Visuelle Chi-Quadrat-Zerlegung als Schutz vor einer voreiligen Modellzustimmung
|
|
- Elly Bachmeier
- vor 5 Jahren
- Abrufe
Transkript
1 Visuelle Chi-Quadrat-Zerlegung als Schutz vor einer voreiligen Modellzustimmung Pierre A. Mandrin IMSD GmbH, Lavaterstrasse 103, 8002 Zürich, Schweizer Statistiktage 2018 Emotionen j?
2 Wir entschlüsseln die Daten mit hohen Ansprüchen auf Zuverlässigkeit! Data Science Beratungsunternehmen, seit 2012 Kunden in der Schweiz und weltweit Produkte: Optimierung, Inverse Modellierung, Prozessanalysen, etc.
3 Emotionen beeinflussen die Auswertung Mensch strebt an: - Erfolg - Bestätigung - Belohnung Software schlägt Modell vor, das zu den Messungen passt Rückkopplung (Verstärkung) Resultat: - Positive Emotionen - Voreingenommenheit - Voreilige Zustimmung
4 Problem:Modellanpassung ohnegewähr Lösung: Visueller Kontrollmechanismus Software schlägt Modell vor, das zu den Messungen passt Verbesserung des Modells Visuelle Kontrolle / Chi 2 - Zerlegung Wann gibt uns das Modell die gewünschte Information? Korrekturzyklus Erfolg? Nein Ja Ziel erreicht j Haben wir die nötigen Parameter?
5 Übersicht Verwendetes Beispiel Chi 2 -Zerlegung nach Freiheitsgraden Funktionsprinzip Methoden der Modellverbesserung systematisches Vorgehen Schlussfolgerungen
6 Beispiel: Projekt für das deutsche Bundesamt für Strahlenschutz Projektziele: Räumliche Optimierung der Messstationen für Radioaktivität Modellierung einer Kontaminationskarte imfall einer radioaktiven Freisetzung Massnahmen für den Bevölkerungsschutz und ergänzende Messungen nach einerradioaktiven Freisetzung
7 Modellierung einerkontaminationskarte 10 Modelle aus radioaktiven Ausbreitungssimulationen Gemessene Dosisleistungen Gemessene Ortsdosisleistung Kernkraftwerk Dosisleistungen [msv/h] Inverse Modellierung [msv/h] (lin-log Dosisleistungen) Kontaminationskarte Unsicherheitskarte
8 Welches Modell passt am besten zu den Messdaten? Methoden: Reduziertes Chi-Quadrat (à hier in unserem Beispiel) Mittlerer quadratischer Fehler Output neuronales Netzwerk, etc. Reduced 2 = NX i=1 (d Measure i d Model i ) 2 ( i Measure ) 2 ( : Anzahl Reicht ein solches Verfahren für kritische Entscheidungen aus? Ist es zuverlässig? ( Freiheitsgrade)
9 Reduziertes Chi-Quadrat mit 10 Modellen
10 Passung des Modells 3: Güteanalyse Modell 3 (Farbskala) & Messwerte (Punkte in Magenta) Red.chi^2=2.2: Oder noch nicht am Ziel? [msv/h]
11 Passung des Modells 3: Güteanalyse Chi-Quadrat-Zerlegung nach Punkten und nach Freiheitsgraden (Punkte magenta) Chi-Quadrat-Beiträge unterschiedlicher Grössenordnung -> Modell und Parameter ungeeignet -> Cut-off & Skalierung ändern! 1 Freiheitsgrad entfernt [msv/h]
12 Linear-Logarithmische Transformation d = f(d) = ( log 10 (e)d/d 0, D < 0 log 10 (1 + D/D 0 ), D 0 D 0 : Lin-Log Übergangswert CUT-OFF
13 Modell 3: D 0 = msv/h / cut-off 10-3 msv/h Chi-Quadrat-Zerlegung Bei dieser Skalierung sind die Chi-Quadrat- Beiträge von ähnlicher Grössenordnung Red.chi^2=6 [msv/h]
14 Reduziertes Chi-Quadrat mit 10 Modellen
15 Modelle 1 und 6 Model 1: Chi-Quadrat-Zerlegung Model 6: Chi-Quadrat-Zerlegung Red. chi^2 = 4.4 Red. chi^2 = 7.8 [msv/h] [msv/h] Warum chi^2 für Modell 6 höher? à Verschiebe Schwerpunkt
16 Modelle anpassen NATURGESETZ STATISTIKER Einschränkung für Parameter Theoretisch begründen Hohe Übereinstimmung mit den Daten Normalverteilte Residuen
17 Atmosphärenphysik à Drehstreckung Model 6: Chi-Quadrat-Zerlegung Nach Drehstreckung sind die Chi-Quadrat-Beiträge von ähnlicher Grössenordnung [msv/h] Red.chi^2=2.6
18 Reduziertes Chi-Quadrat mit 10 Modellen
19 Schlussfolgerungen Mehr Schlüsselinformation à weniger Emotionen bei Modellwahl Visualisierung der Chi-Quadrat-Zerlegung hilft wirkungsvoll Modellanassung immer theoriegeleitet!!! Wichtige Modellparameter nicht verpassen! # [5.1] "Sensitivity par. & red. chi^2) # (must be >= offset 1.0e-3 # [5.2] Threshold for # (must be >= offset Aber: Dies ist eine unserer Stärken!
20 Für IMSD setzt die Komplexität keine Grenze für die zuverlässige Datenmodellierung. Haben Sie Interesse, mit uns ein Tool der Industire 4.0 zu entwickeln? DANKE!
Statistische Methoden
Modeling of Data / Maximum Likelyhood methods Institut für Experimentelle und Angewandte Physik Christian-Albrechts-Universität zu Kiel 22.05.2006 Datenmodellierung Messung vs Modell Optimierungsproblem:
MehrProtokoll Grundpraktikum: F0: Auswertung und Präsentation von Messdaten
Protokoll Grundpraktikum: F0: Auswertung und Präsentation von Messdaten Sebastian Pfitzner 19. Februar 013 Durchführung: Sebastian Pfitzner (553983), Jannis Schürmer (5589) Betreuer: N. Haug Versuchsdatum:
MehrStatistik III. Methodologie der Psychologie
Statistik III Methodologie der Psychologie Thomas Schmidt & Lena Frank Wintersemester 2003/2004 Georg-Elias-Müller-Institut für Psychologie Uni Göttingen Literatur: Glantz, S.A. (2002). Primer of Biostatistics.
MehrStatistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
MehrSigmaStat Nina Becker, Christoph. Rothenwöhrer. Copyright 2004 Systat Software, Inc.
SigmaStat 3.11 Copyright 2004 Systat Software, Inc. http://www.systat.com Nina Becker, Christoph Rothenwöhrer Die Aufgabe der Statistik ist die Zusammenfassung von Daten, deren Darstellung, Analyse und
MehrErkunder-Simulation. Realitätsnahe Übungen mit dem ABC-Erkunder. Beispiele für die Einstellung von Ausbreitungen
Erkunder-Simulation Realitätsnahe Übungen mit dem ABC-Erkunder Beispiele für die Einstellung von Ausbreitungen Inhalt Einfache Ausbreitungsfahne...5 Ablenkung einer Ausbreitungsfahne...5 Durchzug einer
MehrDas Doppelstern-Modell Vorgehen beim Bestimmen der Modellparameter und ihrer Fehler
Das Doppelstern-Modell Vorgehen beim Bestimmen der Modellparameter und ihrer Fehler Udo Backhaus 29. November 2013 1 Hintergrund Das Doppelstern-Modell [1] beschreibt die Helligkeit y(t) zweier sich gegenseitig
MehrThilo Moseler Bern,
Bern, 15.11.2013 (Verallgemeinerte) Lineare Modelle Stärken Schwächen Fazit und persönliche Erfahrung 2 i-te Beobachtung der zu erklärenden Variablen Yi ist gegeben durch Linearkombination von n erklärenden
MehrStatistikpraktikum. Carsten Rezny. Sommersemester Institut für angewandte Mathematik Universität Bonn
Statistikpraktikum Carsten Rezny Institut für angewandte Mathematik Universität Bonn Sommersemester 2014 Mehrdimensionale Datensätze: Multivariate Statistik Multivariate Statistik Mehrdimensionale Datensätze:
MehrStatistische Messdatenauswertung
Roland Looser Statistische Messdatenauswertung Praktische Einführung in die Auswertung von Messdaten mit Excel und spezifischer Statistik-Software für naturwissenschaftlich und technisch orientierte Anwender
MehrDie Kapazität eines Plattenkondensators mit Luftspalt wird als Funktion der. Spaltbreite gemessen sowie die Messung mit der Theorie verglichen.
An Herrn Dr. Martin Lieberherr MNG Rämibühl Physikinstitut Rämistrasse 54 8001 Zürich Kondensatorspalt Die Kapazität eines Plattenkondensators mit Luftspalt wird als Funktion der Spaltbreite gemessen sowie
MehrModellierung der Nährstoffflüsse Grundwasser
Modellierung der Nährstoffflüsse Grundwasser Aktueller Stand und Anwendungen in Bayern Erfahrungsaustausch Nährstoffe FGG Rhein 21.09.2016 Mainz Dr. Simone Simon-O Malley Inhalt Modellierung der Nährstoffflüsse
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 31. Mai 2011 4. Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der
MehrProtokoll Grundpraktikum I: M9 - Reversionspendel
Protokoll Grundpraktikum I: M9 - Reversionspendel Sebastian Pfitzner. Juni 013 Durchführung: Sebastian Pfitzner (553983), Anna Andrle (55077) Arbeitsplatz: Platz Betreuer: Peter Schäfer Versuchsdatum:
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
MehrMessflüge 2006 vom
Nationale Alarmzentrale - U ARM 2006 Seite 1 / 20 Messflüge 2006 vom 19.06. - 22.06.2006 Kurzbericht über die Aeroradiometriemessflüge und Zusammenstellung der Resultate Dieser Bericht ist auf der Webseite
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrPVK Statistik Tag Carlos Mora
PVK Statistik Tag 2 11.1.2012 Block 4 Block 3 Übersicht 11.1.2012 09:00 6. Zwei-Stichproben-Tests für stetige Verteilungen (2.Teil) Übung 2C 1h inkl. Pause 7. Lineare Regression 12:00 Übung 3 Mittag 13:00
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrSchweizer Statistiktage, Aarau, 18. Nov. 2004
Schweizer Statistiktage, Aarau, 18. Nov. 2004 Qualitative Überprüfung der Modellannahmen in der linearen Regressionsrechnung am Beispiel der Untersuchung der Alterssterblichkeit bei Hitzeperioden in der
MehrAnpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood KARLSRUHER INSTITUT FÜR TECHNOLOGIE (KIT) 0 KIT 06.01.2012 Universität des Fabian Landes Hoffmann Baden-Württemberg und nationales Forschungszentrum
MehrAgenda. Boris Plaumann. Alena Fojtík. Alena Fojtík Boris Plaumann. Smart. Big. Data. Analytics. Science. Analytics im Day-2-Day Business
Agenda 1. 2. 3. 4. 5. Smart. Big. Data. Analytics. Science. Analytics im Day-2-Day Business Alles dreht sich um Daten Methoden & Visualisierung Beispiele aus der Praxis Boris Plaumann Alena Fojtík Alena
MehrTeil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS2010/11 1 / 1 Inhaltsübersicht 3Einführung in die freie Optimierung 4Orakel und Modellfunktionen 5Optimalitätsbedingungen der freien Optimierung
MehrPolynomiale Regression lässt sich mittels einer Transformation der Merkmale auf multiple lineare Regression zurückführen
Rückblick Polynomiale Regression lässt sich mittels einer Transformation der Merkmale auf multiple lineare Regression zurückführen Ridge Regression vermeidet Überanpassung, indem einfachere Modelle mit
Mehr10. Medizinische Statistik
10. Medizinische Statistik Projektplanung Deskriptive Statistik Inferenz-Statistik Literatur: Hüsler, J. und Zimmermann, H.: Statistische Prinzipien für medizinische Projekte, Verlag Hans Huber, 1993.
MehrDas Unmessbare messen Softsensoren zur Prozessanalyse und Qualitätskontrolle. Christoph Kugler, Thomas Hochrein 26. Mai 2011
Das Unmessbare messen Softsensoren zur Prozessanalyse und Qualitätskontrolle Christoph Kugler, Thomas Hochrein 26. Mai 2011 Das in Echtzeit und inline Unmessbare messen Softsensoren zur Prozessanalyse
MehrMultiple Lineare Regression. Statistik (Biol./Pharm./HST) Herbst 2013
Multiple Lineare Regression Statistik (Biol./Pharm./HST) Herbst 2013 Wdh: Einfache lineare Regression Modell: Y i = β 0 + β 1 x i + ε i, ε i ~N 0, σ 2 i. i. d Finde β 0, β 1 : Methode der kleinsten Quadrate
MehrAuswertung von Messdaten
Auswertung von Messdaten Statistische Methoden fur Geo- Lind Ingenieurwissenschaften von Prof Dr.-Ing. Wilhelm Caspary, Univ.-Prof. Dr. rer. nat. Klaus Wichmann Olden bou rgverlag Mu nchen Wien Inhaltsverzcichnis
Mehrsimple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall
Regression Korrelation simple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall Zusammenhänge zw. Variablen Betrachtet man mehr als eine Variable, so besteht immer auch
MehrEinstellungen für D-optimale Versuchspläne
Whitepaper Einstellungen für D-optimale Versuchspläne Version 1.0 Dr. Theo Wember 18. April 2017 Industriering 4a 85238 Petershausen Germany Tel.: +49 (8137) 935-0 Fax: +49 (8137) 935-235 http://www.camline.com/
MehrÜbungen mit dem Applet. by Michael Gärtner
Übungen mit dem Applet by Michael Gärtner Betreuer: Prof. Dr. Wilhelm Kleppmann Abgabe: 20. October 2006 Inhaltsverzeichnis 1 Prinzip der kleinsten Quadrate 4 2 Quadrierte Abweichungen und Bestimmtheitsmaÿ
MehrStatistische Methoden der Datenanalyse. Übung XI
Albert-Ludwigs-Universität Freiburg Wintersemester 203/204 Statistische Methoden der Datenanalyse Markus Schumacher, Stan Lai, Florian Kiss Übung XI 2..204, 22..204 Anwesenheitsaufgaben Aufgabe 53 Vergleich
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrStrahlenschutz. Radioaktivität Strahlenschutz Grenzwerte
Radioaktivität Strahlenschutz Grenzwerte Übersicht Radioaktivität - Radioaktive Strahlung - radiologische Begriffe Strahlenschutz - Grundlagen - praktischer Strahlenschutz Werte und Grenzwerte - Zusammensetzung
MehrWie kann ich überprüfen, welche Verteilung meinen Daten zu Grunde liegt? Chi-Quadrat-Test auf Normalverteilung
Wie kann ich überprüfen, welche Verteilung meinen Daten zu Grunde liegt? Chi-Quadrat-Test auf Normalverteilung T. Kießling: Fortgeschrittene Fehlerrechnung - Korrelation 5.04.018 Vorlesung 03-1 Chi-Quadrat-Test:
MehrEffizienz & Gütekriterien
Prozessmodellierung II Effizienz & Gütekriterien Linda Spazier Matrikel: 93515 Linda.Spazier@uni jena.de 25.05.2009 GEO 241 Modellierung von Systemen 1 Effizienz und Gütekriterien Stellen Übereinstimmungen
MehrMesswiederholungen und abhängige Messungen
Messwiederholungen und abhängige Messungen t Tests und Varianzanalysen für Messwiederholungen Kovarianzanalyse Thomas Schäfer SS 009 1 Messwiederholungen und abhängige Messungen Bei einer Messwiederholung
MehrProjekt MfM-U Lärm. Qualitätssicherung Messtechnik: Parallelmessungen an den Lärmmessstationen MFM-U. März - Mai Bern. Kredit-Nr.: 3129.
Projekt MfM-U Lärm Qualitätssicherung Messtechnik: Parallelmessungen an den Lärmmessstationen März - Mai 27 Auftraggeber: Bundesamt für Umwelt BAFU 33 Bern Kredit-Nr.: 3129.8 Vertrags-Nr.: 33 / G111- Inhaltsverzeichnis
MehrAlternative Darstellung des 2-Stichprobentests für Anteile
Alternative Darstellung des -Stichprobentests für Anteile DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Bei Gültigkeit der Nullhypothese Beobachtete Response No Response Total absolut
MehrInhaltsverzeichnis. 4 Statistik Einleitung Wahrscheinlichkeit Verteilungen Grundbegriffe 98
Inhaltsverzeichnis 1 Datenbehandlung und Programmierung 11 1.1 Information 11 1.2 Codierung 13 1.3 Informationsübertragung 17 1.4 Analogsignale - Abtasttheorem 18 1.5 Repräsentation numerischer Daten 20
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 1 1 Inhalt der heutigen Übung Statistik und Wahrscheinlichkeitsrechnung Hausübung F.4 (Zuverlässigkeitsberechnung) Bayes sche Entscheidungsanalyse (Aufgabe
MehrAuswertung kritischer Daten
Voraussetzung und verwandte Themen Für diese Beschreibungen sind Grundlagen der Statistik notwendig. Weiterführende und verwandte Themen sind: www.versuchsmethoden.de/multiple_regression.pdf Einführung
MehrApproximation. E(N) N. Beachte: Der Wert für N = 32 ist vernachlässigt, da er in der Grössenordnung der Rechengenauigkeit liegt.
Approximation Ziel: Approximation der Funktion f(x) = x mit Polynomen (global und stückweise) Experiment: Abhängigkeit des Approximationsfehlers E(N) (in der Maximumnorm) von der Anzahl der Freiheitsgrade
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, May 29, 2017 Dr. Michael O. Distler
MehrSchätzung von Parametern
Schätzung von Parametern Schätzung von Parametern Quantitative Wissenschaft: Messung von Parametern Gemessene Werte weichen durch (statistische und systematische) Messfehler vom wahren Wert des Parameters
MehrMesstechnische Überprüfung der Energieeinsparung
Messtechnische Überprüfung der Energieeinsparung Schlussveranstaltung Gebäudeprogramm der Stiftung Klimarappen Sandra Stettler, dipl. Umwelt Natw. ETH 20. September 2011, Bern Übersicht - Ziele des Messprojekts
MehrLiegen 2 Beobachtungen an n Objekten vor, spricht man von einer gebundenen Stichprobe Typische Struktur bei "stimulus-response" Versuchen
Mittelwertsvergleich bei gebundenen Stichproben Liegen Beobachtungen an n Objekten vor, spricht man von einer gebundenen Stichprobe Typische Struktur bei "stimulus-response" Versuchen Obj.1 Obj.... Obj.n
MehrÜbungen mit dem Applet Wahrscheinlichkeitsnetz
Wahrscheinlichkeitsnetz 1 Übungen mit dem Applet Wahrscheinlichkeitsnetz 1 Statistischer Hintergrund... 1.1 Verteilungen... 1. Darstellung von Daten im Wahrscheinlichkeitsnetz...4 1.3 Kurzbeschreibung
MehrPhysikalisches Grundpraktikum I
INSTITUT FÜR PHYSIK DER HUMBOLDT-UNIVERSITÄT ZU BERLIN Physikalisches Grundpraktikum I Versuchsprotokoll P2 : F7 Statistik und Radioaktivität Versuchsort: Raum 217-2 Versuchsbetreuer: E. von Seggern, D.
MehrAlternative Darstellung des 2-Stichprobentests für Anteile
Alternative Darstellung des -Stichprobentests für Anteile DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Bei Gültigkeit der Nullhypothese Beobachtete Response No Response Total absolut
Mehr6.4 Der Kruskal-Wallis Test
6.4 Der Kruskal-Wallis Test Der Test von Kruskal und Wallis, auch H-Test genannt, ist ein Test, mit dem man die Verteilungen von Teilstichproben auf Unterschiede untersuchen kann. Bei diesem Test geht
MehrMultiple Lineare Regression. Statistik (Biol./Pharm.) Herbst 2012
Multiple Lineare Regression Statistik (Biol./Pharm.) Herbst 2012 Wdh: Einfache lineare Regression Modell: Y i = β 0 + β 1 x i + ε i, ε i ~N 0, σ 2 i. i. d Finde β 0, β 1 : Methode der kleinsten Quadrate
MehrInhaltsverzeichnis. Bibliografische Informationen digitalisiert durch
Grundlagen 1 1.1 Einleitung 1 1.2 Grundbegriffe 2 1.2.1 Systemgrenzen 3 1.2.2 Qualitätsmerkmal 4 1.2.3 Parameter und Faktoren 5 1.2.4 Stufen 6 1.2.5 Vergleich zu traditionellen Verfahren 6 1.3 Auswertung
MehrStatistische Methoden der Datenanalyse
Albert-Ludwigs-Universität Freiburg Wintersemester 20/202 Statistische Methoden der Datenanalyse Markus Schumacher Übung X Markus Warsinsky 6..202 Anwesenheitsaufgaben Aufgabe 59 Vergleich von Messungen
MehrEvaluation & Forschungsstrategien. B.Sc.-Seminar. Sitzung IV: Konfidenzintervalle // Normalverteilungstests
Evaluation & Forschungsstrategien B.Sc.-Seminar Sitzung V: Konfidenzintervalle // Normalverteilungstests Seminarinhalte Sitzung V: 16.05.2018 Konfidenzintervalle bei bekannter Varianz Konfidenzintervalle
MehrRegressionsanalysen von Radonkonzentrationen
Regressionsanalysen von Radonkonzentrationen J. BUERMEYER, M. GUNDLACH, V. GRIMM, H. HINGMANN, J. BRECKOW INSTITUT FÜR MEDIZINISCHE PHYSIK UND STRAHLENSCHUTZ, TECHNISCHE HOCHSCHULE MITTELHESSEN, GIESSEN,
MehrLS-Schätzer. SSE(β) = (y µ) t (y µ) = y t y 2β t X t y + β t X t Xβ. Minimiere SSE(β) bzgl. β: Minimum definiert durch
LS-Schätzer Sei µ = Xβ mit rg(x) = p und β = (β 1,..., β p ) t SSE(β) = (y µ) t (y µ) Minimiere SSE(β) bzgl. β: = y t y 2β t X t y + β t X t Xβ β SSE(β) = 2Xt y + 2X t Xβ. Minimum definiert durch X t X
MehrInhaltsverzeichnis. 1 Einleitung Stand der Forschung und Ausgangssituation Allgemeiner Stand... 4
Inhaltsverzeichnis 1 Einleitung 1 1.1 Stand der Forschung und Ausgangssituation.................... 4 1.1.1 Allgemeiner Stand.............................. 4 1.1.2 MIMO Funkkanal und MIMO Kanalkapazität...............
MehrSaros: Verbesserung des algorithmischen Kerns gleichzeitiges Editieren. von Norman Warnatsch Diplomarbeit
Saros: Verbesserung des algorithmischen Kerns gleichzeitiges Editieren von Norman Warnatsch Diplomarbeit 1 Gliederung 1. Saros a. das Plugin b. Jupiter-Algorithmus 2. Problemstellung: Fehlverhalten beim
MehrNeuronale Kodierung sensorischer Reize. Computational Neuroscience Jutta Kretzberg
Neuronale Kodierung sensorischer Reize Computational Neuroscience 30.10.2006 Jutta Kretzberg (Vorläufiges) Vorlesungsprogramm 23.10.06!! Motivation 30.10.06!! Neuronale Kodierung sensorischer Reize 06.11.06!!
MehrTeil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.
Woche 11: Multiple lineare Regression Patric Müller Teil XIII Multiple lineare Regression ETHZ WBL 17/19, 10.07.017 Wahrscheinlichkeit und Statistik Patric Müller WBL
MehrParameteranpassung mit kleinsten Quadraten und Maximum Likelihood
Parameteranpassung mit kleinsten Quadraten und Maximum Likelihood Armin Burgmeier 27. November 2009 1 Schätzwerte 1.1 Einführung Physikalische Messungen sind immer fehlerbehaftet. Man misst niemals den
MehrGrundpraktikum E2 Innenwiderstand von Messgeräten
Grundpraktikum E2 Innenwiderstand von Messgeräten Julien Kluge 7. November 205 Student: Julien Kluge (56453) Partner: Fredrica Särdquist (568558) Betreuer: Pascal Rustige Raum: 27 Messplatz: 2 INHALTSVERZEICHNIS
MehrMathematisch-Naturwissenschaftliche Fakultät I Humboldt-Universität zu Berlin Institut für Physik Physikalisches Grundpraktikum.
Mathematisch-Naturwissenschaftliche Fakultät I Humboldt-Universität u Berlin Institut für Physik Physikalisches Grundpraktikum Versuchsprotokoll Statistik und Radioaktivität (F7) Arbeitsplat 1 durchgeführt
MehrEinführung Fehlerrechnung
Einführung Fehlerrechnung Bei jeder Messung, ob Einzelmessung oder Messreihe, muss eine Aussage über die Güte ( Wie groß ist der Fehler? ) des Messergebnisses gemacht werden. Mögliche Fehlerarten 1. Systematische
MehrDatenmodelle, Regression
Achte Vorlesung, 15. Mai 2008, Inhalt Datenmodelle, Regression Anpassen einer Ausgleichsebene Polynomiale Regression rationale Approximation, Minimax-Näherung MATLAB: polyfit, basic fitting tool Regression
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
MehrMethode der kleinsten Quadrate
Kapitel 7 Methode der kleinsten Quadrate Im Folgenden wird die Methode der kleinsten Quadrate (LS = least square, die auf dem χ -Test beruht, für die Anpassung von parametrisierten Funktionen an normalverteilte
MehrAlgorithmen für Sensornetze
Algorithmen für Sensornetze Markus Völker 02. Februar 2010 Lokalisierung in Gebäuden Lokalisierung Ausgangssituation? Lokalisierung Ziel! Lokalisierung Signalabfall in Gebäuden Signalabfall mit ca. 1/d
MehrMixed Effects Models: Wachstumskurven
Mixed Effects Models: Wachstumskurven Markus Kalisch 07.10.2014 1 Überblick Wiederholte Messungen (z.b. Wachstumskurven): Korrelierte Beobachtungen Random Intercept Model (RI) Random Intercept and Random
MehrObjektorientierte Programmierung VL: Prof. Dr. Marco Block-Berlitz - Freie Universität Berlin Proinformatik III
Objektorientierte Programmierung VL: Prof. Dr. Marco Block-Berlitz - Freie Universität Berlin Proinformatik III Text: Hinnerk van Bruinehsen - Grafiken: Jens Fischer powered by SDS.mint SoSe 2011 1 Teil
MehrÜbungen mit dem Applet
Übungen mit dem Applet 1. Visualisierung der Verteilungsform... 1.1. Normalverteilung... 1.. t-verteilung... 1.3. χ -Verteilung... 1.4. F-Verteilung...3. Berechnung von Wahrscheinlichkeiten...3.1. Visualisierung
MehrOne tool to rule them all - R als statistisches Sackmesser
Kanton Zürich Direktion der Justiz und des Innern One tool to rule them all - R als statistisches Sackmesser Dr. Peter Moser R - ein multifunktionales Statistikwerkzeug Im STAT seit 2000 verwendet, anfangs
MehrBarbara Bredner. NOT-Statistik. Nachweise führen, Optimierungen finden, Toleranzen berechnen mit Minitab und R. Auszug: Inhaltsverzeichnis
Barbara Bredner NOT-Statistik Nachweise führen, Optimierungen finden, Toleranzen berechnen mit Minitab und R Auszug: Inhaltsverzeichnis Barbara Bredner, NOT-Statistik. Nachweise führen, Optimierungen finden,
MehrEinfache lineare Regression. Statistik (Biol./Pharm./HST) FS 2015
Einfache lineare Regression Statistik (Biol./Pharm./HST) FS 2015 Wdh: Korrelation Big picture: Generalized Linear Models (GLMs) Bisher: Population wird mit einer Verteilung beschrieben Bsp: Medikament
MehrWeitere Methoden. Beispiel Risikoindikatoren
Weitere Methoden Interne Daten reichen als einzige Datenquelle nicht aus Andere Modelle sollten vorhandenes Wissen, insbesondere Prognosen berücksichtigen Gemischte Ansätze verbinden quantitatives und
MehrAnaloge CMOS-Schaltungen
Analoge CMOS-Schaltungen PSPICE: Oszillator-Schaltungen 19. Vorlesung Einführung 1. Vorlesung 8. Vorlesung: Inverter-Verstärker, einige Differenzverstärker, Miller-Verstärker 9. Vorlesung: Miller-Verstärker
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen. Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung
Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung Typisierung der stetigen theoretischen Verteilungen Bibliografie:
MehrModellierung von Abflussmessstationen
Eidgenössisches Departement für Umwelt, Verkehr, Energie und Kommunikation UVEK Bundesamt für Umwelt BAFU Hydrologie, Hydrometire Modellierung von Abflussmessstationen 27. Januar 2016 Traktanden Einführung
MehrComputer in der Wissenschaft
Dr. Michael O. Distler distler@uni-mainz.de Mainz, 8. Januar 2014 Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der kleinsten
MehrMethode der kleinsten Quadrate
Kapitel 6 Methode der kleinsten Quadrate In den einführenden Worten zur Maximum-Likelihood-Methode im vorigen Kapitel wurde darauf hingewiesen, dass die Parameteroptimierung mit Hilfe des χ -Tests bei
MehrMAGS2 -- EP2. Tobias Megies, Joachim Wassermann. MAGS2 Workshop Mainz
MAGS2 -- EP2 Untersuchungen zur optimierten seismischen Überwachung hydrogeothermaler Systeme bei dichter räumlicher Lage der Bohrerlaubnisfelder am Beispiel der Situation im Süden Münchens Tobias Megies,
MehrGRS FACHFORUM. Köln, 15. & 16. Juni Modellierung der Aktivierung von Reaktorkomponenten für Strahlenschutz und Stilllegung
GRS FACHFORUM Köln, 15. & 16. Juni 2009 Modellierung der Aktivierung von Reaktorkomponenten für Strahlenschutz und Stilllegung M. Wagner, U. Hesse, K. Hummelsheim, YC Y.Cartier Einführung / Hintergrund
MehrVersuch 17: Kennlinie der Vakuum-Diode
Versuch 17: Kennlinie der Vakuum-Diode Inhaltsverzeichnis 1 Einleitung 3 2 Theorie 3 2.1 Prinzip der Vakuumdiode.......................... 3 2.2 Anlaufstrom.................................. 3 2.3 Raumladungsgebiet..............................
MehrZüchtungslehre - Lösung 3
Züchtungslehre - Lösung 3 Peter von Rohr October 20, 2015 Aufgabe 1 (8) Der in dieser Aufgabe verwendete Datensatz unter http://charlotte-ngs.github.io/livestockbreedingandgenomics/w5/simgenphen.csv umfasst
MehrVergleich von Parametern zweier Stichproben
Vergleich von Parametern zweier Stichproben Vergleich von Mittelwerten bei gebundenen Stichproben Vergleich von Mittelwerten bei unabhängigen Stichproben Vergleich von Varianzen bei unabhängigen Stichproben
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Korrelationsanalysen Kreuztabellen und χ²-test Themen Korrelation oder Lineare Regression? Korrelationsanalysen - Pearson, Spearman-Rang, Kendall s Tau
MehrAnwendung von MATLAB/Simulink in Studium und Praktikum. Aryanti Kusuma Putri B.Sc. RWTH Stefan Liebich B.Sc. RWTH
Anwendung von MATLAB/Simulink in Studium und Praktikum Aryanti Kusuma Putri B.Sc. RWTH Stefan Liebich B.Sc. RWTH 1 Gliederung Anwendungen im Studium und Möglichkeiten durch Mitarbeit in der Forschung Erfahrungen
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrZahlen zur baulichen Erneuerung und deren sozialen Folgen in Zürich
Zahlen zur baulichen Erneuerung und deren sozialen Folgen in Zürich Statistiktage Martin Brenner Dr. Stefanie Jörg Statistik Stadt Zürich Seite 1 Zahlen zur baulichen Erneuerung und deren Folgen Inhalt
MehrVersuchsplanung und multivariate Statistik Sommersemester 2018
Versuchsplanung und multivariate Statistik Sommersemester 2018 Vorlesung 11: Lineare und nichtlineare Modellierung I Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6.6.2018
Mehr