Sanajärjestyksen ja intensiteetin vaikutus suomen intonaation havaitsemisessa ja tuotossa
|
|
- Hannes Parviainen
- 8 vuotta sitten
- Katselukertoja:
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 Martti Vainio Helsingin yliopisto, Fonetiikan laitos; Kieliteknologia Juhani Järvikivi, Turun yliopisto, Psykologia; University of Dundee Yleistä Lingvistisen
LisätiedotIntonaation 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
LisätiedotProminenssin toteutuminen kolmessa yleispuhesuomen varieteetissa
lektiot Prominenssin toteutuminen kolmessa yleispuhesuomen varieteetissa RIIKKA YLITALO Väitöksenalkajaisesitelmä Oulun yliopistossa 5. kesäkuuta 2009 Termi prominenssi tarkoittaa toisaalta puheen joidenkin
LisätiedotPuheentutkimuksen 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
LisätiedotSuomen 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
LisätiedotSuomen 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
LisätiedotFONETIIKKA SUULLISEN KIELITAIDON ARVIOINNISSA
FONETIIKKA SUULLISEN KIELITAIDON ARVIOINNISSA Heini Kallio, tohtorikoulutettava Käyttäytymistieteiden laitos, fonetiikka Helsingin yliopisto heini.h.kallio@helsinki.fi Fonetiikan haasteet kielenopetuksessa
LisätiedotProsodia. 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
LisätiedotMiksi 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
LisätiedotProsodia. 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
Lisätiedotr = 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
LisätiedotMitä 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?
LisätiedotSimultaanit 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
LisätiedotMiksi 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
LisätiedotJohdanto 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.
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
LisätiedotHarjoitukset 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
LisätiedotSynkronoitu 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)
LisätiedotOtoskoko 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
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
LisätiedotTässä 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
LisätiedotHAVAITUT 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
LisätiedotProsodia. 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
LisätiedotItseoppivan 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
LisätiedotHarjoitus 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
LisätiedotSovellettu 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
LisätiedotTietoliikennesignaalit & spektri
Tietoliikennesignaalit & spektri 1 Tietoliikenne = informaation siirtoa sähköisiä signaaleja käyttäen. Signaali = vaihteleva jännite (tms.), jonka vaihteluun on sisällytetty informaatiota. Signaalin ominaisuuksia
LisätiedotTänään 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
LisätiedotIntonaatio tv:n lastenohjelmissa
Intonaatio tv:n lastenohjelmissa Pirjo Litmanen Tampereen yliopisto Viestintätieteiden tiedekunta Suomen kielen maisteriohjelma Valinnaisten opintojen tutkielma Kesäkuu 2018 Tampereen yliopisto Viestintätieteiden
LisätiedotOrganization 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
LisätiedotKuulohavainnon 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
LisätiedotL9: 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
Lisätiedotspontaanin puheen PRosoDinen jaksottelu
spontaanin puheen PRosoDinen jaksottelu Eija Aho Esitetään Helsingin yliopiston humanistisen tiedekunnan suostumuksella julkisesti tarkastettavaksi Arppeanumissa (Snellmaninkatu 3) perjantaina 27. elokuuta
Lisätiedot3 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.
LisätiedotKeskipisteen 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
LisätiedotS-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
LisätiedotKissankello vai kissan kello?
Kissankello vai kissan kello? Suomen yhdyssanojen prosodisista ominaispiirteistä Päivi Virkkunen Pro gradu -tutkielma Fonetiikka, yleinen linja Helsingin yliopisto Käyttäytymistieteiden laitos Lokakuu
Lisätiedot031021P 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
LisätiedotMitä 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
Lisätiedot5 Akustiikan peruskäsitteitä
Puheen tuottaminen, havaitseminen ja akustiikka / Reijo Aulanko / 2016 2017 14 5 Akustiikan peruskäsitteitä ääni = ilmapartikkelien edestakaista liikettä, "tihentymien ja harventumien" vuorottelua, ilmanpaineen
LisätiedotKaksisuuntaisen 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,
LisätiedotKaavakokoelma, 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
LisätiedotTilastollinen 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
LisätiedotEpävarmuuden 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
LisätiedotTilannekatsaus: Bioreaktorit ja LED-valaisujärjestelmät
Tilannekatsaus: Bioreaktorit ja LED-valaisujärjestelmät Kuusen kasvullinen lisäys kohti tulevaisuuden taimituotantoa Ohjausryhmänkokous Joroinen Bioreaktorit: Bioreaktori mallin valinta Kahden bioreaktori
LisätiedotTampereen 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)
LisätiedotKoesuunnittelu 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?
LisätiedotHarjoituksessa 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
LisätiedotÖstersundomin auringonsäteilyolot
Östersundomin auringonsäteilyolot Anders Lindfors Aku Riihelä Antti Aarva Jenni Latikka Östersundomin aurinkoenergiapotentiaalin selvitystyö toteutetaan Innovatiivisuutta Julkisiin Investointeihin hankkeessa
LisätiedotPUHEEN 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,
LisätiedotPuheen 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...
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
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
LisätiedotLuottamisvälin 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
LisätiedotSAVONLINNASALI, 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
LisätiedotLASKENTATOIMEN 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
Lisätiedot2. Aineiston kuvailua
2. Aineiston kuvailua Avaa (File/Open/Data ) aineistoikkunaan tiedosto tilp150.sav. Aineisto on koottu Tilastomenetelmien peruskurssilla olleilta. Tiedot osallistumisesta demoihin, tenttipisteet, tenttien
LisätiedotMAA7 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
LisätiedotVirhearviointi. 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
LisätiedotSAIMAANNORPPA 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,
LisätiedotToimistohuoneiden 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,
LisätiedotKojemeteorologia. 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
LisätiedotJäähdyttävän 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
LisätiedotMTTTP5, 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.
LisätiedotData-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
Lisätiedot10. 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
LisätiedotHoitotyön henkilöstövoimavarojen hallinnan mallintaminen kansallisesti yhtenäisillä tunnusluvuilla
Hoitotyön henkilöstövoimavarojen hallinnan mallintaminen kansallisesti yhtenäisillä tunnusluvuilla Ehdotukset kansallisesti yhtenäisiksi hoitotyön henkilöstövoimavarojen hallinnan tunnusluvuiksi Erikoissairaanhoito
LisätiedotVOIKO 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
LisätiedotLuottamisvälin 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,
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
LisätiedotKvantitatiivisen 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
Lisätiedot1. (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
LisätiedotUnkarin 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
LisätiedotTUTKIMUSAINEISTON 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)
LisätiedotPuhesynteesi. 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.
LisätiedotPuhesynteesin 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
LisätiedotEstimointi. 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
LisätiedotHarjoitukset 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
Lisätiedot1 PID-taajuusvastesuunnittelun esimerkki
Enso Ikonen, Oulun yliopisto, systeemitekniikan laboratorio 2/23 Säätöjärjestelmien suunnittelu 23 PID-taajuusvastesuunnittelun esimerkki Tehtävänä on suunnitella säätö prosessille ( ) = = ( +)( 2 + )
LisätiedotTilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle
Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle - Sisältö - - - Varianssianalyysi Varianssianalyysissä (ANOVA) testataan oletusta normaalijakautuneiden otosten odotusarvojen
LisätiedotRAKENNUSAKUSTIIKKA - ILMAÄÄNENERISTÄVYYS
466111S Rakennusfysiikka, 5 op. RAKENNUSAKUSTIIKKA - ILMAÄÄNENERISTÄVYYS Opettaja: Raimo Hannila Luentomateriaali: Professori Mikko Malaska Oulun yliopisto LÄHDEKIRJALLISUUTTA Suomen rakentamismääräyskokoelma,
Lisätiedotxi = 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
LisätiedotÅbo 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
LisätiedotMies 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
LisätiedotPuhesynteesin 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
LisätiedotMatalan 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
LisätiedotDynamiikan 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!
LisätiedotTUTKIMUSAINEISTON 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.
LisätiedotPuhesynteesin 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
LisätiedotPuhesynteesi. 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.
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
Lisätiedotpisteet Frekvenssi frekvenssi Yhteensä
806118P JOHDATUS TILASTOTIETEESEEN Loppukoe 15.3.2018 (Jari Päkkilä) 1. Kevään -17 Johdaus tilastotieteeseen -kurssin opiskelijoiden harjoitusaktiivisuudesta saatujen pisteiden frekvenssijakauma: Harjoitus-
LisätiedotPuhutun 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
LisätiedotYhden 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
LisätiedotS 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
LisätiedotTaulukko 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
LisätiedotYhdyssana 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
LisätiedotSovellettu 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
LisätiedotS-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