Estimointi Laajennettu Kalman-suodin. AS , Automaation signaalinkäsittelymenetelmät Laskuharjoitus 4

Koko: px
Aloita esitys sivulta:

Download "Estimointi Laajennettu Kalman-suodin. AS , Automaation signaalinkäsittelymenetelmät Laskuharjoitus 4"

Transkriptio

1 Estimointi Laajennettu Kalman-suodin AS , Automaation signaalinäsittelymenetelmät Lasuharjoitus 4

2 Estimointi Systeemin tilaa estimoidaan, un prosessin tilamalli tunnetaan Tilamalli voi olla lineaarinen tai yleisessä muodossa

3 Ideaalinen tilamalli Lineaarinen tilamalli Yleisessä muodossa oleva tilamalli 1 C y Bu A ], [ ],, [ 1 h y u f

4 Todellinen ohinainen tilamalli Lineaarinen tilamalli Yleisessä muodossa oleva tilamalli 1 v C y w Bu A ], [ ],, [ 1 v h y w u f

5 Kohina Kohinaomponentit äsitellään usein nollaesiarvoisina, ja niiden ovarianssit oletetaan tunnetuisi Ellei todellisia ovariansseja tunneta, äytetään ovarianssimatriiseja viritysparametreina

6 Varianssi Kuvaa yhden satunnaismuuttujan vaihtelua Nollaseiarvoisen muuttujan varianssi lasetaan muuttujan arvojen neliöiden esiarvona var e E e [ ] 2

7 Kovarianssi Kuvaa useamman muuttujan vaihtelua Muuttujat pystyvetorissa Nollaesiarvoisen muuttujan ovarianssi lasetaan muuttujavetorin ja sen transpoosin esiarvona cov e [ ] T e e Diagonaalielementit unin muuttujan variansseja Muut elementit uvaavat muuttujien esinäisiä ovariansseja E

8 Kalman-suodin Estimoi prosessin sisäistä tilaa Ennaoi prosessin tilaa perustuen malliin Korjaa ennaoitua estimaattia perustuen mittauseen Mittausen ja estimaatin esinäinen paino riippuu mittausten, prosessimallin ja estimaatin ovariansseista

9 Laajennettu Kalman-suodin Kalman-suotimen perusversio toimii vain lineaarisilla tilamalleilla Laajennettua Kalman-suodinta voidaan äyttää myös epälineaaristen prosessien anssa

10 Laajennettu Kalman-suodin Prosessin tilamalli yleisessä muodossa Kohinatermien w ja v ovarianssit ], [ ],, [ 1 v h y w u f var var R v Q w

11 Laajennettu Kalman-suodin syöte u u Prosessi y y u ^ A-prioriestimaatti ennaointi -1 ^ - A-posterioriestimaatti orjaus ^

12 Laajennettu Kalman-suodin syöte u u Prosessi y y u ^ A-prioriestimaatti ennaointi -1 ^ - A-posterioriestimaatti orjaus ^

13 Laajennettu Kalman-suodin syöte u u Prosessi y y u ^ A-prioriestimaatti ennaointi -1 ^ - A-posterioriestimaatti orjaus ^

14 Laajennettu Kalman-suodin syöte u u Prosessi y y u ^ A-prioriestimaatti ennaointi -1 ^ - A-posterioriestimaatti orjaus ^

15 Laajennettu Kalman-suodin syöte u u Prosessi y y u ^ A-prioriestimaatti ennaointi -1 ^ - A-posterioriestimaatti orjaus ^

16 Laajennettu Kalman-suodin syöte u u Prosessi y y u ^ A-prioriestimaatti ennaointi -1 ^ - A-posterioriestimaatti orjaus ^

17 Indesien merintä A-priori estimaatti: ennaointi ^ 1 Ajanheti, johon asti on olemassa mittausdataa Tarasteltava ajanheti A-posteriori estimaatti: orjaus ^ ^ tai 1 1

18 Vahvistusmatriisi K Kuvaa mallin taruutta Jos jotin osat mallissa ovat epätaroja, painotetaan mittausia enemmän uin mallia Lineaarisessa ja staattisessa tapausessa K- matriisia voidaan pitää vaiona Epälineaarisessa tapausessa K pitää lasea joaisella ierrosella uudelleen

19 Vahvistusmatriisi K K lasetaan äyttäen hyväsi estimaatille estimoitua ovarianssia P P:lle lasetaan a-priori- ja a-posterioriestimaatit P:n ja K:n lasemisessa tarvitaan lineaarisen mallin matriiseja A ja C ^

20 A-ja C-matriisien linearisoiminen Lasetaan Jaobin matriisi jaobiaani Derivoidaan f:n uin omponentti :n omponenttien suhteen Matriisi, jota voidaan äyttää A:n paialla Derivoidaan h:n uin omponentti :n omponenttien suhteen Matriisi, jota voidaan äyttää C:n paialla

21 Esimeri Tilavetorissa on 2 elementtiä: 1, 2 f on vetori, jossa on 2 elementtiä: f 1, f 2 A on 22 ooinen A:n orvaava matriisi: f f f f A

22 Esimeri Mittausvetorissa y on 1 elementti h on vetori, jossa on 1 elementti C on 12 ooinen C:n orvaava matriisi: C h h 1 2

23 Laajennetun Kalman-suotimen aavat 1/7 Tilan ennaointi seuraavaan mittausheteen ˆ 1 f[ˆ 1 1, u 1, 1]

24 Laajennetun Kalman-suotimen aavat 2/7 A:n orvaava derivaatta A[ˆ 1 1] f[ˆ 1 1, u 1, ˆ 1 1 1]

25 Laajennetun Kalman-suotimen aavat 3/7 Tilan estimointivirheen ovarianssi ennaointi seuraavaan mittausheteen P 1 A[ˆ 1 1] P A T [ˆ 1 1] Q 1

26 Laajennetun Kalman-suotimen aavat 4/7 C:n orvaava derivaatta C[ˆ 1] h[ˆ 1, ] ˆ 1

27 Laajennetun Kalman-suotimen aavat 5/7 Estimoinnin vahvistusen K lasenta K P 1 C T [ˆ 1] T C[ˆ 1] P 1 C [ˆ 1] R 1

28 Laajennetun Kalman-suotimen aavat 6/7 Tilan päivitys mittausella ˆ y h[ˆ 1] ˆ 1 K

29 Laajennetun Kalman-suotimen aavat 7/7 Tilan estimointivirheen ovarianssin päivitys P P 1 K C[ ˆ 1] P 1

30 Reursio Siirrytään seuraavaan ajanheteen 1 ^ ^-1-1 P P-1-1 Palaataan Kalman-suotimen vaiheeseen 1

[ ] [ 2 [ ] [ ] ( ) [ ] Tehtävä 1. ( ) ( ) ( ) ( ) ( ) ( ) 2( ) = 1. E v k 1( ) R E[ v k v k ] E e k e k e k e k. e k e k e k e k.

[ ] [ 2 [ ] [ ] ( ) [ ] Tehtävä 1. ( ) ( ) ( ) ( ) ( ) ( ) 2( ) = 1. E v k 1( ) R E[ v k v k ] E e k e k e k e k. e k e k e k e k. ehtävä. x( + ) x( y x( + e ( y x( + e ( E v E e ( ) e ( R E[ v v ] E e e e e e e e e 6 estimointivirhe: ~ x( x( x$( x( - b y ( - b y ( estimointivirheen odotusarvo: x( - b x( - b e ( - b x( - b e ( ( -

Lisätiedot

Kalman-suodin. AS , Automaation signaalinkäsittelymenetelmät. Laskuharjoitus 3

Kalman-suodin. AS , Automaation signaalinkäsittelymenetelmät. Laskuharjoitus 3 Kalman-suodin AS-84.2161, Automaation signaalinäsittelmenetelmät Lasuhajoitus 3 Ideaalisen posessin tilamalli x( 1) x( ) Ax( ) Bu( ) u B A x Slide 2 Ideaalisen posessin tilamalli x( 1) x( ) Ax( ) Bu( )

Lisätiedot

EETU OJANEN SIGNAALIN ENNUSTAMINEN KALMAN-SUOTIMELLA. Kandidaatintyö

EETU OJANEN SIGNAALIN ENNUSTAMINEN KALMAN-SUOTIMELLA. Kandidaatintyö EETU OJANEN SIGNAALIN ENNUSTAMINEN KALMAN-SUOTIMELLA Kandidaatintyö Tarastaja: Lehtori Konsta Koppinen Jätetty tarastettavasi 11. tououuta 2009 2 TIIVISTELMÄ TAMPEREEN TEKNILLINEN YLIOPISTO Tietoliienne-

Lisätiedot

Antti Somppi Paloittain päivittävä Kalmanin suodatin. Kandidaatintyö

Antti Somppi Paloittain päivittävä Kalmanin suodatin. Kandidaatintyö Antti Somppi Paloittain päivittävä Kalmanin suodatin Kandidaatintyö I TIIVISTELMÄ TAMPEREEN TEKNILLINEN YLIOPISTO Tenis-luonnontieteellinen oulutusohjelma TEKIJÄN NIMI: Antti Somppi Kandidaatintyö 15 sivua,

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

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

Cubature Integration Methods in Non-Linear Kalman Filtering and Smoothing (valmiin työn esittely)

Cubature Integration Methods in Non-Linear Kalman Filtering and Smoothing (valmiin työn esittely) Cubature Integration Methods in Non-Linear Kalman Filtering and Smoothing (valmiin työn esittely) Ohjaaja: Valvoja: TkT Simo Särkkä Prof. Harri Ehtamo 13.9.2010 Aalto-yliopiston teknillinen korkeakoulu

Lisätiedot

2 Taylor-polynomit ja -sarjat

2 Taylor-polynomit ja -sarjat 2 Taylor-polynomit ja -sarjat 2. Taylor-polynomi Taylor-polynomi P n (x; x 0 ) funtion paras n-asteinen polynomiapprosimaatio (derivoinnin annalta) pisteen x 0 lähellä. Maclaurin-polynomi: tapaus x 0 0.

Lisätiedot

Ennen kuin mennään varsinaisesti tämän harjoituksen asioihin, otetaan aluksi yksi merkintätekninen juttu. Tarkastellaan differenssiyhtälöä

Ennen kuin mennään varsinaisesti tämän harjoituksen asioihin, otetaan aluksi yksi merkintätekninen juttu. Tarkastellaan differenssiyhtälöä DEE-00 Lineaariset järjestelmät Harjoitus, rataisuehdotuset Ennen uin mennään varsinaisesti tämän harjoitusen asioihin, otetaan alusi ysi merintäteninen juttu Tarastellaan differenssiyhtälöä y y y 0 Vaihtoehtoinen

Lisätiedot

6 Lineaarisen ennustuksen sovelluksia

6 Lineaarisen ennustuksen sovelluksia 6 Lineaarisen ennustusen sovellusia Lineaarisella ennustusella on hyvin täreä asema monessa puheenäsittelyn sovellusessa. Seuraavassa on esitetty esimerejä siitä miten lineaarista ennustusta voidaan hyödyntää.

Lisätiedot

Dynaamisten systeemien identifiointi 1/2

Dynaamisten systeemien identifiointi 1/2 Dynaamisten systeemien identifiointi 1/2 Mallin rakentaminen mittausten avulla Epäparametriset menetelmät: tuloksena malli, joka ei perustu parametreille impulssi-, askel- tai taajusvaste siirtofunktion

Lisätiedot

Inversio-ongelmien laskennallinen peruskurssi Luento 2

Inversio-ongelmien laskennallinen peruskurssi Luento 2 Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +

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

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

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

Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi

Ilkka 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

Lisätiedot

SÄÄTÖJÄRJESTELMIEN SUUNNITTELU

SÄÄTÖJÄRJESTELMIEN SUUNNITTELU ENSO IKONEN PYOSYS SÄÄÖJÄRJESELMIEN SUUNNIELU Enso Ionen professori säätö- ja ssteemiteniia http://cc.oulu.fi/~io Oulun liopisto Äläät oneet ja järjestelmät helmiuu 209 ENSO IKONEN PYOSYS 2 Oppimistavoitteet

Lisätiedot

Keskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)

Keskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6) Mat-.3 Koesuunnittelu ja tilastolliset mallit kevät Keskipisteen lisääminen k -faktorikokeeseen (ks. Montgomery 9-6) Esim (Montg. ex. 9-, 6-): Tutkitaan kemiallisen prosessin saannon Y riippuvuutta faktoreista

Lisätiedot

Talousmatematiikan verkkokurssi. Koronkorkolaskut

Talousmatematiikan verkkokurssi. Koronkorkolaskut Sivu 1/7 oronorolasuja sovelletaan tapausiin, joissa aia on pidempi uin ysi oonainen orojaso, eli aia, jolle oroanta ilmoittaa oron määrän. orolasu: enintään yhden orojason pituisille oroajoille; oronorolasu:

Lisätiedot

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme? TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat 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

Lisätiedot

K-KS vakuutussumma on kiinteä euromäärä

K-KS vakuutussumma on kiinteä euromäärä Kesinäinen Henivauutusyhtiö IIIELLA TEKNIIKALLA LAKUPERUTE H-TUTKINTOA ARTEN HENKIAKUUTU REKURIIIELLA TEKNIIKALLA OIMAAOLO 2 AIKALAKU JA AKUUTUIKÄ Tätä lasuperustetta sovelletaan..25 alaen myönnettäviin

Lisätiedot

Tilaesityksen hallinta ja tilasäätö. ELEC-C1230 Säätötekniikka. Luku 6: Tilasäätö, tilaestimointi, saavutettavuus ja tarkkailtavuus

Tilaesityksen hallinta ja tilasäätö. ELEC-C1230 Säätötekniikka. Luku 6: Tilasäätö, tilaestimointi, saavutettavuus ja tarkkailtavuus Tilaesityksen hallinta ja tilasäätö ELEC-C1230 Säätötekniikka Luku 6: Tilasäätö, tilaestimointi, saavutettavuus ja tarkkailtavuus Edellisessä luvussa tarkasteltiin napoja ja nollia sekä niiden vaikutuksia

Lisätiedot

Naulalevylausunto Kartro PTN naulalevylle

Naulalevylausunto Kartro PTN naulalevylle LAUSUNTO NRO VTT-S-04256-14 1 (6) Tilaaja Tilaus Yhteyshenilö ITW Construction Products Oy Jarmo Kytömäi Timmermalmintie 19A 01680 Vantaa 18.9.2014 Jarmo Kytömäi VTT Expert Services Oy Ari Kevarinmäi PL

Lisätiedot

Johdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1

Johdatus 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:

Lisätiedot

r = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P

r = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P Markkinaportfolio on koostuu kaikista markkinoilla olevista riskipitoisista sijoituskohteista siten, että sijoituskohteiden osuudet (so. painot) markkinaportfoliossa vastaavat kohteiden markkina-arvojen

Lisätiedot

8. kierros. 2. Lähipäivä

8. kierros. 2. Lähipäivä 8. kierros 2. Lähipäivä Viikon aihe Tilaestimointi Tilasäätö Saavutettavuus, ohjattavuus Tarkkailtavuus, havaittavuus Mitoitus Kontaktiopetusta: 8 tuntia Kotitehtäviä: 4 tuntia Tavoitteet: tietää Saavutettavuus

Lisätiedot

Estimointi. Vilkkumaa / Kuusinen 1

Estimointi. Vilkkumaa / Kuusinen 1 Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman

Lisätiedot

Regressioanalyysi. Kuusinen/Heliövaara 1

Regressioanalyysi. Kuusinen/Heliövaara 1 Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin

Lisätiedot

MS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I

MS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I MS-A00 Disreetin matematiian perusteet Esimerejä ym., osa I G. Gripenberg Jouo-oppi ja logiia Todistuset logiiassa Indutioperiaate Relaatiot ja funtiot Funtiot Aalto-yliopisto. maalisuuta 0 Kombinatoriia

Lisätiedot

Dynaamiset regressiomallit

Dynaamiset 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

Lisätiedot

Mallin arviointi ja valinta. Ennustevirhe otoksen sisällä, parametrimäärän valinta, AIC, BIC ja MDL

Mallin arviointi ja valinta. Ennustevirhe otoksen sisällä, parametrimäärän valinta, AIC, BIC ja MDL Mallin arviointi ja valinta Ennustevirhe otoksen sisällä, parametrimäärän valinta, AIC, BIC ja MDL Sisältö Otoksen ennustevirheen estimointi AIC - Akaiken informaatiokriteeri mallin valintaan Parametrimäärän

Lisätiedot

HARMONINEN VÄRÄHTELIJÄ

HARMONINEN VÄRÄHTELIJÄ Oulun yliopisto Fysiian opetuslaboratorio Fysiian laboratoriotyöt 1 1 HARMONINEN VÄRÄHELIJÄ 1. yön tavoitteet 1.1 Mittausten taroitus ässä työssä tutustut jasolliseen, määrätyin aiavälein toistuvaan liieeseen,

Lisätiedot

Regressioanalyysi. Vilkkumaa / Kuusinen 1

Regressioanalyysi. Vilkkumaa / Kuusinen 1 Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen

Lisätiedot

Vakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely.

Vakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely. 1144/2011 7 Liite 1 Vauutustenisistä riseistä johtuvien suureiden lasemista varten äytettävä vauutuslajiryhmittely. Vauutuslajiryhmä Vauutusluoat Ensivauutus 1 Laisääteinen tapaturma 1 (laisääteinen) 2

Lisätiedot

STOKASTISET DIFFERENTIAALIYHTÄLÖT 7

STOKASTISET DIFFERENTIAALIYHTÄLÖT 7 STOKASTISET DIFFERENTIAALIYHTÄLÖT 7 1. Todennäöisyyslasennasta ja merinnöistä Palautamme seuraavassa lyhyesti mieleen todennäöisyyslasennan äsitteitä ja esittelemme myös muutamia urssilla äytettäviä merintätapoja.

Lisätiedot

7.1 Taustamelun estimoinnista

7.1 Taustamelun estimoinnista 7 Puheen ehostus Puheen ehostamisea taroitetaan seaisia menetemiä, joia puheen aatua pyritään parantamaan. Kuuostaa ysinertaiseta, mutta mitä sitten taroitetaan aadua? Siä voidaan taroittaa ainain seeyttä

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 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

Lisätiedot

4.0.2 Kuinka hyvä ennuste on?

4.0.2 Kuinka hyvä ennuste on? Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo

Lisätiedot

Paikka- ja virhe-estimaatin laskenta-algoritmit Paikannusteknologiat nyt ja tulevaisuudessa

Paikka- ja virhe-estimaatin laskenta-algoritmit Paikannusteknologiat nyt ja tulevaisuudessa Paikka- ja virhe-estimaatin laskenta-algoritmit 25.8.2011 Paikannusteknologiat nyt ja tulevaisuudessa Simo Ali-Löytty, TTY, matematiikan laitos Mallinnus Pienimmän neliösumman menetelmä Lineaarinen Epälineaarinen

Lisätiedot

2. kierros. 2. Lähipäivä

2. kierros. 2. Lähipäivä 2. kierros 2. Lähipäivä Viikon aihe Vahvistimet, kohina, lineaarisuus Siirtofunktiot, tilaesitys Tavoitteet: tietää Yhden navan vasteen ekvivalentti kohinakaistaleveys Vastuksen terminen kohina Termit

Lisätiedot

Identifiointiprosessi

Identifiointiprosessi Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi

Lisätiedot

Päästölähteen ominaisuuksien määrittäminen Kalman-suodatuksen avulla. Nina Hänninen

Päästölähteen ominaisuuksien määrittäminen Kalman-suodatuksen avulla. Nina Hänninen Päästölähteen ominaisuuksien määrittäminen Kalman-suodatuksen avulla Nina Hänninen Pro gradu -tutkielma Marraskuu 2013 Itä-Suomen yliopisto Sovelletun fysiikan laitos ITÄ-SUOMEN YLIOPISTO, Luonnontieteiden

Lisätiedot

Johdatus tilastotieteeseen Regressiomallin valinta. TKK (c) Ilkka Mellin (2004) 1

Johdatus tilastotieteeseen Regressiomallin valinta. TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen Regressiomallin valinta TKK (c) Ilkka Mellin (2004) 1 Regressiomallin valinta Regressiomallin valinta: Johdanto Mallinvalintatestit Mallinvalintakriteerit Epälineaaristen riippuvuuksien

Lisätiedot

Ilkka Mellin Tilastolliset menetelmät. Osa 4: Lineaarinen regressioanalyysi. Regressiomallin valinta. TKK (c) Ilkka Mellin (2007) 1

Ilkka Mellin Tilastolliset menetelmät. Osa 4: Lineaarinen regressioanalyysi. Regressiomallin valinta. TKK (c) Ilkka Mellin (2007) 1 Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Regressiomallin valinta TKK (c) Ilkka Mellin (2007) 1 Regressiomallin valinta >> Regressiomallin valinta: Johdanto Mallinvalintatestit

Lisätiedot

VÄRÄHTELYMEKANIIKKA SESSIO 19: Usean vapausasteen systeemin liikeyhtälöiden johto Newtonin lakia käyttäen

VÄRÄHTELYMEKANIIKKA SESSIO 19: Usean vapausasteen systeemin liikeyhtälöiden johto Newtonin lakia käyttäen 9/ VÄRÄHTELYMEKANIIKKA SESSIO 9: Usean vapausasteen systeemin liieyhtälöiden johto Newtonin laia äyttäen JOHDANTO Usean vapausasteen systeemillä taroitetaan meaanista systeemiä, jona liietilan uvaamiseen

Lisätiedot

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä

Lisätiedot

M 2 M = sup E M 2 t. E X t = lim. niin martingaalikonvergenssilauseen oletukset ovat voimassa, eli löydämme satunnaismuuttujan M, joka toteuttaa ehdon

M 2 M = sup E M 2 t. E X t = lim. niin martingaalikonvergenssilauseen oletukset ovat voimassa, eli löydämme satunnaismuuttujan M, joka toteuttaa ehdon Matematiian ja tilastotieteen laitos Stoastiset differentiaaliyhtälöt Rataisuehdotelma Harjoituseen 7 1. Näytä, että uvaus M M M 2, un M 2 M = sup E M 2 t 2 t 0 on normi jouossa M 2 = { M : M on martingaali

Lisätiedot

Ennustaminen ARMA malleilla ja Kalmanin suodin

Ennustaminen 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

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

Missä mennään. systeemi. identifiointi. mallikandidaatti. validointi. malli. (fysikaalinen) mallintaminen. mallin mallin käyttötarkoitus, reunaehdot

Missä mennään. systeemi. identifiointi. mallikandidaatti. validointi. malli. (fysikaalinen) mallintaminen. mallin mallin käyttötarkoitus, reunaehdot Missä mennään systeemi mallin mallin käyttötarkoitus, reunaehdot käyttö- (fysikaalinen) mallintaminen luonnonlait yms. yms. identifiointi kokeita kokeita + päättely päättely vertailu mallikandidaatti validointi

Lisätiedot

6. Tietokoneharjoitukset

6. Tietokoneharjoitukset 6. Tietokoneharjoitukset 6.1 Tiedostossa Const.txt on eräällä Yhdysvaltalaisella asuinalueella aloitettujen rakennusurakoiden määrä kuukausittain, aikavälillä 1966-1974. Urakoiden määrä on skaalattu asuinalueen

Lisätiedot

TIIVISTELMÄRAPORTTI (SUMMARY REPORT)

TIIVISTELMÄRAPORTTI (SUMMARY REPORT) 2013/MAT827 ISSN 1797-3457 (verkkojulkaisu) ISBN (PDF) 978-951-25-2421-1 TIIVISTELMÄRAPORTTI (SUMMARY REPORT) MIEHITTÄMÄTTÖMÄN VEDENALAISEN LAITTEEN NAVIGOINTI Jarmo Takala, Jussi Collin, Jarkko Tuomi

Lisätiedot

Pienimmän neliösumman menetelmä (PNS)

Pienimmän neliösumman menetelmä (PNS) neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1

Lisätiedot

Identifiointiprosessi

Identifiointiprosessi Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi

Lisätiedot

funktiojono. Funktiosarja f k a k (x x 0 ) k

funktiojono. Funktiosarja f k a k (x x 0 ) k SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 3 4. Funtiosarjat Tässä luvussa esitettävissä funtiosarjojen tulosissa yhdistämme luujen 3 teoriaa. Esimeri 4.. Geometrinen sarja x suppenee aiilla x ], [ ja hajaantuu

Lisätiedot

SISÄLLYS. annetun sosiaali- ja terveysministeriön asetuksen muuttamisesta. N:o 254. Sosiaali- ja terveysministeriön asetus

SISÄLLYS. annetun sosiaali- ja terveysministeriön asetuksen muuttamisesta. N:o 254. Sosiaali- ja terveysministeriön asetus OMEN ÄÄDÖKOKOELMA 2001 Julaistu Helsingissä 23 päiänä maalisuuta 2001 N:o 254 256 IÄLLY N:o iu 254 osiaali- ja tereysministeriön asetus työnteijäin eläelain muaista toimintaa harjoittaan eläesäätiön eläeastuun

Lisätiedot

Simo Ali-Löytty Kalmanin suodatin ja sen laajennukset paikannuksessa

Simo Ali-Löytty Kalmanin suodatin ja sen laajennukset paikannuksessa TAMPEREEN TEKNILLINEN YLIOPISTO Tenis-luonnontieteellinen osasto Simo Ali-Löytty Kalmanin suodatin ja sen laajennuset paiannusessa Diplomityö Aihe hyväsytty osastoneuvostossa 10.3.2004 Tarastaja: professori

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

Pienimmän neliösumman menetelmä (PNS)

Pienimmän neliösumman menetelmä (PNS) neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1

Lisätiedot

Simo Ali-Löytty Kalmanin suodatin ja sen laajennukset paikannuksessa

Simo Ali-Löytty Kalmanin suodatin ja sen laajennukset paikannuksessa TAMPEREEN TEKNILLINEN YLIOPISTO Tenis-luonnontieteellinen osasto Simo Ali-Löytty Kalmanin suodatin ja sen laajennuset paiannusessa Diplomityö Aihe hyväsytty osastoneuvostossa 10.3.2004 Tarastaja: professori

Lisätiedot

Parametrien estimointi sovellettuna Pandora-instrumentin mittauksiin

Parametrien estimointi sovellettuna Pandora-instrumentin mittauksiin TAMPEREEN YLIOPISTO Pro gradu -tutkielma Emmihenna Jääskeläinen Parametrien estimointi sovellettuna Pandora-instrumentin mittauksiin Matematiikan ja tilastotieteen laitos Matematiikka Toukokuu 2012 Tampereen

Lisätiedot

Digitaalinen signaalinkäsittely Desibeliasteikko, suotimen suunnittelu

Digitaalinen signaalinkäsittely Desibeliasteikko, suotimen suunnittelu Digitaalinen signaalinkäsittely Desibeliasteikko, suotimen suunnittelu Teemu Saarelainen, teemu.saarelainen@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen,

Lisätiedot

Dynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II

Dynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II Dynaamisten systeemien teoriaa Systeemianalyysilaboratorio II 15.11.2017 Vakiot, sisäänmenot, ulostulot ja häiriöt Mallin vakiot Systeemiparametrit annettuja vakioita, joita ei muuteta; esim. painovoiman

Lisätiedot

Pienimmän neliösumman menetelmä (PNS)

Pienimmän neliösumman menetelmä (PNS) neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1

Lisätiedot

6. Differentiaaliyhtälösysteemien laadullista teoriaa.

6. Differentiaaliyhtälösysteemien laadullista teoriaa. 1 MAT-13450 LAAJA MATEMATIIKKA 5 Tampereen teknillinen yliopisto Risto Silvennoinen Kevät 2010 6. Differentiaaliyhtälösysteemien laadullista teoriaa. Olemme keskittyneet tässä kurssissa ensimmäisen kertaluvun

Lisätiedot

DEE Lineaariset järjestelmät Harjoitus 5, harjoitustenpitäjille tarkoitetut ratkaisuehdotukset

DEE Lineaariset järjestelmät Harjoitus 5, harjoitustenpitäjille tarkoitetut ratkaisuehdotukset DEE- Lineaariset järjestelmät Harjoitus 5, harjoitustenpitäjille taroitetut rataisuehdotuset Tämän harjoitusen ideana on opetella -muunnosen äyttöä differenssiyhtälöiden rataisemisessa Lisäsi äytetään

Lisätiedot

805306A Johdatus monimuuttujamenetelmiin, 5 op

805306A Johdatus monimuuttujamenetelmiin, 5 op monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista

Lisätiedot

2. Teoriaharjoitukset

2. Teoriaharjoitukset 2. Teoriaharjoitukset Demotehtävät 2.1 Todista Gauss-Markovin lause. Ratkaisu. Oletetaan että luentokalvojen standardioletukset (i)-(v) ovat voimassa. Huomaa että Gauss-Markovin lause ei vaadi virhetermien

Lisätiedot

Laajennettujen Kalman-suotimien soveltaminen epäkoherentin sironnan spektritiheysfunktion estimoinnissa

Laajennettujen Kalman-suotimien soveltaminen epäkoherentin sironnan spektritiheysfunktion estimoinnissa Laajennettujen Kalman-suotimien soveltaminen epäkoherentin sironnan spektritiheysfunktion estimoinnissa Pro Gradu -tutkielma Karjalainen Joni 2112129 Matemaattisten tieteiden laitos Oulun yliopisto Syksy

Lisätiedot

1974 N:o 622. Vakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely. Liite 1.

1974 N:o 622. Vakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely. Liite 1. 1974 N:o 622 Liite 1 Vauutustenisistä riseistä johtuvien suureiden lasemista varten äytettävä vauutuslajiryhmittely Vauutuslajiryhmä Vauutusluoat Ensivauutus Laisääteinen tapaturma 1 (laisääteinen) Muu

Lisätiedot

III. SARJATEORIAN ALKEITA. III.1. Sarjan suppeneminen. x k = x 1 + x 2 + x ,

III. SARJATEORIAN ALKEITA. III.1. Sarjan suppeneminen. x k = x 1 + x 2 + x , III. SARJATEORIAN ALKEITA Sarja on formaali summa III.. Sarjan suppeneminen = x + x 2 + x 3 +..., missä R aiilla N (merintä ei välttämättä taroita mitään reaaliluua). Luvut x, x 2,... ovat sarjan yhteenlasettavat

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

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Usea selittää lieaarie regressiomalli Mat-.04 Tilastollise aalyysi perusteet, evät 007 8. lueto: Usea selittää lieaarie regressiomalli Selitettävä muuttua havaittue arvoe vaihtelu halutaa selittää selittävie

Lisätiedot

SAARA KUISMANEN ELLIPSOIDIALGORITMIN KÄYTTÖ SÄÄTÖSUUNNITTELUS- SA

SAARA KUISMANEN ELLIPSOIDIALGORITMIN KÄYTTÖ SÄÄTÖSUUNNITTELUS- SA SAARA KUISMANEN ELLIPSOIDIALGORITMIN KÄYTTÖ SÄÄTÖSUUNNITTELUS- SA Kandidaatintyö Tarastaja: Simo Ali-Löytty ja Terho Jussila I TIIVISTELMÄ SAARA KUISMANEN: Ellipsoidialgoritmin äyttö säätösuunnittelussa

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 30. marraskuuta 2007 Antti Rasila () TodB 30. marraskuuta 2007 1 / 19 1 Lineaarinen regressiomalli ja suurimman uskottavuuden menetelmä Minimin löytäminen

Lisätiedot

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

MTTTP5, 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.

Lisätiedot

Epälineaaristen yhtälöiden ratkaisumenetelmät

Epälineaaristen yhtälöiden ratkaisumenetelmät Epälineaaristen yhtälöiden ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Perusoletus Lause 3.1 Olkoon f : [a, b] R jatkuva funktio siten, että f(a)f(b) < 0. Tällöin funktiolla on ainakin

Lisätiedot

Iris-säätöpelti EKO-SI

Iris-säätöpelti EKO-SI Iris-säätöpelti EKO-SI Kuvaus EKO-SI on iris-tyyppinen säätöpelti ilmamäärän mittaamiseen ja säätämiseen. Säätöpelti täyttää asiaanuuluvat AMA VVS- ja Kyl 09 seä tiiviysluoan C vaatimuset. Raenne EKO-SI

Lisätiedot

Tilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio

Tilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio Tilastollisen analyysin perusteet Luento 9: lineaarinen lineaarinen Sisältö lineaarinen lineaarinen lineaarinen Lineaarinen Oletetaan, että meillä on n kappaletta (x 1, y 1 ), (x 2, y 2 )..., (x n, y n

Lisätiedot

Projekti 5 Systeemifunktiot ja kaksiportit. Kukin ryhmistä tarkastelee piiriä eri taajuuksilla. Ryhmäni taajuus on

Projekti 5 Systeemifunktiot ja kaksiportit. Kukin ryhmistä tarkastelee piiriä eri taajuuksilla. Ryhmäni taajuus on EPOP Kevät 2012 Projeti 5 Systeemifuntiot ja asiportit Tämä projeti tehdään 3 hengen ryhmissä. yhmääni uuluvat Kuin ryhmistä tarastelee piiriä eri taajuusilla. yhmäni taajuus on Seuraavan projetin aiana

Lisätiedot

1. LINEAARISET LUOKITTIMET

1. LINEAARISET LUOKITTIMET 1. LINEAARISET LUOKITTIMET Edellisillä luennoilla tarkasteltiin luokitteluongelmaa tnjakaumien avulla ja esiteltiin menetelmiä, miten tarvittavat tnjakaumat voidaan estimoida. Tavoitteena oli löytää päätössääntö,

Lisätiedot

TAMPEREEN YLIOPISTO Pro gradu -tutkielma. Hannu Pajula. Stirlingin luvuista

TAMPEREEN YLIOPISTO Pro gradu -tutkielma. Hannu Pajula. Stirlingin luvuista TAMPEREEN YLIOPISTO Pro gradu -tutielma Hannu Pajula Stirlingin luvuista Informaatiotieteiden ysiö Matematiia Maalisuu 2014 Tampereen yliopisto Informaatiotieteiden ysiö PAJULA, HANNU: Stirlingin luvuista

Lisätiedot

1. Tutkitaan regressiomallia Y i = β 0 + β 1 X i + u i ja oletetaan, että tavanomaiset

1. Tutkitaan regressiomallia Y i = β 0 + β 1 X i + u i ja oletetaan, että tavanomaiset TA7, Ekonometrian johdantokurssi HARJOITUS 7 RATKAISUEHDOTUKSET 16.3.2015 1. Tutkitaan regressiomallia Y i = β 0 + X i + u i ja oletetaan, että tavanomaiset regressiomallin oletukset pätevät (Key Concept

Lisätiedot

(1 + i) + JA. t=1. t=1. (1 + i) n (1 + i) n. = H + k (1 + i)n 1 i(1 + i) n + JA

(1 + i) + JA. t=1. t=1. (1 + i) n (1 + i) n. = H + k (1 + i)n 1 i(1 + i) n + JA Investoinnin annattavuuden mittareita Opetusmonisteessa on asi sivua, joilla on hyvin lyhyesti uvattu jouo mittareita. Seuraavassa on muutama lisäommentti ja aavan-johto. Tarastelemme projetia, jona perusinvestointi

Lisätiedot

1 Rajoittamaton optimointi

1 Rajoittamaton optimointi Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y

Lisätiedot

805306A Johdatus monimuuttujamenetelmiin, 5 op

805306A Johdatus monimuuttujamenetelmiin, 5 op monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista

Lisätiedot

Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa

Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa TKK (c) Ilkka Mellin (2007) 1 Erityiskysymyksiä yleisen lineaarisen

Lisätiedot

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden 1.12.2006 1. Satunnaisjakauman tiheysfunktio on Ü µ Üe Ü, kun Ü ja kun Ü. Määritä parametrin estimaattori momenttimenetelmällä ja suurimman uskottavuuden menetelmällä. Ratkaisu: Jotta kyseessä todella

Lisätiedot

Tehtävä 3. Määrää seuraavien jonojen raja-arvot 1.

Tehtävä 3. Määrää seuraavien jonojen raja-arvot 1. Jonotehtävät, 0/9/005, sivu / 5 Perustehtävät Tehtävä. Muotoile matemaattiset vastineet seuraavien väitteiden negaatioille (ts. vastaohdat).. Jono (a n ) suppenee ohti luua a.. Jono (a n ) on asvava. 3.

Lisätiedot

5.7 Uskottavuusfunktioon perustuvia testejä II

5.7 Uskottavuusfunktioon perustuvia testejä II 5.7 Uskottavuusfunktioon perustuvia testejä II Tässä pykälässä pohditaan edellä tarkasteltujen kolmen testisuureen yleistystä malleihin, joiden parametri on useampiulotteinen, ja testausasetelmiin, joissa

Lisätiedot

Matemaattinen Analyysi

Matemaattinen Analyysi Vaasan yliopisto, evät 05 / ORMS00 Matemaattinen Analyysi 6. harjoitus. Approsimoi toisen asteen polynomilla P(x) = b 0 +b x+b x oheisen tauluon muaisia havaintoja. (Teorian löydät opetusmonisteen sivuilta

Lisätiedot

Johdatus tilastotieteeseen Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2004) 1

Johdatus tilastotieteeseen Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen Yleinen lineaarinen malli TKK (c) Ilkka Mellin (2004) 1 Yleinen lineaarinen malli Usean selittäjän lineaarinen regressiomalli Yleisen lineaarisen mallin matriisisesitys Yleisen

Lisätiedot

Pienimmän Neliösumman menetelmä (PNS)

Pienimmän Neliösumman menetelmä (PNS) neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1

Lisätiedot

Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen

Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen Helsingin yliopisto Sosiaalitieteien laitos 1 Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen OSA 3 GREG-estimaattori Yleinen tilanne (unequal probability sampling) Komposiittiestimaattorit (Composite

Lisätiedot

9. Tila-avaruusmallit

9. 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

Lisätiedot

V. POTENSSISARJAT. V.1. Abelin lause ja potenssisarjan suppenemisväli. a k (x x 0 ) k M

V. POTENSSISARJAT. V.1. Abelin lause ja potenssisarjan suppenemisväli. a k (x x 0 ) k M V. POTENSSISARJAT Funtioterminen sarja V.. Abelin lause ja potenssisarjan suppenemisväli P a x x, missä a, a, a 2,... R ja x R ovat vaioita, on potenssisarja, jona ertoimet ovat luvut a, a,... ja ehitysesus

Lisätiedot

1 Komparatiivinen statiikka ja implisiittifunktiolause

1 Komparatiivinen statiikka ja implisiittifunktiolause Taloustieteen matemaattiset menetelmät 27 materiaali 4 Komparatiivinen statiikka ja implisiittifunktiolause. Johdanto Jo opiskeltu antaa nyt valmiu tutkia taloudellisia malleja Kiinnostava malli voi olla

Lisätiedot

3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin

3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3 Yleistä estimointiteoriaa Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3.1 Johdanto Tähän mennessä olemme tarkastelleet estimointia

Lisätiedot