TIIVISTELMÄRAPORTTI (SUMMARY REPORT) Ilmavälkkeen automaattinen luokittelu ja ominaisuudet 5 GHz:n kaksoispolarisaatiomittauksissa

Koko: px
Aloita esitys sivulta:

Download "TIIVISTELMÄRAPORTTI (SUMMARY REPORT) Ilmavälkkeen automaattinen luokittelu ja ominaisuudet 5 GHz:n kaksoispolarisaatiomittauksissa"

Transkriptio

1 2012/816 ISSN (verkkojulkaisu) ISBN (PDF) TIIVISTELMÄRAPORTTI (SUMMARY REPORT) Ilmavälkkeen automaattinen luokittelu ja ominaisuudet 5 GHz:n kaksoispolarisaatiomittauksissa Tiivistelmä Teemu Mäkinen, Jarmo Koistinen, Seppo Pulkkinen, Pekka Rossi & Ari-Matti Harri Ilmatieteen laitos, PL 503, Helsinki / Tässä projektissa ilmavälkkeen tilastollisia ominaisuuksia tutkittiin datalähtöisesti valitsemalla operatiivisesta kaksoispolarisaatiotutkadatasta näytteitä eri tyyppisistä välkkeistä ja määrittämällä kunkin näytteen luokka meteorologisen asiantuntemuksen perusteella. Näin saatujen luokkien tilastolliset ominaisuudet mallinnettiin tarkoitusta varten kehitetyillä menetelmillä, jotka ottavat yksittäisen pisteen lisäksi huomioon ympäröivän alueen tekstuurin. Malleja vertailemalla voitiin kullekin luokalle määritellä yksinkertainen jäsenfunktio, joka mahdollistaa automaattisen ja reaaliaikaisen tutkadatan luokittelun. 1. Johdanto Troposfäärissä vallitsevien olosuhteiden tosiaikainen ja automaattinen tulkinta on hyvin merkityksellistä sotilaallisille operaatioille, erityisesti lento- ja tiedustelutoiminnalle. Haitallisten sääilmiöiden kuten rankkasade, pyry, jäätävä sade, rakeet, salamointi, turbulenssi, puuskat ja syöksyvirtaukset lisäksi siihen kuuluvat myös muut ilmakehässä mitatut ilmiöt kuten silppu, linnut, hyönteiset ja lentolaitteet, sekä todellista kohdetta vailla olevat häiriötekijät kuten vieraat lähettimet, peiliheijastukset, kohina ja sironta yksikäsitteisen tutkamittausalueen takaa. Laaja-alaisesta ilmakehän siroajajoukosta tulevaa tutkasignaalia nimitetään usein ilmavälkkeeksi. Ilmavälkkeen tunnistamisessa yllä mainittuihin eri aiheuttajiin on alettu etenemään vasta viime aikoina mitattujen polarisaatiosuureiden avulla, kun sääpalvelukäyttöön on otettu 5 GHz:n kaksoispolarisaatiosäätutkat. Laajemman mittaussuurevalikoiman johdosta kaksoispolarisaatio tarjoaa oivan välineen ilmavälkkeen ja muiden kohteiden tunnistamiseen. Operatiivista luokittelijaa kaikille kohteille ei ole kuitenkaan aikaisemmin ollut saatavilla, ja erityisesti ei-meteorologisten kohteiden tilastolliset ominaisuudet ovat olleet huonosti tunnettuja. Jatkuvasti mittaavia kaksoispolarisaatiotutkajärjestelmiä on Suomessa tällä hetkellä kolme sekä T&K-toiminnassa kaksi. Lähivuosina kaksoispolarisaatiojärjestelmät tulevat kattamaan koko Suomen. Kohteiden automaattinen luokittelija on mahdollista asentaa osaksi Ilmatieteen laitoksen operatiivista (24/7) säätutkapalvelutoimintaa Puolustusvoimille. Toinen tarve on sotilaallisessa suunnittelussa, missä täytyy mallintaa esimerkiksi lentävien järjestelmien selviytymistä erilaisissa skenaarioissa ilmavälkkeiden seassa. Mallinnusta varten on tunnettava ilmavälkkeen eri luokkien tilastolliset ominaisuudet tutkamittauksissa, mukaanlukien polarisaatiosuureet ja niiden tekstuurit. Tällainen tieto auttaa optimoimaan muun muassa oman kohteen häiveominaisuuksia ja toisaalta vieraan kohteen havaitsemisalgoritmeja. Postiosoite MATINE Puolustusministeriö PL HELSINKI Sähköposti Käyntiosoite Puhelinvaihde Eteläinen Makasiinikatu HELSINKI (09) WWW-sivut Y-tunnus FI Pääsihteeri (09) OVT-tunnus/verkkolaskuosoite Itellan operaattorivälittäjätunnus Suunnittelusihteeri Toimistosihteeri (09) Faksi kirjaamo (09) Verkkolaskuoperaattori Yhteyshenkilö/Itella Itella Information Oy

2 2. Tutkimuksen tavoite ja suunnitelma Tutkimuksen keskeinen tavoite oli kehittää tarvittavat välineet ilmavälkkeen tosiaikaiseen tunnistamiseen ja kerätä riittävä tilastollinen perustieto sen mallintamiseen. Tämä päätavoite jakautui kolmeen selkeään alakohtaan: 1. Kehitetään ja testataan uusi matemaattinen menetelmä, jolla voidaan mallintaa moniulotteista ja osin puutteellista dataa halutulla tarkkuudella. Tehokkuusvaatimus ulottuu varsinaisesta mallin parametrien määrittelemisestä keskeisiin analyysin vaatimiin operaatioihin kuten pisteen luokkaan kuulumisen todennäköisyyteen (jäsenfunktio) tai mallien väliseen yhtenevyysmittaan (divergenssi). 2. Lasketaan laajan, noin 30 ilmavälkeluokkaan jaetun, kokeneen asiantuntijan poimiman kaksoispolarisaatiotutkadatan eri luokkien tilastolliset ominaisuudet ja esitetään ne havainnollisesti. 3. Määritellään kullekin luokalle optimoitu jäsenfunktio, joka mahdollistaa tutkadatan automaattisen ja reaaliaikaisen luokittelun. 3. Aineisto ja menetelmät Käsitelty tutkamittausaineisto poimittiin Ilmatieteen laitoksen kolmelta 5.6 GHz:n kaksoispolarisaatiotutkalta, jotka sijaitsevat Vantaalla, Anjalankoskella ja Ikaalisissa. Poiminta tehtiin tunnin välein operatiivisista sääpalvelua varten tehdyistä mittauksista, eli erityistä tutkimusmittausohjelmaa ei tarvittu. Mittaukset ovat tutkalla IRIS-formaatissa (Vaisala/SIGMET), josta ne muunnetaan jatkokäsittelyä varten eurooppalaisen säätutkayhteistyön käyttämään HDF5/ODIM-formaattiin. Kaikki valitut mittaukset olivat PPI-tyyppisiä, sisältäen mittaussuureet kokonaisheijastus dbt, korjattu kokonaisheijastus dbz, säteittäisnopeus V, spektrin leveys W, signaalin laatuindeksi SQI, korrelaatiokerroin ρ HV, heijastusero ZDR, vaihe-ero Φ DP, vaihe-eron muutos K DP sekä indeksin HydroClass, jota ei tutkimuksessa käytetty. Datalähtöinen luokittelumenetelmä tarvitsee toimiakseen edustavan näytteen kustakin kohdeluokasta. Nämä näytteet poimi kokenut asiantuntija, joka pystyi nimeämään ne luotettavasti. Tätä metadatan lisäämistä olemassa oleviin mittauksiin kutsutaan tässä yhteydessä kouluttamiseksi. Kouluttaminen onnistuu parhaiten etsimällä näytteitä, jotka edustavat mahdollisimman puhtaita kohdeluokkia. Projektin aikana luotiin graafinen koulutuskäyttöliittymä tutkadatan selaamiseen ja yksittäisten näytteiden rajaamiseen. Käyttöliittymän avulla voidaan määritellä sekä kohteen alueellinen ulottuvuus että mahdolliset raja-arvot mittaussuureille, helpottaen mittausdatan rajattua poimintaa kussakin tapauksessa niin, että se parhaiten edustaa puhdasta luokkaa. Jotta luokista saataisiin riittävän kattavat näytteet koulutustapauksia määriteltiin yhteensä yli tuhat kappaletta, sisältäen noin 7.7 miljoonaa tutkapistettä. Alustavan analyysin perusteella oli käynyt ilmeiseksi, että edes laajennettu kaksoispolarisaatiosuurejoukko ei ole riittävän laaja kaikkien haluttujen luokkien erottamiseksi toisistaan pelkästään mittauspisteen arvojen perusteella. Käytännössä kohteita luokitteleva meteorologi perustaa päätelmänsä sekä suureiden arvoihin että kohteen laajempaan muotoon ja tekstuuriin. Nämä tekijät sisällytettiin järjestelmään määrittelemällä joukko filttereitä, jotka antavat tietoa yksittäisen pisteen lähiympäristön tilastollisista ominaisuuksista kuten entropiasta tai yksityiskohtien tyypillisestä skaalasta. Näin johdettuja lisäsuureita käsiteltiin samoin kuin varsinaisia mittaussuureita, laajentaen mallinnetun datajoukon 58-dimensioiseksi. Jo projektin alussa oli tiedossa, että olemassa olevat monidimensioiset analyysimenetelmät eivät olleet erityisen sopivia vaadittua tehtävää varten, ja tämän vuoksi merkittävä osa projektista käytettiin uuden menetelmän kehittämiseen, toteuttamiseen ja testaukseen. Mene-

3 telmä pohjautuu ortogonaalipolynomeihin normalisoidussa koordinaatistossa ja sen matemaattisista yksityiskohdista on valmisteilla erillinen julkaisu. Projektin kannalta menetelmän oleellisia ominaisuuksia ovat suora parametrien määrittely (mallia luotaessa kukin datapiste käydään läpi vain kerran) ja mallien eksakti summautuvuus (summattu malli on invariantti datan jakamiselle mielivaltaisiin osajoukkoihin), käyttäjän määriteltävissä oleva mallinnustarkkuus, aidosti moniulotteinen malli sisältäen virhearvion, sekä nopeasti laskettavissa olevat pistekohtainen todennäköisyystiheys ja kahden mallin yhdenmukaisuustekijä. Teoreettisten tarkastelujen perusteella oli myös tiedossa, että mallin tarkkuus suhteessa vaadittujen parametrien määrään on heikompi voimakkaasti yksittäisten arvojen ympäristöön keskittyville jakaumille. Tällä oli merkitystä vain korrelaatiokertoimen ρ HV yhteydessä, mitattujen arvojen painottuessa useimmilla luokilla vaihteluvälin toiseen ääripäähän. Suureeseen kohdistettiin ennen mallintamista epälineaarinen muunnos, joka levitti mitatut arvot tasaisemmin vaihteluvälin alueelle, parantaen näin mallin tarkkuutta. Luokkakohtaiset mallit muodostettiin laskemalla yhteen kunkin luokan tapausten yksittäiset mallit. Näiden avulla etsittiin matalaulotteinen aliavaruus, joka minimoi mallien yhdenmukaisuustekijöiden neliösumman. 4. Tulokset ja pohdinta Kehitetty mallinnusmenetelmä toimi asetettujen vaatimusten mukaisesti. Koulutusdata voitiin käsitellä kokonaisuudessaan yhdessä päivässä tavallisella henkilökohtaisella tietokoneella. Valitun koulutusdatan koko oli noin 1.2 GB pakattua binääridataa. Mallinnusjoukon kooksi muodostui noin 800 MB pakkaamatonta ASCII-dataa, josta täydellisten luokkamallien osuus oli noin 26 MB. Optimaaliseen aliavaruuteen projisoidut luokittelumallit veivät yhteensä 133 kb. Mallijoukon kokoa voidaan jatkossa pudottaa vielä tästäkin murto-osaan ottamalla käyttöön parametri-optimointi, mikä kuitenkin tarvittavan työmäärän laajuuden vuoksi rajautui tämän projektin ulkopuolelle. Menetelmää kehittäessä hankittua tietotaitoa ja työkaluja voidaan jatkossa käyttää muihin, moniulotteisen datan analyysia vaativiin projekteihin. Mallinnusmenetelmä tuotti suoraan luokkien todennäköisyystiheysjakaumat määritellyssä suureavaruudessa. Näiden jakaumien yksi- ja kaksiulotteisia projektioita tarkastelemalla voitiin todeta sekä mallin että aliavaruusoptimoinnin toiminnan oikeellisuus. Tämän lisäksi yksiulotteisia projektioita verrattiin samasta datasta laskettuihin yksinkertaisiin frekvenssijakaumiin ja todettiin niiden olevan yhteneviä määritellyn tarkkuuden rajoissa. Nämä luokkakohtaiset jakaumat ovat projektin välittömimmin käyttökelpoinen päätulos, ja niiden yksityiskohtaisempia tarkasteluja tullaan lähiaikoina julkaisemaan erikseen. Luokittelun kannalta optimaaliset aliavaruudet olivat, yhdestä viiteen ulottuvuuteen, { O(W) }, { Φ DP, SQI }, { Φ DP, SQI, O(V) }, { Φ DP, SQI, V, O(V) } ja { Φ DP, SQI, V, O(V), R(dbT) }, missä O(X) merkitsee suureeseen X kohdistettua entropiafiltteriä ja R(X) kaistanpäästödifferenssifiltteriä. Tätä ylempiulotteisilla malleilla ei saavutettu merkittävää luokittelutarkkuuden parantumista geneerisen luokittelijan tapauksessa. Vastaavaan keskimääräiseen tarkkuuteen päästiin myös kaksi- tai kolmiulotteisilla malleilla määrittämällä kullekin luokalle oma optimaalinen aliavaruus. Tässä yksityiskohtaisemmassa analyysissä voitiin havaita selkeä kahtiajako meteorologisten ja ei-meteorologisten kohteiden välillä, ensimmäisten luokittelun pohjautuessa pääasiassa kokonaisheijastukseen ja sen johdannaisiin, ja jälkimmäisten luokittelun tukeutuessa ensisijaisesti signaalin laatuindeksiin.

4 Yksittäisten luokkaryhmien, kuten linnut tai hyönteiset, alaluokkia keskenään vertailemalla voitiin arvioida alajaon tarkkuus ja tarpeellisuus. Koulutustapausten perusteella esimerkiksi päivä- ja yöhyönteisten välinen ero ei ollut tunnistamisen kannalta merkittävä tekijä, maa- ja merihyönteisten välinen ero sen sijaan oli. Paitsi että nämä tarkastelut ovat mielenkiintoisia tieteellisessä mielessä, niiden avulla on myös mahdollista rakentaa tarpeen mukaan hyvin tarkkaan määritelty tuote. Mallinnusjärjestelmän komponenteista rakennettiin automaattisen luokittelijan prototyyppi, joka määrittää todennäköisimmän luokan yksittäisille tutkamittauksille. Toisin kuin suhteellisen raskas analysointivaihe, kokonaisen tutkakuvan luokittelu tapahtuu sekunnin murtoosissa, mahdollistaen reaaliaikaisen automaattisen luokittelun. Käytännössä operatiivinen luokittelija pitää räätälöidä asiakkaan tarpeiden mukaiseksi, ja projektin työkalujen modulaarinen toteutus sopii tähän erittäin hyvin. Suurin yksittäinen epävarmuustekijä on koulutustapausten luokittelun oikeellisuus. Tämä vaikutus todettiin minimaaliseksi vertaamalla kahden riippumattoman asiantuntijan luokittelua samalle aineistolle. Lisäksi itse mallinnusmenetelmää voitiin käyttää tarkastamaan luokan yhtenäisyys laskemalla yksittäisten tapausten väliset yhdenmukaisuustekijät, jotka todettiin korkeiksi. Tämä tulos osoittaa myös, että poimitut tapaukset muodostavat kattavan otoksen kustakin luokasta. 5. Loppupäätelmät Projekti saavutti kaikki sille asetetut tavoitteet ja osittain ylittikin ne, nostaen esiin uusia, mielenkiintoisia etenemissuuntia jatkotutkimuksille. Määriteltyjen luokkien tilastolliset ominaisuudet ovat sellaisenaan julkaisukelpoista materiaalia, ja muodostavat erinomaisen perustan sekä teoreettisille että käytännön tarkasteluille. Kehitetty mallinnusmenetelmä todettiin toimivaksi ja tehokkaaksi. Järjestelmän kyky suorittaa automaattista luokittelua todennettiin, ja projektissa kehitettyjen työkalujen avulla on varsin suoraviivaista rakentaa operatiivisia tuotteita tarkemmin määriteltyihin tarpeisiin. Menetelmää on jatkossa mahdollista vielä parantaa nykyisestä ottamalla käyttöön teknisiä ratkaisuja kuten yllä mainittu parametri-optimointi tai ketjutettu luokittelu. Tämän, välittömästi hyödynnettävien tieteellisten tulosten ja rakennettavissa olevien operatiivisten tuotteiden vuoksi aihepiiriin liittyvää tutkimus- ja kehitystoimintaa kannattaa ehdottomasti jatkaa. 6. Tutkimuksen tuottamat tieteelliset julkaisut ja muut mahdolliset raportit Kehitetystä menetelmästä ja tutkimuksen päätuloksista on valmisteilla julkaisuja. 7. Hankkeen seuraajan lausunto raportista Hankkeessa tutkittiin C-alueen tutkavälkkeen luokittelua Ilmatieteen laitoksen säätutkadatoja hyödyntäen. Ensinnäkin hankkeen aikana luotiin työkaluja tutkamaalien tyyppien ihmisavusteiseksi tunnistamiseksi. Tämä työvaihe on välttämätön luotettavan opetusaineiston saamiseksi luokitinta varten, ja onnistuu vain Ilmatieteen laitoksen asiantuntijoiden tekemänä. Kehitetyt työkalut parantavat suuren datamäärän käytettävyyttä myös muihin tutkimustarkoituksiin.

5 Varsinainen välke- ja maalityyppien luokittimen rakentaminen osoittautui sangen haastavaksi ongelmaksi. Ilmatieteen laitoksella kehitettiin erittäin innovatiivisia, täysin uusia, matemaattisia menetelmiä luokittimen eri toiminnallisuuksien toteuttamiseksi. Alustavat luokittelutulokset vaikuttavat hyvin lupaaville. Tutkimussuunnitelmassa asetetut tavoitteet saavutettiin kiitettävästi. Tulosten hyödynnettävyys varsinaisen luokittimen osalta sekä luokittelun lopputuotteen - reaaliaikainen tieto tutkamaalien tyypistä - osalta on erittäin hyvä. MATINE-hankkeen loppulaskutuksen edellytyksenä on loppuraportointi, joka koostuu tälle pohjalle laaditusta Tiivistelmäraportista sekä erillisestä vapaamuotoisesta Kustannusselvityksestä. (Tiivistelmäraportti korvaa aiemmin vaaditut Loppuraportin ja Tiivistelmän). Tiivistelmäraportti keskittyy hankkeen tieteellisiin aikaansaannoksiin tiedon käytettävyyttä ja sovellettavuutta korostaen. Tutkimustulosten osalta MATINE kannustaa avoimeen tieteelliseen kansainväliseen tai kansalliseen julkaisutapaan ja/tai muuhun aktiiviseen omatoimiseen julkaisemiseen (esim. tutkimuslaitoksen omissa sarjoissa); näissä julkaisuissa tulee MATINE mainita rahoittajana. Tiivistelmäraportin tulee olla itsenäinen esitys MATINEn rahoittaman tutkimushankkeen tavoitteista, sisällöstä, toteutuksesta ja tuloksista. Tiivistelmäraportti on pituudeltaan 6-10 sivua ja se julkaistaan sellaisenaan MATINEn verkkosivuilla. Tiivistelmäraportti kirjoitetaan Word-tiedostoon joko suomeksi tai englanniksi. Poikkeustapauksissa jolloin hankkeessa käsitellään tai hankkeessa on syntynyt maanpuolustuksellisista syistä salassa pidettävää tietoa, tulee tiivistelmäraportin laadinnassa rajoittua julkiselle tasolle. Kirjoita teksti harmaalle alueelle pohjaan tehdyn jaottelun mukaisesti otsakkeen alle (poista otsikosta tarpeeton engl. / suomenkielinen vaihtoehto). Fontti Verdana 10. Omia väliotsakkeita saa käyttää jäsentelyn tueksi. Käytä otsakkeissa ja tekstissä pohjan tyylejä. Kohtaan Tiivistelmä/Abstract on tarkoitus tehdä koko tutkimusta lyhyesti kuvaava teksti, jonka lukemalla saa käsityksen tutkimuksen sisällöstä. Tutkimuksen johtaja voi halutessaan pyytää asiantuntijalausunnon hanketta seuranneelta jaostolta tai hallinnonalan edustajalta hankkeen tulosten sovellettavuudesta ja relevanssista toimialalla. MATINEn sihteeristö pyytää MPKK:n kirjastosta julkaisulle sähköisen ISBN tunnuksen (PDF), jolloin tiivistelmäraporttiin voidaan viitata julkaisuna. Verkkojulkaisun ISSN numero on

TIIVISTELMÄRAPORTTI HAJASPEKTRISIGNAALIEN HAVAITSEMINEN ELEKTRONISESSA SO- DANKÄYNNISSÄ

TIIVISTELMÄRAPORTTI HAJASPEKTRISIGNAALIEN HAVAITSEMINEN ELEKTRONISESSA SO- DANKÄYNNISSÄ 2011/797 ISSN 1797-3457 (verkkojulkaisu) ISBN (PDF) 978-951-25-2280-4 TIIVISTELMÄRAPORTTI HAJASPEKTRISIGNAALIEN HAVAITSEMINEN ELEKTRONISESSA SO- DANKÄYNNISSÄ Janne Lahtinen*, Harp Technologies Oy Josu

Lisätiedot

Mat 2.4177 Operaatiotutkimuksen projektityöseminaari

Mat 2.4177 Operaatiotutkimuksen projektityöseminaari Mat 2.4177 Operaatiotutkimuksen projektityöseminaari Kemira GrowHow: Paikallisen vaihtelun korjaaminen kasvatuskokeiden tuloksissa 21.2.2008 Ilkka Anttila Mikael Bruun Antti Ritala Olli Rusanen Timo Tervola

Lisätiedot

1. Johdanto Todennäköisyysotanta Yksinkertainen satunnaisotanta Ositettu otanta Systemaattinen otanta...

1. 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

Lisätiedot

Mittausjärjestelmän kalibrointi ja mittausepävarmuus

Mittausjärjestelmän kalibrointi ja mittausepävarmuus Mittausjärjestelmän kalibrointi ja mittausepävarmuus Kalibrointi kalibroinnin merkitys kansainvälinen ja kansallinen mittanormaalijärjestelmä kalibroinnin määritelmä mittausjärjestelmän kalibrointivaihtoehdot

Lisätiedot

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.

FoA5 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.

Lisätiedot

Operaatiotutkimus ja MATINE Professori Ilkka Virtanen

Operaatiotutkimus ja MATINE Professori Ilkka Virtanen Operaatiotutkimus ja MATINE Professori Ilkka Virtanen FORS-seminaari Turvallisuus ja riskianalyysi Teknillinen korkeakoulu 13.11.2008 MATINEn tehtävä Maanpuolustuksen tieteellinen neuvottelukunta (MATINE)

Lisätiedot

Pisteytysohje loppuraporttien vertaisarviointiin

Pisteytysohje loppuraporttien vertaisarviointiin Pisteytysohje loppuraporttien vertaisarviointiin Pisteytys olettaa kaikkien kuvattujen vaatimusten täyttymistä pistemäärän saavuttamiseksi. Esimerkiksi: Raportti täyttää rakenteen ja kieliasun osalta kaikki

Lisätiedot

Automaattinen regressiotestaus ilman testitapauksia. Pekka Aho, VTT Matias Suarez, F-Secure

Automaattinen 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

Lisätiedot

Mittausepävarmuuden laskeminen

Mittausepävarmuuden laskeminen Mittausepävarmuuden laskeminen Mittausepävarmuuden laskemisesta on useita standardeja ja suosituksia Yleisimmin hyväksytty on International Organization for Standardization (ISO): Guide to the epression

Lisätiedot

NÄYTÖN 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. NÄYTÖN ARVIOINTI: SYSTEMAATTINEN KIRJALLISUUSKATSAUS JA META-ANALYYSI EHL Starck Susanna & EHL Palo Katri Vaasan kaupunki 22.9.2016 Näytön arvioinnista Monissa yksittäisissä tieteellisissä tutkimuksissa

Lisätiedot

Rankkasateet ja taajamatulvat (RATU)/ Rankkasateet Jarmo Koistinen Timo Kuitunen Seppo Pulkkinen Harri Hohti Janne Kotro

Rankkasateet ja taajamatulvat (RATU)/ Rankkasateet Jarmo Koistinen Timo Kuitunen Seppo Pulkkinen Harri Hohti Janne Kotro Rankkasateet ja taajamatulvat (RATU)/ Rankkasateet Jarmo Koistinen Timo Kuitunen Seppo Pulkkinen Harri Hohti Janne Kotro Avustivat: Lassi Pekka Laine, Kirsti Jylhä, Seppo Saku, Juha K. Aaltonen (SYKE/TKK),Tuomo

Lisätiedot

VINKKEJÄ CV-NETIN KÄYTTÖÖN. www.te-palvelut.fi

VINKKEJÄ CV-NETIN KÄYTTÖÖN. www.te-palvelut.fi VINKKEJÄ CV-NETIN KÄYTTÖÖN www.te-palvelut.fi TE-toimiston verkkoasiointiin pääset kirjautumaan www.te-palvelut.fi Oma asiointi Henkilöasiakas Kirjaudu sisään verkkopankkitunnuksilla ja hyväksy käyttöehdot

Lisätiedot

Loppuraportti. Virtuaali-Frami, CAVE-ohjelmisto. Harri Mähönen projektiassistentti Seinäjoen ammattikorkeakoulu. Versio

Loppuraportti. Virtuaali-Frami, CAVE-ohjelmisto. Harri Mähönen projektiassistentti Seinäjoen ammattikorkeakoulu. Versio 1 Loppuraportti Virtuaali-Frami, CAVE-ohjelmisto Harri Mähönen projektiassistentti Seinäjoen ammattikorkeakoulu Versio 1.0 15.1.2006 2 Sisällys Tiivistelmä... 3 1 Johdanto... 4 1.1 Dokumentin tarkoitus...

Lisätiedot

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

Boardmanin BOARDMAPPING HALLITUSARVIOINTI. Esittelyaineisto

Boardmanin BOARDMAPPING HALLITUSARVIOINTI. Esittelyaineisto Boardmanin BOARDMAPPING HALLITUSARVIOINTI Esittelyaineisto Boardmanin BOARD MAPPING HALLITUSARVIOINTI Board Mapping -hallitusarviointi auttaa hallitusta arvioimaan omaa toimintaansa ja kehittämään sitä

Lisätiedot

Sovellettu todennäköisyyslaskenta B

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

Lisätiedot

Oliosuunnitteluesimerkki: Yrityksen palkanlaskentajärjestelmä

Oliosuunnitteluesimerkki: Yrityksen palkanlaskentajärjestelmä Oliosuunnitteluesimerkki: Yrityksen palkanlaskentajärjestelmä Matti Luukkainen 10.12.2009 Tässä esitetty esimerkki on mukaelma ja lyhennelmä Robert Martinin kirjasta Agile and Iterative Development löytyvästä

Lisätiedot

Johdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)

Lisätiedot

MONISTE 2 Kirjoittanut Elina Katainen

MONISTE 2 Kirjoittanut Elina Katainen MONISTE 2 Kirjoittanut Elina Katainen TILASTOLLISTEN MUUTTUJIEN TYYPIT 1 Mitta-asteikot Tilastolliset muuttujat voidaan jakaa kahteen päätyyppiin: kategorisiin ja numeerisiin muuttujiin. Tämän lisäksi

Lisätiedot

Koulutusohjelman vastuunhenkilön hyväksyntä nimen selvennys, virka-asema / arvo

Koulutusohjelman vastuunhenkilön hyväksyntä nimen selvennys, virka-asema / arvo Oulun yliopisto Lääketieteellinen tiedekunta Terveystieteiden laitos PRO GRADU-TUTKIELMAN ARVIOINTILOMAKE Tutkielman tekijä(t): Tutkielman nimi: Pääaine: Tutkielman ohjaaja(t): Tutkielman arviointi Tutkielman

Lisätiedot

Kansalliskirjaston julkaisuarkistopalvelut. Jyrki Ilva Erikoiskirjastojen neuvosto,

Kansalliskirjaston julkaisuarkistopalvelut. Jyrki Ilva Erikoiskirjastojen neuvosto, Kansalliskirjaston julkaisuarkistopalvelut Jyrki Ilva (jyrki.ilva@helsinki.fi) Erikoiskirjastojen neuvosto, 9.12.2011 Julkaisuarkiston idea Julkaisuarkiston (open repository, institutional repository)

Lisätiedot

Altistumisskenaarion laatimista koskeva ohje

Altistumisskenaarion laatimista koskeva ohje TIETOVAATIMUKSET JA KEMIKAALITURVALLISUUSARVIOINTI (OSA D) Viite: ECHA-08-GF-07-FI Päivämäärä: 21/07/2008 Kieli: suomi Altistumisskenaarion laatimista koskeva ohje (ECHA) julkaisee sarjan tiedotteita,

Lisätiedot

Julian graafinen annotointityökalu ja erityisontologioiden editori. Jaason Haapakoski P Kansanterveyslaitos , 28.3.

Julian graafinen annotointityökalu ja erityisontologioiden editori. Jaason Haapakoski P Kansanterveyslaitos , 28.3. Julian graafinen annotointityökalu ja erityisontologioiden editori Jaason Haapakoski P. 040 7612 811 Kansanterveyslaitos 28.2.2006, 28.3.2006 Perusnäkymä Ohjelmalle on konfiguroitavissa useita eri käsitteistöjä

Lisätiedot

Otannasta ja mittaamisesta

Otannasta ja mittaamisesta Otannasta ja mittaamisesta Tilastotiede käytännön tutkimuksessa - kurssi, kesä 2001 Reijo Sund Aineistot Kvantitatiivisen tutkimuksen aineistoksi kelpaa periaatteessa kaikki havaintoihin perustuva informaatio,

Lisätiedot

Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen

Simulation 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

Lisätiedot

SOVELLUSPROJEKTIN ARVIOINTILOMAKE

SOVELLUSPROJEKTIN ARVIOINTILOMAKE SOVELLUSPROJEKTIN ARVIOINTILOMAKE Arviointilomake on tarkoitettu Sovellusprojektin vastaavan ohjaajan arvioinnin tueksi, eikä sillä siten tule korvata erillistä projektilausuntoa. Useaa arviointikohtaa

Lisätiedot

PSY181 Psykologisen tutkimuksen perusteet, kirjallinen harjoitustyö ja kirjatentti

PSY181 Psykologisen tutkimuksen perusteet, kirjallinen harjoitustyö ja kirjatentti PSY181 Psykologisen tutkimuksen perusteet, kirjallinen harjoitustyö ja kirjatentti Harjoitustyön ohje Tehtävänäsi on laatia tutkimussuunnitelma. Itse tutkimusta ei toteuteta, mutta suunnitelman tulisi

Lisätiedot

Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4

Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4 Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4 1. METODOLOGIAN PERUSTEIDEN KERTAUSTA... 6 1.1 KESKEISTEN KÄSITTEIDEN KERTAUSTA... 7 1.2 AIHEESEEN PEREHTYMINEN...

Lisätiedot

1.9 Harjoituksia. Frekvenssijakaumien harjoituksia. MAB5: Tilastotieteen lähtökohdat. a) Kaikki aakkoset b) Kirjaimet L, E, M, C, B, A ja i.

1.9 Harjoituksia. Frekvenssijakaumien harjoituksia. MAB5: Tilastotieteen lähtökohdat. a) Kaikki aakkoset b) Kirjaimet L, E, M, C, B, A ja i. MAB5: Tilastotieteen lähtökohdat 1.9 Harjoituksia 1.1 Ulkolämpömittari näytti eilen 10 C ja tänään 20 C. Onko tänään kaksi kertaa niin kylmä kuin eilen? Miksi tai miksi ei? 1.2 Minkä luokkien muuttujia

Lisätiedot

Ympäristöliiketoiminta 2010

Ympäristöliiketoiminta 2010 Ympäristö ja luonnonvarat 2011 Ympäristöliiketoiminta 2010 Metalliteollisuus suurin ympäristöliiketoiminnan tuottaja vuonna 2010 Vuonna 2010 ympäristöliiketoiminnan yhteenlaskettu liikevaihto teollisuudessa

Lisätiedot

Tenttikysymykset. + UML- kaavioiden mallintamistehtävät

Tenttikysymykset. + 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

Lisätiedot

LOPPURAPORTTI. Yhteyshenkilön nimi: Pekka Koponen Yhteystiedot (puhelinnumero ja sähköposti): 040 501 7114, pekka.koponen@forumivirium.

LOPPURAPORTTI. Yhteyshenkilön nimi: Pekka Koponen Yhteystiedot (puhelinnumero ja sähköposti): 040 501 7114, pekka.koponen@forumivirium. Raportoitavan hankkeen perustiedot Hankkeen nimi: Kiinnostava arkkitehtuuri Hankkeen vastuutaho (hankkeen hallinnoija): Openhouse ry Y-tunnus: 2343039-6 Toimipaikka (osoite ja postinumero): c/o Jussi Murole,

Lisätiedot

Uusi sähköinen äidinkielen ylioppilaskoe

Uusi sähköinen äidinkielen ylioppilaskoe Uusi sähköinen äidinkielen ylioppilaskoe Kehittämisryhmän alustavia kaavailuja kyselyyn vastaamisen tueksi Kehittämisryhmä on parhaillaan suunnittelemassa esimerkkitehtäviä, jotka julkaistaan myöhemmin

Lisätiedot

A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.

A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Esimerkki otteluvoiton todennäköisyys A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Yksittäisessä pelissä A voittaa todennäköisyydellä p ja B todennäköisyydellä q =

Lisätiedot

StatCrunch -laskentasovellus

StatCrunch -laskentasovellus StatCrunch -laskentasovellus Yleistä sovelluksesta StatCrunch on Integrated Analytics LLC:n valmistama sovellus tilastotieteellisten analyysien tuottamista varten. Se on verkon yli käytettävä analyysisovellus,

Lisätiedot

TIEDEPOSTERI. - Viestinnän välineenä. Marisa Rakennuskoski

TIEDEPOSTERI. - Viestinnän välineenä. Marisa Rakennuskoski TIEDEPOSTERI - Viestinnän välineenä Marisa Rakennuskoski POSTERILAJIT Mainosposteri(pääpaino kuvilla ja visuaalisuudella) Ammatillinenposteri(vapaamuotoinen, esim. jonkin projektin tapahtumia kuvaava,

Lisätiedot

Kuntatieto-ohjelma. Nykytilan analyysin tiivistelmä Versio: 1.0. Laatija: Pentti Kurki

Kuntatieto-ohjelma. Nykytilan analyysin tiivistelmä Versio: 1.0. Laatija: Pentti Kurki Kuntatieto-ohjelma Nykytilan analyysin tiivistelmä 25.6.2014 Versio: 1.0 Laatija: Pentti Kurki Kuntatieto-ohjelma nykytila tiivistelmä 25.6.2014 2 (7) Sisällys 1. Dokumentin tarkoitus... 3 2. Kuntien ulkoisen

Lisätiedot

Yhteiset työpaikat valvontahanke Sisällys. Hankesuunnitelma 1 (5) Pohjois-Suomen aluehallintovirasto työsuojelun vastuualue

Yhteiset työpaikat valvontahanke Sisällys. Hankesuunnitelma 1 (5) Pohjois-Suomen aluehallintovirasto työsuojelun vastuualue Hankesuunnitelma 1 (5) Pohjois-Suomen aluehallintovirasto työsuojelun vastuualue Yhteiset työpaikat valvontahanke 2016 2019 Sisällys 1. Johdanto...2 2. Tavoitteet...2 3. Aineisto ja menetelmät...3 4. Aikataulu-

Lisätiedot

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas LUENNOT Luento Paikka Vko Päivä Pvm Klo 1 L 304 8 Pe 21.2. 08:15-10:00 2 L 304 9 To 27.2. 12:15-14:00 3 L 304 9 Pe 28.2. 08:15-10:00 4 L 304 10 Ke 5.3.

Lisätiedot

Teema 8: Parametrien estimointi ja luottamusvälit

Teema 8: Parametrien estimointi ja luottamusvälit Teema 8: Parametrien estimointi ja luottamusvälit Todennäköisyyslaskennan perusteet (Teemat 6 ja 7) antavat hyvän pohjan siirtyä kurssin viimeiseen laajempaan kokonaisuuteen, nimittäin tilastolliseen päättelyyn.

Lisätiedot

Kuinka laadin tutkimussuunnitelman? Ari Hirvonen I NÄKÖKULMIA II HAKUILMOITUS

Kuinka laadin tutkimussuunnitelman? Ari Hirvonen I NÄKÖKULMIA II HAKUILMOITUS Kuinka laadin tutkimussuunnitelman? Ari Hirvonen 15.9.2014 I NÄKÖKULMIA II HAKUILMOITUS I NÄKÖKULMIA Hyvä tutkimussuunnitelma Antaa riittävästi tietoa, jotta ehdotettu tutkimus voidaan arvioida. Osoittaa,

Lisätiedot

Malleja ja menetelmiä geometriseen tietokonenäköön

Malleja ja menetelmiä geometriseen tietokonenäköön Malleja ja menetelmiä geometriseen tietokonenäköön Juho Kannala 7.5.2010 Johdanto Tietokonenäkö on ala, joka kehittää menetelmiä automaattiseen kuvien sisällön tulkintaan Tietokonenäkö on ajankohtainen

Lisätiedot

pitkittäisaineistoissa

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

Lisätiedot

HELSINGIN KAUPUNKITILAOHJEEN LAATIMINEN / MINIKILPAILUTUS. A. Tuote ja / tai palvelumuotoilu sekä konseptisuunnittelu

HELSINGIN KAUPUNKITILAOHJEEN LAATIMINEN / MINIKILPAILUTUS. A. Tuote ja / tai palvelumuotoilu sekä konseptisuunnittelu Tarjouspyyntö 1 (6) 4.10.2013 Hallinto-osasto HELSINGIN KAUPUNKITILAOHJEEN LAATIMINEN / MINIKILPAILUTUS Diaarinumero: HEL 2013-005356 Hanke 1. Helsingin kaupungin rakennusvirasto pyytää Helsingin kaupunkitilaohjetta

Lisätiedot

Vektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on

Vektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on 13 Pistetulo Avaruuksissa R 2 ja R 3 on totuttu puhumaan vektorien pituuksista ja vektoreiden välisistä kulmista. Kuten tavallista, näiden käsitteiden yleistäminen korkeampiulotteisiin avaruuksiin ei onnistu

Lisätiedot

Aiheen rajaus Tutkimussuunnitelma

Aiheen rajaus Tutkimussuunnitelma Aiheen rajaus Tutkimussuunnitelma Digitaalisen kulttuurin tutkimusmenetelmät 5.2. 2008 Aiheen rajaaminen Aihepiirin täsmentäminen ja supistaminen Aihetta helpompi tutkia Mahdollistaa syvemmän analyysin

Lisätiedot

Näin järjestän ohjelmointikurssin, vaikka en ole koskaan ohjelmoinut www.helsinki.fi

Näin järjestän ohjelmointikurssin, vaikka en ole koskaan ohjelmoinut www.helsinki.fi Näin järjestän ohjelmointikurssin, vaikka en ole koskaan ohjelmoinut Ohjelmointikurssin järjestäminen Helsingin yliopiston Ohjelmoinnin MOOC-kurssimateriaalin avulla 15.4.2016 1 Linkki Tietojenkäsittelytieteen

Lisätiedot

Interseptio = se osa sateesta, mikä jää puiden latvustoon (kasvien pinnalle) haihtuakseen sateen jälkeen.

Interseptio = se osa sateesta, mikä jää puiden latvustoon (kasvien pinnalle) haihtuakseen sateen jälkeen. Interseptio = se osa sateesta, mikä jää puiden latvustoon (kasvien pinnalle) haihtuakseen sateen jälkeen. -pienentää maanpinnalle (ja siitä valuntaan joutuvaa) saapuvaa sademäärää -riippuu latvuston kokonaispinta-alasta

Lisätiedot

TIETOKONE JA TIETOVERKOT TYÖVÄLINEENÄ

TIETOKONE JA TIETOVERKOT TYÖVÄLINEENÄ 1 Kuva 1 Sakari Järvenpää sakari.o.a.jarvenpaa@student.jyu.fi TIETOKONE JA TIETOVERKOT TYÖVÄLINEENÄ 28.3.16 2 Sisällys 1 Kaaviot... 3 1.1 Kaavion osat... 3 1.2 Kaavion tekeminen... 4 1.3 Kaavion muokkaaminen...

Lisätiedot

Kahden laboratorion mittaustulosten vertailu

Kahden laboratorion mittaustulosten vertailu TUTKIMUSSELOSTUS NRO RTE9 (8) LIITE Kahden laboratorion mittaustulosten vertailu Sisältö Sisältö... Johdanto... Tulokset.... Lämpökynttilät..... Tuote A..... Tuote B..... Päätelmiä.... Ulkotulet.... Hautalyhdyt,

Lisätiedot

A-Tiilikate objektikirjasto

A-Tiilikate objektikirjasto A-Tiilikate objektikirjasto 15.1.2014 A-Tiilikate-objektikirjasto toimii ArchiCAD 14, 15, 16 ja 17 -versioissa. Kirjaston käyttöön tarvitaan Graphisoftin Tarvikkeet-laajennus. Tarvikkeet-laajennuksen käyttöönotto

Lisätiedot

01/2016 ELÄKETURVAKESKUKSEN TUTKIMUKSIA TIIVISTELMÄ. Juha Rantala ja Marja Riihelä. Eläkeläisnaisten ja -miesten toimeentuloerot vuosina 1995 2013

01/2016 ELÄKETURVAKESKUKSEN TUTKIMUKSIA TIIVISTELMÄ. Juha Rantala ja Marja Riihelä. Eläkeläisnaisten ja -miesten toimeentuloerot vuosina 1995 2013 01/2016 ELÄKETURVAKESKUKSEN TUTKIMUKSIA TIIVISTELMÄ Juha Rantala ja Marja Riihelä Eläkeläisnaisten ja -miesten toimeentuloerot vuosina 1995 2013 Sukupuolten välinen tasa-arvo on keskeinen arvo suomalaisessa

Lisätiedot

Aineistokoko ja voima-analyysi

Aineistokoko ja voima-analyysi TUTKIMUSOPAS Aineistokoko ja voima-analyysi Johdanto Aineisto- eli otoskoon arviointi ja tutkimuksen voima-analyysi ovat tilastollisen tutkimuksen suunnittelussa keskeisimpiä asioita. Otoskoon arvioinnilla

Lisätiedot

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1 Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin

Lisätiedot

Ohjelmoinnin peruskurssi Y1

Ohjelmoinnin peruskurssi Y1 Ohjelmoinnin peruskurssi Y1 CS-A1111 14.9.2016 CS-A1111 Ohjelmoinnin peruskurssi Y1 14.9.2016 1 / 19 Oppimistavoitteet: tämän luennon jälkeen osaat kirjoittaa Python-ohjelman, joka pyytää käyttäjältä lukuja,

Lisätiedot

7.4 Sormenjälkitekniikka

7.4 Sormenjälkitekniikka 7.4 Sormenjälkitekniikka Tarkastellaan ensimmäisenä esimerkkinä pitkien merkkijonojen vertailua. Ongelma: Ajatellaan, että kaksi n-bittistä (n 1) tiedostoa x ja y sijaitsee eri tietokoneilla. Halutaan

Lisätiedot

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010 TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Optimaalisuus: objektiavaruus f 2 min Z = f(s) Parhaat arvot alhaalla ja vasemmalla

Lisätiedot

Esitys InnoSchool-hankkeen rahoittamisesta innovaatiorahastosta

Esitys InnoSchool-hankkeen rahoittamisesta innovaatiorahastosta Helsingin kaupunginhallitus Esitys InnoSchool-hankkeen rahoittamisesta innovaatiorahastosta Esitämme, että Helsingin kaupunki myöntäisi Teknilliselle korkeakoululle innovaatiorahastosta rahoitusta InnoSchool-hanketta

Lisätiedot

Esitys InnoSchool-hankkeen rahoittamisesta innovaatiorahastosta

Esitys InnoSchool-hankkeen rahoittamisesta innovaatiorahastosta Helsingin kaupunginhallitus Esitys InnoSchool-hankkeen rahoittamisesta innovaatiorahastosta Esitämme, että Helsingin kaupunki myöntäisi Teknilliselle korkeakoululle innovaatiorahastosta rahoitusta InnoSchool-hanketta

Lisätiedot

AutoCAD-natiiviobjektin toteutus

AutoCAD-natiiviobjektin toteutus AutoCAD-natiiviobjektin toteutus Kontiotuote OY Maailman toiseksi suurin hirsitalotoimittaja Aloittanut toimintansa 70-luvulla Liikevaihto vuonna 2003-37,355 Milj. euroa josta vientiä 7,376 Milj. euroa

Lisätiedot

1.1 Funktion määritelmä

1.1 Funktion määritelmä 1.1 Funktion määritelmä Tämän kappaleen otsikoksi valittu funktio on hyvä esimerkki matemaattisesta käsitteestä, johon usein jopa tietämättämme törmäämme arkielämässä. Tutkiessamme erilaisia Jos joukkojen

Lisätiedot

Ohjelmistotekniikan menetelmät, luokkamallin laatiminen

Ohjelmistotekniikan menetelmät, luokkamallin laatiminen 582101 - Ohjelmistotekniikan menetelmät, luokkamallin laatiminen 1 Lähestymistapoja Kokonaisvaltainen lähestymistapa (top-down) etsitään kerralla koko kohdealuetta kuvaavaa mallia hankalaa, jos kohdealue

Lisätiedot

Jyväskylän yliopiston kauppakorkeakoulu Syventävien opintojen tutkielman arviointi

Jyväskylän yliopiston kauppakorkeakoulu Syventävien opintojen tutkielman arviointi Jyväskylän yliopiston kauppakorkeakoulu Syventävien opintojen tutkielman arviointi Syventävien opintojen tutkielmat arvioidaan 5-portaisella asteikolla arvosanoilla (1) välttävä, (2) tyydyttävä, (3) hyvä,

Lisätiedot

Käyttäjäkeskeisyys verkkopalveluissa

Käyttäjäkeskeisyys verkkopalveluissa Käyttäjäkeskeisyys verkkopalveluissa JHS-keskustelutilaisuus 6. kesäkuuta 2013 Raino Vastamäki raino.vastamaki@adage.fi Käyttäjäkeskeisyys verkkopalveluissa KLO 14.45 15.15 Käytettävyys ja esteettömyys

Lisätiedot

VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA. Lauri Karppi j82095. SATE.2010 Dynaaminen kenttäteoria DIPOLIRYHMÄANTENNI.

VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA. Lauri Karppi j82095. SATE.2010 Dynaaminen kenttäteoria DIPOLIRYHMÄANTENNI. VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA Oskari Uitto i78966 Lauri Karppi j82095 SATE.2010 Dynaaminen kenttäteoria DIPOLIRYHMÄANTENNI Sivumäärä: 14 Jätetty tarkastettavaksi: 25.02.2008 Työn

Lisätiedot

Tietotekniikan Sovellusprojektit

Tietotekniikan Sovellusprojektit Tietotekniikan Sovellusprojektit Jukka-Pekka Santanen Tietotekniikan laitos 16.2.2010 Tavoitteena taitoja ja kokemusta projektimuotoisesta työtavasta ja ryhmätyöstä, projektin hallinnasta ja johtamisesta,

Lisätiedot

Pro gradu -tutkielmien arvostelu maantieteessä

Pro gradu -tutkielmien arvostelu maantieteessä Pro gradu -tutkielmien arvostelu maantieteessä Tutkielman arvostelussa on käytössä viisiportainen asteikko (1-5): o Ykkönen (1) merkitsee, että työ on hyväksyttävissä, mutta siinä on huomattavia puutteita.

Lisätiedot

How to Support Decision Analysis with Software Case Förbifart Stockholm

How 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

Lisätiedot

Valtion tuottavuustilasto 2007

Valtion tuottavuustilasto 2007 Julkinen talous 2008 Valtion tuottavuustilasto 2007 Valtion tuottavuuden kasvu hidastui vuonna 2007 Valtion virastojen ja laitosten tuottavuuskehitys heikkeni vuonna 2007 edellisvuoteen verrattuna. Työn

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Lisätiedot

2. Aineiston kuvaaminen graafisesti 1

2. Aineiston kuvaaminen graafisesti 1 2. Aineiston kuvaaminen graafisesti 1 Esimerkki 3. Frekvenssijakaumien muokkaaminen [Hei08, s.151-152] 1. Avataan http://users.metropolia.fi/~pasitr/opas/ran15a/02/esim/pytinki2003.sav. 2. Suoritetaan

Lisätiedot

Tentti erilaiset kysymystyypit

Tentti erilaiset kysymystyypit Tentti erilaiset kysymystyypit Kysymystyyppien kanssa kannatta huomioida, että ne ovat yhteydessä tentin asetuksiin ja erityisesti Kysymysten toimintatapa-kohtaan, jossa määritellään arvioidaanko kysymykset

Lisätiedot

OPETUSSUUNNITELMALOMAKE

OPETUSSUUNNITELMALOMAKE OPETUSSUUNNITELMALOMAKE Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit siis dokumentoida

Lisätiedot

Terveystieteiden yksikkö

Terveystieteiden yksikkö Terveystieteiden yksikkö HAKEMUS Terveystieteiden tohtorin Terveystieteiden lisensiaatin Filosofian tohtorin Filosofian lisensiaatin Lääketieteen tohtorin TUTKINNON SUORITTAMISEKSI JA VÄITÖSKIRJAN/LISENSIAATINTUTKIMUKSEN

Lisätiedot

Johdatus tekoälyyn. Luento 6.10.2011: Koneoppiminen. Patrik Hoyer. [ Kysykää ja kommentoikaa luennon aikana! ]

Johdatus tekoälyyn. Luento 6.10.2011: Koneoppiminen. Patrik Hoyer. [ Kysykää ja kommentoikaa luennon aikana! ] Johdatus tekoälyyn Luento 6.10.2011: Koneoppiminen Patrik Hoyer [ Kysykää ja kommentoikaa luennon aikana! ] Koneoppiminen? Määritelmä: kone = tietokone, tietokoneohjelma oppiminen = ongelmanratkaisukyvyn

Lisätiedot

Muodonmuutostila hum 30.8.13

Muodonmuutostila hum 30.8.13 Muodonmuutostila Tarkastellaan kuvan 1 kappaletta Ω, jonka pisteet siirtvät ulkoisen kuormituksen johdosta siten, että siirtmien tapahduttua ne muodostavat kappaleen Ω'. Esimerkiksi piste A siirt asemaan

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 4 Jatkuvuus Jatkuvan funktion määritelmä Tarkastellaan funktiota f x) jossakin tietyssä pisteessä x 0. Tämä funktio on tässä pisteessä joko jatkuva tai epäjatkuva. Jatkuvuuden

Lisätiedot

Tentti erilaiset kysymystyypit

Tentti erilaiset kysymystyypit Tentti erilaiset kysymystyypit Monivalinta Monivalintatehtävässä opiskelija valitsee vastauksen valmiiden vastausvaihtoehtojen joukosta. Tehtävään voi olla yksi tai useampi oikea vastaus. Varmista, että

Lisätiedot

Hyvä Tekesin asiakas!

Hyvä Tekesin asiakas! RAPORTOINTIPYYNTÖ 5.6.2009 «Organisaatio» «Yksikko» «Etunimet» «Sukunimi» «Postiosoite» «Postinumero» «Postitoimipaikka» Hyvä Tekesin asiakas! Pyydämme teitä ystävällisesti täyttämään jälkiraportointilomakkeen

Lisätiedot

Harjoitus 7: NCSS - Tilastollinen analyysi

Harjoitus 7: NCSS - Tilastollinen analyysi Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen

Lisätiedot

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo

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

Lisätiedot

Tilastollisten aineistojen kerääminen ja mittaaminen

Tilastollisten aineistojen kerääminen ja mittaaminen Ilkka Mellin Tilastolliset menetelmät Osa 1: Johdanto Tilastollisten aineistojen kerääminen ja mittaaminen TKK (c) Ilkka Mellin (2007) 1 ja mittaaminen >> Tilastollisten aineistojen kerääminen Mittaaminen

Lisätiedot

Tiedon louhinnan teoria (ja käytäntö) OUGF kevätseminaari 2004 Hannu Toivonen

Tiedon 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

Lisätiedot

VÄLI- JA LOPPURAPORTOINTI

VÄLI- JA LOPPURAPORTOINTI Tuija Nikkari 2012 VÄLI- JA LOPPURAPORTOINTI Raportointikoulutus 23.8.12 Raportoinnin tarkoitus Raportoinnin tehtävänä on tuottaa tietoa projektin etenemisestä ja tuloksista rahoittajalle, yhteistyökumppaneille

Lisätiedot

Tutkimusyksikön johtajan/tutkinto-ohjelman vastuunhenkilön hyväksyntä

Tutkimusyksikön johtajan/tutkinto-ohjelman vastuunhenkilön hyväksyntä Oulun yliopisto Hoitotieteen ja terveyshallintotieteen tutkimusyksikkö PRO GRADU-TUTKIELMAN ARVIOINTILOMAKE Tutkielman tekijä(t): Tutkielman nimi: Pääaine: Tutkielman ohjaaja(t): Tutkielman arviointi Tutkielman

Lisätiedot

Tiesäämallin asemaja hilaversion validointi. UbiCasting Workshop Marjo Hippi / Met. tutkimus

Tiesäämallin asemaja hilaversion validointi. UbiCasting Workshop Marjo Hippi / Met. tutkimus Tiesäämallin asemaja hilaversion validointi UbiCasting Workshop 10-09-2008 Marjo Hippi / Met. tutkimus Tiesäämallin asema- ja hilaversion validointi - Työn sisältö Tiesäämallia ajetaan kahdella eri lähtödatalla,

Lisätiedot

Johdanto. Aineistojen analysoiminen perustuu paikkatietomenetelmiin.

Johdanto. Aineistojen analysoiminen perustuu paikkatietomenetelmiin. Johdanto Pirkanmaan 1. maakuntakaava on hyväksytty maakuntavaltuustossa 9.3.2005 ja se on vahvistettu valtioneuvostossa 29.3.2007. Maakuntakaavan seuranta perustuu maankäyttö ja rakennuslakiin (MRL). Lain

Lisätiedot

Reaalilukuvälit, leikkaus ja unioni (1/2)

Reaalilukuvälit, leikkaus ja unioni (1/2) Luvut Luonnolliset luvut N = {0, 1, 2, 3,... } Kokonaisluvut Z = {..., 2, 1, 0, 1, 2,... } Rationaaliluvut (jaksolliset desimaaliluvut) Q = {m/n m, n Z, n 0} Irrationaaliluvut eli jaksottomat desimaaliluvut

Lisätiedot

BlueJ ohjelman pitäisi löytyä Development valikon alta mikroluokkien koneista. Muissa koneissa BlueJ voi löytyä esim. omana ikonina työpöydältä

BlueJ ohjelman pitäisi löytyä Development valikon alta mikroluokkien koneista. Muissa koneissa BlueJ voi löytyä esim. omana ikonina työpöydältä Pekka Ryhänen & Erkki Pesonen 2002 BlueJ:n käyttö Nämä ohjeet on tarkoitettu tkt-laitoksen mikroluokan koneilla tapahtuvaa käyttöä varten. Samat asiat pätevät myös muissa luokissa ja kotikäytössä, joskin

Lisätiedot

Hyväksytyt asiantuntijat

Hyväksytyt asiantuntijat 1(4) Hyväksytyt asiantuntijat Pätevyysalue Pätevyysluokat Tarkastuskohteet Tässä muistiossa käsitellään ajoneuvolain 1090/2002 (muutettuna viimeksi 1042/2014) 48 2 momentin nojalla Liikenteen turvallisuusviraston

Lisätiedot

APURAHAHAKEMUS Linjattu säätiön hallituksessa 15.12.2004

APURAHAHAKEMUS Linjattu säätiön hallituksessa 15.12.2004 AGRONOMILIITON TIEDE- JA TUTKIMUSSÄÄTIÖ P. Makasiinikatu 6 A 8, 00130 Helsinki Puh. (09) 2511 160, faksi (09) 2511 1610 Saapunut: 1 APURAHAHAKEMUS Linjattu säätiön hallituksessa 15.12.2004 A Matka-apuraha

Lisätiedot

Miten ideoidaan ja kehitetään uusia toimintatapoja? Juha Koivisto, THL

Miten ideoidaan ja kehitetään uusia toimintatapoja? Juha Koivisto, THL Miten ideoidaan ja kehitetään uusia toimintatapoja? Juha Koivisto, THL 1 Hankekohelluksesta ketterään ja kokeilevaan toimintatapojen kehittämiseen Hankesuunnittelu, -arviointi ja -raportointi on usein

Lisätiedot

Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle

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

Lisätiedot

ITSLEARNING RAPORTOINTI JA ANALYTIIKKA. Johda tiedolla

ITSLEARNING RAPORTOINTI JA ANALYTIIKKA. Johda tiedolla ITSLEARNING RAPORTOINTI JA ANALYTIIKKA Johda tiedolla Tervetuloa tutustumaan työvälineisiimme, jotka mahdollistavat tiedolla johtamisen ja auttavat päätöksenteossa. Seuraa oppijoiden etenemistä, selvitä

Lisätiedot

Testiautomaatio tietovarastossa. Automaattisen regressiotestauksen periaate ja hyödyt

Testiautomaatio tietovarastossa. Automaattisen regressiotestauksen periaate ja hyödyt Testiautomaatio tietovarastossa Automaattisen regressiotestauksen periaate ja hyödyt Sisältö 2 Testaus kiinteänä osana DW-toteutusta Regressiotestauksen merkitys Robot Framework Automatisoitu DW:n regressiotestaus:

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 4

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 4 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 4 Ratkaisuehdotuksia 1. Omppukone Oy valmistaa liukuhihnalla muistipiirejä kymmenen piirin sarjoissa. Omppukone arvioi, että keskimäärin

Lisätiedot

Ohjelmiston testaus ja laatu. Ohjelmistotekniikka elinkaarimallit

Ohjelmiston testaus ja laatu. Ohjelmistotekniikka elinkaarimallit Ohjelmiston testaus ja laatu Ohjelmistotekniikka elinkaarimallit Vesiputousmalli - 1 Esitutkimus Määrittely mikä on ongelma, onko valmista ratkaisua, kustannukset, reunaehdot millainen järjestelmä täyttää

Lisätiedot

TIIVISTELMÄ. Työstä eläkkeelle tulokehitys ja korvaussuhteet. Eläketurvakeskuksen raportteja 2010:3. Juha Rantala ja Ilpo Suoniemi

TIIVISTELMÄ. Työstä eläkkeelle tulokehitys ja korvaussuhteet. Eläketurvakeskuksen raportteja 2010:3. Juha Rantala ja Ilpo Suoniemi R RAPORTTEJA Eläketurvakeskuksen raportteja 2010:3 TIIVISTELMÄ Juha Rantala ja Ilpo Suoniemi Työstä eläkkeelle tulokehitys ja korvaussuhteet Tutkimuksessa arvioitiin, mitä muutoksia henkilön tuloissa ja

Lisätiedot

Klusteriennakointimalli osaamistarpeiden selvittämiseen

Klusteriennakointimalli osaamistarpeiden selvittämiseen Klusteriennakointimalli osaamistarpeiden selvittämiseen Ammatillisen korkea-asteen koulutuksen opetussisältöjen kehittäminen Kirsti Sorama Projektipäällikkö PROJEKTIN TARKOITUS Projektin tarkoituksena

Lisätiedot

Psoriasisliitto Nettijäsenrekisterin Koulutustilaisuus 11.2.-12.2. Nettijäsenrekisterin ohje

Psoriasisliitto Nettijäsenrekisterin Koulutustilaisuus 11.2.-12.2. Nettijäsenrekisterin ohje Psoriasisliitto Nettijäsenrekisterin Koulutustilaisuus 11.2.-12.2. Nettijäsenrekisterin ohje Kirjautumissivu löytyy osoitteesta https://njr.yap.fi/cgi-bin/rpj2v3/dispat.exe. Anna käyttäjätunnus ja salasana.

Lisätiedot