Supplementary Table S1. Material list (a) Parameters Sal to Str
|
|
|
- Pirjo Kapulainen
- 5 vuotta sitten
- Katselukertoja:
Transkriptio
1 Tooth wear as a means to quantify intra-specific variations in diet and chewing movements - Scientific Reports 2016, 6:3037 Ivan Calandra, Gaëlle Labonne, Ellen Schulz-Kornas, Thomas M. Kaiser & Sophie Montuire Supplementary Table S1. Material list (a) Parameters Sal to Str Specimen Locality Season T Sal Sda Sdq Sdr Sdv Sha Shv Smc Spc Spd Std Str UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB-07-0 Pallasjärvi Autumn T E E UB-07-0 Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB-07-0 Pallasjärvi Autumn T E E UB-07-0 Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E UB Pallasjärvi Autumn T E E
2 Supplementary Table S1 (continued) (a) Parameters Sal to Str (continued) Specimen Locality Season T Sal Sda Sdq Sdr Sdv Sha Shv Smc Spc Spd Std Str UB-0-01 Kilpisjärvi Autumn T E E UB-0-01 Kilpisjärvi Autumn T E E UB-0-02 Kilpisjärvi Autumn T E E UB-0-02 Kilpisjärvi Autumn T E E UB-0-03 Kilpisjärvi Autumn T E E UB-0-0 Kilpisjärvi Autumn T E E UB-0-0 Kilpisjärvi Autumn T E E UB-0-06 Kilpisjärvi Autumn T E E UB-0-07 Kilpisjärvi Autumn T E E UB-0-07 Kilpisjärvi Autumn T E E UB-0-0 Kilpisjärvi Autumn T E E UB-0-0 Kilpisjärvi Autumn T E E UB-0-09 Kilpisjärvi Autumn T E E UB-0-11 Kilpisjärvi Autumn T E E UB-0-1 Kilpisjärvi Autumn T E E UB-0-1 Kilpisjärvi Autumn T E E UB-0-16 Kilpisjärvi Autumn T E E UB-0-17 Kilpisjärvi Autumn T E E UB-0-19 Kilpisjärvi Autumn T E E UB-0-19 Kilpisjärvi Autumn T E E UB-0-20 Kilpisjärvi Autumn T E E UB-0-22 Kilpisjärvi Autumn T E E UB-0-22 Kilpisjärvi Autumn T E E UB-0-23 Kilpisjärvi Autumn T E E UB-0-23 Kilpisjärvi Autumn T E E UB-0-2 Kilpisjärvi Autumn T E E UB-0-2 Kilpisjärvi Autumn T E E UB-0-25 Kilpisjärvi Autumn T E E UB-0-2 Kilpisjärvi Autumn T E E UB-0-29 Kilpisjärvi Autumn T E E UB-0-30 Kilpisjärvi Autumn T E E UB-0-33 Kilpisjärvi Autumn T E E UB-0-3 Kilpisjärvi Autumn T E E UB-0-3 Kilpisjärvi Autumn T E E
3 Supplementary Table S1 (continued) (a) Parameters Sal to Str (continued) Specimen Locality Season T Sal Sda Sdq Sdr Sdv Sha Shv Smc Spc Spd Std Str UB-0-36 Kilpisjärvi Autumn T E E UB-0-37 Kilpisjärvi Autumn T E E UB-0-37 Kilpisjärvi Autumn T E E UB-0-3 Kilpisjärvi Autumn T E E UB-0-3 Kilpisjärvi Autumn T E E UB-0-39 Kilpisjärvi Autumn T E E UB-0-0 Kilpisjärvi Autumn T E E UB-0-1 Kilpisjärvi Autumn T E E UB-0-1 Kilpisjärvi Autumn T E E UB-0-2 Kilpisjärvi Autumn T E E UB-0-2 Kilpisjärvi Autumn T E E UB-0- Kilpisjärvi Autumn T E E UB-0- Kilpisjärvi Autumn T E E UB-0-6 Kilpisjärvi Autumn T E E UB-0-6 Kilpisjärvi Autumn T E E UB-0-7 Kilpisjärvi Autumn T E E UB-0- Kilpisjärvi Autumn T E E UB-0-50 Kilpisjärvi Autumn T E E UB Kilpisjärvi Spring T E E UB Kilpisjärvi Spring T E E UB Kilpisjärvi Spring T E E UB-23-0 Pallasjärvi Spring T E E UB Pallasjärvi Spring T E E
4 Supplementary Table S1 (continued) (b) Volume parameters Specimen Locality Season T Vm Vmc Vmp Vv Vvc Vvv UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB-07-0 Pallasjärvi Autumn T UB-07-0 Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB-07-0 Pallasjärvi Autumn T UB-07-0 Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T UB Pallasjärvi Autumn T
5 Supplementary Table S1 (continued) (b) Volume parameters (continued) Specimen Locality Season T Vm Vmc Vmp Vv Vvc Vvv UB-0-01 Kilpisjärvi Autumn T UB-0-01 Kilpisjärvi Autumn T UB-0-02 Kilpisjärvi Autumn T UB-0-02 Kilpisjärvi Autumn T UB-0-03 Kilpisjärvi Autumn T UB-0-0 Kilpisjärvi Autumn T UB-0-0 Kilpisjärvi Autumn T UB-0-06 Kilpisjärvi Autumn T UB-0-07 Kilpisjärvi Autumn T UB-0-07 Kilpisjärvi Autumn T UB-0-0 Kilpisjärvi Autumn T UB-0-0 Kilpisjärvi Autumn T UB-0-09 Kilpisjärvi Autumn T UB-0-11 Kilpisjärvi Autumn T UB-0-1 Kilpisjärvi Autumn T UB-0-1 Kilpisjärvi Autumn T UB-0-16 Kilpisjärvi Autumn T UB-0-17 Kilpisjärvi Autumn T UB-0-19 Kilpisjärvi Autumn T UB-0-19 Kilpisjärvi Autumn T UB-0-20 Kilpisjärvi Autumn T UB-0-22 Kilpisjärvi Autumn T UB-0-22 Kilpisjärvi Autumn T UB-0-23 Kilpisjärvi Autumn T UB-0-23 Kilpisjärvi Autumn T UB-0-2 Kilpisjärvi Autumn T UB-0-2 Kilpisjärvi Autumn T UB-0-25 Kilpisjärvi Autumn T UB-0-2 Kilpisjärvi Autumn T UB-0-29 Kilpisjärvi Autumn T UB-0-30 Kilpisjärvi Autumn T UB-0-33 Kilpisjärvi Autumn T UB-0-3 Kilpisjärvi Autumn T UB-0-3 Kilpisjärvi Autumn T
6 Supplementary Table S1 (continued) (b) Volume parameters (continued) Specimen Locality Season T Vm Vmc Vmp Vv Vvc Vvv UB-0-36 Kilpisjärvi Autumn T UB-0-37 Kilpisjärvi Autumn T UB-0-37 Kilpisjärvi Autumn T UB-0-3 Kilpisjärvi Autumn T UB-0-3 Kilpisjärvi Autumn T UB-0-39 Kilpisjärvi Autumn T UB-0-0 Kilpisjärvi Autumn T UB-0-1 Kilpisjärvi Autumn T UB-0-1 Kilpisjärvi Autumn T UB-0-2 Kilpisjärvi Autumn T UB-0-2 Kilpisjärvi Autumn T UB-0- Kilpisjärvi Autumn T UB-0- Kilpisjärvi Autumn T UB-0-6 Kilpisjärvi Autumn T UB-0-6 Kilpisjärvi Autumn T UB-0-7 Kilpisjärvi Autumn T UB-0- Kilpisjärvi Autumn T UB-0-50 Kilpisjärvi Autumn T UB Kilpisjärvi Spring T UB Kilpisjärvi Spring T UB Kilpisjärvi Spring T UB-23-0 Pallasjärvi Spring T UB Pallasjärvi Spring T All specimens are housed at the University of Burgundy, abbreviation 'UB'. See Supplementary Table S2 for a description of the parameters. T: triangle. 6
7 Supplementary Table S2. Description of the 1 ISO parameters used. Parameter Description Unit Bearing ratio Smc Inverse areal material ration (p=10%) µm Feature Sda Closed dale area µm 2 Sdv Closed dale volume µm 3 Sha Closed hill area µm 2 Shv Closed hill volume µm 3 Spc Arithmetic mean peak curvature µm -1 Spd Density of peaks µm -2 Hybrid Sdq Root mean square gradient no unit Sdr Developed interfacial area ratio % Spatial Sal Auto-correlation length (s=0.2) µm Std Texture direction Str Texture aspect ration (s=0.2) no unit Volume Vm Material volume at a given material ratio (p=10%) µm 3 /µm 2 Vmc Material volume of the core at given material ratio (p=10%, q=0%) µm 3 /µm 2 Vmp Material volume of peaks (p=10%) µm 3 /µm 2 Vv Void volume at a given material ratio (p=10%) µm 3 /µm 2 Vvc Void volume of the core at given material ratio (p=10%, q=0%) µm 3 /µm 2 Vvv Void volume of the valleys at a given material ratio (q=0%) µm 3 /µm 2 7
8 Supplementary Table S3. Shapiro-Wilk normality tests on residuals. Effect Locality Autumn, T3 Effect Facet Autumn (localities pooled) Parameter W P W P Sal Sda Sdq Sdr Sdv <0.001 Sha <0.001 Shv 0.2 < <0.001 Smc Spc Spd Std Str Vm Vmc Vmp Vv Vvc Vvv Bold values indicate significance (P 0.05), i.e. non-normal distribution. See Supplementary Table S2 for a description of the parameters. P: P-value, W: test statistic.
9 Supplementary Table S. Descriptive statistics. Sal Sda Sdq Sdr Sdv Sha Shv Smc Spc Spd Effect Locality Effect Facet Effect Season Autumn, T3 Autumn (localities pooled) T3 (localities pooled) Kilpisjärvi Pallasjärvi T2 T3 Autumn Spring n Mean Median SD SEM Mean Median SD SEM Mean Median SD SEM Mean Median SD SEM Mean 6.56E-11 6.E E E E E-02 Median 6.0E E E E E E-02 SD 3.1E E E E E E-02 SEM 5.56E E-12.07E-03.E-12.E E-03 Mean Median SD SEM Mean 6.9E E E E E E-02 Median 6.03E E E E E E-02 SD.0E E E E E E-03 SEM 7.13E E E E E-12.26E-03 Mean Median SD SEM Mean Median SD SEM Mean Median SD SEM
10 Supplementary Table S (continued) Std Str Vm Vmc Vmp Vv Vvc Vvv Effect Locality Effect Facet Effect Season Autumn, T3 Autumn (localities pooled) T3 (localities pooled) Kilpisjärvi Pallasjärvi T2 T3 Autumn Spring Mean Median SD SEM Mean Median SD SEM Mean Median SD SEM Mean Median SD SEM Mean Median SD SEM Mean Median SD SEM Mean Median SD SEM Mean Median SD SEM See Supplementary Table S2 for a description of the parameters. n: sample size, SD: standard deviation, SEM: standard error of the mean. 10
11 Supplementary Table S5. Levene's tests on effects locality and facet. Effect Locality Autumn, T3 Effect Facet Autumn (localities pooled) Parameter df F P df F P Sal 1, , Sda 1, , Sdq 1, , Sdr 1, , Sdv 1, , <0.001 Sha 1, , Shv 1, , <0.001 Smc 1, , Spc 1, , Spd 1, , Std 1, , Str 1, , Vm 1, , Vmc 1, , Vmp 1, , Vv 1, , Vvc 1, , Vvv 1, , Bold values indicate significance (P 0.05). df: degrees of freedom, F: Levene's test statistic, P: P-value. See Supplementary Table S2 for a description of the parameters. 11
12 500 km Kilpisjärvi Pallasjärvi FINLAND 200 km Supplementary Figure S1. Trapping localities. Maps modified with permission from 12
13 Sal Smc Str Std Sdq Sdr Vm (x10-3 ) 0.12 Vv 3 Vmp (x10-3 ) Vmc Vvc 12 Vvv (x10-3 ) 0.1 Spd 0.5 Spc Kilpisjärvi Pallasjärvi 0.2 Sda Sdv (x10-11 ) Shv (x10-11 ) Kilpisjärvi Pallasjärvi 2 Kilpisjärvi Pallasjärvi 0 Kilpisjärvi Pallasjärvi Supplementary Figure S2. Boxplots of geographical variations in field voles. Plots of the parameters not appearing in Fig. 2. See Fig. 2 for details of boxplots. See Supplementary Table S2 for a description of the parameters. 13
14 Str Sdq Sdr Vm (x10-3 ) Vv 3 2 Vmp (x10-3 ) Vmc Vvc 12 Vvv (x10-3 ) 0.1 Spd 0.5 Spc Sda 12 Sha Autumn Spring 0.2 Autumn Spring 6 Autumn Spring Autumn Spring Supplementary Figure S3. Boxplots of seasonal variations in field voles. Plots of the parameters not appearing in Fig. 2. See Fig. 2 for details of boxplots. See Supplementary Table S2 for a description of the parameters. 1
15 Sda Sha Sdr 0.1 Sdq T2 T3 T2 T3 Supplementary Figure S. Boxplots of intra-tooth variations in field voles: T2 vs. T3 facets. Plots of the parameters not appearing in Fig. 3. See Fig. 2 for details of boxplots. See Supplementary Table S2 for a description of the parameters. 15
I. 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.
E80. Data Uncertainty, Data Fitting, Error Propagation. Jan. 23, 2014 Jon Roberts. Experimental Engineering
Lecture 2 Data Uncertainty, Data Fitting, Error Propagation Jan. 23, 2014 Jon Roberts Purpose & Outline Data Uncertainty & Confidence in Measurements Data Fitting - Linear Regression Error Propagation
Gap-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
voidaan hylätä, pienempi vai suurempi kuin 1 %?
[TILTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2011 http://www.uta.fi/~strale/tiltp1/index.html 30.9.2011 klo 13:07:54 HARJOITUS 5 viikko 41 Ryhmät ke 08.30 10.00 ls. C8 Leppälä to 12.15 13.45 ls. A2a Laine
Perusnäkymä yksisuuntaiseen ANOVAaan
Metsämuuronen 2006. TTP Tutkimuksen tekemisen perusteet ihmistieteissä Taulukko.51.1 Analyysiin mukaan tulevat muuttujat Mja selite Merkitys mallissa F1 Ensimmäinen faktoripistemuuttuja Selitettävä muuttuja
PURO - Puuraaka-aineen määrän ja laadun optimointi metsänkasvatuksessa ja teollisuuden prosesseissa
PURO - Puuraaka-aineen määrän ja laadun optimointi metsänkasvatuksessa ja teollisuuden prosesseissa Ympäristötekijöiden vaikutus puun ja puukuitujen ominaisuuksiin Pekka Saranpää Harri Mäkinen Tuula Jaakkola
Lisätehtäviä 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
Tässä 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
(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
Kvantitatiiviset tutkimusmenetelmät maantieteessä
Kvantitatiiviset tutkimusmenetelmät maantieteessä Harjoitukset: 2 Muuttujan normaaliuden testaaminen, merkitsevyys tasot ja yhden otoksen testit FT Joni Vainikka, Yliopisto-opettaja, GO218, joni.vainikka@oulu.fi
1. 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,
OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi Luento 2
OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi Luento 2 Luento 2 Kuvailevat tilastolliset menetelmät Käytetyimmät tilastolliset menetelmät käyttäjäkokemuksen
MTTTP5, 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
KAAPELIN SUOJAAMINEN SUOJAMATOLLA
KAAPELIN SUOJAAMINEN SUOJAMATOLLA Laitteisto koostuu: Kaapelin suojamatosta DAFIGAINE Maton asennuslaitteesta SPIRALERDALEN Motorisoidusta kaapelikelatrailerista DAFISTOCKER. Kaapelikelatraileri mahdollistaa
TEST REPORT Nro VTT-S Air tightness and strength tests for Furanflex exhaust air ducts
TEST REPORT Nro VTT-S-04515-08 19.5.008 Air tightness and strength tests for Furanflex exhaust air ducts Requested by: Hormex Oy TEST REPORT NRO VTT-S-04515-08 1 () Requested by Order Hormex Oy Linnanherrankuja
Data-analyysi II. Sisällysluettelo. Simo Kolppo [Type the document subtitle]
![Data-analyysi II. Sisällysluettelo. Simo Kolppo [Type the document subtitle]](/thumbs/66/54581742.jpg "Data-analyysi II. Sisällysluettelo. Simo Kolppo [Type the document subtitle]")
Data-analyysi II [Type the document subtitle] Simo Kolppo 26.3.2014 Sisällysluettelo Johdanto... 1 Tutkimuskysymykset... 1 Aineistojen esikäsittely... 1 Economic Freedom... 1 Nuorisobarometri... 2 Aineistojen
Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita
Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita risto.lehtonen@helsinki.fi OHC Survey Tilastollinen analyysi Kysymys: Millä
VARIANSSIANALYYSI ANALYSIS OF VARIANCE
VARIANSSIANALYYSI ANALYSIS OF VARIANCE 1 Suomalaisten aikuisten pituusjakauma:.8.7.6.5.4.3.2.1 14 15 16 17 18 19 2 21 Jakauma ei ole normaali, sen olettaminen sellaiseksi johtaa virheellisiin päätelmiin.
tgg agg Supplementary Figure S1.
ttaggatattcggtgaggtgatatgtctctgtttggaaatgtctccgccattaactcaag tggaaagtgtatagtaatgaatctttcaagcacacagatcacttcaaaagactgtttcaa catcacctcaggacaaaaagatgtactctcatttggatgctgtgatgccatgggtcacag attgcaattcccaagtgcccgttcttttacaccaaaatcaaagaagaatatctccccttt
Esim Brand lkm keskiarvo keskihajonta A ,28 5,977 B ,06 3,866 C ,95 4,501
Esim. 2.1.1. Brand lkm keskiarvo keskihajonta A 10 251,28 5,977 B 10 261,06 3,866 C 10 269,95 4,501 y = 260, 76, n = 30 SS 1 = (n 1 1)s 2 1 = (10 1)5, 977 2 321, 52 SS 2 = (n 2 1)s 2 2 = (10 1)3, 8662
1 2 3 4 5 6 7 8 9 10 2 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 12 14 16 1 12 7 3 1 6 2 5 4 3 11 9 10 8 18 20 21 22 23 24 25 26
Digitally signed by Hans Vadbäck DN: cn=hans Vadbäck, o, ou=fcg Suunnittelu ja Tekniikka Oy, email=hans.vadback@fcg.fi, c=fi Date: 2016.12.20 15:45:35 +02'00' Jakob Kjellman Digitally signed by Jakob Kjellman
BIOSTATISTIIKKAA ESIMERKKIEN AVULLA. Kurssimoniste (luku 2) Janne Pitkäniemi. Helsingin Yliopisto Kansanterveystieteen laitos
BIOSTATISTIIKKAA ESIMERKKIEN AVULLA Kurssimoniste (luku 2) Janne Pitkäniemi Helsingin Yliopisto Kansanterveystieteen laitos Helsinki, 2005 Biostatistiikkaa esimerkkien avulla 1 Janne Pitkäniemi, syksy
1. Normaalisuuden tutkiminen, Bowmanin ja Shentonin testi, Rankit Plot, Wilkin ja Shapiron testi
Mat-2.2104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Yhteensopivuuden ja homogeenisuden testaaminen Bowmanin ja Shentonin testi, Hypoteesi, 2 -homogeenisuustesti, 2 -yhteensopivuustesti,
Plasmid Name: pmm290. Aliases: none known. Length: bp. Constructed by: Mike Moser/Cristina Swanson. Last updated: 17 August 2009
Plasmid Name: pmm290 Aliases: none known Length: 11707 bp Constructed by: Mike Moser/Cristina Swanson Last updated: 17 August 2009 Description and application: This is a mammalian expression vector for
Mediaanikorko on kiinteäkorkoiselle lainalle korkeampi. Tämä hypoteesi vastaa taloustieteen käsitystä korkojen määräytymismekanismista.
Mat-2.04 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Testit järjestysasteikollisille muuttujille Testit laatueroasteikollisille muuttujille Hypoteesi, Mannin ja Whitneyn testi (Wilcoxonin
Residuaalit. Residuaalit. UK Ger Fra US Austria. Maat
TAMPEREEN YLIOPISTO Tilastollisen mallintamisen harjoitustyö Teemu Kivioja ja Mika Helminen Epätasapainoisen koeasetelman analyysi Worksheet 5 Matematiikan, tilastotieteen ja filosofian laitos Tilastotiede
Frequencies. Frequency Table
GET FILE='C:\Documents and Settings\haukkala\My Documents\kvanti\kvanti_harjo'+ '_label.sav'. DATASET NAME DataSet WINDOW=FRONT. FREQUENCIES VARIABLES=koulv paino /ORDER= ANALYSIS. Frequencies [DataSet]
Tree 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
Health 2000/2011 Surveys. Statistical Analysis using SAS and SAS-Callable SUDAAN Packages 17.6.2013. Esa Virtala. etunimi.sukunimi@thl.
Health 2000/2011 Surveys Statistical Analysis using SAS and SAS-Callable SUDAAN Packages 17.6.2013 Esa Virtala etunimi.sukunimi@thl.fi Terveyden ja hyvinvoinnin laitos (THL) PL 30 00271 Helsinki Puhelin:
Ongelma: Poikkeaako perusjoukon suhteellinen osuus vertailuarvosta?
Yhden otoksen suhteellisen osuuden testaus Ongelma: Poikkeaako perusjoukon suhteellinen osuus vertailuarvosta? Hypoteesit H 0 : p = p 0 H 1 : p p 0 tai H 1 : p > p 0 tai H 1 : p < p 0 Suhteellinen osuus
[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
Green Rock Ltd Johdintie 5, FI 90630 OULU, FINLAND Tel. +358 8 8192 200 info@greenrock.fi
Table contains test data of GR IISI S 6 unit. Tests were carried out mainly in wintertime 2009. Reduction is calculated between inlet value and outlet value of the results. IN ( ) OUT () BOD N P BOD N
Asiakaspalautteen merkitys laboratoriovirheiden paljastamisessa. Taustaa
Asiakaspalautteen merkitys laboratoriovirheiden paljastamisessa Paula Oja, TtT Laboratorio, Oulun yliopistollinen sairaala Potilasturvallisuustutkimuksen päivät 26. 27.1.2011 1 Taustaa Laboratorion tulee
Teema 9: Tilastollinen merkitsevyystestaus
Teema 9: Tilastollinen merkitsevyystestaus Tärkeä päättelyn osa-alue on tilastollinen merkitsevyystestaus, johon päästään luontevasti edellisen teeman aiheista: voidaan kysyä, menevätkö kahden vertailtavan
Jakaumien merkitys biologisissa havaintoaineistoissa: Löytyykö ratkaisu Yleistetyistä Lineaarisista (Seka)Malleista?
1 Hydrobiologian tutkijaseminaari 20.3.2000 Jakaumien merkitys biologisissa havaintoaineistoissa: Löytyykö ratkaisu Yleistetyistä Lineaarisista (Seka)Malleista? Jari Hänninen Turun yliopisto Saaristomeren
ELEMET- MOCASTRO. Effect of grain size on A 3 temperatures in C-Mn and low alloyed steels - Gleeble tests and predictions. Period
1 ELEMET- MOCASTRO Effect of grain size on A 3 temperatures in C-Mn and low alloyed steels - Gleeble tests and predictions Period 20.02-25.05.2012 Diaarinumero Rahoituspäätöksen numero 1114/31/2010 502/10
C++11 seminaari, kevät Johannes Koskinen
C++11 seminaari, kevät 2012 Johannes Koskinen Sisältö Mikä onkaan ongelma? Standardidraftin luku 29: Atomiset tyypit Muistimalli Rinnakkaisuus On multicore systems, when a thread writes a value to memory,
T Statistical Natural Language Processing Answers 6 Collocations Version 1.0
T-61.5020 Statistical Natural Language Processing Answers 6 Collocations Version 1.0 1. Let s start by calculating the results for pair valkoinen, talo manually: Frequency: Bigrams valkoinen, talo occurred
1. a) Luettele hyvän kvantitatiivisen tutkimuksen perusvaatimukset. b) Miten tutkimusraportissa arvioit tutkimuksen luotettavuutta?
1. a) Luettele hyvän kvantitatiivisen tutkimuksen perusvaatimukset. b) Miten tutkimusraportissa arvioit tutkimuksen luotettavuutta? 2. Tehtävät 2-4 sekä 6 10 liittyvät keväällä 2002 suoritettuun ammattikorkeakoulusta
Sisällysluettelo 6 VARIANSSIANALYYSI. Metsämuuronen: Monimuuttujamenetelmien perusteet SPSS-ympäristössä ALKUSANAT... 4 ALKUSANAT E-KIRJA VERSIOON...
Sisällysluettelo ALKUSANAT... 4 ALKUSANAT E-KIRJA VERSIOON...5 SISÄLLYSLUETTELO... 6 LYHYT SANASTO VASTA-ALKAJILLE... 7 1. MONIMUUTTUJAMENETELMÄT IHMISTIETEISSÄ... 9 1.1 MONIMUUTTUJA-AINEISTON ERITYISPIIRTEITÄ...
7.4 Variability management
7.4 Variability management time... space software product-line should support variability in space (different products) support variability in time (maintenance, evolution) 1 Product variation Product
Use of spatial data in the new production environment and in a data warehouse
Use of spatial data in the new production environment and in a data warehouse Nordic Forum for Geostatistics 2007 Session 3, GI infrastructure and use of spatial database Statistics Finland, Population
Other approaches to restrict multipliers
Other approaches to restrict multipliers Heikki Tikanmäki Optimointiopin seminaari 10.10.2007 Contents Short revision (6.2) Another Assurance Region Model (6.3) Cone-Ratio Method (6.4) An Application of
TKMS7a-f/LRS20a-f/MAS2/KVS2/TMS82a-f/JOM/TJM/YRM Monimuuttujamenetelmien soveltaminen taloustieteissä. Tentti
TKMS7a-f/LRS20a-f/MAS2/KVS2/TMS82a-f/JOM/TJM/YRM Monimuuttujamenetelmien soveltaminen taloustieteissä Tentti 13.5.2014 Moduuli a: Faktorianalyysi Jos olet samaa mieltä esitetyn väitteen kanssa vastaa K,
Harjoittele 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
Somaattinen sairaus nuoruudessa ja mielenterveyden häiriön puhkeamisen riski
+ Somaattinen sairaus nuoruudessa ja mielenterveyden häiriön puhkeamisen riski LINNEA KARLSSON + Riskitekijöitä n Ulkonäköön liittyvät muutokset n Toimintakyvyn menetykset n Ikätovereista eroon joutuminen
(78143) Syksy 2009 TEEMAT 3 & 4. Risto Lehtonen Teema 3 ERITYISKYSYMYKSIÄ. Risto Lehtonen 2
Otantamenetelmät (78143) Syksy 2009 TEEMAT 3 & 4 Risto Lehtonen risto.lehtonen@helsinki.fi Teema 3 ERITYISKYSYMYKSIÄ Risto Lehtonen 2 1 Otannan erityiskysymyksiä Ryväsotanta Survey sampling reference guidelines
TM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
TM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
Introduction Soil solution has been monitored on the ICP Forests Level II plots since 1995 During the early years ( ) of the soil solution monit
4 4 Soil solution quality during 1998 2000 on 13 of the Level II plots Maaveden laatu vuosina 1998 2000 intensiivisen seurannan havaintoaloilla John Derome 1), Antti-Jussi Lindroos 2), Kirsti Derome 1),
Otoskoon arviointi. Tero Vahlberg
Otoskoon arviointi Tero Vahlberg Otoskoon arviointi Otoskoon arviointi (sample size calculation) ja tutkimuksen voima-analyysi (power analysis) ovat tilastollisen tutkimuksen suunnittelussa keskeisiä kysymyksiä
Ääneneristävyys mittaukset VTT Expert Services Oy:n tutkimushalli 1:ssä
MITTAUSTULOKSET Scan-Mikael Oy Ääneneristävyys mittaukset VTT Expert Services Oy:n tutkimushalli 1:ssä Alustavat tulokset on esitetty taulukossa 1 Taulukko 1. Seinille on esitetty ilmaääneneristysluku
Opetus talteen ja jakoon oppilaille. Kokemuksia Aurajoen lukion tuotantoluokan toiminnasta Anna Saivosalmi 9.9.2011
Opetus talteen ja jakoon oppilaille Kokemuksia Aurajoen lukion tuotantoluokan toiminnasta Anna Saivosalmi 9.9.2011 Aurajoen lukio ISOverstaan jäsen syksystä 2010 lähtien ISOverstas on maksullinen verkko-oppimisen
Metsälamminkankaan tuulivoimapuiston osayleiskaava
VAALAN KUNTA TUULISAIMAA OY Metsälamminkankaan tuulivoimapuiston osayleiskaava Liite 3. Varjostusmallinnus FCG SUUNNITTELU JA TEKNIIKKA OY 12.5.2015 P25370 SHADOW - Main Result Assumptions for shadow calculations
TM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.9.269
Digital Admap Native. Campaign: Kesko supermarket
Digital Admap Native Campaign: Kesko supermarket Digital Admap Native Campaign: Kesko Supermarket Mainosmuoto: Natiivi Media: IS.fi Campaign period: 25 September Date of measurement: 26 September Unique:
proc glm data = ex61; Title2 "Aliasing Structure of the 2_IV^(5-1) design"; model y = A B C D E /Aliasing; run; quit;
Title "Exercises 6"; Data ex61; input A B C D E y @@; Label A = "Furnance Temperature" B = "Heating Time" C = "Transfer Time" D = "Hold Down Time" E = "Quench of Oil Temperature" y = "Free Height of Leaf
TM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi. Luento 3
OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi Luento 3 Tutkimussuunnitelman rakenne-ehdotus Otsikko 1. Motivaatio/tausta 2. Tutkimusaihe/ -tavoitteet ja kysymykset
Ilmoittaudu Weboodissa klo (sali L4) pidettävään 1. välikokeeseen!
8069 TILASTOTIETEEN PERUSMENETELMÄT I Harjoitus 7, viikko 9, kevät 2013 (Muut kuin taloustieteiden tiedekunnan opiskelijat) MUISTA MIKROLUOKKAHARJOITUKSET VIIKOLLA 9! Ilmoittaudu Weboodissa 4.3.2013 klo
Suhtautuminen Sukupuoli uudistukseen Mies Nainen Yhteensä Kannattaa Ei kannata Yhteensä
806109 TILASTOTIETEEN PERUSMENETELMÄT I Harjoitus 7, viikko 9, kevät 2011 (Muut kuin taloustieteiden tiedekunnan opiskelijat) MUISTA MIKROLUOKKAHARJOITUKSET VIIKOILLA 8 JA 9! 1. Eräässä suuressa yrityksessä
( ( OX2 Perkkiö. Rakennuskanta. Varjostus. 9 x N131 x HH145
OX2 9 x N131 x HH145 Rakennuskanta Asuinrakennus Lomarakennus Liike- tai julkinen rakennus Teollinen rakennus Kirkko tai kirkollinen rak. Muu rakennus Allas Varjostus 1 h/a 8 h/a 20 h/a 0 0,5 1 1,5 2 km
Lämmitysjärjestelmät
METSTA Rakennusten energiatehokkuusstandardit uudistuvat seminaari 26.4.2017 Lämmitysjärjestelmät Jarek Kurnitski HEAT GAINS BUILDING PROPERTIES CLIMATIC CONDITIONS INDOOR ENVIRONMENT REQUIREMENTS EN 16789-1
Valuation of Asian Quanto- Basket Options
Valuation of Asian Quanto- Basket Options (Final Presentation) 21.11.2011 Thesis Instructor and Supervisor: Prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta
Tynnyrivaara, OX2 Tuulivoimahanke. ( Layout 9 x N131 x HH145. Rakennukset Asuinrakennus Lomarakennus 9 x N131 x HH145 Varjostus 1 h/a 8 h/a 20 h/a
, Tuulivoimahanke Layout 9 x N131 x HH145 Rakennukset Asuinrakennus Lomarakennus 9 x N131 x HH145 Varjostus 1 h/a 8 h/a 20 h/a 0 0,5 1 1,5 km 2 SHADOW - Main Result Assumptions for shadow calculations
Kaksisuuntaisen varianssianalyysin tilastollisessa malli voidaan esittää seuraavassa muodossa:
Mat-.03 Koesuunnittelu ja tilastolliset mallit Mat-.03 Koesuunnittelu ja tilastolliset mallit / Ratkaisut Aiheet: Avainsanat: Kaksisuuntainen varianssianalsi Aritmeettinen keskiarvo, Estimointi, F-testi,
WindPRO version joulu 2012 Printed/Page :47 / 1. SHADOW - Main Result
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
TM ETRS-TM35FIN-ETRS89 WTG
VE1 SHADOW - Main Result Calculation: 8 x Nordex N131 x HH145m Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please
Ääneneristävyys mittaukset VTT Expert Services Oy:n tutkimushalli 1:ssä
MITTAUSTULOKSET Scan-Mikael Oy Ääneneristävyys mittaukset VTT Expert Services Oy:n tutkimushalli 1:ssä 26-27.11.13 Alustavat tulokset on esitetty taulukossa 1 Taulukko 1. Seinille on esitetty ilmaääneneristysluku
Yrittäjien ja selvittäjien näkemykset yritysten suorituskyvystä
Yrittäjien ja selvittäjien näkemykset yritysten suorituskyvystä 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Seminaari Mikko Hakola Balanced Scorecard (BSC) Suorituskykymittaristo (nelikenttä) Taloudellinen näkökulma
MS-C2{04 Tilastollisen analyysin perusteet
MS-C2{04 Tilastollisen analyysin perusteet Tentti 7.4.20 4A/irtanen Kirjoita selvästi jokaiseen koepaperiin alla mainitussa järjestyksessä: OHlprrn (i) (ii) MS-C204 TAP 7.4.204 opiskelijanumero + kirjain
SFS-EN 932-5:2012 Yleiset laitteet ja kalibrointi
1 SFS-EN 932-5:2012 Yleiset laitteet ja kalibrointi Pirjo Kuula-Väisänen TTY Maa- ja pohjarakenteet PANK menetelmäpäivä 26.1.2012 2 Esityksen sisältö Standardin tilanne Kalibrointi ja tarkastus Toleranssit
Nintendo Wii Fit -based balance testing to detect sleep deprivation: Approximate Bayesian computation -approach
Nintendo Wii Fit -based balance testing to detect sleep deprivation: Approximate Bayesian computation -approach Aino Tietäväinen, Lic. Phil., Prof. Edward Hæggström, Prof. Jukka Corander Dr. Michael Gutmann
SIMULINK S-funktiot. SIMULINK S-funktiot
S-funktio on ohjelmointikielellä (Matlab, C, Fortran) laadittu oma algoritmi tai dynaamisen järjestelmän kuvaus, jota voidaan käyttää Simulink-malleissa kuin mitä tahansa valmista lohkoa. S-funktion rakenne
Data quality points. ICAR, Berlin,
Data quality points an immediate and motivating supervision tool ICAR, Berlin, 22.5.2014 Association of ProAgria Centres Development project of Milk Recording Project manager, Heli Wahlroos heli.wahlroos@proagria.fi
System.out.printf("%d / %d = %.2f%n", ekaluku, tokaluku, osamaara);
Mikäli tehtävissä on jotain epäselvää, laita sähköpostia vastuuopettajalle (jorma.laurikkala@uta.fi). Muista nimetä muuttujat hyvin sekä kommentoida ja sisentää koodisi. Ohjelmointitehtävien osalta palautetaan
TM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table 5.11.2013 16:44 / 1 Minimum
RINNAKKAINEN OHJELMOINTI A,
RINNAKKAINEN OHJELMOINTI 815301A, 18.6.2005 1. Vastaa lyhyesti (2p kustakin): a) Mitkä ovat rinnakkaisen ohjelman oikeellisuuskriteerit? b) Mitä tarkoittaa laiska säikeen luominen? c) Mitä ovat kohtaaminen
System.out.printf("%d / %d = %.2f%n", ekaluku, tokaluku, osamaara);
Kysy Karilta tai Kimmolta, jos tehtävissä on jotain epäselvää. Kerro WETOon liittyvät ongelmat suoraan Jormalle sähköpostitse (jorma.laurikkala@uta.fi). Muista nimetä muuttujat hyvin sekä kommentoida ja
SPSS-perusteet. Sisältö
SPSS-perusteet Sisältö Ikkunat 3 Päävalikot 5 Valikot 6 Aineiston käsittely 6 Muuttujamuunnokset 7 Aineistojen kuvailu analyysit 8 Havaintomatriisin luominen ja käsittely 10 Muulla sovelluksella tehdyn
812336A C++ -kielen perusteet, 21.8.2010
812336A C++ -kielen perusteet, 21.8.2010 1. Vastaa lyhyesti seuraaviin kysymyksiin (1p kaikista): a) Mitä tarkoittaa funktion ylikuormittaminen (overloading)? b) Mitä tarkoittaa jäsenfunktion ylimääritys
Kvantitatiivinen genetiikka moniste s. 56
Kvantitatiivinen genetiikka moniste s. 56 - määrällisten ominaisuuksien periytymisen hallinta - mendelismi oli aluksi vastatuulessa siksi että darwinistit, joilla oli paljon valtaa Britanniassa, olivat
Title: Enhancement of protein production via the strong DIT1 terminator and two RNA-binding proteins in Saccharomyces cerevisiae
Title: Enhancement of protein production via the strong DIT1 terminator and two RNA-binding proteins in Saccharomyces cerevisiae Authors: Yoichiro Ito, Takao Kitagawa, Mamoru Yamanishi, Satoshi Katahira,
Mat-2.104 Tilastollisen analyysin perusteet. Testit suhdeasteikollisille muuttujille. Avainsanat:
Mat-.04 Tilastollise aalyysi perusteet / Ratkaisut Aiheet: Avaisaat: Testit suhdeasteikollisille muuttujille Hypoteesi, Kahde riippumattoma otokse t-testit, Nollahypoteesi, p-arvo, Päätössäätö, Testi,
T-61.246 DSP: GSM codec
T-61.246 DSP: GSM codec Agenda Johdanto Puheenmuodostus Erilaiset codecit GSM codec Kristo Lehtonen GSM codec 1 Johdanto Analogisen puheen muuttaminen digitaaliseksi Tiedon tiivistäminen pienemmäksi Vähentää
TM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
Tavaroiden ulkomaankauppatilastojen tulkinnan haasteet. 22.3.2012 Timo Koskimäki
Tavaroiden ulkomaankauppatilastojen tulkinnan haasteet 22.3.2012 Timo Koskimäki 1 Sisältö Johdannoksi Esimerkit Mikro: Kännykän arvonlisän komponentit Makro: Suomen kauppatase ja viestintäklusteri Kauppatilastojen
RISTIINTAULUKOINTI JA Χ 2 -TESTI
RISTIINTAULUKOINTI JA Χ 2 -TESTI Kvantitatiiviset tutkimusmenetelmät maantieteessä Ti 27.10.2015, To 2.11.2015 Miisa Pietilä & Laura Hokkanen miisa.pietila@oulu.fi laura.hokkanen@outlook.com KURSSIKERRAN
Time Series Model for Forecasting the Sales of a Functional Dairy Product
Aalto University School of Science Degree Programme in Engineering Physics and Mathematics Time Series Model for Forecasting the Sales of a Functional Dairy Product Bachelor s Thesis 20.11.2013 Anton von
,0 Yes ,0 120, ,8
SHADOW - Main Result Calculation: Alue 2 ( x 9 x HH120) TuuliSaimaa kaavaluonnos Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered
xi = 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
Tavanomaisten otostunnuslukujen, odotusarvon luottamusvälin ja Box ja Whisker -kuvion määritelmät: ks. 1. harjoitukset.
Mat-.04 Tilastollisen analyysin perusteet Mat-.04 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Testit suhdeasteikollisille muuttujille Hypoteesi, Kahden riippumattoman otoksen t-testit,
Finland, Data Sources Last revision: 01-11-2011
Finland, Data Sources Last revision: 01-11-2011 LIVE BIRTHS Live births by age/cohort of mother 1976-1981: Väestö 1976-1981 Osa I, Väestörakenne ja väestönmuutokset, Koko maa ja läänit. Suomen Virallinen
AKKREDITOITU TESTAUSLABORATORIO ACCREDITED TESTING LABORATORY VERKOTAN OY VERKOTAN LTD.
T287/M03/2017 Liite 1 / Appendix 1 Sivu / Page 1(5) AKKREDITOITU TESTAUSLABORATORIO ACCREDITED TESTING LABORATORY VERKOTAN OY VERKOTAN LTD. Tunnus Code Laboratorio Laboratory Osoite Address www www T287
( ,5 1 1,5 2 km
Tuulivoimala Rakennukset Asuinrakennus Liikerak. tai Julkinen rak. Lomarakennus Teollinen rakennus Kirkollinen rakennus Varjostus "real case" h/a 1 h/a 8 h/a 20 h/a 4 5 3 1 2 6 7 8 9 10 0 0,5 1 1,5 2 km
SPSS ohje. Metropolia Business School/ Pepe Vilpas
1 SPSS ohje Page 1. Perusteita 2 2. Frekvenssijakaumat 3 3. Muuttujan luokittelu 4 4. Kaaviot 5 5. Tunnusluvut 6 6. Tunnuslukujen vertailu ryhmissä 7 9. Ristiintaulukointi ja Chi-testi 8 10. Hajontakaavio
Digitaalisen median tekniikat. Luento 3: CSS
Digitaalisen median tekniikat Luento 3: CSS Luennot 1. Intro 2. XHTML 3. CSS Box Model Selektorit Esimerkkiä yms. 4. JavaScript 5. JavaScript-kirjastot & AJAX 6. Käytettävyys & saavutettavuus 7. Palvelinohjelmointi
Mat 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,