1 Johdanto 2. 2 Työkansion asettaminen 3. 3 Aineistojen lukeminen DAT-tiedosto SPSS-tiedosto Excel... 3
|
|
- Päivi Manninen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Sisältö 1 Johdanto 2 2 Työkansion asettaminen 3 3 Aineistojen lukeminen DAT-tiedosto SPSS-tiedosto Excel Aineiston kuvaaminen lowess-tasoitus, paikallinen regressio keskiarvoviiva eli interpolaatio-viiva Aineiston osittaminen 5 6 rbind 6 7 luupit 6 8 Toiveet kurssilla käsiteltävistä aiheista 6 9 Harjoituksia harjoitusten vastauksia 8 11 Exploring correlation structure 11 1
2 R-kurssi: luento 1 ja harjoitukset Veli-Matti Sorvala 20. marraskuuta 2013 Netistä löydettyä. Henkilö kertoo kokemuksestaan ryhdyttyään käyttämään R:ää Excelin sijaan: "... or if you finish your tasks too quickly and accurately, your boss will doubt whether you have really spent time on working, hence you will get less money paid (this is a REAL story for me - though I didn t get less payment, I was indeed doubted when I used R);..." 1 Johdanto En pyri luomaan yleiskattavaa "keittokirjaa" R-ohjelmointiin; en pidä sellaisen tuottamista edes hyödyllisenä. Käyn läpi asioita, jotka olen tutkimuksissani ja opiskeluissani kokenut hyödyllisiksi ja jotka ovat motivoinneet minua työskentelemään R:n parissa. Kannustan rohkeasti kokeilemaan kaikenlaista R:llä, niin mielestäni parhaiten oppii. Kannattaa varmistaa, että ymmärtää mitä on tekemässä. Kurssilla kannattaa kysyä; kaikkea en aina selitä tyhjentävästi. Yksi yleisperiaate tilastollisessa analyysissä on, että analyysityyppi riippuu suurelta osin muuttujien mitta-asteikoista. Esimerkiksi prosentteja ei ole aina välttämättä syytä analysoida sanoin kuin normaalijakaumaa noudattavaa muuttujaa. Kurssi tulee koostumaan koostumaan seuraavista osista: luento harjoituksissa vastaantulevista asioista, harjoitukset ja harjoitusten vastausten läpikäynti ja keskustelu. Vaikka kaikessa tilastotieteellisessä tutkimuksessa keskeistä on aineiston perustanlaatuinen tuntemus, niin en ole valinnut käytettäviä aineistoja tällä perusteella. Kurssin sisältöön voi vaikuttaa. Kerään toimumuslistan tämän luennon lopussa ja pyrin kurssin kuluessa toteuttamaan parhaani mukaan toiveitanne. 2
3 Käsiteltävistä asioista voidaan myös äänestää. Tietyt asiat tulen käymään läpi joka tapauksessa. 2 Työkansion asettaminen Yleensä, jos tiedostoa ei löydy, syy on se, että työkansiota ei ole asetettu oikein. Windowsissa näin: setwd( d : R kurssi ).Linuxissa näin: setwd("/home/sorvala/asiakirjat/r-kurssi") 3 Aineistojen lukeminen 3.1 DAT-tiedosto A = read.table( cows.dat ) 3.2 SPSS-tiedosto "A=read.spss("bankloan.sav",to.data.frame=TRUE)" 3.3 Excel Työstä ensiksi Excel-tiedosto yhdeksi työkirjaksi, jossa ensimmäisellä rivillä on muuttujien nimet ja muuttujien arvot nimien alla. Tiedosto ei saa sisältää mitään muuta, kuvia ym. Muunna sitten desimaalierotin pilkusta pisteeksi. (find-replace all). Tallenna tiedosto csv-muotoon pilkkuerottimena. Sitten voit avata tiedoston R:ssä seuraavasti. Katso R-koodi. data = read.csv( excel.csv,header = TRUE,sep =, ) Jos Excelissä voi tallentaa csv-muotoon muulla kuin pilkkuerottomille, niin tallenna se siihen muotoon ja muuta sep="valitsemasi merkkisi". Tällöin voit ohittaa desimaalierottimen muuntamisen pilkusta pisteeksi. Voit laittaa täsmennyksen,fill = TRUE, jos rivisi on eripituisia Exceltiedostossa. 4 Aineiston kuvaaminen Aineiston kuvaamisessa haasteena on yhdistää aineiston tiivistäminen ja aineiston välittämän informaation esilletuominen sitä vääristämättä. Kaiken 3
4 kuvaaminen ei ole myöskään oikea ratkaisu, koska silloin usein kuvaa vain satunnaisuutta. Vaikka ei kuvaisikaan vain satunnaisuutta, tieto pitäisi pystyä tiivistämään olennaiseen. Miljoonan yksityiskohdan tuominen jo aineiston kuvailun yhteydessä tuskin helpottaa tehtävää. Vertailen tässä kahta tapaa kuvata aineistoa siinä tapauksessa, että molemmat muuttujat ovat jatkuvia tai vasemmalta tai/ja oikealta katkaistuja jatkuvia muuttujia. 4.1 lowess-tasoitus, paikallinen regressio Lowess-tasoitus on yksi ei-parametrisista regressiomenetelmistä, joita voi käyttää estimoimaan keskimääräistä vastausprofiilia jonkin jatkuvan muuttujan kuvaajana, erityisesti kun x-akselilla on aika. Ne kaikki ovat samankaltaisia menetelmiä. Yksinkertaisin näistä, Kernel-estimointi, laskee hajontakuviossa "ikkunan"sisällä havaintojen keskiarvon x-akselin pisteeseen x. Ikkunaa liikutetaan ja näin lasketaan kaikkia x-akselin pisteitä vastaava y-akselin arvo. Jos ikkuna on niin kapea, että kuhunkin ikkunaan mahtuu vain yksi havainto, tuloksena on interpolaatio-viiva. Jos ikkuna on niin laaja, että se kattaa koko hajontakuvion tuloksena on vakio-viiva, joka leikkaa y-akselin y-muuttujan keskiarvon kohdalta. Painojen havainnolle ikkunan sisällä ei tarvitse olla vakioita vaan voidaan esimerkiksi antaa suuremmat painot ikkunan sisällä havainnoille, jotka ovat lähempänä pistettä x. Painot voivat määrittyä esimerkiksi Gaussin kernelin mukaan elik(u) = exp = exp( u 2 ). Ikkunan leveyttä kutsutaan taajuudeksi, bandwidth. Lowess-tasoitus on luonnollinen laajennus kernel-estimoinnille tehden ne robustimmiksi, eli vähemmän herkäksi poikkeaville havainnoille. Lowess-tasoitus lähtee samanlaisesta ikkunoinnista kuin kernel-metodi. Lowess-tasoitus ei laske ikkunan sisällä painotettua keskiarvoa vaan painotetun pienimmän neliösumman suoran (estimoituna pisteessä x). Kuten aikaisemminkin enemmän painoa annetaan havainnoille keskellä ikkunaa. Kun suora ikkunan sisällä on estimoitu residuaali (pystysuora)- etäisyys viivasta kuhunkin pisteeseen määritetään. Poikkeavat havainnot, pisteet joilla suuri residuaali, alaspainotetaan ja viiva lasketaan uudelleen. Prosessi iteroidaan muutaman kerran. Lopputuloksena on sovitettu viiva, joka ei ole herkka havainnoille, joilla poikkeava Y-arvo. Lowess-käyrän arvo pisteessä x on vain ennustettu arvo viivalle. Koko lowess-käyrä saadaan aikaiseksi toistamalla prosessia halutuissa pisteissä. Siten Lowess-tasoitus on varsin kehittynyt tapa estimoida datasta nousevia trendejä niin että epäolennaisille poikkeamille ei anneta liikaa arvoa. 4
5 Kuva 1: Dyslexia-data, interpolaatio 4.2 keskiarvoviiva eli interpolaatio-viiva Tätä käsittelinkin jo, mutta kuva 1 herättää keskeisen kysymyksen: Onko kaikki kuvan informaatio olennaista? Tässä koodia siitä miten keskiarvoaineiston saat tuotettua: aggdata <-aggregate(readingskills, by=list(readingskills$iq), FUN=mean, na.rm=t) 5 Aineiston osittaminen Näin saat valittua osa-aineiston: summary(readingskills) 5
6 newdata <- ReadingSkills[ which(readingskills$dyslexia== yes ),] summary(newdata) Näin voit valita muuttujia olemassa olevasta datasta: A = newdata A = A[,[1,3]] 6 rbind Voit yhdistää havainnot eri aineistoista yhdeksi aineistoksi (samat muuttujat) rbind-funktiolla: D=rbind(B,C). 7 luupit Loopeilla voi välttää monia toistuvia ja usein ikäviä ohjelmointivaiheita. R:ssä on useita tapoja toteuttaa niitä ja tilanteesta riippuen toiset tavat ovat parempia kuin toiset. Eräs tapa toteuttaa R:ssä luuppeja on seuraavanlainen: for(i in unique(a[,1])){ lines(lowess(a[,2:3][a[,1]==i,]),col=i) } Esittelen muita tapoja myöhemmin. 8 Toiveet kurssilla käsiteltävistä aiheista 6
Aki Taanila YHDEN SELITTÄJÄN REGRESSIO
Aki Taanila YHDEN SELITTÄJÄN REGRESSIO 26.4.2011 SISÄLLYS JOHDANTO... 1 LINEAARINEN MALLI... 1 Selityskerroin... 3 Excelin funktioita... 4 EKSPONENTIAALINEN MALLI... 4 MALLIN KÄYTTÄMINEN ENNUSTAMISEEN...
LisätiedotValitse aineisto otsikoineen maalaamalla se hiirella ja kopioimalla (Esim. ctrl-c). Vaihtoehtoisesti, Lataa CSV-tiedosto
Versio k15 Näin laadit ilmastodiagrammin Libre Officen taulukkolaskentaohjelmalla. Ohje on laadittu käyttäen Libre Officen versiota 4.2.2.1. Voit ladata ohjelmiston omalle koneellesi osoitteesta fi.libreoffice.org.
LisätiedotMuuttujien määrittely
Tarja Heikkilä Muuttujien määrittely Määrittele muuttujat SPSS-ohjelmaan lomakkeen kysymyksistä. Harjoitusta varten lomakkeeseen on muokattu kysymyksiä kahdesta opiskelijoiden tekemästä Joupiskan rinneravintolaa
LisätiedotASCII-taidetta. Intro: Python
Python 1 ASCII-taidetta All Code Clubs must be registered. Registered clubs appear on the map at codeclubworld.org - if your club is not on the map then visit jumpto.cc/18cplpy to find out what to do.
LisätiedotLaskuharjoitus 9, tehtävä 6
Aalto-yliopiston perustieteiden korkeakoulu Jouni Pousi Systeemianalyysin laboratorio Mat-2.4129 Systeemien identifiointi Laskuharjoitus 9, tehtävä 6 Tämä ohje sisältää vaihtoehtoisen tavan laskuharjoituksen
LisätiedotTietorakenteet, laskuharjoitus 7, ratkaisuja
Tietorakenteet, laskuharjoitus, ratkaisuja. Seuraava kuvasarja näyttää B + -puun muutokset lisäysten jälkeen. Avaimet ja 5 mahtuvat lehtisolmuihin, joten niiden lisäys ei muuta puun rakennetta. Avain 9
LisätiedotTEEMA 2 TAULUKKODATAN KÄSITTELY JA TIEDON VISUALISOINTI LUENTO 3
TEEMA 2 TAULUKKODATAN KÄSITTELY JA TIEDON VISUALISOINTI LUENTO 3 TIEY4 Tietotekniikkataidot Kevät 2019 Juhani Linna 20.3.2019 TÄLLÄ LUENNOLLA Taustaa harjoituksiin 4 ja 5: 1. Harjoitusten 4 ja 5 esittely
LisätiedotHarjoitus 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
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
LisätiedotKynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto
Kynä-paperi -harjoitukset Taina Lehtinen 43 Loput ratkaisut harjoitustehtäviin 44 Stressitestin = 40 s = 8 Kalle = 34 pistettä Ville = 5 pistettä Z Kalle 34 8 40 0.75 Z Ville 5 8 40 1.5 Kalle sijoittuu
LisätiedotLogistinen regressio, separoivat hypertasot
Logistinen regressio, separoivat hypertasot Topi Sikanen Logistinen regressio Aineisto jakautunut K luokkaan K=2 tärkeä erikoistapaus Halutaan mallintaa luokkien vedonlyöntikertoimia (odds) havaintojen
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
LisätiedotMatematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot
Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot Sievin lukio Tehtävien ratkaisut tulee olla esim. Libre officen -writer ohjelmalla tehtyjä. Liitä vastauksiisi kuvia GeoGebrasta ja esim. TI-nSpire
LisätiedotMEM-O-MATIC. 6800 järjestelmä
MEM-O-MATIC 6800 järjestelmä Ohjeet Windows yhdysohjelmalle / 6800 yhdysohjelman käyttöohje זתתתתת Windows yhdysohjelman asennus tietokoneelle Tee uusi kansio esimerkiksi nimellä MEMO kovalevyllesi. Kopio
LisätiedotYou can check above like this: Start->Control Panel->Programs->find if Microsoft Lync or Microsoft Lync Attendeed is listed
Online Meeting Guest Online Meeting for Guest Participant Lync Attendee Installation Online kokous vierailevalle osallistujalle Lync Attendee Asennus www.ruukki.com Overview Before you can join to Ruukki
LisätiedotLuento 7 Taulukkolaskennan edistyneempiä piirteitä Aulikki Hyrskykari
Luento 7 Taulukkolaskennan edistyneempiä piirteitä 25.10.2016 Aulikki Hyrskykari Luento 7 o Kertausta: suhteellinen ja absoluuttinen viittaus o Tekstitiedoston tuonti Exceliin o Tietojen lajittelu, suodatus
LisätiedotMatlab-tietokoneharjoitus
Matlab-tietokoneharjoitus Tämän harjoituksen tavoitteena on: Opettaa yksinkertaisia piirikaavio- ja yksikkömuunnoslaskuja. Opettaa Matlabin perustyökaluja mittausten analysoimiseen. Havainnollistaa näytteenottotaajuuden,
LisätiedotCLT255: Tulosten esittäminen ja niiden arviointi tilastomenetelmillä
CLT255: Tulosten esittäminen ja niiden arviointi tilastomenetelmillä Anssi Yli-Jyrä Syksy 2012 2. opetuskerta, 14.9.2012, luento ja harjoitukset Tämän opetuskerran ja siihen liittyvien harjoitusten jälkeen:
LisätiedotKsenos Prime Käyttäjän opas
Ksenos Prime Käyttäjän opas Versio 11.301 Turun Turvatekniikka Oy 2011 Selaa tallenteita. Tallenteiden selaaminen tapahtuu samassa tilassa kuin livekuvan katselu. Voit raahata hiirellä aikajanaa tai käyttää
LisätiedotVestan kaudet 2008/
Vestan kaudet 2008/2011-2017 Miten parantaa jääpallojoukkueen menestystä? Mitä on menestys ja miten mitata menestystä? Peli-iloa ja onnistumisen kokemuksia? Voitettuja kaksinkamppailuja? Korkea sijoitus
LisätiedotTämä on PicoLog Windows ohjelman suomenkielinen pikaohje.
Tämä on PicoLog Windows ohjelman suomenkielinen pikaohje. Asennus: HUOM. Tarkemmat ohjeet ADC-16 englanninkielisessä User Manual issa. Oletetaan että muuntimen kaikki johdot on kytketty anturiin, käyttöjännite
LisätiedotUuden työtilan luonti
Uuden työtilan luonti 1. Valitaan Uusi työtila vasemmanpuoleisesta valikosta 2. Valitaan Tyhjä työtila aukeavasta valikosta. Tämä toiminto luo uuden tyhjän työtilan. 3. Kun uusi työtila on luotu, aukeaa
LisätiedotOpiskelun ja työelämän tietotekniikka (DTEK1043)
Opiskelun ja työelämän tietotekniikka (DTEK1043) pääaine- ja sivuaineopiskelijat Taulukkolaskennan perusteet Yleistä Tämä harjoitus käsittelee taulukkolaskentaohjelman perustoimintoja. Harjoituksissa opetellaan
LisätiedotSiMAP - lämmityksen ohjauskeskus. Contents
1 (13) SiMAP - lämmityksen ohjauskeskus Contents 1. SiMAP SÄÄTÖ - sisäänkirjautuminen...2 2. T - Sensors, TC ja Trend...3 3. ASETUSARVON ASETTAMINEN - asuntojen lämpötila...6 4. MITTAUSNÄKYMÄ...7 4.1 Huoneistot...7
LisätiedotTässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot)
R-ohjelman käyttö data-analyysissä Panu Somervuo 2014 Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. 0) käynnistetään R-ohjelma Huom.1 allaolevissa ohjeissa '>' merkki on R:n
Lisätiedot6. Harjoitusjakso II. Vinkkejä ja ohjeita
6. Harjoitusjakso II Seuraavaksi harjoitellaan algebrallisten syötteiden, komentojen ja funktioiden käyttöä GeoGebrassa. Tarjolla on ensimmäisen harjoittelujakson tapaan kahden tasoisia harjoituksia: perustaso
LisätiedotKUVAN TUOMINEN, MUOKKAAMINEN, KOON MUUTTAMINEN JA TALLENTAMINEN PAINTISSA
KUVAN TUOMINEN, MUOKKAAMINEN, KOON MUUTTAMINEN JA TALLENTAMINEN PAINTISSA SISÄLLYS 1. KUVAN TUOMINEN PAINTIIN...1 1.1. TALLENNETUN KUVAN HAKEMINEN...1 1.2. KUVAN KOPIOIMINEN JA LIITTÄMINEN...1 1.1. PRINT
LisätiedotLuento 5: Stereoskooppinen mittaaminen
Maa-57.300 Fotogrammetrian perusteet Luento-ohjelma 1 2 3 4 5 6 7 8 9 10 11 12 13 Luento 5: Stereoskooppinen mittaaminen AIHEITA Etäisyysmittaus stereokuvaparilla Esimerkki: "TKK" Esimerkki: "Ritarihuone"
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa Luentokuulustelujen esimerkkivastauksia Pertti Palo 30. marraskuuta 2012 Saatteeksi Näiden vastausten ei ole tarkoitus olla malleja vaan esimerkkejä.
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
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
LisätiedotYhdistäminen. Tietolähteen luominen. Word-taulukko. Joukkokirje, osoitetarrat Työvälineohjelmistot 1(5)
Työvälineohjelmistot 1(5) Yhdistäminen Yhdistämistoiminnolla voidaan tehdä esimerkiksi joukkokirjeitä, osoitetarroja, kirjekuoria, jne. Siinä yhdistetään kaksi tiedostoa: Pääasiakirja Tietolähde Pääasiakirjassa
LisätiedotL9: Rayleigh testi. Laskuharjoitus
L9: Rayleigh testi Laskuharjoitus Data on tiedoston H7binput.dat 1. sarake: t = t i Ajan hetket ovat t = t 1, t 2,..., t n, missä n n = 528 Laske ja plottaa välillä f min = 1/P max ja f max = 1/P min z(f
LisätiedotOHJEET WORDPRESS-BLOGIN LUOMISEEN JA TAVALLISIMPIIN BLOGITOIMINTOIHIN
OHJEET WORDPRESS-BLOGIN LUOMISEEN JA TAVALLISIMPIIN BLOGITOIMINTOIHIN Koulutusteknologian perusopinnot Digitaalinen portfolio oppimisen tukena 2010 Essi Vuopala 1. BLOGIN LUOMINEN Mene osoitteeseen http://www.wordpress.com
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
LisätiedotTässä ohjeessa käydään läpi sosiaalisen median verkkopalveluiden lisätoimintojen lisääminen verkkosivuillesi.
SOSIAALINEN MEDIA Tässä ohjeessa käydään läpi sosiaalisen median verkkopalveluiden lisätoimintojen lisääminen verkkosivuillesi. FACEBOOK Facebook mahdollistaa useiden erilaisten Social plugins -toimintojen
LisätiedotTilastollinen päättely II (MAT22003), kevät 2019
Tilastollinen päättely II (MAT22003), kevät 2019 Petteri Piiroinen 13.1.2019 Tilastollinen päättely II -kurssin asema opetuksessa Tilastotieteen pääaineopiskelijoille pakollinen aineopintojen kurssi. Pakollinen
LisätiedotTIETEEN PÄIVÄT OULUSSA 1.-2.9.2015
1 TIETEEN PÄIVÄT OULUSSA 1.-2.9.2015 Oulun Yliopisto / Tieteen päivät 2015 2 TIETEEN PÄIVÄT Järjestetään Oulussa osana yliopiston avajaisviikon ohjelmaa Tieteen päivät järjestetään saman konseptin mukaisesti
LisätiedotTiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan pituus. Intelin osakekurssi. (Pörssi-) päivä n = 20 Intel_Volume. Auringonpilkkujen määrä
MS-C2128 Ennustaminen ja aikasarja-analyysi 4. harjoitukset / Tehtävät Kotitehtävät: 3, 5 Aihe: ARMA-mallit Tehtävä 4.1. Tutustu seuraaviin aikasarjoihin: Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan
LisätiedotExcel-lomakkeen (syöttötaulukko) käyttäminen talousarvio- ja suunnitelmatietojen toimittamisen testaamisessa Kuntatalouden tietopalvelussa
Valtiokonttori 1 (8) Excel-lomakkeen (syöttötaulukko) käyttäminen talousarvio- ja suunnitelmatietojen toimittamisen testaamisessa Kuntatalouden tietopalvelussa Valtiokonttori 2 (8) Sisällys 1 Yleistä...
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:
LisätiedotTeema 3: Tilastollisia kuvia ja tunnuslukuja
Teema 3: Tilastollisia kuvia ja tunnuslukuja Tilastoaineiston peruselementit: havainnot ja muuttujat havainto: yhtä havaintoyksikköä koskevat tiedot esim. henkilön vastaukset kyselylomakkeen kysymyksiin
LisätiedotLUENTO 7 TAULUKKOLASKENTA I
LUENTO 7 TAULUKKOLASKENTA I TIEY4 TIETOTEKNIIKKATAIDOT KEVÄT 2017 JUHANI LINNA ANTTI SAND 24.10.2017 LUENTO 7 24.10.2017 Tällä luennolla 1. Teema 4 Taulukkolaskenta Miksi? Harjoitukset 2. Taustaa yksilöharjoitukseen
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
LisätiedotTeleWell TW-LTE/4G/3G USB -modeemi Cat 4 150/50 Mbps
TeleWell TW-LTE/4G/3G USB -modeemi Cat 4 150/50 Mbps Pikaohje Laite toimii Windows XP SP3, Windows 7,8,10 ja Mac OSx 10.5 tai käyttöjärjestelmissä, Linux tuki netistä ladattavilla ajureilla USB portin
LisätiedotL9: Rayleigh testi. Laskuharjoitus
L9: Rayleigh testi Laskuharjoitus Data on tiedoston Rayleighdata.dat 1. sarake: t = t i Ajan hetket ovat t = t 1, t 2,..., t n, missä n = n = 528 Laske ja plottaa välillä f min = 1/P max ja f max = 1/P
LisätiedotViikon 5 harjoituksissa käytämme samoja aikasarjoja kuin viikolla 4. Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan pituus
MS-C2128 Ennustaminen ja aikasarja-analyysi 5. harjoitukset / Tehtävät Kotitehtävät: 2 Aihe: ARMA-mallit Viikon 5 harjoituksissa käytämme samoja aikasarjoja kuin viikolla 4. Tehtävä 5.1. Tarkastellaan
LisätiedotTilastolliset ohjelmistot 805340A. Pinja Pikkuhookana
Tilastolliset ohjelmistot 805340A Pinja Pikkuhookana Sisältö 1 SPSS 1.1 Yleistä 1.2 Aineiston syöttäminen 1.3 Aineistoon tutustuminen 1.4 Kuvien piirtäminen 1.5 Kuvien muokkaaminen 1.6 Aineistojen muokkaaminen
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotLUSAS tiedosto-opas. Matti Lähteenmäki 2010 http://home.tamk.fi/~mlahteen/
LUSAS tiedosto-opas 2010 http://home.tamk.fi/~mlahteen/ LUSAS tiedosto-opas 2 1. Johdanto LUSASia käytettäessä esiintyy useita erityyppisiä tiedostoja, joista osan käyttäjä luo ja nimeää itse ja osa syntyy
LisätiedotKokeellista matematiikkaa SAGE:lla
Kokeellista matematiikkaa SAGE:lla Tutkin GeoGebralla 1 luonnollisen luvun jakamista tekijöihin 2. GeoGebran funktio Alkutekijät jakaa luvun tekijöihin ja tuottaa alkutekijät listana. GeoGebrassa lista
LisätiedotATK tähtitieteessä. Osa 5 - IDL datan sovitusta ja muita ominaisuuksia. 25. syyskuuta 2014
25. syyskuuta 2014 IDL - datan sovitus IDL sisältää monia yleisimpiä funktioita, joita voi helposti sovittaa datapisteisiin. Jos valmiista funktioista ei löydy mieleistä, voi oman mielivaltaisen sovitusfunktion
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
Lisätiedotv 8 v 9 v 5 C v 3 v 4
Verkot Verkko on (äärellinen) matemaattinen malli, joka koostuu pisteistä ja pisteitä toisiinsa yhdistävistä viivoista. Jokainen viiva yhdistää kaksi pistettä, jotka ovat viivan päätepisteitä. Esimerkiksi
LisätiedotOpeOodi Opiskelijalistojen tulostaminen, opiskelijoiden hallinta ja sähköpostin lähettäminen
Helsingin yliopisto WebOodi 1 OpeOodi Opiskelijalistojen tulostaminen, opiskelijoiden hallinta ja sähköpostin lähettäminen Opetustapahtuman opiskelijalistan tulostaminen Ilmoittautuneista opiskelijoista
LisätiedotMatematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot
Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot Sievin lukio Tehtävien ratkaisut tulee olla esim. Libre officen -writer ohjelmalla tehtyjä. Liitä vastauksiisi kuvia GeoGebrasta ja esim. TI-nSpire
LisätiedotASIO-OHJE HENKILÖSTÖLLE. www.laurea.fi
ASIO-OHJE HENKILÖSTÖLLE www.laurea.fi ASIOssa henkilöstö voi: Varata tiloja mistä tahansa Laurean kampukselta Tarkastella omaa opetusaikataulua ja opetukselle varattuja tiloja kalenterinäkymässä Saada
LisätiedotYH1b: Office365 II, verkko-opiskelu
YH1b: Office365 II, verkko-opiskelu Huom. Suosittelemme tämän harjoituksen 1b tekemistä mikroluokassa, jotta yliopiston mikroluokat tulevat edes hieman tutuiksi. Harjoituksen tavoitteet Harjoituksessa
LisätiedotViitta-itsearvioinnin käyttöohje Vastaajan ohje
Viitta-itsearvioinnin käyttöohje Vastaajan ohje SISÄLLYSLUETTELO 1 Tiivistelmä... 3 2 Johdanto... 4 2.1 Ohjelmistovaatimukset... 4 2.2 Sanasto... 4 3 Itsearviointiprosessi... 5 3.1 Vaihe 1: Aloitus...
LisätiedotTEHTÄVÄ 1.1 RATKAISUOHJEET
TEHTÄVÄ 1.1 RATKAISUOHJEET 1. Luo mallin mukainen kansiorakenne Käynnistä Resurssienhallinta painamalla näppäimistöltä peräkkäin Windows- ja E-näppäimiä niin, että Windows-näppäin on yhä pohjassa, kun
LisätiedotPython-ohjelmointi Harjoitus 2
Python-ohjelmointi Harjoitus 2 TAVOITTEET Kerrataan tulostuskomento ja lukumuotoisen muuttujan muuttaminen merkkijonoksi. Opitaan jakojäännös eli modulus, vertailuoperaattorit, ehtorakenne jos, input-komento
Lisätiedot12. Javan toistorakenteet 12.1
12. Javan toistorakenteet 12.1 Sisällys Yleistä toistorakenteista. Laskurimuuttujat. While-, do-while- ja for-lauseet. Laskuri- ja lippumuuttujat. Tyypillisiä ohjelmointivirheitä. Silmukan rajat asetettu
LisätiedotIDL - proseduurit. ATK tähtitieteessä. IDL - proseduurit
IDL - proseduurit 25. huhtikuuta 2017 Viimeksi käsiteltiin IDL:n interaktiivista käyttöä, mutta tämä on hyvin kömpelöä monimutkaisempia asioita tehtäessä. IDL:llä on mahdollista tehdä ns. proseduuri-tiedostoja,
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
LisätiedotOhjelmoinnin perusteet Y Python
Ohjelmoinnin perusteet Y Python T-106.1208 2.3.2011 T-106.1208 Ohjelmoinnin perusteet Y 2.3.2011 1 / 39 Kertausta: tiedoston avaaminen Kun ohjelma haluaa lukea tai kirjoittaa tekstitiedostoon, on ohjelmalle
LisätiedotTaulukkolaskennan perusteet Taulukkolaskentaohjelmat
Taulukkolaskennan perusteet Taulukkolaskentaohjelmat MS Excel ja LO Calc H6: Lomakkeen solujen visuaalisten ja sisältöominaisuuksien käsittely ja soluviittausten perusteet Taulukkolaskennan perusteita
LisätiedotOPETTAJATIEDONKERUU 2013
Täyttöohje 1 OPETTAJATIEDONKERUU 2013 Toisen asteen ammatillisen koulutuksen opettajat Tiedonkeruun kohde Tiedonkeruun kohteena ovat toisen asteen ammatillista koulutusta antavien oppilaitosten rehtorit
LisätiedotATK tähtitieteessä. Osa 3 - IDL proseduurit ja rakenteet. 18. syyskuuta 2014
18. syyskuuta 2014 IDL - proseduurit Viimeksi käsiteltiin IDL:n interaktiivista käyttöä, mutta tämä on hyvin kömpelöä monimutkaisempia asioita tehtäessä. IDL:llä on mahdollista tehdä ns. proseduuri-tiedostoja,
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
LisätiedotSAS-ohjelmiston perusteet 2010
SAS-ohjelmiston perusteet 2010 Luentorunko/päiväkirja Ari Virtanen 11.1.10 päivitetään luentojen edetessä Ilmoitusasioita Opintojakso suoritustapana on aktiivinen osallistuminen harjoituksiin ja harjoitustehtävien
Lisätiedot7. laskuharjoituskierros, vko 10, ratkaisut
7. laskuharjoituskierros, vko 10, ratkaisut D1. a) Oletetaan, että satunnaismuuttujat X ja Y noudattavat kaksiulotteista normaalijakaumaa parametrein E(X) = 0, E(Y ) = 1, Var(X) = 1, Var(Y ) = 4 ja Cov(X,
LisätiedotH6: Tehtävänanto. Taulukkolaskennan perusharjoitus. Harjoituksen tavoitteet
H6: Tehtävänanto Taulukkolaskennan perusharjoitus Ennen kuin aloitat harjoituksen teon, lue siihen liittyvä taustamateriaali. Se kannattaa käydä läpi kokeilemalla samalla siinä annetut esimerkit käyttämässäsi
LisätiedotMiksi Suomi on Suomi (Finnish Edition)
Miksi Suomi on Suomi (Finnish Edition) Tommi Uschanov Click here if your download doesn"t start automatically Miksi Suomi on Suomi (Finnish Edition) Tommi Uschanov Miksi Suomi on Suomi (Finnish Edition)
Lisätiedot12. Javan toistorakenteet 12.1
12. Javan toistorakenteet 12.1 Sisällys Yleistä toistorakenteista. Laskurimuuttujat. While-, do-while- ja for-lauseet. Laskuri- ja lippumuuttujat. Tyypillisiä ohjelmointivirheitä. Silmukan rajat asetettu
LisätiedotATK tähtitieteessä. Osa 5 - IDL datan sovitusta ja muita ominaisuuksia. 25. syyskuuta 2014
25. syyskuuta 2014 IDL - datan sovitus IDL sisältää monia yleisimpiä funktioita, joita voi helposti sovittaa datapisteisiin. Jos valmiista funktioista ei löydy mieleistä, voi oman mielivaltaisen sovitusfunktion
LisätiedotOpeOodi Opiskelijalistojen tulostaminen, opiskelijoiden hallinta ja sähköpostin lähettäminen
Helsingin yliopisto WebOodi 1 OpeOodi Opiskelijalistojen tulostaminen, opiskelijoiden hallinta ja sähköpostin lähettäminen Opetustapahtuman opiskelijalistan tulostaminen Ilmoittautuneista opiskelijoista
LisätiedotVideokuvan siirtäminen kamerasta tietokoneelle Windows Movie Maker -ohjelman avulla
Videokuvan siirtäminen kamerasta tietokoneelle Windows Movie Maker -ohjelman avulla 1. Digivideokamera liitetään tietokoneeseen FireWire-piuhalla. (Liitännällä on useita eri nimiä: myös IEEE 1394, DV,
LisätiedotViva-16. Käyttöohje. 1.4.2009 Veikko Nokkala Suomen Videovalvonta.com
Viva-16 Käyttöohje 1.4.2009 Veikko Nokkala Sisällysluettelo Sisällysluettelo... 2 Ohjelmisto käyttöliittymä... 3 Asentaminen... 3 Käyttöönotto... 3 Katselu... 6 Tallennus... 8 Toistaminen... 9 Selain käyttöliittymä...
LisätiedotExcel syventävät harjoitukset 31.8.2015
Yleistä Excel on taulukkolaskentaohjelma. Tämä tarkoittaa sitä että sillä voi laskea laajoja, paljon laskentatehoa vaativia asioita, esimerkiksi fysiikan laboratoriotöiden koetuloksia. Excel-ohjelmalla
LisätiedotPika-asennusohjeet Suomeksi
Pika-asennusohjeet Suomeksi (Virallinen ohje löytyy asennuslevyltä Englanninkielisenä) Tulosta tämä ohje asennuksen avuksi. Ensiksi asennetaan itse ohjelma, sitten rekisteröidytään testerin käyttäjäksi
LisätiedotGeoGebra-harjoituksia malu-opettajille
GeoGebra-harjoituksia malu-opettajille 1. Ohjelman kielen vaihtaminen Mikäli ohjelma ei syystä tai toisesta avaudu toivomallasi kielellä, voit vaihtaa ohjelman käyttöliittymän kielen seuraavasti: 2. Fonttikoon
LisätiedotMittaustekniikka (3 op)
530143 (3 op) Yleistä Luennoitsija: Ilkka Lassila Ilkka.lassila@helsinki.fi, huone C319 Assistentti: Ville Kananen Ville.kananen@helsinki.fi Luennot: ti 9-10, pe 12-14 sali E207 30.10.-14.12.2006 (21 tuntia)
Lisätiedot(a) L on listan tunnussolmu, joten se ei voi olla null. Algoritmi lisäämiselle loppuun:
Tietorakenteet ja algoritmit, kevät 201 Kurssikoe 1, ratkaisuja 1. Tehtävästä sai yhden pisteen per kohta. (a) Invariantteja voidaan käyttää algoritmin oikeellisuustodistuksissa Jokin väittämä osoitetaan
LisätiedotTilastollinen päättely II (MAT22003), kevät 2018
Tilastollinen päättely II (MAT22003), kevät 2018 Petteri Piiroinen 14.1.2018 Tilastollinen päättely II -kurssin asema opetuksessa Tilastotieteen pääaineopiskelijoille pakollinen aineopintojen kurssi. Pakollinen
LisätiedotEnsimmäinen osa: Rautalankamallinnus. Rautalankamallinnus
Ensimmäinen osa: Rautalankamallinnus Rautalankamallinnus Tampereen ammattiopisto - CAD -perusharjoitukset Rautalankamallinnus I: Jana, suorakulmio ja ympyrä Harjoitusten yleisohje Valitse suunnittelutilan
LisätiedotCabas liitännän käyttö AutoFutur ohjelmassa 4.1.2012
Cabas liitännän käyttö AutoFutur ohjelmassa 4.1.2012 Liitännän aktivointi Liitäntä on ohjelma lisämoduuli. Ensin asetetaan käyttöön FuturSoftilta saatu Liitäntä WinCabas rekisteröintikoodi. Mennään kohtaan
LisätiedotWebforum. Version 14.3 uudet ominaisuudet. Viimeisin päivitys: 2014-09-14
Webforum Version 14.3 uudet ominaisuudet Viimeisin päivitys: 2014-09-14 Sisältö Tietoja tästä dokumentista... 3 Yleistä... 4 Yleistä & hallinnointi... 5 Käyttäjien tuonti toiselta alustalta... 5 Uusi sisäänkirjautumisen
LisätiedotOPETTAJATIEDONKERUU 2013
Täyttöohje 1(4) OPETTAJATIEDONKERUU 2013 Vapaan sivistystyön päätoimiset opettajat Tiedonkeruun kohde Tiedonkeruun kohteena ovat vapaan sivistystyön oppilaitosten rehtorit ja päätoimiset opettajat 1.3.2013.
LisätiedotIDL - datan sovitus. ATK tähtitieteessä. IDL - esimerkiksi linfit. IDL - esimerkiksi linfit
IDL - datan sovitus 3. toukokuuta 2017 IDL sisältää monia yleisimpiä funktioita, joita voi helposti sovittaa datapisteisiin. Jos valmiista funktioista ei löydy mieleistä, voi oman mielivaltaisen sovitusfunktion
LisätiedotMuistitikun liittäminen tietokoneeseen
Muistitikun käyttäminen 1 Muistitikun liittäminen tietokoneeseen Muistitikku liitetään tietokoneen USB-porttiin. Koneessa voi olla useita USB-portteja ja tikun voi liittää mihin tahansa niistä. USB-portti
LisätiedotWebforum. Version 15.1 uudet ominaisuudet. Päivitetty: 2015-03-28
Webforum Version 15.1 uudet ominaisuudet Päivitetty: 2015-03-28 Sisältö Tietoja tästä dokumentista... 3 Yleistä... 4 Dokumentit... 5 Uudet versiot dokumenttien katseluohjelmista ipadille... 5 Dokumenttien
LisätiedotLUENTO 8 TAULUKKOLASKENTA II
LUENTO 8 TAULUKKOLASKENTA II TIEY4 TIETOTEKNIIKKATAIDOT KEVÄT 2017 JUHANI LINNA ANTTI SAND 31.10.2017 LUENTO 8 31.10.2017 Tällä luennolla jatkoa Teemaan 4: Taulukkolaskenta 1. Taustaa yksilöharjoitukseen
LisätiedotOhjelmointi 1 / syksy /20: IDE
Ohjelmointi 1 / syksy 2007 10/20: IDE Paavo Nieminen nieminen@jyu.fi Tietotekniikan laitos Informaatioteknologian tiedekunta Jyväskylän yliopisto Ohjelmointi 1 / syksy 2007 p.1/8 Tämän luennon rakenne
LisätiedotLineaarinen yhtälöryhmä
Lineaarinen yhtälöryhmä 1 / 39 Lineaarinen yhtälö Määritelmä 1 Lineaarinen yhtälö on muotoa a 1 x 1 + a 2 x 2 + + a n x n = b, missä a i, b R, i = 1,..., n ovat tunnettuja ja x i R, i = 1,..., n ovat tuntemattomia.
LisätiedotMS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)
MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2016 Käytannön järjestelyt Luennot: Luennot ma 4.1. (sali E) ja ti 5.1 klo 10-12 (sali C) Luennot 11.1.-10.2. ke 10-12 ja ma 10-12
LisätiedotF-Secure 5.42 -virustorjuntaohjelmiston käyttö
F-Secure 5.42 -virustorjuntaohjelmiston käyttö Tässä ohjeessa käsitellään: 1. Ohjelmiston asennuksen jälkeen. 1.1 Käyttöasetusten ja toiminnan tarkistus --> 2. Käyttäjäkohtaisten asetuksien muokkaaminen
LisätiedotPlanMan Project projektihallintaohjelmisto koulutusohjeistus
PlanMan Project projektihallintaohjelmisto koulutusohjeistus PlanMan Project ohjelmiston valmistaja 14.2.2012 Asko Saarenpää Uuden projektin tai työohjelman aloitus Näkymä-valikon kautta voi valita mitä
LisätiedotHieman linkkejä: http://cs.stadia.fi/~kuivanen/linux/kom.php, lyhyt ohje komentoriviohjelmointiin.
Linux-harjoitus 9 Linuxin mukana tulevat komentotulkit (mm. bash, tcsh, ksh, jne ) sisältävät ohjelmointikielen, joka on varsin tehokas ja ilmaisuvoimainen. Tähän yhdistettynä unix-maailmasta tutut tehokkaat
LisätiedotValintanauhan komennot Valintanauhan kussakin välilehdessä on ryhmiä ja kussakin ryhmässä on toisiinsa liittyviä komentoja.
Pikaopas Microsoft Excel 2013 näyttää erilaiselta kuin aiemmat versiot. Tämän oppaan avulla pääset alkuun nopeasti ja saat yleiskuvan uusista ominaisuuksista. Komentojen lisääminen pikatyökaluriville Pidä
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
Lisätiedot