Mat Sovelletun matematiikan erikoistyöt Spatiaalinen autokorrelaatio viljelykokeiden havainnoissa

Koko: px
Aloita esitys sivulta:

Download "Mat Sovelletun matematiikan erikoistyöt Spatiaalinen autokorrelaatio viljelykokeiden havainnoissa"

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 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...

Lisätiedot

Timo Tarvainen PUROSEDIMENTIIANALYYSIEN HAVAINNOLLISTAMINEN GEOSTATISTIIKAN KEINOIN. Outokumpu Oy Atk-osasto

Timo 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

Lisätiedot

3.5 Generoivat funktiot ja momentit

3.5 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

Lisätiedot

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

1. 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

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat 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

Lisätiedot

Monte Carlo -menetelmä

Monte Carlo -menetelmä Monte Carlo -menetelmä Helumn perustlan elektron-elektron vuorovakutuksen laskemnen parametrsodulla yrteaaltofunktolla. Menetelmän käyttökohde Monen elektronn systeemen elektronkorrelaato oteuttamnen mulla

Lisätiedot

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

Työn 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-

Lisätiedot

FYSA220/2 (FYS222/2) VALON POLARISAATIO

FYSA220/2 (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

Lisätiedot

4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

4. 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

Lisätiedot

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto

Kynä-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

Lisätiedot

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.

MS-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

Lisätiedot

Kuluttajahintojen muutokset

Kuluttajahintojen 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

Lisätiedot

3. Datan käsittely lyhyt katsaus

3. 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

Lisätiedot

Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:

Mat 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,

Lisätiedot

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

MTTTP1 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

Lisätiedot

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

Lohkoasetelmat. 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

Lisätiedot

r i m i v i = L i = vakio, (2)

r 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

Lisätiedot

Mittausvirhe. Mittaustekniikan perusteet / luento 6. Mittausvirhe. Mittausepävarmuus ja siihen liittyvää terminologiaa

Mittausvirhe. 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

Lisätiedot

Uuden eläkelaitoslain vaikutus allokaatiovalintaan

Uuden 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...

Lisätiedot

Mittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio?

Mittausepävarmuus. 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

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat 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

Lisätiedot

Tchebycheff-menetelmä ja STEM

Tchebycheff-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

Lisätiedot

Suoran sovittaminen pistejoukkoon

Suoran 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

Lisätiedot

Jaksolliset ja toistuvat suoritukset

Jaksolliset 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

Lisätiedot

5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

5. 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

Lisätiedot

Työssä tutustutaan harmonisen mekaanisen värähdysliikkeen ominaisuuksiin seuraavissa

Työssä 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:

Lisätiedot

Työllistääkö aktivointi?

Työllistääkö aktivointi? Jyväskylän ylopsto Matemaatts-luonnonteteellnen tedekunta Työllstääkö aktvont? Vakuttavuusanalyys havannovassa tutkmuksessa Elna Kokkonen tlastoteteen pro gradu tutkelma 31. elokuuta 2007 Tlastoteteen

Lisätiedot

LIITE 2 SUORAN SOVITTAMINEN HAVAINTOPISTEISIIN

LIITE 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

Lisätiedot

Mittaustulosten käsittely

Mittaustulosten käsittely Mttaustulosten kästtely Vrhettä ja epävarmuutta lmasevat kästteet Tostokoe ja satunnasten vrheden tlastollnen kästtely. Mttaustulosten jakaumaa kuvaavat tunnusluvut. Normaaljakauma 7. Tostokoe ja suurmman

Lisätiedot

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

Markov-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

Lisätiedot

Luento 6 Luotettavuus Koherentit järjestelmät

Luento 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

Lisätiedot

1 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.

1 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

Lisätiedot

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:

Mat 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,

Lisätiedot

1, x < 0 tai x > 2a.

1, 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

Lisätiedot

Yksikköoperaatiot ja teolliset prosessit

Yksikköoperaatiot 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...

Lisätiedot

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut

Mat /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

Lisätiedot

COULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT

COULOMBIN 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

Lisätiedot

Puupintaisen sandwichkattoelementin. lujuuslaskelmat. Sisältö:

Puupintaisen 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

Lisätiedot

3.3 Hajontaluvuista. MAB5: Tunnusluvut

3.3 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

Lisätiedot

5. Datan käsittely lyhyt katsaus

5. 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

Lisätiedot

Taustaa. Sekventiaalinen vaikutuskaavio. Päätöspuista ja vaikutuskaavioista. Esimerkki: Reaktoriongelma. Johdantoa sekventiaalikaavioon

Taustaa. 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

Lisätiedot

Maanhintojen vikasietoisesta mallintamisesta

Maanhintojen 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

Lisätiedot

KUVIEN LAADUN ANALYSOINTI

KUVIEN 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

Lisätiedot

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

Työn 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-

Lisätiedot

OUTOKUMPU OY 0 K MALMINETSINTA. talta.

OUTOKUMPU 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.

Lisätiedot

Johdatus tekoälyn taustalla olevaan matematiikkaan

Johdatus 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

Lisätiedot

Leikkijunan kunto toimiva ei-toimiva Työvuoro aamuvuoro päivävuoro iltavuoro

Leikkijunan 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)

Lisätiedot

Moderni portfolioteoria

Moderni 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.

Lisätiedot

Sähkökiukaan kivimassan vaikutus saunan energiankulutukseen

Sähkökiukaan 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

Lisätiedot

Yrityksen teoria ja sopimukset

Yrityksen 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

Lisätiedot

Ilmari Juva. Jalkapallo-ottelun lopputuloksen stokastinen mallintaminen

Ilmari 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

= 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

Lisätiedot

Tilastollisen fysiikan luennot

Tilastollisen 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

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat 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

Lisätiedot

3 Tilayhtälöiden numeerinen integrointi

3 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

Lisätiedot

Hallin ilmiö. Laatija - Pasi Vähämartti. Vuosikurssi - IST4SE. Tekopäivä 2005-9-14 Palautuspäivä 2005-9-28

Hallin 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

Lisätiedot

Aamukatsaus 13.02.2002

Aamukatsaus 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%

Lisätiedot

BL20A0600 Sähkönsiirtotekniikka

BL20A0600 Sähkönsiirtotekniikka BLA6 Sähkönsrtoteknkka Tehonaon laskenta Jarmo Partanen LT Energy Electrcty Energy Envronment Srtoverkkoen laskenta Verkon tehonaon laskemnen srron hävöt ännteolosuhteet ohtoen kuormttumnen verkon käyttäytymnen

Lisätiedot

Sähkön- ja lämmöntuotannon kustannussimulointi ja herkkyysanalyysi

Sähkön- 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

Lisätiedot

ER-kaaviot. Ohjelmien analysointi. Tilakaaviot. UML-kaaviot (luokkakaavio) Tietohakemisto. UML-kaaviot (sekvenssikaavio) Kirjasto

ER-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

Lisätiedot

Segmentointimenetelmien käyttökelpoisuus

Segmentointimenetelmien 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

Lisätiedot

d 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

d 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

Lisätiedot

Mat Lineaarinen ohjelmointi

Mat 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

Lisätiedot

JYVÄSKYLÄN YLIOPISTO Taloustieteiden tiedekunta

JYVÄSKYLÄN YLIOPISTO Taloustieteiden tiedekunta JYVÄSKYLÄN YLIOPISTO Talousteteden tedekunta AIKA- IKÄ- JA KOHORTTIVAIKUTUKSET KOTITALOUKSIEN RAHOITUSVARALLISUUDEN RAKENTEISIIN SUOMESSA VUOSINA 1994 2004 Kansantaloustede Pro gradu -tutkelma Maalskuu

Lisätiedot

Galerkin in menetelmä

Galerkin 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

Lisätiedot

6. Stokastiset prosessit (2)

6. 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

Lisätiedot

Painotetun metriikan ja NBI menetelmä

Painotetun 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

Lisätiedot

JÄNNITETTYJEN ONTELOLAATTOJEN CE-MERKINNÄN MUKAINEN SUUNNITTELU EUROKOODIEN MUKAAN

JÄNNITETTYJEN 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

Lisätiedot

Tchebycheff-menetelmä ja STEM

Tchebycheff-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.

Lisätiedot

ABTEKNILLINEN KORKEAKOULU

ABTEKNILLINEN 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

Lisätiedot

Esitä koherentin QAM-ilmaisimen lohkokaavio, ja osoita matemaattisesti, että ilmaisimen lähdöstä saadaan kantataajuiset I- ja Q-signaalit ulos.

Esitä 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

Lisätiedot

HASSEN-WEILIN LAUSE. Kertausta

HASSEN-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

Lisätiedot

Kuntoilijan juoksumalli

Kuntoilijan 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

Lisätiedot

Eräs Vaikutuskaavioiden ratkaisumenetelmä

Eräs 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

Lisätiedot

Kollektiivinen korvausvastuu

Kollektiivinen korvausvastuu Kollektvnen korvausvastuu Sar Ropponen 4.9.00 pävtetty 3..03 Ssällysluettelo JOHDANTO... KORVAUSVASTUUSEEN LIITTYVÄT KÄSITTEET VAHINKOVAKUUTUKSESSA... 3. MERKINNÄT... 3. VAHINGON SELVIÄMINEN JA KORVAUSVASTUU...

Lisätiedot

A250A0100 Finanssi-investoinnit Harjoitukset 24.03.15

A250A0100 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

Lisätiedot

LIITE 2 SUORAN SOVITTAMINEN HAVAINTOPISTEISIIN

LIITE 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

Lisätiedot

LAPPEENRANNAN TEKNILLINEN YLIOPISTO Kauppatieteiden tiedekunta Rahoitus VALUUTTAKURSSIRISKIN VAIKUTUS ARGENTIINAN OSAKEMARKKINOILLA

LAPPEENRANNAN 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...

Lisätiedot

Geneettiset algoritmit ja luonnossa tapahtuva mikroevoluutio

Geneettiset 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

Lisätiedot

AB TEKNILLINEN KORKEAKOULU

AB 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

Lisätiedot

A = B = T = Merkkijonon A osamerkkijono A[i..j]: n merkkiä pitkä merkkijono A:

A = 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

Lisätiedot

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon

S , 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,

Lisätiedot

FYSIIKAN LABORATORIOTYÖT 1 761121P

FYSIIKAN 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

Lisätiedot

Saatteeksi. Vantaalla vuoden 2000 syyskuussa. Hannu Kyttälä Tietopalvelupäällikkö

Saatteeksi. 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

Lisätiedot

Jäykän kappaleen liike

Jäykän 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

Lisätiedot

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

Tavoitteet 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

Lisätiedot

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

13. 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

Lisätiedot

Valmistelut INSTALLATION INFORMATION

Valmistelut 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,

Lisätiedot

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on

1. (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

Lisätiedot

Usean muuttujan funktioiden integraalilaskentaa

Usean 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

Lisätiedot

38C. MEKAANISEN VÄRÄHTELYN TUTKIMINEN

38C. 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

Lisätiedot

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.

HY, 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

Lisätiedot

Hanna-Kaisa Hurme Teräksen tilastollinen rakenneanalyysi Diplomityö

Hanna-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

Lisätiedot

7. Modulit Modulit ja lineaarikuvaukset.

7. 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

Lisätiedot

Kansainvälisen konsernin verosuunnittelu ja tuloksenjärjestely

Kansainvälisen 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

Lisätiedot

3D-mallintaminen konvergenttikuvilta

3D-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

Lisätiedot

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

TIES592 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.

. 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

Lisätiedot

Tarkastellaan kuvan 8.1 (a) lineaarista nelitahoista elementtiä, jonka solmut sijaitsevat elementin kärkipisteissä ja niiden koordinaatit ovat ( xi

Tarkastellaan 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

Lisätiedot

TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat Sovelletun matematiikan erikoistyö. Ei-normaalisten tuottojakaumien mallintaminen

TEKNILLINEN 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