ENY-C2005 Geoinformation in Environmental Modelling Suomenkielistä terminologiaa liittyen luentoihin 3 ja 6-8
|
|
- Ismo Heino
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 ENY-C2005 Geoinformation in Environmental Modelling 2016 Suomenkielistä terminologiaa liittyen luentoihin 3 ja 6-8
2 L-3 Mallinnus: käsitteistä tietomalleihin Geoinformaatio, paikkatieto: Sijainti + ominaisuudet = staattinen malli + aika = dynaaminen malli: prosessit, muutos Kaksi lähestymistapaa käsitteellisellä tasolla: diskreetit kohteet (eli objektit): sijainniltaan tunnetut erilliset, rajattavissa olevat kohteet (joskin raja voi olla epätäsmällinen), joilla ominaisuuksia (mahd. myös yksilöivä tunnus) ja geometria (piste, viiva, polygoni/alue). Kohteiden sijainti ( Missä kohde on? ) ja kohteiden väliset sijaintisuhteet ovat kiinnostuksen kohteena geoinformatiikassa (esim. etäisyys), samalla myös ominaisuuksien arvot ja samanlaisuus/erilaisuus. kentät eli jatkumot ( ilmiöt ): spatiaalisesti jatkuva muuttuja, jolla arvo jokaisessa tutkimusalueen kohdassa. Muuttujan arvo vaihtelee sijainnista toiseen ( Mitä tässä kohdassa on? ). Muuttuja voi olla jatkuva-arvoinen, määrällinen (kvantitatiivinen) (esim. melutaso, sademäärä) tai arvojoukko voi olla luokiteltu, laadullinen (kvalitatiivinen) (esim. maalajit, maanpeite). Kohteiden ja ilmiöiden esittäminen tietomalleissa: vektori- ja rasteritieto
3 L-3 Vektoritietomalli (1) Vektorigeometrian primitiivit: Piste (0-ulotteinen), viiva (1-ulotteinen), polygoni (2-ulotteinen) Nämä esitettävissä 2-ulotteisessa avaruudessa, tasokoordinaatistossa (x,y) Geoinformatiikassa yleensä tasokoordinaatisto, koska laskenta pallopinnalla työlästä, mutta jos tarkasteltavana laaja maantieteellinen alue, otettava huomioon projektiovirheet Piste voi olla pistemäinen kohde (yleistettävissä 0D-pisteeksi, ottaen huomioon tarkastelutaso eli - mittakaava), havaintopiste (jossa mitattu tai havaittu arvo jatkuvalle ilmiölle, ns. tunnettu piste) tai referenssipiste (esim. alueen keskipiste, jota voidaan käyttää joskus laskennassa alueen rajojen sijasta). Topologisessa tietomallissa pistettä vastaa solmu (node). Visualisoitaessa tarvitaan tietysti pisteellekin ulottuvuus, jotta se voidaan havaita! Piste esitetään x,y-koordinaattiparina. Viiva on yleensä usean pisteen kautta kulkeva murtoviiva, jossa kahden pisteen väliä kutsutaan segmentiksi. Mutta joskus viiva voi olla myös kaari tai käyräviiva, joka kulkee pisteiden kautta matemaattisesti määriteltynä käyränä, ei lineaarisesti. Koska käyrät ovat laskennassa työläämpiä kuin murtoviivat, yleensä viivalle tallennetaan pisteitä niin tiheään, että murtoviiva approksimoi riittävän tarkasti viivamaisen kohteen kulkua.
4 L-3 Vektoritietomalli (2) Viiva (jatkuu) Voi esittää viivamaista kohdetta (esim. kiinteistöraja, vesiputki) tai kohteen keskilinjaa (tien keskilinja, voimalinjan keskilinja) Viiva esitetään järjestettynä pistejoukkona. Alue (eli polygoni) esitetään sulkeutuvana reunaviivana. Polygoni voidaan määritellä niin, että siinä on aukkoja (tarpeen esim. Espoon esittämisessä, jotta Kauniainen saadaan rajattua alueen ulkopuolelle). Alueen käsite voidaan määritellä myös niin, että se voi koostua useasta erillisestä polygonista. Polygoniverkossa koko alue on polygonien peittämä niin, että jokainen kohta kuuluu yhteen ja vain yhteen polygoniin. Eli polygonien väliin ei jää aukkoja eivätkä polygonit mene päällekkäin. Polygoniverkko on topologinen tietomalli. Katso topologiset tietomallit Longley n kirjasta (2005) luvusta 8.2
5 L-3 (L-6) Spatiaalisesti jatkuva ilmiö: vektori- tai rasteritietomalli Ilmiötä ei voi mitata joka paikassa, vaan muuttujan arvo mitataan otantapisteissä joista voidaan edelleen interpoloida jatkuva pinta, ks. ko. analyysiluento Otanta pitäisi tehdä ääripisteissä ja muutoskohdissa (vrt. korkeusmallin huiput ja laaksojen pohjat, uomat, kaltevuuden muutoskohdat jne.) Nämä otantapisteet voidaan esittää vektoritietona: Säännöllinen tai epäsäännöllinen pistejoukko TIN-malli eli epäsäännöllinen kolmioverkko, joka muodostetaan otantapisteistä (topologinen tietorakenne; kolmiot approksimoivat pintaa) Polygoniverkko, joka muodostetaan Thiessen-polygoneina soveltuu ennemmin luokitellulle kuin jatkuva-arvoiselle muuttujalle; ks. interpolointi Samanarvokäyrinä (kuten korkeuskäyrät) Vain visualisointiin! tehoton laskennassa tai rasteritietona: Hila, jossa mitattu arvo hila-alkion keskipisteessä (säännöllinen otantapisteistö tai interpolointi, vrt. kartta-algebra)
6 L-3 Spatiaalinen jakautuminen Kohteiden jakauma tai levinneisyys on usein analyysin kohteena Sitä voidaan kuvata spatiaalisten suhteiden avulla, kuten: Etäisyys, joka on metrinen suhde kahden kohteen (pisteen) välillä Viereisyys, joka on topologinen suhde: kaksi polygonia jakavat yhteisen reunaviivan. (Voidaan määritellä jossain yhteydessä myös lähimmäksi naapuriksi tai tiettyä etäisyyttä lähempänä olevaksi) Vuorovaikutus, joka yksinkertaisimmillaan on vierekkäisten tai naapurikohteiden etäisyyden käänteisarvo (mitä lähempänä, sen vahvempi vuorovaikutus) Läheisyyspolygonit (ks. Thiessen-polygonit analyysiluennolla) Metriset relaatiot: etäisyys ja suunta Topologiset relaatiot: naapuruussuhteet, jotka eivät muutu vaikka geometriaa kutistettaisi ja venyteltäisi eli eivät muutu lineaarisessa muunnoksessa
7 L-6 Rasteripinnan analyyseja Sovellusten näkökulmasta: Ympäristöanalyyseja satelliittikuva-aineistosta Esim. muutosten tunnistaminen, kasvillisuusanalyysit, (ks. kaukakartoitusluento) Korkeusmallin (DEM) analyysi tyypillisesti Näkemäanalyysi; esim. maisema-analyysit, matkapuhelinverkon kuuluvuus, sotilassovellukset Kaltevuus ja viettosuunta; esim. valuma-alueet, lumivyöryvaara, kasvuolosuhteiden mallinnus Väestötietojen (tai muun tilastollisen tiedon) analyysi ruutuaineistona Maastoanalyysia, erityisesti Korkeusmallin lisäksi kasvillisuus, rakenteet, maaperä, vaihtuvat olosuhteet (sade, tuuli,..) Kulkukelpoisuus; esim. eläinten liikkuminen, kriisinhallinta, sotilassovellukset Maastopalojen hallinta: leviämisen ennustaminen, sammutus
8 L-6 Rasteripinnan analyyseja Analyysioperaatioiden näkökulma: Overlay- eli päällekkäisanalyysi Muita: ks. suomenkieliset tekstit luentokalvoissa Kartta-algebra Formaali kieli (syntaksi) jolla voidaan ilmaista monipuolinen joukko operaatioita, joilla yksi tai useita rasteritasoja lähtötietona tuotetaan tulosrasteri (layer=taso) Operaatiot kohdistuvat lähtötason yksittäiseen pikseliin, naapurustoon tai alueeseen Lokaalioperaatiot: tietty pikseli (tai vastinpikselit eri tasoilla) Fokaalioperaatiot: tietty pikseli ja sen naapurusto (tai vastinpikselit naapurustoineen eri tasoilla) Zonaalioperaatiot: mukana taso, jossa aluejako Globaalioperaatio: koko rasteritaso otetaan huomioon Mm. aritmeettiset funktioita, luokittelut,
9 L-7 Spatio-tilastollinen analyysi Paikkatietoanalyysi edellä (luennot & A-1) perustui geometriseen tiedon käsittelyyn, esim. overlay-analyysi, vyöhykkeistäminen (bufferit), näkemä, reititys Spatio-tilastollisessa analyysissa voidaan Kuvailla dataa, tietysti ottaen huomioon sijainti, esim. pistejoukon keskipiste ja hajonta (koska käsitellään dataa 2D-avaruudessa, kuvaaja on hajontaellipsi) Tutkia datan tyypillistä tai epätyypillistä käyttäytymistä (vrt. malli) Mallintaa eli luoda malli, joka pyrkii selittämään käyttäytymistä (kuten järviruokokasvustoa selittävät tekijät) Pistejoukon käyttäytyminen, (point pattern ~ pisteasetelma, kuvio) Myös aluejaon (polygoniverkon) tai hila-alkioiden tarkastelua Myös ominaisuustieto mukana analyysissa Oleellista: Reaalimaailma ei ole homogeeninen alusta ilmiöille, ja siksi ei voida lähteä satunnaisuuden oletuksesta, niin kuin yleensä tilastotieteessä Oleellista on tarkastella spatiaalista autokorrelaatiota
10 L-7 Spatiaalinen autokorrelaatio (1) Autokorrelaatio voi olla Positiivista: lähellä olevat kohteet ovat toisensa kaltaisia (mitä lähempänä, sitä enemmän) Negatiivista: lähellä olevat kohteet ovat erilaisia Nolla eli spatiaalista autokorrelaatiota ei esiinny: kohteet ovat satunnaisesti samankaltaisia tai erilaisia niiden välisestä etäisyydestä riippumatta Lähellä voi tarkoittaa Naapuruutta, jolloin tarkastellaan vain vierekkäisiä hila-alkioita (4-naapuruus), kuten shakkilautaesimerkissä vain vierekkäisiä polygoniverkon alueita (muita aluepareja ei oteta ollenkaan huomioon) Etäisyyttä pisteiden välillä mitä lyhyempi etäisyys, sen suurempi paino läheisyydellä Polygoniverkkoa voidaan tarkastella alueiden keskipisteinä, joiden väliset etäisyydet lasketaan
11 L-7 Spatiaalinen autokorrelaatio (2) Samankaltaisuus tarkoittaa Nominaaliselle ominaisuustiedolle, että arvon on oltava sama, muuten samankaltaisuutta ei ole (1 tai 0) Ordinaaliselle tiedolle, että arvo voi olla sama (täysi samankaltaisuus), seuraava/edellinen arvo (jossain määrin samankaltainen) tai kauempana oleva arvo (samankaltaisuus on heikko tai sitä ei ole); nämä ilmaistaan lukuarvoina (1..0) Kvantitatiiviselle ominaisuustiedolle (intervalli- tai suhdelukuasteikolla) arvojen erotusta, jota voidaan käsitellä edelleen, esim. korottaa toiseen potenssiin (samankaltaisuus saa suuremman painon, erilaisuus korostuu) Spatiaalista autokorrelaatiota voidaan tarkastella paitsi globaalisti koko kohde-/aluejoukossa myös paikallisesti osa-alueittain
12 L-8 Pisteistä alueeksi (1) Tiheyspinta Pistemäisten kohteiden muuntaminen pinnaksi, joka esittää pisteiden tiheyden Tiheysvaihtelun ja tihentymien havaitsemiseksi visuaalisesti (pisteiden visualisointi hankalaa, jos tiheys paikoitellen niin suuri, että pisteet piirtyvät päällekkäin) Mahdollistaa pistedatan vertailun spatiaalisesti jatkuvien muuttujien (pintojen) kanssa Tiheys missä tahansa tarkastelualueen kohdassa p Pisteiden lukumäärä kernelin alueella, kun kernel keskistetty pisteeseen p Kernel-funktio niin, että läheisimmät pisteet saavat suurimman painon Näin tiheyspinnasta tulee jatkuva ja pehmeästi muuttuva Haaste: tiheys riippuu tarkastelumittakaavasta eli kernel-funtion leveys eli säde vaikuttaa tulokseen
13 L-8 Pisteistä alueeksi (2) Spatiaalinen interpolointi Myös pisteistä pinnaksi, mutta kyseessä käsitteellisesti eri asia: spatiaalisesti jatkuvan muuttujan arvojen ennustaminen ( valistunut arvaus ) otantapisteissä mitattujen arvojen (ns. tunnettujen pisteiden) perusteella Edellyttää (jonkinasteista) positiivista spatiaalisen autokorrelaatiota, muuten interpoloinnille ei ole edellytyksiä Erilaisia lähestymistapoja: globaali tai paikallinen (sen mukaan käytetäänkö kaikkia tunnettuja pisteitä vai vain lähellä olevia); deterministinen tai stokastinen (laskentatapa); tasaisesti muuttuva vai äkilliset muutokset tuloksena olevassa pinnassa Menetelmä tulisi valita ilmiön luonteen perusteella Ks. menetelmiä luentokalvoista ja kirjasta
Paikkatiedon hallinta ja analyysi
HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Paikkatiedon hallinta ja analyysi Antti Leino Marko Salmenkivi 15.3.29.4.2005
LisätiedotPaikkatiedon käsittely 12. Yhteenveto
HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Paikkatiedon käsittely 12. Yhteenveto Antti Leino antti.leino@cs.helsinki.fi 22.2.2007 Tietojenkäsittelytieteen laitos Kurssin sisältö
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
LisätiedotLuento 6: Tulostusprimitiivien toteutus
Tietokonegrafiikan perusteet T-111.4300 3 op Luento 6: Tulostusprimitiivien toteutus Lauri Savioja 11/07 Primitiivien toteutus / 1 ntialiasointi Fill-algoritmit Point-in-polygon Sisältö Primitiivien toteutus
LisätiedotMS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 2: Usean muuttujan funktiot
MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 2: Usean muuttujan funktiot Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Syksy 2016 Antti Rasila (Aalto-yliopisto)
LisätiedotPaikkatiedon käsittely 4. Diskreettiä geometriaa
HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Paikkatiedon käsittely 4. Diskreettiä geometriaa Antti Leino antti.leino@cs.helsinki.fi 25.1.2007 Tietojenkäsittelytieteen laitos Laskentatarkkuuden
LisätiedotPaikkatiedon käsittely 10. Aluekohteiden yhteisesiintymät
HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Paikkatiedon käsittely 10. Aluekohteiden yhteisesiintymät Antti Leino antti.leino@cs.helsinki.fi 15.2.2007 Tietojenkäsittelytieteen laitos
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (CHEM) Luento 2: Usean muuttujan funktiot
MS-A0207 Differentiaali- ja integraalilaskenta 2 (CHEM) Luento 2: Usean muuttujan funktiot Harri Hakula Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2018 1 Perustuu Antti Rasilan luentomonisteeseen
LisätiedotJHS 160 Paikkatiedon laadunhallinta Liite I: Esimerkkejä mitattavien laatutekijöiden osatekijöiden sovelluskohteista. 1. Johdanto...
JHS 160 Paikkatiedon laadunhallinta Liite I: Esimerkkejä mitattavien laatutekijöiden osatekijöiden sovelluskohteista Sisällysluettelo 1. Johdanto...2 2. Täydellisyys...2 3. Looginen eheys...3 4. Sijaintitarkkuus...5
LisätiedotBM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 4, Syksy 2016
BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 4, Syksy 2016 1. Hahmottele karkeasti funktion f : R R 2 piirtämällä sen arvoja muutamilla eri muuttujan arvoilla kaksiulotteiseen koordinaatistoon
LisätiedotLuento 2: Tulostusprimitiivit
Tietokonegrafiikan perusteet T-111.4300 3 op Luento : Tulostusprimitiivit Lauri Savioja 11/06 D primitiivit / 1 Sisältö Mallintamisen alkeita Perusprimitiivit (GKS) attribuutteineen Näyttömuisti D primitiivit
Lisätiedot2.2. Kohteiden konstruktiivinen avaruusgeometrinen esitys
.. Kohteiden konstruktiivinen avaruusgeometrinen esitys Avaruusgeometrinen esitys on käyttäjäriippuvainen ja vaati erikoismenetelmiä tai lopuksi konversion monikulmiomalliksi. Se on korkean tason esitys
Lisätiedot1. Johdanto Todennäköisyysotanta Yksinkertainen satunnaisotanta Ositettu otanta Systemaattinen otanta...
JHS 160 Paikkatiedon laadunhallinta Liite III: Otanta-asetelmat Sisällysluettelo 1. Johdanto... 2 2. Todennäköisyysotanta... 2 2.1 Yksinkertainen satunnaisotanta... 3 2.2 Ositettu otanta... 3 2.3 Systemaattinen
LisätiedotGeoinformation in Environmental Modelling
Geoinformation in Environmental Modelling Modelling: from concepts to data models ENY-C2005 Paula Ahonen-Rainio 13.1.2015 Topics today Recap: Two approaches in spatial modelling: discrete objects and fields
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos K:n lähimmän naapurin menetelmä (K-Nearest neighbours) Tarkastellaan aluksi pientä (n = 9) kurjenmiekka-aineistoa, joka on seuraava:
LisätiedotPOHDIN - projekti. Funktio. Vektoriarvoinen funktio
POHDIN - projekti Funktio Funktio f joukosta A joukkoon B tarkoittaa sääntöä, joka liittää jokaiseen joukon A alkioon jonkin alkion joukosta B. Yleensä merkitään f : A B. Usein käytetään sanaa kuvaus synonyymina
Lisätiedoty=-3x+2 y=2x-3 y=3x+2 x = = 6
MAA Koe, Arto Hekkanen ja Jussi Tyni 5.5.015 Loppukoe LASKE ILMAN LASKINTA. 1. Yhdistä kuvaaja ja sen yhtälö a) 3 b) 1 c) 5 d) Suoran yhtälö 1) y=3x ) 3x+y =0 3) x y 3=0 ) y= 3x 3 5) y= 3x 6) 3x y+=0 y=-3x+
LisätiedotHarjoitus 9: Excel - Tilastollinen analyysi
Harjoitus 9: Excel - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen regressioanalyysiin
LisätiedotLuento 6: Geometrinen mallinnus
Tietokonegrafiikan perusteet T-111.4300 3 op Luento 6: Geometrinen mallinnus Lauri Savioja, Janne Kontkanen 11/2007 Geometrinen mallinnus / 1 Sisältö Mitä on geometrinen mallinnus tietokonegrafiikassa
LisätiedotLAS- ja ilmakuva-aineistojen käsittely ArcGIS:ssä
Esri Finland LAS- ja ilmakuva-aineistojen käsittely ArcGIS:ssä November 2012 Janne Saarikko Agenda Lidar-aineistot ja ArcGIS 10.1 - Miten LAS-aineistoa voidaan hyödyntää? - Aineistojen hallinta LAS Dataset
LisätiedotYmpyrä 1/6 Sisältö ESITIEDOT: käyrä, kulma, piste, suora
Ympyrä 1/6 Sisältö Ympyrä ja sen yhtälö Tason pisteet, jotka ovat vakioetäisyydellä kiinteästä pisteestä, muodostavat ympyrän eli ympyräviivan. Kiinteä piste on ympyrän keskipiste ja vakioetäisyys sen
LisätiedotLuento 3: 3D katselu. Sisältö
Tietokonegrafiikan perusteet T-.43 3 op Luento 3: 3D katselu Lauri Savioja Janne Kontkanen /27 3D katselu / Sisältö Kertaus: koordinaattimuunnokset ja homogeeniset koordinaatit Näkymänmuodostus Kameran
LisätiedotExamples of potential exam questions Esimerkkejä mahdollisista tenttikysymyksistä
ENY-C2005 Geoinformation in Environmental Modelling Spring 2016 Examples of potential exam questions Esimerkkejä mahdollisista tenttikysymyksistä Other questions in an exam are possible but these questions
LisätiedotPaikkatiedon hallinta ja analyysi 2. Diskreettiä geometriaa
HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Paikkatiedon hallinta ja analyysi 2. Diskreettiä geometriaa Antti Leino 17. maaliskuuta 2005 Tietojenkäsittelytieteen
LisätiedotTekijä Pitkä matematiikka Pisteen (x, y) etäisyys pisteestä (0, 2) on ( x 0) Pisteen (x, y) etäisyys x-akselista, eli suorasta y = 0 on y.
Tekijä Pitkä matematiikka 5 7..017 37 Pisteen (x, y) etäisyys pisteestä (0, ) on ( x 0) + ( y ). Pisteen (x, y) etäisyys x-akselista, eli suorasta y = 0 on y. Merkitään etäisyydet yhtä suuriksi ja ratkaistaan
LisätiedotLuento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja
1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma
LisätiedotSolmu 3/2001 Solmu 3/2001. Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä:
Frégier n lause Simo K. Kivelä Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä: Suorakulmaisen kolmion kaikki kärjet sijaitsevat paraabelilla y = x 2 ; suoran kulman
LisätiedotFunktion raja-arvo. lukumäärien tutkiminen. tutkiminen
Matematiikka algebra geometria Funktion raja-arvo analyysi tarve lukumäärien tutkiminen kuvioiden ja kappaleiden tutkiminen muutosten tutkiminen DERIVAATTA, MAA6 Yhtä vanhoja kuin ihmiskuntakin ~6 000
LisätiedotPaikkatiedoista hyötyä suunnitteluun ja päätöksentekoon spatio-tilastollisen analyysin menetelmin
Kehittyvä paikkatietotekniikka OSA 1 Matti Kurkela Paikkatiedoista hyötyä suunnitteluun ja päätöksentekoon spatio-tilastollisen analyysin menetelmin Kirsi Virrantaus Tiedon tuottamisen problematiikan rinnalla
LisätiedotKertaus. x x x. K1. a) b) x 5 x 6 = x 5 6 = x 1 = 1 x, x 0. K2. a) a a a a, a > 0
Juuri 8 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 8.9.07 Kertaus K. a) 6 4 64 0, 0 0 0 0 b) 5 6 = 5 6 = =, 0 c) d) K. a) b) c) d) 4 4 4 7 4 ( ) 7 7 7 7 87 56 7 7 7 6 6 a a a, a > 0 6 6 a
LisätiedotJohdatus paikkatietoon
Johdatus paikkatietoon - Paikkatieto tutuksi - PAIKKATIETOPAJA hanke 9.5.2007 Paikkatiedon määritelmiä Paikannettua kohdetta tai ilmiötä kuvaava sijaintitiedon ja ominaisuustiedon looginen kokonaisuus
LisätiedotMAAPALLON GEOMETRIA JA SEN SELVITTÄMINEN
STRUVEN KETJULLA MAAPALLOA MITTAAMAAN: MAAPALLON GEOMETRIA JA SEN SELVITTÄMINEN Joonas Ilmavirta Matematiikan ja tilastotieteen laitos Jyväskylän yliopisto 3.10.2017 OSA I: MAAPALLON GEOMETRIA MAAPALLON
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
LisätiedotEPMAn tarjoamat analyysimahdollisuudet
Top Analytica Oy Ab Laivaseminaari 27.8.2013 EPMAn tarjoamat analyysimahdollisuudet Jyrki Juhanoja, Top Analytica Oy Johdanto EPMA (Electron Probe Microanalyzer) eli röntgenmikroanalysaattori on erikoisrakenteinen
LisätiedotPaikkatiedon käsittely
HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Paikkatiedon käsittely Antti Leino antti.leino@cs.helsinki.fi 15.1. 22.2.2007 Tietojenkäsittelytieteen laitos Yleiskuvaus Kurssilla käsitellään
Lisätiedot2 Pistejoukko koordinaatistossa
Pistejoukko koordinaatistossa Ennakkotehtävät 1. a) Esimerkiksi: b) Pisteet sijaitsevat pystysuoralla suoralla, joka leikkaa x-akselin kohdassa x =. c) Yhtälö on x =. d) Sijoitetaan joitain ehdon toteuttavia
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotTampereen yliopisto Tietokonegrafiikka 2013 Tietojenkäsittelytiede Harjoitus
Tampereen yliopisto Tietokonegrafiikka 201 Tietojenkäsittelytiede Harjoitus 6 1..201 1. Tarkastellaan Gouraudin sävytysmallia. Olkoon annettuna kolmio ABC, missä A = (0,0,0), B = (2,0,0) ja C = (1,2,0)
LisätiedotVUOROVAIKUTUKSESTA VOIMAAN JA EDELLEEN LIIKKEESEEN. Fysiikan ja kemian pedagogiikan perusteet (mat/fys/kem suunt.), luento 1 Kari Sormunen
VUOROVAIKUTUKSESTA VOIMAAN JA EDELLEEN LIIKKEESEEN Fysiikan ja kemian pedagogiikan perusteet (mat/fys/kem suunt.), luento 1 Kari Sormunen Vuorovaikutus on yksi keskeisimmistä fysiikan peruskäsitteistä
LisätiedotSisältö IBAM. Erityishuomion kohteet IBAMissa. Ruo'on leviämisen mallintaminen
Sisältö Ruo'on leviämisen mallintaminen Ari Jolma, Anas Altartouri, Xiaojie Chen Aalto-yliopisto Inari Helle, Helsingin yliopisto Päivi Korpinen, Syke Mallinnusseminaari 8.2.2010 Viikki, Helsinki Taustaa,
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 20. syyskuuta 2007 Antti Rasila () TodB 20. syyskuuta 2007 1 / 17 1 Kolmogorovin aksioomat σ-algebra Tapahtuman todennäköisyys 2 Satunnaismuuttujat Todennäköisyysjakauma
LisätiedotBIOHIILEN LEVITYS. Kaistana 10-50m etäisyydelle ylimmästä vedenkorkeudesta. Ei tulva-aikaisen ylimmän vesirajan. Ei 5m lähempänä vesistön ra-
BIOHIILEN LEVITYS Tässä analyysissä olevat rajaukset perustuvat Priit Tammeorgin lausuntoon. Biohiiltä ei tule levittää alueille, jotka ovat liian lähellä vettä ja joissa tulva-aikoina vesi voi huuhtoa
LisätiedotMATEMATIIKKA JA TAIDE II
1 MATEMATIIKKA JA TAIDE II Aihepiirejä: Hienomotoriikkaa harjoittavia kaksi- ja kolmiulotteisia väritys-, piirtämis- ja askartelutehtäviä, myös sellaisia, joissa kuvio jatkuu loputtomasti, ja sellaisia,
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
Lisätiedot5.6.3 Matematiikan lyhyt oppimäärä
5.6.3 Matematiikan lyhyt oppimäärä Matematiikan lyhyen oppimäärän opetuksen tehtävänä on tarjota valmiuksia hankkia, käsitellä ja ymmärtää matemaattista tietoa ja käyttää matematiikkaa elämän eri tilanteissa
LisätiedotTietomallien harmonisointi ja tietopolitiikan yhtenäistäminen
Tietomallien harmonisointi ja tietopolitiikan yhtenäistäminen -kokemuksia MML/Tampere yhteistyön perusteella Antti Jakobsson 28.11.2014, Paikkatietoverkoston seminaari Tarve Aalto-yliopiston selvityksissä
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotMiten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa?
21.3.2019/1 MTTTP1, luento 21.3.2019 7 TILASTOLLISEN PÄÄTTELYN PERUSTEITA Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä
LisätiedotInformaation leviäminen väkijoukossa matemaattinen mallinnus
Informaation leviäminen väkijoukossa matemaattinen mallinnus Tony Nysten 11.4.2011 Ohjaaja: DI Simo Heliövaara Valvoja: Prof. Harri Ehtamo Väkijoukon toiminta evakuointitilanteessa Uhkaavan tilanteen huomanneen
LisätiedotMTTTP1, luento KERTAUSTA
26.9.2017/1 MTTTP1, luento 26.9.2017 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2017/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
Lisätiedotversio Laatija: Juha Jämsén, Marko Keisala Maa-ainesten huuhtoutumisriskikartta Aineisto ja sen käyttötarkoitus
Maa-ainesten huuhtoutumisriskikartta Aineisto ja sen käyttötarkoitus Aineistossa on esitetty uomat, joissa veden laskennallinen virtausnopeus ylittää maalajin rajanopeuden. Maalajin rajanopeudella tarkoitetaan
LisätiedotLineaarisen ohjelman määritelmä. Joonas Vanninen
Lineaarisen ohjelman määritelmä Joonas Vanninen Sisältö Yleinen optimointitehtävä Kombinatorinen tehtävä Optimointiongelman tapaus Naapurusto Paikallinen ja globaali optimi Konveksi optimointitehtävä Lineaarinen
LisätiedotPaikkatiedon käsittely 11. Suuren mittakaavan
HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Paikkatiedon käsittely 11. Suuren mittakaavan ilmiöt Antti Leino antti.leino@cs.helsinki.fi 19.2.2007 Tietojenkäsittelytieteen laitos
Lisätiedot2.6 Funktioiden kuvaajat ja tasa-arvojoukot
2.6 Funktioiden kuvaajat ja tasa-arvojoukot Olkoon I R väli. Yhden muuttujan funktion g : I R kuvaaja eli graafi on avaruuden R 2 osajoukko {(x, y) R 2 : x I, y = g(x)}. 1 0 1 2 3 1 0.5 0 0.5 1 Kuva 2.1:
LisätiedotMTTTP1, luento KERTAUSTA
25.9.2018/1 MTTTP1, luento 25.9.2018 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
LisätiedotBasic Raster Styling and Analysis
Basic Raster Styling and Analysis QGIS Tutorials and Tips Author Ujaval Gandhi http://google.com/+ujavalgandhi Translations by Kari Salovaara This work is licensed under a Creative Commons Attribution
LisätiedotMatematiikka vuosiluokat 7 9
Matematiikka vuosiluokat 7 9 Matematiikan opetuksen ydintehtävänä on tarjota oppilaille mahdollisuus hankkia sellaiset matemaattiset taidot, jotka antavat valmiuksia selviytyä jokapäiväisissä toiminnoissa
Lisätiedot811120P Diskreetit rakenteet
811120P Diskreetit rakenteet 2016-2017 4. Joukot, relaatiot ja funktiot Osa 1: Joukot 4.1 Joukot Matemaattisesti joukko on mikä tahansa hyvin määritelty kokoelma objekteja, joita kutsutaan joukon alkioiksi
LisätiedotTIES592 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
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotZonation Työkalu suojelusuunnitteluun
Zonation Työkalu suojelusuunnitteluun ja -resurssien kohdentamiseen Zonation-koulutus Suomen ympäristökeskus 29..204 Hei! Joona Lehtomäki Helsingin yliopisto / SYKE Väitöskirja: Quantitative methods for
LisätiedotKäyttöohje: Valuma-alueen määritys työkalun käyttö karttapalvelussa
KÄYTTÖOHJE Valuma-alueen määritys 1 (10) Käyttöohje: Valuma-alueen määritys työkalun käyttö karttapalvelussa Sisällys Sisällys... 1 Alustus... 1 Käyttöönotto... 2 Toimintopainikkeet... 2 Karttatasot...
Lisätiedotx j x k Tällöin L j (x k ) = 0, kun k j, ja L j (x j ) = 1. Alkuperäiselle interpolaatio-ongelmalle saadaan nyt ratkaisu
2 Interpolointi Olkoon annettuna n+1 eri pistettä x 0, x 1, x n R ja n+1 lukua y 0, y 1,, y n Interpoloinnissa etsitään funktiota P, joka annetuissa pisteissä x 0,, x n saa annetut arvot y 0,, y n, (21)
LisätiedotTalousmatematiikan perusteet: Luento 4. Potenssifunktio Eksponenttifunktio Logaritmifunktio
Talousmatematiikan perusteet: Luento 4 Potenssifunktio Eksponenttifunktio Logaritmifunktio Viime luennolla Funktiolla f: A B kuvataan muuttujan y B riippuvuutta muuttujasta x A A on lähtö- tai määrittelyjoukko
Lisätiedot5.3 Suoran ja toisen asteen käyrän yhteiset pisteet
.3 Suoran ja toisen asteen käyrän yhteiset pisteet Tämän asian taustana on ratkaista sellainen yhtälöpari, missä yhtälöistä toinen on ensiasteinen ja toinen toista astetta. Tällainen pari ratkeaa aina
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas KAKSIULOTTEISEN EMPIIRISEN JAKAUMAN TARKASTELU Jatkuvat muuttujat: hajontakuvio Koehenkilöiden pituus 75- ja 80-vuotiaana ID Pituus 75 Pituus 80 1 156
Lisätiedot6.4. Järjestyssuhteet
6.4. Järjestyssuhteet Joukon suhteilla voidaan kuvata myös alkioiden järjestystä tietyn ominaisuuden suhteen. Järjestys on myös kaksipaikkainen suhde (ja on monia erilaisia järjestyksiä). Suhde R joukossa
LisätiedotMS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus
MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1 / 18
LisätiedotKESKEISET SISÄLLÖT Keskeiset sisällöt voivat vaihdella eri vuositasoilla opetusjärjestelyjen mukaan.
VUOSILUOKAT 6 9 Vuosiluokkien 6 9 matematiikan opetuksen ydintehtävänä on syventää matemaattisten käsitteiden ymmärtämistä ja tarjota riittävät perusvalmiudet. Perusvalmiuksiin kuuluvat arkipäivän matemaattisten
LisätiedotKommentoitava luonnos Kansallinen maastotietokanta KMTK Käsitemalli Hydrografia
Kommentoitava luonnos 1 Kansallinen maastotietokanta KMTK Käsitemalli Hydrografia 1. Johdanto Kommentoitava luonnos 2 Tässä dokumentissa esitellään Kansallisen maastotietokannan (KMTK) Hydrografia -teeman
LisätiedotPaikkatietojärjestelmät
Paikkatietojärjestelmät Engl. GIS, Geographical Information Systems. Paikkatieto on tietoa, johon liittyy maantieteellinen sijainti (koordinaatit). Paikkatieto esitetään taulukkona jossa on kunkin sijainnin
LisätiedotLauseen erikoistapaus on ollut kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa seuraavassa muodossa:
Simo K. Kivelä, 13.7.004 Frégier'n lause Toisen asteen käyrillä ellipseillä, paraabeleilla, hyperbeleillä ja niiden erikoistapauksilla on melkoinen määrä yksinkertaisia säännöllisyysominaisuuksia. Eräs
LisätiedotJuuri 6 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Vastaus: Määrittelyehto on x 1 ja nollakohta x = 1.
Juuri 6 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 4..6 Kokoavia tehtäviä ILMAN TEKNISIÄ APUVÄLINEITÄ. a) Funktion f( ) = määrittelyehto on +, eli. + Ratkaistaan funktion nollakohdat. f(
LisätiedotTUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas
TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas KURSSIN SISÄLTÖ Johdanto Mittaaminen ja aineiston hankinta Mitta-asteikot Otanta Aineiston esittäminen ja data-analyysi Havaintomatriisi
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS NEUROVERKOT TURINGIN KONE (TAI TAVALLINEN OHJELMOINTI) VAIN YKSI LASKENNAN MALLI ELÄINTEN HERMOSTOSSA LASKENTA ERILAISTA: - RINNAKKAISUUS - STOKASTISUUS (SATUNNAISUUS) - MASSIIVINEN
LisätiedotPaikkatiedon hyödyntäminen vesiensuojeluyhdistyksissä
Everything happens somewhere. - Unknown Paikkatiedon hyödyntäminen vesiensuojeluyhdistyksissä Sini Pöytäniemi Paikkatietosuunnittelija Länsi-Uudenmaan vesi ja ympäristö ry 80 % (esim. julkishallinnon tuottamasta)
LisätiedotSeutukartan aineistokuvaus
1 Seutukartan aineistokuvaus Tuotetiedot Nimi suomeksi Nimi ruotsiksi Nimi englanniksi Tuottaja Ylläpitäjä Tiedostomuoto Spatiaalinen geometriatyyppi Mittakaava, erotuskyky Seutukartta Karta över Helsingforsregionen
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
LisätiedotTUTKIMUSAINEISTON 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.
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
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
LisätiedotTaso 1/5 Sisältö ESITIEDOT: vektori, koordinaatistot, piste, suora
Taso 1/5 Sisältö Taso geometrisena peruskäsitteenä Kolmiulotteisen alkeisgeometrian peruskäsitteisiin kuuluu taso pisteen ja suoran lisäksi. Intuitiivisesti sitä voidaan ajatella joka suunnassa äärettömyyteen
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS NEUROVERKOT TURINGIN KONE (TAI TAVALLINEN OHJELMOINTI) VAIN YKSI LASKENNAN MALLI ELÄINTEN HERMOSTOSSA LASKENTA ERILAISTA: - RINNAKKAISUUS - STOKASTISUUS (SATUNNAISUUS) - MASSIIVINEN
Lisätiedot4. Esittäminen ja visualisointi (renderöinti)
4. Esittäminen ja visualisointi (renderöinti) Tutkitaan erilaisia renderöintimenetelmiä, joita käytetään luvuissa 2 ja 3 esitettyjen kuvien esitysmuotojen visualisointiin. Seuraavassa selvitetään: (1)
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
LisätiedotTekijä Pitkä matematiikka
K1 Tekijä Pitkä matematiikka 5 7..017 a) 1 1 + 1 = 4 + 1 = 3 = 3 4 4 4 4 4 4 b) 1 1 1 = 4 6 3 = 5 = 5 3 4 1 1 1 1 1 K a) Koska 3 = 9 < 10, niin 3 10 < 0. 3 10 = (3 10 ) = 10 3 b) Koska π 3,14, niin π
LisätiedotAlgoritmi III Vierekkäisten kuvioiden käsittely. Metsätehon tuloskalvosarja 7a/2018 LIITE 3 Timo Melkas Kirsi Riekki Metsäteho Oy
Algoritmi III Vierekkäisten kuvioiden käsittely Metsätehon tuloskalvosarja 7a/2018 LIITE 3 Timo Melkas Kirsi Riekki Metsäteho Oy Algoritmi III vierekkäisten kuvioiden käsittely Lähtötietoina algoritmista
Lisätiedot3D animaatio: liikekäyrät ja interpolointi. Tommi Tykkälä
3D animaatio: liikekäyrät ja interpolointi Tommi Tykkälä Läpivienti Keyframe-animaatio Lineaarisesta interpoloinnista TCB-splineihin Bezier-käyrät Rotaatioiden interpolointi Kameran animointi Skenegraafit
LisätiedotPreliminäärikoe Tehtävät A-osio Pitkä matematiikka kevät 2016 Sivu 1 / 4
Preliminäärikoe Tehtävät A-osio Pitkä matematiikka kevät 06 Sivu / 4 Laske yhteensä enintään 0 tehtävää. Kaikki tehtävät arvostellaan asteikolla 0-6 pistettä. Osiossa A EI SAA käyttää laskinta. Osiossa
Lisätiedot1a) Laske metsämuuttujat (havumetsä, lehtimetsä, sekametsä, harvapuiset alueet) yhteen Suomessa
Vastaukset vk2: 1a) Laske metsämuuttujat (havumetsä, lehtimetsä, sekametsä, harvapuiset alueet) yhteen Suomessa Raster Calculator "lehtimetsa.tif" + "harvapuiset.tif" + "havumetsa.tif" + "sekametsa.tif"
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
LisätiedotNäistä standardoiduista arvoista laskettu keskiarvo on nolla ja varianssi 1, näin on standardoidulle muuttujalle aina.
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, kevät 2019 https://coursepages.uta.fi/mtttp1/kevat-2019/ HARJOITUS 3 Joitain ratkaisuja 1. x =(8+9+6+7+10)/5 = 8, s 2 = ((8 8) 2 + (9 8) 2 +(6 8) 2 + (7 8) 2 ) +
LisätiedotSUOJAVYÖHYKKEET. Raakaversio
SUOJAVYÖHYKKEET Tämän raportin tarkoituksena on esitellä paikkatietoanalyysi jossa pyritään osoittamaan optimaalinen sijainti suojavyöhykkeille. Esitelty paikkatietoanalyysi on osa KOTOMA-hankkeessa tehtävää
LisätiedotJoukot. Georg Cantor ( )
Joukot Matematiikassa on pyrkimys määritellä monimutkaiset asiat täsmällisesti yksinkertaisempien asioiden avulla. Tarvitaan jokin lähtökohta, muutama yleisesti hyväksytty ja ymmärretty käsite, joista
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS NEUROVERKOT TURINGIN KONE (TAI TAVALLINEN OHJELMOINTI) VAIN YKSI LASKENNAN MALLI ELÄINTEN HERMOSTOSSA LASKENTA ERILAISTA: - RINNAKKAISUUS - STOKASTISUUS (SATUNNAISUUS) - MASSIIVINEN
LisätiedotVUOROVAIKUTUKSESTA VOIMAAN JA EDELLEEN LIIKKEESEEN. Fysiikan ja kemian perusteet ja pedagogiikka, luento Kari Sormunen
VUOROVAIKUTUKSESTA VOIMAAN JA EDELLEEN LIIKKEESEEN Fysiikan ja kemian perusteet ja pedagogiikka, 1.-2. luento Kari Sormunen Mitä yhteistä? Kirja pöydällä Opiskelijapari Teräskuulan liike magneetin lähellä
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Bayesläinen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
Lisätiedot