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

Samankaltaiset tiedostot
3. Datan käsittely lyhyt katsaus

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

5. Datan käsittely lyhyt katsaus

Havaitsevan tähtitieteen peruskurssi I. Datan käsittely. Jyri Lehtinen. kevät Helsingin yliopisto, Fysiikan laitos

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

Mat Tilastollisen analyysin perusteet, kevät 2007

Epälineaaristen pienimmän neliösumman tehtävien ratkaiseminen numeerisilla optimointimenetelmillä (valmiin työn esittely)

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

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

3 Tilayhtälöiden numeerinen integrointi

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

LIITE 2 SUORAN SOVITTAMINEN HAVAINTOPISTEISIIN

BL20A0600 Sähkönsiirtotekniikka

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

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

Johdatus tekoälyn taustalla olevaan matematiikkaan

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

Monte Carlo -menetelmä

Painotetun metriikan ja NBI menetelmä

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

Painokerroin-, epsilon-rajoitusehtoja hybridimenetelmät

Luento 7. DEE Piirianalyysi Risto Mikkonen

Työssä tutustutaan harmonisen mekaanisen värähdysliikkeen ominaisuuksiin seuraavissa

Suoran sovittaminen pistejoukkoon

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

Tchebycheff-menetelmä ja STEM

Mittaustulosten käsittely

LIITE 2 SUORAN SOVITTAMINEN HAVAINTOPISTEISIIN

3.5 Generoivat funktiot ja momentit

6. Stokastiset prosessit (2)

Mat Lineaarinen ohjelmointi

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

ABTEKNILLINEN KORKEAKOULU

AB TEKNILLINEN KORKEAKOULU

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

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

Tilastollisen fysiikan luennot

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

Mat Tilastollisen analyysin perusteet, kevät 2007

Epätäydelliset sopimukset

FYSIIKAN LABORATORIOTYÖT P

Kokonaislukuoptimointi

38C. MEKAANISEN VÄRÄHTELYN TUTKIMINEN

LIGNIININ RAKENNE JA OMINAISUUDET

on tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset:

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

Mat Tilastollisen analyysin perusteet, kevät 2007

Puupintaisen sandwichkattoelementin. lujuuslaskelmat. Sisältö:

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

Maanhintojen vikasietoisesta mallintamisesta

Mat Lineaarinen ohjelmointi

Kanoniset muunnokset

Mat Sovelletun matematiikan erikoistyöt Spatiaalinen autokorrelaatio viljelykokeiden havainnoissa

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

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

Sähköstaattinen energia

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.

Sähkön- ja lämmöntuotannon kustannussimulointi ja herkkyysanalyysi

= 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

Leikkijunan kunto toimiva ei-toimiva Työvuoro aamuvuoro päivävuoro iltavuoro

4. A priori menetelmät

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

Mat Lineaarinen ohjelmointi

Uuden eläkelaitoslain vaikutus allokaatiovalintaan

Kollektiivinen korvausvastuu

Kvanttimekaanisten joukkojen yhteys termodynamiikkaan

Geneettiset algoritmit ja luonnossa tapahtuva mikroevoluutio

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

Yrityksen teoria ja sopimukset

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

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

COULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT

Moraalinen uhkapeli: N:n agentin tapaus eli moraalinen uhkapeli tiimeissä

1. PARAMETRIEN ESTIMOINTI

1. välikoe

Kuntoilijan juoksumalli

W Hz. kohinageneraattori. H(f) W Hz. W Hz. ELEC-A7200 Signaalit ja järjestelmät Laskuharjoitukset. LASKUHARJOITUS 5 Sivu 1/7

Kaksisuuntainen varianssianalyysi. Kaksisuuntainen varianssianalyysi. Kaksisuuntainen varianssianalyysi

OSSI HEINONEN VASTINPINTAMENETELMÄN SOVELTAMINEN LUJUUSLASKENNASSA

TODENNÄKÖISYYSLASKENNASTA 1

Automaattinen 3D - mallinnus kalibroimattomilta kuvasekvensseiltä

Moderni portfolioteoria

Konenäkö ja kuva-analyysi. Tuomo Rossi Jyväskylän yliopisto Tietotekniikan laitos

JYVÄSKYLÄN YLIOPISTO Taloustieteiden tiedekunta

Korkealämpötilakemia

Betoniteollisuus ry (43)

SMG-1100: PIIRIANALYYSI I

Käytetään säteille kompleksiesitystä. Tuleva säde on Ee 0 iw t ja peräkkäisiä heijastuneita säteitä kuvaaviksi esityksiksi saadaan kuvasta: 3 ( 2 )

Luento 6 Luotettavuus Koherentit järjestelmät

FYSA220/2 (FYS222/2) VALON POLARISAATIO

Mekaniikan jatkokurssi Fys102

1, x < 0 tai x > 2a.

Kuluttajahintojen muutokset

MAOL-Pisteitysohjeet Fysiikka kevät 2009

ANTTI EIVOLA KÄSINKIRJOITETTUJEN MERKKIEN LUOKITTELU

Tilastollinen riippuvuus ja korrelaatio

ler-modern isaatio * d *r n ax* *neäemw & rffi rffi # Sch ind Schindler {4ssxisä tu\*vmisu a**r3 \mj**nt rei

Paperikoneiden tuotannonohjauksen optimointi ja tuotefokusointi

Pääsykoemenestyksen vaikutus välikoepisteisiin

AquaPro Bedienungsanleitung Operating instructions Gebruiksaanwijzing Käyttöohje FIN Rev.0607

Transkriptio:

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 havantojen vrheet Satunnaset vrheet: Kohna Mttaustarkkuus Sstemaattset vrheet: Havantolatteen aheuttamat väärstmät Ympärstön aheuttamat vrheet (esm. lmakehän vakutukset havantohn, kästeltn luvussa

4.. Havantojen kohna Sgnaal-kohnasuhde / S, jossa S on sgnaal = reksterötjen fotonen määrä, ja on kohna S Sama spektr er S/ -suhteella

4.. Havantolatteen vakutukset havantohn Aallonptuusherkks Resoluuto Latteen ssäset sronnat ja hejastumat Optset vrheet Havantolatteen lkkumnen Detektorn herkksvahtelut (lämpötlan vakutus, pkselen herkkdet m.

4..3 Havannon mttaamnen Havantolatteen vakutus havantohn vodaan usen esttää muodossa g( h(, ' f ( ' d' n( f ovat todellset arvot, g on havantolatteen antama tulos, h on nstrumentn aheuttama väärstmä ja n ovat satunnaset vrheet

4..4 Vrheden postamnen Kohnan vo suodattaa, mutta resoluuto kärs Havantolatteen väärstmen korjaamnen esm. flat-feld -kalbront Huomattavast pokkeavat arvot: outlers root-mean-square: n R ( f (, n jossa f on havantohn sovtettava funkto. Outlern krteer: f ( 3R

4..4 Havantojen redukont Redukont: Postetaan mahdollsmman paljon detektorn ja havantomenetelmän aheuttama vrhetä Muutetaan havannot analsssa tarvttavaan muotoon Esm. -ulottenen CCD kuva spektr Huom. väärn teht redukont Menetetään nformaatota ta väärstetään dataa Tarve määrttää mtä tehdään, esm.: Paremp S/ huonomp resoluuto

4. Korrelaato Korrelaato kertoo kahden muuttajan välsestä rppuvuudesta Korrelaatokertoma: Pearsonn korrelaatokerron Spearmann järjestskorrelaatokerron Kendalln järjestskorrelaatokerron

4.. Pearsonn korrelaatokerron Mttaa lneaarsta rppuvuutta Otoksen hajonta: jossa on keskarvo Kahden muuttujan välnen kovaranss: Pearsonn korrelaatokerron: ( ( C, ( s s s C r

4.. Korrelaaton todennäköss ollahpotees: ja evät korrelo Oletetaan: ja :lle on saatu r Mkä on nollahpoteesn todennäköss? Jos on suur (>0 => r noudattaa normaaljakaumaa Merktään a => todennäköss että korrelaato sattumalta ols suuremp kun r : P r r erfc( a e dt r t a

4.3 Funkton sovtus Sovtuksen krteer leensä mahdollsmman pen vrheden nelöden summa: R ( ˆ( Sop ertsest, jos vrheet ovat satunnasa gausssest jakaantuneta

4.3. Penmmän nelösumman menetelmä Sovtettava funkto: Määrtellään: ovat psteet johon sovtetaan funkto, ( ( ( ˆ K a K a, ( ( ( ( ( ( ( ( ( K K K A a K a a a, (

4.3. Penmmän nelösumman menetelmän ratkasu Jos =K saadaan ksselttenen ratkasu htälöstä A a = Kutenkn jotta sovtus ols luotettava nn K ˆ( Etsmme ratkasua jossa on mahdollsmman pen => ratkasu saadaan normaalhtälöstä: A T Aa A T

4.3. Suoran sovtus Sovtettava funkto b a b a a ( ˆ( ja T A A A sekä T T b a b a Aa A A

4.3.3 Ratkasu suoran sovtukseen Saamme ratkasun htälörhmästä a as bs bs S S S, S, S, S Merktään a D S ( S S S SS, b D S D S ratkasu: S

4.3.4 Vrheden huomomnen pnssovtuksessa Mttausten hajontaa kuvaa lesessä tapauksessa kovaranssmatrs: Jos vrheet rppumattoma: 0 0 0 0 0 0 0 0 0 0 0 0

4.3.4 Vrheden huomomnen pns:n sovtuksessa ormaalhtälöt saadaan muotoon A T Aa A T Merktään C Ratkasu on A T a A ja d A T C d Kertomen a vrheet saadaan matrssta C - a C

4.3.4 Epälneaarnen sovtus Estetllä penmmän nelösumman menetelmällä vodaan ratkasta van lneaarsa ongelma Epälneaarsten ongelmen ratkasuja Ongelman muuttamnen lneaarseen muotoon Esm. f ( ae b Tarkkaan ottaen e kutenkaan enää saada alkuperäsen funkton parametrelle pns:n sovtusta Erlaset optmontmenetelmät ( Evät välttämättä anna globaala mnmä vaan lokaal mnm ln f ln a b

4.4 Akasarja-anals Parametrset menetelmät: Sovtetaan dataan jaksollnen funkto Esm. Fourer sarjan sovtus E-parametrset menetelmät: Etstään perodsuutta esm. datan maksmesta ta mnmestä Esm. Kuper- ta Swanepoel & De Beer - menetelmät

4.4. Fourer-sarjan sovtus Mall: g( t jossa M M, B keskarvo k k K, C B k k cos( kft ja f perod ovat vapaat parametrt. Huom.: Mall on epälneaarnen => ratkasua e saada suoraan penmmän nelösumman menetelmällä Ratkasumenetelmä: Three stage perod analss (Jetsu & Pelt 999 P C k sn( kft,

4.4. Esmerkk akasarja-analssta Tähden HD 9978 valokärä, P 3. d 3 Akasarja-anals

4.4.3 Jaksollsen kärän sovttamnen: Täht-planeettajärjestelmä Ssärata: M=7.7 M Jup ; ulkorata: M=7M Jup Marc et al., 999, 00

Krjallsuutta H. Karttunen: Datan kästtel, CSC 994 W.H. Press et al.: umercal recpes, kotsvu: http://www.nr.com