805306A Johdatus monimuuttujamenetelmiin, 5 op
|
|
- Amanda Anni Karvonen
- 5 vuotta sitten
- Katselukertoja:
Transkriptio
1 monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos
2 Ryhmittelyn perusperiaate Tästä lähdetään liikkeelle: Tähän pyritään: a b c bc d e f de def bcdef abcdef monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
3 K:n keskiarvon ryhmittelyanalyysi (K-means clustering) Ryhmittelyanalyysin tavoitteena on aineiston havaintojen ryhmittely siten, että samaan ryhmään kuuluvat havainnot ovat mahdollisimman samankaltaisia keskenään ja eri ryhmät poikkeavat toisistaan mahdollisimman paljon. Ryhmittelymenetelmää valittaessa on määriteltävä mitä kahden tai useamman havainnon samankaltaisuus (tai erilaisuus) on. Ryhmittelyanalyysi on ohjaamatonta oppimista, koska sen tavoitteena on etsiä aineiston rakenteita. Varsinaista vastetta ei ole. Muodostettavat ryhmät vastaavat usein joitakin mielekkäitä ennalta määriteltyjä/muodostuneita luokkia. monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
4 K:n keskiarvon ryhmittelyanalyysi on yksinkertainen menetelmä havaintoaineiston jakamiseksi K:hon toisistaan täysin erilliseen ryhmään. Ensimmäiseksi määritellään muodostettavien ryhmien lukumäärä K. Seuraavaksi käytettävä algoritmi määrää jokaisen havainnon täsmälleen yhteen muodostettavista ryhmistä. Merkitään jatkossa havainnot sisältäviä ryhmiä (joukkoja) merkinnöillä C 1, C 2,..., C K. Näiden ryhmien tulee toteuttaa seuraavat ominaisuudet: C 1 C 2... C K = {1,..., n} eli jokainen aineiston havainto kuuluu ainakin johonkin ryhmistä k (k = 1,..., K). C k C k = k k eli mikään aineiston havainto ei kuulu useampaan kuin yhteen ryhmään k (k = 1,..., K). monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
5 Merkitään havainnon i merkinnällä i C k. (i = 1,..., n) kuulumista ryhmään k Ideana on muodostaa K ryhmää siten, että ryhmien sisäinen vaihtelu on niin pientä kuin mahdollista. Ryhmien sisäistä vaihtelua ryhmässä C k mittaavan tunnusluvun ollessa W (C k ), k:n keskiarvon ryhmittelyanalyysin tavoitteena on ratkaista minimointiongelma { K } minimum C 1,...,C k k=1 W (C k ) (1) Tavoitteena on siis ryhmitellä aineiston havainnot siten, että muodostettavien ryhmien sisäisten vaihtelujen summa on mahdollisimman pieni. monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
6 Ryhmien sisäisen vaihtelun määrä voidaan mitata usealla eri tavalla, mutta yleisimmin mittarina käytetään neliöityä Euklidista etäisyyttä (vrt. K:n lähimmän naapurin menetelmä). Tällöin W (C k ) = 1 C k i,i C k j=1 p (x ij x i j )2, (2) missä C k kuvaa ryhmään k kuuluvien havaintojen lukumäärää. K:n keskiarvon ryhmittelyanalyysin määrittelee edellä esitettyjen kaavojen (1) ja (2) nojalla minimointiongelma minimum C 1,...,C k K k=1 1 C k i,i C k j=1 p (x ij x i j )2. (3) monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
7 Minimointiongelman (3) tarkka ratkaiseminen on erittäin vaikeaa, sillä n havaintoa voidaan ryhmitellä K ryhmään K n /K! eri tavalla. Jos esimerkiksi n = 20 ja muodostettavia ryhmiä on kolme, voidaan havainnot ryhmitellä tarjolla oleviin ryhmiin eri tavalla! Havaintoaineistossa n on usein huomattavasti suurempi kuin 20 ja muodostettavia ryhmiä voi olla enemmän kuin yllä mainitun esimerkin kolme ryhmää Kaikkien kombinaatioiden läpikäyminen ryhmien sisäisten vaihteluiden laskentaa varten on käytännössä mahdotonta. Ryhmittelyn määrittelevään minimointiongelmaan ei (yleensä) kannata hakea globaalia ratkaisua. monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
8 Minimointiongelmaan on kuitenkin löytettävissä yksinkertainen iterointiin perustuva algoritmi, joka antaa ongelmaan paikallisen minimin. Tämä algoritmi toimii seuraavasti: 1. Arvotaan jokainen havainto satunnaisesti yhteen tarjolla olevaan ryhmään k (k=1,...,k) 2 (a). Lasketaan jokaisen ryhmän keskiö (centroid), joka on k:nnen ryhmän osalta p-ulotteinen keskiarvovektori, jonka arvot lasketaan ryhmään k määriteltyjen havaintojen joukosta. 2 (b). Sijoitetaan kukin havainto siihen ryhmään, jonka keskiö on kyseistä havaintoa lähinnä (etäisyysmittana käytetään Euklidista etäisyyttä. Kyllä Muuttuiko yhdenkään havainnon ryhmä kohdassa 2 (b)? Ei Ryhmittely valmis monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
9 Seuraava kuva havainnollistaa edellä esitellyn algoritmin toimintaperiaatetta: Lähde: Gareth James & All: An Introduction to Statistical Learning with Applications in R monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
10 Koska edellä esitelty algoritmi löytää minimointiongelman paikallisen ratkaisun, ryhmittelyn lopputulos riippuu algoritmin toimintakaavion kohdassa 1 tehtävän arvonnan lopputuloksesta. Siksi algoritmi on syytä ajaa aineistolla läpi useita kertoja ja valita havaintojen lopulliseksi ryhmittelyksi sen toistokerran ryhmittely, joka jättää ryhmien sisäisen vaihtelun suuruutta kuvaavan summan K 1 minimum C 1,...,C k C k k=1 pienimmäksi. i,i C k j=1 p (x ij x i j )2 monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
11 Alla esitetty kuva havainnollistaa ryhmittelyalgoritmin eri toistokertojen tuottamien ryhmittelyjen lopputuloksia, kun havainnot luokitellaan kolmeen ryhmään (K = 3). Kunkin kuvan päällä oleva lukuarvo kuvaa ryhmien sisäisen vaihtelun summaa. Lähde: Gareth James & All: An Introduction to Statistical Learning with Applications in R monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
12 Huomioitavia asioita analyysissä Muodostettavien ryhmien lukumäärä K joudutaan määrittämään itse K:n valinnassa kannattaa kokeilla useita eri vaihtoehtoja, koska esimerkiksi Vaikka K:n arvo 'tiedettäisiin' etukäteen, otoksesta voi puuttua arvot jostain harvinaisesta ryhmästä Jos aineistossa on poikkeava havainto, jossain ryhmässä havainnot voivat olla kaukana toisistaan Sopivan K:n arvon etsimisessä voidaan käyttää ns. elbow-menetelmää (katso esimerkki/r-harjoitus) Pisteiden välisen etäisyyden/erilaisuuden (ja ryhmien sisäisen vaihtelun) mittaamiseen joudutaan valitsemaan tilanteeseen sopiva mitta Yleisin valinta on Euklidinen etäisyys Muita vaihtoehtoja ovat mm. Manhattanin etäisyys ja Minkowskin etäisyys monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
13 Kun a ja b ovat kaksi pistettä p-ulotteisessa avaruudessa siten, että a = (a 1, a 2,..., a p ) ja b = (b 1, b 2,..., b p ), pisteiden välinen Euklidinen etäisyys d(a, b) = (a 1 b 1 ) 2 + (a 2 b 2 ) (a p b p ) 2 Manhattanin etäisyys d(a, b) = a 1 b 1 + a 2 b a p b p = Minkowskin etäisyys ( p ) 1/c d(a, b) = a i b i c i=1 p a i b i i=1 Huom.: kun c = 1 ja c = 2, Minkowskin etäisyys vastaa Manhattanin etäisyyttä ja Euklidista etäisyyttä. monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
14 Edellä esitetyt mitat toimivat hyvin, kun ryhmät ovat hyvin erottuvia ja 'tiiviitä' ovat usein ongelmallisia, kun muuttujat ovat eri skaalassa K:n keskiarvon ryhmittelyanalyysin Hyviä puolia Tehokas menetelmä Helppo toteuttaa tietokoneella Huonoja puolia Vaikea soveltaa laadulliselle aineistolle ja (seka)aineistolle, jossa mukana sekä määrällisiä että laadullisia muuttujia Ei sovi suuridimensioiselle aineistolla (vaatisi suuren n:n toimiakseen hyvin) On ainakin jossain määrin herkkä outlier-havainnoille Lisäksi on syytä muistaa, että menetelmä luo aineistoon ryhmittelyn, vaikkei sitä todellisuudessa olisikaan! monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
15 K:n keskiarvon ryhmittelyanalyysi ja R K:n keskiarvon ryhmittelyanalyysi voidaan suorittaa stats paketin funktiolla kmeans(). Analysoidaan lyhyesti aiemmissa esimerkeissä käsitelty kurjenmiekka-aineisto ko. funktiolla. monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
16 Funktiolle kmeans() määritellään (vähintään) analyysissä käytettävät muuttujat muodostettavien ryhmien lukumäärä (K ) Talletetusta malliobjektista voidaan poimia mm. muodostettujen ryhmien keskiöt eli keskipisteet komponentilla centers (esim. iriscluster$centers) ryhmittelyn lopputulos kullekin havainnolle komponentilla cluster ryhmien sisäisiä vaihteluita kuvaavat neliösummat komponentilla withinss ryhmien sisäisten vaihteluiden summaa kuvaava neliösumma komponentilla tot.withinss eri luokkiin ryhmitettyjen havaintojen lukumäärät komponentilla size monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
17 Ryhmittelyn lopputulos johti seuraavaan ryhmittelyyn: Ryhmittelyn lopputulos Terälehden pituus (cm) Terälehden leveys (cm) monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
18 Alla vastaava kuva kurjenmiekkojen todellisten lajimääritysten mukaan. Näyttääkö tutulta edelliseen kuvaan verrattuna? Muuttujien välinen sirontakuvio eri lajeittain Terälehden leveys (cm) setosa versicolor virginica Terälehden pituus (cm) monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
19 Hierarkkinen ryhmittelyanalyysi (Hierarchical clustering) K:n keskiarvon ryhmittelyanalyysin yksi potentiaalinen heikkous on siinä, että menetelmää varten joudutaan etukäteen määrittelemään muodostettavien ryhmien lukumäärä. Hierarkkisessa ryhmittelyanalyysissä vastaavaa etukäteisvaatimusta ei ole. Analyysin tulokset voidaan esittää puukuviomaisessa esitysmuodossa, jota kutsutaan dendrogrammiksi. Menetelmän tavoitteena on edelleen löytää havaintojen välisiä ryhmityksiä. monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
20 Tarkastellaan hetki seuraavaa dendrogrammia. Cluster Dendrogram Height Finland Norway Denmark Sweden Hungary USSR Poland Czechoslovakia E_Germany Switzerland Austria Netherlands Ireland Belgium W_Germany France UK Albania Bulgaria Romania Yugoslavia Greece Italy Portugal Spain d hclust (*, "ward.d") Mitä kuvion avulla voidaan päätellä? monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
21 Kuviossa yksi lehti kuvaa yhtä havaintoyksikköä. Dendrogrammin alimmalla rivillä jokainen havainto (tässä esimerkkitapauksessa valtio) muodostaa oman ryhmän. Kuviossa ylöspäin mentäessä lehdet yhdistyvät oksiin ja oksat alkavat yhdistyä toisiin oksiin. Yhdistyvät lehdet/oksat kuvaavat yhdistyvien havaintojen samankaltaisuutta. Mitä alempana dendrogrammia yhdistyminen tapahtuu sitä samankaltaisempia yhdistyvät havainnot ovat. Toisaalta mitä ylempänä kuviossa havainnot yhdistyvät sitä etäämmällä/erilaisempia havainnot ovat toisiinsa verrattuna. Havaintojen horisontaali läheisyys kuviossa ei tarkoita havaintojen samankaltaisuutta! monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
22 Edellä esitellyn periaatteen mukainen dendrogrammi on muodostettu ns. pohjalta-ylös eli agglomeratiivisen (yhdistelevän) ryhmittelyanalyysin periaatteella. Muodostettavien ryhmien lukumäärä voidaan säädellä leikkaamalla dendrogrammi halutulta korkeudelta Cluster Dendrogram Height Finland Norway Denmark Sweden Hungary USSR Poland Czechoslovakia E_Germany Switzerland Austria Netherlands Ireland Belgium W_Germany France UK Albania Bulgaria Romania Yugoslavia Greece Italy Portugal Spain d Esimerkissä dendrogrammin leikkaaminen hclust (*, "ward.d") korkeudelta 6 johtaa viiden ryhmän muodostumiseen. 12 johtaa puolestaan kahden ryhmän muodostumiseen. monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
23 Analyysin lopussa muodostettuja ryhmiä voi olla yhdestä n:ään kappaletta. Muodostettavien ryhmien lukumäärälle ei ole edelleenkään olemassa oikeaa arvoa. Menetelmän nimessä oleva termi hierarkkinen viitaa siihen, että alemmalla tasolla tehdyn dendrogrammin leikkauksen seurauksena saadun ryhmät yhdistyvät välttämättä jossain vaiheessa leikattaessa dendrogrammia riittävän korkealta tasolta (ts. ne pesäistyvät). Samoin kuin K:n keskiarvon menetelmässä, myös hierarkkisen ryhmitettelyanalyysin tulosten tulkinnassa on syytä pitää mielessä, ettei aineistossa ole välttämättä todellisuudessa mitään (hierarkkista) ryhmärakennetta! monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
24 Hierarkkisen ryhmittelyn algoritmi 1. Dendrogrammin alimmalla rivillä jokainen havainto muodostaa oman ryhmän (ryhmien lkm = n) 2 (a). Kaksi toisiaan lähintä ryhmää yhdistetään toisiinsa, jonka jälkeen ryhmien lukumäärä pienenee yhdellä. 2 (b). Yhdistetään muodostuneista ryhmistä kaksi toisiaan lähintä ryhmää, jonka jälkeen ryhmien lukumäärä pienenee jälleen yhdellä. Ei Onko muodostuneiden ryhmien lukumäärä yksi? Kyllä Ryhmittely valmis monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
25 Ryhmittelyn ensimmäisessä vaiheessa (algoritmin kohta 1) ryhmien eli havaintojen samankaltaisuuden/erilaisuuden mittana käytetään yleisimmin Euklidista etäisyyttä Miten kahden ryhmän samankaltaisuutta/erilaisuutta tulisi mitata, jos jommassa kummassa tai molemmissa ryhmistä on useampia havaintoja? Ryhmien samankaltaisuuden/erilaisuuden mittaamisen määrittely edellyttää ns. linkin (linkage) määrittelemistä Yleisimmin käytettyjä linkkejä ovat Kaukaisimman naapurin menetelmä (complete) Keskiarvomenetelmä (average) Lähimmän naapurin menetelmä (single) ja Painopistemenetelmä (centroid) monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
26 Linkkien toimintaperiaatteet: Linkki Complete Kuvaus Lasketaan kaikki mahdolliset parittaiset erilaisuusmitan arvot ryhmiin A ja B kuuluvien havaintojen välillä. Näistä arvoista suurin arvo edustaa ryhmien A ja B välistä etäisyyttä. Single Lasketaan kaikki mahdolliset parittaiset erilaisuusmitan arvot ryhmiin A ja B kuuluvien havaintojen välillä. Näistä arvoista pienin arvo edustaa ryhmien A ja B välistä etäisyyttä. Average Lasketaan kaikki mahdolliset parittaiset erilaisuusmitan arvot ryhmiin A ja B kuuluvien havaintojen välillä. Näiden arvojen keskiarvo edustaa ryhmien A ja B välistä etäisyyttä. Centroid Ryhmän A keskiön (p-ulotteinen keskiarvovektori) ja ryhmän B keskiön erilaisuusmitan arvo edustaa ryhmien A ja B välistä etäisyyttä. monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
27 Ryhmittelyanalyysin vaiheet Ryhmittelyn ensimmäisessä vaiheessa jokaista havaintoa pidetään omana ryhmänä ja lasketaan jokaisen havaintoparin erilaisuusmitan arvo (yhteensä ( n 2) = n(n 1)/2 kappaletta) Laskennassa erilaisuusmittana käytetään yleensä Euklidista etäisyyttä. Pienimmän erilaisuusmitan arvon omaava havaintopari yhdistetään yhdeksi ryhmäksi. Ryhmittelyn seuraavilla kierroksilla lasketaan kaikkien mahdollisten ryhmäparien erilaisuusmitan arvo valitulla linkillä. Valitaan se ryhmäpari, johon liittyvän erilaisuusmitan arvo valitulla linkillä on pienin. Kyseiset ryhmät yhdistetään dendrogrammissa erilaisuusmitan arvon korkeudella. Ryhmittelyä jatketaan siihen saakka, kunnes kaikki havainnot ovat samassa ryhmässä. monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
28 Hierarkkinen ryhmittelyanalyysi ja R Analysoidaan lyhyesti aineistoa, joka sisältää mittaustietoja proteiinin kulutuksesta 25 Euroopan eri maassa. Alkuun lyhyt kuvaus aineiston sisällöstä. monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
29 Hierarkkinen ryhmittelyanalyysi voidaan suorittaa stats-paketin funktiolla hclust(), joka vaatii (vähintään seuraavat) määritykset Ensimmäiseksi argumentiksi tarvitaan funktiolla dist() tuotettu etäisyysmatriisi Seuraava argumentti määrittelee ryhmien samankaltaisuuden/erilaisuuden mittaamisessa käytettävän linkin. Funktiolla hclust() aikaansaadusta objektista voidaan tulostaa dendrogrammi funktiolla plot() monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
30 hierarkinen ryhmittely: complete linkki Height Romania Bulgaria Yugoslavia Finland Norway Denmark Sweden UK Belgium France Austria Ireland Switzerland Netherlands W_Germany E_Germany Portugal Spain Hungary Czechoslovakia Poland Albania USSR Greece Italy etaisyydet hclust (*, "complete") monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
31 On syytä muistaa, että ryhmittelyn lopputulokseen vaikuttaa oleellisesti käytetyn erilaisuusmitan lisäksi käytössä oleva linkki! hierarkkinen ryhmittely: single linkki Height Finland Portugal Spain Albania E_Germany Norway Denmark Sweden Austria W_Germany Netherlands Ireland Switzerland UK Belgium France Romania Bulgaria Yugoslavia Hungary USSR Greece Italy Czechoslovakia Poland etaisyydet hclust (*, "single") monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
32 hierarkkinen ryhmittely: average linkki Height Romania Bulgaria Yugoslavia Hungary Czechoslovakia Poland Albania USSR Greece Italy E_Germany Portugal Spain Finland Norway Denmark Sweden UK Belgium France Austria Ireland Switzerland Netherlands W_Germany etaisyydet hclust (*, "average") monimuuttujamenetelmiin, 5 op 27. marraskuuta / 32
805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos K:n lähimmän naapurin menetelmä (K-Nearest neighbours) Tarkastellaan aluksi pientä (n = 9) kurjenmiekka-aineistoa, joka on seuraava:
LisätiedotSAS ja R yhteiskäyttö
Maria Valaste Kela & Helsingin yliopisto 24.5.2012 SAS Technical Club Sisällys 1 2 3 Tunnuslukuja (R) Hierarkkinen ryhmittely Kuva 4 Aineiston luominen Moni-imputointi R:ssä Tulosten yhdistäminen institution-logo-filen
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Johdatus monimuuttujamenetelmiin Luennot 30.10.13.12.-18 Tiistaina klo 12-14 (30.10., BF119-1) Keskiviikkoisin klo 10-12 (MA101,
LisätiedotLuentorunko keskiviikolle Hierarkkinen ryvästäminen
Luentorunko keskiviikolle 3.12.2008 Hierarkkinen ryvästäminen Ryvästyshierarkia & dendrogrammi Hierarkkinen ryvästäminen tuottaa yhden ryvästyksen sijasta sarjan ryvästyksiä Tulos voidaan visualisoida
LisätiedotNuorisotyöttömyys Euroopassa. Eurooppafoorumi: Työläisten Eurooppa, Tampere, 6.9.2013 Liisa Larja (liisa.larja@stat.fi)
Nuorisotyöttömyys Euroopassa Eurooppafoorumi: Työläisten Eurooppa, Tampere, 6.9.2013 Liisa Larja (liisa.larja@stat.fi) 2 Talouskriisin vaikutus nuorisotyöttömyyteen (15-24 v.) 25,0 20,0 15,0 23,3 20,1
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
LisätiedotSuomen biokapasiteetti ja sen. Prof. Jyri Seppälä Suomen ympäristökeskus
Suomen biokapasiteetti ja sen kestävä ä käyttö Prof. Jyri Seppälä Suomen ympäristökeskus Suomen kestävän kehityksen toimikunta 4 / 2010 Suomen ekologisen jalanjäljen ja biokapasiteetin kehitys Lähde: Global
LisätiedotMetsien luonnontuotteet ja luomu. Rainer Peltola, MTT Rovaniemi / LAPPI LUO
Metsien luonnontuotteet ja luomu Rainer Peltola, MTT Rovaniemi / LAPPI LUO Keruuluomu / luomukeruu Luonnonmarjat ja -sienet ovat luomua, jos ne on kerätty erikseen määritellyiltä luomukeruualueilta Keruualueeksi
Lisätiedot4. KORKEA VEROTUS VIE MITALISIJAN HYVINVOINTIKILPAILUSSA
4. KORKEA VEROTUS VIE MITALISIJAN HYVINVOINTIKILPAILUSSA Bruttoveroaste Suomessa... 4.2 Efektiivinen tuloveroaste eräissä maissa 21... 4.3 Tuloveroprosentit tulotasoittain 22... 4.4 Tuloveroprosentit 22
LisätiedotErasmus liikkuvuus Suomesta
Erasmus liikkuvuus Suomesta 2007 2013 2(13) ERASMUS-opiskelijaliikkuvuus Suomesta maittain Kohdemaa 2007/08 2008/09 2009/10 2010/11 2011/12 2012/13 AT - Austria 239 242 230 264 294 271 BE - Belgium 88
LisätiedotElämää PISA:n varjossa
Professor Markku Niemivirta, PhD, Docent Institute of Behavioural Sciences University of Helsinki, Finland Elämää PISA:n varjossa Tasapainottelua menestyksen ja hyvinvoinnin välissä? PISA 2000 Finland
LisätiedotHierarkkinen ryvästäminen
Hierarkkinen ryvästäminen Juho Rousu Laskennallinen Data-Analyysi I, 20.2.2008 Ryvästyshierarkia & dendrogrammi Hierakkiset ryvästysmenetelmien tulos voidaan visualisoida nk. dendrogrammipuuna Puun lehtinä
LisätiedotKorkeasti koulutettujen työllisyys
Korkeasti koulutettujen työllisyys Heikki Taulu ekonomisti Akava Tulevaisuuden tekijät -seminaari Käsitteet selviksi Työikäinen väestö = kaikki Suomessa asuvat 1 74 -vuotiaat Työvoima = työikäiseen väestöön
LisätiedotEduskunnan tarkastusvaliokunta
Eduskunnan tarkastusvaliokunta 20.3.2018 lausunto asiakirjoista Valtiontalouden tarkastusviraston erilliskertomus eduskunnalle: Finanssipolitiikan valvonnan raportti 2017 Valtioneuvoston selvitys: Euroopan
LisätiedotErasmus-liikkuvuus Suomesta
Erasmus-liikkuvuus Suomesta 2007-2011 Erasmus-opiskelijaliikkuvuus Suomesta maittain Country 2007/08 2008/09 2009/10 2010/11 AT - Austria 239 242 230 264 BE - Belgium 88 102 109 124 BG - Bulgaria 8 15
LisätiedotSisällys. 1. Energiatehokkuudesta. 2. Energiatehokkuusindikaattorit kansantalouden makrotasolla
Sisällys 1. Energiatehokkuudesta. Energiatehokkuusindikaattorit kansantalouden makrotasolla 3. Hiilidioksidipäästöihin vaikuttavia tekijöitä dekompositioanalyysi 4. Päätelmiä Energiatehokkuudesta Energiatehokkuuden
Lisätiedot1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI
1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1 1.1 Funktion optimointiin perustuvat klusterointialgoritmit Klusteroinnin onnistumista mittaavan funktion J optimointiin perustuvissa klusterointialgoritmeissä
LisätiedotHierarkkinen klusterointi
Hierarkkinen klusterointi Kari Lehmussaari kari.lehmussaari@helsinki.fi Klusterointimenetelmät-seminaari Helsingin yliopisto, tietojenkäsittelytieteen laitos Raportti C-2002-54, s. 76-85, marraskuu 2002
LisätiedotKorkeakoulutettujen työllistyminen ja työmarkkinoiden muutokset
Korkeakoulutettujen työllistyminen ja työmarkkinoiden muutokset Osaamista ohjaukseen koulutuspäivä 13.3.2015, Lahti Heikki Taulu ekonomisti Akava 25 20 15 10 5 0 Työttömyysaste Suomessa, Euroopassa ja
Lisätiedotmuutos *) %-yks. % 2017*)
TERVEYDENHUOLLON KÄYTTÖMENOT SUHTEESSA (%) BKT:HEN OECD-MAISSA 2000-2016 SEKÄ SUHTEIDEN MUUTOKSET %-YKSIKKÖINÄ JA PROSENTTEINA Vuosi 2016: laskeva järjestys Current expenditure on health, % of gross domestic
Lisätiedotmuutos *) %-yks. % 2016
TERVEYDENHUOLLON KÄYTTÖMENOT SUHTEESSA (%) BKT:HEN OECD-MAISSA 2000-2015 SEKÄ SUHTEIDEN MUUTOKSET %-YKSIKKÖINÄ JA PROSENTTEINA Vuosi 2015: laskeva järjestys Current expenditure on health, % of gross domestic
LisätiedotNuorten työttömyys -faktaa ja fiktiota
Nuorten työttömyys -faktaa ja fiktiota Ulla Hämäläinen Johtava tutkija Sosiaaliturvan ABC toimittajille 31.5.2012 Nuorten työttömyysaste Euroopassa Työttömyysaste ikäryhmittäin Suomessa 1995-2011 % 40
Lisätiedotjens 1 matti Etäisyydet 1: 1.1 2: 1.4 3: 1.8 4: 2.0 5: 3.0 6: 3.6 7: 4.0 zetor
T-1.81 Luonnollisten kielten tilastollinen käsittely Vastaukset 11, ti 8.4., 1:1-18: Klusterointi, Konekääntäminen. Versio 1. 1. Kuvaan 1 on piirretty klusteroinnit käyttäen annettuja algoritmeja. Sanojen
Lisätiedot*) %-yks. % 2018*)
TERVEYDENHUOLLON KÄYTTÖMENOT SUHTEESSA (%) BKT:HEN OECD-MAISSA 2000-2017 SEKÄ SUHTEIDEN MUUTOKSET %-YKSIKKÖINÄ JA PROSENTTEINA Vuosi 2017: laskeva järjestys Current expenditure on health, % of gross domestic
LisätiedotIAB Europella on toimintaa 27 Euroopan maassa. IAB Finland ry perustettiin Nykyään noin sadan asiantuntijayrityksen ja liki tuhannen yksilön
IAB Europella on toimintaa 27 Euroopan maassa. IAB Finland ry perustettiin 1997. Nykyään noin sadan asiantuntijayrityksen ja liki tuhannen yksilön IAByhteisö kattaa horisontaalisti koko digiekosysteemin
LisätiedotLajittelumenetelmät ilmakehän kaukokartoituksen laadun tarkkailussa (valmiin työn esittely)
Lajittelumenetelmät ilmakehän kaukokartoituksen laadun tarkkailussa (valmiin työn esittely) Viivi Halla-aho 30.9.2013 Ohjaaja: Dos. Johanna Tamminen Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa
LisätiedotHenkilöstöhallinto Venäjällä: Johtaminen ja sitouttaminen Venäjällä. Jon Hellevig Awara Eduhouse Training
Henkilöstöhallinto Venäjällä: Johtaminen ja sitouttaminen Venäjällä Jon Hellevig Awara Eduhouse Training 04.02.2014 VENÄJÄN MARKKINASTA Venäjä on normalisoitunut Inflaatio Byrokratia Korruptio Lait ja
LisätiedotOsaaminen, innovaatiot ja vihreä teknologia
Osaaminen, innovaatiot ja vihreä teknologia Elias Einiö Valtion taloudellinen tutkimuskeskus VATT VATT päivä 2.10.2013 Päästöjä vähennetään 1990=100 Kasvihuonekaasujen päästöt, Suomi 140 120 100 80 Tavoite
LisätiedotMäntyöljykyllästys vaihtoehto kreosootille?
28.5.2014 1 Mäntyöljykyllästys vaihtoehto kreosootille? Lieksan Puuakatemia seminaari Puun käytön laaja-alaistaminen Janne Monni, vtj, Iivari Mononen Oy 20.-21.5.2014 Lieksa 28.5.2014 2 Esityksen sisältö
LisätiedotTuottavuuskehitys pkyrityksissä
Tuottavuuskehitys pkyrityksissä Mika Maliranta (ETLA & Jyväskylän yliopiston kauppakorkeakoulu) Talouskasvua pk-yritysten tuottavuutta kehittämällä, TEM, 20.10.2010 1 Johtopäätökset (1/2) Kasvupolitiikka
LisätiedotFingrid uuden edessä. Toimitusjohtaja Jukka Ruusunen. Kantaverkkopäivä
Fingrid uuden edessä Toimitusjohtaja Jukka Ruusunen Kantaverkkopäivä 7.9.2011 Perimmäisten kysymysten äärellä Kuka saa omistaa ja ohjata kantaverkkoyhtiöitä? Kantaverkkotoiminnan eriytys Fingridillä uusi
LisätiedotQUICK INSTALLATION GUIDE
Wireless AC1200 Dual Band ACCess Point QUICK INSTALLATION GUIDE ASENNUSOPAS PAKKAUKSEN SISÄLTÖ Wireless AC1200 Dual Band Access Point Huomaa: Kaksi irrotettavaa antennia. 12 V, 1A ULKOINEN VIRTALÄHDE (SISÄLTÄÄ
LisätiedotIlmailijan lääketiede. Uudet medikaalivaatimukset. Helsinki Fly In, 17.8.2013 Jukka Terttunen, AME Liikennelääketiedeyksikkö. Yhteinen asia.
Ilmailijan lääketiede Uudet medikaalivaatimukset Helsinki Fly In, 17.8.2013 Jukka Terttunen, AME Liikennelääketiedeyksikkö Vastuullinen liikenne Vastuullinen liikenne. Yhteinen asia. Fit to fly? Lääketieteellinen
LisätiedotKuntien talous ja sote-uudistus. Olli Savela, kaupunginvaltuutettu, Hyvinkää 28.9.2014 Helsinki
Kuntien talous ja sote-uudistus Olli Savela, kaupunginvaltuutettu, Hyvinkää 28.9.2014 Helsinki 1 Sote-alueiden rahoitus Kunnat rahoittavat sote-alueiden toiminnan painotetun asukasluvun perusteella, painotekijöinä
LisätiedotVäestöennuste 2012 mikä muuttui?
mikä muuttui? Markus Rapo, Tilastokeskus Rakenteet murroksessa pohjoinen näkökulma 29.11.2012, Oulu Esityksessäni Havaittu väestökehitys Tilastokeskuksen väestöennuste luonne ja tulkinta oletukset (vs.
LisätiedotMiten varmistaa osaaminen työelämän muutoksessa?
Arja Haapakorpi, dos., VTT, yliopistotutkija Miten varmistaa osaaminen työelämän muutoksessa? Osaaminen ja johtajuus muuttuvassa työelämässä Seminaari ILO:n 100-vuotisen taipaleen kunniaksi 9.5.2019, Tampereen
LisätiedotKunta- ja palvelurakenne Kanta-Hämeessä. Jouko Isolauri 26.9.2013
Kunta- ja palvelurakenne Kanta-Hämeessä Jouko Isolauri 26.9.2013 Sen jälkeen kun kuntien valtionosuuksia on edelleen leikattu 500 me toimintaa tehostettu toisella 500 me:lla velvoitteita kevennetty niin,
LisätiedotAnna Rotkirch Väestöntutkimuslaitos, Väestöliitto @perhetutkimus www.vaestoliitto.fi www.vaestoliitonblogi.com
Anna Rotkirch Väestöntutkimuslaitos, Väestöliitto @perhetutkimus www.vaestoliitto.fi www.vaestoliitonblogi.com OKM avustus ja Väestöntutkimuslaitos Väestöliitto Väestöntutkimuslaitos Perhebarometri 2014:
LisätiedotSOSIAALITURVA JA LUOTTAMUS. Heikki Ervasti Seminaarialustus Työeläkepäivä
SOSIAALITURVA JA LUOTTAMUS Heikki Ervasti Seminaarialustus Työeläkepäivä 20.10.2010 2 Mitä on luottamus? Sosiaalinen pääoma = yhdistystoiminta + luottamus Luottamus instituutioita kohtaan Luottamus toisia
LisätiedotPRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9.2.2011
PRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9..0 Kokeessa saa vastata enintään kymmeneen tehtävään.. Sievennä a) 9 x x 6x + 9, b) 5 9 009 a a, c) log 7 + lne 7. Muovailuvahasta tehty säännöllinen tetraedri muovataan
Lisätiedot1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI
1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI Ohjaamattomassa oppimisessa on tavoitteena muodostaa hahmoista ryhmiä, klustereita, joiden sisällä hahmot ovat jossain mielessä samankaltaisia ja joiden välillä
LisätiedotEU Participant Report feedback Sofia Lähdeniemi & Kiira Noponen
EU Participant Report feedback 2015-2016 Sofia Lähdeniemi & Kiira Noponen 1) Tilastollisen tarkastelun taustoja: Vertailua edelliseen raportoituun sopimuskauteen ei tehty, koska 2014-datan osalta vielä
LisätiedotHD WIRELESS N OUTDOOR CLOUD CAMERA DCS-2330L ASENNUSOPAS
HD WIRELESS N OUTDOOR CLOUD CAMERA DCS-2330L ASENNUSOPAS PAKKAUKSEN SISÄLLYS HD WIRELESS N OUTDOOR CLOUD CAMERA DCS-2330L VIRTASOVITIN VIRTALÄHDE ETHERNET (CAT5 UTP) -KAAPELI KYTKE KAMERA REITITTIMEEN
LisätiedotKiertotalouden mahdollisuudet infrarakentamisessa. INFRA ry Juha Laurila
Kiertotalouden mahdollisuudet infrarakentamisessa INFRA ry 20.3.2018 Juha Laurila Tuotanto suhteutettuna asukasmäärään 18 National Production Tonnes per Capita, 2016 16 14 12 10 8 6 4 2 0 Norway Finland
LisätiedotOvatko globalisaation vaikutukset luonnonlaki? Lisääkö globalisaatio eriarvoisuutta?
Ovatko globalisaation vaikutukset luonnonlaki? Lisääkö globalisaatio eriarvoisuutta? Matti Tuomala STN Vuosiseminaari 14022017 Helsinki 1 Työ, Tasa-arvo ja Julkisen Vallan Politiikka Globalisaatio ja ulkomaankauppa:
Lisätiedoty=-3x+2 y=2x-3 y=3x+2 x = = 6
MAA Koe, Arto Hekkanen ja Jussi Tyni 5.5.015 Loppukoe LASKE ILMAN LASKINTA. 1. Yhdistä kuvaaja ja sen yhtälö a) 3 b) 1 c) 5 d) Suoran yhtälö 1) y=3x ) 3x+y =0 3) x y 3=0 ) y= 3x 3 5) y= 3x 6) 3x y+=0 y=-3x+
LisätiedotMEKIN UUDET HAASTEET. Keski-Suomen matkailuparlamentti Jyväskylä 29.11.2006. Pirkko Perheentupa Matkailun edistämiskeskus
MEKIN UUDET HAASTEET Keski-Suomen matkailuparlamentti Jyväskylä 29.11.2006 Pirkko Perheentupa Matkailun edistämiskeskus MEKin uudet tehtävät 2007 Yhtenäistää ja selkeyttää Suomen matkailullista kokonaiskuvaa
LisätiedotPoistavatko kannustimet ja sanktiot työttömyyttä? Heikki Ervasti
Poistavatko kannustimet ja sanktiot työttömyyttä? Heikki Ervasti heikki.ervasti@utu.fi Lähtökohdat Käänne työllisyyspolitiikassa 1990-luvulla Painopiste työvoiman tarjonnassa Rakenteellisen työttömyyden
LisätiedotSuomi - Älykkään energiamittauksen kärkimaa
Suomi - Älykkään energiamittauksen kärkimaa Jyväskylä 19.6.2012 Keski-Suomen Energiatoimisto Jyväskylä Innovation Oy 1 European Smart Metering Landscape report 2012 Älykkään energiamittauksen tilanne EU27+Norja
LisätiedotSUOMEN JA MUIDEN MAIDEN ASUNTOMARKKINOITA KOSKEVIA KUVIOITA
162 SUOMEN JA MUIDEN MAIDEN ASUNTOMARKKINOITA KOSKEVIA KUVIOITA TÄSTÄ AINEISTOSTA KIITOS KUULUU KARI TAKALALLE, JOKA ON PÄIVITTÄNYT AINEISTOA VUODESTA TOISEEN. AINEISTO ON TARKOITETTU VAIN LUENTOKÄYTTÖÖN
LisätiedotKVS2008. Pertti Kuronen
Pertti Kuronen 15.3.2007 1 Pertti Kuronen 15.3.2007 Tariffirakenne ja alustava hintataso KVS2005 toteutuminen KVS2008 lähtökohdat tariffirakenne alustava hintataso alustavat yksikköhinnat 2 Pertti Kuronen
LisätiedotKohti uutta normaalia? Pakolaisuus ja muuttoliike lukuina, tänään
Kohti uutta normaalia? Pakolaisuus ja muuttoliike lukuina, tänään Pakolaisuus, muuttoliike ja eurooppalaiset ratkaisut - muuttajat ja muutoksen haasteet 4.12.2015 Rafael Bärlund Euroopan muuttoliikeverkosto
LisätiedotSuomi osaamisen kärjessä 2030 Olli Luukkainen Educa 24.1.2014
Suomi osaamisen kärjessä 2030 Olli Luukkainen Educa 24.1.2014 1 OAJ:n tulevaisuustyö Suomessa on tehty suuria: Kansakoulu Yliopistot Peruskoulu Ammatillinen koulutus Ammattikorkeakoulut Vapaa sivistystyö
LisätiedotLihavuuden kustannuksia. Markku Pekurinen, osastojohtaja, tutkimusprofessori
Lihavuuden kustannuksia Markku Pekurinen, osastojohtaja, tutkimusprofessori Lihavuus Monien sairauksien riskitekijä Väestötasolla nopeasti yleistyvä ongelma Taloudellisista vaikutuksista lisääntyvästi
LisätiedotEsityksessäni 10/26/2015. Naiset ja miehet ikääntyvässä Suomessa Markus Rapo, Tilastokeskus. -Vanhus / ikääntynyt määritelmä?
Naiset ja miehet ikääntyvässä Suomessa Markus Rapo, Tilastokeskus VANHUUS JA SUKUPUOLI Kasvun ja vanhenemisen tutkijat ry:n, Ikäinstituutin ja Gerontologian tutkimuskeskuksen yhteisseminaari 2.1.215, Tieteiden
LisätiedotSUOMEN JA MUIDEN MAIDEN ASUNTOMARKKINOITA KOSKEVIA KUVIOITA
1 SUOMEN JA MUIDEN MAIDEN ASUNTOMARKKINOITA KOSKEVIA KUVIOITA TÄSTÄ AINEISTOSTA KIITOS KUULUU KARI TAKALALLE, JOKA ON PÄIVITTÄNYT AINEISTOA VUODESTA TOISEEN. AINEISTO ON TARKOITETTU VAIN LUENTO- KÄYTTÖÖN
LisätiedotSirpa Rajalin. tutkijaseminaari
Sirpa Rajalin 35. Liikenneturvallisuusalan tutkijaseminaari Helsingissä 20.5.2010 2010 Tieliikenteessä kuolleet 100 000 asukasta kohden eräissä maissa 2008 0 5 10 15 20 25 Islanti Iceland Malta Malta
LisätiedotTilastokeskuksen asiakasaamu kirjastoille ja tietopalveluille 3.12.2009. Kansainväliset hintavertailut Harri Kananoja
Tilastokeskuksen asiakasaamu kirjastoille ja tietopalveluille 3.12.2009 Kansainväliset hintavertailut Harri Kananoja KANSAINVÄLINEN HINTAVERTAILU = OSTOVOIMAPARITEETTIOHJELMA 1. Mihin ostovoimapariteetteja
LisätiedotAjankohtaista Fingridistä
1 Ajankohtaista Fingridistä Jukka Ruusunen Toimitusjohtaja, Fingrid Oyj Verkkopäivä 9.9.2008 2 Mielenkiintoinen toimintaympäristö! Suomen ilmasto- ja ja energiastrategia Suuret ydinvoimayksiköt Tuulivoima
LisätiedotTilastokeskuksen väestöennuste Kuolevuuslaskelmat. Markus Rapo, Tilastokeskus
Tilastokeskuksen väestöennuste Kuolevuuslaskelmat Markus Rapo, Tilastokeskus Esityksessäni Hieman historiaa ja taustaa Tilastokeskuksen väestöennuste luonne ja tulkinta Kuolleisuuslaskelmat Tilastokeskuksen
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2
LisätiedotYmpäristövaliokunta Heikki Granholm maa- ja metsätalousministeriö
U 53/2016 vp - valtioneuvoston U- jatkokirjelmä eduskunnalle Euroopan komission ehdotuksesta Euroopan parlamentin ja neuvoston asetukseksi (maankäyttö, maankäytön muutos ja metsätalous, LULUCF) Ympäristövaliokunta
LisätiedotProjektikokemuksia pk-yrityshankkeista
Projektikokemuksia pk-yrityshankkeista Jari Uotila VTT Research for SMEs ohjelman hakemuskoulutus 05.09.2012 2 Miksi PK-yritys mukaan EU-hankkeisiin Vähäriskinen tapa aloittaa kansainvälistyminen Uusien
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =
Lisätiedot1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI
1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1 1.1 Funktion optimointiin perustuvat klusterointialgoritmit Klusteroinnin onnistumista mittaavan funktion J optimointiin perustuvissa klusterointialgoritmeissä
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotPohjalaismaakuntien väestö ja perheet
Pohjalaismaakuntien väestö ja perheet Mihin pohjalaismaakunnat ovat menossa? Pohjalaismaakunnat tilastojen ja tutkimusten valossa -seminaari, Seinäjoki 9.3.212 Jari Tarkoma Esityksen sisältö Väestönkehitys
LisätiedotKuka päättää sote-palveluiden kehittämisestä: asukas, professio vai manageri? Jouko Isolauri
Kuka päättää sote-palveluiden kehittämisestä: asukas, professio vai manageri? Jouko Isolauri Mistä hyvinvointi ja erityisesti sen kokemus tulee? Palveluista: 20% Väestötasolla terveydestä terveydenhuollosta
LisätiedotNUORET JA LIIKENNE. Aluepäällikkö Rainer Kinisjärvi Rovaniemi
NUORET JA LIIKENNE Aluepäällikkö Rainer Kinisjärvi 14.2.2013 Rovaniemi 2 Rainer Kinisjärvi Liikenneonnettomuudet ja uhrit 2012 254 kuollutta Yhteensä 26 000 loukkaantunutta (vuonna 2011). Poliisin tietoon
LisätiedotYhden muuttujan funktion minimointi
Yhden muuttujan funktion minimointi Aloitetaan yhden muuttujan tapauksesta Tarpeellinen myös useamman muuttujan tapauksessa Tehtävä on muotoa min kun f(x) x S R 1 Sallittu alue on muotoa S = [a, b] tai
LisätiedotUusiutuvien energialähteiden verkkoon pääsyn edistäminen syöttötariffit tulossa. Poliittiset linjaukset syöttötariffista
Uusiutuvien energialähteiden verkkoon pääsyn edistäminen syöttötariffit tulossa Pohjois-Suomen energiafoorumi Yli-insinööri Petteri Kuuva Poliittiset linjaukset syöttötariffista Vanhasen II hallituksen
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
LisätiedotKorrelaatiokerroin. Hanna Heikkinen. Matemaattisten tieteiden laitos. 23. toukokuuta 2012
Korrelaatiokerroin Hanna Heikkinen 23. toukokuuta 2012 Matemaattisten tieteiden laitos Esimerkki 1: opiskelijoiden ja heidän äitiensä pituuksien sirontakuvio, n = 61 tyttären pituus (cm) 155 160 165 170
LisätiedotPorvoon matkailun tunnuslukuja Marraskuu 2012
Porvoon matkailun tunnuslukuja Marraskuu 2012 Yöpymiset + 0,4 % tammi-marraskuussa Porvoon majoitusliikkeiden rekisteröidyt yöpymiset (116.500) lisääntyivät tammi-marraskuussa 0,4 % edellisvuodesta. Kasvua
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
Lisätiedotmaa- ja metsätalousvalokunta Jaana Kaipainen maa- ja metsätalousministeriö
U 53/2016 vp - valtioneuvoston u- jatkokirjelmä eduskunnalle Euroopan komission ehdotuksesta Euroopan parlamentin ja neuvoston asetukseksi (maankäyttö, maankäytön muutos ja metsätalous, LULUCF) maa- ja
LisätiedotRakentamisen suhdannekatsaus
Rakentamisen suhdannekatsaus Asuminen ja rakentaminen - suhdanteet muuttuvat? Tilastokeskus 29.5.28 Tilastopäällikkö Jukka Oikarinen Rakentamisen osuus bruttokansantuotteesta, 1976 26* Construction as
LisätiedotVäestölaskennat Suomessa ja maailmalla
Väestölaskennat Suomessa ja maailmalla Tilastokeskuspäivä 26.1.2011 Jari Tarkoma Väestölaskentojen historiaa Suomessa (1) 1800-luvun jälkipuolella yhteiskunnan tietotarve lisääntyi mm. kaupungistumisen
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
LisätiedotTekstiviestejä ilman rajoja : komissio aikoo tehdä lopun ulkomailla lähetettyjen tekstiviestien kohtuuttomista verkkovierailuhinnoista
IP/08/1144 Bryssel 15. heinäkuuta 2008 Tekstiviestejä ilman rajoja : komissio aikoo tehdä lopun ulkomailla lähetettyjen tekstiviestien kohtuuttomista verkkovierailuhinnoista Ulkomaisessa verkossa vierailevien
LisätiedotJ. Virtamo Jonoteoria / Prioriteettijonot 1
J. Virtamo 38.143 Jonoteoria / Prioriteettijonot 1 Prioriteettijonot TarkastellaanM/G/1-jonojärjestelmää, jossaasiakkaaton jaettu K:hon prioriteettiluokkaan, k =1,...,K: - luokalla 1 on korkein prioriteetti
LisätiedotTämän luvun sisältö. Luku 6. Hahmontunnistuksen perusteita. Luokittelu (2) Luokittelu
Tämän luvun sisältö Luku 6. T-6. Datasta tietoon, syksy professori Erkki Oja Tietojenkäsittelytieteen laitos, Aalto-yliopisto 7.. Tämä luku käydään kahdella luennolla: ensimmäisellä luokittelu ja toisella
LisätiedotKuinka ammattirakenteet mukautuvat globaaleihin arvoketjuihin
Kuinka ammattirakenteet mukautuvat globaaleihin arvoketjuihin Mika Maliranta (ETLA & Jyväskylän yliopisto) Maakunnan yhteistyöryhmän tulevaisuusfoorumi, osa 2, Jyväskylä, 10.5.2011 THE RESEARCH INSTITUTE
LisätiedotLuentorunko perjantaille
Luentorunko perjantaille 28.11.28 Eräitä ryvästyksen keskeisiä käsitteitä kustannusfunktio sisäinen vaihtelu edustajavektori etäisyysmitta/funktio Osittamiseen perustuva ryvästys (yleisesti) K:n keskiarvon
LisätiedotMaatalouden energiankulutus Suomessa ja Euroopassa
Ainutlaatuinen energiaseminaari Hämeenlinna 11.12.2013 Maatalouden energiankulutus Suomessa ja Euroopassa Hannu Mikkola Helsingin yliopisto Maataloustieteiden laitos 12.12.2013 1 Maatilan energiankulutus
LisätiedotNumeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35
Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen
Lisätiedotn! k!(n k)! n = Binomikerroin voidaan laskea pelkästään yhteenlaskun avulla käyttäen allaolevia ns. palautuskaavoja.
IsoInt Tietokoneiden muisti koostuu yksittäisistä muistisanoista, jotka nykyaikaisissa koneissa ovat 64 bitin pituisia. Muistisanan koko asettaa teknisen rajoituksen sille, kuinka suuria lukuja tietokone
LisätiedotSAMAPALKKAISUUTEEN PALKKAUSJÄRJESTELMÄUUDISTUKSIN Markku Palokangas, Toimihenkilöunioni Minna Etu-Seppälä, Suomen Varustamoyhdistys
SAMAPALKKAISUUTEEN PALKKAUSJÄRJESTELMÄUUDISTUKSIN Markku Palokangas, Toimihenkilöunioni Minna Etu-Seppälä, Suomen Varustamoyhdistys Toimihenkilöiden työsuhdepäivä, 1.- 3.2.2007, Silja Symphony 1 SUKUPUOLTEN
Lisätiedotverkkovierailu Karri Huhtanen Arch Red Oy
verkkovierailu Karri Huhtanen Arch Red Oy 33 maata mukana, Funet mukana alusta asti * Austria (ACONet) * Belgium (BELNET) * Bulgaria (BREN) * Croatia (CARNet) * Cyprus (CYNET) * Czech Republic (CESNET)
LisätiedotMaksujärjestelmäsimulaattori SUOMEN PANKKI FINLANDS BANK BANK OF FINLAND
Maksujärjestelmäsimulaattori 10.12.2013 Tatu Laine Sisältö Maksutapahtuma maksujärjestelmässä BoF-PSS2 simulaattorin historia Maksujärjestelmän simulointi Kysymyksiä, joihin maksujärjestelmäsimulaattori
LisätiedotLaboratorioanalyysit, vertailunäytteet ja tilastolliset menetelmät
Jarmo Koskiniemi Maataloustieteiden laitos Helsingin yliopisto 0504151624 jarmo.koskiniemi@helsinki.fi 03.12.2015 Kolkunjoen taimenten geneettinen analyysi Näytteet Mika Oraluoma (Vesi-Visio osk) toimitti
LisätiedotLuku 6. Hahmontunnistuksen perusteita
1 / 54 Luku 6. Hahmontunnistuksen perusteita T-61.2010 Datasta tietoon, syksy 2011 professori Erkki Oja Tietojenkäsittelytieteen laitos, Aalto-yliopisto 17.11.2011 2 / 54 Tämän luvun sisältö Tämä luku
Lisätiedotj n j a b a c a d b c c d m j b a c a d a c b d c c j
TEKNILLINEN KORKEAKOULU Tietoliikenne- ja tietoverkkotekniikan laitos S-38.115 Liikenneteorian perusteet, Kevät 2008 Demonstraatiot Luento 12 29.2.2008 D12/1 Tarkastellaan verkkoa, jossa on solmua ja linkkiä.
LisätiedotA-osa. Ratkaise kaikki tämän osan tehtävät. Tehtävät arvostellaan pistein 0-6. Taulukkokirjaa saa käyttää apuna, laskinta ei.
PITKÄ MATEMATIIKKA PRELIMINÄÄRIKOE 7..07 NIMI: A-osa. Ratkaise kaikki tämän osan tehtävät. Tehtävät arvostellaan pistein 0-. Taulukkokirjaa saa käyttää apuna, laskinta ei.. Valitse oikea vaihtoehto ja
LisätiedotMaahanmuuton ja kotoutumisen lähitulevaisuuden haasteet. Tuomas Martikainen
Maahanmuuton ja kotoutumisen lähitulevaisuuden haasteet Tuomas Martikainen 10 kansainvälistä trendiä 1. Kv. muuttajien määrä 3,4 % väestöstä (258 milj. 2017) 2. Pakolaisuus kasvaa (2017) - 23 milj. kansainvälisiä
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
LisätiedotSeuraava vaalikausi: Työllisyys ja hyvintointivaltion rahoitus
Seuraava vaalikausi: Työllisyys ja hyvintointivaltion rahoitus Työmarkkinoiden toiminta Oikeudenmukaisia ratkaisuja työllisyyden parantamiseen Työllisyyteen vaikuttavat monet asiat Työnhaun kannustimet
LisätiedotTyöttömyysetuuksien vaikutuksesta työmarkkinakäyttäytymiseen - tarkastelussa enimmäiskeston lyhennys
Työttömyysetuuksien vaikutuksesta työmarkkinakäyttäytymiseen - tarkastelussa enimmäiskeston lyhennys Merja Kauhanen Palkansaajien tutkimuslaitos Eduskunnan työelämä- ja tasa-arvovaliokunnan kokous 28.9.2016
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
Lisätiedot