Time Series Analysis: Autocorrelation
|
|
- Jan Bech
- 5 år siden
- Visninger:
Transkript
1 Indledning Vi skal i denne opgave undersøge egenskaberne og anvendelser af analyse af tidsserier ved hjælp af korrelationsalgoritmer der er en række metoder der er i stand til at finde signaler i tidsserier der ikke nødvendigvis kan opløses i harmoniske svingninger. Min implementering af disse algortimer er foretaget i Matlab og alle kildekoder (og denne rapport) vil være tilgængelig på Algoritmerne Korrelationen dækker, som nævnt, over en metode til at finde signaler i tidsserier der, i modsætning til i forbindelse med powerspektret, ikke nødvendigvis skal bestå af harmoniske svingninger. Korrelationen mellem to tidsserier angiver så at sige hvor godt de ti tidsserier stemmer overens, og er defineret som følger: corr(x, y) = N N (x i x) (y i y) () i= Hvor x og y er to forskellige tidsserier. F.eks. kunne x være et sæt målinger og y kunne være en model man ønsker at tjekke hvor godt passer med dataene. En speciel variant af denne er den såkaldte autokorrelation der består i at finde korrelationen mellem et signal og det samme signal forskudt med k punkter: autocorr(k) = N k (x i x N k ) (x i+k x +k N ) () N k i= sfunktionen er derfor yderst anvendelig til at finde periodiske signaler i tidsserier, hvor det ikke er et krav at signalet består af harmoniske funktioner. 3 Bestemmelse af store frekvensopsplitning Vi skal nu anvende autocorrelationen til at undersøge powerspektret fra Sol-ligende oscillatorer der jo, som vist på figur a, består af en række peaks med konstant afstand. Afstanden mellem peakene hørende til samme angulære grad, l, kaldes den store frekvensopsplitning, ν. Ved at udregne autocorrelationen af spektret kan den store frekvensopsplitning findes, som vist på figur b. Som det ses består autocorrelationsspektret af den række toppe der svarer til modes med henholdsvis l = og l =. Der opstår desuden toppe der svarer til ν, 3 ν osv. Jeg har benyttet de tre første toppe svarende til l = til at bestemme ν. I det viste tilfælde med Solen findes en frekvensopsplitning på ν = 35. µhz.
2 .5 5 x 5. Amplitude (m/s) Frequency (µhz) (a) Amplitudespektrum Frequency shift (b) sspektrum Figur : sspektrum af Solen. For at undersøge om den store frekvensopsplitning afhænger af frekvensen køres tidsserien for Solen først igennem et bandpass-filter i tre frekvensintervaller: 8, og 37 5 µhz. Derefter gentages de samme udregninger for disse intervaller og den store frekvensopsplitning findes. Resultaterne er vist i tabel. Som det ses er der en svag afhængighed af frekvensen. x 3 x Frequency shift (µhz) (a) α Cen A Frequency shift (µhz) (b) α Cen B Figur : På figur er der vist spektrene fra de samme udregninger på stjernerne α Centauri A og B der er henholdsvis lidt tungere og lettere end Solen, og vi vil derfor forvente en lidt anden frekvensopsplitning i disse to tilfælde. Alle resultaterne er samlet i tabel. Som det også ses af figur, er det også en lidt større udfordring at bestemme frekvensopsplitningen præcist i disse spektre, da signal-støj-forholdet, især i α Cen B, er betydeligt mindre end for Solen. I alle stjernerne udviser ν dog en svag afhængighed af frekvensen.
3 Star ν ν low ν mid ν high Solen α Cen A α Cen B Tabel : Den store frekvensopsplitning i µhz. Da den store frekvensopsplitning er proportional med kvadratroden på stjernens middeldensitet og vi antager den samme proportionalitetskonstant for de tre stjerner, kan vi finde middeldensiteten af α Cen A og α Cen B på følgende måde: ν ρ = ν ρ ( ) ν ρ = ρ ν (3) () Ved at benytte at vi kender Solens middeldensitet til ρ =. g/cm 3 kan vi bestemme densiteterne fra de to andre stjerner: ρ A =.89 g/cm 3 ρ B =.98 g/cm 3 (5) (6) Søgning efter Exoplaneter En anden spænende og meget aktuel anvendelse af correlations-algoritmerne er i forbindelse med detektion af exoplaneter ved transit-metoden. Som aktuelle eksempler på dette kan eksempelvis nævnes den franske mission CoRoT og Kepler der er planlagt til opsendelse i februar 9. Vi skal her forsøge at detektere planet-transits i seks simulerede datasæt hvor vi på forhånd ikke har nogen kendskab til parameterne for de indsatte transits. Det første skridt i analysen er at udføre en filtrering, B der skal være i stand til at beholde al informationen om eventuelle transits og fjerne bidrag fra langtidsdrift og højfrekvent støj. Til dette formål anvender vi et filter der virker i tidsdomænet via en form for løbende middelværdi. Filteret er karakteriseret ved at have en transi-lignende struktur, men med et sæt af vinger til hver side, som vist på figur 3. Bredden af transitten kaldes B og bredden af de to vinger kaldes B. Netop pga. dette valg af variabel-navne har dette filter fået navnet Banan-filteret. Vi vil her sætte B = B. B D Figur 3: Banan-filteret. B B D Til et givet tidspunkt t i virker filteret ved at udregne middelværdien af punkterne i de tre regioner og den filtrerede tidsserie vil derefter være givet som: D(t i ) = C(t i ) W (t i ) + W (t i ) (7) 3
4 hvor W, W og C refererer til middelværdien af data-serien i henholdsvis første og anden vinge og centrum. Ved nu at køre filteret igennem hele tidsserien, dvs. at udregne dette for de samme tidspunkter som den originale tidsserie, opnås en ny filtrede tidsserie der opfylder vores kriterier. Et eksempel på effekten af filteret er vist på figur og det ses tydeligt at filteret bevarer informationen om transitten og fjerner de fleste former for støj og langtidsdrift. Det ses dog at filteret faktisk ændrer på formen af transitten, men vi har ikke mistet nogen information om transittens fase eller periode. 3 x Signal Time (hours) x Figur : Effekten af Banan-filteret udregnet for tidsserie # med B = t. Ved herefter at lave autocorrelationen på den filtrerede tidsserie vil vi skulle være i stand til at detektere de pågældende periodiske transit-signaler og udlede deres periode. Det viste sig dog at det med denne metode kun var muligt at detektere transits i to af de seks 5 x 9 B = hours. 8 x Period (days) (a) Tidsserie # 3 5 Period (days) (b) Tidsserie # Figur 5: Resultater fra autocorrelationen af serie # og #. Som det ses kan der ikke detekteres noget signal i # med denne teknik.
5 tidsserier. Et ret skuffende resultat i betragtning af at det faktisk kan lade sig gøre at detektere transitene med det blotte øje. Et par eksempler på resultaterne af autocorrelationen er vist på figur 5. Istedet udnyttede jeg netop det faktum at transittene er synlige direkte i tidsserien til at bestemme deres parametre manuelt. Dette blev gjort ved at plotte tidsserien og den filtrede tidsserie og så ganske simpelt scanne igennem tidsserien og finde to transits. Når disse var fundet tjekkede jeg at der ikke var nogle transits imellem de, for at udelukke muligheden for at at jeg f.eks. havde overset en transit og dermed ville bestemme den dobbelte periode. Derefter tjekkede jeg om der var transits regulært med den samme afstand, og derved kunne perioden og fasen lægges fast. Dette gjorde jeg jeg for alle de tidsserier hvor det ikke var muligt at finde noget med autokorrelation-metoden, og det viste sig yderst effektivt. Resultaterne er samlet i tabel. # P (d) t F (d) B (t) SNR Metode Manuelt Autocorr Autocorr Manuelt Manuelt Tabel : Resultater fra eftersøgningen af transits. Det skal dog understreges at denne teknik kun kan lade sig gøre her fordi der meget tydeligt er tale om kunstige firkantede transits. Hvis der havde været tale om virkelige transits der vil have en blødere form, ville det højst sandsynligt ikke være muligt at skelne transitene fra støj med øjet. Signal Time (days) (a) Tidsserie # Signal Time (days) (b) Tidsserie #6 Figur 6: Eksempler på transits der kan findes manuelt. Der kunne sikkert opnås bedre resultater ved at lave en krydskorrelation i stedet for autokorrelation, men dette vil selvfølgelig være på bekostning af en markant højere beregningstid. Et andet problem med autocorrelation-metoden er nemlig også at den ikke 5
6 giver nogen information om fasen, og derved er det ret besværligt at gå tilbage til tidsserien og tjekke om det resultat den har fundet rent faktisk er en transit, da man ikke har nogen information om hvornår transitene rent faktisk finder sted. Så konklusionen på denne sidste del af opgaven må være at autocorrelationen i samspil med banan-filteret godt kan bruges til at detektere store planeter, men hvis man ønsker at detektere mindre planeter skal der andre teknikker i brug. Dette kunne eventuelt være mere eller mindre avancerede versioner af krydskorrelationen. Referencer [Bedding] Bedding, T. R., Kjeldsen, H., Butler, R. P., McCarthy, C., Marcy, G. W., O Toole, S. J., Tinney, C. G. & Wright, J. T.,. Oscillation frequencies and mode lifetimes in α Centauri A. Astrophys. J., 6, [Kjeldsen5] H. Kjeldsen, T. R. Bedding, R. P. Butler, J. Christensen-Dalsgaard, L. Kiss, C. McCarthy, G. Marcy, C. Tinney & J. Wright. Solar-like oscillations in α Centauri B. Astrophys. J., 635,
7 5 Kildekode 5. autocorr.m function autocorr = autocorr(x) N = length(x); 3 autocorr = zeros(, N-); 5 for k = :N- 6 % Calculate the mean-values: 7 xmean = mean(x(:n-k)); 8 ymean = mean(x(+k:n)); 9 % Calculate the autocorrelation: i = :N-k; s = sum( (x(i)-xmean).* (x(i+k)-ymean) ); 3 autocorr(k) = s/(n-k); 5 end; 5. CalcLargeSep.m function [lsep,h] = CalcLargeSep(file, numin, numax, xli, yli, fsearch) % Load the data: 3 data = importdata(file); f = data(:,); 5 A = data(:,); 6 clear data; 7 8 %h = figure; 9 %plot(f,a); %xlabel( Frequency (\muhz) ); %ylabel( Amplitude (m/s) ); %drawnow; 3 %SetAspectRatio(h, 3/); %SaveFigure(h, Rapport/Billeder/Sun_spectrum.eps ) 5 %return; 6 7 % Remove unwanted part of spectrum: 8 indx = find(f > numin & f < numax); 9 f = f(indx); A = A(indx); N = length(f); 3 % Calculate autocorrelation: ac = autocorr(a); 5 fs = linspace(, (max(f)-min(f)), N-); 6 7 % Plot autocorrelation: 8 h = figure; 9 hold on; 3 plot(fs, ac); 3 xlabel( Frequency shift (\muhz) ); 3 ylabel( ); 33 box on; 3 xlim(xli); 35 ylim(yli); 36 drawnow; % Find the large seperation: 39 % Peak : ind = find(fs > fsearch(,) & fs < fsearch(,)); [m,indx] = max(ac(ind)); lsep = fs(ind()+indx-); 7
8 3 plot([lsep lsep], [yli() m], k: ); % Peak : 5 ind = find(fs > fsearch(,) & fs < fsearch(,)); 6 [m,indx] = max(ac(ind)); 7 lsep = fs(ind()+indx-); 8 plot([lsep lsep], [yli() m], k: ); 9 % Peak 3: 5 ind = find(fs > fsearch(3,) & fs < fsearch(3,)); 5 [m,indx] = max(ac(ind)); 5 lsep3 = fs(ind()+indx-); 53 plot([lsep3 lsep3], [yli() m], k: ); 5 % The large seperation: 55 lsep = (lsep + lsep/ + lsep3/3)/3; 5.3 bananafilter.m function [t, D] = bananafilter(t, x, B) 3 N = length(t); tmin = min(t); 5 dt = (max(t)-tmin)/n; 6 B = *B; 7 D = zeros(n, ); 8 t = zeros(n, ); 9 for i = :N ti = (i-)*dt+tmin; 3 mask = find(t > ti-b/-b & t < ti-b/); if isempty(mask) 5 W = ; 6 else 7 W = mean( x(mask) ); 8 end; 9 mask = find(t < ti+b/+b & t > ti+b/); if isempty(mask) W = ; 3 else W = mean( x(mask) ); 5 end; 6 7 C = mean( x(t >= ti-b/ & t <= ti+b/) ); 8 9 D(i) = C - (W + W)/; 3 t(i) = ti; 3 end; 5. FindPlanets.m clc; clear; 3 close all; 5 file = Data/transit.dat ; 6 % The area that max is to be located: 7 mmin = ; 8 mmax = 5; 9 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% data = importdata(file); 3 t = data.data(:,); 8
9 x = data.data(:,); 5 clear data; 6 N = length(x); 7 x = x-mean(x); 8 9 Bs = ::36; P = zeros(, length(bs)); m = zeros(, length(bs)); Tot = max(t)-min(t); 3 for j = :length(bs) 5 B = Bs(j); 6 7 % Run the bananafilter on data: 8 [t,d] = bananafilter(t, x, B); 9 3 % hold on; 3 % plot(t, x, b- ) 3 % plot(t,d, r- ); 33 % drawnow; 3 35 % Run the autocorrelation: 36 ac = autocorr(d); % Remove anything with less than three transits: 39 t = t(:end); ac = ac(t < Tot/3); t = t(t < Tot/3); 3 % Plot plot(t/, ac); 5 title([ B_ = numstr(b) hours. ]); 6 xlabel( Period (days) ); 7 ylabel( ); 8 9 s = std( ac(t > * & t < *) ); 5 5 % Find max in ac: 5 [m(j),indx] = max(ac(t > mmin* & t < mmax*)); 53 P(j) = mmin+t(indx)/; 5 hold on; 55 %plot(p(j), m(j), ro ); 56 %plot([ 5], [s s], r- ); 57 hold off; m(j) = m(j)/s; 6 6 drawnow; 6 F(j) = getframe; 63 end; 6 %% movie(f); figure; 69 [AX,H,H] = plotyy(bs, m, Bs, P, plot ); 7 7 set(get(ax(), Ylabel ), String, SNR ); 7 set(get(ax(), Ylabel ), String, max Period ); 73 set(h, LineStyle, - ); 7 set(h, LineStyle, - ); 75 xlabel( Transit Width (hours) ); 76 title(file); save([file.mat ], file, F, Bs, m, P, mmin, mmax ); 9
Projektopgave Observationer af stjerneskælv
Projektopgave Observationer af stjerneskælv Af: Mathias Brønd Christensen (20073504), Kristian Jerslev (20072494), Kristian Mads Egeris Nielsen (20072868) Indhold Formål...3 Teori...3 Hvorfor opstår der
Læs mereStjerners udvikling og planeter omkring stjerner. Hans Kjeldsen Aarhus Universitet
Stjerners udvikling og planeter omkring stjerner Hans Kjeldsen Aarhus Universitet - 200 milliarder stjerner - 10% af massen består af gas og støv - 100.000 lysår i diameter - Solen befinder sig 25.000
Læs mereTransit af XO-2b. Jonas Bregnhøj Nielsen. Lars Fogt Paulsen
Transit af XO-2b Udarbejdet af: Kasper Lind Jensen Jonas Bregnhøj Nielsen Lars Fogt Paulsen Indholdsfortegnelse Baggrund... 3 XO-2b... 4 Beskrivelse af observationer... 4 Datareduktion... 5 Diskussion...
Læs mereStatistik (deskriptiv)
Statistik (deskriptiv) Ikke-grupperede data For at behandle ikke-grupperede data i TI, skal data tastes ind i en liste. Dette kan gøres ved brug af List, hvis ikon er nr. 5 fra venstre på værktøjsbjælken
Læs mereExoplaneter fundet med Kepler og CoRoT
Exoplaneter fundet med Kepler og CoRoT Analyse af data fra to forskningssatellitter Af Hans Kjeldsen, Institut for Fysik og Astronomi, Aarhus Universitet I denne artikel demonstreres det hvordan man kan
Læs mereKort introduktion til MATLAB
BILAG H Kort introduktion til MATLAB Matlab er et interaktivt programmeringssprog udviklet til manipulering af vektorer og matricer, og er baseret på LINPACK og EISPACK bibliotekerne. På grund af den lette
Læs mereDel 1: Analyse af Solens frekvensspektrum
Asteroseismologi Undervisningsforløb 4 - Origins2017 1 Asteroseismologi Undervisningsforløb 4 - Origins2017 Forfatter: Torben Arentoft, SAC (Aarhus Universitet) Om forløbet Stjernesvingninger er lydbølger.
Læs mereForfatter: Torben Arentoft, SAC (Aarhus Universitet), Kristian Jerslev, VUC Aarhus og Christina Ena Skovgaard, VUC Aarhus
Stjernernes klang Opgaver til UV - Origins7 Stjernernes klang Opgaver til UV - Origins7 Forfatter: Torben Arentoft, SAC (Aarhus Universitet), Kristian Jerslev, VUC Aarhus og Christina Ena Skovgaard, VUC
Læs mereVEKSELSPÆNDINGENS VÆRDIER. Frekvens Middelværdi & peak værdi (max) Effektiv værdi (RMS) Mere om effektiv værdi!
AC VEKSELSPÆNDINGENS VÆRDIER Frekvens Middelværdi & peak værdi (max) Effektiv værdi (RMS) Mere om effektiv værdi! Frekvens: Frekvensen (f) af et system er antallet af svingninger eller rotationer pr. sekund:
Læs mere1 Start og afslutning. Help.
Afdeling for Teoretisk Statistik STATISTIK 2 Institut for Matematiske Fag Jørgen Granfeldt Aarhus Universitet 24. september 2003 Hermed en udvidet udgave af Jens Ledet Jensens introduktion til R. 1 Start
Læs mereUgeseddel 5, Uge 19, 2013
Forelæsninger (Lokale 1520 316) 6/5 10 12: Start på spektroskopi eftter P. E. Nissens noter 8/5 10 12: Fortsættelse af spektroskopi, bestemmelse af præcise radialhastigheder. 13/5 10 12: Interferometri
Læs mereCOROT: Stjernernes musik og planeternes dans Af Hans Kjeldsen, Institut for Fysik og Astronomi, Aarhus Universitet
COROT: Stjernernes musik og planeternes dans Af Hans Kjeldsen, Institut for Fysik og Astronomi, Aarhus Universitet COROT-satellitten skal fra december 2006 både se ind i stjernerne og samtidigt finde planeter
Læs mere1: Radialhastighedsmetoden I
1: Radialhastighedsmetoden I Vi har i kurset opstillet og benyttet følgende sammenhænge mellem parametre for planet og stjerne, i et system hvor en planet findes via radialhastighedsmetoden m M J vstjerne
Læs mereInd i maven på røde kæmpestjerner
Ind i maven på røde kæmpestjerner Jørgen Christensen-Dalsgaard Stellar Astrophysics Centre, Aarhus University Stjernernes udvikling Central hydrogenforbrænding Skalkilde hydrogenforbrændning Skalkilde
Læs mereIntroduktion til R. March 8, Regne- og tegneprogrammet R kan frit downloades fra adressen. http : //mirrors.sunsite.dk.cran
Introduktion til R March 8, 2004 1 Adgang til R Regne- og tegneprogrammet R kan frit downloades fra adressen http : //mirrors.sunsite.dk.cran 2 Start og afslutning. Help. I et vindue starter i R, typisk
Læs mereExoplaneter. Hans Kjeldsen Institut for Fysik og Astronomi, Aarhus Universitet
Exoplaneter Hans Kjeldsen Institut for Fysik og Astronomi, Aarhus Universitet Den første exoplanet blev fundet i 1995. I dag kender vi flere tusinde exoplaneter og de er meget forskellige. Synligt Infrarødt
Læs mereExoplaneter. Rasmus Handberg. Planeter omkring andre stjerner end Solen. Institut for Fysik og Astronomi Aarhus Universitet rasmush@phys.au.
Exoplaneter Planeter omkring andre stjerner end Solen Rasmus Handberg Institut for Fysik og Astronomi Aarhus Universitet rasmush@phys.au.dk Er der andre jordkloder derude? Med liv som vores? Du er her!
Læs mereBESTEMMELSE AF RADIALHASTIGHEDER
BESTEMMELSE AF RADIALHASTIGHEDER FOR STJERNER I NGC2506 Billede af stjernehoben NGC2506 ABSTRACT Denne opgave handler om stjerner i hoben NGC2506 der er en åben stjernehob. Ud fra 15 spektre pr stjerne
Læs mereInstitut for Matematiske Fag Matematisk Modellering 1 UGESEDDEL 6
Institut for Matematiske Fag Matematisk Modellering 1 Aarhus Universitet Eva B. Vedel Jensen 25. februar 2008 UGESEDDEL 6 Forelæsningerne torsdag den 21. februar og tirsdag den 26. februar. Jeg har gennemgået
Læs mereSidste gang Motivation Definitioner Approximations-algoritme for knudeoverdækning Approximations-algoritme for TSP med trekantsulighed
Approximations-algoritmer Sidste gang Motivation Definitioner Approximations-algoritme for knudeoverdækning Approximations-algoritme for TSP med trekantsulighed Negativt resultat om generel TSP Approximations-algoritme
Læs mereExoplaneter og stjerner - med specielt fokus på de fordampende varme exoplaneter
Kredit: Peter Devine Exoplaneter og stjerner - med specielt fokus på de fordampende varme exoplaneter Mia Sloth Lundkvist Motivation Er vi alene i Universet? Er vores Jord unik? 2/43 Beboelige zone Afstand,
Læs mereSONG Stellar Observations Network Group. Frank Grundahl, Århus Universitet
SONG Stellar Observations Network Group Frank Grundahl, Århus Universitet SONG teamet: Jørgen Christensen-Dalsgaard, AU Uffe Gråe Jørgensen, KU Per Kjærgaard Rasmussen, KU Frank Grundahl, AU Hans Kjeldsen,
Læs mereBilag 7. SFA-modellen
Bilag 7 SFA-modellen November 2016 Bilag 7 Konkurrence- og Forbrugerstyrelsen Forsyningssekretariatet Carl Jacobsens Vej 35 2500 Valby Tlf.: +45 41 71 50 00 E-mail: kfst@kfst.dk Online ISBN 978-87-7029-650-2
Læs mereBilagsnotat til: De nationale tests måleegenskaber
Bilagsnotat til: De nationale tests måleegenskaber Baggrund Der er ti obligatoriske test á 45 minutters varighed i løbet af elevernes skoletid. Disse er fordelt på seks forskellige fag og seks forskellige
Læs mereResonans 'modes' på en streng
Resonans 'modes' på en streng Indhold Elektrodynamik Lab 2 Rapport Fysik 6, EL Bo Frederiksen (bo@fys.ku.dk) Stanislav V. Landa (stas@fys.ku.dk) John Niclasen (niclasen@fys.ku.dk) 1. Formål 2. Teori 3.
Læs mereStrømmåling Lysefjordsenteret Fra og 9 meter
Strømmåling Lysefjordsenteret Fra 32-26 og 9 meter Referansepunktet ved denne måleren er intrumentet selv så: - 0m betyr her bunnstrøm, 32 meter dyp. - 6m betyr 6 meter fra instrumentet og betyr 26 meter
Læs mereDæmpet harmonisk oscillator
FY01 Obligatorisk laboratorieøvelse Dæmpet harmonisk oscillator Hold E: Hold: D1 Jacob Christiansen Afleveringsdato: 4. april 003 Morten Olesen Andreas Lyder Indholdsfortegnelse Indholdsfortegnelse 1 Formål...3
Læs mereTeoretiske Øvelser Mandag den 13. september 2010
Hans Kjeldsen hans@phys.au.dk 6. september 00 eoretiske Øvelser Mandag den 3. september 00 Computerøvelse nr. 3 Ligning (6.8) og (6.9) på side 83 i Lecture Notes angiver betingelserne for at konvektion
Læs mereDemonstration af transitmetoden
Demonstration af transitmetoden Introduktion: Det kan være svært at observere exoplaneter direkte, derfor benytter man sig i langt højere grad af transitmetoden: Her udnyttes at exoplaneter der bevæger
Læs mereSONG Stellar Observations Network Group
SONG Stellar Observations Network Group Frank Grundahl, IFA, 23. Januar - 2009 SONG gruppen: Jørgen Christensen Dalsgaard (PI), IFA Per Kjærgaard Rasmussen (PM), NBI Frank Grundahl (PS), IFA Hans Kjeldsen,
Læs mereGEOFYSIKSAMARBEJDET. Geofysisk Afdeling Geologisk Institut Aarhus Universitet OPSÆTNING I PROCESSERINGSSOFTWARET PACES
GEOFYSIKSAMARBEJDET Geofysisk Afdeling Geologisk Institut Aarhus Universitet OPSÆTNING I PROCESSERINGSSOFTWARET PACES JANUAR 2008 GEOFYSIKSAMARBEJDET SOFTWARE OPSÆTNING (1) PACES "settings" (1.1)... 1
Læs mereMultipel Linear Regression. Repetition Partiel F-test Modelsøgning Logistisk Regression
Multipel Linear Regression Repetition Partiel F-test Modelsøgning Logistisk Regression Test for en eller alle parametre I jagten på en god statistisk model har vi set på følgende to hypoteser og tilhørende
Læs mereTeoretiske Øvelser Mandag den 30. august 2010
Hans Kjeldsen hans@phys.au.dk 3. august 010 Teoretiske Øvelser Mandag den 30. august 010 Computerøvelse (brug MatLab) Det er tanken at I - i forbindelse med hver øvelsesgang - får en opgave som kræver
Læs mereHarmonisk oscillator. Thorbjørn Serritslev Nieslen Erik Warren Tindall
Harmonisk oscillator Thorbjørn Serritslev Nieslen Erik Warren Tindall November 27, 2007 Formål At studere den harmoniske oscillator, som indgår i mange fysiske sammenhænge. Den harmoniske oscillator illustreres
Læs mereSignalbehandling og matematik 1 (Tidsdiskrete signaler og systemer)
Signalbehandling og matematik 1 (Tidsdiskrete signaler og systemer) Session 1. Sekvenser, diskrete systemer, Lineære systemer, foldning og lineære tidsinvariante systemer Ved Samuel Schmidt sschmidt@hst.aau.dk
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Afsnit 6.1 Den standardiserede normalfordeling Normalfordelingen Beskrivelse af normalfordelinger: - Tæthed og fordelingsfunktion - Middelværdi, varians og fraktiler Lineære transformationer
Læs mereOptical Time Domain Reflectometer Princip for OTDR
Optical Time Domain Reflectometer Princip for OTDR Hvad er en OTDR Backscattered lys Pulse input Hvad er en OTDR? En OTDR er et instrument, der analyserer lys tabet i en optisk fiber og benyttes til at
Læs mereGEO har i 2 målesnit udført målinger af vibrationsniveauet i jorden i forskellige afstande til jernbanen under i alt 19 togpassager.
Malling. Lokalplan 711 Krekærtoften m.fl. Vurdering af vibrationer fra Odderbanen GEO projekt nr. 36270 Rapport 1, 2012-11-26 Sammenfatning Dele af ca. 10 grunde i lokalplan 711 ved Malling ligger tættere
Læs mereDynamisk programmering
Dynamisk programmering Dynamisk programmering Et algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Har en hvis lighed med divide-and-conquer: Begge opbygger løsninger til større problemer
Læs mereBestemmelse af Radiale Hastigheder
Bestemmelse af Radiale Hastigheder Jens Chr. H. Riggelsen 20040428 10. april 2007 1 Introduktion Jeg vil i denne raport forsøge at lave et program der kan finde de radiale hastigheder på udvalgte stjerner
Læs mere03-10-2012 side 1. Billedkvalitet. May-Lin Martinsen. UDDANNELSER I UDVIKLING www.ucl.dk
03-10-2012 side 1 Billedkvalitet May-Lin Martinsen 03-10-2012 side 2 Billedkvalitet Kontrast opløsning Rumlig opløsning Signal- Støj forhold (S/N) DOSIS Artefakter 03-10-2012 side 3 Billedkvalitet Den
Læs mereLøsning eksamen d. 15. december 2008
Informatik - DTU 02402 Introduktion til Statistik 2010-2-01 LFF/lff Løsning eksamen d. 15. december 2008 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th
Læs mereLøsning til eksaminen d. 14. december 2009
DTU Informatik 02402 Introduktion til Statistik 200-2-0 LFF/lff Løsning til eksaminen d. 4. december 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition,
Læs mereSpektrumrepræsentation
Spektrumrepræsentation (Kapitel 3) Jens D. Andersen Datalogisk Institut Københavns Universitet p.1/35 $ $ $ Spektrumrepræsentation Matematisk repræsentation af en sinusoide: hvor "! er en fasor. Mere komplicerede
Læs mereOpgave 1. Hvilket af følgende tal er størst? Opgave 2. Hvilket af følgende tal er mindst? Opgave 3. Hvilket af følgende tal er størst?
Tip til. runde af Georg Mohr-Konkurrencen Algebra Her præsenteres idéer til hvordan man løser algebraopgaver. Det er ikke en teoretisk indføring, men der er i stedet fokus på at illustrere nogle centrale
Læs mereNote om Monte Carlo metoden
Note om Monte Carlo metoden Kasper K. Berthelsen Version 1.2 25. marts 2014 1 Introduktion Betegnelsen Monte Carlo dækker over en lang række metoder. Fælles for disse metoder er, at de anvendes til at
Læs meremen nu er Z N((µ 1 µ 0 ) n/σ, 1)!! Forkaster hvis X 191 eller X 209 eller
Type I og type II fejl Type I fejl: forkast når hypotese sand. α = signifikansniveau= P(type I fejl) Program (8.15-10): Hvis vi forkaster når Z < 2.58 eller Z > 2.58 er α = P(Z < 2.58) + P(Z > 2.58) =
Læs mereGrådige algoritmer. Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer.
Grådige algoritmer Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for
Læs mereTip til 1. runde af Georg Mohr-Konkurrencen Algebra
Tip til. runde af - Algebra, Kirsten Rosenkilde. Tip til. runde af Algebra Her præsenteres idéer til hvordan man løser algebraopgaver. Det er ikke en særlig teoretisk indføring, men der er i stedet fokus
Læs mere6. Reduktion af spektre fra spektrografen FIES på det Nordiske Optiske Teleskop
6. Reduktion af spektre fra spektrografen FIES på det Nordiske Optiske Teleskop - Exoplaneten omkring WASP-1 Rapporten er udarbejdet af Lars Fogt Paulsen, 20061593 Programkoden er lavet i samarbejde med:
Læs mereMålet for disse slides er at beskrive nogle algoritmer og datastrukturer relateret til at gemme og hente data effektivt.
Merging og hashing Mål Målet for disse slides er at beskrive nogle algoritmer og datastrukturer relateret til at gemme og hente data effektivt. Dette emne er et uddrag af kurset DM507 Algoritmer og datastrukturer
Læs mereDynamisk programmering
Dynamisk programmering Dynamisk programmering Optimeringsproblem: man ønsker at finde bedste den kombinatoriske struktur blandt mange mulige. Dynamisk programmering Optimeringsproblem: man ønsker at finde
Læs mereStatistik Lektion 17 Multipel Lineær Regression
Statistik Lektion 7 Multipel Lineær Regression Polynomiel regression Ikke-lineære modeller og transformation Multi-kolinearitet Auto-korrelation og Durbin-Watson test Multipel lineær regression x,x,,x
Læs mereMålet for disse slides er at diskutere nogle metoder til at gemme og hente data effektivt.
Merging og hashing Mål Målet for disse slides er at diskutere nogle metoder til at gemme og hente data effektivt. Dette emne er et uddrag af kurset DM507 Algoritmer og datastrukturer (2. semester). Mål
Læs mereM=3 kunde forbindelse. oprettet lokation Steinerkant
M=3 åben facilitet kunde forbindelse lukket facilitet oprettet lokation Steinerkant v Connected facility location-problemet min i f i y i + d j c ij x ij + M c e z e (1) j i e hvorom gælder: x ij 1 j (2)
Læs mereTilstandskontrol. ved hjælp af vibrationsanalyse
VIBRO CONSULT Palle Aggerholm Tilstandskontrol ved hjælp af vibrationsanalyse Et minikursus med særlig henvendelse til vindmølleejere Adresse: Balagervej 69 Telefon: 86 14 95 84 Mobil: 40 14 95 84 E-mail:
Læs mereLøndelslister - Kontingenter (Rapport-ID: 66)
Løndelslister - Kontingenter (Rapport-ID: 66) Indhold 1. Hvad er formålet med rapporten?... 1 2. Overblik over rapporten... 1 3. Den færdige rapport... 2 4. Faste indbyggede filtre / betingelser i rapporten...
Læs mereBinomial fordeling. n f (x) = p x (1 p) n x. x = 0, 1, 2,...,n = x. x x!(n x)! Eksempler. Middelværdi np og varians np(1 p). 2/
Program: 1. Repetition af vigtige sandsynlighedsfordelinger: binomial, (Poisson,) normal (og χ 2 ). 2. Populationer og stikprøver 3. Opsummering af data vha. deskriptive størrelser og grafer. 1/29 Binomial
Læs mereModulationer i trådløs kommunikation
Modulationer i trådløs kommunikation Valg af modulationstype er et af de vigtigste valg, når man vil lave trådløs kommunikation. Den rigtige modulationstype kan afgøre, om du kan fordoble din rækkevidde
Læs mere6. Regression. Hayati Balo,AAMS. 1. Nils Victor-Jensen, Matematik for adgangskursus, B-niveau 1
6. Regression Hayati Balo,AAMS Følgende fremstilling er baseret på 1. Nils Victor-Jensen, Matematik for adgangskursus, B-niveau 1 6.0 Indledning til funktioner eller matematiske modeller Mange gange kan
Læs mereDansk Erhvervs gymnasieanalyse Sådan gør vi
METODENOTAT Dansk Erhvervs gymnasieanalyse Sådan gør vi FORMÅL Formålet med analysen er at undersøge, hvor dygtige de enkelte gymnasier er til at løfte elevernes faglige niveau. Dette kan man ikke undersøge
Læs mereCoulombs lov. Esben Pape Selsing, Martin Sparre og Kristoffer Stensbo-Smidt Niels Bohr Institutet F = 1 4πε 0
Coulombs lov Esben Pape Selsing, Martin Sparre og Kristoffer Stensbo-Smidt Niels Bohr Institutet 14-05-2007 1 Indledning 1.1 Formål Formålet er, at eftervise Coulombs lov; F = 1 4πε 0 qq r 2 ˆr, hvor F
Læs mereNormalfordelingen. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ
Normalfordelingen Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: f(x) = ( ) 1 exp (x µ)2 2πσ 2 σ 2 Frekvensen af observationer i intervallet
Læs mereEncoding:...1 Et tegn sæt (character set):...1 UTF-8 og UTF-16 (Unicode):...2
Encoding:...1 Et tegn sæt (character set):...1 UTF-8 og UTF-16 (Unicode):...2 Encoding: Vi har tidligere set på spørgsmålet om et XML dokuments encoding. Det er generelt altid en god ide at gemme et dokument
Læs mereOnline billede filtrering
Online billede filtrering Eksamensprojekt 2014 Andreas Lorentzen, klasse 3.4 Roskilde Tekniske Gymnasium Programmering C 09-05-2014 I dette projekt vil jeg demonstrerer en af de mange ting moderne browsere
Læs mereStandard 2-takt dieselmotor med turbo og intercooler
Standard 2-takt dieselmotor med turbo og intercooler Deffinitioner M 10 6 Atmosfærisk luft egenskaber (midlertidig) c p 1010 c kgk v 719.2 kgk c p κ 1.404 R c i c p c v 290.8 v kgk Hentet fra EES - T_1
Læs mereAnvendt Statistik Lektion 7. Simpel Lineær Regression
Anvendt Statistik Lektion 7 Simpel Lineær Regression 1 Er der en sammenhæng? Plot af mordraten () mod fattigdomsraten (): Scatterplot Afhænger mordraten af fattigdomsraten? 2 Scatterplot Et scatterplot
Læs mereVektorer og lineær regression
Vektorer og lineær regression Peter Harremoës Niels Brock April 03 Planproduktet Vi har set, at man kan gange en vektor med et tal Et oplagt spørgsmål er, om man også kan gange to vektorer med hinanden
Læs mereKvantitative Metoder 1 - Efterår Dagens program
Dagens program Afsnit 6.1. Ligefordelinger, fra sidst Den standardiserede normalfordeling Normalfordelingen Beskrivelse af normalfordelinger: - Tæthed og fordelingsfunktion - Middelværdi, varians og fraktiler
Læs mereLøsning til eksamen d.27 Maj 2010
DTU informatic 02402 Introduktion til Statistik Løsning til eksamen d.27 Maj 2010 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th edition]. Opgave I.1
Læs mere1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ
Indhold 1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ exposure) 2 1.1 Variation indenfor og mellem grupper.......................... 2 1.2 F-test for ingen
Læs mereBesvarelse af vitcap -opgaven
Besvarelse af -opgaven Spørgsmål 1 Indlæs data Dette gøres fra Analyst med File/Open, som sædvanlig. Spørgsmål 2 Beskriv fordelingen af vital capacity og i de 3 grupper ved hjælp af summary statistics.
Læs mereDansk Erhvervs gymnasieeffekt - sådan gjorde vi
Dansk Erhvervs gymnasieeffekt - sådan gjorde vi INDHOLD Formålet har været at undersøge, hvor dygtige de enkelte gymnasier er til at løfte elevernes faglige niveau. Dette kan man ikke undersøge blot ved
Læs mereIntroduktion til Laplace transformen (Noter skrevet af Nikolaj Hess-Nielsen sidst revideret marts 2013)
Introduktion til Laplace transformen (oter skrevet af ikolaj Hess-ielsen sidst revideret marts 23) Integration handler ikke kun om arealer. Tværtimod er integration basis for mange af de vigtigste værktøjer
Læs mereVektorer og lineær regression. Peter Harremoës Niels Brock
Vektorer og lineær regression Peter Harremoës Niels Brock April 2013 1 Planproduktet Vi har set, at man kan gange en vektor med et tal. Et oplagt spørgsmål er, om man også kan gange to vektorer med hinanden.
Læs mereBilag 12 Regressionsanalysens tabeller og forklaringer
Bilag 12 Regressionsanalysens tabeller og forklaringer Regressionsanalysens tabeller og forklaringer Regressionsanalysen vil være delt op i 2 blokke. Første blok vil analysere hvor meget de tre TPB variabler
Læs mereOversigt. 1 Gennemgående eksempel: Højde og vægt. 2 Korrelation. 3 Regressionsanalyse (kap 11) 4 Mindste kvadraters metode
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Oversigt 1 Gennemgående eksempel: Højde og vægt 2 Korrelation 3 Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse
Læs mereProjektopgave 1. Navn: Jonas Pedersen Klasse: 3.4 Skole: Roskilde Tekniske Gymnasium Dato: 5/ Vejleder: Jørn Christian Bendtsen Fag: Matematik
Projektopgave 1 Navn: Jonas Pedersen Klasse:.4 Skole: Roskilde Tekniske Gymnasium Dato: 5/9-011 Vejleder: Jørn Christian Bendtsen Fag: Matematik Indledning Jeg har i denne opgave fået følgende opstilling.
Læs mereSimulering af Regnskyl Projekt 3, & 02631, Foråret 2012
1 Simulering af Regnskyl Projekt 3, 2691 & 2631, Foråret 212 Projektet laves individuelt! Der skal ikke afleveres rapport for dette projekt. Man skal uploade én M-fil på CampusNet senest midnat, tirsdag
Læs mereAllan C. Malmberg. Terningkast
Allan C. Malmberg Terningkast INFA 2008 Programmet Terning Terning er et INFA-program tilrettelagt med henblik på elever i 8. - 10. klasse som har særlig interesse i at arbejde med situationer af chancemæssig
Læs mereElektromagnetisme 14 Side 1 af 9 Elektromagnetiske bølger. Bølgeligningen
Elektromagnetisme 14 Side 1 af 9 Bølgeligningen Maxwells ligninger udtrykker den indbyrdes sammenhæng mellem de elektromagnetiske felter. I det flg. udledes en ligning, der opfyldes af hvert enkelt felt.
Læs meregrupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen
1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen
Læs mereAdditionsformlerne. Frank Villa. 19. august 2012
Additionsformlerne Frank Villa 19. august 2012 2008-2011. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Indhold 1 Introduktion
Læs mereElektromagnetisme 14 Side 1 af 10 Elektromagnetiske bølger. Bølgeligningen
Elektromagnetisme 14 Side 1 af 1 Bølgeligningen Maxwells ligninger udtrykker den indbyrdes sammenhæng mellem de elektromagnetiske felter samt sammenhængen mellem disse felter og de feltskabende ladninger
Læs mereStatistik viden eller tilfældighed
MATEMATIK i perspektiv Side 1 af 9 DNA-analyser 1 Sandsynligheden for at en uskyldig anklages Følgende histogram viser, hvordan fragmentlængden for et DNA-område varierer inden for befolkningen. Der indgår
Læs mereFiltre. Passive filtre har ikke forstærkende led, som fx operationsforstærkere.
8/5 Filtre bruges til at fremhæve eller dæmpe nogle frekvenser. Dvs. man kan fx få kraftigere diskant, fremhæve lave toner Passive filtre Passive filtre har ikke forstærkende led, som fx operationsforstærkere.
Læs mereEvaluering af Soltimer
DANMARKS METEOROLOGISKE INSTITUT TEKNISK RAPPORT 01-16 Evaluering af Soltimer Maja Kjørup Nielsen Juni 2001 København 2001 ISSN 0906-897X (Online 1399-1388) Indholdsfortegnelse Indledning... 1 Beregning
Læs mereLøsninger til kapitel 5
1 Løsninger til kapitel 5 Opgave 51 Det nemmeste er her at omskrive alle sandsynlighederne til differenser mellem kumulerede sandsynligheder, dvs af sandsynligheder af formen, og derefter beregne disse
Læs mereSelvstudium 1, Diskret matematik
Selvstudium 1, Diskret matematik Matematik på første studieår for de tekniske og naturvidenskabelige uddannelser Aalborg Universitet I dette selfstudium interesserer vi os alene for tidskompleksitet. Kompleksitet
Læs mereAstronomidata med SIMBAD. At hente og anvende data fra Internettet til at datere Hyaderne.
Astronomidata med SIMBAD At hente og anvende data fra Internettet til at datere Hyaderne. Aladin s portal til data Man kan hente Aladin her: http://aladin.u-strasbg.fr/aladindesktop/ Programmet er java-baseret,
Læs mereOscillator. Af: Alexander Rosenkilde Alexander Bork Christian Jensen
Oscillator Af: Alexander Rosenkilde Alexander Bork Christian Jensen Oscillator øvelse Formål Øvelse med oscillator, hvor frekvensen bestemmes, for den frie og dæmpede svingning. Vi vil tilnærme data fra
Læs mereTheory Danish (Denmark) Ikke-lineær dynamik i elektriske kredsløb (10 point)
Q2-1 Ikke-lineær dynamik i elektriske kredsløb (10 point) Læs venligst de generelle instruktioner i den separate konvolut før du starter på opgaven. Introduktion Bi-stabile ikke-lineære halvlederkomponenter
Læs mereStatistik Lektion 1. Introduktion Grundlæggende statistiske begreber Deskriptiv statistik
Statistik Lektion 1 Introduktion Grundlæggende statistiske begreber Deskriptiv statistik Introduktion Kursusholder: Kasper K. Berthelsen Opbygning: Kurset består af 5 blokke En blok består af: To normale
Læs mereDet siger FOAs medlemmer om ledere og lederskab
FOA Kampagne & Analyse 30. marts 2009 Det siger FOAs medlemmer om ledere og lederskab Denne undersøgelse er gennemført via FOAs elektroniske medlemspanel i marts 2009. 2.031 FOA-medlemmer har medvirket
Læs mereStatistiske modeller
Statistiske modeller Statistisk model Datamatrice Variabelmatrice Hændelse Sandsynligheder Data Statistiske modeller indeholder: Variable Hændelser defineret ved mulige variabel værdier Sandsynligheder
Læs mereDen menneskelige cochlea
Den menneskelige cochlea Af Leise Borg Leise Borg er netop blevet cand.scient. Artiklen bygger på hendes speciale i biofysik Introduktion Hørelsen er en vigtig sans for mennesket, både for at sikre overlevelse,
Læs mereLærervejledning og opgaver til UV 1 - Origins2017
Stjernernes klang Lærervejledning og opgaver til UV 1 - Origins217 1 Stjernernes klang Lærervejledning og opgaver til UV 1 - Origins217 Forfattere: Torben Arentoft, SAC (Aarhus Universitet), Kristian Jerslev,
Læs mere