Harjoitus 6 -- Ratkaisut

Samankaltaiset tiedostot
Harjoitus 5 -- Ratkaisut

Harjoitus 4 -- Ratkaisut

Aki Taanila YHDEN SELITTÄJÄN REGRESSIO

Ohjeita fysiikan ylioppilaskirjoituksiin

Harjoitus 3 -- Ratkaisut

xi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n =

LIITE 1 VIRHEEN ARVIOINNISTA

LIITE 1 VIRHEEN ARVIOINNISTA

LIITE 1 VIRHEEN ARVIOINNISTA

Harjoitus 1 -- Ratkaisut

Harjoitus 7 -- Ratkaisut

Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo?

Kompleksilukujen kunnan konstruointi

Kuva 1. Ohmin lain kytkentäkaavio. DC; 0 6 V.

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

Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot)

Harjoitus 2 -- Ratkaisut

Harjoitus 2 -- Ratkaisut

Virhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus.

Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi. Esimerkit laskettu JMP:llä

PHYS-A1110 Laboratoriotyöosuus. Vastaava opettaja Jani Sainio puh: huone 138 (OK 4A)

Johdatus tekoälyn taustalla olevaan matematiikkaan

Viikon aiheet. Funktion lineaarinen approksimointi

815338A Ohjelmointikielten periaatteet Harjoitus 7 Vastaukset

Erään piirikomponentin napajännite on nolla, eikä sen läpi kulje virtaa ajanhetkellä 0 jännitteen ja virran arvot ovat. 500t.


815338A Ohjelmointikielten periaatteet Harjoitus 6 Vastaukset

Ohjelmoinnin peruskurssi Y1

LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k

Harjoitus 1 -- Ratkaisut

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

r > y x z x = z y + y x z y + y x = r y x + y x = r

TASON YHTÄLÖT. Tason esitystapoja ovat: vektoriyhtälö, parametriesitys (2 parametria), normaalimuotoinen yhtälö ja koordinaattiyhtälö.

Mat. tukikurssi 27.3.

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

MATP153 Approbatur 1B Harjoitus 5 Maanantai

Sivu 1 / 8. A31C00100 Mikrotaloustieteen perusteet: matematiikan tukimoniste. Olli Kauppi

Integraalifunktio. Pohdittavaa: Minkä funktion derivaattafunktio on a) 3x 2, b) 2x? MiH (Ivalon lukio) MAA kesäkuuta / 5

MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

7. Resistanssi ja Ohmin laki

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

Sähkövirran määrittelylausekkeesta

Metropolia ammattikorkeakoulu TI00AA : Ohjelmointi Kotitehtävät 3

Kaksisuuntaisen varianssianalyysin tilastollisessa malli voidaan esittää seuraavassa muodossa:

Metropolia ammattikorkeakoulu TI00AA : Ohjelmointi Kotitehtävät 3 opettaja: Pasi Ranne

riippumattomia ja noudattavat samaa jakaumaa.

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

Pienimm"an neli"osumman sovitus

r = n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.

y z = (x, y) Kuva 1: Euklidinen taso R 2

MS-A0104 Differentiaali- ja integraalilaskenta 1 (ELEC2) MS-A0106 Differentiaali- ja integraalilaskenta 1 (ENG2)

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

Mittaustuloksen esittäminen Virhetarkastelua. Mittalaitetekniikka NYMTES 13 Jussi Hurri syksy 2014

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

Fysiikan laboratoriotyöt 1, työ nro: 2, Harmoninen värähtelijä

Tampereen yliopisto Tietokonegrafiikka 2013 Tietojenkäsittelytiede Harjoitus

Matematiikan tukikurssi, kurssikerta 3

Kompleksiluvut., 15. kesäkuuta /57

Kompleksilukujen kunnan konstruointi

origo III neljännes D

1. Erään piirin impedanssimittauksissa saatiin seuraavat tulokset:

Matematiikan tukikurssi

SMG-1100: PIIRIANALYYSI I

T Luonnollisten kielten tilastollinen käsittely

VASTUSMITTAUKSIA. 1 Työn tavoitteet

815338A Ohjelmointikielten periaatteet Harjoitus 2 vastaukset

Kohdeyleisö: toisen vuoden teekkari

y x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1

Ratkaisuehdotukset LH 7 / vko 47

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

Käyräparven kohtisuorat leikkaajat

Kerta 2. Kerta 2 Kerta 3 Kerta 4 Kerta Toteuta Pythonilla seuraava ohjelma:

Numeeriset menetelmät

MAB3 - Harjoitustehtävien ratkaisut:

5. Numeerisesta derivoinnista

Jos Q = kysytty määrä, Q = kysytyn määrän muutos, P = hinta ja P = hinnan muutos, niin hintajousto on Q/Q P/P

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

MS-A0107 Differentiaali- ja integraalilaskenta 1 (CHEM)

Numeerinen analyysi Harjoitus 3 / Kevät 2017

Lukujonon raja-arvo 1/7 Sisältö ESITIEDOT: lukujonot

Lämpötila Lämpölaajeneminen Ideaalikaasu. Luku 17

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45

Harjoitustyö: virtuaalikone

MATP153 Approbatur 1B Harjoitus 6 Maanantai

Kun järjestelmää kuvataan operaattorilla T, sisäänmenoa muuttujalla u ja ulostuloa muuttujalla y, voidaan kirjoittaa. y T u.

Teddy 1. harjoituksen malliratkaisu kevät 2011

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

Mitä on pätö-, näennäis-, lois-, keskimääräinen ja suora teho sekä tehokerroin? Alla hieman perustietoa koskien 3-vaihe tehomittauksia.

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

TIETOKONE DATA-ANALYYSIN APUVÄLINEENÄ PIKAOPAS

Sovellettu todennäköisyyslaskenta B

KKT: log p i v 1 + v 2 x i = 0, i = 1,...,n.

Ch 12-4&5 Elastisuudesta ja lujuudesta

Tampere University of Technology

MIKROTEORIA 1, HARJOITUS 1 BUDJETTISUORA, PREFERENSSIT, HYÖTYFUNKTIO JA VALINTA

1 Kompleksiluvut 1. y z = (x, y) Kuva 1: Euklidinen taso R 2

Sovituskomennot GeoGebrassa

Transkriptio:

Harjoitus 6 -- Ratkaisut 1 Ei kommenttia. 2 Haetaan data tiedostosta. SetDirectory"homeofysjmattas" SetDirectory "c:documents and settingsmattasdesktopteachingatk2harjoitukseth06" netnfstuhome4ofysjmattas c:\documents and settings\mattas\desktop\teaching\atk2\harjoitukset\h06 Cleart, x, y t Import"h06data.txt", "Table"; n Lengtht; g ListPlott, ImageSize Small 2 0 Sovitetaan tähän datapisteistöön suora pienimmän neliösumman menetelmällä (ks. luennot). Lasketaan sovituksessa tarvittavat summat muuttujiin sx, sy, sxy ja sxx. Fori 1; sx 0; sy 0; sxy 0; sxx 0, i n, i, x ti, 1; y ti, 2; sx x; sy y; sxy x y; sxx x x; Lasketaan suoran kulmakerroin ja vakiotermi: n sxy sx sy sy sxx sx sxy a ; b n sxx sx 2 n sxx sx 2 ; sx : a x b; Last[t] antaa taulukon t viimeisen lukuparin. Sen 1. alkio saadaan tietysti Last[t][[1]].

2 h06ratk.nb Showg, Plotsx, x, 0, Lastt1, ImageSize Small 300 2 Sovitus saadaan laskettua hyödyntämällä enemmän Mathematican valmiita funktioita. Merkintä t[[all,i]] antaa t:n i:nnen pystyrivin, ts. t[[all,1]] antaa kaikkien lukuparien 1. alkiot. sx TotaltAll, 1; sy TotaltAll, 2; sxx TotaltAll, 1 2 ; sxy TotaltAll, 1 tall, 2; n sxy sx sy sy sxx sx sxy sx : x ; n sxx sx 2 n sxx sx 2 Showg, Plotsx, x, 0, Lastt1, ImageSize Small 300 2 0 Sovitussuoran kulmakerroin on siis komponentin konduktanssi, resistanssin käänteisarvo: Print"Konduktanssi: ", a, " Siemens" Print"Resistanssi: ", a 1, " Ohm" Konduktanssi: 143.177 Siemens Resistanssi: 0.00698438 Ohm Yo. sovitus ei kulje origon kautta. Origon kautta kulkevalle suoralle pitää laskea sovitusparametrit uudestaan. Minimoitavaksi tulee summa n i 1 a x i y i 2, josta saadaan derivoimalla a:n suhteen ja asettamalla derivaatta nollaksi: a x iy i x i 2. a sxy sxx ; Showg, Plota x, x, 0, Lastt1, ImageSize Small 300 2 Saadaan hieman korkeampi konduktanssi.

h06ratk.nb 3 Print"Konduktanssi: ", a, " Siemens" Print"Resistanssi: ", a 1, " Ohm" Konduktanssi: 146.007 Siemens Resistanssi: 0.00684899 Ohm Tehdään sovitus vielä Mathematican valmiilla funktiolla Fit. Se ottaa argumenteikseen datapisteistön, listan funktioista joiden lineaarikombinaationa sovitusta etsitään, ja kolmantena mitä symbolia käytetään muuttujana sovituksen tuloksessa. y Fitt, x, x 146.007 x Tai ei-origon-kautta-kulkeva suora: y Fitt, 1, x, x 3.86818 143.177 x Tarkistetaan tulos: ShowPloty, x, 0, tn, 1, Plotsx, x, 0, tn, 1, ImageSize Small 2 0 3 Regress-funktio antaa paljon statistiikkaa sovituksen hyvyydestä. Ainut meidän kannaltamme olennainen tilastollinen parametri lienee SE, eli Standard Error. Regress-funktion argumentit ovat samat kuin Fit-funktiolle, mutta se ei palauta suoraan sovitusfunktiota. Regress-funktio löytyy seuraavasta paketista: LinearRegression` Regresst, x, x ParameterTable 1 3.86818 6.53681 0.591753 0.561376 x 143.177 5.45683 26.2381 8.88178 10 16, RSquared 0.97452, AdjustedRSquared 0.973104, EstimatedVariance 198.017, ANOVATable DF SumOfSq MeanSq FRatio PValue Model 1 136 322. 136 322. 688.436 8.88178 10 16 Error 18 3564.3 198.017 Total 19 139 886. Huomataan, että Regress lisää automaattisesti vakiotermin sovitukseen. Se voidaan pakottaa pois asetuksella IncludeConstant->False

4 h06ratk.nb Regresst, x, x, IncludeConstant False DesignedRegress::tsos : Warning: the total sum of squares in the ANOVATable is uncorrected not centered on the response mean when there is no constant term in the model; it is designated U Total. DesignedRegress::rsqr : Warning: the RSquared and AdjustedRSquared diagnostics are redefined when there is no constant term in the model. ParameterTable, x 146.007 2.58139 56.5614 0. RSquared 0.994096, AdjustedRSquared 0.993785, EstimatedVariance 191.244, ANOVATable DF SumOfSq MeanSq FRatio PValue Model 1 611 828. 611 828. 3199.19 0. Error 19 3633.64 191.244 U Total 20 615 461. Jos et halua lukea virheilmoituksia, käytä Quiet-funktiota. Regresst, x, x, IncludeConstant False Quiet ParameterTable, x 146.007 2.58139 56.5614 0. RSquared 0.994096, AdjustedRSquared 0.993785, EstimatedVariance 191.244, ANOVATable DF SumOfSq MeanSq FRatio PValue Model 1 611 828. 611 828. 3199.19 0. Error 19 3633.64 191.244 U Total 20 615 461. Regress palauttaa listan sääntöjä, joiden avulla päästään käsiksi itse lukuihin: p ParameterTable. Regresst, x, x 1 3.86818 6.53681 0.591753 0.561376 x 143.177 5.45683 26.2381 8.88178 10 16 Arviot kulmakertoimelle ja vakiotermille: Virhearviot: Partp, 1, 1, 1 Partp, 1, 2, 1 3.86818 143.177 Partp, 1, 1, 2 Partp, 1, 2, 2 6.53681 5.45683 Lasketaan taulukosta R i : Keskiarvo: Clearr Fori 1, i n, i, ri ti, 1 ti, 2

h06ratk.nb 5 Keskihajonta: Fori 1; R 0, i n, i, R ri R n 0.00682344 Fori 1; 0, i n, i, R ri^2 n; Sqrt 0.00051198 Tai kätevämmin, valmiilla funktioilla: Ρ tall, 1 tall, 2; Ρ av MeanΡ keskiarvo Σ StandardDeviationΡ keskihajonta 0.00682344 0.00052528 Valmis funktio käyttää keskihajonnan kaavassa nimittäjää n-1. 4 Haetaan toinen datapisteistö, jossa on siis riippumattomia resistanssin mittauksia suurinpiirtein samalla jännitteen ja virran arvoilla. Muodostetaan erikseen taulukot virralle ja jännitteelle: t Import"h06data2.txt", "Table"; va tall, 1; ia tall, 2; Resistanssin keskiarvo: rav Meanva ia 145.346 Lasketaan jännitteen ja virran suurimmat poikkeamat keskiarvosta: Print"V ", Η Maxva Meanva Print"I ", φ Maxia Meania V 2.70969 I 0.077945 Leikitään hieman kokonaisdifferentiaalilla: Clearv, i, r rv, i : v i ; dr Dtrv, i v Dti i 2 Dtv i Virherajan laskemiseksi tämän lausekkeen molemmista termeistä on otettava itseisarvot, ja nämä itseisarvot lasketaan yhteen. Huom. Part-funktiolla saa vaikka summan termin tai tulon tekijän (minkä tahansa lausekkeen osan). adr AbsPartdr, 1 AbsPartdr, 2 Abs v Dti Abs Dtv i i 2

6 h06ratk.nb Korvataan Dt[i] ja Dt[v] I:llä ja V:llä, ja i ja v keskiarvoilla: r adr. i Meania, v Meanva, Dti φ, Dtv Η 11.3431 Sovelletaan 15 yksikön sääntöä: Virheeksi saadaan 12, ja keskiarvo pyöristetään samaan tarkkuuteen: Print"Resistanssi: R ", Roundrav, 1, " ± ", Roundr, 1, " " Resistanssi: R 145 ± 11