Helsinki University of Technology
|
|
- Niina Uotila
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Helsinki University of Technology Laboratory of Telecommunications Technology S Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications ( ov) Syksy Luento: Adaptiiviset korjaimet II prof. Timo Laakso Vastaanotto torstaisin klo 1-11 Huone G1, puh Sähköposti: timo.laakso@hut.fi Stokastinen gradienttialgoritmi (LM11.) Edellisessä luvussa päästiin FIR-suotimen adaptointiin MSEgradienttialgoritmilla (MSEG) joka korjaa askelparametrin määräämän verran kerroinvektoria kohti optimiratkaisua. Valitettavasti MSEG perustuu myös siihen, että kanavan ominaisuudet eli autokorrelaatiomatriisi ja ristikorrelaatiovektori tunnetaan. Näin ei yleensä ole, eli käytännön tuntemattomissa ja muuttuvissa kanavissa tarvitaan vielä lisää yksinkertaistuksia. 11/4/97 Teletekniikan laboratorio Sivu
2 ...Stokastinen gradienttialgoritmi Lopullinen algoritmi saadaan ottamalla käyttöön stokastinen ( kohinainen ) gradienttiestimaatti tarkan asemesta. Stokastiseen gradienttiin perustuva adaptointi tunnetaan yleensä LMS(Least-Mean Square)-algoritmina, vaikka nimi onkin epätarkka (MSE-virhe minimoituu vain approksimatiivisesti). Näin saadaan kuitenkin käyttökelpoinen ja ehkä maailman eniten käytetty adaptiivinen suodinalgoritmi. 11/4/97 Teletekniikan laboratorio Sivu 3 Gradientti ennen odotusarvoa MSEG-gradientti johdettiin ottamalla neliövirheestä ensin odotusarvo ja sitten gradientti: [ ] [ ] Re [ ] = E[ ak ] H { } + H H T { } [ ] E e = E a c E a r + c E r r c k k k k k k Re c a c H Φc ( 118. ) Tarkastellaan nyt ensin neliövirheen gradienttia ilman odotusarvoa. Koska gradientti ja odotusarvo ovat lineaarisia operaattoreita, niiden järjestystä voidaan vaihtaa: { } H H T k k k k k k e = a Re a c r + c r r c ( ) 11/4/97 Teletekniikan laboratorio Sivu 4
3 ...Gradientti ennen odotusarvoa Tälle saadaan gradientiksi (ks. Harj edellä) T c ek = rk( ak rk c) = ekrk ( 115. ) Tästä voitaisiin nyt ottaa odotusarvo ja saada tuttu tulos [ ] E e = c c a j k Φ ( 115. ) mutta (11.5) onkin itse asiassa toteutuksen kannalta parempi sellaisenaan. Voidaan osoittaa, että se antaa harhattoman (unbiased) estimaatin todelliselle gradientille. Estimaatti on stokastinen eli kohinainen. 11/4/97 Teletekniikan laboratorio Sivu 5 Stokastinen gradienttialgoritmi (SG) SG-algoritmin mukainen kertoimien adaptiivinen päivitys on muotoa [ ] β ck+ 1 = ck ce ek c= c k ( 115. ) ja sijoittamalla tähän (11.5) saadaan SG-algoritmi muotoon T [ ] c + 1 = c + βe r = I βr r c + βa r ( ) k k k k k k k k k Tätä voidaan nyt verrata MSEG-algoritmiin c + 1 = c + β( a Φc ) = ( I βφ) c + βa ( 118. ) j j j j 11/4/97 Teletekniikan laboratorio Sivu 6
4 ...Stokastinen gradienttialgoritmi SG-algoritmista tehdään seuraavat havainnot: 1) SG-algoritmi sisältää (valittavaa askelparametria β lukuunottamatta) vain havaintoarvoja ja muita tunnettuja suureita, eli on suoraan laskettavissa ilman muuta estimointia ) Kun MSEG-algoritmissa iteraatioindeksi j oli aikaindeksistä k riippumaton, SG-algoritmissa j = k. Gradientin estimointi toteutetaan siis aikakeskiarvoistamalla tulevaa dataa. 11/4/97 Teletekniikan laboratorio Sivu 7 SG-algoritmin laskentatoteutus... r k-j r k z -1 z -1 [ck]j x Accumulator x β a k + - e k SG-algoritmin laskenta yhtä päivitettävää kerrointa kohden on esitetty Kuvassa /4/97 Teletekniikan laboratorio Sivu 8
5 ...SG-algoritmin laskentatoteutus Adaptaatiokaava (11.53) voidaan kirjoittaa komponenttimuodossa [ c ] [ c ] 1 = + β er, L j L ( ) k+ j k j k k j eli laskenta etenee modulaarisesti komponentti kerrallaan. Uusi virhetermi lasketaan kierroksen päätteeksi seuraavaa päivitystä varten. 11/4/97 Teletekniikan laboratorio Sivu 9 SG-algoritmin suppeneminen (LM11..1) Perusero MSEG- ja SG-algoritmissa on että MSEG on deterministinen, eli (kunhan auto- ja ristikorrelaatiodata tunnetaan) suppeneminen etenee ennaltamäärättyä polkua pitkin. Sen sijaan SG-algoritmin suppenemisessa on aina stokastista variaatiota, eli joillain iteraatiokerralla tulos voi huonotakin. Suppeneminen on keskimääräistä. SG-algoritmin suppenemista voidaan tarkastella ottamalla odotusarvo (11.53):sta: T [[ ] a ] c = E I r r c + r = I c + a 1 β β ( βφ) β ( ) k+ k k k k k k 11/4/97 Teletekniikan laboratorio Sivu 1
6 ...SG-algoritmin suppeneminen (LM11..1) Ottamalla odotusarvo vielä kerroinprosessin suhteen saadaan E [ k ] βφ E[ k] c + 1 ( I ) c + βa ( ) SG-algoritmin suppenemispolku on siis keskimäärin sama kuin MSEG-algoritmilla. Tästä seuraa, että myös suppenemisehdot (askelparametrin valinta) ovat pääpiirteissään samat molemmille algoritmeille. 11/4/97 Teletekniikan laboratorio Sivu 11...SG-algoritmin suppeneminen Suppenemisen tarkemman analyysin helpottamiseksi määritellään vanhaan tapaan virhevektori qk = ck copt ( ) (Harj ) Johda SG-algoritmin päivityskaava muotoon missä q + 1 = Γ q + β d r ( 116. ) k k k k k I r r T Γ k = β k k ( ) ja d k on virhesignaali optimisuotimelle d = a r T c ( 116. ) k k k opt 11/4/97 Teletekniikan laboratorio Sivu 1
7 ...SG-algoritmin suppeneminen Koska virhesignaal d k on nolla vain keskimäärin, SG-algoritmi (11.6) ei koskaan suppene tarkasti kohti optimiratkaisua vaan jää keikkumaan sen ympärille. Ratkaisu on vain keskimäärin optimaalinen! SG-algoritmin hyvyyttä voidaankin arvioida kerroinvektorin Euklidisen (neliöllisen) virhemitan avulla q k k k = q H q ( ) joka kertoo kuinka lähellä kertoimet ovat optimia. 11/4/97 Teletekniikan laboratorio Sivu 13 SG-algoritmin jäännosvirhe Viime kädessä kiinnostaa kuitenkin mikä on suodatetun ja halutun signaalin ero (virhesignaali e k ). Tämän neliövirhe ja kerroinvirhe (11.63) ovat yhteydessä seuraavasti kuten edellä (11.15) johdettiin: [ ] E e k = ξ min + q H k Φq k ( ) Keskiarvoistamalla tämä myös kerroinvektorien suhteen saadaan [ E ek ] = + E[ q H k Φqk] ξ min ( ) Jälkimmäistä termiä sanotaan jäännösvirheeksi (excess MSE) ja se kertoo kuinka paljon kertoimien stokastisesta vaihtelusta aiheutuu lisävirhettä. 11/4/97 Teletekniikan laboratorio Sivu 14
8 SG-algoritmin suppenemisehto Tarkastellaan jäännösvirheen lauseketta siinä erikoistapauksessa että input-prosessi r k on korreloimatonta (valkoista kohinaa), eli [ ] Φ = ΦI, Φ = E r k ( ) Tällöin keskimääräinen MSE saadaan muotoon [ ] E e k = ξ min + Φ q ( ) Voidaan johtaa (ks. kirjan Appendix 11-A) tulos: [ ] [ q ] k 1 qk E + = γe + β NΦξ min ( ) missä γ = 1 βφ + β NΦ 11/4/97 Teletekniikan laboratorio Sivu 15 k...sg-algoritmin suppenemisehto Valkoisen kohinan tapauksessa on vain yksi adaptaatiomoodi (ominaisarvot ovat samat). Kaavasta (11.69) näkyy, kuinka jäännösvirhe riippuu askelparametrista β. Tuloksesta voidaan myös johtaa ehto algoritmin suppenemiselle, eli γ = 1 βφ + β N Φ < 1 ( 117. ) Nopeimpaan suppenemiseen johtaa pienin γ:n arvo, josta saadan optimi-β:ksi β opt = 1 ( ) N Φ 11/4/97 Teletekniikan laboratorio Sivu 16
9 ...SG-algoritmin suppenemisehto Suppenemisehtoa (11.71) havainnollistaa Kuva 11-8: 1 1-1/N γ β opt β opt β 11/4/97 Teletekniikan laboratorio Sivu 17...SG-algoritmin suppenemisehto SG-algoritmin stabiilisuusehdoksi saadaan (-1<γ:<1): < β < = βopt ( 117. ) NΦ Tätä voidaan verrata MSEG-algoritmin stabiilisuusehtoon < β < ( ) λ max SG-algoritmin stabiilisuusehto on usein paljon tiukempi - huomaa että se on kääntäen verrannollinen suotimen pituuteen N. Algoritmin stokastinen luonne vaatii siis ylimääräistä pelivaraa. 11/4/97 Teletekniikan laboratorio Sivu 18
10 SG-algoritmin modifikaatioita (LM 11..) Askelparametrin normalisointi Epästationäärisessä ympäristössä signaalin teho voi vaihdella paljonkin, mikä vaikuttaa suoraan algoritmin suppenemisnopeuteen jos askelparametri β pidetään vakiona. Tämä voidaan helposti eliminoida normalisoimalla β seuraavasti a βk = ( ) σk + b missä a ja b ovat sopivia parametreja ja σ k on input-signaalin tehon estimaatti aikaindeksillä k. Tehon estimointiin voidaan käyttää eksponentiaalisesti painotettua aikakeskiarvoa j σk = ( 1 α) α rk j ( ) j= 11/4/97 Teletekniikan laboratorio Sivu 19...SG-algoritmin modifikaatioita Kaavassa (11.78) tietysti <α<1. Tällöin tehoestimaatille saadaan näppärä rekursiokaava σ = ασ 1 + ( 1 α) r ( ) k k k Kaksimoodialgoritmit (Gear-Shift Algorithms) Johtotransmissio (esim. äänitaajuusmodeemit) kanava muuttuu vain vähän yhteyden aikana, jolloin alkuestimoinnin jälkeen askelparametria voidaan pienentää. 11/4/97 Teletekniikan laboratorio Sivu
11 Adaptiivinen DFE Edellä saatiin lineaarisen FIR-korjaimen adaptointiin kehitettyä lopultakin käyttökelpoinen menetelmä: stokastinen gradientti(sg- eli LMS-)algoritmi. Seuraavaksi kehitellään vastaava algoritmi päätöstakaisinkytketylle eli DFE-korjaimelle, jossa on lineaarisen korjaimen lisäksi osuus joka vähentää ISIä edellisiin päätöksiin perustuen. Osoittautuu, että lineaarisen FIR-korjaimen SGalgoritmia voidaan käyttää pienin muutoksin lähes sellaisenaan DFE-korjaimen adaptointiin. 11/4/97 Teletekniikan laboratorio Sivu 1 Adaptiivinen DFE (LM11.3) DFE-korjaimen rakenne oli jo esillä aiemmin Kuvassa 11-: n k D(z) a k P(z) r k C(z) u k q k a k e k 11/4/97 Teletekniikan laboratorio Sivu
12 ...Adaptiivinen DFE DFE-korjaimessa on siis lineaarinen FIR-osa (prekursori) joka suodattaa tulevia näytteitä kuten pelkkä LE. Lisäksi rekursiivinen osa (postkursori) poistaa ISIä vähentämällä vanhoja symboliarvoja (estimaatteja) sopivilla painokertoimilla. Postkursori vähentää siis vain ISIä eikä kohinaa. Se vaikuttaa kuitenkin koko korjaimen kohinavahvistukseen helpottamalla prekursorin toimintaa. Käytettäessä MSE-virheen minimointikriteeriä postkursorin lisääminen vaikuttaa siis myös prekursorin optimaalisiin kertoimiin. Adaptointi on siis tehtävä yhteisesti. 11/4/97 Teletekniikan laboratorio Sivu 3 Adaptiivisen DFE:n FIR-rakenne Oletamme nyt, kuten edellä, että prekursori on antikausaalinen N-kertoiminen FIR-suodin ja postkursori on M-kertoiminen ja kausaalinen (ei-kausaalisuus poistuu käytännössä viivettä lisäämällä). Laskenta voidaan esittää differenssiyhtälöllä q = cr d a ( 118. ) k i k i i= ( N 1) M i= 1 i k i eli se on painotettu keskiarvo uusista input-näytteistä ja vanhoista päätöksistä. Vaikka järjestelmä sisältää takaisinkytkentää, se voidaan esittää formaalisti Kuvan 11-1 FIR-rakenteella. 11/4/97 Teletekniikan laboratorio Sivu 4
13 Adaptiivisen DFE:n FIR-rakenne r k+n- r k+n-1... z -1 z -1 z -1 r k z-1... z -1 x c -N+1 x c -N+ x c -d 1 x -d M x q k _ + e k Kuva DFE-korjaimen rakenne. a k 11/4/97 Teletekniikan laboratorio Sivu 5 Adaptiivisen DFE:n MSE-ratkaisu Input-näytteet koostuvat paitsi halutusta symboleista myös keskinäisvaikutuksesta ja kohinasta, eli ne ovat muotoa r = p a + p a + n = p a + n ( 118. b) k k n k n n k n k n n jossa summausindeksit ja kertoimet p n eivät yleensä ole tarkkaan tiedossa. Sijoittamalla kaavaan (11.8) saadaan q = c p a d a + cn k i n ( k i) n i k i i i= ( N 1) n i= 1 i= ( N 1) = ν a + cn ( 118. c) m m k m i i= ( N 1) k i jossa päätökset on oletettu oikeiksi. M k k i 11/4/97 Teletekniikan laboratorio Sivu 6
14 ...Adaptiivisen DFE:n MSE-ratkaisu Tämä voidaan jakaa kolmeen termiin: q = a + i + n k ν k k k Ensimmäinen on haluttu symboli. Toinen on ISI-termi joka on muotoa ik = νmak m ( ) jossa m i k i k i= ( N 1) ν k = i i= ( N 1) cp d, 1 k M cp k i Kolmas termi edustaa kohinaa., muulloin 11/4/97 Teletekniikan laboratorio Sivu 7 ' ( 118. )...Adaptiivisen DFE:n MSE-ratkaisu Tätä havainnollistaa Kuva 11-11: n k a k P(z) C(z) + _ q k D(z) a k P(z)C(z) -D(z) q k n k C(z) 11/4/97 Teletekniikan laboratorio Sivu 8
15 ...Adaptiivisen DFE:n MSE-ratkaisu Kun oletetaan että kohina ja lähetetyt symbolit (ja siten myös ISI) ovat riippumattomia, niitä voidaan MSE:n minimoinnin kannalta tarkastella erikseen. Kun lisäksi symbolit keskenään ovat riippumattomia, on ilmeistä että kokonaisvirheen odotusarvo voidaan minimoida valitsemalla postkursorin kertoimet d k siten, että M ISI-termiä nollautuu. Näin saadaan MMSE-ratkaisu postkursorikertoimille muodossa dm = cipm i 1 m M ( ) i= ( N 1) Olettaen että ISI-termit tunnetaan, postkursorikertoimet riippuvat suoraan prekursorista. 11/4/97 Teletekniikan laboratorio Sivu 9...Adaptiivisen DFE:n MSE-ratkaisu Toteutuksessa voitaisiin optimoida suoraan prekursorikertoimet sopivalla algoritmilla ja laskea postkursorikertoimet kaavasta (11.83). Käytännössä on kuitenkin helpompaa käyttää Kuvan rakennetta ja signaaleja suoraan adaptointiin, kuten seuraavaksi johdetaan. 11/4/97 Teletekniikan laboratorio Sivu 3
16 SG-algoritmi DFE:lle Formaalisti SG-algoritmi voidaan johtaa DFE:n tapaukselle suoraviivaisesti. Määritellään kerroinvektori [ c N c d dm] v = ( 1) 1 ( ) joka sisältää siis prekursorin ja postkursorin kertoimet peräkkäin, N+M elementtiä. Vastaava pidennetty datavektori on muotoa [ r r a a ] w k = k + N k k k M ( 1) 1 ( ) T T 11/4/97 Teletekniikan laboratorio Sivu 31...SG-algoritmi DFE:lle Virhesignaali voidaan nyt esittää muodossa e = a v T w ( ) k k k joka on formaalisti samanlainen kuin LE-korjaimen virheen lauseke. Analogiaan vedoten voidaan katsoa mallia SGalgoritmille kaavasta (11.53): c + 1 = c + β e r ( ) k k k k Ottamalla kerroinvektorillekin päivitysindeksi k saadaan DFEkorjaimen SG-algoritmi muotoon v + 1 = v + β e w ( ) k k k k 11/4/97 Teletekniikan laboratorio Sivu 3
17 DFE-SG-algoritmin ominaisuuksia Aiemmin analysoitiin ideaalisen DFE-korjaimen ominaisuuksia stationäärisessä tilanteessa. Olennaista oli kohinavahvistuksen pieneneminen koska ISIn poisto helpottuu. Lähteessä Bingham: The Theory and Practice of Modem Design (Wiley 1988, s. 89) todetaan, että SG-DFE suppenee nopeammin kuin SG-LE, koska kanavaa ei tarvitse kääntää kokonaan. Näin SG-DFE on vähemmän herkkä input-signaalin autokorrelaatiomatriisin ominaisarvohajeelle. Koska pre- ja postkursorien kerrointen laskenta perustuu samaan virhesignaaliin, kompleksisuus ja suppeneminen ovat suunnilleen samanlaista kuin (N+M)-tappisella SG-LE-FIRkorjaimella. Toteutus on siis yksinkertainen mutta tehokas. 11/4/97 Teletekniikan laboratorio Sivu 33
Helsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.11 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications ( ov) Syksy 1997 6. Luento: Adaptiiviset
LisätiedotHelsinki University of Technology Laboratory of Telecommunications Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38. Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications ( ov) Syksy 998 6. Luento: Adaptiiviset koraimet
Lisätiedot[ ] [ ] [ ] { } [ ] Helsinki University of Technology Laboratory of Telecommunications Technology
Helsini University of Tehnology Laboratory of Teleommuniations Tehnology S-38. Signaalinäsittely tietoliienteessä I Signal Proessing in Communiations ( ov) Sysy 998 7. Luento: Adaptiiviset orjaimet II
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.211 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy 1997 12. Luento: Kertausta,
Lisätiedot4.0.2 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
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S38.211 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy 1997 8. Luento: Kaiunpoisto
LisätiedotEnnustaminen ARMA malleilla ja Kalmanin suodin
Ennustaminen ARMA malleilla ja Kalmanin suodin MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
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
Lisätiedot3. Teoriaharjoitukset
3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x
Lisätiedotb 1. b m ) + ( 2b Ax) + (b b)
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-9 Optimointioppi Kimmo Berg 5 harjoitus - ratkaisut min Ax b (vertaa PNS-tehtävät) a x + + a n x n a) Ax b = a m x + + a mn x n = x a a m }{{}
LisätiedotOletetaan, 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
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.11 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications ( ov) Syksy 1997. Luento: Pulssinmuokkaussuodatus
LisätiedotKeskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)
Mat-.3 Koesuunnittelu ja tilastolliset mallit kevät Keskipisteen lisääminen k -faktorikokeeseen (ks. Montgomery 9-6) Esim (Montg. ex. 9-, 6-): Tutkitaan kemiallisen prosessin saannon Y riippuvuutta faktoreista
LisätiedotNumeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 12 Kirsi Valjus Jyväskylän yliopisto Luento 12 () Numeeriset menetelmät 25.4.2013 1 / 33 Luennon 2 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Rungen
Lisätiedot6.2.3 Spektrikertymäfunktio
ja prosessin (I + θl + + θl q )ε t spektritiheysfunktio on Lemman 6. ja Esimerkin 6.4 nojalla σ π 1 + θ 1e iω + + θ q e iqω. Koska viivepolynomien avulla määritellyt prosessit yhtyvät, niin myös niiden
LisätiedotJ. Virtamo Jonoteoria / Prioriteettijonot 1
J. Virtamo 38.3143 Jonoteoria / Prioriteettijonot 1 Prioriteettijonot Tarkastellaan M/G/1-jonojärjestelmää, jossa asiakkaat on jaettu K:hon prioriteettiluokkaan, k = 1,..., K: - luokalla 1 on korkein prioriteetti
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 4
Inversio-ongelmien laskennallinen peruskurssi Luento 4 Kevät 20 Regularisointi Eräs keino yrittää ratkaista (likimääräisesti) huonosti asetettuja ongelmia on regularisaatio. Regularisoinnissa ongelmaa
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
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
Lisätiedot9. Tila-avaruusmallit
9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia
LisätiedotIV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n
IV. TASAINEN SUPPENEMINEN IV.. Funktiojonon tasainen suppeneminen Olkoon A R joukko ja f n : A R funktio, n =, 2, 3,..., jolloin jokaisella x A muodostuu lukujono f x, f 2 x,.... Jos tämä jono suppenee
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
LisätiedotJohdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (004) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden
LisätiedotHarha mallin arvioinnissa
Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö
Lisätiedot8. 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
Lisätiedot2. Teoriaharjoitukset
2. Teoriaharjoitukset Demotehtävät 2.1 Todista Gauss-Markovin lause. Ratkaisu. Oletetaan että luentokalvojen standardioletukset (i)-(v) ovat voimassa. Huomaa että Gauss-Markovin lause ei vaadi virhetermien
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 6: 1 Kalmanin suodatin Aiemmin käsitellyt
LisätiedotMissä mennään. systeemi. identifiointi. mallikandidaatti. validointi. malli. (fysikaalinen) mallintaminen. mallin mallin käyttötarkoitus, reunaehdot
Missä mennään systeemi mallin mallin käyttötarkoitus, reunaehdot käyttö- (fysikaalinen) mallintaminen luonnonlait yms. yms. identifiointi kokeita kokeita + päättely päättely vertailu mallikandidaatti validointi
LisätiedotJ. Virtamo Jonoteoria / Prioriteettijonot 1
J. Virtamo 38.143 Jonoteoria / Prioriteettijonot 1 Prioriteettijonot TarkastellaanM/G/1-jonojärjestelmää, jossaasiakkaaton jaettu K:hon prioriteettiluokkaan, k =1,...,K: - luokalla 1 on korkein prioriteetti
LisätiedotBM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018 Tehtävä 8 on tällä kertaa pakollinen. Aloittakaapa siitä. 1. Kun tässä tehtävässä sanotaan sopii mahdollisimman hyvin, sillä tarkoitetaan
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 10 To 6.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 10 To 6.10.2011 p. 1/35 p. 1/35 Numeerinen integrointi Puolisuunnikassääntö b a f(x)dx = h 2 (f 0 + f
LisätiedotEstimointi 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
LisätiedotTEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Mat Systeemien Identifiointi. 4. harjoitus
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.4129 Systeemien Identifiointi 4. harjoitus 1. a) Laske valkoisen kohinan spektraalitiheys. b) Tarkastellaan ARMA-prosessia C(q 1 )y = D(q 1 )e,
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
LisätiedotSignaalimallit: sisältö
Signaalimallit: sisältö Motivaationa häiriöiden kuvaaminen ja rekonstruointi Signaalien kuvaaminen aikatasossa, determinisitinen vs. stokastinen Signaalien kuvaaminen taajuustasossa Fourier-muunnos Deterministisen
Lisätiedotmin x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4
LisätiedotLause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.
Määritelmä 4.3. Estimaattoria X(Y ) nimitetään lineaariseksi projektioksi, jos X on lineaarinen kuvaus ja E[(X X(Y )) Y] 0 }{{} virhetermi Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi
Lisätiedot1 Olkoon suodattimen vaatimusmäärittely seuraava:
Olkoon suodattimen vaatimusmäärittely seuraava: Päästökaistan maksimipoikkeama δ p =.5. Estokaistan maksimipoikkeama δ s =.. Päästökaistan rajataajuus pb = 5 Hz. Estokaistan rajataajuudet sb = 95 Hz Näytetaajuus
LisätiedotVastepintamenetelmä. Kuusinen/Heliövaara 1
Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. marraskuuta 2007 Antti Rasila () TodB 30. marraskuuta 2007 1 / 19 1 Lineaarinen regressiomalli ja suurimman uskottavuuden menetelmä Minimin löytäminen
LisätiedotMTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)
21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.
LisätiedotInvestointimahdollisuudet ja investoinnin ajoittaminen
Investointimahdollisuudet ja investoinnin ajoittaminen Ajoituksen ratkaisu dynaamisella optimoinnilla Optimointiopin seminaari - Syksy 000 / Esitelmän sisältö Investoinnin ajoitusongelman esittely Ongelman
Lisätiedot[xk r k ] T Q[x k r k ] + u T k Ru k. }.
Mat-2.48 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 3. Johdetaan lineaarisen aikainvariantin seurantatehtävän yleinen ratkaisu neliöllisellä kustannuksella. Systeemi: x k+
LisätiedotNumeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28
Numeeriset menetelmät TIEA381 Luento 5 Kirsi Valjus Jyväskylän yliopisto Luento 5 () Numeeriset menetelmät 3.4.2013 1 / 28 Luennon 5 sisältö Luku 4: Ominaisarvotehtävistä Potenssiinkorotusmenetelmä QR-menetelmä
LisätiedotDiskriminanttianalyysi 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
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
Lisätiedot1. Tutkitaan regressiomallia Y i = β 0 + β 1 X i + u i ja oletetaan, että tavanomaiset
TA7, Ekonometrian johdantokurssi HARJOITUS 7 RATKAISUEHDOTUKSET 16.3.2015 1. Tutkitaan regressiomallia Y i = β 0 + X i + u i ja oletetaan, että tavanomaiset regressiomallin oletukset pätevät (Key Concept
LisätiedotDuaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki
Duaalisuus kokonaislukuoptimoinnissa Mat-2.4191, Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Sisältö Duaalisuus binäärisissä optimointitehtävissä Lagrangen duaalisuus Lagrangen
LisätiedotSuodatus ja näytteistys, kertaus
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 6: Kantataajuusvastaanotin AWGN-kanavassa II: Signaaliavaruuden vastaanotin a Olav Tirkkonen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos a [10.6.3-10.6.6;
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
LisätiedotJohdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (005) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden
LisätiedotDemo 1: Simplex-menetelmä
MS-C2105 Optimoinnin perusteet Malliratkaisut 3 Ehtamo Demo 1: Simplex-menetelmä Muodosta lineaarisen tehtävän standardimuoto ja ratkaise tehtävä taulukkomuotoisella Simplex-algoritmilla. max 5x 1 + 4x
LisätiedotARMA mallien ominaisuudet ja rakentaminen
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Viikko 4: 1 ARMA-mallien ominaisuudet 1 Stationaaristen
LisätiedotAktiivisen melunhallintaprosessorin suunnittelu SystemC-kieltä ja korkean tason synteesiä käyttämällä
Oulun yliopisto Elektroniikan piirit ja järjestelmät 2017 Aktiivisen melunhallintaprosessorin suunnittelu SystemC-kieltä ja korkean tason synteesiä käyttämällä Tässä artikkelissa kuvataan digitaalisen
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
1 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a
Lisätiedot1. LINEAARISET LUOKITTIMET
1. LINEAARISET LUOKITTIMET Edellisillä luennoilla tarkasteltiin luokitteluongelmaa tnjakaumien avulla ja esiteltiin menetelmiä, miten tarvittavat tnjakaumat voidaan estimoida. Tavoitteena oli löytää päätössääntö,
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 3 Ti 13.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 3 Ti 13.9.2011 p. 1/37 p. 1/37 Epälineaariset yhtälöt Newtonin menetelmä: x n+1 = x n f(x n) f (x n ) Sekanttimenetelmä:
LisätiedotRatkaisuehdotukset LH 7 / vko 47
MS-C34 Lineaarialgebra, II/7 Ratkaisuehdotukset LH 7 / vko 47 Tehtävä : Olkoot M R symmetrinen ja positiividefiniitti matriisi (i) Näytä, että m > ja m > (ii) Etsi Eliminaatiomatriisi E R siten, että [
Lisätiedot3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
LisätiedotLuento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.
Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Konveksisuus Muista. + αd, α 0, on pisteessä R n alkava puolisuora, joka on vektorin d suuntainen. Samoin 2
LisätiedotTampere University of Technology
Tampere University of Technology EDE- Introduction to Finite Element Method. Exercise 3 Autumn 3.. Solve the deflection curve v(x) exactly for the beam shown y,v q v = q z, xxxx x E I z Integroidaan yhtälö
LisätiedotNumeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden
LisätiedotKokonaislukuoptimointi
Kokonaislukuoptimointi Algebrallisen geometrian sovelluksia Sisältö Taustaa algebrallisesta geometriasta Gröbnerin kanta Buchbergerin algoritmi Kokonaislukuoptimointi Käypyysongelma Algoritmi ratkaisun
Lisätiedotz muunnos ja sen soveltaminen LTI järjestelmien analysointiin
z muunnos ja sen soveltaminen LTI järjestelmien analysointiin muunnoksella (eng. transform) on vastaava asema diskreettiaikaisten signaalien ja LTI järjestelmien analyysissä kuin Laplace muunnoksella jatkuvaaikaisten
LisätiedotOdotusarvoparien vertailu. Vilkkumaa / Kuusinen 1
Odotusarvoparien vertailu Vilkkumaa / Kuusinen 1 Motivointi Viime luennolta: yksisuuntaisella varianssianalyysilla testataan nollahypoteesia H 0 : μ 1 = μ 2 = = μ k = μ Jos H 0 hylätään, tiedetään, että
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
Lisätiedot1 Rajoittamaton optimointi
Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y
LisätiedotLineaarinen optimointi. Harjoitus 6-7, Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän. c T x = min!
Lineaarinen optimointi Harjoitus 6-7, 016. 1. Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän c T x = min! (T) Ax b x 0 duaalitehtävän duaali on tehtävä (T). Ratkaisu. (P) c T x = min! Ax b x
LisätiedotYksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1
Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään tiedetään, että ainakin kaksi
LisätiedotDynaamisten systeemien identifiointi 1/2
Dynaamisten systeemien identifiointi 1/2 Mallin rakentaminen mittausten avulla Epäparametriset menetelmät: tuloksena malli, joka ei perustu parametreille impulssi-, askel- tai taajusvaste siirtofunktion
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
LisätiedotMS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 5: Taylor-polynomi ja sarja
MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 5: Taylor-polynomi ja sarja Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos 26.9.2016 Pekka Alestalo,
LisätiedotLuento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.
Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Konveksisuus Muista x + αd, α 0, on pisteestä x R n alkava puolisuora, joka on vektorin d suuntainen. Samoin
LisätiedotMaximum likelihood-estimointi Alkeet
Maximum likelihood-estimointi Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Maximum likelihood-estimointi p.1/20 Maximum Likelihood-estimointi satunnaismuuttujan X
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 7 8
Inversio-ongelmien laskennallinen peruskurssi Luento 7 8 Kevät 2011 1 Iteratiivisista menetelmistä Tähän mennessä on tarkasteltu niin sanottuja suoria menetelmiä, joissa (likimääräinen) ratkaisu saadaan
LisätiedotIlkka Mellin Aikasarja-analyysi. Dynaamiset regressiomallit. TKK (c) Ilkka Mellin (2006) 1
Ilkka Mellin Aikasarja-analyysi Dynaamiset regressiomallit TKK (c) Ilkka Mellin (2006) 1 Dynaamiset regressiomallit >> Staattiset vs dynaamiset regressiomallit Siirtofunktio-kohina-malli Siirtofunktio-kohina-mallin
Lisätiedot6.5.2 Tapering-menetelmä
6.5.2 Tapering-menetelmä Määritelmä 6.7. Tapering on spektrin estimointimenetelmä, jossa estimaattori on muotoa f m (ω) = 1 m ( ) k w 2π m Γ(k)e ikω, k= m missä Γ on otosautokovarianssifunktio ja ikkunafunktio
LisätiedotDepartment of Mathematics, Hypermedia Laboratory Tampere University of Technology. Roolit Verkostoissa: HITS. Idea.
Roolit Tommi Perälä Department of Mathematics, Hypermedia Laboratory Tampere University of Technology 25.3.2011 J. Kleinberg kehitti -algoritmin (Hypertext Induced Topic Search) hakukoneen osaksi. n taustalla
LisätiedotOsa IX. Z muunnos. Johdanto Diskreetit funktiot
Osa IX Z muunnos A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 298 / 322 A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 299 / 322 Johdanto
LisätiedotLisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo?
MTTTP5, kevät 2016 15.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen 1. Valitaan 25 alkion satunnaisotos jakaumasta N(µ, 25). Olkoon H 0 : µ = 12. Hylätään H 0, jos otoskeskiarvo
LisätiedotYksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1
Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään, tiedetään, että ainakin
LisätiedotSovellettu 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
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2
LisätiedotMallin arviointi ja valinta. Ennustevirhe otoksen sisällä, parametrimäärän valinta, AIC, BIC ja MDL
Mallin arviointi ja valinta Ennustevirhe otoksen sisällä, parametrimäärän valinta, AIC, BIC ja MDL Sisältö Otoksen ennustevirheen estimointi AIC - Akaiken informaatiokriteeri mallin valintaan Parametrimäärän
LisätiedotKompleksianalyysi, viikko 5
Kompleksianalyysi, viikko 5 Jukka Kemppainen Mathematics Division Kompleksiset jonot Aloitetaan jonon suppenemisesta. Määr. 1 Kompleksiluvuista z 1,z 2,...,z n,... koostuva jono suppenee kohti raja-arvoa
Lisätiedot2. harjoitus - malliratkaisut Tehtävä 3. Tasojännitystilassa olevan kappaleen kaksiakselista rasitustilaa käytetään usein materiaalimalleissa esiintyv
2. harjoitus - malliratkaisut Tehtävä 3. Tasojännitystilassa olevan kappaleen kaksiakselista rasitustilaa käytetään usein materiaalimalleissa esiintyvien vakioiden määrittämiseen. Jännitystila on siten
LisätiedotBINÄÄRISET TIEDONSIIRTOMENETELMÄT TÄRKEIMPIEN ASIOIDEN KERTAUS A Tietoliikennetekniikka II Osa 11 Kari Kärkkäinen Syksy 2015
BINÄÄRISET TIEDONSIIRTOMENETELMÄT TÄRKEIMPIEN ASIOIDEN KERTAUS 536A Tietoliienneteniia II Osa Kari Käräinen Sysy 5 Kantataajuusjärjestelmä lähettää ±A -tasoisia symboleita T:n välein. Optimaalinen vastaanotin
LisätiedotA 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 =
LisätiedotOPTIMAALINEN INVESTOINTIPÄÄTÖS
OPTIMAALINEN INESTOINTIPÄÄTÖS Keskiarvoon palautuvalle prosessille ja Poissonin hyppyprosessille Optimointiopin seminaari - Syksy 000 / 1 I. KESKIAROON PALAUTUA PROSESSI Investoinnin kohde-etuuden arvo
Lisätiedot1 Kertaus. Lineaarinen optimointitehtävä on muotoa:
1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n
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
Lisätiedotr = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P
Markkinaportfolio on koostuu kaikista markkinoilla olevista riskipitoisista sijoituskohteista siten, että sijoituskohteiden osuudet (so. painot) markkinaportfoliossa vastaavat kohteiden markkina-arvojen
LisätiedotOhjelmistoradio tehtävät 4. P1: Ekvalisointi ja demodulaatio. OFDM-symbolien generoiminen
Ohjelmistoradio tehtävät 4 P: Ekvalisointi ja demodulaatio Tässä tehtävässä dekoodata OFDM data joka on sijotetty synknonontisignaalin lälkeen. Synkronointisignaali on sama kuin edellisessä laskutehtävässä.
LisätiedotKoska 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
Lisätiedot6.1 Autokovarianssifunktion karakterisaatio aikatasossa
6. Spektraalianalyysi Tällä kurssilla on käyty läpi eräitä stationääristen aikasarjojen ominaispiirteitä, kuten aikasarjaa mallintavan stokastisen prosessin X t odotusarvo E[X t ] ja autokovarianssifunktio
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 ),
Lisätiedot(iv) Ratkaisu 1. Sovelletaan Eukleideen algoritmia osoittajaan ja nimittäjään. (i) 7 = , 7 6 = = =
JOHDATUS LUKUTEORIAAN (syksy 07) HARJOITUS 7, MALLIRATKAISUT Tehtävä Etsi seuraavien rationaalilukujen ketjumurtokehitelmät: (i) 7 6 (ii) 4 7 (iii) 65 74 (iv) 63 74 Ratkaisu Sovelletaan Eukleideen algoritmia
Lisätiedot