulos? Pertti Virtala PANK-menetelmäpäivä 29.1.2015 Sisältö Mittaustarkkuuden käsitteitä Mittaustarkkuuden analysointi Stabiilius Kohdistuvuus Toistettavuus
LisätiedotUudet teknologiat alemman tieverkon rakentamisen ja ylläpidon apuna
Uudet teknologiat alemman tieverkon rakentamisen ja ylläpidon apuna Tomi Kaakkurivaara Hankkeen rahoitus Hankkeen kesto 2010-2014 31.10.2013 2 Esityksen sisältö Hankkeessa tutkittu kolmen mittauslaitteen
LisätiedotKvantitatiiviset menetelmät
Kvantitatiiviset menetelmät HUOM! Tentti pidetään tiistaina.. klo 6-8 V ls. Uusintamahdollisuus on rästitentissä.. ke 6 PR sali. Siihen tulee ilmoittautua WebOodissa 9. 8.. välisenä aikana. Soveltuvan
LisätiedotMelua vaimentavien päällysteiden käyttökohteiden valintaperusteet Uudenmaan tiepiirissä
Melua vaimentavien päällysteiden käyttökohteiden valintaperusteet Uudenmaan tiepiirissä PTL33 Seminaari Melua vaimentavat päällysteet 25.10.2007 Harri Spoof, Pöyry Infra Oy Selvitystyö vuonna 2006 Hiljaisten
LisätiedotKUITUPUUN KESKUSKIINTOMITTAUKSEN FUNKTIOINTI
KUITUPUUN KESKUSKIINTOMITTAUKSEN FUNKTIOINTI Asko Poikela Samuli Hujo TULOSKALVOSARJAN SISÄLTÖ I. Vanha mittauskäytäntö -s. 3-5 II. Keskusmuotolukujen funktiointi -s. 6-13 III.Uusi mittauskäytäntö -s.
LisätiedotAki Taanila YHDEN SELITTÄJÄN REGRESSIO
Aki Taanila YHDEN SELITTÄJÄN REGRESSIO 26.4.2011 SISÄLLYS JOHDANTO... 1 LINEAARINEN MALLI... 1 Selityskerroin... 3 Excelin funktioita... 4 EKSPONENTIAALINEN MALLI... 4 MALLIN KÄYTTÄMINEN ENNUSTAMISEEN...
LisätiedotEfficiency change over time
Efficiency change over time Heikki Tikanmäki Optimointiopin seminaari 14.11.2007 Contents Introduction (11.1) Window analysis (11.2) Example, application, analysis Malmquist index (11.3) Dealing with panel
LisätiedotTUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas
TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas TEOREETTISISTA JAKAUMISTA Usein johtopäätösten teko helpottuu huomattavasti, jos tarkasteltavan muuttujan perusjoukon jakauma noudattaa
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21
LisätiedotHarjoitukset 4 : Paneelidata (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 4 : Paneelidata (Palautus 7.3.2017) Tämän harjoituskerran tarkoitus on perehtyä
LisätiedotAki Taanila AIKASARJAENNUSTAMINEN
Aki Taanila AIKASARJAENNUSTAMINEN 26.4.2011 SISÄLLYS JOHDANTO... 1 1 AIKASARJA ILMAN SYSTEMAATTISTA VAIHTELUA... 2 1.1 Liukuvan keskiarvon menetelmä... 2 1.2 Eksponentiaalinen tasoitus... 3 2 AIKASARJASSA
LisätiedotTilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio
Tilastollisen analyysin perusteet Luento 9: lineaarinen lineaarinen Sisältö lineaarinen lineaarinen lineaarinen Lineaarinen Oletetaan, että meillä on n kappaletta (x 1, y 1 ), (x 2, y 2 )..., (x n, y n
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
Lisätiedot4. Seuraavaan ristiintaulukkoon on kerätty tehtaassa valmistettujen toimivien ja ei-toimivien leikkijunien lukumäärät eri työvuoroissa:
Lisätehtäviä (siis vanhoja tenttikysymyksiä) 1. Erään yrityksen satunnaisesti valittujen työntekijöiden poissaolopäivien määrät olivat vuonna 003: 5, 3, 16, 9, 0, 1, 3,, 19, 5, 19, 11,, 0, 4, 6, 1, 15,
Lisätiedot1 Vrms 2 Skewness 3 Kurtosis 4 Amax 5 Amin. 11 A4xbf 12 A7xbf 13 A14xbf 14 A1xrotf 15 A2xrotf. 16 A3xrotf 17 A4xrotf 18 A1to4xrotf 19 Vrms10to100
JAVO mittaukset 4..006 -Primaari-ilmapuhallin I - keruutaajuus.56 x khz, kiihtyvyysmittaus - aikasarjan talletus, T 1s, 15 min välein, 500 kertaa 8 6 4 5 7 1 'PA fan 1, motor current' 'PA fan, motor current'
LisätiedotThe relationship between leisuretime physical activity and work stress with special reference to heart rate variability analyses
The relationship between leisuretime physical activity and work stress with special reference to heart rate variability analyses Teisala Tiina, TtM, tohtorikoulutettava Jyväskylän yliopisto Terveystieteiden
Lisätiedot[MTTTA] TILASTOMENETELMIEN PERUSTEET, KEVÄT 209 https://coursepages.uta.fi/mttta/kevat-209/ HARJOITUS 5 viikko 8 RYHMÄT: ke 2.5 3.45 ls. C6 Leppälä to 08.30 0.00 ls. C6 Korhonen to 2.5 3.45 ls. C6 Korhonen
LisätiedotPäällystetyn tiestön mitattu kunto
TIEHALLINTO Veli Pekka Lämsä Päällystetyn tiestön mitattu kunto Tiehallinnon selvityksiä 82/2001 TIEHALLINTO Helsinki 2001 ISSN 1457-9871 ISBN 951-726-846-7 TIEH 3200728 Edita Oyj Helsinki 2001 Julkaisua
LisätiedotPylväsdiagrammi Suomen kunnat lääneittäin vuonna Piirakkadiagrammi Suomen kunnat lääneittäin vuonna 2003 LKM 14.8% 11.2% 19.7% 4.9% 3.6% 45.
Pylväsdiagrammi Suomen kunnat lääneittäin vuonna Piirakkadiagrammi Suomen kunnat lääneittäin vuonna 8.8% 8.9%.%.% 9.7%.7% Etelä Länsi Itä Oulu Lappi Ahvenanmaa Länsi Etelä Itä Oulu Lappi Ahvenanmaa Läänien
LisätiedotHarjoitukset 2 : Monimuuttujaregressio (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 2 : Monimuuttujaregressio (Palautus 24.1.2017) Tämän harjoituskerran tarkoitus
LisätiedotLiittymän toimivuustarkastelu Valtatie 20, Yrityskylän liittymä, Kiiminki
Liittymän toimivuustarkastelu Valtatie 20, Yrityskylän liittymä, Kiiminki Mika Räsänen Valtatie 20, Yrityspuiston liittymä 1 1 LÄHTÖKOHDAT Tehtävä Tehtävänä on tarkastella liittymän toimivuutta nykyisin
LisätiedotLämpötilan ja valssausvoiman tilastollinen mallintaminen levyvalssauksessa
Lämpötilan ja valssausvoiman tilastollinen mallintaminen levyvalssauksessa VaProKe projekti (Ruukki, TEKES) Intelligent Systems Group, ILMARI JUUTILAINEN, 24.11.2011 Sisältö Projektin tavoitteet Voimamallinnuksen
LisätiedotSPSS-pikaohje. Jukka Jauhiainen OAMK / Tekniikan yksikkö
SPSS-pikaohje Jukka Jauhiainen OAMK / Tekniikan yksikkö SPSS on ohjelmisto tilastollisten aineistojen analysointiin. Hyvinvointiteknologian ATK-luokassa on asennettuna SPSS versio 13.. Huom! Ainakin joissakin
LisätiedotAjankäyttötutkimuksen satoa eli miten saan ystäviä, menestystä ja hyvän arvosanan tietojenkäsittelyteorian perusteista
Ajankäyttötutkimuksen satoa eli miten saan ystäviä, menestystä ja hyvän arvosanan tietojenkäsittelyteorian perusteista Harri Haanpää 18. kesäkuuta 2004 Tietojenkäsittelyteorian perusteiden kevään 2004
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
1 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a
LisätiedotKorjausvelkaohjelma
Korjausvelkaohjelma 2016-2018 Runkokelirikon korjaaminen Keski- Suomessa Hakala Eino-Matti 18.4.2019 TAUSTAA Hankkeen taustalla oli Keski-Suomen ELY keskuksen keväällä 2016 saama korjausvelkaraha sorateiden
LisätiedotLÄHTÖKOHDAT. Tehtävä. Taustaa. Kohteen tiedot
Valtatien 4 ja Sorosentien (pt 18756) liittymän toimivuustarkastelu Valo-ohjauksen tarveselvitys VALTATIEN 4 JA SOROSENTIEN (PT 18756) TARKASTELU 2 Tehtävä Tämän selvityksen tavoitteena on tarkastella
LisätiedotTUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas
TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas KURSSIN SISÄLTÖ Johdanto Mittaaminen ja aineiston hankinta Mitta-asteikot Otanta Aineiston esittäminen ja data-analyysi Havaintomatriisi
LisätiedotAutomaattisen tiedontuotannon kokeilu: Tiemerkintöjen kunnon koneellinen mittaus Juho Meriläinen/Liikennevirasto
Automaattisen tiedontuotannon kokeilu: Tiemerkintöjen kunnon koneellinen mittaus Juho Meriläinen/Liikennevirasto Tiemerkintäpäivät 15.-16.2.2018, Jyväskylä 8.2.2018 Kokeilun taustat 8.2.2018 2 Taustalla
Lisätiedot1. REGRESSIOMALLIN SYSTEMAATTISEN OSAN MUOTO
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Regressiodiagnostiikka Cooken etäisyys, Funktionaalinen muoto, Diagnostinen grafiikka, Diagnostiset testit, Heteroskedastisuus,
LisätiedotSitomattoman kantavan kerroksen murskeen laadun vaikutus tien vaurioitumiseen Tiehallinnon selvityksiä 62/2003
Vesa Kallio Sitomattoman kantavan kerroksen murskeen laadun vaikutus tien vaurioitumiseen Tiehallinnon selvityksiä 6/3 Sitomattoman kantavan kerroksen murskeen laadun vaikutus tien vaurioitumiseen 1 Vesa
LisätiedotPohjajarven vuosilustoisten sedimenttien paleomagneettinen tutkimus: Paleosekulaarivaihtelu Suomessa viimeisten 3200 vuoden aikana
Raportti Q29.119612 Timo J. Saarinen Geofysiikan osasto Gtk Pohjajarven vuosilustoisten sedimenttien paleomagneettinen tutkimus: Paleosekulaarivaihtelu Suomessa viimeisten 3200 vuoden aikana Paleomagnetic
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 9. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 9. luento Pertti Palo 22.11.2012 Käytännön asioita Eihän kukaan paikallaolijoista tee 3 op kurssia? 2. seminaarin ilmoittautuminen. 2. harjoitustyön
LisätiedotI. AES Rijndael. Rijndael - Internal Structure
I. AES Rndael NOKIA T-79.53 Additional material Oct 3/KN Rndael - Internal Structure Rndael is an iterated block cipher with variable length block and variable key size. The number of rounds is defined
LisätiedotTampereen kaupungin ympäristönsuojelulain mukainen meluselvitys 2017
Maanteiden liikennetiedot Nykytilanne, L den ja L yö Objectid ohjelman sisäinen tunnus Tilannepvm lähtötietojen muodostuspäiväys Tie Tienumero Ajr Ajoratojen lukumäärä Aosa Tieosan numero, josta tämä alkaa
LisätiedotTUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas
TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas Itse arvioidun terveydentilan ja sukupuolen välinen riippuvuustarkastelu. Jyväskyläläiset 75-vuotiaat miehet ja naiset vuonna 1989.
Lisätiedot