Sampsa Laine ( ) Ari Mäkelä ( ) EPÄLINEAARISEN MARKKINAMALLINNUKSEN KÄYTETTÄVYYS NORD POOL HINTAKEHITYKSEN ENNUSTAMISESSA
|
|
- Ilona Kivelä
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Sampsa Laine, Ari Mäkelä EPÄLINEAARISEN MARKKINAMALLINNUKSEN KÄYTETTÄVYYS NORD POOL HINTAKEHITYKSEN ENNUSTAMISESSA 1/14
2 SISÄLLYSLUETTELO Johdanto...3 Menetelmäkuvaus...4 Kokeelliset tulokset...5 Käytetyt työkalut...9 Johtopäätökset...11 LIITTEET Liite A. Menetelmien vertailua toisiinsa Liite B. Datan esikäsittely suodatuksella ja differenssillä 2/14
3 Johdanto Sähköyhtiöiden on suojauduttava hintariskeiltä ostamalla termiinejä, joiden hinta määräytyy kelluvilla markkinoilla. Tämän markkinan analyysi ja, mikäli mahdollista, ennustaminen, antaa mahdollisuuden suuriin säästöihin: oikein ajoitetun termiinikaupan kustannusvaikutus voi olla satojatuhansia tai miljoonia euroja. Analyysin suorittamiseen on kaksi päävaihtoehtoa: tekninen ja fundamenttianalyysi. Teknisessä analyysissä mallinnetaan aiempaa hinnanmuodostusta ja tehdään sen perusteella ennustemalleja; tekninen analyysi ei ota huomioon esimerkiksi sademääriä. Fundamenttianalyysissä tutkitaan muiden kuin aiemman hintahistorian vaikutusta tuleviin hintoihin analysoiden esimerkiksi sademääriä ja lämpötiloja markkina-alueella. Tämä dokumentti perustuu fundamenttianalyysiin. Data-analyysiä, esimerkiksi fundamenttianalyysiä, voidaan tehdä markkinamonitoroinnin ja ennustimien keinoin. Monitorien tavoite on esittää käyttäjälleen päätöksen teon kannalta mahdollisimman oleellista tietoa. Itse markkinaennusteen laatiminen jää käyttäjän tehtäväksi. Monitori saattaa esimerkiksi kertoa, että vesivarannot ovat poikkeuksellisen alhaalla, ja sääennuste lupaa kylmää. Ennustavat mallit pyrkivät suoraan ennustamaan, mikä on sähkön hinta tulevaisuudessa. Ennustin saattaa esimerkiksi ennustaa neljän prosentin nousua sähkön hintaan. Molemmissa menetelmissä on hyvät puolensa: ihmisellä on ylivertainen kokemus ja ymmärrys tietokoneeseen verrattuna, mikä painottaa monitorien käyttöä; toisaalta, tietokoneet ovat hyviä seulomaan suuria tietomassoja ja laskemaan niistä korrelaatiota ja malleja. Tässä dokumentissa esitetään menetelmä, joka ottaa molemmista menetelmistä niiden hyvät puolet. Menetelmän rakentamisessa tukeudutaan Laineen väitöskirjassaan 1 esittämiin teeseihin: menetelmän tulee antaa tietoa asiasta, jonka käyttäjä on määritellyt tärkeäksi; menetelmän on siedettävä virhemittauksia ja epälinearisuuksia; ja menetelmän on oltava käyttäjälleen helppotajuinen. Myös tämä dokumentti on laadittu ymmärrettäväksi: emme esitä yhtään kaavaa tai viljele algoritmien nimiä. Tässä dokumentissa on neljä osaa: menetelmäkuvaus, kokeelliset tulokset, käytetyt työkalut ja johtopäätökset /14
4 Menetelmäkuvaus Menetelmä on esitetty Kuva 1. Analyysiin syötetään tiedot fundamenttidatan ja hintadatan historiasta. Tässä työssä olemme käyttäneet noin kahden vuoden datoja. Fundamenttidatan analyysissä seuraava vaihe on ottaa sokkona kaikki summat ja erotukset eri muuttujien välillä, jotta saadaan paljastettua eri muuttujien yhteisvaikutuksia. Hintadatasta poistetaan volatiliteettia suodattamalla sitä. Tämä tehdään, jotta analyysissä voidaan käyttää hinnan muutosta sen absoluuttiarvon sijaan. Muutos on hyvä kohdesuure, koska termiinikaupan jokapäiväinen päätöksenteko pohjautuu sähkön hinnan muutoksiin, ei sen tasoon suhteessa pitkään historiaan. Oleellista on myös siirtää termiinin hintadatan aikaleimoja, jotta saadaan malli, jolla voidaan ennustaa tulevaisuuteen. Viivästystä voidaan tehdä esim. kaksi päivää, jolloin saadaan kahden päivän ennuste. Kun data on saatu esikäsiteltyä analyysiä varten, tehdään muuttujavalinta, jossa etsitään ne fundamenttimuuttujat, jotka parhaiten ennustavat hintadatan kehitystä. Tässä työssä tyypillinen etsittävä muuttujamäärä on viidestä kahteenkymmeneen. Fundamenttidata Piirteenirroitus Hintadata Suodatus, differenssi, viivästys Muuttujavalinta Luokitus Ennustin Kuva 1. Menetelmän kuvaus Edellisen jälkeen käsissämme on fundamenttimuuttujista johdettuja summia, erotuksia, yms..., jotka pitävät sisällään informaatiota sähkön hinnan muutoksista. Näiden muuttujien avulla rakennetaan luokitin, joka mallintaa fundamenttimuuttujien vaikutuksen hintaan. Kun saamme uuden mittauspisteen, luokitin kertoo, mihin luokkaan se kuuluu, minkä jälkeen voimme historiasta katsoa, miten hinta on vastaavissa tapauksissa kehittynyt. Tämä mahdollistaa nykytilan analyysin historian valossa, sekä ennustimen luomisen, toisaalta asiantuntijan analyysin tulosten kautta, toisaalta automaattisesti luotujen numeroennusteiden kautta. Yllä oleva analyysiprosessi on tilastomatematiikassa hyvin perinteinen. Erona perinteeseen ovat käyttämämme algoritmit, joiden avulla luomme menetelmästä vikasietoisen sekä ymmärrettävän. Perustelemme väitettämme liitteessä A esitetyllä vertailulla. Esitetyssä sovelluksessa ymmärrettävyys on hyvin tärkeää, koska sähkömarkkinaan vaikuttaa fundamenttitietojen lisäksi kaikissa pörsseissä läsnäoleva spekulatiivinen peli. Tämä peli on vain ihmisten ymmärrettävissä. Mielestämme on tärkeää tarjota käyttäjälle esittämämme ennusteen lisäksi myös selkeästi ilmaistuna ennusteemme perusteet, jotta käyttäjä voi liittää ne päätöksentekoprosessiinsa. Toinen merkittävä etu menetelmän ymmärrettävyydessä on käyttäjän mahdollisuus rakentaa omia malleja, jotka parhaiten kiteyttävät hänen ymmärryksensä sähkömarkkinasta. 4/14
5 Kokeelliset tulokset Esitämme käyttämämme datan, analyysimme kulun sekä tulokset. Emme pyri raportissamme tieteelliseen tarkkuuteen, lisätietoja saa kirjoittajilta. Tavoitteemme on esitellä analyysimenetelmämme esimerkin avulla. Analysoitu data sisältää 539 päiväkeskiarvoa väliltä ja Yhteenvedot käyttämistämme muuttujaryhmistä on esitetty Taulukko 1. Analyysin kohdemuuttuja on Closing Price(ENOQ2-06) eli sähkötermiinin hinta. Taulukko 1. Käyttämämme muuttujaryhmät Muuttujaryhmä Säätiedot Sähkön tuotanto-, kulutus- ja siirtotiedot Hintatiedot Esimerkki Lämpötila ja sademäärä eri pohjoismaissa Kulutus Suomessa, tuotanto Norjassa ja siirto Norjasta Tanskaan Termiinituotteiden hinta, öljyn hinta, päästöoikeuksien hinta Muuttujien analyysi alkaa suodatuksella, jossa muuttujista poistetaan kohinaa, sekä joidenkin muuttujien kohdaalla differenssin ottamisella, jotta saadaan esille arvojen muutokset. Nämä operaatiot on esitelty liitteessä B. Tuotanto ja säätiedoille tehtiin lisäksi kaikki mahdolliset summat ja erotukset, jotta analyysiin saadaan esimerkiksi tieto Suomessa tuotetun ja täällä käytetyn sähkön erotuksesta eri ajanhetkinä. Analyysi jatkuu muuttujavalinnalla, jossa haetaan ne muuttujat, jotka merkittävimmällä tavalla ennustaavat termiinien hinnan kehitystä. Muuttujavalinnan löytämät muuttujat on esitetty Taulukossa 2. Tämän muuttujavalinnan perusteella Norjan ja Ruotsin sademäärät ja vesivarannot, sekä öljyn hinta, ovat merkittävimpiä tekijöitä termiinimarkkinoilla. Taulukko 2. Muuttujavalinnan löytämät muuttujat Muuttujan nimi Median level(norway) ( % )+Daily Sum: sademäärä (12h)) ( mm ) Median level(sweden) ( % )+Whole Country(Sweden) ( % ) Median level(norway) ( % ) Monthly Average Prec(bergen) ( mm )+Daily Avg.: Precipitation(trondheim) ( mm ) Whole Country(Norway) ( % )+Daily Avg.: Temperature(bergen) ( C ) Daily Avg.: (Nymex Brent Crude Oil Future) ( USD ) Arvio Sähkön hintaan vaikuttaa Norjan vesivarannot sekä Suomen sademäärät Toinen merkittävä tekijä on Ruotsin vesivarannot. Muuttujavalita vahvistaa Norjan vesivarantoja ottamalla muuttujan vielä sinällään. Norjan sademäärät otetaan myös vielä toisesta näkökulmasta. Lämpötilat ovat oleellinen tekijä. Öljyn hinta kuvaa energiamarkkinan tilaa laajemmin. Teimme luokittimen SOM-tekniikalla, jota esitellään yksinkertaisin esimerkein Laineen väitöskirjassa. Luokituksen tulos on Figure 2, jossa esitämme termiinien hintakehityksen kuluneen kahden vuoden aikana. Luokituksessa ei ole käytetty hintatietoa itseään, vaan se on tehty Taulukko 5/14
6 2 muuttujilla. Tarkastellaan esimerkiksi klusteria kuusi (väriltään vaalean sininen). Klusterille on tyypillistä melko muuttumaton hinta. Figure 3 osoittaa, että tälle klusterille on tyypillistä Ruotsin vesivarojen keskimäärin korkea taso ja Kuopion korkea lämpötila. Figure 2. Hintakehityksen luokittelu fundamenttimuuttujien avulla Figure 3. Summamuuttuja Ruotsin keskimääräisistä vesivarannoista ja Kuopion lämpötilasta Edellä esitetyt kuvat näyttävät pitkiä trendejä, mutta eivät selkeästi esitä lajittimen lyhyen ajan tarkkuutta. Figure 4 (kts seuraava sivu) esittää hinnan muutokset päivästä toiseen, suodatettuna muutaman päivän keskiarvoksi. Jos arvo on positiivinen, hinta on noussut, ja päinvastoin. Toteutunut arvo on esitetty sinisellä; signaalin erottaa myös sen suurehkosta heilahtelusta. Kuva esittää myös työkalun antaman hinnanmuutosennusteen (punainen käyrä) sekä ennusteen varmuusrajat (keltainen ja vihreä käyrä. Tämä kuva osoittaa millä tarkkuudella hinnanmuutoksia voidaan kuvata, ja millä tarkkuudella ennuste voidaan esittää. Mitä kapeampi ennusteputki, sitä tarkemmin työkalu katsoo voivansa ennustaa. 6/14
7 Figure 4. Hinnan heilahtelu ja työkalun antama ennuste virherajoineen Katsotaan tarkemmin yhtä muuttujaa, joka on Norjan keskimääräiset vesivarannot ja Linköpingin sademäärä. Sininen väri kuvaa kertoja, jolloin sähkön hinta on alentunut, punainen kertoja, jolloin se on noussut. Visuaalinen analyysi osoittaa, joskaan ei systemaattisesti, että suurimpien sadehuippujen aikaan sähkön hinta on lähipäivinä laskenut. Toisaalta, jos hinta on ollut vahvassa nousussa, kuten välillä (katso kuvaa Figure 2), sadepiikitkään eivät ole saaneet hintaa laskuun. 7/14
8 Figure 5. Norjan vesivarat ja Linköpingin sademäärän summa. Sinisellä merkityissä kohdissa sähkön hinta on alentunut Termiini-markkinoilla. Huomattakoon, että yllä olevat analyysit ovat alustavia, eikä niiden teossa ole käytetty merkittävää määrää sähkömarkkina-asiantuntemusta. Esitetty analyysi perustuu tilastollisiin löydöksiin. Toinen merkittävä seikka on se, että malli on opetettu samalla datalla, jolla sen suorituskykyä tarkastellaan. Koska tulokset ovat silti mielekkäitä, analyysiä lienee syytä jatkaa. 8/14
9 Käytetyt työkalut Data on kerätty ja analyysiin tomitettu Intstream Oy:n ohjelmistolla ja työkaluilla. Data-analyysi on tehty Data Rangers Oy:n analyysiohjelmistolla. Analyysiprosessien määrittelytyökalu on esitetty Figure 6. Tässä työssä tarvittu datan esikäsittely on tehty tällä analyysiprosessilla. Termiinien hintadata ladataa vasemmalla alhaalla olevalla komponentilla, minkä jälkeen data suodatetaan, siitä otetaan derivaatta ja sitä viivästetään. Muulle datalle tehdään suodatus ja lasketaan kaikki summat ja erotukset. Datan yhdistämisen jälkeen siitä valitaan ne, noin sata, muuttujaa, jotka tallennetaan varsinaista analyysiä varten. Työkalu on suunniteltu tavallisia käyttäjiä varten: analyysiprosessin suunnittelu ei vaadi koodausosaamista. Se toki vaatii data-analyysiosaamista sen verran, että tietää, millaisia data-analyysioperaatioita tietyn tehtävän tekeminen vaatii. Tätä varten käyttäjän pitää osata data-analyysin perusteet. Figure 6. Data-analyysiprosessin määrittely graafisella työkalulla Analyysi suoritetaan Figure 7 työkalulla (kuva seuraavalla sivulla). Työkalu on samanlainen kuin Windowsin Wizardit (=Velhot), joilla voidaan asentaa esimerkiksi tulostin. Myös tässä käyttäjä tekee ruudun osoittamat valinnat ja painaa Next, kun on valmis. Kuvassa näkyy analyysiprosessin loppuun määritelty hajontakuvan (XY-plot) piirtotyökalu. Työkalun paras puoli on se, että käyttäjän ei tarvitse osata data-analyysin perusteita. Käyttäjä voi yhdistää data-analyysin tehon omaan toimialaosaamiseensa. 9/14
10 Figure 7. Analyysi suoritetaan Velho-työkalulla, joka ohjaa käyttäjänsä analyysiprosessin läpi 10/14
11 Johtopäätökset Esittämämme data-analyysiprosessi on löytänyt selkeitä markkinasääntöjä termiinien hintakehityksen yleispiirteille. Työllä on kaksi selkeätä hyötyä: analyysin tekijä oppii merkittävällä tavalla termiinimarkkinan kehityksestä; analyysi tuottaa ennusteita sähkömarkkinan kehitykselle. Kun tietokone-ennusteet yhdistetään markkinaosaajan kokemukseen, päästäneen nykyistä tarkempaan ymmärrykseen markkinan tilasta ja tulevasta kehityksestä. Jos tällä päästään termiinien ostamisen optimaaliseen ajoitukseen, säästetään merkittäviä määriä rahaa. Analyysissä on muutamia puutteita: mallia ei ole testattu riittävästi eikä sen luomisessa ole vielä käytetty sähkömarkkinan laajaa tuntemusta. Koska tulokset ovat rohkaisevia ja jatkotyön vaatima osaaminen on olemassa, on työtä syytä jatkaa. 11/14
12 Liite A. Menetelmien vertailua toisiinsa Vaihe Menetelmä Vikasietoinen Ymmärrettävä Valitsimme Piirteenirroitus PCA Ei ole: harhautuu virhemittauksista, vaatii datan siivoamisen. Ei ole: vaatii avaruuden projisoinnin. Piirteenirroitus Muuttujavalinta Muuttujavalinta Luokitus Luokitus Ennustin Ennustin Summat, erotukset Lineaarinen regressio tai PLS Ei-parametrinen menetelmä n-uloitteinen klusterointi On: pisteet eivät vaikuta toisiinsa. Melko: PLS on melko vikasietoinen, joskin edelleen lineaarinen. On: hajapisteet tai epälineaarisuudet eivät vaikuta. On: monet algoritmit selviävät hajapisteistä, yms. SOM-klusterointi On: pärjää epälineaarisuuksien ja hajapisteiden kanssa. Lineaarinen regressio, PLS Todennäköisyyslaskenta Melko: PLS on melko vikasietoinen. On: eiparametrinen malli ei tee oletuksia. On: plus- ja miinuslasku on tuttua. Ei ole: vaatii matriisioperaatioiden ymmärtämistä. On: menetelmän perusteet eivät vaadi tilastollista koulutusta. Ei ole: tuotettu moniuloitteinen matriisi vaatii erillisen analyysin. On: luokituksen tulos voidaan lukea 2-uloitteiselta kartalta. Ei ole: vaatii matriisioperaatioita, ja tuloksena tulee vain yksi luku. On: ennusteen lisäksi käyttäjä saa varmuusrajat. X X X X 12/14
13 Liite B. Datan esikäsittely suodatuksella ja differenssillä Suodatus tasoittaa signaalin alla esitetyllä tavalla: alkuperäisen signaalin (sininen) nopea vaihtelu poistuu ja esiin saadaan hitaammat, pidemmän tähtäimen muutokset. Tässä analyysissä termiinien hintatiedot suodatettiin siten, että suodoksen ajankohdan t arvoon vaikuttavat vain se itse ja muutamat arvot tulevaisuudesta; muille signaaleille tehtiin suodatus niin, että tiedot poimittiin historiasta. Tämä on tarpeen, jotta termiinidatan tulevaisuustietoa ei tihku nykypäivään; tämä helpottaisi analyysiä virheellisellä tavalla tuote X aika neljänneksissä Differenssi on kuvattu alla olevassa kuvassa. Sininen signaali on jälleen alkuperäinen. Signaali on hetkeen 12 asti nousussa. Tämän takia myös sen differenssi eli ensimmäinen derivaatta on positiivinen, kuten oikealla olevasta y-akselista voidaan lukea. Differenssi painuu pakkaselle samaan aikaan kun sininen signaali alkaa pudota Tuote Y euro/tn aika neljänneksissä 13/14
14 14/14
LÄMMITYSENERGIA- JA KUSTANNUSANALYYSI 2014 AS OY PUUTARHAKATU 11-13
LÄMMITYSENERGIA- JA KUSTANNUSANALYYSI 2014 AS OY PUUTARHAKATU 11-13 2 LÄMMITYSENERGIA- JA KUSTANNUSANALYYSI 2014 Yhtiössä otettiin käyttöön lämmön talteenottojärjestelmä (LTO) vuoden 2013 aikana. LTO-järjestelmää
LisätiedotFortumin sähkömarkkinakatsaus Keilaniemi
Fortumin sähkömarkkinakatsaus Keilaniemi 19.3.27 Lotta Forssell viestintäjohtaja Fortum Portfolio Management and Trading 19/3/28 1 Sähkömarkkinakatsauksen tausta ja tarkoitus Fortumin sähkömarkkinakatsauksen
LisätiedotAurinkoenergiajärjestelmien hintayhteenveto
Aurinkoenergiajärjestelmien hintayhteenveto v. 1.2 11.3.2015 Markku Tahkokorpi 1 JOHDANTO Finsolar-hankkeen osana on marras-joulukuussa 2014 selvitetty aurinkosähkölaitteistojen toteutuneita hintatasoja
LisätiedotLuku 3 Sähkömarkkinat
Luku 3 Sähkömarkkinat Asko J. Vuorinen Ekoenergo Oy Pohjana: Energiankäyttäjän käsikirja 2013 Energiankäyttäjän käsikirja 2013, helmikuu 2013 1 Sisältö Sähkön tarjonta Sähkön kysyntä Pullonkaulat Hintavaihtelut
LisätiedotKysynnän ennustaminen muuttuvassa maailmassa
make connections share ideas be inspired Kysynnän ennustaminen muuttuvassa maailmassa Nina Survo ja Antti Leskinen SAS Institute Mitä on kysynnän ennustaminen? Ennakoiva lähestymistapa, jolla pyritään
LisätiedotTekstinlouhinnan mahdollisuudet Digin historiallisessa sanomalehtiaineistossa. Kimmo Kettunen Dimiko (Digra-projekti)
Tekstinlouhinnan mahdollisuudet Digin historiallisessa sanomalehtiaineistossa Kimmo Kettunen Dimiko (Digra-projekti) Tekstinlouhinta Tekstinlouhinnassa pyritään saamaan tekstimassoista automaattisesti
LisätiedotNeuroverkkojen soveltaminen vakuutusdatojen luokitteluun
Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Sami Hokuni 12 Syyskuuta, 2012 1/ 54 Sami Hokuni Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Turun Yliopisto. Gradu tehty 2012 kevään
LisätiedotTekstianalyysi: esimerkkejä
Tekstianalyysi: esimerkkejä Data Rangers Oy Ryhmittelyanalyysi - Tekstien sisällön selvittäminen. - Esimerkkikysymys: Mitä tuotteessamme pitäisi parantaa? - Jaamme tekstit sisällön mukaisiin ryhmiin ja
LisätiedotMediaanisuodattimet. Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että. niiden ominaisuudet tunnetaan hyvin
Mediaanisuodattimet Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että niiden ominaisuudet tunnetaan hyvin niiden analysointiin on olemassa vakiintuneita menetelmiä
LisätiedotTuulivoima ja sähkömarkkinat Koneyrittäjien energiapäivät. Mikko Kara, Gaia Consulting
Tuulivoima ja sähkömarkkinat Koneyrittäjien energiapäivät Mikko Kara, Gaia Consulting 24.3.2017 Sisältö 1. Pohjoismainen markkina 2. Tuuli merkittävin uusiutuvista 3. Suhteessa pienellä määrällä tuulta
LisätiedotKiipulan ammattiopisto. Liiketalous ja tietojenkäsittely. Erja Saarinen
Kiipulan ammattiopisto Liiketalous ja tietojenkäsittely Erja Saarinen 2 Sisällysluettelo 1. Johdanto... 3 2. Hyvät internetsivut... 3 3. Kuvien koko... 4 4. Sivujen lataus... 4 5. Sivukartta... 5 6. Sisältö...
LisätiedotFortumin energiamarkkinakatsaus Keilaniemi
Fortumin energiamarkkinakatsaus Keilaniemi 27.5.29 Lotta Forssell viestintäjohtaja Fortum Portfolio Management and Trading Timo Liiri Asiakkuuspäällikkö Fortum Markets 27/5/29 1 Energiamarkkinakatsauksen
LisätiedotAurinkoenergiajärjestelmien hintayhteenveto
Aurinkoenergiajärjestelmien hintayhteenveto v. 1.0 21.12.2014 Markku Tahkokorpi 1 JOHDANTO Finsolar-hankkeen osana on marras-joulukuussa 2014 selvitetty aurinkosähkö- ja aurinkolämpölaitteistojen toteutuneita
Lisätiedoteshop lisenssiopas Ohjelmistolisenssiopas 2013
Atean eshop on markkinoiden edistynein hankintajärjestelmä, joka tukee ja nopeuttaa yritysten it-hankintaprosessia. Lisenssiasiakkaille eshop tarjoaa ohjelmisto-omaisuuden hallintatyökalut. eshop lisenssiopas
LisätiedotDigitaalinen signaalinkäsittely Kuvankäsittely
Digitaalinen signaalinkäsittely Kuvankäsittely Teemu Saarelainen, teemu.saarelainen@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen, Signaalinkäsittelyn menetelmät,
LisätiedotPÄÄSTÖOIKEUDEN JA SÄHKÖN HINNAN MUODOSTUMINEN JA ENNUSTAMINEN
Europower The leading provider of news and business intelligence for the Nordic market. POINT CARBON JA INTSTREAM OY KUTSUVAT TEIDÄT HELSINGIN PALACE HOTELLIIN SÄHKÖMARKKINASEMINAARIIN 19.11.2008: PÄÄSTÖOIKEUDEN
LisätiedotEsityksen tiivistelmä Elina Hiltunen
Esityksen tiivistelmä Elina Hiltunen 1 Tulevaisuutta ei voi ennustaa. Siksi on tärkeää, että valmistaudumme (ainakin henkisesti) erilaisiin tulevaisuuden mahdollisuuksiin. Tulevaisuusajattelua voi käyttää
LisätiedotMatriisit ovat matlabin perustietotyyppejä. Yksinkertaisimmillaan voimme esitellä ja tallentaa 1x1 vektorin seuraavasti: >> a = 9.81 a = 9.
Python linkit: Python tutoriaali: http://docs.python.org/2/tutorial/ Numpy&Scipy ohjeet: http://docs.scipy.org/doc/ Matlabin alkeet (Pääasiassa Deni Seitzin tekstiä) Matriisit ovat matlabin perustietotyyppejä.
LisätiedotYleiskatsaus. Jos et ole vielä uutiskirjeen tilaaja, klikkaa TÄSTÄ tai lähetä sähköpostia osoitteeseen listatut@sipnordic.fi
v.26 Jos et ole vielä uutiskirjeen tilaaja, klikkaa TÄSTÄ tai lähetä sähköpostia osoitteeseen listatut@sipnordic.fi www.aktiiviporssikauppa.com Yleiskatsaus Kohde-etuus Suositus 1 viikko 1 kuukausi LONG-tuote
LisätiedotSite Data Manager Käyttöohje
Site Data Manager Käyttöohje Sisällysluettelo Sivu Mikä on SDM 2 SDM asennus 2 Ohjelman käyttö 3 Päävalikko 4 Varmuuskopion tekeminen 5 Täydellisen palautuksen tekeminen 6 Osittaisen palautuksen tekeminen
LisätiedotMustat joutsenet pörssikaupassa
Mustat joutsenet pörssikaupassa Kimmo Vehkalahti yliopistonlehtori, VTT soveltavan tilastotieteen dosentti Opettajien akatemian jäsen Yhteiskuntatilastotiede, Sosiaalitieteiden laitos Valtiotieteellinen
LisätiedotVerkkosääntöfoorumi Flow based kapasiteetinlaskenta menetelmä Pohjoismaihin
Verkkosääntöfoorumi 9.10.2018 Flow based kapasiteetinlaskenta menetelmä Pohjoismaihin Sisältö Kapasiteetinlaskentamenetelmäpäätös Flow based menetelmän käyttöönoton edellytyksiä Alustava aikataulu Sidosryhmien
LisätiedotTI-30X II funktiolaskimen pikaohje
0 TI-30X II funktiolaskimen pikaohje Sisältö Näppäimet... 1 Resetointi... 1 Aiempien laskutoimitusten muokkaaminen... 2 Edellisen laskutoimituksen tuloksen hyödyntäminen (ANS) ja etumerkki... 3 DEL ja
LisätiedotHow to Support Decision Analysis with Software Case Förbifart Stockholm
How to Support Decision Analysis with Software Case Förbifart Stockholm (Valmiin työn esittely) 13.9.2010 Ohjaaja: Prof. Mats Danielson Valvoja: Prof. Ahti Salo Tausta -Tukholman ohikulkutien suunnittelu
LisätiedotTilastokeskuksen postinumeroalueittaisen avoimen tiedon käyttäminen ArcGIS Onlinessa
Tilastokeskuksen postinumeroalueittaisen avoimen tiedon käyttäminen ArcGIS Onlinessa Tilastokeskuksen postinumeroalueittaisen avoimen tiedon käyttäminen ArcGIS Onlinessa... 1 1. Mikä on Paavo-aineisto?...
LisätiedotTausta tutkimukselle
Näin on aina tehty Näyttöön perustuvan toiminnan nykytilanne hoitotyöntekijöiden toiminnassa Vaasan keskussairaalassa Eeva Pohjanniemi ja Kirsi Vaaranmaa 1 Tausta tutkimukselle Suomessa on aktiivisesti
LisätiedotFCA suuntaviivat, Pitkän aikavälin siirtotuotteet ja Energiaviraston arviointi. Verkkosääntöfoorumi, Jori Säntti
FCA suuntaviivat, Pitkän aikavälin siirtotuotteet ja Energiaviraston arviointi Verkkosääntöfoorumi, 14.3.2017 Jori Säntti Tausta FCA suuntaviivat EU Komission asetus, tavoitteena harmonisoida rajojen yli
LisätiedotVisma Fivaldi
Visma Software Oy pidättää itsellään oikeuden mahdollisiin parannuksiin ja/tai muutoksiin tässä oppaassa ja/tai ohjelmassa ilman eri ilmoitusta. Oppaan ja siihen liittyvän muun materiaalin kopiointi on
LisätiedotAineistoista. Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin
Aineistoista 11.2.09 IK Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin Muotoilussa kehittyneet menetelmät, lähinnä luotaimet Havainnointi:
LisätiedotEsityksen tiivistelmä Elina Hiltunen
Esityksen tiivistelmä Elina Hiltunen Tulevaisuutta ei voi ennustaa. Siksi on tärkeää, että valmistaudumme (ainakin henkisesti) erilaisiin tulevaisuuden mahdollisuuksiin. Tulevaisuusajattelua voi käyttää
LisätiedotNspire CAS - koulutus Ohjelmiston käytön alkeet Pekka Vienonen
Nspire CAS - koulutus Ohjelmiston käytön alkeet 3.12.2014 Pekka Vienonen Ohjelman käynnistys ja käyttöympäristö Käynnistyksen yhteydessä Tervetuloa-ikkunassa on mahdollisuus valita suoraan uudessa asiakirjassa
LisätiedotSite Data Manager Käyttöohje
Site Data Manager Käyttöohje Sisällysluettelo Sivu Mikä on SDM 2 SDM asennus 2 Ohjelman käyttö 3 Päävalikko 4 Varmuuskopion tekeminen 5 Täydellisen palautuksen tekeminen 6 Osittaisen palautuksen tekeminen
LisätiedotMu$a mistä +etää nykyisen +lanteen ja mitä +laa? 13.5.2014 Econtact ó oikeita asioita oikein 1
Mu$a mistä +etää nykyisen +lanteen ja mitä +laa? 13.5.2014 Econtact ó oikeita asioita oikein 1 TYÖHYVINVOINNIN ANALYSOINTI Henkilöstö on yrityksen tärkein voimavara. Menestyvät yritykset pitävät ihmisten
LisätiedotHissimatkustajien automaattinen tunnistaminen. Johan Backlund
Hissimatkustajien automaattinen tunnistaminen Johan Backlund Johdanto Hissien historia pitkä Ensimmäiset maininnat voidaan jäljittää Rooman valtakuntaan Matkustaja hissien synty 1800-luvun puolessavälissä
LisätiedotT Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti , 8:30-10:00 Kollokaatiot, Versio 1.1
T-61.281 Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti 10.2.2004, 8:30-10:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:
LisätiedotSähkön tukkumarkkinan toimivuus Suomessa. Paikallisvoima ry:n vuosiseminaari 14.3.2012 TkT Iivo Vehviläinen Gaia Consul?ng Oy
Sähkön tukkumarkkinan toimivuus Suomessa Paikallisvoima ry:n vuosiseminaari 14.3.2012 TkT Iivo Vehviläinen Gaia Consul?ng Oy Tutki3u sähkömarkkinaa julkisen 6edon pohjalta Selvityksen tekijänä on riippumaton
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 6: 1 Kalmanin suodatin Aiemmin käsitellyt
LisätiedotYLEISKUVA - Kysymykset
INSIGHT Käyttöopas YLEISKUVA - Kysymykset 1. Insight - analysointityökalun käytön mahdollistamiseksi täytyy kyselyn raportti avata Beta - raportointityökalulla 1. Klikkaa Insight välilehteä raportilla
Lisätiedot1 Kertaus. Lineaarinen optimointitehtävä on muotoa:
1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n
LisätiedotMoraalinen uhkapeli: laajennuksia ja sovelluksia
Moraalinen uhkapeli: laajennuksia ja sovelluksia Sisältö Kysymysten asettelu Monen tehtävän malli Sovellusesimerkki: Vakuutus Sovellusesimerkki: Palkkion määrääminen Johtajan palkitseminen Moraalisen uhkapelin
LisätiedotJatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään
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
LisätiedotSikatalouden tulosseminaari 2014
Sikatalouden tulosseminaari 2014 Tampere 4.11.2014 Ari Nopanen Toimitusjohtaja ProAgria Liha Osaamiskeskus p. 0400-432582 ari.nopanen@proagria.fi Toimintaympäristö ja markkinat jatkuvassa muutoksessa Alkuvuodesta
LisätiedotOletko Bull, Bear vai Chicken?
www.handelsbanken.fi/bullbear Handelsbankenin bull & Bear -sertifikaatit Oletko Bull, Bear vai Chicken? Bull Valmiina hyökkäykseen sarvet ojossa uskoen markkinan nousuun. Mikäli olet oikeassa, saat nousun
LisätiedotTilastotiede ottaa aivoon
Tilastotiede ottaa aivoon kuinka aivoja voidaan mallintaa todennäköisyyslaskennalla, ja mitä yllättävää hyötyä siitä voi olla Aapo Hyvärinen Laskennallisen data-analyysin professori Matematiikan ja tilastotieteen
LisätiedotVisma Business AddOn Tilauksen synkronointi. Käsikirja
Visma Business AddOn Tilauksen synkronointi Käsikirja Oppaan päiväys: 10.4.2013. Asiakaspalvelu: Helpdesk: www.visma.fi Visma Software Oy pidättää itsellään oikeuden mahdollisiin parannuksiin ja/tai muutoksiin
LisätiedotEksote-tilauksen ajaminen poikkeaa tavallisesta taksintilauksesta muutamin osin, jotka käydään läpi tässä ohjeessa.
Kuljettajan ohje Eksote -tilaukset Taksi Helsingin MTI-välitysjärjestelmässä Eksote-tilauksen ajaminen poikkeaa tavallisesta taksintilauksesta muutamin osin, jotka käydään läpi tässä ohjeessa. Eksote -kyytien
LisätiedotVILJAMARKKINAT 19.03.2015 Riskienhallinta ja Markkinaseuranta. Max Schulman / MTK
VILJAMARKKINAT 19.03.2015 Riskienhallinta ja Markkinaseuranta Max Schulman / MTK Viljan hintoihin vaikuttavat tekijät Tarjonta ja kysyntä tuotannon ja kulutuksen tasapaino Varastotilanne Valuuttakurssit
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 1 Suunnattu derivaatta Aluksi tarkastelemme vektoreita, koska ymmärrys vektoreista helpottaa alla olevien asioiden omaksumista. Kun liikutaan tasossa eli avaruudessa
LisätiedotGIS-ANALYYSI PAIKKATIETOIKKUNASSA. Matias Järvinen 2019
GIS-ANALYYSI PAIKKATIETOIKKUNASSA Matias Järvinen 2019 Johdanto Harjoitusongelma: Millaisia paikkatietoanalyyseja Paikkatietoikkuna-ympäristössä voi tehdä? Miten niiden avulla voi tutkia tasojen sisältämää
LisätiedotGood Minton Sulkapalloliiton Kilpailujärjestelmä SEPA: Heuristinen arviointi
Good Minton Sulkapalloliiton Kilpailujärjestelmä SEPA: Heuristinen arviointi Versiohistoria: Versio: Pvm: Laatijat: Muutokset: 0.1 2006-11-25 Janne Mäkelä Alustava 1.0 2006-12-10 Janne Mäkelä Valmis 1.
LisätiedotPienimmän neliösumman menetelmä (PNS)
neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1
LisätiedotKatsaus maailman tulevaisuuteen
Katsaus maailman tulevaisuuteen Katsaus tulevaisuuteen Tulevaisuudentutkimus tiedonalana Miltä tulevaisuus näyttää Silmäys nykyisyyteen Ikuisuuden perspektiivi Tulevaisuudentutkimus tiedonalana Tulevaisuudentutkimus
LisätiedotTaloustieteiden tiedekunta Opiskelijavalinta 07.06.2005 1 2 3 4 5 YHT Henkilötunnus
1 2 3 4 5 YHT 1. Selitä lyhyesti, mitä seuraavat käsitteet kohdissa a) e) tarkoittavat ja vastaa kohtaan f) a) Työllisyysaste (2 p) b) Oligopoli (2 p) c) Inferiorinen hyödyke (2 p) d) Kuluttajahintaindeksi
LisätiedotLämpötilan ja valssausvoiman tilastollinen mallintaminen levyvalssauksessa
Lämpötilan ja valssausvoiman tilastollinen mallintaminen levyvalssauksessa VaProKe projekti (Ruukki, TEKES) Intelligent Systems Group, ILMARI JUUTILAINEN, 24.11.2011 Sisältö Projektin tavoitteet Voimamallinnuksen
LisätiedotSmarter-seminaari Maria Joki-Pesola. Varttitasehanke etenee yhdessä Pohjoismaisen tasehallintahankkeen kanssa
Smarter-seminaari 28.3.2019 Maria Joki-Pesola Varttitasehanke etenee yhdessä Pohjoismaisen tasehallintahankkeen kanssa Sähkömarkkinat ovat murroksessa Varttitase Datahub 1 tase ja 1 hinta Vartin päivänsisäinen-
LisätiedotMatematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot
Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot Sievin lukio Tehtävien ratkaisut tulee olla esim. Libre officen -writer ohjelmalla tehtyjä. Liitä vastauksiisi kuvia GeoGebrasta ja esim. TI-nSpire
LisätiedotTyöllisyysaste Pohjoismaissa
BoF Online 2008 No. 8 Työllisyysaste Pohjoismaissa Seija Parviainen Tässä julkaisussa esitetyt mielipiteet ovat kirjoittajan omia eivätkä välttämättä edusta Suomen Pankin kantaa. Suomen Pankki Rahapolitiikka-
LisätiedotCEM DT-3353 Pihtimittari
CEM DT-3353 Pihtimittari Sivu 1/5 CEM DT-3353 Pihtimittari Ongelma Mittarin ohjelmisto ilmoittaa NO DATA vaikka tiedonsiirtokaapeli on kytketty tietokoneen ja mittarin välille, mittarissa on virta päällä
LisätiedotSisällysluettelo ESIPUHE... 4 ALKUSANAT E-KIRJA VERSIOON... 5 SISÄLLYSLUETTELO... 6 1. JOHDANTO TILASTOLLISEEN PÄÄTTELYYN... 8 2. TODENNÄKÖISYYS...
Sisällysluettelo ESIPUHE... 4 ALKUSANAT E-KIRJA VERSIOON... 5 SISÄLLYSLUETTELO... 6 1. JOHDANTO TILASTOLLISEEN PÄÄTTELYYN... 8 1.1 INDUKTIO JA DEDUKTIO... 9 1.2 SYYT JA VAIKUTUKSET... 11 TEHTÄVIÄ... 13
LisätiedotOhje. Perusdiabetesseurantataulukko: OpenOffice 3.2 Ohjeen versio: 1.0
Ohje Perusdiabetesseurantataulukko: OpenOffice 3.2 Ohjeen versio: 1.0 Tämän ohjeen tarkoituksen on tutustuttaa sinut Diabetesseurantataulukon käyttöön. Ohjeen lähtökohtana on, että et ennestään hallitse
LisätiedotALVin käyttöohjeet. Kuvaus, rajaus ja tallennus puhelimella ALVin -mobiilisovelluksen avulla dokumentit kuvataan, rajataan ja tallennetaan palveluun.
ALVin käyttöohjeet Nämä käyttöohjeet sisältävät hyödyllisiä vinkkejä palvelun käyttöön. Ne kannattaa lukea ennen palvelun käyttöä. Jos kuitenkin kohtaat ongelmia etkä löydä niihin ratkaisua näistä käyttöohjeista
LisätiedotJärvi 1 Valkjärvi. Järvi 2 Sysijärvi
Tilastotiedettä Tilastotieteessä kerätään tietoja yksittäisistä asioista, ominaisuuksista tai tapahtumista. Näin saatua tietoa käsitellään tilastotieteen menetelmin ja saatuja tuloksia voidaan käyttää
LisätiedotMitä on konvoluutio? Tutustu kuvankäsittelyyn
Mitä on konvoluutio? Tutustu kuvankäsittelyyn Tieteenpäivät 2015, Työohje Sami Varjo Johdanto Digitaalinen signaalienkäsittely on tullut osaksi arkipäiväämme niin, ettemme yleensä edes huomaa sen olemassa
LisätiedotS-114.3812 Laskennallinen Neurotiede
S-114.381 Laskennallinen Neurotiede Projektityö 30.1.007 Heikki Hyyti 60451P Tehtävä 1: Virityskäyrästön laskeminen Luokitellaan neuroni ensin sen mukaan, miten se vastaa sinimuotoisiin syötteisiin. Syöte
LisätiedotFlexi Presentityn Android-sovelluksen käyttöohje
Flexi Presentityn Android-sovelluksen käyttöohje Datatal on kehittänyt älypuhelimellesi sovelluksen, jolla voit asettaa soitonsiirtoja, soittaa puheluita, etsiä kollegoita ja kuunnella ääniviestejä helposti.
LisätiedotYhtälönratkaisusta. Johanna Rämö, Helsingin yliopisto. 22. syyskuuta 2014
Yhtälönratkaisusta Johanna Rämö, Helsingin yliopisto 22. syyskuuta 2014 Yhtälönratkaisu on koulusta tuttua, mutta usein sitä tehdään mekaanisesti sen kummempia ajattelematta. Jotta pystytään ratkaisemaan
LisätiedotKenguru 2010 Benjamin (6. ja 7. luokka) sivu 1 / 5
Kenguru 2010 Benjamin (6. ja 7. luokka) sivu 1 / 5 NIMI LUOKKA/RYHMÄ Pisteet: Kenguruloikan pituus: Irrota tämä vastauslomake tehtävämonisteesta. Merkitse tehtävän numeron alle valitsemasi vastausvaihtoehto.
LisätiedotOhjeet e kirjan ostajalle
1 Ohjeet e kirjan ostajalle 1. Ostaminen ja käyttöönotto 1.1. Näin saat e kirjan käyttöösi Lataa tietokoneellesi Adobe Digital Editions (ADE) ohjelma täältä: http://www.adobe.com/products/digitaleditions/.
Lisätiedot3.1 Väliarvolause. Funktion kasvaminen ja väheneminen
Väliarvolause Funktion kasvaminen ja väheneminen LAUSE VÄLIARVOLAUSE Oletus: Funktio f on jatkuva suljetulla välillä I: a < x < b f on derivoituva välillä a < x < b Väite: On olemassa ainakin yksi välille
LisätiedotSisällönanalyysi. Sisältö
Sisällönanalyysi Kirsi Silius 14.4.2005 Sisältö Sisällönanalyysin kohde Aineistolähtöinen sisällönanalyysi Teoriaohjaava ja teorialähtöinen sisällönanalyysi Sisällönanalyysi kirjallisuuskatsauksessa 1
LisätiedotSähkömarkkinakatsaus 1
Sähkömarkkinakatsaus 1 Sähkömarkkinakatsaus Katsauksessa esitetään perustilastotietoja (1) sähkön vähittäishinnoista ja (2) sähkön tukkumarkkinoista katsauksen laadintahetkellä sekä niihin vaikuttavista
LisätiedotLAS- ja ilmakuva-aineistojen käsittely ArcGIS:ssä
Esri Finland LAS- ja ilmakuva-aineistojen käsittely ArcGIS:ssä November 2012 Janne Saarikko Agenda Lidar-aineistot ja ArcGIS 10.1 - Miten LAS-aineistoa voidaan hyödyntää? - Aineistojen hallinta LAS Dataset
LisätiedotLevelOne PLI-2030. Asennusohje. 200Mbps HomePlug AV Ethernet-silta. Versio 07.04.12ish
LevelOne PLI-2030 200Mbps HomePlug AV Ethernet-silta Asennusohje Versio 07.04.12ish Esittely LevelOne 200Mbps HomePlug AV Ethernet-sillan avulla voit kytkeä mitkä tahansa Ethernet-liitännällä varustetut
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016) Tavoitteet (teoria): Hahmottaa aikasarjan klassiset komponentit ideaalisessa tilanteessa. Ymmärtää viivekuvauksen vaikutus trendiin. ARCH-prosessin
LisätiedotHinta- ja tarjousalueselvitys. Markkinatoimikunnan kokous Juha Hiekkala, Katja Lipponen
Hinta- ja tarjousalueselvitys Markkinatoimikunnan kokous 4.3.2009 Juha Hiekkala, Katja Lipponen Hinta- ja tarjousalueselvitys - käsiteltävät asiat TEMin selvityspyyntö Fingridille P1-siirtorajoitukset
LisätiedotPienimmän neliösumman menetelmä (PNS)
neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1
Lisätiedothttp://www.nelostuote.fi/suomi/rummikubsaan.html
Sivu 1/5 Pelin sisältö 104 numeroitua laattaa (numeroitu 1-13) 2 laattaa kutakin neljää väriä (musta, oranssi, sininen ja punainen) 2 jokerilaattaa, 4 laattatelinettä, pelisäännöt Pelin tavoite Tavoitteena
LisätiedotVähäpäästöisen talouden haasteita. Matti Liski Aalto-yliopiston kauppakorkeakoulu Kansantaloustiede (economics)
Vähäpäästöisen talouden haasteita Matti Liski Aalto-yliopiston kauppakorkeakoulu Kansantaloustiede (economics) Haaste nro. 1: Kasvu Kasvu syntyy työn tuottavuudesta Hyvinvointi (BKT) kasvanut yli 14-kertaiseksi
LisätiedotPienimmän neliösumman menetelmä (PNS)
neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1
LisätiedotEsityksen tiivistelmä Elina Hiltunen
Esityksen tiivistelmä Elina Hiltunen Tulevaisuutta ei voi ennustaa. Siksi on tärkeää, että valmistaudumme (ainakin henkisesti) erilaisiin tulevaisuuden mahdollisuuksiin. Tulevaisuusajattelua voi käyttää
LisätiedotMännyn laaturajojen integrointi runkokäyrän ennustamisessa. Laura Koskela Tampereen yliopisto 9.6.2003
Männyn laaturajojen integrointi runkokäyrän ennustamisessa Laura Koskela Tampereen yliopisto 9.6.2003 Johdantoa Pohjoismaisen käytännön mukaan rungot katkaistaan tukeiksi jo metsässä. Katkonnan ohjauksessa
LisätiedotLaskuharjoitus 9, tehtävä 6
Aalto-yliopiston perustieteiden korkeakoulu Jouni Pousi Systeemianalyysin laboratorio Mat-2.4129 Systeemien identifiointi Laskuharjoitus 9, tehtävä 6 Tämä ohje sisältää vaihtoehtoisen tavan laskuharjoituksen
LisätiedotMäärittelydokumentti
Määrittelydokumentti Aineopintojen harjoitustyö: Tietorakenteet ja algoritmit (alkukesä) Sami Korhonen 014021868 sami.korhonen@helsinki. Tietojenkäsittelytieteen laitos Helsingin yliopisto 23. kesäkuuta
LisätiedotValitse ruudun yläosassa oleva painike Download Scilab.
Luku 1 Ohjeita ohjelmiston Scilab käyttöön 1.1 Ohjelmiston lataaminen Ohjeet ohjelmiston lataamiseen Windows-koneelle. Mene verkko-osoitteeseen www.scilab.org. Valitse ruudun yläosassa oleva painike Download
Lisätiedot811312A Tietorakenteet ja algoritmit 2015-2016. I Johdanto
811312A Tietorakenteet ja algoritmit 2015-2016 I Johdanto Sisältö 1. Algoritmeista ja tietorakenteista 2. Algoritmien analyysistä 811312A TRA, Johdanto 2 I.1. Algoritmeista ja tietorakenteista I.1.1. Algoritmien
LisätiedotJohdatus ohjelmointiin
Johdatus ohjelmointiin EXAM tentin liitetiedostojen lataaminen, käyttäminen ja palauttaminen Kerro mahdolliset puutteet tai parannusehdotukset: pietari.heino@tut.fi Tällä sivulla on selitetty lyhyesti
LisätiedotTieteellinen laskenta 2 Törmäykset
Tieteellinen laskenta 2 Törmäykset Aki Kutvonen Op.nmr 013185860 Sisällysluettelo Ohjelman tekninen dokumentti...3 Yleiskuvaus...3 Kääntöohje...3 Ohjelman yleinen rakenne...4 Esimerkkiajo ja käyttöohje...5
LisätiedotUusi raporttityökalu emolehmätarkkailuun Petri Saarinen
Uusi raporttityökalu emolehmätarkkailuun 19.2.2015 Petri Saarinen Yleistä Emolehmätarkkailuun kuuluville WinPihvi käyttäjille avataan 28.2. tehtävän indeksilaskennan jälkeen uusi raportti Web-ympäristöön.
LisätiedotNÄYTÖN ARVIOINTI: SYSTEMAATTINEN KIRJALLISUUSKATSAUS JA META-ANALYYSI. EHL Starck Susanna & EHL Palo Katri Vaasan kaupunki 22.9.
NÄYTÖN ARVIOINTI: SYSTEMAATTINEN KIRJALLISUUSKATSAUS JA META-ANALYYSI EHL Starck Susanna & EHL Palo Katri Vaasan kaupunki 22.9.2016 Näytön arvioinnista Monissa yksittäisissä tieteellisissä tutkimuksissa
LisätiedotCLIENT TIEDONSIIRTO-JA RAPORTOINTIOHJELMA
CLIENT k k k k k TIEDONSIIRTO-JA RAPORTOINTIOHJELMA Sisältö 1. Yleistä CLIENT tiedonsiirto-ja raportointiohjelmasta... 3 2. Asetukset... 4 2.1 Yleiset asetukset... 4 2.2 Raportissa näytettävät sarakkeet...
LisätiedotPelaajan tietojen lisääminen
Käytön aloitus Ohjelma käynnistetään tuplaklikkaamalla Jäseri-kuvaketta työpöydältä, tai käynnistä-valikosta. Ohjelmasta aukeaa seuraavanlainen valikko; Jäsenrekisterissä muutetaan jäsentietoja, maksukirjassa
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
LisätiedotUuden sähkömarkkinamallin kuvaus ja vaikutusten analysointi. Selvitys Teknologiateollisuus ry:lle
Uuden sähkömarkkinamallin kuvaus ja vaikutusten analysointi Selvitys Teknologiateollisuus ry:lle 3.6.2009 Sisältö 1. Työn lähtökohdat 2. Uuden sähkömarkkinamallin toiminnan kuvaus 3. Mallinnuksen lähtöoletukset
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
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.
LisätiedotMarket Expander & QUUM analyysi
Market Expander & QUUM analyysi KANSAINVÄLISTYMISEN KEHITYSTASOT Integroitua kansainvälistä liiketoimintaa Resurssien sitoutuminen, tuotteen sopeuttaminen, kulut, KV liiketoiminnan osaaminen Systemaattista
LisätiedotAki Taanila LINEAARINEN OPTIMOINTI
Aki Taanila LINEAARINEN OPTIMOINTI 26.4.2011 JOHDANTO Tässä monisteessa esitetään lineaarisen optimoinnin alkeet. Moniste sisältää tarvittavat Excel ohjeet. Viimeisin versio tästä monisteesta ja siihen
LisätiedotAki Taanila YHDEN SELITTÄJÄN REGRESSIO
Aki Taanila YHDEN SELITTÄJÄN REGRESSIO 26.4.2011 SISÄLLYS JOHDANTO... 1 LINEAARINEN MALLI... 1 Selityskerroin... 3 Excelin funktioita... 4 EKSPONENTIAALINEN MALLI... 4 MALLIN KÄYTTÄMINEN ENNUSTAMISEEN...
Lisätiedot