TILS600 Spatiaalinen data-analyysi (4 op)

Opinnon taso:
Syventävät opinnot
Arviointiasteikko:
0-5
Suorituskieli:
suomi
Vastuuorganisaatio:
Matematiikan ja tilastotieteen laitos
Opetussuunnitelmakaudet:
2017-2018, 2018-2019, 2019-2020

Kuvaus

Sisältö

1. Johdanto - Spatiaalinen data, spatiaaliset mallit, kysymyksenasetteluja, spatiaalisen riippuvuuden hyödyt ja "haitat" 2. Jatkuvaparametrinen satunnaiskenttä - Satunnaiskenttä, Semivariogrammin estimointi, empiirinen semivariogrammi vs. kvariogrammi, variogrammimallin sovitus, aggregointi 3. Spatiaalinen otanta - Spatiaaliset otanta-asetelmat, keskiarvon estimointi, otantavirhe, otantavirheen estimointi, sekamallisähestymistapa, koealaotanta 4. Spatiaalinen interpolointi - Ongelmanasettelu, kriging, esimerkkejä krigingistä 5. Gaussisen satunnaiskentän simulointi - Choleskyn hajoitelman käyttö, spektraalimenetelmä, kääntyvän nauhan menetelmä, ehdollinen simulointi 6. Alueellinen data ja diskreetit satunnaiskentät - Alueellinen data, riippuvuusluvut, mallinnuksen esihistoria-gravitaatiomalli, simultaaninen autoregressio, ehdollinen autoregressio-Markovin kentät 3. Gaussisen satunnaiskentän simulointi. 4. Spatiaalinen otanta. 5. Alueellinen data ja satunnaiskentät 6. Hierarkkiset alueelliset mallit.

Suoritustavat

Harjoitukset, harjoitustyö ja kurssitentti tai kurssin lopputentti.
Suoritustavat ovat tarkemmin opetusohjelmasssa.

Arviointiperusteet

Arviointiin vaikuttavat menestys kurssitentissä ja mahdollisesti aktiivisuus harjoitustehtävien tms. tekemisessä sekä harjoitustyöstä suoriutuminen.
Kurssin lopputentissä hyväksyttyyn suoritukseen vaaditaan yleensä vähintään puolet tentin maksimipisteistä.
Opetusohjelmassa on tarkemmat arviointiperusteet.

Osaamistavoitteet

Kurssin menestyksellisesti suorittanut:
- ymmärtää spatiaalisen datan erityispiirteet, erityisesti spatiaalisen riippuvuuden,
- tuntee Gaussisen satunnaiskentän perusteoriaa ja simulointimenetelmiä,
- osaa käyttää geostatistiikan työkaluja kuten variogrammia ja interpolointia,
- osaa käyttää spatiaalisen otannan perusmenetelmiä virhearvionti mukaanlukien
- osaa käyttää aluetilastotieteen malleja (Markovin kentät)

Esitietojen kuvaus

Esitiedoiksi oletetaan Todennäköisyyslaskenta 1 ja 2 kurssin asioiden hyvä hallinta sekä valmius R-ohjelmiston käyttöön. Hyödyllisiksi edeltäviksi opinnoiksi katsotaan Aikasarja-analyysi tai Stokastiset mallit tai vastaavan kurssin asioiden hallinta.

Suoritustavat

Tapa 1

Valitaan kaikki merkityt osat
Suoritustapojen osat
x
Julkaisematon arviointikohde