Esikäsittelyjen vaikutuksesta aikasarjan spektriin

Koko: px
Aloita esitys sivulta:

Download "Esikäsittelyjen vaikutuksesta aikasarjan spektriin"

Transkriptio

1 Ma -.08 Sovelleun maemaiian erioisyö Esiäsielyen vaiuusesa aiasaran speriin Lassi Similä 5050L Tenillisen fysiian ouluusohelma

2 Sisällyslueelo Johdano... 3 Aiasara- analyysin perusäsieiä Taauus- a aia- aluee Nyquis- aauus Aiasaran ominaisuusia Saionaarisuus Sysemaaise vaihelun lähee Saunnainen vaihelu Aiasaran speri: eoreeisia araselua Määrielmä Sperin ulina Sperin esimoinnisa Viiveiuna Liuuvan esiarvon asoius Lineaarisen suodinen vaiuusesa speriin Differensoini Kausidifferensoini Liuuvan esiarvon asoius ARMA- suoime Graafisia esimereä Differensoini Kausidifferensoini Liuuvan esiarvon asoius ARMA- suoime Todellisen aiasaran araselu Raeneiden näyminen a suodausen vaiuus aauusalueessa mallinnusprosessin eri vaiheissa Trendi a asollise omponeni Differensoini ARMA- raeneen idenifioini Residuaalien araselu Liuuvan esiarvon asoiusen vaiuus speriin Yheenveo a ohopääöse Lähdelueelo... 38

3 Johdano Aiasara- analyysin aroiusena on mallinaa a unnisaa oin reaalimaailman ilmiö ehyen havainoen peruseella sien, eä saaua mallia voidaan äyää esimerisi ennuseiden eemiseen. Aiasara- aineison erääminen a sen hyväsiäyö ilasoieeen einoin aiasara- analyysilla on yleisä esimerisi alousieeen, insinööriieeiden a luonnonieeiden ongelmissa. Aiasara- analyysissa aiasara uliaan onin soasisen prosessin realisaaiosi. Ongelmaa, ossa pyriään unnisamaan havaiun äyäyymisen riiävällä avalla seliävä prosessi, usuaan idenifioiniongelmasi. Idenifioiniongelman raaisussa äyeyssä meneelyssä, idenifioiniprosessissa, havaiusa aiasarasa esimoidaan ieyä funioia, uen auoorrelaaio - a osiaisauoorrelaaiofunio. Teemällä verailua eoreeisen malliprosessien unneuihin vasaaviin funioihin, voidaan havaiu prosessi unnisaa a esimoida havainoen peruseella ilmiöä uvaava malli. Funioiden araselua voidaan ehdä oo aia- ai aauusalueessa, oisa ässä esiysessä esiyään aauusalueeseen. Yleisimmin äyey aauusalueen apuväline on aiasaran speri. Aiasaran sperillä aroieaan inuiiivisesi puhuen sen esimääräisä aauussisälöä: aiasaran sisälämä asollisuus ieyllä aauudella ω voidaan luea aiasaran sperisä. Sperin avulla saadaan siis ieoa aiasaran sylisisä omponeneisa. Mone aiasaroen sperien ominaisuude ova analogisia fysiaalisen värähelyilmiöiden - uen valon - sperien vasaaviin ominaisuusiin. Idenifioiniprosessin eri vaiheissa aiasaralle ouduaan usein eemään erilaisia esiäsielyä, uen differensoini ai asoius liuuvan esiarvon suoimella. Tässä yössä äsielemme erilaisen esiäsielyen (a eräiden muidenin lineaarisen suodinen) vaiuusa aiasaran speriin. Ilmiöiä äsiellään ensin eoreeisella asolla maemaaisen esiysen muodossa a esielyä funioia havainnolliseaan uvaaien avulla. Havainnollisamisaroiusessa esiellään myös analogioia aiasaroen sperin a valon sperin välillä. Tuimme myös reaalimaailman esimeriapausen avulla, mien eoriasa ohdeu ulose näyvä eräässä odellisen havainnoinnin ulosena saadussa aiasarassa. 3

4 Aiasara- analyysin perusäsieiä Tässä appaleessa äydään läpi aiasara- analyysin peruseoriaa a määrielmiä perusaausena se, eä ne äsiee, oia äyeään myöhemmissä appaleissa speraalianalyysin yheydessä, uleva esiellyisi; aroiusena ei siis ole esiää yhenävää aiasara- analyysin uvausa. Läheenä on äyey Mellinin (004) luenomaeriaalia.. Taauus- a aia- aluee Soasinen prosessi on saunnaismuuuien ono. Soasisesa prosessisa saadaan ieoa onona perääisisä oisisaan riippuvisa havainnosa, aiasarana. Aiasara uliaan soasisen prosessin realisaaiosi, oen aiasara analyysin avoieena on selviää havainoen riippuvuuden luonne eli idenifioida se generoinu soasinen prosessi (Ruusunen, 985). Meriään soasisen prosessin realisaaiosa ehyä havainoa eli aiasaraa indesoiuina saunnaismuuuina x, ossa =,, N on aiaindesi a N on aiasaran piuus. Havainno on siis ehy asavälisesi yhden ysiön väliaoilla. Aiaysiö voi olla sovellusesa riippuen esimerisi uuausi, nelännesvuosi ai vuosi. Aiasaroen eoriaa voidaan äsiellä myös auva- aiaisen muuuien apausessa, mua ässä esiysessä esiyään disreeiaiaisiin soasisiin prosessien a aiasaroihin. Aiasaraa voidaan arasella myös aauusasossa eli alueessa. Taauudella yleisesi oaen aroieaan luumäärää, oa ilmoiaa, uina mona eraa ilmiö apahuu valiun aiaysiön aiana. Aiasara- analyysin yheydessä aauus liiyy havaiun saran sisälämiin asollisiin omponeneihin. Asian maemaaisesi havainnollisavana pohusavana esimerinä aaellaan mallia (Chafield, 004) X = R cos( ω + φ) +, () Z ossa R on periodisen omponenin ampliudi, φ on vaiheulma a Z on osain saionaarisesa (aso appale..) saunnaissarasa peräisin oleva havaino, oa uvaa saran havainoihin liiyvää saunnaisvirheä. Tällöin sanoaan, eä ω on sinimuooisen vaihelun aauus. π Taauua ω vasaava periodi on - oisin sanoen osiniermin arvo oisuva aiaω argumenin saadessa periodin moninerran suuruisen lisäysen. Taauus ω on äsmällisemmin ilmaisuna ulmaaauus (ysiönä radiaani/ aiaysiö), un aas ω irallisuudessa myös esiinyvä aauusäsie f = (Ruusunen, 985), ierrosaauus π (ysiönä asoa ai ierrosia aiaysiöä ohden), anaa osus aauudelle sovellusissa helpomman fysiaalisen ulinnan. 4

5 On selvää, eä ysineraisin sinimuooisa vaihelua sisälävä malli () ei mahdollisa monenaan reaalimaailman ilmiön uvaamisa. Käyännössä havaiua aiasaroa uvaava malli muodoseaan summasaroina, ossa aauus ω a muu parameri saava useia eri arvoa vasaen aia alueessa esimerisi päivä, viio- ai uuausivaihelua. Kuva havainnollisaa, mien eräs eoreeinen auvisa havainnoisa oosuva aiasara sisälää eriaauisia vaiheluomponenea. Kosini - (ai sini-) muooisen omponenien, oiden ason piuus ilmenee osioisa π π (Kuva ), yhälöä () vasaavien aauusparamerien arvo ova ω = = π, ω =, 3 π π ω 3 = =. Aiaasossa nämä siis vasaava aha uuaua, olmea uuaua 6 3 (nelännesvuoa) a uua uuaua (puola vuoa). Muu parameri ova aiille π omponeneille R =, φ = a Z = 0 aiille, eli ässä uvaaan vain aiasaran deerminisisiä vaiheluomponenea. Aiasara Kuva. Aiasaran aauussisällön havainnollisaminen X muodosuu siis sinimuooisen omponenien summana 5

6 X = 3 = 3 π cos( ω ) = sin( ω ). = () Tosielämäsä peräisin oleva aiasara ova usein disreeeä, olloin uvieellisesa prosessisa (Kuva, oiea alalaia) saaaisiin ieoa esim. vain aanheillä = 0,,.. Nyquis- aauus Disreeein väliaoin havainnoidulle aiasaralle X on olemassa yläraa aauudelle, oia oreampia aauusia ei voida eroaa aiasarasa. Miäli perääisen havainoen väli π (näyeenooväli) on T, ämä yläraa, oa usuaan Nyquis- aauudesi, on. T Taauussisälö uvaa aiasaran sisälämiä asollisia omponenea, a piuudelaan pienin mahdollinen aso oosuu ahena perääisenä aanheenä ehdyisä havainnoisa. Näyeenoovälillä T ää asoa vasaa aia- aselilla väli T. Miäli asoaisuua uvaaan sinimuooisilla funioilla, a aso haluaan eroaa oisisaan, on sinifunion ason piuus, π, masimaalinen aiaväliä T vasaava vaiheulman muuos. Näin saadaan inuiiivinen peruselu Nyquis- aauudelle: ω N = π T = π. T (3) Aiasara- analyysissa aia- aseli on usein saalau sien, eä T=, oen Nyquisaauuden suuruus on ässä apausessa π. Käyännön esimerinä Chafield (004) mainisee ilasollisen uimusen, ossa lueaan uloilman lämpöilaa miarisa. Tavoieena on uia yö- a päivälämpöilan eroa. Miäli miari lueaan erran vuoroaudessa, on selvää, eä ällä miaussraegialla ei saada informaaioa vuoroauden sisäisesä lämpöilan vaihelusa. Tämä voidaan nähdä Nyquis- aauuden valossa, oa on erran vuoroaudessa ehdyille miausille π radiaania eli syliä päivässä s. ysi ierros ahdessa päivässä: valiulla miaussraegialla ei voi eroaa aha päivää lyhyempiä syleä. Yö- a päivälämpöiloen vaihelun uimisesi näyeenooväliä olisi sien ihenneävä aheen miauseen vuoroaudessa, osa ää miaussraegiaa vasaava Nyquisaauus on yhä suuri uin iinnosusen oheena olevan vaihelun aauus, ierros päivässä ( π radiaania). Maemaaisesi ilmaisuna (Chafield, 004) Nyquis- aauus voidaan perusella seuraavien aavoen avulla cos cos[ ( ω even π ) ] = cos( ω) [( ω π ) ] = cos(( π ω) ) + (4) +, (5) odd 6

7 ossa even = 4,,0,,4, on parillinen oonaisluu a odd = 3,,,3, parion oonaisluu. Kaavoen (), (4) a (5) verailu eroo saman asian uin yhälöä (3) edelävä inuiiivinen peruselu: asollisa vaihelua oreammilla aauusilla uin 0,π. π ei voida eroaa vasaavasa vaihelusa välillä ( ). Aiasaran ominaisuusia Kappaleessa.. esiellään aiasara- analyysissa äreä soasisen prosessin ominaisuus, saionaarisuus. Taraselaessa osielämän daasa oosuvia aiasaroa, havaiaan, eä ne sisälävä usein ieyä sysemaaisia raenneomponenea, oa voiva olla oo deerminisisiä ai soasisia. Kappaleessa.. äydään läpi ne omponeni, oisa aiasaran voidaan aaella oosuvan... Saionaarisuus Soasinen prosessi on saionaarinen, miäli sen ominaisuude eivä riipu aasa. Täsmällisemmän määrielmän iroiamisesi disreeille aiasaralle määriellään ensin soasisen prosessin ominaisuusia uvaava avanomaise unnusluvu (Mellin, 004): odousarvo varianssi a ovarianssi E( x ) = µ, T, (6) [( x µ ) ] T Var( x ) = σ = E,, (7) [( x µ )( x )], s T Cov( x, x ) = γ = E µ,. (8) s s s s Disreeiaiainen aiasara voimassa: x, T on ny saionaarinen, miäli seuraava ehdo ova E( x ) = µ, T, (9) Var( x ) = σ, T, (0) Cov( x, x ) = γ,, s T. () s Toisin sanoen odousarvo (6) a varianssi (7) eivä riipu aanheesä a ovarianssi (8) riippuva vain heien a s väliaasa: saionaarisen aiasaroen yheydessä puhuaan auoovariansseisa. s 7

8 Aiasaralle ehävien esiäsielyen, oia ässäin yössä äsiellään, aroiusena on usein niiden saionarisoini, sillä hyviä eoreeisia ominaisuusia omaavina saionaarise soasise prosessi muodosava äyöelpoisen malliluoan aiasaroille (Mellin, 004). Saionaarisille prosesseille ehieyä eoriaa voidaan siis sovelaa sellaisiinin aiasaroihin, oa eivä suoraan ähän luoaan uulu. Useissa äyännön apausissa uiava aiasara eivä ole suoraan saionaarisia... Sysemaaise vaihelun lähee Tässä appaleessa äydään läpi ne sysemaaise vaihelun lähee deerminisise a soasise - oa mallinnusproseduuria suorieaessa pyriään aiasarasa unnisamaan. Jaoelu on läheesä Chafield (004). Trendi Aiasaran sanoaan sisälävän rendiä, miäli sen aso (odousarvo) ei pysy vaiona aan uluessa (yhälö (9) ei ole voimassa). Esimerisi appaleessa 4 äsielävä osielämän daaan perusuva aiasara sisälää rendin (Kuva 0). Trendi voidaan uvailla sanallisesi piän aiavälin muuosena aiasaran asossa. Tilaneesa riippuen piä aiaväli voi vaihdella. Esimerisi iey ilmasollise muuua sisälävä sylisä vaihelua opa 50 vuoden piuisilla periodeilla. Miäli daaa on ässä ilaneessa äyeävissä vain 0 vuoden aala, periodisuus ei näy a aiasara näyää sisälävän rendin. Jos daaa puolesaan olisi ässä ilaneessa äyeävissä saoen vuosien aala, 50 vuoden periodia vasaava asollisuus näyisi havainnoisa. Kausivaihelu Sanoaan, eä sara sisälää periodisa äyäyymisä eli ausivaihelua periodilla s, miäli havainnoissa on samanalaisuua s aiaysiön välein. Aiasara voi sisälää useaa ausivaiheluomponenia vasaen esimerisi viioiaisa a uuausiaisa vaihelua. (Box a Jenins, 976). Kuva havainnollisaa eri periodisisa (aauisisa) vaiheluomponeneisa muodosuvan uvieellisen aiasaran raennea. Useia odellisia aiasaroa araselaessa, esimerisi eonomerisissä sovellusissa, havaiaan ausivaihelua. Esimerisi avaraalon myynimääriä uvaavissa saroissa myyni voi vaihdella uuausiain sien, eä ouluuinen myyni on vuoden sisäisisä uuausisa suurin. Muu sylinen vaihelu Kausivaihelusa poieen ou aiasara voiva sisälää osain uloisesa fysiaalisesa syysä esiinyvää vaihelua. Päivän sisällä apahuva lämpöilan vaihelu mainiaan esimerinä äsä (Chafield, 004). Eenin eonomerisen mallien on havaiu sisälävän syleä, oa ova (uiavasa muuuasa riippuen) yypillisesi piuudelaan 3-0 vuoden miaisia (business cycles); suomen ielellä puhuaan suhdannevaiheluisa. Suoraa fysiaalisa ai inhimillisen oiminnan rymiin liiyvää perusea ai ulinaa ei ällaisille syleille uienaan ole 8

9 löydeävissä (Chafield, 004). Tenisesi oaen ausivaihelu a muu sylinen vaihelu eivä poiea oisisaan, vaan ne poiseaan aiasarasa samalla meodiialla. Muu raeneellinen vaihelu Trendin, ausivaihelun a muiden sylisen vaiheluomponenien unnisamisen äleen aiasarassa mahdollisesi älellä oleva ilasollisa raennea sisälävä vaihelu, oa ei siis ole äysin saunnaisa (appale..3), pyriään aiasara- analyysissa mallinamaan valmiiden malliluoien avulla. Näisä yleisesi äyey esimeri, ARMA- malli, on esiely lyhyesi appaleessa Peruseellisempi määriely löyyy useisa ilasoieeen oppiiroisa, esimerisi ämän yön lähdelueeloisa mainiuisa...3 Saunnainen vaihelu Aiasara- analyysissa on usein avoieena sellaisen esiäsielyen suoriaminen a malliraeneiden valina, eä havaiuen arvoen seä mallin anamien arvoen erouse - residuaali - ova äysin saunnaisa; aroius on unnisaa a poisaa aii appaleessa.. uvau sysemaaise a raeneellise ominaisuude. Miäli ähän ilaneeseen pääsään, malli seliää havainno äydellisesi seliämäön osa, oa uliaan ilasollisesi virheesi, on äysin saunnaisa eli se ei sisällä minäänlaisa ilasollisa raennea. Jäännösermien saunnaisuuden esaaminen ilasollisin esein on äreä osa mallin riiävyyden arvioinia eli validoinia. Valoinen ohina Valoisella ohinalla aroieaan äysin saunnaisa soasisa prosessia: E(ε ) = 0, T, () Var( ε ) = σ, T, (3) Cov( ε, ε ) = 0, s. (4) s Nimiys valoinen ohina ohuu analogiasa valo- opin anssa, ossa niin sanou valoinen valo sisälää aiia sähömagneeisen aaloliieen aallonpiuusia (väreä) saman verran. Analogia ulee siiä, eä osa valoinen ohina on äysin saunnaisa, miään aauus ei uoa enempää prosessin oonaisvarianssisa uin oinen, oen valoinen ohina sisälää saman verran aii aauusia a sien myös aallonpiuusia 9

10 3 Aiasaran speri: eoreeisia araselua 3. Määrielmä Speraalianalyysissa uiaan aiasaroa niiden aauussisällön valossa. Pyrimysenä on, usein yhdessä aia- alueen araseluen anssa, idenifioida havainoen ausalla oleva soasinen prosessi. Saionaarisen aiasaran speri määriellään aavalla ω ω = i f ( ) γ,0 ω π = e, π (5) oa on auoovarianssin γ [( x µ )( x µ )] = E (6) disreei Fourier- muunnos. Speri voidaan määriellä usealla eri, ulonäöllisesi oisisaan poieavalla avalla. Aiasaralle speri määriellään vain äärellisellä välillä [ 0,π ], sillä disreeein, ässä ysiöaiavälein, ehdyisä havainnoisa ei voida Nyquisaauua π suurempia aauusia eroaa välin [ 0,π ] aauusisa. (aso appale..). Miäli speri määrieläisiin oo reaaliaselilla, olisi se asollinen periodilla π, oen aavan (5) muainen määrielmä sisälää aien informaaion aiasaran aauussisällösä. Kosa auoovarianssille päee γ = γ, voidaan sperin määrielmä iroiaa myös = + f ( ω ) γ 0 γ cos( ω). π = (7) 3. Sperin ulina Sperin määrielmän ausan ymmärämisesi voidaan aiasaran, ossa on parion määrä havainoa, N = q +, aaella oosuvan eri aauisisa sini- a osiniermeisä seuraavasi (Ruusunen, 985) x = α + q ( α cos( ω) + β sin( ω) ) 0. = (8) Taauude ω voidaan valia esimerisi seuraavan pääelyeun ulosena: aauua ω π vasaava periodi on, a aiasarassa esiinyvä pisin mahdollinen aso on sen oo ω piuus, N aiaysiöä. Maalin (ulma)aauus, oa voidaan eroaa, on näin ollen π suuruudelaan. Korein aauus on puolesaan Nyquis- aauus π (aso appale N 0

11 ..), oa vasaa periodin piuua (lyhyin mahdollinen periodi). Täen eräs yleinen apa valia aauude, oia vasaava vaioermiα 0 seä regressioeroime α a β, =,, q, esimoidaan, on ω = π, =,,, q. N (9) Jäännösermien puuuminen regressiomallisa (8) seliyy sillä, eä esimoiavien paramerien luumäärä on sama uin havainoen, N = q +. Esimoinnissa raaisavassa lineaarisessa yhälöryhmässä on sien unemaomia sama määrä uin yhälöiä. Malli saadaan sisi sovieua havainoihin äydellisesi, oen äännösermi ova nollia. Sama araselu voidaan ehdä myös aiasaralle, ossa on parillinen määrä havainoa. Miäli N = q, on sin( ω q) = sin( π) = 0 aiilla. Tällöin erroin β q voidaan äää mallisa pois, a esimoiavien paramerien määrä on q, olloin saadaan ysiäsieise raaisu mallin (8) eroimille. Parilliselle havainomäärällä ehdy periodisuuden araselu ova maemaaisesi ysineraisempia a lisäsi valiaessa aauude ω parillisen havainomäärälle yhälön (9) muaisesi, saadaan aauusisi ω = π / N,4π / N,, π. Näiä aauusia usuaan harmonisisi aauusisi: maalin aauus π / N on π perusaauus a aauus, =,3, q ämän :s harmoninen aauus. Harmonisen N aauusien äyön euna on se, eä niille on usein olemassa seleä ulina: Nyquisaauus π vasaa periodia a perusaauus π / N periodia N. Muu aauude vasaava oonaisluuisia periodea ääripäiden välilä. Jos vain on mahdollisa, havainosaran piuus annaaa valia sien, eä mieleniinnon oheena oleva aauude osuva perusaauuden harmonisisi aauusisi (Chafield, 004). Jaossa äsielemme aiasaroa, oissa on parillinen määrä havainoa. Saran oonaispiuuden ollessa suuri, voidaan aiasarasa arviaessa ehdä parillisen piuinen meneämää meriäväsi informaaioa esimerisi poisamalla ensimmäinen havaino (Chafield, 004). Miäli havaiu aiasara sovieaan malliin (8) a eroime α 0, α a β, esimoidaan pienimmän neliösumman einolla, ilmenee, eä esimaaeisa N muodoseu lausee ( ) N a + b uvaa välin =,, q, a a b π ω ± osuua soviusen N oonaisneliösummasa ( x x) a sien myös yseisen aauusvälin osuua oo = prosessin energiaaaumassa. Energiaaaumasa puhuaessa äyeään analogiaa

12 sähömagneeisiin signaaleihin: fysiaalisen värähelysyseemin esimääräinen energia on verrannollinen ampliudin neliöön. Täsmällisessä maemaaisessa muodossa varianssin aauuminen aauusväleille unneaan Parsevalin eoreemana. q ( x x) / N = R / + a, = q (0) ossa R = a + b. Parsevalin eoreema näyää, mien saran oonaisvarianssi (oa fysiaalisissa sovellusissa vasaa värähelyn oonaisenenergiaa) oosuu eri aauisisa omponeneisa. Havaiusa aiasarasa esimoidun sperin avulla voidaan sien uia, miä aauusomponeni uoava suurimman osan saran oonaisvaihelusa a idenifioida niiä vasaava periodisuude (appale.). Ilmaisaan vielä sama asia sanallisesi: deerminisiselle signaalille disreei Fouriermuunnos määriellään eri aauisen siniaaloen painoeuna summana. Miäli signaalilla on nopeia muuosia (oreaaauisia värähelyä), ämä ilmenee oreaaauisen siniomponenien dominoinina, a hiaille muuosille päinvasoin. Deerminisisen signaalin speri muodosuu näiden omponenien eroimisa. Kosa soasisesa prosessisa saau realisaaio vaihelee oosesa oiseen, sperin määrielyssä äyeään auoovarianssia, ona äyön voi heurisisesi perusella seuraavasi posiiivisen auoovarianssin apausessa. Jos soasinen signaali x muuuu hiaasi aan funiona, auoovarianssi γ muuuu hiaasi viipeen asvaessa. Tällöin Fourier- muunneu auoovarianssifunio eli speri painouu maaliin aauusiin. Miäli x muuuu nopeasi, eli x a x + ova orreloimaomia o pienillä viipeen arvoilla, auoovarianssifunio puoaa nopeasi masimiarvosaan a sen Fourier- muunnos sisälää oreia aauusia (Seiala, 004). Sperin inuiiivinen sisälö on molemmissa apausissa sama: sperin arvo aauudella ω uvaa signaalin (odousarvoisa) aauussisälöä. Esimerisi appaleessa. määriellyn valoisen ohinan speri on asainen (vaio aauuden ω suheen), sillä se sisälää aiia aauusia yhä palon. 3.3 Sperin esimoinnisa Yhälön ( a b ) N I ω ) = + 4 π ( () määrielemää funioa usuaan periodogrammisi a se on eräs area sperin esimaai.

13 Kosa periodogrammi saadaan haluuille aauusille ω myös auoovarianssifunion esimaain c avulla esimoiua aavalla (Ruusunen, 985) n = + I( ω ) c0 c cos( ω), π = () verailemalla aavoa (7) a () seä suorieun regressioaraselun avulla (havainoen x sovius malliin (8)) voidaan ymmärää aavalla (5) määriellyn sperin uvaavan soasisen prosessin odousarvoisa aauussisälöä. Vaia periodogrammi on sperin harhaon esimaai E ( I( ω)) f ( ω), (3) N se ei ole arenuva: periodogrammin varianssi ei pienene, vaia havainoen määrää asvaa. Yhälön (8) araselu palasaa seliysen: vaia havainoen määrää N asvaeaan, esimoiavien paramerien määrä asvaa samaa ahia. (Chafield, 004). Periodogrammin arenumaomuus ilmenee epäasaisuuena ( piiiyyenä ), oa vaieuaa asollisen omponenien unnisamisa. Periodogrammin havainnollisuua sperin esimaaina voidaan paranaa ieyin äsielyin, oisa asi esiellään seuraavassa Viiveiuna Periodogrammin aavassa () esiinyvä auoovarianssifunion esimaai c huononeva viipeen asvaessa a lähesyessä havainoaineison piuua N, sillä ne laseaan yhä harvempien havainoarvoen peruseella. Periodogrammin paranamiseen ähäävän viiveiunoinnin aausena on painoaa enemmän lyhyiä viipeiä, oia vasaava auoovarianssin esimaai ova parempia. Viiveiunoinnin avulla saadaan ieyen ehoen oeuuessa arenuva sperin esimaai f w M ( ω ) = w0 c0 + wc cos( ω), π = (4) ossa äyeään painoraennea w, = 0,,,, M. Koonaisluua M<N usuaan aaisuohdan piuudesi. Viiveiunoinnin aausen oeuamisesi äyeään sellaisia painoraeneia, oa eliminoiva suurilla viipeillä ilmenevän auoovarianssin esimaaien arenumaomuuden. Näille painoraeneille päee sisi usein w > w + : paino ova siä pienempiä, miä suuremmasi viive asvaa. Aiasaran analysoian ehäväsi äävä aaisuohdan piuuden seä viiveiunan muodon valinna. Chafieldin (004) muaan asi unneuina viiveiunaa ova Tueyn iuna (oissain läheissä myös Tuey- Hanningin ai Blacman- Tueyn iuna) 3

14 w π (5) = + cos, = 0,,, M M seä Parzenin iuna 3 6( / M ) + 6( / M ), 0 M / w =. 3 ( / M ), M / M (6) Sopivaa aaisuohdan piuua M valiaessa on huomaava, eä liian pieni arvo asoiaa speriä liiaa, olloin mahdollisesi meriysellise ysiyisohda aoava. Liian suuri arvo asoiaa speriä liian vähän, olloin epäasaisuus a sen aiheuama vaiea uliavuus eivä poisu esimaaisa (Mellin, 004) Liuuvan esiarvon asoius Toisen vaihoehdon periodogrammin uliavuuden paranamiseen, liuuvan esiarvon asoiusen, äyö perusuu seuraavaan aauseen: f ( ω ) = I( ω ), m (7) ossa periodogrammia I( ω ) asoieaan sien, eä ω = π / N, ossa indesi saa m perääisä oonaisluuarvoa sien, eä aauude ω sioiuva symmerisesi mieleniinnon oheena olevan aauuden ω ympärille. Sperin esimoimisesi aauusilla 0 a π on sien selväsi ehävä erioisäsielyä (Chafield, 004). Myös liuuvalla esiarvolla asoieu periodogrammi on ieyin ehdoin arenuva esimaaori sperille. Paramerin m, oa usuaan äneen piuudesi, oiean arvon määriäminen aiheuaa samanalaisen valinailaneen uin aaisuohdan M ohdalla appaleessa 3.3.: liian pieni m asoiaa speriä liian vähän a liian suuri m liiaa. 3.4 Lineaarisen suodinen vaiuusesa speriin Tuliaan prosessin x synyneen saionaarisesa soasisen prosessisa y sien, eä = x = w y, (8) 4

15 ossa paino w oeuava ehdon = saau suodaamalla soasisesa prosessisa suodina, ona muodosaa painoraenne { } Aiasaroen x a y sperien f x a ossa w <. Sanoaan, eä soasinen prosessi x on y äyäen lineaarisa aiainvariania w (Mellin, 004). f y välillä päee ny f ( ω) = W ( ω) f ( ω), (9) x y W = w e iω ( ω), = (30) oa on deerminisisen luuonon { w } disreei Fourier- muunnos, olle äyeään myös nimiysä ehoiheyssperi. Tulos (9) saadaan sioiamalla määrielmä (8) soasiselle prosessille määriellyn sperin lauseeeseen (5) (ässä oleeu nollaesiarvoinen prosessi) π iω f ( ω ) = E[ ( x ] = x ) e π iω E ( w y w y ) e, 0 ω π. (3) = = = = Yhälön (3) peruseella määrielmän (30) iseisarvon neliön esiinymisen lauseeessa (9) voi ymmärää. Yhälössä (3) speri f (ω) on äsmällisemmin ilmaisuna ehosperi, oa uvaa soasisen prosessin { x } odousarvoisa aauussisälöä. Nimiys uonuu siiä, eä fysiaalinen väräheliä - analogiassa sperin (3) ysiö on energia/ aauus, sillä energia on verrannollinen ampliudin neliöön. Sperin erilaisia määrielmiä esielevä aremmin irassaan esimerisi Lung a Glad (994). y sperien välisen yheyden ulina on, eä suodaeun prosessin speri saadaan eromalla aluperäinen speri suoimen painoraeneesa riippuvalla eiällä W (ω), ona määrielmäsä (30) voi nähdä Näin soasisen prosessien { x } a { } analogian soasisen prosessin sperin määrielmään (5). 5

16 Sopivalla suoimen valinnalla voidaan prosessin { x } aauusominaisuusia muoaa haluuisi. Suodausen vaiuus speriin seleyyy hyvin esimeriapausen avulla, oia on esiely seuraavissa appaleissa Differensoini Määriellään aiasaralle { x } viiveoperaaori L sien, eä viiveoperoinnilla saadaan aiasaran edellinen havaino: Lx = x. Viiveoperaaori yleisyy useampiaseisesi n ilmeisellä avalla: L x = x n. Viiveoperaaorille äyeään irallisuudessa (Chafield (004), Lung a Glad (994), Ruusunen (985)) usein myös merinää B. Differenssioperaaori D määriellään viiveoperaaorin L:n avulla: Dx = ( L) x = x x. Näin määriely (.) differenssioperaaio muoaa aiasaraa sien, eä aluperäisisä arvoisa laseaan ahden perääisen arvon erousia eli muuosia: (.) differensoini poisaa aiasarasa deerminisisen lineaarisen rendin. Differensoini voidaan yleisää useampiaseisesi ilmeisellä avalla: esimerisi. aseen differenssi muodoseaan seuraavasi D x = ( L) x = ( L)( x x ) = x x + x. (3) Operaaiolla (suodausella) (3) poiseaan aiasarasa. aseen polynominen rendi. n Useampiaseise differenssioperaaori D, oissa n >, määriellään analogisesi yhälön (3) anssa: suorieaan viiveoperoini n eraa perääin. Meriään erran differensoiua aiasaraa y a aluperäisä x. Tällöin on voimassa = x = x = y w x, (33) ossa w =, w = a w = 0 muuen. Kosa yhälö (33) on samaa muooa uin (8), 0 differensoini voidaan ulia aiasaralle suorieavana lineaarisena suodausena. Differensoinia vasaavan suoimen speri (ehoiheys) on luvun 3.4 aavan (30) muaan ny W ( ω) iω = w e iω 0 iω = e + ( ) e = = e iω. (34) Siirofunio, oa uvaa differensoinnin vaiuusa aiasaraan aauusasossa saadaan ämän omplesiarvoisen funion iseisarvon neliönä, oa voidaan lasea äsin omplesiluuen lasusäänöä äyäen. Sopivan ieooneohelmison, uen 6

17 Mahemaican, avulla, myös siirofunioiden uvaaia voidaan helposi piirää araselua varen. Tehoiheyssperiä (34) vasaavan siirofunion lauseeesi saadaan Määriellään summausoperaaori S seuraavasi: ( ω) W ( ω) = cos. (35) Sy + L + L + ) y = y + y + y + (36) = ( Sioiamalla y = Dx = ( L) x yhälöön (36) nähdään, eä Sy = x ; aluperäinen aiasara saadaan siis summaamalla differensoiua aiasaraa a äsä syysä oissain läheissä summausoperaaorisa puhuaan differensoinioperaaorin ääneisoperaaorina. Summausoperaaori yleisyy suurempiin eraluuihin evivalenisi differenssioperaaorin anssa Kausidifferensoini Kausidifferensoini poisaa aiasarasa deerminisisen ausivaihelun (appale..), ona periodi on s. Kausidifferensoinioperaaori määriellään viiveoperaaorin L avulla seuraavasi D s s = ( L ). (37) Esimerisi operaaio D x = ( L ) x = x x eee uuausiaiasaralle x muunnosen, ossa arasellaan absoluuisa muuosa verrauna edellisen vuoden vasaavaan uuauden ilaneeseen. Kausidifferensoinioperaaoria D s vasaavan suoimen painoraeneesi saadaan w, w = a w = 0 muuen. Vasaavan suoimen (ehoiheys)speri saadaan 0 = s sioiamalla nämä paino w aavaan (30) W ( = iω iω 0 iω s ω) w e = e + ( ) e = = e iω s, (38) a siirofuniosi W ( ω) = cos( ωs). (39) Liuuvan esiarvon asoius Liuuvalla esiarvolla aroieaan lineaarisa esiäsielyä, ossa esiäsiely sara { } y saadaan seuraavan aavan avulla määriellyn suodausen ulosena. 7

18 s + r= q y = a x, r + r (40) r ossa paino a r oeuava ehdon a =. Liuuvan esiarvon asoius uliaan sien, eä suodaeu arvo y laseaan painoeuna esiarvona heen seä q edellisä a s seuraavaa havainoa äyäen. Koonaisluua + q + s usuaan äneen piuudesi. Liuuvan esiarvon suodausella pyriään poisamaan aiasarasa häiriseväsi oeu vaihelu; se suodaaa aiasarasa sellaise vaiheluomponeni, oiden eso on lyhyempi uin äneen piuus (Mellin, 004). Läheen Chafield (004) muaan ysineraisin esimeri asoiussuoimesa on symmerinen suodin ( q = s ), ossa aii paino ar ova yhä suuria. Tällöin y + q = x + r q + r= q. (4) Selvää on, eä liuuvan esiarvon asoiusen suodinen ei välämää arvise olla symmerisiä yhälön (40) painoen a r eiä paramerien q a s suheen. Käyeään uienin yhälön (4) määrielemää suodina esimeriapausena sperin araselussa. Tällä suoimella voi olla äyöarvoa esimerisi ausivaihelun poisamisessa (Chafield 004). Yhälö (30) anaa suoimen (4) sperisi, un q = e 3 oen siirofuniosi saadaan W (ω) w e iω = iω ( ) ω = = iω 0 i + e + e = 3 3 iω iω e + e + = 3 3 (4) + cosω. 3 3 ( + 4cosω 4cos ω) W ( ω) = + cosω = (43) 8

19 3.4.4 ARMA- suoime Tässä appaleessa näyämme, eä yleisesi aiasara- analyysissä äyey malliraenne, ARMA- malli, voidaan esiää lineaarisen suodausen ulosena. ARMA- malli oosuva auoregressiivisesä (auoregressive, AR) seä liuuvan esiarvon (moving average, MA) osisa sien, eä havainnon x ausalla oleva ilasollinen malli on muooa ossa viivepolynomi φ( L) x = θ ( L) ε, ε ~ i. i. d.(0, σ ), (44) φ L = φ L φ L ( ) φ, (45) L p p a θ ( L) = + θ L + θ L + + θ. (46) q q L ARMA- mallien eoria osee saionaarisia (appale..) soasisia prosessea; miäli saionaarisuuden saavuamisesi daa ouduaan differensoimaan erran ai useammin (appale 3.4.), puhuaan ARIMA- mallisa, ossa irain I viiaa sanaan inegraed - aluperäinen aiasara saadaan ällöin summaamalla (yhälö (36)) eli inegroimalla differensoidusa daasa. ARMA- malli voidaan iroiaa muooon θ ( L) x = ε, ε ~ i. i. d.(0, σ ), φ( L) (47) olloin uliaan havainnon x synyneen suodaamalla valoisa ohinaa äyäen suodina, ona ominaisuude määräyyvä viivepolynomien φ (L) a θ (L) eroimien φ, n =,, p aθ m, m =, q seä aseluuen p a q peruseella. n Voidaan osoiaa (Mellin, 004), eä saionaariselle ARMA- prosessille on olemassa MA ( ) - esiys x = Ψ( L) ε, (48) ossa viivepolynomi Ψ( L) = ψ L, oa on samaa muooa uin (8). Näin ARMA= 0 prosessi voidaan luea lineaarisen suodinen luoaan. ARMA- mallin (44) speriiheysfunion yleisesi lauseeesi saadaan ARMA(p, q)- mallin apausessa saadaan aavan (9) peruseella 9

20 σ + θe f ( ω) = π φ e iω iω + θ e φ e iω iω + + θ e q φ e p qiω piω, (49) σ ossa eiä on valoisen ohinan speriiheysfunio. Kaavan (49) π omplesisuudesa ohuen ARMA- mallien sperisä on vaiea sanoa miään yleisä. Parhaien asiaa voidaan havainnollisaa uvaaien avulla, oisa esieään esimeriapausia a ulinoa appaleessa 3.5. Speraalianalyysia voidaan havainnollisaa myös ARMA- mallien avulla, vaia yleisesi mallinraennusproseduurissa ei ARMA- prosessia aiasaralle ehäväsi esiäsielysi uliaaan. Voidaan uienin aaella, eä valoisesa ohinasa uoeaan havaiu (värillinen) aiasara suodaamalla se ARMA- suoimen seä valiuen esiäsielysuodinen ääneissuoimien läpi. Toiseen suunaan voidaan aaella esiäsielyen avulla uoeun saionaarinen aiasaran sisälävän sisäisä ARMAraennea, värillisyyä, un pelä esiäsiely eivä uoa riiävän valoisa ohinaa. Kuva (Ruusunen, 985) havainnollisaa aausa hyvin. Valoinen ohina ε θ (L) φ ( L) Liuuvan esiarvon suodain e Saionaarinen auoregressiivinen suodain y S d Epäsaionaarinen summaussuodain Aiasara x Kuva. ARIMA- mallin raenne suodinen avulla Kuva ei sisällä havainnollisuuden vuosi ausivaihelua poisavaa (ai aiheuavaa) suodina, mua se voiaisiin lisää uvaan epäsaionaarisa summaussuodina vasaavalla avalla. Kuvasa voidaan luea esimerisi normaali ARMA- mallin esiysmuoo d d φ ( L) y = θ ( L) ε ai suorieu differensoini S y = x y = D x, ossa operaaori S a D ova appaleessa 3.4. määrielly differensoini- a summausoperaaori d eraa suorieuna. Aiasaran yhälön x suodauminen valoisesa ohinasa suodinen läpi saadaan ny esieyä x d = S φ ( L) θ ( L) ε, (50) muodossa, oen ARMA- suoime a esiäsielysuoime ova maemaaisessa mielessä verailuelpoisia. Yhälö (50) peruselee raaisun ARMA- suodinen esielyyn ässä yössä lineaarisen esiäsielysuodinen yheydessä. Lisäsi appaleissa 3.4., 3.4. a läpiäydy esiäsiely voidaan ulia ARMA- suoimien erioisapausina. 0

21 3.5 Graafisia esimereä Tässä luvussa esielemme sopivasi valiuen eoreeisen prosessien spereä, oa havainnollisava luvuissa 3.4 esieyä asioia Differensoini Differensoinia vasaavan siirofunion lausee on luvun 3.4. aavan (35) muaan W ( ω) = cos( ω). Kuva 3 esiää ää funioa välillä [ 0,π ], oa on väli, olla aiasaran speri määriellään (luu 3.) Kuva 3. Ensimmäisen eraluvun differensoinia vasaavan siirofunion speri Kuva 3 havainnollisaa, uina differensoini vaiuaa aiasaran aauussisälöön: aavan (9) muaan differensoidun aiasaran speri on siirofunion a aluperäisen aiasaran ulo. Siirofunion uvaaasa nähdään, uina differensoiaessa orea aauude vahvisuva suheessa maaliin aauusiin. Kosa differenssi muodoseaan lasemalla ahden perääisen havainnon erouse, a ää vasaava viive on pieni eli aauus orea, on ulina selvä. Toisaala siirofunion arvo aauudella 0 on W (0) = cos(0) = 0, eli aauua 0, oa vasaa ääreömän piää syliä, vasaava maala aauude vaimeneva. Tämä vasaa deerminisisen rendin poisumisa differensoidusa aiasarasa Kuva 4. Toisen eraluvun differensoinia vasaavan siirofunion speri Toisen eraluvun differensoinia vasaava siirofunio saadaan sioiamalla aavan (3) ulos yhälöön (30)

22 W ( ω) iω iω 0 iω i ω iω iω = w e = e + ( ) e + e = e + e. = (5) Kuva 4 esiää Mahemaica- ohelman avulla piirreyä yhälön (5) määrielemän ehoiheyssperin siirofunioa W (ω). Kuvaaasa voi luea, eä oisen eraluvun vahvisaa suuria aauusia suheellisesi enisä enemmän (huomaa aseio). Ise asiassa siirofunion lausee W (ω) saadaan eromalla funio (35) isellään, uen inuiiivisesi selvää onin; oinen differenssihän muodoseiin suoriamalla ensimmäisen aseen differensoini ahdesi perääin (appale 3.4.) Kausidifferensoini Tarasellaan ausidifferenssoinnin siirofunion uvaaaa, un auden piuus s =. Tällöin aavan (37) peruseella on W ( ω) = cos(ω ) Kuva 5. Kausidifferensoinia vasaavan siirofunion uvaaa Kuva 5 näyää havainnollisesi, uina ausidifferensoini poisaa aiasarasa auden piuua vasaava aauude. Kauden piuus on ny, a uvasa havaiaan, eä π π π π π W ( ω) = 0, un ω =,,,6. Perusaauuden ω s = = lisäsi ausidifferensoini siis poisaa välille [ 0,π ] osuva perusaauuden harmonise aauude, oa periodia vasaava ausivaihelu aiheuaa. Näiä aauusia vasaava auden π piuude saadaan aavasa s =. ω Kausidifferenssoinnin vaiuus aauussisälöön voidaan yleisemmin nähdä siä vasaavan siirofunion W ( ω) = cos( ωs) aavasa (39). Sylinen omponeni, ona periodi on s, näyy saionaarisen soasisen prosessin sperissä huippuina π perusaauuden ωs = lisäsi harmonisilla frevensseillä ω s, =,, [ s / ], ossa s

23 [ / ] s on suurin oonaisluu, oa s / (Mellin, 004). Sioiamalla harmonise frevenssi ω s siirofunion aavaan (39) saadaan aiilla,, [ s / ] W ( ω ) = cos( ω s s s ) = cos( π ) = 0, (5) =. Kausidifferenssoinnin oonaisvaiuus speriin on sien π π [ s / ] π aauusien 0,,,,, π vaimeneminen. s s s Liuuvan esiarvon asoius Luvussa esiely esiäsielymeneelmän, liuuvan esiarvon asoiusa vasaavan siirofunion lausee sai yhälön (43) muaisen muodon, un parameri q a s saiva arvon a aiien niiden havainoen painoarvo, oisa esiarvo laseiin, oli samansuuruinen Kuva 6. Liuuvan esiarvon siirofunion uvaaa, q = s= Kuva 6 osoiaa, uina liuuvan esiarvon äneen piuua q + s + = 3 vasaavaa π aauua ω =, suuremma aauude suodauva aiasarasa pois ää suodina 3 äyeäessä. Kuva 7 esiää aavan (30) muaisesi Mahemaica- ohelmisolla laseun liuuvan esiarvon asoiusa vasaavan siirofunion uvaaaa, un q = s = a suoimen painoraenne on asainen aavassa (40) a r = aiilla r =,,. 5 3

24 Kuva 7. Liuuvan esiarvon siirofunion uvaaa, q=s= π Ny äneen piuua q + s + = 5 vasaa aauus ω =, 3, oa suuremma aauude 5 suodauva aiasarasa älleen pois eoriaa (Mellin, 004) vasaen ARMA- suoime Tässä appaleessa esiellään ysineraisimman (aidon) ARMA- suoimen, ossa AR- a MA- osien eraluvu p= a q=, speri. Kappaleessa havainnolliseaan, uina valoinen ohina väriyy ARMA- prosessin vaiuusesa ilasollisa raennea sisäläväsi a uina AR a MA- osien paramerien arvo vaiuava prosessin ominaisuusiin a sien myös aauussisälöön. Sperin lausee ARMA(, )- apausessa saadaan aavasa (49) σ + θ + θ cosω f ( ω) =, π + φ φ cosω (53) oa oosuu valoisen ohinan aiheuamasa eiäsä π σ, yhälön oisen eiän nimiääsä saadaan mallin AR- osaa vasaava siirofunio a osoiaasa MA- osaa vasaava siirofunioon. Paramerien arvoilla θ = 0, a φ = 0, 3 saamme ARMA- prosessin vaiuusen valoisen ohinan speriin aavasa (53). 4

25 .5.5 AR- osa MA- osa ARMA- suodin Kuva 8. ARMA- prosessin siirofunion uvaaan omponeni Kuva 8 näyää ARMA- suodausen siirofunion muodosumisen osiensa ulona: ARosa vahvisaa maalia aauusia un aas MA- osalla on oreampia aauusia vahvisava vaiuus (paramerien arvoillaθ = 0, a φ = 0, 3). AR- osan vaiuus oonaisuueen on ässä dominoiva, uen Kuva 8 osoiaa. Perusellaan vielä ARMA- suoimen vaiuusen aauusalueessa esiäminen omponeniensa ulona. Miäli aiasaran suodaus apahuu useamman (n appalea) lineaarisen suoimen läpi, aava (9) yleisyy ilmeisellä avalla (Chafield, 004) f ( ω) = W ( ω) W ( ω) W ( ω) f ( ). (54) x n y ω Kiroieaan yhälön (53) siirofunio muooon W ( ω) = W ( θ ( L)) W ( φ( L)) = ( + θ + θ cosω), + φ φ cosω (55) ossa W ( φ( L)) a W ( θ ( L)) ova AR- a MA- suodinen siirofunio. Näin voidaan arasella ummanin suoimen vaiuus syöeen (ARMA- mallissa valoisa ohinaa) speriin eriseen; oonaisvaiuus on näiden ulo (Kuva 8). MA- osan siirofunio ( + θ + θ cosω) W ( ω) =. (56) on maemaaisesi hieman ysineraisempi uin AR- osan, oen uiaan esimerinomaisesi MA- osan suoimen äyäyymisä a esieään älle ulina 5

26 paramerin θ saadessa eri arvoa yhälön (48) muaan ARMA- suodaus voidaan esiää ääreönaseisena MA- suodausena. Oleeaan aiissa apausissa, eä θ MA()- prosessin äänneävyysehdon (Mellin, 004) oeuumisesi. < Tarasellaan ensin apausa θ > 0. Kosinifunio on aidosi vähenevä a posiiivinen aauusvälillä ω 0, π : paramerin θ 0 > asvaessa ällä välillä myös siirofunio π asvaa aiilla aauusilla. Välillä ω, π osinifunio on aidosi vähenevä a negaiivinen, olloin paramerin θ > 0 asvu ieyn aauusarvon äleen ei välämää asvaa siirofunioa yhälön (56) ermisä θ cosω ohuen. Sanallisesi ämän araselun ulina on, eä miä suurempi parameri θ 0 on, siä enemmän vahvisuva maala aauude ω 0, π. MA()- suodausen esiys aia- alueessa (yhälön (44) erioisapaus) > x = + θε ε. (57) a sen auoovarianssifunio γ 0 = σ [( ε + θ ε )( ε + θ ε ] = E[ θ ε ] θ γ ( = σ = E x x ) = E ) γ = 0, l 0, l (58) l seliävä MA()- suodausen vaiuusa valoisen ohinaan speriin araseluissa ilmenneen maalien aauusien vahvisumisen: miä suurempi parameri θ > 0 on, siä suuremman arvon saa γ (auoovarianssi viipeellä ). Suuri posiiivinen auoovarianssi implioi hiaia muuosia aia- alueessa, oia vasaava maala aauude. (laselma (58) on ehy yhälöissä (),(3) a (4) esieyihin valoisen ohinan ε ominaisuusiin perusuen) Kun θ < 0, pääelmä suoimen siirofuniosa muuuva vasaaisisi edellä esieyen pääelmien suheen: miä negaiivisempi parameri θ on, siä enemmän orea aauude vahvisuva. 6

27 Paramerin arvo 0,3 Paramerin arvo 0.9 Paramerin arvo -0,3 Paramerin arvo -0,9 Kuva 9. MA()- suoimen siirofunioia paramerinθ eri arvoilla Kuva 9 veää yheen paramerin θ arvon vaiuuse speriin: vaiuusen suuruus on verrannollinen paramerin iseisarvoon, negaiivise arvo vahvisava oreia aauusia a posiiivise maalia aauusia. Yleisemmän, ARMA (p, q)- prosessin apausessa suoimia vasaavien siirofunioiden lauseee muodosuva paramerien suheen monimuaisisi (49), oen niiden uliseminen on muiaampaa uin ässä appaleessa esieyn ysineraisen esimeriapausen. 7

28 4 Todellisen aiasaran araselu Tässä appaleessa havainnolliseaan luvussa 3 esieyä speraalianalyysin eoriaa reaalimaailman daaan perusuvan mallinnusprosessin avulla. Taraselun oheena oleva aiasara äsiää 6 uuausiaisa havainoa Havaiilla siaiseva Mauna Loaulivuoren yllä ehdyisä hiilidiosidimiausisa. 4. Raeneiden näyminen a suodausen vaiuus aauusalueessa mallinnusprosessin eri vaiheissa Luodaan ensin yleisasaus araselavaan aiasaraan aia- alueen uvaaan avulla Plo of MLCO 8.8 MLCO Time Kuva 0. Mauna Loa- ulivuoren yläpuolella miau uuausiaise hiilidiosidipääsö Graafisen esiysen (Kuva 0) peruseella, vaiuaa, eä aiasara ei ole saionaarinen, vaan se vaiuaa sisälävän lineaarisen rendin. Tulivuoren yllä ehyen hiilidiosidimiausen havaiaan myös sisälävän selvää ausivaihelua sien, eä ason piuus on vuoden miainen. 4.. Trendi a asollise omponeni Tarasellaan aiasaraa seuraavasi aauusalueessa; esieään NCSS- ohelman (Hinze, 00) avulla aiasarasa esimoidu periodogrammi (aava ()) seä speriesimaai (aava (7)). 8

29 Periodogram of MLCO Period Frequency Kuva. Aiasarasa esimoiu periodogrammi 0. Specral Analysis of MLCO 0. Specrum Frequency Kuva. Aiasarasa esimoiu speri Periodogrammi (Kuva ) on esimoiu 00 asaväliselle aauudelle välillä [0.5583, π ], osa Chafieldin (004) suosiusen muaan noin aauua vasaava sperin esimaai on sperisä ulinoen eemisen annala riiävä määrä. Käyämme aossa samaa esimoiavien sperin arvoen luumäärää (00) speriesimaaien verailavuuden vuosi. NCSS lasee speriesimaain (Kuva ) liuuvan esiarvon asoiusen meneelmällä (aava 7) peruseella. Luvun 3.3. muaan aavassa (7) esiinyvä parameri m on valiava sopivasi äärimmäisyysien välilä: liian suuri arvo asoiaa aauusia vasaava piii pois esimaaisa a liian pieni arvo vaieuaa näiden aauusien 9

30 eroamisa. NCSS suosielee arvoa (Hinze, 00), oa on lähellä luua N / 40, ossa N on niiden aauusien luumäärä, oia vasaava sperin arvo esimoidaan. Tällä peruseella äyämme aossa arvoa m=3. Speriesimaaeisa havaiaan asi piiiä, suurin piirein aauusarvoen ω 0, 54 aω, ohdalla. Näiä vasaava periodi ova s / 0,54, = π 6 a s = π /, 5,7. Aiasarauvaaasa idenifioiu asollisuus periodilla uuaua näyy myös aauusasossa. Taauua ω vasaava piii seliyy sillä, eä ω ω ; piii vasaa sien perusaauuden ω. harmonisa aauua (appale 3.4.). 4.. Differensoini Kappaleessa 4. mainiuen piiien lisäsi havaiaan sperin asvavan aauuden lähesyessä arvoa ω = 0, oa vasaa ääreönä syliä a viiaa rendin olemassaoloon (Mellin, 004), uen myös aiasaran uvaaan (Kuva 0) peruseella näyää. Täsä syysä aiasara differensoidaan erran (appale 3.4.). 4.0 Specral Analysis of MLCO 3.0 Specrum Frequency Kuva 3. Differensoidun aiasaran esimoiu speri Aluperäisen (Kuva ) a differensoidun aiasaran (Kuva 3) speriesimaaien verailu osoiaa aauusalueessa, uina differensoini poisaa aiasarasa lineaarisen rendin; aauusarvon 0 lähellä siaiseva omponeni aoava, uen eorian (appale 3.4.) piääin. Differensoidusa aiasarasa on helpompi eroaa piii aauusilla ω a ω ARMA- raeneen idenifioini Sopivan differensoinnin eraluvun valinnan äleen (oa edellisen appaleen peruseella on ) mallinnusprosessi eenee sien, eä on löydeävä sopiva eraluvu a malliraenne 30

31 ARMA- prosessille, oa suodaaa valoisesa ohinasa värähelyä, ona aauussisälö on edellisen (Kuva 3) muainen. Valoanalogissa piii (Kuva 3) voisiva vasaa esimerisi elaisa a sinisä valoa. Aiasara, ona generoinua soasisa prosessia yrieään idenifioida, vasaisi ny värähelysisällölään ieyn sävyisä vihreää. Tehävä, ossa olisi valiava ominaisuusilaan sopiva linssi, oa suodaava valoisesa valosa elaisen a sinisen esiin sien, eä ulos vasaa havaiua vihreää, vasaa sopivan soasisen prosessin (ny ARMA- mallin) esimisä. Osoiauuu, eä mulipliaiivinen ARMA- malli (äsmällisemmin SARIMA- malli, S viiaa sanaan seasonal) (Box a Jenins, 976) L Φ L D x L L ε, (59) s d s φ p ( ) P ( ) = θ q ( ) ΘQ ( ) ossa viivepolynomien eraluvu p = P = q = Q = a differensoinnin eraluu d = a auden piuus s =, on eräs malli, oa uvaa araselua Mauna Loa- ulivuoren ylä miaua hiilidiosidipioisuusia ilasollisesi riiävällä avalla. d Meriään D x = y, olloin voidaan lasea yhälön (59) muooisen saionaarisen ARMA- prosessin speri aavan (49) peruseella. Saadaan f ( ω) iω iω 3iω σ + θe + θe + θθ e =. (60) ω ω 3 ω π i i i φe φe + φφ e Sioiamalla NCSS:n anama parameriesimaai φ = 0, 44, φ = 0, 9804, θ = 0,448, 505 θ = 0, voidaan Mahemaicalla piirää ARMA- suoimen siirofunion uvaaa (yhälö (60) ilman valoisesa ohinasa aiheuuvaa eiää π σ ). Teoreeisen ARMA- prosessin siirofunion uvaaan piirämisen aroiusena on arisaa, aiheuuuo prosessin seä summaussuoimen (ääneinen operaaio differensoinnille) yheisvaiuusena aauussisällölään samanalainen speri uin aiasarasa esimoiu (Kuva molempiin suuniin lueuna). 3

32 Kuva 4. Valiun ARMA- suoimen siirofunio Koo valiun mallin siirofunio, ARMA- raeneen a summaussuoimen oonaisvaiuus valoisen ohinan speriin saadaan aavan (54) peruseella iω iω 3iω + θe + θe + θθ e ( = iω iω 3iω ( cos( ω)) φe φe + φφ e W ω),0 < ω π, (6) ossa eiä /( cos( ω)) aiheuuu epäsaionaarisesa summaussuoimesa, ona vaiuus on ääneinen differensoinnin siirofunioon (35) nähden. Huomaavaa on, eä funio (6) ei ole määriely aauuden arvolla nolla ämä heiaselee sperin (5) määrielemisä ainoasaan saionaarisille prosesseille. Valiun prosessin (ARMA- raeneen a differensoinien eraluvu) aauusalueen suodausominaisuusien havainnollisamisesi piirreään oonaissiirofunion uvaaa 0.0,π. (6) sisi välillä [ ] Kuva 5. Valiun SARIMA- prosessin siirofunio 3

33 Aiasarasa esimoidun sperin (Kuva ) a havainno generoineesi unniseun prosessin siirofunion (Kuva 5) araseluissa havaiaan sama aauusominaisuude (piii samoilla ohdilla) Residuaalien araselu Teorian muaan riiävällä avalla havaiun vaihelun seliävän mallin residuaali RES i = y FIT, i =, N, (6) i i ossa y i on havaino a FIT i mallin (59) anama sovie esimoiduilla paramerien arvoilla, ova valoisa ohinaa. Tässä appaleessa havainnolliseaan asiaa aia- a aauusalueen uvaaien avulla..0 Auocorrelaions of Residuals Auocorrelaions Lag Kuva 6. Residuaalien auoorrelaaio. Miäli malli on riiävä, residuaalien auoorrelaaioiden (Kuva 6) ρ γ γ = = γ 0 σ, (63) ossa γ on auoovarianssi () ulisi äyäyyä saunnaisesi sien, eä ne ova iseisarvolaan pieniä. Tesi sille, ono auoorrelaaioissa älellä ilasollisa raennea, on nimelään Pormaneau- esi, ossa esisuure (Hinze, 00) r Q( ) = N( N + ), (64) = N 33

34 oa noudaaa χ - aaumaa vapausaseparamerilla p q P Q. Kaavan (64) muodosa nähdään, eä suure esisuureen arvo aiheuava nollahypoeesin residuaalien auoorreloimaomuudesa hyläämisen. NCSS anaa eri viipeille ulosen, ossa ahdella viipeen arvolla esi eroo, eä malli ei ole riiävä a 4 esisuureen arvon muaan malli on riiävä. Nollahypoeesien hyläävien esiulosen osuus aiisa eseisä on 0, 04545, oen oimiaessa 44 risiasolla 0,05 esiulos ei viiaa siihen, eä valiu malliraenne ei ole ilasollisesi riiävä. 0.5 Specral Analysis of RESIDUAALIT 0.4 Specrum Frequency Kuva 7. Residuaaleille esimoiu speri. Residuaalien speriä (Kuva 7) araselaessa saaaa vaiuaa, eä aauusvälillä [.6,.6] esiinyvä piii edusaa meriävää aauusomponenia. Piiin suuruua voidaan arasella huomioiden, eä NCSS lasee normeeraaua spereä. Kappaleessa 3. esieyn ulinnan muaan piiiä vasaavan osuus oonaisvarianssisa suuruusluoa saadaan siä vasaavana pina- alana. Normeerauen sperien apausessa saadaan suheellinen osuus saran oonaisvarianssisa. Approsimoimalla epäilyä piiiä asaylisellä olmiolla, ona äre ova piseissä 0,45 (.6, 0), (.6, 0) a (.44, 0.45), osuuden suuruusluoasi saadaan 0,36 8%, 0,36 un äysin asaisella sperillä vasaavan levyisellä aauusvälillä on % osuus π varianssisa. 34

35 Lisäsi residuaalien esimoidun sperin (Kuva 7) heilahelu apahuu äysin valoisen ohinan normalisoidun sperin f ( ω) = 0, 3 ympärillä. π Edellisen peruseella voidaan pääellä, eä Kuva 7 ei sisällä meriäviä aauuspiieä, vaan residuaali ova valoisa ohinaa, uen myös auoorrelaaioiden (Pormaneauesi) peruseella pääeliin. 4. Liuuvan esiarvon asoiusen vaiuus speriin Kappaleessa määriely liuuvan esiarvon asoiusen äyön on aroius poisaa aiasarasa häiriseväsi oeu vaihelu. Taauude, oa suodauva pois, riippuva äneen piuudesa + q + s (appale 3.4.3). Havainnolliseaan liuuvan esiarvon asoiusessa äyeyn äneen piuuden vaiuusa aauusalueessa araselaessa luvussa äsiellyn Mauna Loa- aiasaran (Kuva 0) avulla. Aiasara on myös differensoiu erran. Käyeään ensin äneen piuua 3 a symmerisä painoraennea, olloin liuuva esiarvo y laseaan aluperäisesä (differensoidusa) aiasarasa x yhälön y = x + x + x+, =,35, (65) peruseella. Seuraavassa esieään liuuvalla esiarvolla asoieusa aiasarasa esimoidun sperin uvaaa. 5.0 Specral Analysis of FILTERED_3 3.8 Specrum Frequency Kuva 8. Liuuvalla esiarvolla asoieu aiasara, äneen piuus 3 Taauusalueissa apahuva verailu asoieun (Kuva 8) a aluperäisen (Kuva ) aiasaran välillä eroo, eä aauussisällölle ei apahunu olennaisesi miään; ise 35

36 asiassa ainain aauua ω vasaava piii on asoieulle aiasaralle suurempi, oa on ymmärreävissä äneen piuua 3 vasaavan siirofunion uvaaan (Kuva 6) π peruseella. Kosa äneen piuua 3 vasaava aauus on, a asoius suodaaa 3 pois ää suuremma aauude, on äyeävä pidempää änneä. Miäli periodia vasaavasa vaihelusa a ämän harmonisisa aauusisa aiheuuva piii haluaan suodaaa araselavasa aiasaran sperisä pois, on äyeävä liuuvan esiarvon suodina, ossa äneen piuus + q + s =. Käyeään painoraeneelaan symmerisä asoiusa, ossa aavan (40) parameri saava arvo q = a r = 0. Tasoiusen lauseeesi saadaan y = x + x 0 + x x, =,3,4,,6, (66) a asoieun aiasaran speri esieään seuraavassa. 0.3 Specral Analysis of FILTERED_ 0. Specrum Frequency Kuva 9. Liuuvalla esiarvolla asoieu aiasara, äneen piuus π Kuva 9 osoiaa havainnollisesi, uina aauus 0, 5 a vasaava harmonise aauude suodauva pois. Sopiva liuuvan esiarvon asoius (ässä äneen piuuena ) palasaa häirisevinä oeuen aauusien ala ilasollisa raennea, oa on mahdoona havaia ilman asoiusa (Kuva ). On huomaava, eä appaleessa 4. uvaussa mallinnusproseduurissa periodia vasaava vaihelu ei ole häiriö, oa haluaan poisaa aiasarasa, vaan se pyriään sopivalla SARIMA- raeneen valinnalla mallinamaan ilasollisesi riiävällä avalla. 36

37 Kuvaaan (Kuva 9) osoiama ilasollinen vaihelu on periodilla apahuvaan vaiheluun verrauna häviävän pienä, a sisi saaiin raenneua ilasollisesi riiävä malli ilman ämän vaihelun huomioimisain. 5 Yheenveo a ohopääöse Työn eoriaosassa äyiin läpi ensin aiasara- analyysin perusäsieiä (luu ) sperin määrielyn a sen ulinoen esiämisen mahdollisamisesi (luu 3). Kappaleessa 3.4 esieliin lisäsi ämän yön aiheen raausen annala äreä ulos, lineaarisen suodinen äyön vaiuus aauusalueessa (aava (9)), ona äleen appaleessa sovelleiin ulosa yössä äsieläväsi valiuen lineaarisen suodinen apausiin (3.4. Differensoini, 3.4. Kausidifferensoini, Liuuvan esiarvon asoius a ARMA- suoime). Kappaleessa 3.5 havainnolliseiin näiden suodinen äyön vaiuusia aauusalueessa graafisen esiysen avulla. Luvussa 4, oa voidaan piää yön sovelavana osuuena, äsieliin osielämäsä peräisin olevaa aiasaraa NCSS - ilaso - ohelmison avulla. Käsiellyssä aiasarassa miausen oheena oliva Havaiilla siaisevan Mauna- Loa- ulivuoren yläpuolella havaiu hiilidiosidipioisuuden 6 uuauden miaisen havainoperiodin aiana. Kappaleessa 4. esimoiiin speri mallinraennusen eri vaiheissa. Eri äsielyen aiheuamia muuosia sperissä verailiin luvun 3 eoriaan a niille esieiin ulinoa. Esimoiua spereä äyeiin seä havainno generoineen soasisen prosessin eraluuen (differensoini a ARMA- raenne) määriämisesi (appalee 4.., 4.. a 4..3) eä mallin riiävyyden varmisamisesi (residuaalien valoisuuden araselu appaleessa 4..4). Taauusalueen araseluen peruseella valiu SARIMA- malli (59) ei varmasi ole ainoa eiä välämää paras diagnosise esi läpäisevisä malleisa, mua ämän yön puieissa ysymys ei ole meriysellinen. Aiheraausen vuosi aaus oliin löyää vain oin ilasollisesi riiävä malli a havainnollisaa mallinraennusen eri vaiheissa relevanien lineaarisen suodinen äyön vaiuusa aauusasossa. Kappaleessa 4. havainnolliseiin, mien aiasarasa voidaan suodaaa pois häiriseväsi oeu vaihelu sopivalla liuuvan esiarvon äyön avulla: äyeiin seä väärää eä oieaa liuuvaa esiarvoa. Lineaarisen (esiäsiely)suoimien vaiuusia uiaessa aauusalueessa yösenely on eriyisen edullisa sovellusissa, ossa valoinen ohina väriyy usealla perääisellä suoimella. Tällöin vaiuus aauusalueessa saadaan siirofunioiden erolasulla (54), oa on maemaaisesi ysinerainen verrauna aia- alueen onvoluuiolasuihin (Chafield, 004). Toisaala speri on auoovarianssia hieman epäinuiiivisempi väline a sen määrielmän ymmäräminen a uliseminen muiaampaa. Joa apausessa 37

VÄRÄHTELYMEKANIIKKA SESSIO 18: Yhden vapausasteen pakkovärähtely, transienttikuormituksia

VÄRÄHTELYMEKANIIKKA SESSIO 18: Yhden vapausasteen pakkovärähtely, transienttikuormituksia 8/ VÄRÄHTELYMEKANIIKKA SESSIO 8: Yhen vapausaseen paovärähely, ransieniuormiusia JOHDANTO c m x () Kuva. Syseemi. Transieniuormiusella aroieaan uormiusheräeä, joa aiheuaa syseemiin lyhyaiaisen liieilan.

Lisätiedot

Luento 11. Stationaariset prosessit

Luento 11. Stationaariset prosessit Lueno Soasisen prosessin ehosperi Signaalin suodaus Kaisarajoieu anava 5..6 Saionaarise prosessi Auoorrelaaio φ * * (, ) ( ), { } { } jos prosessi on saionaarinen auoorrelaaio ei riipu ajasa vaan ainoasaan

Lisätiedot

Luento 11. Stationaariset prosessit

Luento 11. Stationaariset prosessit Lueno Soasisen prosessin ehosperi Saunnaissignaalin suodaus 5..7 Saionaarise prosessi Auoorrelaaio φ * * (, ) ( ) ( ) ( ) ( ), { } { } jos prosessi on saionaarinen auoorrelaaio ei riipu ajasa vaan ainoasaan

Lisätiedot

( ) 5 t. ( ) 20 dt ( ) ( ) ( ) ( + ) ( ) ( ) ( + ) / ( ) du ( t ) dt

( ) 5 t. ( ) 20 dt ( ) ( ) ( ) ( + ) ( ) ( ) ( + ) / ( ) du ( t ) dt SMG-500 Verolasennan numeerise meneelmä Ehdouse harjoiusen 4 raaisuisi Haeaan ensin ehävän analyyinen raaisu: dx 0 0 0 0 dx 00e = 0 = 00e 00 x = e + = 5e + alueho: x(0 = 0 0 x 0 = 5e + = 0 = 5 0 0 0 5

Lisätiedot

Systeemimallit: sisältö

Systeemimallit: sisältö Syseemimalli: sisälö Malliyypi ja muuuja Inpu-oupu -uvaus ja ilayhälömalli, ila Linearisoini Jauva-aiaisen lineaarisen järjeselmän siirofunio, sabiilisuus Laplace-muunnos Disreeiaiaisen lineaarisen järjeselmän

Lisätiedot

Tuottavuustutkimukset 2010 -menetelmäseloste

Tuottavuustutkimukset 2010 -menetelmäseloste Meneelmäselose 1(11) Tuoavuusuimuse 2010 -meneelmäselose ANSANTALOUDEN TILINPIDON TUOTTAVUUSMITTARIT 2 Toimialoen oonaisuooseen perusuva oonaisuoavuuden muuos 2 Toimialoen oonaisuooseen perusuva yön uoavuuden

Lisätiedot

XII RADIOAKTIIVISUUSMITTAUSTEN TILASTOMATEMATIIKKAA

XII RADIOAKTIIVISUUSMITTAUSTEN TILASTOMATEMATIIKKAA II ADIOAKTIIVISUUSMITTAUSTEN TILASTOMATEMATIIKKAA Laskenaaajuus akiivisuus Määrieäessä radioakiivisen näyeen akiivisuua (A) uloksena saadaan käyeyn miausyseemin anama laskenaaajuus (). = [II.I] jossa =

Lisätiedot

Tilausohjatun tuotannon karkeasuunnittelu. Tilausohjatun tuotannon karkeasuunnittelu

Tilausohjatun tuotannon karkeasuunnittelu. Tilausohjatun tuotannon karkeasuunnittelu Tilausohjaun uoannon areasuunnielu Tilausohjaussa uoannossa sarjojen muodosaminen ei yleensä ole relevani ongelma, osa uoevaihelu on suura, mä juuri onin peruse MTO-uoannolle Tuoe- ja valmisusraenee ova

Lisätiedot

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi. / Raaisu Aihee: Avaisaa: Momeiemäfuio Sauaismuuujie muuose ja iide jaauma Kovergessiäsiee ja raja-arvolausee Biomijaauma, Espoeijaauma, Geomerie jaauma, Jaaumaovergessi, Jauva asaie jaauma, Kolmiojaauma,

Lisätiedot

JLP:n käyttämättömät mahdollisuudet. Juha Lappi

JLP:n käyttämättömät mahdollisuudet. Juha Lappi JLP:n äyämäömä mahdollisuude Juha Lappi LP ehävä p z = a x + b z 0 Max or Min (.) 0 0 = = subjec o he following consrains: c a x + b z C, =,, q p q K r (.2) = = m n i ij K (.3) i= j= ij x xw= 0, =,, p

Lisätiedot

KANTOAALTOMODULOIDUN KAISTANPÄÄSTÖSIGNAALIN (BANDPASS) JA KANTATAAJUISEN (BASEBAND) SIGNAALIN AMPLITUDISPEKTRIT

KANTOAALTOMODULOIDUN KAISTANPÄÄSTÖSIGNAALIN (BANDPASS) JA KANTATAAJUISEN (BASEBAND) SIGNAALIN AMPLITUDISPEKTRIT KANOAALOMODULOIDUN KAISANPÄÄSÖSINAALIN BANDPASS JA KANAAAJUISEN BASEBAND SINAALIN AMPLIUDISPEKRI 536A ieoliienneeniia II Osa 5 Kari Käräinen Sysy 05 EHOIHEYSSPEKRI & KAISANLEVEYS Edellä arasellu modulaaio

Lisätiedot

5 YHDEN VAPAUSASTEEN YLEINEN PAKOTETTU LIIKE

5 YHDEN VAPAUSASTEEN YLEINEN PAKOTETTU LIIKE Värähelymeaiia 5. 5 YHDEN VAPAUSASTEEN YLEINEN PAKOTETTU LIIKE 5. Johao Luvussa 4 araselii yhe vapausasee syseemii harmoisesa heräeesä aiheuuvaa vasea ja havaiii se riippuva pääasiassa syseemi vaimeusesa

Lisätiedot

W dt dt t J.

W dt dt t J. DEE-11 Piirianalyysi Harjoius 1 / viikko 3.1 RC-auon akku (8.4 V, 17 mah) on ladau äyeen. Kuinka suuri osa akun energiasa kuluu ensimmäisen 5 min aikana, kun oleeaan mooorin kuluavan vakiovirran 5 A? Oleeaan

Lisätiedot

2. Taloudessa käytettyjä yksinkertaisia ennustemalleja. ja tarkasteltavaa muuttujan arvoa hetkellä t kirjaimella y t

2. Taloudessa käytettyjä yksinkertaisia ennustemalleja. ja tarkasteltavaa muuttujan arvoa hetkellä t kirjaimella y t Tilasollinen ennusaminen Seppo Pynnönen Tilasoieeen professori, Meneelmäieeiden laios, Vaasan yliopiso. Tausaa Tulevaisuuden ennusaminen on ehkä yksi luoneenomaisimpia piireiä ihmiselle. On ilmeisesi aina

Lisätiedot

( ) ( ) 2. Esitä oheisen RC-ylipäästösuotimesta, RC-alipäästösuotimesta ja erotuspiiristä koostuvan lineaarisen järjestelmän:

( ) ( ) 2. Esitä oheisen RC-ylipäästösuotimesta, RC-alipäästösuotimesta ja erotuspiiristä koostuvan lineaarisen järjestelmän: ELEC-A700 Signaali ja järjeselmä Laskuharjoiukse LASKUHARJOIUS 3 Sivu /8. arkasellaan oheisa järjeselmää bg x Yksikköviive + zbg z bg z d a) Määriä järjeselmän siirofunkio H Y = X b) Määriä järjeselmän

Lisätiedot

S Signaalit ja järjestelmät Tentti

S Signaalit ja järjestelmät Tentti S-7. Signaali ja järjeselmä eni..6 Vasaa ehävään, ehävisä 7 oeaan huomioon neljä parhaien suorieua ehävää.. Vasaa lyhyesi seuraaviin osaehäviin, käyä arviaessa kuvaa. a) Mikä kaksi ehoa kanaunkioiden φ

Lisätiedot

Yhden vapausasteen värähtely - harjoitustehtäviä

Yhden vapausasteen värähtely - harjoitustehtäviä Dynaiia 1 Liie luuun 8. g 8.1 Kuvan jousi-assa syseeissä on = 10 g ja = 2,5 N/. Siiryä iaaan saaisesa asapainoaseasa lähien. luheellä = 0 s assa on saaisessa asapainoaseassaan ja sillä on nopeus 0,5 /

Lisätiedot

Työ 2: 1) Sähkönkulutuksen ennustaminen SARIMAX-mallin avulla 2) Sähkön hankinnan optimointi

Työ 2: 1) Sähkönkulutuksen ennustaminen SARIMAX-mallin avulla 2) Sähkön hankinnan optimointi Ma-2.3132 Syseemianalyysilaboraorio I Työ 2: 1) Sähkönkuluuksen ennusaminen SARIMAX-mallin avulla 2) Sähkön hankinnan opimoini 1 yö 2 Aikasarjamalli erään yriyksen sähkönkuluukselle SARIMAX-malli: kausivaihelu,

Lisätiedot

järjestelmät Luento 4

järjestelmät Luento 4 DEE- Lineaarise järjeselmä Lueno 4 Lineaarise järjeselmä Riso Mionen 3.7.4 Lueno 3 - Recap Lineaarisen differenssiyhälöiden raaiseminen Impulssivaseen äsie Impulssivase ja onvoluuiosumma Lineaarise järjeselmä

Lisätiedot

b) Ei ole. Todistus samaan tyyliin kuin edellinen. Olkoon C > 0 ja valitaan x = 2C sekä y = 0. Tällöin pätee f(x) f(y)

b) Ei ole. Todistus samaan tyyliin kuin edellinen. Olkoon C > 0 ja valitaan x = 2C sekä y = 0. Tällöin pätee f(x) f(y) Maemaiikan ja ilasoieeen osaso/hy Differeniaaliyhälö II Laskuharjoius 1 malli Kevä 19 Tehävä 1. Ovako seuraava funkio Lipschiz-jakuvia reaaliakselilla: a) f(x) = x 1/3, b) f(x) = x, c) f(x) = x? a) Ei

Lisätiedot

( ) ( ) x t. 2. Esitä kuvassa annetun signaalin x(t) yhtälö aikaalueessa. Laske signaalin Fourier-muunnos ja hahmottele amplitudispektri.

( ) ( ) x t. 2. Esitä kuvassa annetun signaalin x(t) yhtälö aikaalueessa. Laske signaalin Fourier-muunnos ja hahmottele amplitudispektri. ELEC-A7 Signaali ja järjeselmä Laskuharjoiukse LASKUHARJOIUS Sivu 1/11 1. Johda anneun pulssin Fourier-muunnos ja hahmoele ampliudispekri. Käyä esim. derivoinieoreemaa, ja älä unohda 1. derivaaan epäjakuvuuskohia!

Lisätiedot

Arvio Suomen ei-päästökauppasektorin pitkän ajan tavoitteesta ja päästöistä vuoteen 2030 TUTKIMUSRAPORTTI VTT-R-01286-13

Arvio Suomen ei-päästökauppasektorin pitkän ajan tavoitteesta ja päästöistä vuoteen 2030 TUTKIMUSRAPORTTI VTT-R-01286-13 Arvio Suomen ei-pääsöauppaseorin piän ajan avoieesa ja pääsöisä vuoeen 2030 Kirjoiaja: Luoamusellisuus: Tomi J. Lindroos, Tommi Eholm, Ila Savolainen julinen 2 (29) Alusana Tämä rapori on osa ympärisöminiseriön

Lisätiedot

11. Jatkuva-aikainen optiohinnoittelu

11. Jatkuva-aikainen optiohinnoittelu . Jauva-aiainen opiohinnoielu Sijoiusoheien hinojen ehiymisä voiaan arasella myös jauva-aiaisina prosesseina Iô-prosessi erisuuruise perioiohaise hinnanmuuose mahollisia voiaan oisinaan raaisa analyyisesi.

Lisätiedot

VÄRÄHTELYMEKANIIKKA SESSIO 17: Yhden vapausasteen pakkovärähtely, impulssikuormitus ja Duhamelin integraali

VÄRÄHTELYMEKANIIKKA SESSIO 17: Yhden vapausasteen pakkovärähtely, impulssikuormitus ja Duhamelin integraali 7/ VÄRÄHTELYMEKANIIKKA SESSIO 7: Yhn vapausasn paovärähly, impulssiuormius ja Duhamlin ingraali IMPULSSIKUORMITUS Maanisn sysmiin ohisuva jasoon hrä on usin ajasa riippuva lyhyaiainn uormius. Ysinraisin

Lisätiedot

x v1 y v2, missä x ja y ovat kokonaislukuja.

x v1 y v2, missä x ja y ovat kokonaislukuja. Digiaalinen videonkäsiel Harjoius, vasaukse ehäviin 4-0 Tehävä 4. Emämariisi a: V A 0 V B 0 Hila saadaan kanavekorien (=emämariisin sarakkee) avulla. Kunkin piseen paikka hilassa on kokonaisluvulla kerroujen

Lisätiedot

KYNNYSILMIÖ JA SILTÄ VÄLTTYMINEN KYNNYKSEN SIIRTOA (LAAJENNUSTA) HYVÄKSI KÄYTTÄEN

KYNNYSILMIÖ JA SILTÄ VÄLTTYMINEN KYNNYKSEN SIIRTOA (LAAJENNUSTA) HYVÄKSI KÄYTTÄEN YYSILMIÖ J SILÄ VÄLYMIE YYSE SIIRO LJEUS HYVÄSI ÄYÄE ieoliikenneekniikka I 559 ari ärkkäinen Osa 5 4 MILLOI? Milloin ja missä kynnysilmiö esiinyy? un vasaanoimen ulon SR siis esi-ilmaisusuodaimen lähdössä

Lisätiedot

Mittaustekniikan perusteet, piirianalyysin kertausta

Mittaustekniikan perusteet, piirianalyysin kertausta Miausekniikan perusee, piirianalyysin kerausa. Ohmin laki: =, ai = Z ( = ännie, = resisanssi, Z = impedanssi, = vira). Kompleksiluvu Kompleksilukua arviaan elekroniikassa analysoiaessa piireä, oka sisälävä

Lisätiedot

Tietoliikennesignaalit

Tietoliikennesignaalit ieoliikennesignaali 1 ieoliikenne inormaaion siiroa sähköisiä signaaleja käyäen. Signaali vaiheleva jännie ms., jonka vaiheluun on sisällyey inormaaioa. Signaalin ominaisuuksia voi ukia a aikaasossa ime

Lisätiedot

Tasaantumisilmiöt eli transientit

Tasaantumisilmiöt eli transientit uku 12 Tasaanumisilmiö eli ransieni 12.1 Kelan kykeminen asajännieeseen Kappaleessa 11.2 kykeiin reaalinen kela asajännieeseen ja ukiiin energian varasoiumisa kelan magneeikenään. Tilanne on esiey uudelleen

Lisätiedot

Toimialojen kokonaistuotokseen perustuva kokonaistuottavuuden muutos

Toimialojen kokonaistuotokseen perustuva kokonaistuottavuuden muutos 1(11) ANSANTALOUDEN TILINPIDON TUOTTAVUUSMITTARIT 2 Toimialoen oonaisuooseen perusuva oonaisuoavuuden muuos 2 Toimialoen oonaisuooseen perusuva yön uoavuuden muuosasee a eri eiöiden onribuuio niihin 3

Lisätiedot

TKK Tietoliikennelaboratorio Seppo Saastamoinen Sivu 1/5 Konvoluution laskeminen vaihe vaiheelta

TKK Tietoliikennelaboratorio Seppo Saastamoinen Sivu 1/5 Konvoluution laskeminen vaihe vaiheelta KK ieoliikennelaboraorio 7.2.27 Seppo Saasamoinen Sivu /5 Konvoluuion laskeminen vaihe vaiheela Konvoluuion avulla saadaan laskeua aika-alueessa järjeselmän lähösignaali, kun ulosignaali ja järjeselmän

Lisätiedot

Dynaaminen optimointi ja ehdollisten vaateiden menetelmä

Dynaaminen optimointi ja ehdollisten vaateiden menetelmä Dynaaminen opimoini ja ehdollisen vaaeiden meneelmä Meneelmien keskinäinen yheys S yseemianalyysin Laboraorio Esielmä 10 - Peni Säynäjoki Opimoiniopin seminaari - Syksy 2000 / 1 Meneelmien yhäläisyyksiä

Lisätiedot

12. ARKISIA SOVELLUKSIA

12. ARKISIA SOVELLUKSIA MAA. Arkiia ovellukia. ARKISIA SOVELLUKSIA Oleeaan, eä kappale liikkuu ykiuloeia raaa, eimerkiki -akelia pikin. Kappaleen nopeuden vekoriluonne riiää oaa vauhdin eumerkin avulla huomioon, ja on ehkä arkoiukenmukaiina

Lisätiedot

6 JÄYKÄN KAPPALEEN TASOKINETIIKKA

6 JÄYKÄN KAPPALEEN TASOKINETIIKKA Dyamiia 6. 6 JÄYKÄN KAPPALEEN TASKINETIIKKA 6. Yleisä Jäyä appalee ieiiassa arasellaa appaleesee aiuaie uloise oimie ja seurausea olea liiee (raslaaio ja roaaio) älisiä yheysiä. Voimie äsielyssä ariaa

Lisätiedot

Rahoitusriskit ja johdannaiset Matti Estola. luento 12 Stokastisista prosesseista

Rahoitusriskit ja johdannaiset Matti Estola. luento 12 Stokastisista prosesseista Rahoiusriski ja johdannaise Mai Esola lueno Sokasisisa prosesseisa . Markov ominaisuus Markov -prosessi on sokasinen prosessi, missä ainoasaan muuujan viimeinen havaino on relevani muuujan seuraavaa arvoa

Lisätiedot

Konvoluution laskeminen vaihe vaiheelta Sivu 1/5

Konvoluution laskeminen vaihe vaiheelta Sivu 1/5 S-72. Signaali ja järjeselmä Laskuharjoiukse, syksy 28 Konvoluuion laskeminen vaihe vaiheela Sivu /5 Konvoluuion laskeminen vaihe vaiheela Konvoluuion avulla saadaan laskeua aika-alueessa järjeselmän lähösignaali,

Lisätiedot

Kuulasimulaattori. Annemari Auvinen Milla Törhönen. Jyväskylän yliopisto. Tietotekniikan laitos. TIE374 Fysikaaliset mallit tietokoneanimaatioissa

Kuulasimulaattori. Annemari Auvinen Milla Törhönen. Jyväskylän yliopisto. Tietotekniikan laitos. TIE374 Fysikaaliset mallit tietokoneanimaatioissa Annemari Auvinen Milla Törönen Kuulasimulaaori TIE374 Fysiaalise malli ieooneanimaaioissa Harjoiusyörapori 8.4.13 Jyväsylän yliopiso Tieoeniian laios Sisälö 1 KUULAT JA LIIKEYHTÄLÖT... 1 1.1 KUULA... 1

Lisätiedot

8 USEAN VAPAUSASTEEN SYSTEEMIN VAIMENEMATON PAKKOVÄRÄHTELY

8 USEAN VAPAUSASTEEN SYSTEEMIN VAIMENEMATON PAKKOVÄRÄHTELY Värähelymeaa 8. 8 USEAN VAPAUSASEEN SYSEEMIN VAIMENEMAON PAKKOVÄRÄHELY 8. Normaalmuoomeeelmä Usea vapausasee syseem leyhälöde (7.) raaseme vaa aava (7.7) a (7.8) homogeese yhälö ylese raasu { } lsäs paovomaveora

Lisätiedot

9. Epäoleelliset integraalit; integraalin derivointi parametrin suhteen. (x + y)e x y dxdy. e (ax+by)2 da. xy 2 r 4 da; r = x 2 + y 2. b) A.

9. Epäoleelliset integraalit; integraalin derivointi parametrin suhteen. (x + y)e x y dxdy. e (ax+by)2 da. xy 2 r 4 da; r = x 2 + y 2. b) A. 9. Epäoleellise inegraali; inegraalin derivoini paramerin suheen 9.. Epäoleellise aso- ja avaruusinegraali 27. Olkoon = {(x, y) x, y }. Osoia hajaanuminen ai laske arvo epäoleelliselle asoinegraalille

Lisätiedot

Lyhyiden ja pitkien korkojen tilastollinen vaihtelu

Lyhyiden ja pitkien korkojen tilastollinen vaihtelu Lyhyiden ja pikien korkojen ilasollinen vaihelu Tomi Pekka Juhani Marikainen Joensuun Yliopiso Maemaais-luonnonieeellinen iedekuna / Tieojenkäsielyieeen ja ilasoieeen laios / Tilasoiede Pro Gradu -ukielma

Lisätiedot

2. Systeemi- ja signaalimallit

2. Systeemi- ja signaalimallit 2. Syseemi- ja signaalimalli Malliyyppejä: maemaainen malli: muuujien välise suhee kuvau maemaaisesi yhälöin lohkokaaviomalli: syseemin oiminojen looginen jako lohkoihin, joiden välisiä vuorovaikuuksia

Lisätiedot

Öljyn hinnan ja Yhdysvaltojen dollarin riippuvuussuhde

Öljyn hinnan ja Yhdysvaltojen dollarin riippuvuussuhde Öljyn hinnan ja Yhdysvalojen dollarin riippuvuussuhde Kansanalousiede Pro gradu -ukielma Talousieeiden laios Tampereen yliopiso Toukokuu 2010 Jari Hännikäinen TIIVISTLMÄ Tampereen yliopiso Talousieeiden

Lisätiedot

Helpompaa korjausrakentamista HB-Priimalla s. 7 NEWS

Helpompaa korjausrakentamista HB-Priimalla s. 7 NEWS Helpompaa orjausraenamisa HB-Priimalla s. 7 NEWS Tuu ja urvallinen HB-PRIIMA -väliseinälevy Hiljaisuus vaiona HB-PRIIMA Silence -uoeperhe Laaduas ja miaara Turvallinen Edullinen Nopea ja helppo asenaa

Lisätiedot

Huomaa, että aika tulee ilmoittaa SI-yksikössä, eli sekunteina (1 h = 3600 s).

Huomaa, että aika tulee ilmoittaa SI-yksikössä, eli sekunteina (1 h = 3600 s). DEE- Piirianalyysi Ykkösharkan ehävien rakaisuehdoukse. askeaan ensin, kuinka paljon äyeen ladaussa akussa on energiaa. Tämä saadaan laskeua ehäväpaperissa anneujen akun ieojen 8.4 V ja 7 mah avulla. 8.4

Lisätiedot

Rakennusosien rakennusfysikaalinen toiminta Ralf Lindberg Professori, Tampereen teknillinen yliopisto ralf.lindberg@tut.fi

Rakennusosien rakennusfysikaalinen toiminta Ralf Lindberg Professori, Tampereen teknillinen yliopisto ralf.lindberg@tut.fi Rakennusosien rakennusfysikaalinen oimina Ralf Lindber Professori, Tampereen eknillinen yliopiso ralf.lindber@u.fi Rakenneosien rakennusfysikaalisen oiminnan ymmärämiseksi on välämäönä piirää kolme eri

Lisätiedot

Yhden selittäjän lineaarinen regressiomalli

Yhden selittäjän lineaarinen regressiomalli Moimuuujameeelmä Yhde seliäjä lieaarie regressiomalli Moimuuujameeelmä: Yhde seliäjä lieaarie regressiomalli Ilkka Melli. Yhde seliäjä lieaarie regressiomalli, se esimoii ja esaus.. Yhde seliäjä lieaarie

Lisätiedot

a) Miksi signaalin jaksollisuus on tärkeä ominaisuus? Miten jaksollisuus vaikuttaa signaalin taajuussisältöön?

a) Miksi signaalin jaksollisuus on tärkeä ominaisuus? Miten jaksollisuus vaikuttaa signaalin taajuussisältöön? L53, Sinaalioria J. Laiinn..5 E3SN, E3SN5Z Väliko, rakaisu Vasaa lyhysi suraaviin kysymyksiin. 6p a Miksi sinaalin aksollisuus on ärkä ominaisuus? Min aksollisuus vaikuaa sinaalin aauussisälöön? b Miä

Lisätiedot

Tiedonhakumenetelmät Tiedonhakumenetelmät Helsingin yliopisto / TKTL. H.Laine 1. Todennäköisyyspohjainen rankkaus

Tiedonhakumenetelmät Tiedonhakumenetelmät Helsingin yliopisto / TKTL. H.Laine 1. Todennäköisyyspohjainen rankkaus Tieonhakumeneelmä Helsingin yliopiso / TKTL.4.04 Toennäköisyyeen perusuva rankkaus Tieonhakumeneelmä Toennäköisyyspohjainen rankkaus Dokumenien haussa ongelmana on löyää käyäjän kyselynä ilmaiseman ieoarpeen

Lisätiedot

YKSISIVUKAISTAMODULAATIO (SSB)

YKSISIVUKAISTAMODULAATIO (SSB) YKSISIVUKAISTAODULAATIO SSB ien kaisaa voi sääsää verrauna DSB- a A-modulaaioihin? ikä on Hilber-munnin? 5357A Tieoliikenneekniikka I Osa 9 Kari Kärkkäinen Kevä 05 YKSISIVUKAISTAODULAATION IDEA DSB & A-inormaaio

Lisätiedot

1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT

1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT imat-2.104 Tilastollisen analyysin perusteet / Tehtävät Aiheet: Avainsanat: Ysisuuntainen varianssianalyysi Bartlettin testi, Bonferronin menetelmä, F-testi, Jäännösneliösumma, χ 2 -testi, Koonaisesiarvo,

Lisätiedot

Luento 9. Epälineaarisuus

Luento 9. Epälineaarisuus Lueno 9 Epälineaarisuus 8..6 Epälineaarisuus Tarkasellaan passiivisa epälineaarisa komponenia u() y() f( ) Taylor-sarjakehielmä 3 y f( x) + f '( x) ( x x) + f ''( x) ( x x) + f ''( x) ( x x) +...! 3! 4!

Lisätiedot

Todennäköisyysjakaumat 1/5 Sisältö ESITIEDOT: todennäköisyyslaskenta, määrätty integraali

Todennäköisyysjakaumat 1/5 Sisältö ESITIEDOT: todennäköisyyslaskenta, määrätty integraali Todennäöissjaaumat /5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia P (X = )=p. Nämä ovat 0 ja niiden summa on p =. Pistetodennäöisdet voidaan graafisesti esittää pstsuorien

Lisätiedot

Täydennetään teoriaa seuraavilla tuloksilla tapauksista, joissa moninkertaisen ominaisarvon geometrinen kertaluku on yksi:

Täydennetään teoriaa seuraavilla tuloksilla tapauksista, joissa moninkertaisen ominaisarvon geometrinen kertaluku on yksi: 77 Aemmn oleen, eä mars A on dagonalsouva. Tällanen on lanne äsmälleen sllon, un joasen omnasarvon geomernen eraluu on sama un algebrallnen. Täydenneään eoraa seuraavlla uloslla apaussa, jossa monnerasen

Lisätiedot

Kommenttiversio SUOJAAMATTOMAN LIIMAPUUPALKIN PALOMITOITUS LUOKKAAN R 60

Kommenttiversio SUOJAAMATTOMAN LIIMAPUUPALKIN PALOMITOITUS LUOKKAAN R 60 Esimeri 1 SUOJAAMATTOMAN LIIMAPUUPALKIN PALOMITOITUS LUOKKAAN R 6 1 Paloilaneen uormius ψ =,5 (ässä esimerissä muuuva uorma on lumiuorma) 1,1 p = p + ψ p = 6, +,5 11, = 11,5 N/m i g, 1,1 q, Palin maeriaaliominaisuue

Lisätiedot

Rahoitusriskit ja johdannaiset Matti Estola. luento 13 Black-Scholes malli optioiden hinnoille

Rahoitusriskit ja johdannaiset Matti Estola. luento 13 Black-Scholes malli optioiden hinnoille Rahoiusriski ja johannaise Mai Esola lueno 3 Black-choles malli opioien hinnoille . Ion lemma Japanilainen maemaaikko Kiyoshi Iō oisi seuraavana esieävän lemman vuonna 95 arikkelissaan: On sochasic ifferenial

Lisätiedot

Luento 4. Fourier-muunnos

Luento 4. Fourier-muunnos Lueno 4 Erikoissignaalien Fourier-muunnokse Näyeenoo 4..6 Fourier-muunnos Fourier-muunnos Kääneismuunnos Diricle n edo Fourier muunuvalle energiasignaalille I: Signaali on iseisesi inegroiuva v ( d< II:

Lisätiedot

Robusti tilastollinen päättely ensimmäisen ja toisen ehdollisen momentin mallintamisessa

Robusti tilastollinen päättely ensimmäisen ja toisen ehdollisen momentin mallintamisessa Robusi ilasollinen pääely ensimmäisen ja oisen ehdollisen momenin mallinamisessa ilasoieeen pro gradu ukielma Jarmo Mika Rafael Mikkola Marraskuu SISÄLLYS JOHDANO EORIAA. Robusi kvasiuskoavuusesimoinimeneelmä.

Lisätiedot

2. Suoraviivainen liike

2. Suoraviivainen liike . Suoraviivainen liike . Siirymä, keskinopeus ja keskivauhi Aika: unnus, yksikkö: sekuni s Suoraviivaisessa liikkeessä kappaleen asema (paikka) ilmoieaan suoralla olevan piseen paikkakoordinaain (unnus

Lisätiedot

Silloin voidaan suoraan kirjoittaa spektrin yhtälö käyttämällä hyväksi suorakulmaisen pulssin Fouriermuunnosta sekä viiveen vaikutusta: ( ) (

Silloin voidaan suoraan kirjoittaa spektrin yhtälö käyttämällä hyväksi suorakulmaisen pulssin Fouriermuunnosta sekä viiveen vaikutusta: ( ) ( TT/TV Inegraalimuunnokse Fourier-muunnos, ehäviä : Vasauksia Meropolia/. Koivumäki v(. Määriä oheisen signaalin Fourier-muunnos. Vinkki: Superposiio, viive. Voidaan sovelaa superposiioperiaaea, koska signaalin

Lisätiedot

z z 0 (m 1)! g(m 1) (z0) k=0 Siksi kun funktioon f(z) sovelletaan Cauchyn integraalilausetta, on voimassa: sin(z 2 dz = (z i) n+1 k=0

z z 0 (m 1)! g(m 1) (z0) k=0 Siksi kun funktioon f(z) sovelletaan Cauchyn integraalilausetta, on voimassa: sin(z 2 dz = (z i) n+1 k=0 TKK, Matematiian laitos v.pfaler/pursiainen Mat-.33 Matematiian perusurssi KP3-i sysy 2007 Lasuharjoitus 4 viio 40 Tehtäväsarja A viittaa aluviion ja L loppuviion tehtäviin. Valmistauu esittämään nämä

Lisätiedot

f x dx y dy t dt f x y t dx dy dt O , (4b) . (4c) f f x = ja x (4d)

f x dx y dy t dt f x y t dx dy dt O , (4b) . (4c) f f x = ja x (4d) Tehävä 1. Oleeaan, eä on käössä jakuva kuva, jossa (,, ) keroo harmaasävn arvon paikassa (, ) ajanhekenä. Dnaaminen kuva voidaan esiää Talor sarjana: d d d d d d O ( +, +, + ) = (,, ) + + + + ( ). (4a)

Lisätiedot

DEE Lineaariset järjestelmät Harjoitus 2, ratkaisuehdotukset. Johdanto differenssiyhtälöiden ratkaisemiseen

DEE Lineaariset järjestelmät Harjoitus 2, ratkaisuehdotukset. Johdanto differenssiyhtälöiden ratkaisemiseen D-00 Lineaariset järjestelmät Harjoitus, rataisuehdotuset Johdanto differenssiyhtälöiden rataisemiseen Differenssiyhtälöillä uvataan disreettiaiaisten järjestelmien toimintaa. Disreettiaiainen taroittaa

Lisätiedot

Tehtävä 2 Todista luennoilla annettu kaava: jos lukujen n ja m alkulukuesitykset. ja m = k=1

Tehtävä 2 Todista luennoilla annettu kaava: jos lukujen n ja m alkulukuesitykset. ja m = k=1 Luuteoria Harjoitus 1 evät 2011 Alesis Kosi 1 Tehtävä 1 Näytä: jos a ja b ovat positiivisia oonaisluuja joille (a, b) = 1 ja a c, seä lisäsi b c, niin silloin ab c. Vastaus Kosa a c, niin jaollisuuden

Lisätiedot

KOMISSION VALMISTELUASIAKIRJA

KOMISSION VALMISTELUASIAKIRJA EUROOPAN UNIONIN NEUVOSTO Bryssel, 23. oukokuua 2007 (24.05) (OR. en) Toimielinen välinen asia: 2006/0039 (CNS) 9851/07 ADD 2 N 239 RESPR 5 CADREN 32 LISÄYS 2 I/A KOHTAA KOSKEVAAN ILMOITUKSEEN Läheäjä:

Lisätiedot

DEE Lineaariset järjestelmät Harjoitus 4, ratkaisuehdotukset

DEE Lineaariset järjestelmät Harjoitus 4, ratkaisuehdotukset D-00 ineaarise järjeselmä Harjoius 4, rakaisuehdoukse nnen kuin mennään ämän harjoiuksen aihepiireihin, käydään läpi yksi huomionarvoinen juu. Piirianalyysin juuri suorianee opiskelija saaava ihmeellä,

Lisätiedot

Differentiaali- ja integraalilaskenta 1 Ratkaisut 1. viikolle /

Differentiaali- ja integraalilaskenta 1 Ratkaisut 1. viikolle / MS-A8 Differentiaali- ja integraalilasenta, V/27 Differentiaali- ja integraalilasenta Rataisut. viiolle /. 3.4. Luujonot Tehtävä : Mitä ovat luujonon viisi ensimmäistä termiä, un luujono on a) (a n ) n=,

Lisätiedot

Tuotannon suhdannekuvaajan menetelmäkuvaus

Tuotannon suhdannekuvaajan menetelmäkuvaus 1(15) Tuoannon suhdannekuvaajan meneelmäkuvaus Luku 1 Luku 2 Luku 3 Luku 4 Tuoannon suhdannekuvaajan yleiskuvaus Tuoannon suhdannekuvaajan julkaisuaikaaulu, revisoinikäyännö ja jakelu Tuoannon suhdannekuvaajan

Lisätiedot

Luento 9. Epälineaarisuus

Luento 9. Epälineaarisuus Lueno 9 Epälineaarisuus 9..7 Epälineaarisuus Tarkasellaan passiivisa epälineaarisa komponenia u() y() f( ) Taylor-sarjakehielmä 3 y f( x) + f '( x) ( x x) + f ''( x) ( x x) + f ''( x) ( x x) +...! 3! 4!

Lisätiedot

SIGNAALITEORIAN KERTAUSTA 2. Tietoliikennetekniikka I A Kari Kärkkäinen Osa 3

SIGNAALITEORIAN KERTAUSTA 2. Tietoliikennetekniikka I A Kari Kärkkäinen Osa 3 SIGNAALITEORIAN KERTAUSTA 2 Tieoliikenneekniikka I 521359A Kari Kärkkäinen Osa 3 Konvoluuio ja kerolasku ajassa ja aajuudessa Kanaaajuussignaali baseband sanomasignaali sellaisenaan ilman modulaaioa Kaisanpääsösignaali

Lisätiedot

MAT-02450 Fourier n menetelmät. Merja Laaksonen, TTY 2014

MAT-02450 Fourier n menetelmät. Merja Laaksonen, TTY 2014 MAT-45 Fourier n meneelmä Merja Laaksonen, TTY 4..4 Sisälö Johano 3. Peruskäsieiä................................... 4.. Parillinen ja parion funkio....................... 7.. Heavisien funkio............................

Lisätiedot

KÄYTTÖOPAS. -järjestelmän sisäyksikkö HXHD125A8V1B

KÄYTTÖOPAS. -järjestelmän sisäyksikkö HXHD125A8V1B KÄYÖOPAS -järjeselmän sisäyksikkö SISÄLÖ 1. Määrielmä... 1 1.1. Merkkien ja varoiusen arkoiukse... 1 1.2. Käyeyjen ermien merkiys... 1 2. Yleise varooime... 2 3. Johdano... 2 3.1. Yleisä... 2 3.2. ämän

Lisätiedot

YKSISIVUKAISTAMODULAATIO (SSB)

YKSISIVUKAISTAMODULAATIO (SSB) YKSISIVUKISTODULTIO SSB Tieoliikenneekniikka I 5359 Kari Kärkkäinen Osa 6 0 Yksisivukaisamodulaaion idea DSB:ssa inormaaio on redundanisesi kaheen keraan, s. LSB & USB. Toisen kaisan läheys riiää, olloin

Lisätiedot

KÄYTTÖOPAS. Ilma vesilämpöpumppujärjestelmän sisäyksikkö ja lisävarusteet RECAIR OY EKHBRD011ADV1 EKHBRD014ADV1 EKHBRD016ADV1

KÄYTTÖOPAS. Ilma vesilämpöpumppujärjestelmän sisäyksikkö ja lisävarusteet RECAIR OY EKHBRD011ADV1 EKHBRD014ADV1 EKHBRD016ADV1 EKHBRD011ADV1 EKHBRD014ADV1 EKHBRD016ADV1 EKHBRD011ADY1 EKHBRD014ADY1 EKHBRD016ADY1 KÄYÖOPAS Ilma vesilämpöpumppujärjeselmän sisäyksikkö ja lisävarusee EKHBRD011ADV1+Y1 EKHBRD014ADV1+Y1 EKHBRD016ADV1+Y1

Lisätiedot

Sopimuksenteon dynamiikka: johdanto ja haitallinen valikoituminen

Sopimuksenteon dynamiikka: johdanto ja haitallinen valikoituminen Soimukseneon dynamiikka: johdano ja haiallinen valikoiuminen Ma-2.442 Oimoinioin seminaari Elise Kolola 8.4.2008 S yseemianalyysin Laboraorio Esielmä 4 Elise Kolola Oimoinioin seminaari - Kevä 2008 Esiyksen

Lisätiedot

5. Vakiokertoiminen lineaarinen normaaliryhmä

5. Vakiokertoiminen lineaarinen normaaliryhmä 1 MAT-145 LAAJA MATEMATIIKKA 5 Tampereen eknillinen yliopiso Riso Silvennoinen Kevä 21 5. Vakiokeroiminen lineaarinen normaaliryhmä Todeaan ensin ilman odisuksia (ulos on syvällinen) rakaisujen olemassaoloa

Lisätiedot

RF-Tekniikan Perusteet II

RF-Tekniikan Perusteet II RF-Teniian Peusee II Kevä 003 740800 RF-Teniian Peusee II Luenno o 8 0 SM Haa e 8 0 SM Haa alaa.. Kija: Poa Micowave ngineeing, nd diion, Wiley Tuevaa ijallisuua: Räisänen, Leho Radioeniia Collin, Foundaions

Lisätiedot

KULMAMODULOITUJEN SIGNAALIEN ILMAISU DISKRIMINAATTORILLA

KULMAMODULOITUJEN SIGNAALIEN ILMAISU DISKRIMINAATTORILLA 1 KULMMOULOITUJEN SIGNLIEN ILMISU ISKRIMINTTORILL Millaisia keinoja on PM & FM -ilmaisuun? 51357 Tieoliikenneekniikka I Osa 17 Kai Käkkäinen Kevä 015 ISKRIMINTTORIN TOIMINTKÄYRÄ J -YHTÄLÖ FM-signaalin

Lisätiedot

Perustehtäviä. Sarjateorian tehtävät 10. syyskuuta 2005 sivu 1 / 24

Perustehtäviä. Sarjateorian tehtävät 10. syyskuuta 2005 sivu 1 / 24 Sarjateorian tehtävät 0. syysuuta 2005 sivu / 24 Perustehtäviä. Muunna sarja telesooppimuotoon ja osoita, että se suppenee. Lase myös sarjan summa. ( + ) = 2 + 6 + 2 +... 2. Osoita suoraan määritelmään

Lisätiedot

Luento 2. S Signaalit ja järjestelmät 5 op TKK Tietoliikenne Laboratorio 1. Jean Baptiste Joseph Fourier ( )

Luento 2. S Signaalit ja järjestelmät 5 op TKK Tietoliikenne Laboratorio 1. Jean Baptiste Joseph Fourier ( ) Luento Jasollisten signaalien Fourier-sarjat Viivaspetri S-.7. Signaalit ja järjestelmät 5 op KK ietoliienne Laboratorio Jean Baptiste Joseph Fourier (768-83) Ransalainen matemaatio ja fyysio. Esitti Fourier-sarjat

Lisätiedot

9 Lukumäärien laskemisesta

9 Lukumäärien laskemisesta 9 Luumäärie lasemisesta 9 Biomiertoimet ja osajouoje luumäärä Määritelmä 9 Oletetaa, että, N Biomierroi ilmaisee, uia mota -alioista osajouoa o sellaisella jouolla, jossa o aliota Meritä luetaa yli Lasimesta

Lisätiedot

Ratkaisu. Virittäviä puita on kahdeksan erilaista, kun solmut pidetään nimettyinä. Esitetään aluksi verkko kaaviona:

Ratkaisu. Virittäviä puita on kahdeksan erilaista, kun solmut pidetään nimettyinä. Esitetään aluksi verkko kaaviona: Diskreei maemaiikka, sks 00 Harjoius 0, rakaisuisa. Esi viriävä puu suunaamaomalle verkolle G = (X, E, Ψ), kun X := {,,, }, E := { {, }, {, }, {, }, {, }, {, }}, ja Ψ on ieninen kuvaus. Rakaisu. Viriäviä

Lisätiedot

a. Varsinainen prosessi on tuttua tilaesitysmuotoa:

a. Varsinainen prosessi on tuttua tilaesitysmuotoa: ELEC-C Sääöeniia 7. lauharjoiu Vaaue. r - K u K C y a. Varinainen proei on uua ilaeiymuooa: A Bu y C Kuvaa nähdään, eä ilamallin iäänmenona on u r K. Salaaria ei voi vähenää mariiia, joen un on n -veori,

Lisätiedot

PK-YRITYKSEN ARVONMÄÄRITYS. KTT, DI TOIVO KOSKI elearning Community Ltd

PK-YRITYKSEN ARVONMÄÄRITYS. KTT, DI TOIVO KOSKI elearning Community Ltd PK-YRITYKSEN ARVONMÄÄRITYS KTT, DI TOIVO KOSKI elearning Communiy Ld Yriyksen arvonmääriys 1. Yriyksen ase- eli subsanssiarvo Arvioidaan yriyksen aseen vasaavaa puolella olevan omaisuuden käypäarvo, josa

Lisätiedot

RAPORTTI MPC-SÄÄTÖALGORITMIN SIMULOINTI MATLABILLA

RAPORTTI MPC-SÄÄTÖALGORITMIN SIMULOINTI MATLABILLA RAPORTTI MPC-SÄÄTÖALGORITMIN SIMULOINTI MATLABILLA Teemu Saarelainen, DI LTY, KyAMK eemu.saarelainen@pp.ine.fi 31.5.2006 SISÄLLYSLUETTELO 1 JOHDANTO 3 2 MPC-SÄÄTÖ JA PAPERIKONE 4 2.1 MPC:N PERUSTEET 4

Lisätiedot

Luento 11. tietoverkkotekniikan laitos

Luento 11. tietoverkkotekniikan laitos Lueno Lueno Sokasise signaali ja prosessi II. Sokasise prosessi Pruju Saionaarisuus, ergodisuus Auo ja risikorrelaaio ehospekri.3 Kohinan suodaaminen Sokasinen raja arvo ja derivaaa Winer Khinchin eoreema.3

Lisätiedot

Laskelmia verotuksen painopisteen muuttamisen vaikutuksista dynaamisessa yleisen tasapainon mallissa

Laskelmia verotuksen painopisteen muuttamisen vaikutuksista dynaamisessa yleisen tasapainon mallissa Laskelmia verouksen painopiseen muuamisen vaikuuksisa dynaamisessa yleisen asapainon mallissa Juha Kilponen ja Jouko Vilmunen TTässä arikkelissa esieään laskelmia siiä, mien verouksen painopiseen siiräminen

Lisätiedot

Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 1. laskuharjoitus, ratkaisuehdotukset

Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 1. laskuharjoitus, ratkaisuehdotukset Todennäöisyyslasenta IIa, syys loauu 019 / Hytönen 1. lasuharjoitus, rataisuehdotuset 1. ( Klassio ) Oloot A ja B tapahtumia. Todista lasuaavat (a) P(A B) P(A) + P(B \ A), (b) P(B) P(A B) + P(B \ A), (c)

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiian tuiurssi Kurssierta 5 Sarjojen suppeneminen Kiinnostusen ohteena on edelleen sarja a n = a + a 2 + a 3 + a 4 + n= Tämä summa on mahdollisesti äärellisenä olemassa, jolloin sanotaan että sarja

Lisätiedot

å å å ù ú û PU-solmujen pätötehoista saadaan 3 yhtälöä. , missä P2i on solmusta 2 lähtevän johdon teho.

å å å ù ú û PU-solmujen pätötehoista saadaan 3 yhtälöä. , missä P2i on solmusta 2 lähtevän johdon teho. ELECE89 Tehonao. Tuiaan pienä äeselmää, ossa on 9 solmua, oiden aiien uoma iedeään. Geneaaoi on e solmuihin,, a 7. alise solmu efeenssisolmusi a lisaa a lase lasenaan aviava ilamuuua. Rhmiele solmu ensin

Lisätiedot

A-osio. Ei laskinta! Valitse seuraavista kolmesta tehtävästä vain kaksi joihin vastaat!

A-osio. Ei laskinta! Valitse seuraavista kolmesta tehtävästä vain kaksi joihin vastaat! MAA Koe 7..03 A-osio. Ei laskina! Valise seuraavisa kolmesa ehäväsä vain kaksi joihin vasaa! A. a) Mikä on funkion f(x) määrieljoukko, jos f( x) x b) Muua ulomuooon: 4a 8a 4 A. a) Rakaise hälö: x 4x b)

Lisätiedot

MS-A0402 Diskreetin matematiikan perusteet

MS-A0402 Diskreetin matematiikan perusteet MS-A0402 Disreetin matematiian perusteet Osa 3: Kombinatoriia Riia Kangaslampi 2017 Matematiian ja systeemianalyysin laitos Aalto-yliopisto Kombinatoriia Summaperiaate Esimeri 1 Opetusohjelmaomiteaan valitaan

Lisätiedot

Mallivastaukset KA5-kurssin laskareihin, kevät 2009

Mallivastaukset KA5-kurssin laskareihin, kevät 2009 Mallivasaukse KA5-kurssin laskareihin, kevä 2009 Harjoiukse 2 (viikko 6) Tehävä 1 Sovelleaan luenokalvojen sivulla 46 anneua kaavaa: A A Y Y K α ( 1 α ) 0,025 0,5 0,03 0,5 0,01 0,005 K Siis kysyy Solowin

Lisätiedot

Joulukuun vaativammat valmennustehtävät ratkaisut

Joulukuun vaativammat valmennustehtävät ratkaisut Jouluuun vaativammat valmennustehtävät rataisut. Tapa. Pätee z = x + y, joten z = (x + y = x + y, josta sieventämällä seuraa xy 4x 4y + 4 = 0. Siispä (x (y =. Tästä yhtälöstä saadaan suoraan x =, y = 4

Lisätiedot

3 SIGNAALIN SUODATUS 3.1 SYSTEEMIN VASTE AIKATASOSSA

3 SIGNAALIN SUODATUS 3.1 SYSTEEMIN VASTE AIKATASOSSA S I G N A A L I T E O R I A, O S A I I I TL98Z SIGNAALITEORIA, OSA III 44 3 Signaalin suodaus...44 3. Sysmin vas aikaasossa... 44 3. Kausaalisuus a sabiilisuus... 46 3.3 Vas aauusasossa... 46 3.4 Ampliudivas

Lisätiedot

Ene-59.4130, Kuivatus- ja haihdutusprosessit teollisuudessa, Laskuharjoitus 5, syksy 2015

Ene-59.4130, Kuivatus- ja haihdutusprosessit teollisuudessa, Laskuharjoitus 5, syksy 2015 Ene-59.4130, Kuivaus- ja haihduusprosessi eollisuudessa, asuharjoius 5, sysy 2015 Tehävä 4 on ähiehävä Tehävä 1. eijuerrosilassa poleaan rinnain uora ja urvea. Kuoren oseus on 54% ja uiva-aineen ehollinen

Lisätiedot

Juuri 13 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Kertaus. K1. A: III, B: I, C: II ja IV.

Juuri 13 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Kertaus. K1. A: III, B: I, C: II ja IV. Juuri Tehävie rakaisu Kusausosakeyhiö Oava päiviey 9.8.8 Keraus K. A: III, B: I, C: II ja IV Kuvaaja: I II III IV Juuri Tehävie rakaisu Kusausosakeyhiö Oava päiviey 9.8.8 K. a) lim ( ) Nimiäjä ( ) o aia

Lisätiedot

a) Esitä piirtämällä oheisen kaksoissymmetrisen ulokepalkkina toimivan kotelopalkin kaksi täysin erityyppistä plastista rajatilamekanismia (2p).

a) Esitä piirtämällä oheisen kaksoissymmetrisen ulokepalkkina toimivan kotelopalkin kaksi täysin erityyppistä plastista rajatilamekanismia (2p). LUT / Teräsrakenee/Timo Björk BK80A30: Teräsrakenee II: 9.9.016 Oheismaeriaalin käyö EI salliua, laskimen käyö on salliua, lausekkeia ehäväosion lopussa Vasaukse laadiaan ehäväpaperille, joka palaueava,

Lisätiedot

Olkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat

Olkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset / Rataisut Aiheet: Avainsanat: Satunnaismuuttujat ja todennäöisyysjaaumat Kertymäfuntio

Lisätiedot

J1 (II.6.9) J2 (X.5.5) MATRIISILASKENTA(TFM) MALLIT AV 6

J1 (II.6.9) J2 (X.5.5) MATRIISILASKENTA(TFM) MALLIT AV 6 MATRIISILASKENTA(TFM) MALLIT AV 6 J (II.6.9) Päättele, että avaruusvetorit a, b ja c ovat lineaarisesti riippuvat täsmälleen un vetoreiden virittämän suuntaissärmiön tilavuus =. Tuti tällä riteerillä ovato

Lisätiedot

Kokonaishedelmällisyyden sekä hedelmällisyyden keski-iän vaihtelu Suomessa vuosina 1776 2005

Kokonaishedelmällisyyden sekä hedelmällisyyden keski-iän vaihtelu Suomessa vuosina 1776 2005 Kokonaishedelmällisyyden sekä hedelmällisyyden keski-iän vaihelu Suomessa vuosina 1776 2005 Heli Elina Haapalainen (157 095) 26.11.2007 Joensuun Yliopiso Maemaais- luonnonieeiden iedekuna Tieojenkäsielyieeen

Lisätiedot