Puuttuvan tiedon käsittely aivosähkökäyrämittauksissa
Authors
Date
2016Access restrictions
This material has a restricted access due to copyright reasons. It can be read at the workstation at Jyväskylä University Library reserved for the use of archival materials: https://kirjasto.jyu.fi/collections/archival-workstation.
Copyright
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Related items
Showing items with similar title or keywords.
-
Puuttuvan tiedon käsittely aivosähkökäyrämittauksissa
Era, Lauri (2016)Aivosähkökäyrämittaukset ovat tyypillisesti hyvin työläitä ja pitkäkestoisia. Näiden seikkojen johdosta otoskoot ovat usein pieniä. Lisäksi osa koehenkilöistä päätyy lopettamaan mittaukset kesken, tai ei jaksa keskittyä ... -
Bayesian Kelly criterion as an allocation strategy in Finnish stock markets
Heikkinen, Risto (2020)Kellyn kriteeriksi kutsutaan sijoitusstrategiaa, jossa tavoitteena on varallisuuden kasvuvauhdin maksimointi pitkällä ajanjaksolla. Sen alkuperäisen version soveltamiseen liittyy heikkouksia kuten suuri varallisuuden ... -
Valkosolupitoisuuksien bayesilainen mallintaminen lasten leukemian ylläpitohoidossa
Karppinen, Santeri (2018)Lasten akuutin lymfoblastileukemian ylläpitovaiheen hoidossa tehtävät lääkeannostuspäätökset pohjataan nykyisin potilaan veren valkosolupitoisuuteen, joka on hoidon tehokkuudesta kertova tekijä. Potilaalle sopiva lääkeannostus ... -
Statistical modelling of selective non-participation in health examination surveys
Kopra, Juho (University of Jyväskylä, 2018)Health examination surveys aim to collect reliable information on the health and risk factors of a population of interest. Missing data occur when some invitees do not participate the survey. If non-participation is ... -
Price Optimization Combining Conjoint Data and Purchase History : A Causal Modeling Approach
Valkonen, Lauri; Tikka, Santtu; Helske, Jouni; Karvanen, Juha (University of Pennsylvania Press, 2024)Pricing decisions of companies require an understanding of the causal effect of a price change on the demand. When real-life pricing experiments are infeasible, data-driven decision-making must be based on alternative data ...