Sanajärjestyksen ja intensiteetin vaikutus suomen intonaation havaitsemisessa ja tuotossa

Koko: px
Aloita esitys sivulta:

Download "Sanajärjestyksen ja intensiteetin vaikutus suomen intonaation havaitsemisessa ja tuotossa"

Transkriptio

1 Sanajärjestyksen ja intensiteetin vaikutus suomen intonaation havaitsemisessa ja tuotossa Martti Vainio, Juhani Järvikivi & Stefan Werner Helsinki/Turku/Joensuu Fonetiikan päivät 2004, Oulu

2 Perustaajuus f 0 Prominenssin ja painon havaitsemisen tutkimus on yleensä keskittynyt pelkästään perustaajuuteen. Tutkimuksissa haettu: metriikkaa suhteuttamaan perustaajuuden muutokset havaitun prominenssin kanssa ja perustasoa (engl. baseline), johon kuulijat ankkuroivat havaitun muutoksen.

3 Mutta riittävätkö signaaliin perustuvat vihjeet? Yleinen olettamus on, että prominenssin havaitseminen perustuu pelkästään signaalin ominaisuuksiin ja (ehkä) joihinkin fonologisiin tekijöihin. Eriksson et al. (2001): lingvistiset tekijät selittävät tavujen prominenssin paremmin kuin signaaliin perustuvat (57% vs. 48%).

4 Mutta riittävätkö signaaliin perustuvat vihjeet? Yleinen olettamus on, että prominenssin havaitseminen perustuu pelkästään signaalin ominaisuuksiin ja (ehkä) joihinkin fonologisiin tekijöihin. Eriksson et al. (2001): lingvistiset tekijät selittävät tavujen prominenssin paremmin kuin signaaliin perustuvat (57% vs. 48%).

5 Tutkimuskysymykset 1 Kuinka kahden sanan suhteellinen prominenssi havaitaan ilmauksessap 2 Mitkä f 0 ja intensiteetti-ilmiöt vaikuttavat havaintoon? 3 Vaikuttaako tunnusmerkillinen sanajärjestys prominenssin havaitsemiseen? 4 Miten löydetyt piirteet käyttätyvät tuotossa?

6 Kokeet ja koeasetelma Esitesti: Fujisakin mallin parametrien suhde prominenssin havaitsemiseen. Exp. 1: Perustaajuuskäyrän huippujen ja laaksojen suhteellisten erojen vaikutus prominenssin/lausepainon havaitsemiseen ilmauksessa Menemme laivalla Lemille. Exp. 2: Exp. 1 sanajärjestystä vaihtaen; Menemme Lemille laivalla. Exp. 3: Kontrolli Exp. 1:lle siten, että viimeinen perustaajuuden lasku vastasi koetta 2. Exp. 4: Kontrolli Exp. 2:lle siten, että käytettiin Exp. 1:n intensiteettikontuuria.

7 Kokeet ja koeasetelma Esitesti: Fujisakin mallin parametrien suhde prominenssin havaitsemiseen. Exp. 1: Perustaajuuskäyrän huippujen ja laaksojen suhteellisten erojen vaikutus prominenssin/lausepainon havaitsemiseen ilmauksessa Menemme laivalla Lemille. Exp. 2: Exp. 1 sanajärjestystä vaihtaen; Menemme Lemille laivalla. Exp. 3: Kontrolli Exp. 1:lle siten, että viimeinen perustaajuuden lasku vastasi koetta 2. Exp. 4: Kontrolli Exp. 2:lle siten, että käytettiin Exp. 1:n intensiteettikontuuria.

8 Kokeet ja koeasetelma Esitesti: Fujisakin mallin parametrien suhde prominenssin havaitsemiseen. Exp. 1: Perustaajuuskäyrän huippujen ja laaksojen suhteellisten erojen vaikutus prominenssin/lausepainon havaitsemiseen ilmauksessa Menemme laivalla Lemille. Exp. 2: Exp. 1 sanajärjestystä vaihtaen; Menemme Lemille laivalla. Exp. 3: Kontrolli Exp. 1:lle siten, että viimeinen perustaajuuden lasku vastasi koetta 2. Exp. 4: Kontrolli Exp. 2:lle siten, että käytettiin Exp. 1:n intensiteettikontuuria.

9 Kokeet ja koeasetelma Esitesti: Fujisakin mallin parametrien suhde prominenssin havaitsemiseen. Exp. 1: Perustaajuuskäyrän huippujen ja laaksojen suhteellisten erojen vaikutus prominenssin/lausepainon havaitsemiseen ilmauksessa Menemme laivalla Lemille. Exp. 2: Exp. 1 sanajärjestystä vaihtaen; Menemme Lemille laivalla. Exp. 3: Kontrolli Exp. 1:lle siten, että viimeinen perustaajuuden lasku vastasi koetta 2. Exp. 4: Kontrolli Exp. 2:lle siten, että käytettiin Exp. 1:n intensiteettikontuuria.

10 Kokeet ja koeasetelma Esitesti: Fujisakin mallin parametrien suhde prominenssin havaitsemiseen. Exp. 1: Perustaajuuskäyrän huippujen ja laaksojen suhteellisten erojen vaikutus prominenssin/lausepainon havaitsemiseen ilmauksessa Menemme laivalla Lemille. Exp. 2: Exp. 1 sanajärjestystä vaihtaen; Menemme Lemille laivalla. Exp. 3: Kontrolli Exp. 1:lle siten, että viimeinen perustaajuuden lasku vastasi koetta 2. Exp. 4: Kontrolli Exp. 2:lle siten, että käytettiin Exp. 1:n intensiteettikontuuria.

11 Kokeet ja koeasetelma Esitesti: Fujisakin mallin parametrien suhde prominenssin havaitsemiseen. Exp. 1: Perustaajuuskäyrän huippujen ja laaksojen suhteellisten erojen vaikutus prominenssin/lausepainon havaitsemiseen ilmauksessa Menemme laivalla Lemille. Exp. 2: Exp. 1 sanajärjestystä vaihtaen; Menemme Lemille laivalla. Exp. 3: Kontrolli Exp. 1:lle siten, että viimeinen perustaajuuden lasku vastasi koetta 2. Exp. 4: Kontrolli Exp. 2:lle siten, että käytettiin Exp. 1:n intensiteettikontuuria.

12 Materiaalit: originaali stimulus me n e m: e l A i V A l: A l e m i l: e Time (s)

13 f 0 parametrit t3 t 5 t 2 t 3 frequency t3 t 4 t4 t 5 t5 t 6 t 1 t 2 t 3 t 4 t 5 t 6 time < me nem me lai val la le mil le >

14 Havaintokokeen koehenkilöt ja proseduuri 125 manipuloitua stimulusta soitettiin joukolle kuulijoita satunnaisessa järjestyksessa 25:n ilmauksen blokeissa. Koehenkilöt: Exp 1, 12 normaalikuuloista kielitieteen opiskelijaa ja jatko-opiskelijaa, joilla ei ollut kokemusta puheen tutkimuksesta. Exp 2-4, 10, 14 ja 12 koehenkilöä osittain samoja kuin ensimmäisessä kokeessa. Koehenkilöt merkitsivät paperilla, millä sanalla ilmauksessa he kuulivat lausepainon: sanalla Lemille (responssi 1), sanalla laivalla (responssi 2), ei kummallakaan näistä (responssi 3). Koetta edelsi aina harjoitusvaihe.

15 Regressioanalyysi: tonaalisen mallin yleisyys Exp. Response % 67% 73% 77% 2 75% 79% 76% 76% Selittävät parametrit: response 1 t3 t5 and t2 t3 response 2 t3 t5 and t5 t6

16 Regressioanalyysi: tonaalisen mallin yleisyys Exp. Response % 67% 73% 77% 2 75% 79% 76% 76% Selittävät parametrit: response 1 t3 t5 and t2 t3 response 2 t3 t5 and t5 t6

17 Tonaalinen malli ensimmäisen huipun suhteen: t1 t2 t3 t4 t5 t6

18 Tonaalinen malli toisen huipun suhteen: t1 t2 t3 t4 t5 t6

19 Tentatiivinen malli lausepainon havaitsemiseen: t1 t2 t3 t5 t6

20 Sanajärjestyksen vaikutus havaitsemiseen Samat parametrit selittävät painon havaitsemisen kokeissa 1 ja 2, jotka erosivat toisistaan vain sanajärjestyksen suhteen. Sanajärjestyksen vaikutusta tutkittiin vastausten suhteellisten jakaumien avulla.

21 Kokeet 1 ja 2. Percent Resp.1 Resp.2 Resp.3 Responses

22 Kokeet 1 ja 3. Percent Resp.1 Resp.2 Resp.3 Responses

23 Kokeet 1, 2 ja 3. Percent Resp.1 Resp.2 Resp.3 Responses

24 Muuta kuin sanajärjestys? Vastaukset vaihtelevat huomattavasti kokeittain voisiko joku muu, foneettinen, piirre selittää erot? Kokeen yksi viimeinen sana ( lemille ) n. 5 db alempi kuin kokeen kaksi viimeinen sana ( laivalla )

25 Perustaajuushuippujen suhteet: probit analyysi Intensiteetin vaikutus prominenssiin Pierrehumbertin (1979) mukaan yhden db:n intensiteetin lisäys laskee ns. crossover pistettä 1.5 Hz:llä. Tässä pisteessä molemmat huiput havaitaan yhtä prominentteina ja yleisesti toisen huipun täytyy olla ensimmäistä absoluuttisesti alempana. Intensiteettiefekti LD50 crossover pisteille: response 1: Exp. 1: -40.6Hz Exp. 2: -39.5Hz ei intensiteetin vaikutusta response 2: Exp. 1: -5.7 Hz Exp. 2: Hz Exp. 4: -8.9 Hz selvä intensiteetin vaikutus

26 Perustaajuushuippujen suhteet: probit analyysi Intensiteetin vaikutus prominenssiin Pierrehumbertin (1979) mukaan yhden db:n intensiteetin lisäys laskee ns. crossover pistettä 1.5 Hz:llä. Tässä pisteessä molemmat huiput havaitaan yhtä prominentteina ja yleisesti toisen huipun täytyy olla ensimmäistä absoluuttisesti alempana. Intensiteettiefekti LD50 crossover pisteille: response 1: Exp. 1: -40.6Hz Exp. 2: -39.5Hz ei intensiteetin vaikutusta response 2: Exp. 1: -5.7 Hz Exp. 2: Hz Exp. 4: -8.9 Hz selvä intensiteetin vaikutus

27 Responssi 2 vs. huippujen erotus (absoluuttisina arvoina). P1 vs P2 (Hz) Experiment 1, Response 2 (max 12) Experiment 2, Response 2 (max 10)

28 Produktiokoe Produktiokokeen tarkoituksena oli testata: 1 kuinka prosodinen fokus tuotetaan suomessa ns. top-line deklinaatioon (t3 t5 aikaisemmissa kokeissa) ja intensiteettideklinaation suhteen. 2 onko sanajärjestyksellä myös vaikutus näiden suhteeseen tuotossa.

29 Koejärjestely Luotiin 48:n lauseen joukko, jossa fokusta ja sanajärjestystä vaihdeltiin edellisten kokeiden tavoin. Lisäksi varioitiin painotetun sanan painollisen tavun rakennetta. Vastaavasti luotiin lauseita vastaavat kysymykset, jotka äänitettiin yhdeltä henkilöltä. 10 koehenkilöä vastasivat satunnaisessa järjestyksessä esitettyihin kysymyksiin ja vastaukset äänitettiin. Vastaukset esitettiin puhujille paperilla siten, että haluttu fokusehto oli esitetty kursiivilla.

30 Tulokset Responssit nimikoitiin ja niistä laskettiin sekä intensiteetti, että f 0 käyrät. Perustaajuuskäyristä laskettiin arvot, jotka vastasivat havaintokokeiden kuutta pistettä. Intensiteettikäyrästä haettiin vain (potentiaalisesti) lausepainotettujen tavujen maksimit. Huippujen väliset erotukset laskettiin puolisävelasteikolla ja desibeleinä. Fokuksen ja sanajärjestyksen sekä painotettujen sanojen tavurakenteen vaikutusta tutkittiin ANOVAn avulla. Perustaajuuskäyrän sisäisiä vaikutussuhteita tutkittiin regression avulla. Lisäksi tutkittiin glottalisoitujen alukkeiden kestoja.

31 Tulokset (ANOVA) f 0 huippujen erotus: Fokus: selvä päävaikutus; F (2, 18) = 73.84, p <.001. Sanajärjestys: ei päävaikutusta; F < 1 Fokus sanajärjestys: ei merkitsevä; F (2, 18) = 1.06, p >.3 Intensiteettihuippujen erotus: Fokus: selvä päävaikutus; F (2, 18) = , p <.001. Sanajärjestys: ei päävaikutusta; F (1, 9) = 2.02, p >.1 Fokus sanajärjestys: ei merkitsevä; F (2, 18) = 1.24, p >.3

32 Tulokset (ANOVA) f 0 huippujen erotus: Fokus: selvä päävaikutus; F (2, 18) = 73.84, p <.001. Sanajärjestys: ei päävaikutusta; F < 1 Fokus sanajärjestys: ei merkitsevä; F (2, 18) = 1.06, p >.3 Intensiteettihuippujen erotus: Fokus: selvä päävaikutus; F (2, 18) = , p <.001. Sanajärjestys: ei päävaikutusta; F (1, 9) = 2.02, p >.1 Fokus sanajärjestys: ei merkitsevä; F (2, 18) = 1.24, p >.3

33 Tuottokokeen keskiarvot pisteittäin

34 Tulokset (ANOVA) Huippujen nousut tavutyyppien mukaan; 1. huippu s2 s3: Fokus: selvä päävaikutus; F (2, 14) = 39.33, p <.001. Tavutyyppi: ei päävaikutusta; F < 1 Fokus tavutyyppi: merkitsevä; F (6, 42) = 2.56, p > huippu s4 s5: Fokus: selvä päävaikutus; F (2, 14) = 23.37, p <.001. Tavutyyppi: ei päävaikutusta; F < 1 Fokus tavutyyppi: marginaalisesti merkitsevä; F (6, 42) = 1.98, p >.0897 Staattisina pisteinä kaksi ensimmäistä eivät eronneet fokuksen tai sanajärjestyksen mukaan.

35 Tulokset (ANOVA) Huippujen nousut tavutyyppien mukaan; 1. huippu s2 s3: Fokus: selvä päävaikutus; F (2, 14) = 39.33, p <.001. Tavutyyppi: ei päävaikutusta; F < 1 Fokus tavutyyppi: merkitsevä; F (6, 42) = 2.56, p > huippu s4 s5: Fokus: selvä päävaikutus; F (2, 14) = 23.37, p <.001. Tavutyyppi: ei päävaikutusta; F < 1 Fokus tavutyyppi: marginaalisesti merkitsevä; F (6, 42) = 1.98, p >.0897 Staattisina pisteinä kaksi ensimmäistä eivät eronneet fokuksen tai sanajärjestyksen mukaan.

36 Tulokset (ANOVA) Huippujen nousut tavutyyppien mukaan; 1. huippu s2 s3: Fokus: selvä päävaikutus; F (2, 14) = 39.33, p <.001. Tavutyyppi: ei päävaikutusta; F < 1 Fokus tavutyyppi: merkitsevä; F (6, 42) = 2.56, p > huippu s4 s5: Fokus: selvä päävaikutus; F (2, 14) = 23.37, p <.001. Tavutyyppi: ei päävaikutusta; F < 1 Fokus tavutyyppi: marginaalisesti merkitsevä; F (6, 42) = 1.98, p >.0897 Staattisina pisteinä kaksi ensimmäistä eivät eronneet fokuksen tai sanajärjestyksen mukaan.

37 Tulokset (Regressio) Perustaajuuskontuurin sisäisen rakenteen suhteen kiinnostavin piste on piste 4, joka periaattessa on osa ns. baseline deklinaatiota, mutta vaihtelee merkittävästi fokuksen mukaan. Paras selittävä malli sisältää kaikki pisteet paitsi ensimmäistä. F (4, 374) = 215.2, R 2 = Kuitenkin s5 (seuraava huippu) yksin selittää s4:n vaihtelun lähes yhtä hyvin: F (1, 380) = 711.2, R 2 = 0.652, p <.0001.

38 Tulokset (Glottalisaatio) Glottalisaatioiden kesto fokuksen mukaan: Laaja fokus vs. ensimmäinen sen sanan fokus: t = , df = 25, p value = Laaja fokus vs. toisen sanan fokus:t = , df = 27, p value = Ensimmäisen sanan vs. toisen sanan fokus: t = , df = 26, p value =

39 Tuottokokeen sivutuote: hattuhahmo ja laskeva aksentti menemme Jimille junalla (laaja fokus) Pitch (Hz) 260 j i j u Time (s)

40 Konkluusio Prominenssirelaatiot määräytyvät perustaajuuden muutosten, tavujen intensiteetin sekä syntaktisten rakenteiden mukaan siten kun ne ilmenevät sanajärjestyksen vaihteluna.

Prosodian havaitsemisesta: suomen lausepaino ja focus

Prosodian havaitsemisesta: suomen lausepaino ja focus Prosodian havaitsemisesta: suomen lausepaino ja focus Martti Vainio Helsingin yliopisto, Fonetiikan laitos; Kieliteknologia Juhani Järvikivi, Turun yliopisto, Psykologia; University of Dundee Yleistä Lingvistisen

Lisätiedot

Intonaation analyysi ja annotointi puhekorpuksissa

Intonaation analyysi ja annotointi puhekorpuksissa Intonaation analyysi ja annotointi puhekorpuksissa 4.4.2002/HY:n fonetiikan laitos Stefan Werner stefan.werner@joensuu.fi Kieliteknologia/JoY Intonaation analyysi/annotointi HY 4.4.2002 p.1/43 Intonaation

Lisätiedot

Prominenssin toteutuminen kolmessa yleispuhesuomen varieteetissa

Prominenssin toteutuminen kolmessa yleispuhesuomen varieteetissa lektiot Prominenssin toteutuminen kolmessa yleispuhesuomen varieteetissa RIIKKA YLITALO Väitöksenalkajaisesitelmä Oulun yliopistossa 5. kesäkuuta 2009 Termi prominenssi tarkoittaa toisaalta puheen joidenkin

Lisätiedot

Puheentutkimuksen tilastoanalyysin perusteet. 8. luento. Pertti Palo 20.1.2012

Puheentutkimuksen tilastoanalyysin perusteet. 8. luento. Pertti Palo 20.1.2012 Puheentutkimuksen tilastoanalyysin perusteet 8. luento Pertti Palo 20.1.2012 Käytännön asioita Viimeisen seminaarin siirto: 2.3. 10-12 -> 2.3. 14-16. Miten seminaarin luentokuulustelun voi korvata? Harjoitustöiden

Lisätiedot

Suomen prosodian variaation tutkimuksesta

Suomen prosodian variaation tutkimuksesta Suomen prosodian variaation tutkimuksesta Tommi Nieminen Itä-Suomen yliopisto Tommi Kurki Turun yliopisto Prosodian käsitteestä prosodia käsittää kaikki ne puheen ilmiöt, jotka eivät ole segmentoitavissa

Lisätiedot

Suomen puherytmi typologisessa katsannossa

Suomen puherytmi typologisessa katsannossa Suomen puherytmi typologisessa katsannossa Tommi Nieminen Jyväskylän yliopisto Michael O Dell Tampereen yliopisto 36. Kielitieteen päivät Jyväskylässä 14. 16.5.2009 Lopputulemat heti kärkeen suomen tavuajoitteisuus

Lisätiedot

FONETIIKKA SUULLISEN KIELITAIDON ARVIOINNISSA

FONETIIKKA SUULLISEN KIELITAIDON ARVIOINNISSA FONETIIKKA SUULLISEN KIELITAIDON ARVIOINNISSA Heini Kallio, tohtorikoulutettava Käyttäytymistieteiden laitos, fonetiikka Helsingin yliopisto heini.h.kallio@helsinki.fi Fonetiikan haasteet kielenopetuksessa

Lisätiedot

Prosodia. Martti Vainio. Puhetieteiden laitos, Helsingin yliopisto. Prosodia p. 1/53

Prosodia. Martti Vainio. Puhetieteiden laitos, Helsingin yliopisto. Prosodia p. 1/53 Prosodia p. 1/53 Prosodia Martti Vainio Puhetieteiden laitos, Helsingin yliopisto FP1/Clt120 Fonetiikan perusteet Syksy 2006 p. 2/53 Miksi prosodiasta tulee olla kiinnostunut? Prosodiaa käytetään kaikissa

Lisätiedot

Miksi prosodiasta tulee olla kiinnostunut? Prosodia. Äänteiden yläpuolella. Mitä? ja Miten?

Miksi prosodiasta tulee olla kiinnostunut? Prosodia. Äänteiden yläpuolella. Mitä? ja Miten? Miksi prosodiasta tulee olla kiinnostunut? Prosodia Martti Vainio Fonetiikan laitos, Helsingin yliopisto Prosodiaa käytetään kaikissa kielissä ilmaisemaan rakenteellista, semanttista ja funktionaalista

Lisätiedot

Prosodia. Martti Vainio. Fonetiikan laitos, Helsingin yliopisto. Prosodia p.1/46

Prosodia. Martti Vainio. Fonetiikan laitos, Helsingin yliopisto. Prosodia p.1/46 Prosodia Martti Vainio Fonetiikan laitos, Helsingin yliopisto Prosodia p.1/46 Miksi prosodiasta tulee olla kiinnostunut? Prosodiaa käytetään kaikissa kielissä ilmaisemaan rakenteellista, semanttista ja

Lisätiedot

r = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.

r = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit. A. r = 0. n = Tilastollista testausta varten määritetään aluksi hypoteesit. H 0 : Korrelaatiokerroin on nolla. H : Korrelaatiokerroin on nollasta poikkeava. Tarkastetaan oletukset: - Kirjoittavat väittävät

Lisätiedot

Mitä suomen intonaatiosta tiedetään

Mitä suomen intonaatiosta tiedetään Mitä suomen intonaatiosta tiedetään ja mitä ehkä tulisi tietää? Tommi Nieminen Itä-Suomen yliopisto AFinLAn syyssymposium Helsinki 13. 14. 11. 2015 Johdanto Jäsennys 1 Johdanto 2 Mitä intonaatiosta tiedetään?

Lisätiedot

Simultaanit ja konsekutiivit muisti ja toiminnanohjaus 1. Muistin testausta sanoilla

Simultaanit ja konsekutiivit muisti ja toiminnanohjaus 1. Muistin testausta sanoilla Simultaani- ja konsekutiivitulkkien muistin ja tarkkaavaisuuden eroista Alustavia tutkimustuloksia KäTu-2017-symposium,21.4.207 SINIKKA HILTUNEN HELSINGIN YLIOPISTO TOHTORIOHJELMA PSYCO HUMANISTINEN TIEDEKUNTA

Lisätiedot

Miksi prosodiasta tulee olla kiinnostunut? Prosodia. Äänteiden yläpuolella. Mitä? ja Miten?

Miksi prosodiasta tulee olla kiinnostunut? Prosodia. Äänteiden yläpuolella. Mitä? ja Miten? Miksi prosodiasta tulee olla kiinnostunut? Prosodia Martti Vainio Fonetiikan laitos, Helsingin yliopisto Prosodiaa käytetään kaikissa kielissä ilmaisemaan rakenteellista, semanttista ja funktionaalista

Lisätiedot

Johdanto tieto- viestintäteknologian käyttöön: Äänitystekniikka. Vfo135 ja Vfp124 Martti Vainio

Johdanto tieto- viestintäteknologian käyttöön: Äänitystekniikka. Vfo135 ja Vfp124 Martti Vainio Johdanto tieto- viestintäteknologian käyttöön: Äänitystekniikka Vfo135 ja Vfp124 Martti Vainio Akustiikka Äänityksen tarkoitus on taltioida paras mahdo!inen signaali! Tärkeimpinä kolme akustista muuttujaa:

Lisätiedot

(d) Laske selittäjään paino liittyvälle regressiokertoimelle 95 %:n luottamusväli ja tulkitse tulos lyhyesti.

(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

Lisätiedot

Harjoitukset 4 : Paneelidata (Palautus )

Harjoitukset 4 : Paneelidata (Palautus ) 31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 4 : Paneelidata (Palautus 7.3.2017) Tämän harjoituskerran tarkoitus on perehtyä

Lisätiedot

Synkronoitu luenta suomen rytmin tutkimuksessa

Synkronoitu luenta suomen rytmin tutkimuksessa Synkronoitu luenta suomen rytmin tutkimuksessa Michael L. O Dell, Tommi Nieminen, Liisa Mustanoja Tampereen yliopisto, Jyväskylän yliopisto 26.2.2010, Mekrijärven tutkimusasema Synkronoitu luenta (Cummins)

Lisätiedot

Otoskoko 107 kpl. a) 27 b) 2654

Otoskoko 107 kpl. a) 27 b) 2654 1. Tietyllä koneella valmistettavien tiivisterenkaiden halkaisijan keskihajonnan tiedetään olevan 0.04 tuumaa. Kyseisellä koneella valmistettujen 100 renkaan halkaisijoiden keskiarvo oli 0.60 tuumaa. Määrää

Lisätiedot

Regressioanalyysi. Vilkkumaa / Kuusinen 1

Regressioanalyysi. Vilkkumaa / Kuusinen 1 Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen

Lisätiedot

Regressioanalyysi. Kuusinen/Heliövaara 1

Regressioanalyysi. Kuusinen/Heliövaara 1 Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin

Lisätiedot

Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot)

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

Lisätiedot

HAVAITUT JA ODOTETUT FREKVENSSIT

HAVAITUT JA ODOTETUT FREKVENSSIT HAVAITUT JA ODOTETUT FREKVENSSIT F: E: Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies (1) 59 28 4 91 Nainen (2) 5 14 174 193 Yhteensä 64 42 178 284 Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies

Lisätiedot

Prosodia. Martti Vainio. Fonetiikan laitos, Helsingin yliopisto. Prosodia p.1/43

Prosodia. Martti Vainio. Fonetiikan laitos, Helsingin yliopisto. Prosodia p.1/43 Prosodia Martti Vainio Fonetiikan laitos, Helsingin yliopisto Prosodia p.1/43 Miksi prosodiasta tulee olla kiinnostunut? Prosodiaa käytetään kaikissa kielissä ilmaisemaan rakenteellista, semanttista ja

Lisätiedot

Itseoppivan radiojärjestelmän simulointijärjestelmän kehitys, CWC:n osahanke. DI Juho Markkula

Itseoppivan radiojärjestelmän simulointijärjestelmän kehitys, CWC:n osahanke. DI Juho Markkula Itseoppivan radiojärjestelmän simulointijärjestelmän kehitys, CWC:n osahanke DI Juho Markkula Johdanto Tutkimuksen tavoite Kehittää itseoppivan radiojärjestelmän simulaattori Tutkia signaalin havaitsemistehokkuutta

Lisätiedot

Harjoitus 9: Excel - Tilastollinen analyysi

Harjoitus 9: Excel - Tilastollinen analyysi Harjoitus 9: Excel - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen regressioanalyysiin

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 22. marraskuuta 2007 Antti Rasila () TodB 22. marraskuuta 2007 1 / 17 1 Epäparametrisia testejä (jatkoa) χ 2 -riippumattomuustesti 2 Johdatus regressioanalyysiin

Lisätiedot

Tietoliikennesignaalit & spektri

Tietoliikennesignaalit & spektri Tietoliikennesignaalit & spektri 1 Tietoliikenne = informaation siirtoa sähköisiä signaaleja käyttäen. Signaali = vaihteleva jännite (tms.), jonka vaihteluun on sisällytetty informaatiota. Signaalin ominaisuuksia

Lisätiedot

Tänään ohjelmassa. Kognitiivinen mallintaminen Neuraalimallinnus laskarit. Ensi kerralla (11.3.)

Tänään ohjelmassa. Kognitiivinen mallintaminen Neuraalimallinnus laskarit. Ensi kerralla (11.3.) Tänään ohjelmassa Kognitiivinen mallintaminen Neuraalimallinnus 26.2. Nelli Salminen nelli.salminen@helsinki.fi D433 autoassosiaatio, attraktorin käsite esimerkkitapaus: kolme eri tapaa mallintaa kategorista

Lisätiedot

Intonaatio tv:n lastenohjelmissa

Intonaatio tv:n lastenohjelmissa Intonaatio tv:n lastenohjelmissa Pirjo Litmanen Tampereen yliopisto Viestintätieteiden tiedekunta Suomen kielen maisteriohjelma Valinnaisten opintojen tutkielma Kesäkuu 2018 Tampereen yliopisto Viestintätieteiden

Lisätiedot

Organization of (Simultaneous) Spectral Components

Organization of (Simultaneous) Spectral Components Organization of (Simultaneous) Spectral Components ihmiskuulo yrittää ryhmitellä ja yhdistää samasta fyysisestä lähteestä tulevat akustiset komponentit yhdistelyä tapahtuu sekä eri- että samanaikaisille

Lisätiedot

Kuulohavainnon perusteet

Kuulohavainnon perusteet Kuulohavainnon ärsyke on ääni - mitä ääni on? Kuulohavainnon perusteet - Ääni on ilmanpaineen nopeaa vaihtelua: Tai veden tms. Markku Kilpeläinen Käyttäytymistieteiden laitos, Helsingin yliopisto Värähtelevä

Lisätiedot

L9: Rayleigh testi. Laskuharjoitus

L9: Rayleigh testi. Laskuharjoitus L9: Rayleigh testi Laskuharjoitus Data on tiedoston Rayleighdata.dat 1. sarake: t = t i Ajan hetket ovat t = t 1, t 2,..., t n, missä n = n = 528 Laske ja plottaa välillä f min = 1/P max ja f max = 1/P

Lisätiedot

spontaanin puheen PRosoDinen jaksottelu

spontaanin puheen PRosoDinen jaksottelu spontaanin puheen PRosoDinen jaksottelu Eija Aho Esitetään Helsingin yliopiston humanistisen tiedekunnan suostumuksella julkisesti tarkastettavaksi Arppeanumissa (Snellmaninkatu 3) perjantaina 27. elokuuta

Lisätiedot

3 Ääni ja kuulo. Ihmiskorva aistii paineen vaihteluita, joten yleensä äänestä puhuttaessa määritellään ääniaalto paineen vaihteluiden kautta.

3 Ääni ja kuulo. Ihmiskorva aistii paineen vaihteluita, joten yleensä äänestä puhuttaessa määritellään ääniaalto paineen vaihteluiden kautta. 3 Ääni ja kuulo 1 Mekaanisista aalloista ääni on ihmisen kannalta tärkein. Ääni on pitkittäistä aaltoliikettä, eli ilman (tai muun väliaineen) hiukkaset värähtelevät suuntaan joka on sama kuin aallon etenemissuunta.

Lisätiedot

Keskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)

Keskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6) Mat-.3 Koesuunnittelu ja tilastolliset mallit kevät Keskipisteen lisääminen k -faktorikokeeseen (ks. Montgomery 9-6) Esim (Montg. ex. 9-, 6-): Tutkitaan kemiallisen prosessin saannon Y riippuvuutta faktoreista

Lisätiedot

S-108-2110 OPTIIKKA 1/10 Laboratoriotyö: Polarisaatio POLARISAATIO. Laboratoriotyö

S-108-2110 OPTIIKKA 1/10 Laboratoriotyö: Polarisaatio POLARISAATIO. Laboratoriotyö S-108-2110 OPTIIKKA 1/10 POLARISAATIO Laboratoriotyö S-108-2110 OPTIIKKA 2/10 SISÄLLYSLUETTELO 1 Polarisaatio...3 2 Työn suoritus...6 2.1 Työvälineet...6 2.2 Mittaukset...6 2.2.1 Malus:in laki...6 2.2.2

Lisätiedot

Kissankello vai kissan kello?

Kissankello vai kissan kello? Kissankello vai kissan kello? Suomen yhdyssanojen prosodisista ominaispiirteistä Päivi Virkkunen Pro gradu -tutkielma Fonetiikka, yleinen linja Helsingin yliopisto Käyttäytymistieteiden laitos Lokakuu

Lisätiedot

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een 031021P Tilastomatematiikka (5 op) kertausta 2. vk:een Jukka Kemppainen Mathematics Division 2. välikokeeseen Toinen välikoe on la 5.4.2014 klo. 9.00-12.00 saleissa L1,L3 Koealue: luentojen luvut 7-11

Lisätiedot

Mitä aivokuvantaminen kertoo kielen kehityksen ja lukemisen erityisvaikeuksista?

Mitä aivokuvantaminen kertoo kielen kehityksen ja lukemisen erityisvaikeuksista? Mitä aivokuvantaminen kertoo kielen kehityksen ja lukemisen erityisvaikeuksista? Päivi Helenius Aivotutkimusyksikkö Kylmälaboratorio Aalto-yliopisto Foniatrian poliklinikka Silmä-korvasairaala HUS Funktionaalinen

Lisätiedot

5 Akustiikan peruskäsitteitä

5 Akustiikan peruskäsitteitä Puheen tuottaminen, havaitseminen ja akustiikka / Reijo Aulanko / 2016 2017 14 5 Akustiikan peruskäsitteitä ääni = ilmapartikkelien edestakaista liikettä, "tihentymien ja harventumien" vuorottelua, ilmanpaineen

Lisätiedot

Kaksisuuntaisen varianssianalyysin tilastollisessa malli voidaan esittää seuraavassa muodossa:

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,

Lisätiedot

Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu.

Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Ka6710000 TILASTOLLISEN ANALYYSIN PERUSTEET 2. VÄLIKOE 9.5.2007 / Anssi Tarkiainen Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Tehtävä 1. a) Gallupissa

Lisätiedot

Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi. Esimerkit laskettu JMP:llä

Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi. Esimerkit laskettu JMP:llä Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi Esimerkit laskettu JMP:llä Antti Hyttinen Tampereen teknillinen yliopisto 29.12.2003 ii Ohjelmien

Lisätiedot

Epävarmuuden hallinta bootstrap-menetelmillä

Epävarmuuden hallinta bootstrap-menetelmillä 1/17 Epävarmuuden hallinta bootstrap-menetelmillä Esimerkkinä taloudellinen arviointi Jaakko Nevalainen Tampereen yliopisto Metodifestivaalit 2015 2/17 Sisältö 1 Johdanto 2 Tavanomainen bootstrap Bootstrap-menettelyn

Lisätiedot

Tilannekatsaus: Bioreaktorit ja LED-valaisujärjestelmät

Tilannekatsaus: Bioreaktorit ja LED-valaisujärjestelmät Tilannekatsaus: Bioreaktorit ja LED-valaisujärjestelmät Kuusen kasvullinen lisäys kohti tulevaisuuden taimituotantoa Ohjausryhmänkokous Joroinen Bioreaktorit: Bioreaktori mallin valinta Kahden bioreaktori

Lisätiedot

Tampereen yliopisto Tietokonegrafiikka 2013 Tietojenkäsittelytiede Harjoitus

Tampereen yliopisto Tietokonegrafiikka 2013 Tietojenkäsittelytiede Harjoitus Tampereen yliopisto Tietokonegrafiikka 201 Tietojenkäsittelytiede Harjoitus 6 1..201 1. Tarkastellaan Gouraudin sävytysmallia. Olkoon annettuna kolmio ABC, missä A = (0,0,0), B = (2,0,0) ja C = (1,2,0)

Lisätiedot

Koesuunnittelu 2 k -faktorikokeet. TKK (c) Ilkka Mellin (2005) 1

Koesuunnittelu 2 k -faktorikokeet. TKK (c) Ilkka Mellin (2005) 1 Koesuunnittelu 2 k -faktorikokeet TKK (c) Ilkka Mellin (2005) 2 k -faktorikokeet 2 2 -faktorikokeet 2 3 -faktorikokeet 2 k -faktorikokeet TKK (c) Ilkka Mellin (2005) 2 2 k -faktorikokeet: Mitä opimme?

Lisätiedot

Harjoituksessa tarkastellaan miten vapaa-ajan liikunta on yhteydessä..

Harjoituksessa tarkastellaan miten vapaa-ajan liikunta on yhteydessä.. Harjoituksessa tarkastellaan miten vapaa-ajan liikunta on yhteydessä.. TEHTÄVÄ 1 Taulukko 1 Kuvailevat tunnusluvut pääkaupunkiseudun terveystutkimuksesta vuonna 2007 (n=941) Keskiarvo (keskihajonta) Ikä

Lisätiedot

Östersundomin auringonsäteilyolot

Östersundomin auringonsäteilyolot Östersundomin auringonsäteilyolot Anders Lindfors Aku Riihelä Antti Aarva Jenni Latikka Östersundomin aurinkoenergiapotentiaalin selvitystyö toteutetaan Innovatiivisuutta Julkisiin Investointeihin hankkeessa

Lisätiedot

PUHEEN EROTETTAVUUDEN ENNUSTE- JA MITTAUSMENETELMÄT

PUHEEN EROTETTAVUUDEN ENNUSTE- JA MITTAUSMENETELMÄT PUHEEN EROTETTAVUUDEN ENNUSTE- JA MITTAUSMENETELMÄT Petra Larm, Valtteri Hongisto Turun aluetyöterveyslaitos Ilmastointi- ja akustiikkalaboratorio Lemminkäisenkatu 14 18 B, 20520 Turku petra.larm@ttl.fi,

Lisätiedot

Puheen akustiikan perusteita Mitä puhe on? 2.luento. Äänet, resonanssi ja spektrit. Äänen tuotto ja eteneminen. Puhe äänenä

Puheen akustiikan perusteita Mitä puhe on? 2.luento. Äänet, resonanssi ja spektrit. Äänen tuotto ja eteneminen. Puhe äänenä Puheen akustiikan perusteita Mitä puhe on? 2.luento Martti Vainio Äänet, resonanssi ja spektrit Fonetiikan laitos, Helsingin yliopisto Puheen akustiikan perusteita p.1/37 S-114.770 Kieli kommunikaatiossa...

Lisätiedot

805306A Johdatus monimuuttujamenetelmiin, 5 op

805306A Johdatus monimuuttujamenetelmiin, 5 op monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Logistinen regressioanalyysi Vastemuuttuja Y on luokiteltu muuttuja Pyritään mallittamaan havaintoyksikön todennäköisyyttä kuulua

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.

Lisätiedot

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. 6.10.2016/1 MTTTP1, luento 6.10.2016 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla

Lisätiedot

SAVONLINNASALI, KOY WANHA KASINO, KONSERTTISALIN AKUSTIIKKA. Yleistä. Konserttisali

SAVONLINNASALI, KOY WANHA KASINO, KONSERTTISALIN AKUSTIIKKA. Yleistä. Konserttisali INSINÖÖRITOIMISTO HEIKKI HELIMÄKI OY Akustiikan asiantuntija puh. 09-58933860, fax 09-58933861 1 SAVONLINNASALI, KOY WANHA KASINO, KONSERTTISALIN AKUSTIIKKA Yleistä Konserttisali Helsinki 19.5.2003 Konserttisalin

Lisätiedot

LASKENTATOIMEN OSAAMINEN vs. LIIKETALOUDELLINEN ENNUSTETARKKUUS

LASKENTATOIMEN OSAAMINEN vs. LIIKETALOUDELLINEN ENNUSTETARKKUUS LASKENTATOIMEN OSAAMINEN vs. LIIKETALOUDELLINEN ENNUSTETARKKUUS Helsinki 26..200 4 2 5 Seminaari 26..200 Mikko Hakola Laskentatoimen osaaminen Testatut tahot Selvittäjiä Yrittäjiä KLT-kirjanpitäjiä Virallisen

Lisätiedot

2. Aineiston kuvailua

2. Aineiston kuvailua 2. Aineiston kuvailua Avaa (File/Open/Data ) aineistoikkunaan tiedosto tilp150.sav. Aineisto on koottu Tilastomenetelmien peruskurssilla olleilta. Tiedot osallistumisesta demoihin, tenttipisteet, tenttien

Lisätiedot

MAA7 HARJOITUSTEHTÄVIÄ

MAA7 HARJOITUSTEHTÄVIÄ MAA7 HARJOITUSTEHTÄVIÄ Selvitä, mitä -akselin väliä tarkoittavat merkinnät: a) < b) U(, ) c) 4 < 0 0 Ilmoita väli a) 4 < < b) ] 5, 765[ tavalla 7 tehtävän a)-kohdan mukaisella kana, kana 0 Palautetaan

Lisätiedot

Virhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus.

Virhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus. Virhearviointi Fysiikassa on tärkeää tietää tulosten tarkkuus. Virhelajit A. Tilastolliset virheet= satunnaisvirheet, joita voi arvioida tilastollisin menetelmin B. Systemaattiset virheet = virheet, joita

Lisätiedot

SAIMAANNORPPA Kannan koon arvioinnista Tero Sipilä & Tuomo Kokkonen Metsähallitus, Etelä-Suomen Luontopalvelut Akselinkatu 8, 57130, Savonlinna

SAIMAANNORPPA Kannan koon arvioinnista Tero Sipilä & Tuomo Kokkonen Metsähallitus, Etelä-Suomen Luontopalvelut Akselinkatu 8, 57130, Savonlinna Saimaannorppa, ilmastonmuutos ja kalastus seminaari. Rantasalmi 28.5.21 SAIMAANNORPPA Kannan koon arvioinnista Tero Sipilä & Tuomo Kokkonen Metsähallitus, Etelä-Suomen Luontopalvelut Akselinkatu 8, 5713,

Lisätiedot

Toimistohuoneiden välisen ääneneristyksen ja taustamelutason vaikutus työtehokkuuteen

Toimistohuoneiden välisen ääneneristyksen ja taustamelutason vaikutus työtehokkuuteen Toimistohuoneiden välisen ääneneristyksen ja taustamelutason vaikutus työtehokkuuteen Johanna Varjo, Valtteri Hongisto, Henri Leppämäki*, David Oliva, Jukka Hyönä* Työterveyslaitos, Sisäympäristölaboratorio,

Lisätiedot

Kojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto

Kojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto Kojemeteorologia Sami Haapanala syksy 2013 Fysiikan laitos, Ilmakehätieteiden osasto Mittalaitteiden staattiset ominaisuudet Mittalaitteita kuvaavat tunnusluvut voidaan jakaa kahteen luokkaan Staattisiin

Lisätiedot

Jäähdyttävän puhallussuihkun vaikutus työsuoriutumiseen ja viihtyvyyteen toimistotyössä laboratoriotutkimus

Jäähdyttävän puhallussuihkun vaikutus työsuoriutumiseen ja viihtyvyyteen toimistotyössä laboratoriotutkimus Jäähdyttävän puhallussuihkun vaikutus työsuoriutumiseen ja viihtyvyyteen toimistotyössä laboratoriotutkimus Sisäilmastoseminaari 11.3.15 Helsinki Henna Maula, TTL Hannu Koskela, TTL Johanna Varjo, TTL

Lisätiedot

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu) 21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.

Lisätiedot

Data-analyysi II. Sisällysluettelo. Simo Kolppo [Type the document subtitle]

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

Lisätiedot

10. Kytkentäohje huonetermostaateille

10. Kytkentäohje huonetermostaateille . Kytkentäohje huonetermostaateille TERMOSTAATTIE JA TOIMILAITTEIDE KYTKETÄ JA KYT KE TÄ KO TE LOI HI 2 1 2 2 1 WehoFloor-termostaatti 3222 soveltuvaa kaapelia 3 1, mm 2. joh timet keskusyk sikköön käsikirjassa

Lisätiedot

Hoitotyön henkilöstövoimavarojen hallinnan mallintaminen kansallisesti yhtenäisillä tunnusluvuilla

Hoitotyön henkilöstövoimavarojen hallinnan mallintaminen kansallisesti yhtenäisillä tunnusluvuilla Hoitotyön henkilöstövoimavarojen hallinnan mallintaminen kansallisesti yhtenäisillä tunnusluvuilla Ehdotukset kansallisesti yhtenäisiksi hoitotyön henkilöstövoimavarojen hallinnan tunnusluvuiksi Erikoissairaanhoito

Lisätiedot

VOIKO ASUNTOHINTAKUPLAN SITTENKIN HAVAITA HELPOSTI?

VOIKO ASUNTOHINTAKUPLAN SITTENKIN HAVAITA HELPOSTI? 1 Arvoasuntopäivä 2015 6.5.2015, Pörssitalo, Helsinki VOIKO ASUNTOHINTAKUPLAN SITTENKIN HAVAITA HELPOSTI? Elias Oikarinen KTT, Akatemiatutkija, Turun yliopiston kauppakorkeakoulu Kiinteistösijoittamisen

Lisätiedot

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. 5.10.2017/1 MTTTP1, luento 5.10.2017 KERTAUSTA Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla todennäköisyydellä,

Lisätiedot

Johdatus regressioanalyysiin. Heliövaara 1

Johdatus regressioanalyysiin. Heliövaara 1 Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen

Lisätiedot

Kvantitatiivisen PCR:n käyttö mikrobivaurion toteamisessa

Kvantitatiivisen PCR:n käyttö mikrobivaurion toteamisessa Kvantitatiivisen PCR:n käyttö mikrobivaurion toteamisessa Maria Valkonen, Kaisa Jalkanen, Martin Täubel, Anne Hyvärinen 31.3.2014 Sisäilmastoseminaari 2014 1 Tausta Asumisterveysoppaan mukaiset sisäympäristön

Lisätiedot

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ). HY / Matematiika ja tilastotietee laitos Tilastollie päättely II, kevät 018 Harjoitus 5B Ratkaisuehdotuksia Tehtäväsarja I 1. (Jatkoa Harjoitus 5A tehtävää ). Moistee esimerki 3.3.3. mukaa momettimeetelmä

Lisätiedot

Unkarin fokuksen prosodisesta toteutumisesta. Intonaatio ja kesto merkityksiä rakentamassa

Unkarin fokuksen prosodisesta toteutumisesta. Intonaatio ja kesto merkityksiä rakentamassa Unkarin fokuksen prosodisesta toteutumisesta Intonaatio ja kesto merkityksiä rakentamassa Sanna Tiirikainen pro gradu -tutkielma Helsingin yliopiston suomen kielen, suomalais-ugrilaisten ja pohjoismaisten

Lisätiedot

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas JAKAUMAN MUOTO Vinous, skew (g 1, γ 1 ) Kertoo jakauman symmetrisyydestä Vertailuarvona on nolla, joka vastaa symmetristä jakaumaa (mm. normaalijakauma)

Lisätiedot

Puhesynteesi. Martti Vainio. Fonetiikan laitos, Helsingin yliopisto. Puhesynteesi p.1/38

Puhesynteesi. Martti Vainio. Fonetiikan laitos, Helsingin yliopisto. Puhesynteesi p.1/38 Puhesynteesi Martti Vainio Fonetiikan laitos, Helsingin yliopisto Puhesynteesi p.1/38 Puhesynteesin historiaa Mekaaniset synteesit: 1700-luvulla asiaa harrastivat Wolfgang von Kempelen ja Christian Kratzenstein.

Lisätiedot

Puhesynteesin historiaa. Puhesynteesi. Historiaa: Kempelen. Historiaa: Kratzenstein

Puhesynteesin historiaa. Puhesynteesi. Historiaa: Kempelen. Historiaa: Kratzenstein Puhesynteesin historiaa Puhesynteesi Martti Vainio Fonetiikan laitos, Helsingin yliopisto Mekaaniset synteesit: 1700-luvulla asiaa harrastivat Wolfgang von Kempelen ja Christian Kratzenstein. 1900-luvulla

Lisätiedot

Estimointi. Luottamusvälin laskeminen keskiarvolle α/2 α/2 0.1

Estimointi. Luottamusvälin laskeminen keskiarvolle α/2 α/2 0.1 Estimointi - tehdään päätelmiä perusjoukon ominaisuuksista (keskiarvo, riskisuhde jne.) otoksen perusteella - mitä suurempi otos, sitä tarkemmat estimaatit Otokseen perustuen määritellään otantajakaumalta

Lisätiedot

Harjoitukset 3 : Monimuuttujaregressio 2 (Palautus )

Harjoitukset 3 : Monimuuttujaregressio 2 (Palautus ) 31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 3 : Monimuuttujaregressio 2 (Palautus 7.2.2017) Tämän harjoituskerran tehtävät

Lisätiedot

1 PID-taajuusvastesuunnittelun esimerkki

1 PID-taajuusvastesuunnittelun esimerkki Enso Ikonen, Oulun yliopisto, systeemitekniikan laboratorio 2/23 Säätöjärjestelmien suunnittelu 23 PID-taajuusvastesuunnittelun esimerkki Tehtävänä on suunnitella säätö prosessille ( ) = = ( +)( 2 + )

Lisätiedot

Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle

Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle - Sisältö - - - Varianssianalyysi Varianssianalyysissä (ANOVA) testataan oletusta normaalijakautuneiden otosten odotusarvojen

Lisätiedot

RAKENNUSAKUSTIIKKA - ILMAÄÄNENERISTÄVYYS

RAKENNUSAKUSTIIKKA - ILMAÄÄNENERISTÄVYYS 466111S Rakennusfysiikka, 5 op. RAKENNUSAKUSTIIKKA - ILMAÄÄNENERISTÄVYYS Opettaja: Raimo Hannila Luentomateriaali: Professori Mikko Malaska Oulun yliopisto LÄHDEKIRJALLISUUTTA Suomen rakentamismääräyskokoelma,

Lisätiedot

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 =

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

Lisätiedot

Åbo Akademi 3.5.2011 klo 12-16. Mietta Lennes mietta.lennes@helsinki.fi. Nykykielten laitos Helsingin yliopisto

Åbo Akademi 3.5.2011 klo 12-16. Mietta Lennes mietta.lennes@helsinki.fi. Nykykielten laitos Helsingin yliopisto Åbo Akademi 3.5.2011 klo 12-16 Mietta Lennes mietta.lennes@helsinki.fi Nykykielten laitos Helsingin yliopisto Praat-puheanalyysiohjelma Mikä on Praat? Mikä on Praat? Praat [Boersma and Weenink, 2010] on

Lisätiedot

Mies ilman parisuhdetta

Mies ilman parisuhdetta Mies ilman parisuhdetta Suomalaisten yksinäisyys hanke Yksinäisyys elämänkulussa -työpaja Seinäjoella 18.2.2016 Anu Kinnunen Yksin eläminen vaikuttaa terveyteen Eliniän odotteen laskeminen Parisuhteettomat

Lisätiedot

Puhesynteesin perusteet Luento 5: unit selection -synteesi

Puhesynteesin perusteet Luento 5: unit selection -synteesi Puhesynteesin perusteet Luento 5: unit selection -synteesi Nicholas Volk 14.2.2008 Käyttäytymistieteellinen tiedekunta Idea Aitoa puhetta on tallennettu tietokantaan tuhansien äänteiden verran Jopa yksittäisen

Lisätiedot

Matalan intensiteetin hajaspektrisignaalien havaitseminen ja tunnistaminen elektronisessa sodankäynnissä

Matalan intensiteetin hajaspektrisignaalien havaitseminen ja tunnistaminen elektronisessa sodankäynnissä Matalan intensiteetin hajaspektrisignaalien havaitseminen ja tunnistaminen elektronisessa sodankäynnissä Toteuttajataho: Harp Technologies Oy Myönnetty rahoitus: 61.924,- Esityksen sisältö Tieteellinen

Lisätiedot

Dynamiikan hallinta Lähde: Zölzer. Digital audio signal processing. Wiley & Sons, 2008. Zölzer (ed.) DAFX Digital Audio Effects. Wiley & Sons, 2002.

Dynamiikan hallinta Lähde: Zölzer. Digital audio signal processing. Wiley & Sons, 2008. Zölzer (ed.) DAFX Digital Audio Effects. Wiley & Sons, 2002. Dynamiikan hallinta Lähde: Zölzer. Digital audio signal processing. Wiley & Sons, 2008. Zölzer (ed. DAFX Digital Audio Effects. Wiley & Sons, 2002. Sisältö:! Johdanto!! Ajallinen käyttäytyminen! oteutus!

Lisätiedot

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas Itse arvioidun terveydentilan ja sukupuolen välinen riippuvuustarkastelu. Jyväskyläläiset 75-vuotiaat miehet ja naiset vuonna 1989.

Lisätiedot

Puhesynteesin historiaa. Puhesynteesi. Historiaa: Kempelen. Historiaa: Kratzenstein

Puhesynteesin historiaa. Puhesynteesi. Historiaa: Kempelen. Historiaa: Kratzenstein Puhesynteesin historiaa Puhesynteesi Martti Vainio Fonetiikan laitos, Helsingin yliopisto Mekaaniset synteesit: 1700-luvulla asiaa harrastivat Wolfgang von Kempelen ja Christian Kratzenstein. 1900-luvulla

Lisätiedot

Puhesynteesi. Martti Vainio. Fonetiikan laitos, Helsingin yliopisto. Puhesynteesi p.1/38

Puhesynteesi. Martti Vainio. Fonetiikan laitos, Helsingin yliopisto. Puhesynteesi p.1/38 Puhesynteesi Martti Vainio Fonetiikan laitos, Helsingin yliopisto Puhesynteesi p.1/38 Puhesynteesin historiaa Mekaaniset synteesit: 1700-luvulla asiaa harrastivat Wolfgang von Kempelen ja Christian Kratzenstein.

Lisätiedot

MS-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. 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

Lisätiedot

pisteet Frekvenssi frekvenssi Yhteensä

pisteet Frekvenssi frekvenssi Yhteensä 806118P JOHDATUS TILASTOTIETEESEEN Loppukoe 15.3.2018 (Jari Päkkilä) 1. Kevään -17 Johdaus tilastotieteeseen -kurssin opiskelijoiden harjoitusaktiivisuudesta saatujen pisteiden frekvenssijakauma: Harjoitus-

Lisätiedot

Puhutun ja kirjoitetun rajalla

Puhutun ja kirjoitetun rajalla Puhutun ja kirjoitetun rajalla Tommi Nieminen Jyväskylän yliopisto Laura Karttunen Tampereen yliopisto AFinLAn syyssymposiumi Helsingissä 14. 15.11.2008 Lähtökohtia 1: Anekdotaaliset Daniel Hirst Nordic

Lisätiedot

Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1

Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1 Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia Heliövaara 1 Regressiokertoimien PNS-estimaattorit Määritellään havaintojen x j ja y j, j = 1, 2,...,n

Lisätiedot

S Laskennallinen systeemibiologia

S Laskennallinen systeemibiologia S-4250 Laskeallie systeemibiologia Harjoitus Mittaustuloksea o saatu havaitoparia (x, y ),, (x, y ) Muuttuja y käyttäytymistä voidaa selittää muuttuja x avulla esimerkiksi yksikertaise lieaarise riippuvuude

Lisätiedot

Taulukko 1. Kantakaupungin rajan pisteiden henkilöautomäärä vuorokaudessa (KVAL) vuonna 2013

Taulukko 1. Kantakaupungin rajan pisteiden henkilöautomäärä vuorokaudessa (KVAL) vuonna 2013 1 1. Johdanto Helsingin kaupunkisuunnitteluviraston Liikennesuunnitteluosasto seuraa henkilöliikenteen kulkutavan kehitystä Helsingin kantakaupungin rajalla. Henkilöautojen henkilökuormituslaskentoja on

Lisätiedot

Yhdyssana suomen kielessä ja puheessa

Yhdyssana suomen kielessä ja puheessa Yhdyssana suomen kielessä ja puheessa Tommi Nieminen Jyväskylän yliopisto Anna Lantee Tampereen yliopisto 37. Kielitieteen päivät Helsingissä 20. 22.5.2010 Yhdyssanan ortografian historia yhdyssanan käsite

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 15. marraskuuta 2007 Antti Rasila () TodB 15. marraskuuta 2007 1 / 19 1 Tilastollisia testejä (jatkoa) Yhden otoksen χ 2 -testi varianssille Kahden riippumattoman

Lisätiedot

S-114.2720 Havaitseminen ja toiminta

S-114.2720 Havaitseminen ja toiminta S-114.2720 Havaitseminen ja toiminta Heikki Hyyti 60451P Harjoitustyö 2 visuaalinen prosessointi Treismanin FIT Kuva 1. Kuvassa on Treismanin kokeen ensimmäinen osio, jossa piti etsiä vihreätä T kirjainta.

Lisätiedot