3. Tietokoneharjoitukset
|
|
- Matilda Karvonen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 3. Tietokoneharjoitukset Aikasarjan logaritmointi Aikasarjoja analysoidaan usein logaritmisessa muodossa. Asialooginen perustelu logaritmoinnille: Muuttujan arvojen suhteelliset muutokset ovat usein tärkeämpiä kuin niiden absoluuttiset muutokset. Tekniset perustelut logaritmoinnille: Jos aikasarjassa on eksponentiaalinen trendi, trendi voidaan linearisoida logaritmoimalla aikasarja. Jos aikasarjan varianssi (tai syklinen vaihtelu) kasvaa aikasarjan tason mukana, varianssi voidaan riippuen tapauksesta vakioida logaritmoimalla aikasarja. Logaritmointi ja suhteelliset muutokset Jos muuttujan x arvo x 0 muuttuu p%, niin uusi arvo x 1 on ( x 1 = 1 + p ) x Logaritmoimalla saadaan: log(x 1 ) = log(x 0 ) + log ( 1 + p ) log(x 0 ) + p Siten suhteellinen muutos aikasarjan tasossa on logaritmoituna (lähes) riippumaton tasosta ja riippuu (lähes) pelkästään muutosprosentista p. 1 / 13
2 Demotehtävät 3.1 Tarkastele alla olevan taulukon aikasarjoja. Mitkä aikasarjat näyttävät stationaariselta? Tiedosto (.txt) Muuttuja Kuvaus Havaintoväli Aikasarjan pituus INTEL Intel_Close Intelin osakekurssi Pörssipäivä n = 20 Intel_Volume Intelin osakkeiden myynti SUNSPOT Spots Auringonpilkkujen 1v n = 215 määrä MILCO2 MILCO2 Mauna Loa-tulivuorella 1kk n = 216 tehtyjen hiilidioksidimittausten tulokset SALES Sales Erään tukkukaupan 1kk n = 144 myynnin volyymi PASSENGERS Passengers Lentomatkustajien lkm. 1kk n = 144 kansainvälisillä linjoilla USA:ssa Ratkaisu. Yllä olevan taulukon aikasarjoja kuvaavat aikasarjadiagrammit on esitetty seuraavilla sivuilla. INTEL <- read.table("intel.txt",header=t) SUNSPOT <- read.table("sunspot.txt",header=t,row.names=1) MLCO2 <- read.table("mlco2.txt",header=t,row.names=1) SALES <- read.table("sales.txt",header=t) PASSENGERS <- read.table("passengers.txt",header=t,row.names=4) Intel_Close <- ts(intel$intel_close) Intel_Volume <- ts(intel$intel_volume) Spots <- ts(sunspot,start=1749) Mlco2 <- ts(mlco2$mlco2,frequency=12) Sales <- ts(sales$sales,frequency=12) Passengers <- ts(passengers$passengers) 2 / 13
3 INTEL: Intel_Close Intelin osakekurssi New Yorkin pörssipäivän lopussa neljän viikon ajalta. plot(intel_close) Intel_Close Time Kuva 1: Aikasarja Intel_Close aineistosta. Trendi: Ei selvää trendiä ja aikasarjan taso vaihtelee. Kausivaihtelu: Ei kausivaihtelua. Stationaarisuus: Pienen havaintomäärän seurauksena on vaikea ottaa kantaa stationaarisuuteen. Aikasarjan tason vaihtelu viittaa stationaarisuutta vastaan. Kyseistä aikasarjaa tutkitaan lisää tehtävässä / 13
4 INTEL: Intel_Volume Intelin osakkeen päivämyynti (kpl) New Yorkin pörssissä neljän viikon ajalta. plot(intel_volume) Intel_Volume Time Kuva 2: Aikasarja Intel_Volume aineistosta. Trendi: Ei selvää trendiä ja aikasarjan taso vaihtelee. Kausivaihtelu: Ei kausivaihtelua. Stationaarisuus: Pienen havaintomäärän seurauksena on vaikea ottaa kantaa stationaarisuuteen. Aikasarjan tason vaihtelu viittaa stationaarisuutta vastaan. 4 / 13
5 SUNSPOT: Spots Auringonpilkkujen vuotuista määrää kuvaava muuttuja. plot(spots) Spots Time Kuva 3: Aikasarja Spots aineistosta. Trendi: Ei trendiä. Kausivaihtelu: Selvää kausivaihtelua, kauden pituus on 11 vuotta. Aikasarjan amplitudi (aallon korkeus) vaihtelee. Stationaarisuus: Aikasarja ei näytä stationaariselta, koska selvää kausivaihtelua. 5 / 13
6 MLCO2: MLCO2 Mauna Loa -tulivuorella (Havaiji) tehtyjen hiilidioksidimittausten tulokset. plot(mlco2) Mlco Time Kuva 4: Aikasarja MLCO2 aineistosta. Trendi: Selvä nouseva lineaarinen trendi. Kausivaihtelu:Melko säännöllistä kausivaihtelua; kauden pituus 12 kk; kausivaihtelukomponentin amplitudi (aallon korkeus) pysyy vakiona Stationaarisuus: Aikasarja ei näytä stationaariselta, koska lineaarinen nouseva trendi ja kausivaihtelua. 6 / 13
7 SALES: Sales Erään tukkukaupan kuukausimyynnin arvo plot(sales) Sales Time Kuva 5: Aikasarja Sales aineistosta. Trendi: Nouseva trendi. Aikasarjan yleistaso vaihtelee jonkin verran trendin ympärillä Kausivaihtelu: Melko säännöllistä kausivaihtelua; kauden pituus 12kk. Kausivaihtelukomponentin amplitudi (aallon korkeus) kasvaa aikasarjan tason mukana. Stationaarisuus: Aikasarja ei näytä stationaariselta, koska lineaarinen nouseva trendi ja kausivaihtelua. 7 / 13
8 PASSENGERS: Passengers Kansainvälisten lentolinjojen vuotuiset markustajamäärät USA:ssa. plot(passengers) Passengers Time Kuva 6: Aikasarja Passengers aineistosta. Trendi: Nouseva lievästi käyräviivainen trendi Kausivaihtelu: Melko säännöllistä kausivaihtelua; kauden pituus 12 kk; kausivaihtelukomponentin amplitudi (aallon korkeus) kasvaa aikasarjan tason mukana Stationaarisuus: Aikasarja ei näytä stationaariselta, koska lineaarinen nouseva trendi ja kausivaihtelua. 8 / 13
9 3.2 Tiedostossa PASSENGERS2.txt on aikasarja Passengers. Piirrä aikasarja käyttäen y- akselilla sekä lineaarista että logaritmista asteikkoa ja vertaa kuvioita toisiinsa. Tiedosto (.txt) Muuttuja Kuvaus Havaintoväli Aikasarjan pituus PASSENGERS2 Passengers Lentomatkustajien lkm. 1kk n = 144 kansainvälisillä linjoilla USA:ssa Ratkaisu. PASSENGERS2 <- read.table("passengers2.txt",header=t,sep="\t") # Huomaa että aineisto on eroteltu tabulaattorilla names(passengers2) Vuosiluvut saadaan kohdalleen seuraavasti: PASS2 <- ts(passengers2$passengers,start=1949,frequency=12) par(mfrow=c(1,2),mar=c(2.5,2.5,1.5,1.5)) # Komennon par avulla saadaan molemmat aikasarjat näkyviin samaan aikaan plot(pass2,main="passengers") plot(log(pass2),main="log(passengers)") dev.off() # dev.off() palauttaa oletusasetukset funktiolle par() 9 / 13
10 Passengers Log(Passengers) Kuva 7: Aikasarja Passengers sekä lineaarisella että logaritmisella asteikolla. Kuvasta 7 nähdään että alkuperäisen aikasarjan kausivaihtelun amplitudi (aallonkorkeus) kasvaa aikasarjan tason mukana (vasen kuva). Logaritmointi vakioi amplitudin (oikea kuva). Toisaalta alkuperäisen aikasarjan trendin (lievä) käyryys ylikorjautuu (lievästi) logaritmoinnissa. 3.3 Tutki seuraavien aikasarjojen stokastisia ominaisuuksia estimoimalla niiden autokorrelaatioja osittaisautokorrelaatiofunktiot. Tiedosto (.txt) Muuttuja Kuvaus Havaintoväli Aikasarjan pituus INTEL Intel_Close Intelin osakekurssi Pörssipäivä n = 20 SUNSPOT Spots Auringonpilkkujen 1v n = 215 määrä Ratkaisu. Intel_Close Tehtävän 3.1 kuvaajan perusteella ei pystytty suoraan päättelemään, onko aikasarja stationaarinen vai ei. Lasketaan autokorrelaatiot ja osittaisautokorrelaatiot. par(mfrow=c(1,2)) acf(intel_close) pacf(intel_close) 10 / 13
11 Series Intel_Close Series Intel_Close ACF Partial ACF Lag Lag Kuva 8: Auto- ja osittaisautokorrelaatiofunktio Intel_Close aikasarjasta. Tässä siniset viivat kertovat tilastollisen merkitsevyyden 5% merkitsevyystasolla (onko korrelaatio jollakin viiveellä merkitsevä). Sinisten viivojen sisäpuolella olevia havaintoja voidaan pitää kohinana 5% merkitsevyystasolla. Sinisten viivojen tarkat arvot saadaan komennoilla qnorm(( )/2)/sqrt(length(Intel_Close)) -qnorm(( )/2)/sqrt(length(Intel_Close)) Kommentteja: (1) Aikasarja Intel-Close voi kuvaajien perusteella hyvin olla stationaarinen ja se ei siten vaadi differensointia. Aikasarjan taso vaihtelee kyllä melko voimakkaasti, mutta sen käyttäytyminen on lokaalisti rauhallista. Aikasarjassa ei ole monotonista trendiä eikä näkyvää kausivaihtelua. 11 / 13
12 Spots Tehtävän 3.1 perusteella Spots ei ole stationaarinen. Katsotaan miltä auto- ja osittaisautokorrelaatiofunktiot näyttävät epästationaariselle aikasarjalle. par(mfrow=c(1,2)) acf(spots,lag.max=50) pacf(spots,lag.max=50) Spots Series Spots ACF Partial ACF Lag Lag Kuva 9: Auto- ja osittaisautokorrelaatiofunktio Spots aikasarjasta. Kommenntteja: (1) Huomaa että autokorrelaatiofunktiossa nähdään aikasarjan kausivaihtelu selvästi. Kuvaa suurentamalla nähdään että kauden pituus näyttäisi olevan 11 vuotta. 12 / 13
13 Kotitehtävät 3.4 Määrää differenssit D, D 12 ja D 12 D tiedoston SALES.txt aikasarjasta Sales ja vertaa differenssejä alkuperäiseen aikasarjaan ja toisiinsa. Mitkä edellä mainituista operaatioista tuottavat stationaariselta näyttävän aikasarjan? Perustele stationaarisuus visualisoimalla alkuperäinen aikasarja, pyydetyt differenssit sekä niitä vastaavat auto- ja osittaisautokorrelaatiofunktiot. Vihje: komennolla diff(ts,lag=2) saat aikasarjan ts toisen differenssin. Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan pituus SALES Sales Erään tukkukaupan 1 kk n = 144 myynnin volyymi 13 / 13
Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan pituus. Intelin osakekurssi. (Pörssi-) päivä n = 20 Intel_Volume. Auringonpilkkujen määrä
MS-C2128 Ennustaminen ja aikasarja-analyysi 4. harjoitukset / Tehtävät Kotitehtävät: 3, 5 Aihe: ARMA-mallit Tehtävä 4.1. Tutustu seuraaviin aikasarjoihin: Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan
4. Tietokoneharjoitukset
4. Tietokoneharjoitukset Demotehtävät 4.1 Tarkastellaan seuraavia aikasarjoja. Tiedosto (.txt) Muuttuja Kuvaus Havaintoväli Aikasarjan pituus INTEL Intel_Close Intelin osakekurssi Pörssipäivä n = 20 Intel_Volume
4. Tietokoneharjoitukset
4. Tietokoneharjoitukset Demotehtävät 4.1 Tarkastellaan seuraavia aikasarjoja. Tiedosto (.txt) Muuttuja Kuvaus Havaintoväli Aikasarjan pituus INTEL Intel_Close Intelin osakekurssi Pörssipäivä n = 20 Intel_Volume
Viikon 5 harjoituksissa käytämme samoja aikasarjoja kuin viikolla 4. Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan pituus
MS-C2128 Ennustaminen ja aikasarja-analyysi 5. harjoitukset / Tehtävät Kotitehtävät: 2 Aihe: ARMA-mallit Viikon 5 harjoituksissa käytämme samoja aikasarjoja kuin viikolla 4. Tehtävä 5.1. Tarkastellaan
805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016) Tavoitteet (teoria): Hahmottaa aikasarjan klassiset komponentit ideaalisessa tilanteessa. Ymmärtää viivekuvauksen vaikutus trendiin. ARCH-prosessin
Harjoitus 7 : Aikasarja-analyysi (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitus 7 : Aikasarja-analyysi (Palautus 28.3.2017) Tämän harjoituskerran tarkoitus on perehtyä
ARMA mallien ominaisuudet ja rakentaminen
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017 Viikko 4: 1 ARMA-mallien ominaisuudet 1 Stationaaristen
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
ARMA mallien rakentaminen, johdatus dynaamisiin regressiomalle
ARMA mallien rakentaminen, johdatus dynaamisiin regressiomalleihin MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
ARMA mallien rakentaminen, Kalmanin suodatin
ARMA mallien rakentaminen, Kalmanin suodatin MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin
MS-C2128 Ennustaminen ja aikasarja-analyysi ARMA esimerkkejä
MS-C2128 Ennustaminen ja aikasarja-analyysi ARMA esimerkkejä Tehtävä 4.1. Ncss-ohjelmiston avulla on generoitu AR(1)-, AR(2)-, MA(1)- ja MA(2)-malleja vastaavia aikasarjoja erilaisilla parametrien arvoilla.
6.5.2 Tapering-menetelmä
6.5.2 Tapering-menetelmä Määritelmä 6.7. Tapering on spektrin estimointimenetelmä, jossa estimaattori on muotoa f m (ω) = 1 m ( ) k w 2π m Γ(k)e ikω, k= m missä Γ on otosautokovarianssifunktio ja ikkunafunktio
Ilkka Mellin Aikasarja-analyysi Aikasarjat
Ilkka Mellin Aikasarja-analyysi Aikasarjat TKK (c) Ilkka Mellin (2007) 1 Aikasarjat >> Aikasarjat: Johdanto Aikasarjojen esikäsittely Aikasarjojen dekomponointi TKK (c) Ilkka Mellin (2007) 2 Aikasarjat:
Stationaariset stokastiset prosessit ja ARMA-mallit
Stationaariset stokastiset prosessit ja ARMA-mallit MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
ARMA mallien ominaisuudet ja rakentaminen
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Viikko 4: 1 ARMA-mallien ominaisuudet 1 Stationaaristen
Dynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
Aikasarjamallit. Pekka Hjelt
Pekka Hjelt Aikasarjamallit Aikasarja koostuu järjestyksessä olevista havainnoista, ja yleensä se on tasavälinen ja diskreetti eli havaintopisteet ovat erillisiä. Lisäksi aikasarjassa on yleensä autokorrelaatiota
Auringonpilkkujen jaksollisuus
Mat-2.108 Sovelletun matematiikan erikoistyöt 16.1.2004 Auringonpilkkujen jaksollisuus Teknillinen korkeakoulu Systeemianalyysin laboratorio Keijo Jaakola 51624B 1 1. Johdanto...3 2. Aikasarjamalleja...3
ARIMA- ja GARCH-mallit sekä mallin sovittaminen osakeaineistoon
TAMPEREEN YLIOPISTO Pro gradu -tutkielma Laura Lizana Bister ARIMA- ja GARCH-mallit sekä mallin sovittaminen osakeaineistoon Informaatiotieteiden laitos Matematiikka Syyskuu 2011 Tampereen yliopisto Informaatiotieteiden
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
805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) Tavoitteet (teoria): Hallita autokovarianssifunktion ominaisuuksien tarkastelu. Osata laskea autokovarianssifunktion spektriiheysfunktio. Tavoitteet
Ilkka Mellin Aikasarja-analyysi Stationaariset stokastiset prosessit
Ilkka Mellin Aikasarja-analyysi Stationaariset stokastiset prosessit TKK (c) Ilkka Mellin (2007) 1 Stationaariset stokastiset prosessit >> Stationaariset stokastiset prosessit Integroituvuus Korrelaatiofunktioiden
Kertaus. MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 1: Yleinen lineaarinen malli 1 Määritelmä
Tilastotieteessä aikasarja tarkoittaa yleensä sarjaa, jossa peräkkäisten havaintojen aikaväli on aina sama.
Aikasarjat Tilastotieteessä aikasarja tarkoittaa yleensä sarjaa, jossa peräkkäisten havaintojen aikaväli on aina sama. Aikasarja on laajassa mielessä stationäärinen (wide sense stationary, WSS), jos odotusarvo
805324A (805679S) Aikasarja-analyysi Harjoitus 5 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 5 (2016) Tavoitteet (teoria): Ymmärtää kausivaihtelun käsite ja sen yhteys otoshetkiin. Oppia käsittelemään periodogrammia.. Tavoitteet (R): Periodogrammin,
MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely
MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Aikataulu ja suoritustapa (Katso MyCourses) Luennot
STOKASTISET PROSESSIT
TEORIA STOKASTISET PROSESSIT Satunnaisuutta sisältävän tapahtumasarjan kulkua koskevaa havaintosarjaa sanotaan aikasarjaksi. Sana korostaa empiirisen, kokeellisesti havaitun tiedon luonnetta. Aikasarjan
MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely
MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017 Aikataulu ja suoritustapa (Katso MyCourses) Luennot
Aki Taanila AIKASARJOJEN ESITTÄMINEN
Aki Taanila AIKASARJOJEN ESITTÄMINEN 4.12.2012 Viivakaavio Excelissä voit toteuttaa viivakaavion kaaviolajilla Line (Viiva). Viivakaavio onnistuu varmimmin, jos taulukon ensimmäisessä sarakkeessa ovat
Aki Taanila YHDEN SELITTÄJÄN REGRESSIO
Aki Taanila YHDEN SELITTÄJÄN REGRESSIO 26.4.2011 SISÄLLYS JOHDANTO... 1 LINEAARINEN MALLI... 1 Selityskerroin... 3 Excelin funktioita... 4 EKSPONENTIAALINEN MALLI... 4 MALLIN KÄYTTÄMINEN ENNUSTAMISEEN...
4.1 Kaksi pistettä määrää suoran
4.1 Kaksi pistettä määrää suoran Kerrataan aluksi kurssin MAA1 tietoja. Geometrisesti on selvää, että tason suora on täysin määrätty, kun tunnetaan sen kaksi pistettä. Joskus voi tulla vastaan tilanne,
Kertaus. MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017 Viikko 1: Yleinen lineaarinen malli 1 Määritelmä
MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely
MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Aikataulu ja suoritustapa (Katso MyCourses) Luennot
Ilkka Keskiväli Kiinan energiankäytön aikasarja-analysointi
PRO GRADU -TUTKIELMA Ilkka Keskiväli Kiinan energiankäytön aikasarja-analysointi TAMPEREEN YLIOPISTO Informaatiotieteiden yksikkö Tilastotiede Joulukuu 2012 2 Tampereen yliopisto Informaatiotieteiden yksikkö
Signaalien tilastollinen mallinnus T-61.3040 (5 op) Syksy 2006 Harjoitustyö
Signaalien tilastollinen mallinnus T-61.3040 (5 op) Syksy 2006 Harjoitustyö Harjoitustyön sekä kurssin suorittaminen Kurssin suorittaminen edellyttää sekä tentin että harjoitustyön hyväksyttyä suoritusta.
Vastaavasti voidaan määritellä korkeamman kertaluvun autoregressiiviset prosessit.
Autokovarianssi: (kun τ 0) Γ t (τ) = E[(X t µ t )(X t τ µ t τ )] ( ) ( = E[ φ k ε t k φ j ε t τ j )] = = j=0 φ j+k E[ε t k ε t τ j ] k,j=0 φ j+k σ 2 δ k,τ+j k,j=0 = σ 2 φ j+k δ k,τ+j = = k,j=0 φ τ+2j I
MTTTP1, luento KERTAUSTA
26.9.2017/1 MTTTP1, luento 26.9.2017 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2017/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
MTTTP1, luento KERTAUSTA
25.9.2018/1 MTTTP1, luento 25.9.2018 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
2 arvo muuttujan arvolla
Mb Mallikoe Määritä funktion f ( ) arvo muuttujan arvolla a) b) c) k 6 a) Määritä suorien y 0 ja y leikkauspiste b) Määritä suoran yhtälö, kun se kulkee pisteen (, ) kautta ja on yhdensuuntainen suoran
Suoran yhtälöt. Suoran ratkaistu ja yleinen muoto: Suoran yhtälö ratkaistussa, eli eksplisiittisessä muodossa, on
Suoran htälöt Suoran ratkaistu ja leinen muoto: Suoran htälö ratkaistussa, eli eksplisiittisessä muodossa, on ANALYYTTINEN GEOMETRIA MAA5 = k + b, tai = a missä vakiotermi b ilmoittaa suoran ja -akselin
3 Eksponentiaalinen malli
Eksponentiaalinen malli Eksponentiaalinen kasvaminen ja väheneminen 6. Kulunut aika (h) Bakteerien määrä 0 80 0 60 0 0 7 7 0 0 0 6. 90 % 0,90 Pienennöksiä (kpl) Piirroksen korkeus (cm) 0,90 6,0, 0,90 6,0,06,
Signaalimallit: sisältö
Signaalimallit: sisältö Motivaationa häiriöiden kuvaaminen ja rekonstruointi Signaalien kuvaaminen aikatasossa, determinisitinen vs. stokastinen Signaalien kuvaaminen taajuustasossa Fourier-muunnos Deterministisen
Ilkka Mellin Aikasarja-analyysi ARMA-mallit
Ilkka Mellin Aikasarja-analyysi ARMA-mallit TKK (c) Ilkka Mellin (007) 1 ARMA-mallit >> ARMA-mallit ja niiden ominaisuudet ARMA-mallien auto- ja osittaisautokorrelaatiofunktiot ARMA-mallien spektri ARMA-mallien
LABORAATIOSELOSTUSTEN OHJE H. Honkanen
LABORAATIOSELOSTUSTEN OHJE H. Honkanen Tämä ohje täydentää ja täsmentää osaltaan selostuskäytäntöä laboraatioiden osalta. Yleinen ohje työselostuksista löytyy intranetista, ohjeen on laatinut Eero Soininen
Matematiikan ilmiöiden tutkiminen GeoGebran avulla
Johdatus GeoGebraan Matematiikan ilmiöiden tutkiminen GeoGebran avulla Harjoitus 1B. Konstruoi tasakylkinen kolmio ABC, jonka kyljen pituus on 5. Vihje: käytä Kiinteä jana työvälinettä kahdesti. Ota kolmion
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
Huippu 4 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty
KERTAUS KERTAUSTEHTÄVIÄ K1. a) Kun suoran s pisteen -koordinaatti kasvaa yhdellä, pisteen y- koordinaatti kasvaa kahdella. Suoran s kulmakerroin on siis. Kun suoran t pisteen -koordinaatti kasvaa kahdella,
6.8 Erityisfunktioiden sovelluksia
6.8 Erityisfunktioiden sovelluksia Tässä luvussa esitellään muutama esimerkki, joissa käytetään hyväksi eksponentti-, logaritmi- sekä trigonometrisia funktioita. Ensimmäinen esimerkki juontaa juurensa
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Mat Systeemien Identifiointi. 4. harjoitus
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.4129 Systeemien Identifiointi 4. harjoitus 1. a) Laske valkoisen kohinan spektraalitiheys. b) Tarkastellaan ARMA-prosessia C(q 1 )y = D(q 1 )e,
MTTTP1, luento KERTAUSTA
19.3.2019/1 MTTTP1, luento 19.3.2019 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 1, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 1, Kevät 2018 1. (a) Tunnemme vektorit a = [ 5 1 1 ] ja b = [ 2 0 1 ]. Laske (i) kummankin vektorin pituus (eli itseisarvo, eli normi); (ii) vektorien
Aki Taanila AIKASARJAENNUSTAMINEN
Aki Taanila AIKASARJAENNUSTAMINEN 26.4.2011 SISÄLLYS JOHDANTO... 1 1 AIKASARJA ILMAN SYSTEMAATTISTA VAIHTELUA... 2 1.1 Liukuvan keskiarvon menetelmä... 2 1.2 Eksponentiaalinen tasoitus... 3 2 AIKASARJASSA
11. laskuharjoituskierros, vko 15, ratkaisut
11. laskuharjoituskierros vko 15 ratkaisut D1. Geiger-mittari laskee radioaktiivisen aineen emissioiden lukumääriä. Emissioiden lukumäärä on lyhyellä aikavälillä satunnaismuuttuja jonka voidaan olettaa
1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet
VAASAN YLIOPISTO/KESÄYLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia A KURSSIKYSELYAINEISTO: 1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka
Regressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
Laskuharjoitus 9, tehtävä 6
Aalto-yliopiston perustieteiden korkeakoulu Jouni Pousi Systeemianalyysin laboratorio Mat-2.4129 Systeemien identifiointi Laskuharjoitus 9, tehtävä 6 Tämä ohje sisältää vaihtoehtoisen tavan laskuharjoituksen
Lineaarinen yhtälöryhmä
Lineaarinen yhtälöryhmä 1 / 39 Lineaarinen yhtälö Määritelmä 1 Lineaarinen yhtälö on muotoa a 1 x 1 + a 2 x 2 + + a n x n = b, missä a i, b R, i = 1,..., n ovat tunnettuja ja x i R, i = 1,..., n ovat tuntemattomia.
määrittelyjoukko. 8 piirretään tangentti pisteeseen, jossa käyrä leikkaa y-akselin. Määritä tangentin yhtälö.
MAA8 Juuri- ja logaritmifunktiot 5.4.0 Jussi Tyni. a) Derivoi f ( ) 3e 5 Mikä on funktion f () = ln(5 ) 00 määrittelyjoukko. c) Derivoi g( t) 4ln( t t ). Käyrälle g( ) e 8 piirretään tangentti pisteeseen,
Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan
Mitä pitäisi vähintään osata Tässäkäydään läpi asiat jotka olisi hyvä osata Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan osattavan 333 Kurssin sisältö Todennäköisyyden, satunnaismuuttujien
2. Tietokoneharjoitukset
2. Tietokoneharjoitukset Demotehtävät 2.1 Jatkoa kotitehtävälle. a) Piirrä aineistosta pistediagrammi (KULUTUS, SAIRAST) ja siihen estimoitu regressiosuora. KULUTUS on selitettävä muuttuja. b) Määrää estimoidusta
Jos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan
17.11.2006 1. Kahdesta kohteesta (A ja K) kerättiin maanäytteitä ja näistä mitattiin SiO -pitoisuus. Tulokset (otoskoot ja otosten tunnusluvut): A K 10 16 Ü 64.94 57.06 9.0 7.29 Oletetaan mittaustulosten
9. laskuharjoituskierros, vko 12-13, ratkaisut
9. laskuharjoituskierros, vko 12-13, ratkaisut D1. Olkoot X i, i = 1, 2,..., n riippumattomia, samaa eksponenttijakaumaa noudattavia satunnaismuuttujia, joiden odotusarvo E(X i = β, toisin sanoen X i :t
LIITE 1 VIRHEEN ARVIOINNISTA
1 LIITE 1 VIRHEEN ARVIOINNISTA Mihin tarvitset virheen arviointia? Mittaustulokset ovat aina todellisten luonnonvakioiden ja tutkimuskohdetta kuvaavien suureiden likiarvoja, vaikka mittauslaite olisi miten
LIITE 1 VIRHEEN ARVIOINNISTA
Oulun yliopisto Fysiikan opetuslaboratorio Fysiikan laboratoriotyöt 1 1 LIITE 1 VIRHEEN RVIOINNIST Mihin tarvitset virheen arviointia? Mittaustuloksiin sisältyy aina virhettä, vaikka mittauslaite olisi
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
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
20 Kollektorivirta kun V 1 = 15V 10. 21 Transistorin virtavahvistus 10. 22 Transistorin ominaiskayrasto 10. 23 Toimintasuora ja -piste 10
Sisältö 1 Johda kytkennälle Theveninin ekvivalentti 2 2 Simuloinnin ja laskennan vertailu 4 3 V CE ja V BE simulointituloksista 4 4 DC Sweep kuva 4 5 R 2 arvon etsintä 5 6 Simuloitu V C arvo 5 7 Toimintapiste
Runsauden vuotuiset indeksit. A) ln(r) B) Ln(residual of SB-R model) C) ln(larvae) D) Ln(SB) where R= recruitment SB=spawning biomass.
WETA907 Johdantoa aikasarja-analyysiinanalyysiin Introduction to Time Series Analysis Timo J. Marjomäki Jyväskylän yliopisto Reading: : Chatfield, C. 1989: The analysis of time series: An introduction.
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
3 Ääni ja kuulo. Ihmiskorva aistii paineen vaihteluita, joten yleensä äänestä puhuttaessa määritellään ääniaalto paineen vaihteluiden kautta.
3 Ääni ja kuulo 1 Mekaanisista aalloista ääni on ihmisen kannalta tärkein. Ääni on pitkittäistä aaltoliikettä, eli ilman (tai muun väliaineen) hiukkaset värähtelevät suuntaan joka on sama kuin aallon etenemissuunta.
MONISTE 2 Kirjoittanut Elina Katainen
MONISTE 2 Kirjoittanut Elina Katainen TILASTOLLISTEN MUUTTUJIEN TYYPIT 1 Mitta-asteikot Tilastolliset muuttujat voidaan jakaa kahteen päätyyppiin: kategorisiin ja numeerisiin muuttujiin. Tämän lisäksi
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),
Algoritmit 1. Luento 2 Ke Timo Männikkö
Algoritmit 1 Luento 2 Ke 11.1.2017 Timo Männikkö Luento 2 Algoritmin esitys Algoritmien analysointi Suoritusaika Asymptoottinen kertaluokka Peruskertaluokkia NP-täydelliset ongelmat Algoritmit 1 Kevät
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
3. Teoriaharjoitukset
3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x
Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t
Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Valkoinen kohina ε t 2 1 0 1 2 Voimme tehdä saman laskun myös yleiselle välille [ a, a], missä 0 < a
Kesälukio 2000 PK2 Tauluharjoituksia I Mallivastaukset
Kesälukio 2000 PK2 Tauluharjoituksia I Mallivastaukset 2000-08-03T10:30/12:00 Huomaa, että joihinkin kysymyksiin on useampia oikeita vastauksia, joten nämä ovat todellakin vain mallivastaukset. 1 Logiikkaa
TEKNILLINEN TIEDEKUNTA, MATEMATIIKAN JAOS
1. Suorakaiteen muotoisen lämmönvaraajan korkeus on K, leveys L ja syvyys S yksikköä. Konvektiosta ja säteilystä johtuvat lämpöhäviöt ovat verrannollisia lämmönvaraajan lämpötilan T ja ympäristön lämpötilan
LASKENNALLISEN TIETEEN OHJELMATYÖ: Diffuusion Monte Carlo -simulointi yksiulotteisessa systeemissä
LASKENNALLISEN TIETEEN OHJELMATYÖ: Diffuusion Monte Carlo -simulointi yksiulotteisessa systeemissä. Diffuusio yksiulotteisessa epäjärjestäytyneessä hilassa E J ii, J ii, + 0 E b, i E i i i i+ x Kuva.:
1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet
VAASAN YLIOPISTO/AVOIN YLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia 1 KURSSIKYSELYAINEISTO: 1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka
1.9 Harjoituksia. Frekvenssijakaumien harjoituksia. MAB5: Tilastotieteen lähtökohdat. a) Kaikki aakkoset b) Kirjaimet L, E, M, C, B, A ja i.
MAB5: Tilastotieteen lähtökohdat 1.9 Harjoituksia 1.1 Ulkolämpömittari näytti eilen 10 C ja tänään 20 C. Onko tänään kaksi kertaa niin kylmä kuin eilen? Miksi tai miksi ei? 1.2 Minkä luokkien muuttujia
ASIAKASKOHTAINEN SUHDANNEPALVELU. Lappeenranta 1.10.2008. - Nopeat alueelliset ja toimialoittaiset suhdannetiedot
ASIAKASKOHTAINEN SUHDANNEPALVELU - Nopeat alueelliset ja toimialoittaiset suhdannetiedot Tiina Karppanen (09) 1734 2656 palvelut.suhdanne@tilastokeskus.fi Lappeenranta 1.10.2008 1.10.2008 A 1 Mihin suhdannetietoja
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
Esimerkkejä vaativuusluokista
Esimerkkejä vaativuusluokista Seuraaville kalvoille on poimittu joitain esimerkkejä havainnollistamaan algoritmien aikavaativuusluokkia. Esimerkit on valittu melko mielivaltaisesti laitoksella tehtävään
χ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut
Mat-2.091 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Yhteensopivuuden testaaminen Homogeenisuuden testaaminen Riippumattomuuden testaaminen Avainsanat: Estimointi, Havaittu frekvenssi, Homogeenisuus,
7 Osa 7: Pidempiä esimerkkejä R:n käytöstä
7 Osa 7: Pidempiä esimerkkejä R:n käytöstä R:n pääasiallinen käyttö monelle on tilastollisten menetelmien suorittaminen. Käydään nyt läpi joitain esimerkkitilanteita, alkaen aineiston luvusta ja päättyen
RYHMÄKERROIN ÄÄNILÄHDERYHMÄN SUUNTAAVUUDEN
ÄÄNILÄHDERYHMÄN SUUNTAAVUUDEN ARVIOINNISSA Seppo Uosukainen, Jukka Tanttari, Heikki Isomoisio, Esa Nousiainen, Ville Veijanen, Virpi Hankaniemi VTT PL, 44 VTT etunimi.sukunimi@vtt.fi Wärtsilä Finland Oy
KURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun se kelpaa kyllä!
VAASAN YLIOPISTO/KESÄYLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia A KURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun
Osa 15 Talouskasvu ja tuottavuus
Osa 15 Talouskasvu ja tuottavuus 1. Elintason kasvu 2. Kasvun mittaamisesta 3. Elintason osatekijät Suomessa 4. Elintason osatekijät OECD-maissa 5. Työn tuottavuuden kasvutekijät Tämä on pääosin Mankiw
6.2.3 Spektrikertymäfunktio
ja prosessin (I + θl + + θl q )ε t spektritiheysfunktio on Lemman 6. ja Esimerkin 6.4 nojalla σ π 1 + θ 1e iω + + θ q e iqω. Koska viivepolynomien avulla määritellyt prosessit yhtyvät, niin myös niiden
Eksponentti- ja logaritmifunktiot
Eksponentti- ja logaritmifunktiot Eksponentti- ja logaritmifunktiot liittyvät läheisesti toisiinsa. Eksponenttifunktio tulee vastaan ilmiöissä, joissa tarkasteltava suure kasvaa tai vähenee suhteessa senhetkiseen
Yleistetyistä lineaarisista malleista
Yleistetyistä lineaarisista malleista Tilastotiede käytännön tutkimuksessa -kurssi, kesä 2001 Reijo Sund Klassinen lineaarinen malli y = Xb + e eli E(Y) = m, jossa m = Xb Satunnaiskomponentti: Y:n komponentit
Ohjelmistoradio tehtävät 4. P1: Ekvalisointi ja demodulaatio. OFDM-symbolien generoiminen
Ohjelmistoradio tehtävät 4 P: Ekvalisointi ja demodulaatio Tässä tehtävässä dekoodata OFDM data joka on sijotetty synknonontisignaalin lälkeen. Synkronointisignaali on sama kuin edellisessä laskutehtävässä.
y=-3x+2 y=2x-3 y=3x+2 x = = 6
MAA Koe, Arto Hekkanen ja Jussi Tyni 5.5.015 Loppukoe LASKE ILMAN LASKINTA. 1. Yhdistä kuvaaja ja sen yhtälö a) 3 b) 1 c) 5 d) Suoran yhtälö 1) y=3x ) 3x+y =0 3) x y 3=0 ) y= 3x 3 5) y= 3x 6) 3x y+=0 y=-3x+
LOKAN JA PORTTIPAHDAN TEKOJÄRVIEN KALOJEN ELOHOPEAPITOISUUDEN TARKKAILU VUONNA 2012
LOKAN JA PORTTIPAHDAN TEKOJÄRVIEN KALOJEN ELOHOPEAPITOISUUDEN TARKKAILU VUONNA 2012 JOHANNA MEHTÄLÄ 2014 TARKKAILUN PERUSTA Lokan ja Porttipahdan tekojärvien kalaston elohopeapitoisuuksien tarkkailu perustuu
Tilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä
Tilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä Sisältö Riippumattomuus Jos P(A B) = P(A)P(B), niin tapahtumat A ja B ovat toisistaan riippumattomia. (Keskustelimme