MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely
|
|
- Tuula Kyllönen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015
2 Aikataulu ja suoritustapa (Katso MyCourses) Luennot 24h, () maanantaisin U1 (u142) ja keskiviikkoisin U8 (u270) 12:15-14:00 Harjoitukset 24h, (Niko Lietzèn) Teoria: maanantaisin 14:15-16:00 (E), ATK: torstaisin ryhmä 1 12:15-14:00 (U256) ryhmä 2 14:15-16:00 (U344) Kotitehtävät: 1-2 teoria- ja 1-2 tietokonetehtävää viikoittain Tentti 5 tehtävää, joista 2 voi korvata kotitehtäväpisteillä kotitehtävistä maksimipistemäärä on 8 pistettä per tehtävä, tenttitehtävistä 6 pistettä. Mukana saa olla A4-kokoinen muistilappu ja laskin
3 Esitiedot Stokastiikka Moniulotteiset jakaumat ja niiden tunnusluvut: Odotusarvo, varianssi, kovarianssi, korrelaatio Tilastollinen testaus Hypoteesi, testisuure, p-arvo, tulkinta Estimointi Estimaattori, estimaati Estimaattorin harhattomuus, tehokkuus, tarkentuvuus Matriisilaskentaa, sarjoja
4 Harjoituksissa käytetään R-ohjelmointia Ilmainen avoimen lähdekoodin ohjelmisto tilastoanalyysiin Suosio vahvassa kasvussa sekä akateemisessa tutkimuksessa että yrityksissä.
5 Harjoituksissa käytetään R-ohjelmointia
6 Sisältö Viikko 1 Yleinen lineaarinen malli. Viikko 2 Regressiodiagnostiikka ja regressiomallin valinta. Viikko 3 Stationaariset stokastiset prosessit ja ARMA-malli. Viikko 4 ARMA-mallin rakentaminen ja muita aikasaraja-malleja. Viikko 5 Dynaamiset regressiomallit. Viikko 6 Kertausta.
7 Osaamistavoitteet Kurssin suoritettuaan osallistuja tuntee regressiomalliin, dynaamisen regressiomalliin sekä ARIMA-malleihin liittyvää teoriaa. osaa analysoida ja ennustaa aikasarjoja yllä mainittujen mallien avulla.
8 Työmäärä toteutustavoittain Valtaosa kurssin työmäärästä muodostuu itsenäisestä opiskelusta. Luennot - kontaktiopetus (6 x 4) 24 h Luennot - itsenäinen työskentely (6 x 3) 18 h Laskuharjoitukset - kontaktiopetus (6 x 2) 12 h Laskuharjoitukset - itsenäinen työskentely (6 x 4) 24 h Tietokoneharjoitukset - kontaktiopetus (6 x 2) 12 h Tietokoneharjoitukset - itsenäinen työskentely (6 x 4) 24 h Tenttiin valmistautuminen 18 h Tentti 3 h Yht 135 h 1 op vastaa 27 h kokonaistyöskentelyä -> 5 op on 135 h työtä.
9 Vuoden 2014 kurssin arvosanat Alla oleva taulukko demonstroi tehtyjen laskuharjoitustehtävien vaikutusta kurssiarvosanaan. Arvosana 0 7 pist pist. >12 pist. 0 3 (50%) 0 (0%) 0 (0%) 1 2 (33%) 0 (0%) 0 (0%) 2 1 (17%) 1 (20%) 0 (0%) 3 0 (0%) 4 (80%) 5 (11%) 4 0 (0%) 0 (0%) 2 (4%) 5 0 (0%) 0 (0%) 39 (85%) ka ,74 Taulukossa on huomioitu vain tenttiin osallistuneet opiskelijat.
10 Aikasarja-analyysin sovelluskohteita Kansanterveyden tutkimus Rahoitusriskien hallinta Talouspolitiikan päätöksenteko Tuotannon suunnittelu
11 Syövän yleisyys Lähde: ( )
12 Tenor basis vs cross currency basis Swap spread (bp) Date
13 Ennustaminen Ennustaminen on erittäin vaikeaa Mikään malli ei kuvaa todellisuutta täydellisesti Oikein valittu malli auttaa tulevaisuutta koskevien päätösten tekemisessä, mutta ennustamiseen liittyy aina paljon epävarmuutta Malli valitaan aineiston ja kontekstitietämyksen perusteeella
14 Eri mallien ominaisuudet on tunnettava, että kuhunkin tilanteeseen sopivan mallin valitseminen onnistuu. Tällä kurssilla käsitellään perusmalleja yleisessä muodossa, mutta käytännön tilanteissa käytetään usein tarkoitukseen sopiviksi muokattuja tai niitä varten kehitettyjä malleja.
15 Esityksessä käytetyt kuvat
16 Kirjallisuutta: 1. Brockwell / Davis (1991), Time Series: Theory and Methods 2. Hamilton (1994), Time Series Analysis 3. Harvey, A.C. (1993), Time Series Models. Philip Allan. 4. Tsay (2014), Multivariate Time Series Analysis with R and financial applications
MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely
MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Aikataulu ja suoritustapa (Katso MyCourses) Luennot
LisätiedotMS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely
MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017 Aikataulu ja suoritustapa (Katso MyCourses) Luennot
LisätiedotKertaus. MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017 Viikko 1: Yleinen lineaarinen malli 1 Määritelmä
LisätiedotKertaus. MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 1: Yleinen lineaarinen malli 1 Määritelmä
LisätiedotMS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)
MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2017 Käytännön järjestelyt Luennot: Luennot maanantaisin (sali E) ja keskiviikkoisin (sali U4) klo 10-12 Luennoitsija: (lauri.viitasaari@aalto.fi)
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
LisätiedotOPETUSSUUNNITELMALOMAKE
OPETUSSUUNNITELMALOMAKE Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit siis dokumentoida
LisätiedotOPETUSSUUNNITELMALOMAKE
OPETUSSUUNNITELMALOMAKE Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit siis dokumentoida
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu
5.3.2018/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 5.3.2018, osa 1 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2017
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu
10.1.2019/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 10.1.2019 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2018 10.1.2019/2
LisätiedotMS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)
MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2017 Todennäköisyyslaskennan kertaus Satunnaismuuttujat ja tn-jakaumat Tunnusluvut χ 2 -, F- ja t-jakauma Riippumattomuus Tilastotieteen
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
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
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
LisätiedotELEC-C5210 Satunnaisprosessit tietoliikenteessä
ELEC-C5210 Satunnaisprosessit tietoliikenteessä Esa Ollila Aalto University, Department of Signal Processing and Acoustics, Finland esa.ollila@aalto.fi http://signal.hut.fi/~esollila/ Kevät 2017 E. Ollila
LisätiedotTalousmatematiikan perusteet: Johdanto. Kurssin tavoitteet Käytännön järjestelyt Suosituksia suorittamiseen
Talousmatematiikan perusteet: Johdanto Kurssin tavoitteet Käytännön järjestelyt Suosituksia suorittamiseen Kurssin tavoitteet Matematiikkaa hyödynnetään monilla kauppa- ja taloustieteen osaalueilla Esim.
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
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotMTTTP5, luento Kahden jakauman sijainnin vertailu (jatkoa) Tutkimustilanteita y = neliöhinta x = sijainti (2 aluetta)
MTTTP5, luento 7.12.2017 7.12.2017/1 6.1.3 Kahden jakauman sijainnin vertailu (jatkoa) Tutkimustilanteita y = neliöhinta x = sijainti (2 aluetta) y = lepopulssi x = sukupuoli y = musikaalisuus x = sukupuoli
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
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,
Lisätiedot031021P Tilastomatematiikka (5 op) kertausta 2. vk:een
031021P Tilastomatematiikka (5 op) kertausta 2. vk:een Jukka Kemppainen Mathematics Division 2. välikokeeseen Toinen välikoe on la 5.4.2014 klo. 9.00-12.00 saleissa L1,L3 Koealue: luentojen luvut 7-11
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) Tavoitteet (teoria): Hallita autokovarianssifunktion ominaisuuksien tarkastelu. Osata laskea autokovarianssifunktion spektriiheysfunktio. Tavoitteet
Lisätiedot031021P Tilastomatematiikka (5 op) kertausta 2. vk:een
031021P Tilastomatematiikka (5 op) kertausta 2. vk:een Jukka Kemppainen Mathematics Division 2. välikokeeseen Toinen välikoe on la 31.03.2012 klo. 9.00-12.00 saleissa L1,L3 Jukka Kemppainen Mathematics
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
LisätiedotTN-IIa (MAT22001), syksy 2017
TN-IIa (MAT22001), syksy 2017 Petteri Piiroinen 4.9.2017 Todennäköisyyslaskennan IIa -kurssin asema opetuksessa Tilastotieteen pääaineopiskelijoille pakollinen aineopintojen kurssi. Suositus: toisen vuoden
LisätiedotTilastotieteen aihehakemisto
Tilastotieteen aihehakemisto hakusana ARIMA ARMA autokorrelaatio autokovarianssi autoregressiivinen malli Bayes-verkot, alkeet TILS350 Bayes-tilastotiede 2 Bayes-verkot, kausaalitulkinta bootstrap, alkeet
LisätiedotTuloslaskenta (22C00400, 6 op)
Tuloslaskenta (22C00400, 6 op) OPETUSSUUNNITELMA 3.10.2016 Opettajanyhteystiedot Kurssin tiedot Luennot ja harjoitukset Kurssin asema KTK, erikoistumisopinnot Nimi Kari Toiviainen (TS2013) S-posti kari.toiviainen@aalto.fi
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
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
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Syksy 2015 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 27.10.2015 1 / 8 Kangaslampi Lineaarialgebra ja differentiaaliyhtälöt
LisätiedotKon HYDRAULIIKKA JA PNEUMATIIKKA
Kon-41.3023 HYDRAULIIKKA JA PNEUMATIIKKA 2016 Kurssin tavoitteet Opintojakso antaa yleistiedot hydrauliikan ja pneumatiikan komponenteista sekä niiden toiminnasta osana kokonaisjärjestelmää. Teleskooppi
LisätiedotKorrelaatiokertoinen määrittely 165
kertoinen määrittely 165 Olkoot X ja Y välimatka- tai suhdeasteikollisia satunnaismuuttujia. Havaintoaineistona on n:n suuruisesta otoksesta mitatut muuttuja-arvoparit (x 1, y 1 ), (x 2, y 2 ),..., (x
LisätiedotABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio
ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio S-38.145 Liikenneteorian perusteet (2 ov) Kevät 2003 Aleksi Penttinen & Eeva Nyberg Tietoverkkolaboratorio Teknillinen korkeakoulu http://www.netlab.hut.fi/opetus/s38145/
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin perusteet, kevät 2007 2. luento: Tilastolliset testit Kai Virtanen 1 Tilastollinen testaus Tutkimuksen kohteena olevasta perusjoukosta esitetään väitteitä oletuksia joita
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
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
LisätiedotTuloslaskenta (22C00400, 6 op)
Tuloslaskenta (22C00400, 6 op) OPETUSSUUNNITELMA 29.9.2017 Opettajanyhteystiedot Kurssin tiedot Luennot ja harjoitukset Kurssin asema KTK, erikoistumisopinnot Nimi Kari Toiviainen (TS2013) S-posti kari.toiviainen@aalto.fi
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
LisätiedotOPETUSSUUNNITELMALOMAKE
OPETUSSUUNNITELMALOMAKE v0.90 Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit
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
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
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Frekventistiset vs. bayeslaiset menetelmät Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
Lisätiedot22A00110 Laskentatoimen perusteet (6 op) SYLLABUS. Opettaja. Jari Melgin Huone H 3.35/Töölö Puhelin
22A00110 Laskentatoimen perusteet (6 op) SYLLABUS Kurssin asema ja ajankohta; luentojen aika ja paikka Opettaja Liiketoimintaosaamisen perusteet Syksy 2016, II-periodi Ma 13.15 15 Ke 13.15 15 To 13.15
LisätiedotTervetuloa jatkamaan DIGITAALI- TEKNIIKAN opiskelua! Digitaalitekniikka (piirit) Luku 0 Sivu 1 (8)
Tervetuloa jatkamaan DIGITAALI- TEKNIIKAN opiskelua! Digitaalitekniikka (piirit) Luku 0 Sivu 1 (8) Digitaalitekniikka (piirit) Luku 0 Sivu 2 (8) Yleistä opintojaksosta Laajuus 3 op = 80 h, 1. periodilla
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 6A Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotOPETUSSUUNNITELMALOMAKE
OPETUSSUUNNITELMALOMAKE v0.90 Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotOPETUSSUUNNITELMALOMAKE
OPETUSSUUNNITELMALOMAKE v0.90 Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit
LisätiedotSTOKASTISET PROSESSIT
TEORIA STOKASTISET PROSESSIT Satunnaisuutta sisältävän tapahtumasarjan kulkua koskevaa havaintosarjaa sanotaan aikasarjaksi. Sana korostaa empiirisen, kokeellisesti havaitun tiedon luonnetta. Aikasarjan
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 9. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 9. luento Pertti Palo 22.11.2012 Käytännön asioita Eihän kukaan paikallaolijoista tee 3 op kurssia? 2. seminaarin ilmoittautuminen. 2. harjoitustyön
LisätiedotELEC-C7230 Tietoliikenteen siirtomenetelmät. Yleistä
Aalto University Comnet ELEC-C7230 Tietoliikenteen siirtomenetelmät Kurssisuunnitelma, kevät 2016 Olav Tirkkonen, Tietoliikenne- ja tietoverkkotekniikan laitos, Aalto-yliopisto Yleistä Esitiedot: (kurssi
LisätiedotOPETUSSUUNNITELMALOMAKE
OPETUSSUUNNITELMALOMAKE v0.90 Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit
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
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 15 1 Tilastollisia testejä Z-testi Normaalijakauman odotusarvon testaus, keskihajonta tunnetaan
LisätiedotKyselytutkimus opiskelijoiden ajankäytöstä tietojenkäsittelyteorian peruskurssilla
Kyselytutkimus opiskelijoiden ajankäytöstä tietojenkäsittelyteorian peruskurssilla Harri Haanpää Peda-forum 2004 AB TEKNILLINEN KORKEAKOULU Tietojenkäsittelyteorian laboratorio T 79.148 Tietojenkäsittelyteorian
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
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollisen analyysin perusteet, kevät 007 8. luento: Usean selittäjän lineaarinen regressiomalli Kai Virtanen 1 Usean selittäjän lineaarinen regressiomalli Selitettävän muuttujan havaittujen
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
LisätiedotMatematiikan oppimisen uudet tuulet Metropolia Ammattikorkeakoulun talotekniikan koulutusohjelmassa
Matematiikan oppimisen uudet tuulet Metropolia Ammattikorkeakoulun talotekniikan koulutusohjelmassa Riikka Nurmiainen riikka.nurmiainen@metropolia.fi Arviointikokeiluja talotekniikan matematiikan opintojaksoilla
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
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotTN-IIa (MAT22001), syksy 2018
TN-IIa (MAT22001), syksy 2018 Petteri Piiroinen 4.9.2018 Todennäköisyyslaskennan IIa -kurssin asema opetuksessa Tilastotieteen opintosuunnassa pakollinen aineopintojen kurssi. Suositus: toisen vuoden syksyllä
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.
LisätiedotIlkka Keskiväli Kiinan energiankäytön aikasarja-analysointi
PRO GRADU -TUTKIELMA Ilkka Keskiväli Kiinan energiankäytön aikasarja-analysointi TAMPEREEN YLIOPISTO Informaatiotieteiden yksikkö Tilastotiede Joulukuu 2012 2 Tampereen yliopisto Informaatiotieteiden yksikkö
LisätiedotMAT INVESTOINTITEORIA. (5 op) Kevät Ville Brummer / Pekka Mild / Ahti Salo
MAT - 2.114 INVESTOINTITEORIA (5 op) Kevät 2008 Ville Brummer / Pekka Mild / Ahti Salo 1 Opintojakson sisältö Taustaa Kattaa matemaattisen investointiteorian perusteet: Teemoja sivuttu osin muilla Mat-2
Lisätiedottilastotieteen kertaus
tilastotieteen kertaus Keskiviikon 24.1. harjoitukset pidetään poikkeuksellisesti klo 14-16 luokassa Y228. Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla
LisätiedotAB TEKNILLINEN KORKEAKOULU
AB TEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio S-38.145 Liikenneteorian perusteet (2 ov) Kevät 2002 Samuli Aalto Tietoverkkolaboratorio Teknillinen korkeakoulu samuli.aalto@hut.fi http://keskus.hut.fi/opetus/s38145/
LisätiedotKysynnän ennustaminen muuttuvassa maailmassa
make connections share ideas be inspired Kysynnän ennustaminen muuttuvassa maailmassa Nina Survo ja Antti Leskinen SAS Institute Mitä on kysynnän ennustaminen? Ennakoiva lähestymistapa, jolla pyritään
LisätiedotABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio
ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio S-38.145 Liikenneteorian perusteet (2 ov) Kevät 2002 Samuli Aalto Tietoverkkolaboratorio Teknillinen korkeakoulu samuli.aalto@hut.fi http://keskus.hut.fi/opetus/s38145/
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Normaaliapproksimaatio Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
LisätiedotOPETUSSUUNNITELMALOMAKE
OPETUSSUUNNITELMALOMAKE v0.90 Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit
LisätiedotJohdatus Ammattikorkeakoulun matematiikkaan ja fysiikkaan
Johdatus Ammattikorkeakoulun matematiikkaan ja fysiikkaan ammattiopiston viimeisenä keväänä vahvistaa AMK:uun pyrkivien taitoja pääsykoetta varten saada jo etukäteen 5 op:n suoritus valinnaisiin Tulos:
Lisätiedot22A00110 Laskentatoimen perusteet (6 op) SYLLABUS. Opettaja (alkukurssi)
22A00110 Laskentatoimen perusteet (6 op) SYLLABUS Kurssin asema ja ajankohta; luentojen aika ja paikka Opettaja (alkukurssi) Opettaja (loppukurssi) Liiketoimintaosaamisen perusteet Syksy 2015, II-periodi
Lisätiedot031075P MATEMATIIKAN PERUSKURSSI II 5,0 op
031075P MATEMATIIKAN PERUSKURSSI II 5,0 op Kurssin jokaiseen kolmeen välikokeeseen on ilmoittauduttava erikseen WebOodissa (https://weboodi.oulu.fi/oodi/). Huom! Välikoeilmoittautuminen on PAKOLLINEN.
LisätiedotMatemaattinen tilastotiede. Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto
Matemaattinen tilastotiede Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto Alkusanat Tämä moniste perustuu vuosina 2002-2004 pitämiini matemaattisen tilastotieteen luentoihin
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Tilastollisen merkitsevyyden testaus Osa II Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
Lisätiedot54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):
Tilastollinen tietojenkäsittely / SPSS Harjoitus 5 Tarkastellaan ensin aineistoa KUNNAT. Kyseessähän on siis kokonaistutkimusaineisto, joten tilastollisia testejä ja niiden merkitsevyystarkasteluja ei
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Satunnaismuuttujien summa ja keskihajonta Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotVastaavasti voidaan määritellä korkeamman kertaluvun autoregressiiviset prosessit.
Autokovarianssi: (kun τ 0) Γ t (τ) = E[(X t µ t )(X t τ µ t τ )] ( ) ( = E[ φ k ε t k φ j ε t τ j )] = = j=0 φ j+k E[ε t k ε t τ j ] k,j=0 φ j+k σ 2 δ k,τ+j k,j=0 = σ 2 φ j+k δ k,τ+j = = k,j=0 φ τ+2j I
LisätiedotGeenikartoitusmenetelmät. Kytkentäanalyysin teoriaa. Suurimman uskottavuuden menetelmä ML (maximum likelihood) Uskottavuusfunktio: koko aineisto
Kytkentäanalyysin teoriaa Pyritään selvittämään tiettyyn ominaisuuteen vaikuttavien eenien paikka enomissa Perustavoite: löytää markkerilokus jonka alleelit ja tutkittava ominaisuus (esim. sairaus) periytyvät
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 ),
LisätiedotAktivoiviin opetusmenetelmiin perustuvat matematiikan opetuskokeilut Aalto-yliopistossa
Aktivoiviin opetusmenetelmiin perustuvat matematiikan opetuskokeilut Aalto-yliopistossa Linda Havola, Helle Majander, Harri Hakula ja Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto,
Lisätiedot4.2 Useampi selittävä muuttuja (kertausta)
14.2.2019/1 MTTTA1 Tilastomenetelmien perusteet Luento 14.2.2019 4.2 Useampi selittävä muuttuja (kertausta) Selittäjien lukumäärä k (k-ra) = + + + + Malliin liittyvät oletukset i ~ N(0, 2 ) ja i:t ovat
LisätiedotOPETUSSUUNNITELMALOMAKE
OPETUSSUUNNITELMALOMAKE v0.90 Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit
LisätiedotNämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan
Mitä pitäisi vähintään osata Tässäkäydään läpi asiat jotka olisi hyvä osata Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan osattavan 333 Kurssin sisältö Todennäköisyyden, satunnaismuuttujien
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
LisätiedotHilbertin avaruudet, 5op Hilbert spaces, 5 cr
Hilbertin avaruudet, 5op Hilbert spaces, 5 cr Pekka Salmi 14.3.2015 Pekka Salmi Hilbertin avaruudet 14.3.2015 1 / 64 Yleistä Opettaja: Pekka Salmi, MA327 Kontaktiopetus ti 1012 (L), ke 810 (L), ma 1214
Lisätiedot21C00250 Organisaatiokäyttäytyminen, 6 op
21C00250 Organisaatiokäyttäytyminen, 6 op SYLLABUS Versio 17.8.2016 Opettajan yhteystiedot Nimi: Apulaisprofessori Olli-Pekka Kauppila, KTT S-posti: olli-pekka.kauppila@aalto.fi Huone: Arkadia E.3.11,
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
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.
LisätiedotELEC-C7230 Tietoliikenteen siirtomenetelmät
A! Aalto University Comnet ELEC-C7230 Tietoliikenteen siirtomenetelmät Kurssisuunnitelma, kevät 2018 Olav Tirkkonen, Tietoliikenne- ja tietoverkkotekniikan laitos, Aalto-yliopisto A! Yleistä Esitiedot:
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotMS-C2111 Stokastiset prosessit
Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos toimisto: Y241, vastaanotto: pe 13:30-14:30 2017, periodi I KURSSIN JÄRJESTELYT Kurssin järjestelyt Luennot ja harjoitusryhmät Luennot tiistaisin
LisätiedotAikasarjamallit. Pekka Hjelt
Pekka Hjelt Aikasarjamallit Aikasarja koostuu järjestyksessä olevista havainnoista, ja yleensä se on tasavälinen ja diskreetti eli havaintopisteet ovat erillisiä. Lisäksi aikasarjassa on yleensä autokorrelaatiota
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 4 Tilastollisen aineiston kuvaileminen, mallintaminen ja estimointi Lasse Leskelä, Heikki Seppälä Matematiikan ja systeemianalyysin
Lisätiedot1. PÄÄTTELY YHDEN SELITTÄJÄN LINEAARISESTA REGRESSIOMALLISTA
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat Päättely yhden selittäjän lineaarisesta regressiomallista Ennustaminen, Ennuste, Ennusteen luottamusväli, Estimaatti, Estimaattori,
Lisätiedot