Johdanto. Rough Sets. Peruskäsitteitä
|
|
- Aleksi Tamminen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Johdanto Rough Sets "The central problem of our age is how to act decisively in the absence of certainty" B Russel, 1940 Rough sets on 1980-luvun alussa Puolassa (Z Pawlak) kehitetty epävarmuutta ja epämääräisyyttä kuvaava matemaattinen työkalu sovelluskohteita:päätösanalyysi, koneoppiminen,asiantuntijajärjestelmät, tiedonhankinta... Rough Set -teoria on erityisen käyttökelpoinen ongelmissa, jotka liittyvät informaation supistamiseen (liiallisen datan eliminointiin), riippuvuuksien löytämiseen, informaation luokitteluun, yhtäläisyyksien ja erojen löytämiseen jne. Rough Set -teorialla on samankaltaisuutta monien muiden epämääräisyyttä ja -varmuutta mittaavien työkalujen kanssa Teorian tärkeimpänä etuna on, ettei käsiteltävänä olevasta aineistosta tarvita etukäteis- tai lisäinformaatiota kuten todennäköisyysjakaumia, perustodennäköisyysoletuksia (Dempster- Schafer) jäsenyysastetta (Sumea logiikka) Peruskäsitteitä Rough set -lähestymistavassa alkuperäinen reaalimaailman informaatio on esitetty informaatiotaulukkona Taulukon pystyriveinä ovat objektit (objects, entities, agents ) sekä vaakariveinä näiden objektien tila- sekä päätösattribuutit (condition, decision attributes) Intuitiivisesti rough set tarkoittaa sellaisten objektien joukkoa joita ei voi tarkasti erottaa toisistaan attribuuttien arvojen perusteella rough set-teorian keskeinen käsite on erottamattomuusrelaatio (indiscernibility relation) 1
2 Esimerkki:sairauden toteaminen Seuraavassa informaatiotaulukossa objekteina ovat potilaat (e1..e6), tilaattribuutteina oireet (päänsärky, lihaskipu, ruumiinlämpö), sekä päätösattribuuttina potilaan tila (terve/sairas) päänsärky lihaskipu lämpötila Tila e1 Y Y normaali terve e2 Y Y korkea sairas e3 Y Y hyvin korkeasairas e4 N Y normaali terve e5 N N korkea terve e6 N Y hyvin korkeasairas T1:Informaatiotaulukko Tarkasteltaessa attribuuttien "päänsärky" ja "lihaskipu" joukkoa havaitaan, että attribuuteilla on sama arvo (=kyllä) objektien e1,e2 ja e3 kohdalla, tällöin ko. objekteja ei voi erottaa toisistaan attribuuttien arvon perusteella ja objektien sanotaan olevan erottamattomia (indiscernible) keskenään erottamattomat objektit muodostavat perusjoukon (elementary set) Attribuutit "päänsärky ja lihaskipu" määrittelevät täten seuraavat perusjoukot:{e1,e2,e3}, {e4,e6},{e5} erottamattomuusrelaation käsite mahdollistaa tarpeettomien attribuuttien löytämisen jos attribuuttien joukko ja sen ylijoukko ( kaikki attribuutit sisältävä joukko) määrittelevät samat erottamattomuusrelaatiot ts. niiden perusjoukot ovat samat, ylijoukkoon kuuluva joukon ulkopuolinen joukko on redundantti tarkastellaan attribuuttijoukkoa{päänsärky, lämpötila} sekä sen ylijoukkoa {päänsärky, lihaskipu, lämpötila} Havaitaan, että molempien perusjoukot ovat samat (muodostuvat yksittäisistä alkioista {e1},{e2},{e3},{e4},{e5},{e6}) joukkoon kuulumaton attribuutti "lihaskipu" on siis redundantti poistetaan redundantti attribuutti ja jatkataan edelleen tarkastelua joukoilla{päänsärky}ja {lämpötila} sekä ylijoukolla{päänsärky, lämpötila} 2
3 Havaitaan, ettei kumpikaan jäljelläolevista attribuuteista ole redundantti joukkoa, jossa ei ole redundanttia attribuuttia kutsutaan minimijoukoksi (minimal, independent set) ja esimerkin joukkoa {päänsärky, lämpötila} alkuperäisen attribuuttijoukon {päänsärky, lihaskipu, lämpötilaa}supistetuksi (reduct) joukoksi Tarkastellaan seuraavaksi esimerkin päätösattribuutia päätöksiin liittyviä samat arvot sisältäviä perusjoukkoja kutsutaan konsepteiksi (concepts) esimerkin päätösattribuutin konseptit määrittelevät terveiden ja sairaiden potilaiden joukot ja ovat siis {e1,e4,e5} ja{e2,e3,e6} päänsärky lämpötila Tila e1 Y normaali terve e2 Y korkea sairas e3 Y hyvin korkeasairas e4 N normaali terve e5 N korkea terve e6 N hyvin korkeasairas T2:Supistettu informaatiotaulukko Supistetusta informaatiotaulukosta nähdään suoraan attribuuttien väliset riippuvuussäännöt: 1.(lämpötila, normaali) =>(tila, terve) 2.(päänsärky, ei)ja(lämpötila, korkea)=>(tila, terve) 3.((päänsärky, kyllä)ja(lämpötila, korkea)=> (tila, sairas) 4.(lämpötila, hyvin korkea)=>(tila, sairas) Lisätään seuraavaksi supistettuun informaatiotaulukkoon vielä kaksi objektia e7 ja e8, jolloin saadaan seuraavanlainen informaatiotaulukko päänsärky lämpötila Tila e1 Y normaali terve e2 Y korkea sairas e3 Y hyvin korkeasairas e4 N normaali terve e5 N korkea terve e6 N hyvin korkeasairas e7 N korkea sairas e8 N hyvin korkeaterve T3: Epäkonsistentti informaatiotaulukko 3
4 Perusjoukot attribuuteille "päänsärky" ja "lämpötila" ovat nyt {e1},{e2},{e3},{e4} {e5,e7}ja{e6,e8} sekä konseptit päätösattribuutille {e1,e4,e5,e8} ja {e2,e3,e6,e7} Taulukosta havaitaan, että päätösattribuutti ei riipu tila-attribuuteista, sillä perusjoukot {e5,e7} sekä {e6,e8} eivät ole konseptien osajoukkoja Taulukon sanotaan olevan epäkonsistentti(inconsistent), koska objektit e5 ja e7 sekä e6 ja e8 ovat ristiriidassa keskenään rough set-teoria tarjoaa mahdollisuuden epäkonsistenttien tilanteiden käsittelemiseen Kullekin konseptille määritetään ala- ja yläapproksimaatio (lower, upper approximation) konseptin ala-approksimaatioon kuuluvat ne perusjoukot, jotka ovat sen osajoukkoja, konseptin "sairas" ala-approksimaatio on siis {e2,e3} konseptin yläapproksimaatioon kuuluvat kaikki alkiot niistä tila-attribuuttien perusjoukoista, joiden joku alkio kuuluu konseptiin, konseptille "sairas" saadaan siis yläapproksimaatio {e2,e3,e5,e6,e7,e8} ala-approksimaatiosta johdettuja sääntöjä kutsutaan varmoiksi säännöiksi sekä yläapproksimaatiosta johdettuja mahdollisiksi säännöiksi Esimerkin tapauksessa saadaan varmat säännöt 1.(lämpötila, normaali) =>(tila, terve) 2.(päänsärky, kyllä)ja(lämpötila, korkea)=> (tila, sairas) 3..(päänsärky, kyllä)ja(lämpötila, hyvin korkea)=>(tila, sairas) sekä mahdolliset säännöt: 1.(päänsärky, ei) =>(tila, terve) 2.(lämpötila,normaali)=>(tila, terve) 3. (lämpötila,korkea)=>(tila, sairas) 4. (lämpötila, hyvin korkea)=>(tila, sairas) 4
5 Epävarmuuden mittaaminen Ala-approksimaation laatu :alaapproksimaatiojoukon alkioiden määrän ja kaikkien objektien määrän suhde Yläapproksimaation laatu: yläapproksimaatiojoukon alkioiden määrän ja kaikkien objektien määrän suhde (vrt. Dempster-Shaferin uskomusfunktio) esimerkin ala- approksimaation laatu on siis 0.25 ja yläapproksimaation laatu 0.75 Rough set-teoria päätöksenteossa Usean attribuutin luokitteluongelma (multiattribute sorting) multi-attribute multi-sorting problem multi-attribute description of decision situations päätöksen seurausten riippuvuuksien havaitseminen Esimerkki konfliktianalyysista (multi-attribute description) :Lähi-idän tilanne(1994) Objekteina Lähi-idän valtiot: 1.Israel,2.Egypti,3.Palestiinalaiset, 4.Jordania, 5.Syyria, 6.Saudi-Arabia Attribuutit: a.itsenäinen Palestiinalaisvaltio Länsirannalla ja Gazan alueella b.israelin sotilastukikohdat Jordan-joen varrella c.itä-jerusalem Israelin hallussa d.israelin sotilastukikohdat Golanin kukkuloilla e. Arabivaltioiden takaama kansalaisuus alueillaan oleville palestiinalaisille Informaatiotaulukko Seuraava informaatiotaulukko kuvaa kyseisten valtioiden asennetta kuhunkin kysymykseen arvo -1tarkoittaa kielteistä, 1 myönteistä sekä 0 neutraalia suhtautumista kysymykseen a b c d e Israel Egypti Palestiina Jordania Syyria SaudiArabia T4: Informaatiotaulukko Lähi-idän tilanteesta 5
6 Havaitaan, että alkuperäisen attribuuttijoukon supistetut joukot ovat {a,b,e} ja{b,d,e}, attribuutit e ja b ovat tärkeimmät a ja d ovat toisilleen päinvastaiset, joten kumpi tahansa voidaan ottaa mukaan supistettuun informaatiotauluun: a b e Israel Egypti Palestiina Jordania Syyria SaudiArabia T4: Supistettu Informaatiotaulukko Eri valtioiden välisten konfliktien astetta voidaan analysoida kertomalla objektien attribuuttiarvot (-1,0,1) keskenään sekä jakamalla tämä attribuuttien määrällä Seuraavassa taulukossa on kaikkien valtioiden välisten konfliktien asteet, arvot väliltä -1..1, jossa -1 vastaa täydellistä konfliktia, 0 neutraalia tilannetta ja 1 täydellistä yksimielisyyttä Israel Egypti Palestiina Jordania Syyria SaudiArabia Israel Egypti -0,8 Palestiina -0,8 0,6 Jordania -0,6 0,4 0,4 Syyria -1 0,8 0,8 0,6 SaudiArabia 0, ,2 0,2 T6: Lähi-idän välisten valtioiden konfliktien asteet Kotitehtävä Esimerkissä on kuvattu Lähi-idän tilannetta vuonna -94, PLO:n ja Israelin välisen rauhansopimuksen solmimisen aikoihin Mieti, millainen on tilanne tänä päivänä, ovatko kaikki taulukko T4:n attribuutit ja niiden arvot paikkansapitäviä tai relevantteja nykyisin? Pitäisikö taulukkoon lisätä muita attribuutteja tai objekteja? 6
How to Support Decision Analysis with Software Case Förbifart Stockholm
How to Support Decision Analysis with Software Case Förbifart Stockholm (Valmiin työn esittely) 13.9.2010 Ohjaaja: Prof. Mats Danielson Valvoja: Prof. Ahti Salo Tausta -Tukholman ohikulkutien suunnittelu
Lisätiedot3. Käsiteanalyysi ja käsitekaavio
3. Käsiteanalyysi ja käsitekaavio lehtori Pasi Ranne Metropolia ammattikorkeakoulu E-mail: pasi.ranne@metropolia.fi sivu 1 Käsiteanalyysi Selvitetään mitä tietokantaan pitää tallentaa Lähtökohtana käyttäjien
LisätiedotJoukot. Georg Cantor ( )
Joukot Matematiikassa on pyrkimys määritellä monimutkaiset asiat täsmällisesti yksinkertaisempien asioiden avulla. Tarvitaan jokin lähtökohta, muutama yleisesti hyväksytty ja ymmärretty käsite, joista
LisätiedotLause 5. (s. 50). Olkoot A ja B joukkoja. Tällöin seuraavat ehdot ovat
jen Kahden joukon A ja B samuutta todistettaessa kannattaa usein osoittaa, että A on B:n osajoukko ja että B on A:n osajoukko. Tällöin sovelletaan implikaation ja ekvivalenssin yhteyttä. Lause 5. (s. 50).
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 11. lokakuuta 2007 Antti Rasila () TodB 11. lokakuuta 2007 1 / 15 1 Johdantoa tilastotieteeseen Peruskäsitteitä Tilastollisen kuvailun ja päättelyn menetelmiä
LisätiedotY ja
1 Funktiot ja raja-arvot Y100 27.10.2008 ja 29.10.2008 Aki Hagelin aki.hagelin@helsinki.fi Department of Psychology / Cognitive Science University of Helsinki 2 Funktiot (Lue Häsä & Kortesharju sivut 4-9)
LisätiedotINTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti
12.11.1999 INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E Mat-2.142 Optimointiopin seminaari Referaatti Syksy 1999 1. JOHDANTO Thomas M. Stratin artikkeli Decision Analysis Using Belief Functions käsittelee
LisätiedotOtanta ilman takaisinpanoa
Otanta ilman takaisinpanoa Populaatio, jossa N alkiota (palloa, ihmistä tms.), kahdenlaisia ( valkoinen, musta ) Poimitaan umpimähkään (= symmetrisesti) n-osajoukko eli otos Merkitään tapahtuma A k = otoksessa
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
Lisätiedot30.6.2015 FI Euroopan unionin virallinen lehti C 214/5
30.6. FI Euroopan unionin virallinen lehti C 214/5 Komission ilmoitus etuuskohteluun oikeuttavia Paneurooppa Välimeri-alkuperäsääntöjä koskevan alueellisen yleissopimuksen soveltamisen alkamispäivästä
LisätiedotPreference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi
Preference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi Mat-2.4142 Optimointiopin seminaari 9.2.2011 Lähteet: Salo, A. & Hämäläinen, R. P., 2010.
LisätiedotOsapuolten ilmoitusten perusteella laadituissa taulukoissa eritellään seuraavaa:
C 73/6 FI Euroopan unionin virallinen lehti 9.3.2017 Komission ilmoitus etuuskohteluun oikeuttavia Paneurooppa Välimeri-alkuperäsääntöjä koskevan alueellisen yleissopimuksen soveltamisesta ja mainitun
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
LisätiedotVisualisointi käyttöliittymäsuunnittelussa (syksy 2012), muistiinpanot esityksestä Jussi Kurki: Suurten verkkojen visualisointi.
Visualisointi käyttöliittymäsuunnittelussa (syksy 2012), muistiinpanot esityksestä Jussi Kurki: Suurten verkkojen visualisointi Tuomas Husu Jussi Kurki kävi keskiviikon 3.10.2012 seminaariesityksessään
Lisätiedot811120P Diskreetit rakenteet
811120P Diskreetit rakenteet 2016-2017 4. Joukot, relaatiot ja funktiot Osa 1: Joukot 4.1 Joukot Matemaattisesti joukko on mikä tahansa hyvin määritelty kokoelma objekteja, joita kutsutaan joukon alkioiksi
LisätiedotLUKU II HOMOLOGIA-ALGEBRAA. 1. Joukko-oppia
LUKU II HOMOLOGIA-ALGEBRAA 1. Joukko-oppia Matematiikalle on tyypillistä erilaisten objektien tarkastelu. Tarkastelu kohdistuu objektien tai näiden muodostamien joukkojen välisiin suhteisiin, mutta objektien
LisätiedotTehtäväsarja I Seuraavissa tehtävissä harjoitellaan erilaisia todistustekniikoita. Luentokalvoista 11, sekä voi olla apua.
HY / Avoin yliopisto Johdatus yliopistomatematiikkaan, kesä 2015 Harjoitus 2 Ratkaisuehdotuksia Tehtäväsarja I Seuraavissa tehtävissä harjoitellaan erilaisia todistustekniikoita. Luentokalvoista 11, 15-17
LisätiedotLogiikka 1/5 Sisältö ESITIEDOT:
Logiikka 1/5 Sisältö Formaali logiikka Luonnollinen logiikka muodostaa perustan arkielämän päättelyille. Sen käyttö on intuitiivista ja usein tiedostamatonta. Mikäli logiikka halutaan täsmällistää esimerkiksi
LisätiedotDiskreetin matematiikan perusteet Laskuharjoitus 1 / vko 8
Diskreetin matematiikan perusteet Laskuharjoitus 1 / vko 8 Tuntitehtävät 1-2 lasketaan alkuviikon harjoituksissa ja tuntitehtävät 5- loppuviikon harjoituksissa. Kotitehtävät 3-4 tarkastetaan loppuviikon
LisätiedotSimplex-algoritmi. T Informaatiotekniikan seminaari , Susanna Moisala
Simplex-algoritmi T-6.5 Informaatiotekniikan seminaari..8, Susanna Moisala Sisältö Simplex-algoritmi Lähtökohdat Miten ongelmasta muodostetaan ns. Simplextaulukko Miten haetaan käypä aloitusratkaisu Mitä
LisätiedotHELIA 1 (17) Outi Virkki Tiedonhallinta 4.11.2000
HELIA 1 (17) Luento 4.5 Normalisointi... 2 Tavoitteet... 2 Attribuuttien väliset riippuvuudet... 4 Funktionaalinen / moniarvoinen riippuvuus... 4 Transitiivinen / suora riippuvuus... 6 Täydellinen / osittainen
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
Lisätiedot3 Suorat ja tasot. 3.1 Suora. Tässä luvussa käsitellään avaruuksien R 2 ja R 3 suoria ja tasoja vektoreiden näkökulmasta.
3 Suorat ja tasot Tässä luvussa käsitellään avaruuksien R 2 ja R 3 suoria ja tasoja vektoreiden näkökulmasta. 3.1 Suora Havaitsimme skalaarikertolaskun tulkinnan yhteydessä, että jos on mikä tahansa nollasta
LisätiedotKarteesinen tulo. Olkoot A = {1, 2, 3, 5} ja B = {a, b, c}. Näiden karteesista tuloa A B voidaan havainnollistaa kuvalla 1 / 21
säilyy Olkoot A = {1, 2, 3, 5} ja B = {a, b, c}. Näiden karteesista tuloa A B voidaan havainnollistaa kuvalla c b a 1 2 3 5 1 / 21 säilyy Esimerkkirelaatio R = {(1, b), (3, a), (5, a), (5, c)} c b a 1
LisätiedotSosiaalisten verkostojen data
Sosiaalisten verkostojen data Hypermedian jatko-opintoseminaari 2008-09 2. luento - 17.10.2008 Antti Kortemaa, TTY/Hlab Wasserman, S. & Faust, K.: Social Network Analysis. Methods and Applications. 1 Mitä
LisätiedotAlkioiden x ja y muodostama järjestetty pari on jono (x, y), jossa x on ensimmäisenä ja y toisena jäsenenä.
Alkioiden x ja y muodostama järjestetty pari on jono (x, y), jossa x on ensimmäisenä ja y toisena jäsenenä. Kaksi järjestettyä paria ovat samat, jos niillä on samat ensimmäiset alkiot ja samat toiset alkiot:
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin perusteet, kevät 2007 2. luento: Tilastolliset testit Kai Virtanen 1 Tilastollinen testaus Tutkimuksen kohteena olevasta perusjoukosta esitetään väitteitä oletuksia joita
Lisätiedot1.1 Funktion määritelmä
1.1 Funktion määritelmä Tämän kappaleen otsikoksi valittu funktio on hyvä esimerkki matemaattisesta käsitteestä, johon usein jopa tietämättämme törmäämme arkielämässä. Tutkiessamme erilaisia Jos joukkojen
LisätiedotTodistusmenetelmiä Miksi pitää todistaa?
Todistusmenetelmiä Miksi pitää todistaa? LUKUTEORIA JA TO- DISTAMINEN, MAA11 Todistus on looginen päättelyketju, jossa oletuksista, määritelmistä, aksioomeista sekä aiemmin todistetuista tuloksista lähtien
LisätiedotHelsingin yliopisto/tktl DO Tietokantojen perusteet, s 2000 Relaatiomallin peruskäsitteet Harri Laine 1. Relaatiotietokannat DONOTP
RINT THIS DOCUM ENT Relaatiotietokannat DONOTP Relaatiomalli Perustana rakennetason tietomalli relaatiomalli (the relational model of data) perusteoria: Codd 1970 ensimmäiset kaupalliset toteutukset 70-luvun
LisätiedotTauon jälkeen tutkijaksi. Informaatikko Marja Kokko
Tauon jälkeen tutkijaksi Informaatikko Marja Kokko 1.10.2013 marja.kokko@jyu.fi 2 Tiedonhankinta Kirjaston yleiset koulutukset ja tutkijapalveluiden koulutukset Opi hyödyntämään kirjaston pääsivua ja sieltä
LisätiedotLähi-itä murroksessa jo 4000 vuotta
Lähi-itä murroksessa jo 4000 vuotta Lähi-idän hegemoniataistelun historia 90 sekunnissa Kommodori (evp) Mikko Taavitsainen 2 Uskontojen leviäminen Kommodori (evp) Mikko Taavitsainen 3 Lähi-idän suurimmat
LisätiedotEsimerkkejä kauden varapelaajasäännön soveltamisesta / Markus Sipilä
Esimerkkejä kauden 2015-2016 varapelaajasäännön soveltamisesta / Markus Sipilä HUOMIO Tässä esitetyt esimerkit perustuvat Curling.fi:n foorumilla luonnostellun sääntömuotoilun tilanteeseen Sääntö lyödään
LisätiedotOppijan saama palaute määrää oppimisen tyypin
281 5. KONEOPPIMINEN Älykäs agentti voi joutua oppimaan mm. seuraavia seikkoja: Kuvaus nykytilan ehdoilta suoraan toiminnolle Maailman relevanttien ominaisuuksien päätteleminen havaintojonoista Maailman
LisätiedotMS-A0402 Diskreetin matematiikan perusteet
MS-A0402 Diskreetin matematiikan perusteet Osa 1: Joukko-oppi ja logiikka Riikka Kangaslampi 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kiitokset Nämä luentokalvot perustuvat Gustaf
LisätiedotKansainvälisen tilausliikenteen matkustajat 2018
01/18 02/18 03/18 04/18 määrän määrän määrän EU Espanja 50 236 1,6 44 468-1,6 50 271-1,7 30 500 Kreikka 17 306 Iso-Britannia 11 204-7,5 10 037 21,7 2 940 44,3 866 Alankomaat 9 736 23,3 11 472 30,4 7 444
LisätiedotTIEA241 Automaatit ja kieliopit, syksy Antti-Juhani Kaijanaho. 8. syyskuuta 2016
TIEA241 Automaatit ja kieliopit, syksy 2016 Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 8. syyskuuta 2016 Sisällys a https://tim.jyu.fi/view/kurssit/tie/ tiea241/2016/videoiden%20hakemisto Matemaattisen
Lisätiedot1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
Lisätiedot1. Logiikan ja joukko-opin alkeet
1. Logiikan ja joukko-opin alkeet 1.1. Logiikkaa 1. Osoita totuusarvotauluja käyttäen, että implikaatio p q voidaan kirjoittaa muotoon p q, ts. että propositio (p q) ( p q) on identtisesti tosi. 2. Todista
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
LisätiedotDXL Library ja DXL-kielen olemus. Pekka Mäkinen Pekka.Makinen@softqa.fi SoftQA Oy http/www.softqa.fi/
DXL Library ja DXL-kielen olemus Pekka Mäkinen Pekka.Makinen@softqa.fi SoftQA Oy http/www.softqa.fi/ DOORS extension Language DXL on DOORSin laajennuskieli, jolla voidaan kehittää lisätoiminnallisuutta.
LisätiedotHarjoitustehtävien ratkaisut. Joukko-opin harjoituksia. MAB1: Luvut ja lukujoukot 2
MAB: Luvut ja lukujoukot Harjoitustehtävien ratkaisut Joukko-opin harjoituksia T Joukossa W V ovat kaikki joukkojen W ja V alkiot, siis alkiot, jotka ovat joko W :n tai V :n tai molempien alkioita. Siis
LisätiedotJOHDANTO KURSSIN AIHEPIIRIIN
T-79.3001 LTP / Kevät 2006 Johdanto 1 T-79.3001 LTP / Kevät 2006 Johdanto 3 Formaali päättely Matemaattinen logiikka tekee loogisesta päättelystä formaalin: JOHDANTO KURSSIN AIHEPIIRIIN väittämät esitetään
LisätiedotRelaatiotietokantojen perusteista. Harri Laine Helsingin yliopisto
Harri Laine Helsingin yliopisto Suosion syy? Yksinkertaisuus vähän käsitteitä helppo hahmottaa Selkeä matemaattinen perusta ei tulkintaongelmia kuten esim. UML:ssä teoria käytäntö kaavio: R(A 1 :D 1, A
LisätiedotB. Siten A B, jos ja vain jos x A x
Mat-1.2600 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Johdanto Joukko-opin peruskäsitteet Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Alkeistapahtuma,
LisätiedotSosiaalisten verkostojen tutkimusmenetelmät - historiallisia ja teoreettisia perusteita sekä peruskäsitteitä
Sosiaalisten verkostojen tutkimusmenetelmät - historiallisia ja teoreettisia perusteita sekä peruskäsitteitä Stanley Wasserman and Katherine Faust: Social Network Analysis, Methods and Applications Sosiaalisten
LisätiedotProjektisuunnitelma ja johdanto AS-0.3200 Automaatio- ja systeemitekniikan projektityöt Paula Sirén
Projektisuunnitelma ja johdanto AS-0.3200 Automaatio- ja systeemitekniikan projektityöt Paula Sirén Sonifikaatio Menetelmä Sovelluksia Mahdollisuuksia Ongelmia Sonifikaatiosovellus: NIR-spektroskopia kariesmittauksissa
Lisätiedot8.2. Permutaatiot. Esim. 1 Kirjaimet K, L ja M asetetaan jonoon. Kuinka monta erilaista järjes-tettyä jonoa näin saadaan?
8.2. Permutaatiot Esim. 1 irjaimet, ja asetetaan jonoon. uinka monta erilaista järjes-tettyä jonoa näin saadaan? Voidaan kuvitella vaikka niin, että hyllyllä on vierekkäin kolme laatikkoa (tai raiteilla
LisätiedotHELIA 1 (17) Outi Virkki Tiedonhallinta
HELIA 1 (17) Luento 4.1 Looginen suunnittelu... 2 Relaatiomalli... 3 Peruskäsitteet... 4 Relaatio... 6 Relaatiokaava (Relation schema)... 6 Attribuutti ja arvojoukko... 7 Monikko... 8 Avaimet... 10 Avain
LisätiedotJohdatus matemaattiseen päättelyyn
Johdatus matemaattiseen päättelyyn Maarit Järvenpää Oulun yliopisto Matemaattisten tieteiden laitos Syyslukukausi 2015 1 Merkintöjä 2 Todistamisesta 2 3 Joukko-oppia Tässä luvussa tarkastellaan joukko-opin
Lisätiedotax + y + 2z = 0 2x + y + az = b 2. Kuvassa alla on esitetty nesteen virtaus eräässä putkistossa.
BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 7, Syksy 206 Tutkitaan yhtälöryhmää x + y + z 0 2x + y + az b ax + y + 2z 0 (a) Jos a 0 ja b 0 niin mikä on yhtälöryhmän ratkaisu? Tulkitse ratkaisu
LisätiedotPsykoosisairauksien tuomat neuropsykologiset haasteet
Psykoosisairauksien tuomat neuropsykologiset haasteet Hyvinkään sairaala 19.11.2015 Neuropsykologian erikoispsykologi Laila Luoma laila.luoma@hus.fi 1 Neuropsykologian kohteena on aivojen ja käyttäytymisen
LisätiedotStrathclyde-prosessi
Strathclyde-prosessi (Materiaali pohjautuu Terry Williamsin luentokalvoihin The Catastrophic Project - an examination of some real-life project failures and an exposure of root causes. Project Management
LisätiedotTIEDONHALLINTA - SYKSY Luento 7. Pasi Ranne /10/17 Helsinki Metropolia University of Applied Sciences
TIEDONHALLINTA - SYKSY 2017 Kurssikoodi: Saapumisryhmä: Luento 7 TX00CN57-3001 TXQ16ICT, TXQ16S1 ja TXQ16PROS Pasi Ranne 02.10.2017 1/10/17 Helsinki Metropolia University of Applied Sciences 1 Tietokannan
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
LisätiedotYhteistyötä sisältämätön peliteoria jatkuu
Yhteistyötä sisältämätön peliteoria jatkuu Tommi Lehtonen Optimointiopin seminaari - Syksy 2000 / 1 Bayesilainen tasapaino Täysi informaatio Vajaa informaatio Staattinen Nash Bayes Dynaaminen Täydellinen
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotEuroopan unionin neuvosto Bryssel, 3. maaliskuuta 2017 (OR. en)
Euroopan unionin neuvosto Bryssel, 3. maaliskuuta 2017 (OR. en) 6936/17 ADD 4 JAI 189 ASIM 22 CO EUR-PREP 14 SAATE Lähettäjä: Saapunut: 2. maaliskuuta 2017 Vastaanottaja: Euroopan komission pääsihteerin
LisätiedotLU-hajotelma. Esimerkki 1 Matriisi on yläkolmiomatriisi ja matriisi. on alakolmiomatriisi. 3 / 24
LU-hajotelma 1 / 24 LU-hajotelma Seuravassa tarkastellaan kuinka neliömatriisi voidaan esittää kahden kolmiomatriisin tulona. Käytämme alkeismatriiseja tälläisen esityksen löytämiseen. Edellä mainittua
Lisätiedot1. Ulkoasiainneuvosto hyväksyi istunnossaan liitteenä olevat neuvoston päätelmät Lähi-idän rauhanprosessista.
EUROOPAN UNIONIN NEUVOSTO Bryssel, 8. joulukuuta 2009 (09.12) (OR. en) 17281/09 COMEP 38 PESC 1706 ILMOITUS Asia : Ulkoasiainneuvosto, Bryssel, 8. joulukuuta 2009 Neuvoston päätelmät Lähi-idän rauhanprosessista
LisätiedotCS-A1150 Tietokannat CS-A1150 Tietokannat / 43
CS-A1150 Tietokannat 13.3.2018 CS-A1150 Tietokannat 13.3.2018 1 / 43 Oppimistavoitteet: tämän luennon jälkeen Osaat muuttaa huonon tietokantakaavion paremmaksi: Tiedät mitä tarkoitetaan sillä, että relaatio
LisätiedotAihe-entiteettien ominaisuuksien ja suhteiden merkitseminen. RDA-koulutus Marja-Liisa Seppälä marja-liisa.seppala[ät]helsinki.
Aihe-entiteettien ominaisuuksien ja suhteiden merkitseminen RDA-koulutus 1.12.2015 Marja-Liisa Seppälä marja-liisa.seppala[ät]helsinki.fi Aiheen kuvailu Aiheen kuvailu = aihe-entiteetin (esim. käsitteen)
LisätiedotMATEMATIIKKA. Matematiikkaa pintakäsittelijöille. Ongelmanratkaisu. Isto Jokinen 2017
MATEMATIIKKA Matematiikkaa pintakäsittelijöille Ongelmanratkaisu Isto Jokinen 2017 SISÄLTÖ 1. Matemaattisten ongelmien ratkaisu laskukaavoilla 2. Tekijäyhtälöt 3. Laskukaavojen yhdistäminen 4. Yhtälöiden
Lisätiedot4.1 Kaksi pistettä määrää suoran
4.1 Kaksi pistettä määrää suoran Kerrataan aluksi kurssin MAA1 tietoja. Geometrisesti on selvää, että tason suora on täysin määrätty, kun tunnetaan sen kaksi pistettä. Joskus voi tulla vastaan tilanne,
LisätiedotTodennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin Yliopisto Harjoitus 1, ratkaisuehdotukset
Todennäköisyyslaskenta I, kesä 207 Helsingin yliopisto/avoin Yliopisto Harjoitus, ratkaisuehdotukset. Kokeet ja Ω:n hahmottaminen. Mitä tarkoittaa todennäköisyys on? Olkoon satunnaiskokeena yhden nopan
LisätiedotVenäläisten ulkomaanmatkailu 2013, maaliskuu 2014
Venäläisten ulkomaanmatkailu 2013, maaliskuu 2014 Sisällysluettelo Venäläisten ulkomaanmatkailu kasvoi 13 % Kuva 1: Matkojen määrien muutokset kymmeneen suosituimpaan kohdemaahan 2012 2013 Taulukko 2:
LisätiedotIlkka Mellin Todennäköisyyslaskenta Liite 1: Joukko-oppi
Ilkka Mellin Todennäköisyyslaskenta Liite 1: Joukko-oppi TKK (c) Ilkka Mellin (2007) 1 Joukko-oppi >> Joukko-opin peruskäsitteet Joukko-opin perusoperaatiot Joukko-opin laskusäännöt Funktiot Tulojoukot
LisätiedotS Laskennallinen systeemibiologia
S-114.2510 Laskennallinen systeemibiologia 3. Harjoitus 1. Koska tilanne on Hardy-Weinbergin tasapainossa luonnonvalintaa lukuunottamatta, saadaan alleeleista muodostuvien eri tsygoottien genotyyppifrekvenssit
LisätiedotYhtenäisyydestä. Johdanto. Lähipisteavaruus. Tuomas Korppi
Solmu 2/2012 1 Yhtenäisyydestä Tuomas Korppi Johdanto Tarkastellaan kuvassa 1 näkyviä verkkoa 1 ja R 2 :n (eli tason) osajoukkoa. Kuvan 2 verkko voidaan jakaa kolmeen osaan niin, että osien välillä ei
Lisätiedot2. Arvon ja hyödyn mittaaminen
2. Arvon ja hyödyn mittaaminen 1 2 Arvon ja hyödyn mittaaminen 2.1 Miksi tarvitsemme arvofunktiota? Arvofunktio on preferenssien (mieltymysten) matemaattinen kuvaus. Arvofunktio kuvaa päätöskriteeriä vastaavan
LisätiedotMatematiikan johdantokurssi, syksy 2016 Harjoitus 11, ratkaisuista
Matematiikan johdantokurssi, syksy 06 Harjoitus, ratkaisuista. Valitse seuraaville säännöille mahdollisimman laajat lähtöjoukot ja sopivat maalijoukot niin, että syntyy kahden muuttujan funktiot (ks. monisteen
LisätiedotTulevaisuuden ratkaisu datan yhdistämiseen ja jakeluun. Forest Big Data Tulosseminaari, Miika Rajala, Risto Ritala TTY
Tulevaisuuden ratkaisu datan yhdistämiseen ja jakeluun Forest Big Data Tulosseminaari, 8.3.2016 Miika Rajala, Risto Ritala TTY Datalähteet Metsädatan lähteitä Laserpohjainen inventointi (SMK) Satelliittipohjainen
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotEUROOPAN PARLAMENTTI
EUROOPAN PARLAMENTTI 2004 Istuntoasiakirja 2009 4.7.2007 B6-0275/2007 PÄÄTÖSLAUSELMAESITYS neuvoston ja komission julkilausumien johdosta työjärjestyksen 103 artiklan 2 kohdan mukaisesti esittäjä(t): Francis
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
LisätiedotMS-A0402 Diskreetin matematiikan perusteet
MS-A040 Diskreetin matematiikan perusteet Osa : Relaatiot ja funktiot Riikka Kangaslampi 017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Relaatiot Relaatio Määritelmä 1 Relaatio joukosta A
LisätiedotTietomallit. Näkökulmat tietoon. Näkökulmat tietoon. Mitä malleja olisi tarjolla? Abstraktiotasot tiedon käsittelyssä
Tietomallit Tietomallilla (data model) tarkoitetaan tiedon rakenteen ja tiedolle suoritettavan käsittelyn määrittelevää kehikkoa - käsitteistöä Tietoa voidaan tarkastella eri näkökulmista - eri abstraktiotasoilla
LisätiedotAineistoista. Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin
Aineistoista 11.2.09 IK Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin Muotoilussa kehittyneet menetelmät, lähinnä luotaimet Havainnointi:
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.34 Lineaarinen ohjelmointi..27 Luento 5 Simplexin implementaatioita (kirja 3.2-3.5) Lineaarinen ohjelmointi - Syksy 27 / Luentorunko (/2) Simplexin implementaatiot Naiivi Revised Full tableau Syklisyys
LisätiedotKoodausteoria, Kesä 2014
Koodausteoria, Kesä 2014 Topi Törmä Matemaattisten tieteiden laitos 6. Ryöppyvirheitä korjaavat koodit Topi Törmä Matemaattisten tieteiden laitos 2 / 34 6.1 Peruskäsitteitä Aiemmin on implisiittisesti
Lisätiedot4 Matemaattinen induktio
4 Matemaattinen induktio Joidenkin väitteiden todistamiseksi pitää näyttää, että kaikilla luonnollisilla luvuilla on jokin ominaisuus P. Esimerkkejä tällaisista väitteistä ovat vaikkapa seuraavat: kaikilla
LisätiedotYHTEISTYÖN KÄYTÄNNÖT UUDEN TIEDON LUOMISESSA
Professori Hannu Kärkkäinen Tampereen teknillinen yliopisto KOULUTUSTILAISUUS 18.9.2012 KLO 9-12 YHTEISTYÖN KÄYTÄNNÖT UUDEN TIEDON LUOMISESSA THE RANGE OF WHAT WE THINK AND DO IS LIMITED BY WHAT WE FAIL
LisätiedotTalousmatematiikan perusteet: Luento 9. Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Transponointi Matriisitulo
Talousmatematiikan perusteet: Luento 9 Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Transponointi Matriisitulo Viime luennolta Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta,
LisätiedotSeurantojen otoskoon arviointi RKTL:ssä
Seurantojen otoskoon arviointi RKTL:ssä Mika Kurkilahti MTT 23.8.2012 Miksi seurantoja tehdään? RKTL:lle esitetään jatkuvasti paljon kysymyksiä Mikä on eläinkantojen koko ajallisesti ja alueellisesti,
LisätiedotOhjelmistojen mallintaminen luokkamallin lisäpiirteitä
582104 Ohjelmistojen mallintaminen luokkamallin lisäpiirteitä 1 Luokkamallin lisäpiirteitä Erilaiset yhteystyypit kooste kompositio Muita luokkien välisiä suhteita riippuvuudet periytyminen eli luokkahierarkia
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Optimaalisuus: objektiavaruus f 2 min Z = f(s) Parhaat arvot alhaalla ja vasemmalla
LisätiedotVirheen kasautumislaki
Virheen kasautumislaki Yleensä tutkittava suure f saadaan välillisesti mitattavista parametreistä. Tällöin kokonaisvirhe f määräytyy mitattujen parametrien virheiden perusteella virheen kasautumislain
LisätiedotKuvio 1 Matematiikan kansalliset suorituspistemäärät
Kuvio 1 Matematiikan kansalliset suorituspistemäärät Kansallinen keskiarvo jakauma Korea 613 (90) h Singapore 611 (84) h Taiwan 609 (106) h Hongkong 586 (84) h Japani 570 (85) h Venäjä 539 (81) h Israel
LisätiedotJarkko Peltomäki. Aliryhmän sentralisaattori ja normalisaattori
Jarkko Peltomäki Aliryhmän sentralisaattori ja normalisaattori Matematiikan aine Turun yliopisto Syyskuu 2009 Sisältö 1 Johdanto 2 2 Määritelmiä ja perusominaisuuksia 3 2.1 Aliryhmän sentralisaattori ja
LisätiedotKokeellinen yhteiskuntatiede
Kokeellinen yhteiskuntatiede Metodifestivaali 2019 Syistä selityksiin Samuli Reijula samuli.reijula@helsinki.fi Kokeita yhteiskuntatieteessä? EI Yhteiskuntatieteen tutkimuskohde erityinen Vapaa tahto
LisätiedotTietokantojen perusteet k2004helsingin yliopisto/tktl Tietokantojen perusteet, s 2005 relaatiomalli Harri Laine 1.
Relaatiotietokannat Relaatiomalli Perustana rakennetason tietomalli (the relational model of data) perusteoria: E.F.Codd 1970 ensimmäiset kaupalliset toteutukset 70-luvun lopulla yleistynyt 80-luvun lopulla
LisätiedotTehtävä 1. Hypoteesi: Liikuntaneuvonta on hyvä keino vaikuttaa terveydentilaan. Onko edellinen hypoteesi hyvä tutkimushypoteesi? Kyllä.
Tehtävä 1 Hypoteesi: Liikuntaneuvonta on hyvä keino vaikuttaa terveydentilaan. Onko edellinen hypoteesi hyvä tutkimushypoteesi? Kyllä Ei Hypoteesi ei ole hyvä tutkimushypoteesi, koska se on liian epämääräinen.
LisätiedotTaloudellinen päätöksenteko julkishallinnossa ongelmat ja rajoitteet
Taloudellinen päätöksenteko julkishallinnossa ongelmat ja rajoitteet JULMA-työpaja Tampereen yliopisto, 21.5.2015 Professori Jarmo Vakkuri, Tampereen yliopisto, JKK JULMA-projektin osahanke: Yhdyskuntarakenteen
LisätiedotEUROOPAN PARLAMENTTI
EUROOPAN PARLAMENTTI 2004 Istuntoasiakirja 2009 12.1.2009 B6-054/2009 PÄÄTÖSLAUSELMAESITYS neuvoston ja komission julkilausumien johdosta työjärjestyksen 103 artiklan 2 kohdan mukaisesti esittäjä(t): Daniel
LisätiedotAsia Euroopan komission tulkintaohje Israelin vuoden 1967 jälkeen miehittämillä alueilla tuotettujen tuotteiden alkuperän merkitsemisestä
Ulkoasiainministeriö PERUSMUISTIO UM2015-01501 ALI-10 Eloranta Elina(UM) 17.11.2015 JULKINEN Asia Euroopan komission tulkintaohje Israelin vuoden 1967 jälkeen miehittämillä alueilla tuotettujen tuotteiden
LisätiedotLangan taipuman mittausjärjestelmä Tiivistelmä
TUTKIMUSRAPORTTI VTT-2014/12 Langan taipuman mittausjärjestelmä Tiivistelmä Kirjoittajat: Luottamuksellisuus: Klaus Känsälä, Kalle Määttä, Jari Rehu luottamuksellinen 2 (6) Johdanto VTT on kehittänyt langattoman
Lisätiedot