Mat Sovelletun matematiikan erikoistyöt Spatiaalinen autokorrelaatio viljelykokeiden havainnoissa
|
|
- Sakari Salminen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Mat-.108 Sovelletun matematkan erkostyöt Spataalnen autokorrelaato vljelykokeden havannossa Emla Suomalanen 54755U
2 Ssällys 1 Johdanto 1 Vljelykokeden satodata 3 Spataalsen autokorrelaaton mttaamnen Posson-jakauma 3 3. Manteln autokorrelaatotest Varogramm Varogrammn johto Teoreettnen varogramm Emprnen varogramm 8 4 Spataalnen autokorrelaato vehnän satodatassa 9 5 Yhteenveto ja johtopäätökset 16 Lähdeluettelo 17 Lte 1. Satodata 18 Lte. Matlab-koodt 19
3 1 Johdanto Spataalnen tlastoanalyys on eräs tlastoteteen ertynen osa-alue, joka vodaan laajast määrtellä spataalsest korrelotuneen datan kästtelyyn soveltuven metoden joukoks. Spataalsen datan analysonta on kentes kästelty krjallsuudessa vähemmän kun usempa muta tlastoteteen haaroja ja sen soveltamnen vaatkn usen myös tavallsta enemmän tetokoneella suortettavaa smulonta. Spataalsen tlastoanalyysn sovelluskohteta ovat esmerkks kaupunksuunnttelu, ympärstöteteet, pakkatetojärjestelmät, terveydenhuolto ja jopa krmnologa (Messner et al. 1999). Spataalsen tlastoanalyysn avulla vodaan mm. tarkastella objekten sjanten muodostama kuvota, mtata spataalsta autokorrelaatota ja määrttää kahden er muuttujan välnen spataalnen korrelaato. Spataalsen autokorrelaaton kästteellä tarkotetaan maanteteellsest lähellä tosaan sjatseven alueden mustuttavan tosaan enemmän jonkn tutkttavan omnasuuden suhteen, kun kaukana tosstaan oleven. Tämän tutkmuksen pohjana on käytetty vehnän satomttauksa, jossa esntyy satunnasvahtelua. Satoarvojen vahtelu on lmasest korrelotunutta sten, että läheltä tosaan sjatsevlta koelohkolta saadaan tosaan mustuttava satunnaspokkeama, kun taas kaukana tosstaan sjatsevlla lohkolla e ole vastaavaa yhteyttä. Spataalnen korrelaato aheuttaa hankaluuksa koetulosten analysonnlle, esmerkks satomäären vertalulle. Tavallset vertalumenetelmät, kuten varanssanalyys, tomvat oletuksella, että datassa esntyvät satunnasvrheet ovat rppumattoma, ja sks näden menetelmen soveltamnen olskn kyseenalasta. Työ tärkempä tutkmuskohteta ovat satodatan spataalsen autokorrelaaton vomakkuus ja sen mahdollnen vakutusalue. Spataalsen autokorrelaaton tutkmseks estetäänkn kolme erlasta tapaa: Posson-jakauman omnasuuksn perustuva testsuure, Manteln autokorrelaatotest ja varogrammmenetelmä. Työn kuluessa kutenkn lmenee, ette spataalsen autokorrelaaton testaamnen ana ole täysn ongelmatonta. 1
4 Vljelykokeden satodata Tutkmuksen pohjana on käytetty vehnän satodataa Aberdeenstä, Idahosta vuodelta 197. Tutkmuskohteena olleeseen peltoon kylvettn vehnää 15 jalkaa (non 4,57 m) ptkn rvehn, jotka olvat tosstaan 1 tuuman (non 30,5 m) etäsyydellä. Alkuperästä dataa löyty yhteensä 1500 rvltä. Tässä työssä rajotutaan kutenkn tarkastelemaan satodataa van 150 rvltä. Valttuja rvä ol ptuussuunnassa rnnakkan vs kappaletta ja pystysuunnassa allekkan 30. Koejärjestelyt ja valttujen rven sjant suhteessa tosnsa näkyvät kuvassa 1. Vehnäsato mtattn rvettän ja saadut jyvämäärät on estetty ltteessä 1. Laskettujen vljamäären tarkkuudesta e alkuperäsessä lähteessä estetty vttetä; välllä tulokset ol merktty mustn vden jyvän tarkkuudella, välllä avan ykstyskohtasest. (Andrews & Herzberg 1985.) Kuva 1. Vljelykokeen koejärjestely. Vehnän satodataa tutkttaessa on knnostavaa selvttää, löytyykö datasta spataalsta rppuvuutta, kuten vos olettaa. Spataalnen rppuvuus vo lmetä esmerkks sten, että suuret jyvämäärät ovat keskttyneet ryppäsn lähelle tosaan (lusterng) ta että ne ovat levttäytyneet tasasest koko alueen yl (unformty). Vastaavast tarkastelussa vodaan keskttyä penn jyvämäärn. Nollahypoteesna on, että satodatan mtatut arvot ovat jakautuneet tutkttavalle alueelle satunnasest. Käytännön kannalta ols tetyst myös knnostavaa selvttää, mstä datassa mahdollsest esntyvät spataalset kuvot aheutuvat.
5 3 Spataalsen autokorrelaaton mttaamnen Spataalsta autokorrelaatota lukumäärädatassa vodaan mtata kolmella er kenolla. Lukumäärädatalla tarkotetaan, että tarkasteltava alue on jaettu ruutuhn ja havannot ovat tarkasteltaven objekten lukumäärä ruudussa. Ensmmänen tapa tutka spataalsta korrelaatota on testata, noudattavatko havantojen lukumäärät Posson-jakaumaa. Tonen tapa on Mantel-test, joka vertaa datan autokorrelaatota randomsaatotestn antamn tuloksn. Kolmas keno on varogramm-lähestymstapa, jossa tutkttavaan anestoon sovtetaan spataalsen korrelaaton käyttäytymsestä kertova varogrammkäyrä. 3.1 Posson-jakauma Eräs satodataa koskeva hypotees, jota vomme testata, on, onko jokasella satoarvolla yhtä suur mahdollsuus joutua mnne tahansa mttausalueelle rppumatta tossta tulokssta. Jos tämä ptää pakkansa, mtatut satomäärät x noudattavat Posson-jakaumaa mssä x e P( x), (1) x! on jyven lukumäärän odotusarvo. Eräs Posson-jakauman omnasuukssta on, että varanss on yhtä suur kun odotusarvo. Sten jos x ja s ovat otoskeskarvo ja -varanss, suhteen s R () x tuls olla non yks. Jos R:n arvot ovat paljon ykköstä suurempa, mtatut arvot ovat jakautuneet alueelle paljon tasasemmn, kun Posson-jakauman perusteella on oletettua. Jos puolestaan R:n arvot ovat paljon ykköstä penempä, esntyy datassa arvojen keskttymstä ryppäsn. Standardtest R:n vertaamseks ykköseen saadaan tutkmalla, noudattaako testsuure T R1 (3) n1 t-jakaumaa vapausastella df = n 1. n on tässä vljeltyjen rven kokonasmäärä. (Manly 001.) 3. Manteln autokorrelaatotest Vakka mtatut satomäärät evät noudattaskaan Posson-jakaumaa, ne vovat slt olla spataalsest satunnasest jakautuneta snä melessä, että ne ovat jakautuneet rvelle tosstaan rppumatta, efektvsest satunnasest. Datassa e sten esnny samankaltasten arvojen keskttymstä yhteen, ekä myöskään nden tasasta jakautumsta koko mttausalueelle. Tällasen hypoteesn testaukseen vodaan käyttää Manteln matrsmuotosta satunnasuustestä. (Manly 001.) Jos otantaykskötä on yhteensä n kappaletta, kuvaa yksköden ja j välstä etäsyyttä arvo d j. Etäsyydet vodaan laskea kaklle otantaykskölle ja järjestää matrsks 3
6 0 d D d n d,1 1,1 n,1 d d 1, 0 n, d d d 1,3,3 n1, n d 0 n, n1 d d d 1, n, n n1, n 0. (4) Tämä maanteteellsä etäsyyksä kuvaava matrs D on symmetrnen, d j = d j, ja sen dagonaal muodostuu nollsta. (Manly 001.) Mtatulle satomäärlle x vodaan myös muodostaa matrs 0 C n,1 1,1 n,1 1, 0 n, 1,3,3 n1, n 0 n, n1 1, n, n n1, n 0, (5) jossa elementt j kuvaa otantayksköden ja j satomäären välsen erotuksen tsesarvoa j x x. (6) j Myös matrs C on symmetrnen. (Manly 001.) Matrsen C ja D avulla spataalsta korrelaatota vodaan tarkastella tutkmalla Pearsonn korrelaatokertomen arvoja parelle (d,1,,1 ), (d 3,1, 3,1 ), (d 3,, 3, ),..., (d n,n-1, n,n-1 ). Postvnen autokorrelaato vttaa tosaan lähellä oleven havantojen saavan samankaltasa arvoja. Korrelaatokerronta vastaava P-arvo vodaan arvoda randomsaatotestn avulla: parelle saadun korrelaaton suuruutta verrataan vastaavaan arvoon, joka on laskettu otantayksköhn satunnasest jakautunelle satoarvolle. Tavallnen korrelaatokertomen merktsevyyden T-test e ole mahdollnen, sllä havantopart evät ole rppumattoma havantoja d:n ja :n yhtesjakaumasta. (Manly 001.) Tarkastelussa vodaan myös käyttää etäsyyksen d j sjasta nden käänteslukuja 1/d j ja määrttää, onko nden ja arvojen j välllä merkttävää negatvsta korrelaatota. Tätä muunnosta käytetään sks, että jos spataalsta rppuvuutta esntyy, samankaltaset arvot ovat yleensä lähellä tosaan sen sjaan, että erlaset arvot olsvat tosstaan kaukana. (Manly 001.) 3.3 Varogramm Varogrammn johto Kun X ja X j ovat satunnasmuuttujen er kohdssa mtattuja arvoja, nden erotuksen puolkkaan nelön odotusarvo on E 0,5( X X ) 0,5 ( X ) ( X )( X ) ( X ) 0,5Var ( X j ) Cov( X, X j ) 0,5Var ( X Jos varanss on molemmssa kohdssa sama, saadaan edelleen E 0,5( X X ) ( Cov( X, X )) j j 4. (8) ). j j (7)
7 Satunnasmuuttujen X ja X j välnen korrelaato on jollon saadaan Cov( X, X j ) X, X j, (9) E 0,5( X X ) (1 ( X, X )). (10) j Jos X :n ja X j :n välsen korrelaaton vodaan olettaa rppuvan anoastaan nden välsestä etäsyydestä h, yhtälö (10) vodaan krjottaa muotoon j ( h) (1 ( h)). (11) Yhtälöä (11) kutsutaan muuttujan X varogrammks. Stä kutsutaan joskus myös semvarogrammks, sllä yhtälö (10) on usen kerrottu kahdella. (Manly 001.) Heman erlanen määrtelmä (sem)varogrammlle löytyy esmerkks Hanngn (1990, 68) teoksesta. Edellsä kaavoja muodostettaessa on tehty kaks oletusta. Ensmmänen on, että suureen X odotusarvo on koko tarkastelualueessa on vako (frst order statonarty). Toseks oletetaan, että varanss on koko tarkastelualueessa vako ja että spataalsen korrelaaton arvo psteden välllä rppuu anoastaan nden välsestä etäsyydestä (seond order statonarty). Tonen oletus vodaan myös muotolla tosn vaatmalla, että X :n ja X j :n kovaranss on koko alueessa anoastaan psteden välsen etäsyyden funkto. (Hanng 1990, Manly 001.) Varogrammn (11) avulla vodaan tarkastella korrelaaton käyttäytymstä etäsyyden funktona. Varogrammn käyttäytymsellä on eräs tärkeä omnasuus. Kun etäsyys kasvaa, spataalnen korrelaato penenee ja kun etäsyys h on tarpeeks suur, korrelaato lähestyy nollaa ( h) 0. (1) h Tällön puolestaan varogramm lähestyy varanssn arvoa el ( h ) h. (13) Varogramm (h) on funkto, jonka avulla vodaan mtata mttaustulosten kasvava eroja mttausparen muuttuessa yhä kaukasemmks. Tätä omnasuutta vodaan myös tutka prtämällä mtatulle satodatan arvolle x ja x j laskettu varanssestmaatt D,5x x (14) j 0 j rven välsen etäsyyden funktona (kuva ). Vljelydatalle prretyn kuvan perusteella on kutenkn hukan vakea sanoa, kasvavatko D j :n arvot todella otantayksköden el rven välsen etäsyyden kasvaessa. (Hanng 1990, Manly 001.) 5
8 Kuva. Varogrammplv el varanssestmaatt (14) etäsyyden funktona. Kuvaa kutsutaan tavallsest varogrammplveks, sllä tse varogramm on datan läp kulkeva käyrä, joka kertoo D j :n keskarvon otantayksköden etäsyyden funktona. Varogramm vodaan määrttää joko emprsest ta teoreettsest. Kokeellnen varogramm määrtetään tasottamalla dataa trn esntuomseks. Teoreettnen varogramm puolestaan saadaan sovttamalla dataan sopva matemaattnen funkto tavallsest tettyjen standardfunktoden joukosta. (Manly 001.) 3.3. Teoreettnen varogramm Varogrammlle tyypllsä prtetä ovat vakoterm (sll), kynnysarvo (nugget effet) ja vakutusalue (range of nfluene). Kynnysarvon olemassaolo johtuu stä, että vakka mttauspsteet ja j olsvatkn hyvn lähellä tosaan, saadut arvot x ja x j eroavat tavallsest tosstaan, sllä suureen 0,5(x x j ) odotusarvo on suuremp kun nolla. Varogrammkäyrän saavuttama maksmarvo el vakoterm vastaa varanssn arvoa. Vakutusalue kuvaa puolestaan etäsyyttä, jolla kahden mttauspsteen saama arvoja vodaan ptää rppumattomna. Vakutusalue vodaan määrtellä esmerkks etäsyytenä, jossa varogrammkäyrän arvo on 95 % vakoarvon ja kynnysarvon välsestä erosta. Kuvassa 3 on estetty tyypllnen mallvarogramm. (Manly 001.) 6
9 7 Kuva 3. Gaussnen varogrammmall. Varogrammlle h on olemassa useta matemaattsa malleja. Eräs nästä on gaussnen mall (Manly 001) 3 1 ) ( ) ( a h e S h, (15) mssä on kynnysarvo, S vakoarvo ja a vakutusalue. Kun h = 0, eksponentaalterm saa arvon yks ja varogramm puolestaan arvon. Kun h on hyvn suur, eksponentaalterm lähestyy nollaa ja () = S. Kun h = a, eksponentaalterm saa arvon e -3 0,050 ja varogrammn yhtälöks tulee ) 0,95( ) ( S h. (16) Muta usen käytettyjä malleja ovat pallofunktomall,,, ) ( ) ( 3 muuten a h a h a h S h (17) eksponenttfunktomall a h e S h 3 1 ) ( ) ( (18) ja potenssmall
10 w. (19) ( h) Ah Lsää varogrammmalleja löytyy esmerkks Hanngn (1990, 97) teoksesta. Kakssa nässä mallessa kuvaa kynnysarvoa. Pallo- ja eksponenttfunktomallessa on myös vakoarvo S, kun taas potenssmalln arvot kasvavat rajatta h:n kasvaessa. Pallofunktomall saavuttaa vakoarvon, kun h = a, eksponenttmalllle vakutusalue on (a) = + 0,95(S ) ja potenssmalllle vakutusalue on ääretön. (Manly 001.) Emprnen varogramm Havantoaneston varogramm määrtetään yleensä emprsest tasottamalla anesto sopvalla tavalla, esmerkks jakamalla se etäsyysluokkn, ja laskemalla varogrammestmaatt kaavalla j, j! N( h) ( x x ) ˆ ( h) (0) D h jokaselle luokalle. Kaavassa (0) h on luokkakeskus, D h dskretontväl ja N(h) luokkaan kuuluven havantojen lukumäärä. Summassa käydään läp kakk luokkaan kuuluvat pstepart. Kaavassa (0) estetty estmaatt on kutenkn harhanen. Harhaton, ns. Cresse Hawkns-estmaatt saadaan kaavalla (Hanng 1990, 4) mssä N( h) 1 1 f ˆ ( h) x x j, (1) N( h), j! D h 1 0,494 0,045 f N( h) 0,457 ( ) ( ). () N h N h Dskretontväl D h vodaan valta kahdella er tavalla. Se, kump strategosta on sovelaamp, rppuu tehtävästä. Vahtoehdot ovat (Manly, 001): 1. D h :n ptuus vodaan asettaa knteäks, jollon havantojen määrä er dskretontvälellä vahtelee.. Havantojen määrä N(h) asetetaan knteäks, jollon D h :n ptuus muuttuu välettän. Kun paras vahtoehto dskretonnlle on valttu, sovtetaan saatuun estmaattn sopva teoreettnen varogrammmall. Mallvarogrammn parametrt a, ja S vodaan määrttää esmerkks valtsemalla yhden arvo ja estmomalla loput termt PNS-menetelmällä. PNS-menetelmässä tosn oletetaan, että varanss on sama jokasella dskretontvälllä, mkä e pdä pakkaansa, jos dskretontpsteden määrä välettän e ole vako. 4 8
11 4 Spataalnen autokorrelaato vehnän satodatassa Vljelydatan otoskeskarvoks ja -varanssks saadaan non x = 53,17 ja s = 5061,77. Satoarvojen Posson-jakautumsta testattaessa testsuureen T (kaava 3) arvo on sten n. 73,466. t-jakaumasta testsuuretta vastaavaks P-arvoks vapausastella 149 saadaan 0,000, joten satomäären jakautumnen pellon vakohn e ole Posson-jakauman mukanen. Tämän jälkeen tutkttn Mantel-testn avulla satomttausten erotusten tsesarvojen korrelaatota otantayksköden etäsyyksen kanssa (kuva 4). Kuvassa on ehkä havattavssa levää postvsta korrelaatota. Matrselle D ja C (kaavat 4 ja 5) lasketuks Pearsonn korrelaatokertomeks saadaan 0,03. Kun satomäärät jaetaan rvehn täysn satunnasest, suurmman korrelaatokertomen arvoks saadaan 1000 smulaaton jälkeen 0,009. Tämän perusteella spataalnen korrelaato on suuremp kun nolla rsktasolla 0,000. Rsktaso saadaan määrtettyä stä, että sekottamalla satomatrs 1000 kertaa e saada yhtään yl arvon 0,03 olevaa korrelaatota matrsen C ja D vällle (kuva 5). Testssä jouduttn tyytymään 1000 smulaatoon, jotte Matlabn laskenta-aka kasvas kohtuuttomaks. Käyttämän Matlab-kood löytyy ltteestä. Kuva 4. Satomttausten erotuksen tsesarvo etäsyyden funktona. 9
12 Kuva 5. Hstogrammt matrselle C, D ja D saadulle korrelaatokertomlle. D -matrs ssältää etäsyyksen kääntesluvut 1/d j. Spataalsen korrelaaton olemassaolosta todstaa myös etäsyyksen kääntesluvulle 1/d j tehty Mantel-test (kuva 6). Kuvan perusteella korrelaaton vos arvata olevan leväst negatvnen. C:n ja D :n (etäsyyksen kääntesluvut ssältävä matrs) korrelaatoks saadaan 0,079. Kun randomsaatotest suortetaan 1000 kertaa, penmmäks korrelaatokertomeks saadaan 0,065. Korrelaatota 0,079 vastaava P-arvo on sten 0,000 ja korrelaato on tlastollsest merktseväst negatvnen. Korrelaatokerronten jakauma näkyy kuvassa 5. 10
13 Kuva 6. Satomttausten erotuksen tsesarvo etäsyyden kääntesluvun funktona. Vos olettaa, ette varogrammn estmont käyttäen knteää dskretontvälä (Matlabkood ltteessä ) ole vljelydatalle tomva ratkasu, sllä otantayksköden välsten etäsyyksen jakauma on hyvn epätasanen (kuva 7). Osalle dskretontvälestä tulee sten hyvn suur määrä pstetä ja toslle puolestaan hyvn vähän. Kuva 8 estmodusta varogrammesta, kun dskretontvälejä on 10, 11, 14 ta 16 kappaletta, osottaakn, ette lähestymstapa kakssa tapauksssa tom. Varogrammkuvaajan onnstumnen rppuu kutenkn suurest valtusta dskretontvälen lukumäärästä ts. dskretontväln ptuudesta; esmerkks kun välejä on 10, varogrammkuvaajan arvojen varanss on hyvn suurta, kun taas 11 välllä emprsen varogrammn pstesn vos jo sovttaa teoreettsen varogrammmalln. Jos dskretontvälejä on yl 16 kappaletta, osalle nstä e osu enää yhtään dskretontpstettä. Varogrammen estmont on suortettu Cresse Hawknsestmaatn (1) avulla. 11
14 Kuva 7. Hstogramm otantayksköden välslle etäsyykslle. Kuva 8. Estmodut varogrammt, kun dskretontvälejä ol 10, 11, 14 ta 16 kappaletta. 1
15 Koska 11 dskretontvälllä (D h = 1,8465 m) prretty emprnen varogramm vakutt arvojen varanssn kannalta parhammalta, se valttn teoreettsen varogrammn sovtuksen perustaks. Varogrammn kuvan perusteella eksponettfunktomall ta gaussnen mall vakuttas sopvmmalta. PNS-sovtuksessa gaussnen mall (kuva 9) osottautu eksponenttfunktomalla paremmaks. Kynnysarvon oletettn sovtuksessa olevan nolla. Tämä e mahdollsest pdä avan tarkast pakkaansa, mutta vakutusalueen ta vakotermn (varanssn) estmont ol ollut velä vakeampaa. Vakutusalueeks saatn PNS-menetelmällä a = 4,0959 ja varanssks S = 5639,145; varogrammn yhtälö tulee sten muotoon 3h 4,0959 ( h) 5639,145 1 e. (3) Kuva 9. Emprnen varogramm (D h = 1,8465 m) ja shen sovtettu gaussnen varogrammkäyrä ( = 0, S 5640 ja a 4,03). Teoreettsen varogrammn (h) avulla spataalnen korrelaato (h) saadaan määrtettyä kaavalla ( h) ( h) 1. (4) Kuvasta 10 vodaankn todeta spataalsen korrelaaton hekkenevän melko nopeast ja katoavan lähes kokonaan, kun vljeltyjen alueden välnen etäsyys on suuremp kun vs meträ. Koska vljeltyjen rven välnen etäsyys ol tä läns-suunnassa n. 4,57 m, e rnnakkasten rven välnen korrelaato sten ole kovn vomakasta. Sen sjaan pohjos etelä-suunnassa vakojen välnen etäsyys ol van n. 30,5 m, joten spataalsta korrelaatota esntyy jopa 16 rvn matkalla. 13
16 Kuva 10. Spataalnen korrelaato etäsyyden funktona. Varogrammn estmonnn vos olettaa onnstuvan paremmn, kun dskretontpsteden sjasta vakona pdetäänkn dskretontvällle osuven psteden lukumäärää (käyttämän Matlab-kood ltteessä ). Tämä lähestymstapa osottautu kutenkn ongelmallseks, kuten kuvasta 11 vodaan todeta. Emprnen varogramm e muodostanut kasvavaa funktota mllään kokellulla dskretontpsteden määrällä, vaan varogrammn arvojen varanss ol hyvn suurta. Teoreettsen varogrammkäyrän sovttamnen saatuhn pstesn e vakuttanutkaan melekkäältä. 14
17 Kuva 11. Estmodut varogrammt dskretontpsteden lukumäärllä N(h) = 1500, 1875, 50 ja
18 5 Yhteenveto ja johtopäätökset Vehnän satodatassa havattn Mantel-testn perusteella selvä postvnen maanteteellnen autokorrelaato el tosaan lähellä olevat mttaukset myös tuottvat samankaltasa havantoja. Tähän tulokseen päädyttn tarkastelemalla korrelaatotestessä sekä havantoyksköden välsä etäsyyksä että nden käänteslukuja. Satomttaukset evät kutenkaan olleet jakautuneet havantoyksköhn Posson-jakaumaa noudattaen. Emprsen varogrammn muodostamnen osottautu sen sjaan hukan ongelmallseks. Vljelykokeden tuloksn koetettn sovttaa sekä varogramma, jonka dskretontväln ptuus ol vako, että käyrää, jossa dskretontvällle osuven psteden määrä ol knteä. Parhaaseen tulokseen päädyttn hukan yllättäen käyttämällä varogramma, jonka dskretontväln ptuus ol vako (D h 1,85 m) ja tähän dataan sovtettn myös gaussnen varogrammmall. Kun kynnysarvo oletettn nollaks, varogrammn vakutusalueeks saatn sovtuksessa a 4,03 m ja varanssks S Suurn osa spataalsesta autokorrelaatosta hävää sten jo non neljän metrn matkalla. Emprsen varogrammn määrttämsen onnstumnen dskretontvälltään vakoptuselle varogrammlle rppu huomattavast valtun dskretontväln ptuudesta. Ongelmat vo osttan selttää sllä, että välelle osuneden dskretontpsteden määrä vahtel huomattavast ja vält, jolla havantoja ol van vähän, väärstvät mahdollsest tlannetta. On kutenkn vakeampaa selttää ongelma varogrammssa, jossa dskretontpsteden määrä jokasella välllä ol sama; ehkäpä permmäsenä syynä vakeuksn olkn käytetyn datan rakenne. Ongelman ols vonut yrttää ratkasta esm. ottamalla käyttöön suuremman osa alkuperäsestä datasta ta valtsemalla havannot er kohdasta alkuperästä tutkmusaluetta. Eräs syy vakeuksn olvat ehkä myös tutkmusalueden er dmensoden suuret kokoerot (ks. esm. Hanng 1990, 47 49). Vljeltyjen vakojen välset etäsyyden olvat pohjos etelä-suunnassa hyvn penä, kun taas vakojen muodostamen sarakkeden välset etäsyydet olvat yl kymmenen kertaa suuremmat. Tässä työssä saatuja tuloksa vos käyttää hyödyks esmerkks suunnteltaessa pellon lannotusta ta kalktusta. Tulosten avulla vodaan myös tutka er maalajen ta vljan kasvuun kohdstuven uhken, kuten varjosuuden, epäonnstuneen salaojtuksen ta puutteellsen lannotuksen, vakutusta vehnäsatoon. Kaken kakkaan spataalnen tlastoanalyys onkn käytännön vakeukssta huolmatta hyödyllnen työkalu tutkttaessa maanteteellseen pakkaan sdotun datan omnasuuksa. 16
19 Lähdeluettelo Andrews, D. F. & Herzberg, A. M. (1985) Data A Colleton of Problems from Many Felds for the Student and Reseah Worker. Sprnger-Verlag. Hanng, R. (1990) Spatal Data Analyss n the Soal and Envronmental Senes. Cambrdge Unversty Press. Manly, B. J. (001) Statsts for Envronmental Sene and Management. Chapman and Hall/CRC. Messner, S., Anseln L., Baller R., Hawkns D., Deane G. & Tolnay S. (1999) The Spatal Patternng of County Homde Rates: An Applaton of Exploratory Spatal Data Analyss. Journal of Quanttatve Crmnology 15:
20 Lte 1. Satodata Rvettän mtatut satomäärät. Rv/Sarake
21 Lte. Matlab-koodt Mantel-test funton [korrelaato,maksm,korrelaatot,korrelaato,mnm,... korrelaatot]=mantel funton [korrelaato,maksm,korrelaatot,korrelaato,manm, korrelaatot]=mantel Emla Suomalanen 4/004 Matlab-funkto, joka suorttaa Manteln autokorrelaatotestn satodatalle. Output: korrelaato = satodatalle laskettu korrelaato maksm = Mantel-testn suurn korrelaato korrelaatot = kakk Mantel-testn korrelaatot korrelaato = satodatalle ja etäsyyden kääntesluvulle laskettu korrelaato mnm = Mantel-testn suurn korrelaato (etäsyyden kääntesluvulle) korrelaatot = kakk Mantel-testn korrelaatot (etäsyyden kääntesluvulle) Tarvttavat tedostot: satodata.txt = satodata 500 x 1 vektorssa sato=load('satodata.txt'); tuuma=1*.54/100; rven välnen etäsyys metressä jalka=15*30.48/100; sarakkeden välnen etäsyys metressä n=1; C- ja D-matrsen muodostus for =1:150 for j=1:150 r1=1; m=1; whle /5/m > 1 r1=r1+1; m=m+1; r=1; m=1; whle j/5/m > 1 r=r+1; m=m+1; 1=rem(,5); =rem(j,5); ero1=abs(r1-r); ero=abs(1-); f (rem(j,5)==0) (rem(,5)==0) ero=5-rem(j,5)-rem(,5); f (rem(j,5)==0) & (rem(,5)==0) ero=0; D(,j)=sqrt((tuuma*ero1)^+(jalka*ero)^); C(,j)=abs(sato()-sato(j)); f ==j D(,j)=0; else D(,j)=1/D(,j); 19
22 C(n)=C(,j); satodatan erotusvektor n=n+1; k=orroef(c,d); korrelaato=k(1,); k=orroef(c,d); korrelaato=k(1,); satunnastest: for m=1:1000 satuvektor=randperm(150*150); n=1; for o=1:150 for p=1:150 rand_c(o,p)=c(satuvektor(n)); n=n+1; k1=orroef(rand_c,d); k=orroef(rand_c,d); rand_korrelaato(m)=k1(1,); rand_korrelaato(m)=k(1,); korrelaatot=sort(rand_korrelaato); korrelaatot=sort(rand_korrelaato); maksm=max(rand_korrelaato); mnm=mn(rand_korrelaato); 0
23 Varogramm (dskretontväln ptuus vako) funton [vg,x,n,d]=varogramm(max_h) funton [vg,x,n,d]=varogramm(max_h) Emla Suomalanen 4/004 Matlab-funkto, joka laskee varogrammn, kun maksmaalnen etäsyys on jaettu dskretontvälehn, jota on max_h kpl. Input: max_h = dskretontväln ptuus Output: vg = varogrammvektor x = etäsyysvektor N = dskretontpsteden määrä per väl d = dskretontväln ptuus (vako) Tarvttavat tedostot: satodata.txt = satodata 500 x 1 vektorssa etasyydet.txt = etäsyysdata 500 x 1 vektorssa D.txt = etäsyysdata 150 x 150 matrsssa sato=load('satodata.txt'); etasyydet=load('etasyydet.txt'); et=sort(etasyydet); D=load('D.txt'); for h=1:max_h N(h)=0; d=0.31/max_h; for =1:500 f et()<d*h & et()>=d*(h-1) N(h)=N(h)+1; =+1; f(h)=1/( /n(h)+0.045/n(h)^); summa=0; for =1:150 for j=1:150 f D(,j)<=d*h & D(,j)>d*(h-1) summa=summa+sqrt(abs(sato()-sato(j))); vg(h)=0.5*f(h)*(summa/n(h))^4; x=d:d:(0.31); 1
24 Varogramm (dskretontpsteden määrä vako) funton [vg,d]=varogramm(n) funton [vg,d]=varogramm(n) Emla Suomalanen 4/004 Matlab-funkto, joka laskee varogrammn, kun jokasen väln dskretontpsteden määrä on N. Input: N = dskretontpsteden määrä (vako) Output: vg = varogrammvektor d = etäsyysvektor Tarvttavat tedostot: satodata.txt = satodata 500 x 1 vektorssa etasyydet.txt = etäsyysdata 500 x 1 vektorssa D.txt = etäsyysdata 150 x 150 matrsssa sato=load('satodata.txt'); etasyydet=load('etasyydet.txt'); et=sort(etasyydet); D=load('D.txt'); max_h=150*150/n for h=1:max_h d(h)=et(n*h); f(h)=1/( /n+0.045/n^); summa=0; for =1:150 for j=1:150 f h==1 & D(,j)<=d(h) summa=summa+sqrt(abs(sato()-sato(j))); elsef D(,j)<=d(h) & D(,j)>d(h-1) summa=summa+sqrt(abs(sato()-sato(j))); vg(h)=0.5*f(h)*(summa/n)^4; fgure; ttle(['dskretontpsteden määrä: ' ntstr(n)]); hold on; grd; plot(d,vg,'ob');
Mat Sovelletun matematiikan erikoistyö Spatiaalisen autokorrelaation testaaminen. Esa-Pekka Horttanainen 41867M
Mat-.108 Sovelletun matematkan erkostyö Spataalsen autokorrelaaton testaamnen Esa-Pekka Horttananen 41867M 18. syyskuuta 003 Ssältö 1 Johanto... Spataalnen autokorrelaato... 3.1 Mantel-test autokorrelaatolle...
LisätiedotTimo Tarvainen PUROSEDIMENTIIANALYYSIEN HAVAINNOLLISTAMINEN GEOSTATISTIIKAN KEINOIN. Outokumpu Oy Atk-osasto
Tmo Tarvanen PUROSEDMENTANALYYSEN HAVANNOLLSTAMNEN GEOSTATSTKAN KENON Outokumpu Oy Atk-osasto PUROSEDMENTTANALYYSEN HAVANNOLLSTAMNEN GEOSTATSSTKAN KENON 1. Johdanto Nn sanotulla SKALAn alueella (karttaleht
Lisätiedot3.5 Generoivat funktiot ja momentit
3.5. Generovat funktot ja momentt 83 3.5 Generovat funktot ja momentt 3.5.1 Momentt Eräs tapa luonnehta satunnasmuuttujan jakaumaa, on laskea jakauman momentt. Ne määrtellään odotusarvon avulla. Määrtelmä
Lisätiedot1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä
Johdatus dskreettn matematkkaan Harjotus 3, 30.9.2015 1. Luvut 1, 10 on latettu ympyrän kehälle. Osota, että löytyy kolme verekkästä lukua, joden summa on vähntään 17. Ratkasu. Tällasa kolmkkoja on 10
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.204 Tlastollsen analyysn perusteet, kevät 2007 5. luento: Tlastollnen rppuvuus ja korrelaato Ka Vrtanen Muuttujen välsten rppuvuuksen analysont Tlastollsssa analyysessä tutktaan usen muuttujen välsä
LisätiedotMonte Carlo -menetelmä
Monte Carlo -menetelmä Helumn perustlan elektron-elektron vuorovakutuksen laskemnen parametrsodulla yrteaaltofunktolla. Menetelmän käyttökohde Monen elektronn systeemen elektronkorrelaato oteuttamnen mulla
LisätiedotTyön tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt
FYSP103 / 1 KAASUTUTKIMUS Työn tavotteta havannollstaa deaalkaasun tlanyhtälöä oppa, mten lman kosteus vakuttaa havattavn lmöhn ja mttaustuloksn kerrata mttauspöytäkrjan ja työselostuksen laatmsta Luento-
LisätiedotFYSA220/2 (FYS222/2) VALON POLARISAATIO
FYSA220/2 (FYS222/2) VALON POLARSAATO Työssä tutktaan valoaallon tulotason suuntasen ja stä vastaan kohtsuoran komponentn hejastumsta lasn pnnasta. Havannosta lasketaan Brewstern lan perusteella lasn tatekerron
Lisätiedot4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman
4. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 7..008 Thomas Hackman 4. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus Akasarja-anals 4. Tähtteteellsten
LisätiedotKynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto
Kynä-paper -harjotukset Tana Lehtnen 8.8.07 Tana I Lehtnen Helsngn ylopsto Etelä-Suomen ja Lapn lään, 400 opettajaa a. Perusjoukon (populaaton) muodostvat kakk Etelä-Suomen ja Lapn läänn peruskoulun opettajat
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.
MS-A0205/MS-A0206 Dfferentaal- ja ntegraallaskenta 2 Luento 7: Lagrangen kertojat. Penmmän nelösumman menetelmä. Jarmo Malnen Matematkan ja systeemanalyysn latos 1 Aalto-ylopsto Kevät 2016 1 Perustuu Antt
LisätiedotKuluttajahintojen muutokset
Kuluttajahntojen muutokset Samu Kurr, ekonomst, rahapoltkka- ja tutkmusosasto Tutkmuksen tausta ja tavotteet Tavaroden ja palveluden hnnat evät muutu jatkuvast, vaan ovat ana jossan määrn jäykkä lyhyellä
Lisätiedot3. Datan käsittely lyhyt katsaus
3. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento..0 Thomas Hackman HTTPK I, kevät 0, luento 3 3. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus
LisätiedotMat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:
Mat-.36 Tlastollnen päättely 7. harjotukset Mat-.36 Tlastollnen päättely 7. harjotukset / Tehtävät Aheet: Avansanat: ypoteesen testaus. lajn vrhe,. lajn vrhe, arhaton test, ylkäysalue, ylkäysvrhe, ypotees,
LisätiedotMTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN
MTTTP SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN Aesto kaavoje () (3), (9) ja () esmerkkeh Lepakot pakallstavat hyötesä lähettämällä korkeataajusta äätä Ne pystyvät pakallstamaa hyöteset
LisätiedotLohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4
TKK (c) lkka Melln (005) Koesuunnttelu TKK (c) lkka Melln (005) : Mtä opmme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Mten varanssanalyysssa tutktaan yhden tekän vakutusta vastemuuttujaan, kun
Lisätiedotr i m i v i = L i = vakio, (2)
4 TÖRMÄYKSET ILMATYYNYPÖYDÄLLÄ 41 Erstetyn systeemn sälymslat Kun kaks kappaletta törmää tosnsa ne vuorovakuttavat keskenään tetyn ajan Vuorovakutuksella tarkotetaan stä että kappaleet vahtavat keskenään
LisätiedotMittausvirhe. Mittaustekniikan perusteet / luento 6. Mittausvirhe. Mittausepävarmuus ja siihen liittyvää terminologiaa
Mttausteknkan perusteet / luento 6 Mttausepävarmuus ja shen lttyvää termnologaa Mttausepävarmuus = mttaustulokseen lttyvä parametr, joka kuvaa mttaussuureen arvojen odotettua vahtelua Mttauksn lttyvä kästtetä
LisätiedotUuden eläkelaitoslain vaikutus allokaatiovalintaan
TEKNILLINEN KORKEAKOULU Systeemanalyysn laboratoro Mat-2.108 Sovelletun matematkan erkostyö Uuden eläkelatoslan vakutus allokaatovalntaan Tmo Salmnen 58100V Espoo, 14. Toukokuuta 2007 Ssällysluettelo Johdanto...
LisätiedotMittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio?
Mttausteknkan perusteet / luento 7 Mttausepävarmuus Mttausepävarmuus Mttaustulos e ole koskaan täysn oken Mttaustulos on arvo mtattavasta arvosta Mttaustuloksen ja mtattavan arvon ero on mttausvrhe Mkäl
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.04 Tlastollsen analyysn perusteet, evät 007. luento: Johdatus varanssanalyysn S ysteemanalyysn Laboratoro Ka Vrtanen Kertaus: ahden rppumattoman otosen t-test () () Perusjouo oostuu ahdesta ryhmästä
LisätiedotTchebycheff-menetelmä ja STEM
Tchebycheff-menetelmä ja STEM Optmontopn semnaar - Kevät 2000 / 1 1. Johdanto Tchebycheff- ja STEM-menetelmät ovat vuorovakuttesa menetelmä evät perustu arvofunkton käyttämseen pyrkvät shen, että vahtoehdot
LisätiedotSuoran sovittaminen pistejoukkoon
Suora sovttame pstejoukkoo Ku halutaa tutka kahde tlastollse muuttuja rppuvuutta tosstaa, käytetää use leaarsta regressota el suora sovttamsta havatojoukkoo. Sä o aettu joukko havatopareja (x, y ), ja
LisätiedotJaksolliset ja toistuvat suoritukset
Jaksollset ja tostuvat suortukset Korkojakson välen tostuva suortuksa kutsutaan jaksollsks suortuksks. Tarkastelemme tässä myös ylesempä tlanteta jossa samansuurunen talletus tehdään tasavälen mutta e
Lisätiedot5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman
5. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 7.4.006 Thomas Hackman 5. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus Akasarja-anals 5. Tähtteteellsten
LisätiedotTyössä tutustutaan harmonisen mekaanisen värähdysliikkeen ominaisuuksiin seuraavissa
URUN AMMAIKORKEAKOULU YÖOHJE (7) FYSIIKAN LABORAORIO V.2 2.2 38E. MEKAANISEN VÄRÄHELYN UKIMINEN. yön tavote 2. eoraa yössä tutustutaan harmonsen mekaansen värähdyslkkeen omnasuuksn seuraavssa tapauksssa:
LisätiedotTyöllistääkö aktivointi?
Jyväskylän ylopsto Matemaatts-luonnonteteellnen tedekunta Työllstääkö aktvont? Vakuttavuusanalyys havannovassa tutkmuksessa Elna Kokkonen tlastoteteen pro gradu tutkelma 31. elokuuta 2007 Tlastoteteen
LisätiedotLIITE 2 SUORAN SOVITTAMINEN HAVAINTOPISTEISIIN
Oulun ylopsto Fyskan opetuslaboratoro Fyskan laboratorotyöt LIITE SUORA SOVITTAMIE HAVAITOPISTEISII Tarkastelemme fyskan tössä usen eteen tulevaa tlannetta, jossa olemme mtanneet kpl pstepareja ( X, Y
LisätiedotMittaustulosten käsittely
Mttaustulosten kästtely Vrhettä ja epävarmuutta lmasevat kästteet Tostokoe ja satunnasten vrheden tlastollnen kästtely. Mttaustulosten jakaumaa kuvaavat tunnusluvut. Normaaljakauma 7. Tostokoe ja suurmman
LisätiedotMarkov-prosessit (Jatkuva-aikaiset Markov-ketjut)
J. Vrtamo Lkenneteora a lkenteenhallnta / Markov-prosesst 1 Markov-prosesst (Jatkuva-akaset Markov-ketut) Tarkastellaan (statonaarsa) Markov-prosessea, oden parametravaruus on atkuva (yleensä aka). Srtymät
LisätiedotLuento 6 Luotettavuus Koherentit järjestelmät
Aalto-ylosto erustetede korkeakoulu Matematka a systeemaalyys latos Lueto 6 Luotettavuus Koherett ärestelmät Aht Salo Systeemaalyys laboratoro Matematka a systeemaalyys latos Aalto-ylosto erustetede korkeakoulu
Lisätiedot1 0 2 x 1 a. x 1 2x c b 2a c a. Alimmalta riviltä nähdään että yhtälöyhmällä on ratkaisu jos ja vain jos b 3a + c = 0.
BM20A5800 - Funktot, lneaaralgebra, vektort Tentt, 26.0.206. (a) Krjota yhtälöryhmä x + 2x 3 = a 2x + x 2 + 5x 3 = b x x 2 + x 3 = c matrsmuodossa Ax = b ja ratkase x snä erkostapauksessa kun b = 0. Mllä
LisätiedotMat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:
Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Artmeette keskarvo, Estmaatt,
Lisätiedot1, x < 0 tai x > 2a.
PHYS-C020 Kvanttmekankka Laskuharotus 2, vkko 45 Tarkastellaan ptkn x-aksela lkkuvaa hukkasta, onka tlafunkto on (x, t) Ae x e!t, mssä A, a! ovat reaalsa a postvsa vakota a) Määrtä vako A sten, että tlafunkto
LisätiedotYksikköoperaatiot ja teolliset prosessit
Ykskköoperaatot ja teollset prosesst 1 Ylestä... 2 2 Faasen välnen tasapano... 3 2.1 Neste/höyry-tasapano... 4 2.1.1 Puhtaan komponentn höyrynpane... 4 2.1.2 Ideaalnen seos... 5 2.1.3 Epädeaalnen nestefaas...
LisätiedotMat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut
Harjotus, esmerkkratkasut K 1. Olkoon f : C C, f(z) z z. Tutk, mssä pstessä f on dervotuva. Ratkasu 1. Jotta funkto on dervotuva, on sen erotusosamäärän f(z + ) f(z) raja-arvon 0 oltava olemassa ja ss
LisätiedotCOULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT
COUOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT SISÄTÖ: Coulombn voma Sähkökenttä Coulombn voman a sähkökentän laskemnen pstevaaukslle Jatkuvan vaauksen palottelemnen pstevaauksks
LisätiedotPuupintaisen sandwichkattoelementin. lujuuslaskelmat. Sisältö:
Puupntasen sandwchkattoelementn lujuuslaskelmat. Ssältö: Sandwch kattoelementn rakenne ja omnasuudet Laatan laskennan kulku Tulosten vertalua FEM-malln ja analyyttsen malln välllä. Elementn rakenne Puupntasa
Lisätiedot3.3 Hajontaluvuista. MAB5: Tunnusluvut
MAB5: Tunnusluvut 3.3 Hajontaluvusta Esmerkk 7 Seuraavat kolme kuvaa osottavat, että jakaumlla vo olla sama keskarvo ja stä huolmatta ne vovat olla avan erlaset. Kakken kolmen keskarvo on 78,0! Frekvenss
Lisätiedot5. Datan käsittely lyhyt katsaus
5. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 4..0 Thomas Hackman HTTPK I, kevät 0, luento 5 5. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus
LisätiedotTaustaa. Sekventiaalinen vaikutuskaavio. Päätöspuista ja vaikutuskaavioista. Esimerkki: Reaktoriongelma. Johdantoa sekventiaalikaavioon
Taustaa Sekventaalnen vakutuskaavo Sekventaalnen päätöskaavo on 1995 ovalun ja Olven esttämä menetelmä päätösongelmen mallntamseen, fomulontn ja atkasemseen. Päätöspuun omnasuukssta Hyvää: Esttää eksplsttsest
LisätiedotMaanhintojen vikasietoisesta mallintamisesta
Maanmttaus 8:-2 (2006) 5 Maanmttaus 8:-2 (2006) Saapunut 0.8.2005 ja tarkstettuna.4.2006 Hyväksytty 30.6.2006 Maanhntojen vkasetosesta mallntamsesta Marko Hannonen Teknllnen korkeakoulu, Kntestöopn laboratoro
LisätiedotKUVIEN LAADUN ANALYSOINTI
KUVIEN LAADUN ANALYSOINTI Lasse Makkonen 1.7.2003 Joensuun Ylopsto Tetojenkästtelytede Pro gradu tutkelma Tvstelmä Tutkelmassa luodaan katsaus krjallsuudessa esntyvn dgtaalsten kuven laadullsen analysonnn
LisätiedotTyön tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt
FYSP103 / 1 KAASUTUTKIUS Työn tavotteta havannollstaa deaalkaasun tlanyhtälöä oa, mten lman kosteus vakuttaa havattavn lmöhn ja mttaustuloksn kerrata mttausöytäkrjan ja työselostuksen laatmsta Luento-
LisätiedotOUTOKUMPU OY 0 K MALMINETSINTA. talta.
9 OUTOKUMPU OY 0 K MALMNETSNTA Tutkmusalueen sjant Tutkmusalue sjatsee Hyvelässä, n. 6 km:ä Porsta pohjoseen, Vaasa-ten täpuolella. Tarkemp sjant lmenee raportn etulehtenä olevalta :20 000 karw' talta.
LisätiedotJohdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematkkaan Informaatoteknologan tedekunta Jyväskylän ylopsto 4. luento 24.11.2017 Neuroverkon opettamnen - gradenttmenetelmä Neuroverkkoa opetetaan syöte-tavote-parella
LisätiedotLeikkijunan kunto toimiva ei-toimiva Työvuoro aamuvuoro päivävuoro iltavuoro
Lsätehtävä 1. Erään yrtyksen satunnasest valttujen työntekjöden possaolopäven määrät olvat vuonna 003: 5, 3, 1, 9, 0, 1, 3,, 19, 5, 19, 11,, 0, 4,, 1, 15, 4, 0,, 4, 3, 3, 8, 3, 9, 11, 19, 17, 14, 7 a)
LisätiedotModerni portfolioteoria
Modern portfoloteora Helsngn Ylopsto Kansantalousteteen Kanddaatntutkelma 4.12.2006 Juho Kostanen (013297143) juho.kostanen@helsnk.f 2 1. Johdanto... 3 2. Sjotusmarkknat... 4 2.1. Osakemarkknat... 4 2.2.
LisätiedotSähkökiukaan kivimassan vaikutus saunan energiankulutukseen
LAPPEENRANNAN ENILLINEN YLIOPISO eknllnen tedekunta LU Energa Sähkökukaan kvmassan vakutus saunan energankulutukseen Lappeenrannassa 3.6.009 Lass arvonen Lappeenrannan teknllnen ylopsto eknllnen tedekunta
LisätiedotYrityksen teoria ja sopimukset
Yrtyksen teora a sopmukset Mat-2.4142 Optmontopn semnaar Ilkka Leppänen 22.4.2008 Teemoa Yrtyksen teora: tee va osta? -kysymys Yrtys kannustnsysteemnä: ylenen mall Työsuhde vs. urakkasopmus -analyysä Perustuu
LisätiedotIlmari Juva. Jalkapallo-ottelun lopputuloksen stokastinen mallintaminen
Ilmar Juva 45727R Mat-2.108 Sovelletun matematkan erkostyö Jalkaallo-ottelun loutuloksen stokastnen mallntamnen 1 Johdanto Jalkaallo-ottelun loutuloksen mallntamsesta tlastollsn ja todennäkösyyslaskun
Lisätiedot= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2
HY / Matematka ja tlastotetee latos Tlastolle päättely II, kevät 28 Harjotus 3A Ratkasuehdotuksa Tehtäväsarja I Olkoot Y,, Y ja Nθ, ) Osota, että T T Y) Y 2 o parametr gθ) θ 2 harhato estmaattor Laske
LisätiedotTilastollisen fysiikan luennot
Tlastollsen fyskan luennot Tvstelmät luvuttan I PERUSKÄSITTEITÄ JA MÄÄRITELMIÄ Lämpö on systeemen mkroskooppsten osen satunnasta lkettä Lämpöenerga vrtaa kuumemmasta kappaleesta kylmempään Jos kaks kappaletta
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemaalyys laboratoro Mat-.9 Sovellettu todeäkösyyslasku A Nordlud Harjotus 8 (vko 45/3) (Ahe: Raja-arvolauseta, otostuuslukuja, johdatusta estmot, Lae luvut 9.5,.-.6). Olkoo X ~ p(λ), mssä λ
Lisätiedot3 Tilayhtälöiden numeerinen integrointi
3 Tlayhtälöden numeernen ntegront Alkuarvotehtävässä halutaan ratkasta lopputla xt f ) sten, että tlayhtälöt ẋ = fx,u, t) toteutuvat, kun alkutla x 0 on annettu Tlayhtälöden numeernen ntegront vodaan suorttaa
LisätiedotHallin ilmiö. Laatija - Pasi Vähämartti. Vuosikurssi - IST4SE. Tekopäivä 2005-9-14 Palautuspäivä 2005-9-28
Jyväskylän Aattkorkeakoulu, IT-nsttuutt IIF00 Sovellettu fyskka, Syksy 005, 4.5 ETS Opettaja Pas epo alln lö Laatja - Pas Vähäartt Vuoskurss - IST4SE Tekopävä 005-9-4 Palautuspävä 005-9-8 8.9.005 /7 LABOATOIOTYÖ
LisätiedotAamukatsaus 13.02.2002
Indekst & korot New Yorkn päätöskursst, euroa Muutos-% Päätös Muutos-% Helsnk New York (NY/Hel) Dow Jones 9863.7-0.21% Noka 26.21 26.05-0.6% S&P 500 1107.5-0.40% Sonera 5.05 4.99-1.1% Nasdaq 1834.2-0.67%
LisätiedotBL20A0600 Sähkönsiirtotekniikka
BLA6 Sähkönsrtoteknkka Tehonaon laskenta Jarmo Partanen LT Energy Electrcty Energy Envronment Srtoverkkoen laskenta Verkon tehonaon laskemnen srron hävöt ännteolosuhteet ohtoen kuormttumnen verkon käyttäytymnen
LisätiedotSähkön- ja lämmöntuotannon kustannussimulointi ja herkkyysanalyysi
Sähkön- ja lämmöntuotannon kustannussmulont ja herkkyysanalyys Pekka Nettaanmäk Osmo Schroderus Jyväskylän ylopsto Tetoteknkan latos 2010 1 2 Tvstelmä Raportn tarkotuksena on esttää pelkstetyn matemaattsen
LisätiedotER-kaaviot. Ohjelmien analysointi. Tilakaaviot. UML-kaaviot (luokkakaavio) Tietohakemisto. UML-kaaviot (sekvenssikaavio) Kirjasto
Ohelmen analsont Ohelmen kuvaamnen kaavolla ohelmen mmärtämnen kaavoden avulla kaavoden tuottamnen ohelmasta Erlasa kaavotppeä: ER-kaavot, tlakaavot, UML-kaavot tetohakemsto vuokaavot (tarkemmn) Vuoanals
LisätiedotSegmentointimenetelmien käyttökelpoisuus
Metsäteteen akakauskrja t e d o n a n t o Rasa Sell Segmentontmenetelmen käyttökelposuus ennakkokuvonnssa Rasa Sell Sell, R. 00. Segmentontmenetelmen käyttökelposuus ennakkokuvonnssa. Metsäteteen akakauskrja
Lisätiedotd L q i = V = mc 2 q i 1 γ = = p i. = V = γm q i + QA i. ṗ i + Q A i + Q da i t + j + V + Q φ
TTKK/Fyskan latos FYS-1640 Klassnen mekankka syksy 2009 Laskuharjotus 5, 16102009 1 Ertysessä suhteellsuusteorassa Lagrangen funkto vodaan krjottaa muodossa v L = m 2 u t 1! ṙ 2 V (r) Osota, että tämä
LisätiedotMat Lineaarinen ohjelmointi
Mat-.4 Lneaarnen ohelmont 8..7 Luento 6 Duaaltehtävä (kra 4.-4.4) S ysteemanalyysn Lneaarnen ohelmont - Syksy 7 / Luentorunko Motvont Duaaltehtävä Duaalteoreemat Hekko duaalsuus Vahva duaalsuus Täydentyvyysehdot
LisätiedotJYVÄSKYLÄN YLIOPISTO Taloustieteiden tiedekunta
JYVÄSKYLÄN YLIOPISTO Talousteteden tedekunta AIKA- IKÄ- JA KOHORTTIVAIKUTUKSET KOTITALOUKSIEN RAHOITUSVARALLISUUDEN RAKENTEISIIN SUOMESSA VUOSINA 1994 2004 Kansantaloustede Pro gradu -tutkelma Maalskuu
LisätiedotGalerkin in menetelmä
hum.9.3 Galerkn n menetelmä Galerknn menetelmän soveltamnen e ole rajottunut van ongelmn, jotka vodaan pukea sellaseen varaatomuotoon, joka on seurauksena funktonaaln mnmomsesta, kuten potentaalenergan
Lisätiedot6. Stokastiset prosessit (2)
Ssältö Markov-prosesst Syntymä-kuolema-prosesst luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 6 Markov-prosess Esmerkk Tark. atkuva-akasta a dskreetttlasta stokaststa prosessa X(t) oko tla-avaruudella
LisätiedotPainotetun metriikan ja NBI menetelmä
Panotetun metrkan ja NBI menetelmä Optmontopn semnaar - Kevät / 1 Estelmän ssältö Paretopsteden generont panotetussa metrkossa Panotettu L p -metrkka Panotettu L -metrkka el panotettu Tchebycheff -metrkka
LisätiedotJÄNNITETTYJEN ONTELOLAATTOJEN CE-MERKINNÄN MUKAINEN SUUNNITTELU EUROKOODIEN MUKAAN
05.11.08 1 JÄNNTETTYJEN ONTELOLAATTOJEN CE-ERKNNÄN UKANEN SUUNNTTELU EUROKOODEN UKAAN 5.1. armuuskertomet (1) Betonn osavarmuuslukua vodaan CE-merktyllä tuottella penentää arvoon γ c,red1 1,35. (Kansallnen
LisätiedotTchebycheff-menetelmä ja STEM
Mat-2.142 Optmontopn semnaar K-2000 Montavoteopmont Semnaarestelmän tvstelmä Pentt Säynätjo 22.3.2000 Tchebycheff-menetelmä ja STEM 1. Johdanto Tchebycheff-menetelmä ja STEM ovat vuorovauttesa montavoteoptmontmenetelmä.
LisätiedotABTEKNILLINEN KORKEAKOULU
ABTEKNILLINEN KORKEAKOULU Tetoverkkolaboratoro 6. Stokastset prosesst () Luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 5 6. Stokastset prosesst () Ssältö Markov-prosesst Syntymä-kuolema-prosesst
LisätiedotEsitä koherentin QAM-ilmaisimen lohkokaavio, ja osoita matemaattisesti, että ilmaisimen lähdöstä saadaan kantataajuiset I- ja Q-signaalit ulos.
Sgnaalt ja järjestelmät Laskuharjotukset Svu /9. Ampltudmodulaato (AM) Spektranalysaattorlla mtattn 50 ohmn järjestelmässä ampltudmodulaattorn (AM) lähtöä, jollon havattn 3 mpulssa spektrssä taajuukslla
LisätiedotHASSEN-WEILIN LAUSE. Kertausta
HASSEN-WEILIN LAUSE Kertausta Käytetään seuraava merkntjä F = F/F q on sukua g oleva funktokunta Z F (t = L F (t (1 t(1 qt on funktokunnan F/F q Z-funkto. α 1, α 2,..., α 2g ovat polynomn L F (t nollakohten
LisätiedotKuntoilijan juoksumalli
Rakenteden Mekankka Vol. 42, Nro 2, 2009, s. 61 74 Kuntoljan juoksumall Matt A Ranta ja Lala Hosa Tvstelmä. Urhelututkmuksen melenknnon kohteena ovat yleensä huppu-urheljat. Tuokon yksnkertastettu juoksumall
LisätiedotEräs Vaikutuskaavioiden ratkaisumenetelmä
Mat-2.142 Optmontopn semnaar, s-99 28.9. 1999 Semnaarestelmän referaatt Joun Ikonen Lähde: Ross D. Schachter: Evaluatng nfluence dagrams, Operatons Research, Vol 34, No 6, 1986 Eräs Vakutuskaavoden ratkasumenetelmä
LisätiedotKollektiivinen korvausvastuu
Kollektvnen korvausvastuu Sar Ropponen 4.9.00 pävtetty 3..03 Ssällysluettelo JOHDANTO... KORVAUSVASTUUSEEN LIITTYVÄT KÄSITTEET VAHINKOVAKUUTUKSESSA... 3. MERKINNÄT... 3. VAHINGON SELVIÄMINEN JA KORVAUSVASTUU...
LisätiedotA250A0100 Finanssi-investoinnit Harjoitukset 24.03.15
A50A000 Fnanss-nvestonnt Hajotukset 4.03.5 ehtävä. akknapotolon keskhajonta on 9 %. Laske alla annettujen osakkeden ja makknapotolon kovaanssen peusteella osakkeden betat. Osake Kovaanss A 40 B 340 C 60
LisätiedotLIITE 2 SUORAN SOVITTAMINEN HAVAINTOPISTEISIIN
Oulun ylopsto Fyskan opetuslaboratoro Fyskan laboratorotyöt 1 1 LIITE SUORA SOVITTAMIE HAVAITOPISTEISII Tarkastelee fyskan tössä usen eteen tulevaa tlannetta, jossa olee tanneet kpl pstepareja X, Y. Arvot
LisätiedotLAPPEENRANNAN TEKNILLINEN YLIOPISTO Kauppatieteiden tiedekunta Rahoitus VALUUTTAKURSSIRISKIN VAIKUTUS ARGENTIINAN OSAKEMARKKINOILLA
LAPPEENRANNAN TEKNILLINEN YLIOPISTO Kauppateteden tedekunta Rahotus VALUUTTAKURSSIRISKIN VAIKUTUS ARGENTIINAN OSAKEMARKKINOILLA Kanddaatntutkelma Matt Jääskelänen 18.5.2007 SISÄLLYSLUETTELO 1 JOHDANTO...
LisätiedotGeneettiset algoritmit ja luonnossa tapahtuva mikroevoluutio
Mat-2.108 Sovelletun matematkan erkostyöt Geneettset algortmt ja luonnossa tapahtuva mkroevoluuto 11.5.2005 Teknllnen korkeakoulu Systeemanalyysn laboratoro Oll Stenlund 47068f 1 Johdanto 3 2 Geneettset
LisätiedotAB TEKNILLINEN KORKEAKOULU
B TEKNILLINEN KORKEKOULU Tetoverkkolaboratoro luento05.ppt S-38.45 - Lkenneteoran perusteet - Kevät 00 Ssältö eruskästteet Dskreett satunnasmuuttujat Dskreett jakaumat lkm-jakaumat Jatkuvat satunnasmuuttujat
LisätiedotA = B = T = Merkkijonon A osamerkkijono A[i..j]: n merkkiä pitkä merkkijono A:
Merkkjonot (strngs) n merkkä ptkä merkkjono : T T T G T n = 18 kukn merkk [], mssä 0 < n, kuuluu aakkostoon Σ, jonka koko on Σ esm. bttjonot: Σ = {0,1} ja Σ = 2, DN: Σ = {,T,,G} ja Σ = 4 tetokoneen aakkosto
LisätiedotS , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon
S-11435, FYSIIKKA III (ES), Syksy 00, LH 4, Loppuvkko 39 LH4-1* Käyttän Maxwll-Boltzmann-jakauman parttofunktota määrtä a) nrgan nlön kskarvo (E ) skä b) nrgan nlöllnn kskpokkama kskarvosta l nrgan varanss,
LisätiedotFYSIIKAN LABORATORIOTYÖT 1 761121P
FYSIIKAN LABORATORIOTYÖT 76P Espuhe Fyskassa pyrtään löytämään luonnosta lanalasuuksa, jota vodaan mtata kokeellsest ja kuvata matemaattsest. Tässä kurssssa tutustutaan yksnkertasten mttausvälneden käyttöön
LisätiedotSaatteeksi. Vantaalla vuoden 2000 syyskuussa. Hannu Kyttälä Tietopalvelupäällikkö
Saatteeks Tomtlojen rakentamsta seurattn velä vme vuoskymmenen lopulla säännöllsest vähntään kerran vuodessa tehtävllä raportella. Monsta tosstaan rppumattomsta ja rppuvsta systä johtuen raportont loppu
LisätiedotJäykän kappaleen liike
aananta 9.9.014 1/17 Jäykän kappaleen lke Tähän ast tarkasteltu massapstemekankkaa : m, r, v Okeast fyskaalset systeemt ovat äärellsen kokosa, esm. jäykät kappaleet r r j = c j =vako, j elastset kappaleet
LisätiedotTavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä
Tavotteet skaalaavan funkton lähestymstapa el referensspste menetelmä Optmontopn semnaar - Kevät 2000 / 1 Estelmän ssältö Panotetun metrkan ongelmen havatsemnen Referensspste menetelmän dean esttely Referensspste
Lisätiedot13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit
68 3. Leaarset esmmäse kertaluvu dfferetaalsysteemt Tarkastelemme systeemejä () x () t = A() t x() t + b () t, jossa matrs A kertomet ja b ovat välllä I jatkuva. Jatkuve vektorarvoste fuktode avaruutta
LisätiedotValmistelut INSTALLATION INFORMATION
Valmstelut 1 Pergo-lamnaattlattan mukana tomtetaan kuvallset ohjeet. Alla olevssa tekstessä on seltykset kuvn. Ohjeet on jaettu kolmeen er osa-alueeseen, jotka ovat valmstelu, asennus ja svous. Suosttelemme,
Lisätiedot1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on
HY MTO / Matemaattste tetede kadohjelma Tlastolle päättely II kevät 019 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I 1 Mostee teht 516 Eräde kuulalaakerede kestoa mljooaa kerrosta o totuttu kuvaamaa Webull-jakaumalla
LisätiedotUsean muuttujan funktioiden integraalilaskentaa
Usean muuttujan funktoden ntegraallaskentaa Pntantegraaln määrtelmä Yhden muuttujan tapaus (kertausta) Olkoon f() : [a, b] R jatkuva funkto Oletetaan tässä ksnkertasuuden vuoks, että f() Remann-ntegraal
Lisätiedot38C. MEKAANISEN VÄRÄHTELYN TUTKIMINEN
TURUN AMMATTIKORKEAKOULU TYÖOHJE (7) FYSIIKAN LABORATORIO V 2..2 38C. MEKAANISEN VÄRÄHTELYN TUTKIMINEN. Työn tavote 2. Teoraa Työssä tutustutaan harmonsen mekaansen värähdyslkkeen omnasuuksn seuraavssa
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.
HY, MTO / Matemaattste tetede kadohjelma Tlastolle päättely II, kevät 208 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I Olkoo Y, Y rppumato otos Pareto jakaumasta, fy; θ θc θ y θ+ { y > c } tuetulla vakolla
LisätiedotHanna-Kaisa Hurme Teräksen tilastollinen rakenneanalyysi Diplomityö
Hanna-Kasa Hurme Teräksen tlastollnen rakenneanalyys Dplomtyö Tarkastajat: professor Kejo Ruohonen (TUT) ja dosentt Esko Turunen (TUT) Tarkastajat ja ahe hyväksytty Luonnonteteden ja ympärstöteknkan tedekuntaneuvoston
Lisätiedot7. Modulit Modulit ja lineaarikuvaukset.
7. Modult Vektoravaruudet ovat vahdannasa ryhmä, jossa on määrtelty jonkn kunnan skalaartomnta. Hyväksymällä kerronrakenteeks kunnan sjaan rengas saadaan rakenne nmeltä modul. Moduln käste on ss vektoravaruuden
LisätiedotKansainvälisen konsernin verosuunnittelu ja tuloksenjärjestely
Kansanvälsen konsernn verosuunnttelu ja tuloksenjärjestely Kansantaloustede Pro gradu -tutkelma Talousteteden latos Tampereen ylopsto Toukokuu 2007 Pekka Kleemola TIIVISTELMÄ Tampereen ylopsto Talousteteden
Lisätiedot3D-mallintaminen konvergenttikuvilta
Maa-57.270, Fotogammetan, kuvatulknnan ja kaukokatotuksen semnaa 3D-mallntamnen konvegenttkuvlta nna Evng, 58394J 2005 1 Ssällysluettelo Ssällysluettelo...2 1. Johdanto...3 2. Elasa tapoja kuvata kohdetta...3
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Montavoteoptmont ja teollsten prosessen hallnta Ylassstentt Juss Hakanen juss.hakanen@jyu.f syksy 2010 Interaktvset menetelmät Idea: päätöksentekjää hyödynnetään aktvsest ratkasuprosessn akana
Lisätiedot. g = 0,42g. Moolimassat ovat vastaavasti N 2 :lle 28, 02g/ mol ja typpiatomille puolet tästä 14, 01g/ mol.
LH-1 Kaasusälö ssältää 1, g typpeä 1800 K lämpötlassa Sälön tlavuus on 5,0 l Laske pane sälössä ottamalla huomoon, että tässä lämpötlassa 30 % typpmolekyylestä, on hajonnut atomeks Sovella Daltonn laka
LisätiedotTarkastellaan kuvan 8.1 (a) lineaarista nelitahoista elementtiä, jonka solmut sijaitsevat elementin kärkipisteissä ja niiden koordinaatit ovat ( xi
Elementtmenetelmän erusteet 8. 8 D-SOLIDIRKEEE 8. ohdanto Kolmulottesa soldelementtejä tartaan kolmulottesten kaaleden mallntamseen. ällön tarkasteltaan kaaleen geometralla e ole ertsrtetä jotka teksät
LisätiedotTEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat Sovelletun matematiikan erikoistyö. Ei-normaalisten tuottojakaumien mallintaminen
TKNLLNN KOKKOULU Systeemanalyysn laboratoro Mat-.18 Sovelletun matematkan erkostyö -normaalsten tuottoakaumen mallntamnen Tmo Salmnen 581V soo, 1. Toukokuuta 7 1 Ssällysluettelo Ssällysluettelo... Johdanto...
Lisätiedot