Männyn laaturajojen integrointi runkokäyrän ennustamisessa. Laura Koskela Tampereen yliopisto
|
|
|
- Paavo Jokinen
- 9 vuotta sitten
- Katselukertoja:
Transkriptio
1 Männyn laaturajojen integrointi runkokäyrän ennustamisessa Laura Koskela Tampereen yliopisto
2 Johdantoa Pohjoismaisen käytännön mukaan rungot katkaistaan tukeiksi jo metsässä. Katkonnan ohjauksessa käytetään apuna tietokonetta. Tietokone kerää katkotuista tukeista tietoja, esimerkiksi rungon halkaisijatiedot, laatuluokat, puulaji, jne.
3 Katkonta käytännössä (1/4) Hakkuukone katkaisee puun tyvestä, karsii oksat ja katkoo rungon tukeiksi.
4 Katkonta käytännössä (2/4) Katkonta suoritetaan valitun kriteerin mukaisesti. Yleisesti kriteerinä käytetään hintaa (arvoapteeraus) tai tavoitejakaumaa (jakaumaapteeraus). Jotta runko voitaisiin katkaista optimaalisesti, pitäisi koko runko mitata etukäteen.
5 Katkonta käytännössä (3/4) Käytännössä runkoa tunnetaan ensimmäistä katkaisupäätöstä tehdessä ainoastaan 3-4 metriä.
6 Katkonta käytännössä (4/4) Tietokone laatii loppurungolle ennusteen ja lopullinen katkaisupäätös tehdään tietokoneen antaman ennusteen ja kuljettajan silmämääräisen arvion perusteella. Ensimmäinen katkaisu on tärkeä, sillä se saattaa vaikuttaa ratkaisevasti koko rungon katkaisun onnistumiseen.
7 Runkokäyrä Runkokäyrällä tarkoitetaan rungon kapenemista pituuden funktiona.
8 Tutkimuksen tavoite Tutkimuksen tavoitteena on kehittää menetelmä, jonka avulla männyn runkokäyrä voidaan tilastollisesti ennustaa, kun runkoa tunnetaan ainoastaan 3-4 metriä tyvestä mitattuna. joka hyödyntää runkokäyrän ennustamisessa männyn laaturajoja (kuivaoksaraja ja latvusraja) = laaturajojen integrointi runkokäyrän ennustamisessa.
9 Menetelmän perusidea (1/4) Valitaan rungolta kiinnepisteet, joita hyödynnetään runkokäyrän ennustamisessa. Männyn tapauksessa on kiinnepisteiksi luonnollista valita laaturajat (oksarajat eli kuivaoksa- ja latvusraja). Huomaa, että nämä pisteet sijaitsevat runkokäyrällä!
10 Menetelmän perusidea (2/4)
11 Menetelmän perusidea (3/4) Rungon tunnetun osan (3-4 metriä) perusteella ennustetaan ensin oksarajat (kuivaoksaraja ja latvusraja) sekä niiden halkaisijat. ennustetaan puun pituus (esim. kohta, jossa halkaisija on 15 cm). Tunnetun osan, oksarajaennusteiden ja pituusennusteiden perusteella sovitetaan tasoitettu kuutiosplini.
12 Menetelmän perusidea (4/4) Tasoitettu kuutiosplini on runkokäyräennuste. Runkokäyrälle ei tarvitse olettaa mitään funktiomuotoa.
13 Toteutus 1.VAIHE: Rakennetaan ennustemallit pituudelle, oksarajakorkeuksille ja halkaisijoille. HUOM! Puun pituudeksi määritellään tässä se kohta rungolla, jossa halkaisija on 15cm. 2. VAIHE: Ennustetaan kullekin puulle pituus sekä oksarajojen korkeudet ja halkaisijat. 3. VAIHE: Tasoitettu kuutiosplini sovitetaan rungon tunnettuun osaan (3-4 metriä) ja ennustettuihin pisteisiin.
14 Testiaineisto 100 mäntyrunkoa. 6 leimikkoa kahdelta eri alueelta. leimikot 1-3 Rauman lähellä leimikot 4-6 Turun lähellä Ennakkomittaukset: pituus, halkaisija rinnankorkeudelta, kuivaoksaraja ja latvusraja. Rungot merkittiin myöhempää identifiointia varten. Sahalla puista otettiin mm. runkokäyrämittaukset ja tarkat laatutiedot.
15 VAIHE 1 Ennustemallien rakentaminen (1/8) Esimerkkinä tarkastellaan puun pituuden ennustamista. Oksarajakorkeuksien ja halkaisijoiden ennustaminen tapahtuu menetelmällisesti samalla tavalla. Tässä tutkimuksessa pituus, oksarajojen korkeudet sekä halkaisijat mallinnettu samanlaisella mallilla. Pituusmalli vaihtelee leimikoittain leimikkotekijä u j, j = 1,2, 6 on ns. satunnaisvaikutus.
16 VAIHE 1 Ennustemallien rakentaminen (2/8) Runkokäyrätieto tiivistetään kahteen parametriin: tyven paksuus (z 0 ). keskimääräinen kapenema (z 1 ). Tyven paksuuden (z 0 ) määrittää esim. rinnankorkeusläpimitta (1.3 m). Käytännön hakkuutilanteessa ei rungon keskimääräistä kapenemaa (z 1 ) tunneta, mutta se voidaan estimoida.
17 VAIHE 1 Ennustemallien rakentaminen (3/8) Eräs tapa estimoida rungon keskimääräinen kapenema on sovittaa rungolle regressiosuora. Regressiosuoran kulmakerroin antaa tällöin estimaatin rungon keskimääräiselle kapenemalle.
18 VAIHE 1 ennustemallien rakentaminen (4/8) Päädyimme seuraavanlaiseen pituusmalliin:
19 VAIHE 1 ennustemallien rakentaminen (5/8) Oletukset: Kyseessä on nyt ns. sekamalli, jossa on mukana kiinteitä parametreja ( ) ja satunnaisvaikutuksia ( ). Satunnaisvaikutus on satunnaismuuttuja.
20 VAIHE 1 ennustemallien rakentaminen (6/8) Havaintojen varianssiksi saadaan ja kovarianssiksi Mittaukset saman leimikon sisällä ovat korreloituneita!
21 VAIHE 1 ennustemallien rakentaminen (7/8) Estimoiduksi malliksi saadaan Lisäksi
22 VAIHE 1 ennustemallien rakentaminen (8/8) Estimoidun mallin mukaan paksutyviset puut ovat pidempiä. Iso kapenema puolestaan vaikuttaa pituutta lyhentävästi. Satunnaisvaikutusten ennustearvoista voidaan päätellä, että alueen 2 puut (leimikot 4-6) ovat jonkin verran lyhyempiä kuin alueen 1 (leimikot 1-3) puut.
23 VAIHE 2 pisteiden ennustaminen (1/3) Ennustemallissa käytettyä puun kapenemaa (kuten se on tutkimuksessa määritelty) ei käytännössä tunneta. Jotta voimme käyttää malliamme pituuden ennustamiseen, on puun kapenema ennustettava. Keskineliövirheen mielessä paras ennuste kapenemalle z 1 saadaan ehdollisella odotusarvolla E(z 1 z * ).
24 VAIHE 2 pisteiden ennustaminen (2/3) Jos asetamme z * = z 0 saadaan Tuntemattomat parametrit voidaan estimoida aikaisemmin kaadettujen ja mitattujen runkojen perusteella.
25 VAIHE 2 pisteiden ennustaminen (3/3) Alkuperäiset runkokäyrät ja saadut pituusennusteet.
26 VAIHE 3 runkokäyrän ennustaminen (1/5) Kun pituus, oksarajakorkeudet ja - halkaisijat on ennustettu, sovitetaan tasoitettu kuutiosplini rungon tunnettuun osaan ja ennustamiimme pisteisiin.
27 VAIHE 3 runkokäyrän ennustaminen (2/5) Splinit ovat käyriä, jotka kulkevat sulavasti ja mahdollisimman pehmeästi annettujen pisteiden kautta. Kuutiosplini on eräs yksinkertaisimmista splineistä. Tasoitetun kuutiosplinin tasaisuus voidaan määrätä ns. tasoituskertoimella. Hyvin pienillä tasoituskertoimen arvoilla splinikäyrä kulkee läheltä annettuja pisteitä. Suurilla arvoilla käyrä on hyvin tasainen ja lähestyy lineaarista regressiosuoraa.
28 VAIHE 3 runkokäyrän ennustaminen (3/5) Esimerkki: Tasoituskertoimen vaikutus.
29 VAIHE 3 runkokäyrän ennustaminen (4/5) Esimerkki: Tasoituskertoimen vaikutus.
30 VAIHE 3 runkokäyrän ennustaminen (5/5) Esimerkki: Tasoituskertoimen vaikutus.
31 Tuloksia (1/2)
32 Tuloksia (2/2)
33 Menetelmän edut Runkokäyrää ennustettaessa ei taustalle oleteta varsinaista matemaattista funktiota. Runkokäyräennusteen lisäksi saadaan tuloksena ennusteet oksarajojen korkeuksille ja halkaisijoille. Menetelmän antamaa runkokäyräennustetta voidaan käyttää eräänlaisena runkokäyrän tasoitusmenetelmänä. Ennustetarkkuus (?)
34 Kehittämisnäkymät Ennustemallien parantaminen: muuttujakohtaiset mallit. uusia selittäviä muuttujia. Rungon kapeneman ennustustarkkuuden parantaminen: esim. ehdollistaminen useamman muuttujan suhteen, erilaiset tasoitusmenetelmät. Menetelmän soveltaminen muille puulajeille. Testaaminen toisella aineistolla.
Tilastolliset mallit hakkuukoneen katkonnan ohjauksessa. Tapio Nummi Tampereen yliopisto
Tilastolliset mallit hakkuukoneen katkonnan ohjauksessa Tapio Nummi Tampereen yliopisto Runkokäyrän ennustaminen Jotta runko voitaisiin katkaista optimaalisesti pitäisi koko runko mitata etukäteen. Käytännössä
Männyn oksaisuuslaadun vaihtelu ja sen ennustaminen katkonnan yhteydessä. Jarkko Isotalo Tampereen yliopisto
Männyn oksaisuuslaadun vaihtelu ja sen ennustaminen katkonnan yhteydessä Jarkko Isotalo Tampereen yliopisto 9.6.2003 Laatuaineisto Laatuaineisto koostuu kuuden eri leimikon mäntyrungoista: 1) Ryösä (20
Voidaanko laatu huomioida männyn katkonnassa? Jori Uusitalo Joensuun yliopisto
Voidaanko laatu huomioida männyn katkonnassa? Jori Uusitalo Joensuun yliopisto Esityksen sisältö Katkonnan ohjauksen perusteet Tutkimustuloksia Laadun huomioon ottaminen katkonnassa Katkonnan ohjauksen
Estimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
Tukin laatukatkonta. Valtakunnalliset mittauspäivät, Antti Raatevaara. Luonnonvarakeskus. Luonnonvarakeskus
Tukin laatukatkonta Valtakunnalliset mittauspäivät, 14-15.03.2019 Antti Raatevaara Luonnonvarakeskus Esityksen sisältö 1. Laatukatkonta projektin esittely Projektin tausta Projektin jäsenet Tavoitteet
Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio
Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio Sisältö Regressioanalyysissä tavoitteena on tutkia yhden tai useamman selittävän muuttujan vaikutusta selitettävään muuttujaan. Sen avulla
Eero Lukkarinen Jari Marjomaa
Rungon kapenemisen ennustaminen hakkuukoneen mittalaitteella Ennustusmenetelmien vertailu Eero Lukkarinen Jari Marjomaa Metsätehon raportti 35 15.12.1997 Konsortiohanke: A.Ahlström Osakeyhtiö, Aureskoski
Kuusen kasvun ja puutavaran laadun ennustaminen
Kuusen kasvun ja puutavaran laadun ennustaminen Anu Kantola Työ on aloitettu omana hankkeenaan 1.1.2001 Suomen Luonnonvarain Tutkimussäätiön rahoittamana, siirtyi Puro -hankkeen rahoittamaksi 1.1.2004
1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
7. laskuharjoituskierros, vko 10, ratkaisut
7. laskuharjoituskierros, vko 10, ratkaisut D1. a) Oletetaan, että satunnaismuuttujat X ja Y noudattavat kaksiulotteista normaalijakaumaa parametrein E(X) = 0, E(Y ) = 1, Var(X) = 1, Var(Y ) = 4 ja Cov(X,
Sovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo
Kuusen kasvun ja puutavaran laadun ennustaminen
Kuusen kasvun ja puutavaran laadun ennustaminen Anu Kantola Työ on aloitettu omana hankkeenaan 1.1.21 Suomen Luonnonvarain Tutkimussäätiön rahoittamana, siirtyi Puro -hankkeen rahoittamaksi 1.1.24 Biomassa-aineiston
805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.
24.11.2006 1. Oletetaan, että kaksiulotteinen satunnaismuuttuja µ noudattaa kaksiulotteista normaalijakaumaa. Oletetaan lisäksi, että satunnaismuuttujan regressiofunktio satunnaismuuttujan suhteen on ݵ
Puukaupan uudet tuulet - rungonosahinnoittelu. Jori Uusitalo Metla 02.10.2014
Puukaupan uudet tuulet - rungonosahinnoittelu Jori Uusitalo Metla 02.10.2014 Puun hinnoittelutapoja Puutavaralajihinnoittelu hinta tavaralajille Runkohinnoittelu yksi hinta koko rungolle Rungonosahinnoittelu
Kuusen kasvun ja puutavaran laadun ennustaminen
1/13 Kuusen kasvun ja puutavaran laadun ennustaminen Anu Kantola Työ on aloitettu omana hankkeenaan 1.1.21 Suomen Luonnonvarain Tutkimussäätiön rahoittamana, siirtyi Puro-hankkeen rahoittamaksi 1.1.24
PURO Osahanke 3 Annikki Mäkelä, HY Anu Kantola Harri Mäkinen Edistyminen -mallin adaptointi kuuselle mittaukset kuusen yleisestä rakenteesta, kilpailun vaikutus siihen Anu Kantola kuusen oksamittaukset
Sovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
Sovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 16. marraskuuta 2007 Antti Rasila () TodB 16. marraskuuta 2007 1 / 15 1 Epäparametrisia testejä χ 2 -yhteensopivuustesti Homogeenisuuden testaaminen Antti
ARVO-ohjelmisto pienpuun hankinnan tukena
ARVO-ohjelmisto pienpuun hankinnan tukena Jukka Malinen Pienpuupäivä Keskiviikko 17.11.2010 Mikpoli, auditorio, Patteristonkatu 2, 50100 Mikkeli Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest
Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen
Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä
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
OULUN YLIOPISTO, BIOLOGIAN LAITOS Puututkimus
OULUN YLIOPISTO, BIOLOGIAN LAITOS Puututkimus Puu on yksilö, lajinsa edustaja, eliöyhteisönsä jäsen, esteettinen näky ja paljon muuta. Tässä harjoituksessa lähestytään puuta monipuolisesti ja harjoitellaan
Dynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
KUITUPUUN PINO- MITTAUS
KUITUPUUN PINO- MITTAUS Ohje KUITUPUUN PINOMITTAUS Ohje perustuu maa- ja metsätalousministeriön 16.6.1997 vahvistamaan pinomittausmenetelmän mittausohjeeseen. Ohjeessa esitettyä menetelmää sovelletaan
Mat Tilastollisen analyysin perusteet, kevät 2007
Mat-.14 Tilastollisen analyysin perusteet, kevät 7 7. luento: Tarina yhden selittään lineaarisesta regressiomallista atkuu Kai Virtanen 1 Luennolla 6 opittua Kuvataan havainnot (y, x ) yhden selittään
Johdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
Vauriopuiden korjuu ja hakkuutekniikka. Koulutusaineisto pelastuslaitokselle MHY Kalajokilaakso, Jaakko Aho
Vauriopuiden korjuu ja hakkuutekniikka Koulutusaineisto pelastuslaitokselle MHY Kalajokilaakso, Jaakko Aho Työnjako Pelastuslaitos huolehtii terveyttä ja omaisuutta uhkaavan vaaran torjunnasta Yleisten
pitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
Pystypuusta lattialankuksi
Pystypuusta lattialankuksi Naapuripalstallamme tehtiin eräänä talvena avohakkuu, jonka seurauksena seuraavan kesän puhurituulet kaatoivat useita suuria kuusia oman metsäpalstamme suojattomasta reunasta.
Regressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
Diskriminanttianalyysi I
Diskriminanttianalyysi I 12.4-12.5 Aira Hast 24.11.2010 Sisältö LDA:n kertaus LDA:n yleistäminen FDA FDA:n ja muiden menetelmien vertaaminen Estimaattien laskeminen Johdanto Lineaarinen diskriminanttianalyysi
Puun kasvu ja runkomuodon muutokset
Puun kasvu ja runkomuodon muutokset Laserkeilaus metsätieteissä 6.10.2017 Ville Luoma Helsingin yliopisto Centre of Excellence in Laser Scanning Research Taustaa Päätöksentekijät tarvitsevat tarkkaa tietoa
KUITUPUUN KESKUSKIINTOMITTAUKSEN FUNKTIOINTI
KUITUPUUN KESKUSKIINTOMITTAUKSEN FUNKTIOINTI Asko Poikela Samuli Hujo TULOSKALVOSARJAN SISÄLTÖ I. Vanha mittauskäytäntö -s. 3-5 II. Keskusmuotolukujen funktiointi -s. 6-13 III.Uusi mittauskäytäntö -s.
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
Kuusen kasvun ja puutavaran laadun ennustaminen
Kuusen kasvun ja puutavaran laadun ennustaminen Anu Kantola Työ on aloitettu omana hankkeenaan 1.1.21 Suomen Luonnonvarain Tutkimussäätiön rahoittamana, siirtyi Puro-hankkeen rahoittamaksi 1.1.24 Biomassa-aineiston
Tilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
Etsi Siidan alakerran retkeilynäyttelyn kartasta vastaavat rajat. Vertaa niitä omiin havaintoihisi:
Nimeni: Metsänrajat Tarkkailutehtävä linja-automatkalle Jos tulet Inariin etelästä, aloita tarkkailu Vuotsosta:Jos tulet Inariin pohjoisesta, aloita tarkkailu lähtöpaikastasi: Käytä värikyniä, jotta saat
Johdatus regressioanalyysiin
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2007) 1 Johdatus regressioanalyysiin >> Regressioanalyysin lähtökohdat ja tavoitteet
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.
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:
Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva
ARVO ohjelmisto. Tausta
ARVO ohjelmisto Tausta Jukka Malinen, Metla Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research Institute www.metla.fi Ennakkotiedon tarve - Metsänomistaja 11.2.2010 2 Ennakkotiedon
Tilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio
Tilastollisen analyysin perusteet Luento 9: lineaarinen lineaarinen Sisältö lineaarinen lineaarinen lineaarinen Lineaarinen Oletetaan, että meillä on n kappaletta (x 1, y 1 ), (x 2, y 2 )..., (x n, y n
PURO Osahanke 3. Elintoimintoihin perustuvat mallit: Tavoitteet. PipeQual-mallin kehittäminen. PipeQual-mallin soveltaminen
PURO Osahanke 3 Annikki Mäkelä, HY Anu Kantola Harri Mäkinen Elintoimintoihin perustuvat mallit: Tavoitteet PipeQual-mallin kehittäminen mänty: puuaineen ominaisuudet mallit männyn kasvumalliin mallin
Tilastotieteen kertaus. Kuusinen/Heliövaara 1
Tilastotieteen kertaus Kuusinen/Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla reaalimaailman ilmiöistä voidaan tehdä johtopäätöksiä tilanteissa, joissa
TKK @ Ilkka Mellin (2008) 1/5
Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Tehtävät Demo-tehtävät: 1, 3, 6, 7 Pistetehtävät: 2, 4, 5, 9 Ylimääräiset tehtävät: 8, 10, 11 Aiheet: Moniulotteiset jakaumat Avainsanat: Diskreetti jakauma,
Vastepintamenetelmä. Kuusinen/Heliövaara 1
Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,
Puukarttajärjestelmä hakkuun tehostamisessa. Timo Melkas Mikko Miettinen Jarmo Hämäläinen Kalle Einola
Puukarttajärjestelmä hakkuun tehostamisessa Timo Melkas Mikko Miettinen Jarmo Hämäläinen Kalle Einola Tavoite Tutkimuksessa selvitettiin hakkuukoneeseen kehitetyn puukarttajärjestelmän (Optical Tree Measurement
tilastotieteen kertaus
tilastotieteen kertaus Keskiviikon 24.1. harjoitukset pidetään poikkeuksellisesti klo 14-16 luokassa Y228. Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla
METSATEHO ~ METSÄTEOLLISUUS 12/1994 PUUNKORJUUN KUSTANNUSTEN JAKAMINEN PUUTAVARALAJEILLE. Jari Terävä. Teppo Oijala
METSATEHO... ' 1 ~ ~.. ~ ' 1.. : 12/1994 PUUNKORJUUN KUSTANNUSTEN JAKAMINEN PUUTAVARALAJEILLE e Teppo Oijala Jari Terävä Metsätehossa on valmistunut metsäkoneiden ajanmenekkitutkimuksiin sekä PMP- ja VMI
Moniulotteiset satunnaismuuttujat ja jakaumat
Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat KE (2014) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset
Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
Sovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut
(b) Tunnista a-kohdassa saadusta riippuvuudesta virtausmekaniikassa yleisesti käytössä olevat dimensiottomat parametrit.
Tehtävä 1 Oletetaan, että ruiskutussuuttimen nestepisaroiden halkaisija d riippuu suuttimen halkaisijasta D, suihkun nopeudesta V sekä nesteen tiheydestä ρ, viskositeetista µ ja pintajännityksestä σ. (a)
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
Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
Batch means -menetelmä
S-38.148 Tietoverkkojen simulointi / Tulosten keruu ja analyysi 1(9) Batch means -menetelmä Batch means -menetelmää käytetään hyvin yleisesti Simulointi suoritetaan tässä yhtenä pitkänä ajona olkoon simuloinnin
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
Osa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170
VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 4.6.2013 Ratkaisut ja arvostelu 1.1 Satunnaismuuttuja X noudattaa normaalijakaumaa a) b) c) d) N(170, 10 2 ). Tällöin P (165 < X < 175) on likimain
Kehittyvä puun mallinnus ja laskenta
Kehittyvä puun mallinnus ja laskenta Metsätieteen päivät 2011 Jouko Laasasenaho emeritusprof. Historiallinen tausta Vuonna 1969 Suomessa siirryttiin puun mittauksessa kuorelliseen kiintokuutiometrin käyttöön
Johdatus tilastotieteeseen Johdatus regressioanalyysiin. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2005) 1 Johdatus regressioanalyysiin Regressioanalyysin lähtökohdat ja tavoitteet Deterministiset mallit ja regressioanalyysi
Tukkiröntgendata sahapuun ohjauksessa
Tukkiröntgendata sahapuun ohjauksessa Tapio Räsänen Metsäteho Oy FOREST BIG DATA hankkeen tulosseminaari 8.3.2016 Heureka, Vantaa Kehittämistavoitteet Tavoitteena on parantaa puutuoteteollisuuden arvoketjun
Laskennallinen menetelmä puun biomassan ja oksien kokojakauman määrittämiseen laserkeilausdatasta
Laskennallinen menetelmä puun biomassan ja oksien kokojakauman määrittämiseen laserkeilausdatasta Pasi Raumonen, Mikko Kaasalainen ja Markku Åkerblom Tampereen teknillinen ylipisto, Matematiikan laitos
Todennäköisyyden ominaisuuksia
Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset
Johdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
Kuva 1. Ohmin lain kytkentäkaavio. DC; 0 6 V.
TYÖ 37. OHMIN LAKI Tehtävä Tutkitaan metallijohtimen päiden välille kytketyn jännitteen ja johtimessa kulkevan sähkövirran välistä riippuvuutta. Todennetaan kokeellisesti Ohmin laki. Välineet Tasajännitelähde
Tutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
Trestima Oy Puuston mittauksia
Trestima Oy Puuston mittauksia Projektissa tutustutaan puuston mittaukseen sekä yritykseen Trestima Oy. Opettaja jakaa luokan 3 hengen ryhmiin. Projektista arvioidaan ryhmätyöskentely, projektiin osallistuminen
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
Puuston ennakkotiedon hankintamenetelmät. Tapio Räsänen Eero Lukkarinen
Puuston ennakkotiedon hankintamenetelmät ja käyttö Tapio Räsänen Eero Lukkarinen Metsätehon raportti 43 10.2.1998 Konsortiohanke: A.Ahlström Osakeyhtiö, Aureskoski Oy, Enso Oyj, Koskitukki Oy, Kuhmo Oy,
Ilkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Tilastollinen testaus TKK (c) Ilkka Mellin (2007) 1 Tilastolliset testit >> Tilastollinen testaus Tilastolliset hypoteesit Tilastolliset
Viikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi
Viikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Exactum C222, 5.-7.11.2008. 1 Tällä viikolla Sisältösuunnitelma: Ennustamisstrategioista Koneoppimismenetelmiä: k-nn (luokittelu
4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
MAA4 Abittikokeen vastaukset ja perusteluja 1. Määritä kuvassa olevien suorien s ja t yhtälöt. Suoran s yhtälö on = ja suoran t yhtälö on = + 2. Onko väittämä oikein vai väärin? 2.1 Suorat =5 +2 ja =5
Tehtävät. 1. Ratkaistava epäyhtälöt. a) 2(4 x) < 12, b) 5(x 2 4x + 3) < 0, c) 3 2x 4 > 6. 1/10. Sukunimi (painokirjaimin)
1/10 Tehtävä 1 2 3 4 5 6 7 8 9 10 Yhteensä Pisteet (tarkastaja merkitsee) Kokeessa on kymmenen tehtävää, joista jokainen on erillisellä paperilla. Jokaisen tehtävän maksimipistemäärä on 6 pistettä. Ratkaise
Harvennuspuun raaka-aineominaisuudet ja puutuotemahdollisuudet
Puunkäytön kehittäminen ja uudet tuotemarkkinat Tutkimusohjelman loppuseminaari 13.11.2008, Lahti, Sibeliustalo Harvennuspuun raaka-aineominaisuudet ja puutuotemahdollisuudet Tapio Wall: - Harvennusmännyn
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin
Väliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
pitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
Olkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:
Mat-.6 Sovellettu todennäköisslaskenta B Mat-.6 Sovellettu todennäköisslaskenta B / Ratkaisut Aiheet: Moniulotteiset satunnaismuuttujat ja todennäköissjakaumat Moniulotteisia jakaumia Avainsanat: Diskreetti
Uusiutuvan energian velvoite Suomessa (RES direktiivi)
Hakkuutähteen paalaus ja kannonnosto kuusen väliharvennuksilta Juha Nurmi, Otto Läspä and Kati Sammallahti Metla/Kannus Energiapuun saatavuus, korjuu ja energiaosuuskunnat Keski-Pohjanmaalla Forest Power
Paikkatietoa metsäbiomassan määrästä tarvitaan
Biomassan estimointi laseraineiston, ilmakuvien ja maastomittausten perusteella Esitys Metsätieteen Päivän Taksaattorisessiossa 26.10.2011 Reija Haapanen, Sakari Tuominen ja Risto Viitala Paikkatietoa
2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet
Tilastotieteen jatkokurssi Sosiaalitieteiden laitos Harjoitus 5 (viikko 9) Ratkaisuehdotuksia (Laura Tuohilampi). Jatkoa HT 4.5:teen. Määrää E(X) ja D (X). E(X) = 5X p i x i =0.8 0+0.39 +0.4 +0.4 3+0.04
Suoran yhtälöt. Suoran ratkaistu ja yleinen muoto: Suoran yhtälö ratkaistussa, eli eksplisiittisessä muodossa, on
Suoran htälöt Suoran ratkaistu ja leinen muoto: Suoran htälö ratkaistussa, eli eksplisiittisessä muodossa, on ANALYYTTINEN GEOMETRIA MAA5 = k + b, tai = a missä vakiotermi b ilmoittaa suoran ja -akselin
SahapuuPunJGoj en APTEEIAUS alkaen käyttöön hyväksytyt. metsäteollisuuden tarkastamat tukkienteko-ohjeet.
SahapuuPunJGoj en APTEEIAUS 1.5.1989 alkaen käyttöön hyväksytyt sahatukkien laatuvaatimukset sekä MTK:n ja metsäteollisuuden tarkastamat tukkienteko-ohjeet. YLEISOHJEIT A APTEERAUKSEST A Sahapuurunkojen
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat
.9. Kaksiulotteiset satunnaismuuttujat MS-A Todennäköisslaskennan ja tilastotieteen peruskurssi Viikko Moniulotteiset satunnaismuuttujat sekä niiden jakaumat ja tunnusluvut; Moniulotteisia jakaumia Usein
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 6. luento Pertti Palo 1.11.2012 Käytännön asioita Harjoitustöiden palautus sittenkin sähköpostilla. PalautusDL:n jälkeen tiistaina netistä löytyy
TASAVIRTAPIIRI - VASTAUSLOMAKE
TASAVIRTAPIIRI - VASTAUSLOMAKE Ryhmä Tekijä 1 Pari Tekijä 2 Päiväys Assistentti Täytä mittauslomake lyijykynällä. Muista erityisesti virhearviot ja suureiden yksiköt! 4 Esitehtävät 1. Mitä tarkoitetaan
Sovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen
Katkonta - ensimmäinen jalostuspäätös vai raaka-aineen hinnan määritystä?
Katkonta - ensimmäinen jalostuspäätös vai raaka-aineen hinnan määritystä? Puupäivä, torstaina 27.10.2011 Jukka Malinen Metla / Joensuu Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research
Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio
17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla
Puunkorjuun tulevaisuus. Aluejohtaja Jori Uusitalo 21.5.2014
Aluejohtaja 21.5.2014 Puunkorjuun kehittämisen painopisteet Puunkorjuun kausivaihtelun vähentäminen Puun jalostamisen ja katkonnan optimointi 1000 m3 Kausivaihtelun vähentäminen 6000 Puunkorjuun kausivaihtelu
Kysynnän 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
Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?
TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä
3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin
3 Yleistä estimointiteoriaa Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3.1 Johdanto Tähän mennessä olemme tarkastelleet estimointia
Trestima Oy Puuston mittauksia
Koostanut Essi Rasimus ja Elina Viro Opettajalle Trestima Oy Puuston mittauksia Kohderyhmä: 9-luokka Esitiedot: ympyrä, ympyrän piiri, halkaisija ja pinta-ala, lieriön tilavuus, yhdenmuotoisuus, yksikkömuunnokset