Mainituimmat sanat paikkatietojulkaisujen tiivistelmissä Historia- ja maantieteiden laitos, Itä-Suomen yliopisto
|
|
- Sinikka Päivi Sariola
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Mainituimmat sanat paikkatietojulkaisujen tiivistelmissä Historia- ja maantieteiden laitos, Itä-Suomen yliopisto
2 Tiivistelmien ryhmittely R:n tm-kirjastolla
3 Geoinformatiikan menetelmät esittäytyvät: Aineistoja ja työkaluja Geoinformatiikan tutkimuspäivät 2013 R ja spatiaalisia analyysimenetelmiä yhteiskuntatieteellinen näkökulma Olli Lehtonen MTT Taloustutkimus/ Historia- ja maantieteiden laitos, Itä-Suomen yliopisto
4 Lähtökohtana paikkatiedon erityispiirre Yksilötaso Yksilöt toisistaan riippumattomia -> perinteinen tilastotiede Ryvästaso Mallintamisessa huomioitava, että ryhmät eivät välttämättä ole riippumattomia toisistaan -> monitasomallit Aluetaso Mallintamisessa huomioitava, että alueet eivät välttämättä ole riippumattomia toisistaan -> spatiaalinen tilastotiede Spatiaalinen autokorrelaatio jäsentää tietämystämme havaintoarvojen jakautumisesta maantieteellisessä tilassa (Odland 1988: 9), ja se voidaan ymmärtää muuttujan korrelaationa itsensä kanssa maantieteellisessä tilassa (Griffith 2003). Monet yhteiskuntatieteelliset muuttujat ovat spatiaalisesti autokorreloituneita
5 Spatiaalisen autokorrelaation asettama haaste (yhteiskuntatieteellisessä tutkimuksessa) Havaintoyksiköt eivät ole toisistaan riippumattomia, joten ilmiöitä kuvaavien perinteisten tilastollisten mallien estimaattorit joko harhaisia tai tehottomia (ks. Anselin & Bera 1998) R:n tarjoamia mahdollisuuksia mallintamisessa: 1. hyväksytään spatiaalisen autokorrelaation olemassa olo 2. mallinnetaan vain osaa aineistosta (otos) 3. käytetään epäparametrisiä malleja 4. Käytetään malleja, jotka huomioivat spatiaalisen autokorrelaation
6 Käytetään epäparametrisia malleja R tarjoaa mm. seuraavia kirjastoja: stats (local nonparametric regressions) gam (generalized additive models) mgcv (generalized additive model, generalized additive mixed models) sm (Smoothing methods for nonparametric regression and density estimation) crs (nonparametric regression (and quantile) splines in the presence of both continuous and categorical predictors. np (nonparametric and semiparametric kernel-based estimators) Menetelmät soveltuvat eksploratiiviseen analyysiin, jossa tulokset esitetään visuaalisesti
7 Paikalliset lokaalit polynomimallit (stats) Esimerkissä kuvataan, miten postinumeroalueiden asumis- ja liikkumiskustannukset muuttuvat keskusetäisyyden suhteen # Datan luku excel-tiedostosta > mun=read.csv("c:/olli/helsinki.csv", header=true, sep=";") > attach(mun) # Mallien sovitus > as=lowess(et_km,as_kust,f=0.5) > la=lowess(et_km,liik_kust,f=0.5) # Mallin visualisointi > par(mar=c(8, 6, 3, 2.1), xpd=true) > plot(et,askust, main="helsinki region", xlab="", ylab=",col="white",ylim=c(0,45000),xlim=c(0,80), yaxt="n",axes=false) > axis(2, at=c(0,5000,10000,15000,20000,25000, 30000,35000,40000,45000),labels=TRUE, col.axis="black", las=2) > axis(1, at=c(0,10,20,30,40,50,60,70,80),labels=true, col.axis="black", las=1) > mtext("distance from centre",side=1,line=2) > mtext("costs ( )",side=2,line=4)
8 Yleistetty additiivinen malli (gam) Yksi esimerkki on yleistetty additiivinen malli, joka on tavanomaisia parametrisia malleja joustavampi kuvaamaan erilaisia monimutkaisia useiden muuttujien välisiä riippuvuuksia. Siinä muuttujien suhteet voivat vaihdella paikallisesti ja epämonotonisesti. Esimerkissä kuvattu, miten etäisyys erikokoluokan keskuksiin on yhteydessä työpaikkojen lukumäärän kasvuun?
9 Kahden muuttujan epäparametriset pinnat (sm) Nämä menetelmät voidaan yhdistää R- ympäristössä simulointeihin, jolloin voidaan tutkia erilaisia kehityksen reunaehtoja ### MALLIAJO > kertoimetglm=list() > for (k in 1:500) { > h=sample(x[,1],151,replace=false,prob=estimaatit_s) > nollat=rep(0,309) # nollia tarvitaan x kpl > h_combine=as.matrix(c(h,nollat)) # yhdista simulointia varten > sarake=list() > for (j in 1:460){ + estimates=numeric() + for (i in 1:460) { + vali=ifelse(x[j,1]-h_combine[i,1]==0,1,0) + estimates[i]=vali + } + sarake[[as.character(j)]]=sum(estimates) + } > unl=unlist(sarake,recursive=f,use.names=f) > simuloi=cbind(x,c(unl)) > sum=sum(simuloi[,54]) # binary-malli > koksuglm=glm(simuloi[,54]~scale_s[,"nuoret"]+ scale_s[,"yritp"],family=binomial) > kertoimetglm[[as.character(k)]]=koksuglm$coef > }
10 Käytetään malleja, jotka huomioivat spatiaalisen autokorrelaation R sisältää useita kirjastoja spatiaaliseen analyysiin: Spatiaaliset pisteprosessit: spatial (Functions for kriging and point pattern analysis) spatstat (A package for analysing spatial data, mainly Spatial Point Patterns) Aluedata: Spdep (spatiaalisen autokorrelaation testit, spatiaalinen klusterointi, SAR, CAR mallit Spgwr (maantieteellisesti painotettu regressioanalyysi)
11 Spatiaalinen klusterointi (spdep) (Spatial 'K'luster Analysis by Tree Edge Removal) Lokaali ryhmittelymenetelmä, joka huomioi havaintoyksikön sijainnin. R- ympäristö mahdollistaa ryhmittelyn stabiliteetin tarkastelun toistamalla ryhmittelyä eri parametreillä yksinkertaisilla loopeilla. for(i in values){... do something... } yhdistävyysmatriisi klusterointitulos
12 Hierarkinen regressioanalyysi (party) R tarjoaa myös monipuolisen kokoelman globaaliin ryhmittelyanalyysiin Ydinalueet Perifeeriset alueet
13 Hierarkinen regressioanalyysi (gplots) kuin myös ryhmittelyanalyysien tulosten esittämiseen sekä ryhmien lukumäärän tarkasteluun
14 Clusplot (cluster) ja useita ryhmittelyalgoritmejä: Pam (Partitioning Around Medoids), Clara (Clustering large applications), Fanny (Fuzzy analysis clustering) Cluster of low probability and low impact China invest to Europe for environmental reasons nanoscience On-line info will dominate a new source of energy is developed by 2030 Clusters of high impact and low probability uncontrollable damage for forest ecosystem Carbon dioxide emission payment prices of commodities will rocket again land use competition Cluster of high probability
15 Spatiaalinen viive- ja virhemalli (spdep) Viivemalli Virhemalli Voidaan hyödyntää mallinnettaessa esim. työpaikkakehitystä, koska usein esimerkiksi yritysten sijaintiin vaikuttavat tekijät eivät rajoitu hallinnollisten rajojen sisäpuolelle. -> Tämä tuottaa realistisempia malleja. Elintasogradientti Kuvassa: Miten mediaanitulot muuttuvat suhteessa keskusetäisyyteen?
16 Spatiaalinen viive- ja virhemalli (spdep) R:n etuna on, että myös spatiaalisiin regressioanalyyseihin voidaan yhdistää simulointia ja muita menetelmiä. Tällöin voidaan kysyä esimerkiksi, että missä kohtaa spatiaalisten mallien residuaalien ja selitettävänä olevan muuttujan estimoidut pinnat poikkeavat satunnaisista?
17 Maantieteellisesti painotettu regressioanalyysi (spgwr) Lokaali menetelmä kuvaamaan spatiaalista vaihtelua selittävissä tekijöissä Huomioi sosiaalisen ympäristön vaikutusta Perustuu oletukseen epästationaarisuudesta eli regressiokertoimet eivät ole vakioita Estimointi pohjautuu maantieteen ensimmäiseen lakiin: everything is related with everything else, but closer things are more related Useita estimointimenetelmiä
18 Johtopäätöksiä R tarjoaa erittäin monipuolisin paketin spatiaalisten aineistojen analysointiin Spatiaalisten menetelmien lisäksi äärimmäisen laajasti myös muita analyysimenetelmiä Yksi etu R:n käytössä syntyy R-ympäristön tarjoamista eduista (aineiston käsittely, eispatiaalinen mallinnus, omat funktiot, grafiikka) Tuottaa valmiuden analysoida erilaista dataa R:n heikkous on interaktiivisen käyttöliittymän puute (korostuu erityisesti karttojen visualisoinnissa), ja käyttämiskynnyksen korkeus
19 KIITOS! R:n grafiikka on myös hyvin monipuolista! Genetiikasta peräisin olevalla koodilla voidaan kuvata yhdessä kuvassa 41 kysymyksen histogrammit.
Johdatus geospatiaaliseen tutkimukseen
LYY-menetelmä työpaja, 15.2.2012, Joensuu Johdatus geospatiaaliseen tutkimukseen Olli Lehtonen Historia- ja maantieteiden laitos Itä-Suomen yliopisto SISÄLLYS: Paikkatieto Spatiaalinen autokorrelaatio
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
LisätiedotTautikartoitus CAR- ja partitiomalleilla
Esimerkkeinä sydän- ja verisuonitaudit sekä keuhkosyöpä 1,2 1 Lääketieteellisen tekniikan ja laskennallisen tieteen laitos, TKK 2 Terveyden ja hyvinvoinnin laitos (THL) Terveydenhuollon uudet analyysimenetelmät
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
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
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotYleistetyistä lineaarisista malleista
Yleistetyistä lineaarisista malleista Tilastotiede käytännön tutkimuksessa -kurssi, kesä 2001 Reijo Sund Klassinen lineaarinen malli y = Xb + e eli E(Y) = m, jossa m = Xb Satunnaiskomponentti: Y:n komponentit
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
LisätiedotSpatiaalinen metsää kuvaava malli ja sen soveltaminen metsäninventointiin
Spatiaalinen metsää kuvaava malli ja sen soveltaminen metsäninventointiin Lauri Mehtätalo Univ. of Joensuu, Faculty of Forest Sciences 22. huhtikuuta 28 Sisältö 1 Spatiaalisista pisteprosesseista 1 1.1
LisätiedotOtanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita
Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita risto.lehtonen@helsinki.fi OHC Survey Tilastollinen analyysi Kysymys: Millä
LisätiedotJohdatus 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:
LisätiedotTilastollisen 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
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
LisätiedotMonitasomallit koulututkimuksessa
Metodifestivaali 9.5.009 Monitasomallit koulututkimuksessa Mitä ihmettä? Antero Malin Koulutuksen tutkimuslaitos Jyväskylän yliopisto 009 1 Tilastollisten analyysien lähtökohta: Perusjoukolla on luonnollinen
Lisätiedot4. Tietokoneharjoitukset
4. Tietokoneharjoitukset Demotehtävät 4.1 Tarkastellaan seuraavia aikasarjoja. Tiedosto (.txt) Muuttuja Kuvaus Havaintoväli Aikasarjan pituus INTEL Intel_Close Intelin osakekurssi Pörssipäivä n = 20 Intel_Volume
Lisätiedot4. Tietokoneharjoitukset
4. Tietokoneharjoitukset Demotehtävät 4.1 Tarkastellaan seuraavia aikasarjoja. Tiedosto (.txt) Muuttuja Kuvaus Havaintoväli Aikasarjan pituus INTEL Intel_Close Intelin osakekurssi Pörssipäivä n = 20 Intel_Volume
LisätiedotAvoimet paikkatiedot ja tulevaisuuden tietolähteet liikkumisen tutkimuksessa. Tuuli Toivonen Helsingin yliopisto Accessibility Research Group
Avoimet paikkatiedot ja tulevaisuuden tietolähteet liikkumisen tutkimuksessa Tuuli Toivonen Helsingin yliopisto Accessibility Research Group Tavoitettavuus ja liikkuminen arkipäivän peruskysymyksiä Terveelliset
LisätiedotTilastollisen 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 ),
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollisen analyysin perusteet, kevät 007 8. luento: Usean selittäjän lineaarinen regressiomalli Kai Virtanen 1 Usean selittäjän lineaarinen regressiomalli Selitettävän muuttujan havaittujen
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
LisätiedotEstimointi. 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
LisätiedotTilastollisten menetelmien käyttö Kelan tutkimustoiminnassa
Tilastollisten menetelmien käyttö Kelan tutkimustoiminnassa Risto Lehtonen Helsingin yliopisto Kela 1 Tilastokeskuksen SAS-seminaari 16.11.2009 Aiheita Kelan tutkimustoiminta SAS-sovellukset vaativien
LisätiedotTilastollisen 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
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
Lisätiedot4.2 Useampi selittävä muuttuja (kertausta)
14.2.2019/1 MTTTA1 Tilastomenetelmien perusteet Luento 14.2.2019 4.2 Useampi selittävä muuttuja (kertausta) Selittäjien lukumäärä k (k-ra) = + + + + Malliin liittyvät oletukset i ~ N(0, 2 ) ja i:t ovat
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
LisätiedotTILASTOLLISTEN MENETELMIEN KIRJO JA KÄYTTÖ LÄÄKETIETEEN TUTKIMUSJULKAISUISSA. Pentti Nieminen 03.11.2014
TILASTOLLISTEN MENETELMIEN KIRJO JA KÄYTTÖ LÄÄKETIETEEN TUTKIMUSJULKAISUISSA LUKIJAN NÄKÖKULMA 2 TAUSTAKYSYMYKSIÄ 3 Mitä tutkimusmenetelmiä ja taitoja opiskelijoille tulisi opettaa koulutuksen eri vaiheissa?
LisätiedotDatan analysointi ja visualisointi Teollisen internetin työpaja
Datan analysointi ja visualisointi Teollisen internetin työpaja Jouni Tervonen, Oulun yliopisto, Oulun Eteläisen instituutti 14.3.2016 Johdanto Tavoite yhdessä määritellä miten data-analytiikkaa voi auttaa
LisätiedotMaantieteellisen alueen huomioiminen vahinkovakuutustuotteiden hinnoittelussa
Maantieteellisen alueen huomioiminen vahinkovakuutustuotteiden hinnoittelussa SHV-harjoitustyö (suppea) Teija Talvensaari Suomen Aktuaariyhdistyksen kuukausikokous 27.10.2014 Esityksen sisältö Johdanto
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa Luentokuulustelujen esimerkkivastauksia Pertti Palo 30. marraskuuta 2012 Saatteeksi Näiden vastausten ei ole tarkoitus olla malleja vaan esimerkkejä.
LisätiedotGIS-jatkokurssi. Viikko 4: Spatiaalinen statistiikka. Harri Antikainen
GIS-jatkokurssi Viikko 4: Spatiaalinen statistiikka Harri Antikainen Spatiaalinen statistiikka Spatiaalinen tilastotiede (spatial statistics) Maantieteessä ollaan usein kiinnostuttu siitä, onko jossain
LisätiedotLand-Use Model for the Helsinki Metropolitan Area
Land-Use Model for the Helsinki Metropolitan Area Paavo Moilanen Introduction & Background Metropolitan Area Council asked 2005: What is good land use for the transport systems plan? At first a literature
LisätiedotTilastotieteen aihehakemisto
Tilastotieteen aihehakemisto hakusana ARIMA ARMA autokorrelaatio autokovarianssi autoregressiivinen malli Bayes-verkot, alkeet TILS350 Bayes-tilastotiede 2 Bayes-verkot, kausaalitulkinta bootstrap, alkeet
LisätiedotIlkka 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
LisätiedotR intensiivisesti. Erkki Räsänen Ecitec Oy
R intensiivisesti Erkki Räsänen Ecitec Oy Päivän tavoitteet Yleinen perehdytys R:ään; miten sitä käytetään ja mitä sillä voi tehdä Ymmärrämme yleisimpiä analyysimenetelmiä ja osaamme tulkita tuloksia Madallamme
LisätiedotPaikkatiedon käsittely 8. Spatiaalinen riippuvuus
HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Paikkatiedon käsittely 8. Spatiaalinen riippuvuus Antti Leino antti.leino@cs.helsinki.fi 8.2.2007 Tietojenkäsittelytieteen laitos Mistä
LisätiedotTiedon louhinnan teoria (ja käytäntö) OUGF kevätseminaari 2004 Hannu Toivonen
Tiedon louhinnan teoria (ja käytäntö) OUGF kevätseminaari 2004 Hannu Toivonen hannu.toivonen@cs.helsinki.fi 1 2 A 1 4 8 2 2 1 2 6 2 A 2 4 3 7 3 2 8 4 2 A 4 5 2 4 5 5 2 6 4 A 7 2 3 7 5 4 5 2 2 A 5 2 4 6
LisätiedotEKOSYSTEEMIPALVELUIDEN KARTOITTAMINEN EUROOPASSA: esimerkkinä ruuan tuotanto ja kysyntä
EKOSYSTEEMIPALVELUIDEN KARTOITTAMINEN EUROOPASSA: esimerkkinä ruuan tuotanto ja kysyntä PAIKKATIETOILTAPÄIVÄ 25.4.2018 TERHI ALA-HULKKO MAANTIETEEN TUTKIMUSYKSIKKÖ EKOSYSTEEMIPALVELUT Luonnon ihmiselle
LisätiedotPaikkatietotutkimus täsmäviljelyssä
Paikkatietotutkimus täsmäviljelyssä Geoinformatiikan valtakunnallinen tutkimuspäivä 2013 22. 23.5.2013 Kumpula, Helsinki Jere Kaivosoja, MTT 22.5.2013 Sisältö MTT lyhyesti MTT:n paikkatietotutkimus Miksi
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) Tavoitteet (teoria): Hallita autokovarianssifunktion ominaisuuksien tarkastelu. Osata laskea autokovarianssifunktion spektriiheysfunktio. Tavoitteet
LisätiedotLajittelumenetelmät ilmakehän kaukokartoituksen laadun tarkkailussa (valmiin työn esittely)
Lajittelumenetelmät ilmakehän kaukokartoituksen laadun tarkkailussa (valmiin työn esittely) Viivi Halla-aho 30.9.2013 Ohjaaja: Dos. Johanna Tamminen Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa
LisätiedotMat 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
LisätiedotHARJOITUS- PAKETTI A
Logistiikka A35A00310 Tuotantotalouden perusteet HARJOITUS- PAKETTI A (6 pistettä) TUTA 19 Luento 3.Ennustaminen County General 1 piste The number of heart surgeries performed at County General Hospital
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotMitä IHMEttä on MIXTURE -mallintaminen?
JYVÄSKYLÄN YLIOPISTO Matematiikan ja tilastotieteen laitos Esko Leskinen 28.5.2009 Mitä IHMEttä on MIXTURE -mallintaminen? A-L Lyyra 2009 2 1. Taustaa mixture sekoitus (mikstuura) sekoitetut jakaumat sekoitetut
LisätiedotSeurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen
Seurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen 08.09.2014 Ohjaaja: DI Mikko Harju Valvoja: Prof. Kai Virtanen Työn saa tallentaa ja julkistaa Aalto-yliopiston
Lisätiedot54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):
Tilastollinen tietojenkäsittely / SPSS Harjoitus 5 Tarkastellaan ensin aineistoa KUNNAT. Kyseessähän on siis kokonaistutkimusaineisto, joten tilastollisia testejä ja niiden merkitsevyystarkasteluja ei
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
LisätiedotTilastotieteen 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
Lisätiedottilastotieteen 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
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin erusteet, kevät 2007 10. luento: Regressiomallin (selittäjien) valinta Kai Virtanen 1 Regressiomallin selittäjien valinnasta Mallista uuttuu selittäjiä => harhaiset regressiokertoimien
LisätiedotOsa 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
LisätiedotMakrojen mystinen maailma lyhyt oppimäärä
Makrojen mystinen maailma lyhyt oppimäärä Makrot osana SAS-teknologiaa Yleiskuva Jouni Javanainen Aureolis lyhyesti Aureolis on jatkuvia Business Intelligence -palveluita tuottava asiantuntijaorganisaatio
LisätiedotResearch plan for masters thesis in forest sciences. The PELLETime 2009 Symposium Mervi Juntunen
Modelling tree and stand characteristics and estimating biomass removals and harvesting costs of lodgepole pine (Pinus contorta) plantations in Iceland Research plan for masters thesis in forest sciences
LisätiedotRakoverkkomallinnus. Laine & Markovaara-Koivisto KYT2018 seminaari : Kallioperän rikkonaisuuden mallinnus Suomessa
Rakoverkkomallinnus KYT2018 seminaari : Kallioperän rikkonaisuuden mallinnus Suomessa Rakoverkkomallinnus/rakosimulointi Kiteisen kallioperän rikkonaisuuden mallintaminen on tärkeää mm. kalliorakentamisessa,
LisätiedotHeisingin kaupungin tietokeskus Helsingfors stads faktacentral City of Helsinki Urban Facts 0N THE EFFECTS 0F URBAN NATURAL AMENITIES, ARCHITECTURAL
Heisingin kaupungin tietokeskus - /igc' ^' 0N THE EFFECTS 0F URBAN NATURAL TIEOUSTELUT FÖRFÄGNINGAR INQUIRIES Henrik Lönnqvist, p. - tel. 09 310 36534 etunimi.sukunimi@hel.fi JULKAISIJA UTGIVARE PUBLISHER
Lisätiedot1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI
1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI Ohjaamattomassa oppimisessa on tavoitteena muodostaa hahmoista ryhmiä, klustereita, joiden sisällä hahmot ovat jossain mielessä samankaltaisia ja joiden välillä
Lisätiedot1 Johdanto 2. 2 Työkansion asettaminen 3. 3 Aineistojen lukeminen 3 3.1 DAT-tiedosto... 3 3.2 SPSS-tiedosto... 3 3.3 Excel... 3
Sisältö 1 Johdanto 2 2 Työkansion asettaminen 3 3 Aineistojen lukeminen 3 3.1 DAT-tiedosto........................... 3 3.2 SPSS-tiedosto........................... 3 3.3 Excel................................
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Ryhmittelyn perusperiaate Tästä lähdetään liikkeelle: Tähän pyritään: a b c bc d e f de def bcdef abcdef monimuuttujamenetelmiin,
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotMilloin. kannattaa paaluttaa? Väitöstutkimus. Turun perustustenvahvistuksesta
Milloin kannattaa paaluttaa? Väitöstutkimus Turun perustustenvahvistuksesta Jouko Lehtonen 26.1.2012 Perustustenvahvistushanke; rakennuttajan näkökulmia tekniikkaan, talouteen ja projektinhallintaan Underpinning
LisätiedotOlosuhdetieto. Metsäntutkimuksen ja päätöksenteon apuna. Metsäteho Timo Tokola. UEF // University of Eastern Finland
Olosuhdetieto Metsäntutkimuksen ja päätöksenteon apuna Metsäteho 22.6.2016 Timo Tokola Metsätiedon kehittämisen kokonaisuus Tokola 21.11.2016 2 Tausta ja sisältö Olosuhdetieto puunkorjuussa Suvinen et
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollisen analyysin erusteet, kevät 007 Regressiomallin (selittäjien valinta Kai Virtanen 1 Regressiomallin selittäjien valinnasta Mallista uuttuu selittäjiä => harhaiset regressiokertoimien
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
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
LisätiedotTilastotieteellisiä malleja välimatka- ja suhdeasteikollisten preferenssien mittaamiseen. Pekka Leskinen ja Tuomo Kainulainen Metla
\esitelm\hki0506.ppt 18.5.2006 Tilastotieteellisiä malleja välimatka- ja suhdeasteikollisten preferenssien mittaamiseen Pekka Leskinen ja Tuomo Kainulainen Metla FORS-iltapäiväseminaari 24.5.2006: Operaatiotutkimus
Lisätiedot1. Johdanto Todennäköisyysotanta Yksinkertainen satunnaisotanta Ositettu otanta Systemaattinen otanta...
JHS 160 Paikkatiedon laadunhallinta Liite III: Otanta-asetelmat Sisällysluettelo 1. Johdanto... 2 2. Todennäköisyysotanta... 2 2.1 Yksinkertainen satunnaisotanta... 3 2.2 Ositettu otanta... 3 2.3 Systemaattinen
LisätiedotRyhmät & uudet mahdollisuudet
www.terrasolid.com Ryhmät & uudet mahdollisuudet Arttu Soininen 22.08.2017 Uudet mahdollisuudet ryhmien avulla Parempi maanpinnan yläpuolisten kohteiden luokittelu Maanpäällisten kohteiden luokittelu toimii
LisätiedotAvoin paikkatieto tutkimuksessa ja opetuksessa
ProGIS ry kevätseminaari 19.4.2012 Avoin paikkatieto tutkimuksessa ja opetuksessa Geotieteiden ja maantieteen laitos, Helsingin ylopisto tuuli.toivonen@helsinki.fi Suomessa lukioita ~ 450 Geoinformatiikkaa
LisätiedotRahastosalkun faktorimallin rakentaminen
Teknillinen korkeakoulu Mat 2.177 Operaatiotutkimuksen projektityöseminaari Kevät 2007 Evli Pankki Oyj Väliraportti 28.3.2007 Kristian Nikinmaa Markus Ehrnrooth Matti Ollila Richard Nordström Ville Niskanen
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
LisätiedotSocial Network Analysis Centrality And Prestige
Hypermedian jatko-opintoseminaari 2008 2009 1 Social Network Analysis Centrality And Prestige Sosiaalisten verkostojen analyysi Keskeisyys ja arvostus 6.2.2009 Thumas Miilumäki thumas.miilumaki@tut.fi
LisätiedotHirviaineistojen visualisointia
Hirviaineistojen visualisointia Lämpökarttoja hirvihavainnoista sekä hirvikanta-arvioista Tuomas Kukko (Jyväskylän yliopisto, RKTL, Luke) Jyrki Pusenius (RKTL, Luke) Kaikki kuvat Aineisto: RKTL/Luke Taustakartta:
LisätiedotMTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO
8.9.2016/1 MTTTP1 Tilastotieteen johdantokurssi Luento 8.9.2016 1 JOHDANTO Tilastotiede menetelmätiede, joka käsittelee - tietojen hankinnan suunnittelua otantamenetelmät, koejärjestelyt, kyselylomakkeet
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
LisätiedotSimulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen
Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen 16.06.2014 Ohjaaja: Urho Honkanen Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotKONEOPPIMINEN SISÄLLÖNTUOTANNOSSA CASE NESTE
KONEOPPIMINEN SISÄLLÖNTUOTANNOSSA CASE NESTE Mikael Montonen, Senior Manager Data and Activation & Atte Honkasalo, Lead Data Scientist, Dentsu Data Services Paula Narkiniemi, Digital Communications and
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 9. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 9. luento Pertti Palo 22.11.2012 Käytännön asioita Eihän kukaan paikallaolijoista tee 3 op kurssia? 2. seminaarin ilmoittautuminen. 2. harjoitustyön
LisätiedotVisualisoinnin aamu 16.4 Tiedon visualisointi. Ari Suominen Tuote- ja ratkaisupäällikkö Microsoft
Visualisoinnin aamu 16.4 Tiedon visualisointi Ari Suominen Tuote- ja ratkaisupäällikkö Microsoft 1 Visualisoinnin aamu 8:00 Ilmoittautuminen ja aamukahvi 8:45 Tiedon visualisointi Ari Suominen, Tuote-
LisätiedotJohdatus tilastotieteeseen Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Yleinen lineaarinen malli TKK (c) Ilkka Mellin (2004) 1 Yleinen lineaarinen malli Usean selittäjän lineaarinen regressiomalli Yleisen lineaarisen mallin matriisisesitys Yleisen
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
LisätiedotHarjoitus 3: Regressiomallit (Matlab)
Harjoitus 3: Regressiomallit (Matlab) SCI-C0200 Fysiikan ja matematiikan menetelmien studio SCI-C0200 Fysiikan ja matematiikan menetelmien studio 1 Harjoituksen aiheita Pienimmän neliösumman menetelmä
LisätiedotPRO GRADU -TUTKIELMA. Ilkka Valjus. Lasten BMI- käyrien muutos vuosien 1974 ja 2001 välillä
PRO GRADU -TUTKIELMA Ilkka Valjus Lasten BMI- käyrien muutos vuosien 1974 ja 2001 välillä TAMPEREEN YLIOPISTO Informaatiotieteiden yksikkö Tilastotiede Maaliskuu 2012 Tampereen yliopisto Informaatiotieteiden
LisätiedotCopernicus, Sentinels, Finland. Erja Ämmälahti Tekes,
Copernicus, Sentinels, Finland Erja Ämmälahti Tekes, 24.5.2016 Finnish Space industry in the European context European Space industry has been constantly growing and increasing its direct employment in
LisätiedotErityiskysymyksiä yleisen lineaarisen mallin soveltamisessa
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa TKK (c) Ilkka Mellin (2007) 1 Erityiskysymyksiä yleisen lineaarisen
LisätiedotTenttikysymykset. + UML- kaavioiden mallintamistehtävät
Tenttikysymykset 1. Selitä mitä asioita kuuluu tietojärjestelmän käsitteeseen. 2. Selitä kapseloinnin ja tiedon suojauksen periaatteet oliolähestymistavassa ja mitä hyötyä näistä periaatteista on. 3. Selitä
LisätiedotBOOTSTRAPPING? Jukka Nyblom Jyväskylän yliopisto. Metodifestivaali
BOOTSTRAPPING? Jukka Nyblom Jyväskylän yliopisto Metodifestivaali 28.5.2009 1 1 Mitä ihmettä on bootstrap? Webster: 1. a loop of leather or cloth sewn at the top rear, or sometimes on each side of a boot
LisätiedotAutomaattinen regressiotestaus ilman testitapauksia. Pekka Aho, VTT Matias Suarez, F-Secure
Automaattinen regressiotestaus ilman testitapauksia Pekka Aho, VTT Matias Suarez, F-Secure 2 Mitä on regressiotestaus ja miksi sitä tehdään? Kun ohjelmistoon tehdään muutoksia kehityksen tai ylläpidon
LisätiedotHarjoitus 3: Regressiomallit (Matlab)
Harjoitus 3: Regressiomallit (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Pienimmän neliösumman menetelmä mallin sovittamisessa
LisätiedotKaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille tarvittaessa.
NIMI: OPPILASNUMERO: ALLEKIRJOITUS: tehtävä 1 2 3 4 yht pisteet max 25 25 25 25 100 arvosana Kaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille
LisätiedotFROM VISION TO CRITERIA: PLANNING SUSTAINABLE TOURISM DESTINATIONS Case Ylläs Lapland
FROM VISION TO CRITERIA: PLANNING SUSTAINABLE TOURISM DESTINATIONS Case Ylläs Lapland Tiina Merikoski, Landscape Architect (M.Sc) Aalto University School of Science and Technology Department of Architecture
LisätiedotKaksisuuntainen varianssianalyysi. Vilkkumaa / Kuusinen 1
Kaksisuuntainen varianssianalyysi Vilkkumaa / Kuusinen 1 Motivointi Luennot 6 ja 7: yksisuuntaisella varianssianalyysilla testataan ryhmäkohtaisten odotusarvojen yhtäsuuruutta, kun perusjoukko on jaettu
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016) Tavoitteet (teoria): Hallita multinormaalijakauman määritelmä. Ymmärtää likelihood-funktion ja todennäköisyystiheysfunktion ero. Oppia kirjoittamaan
LisätiedotPääkaupunkiseudun työmatkavirtojen analyysi ja visualisointi HSY paikkatietoseminaari 14.3.2013
Pääkaupunkiseudun työmatkavirtojen analyysi ja visualisointi HSY paikkatietoseminaari 14.3.2013 Kimmo Nurmio Suomen ympäristökeskus Rakennetun ympäristön yksikkö Työmatka-analyysit Useita käyttötarkoituksia:
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
LisätiedotA YHTEISET OPINNOT. Sisältö OPETUSOHJELMA MAANTIETEET JA YMPÄRISTÖPOLITIIKKA
1 OPETUSOHJELMA MAANTIETEET JA YMPÄRISTÖPOLITIIKKA 2014-2015 Sisältö A YHTEISET OPINNOT... 1 ALOITUSOPINNOT... 1 METODIOPINNOT... 1 MAANTIETEIDEN JA YMPÄRISTÖPOLITIIKAN PERUSOPINNOT (5116090)... 2 MAANTIETEEN
LisätiedotOtanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 4: Asetelmaperusteinen monimuuttuja-analyysi
Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 4: Asetelmaperusteinen monimuuttuja-analyysi Risto Lehtonen risto.lehtonen@helsini.fi Analyysimenetelmiä ja työaluja Lineaariset mallit Regressioanalyysi
LisätiedotSijainnin merkitys Itellassa GIS. Jakelun kehittämisen ajankohtaispäivä
Jakelun kehittämisen ajankohtaispäivä Karttajärjestelmällä havainnollisuutta, tehokkuutta ja parempaa asiakaspalvelua Käytännön kokemuksia pilotoinneista ja käytössä olevista karttajärjestelmistä Juha
Lisätiedot