GRACE-Datenanalyse mit dem Kalman-Filter
|
|
- Lennart Hauer
- vor 5 Jahren
- Abrufe
Transkript
1 . GRACE-Datenanalyse mit dem Kalman-Filter Wie gut lassen sich aus GRACE-Beobachtungen echte tägliche Schwerefeldlösungen bestimmen? 1 Enrico Kurtenbach, Torsten Mayer-Gürr, Annette Eicker Institut für Geodäsie und Geoinformation Professur für Astronomische, Physikalische und Mathematische Geodäsie Universität Bonn 5.Oktober 21
2 Motivation ITG-Grace21 das aktuelle Bonner GRACE-Schwerefeld Zeitraum: 2/24 bis 8/29 Produkte statisches Schwerefeld bis Grad und Ordnung 18 monatliche Schwerefelder bis Grad und Ordnung 12 tägliche Schwerefelder bis Grad und Ordnung 4 2 Tageslösungen bestimmt mit Kalman-Smoother stochastisches Prozessmodell aus geophysikalischen Modellen Lassen sich aus GRACE wirklich Tageslösungen bestimmen? video
3 Beobachtungsmodell Darstellung des zeitvariablen Gravitationspotentials der Erde V (λ, ϕ, r) = GM R N n= m= n c nm (t)c nm (λ, ϕ) + s nm (t)s nm (λ, ϕ) Bestimmung durch GRACE-Beobachtungen im GMM mit: x t = ( c nm l t + v t = A t x t mit C {l t, l t } = R 1 t l t v t A t s nm ) T t GRACE-Beobachtungen Verbesserungen Designmatrix Parametervektor 3
4 Beobachtungsmodell Aufstellen des Normalgleichungssystems (NGS) für einen Tag t A t R 1 1 t A t x t = A t Rt l t }{{}}{{} N t n t Tageslösung ˆx t = N 1 (min= , max= , avg=268.24, rms= ) t n t Standardabweichungen (min=2.4366, max=21991, avg= , rms= ) cm ewh e+4 cm ewt
5 Beobachtungsmodell Aufstellen des Normalgleichungssystems (NGS) fu r einen Tag t 1 At R 1 t At xt = At Rt lt } {z {z } nt Nt 4 Tageslo sung x t = N 1 t nt Standardabweichungen (min=2.4366, max=21991, avg= , rms= ) (min= , max= , avg=268.24, rms= ) E. Kurtenbach et al. 1 cm ewh cm ewt e+4 Ko ln,
6 Prozessmodell Annahme Der Zustand ˆx t des Schwerefeldes ändert sich nicht beliebig von einem Zeitschritt zum nächsten, sondern ist (irgendwie) vorhersagbar: x t = Bx t 1 + w Einführen von zusätzlichen Informationen (Prozessmodell) zur Stützung der Lösung Vorhersage ist charakterisiert durch Prozessdynamik B Prädiktionsfehler w N (, Q) mit Kovarianzmatrix Q PROBLEM: Prozessmodell der wahren Erde nicht zugänglich, da zu kompliziert! 5
7 Prozessmodell Annahme Der Zustand ˆx t des Schwerefeldes ändert sich nicht beliebig von einem Zeitschritt zum nächsten, sondern ist (irgendwie) vorhersagbar: x t = Bx t 1 + w Einführen von zusätzlichen Informationen (Prozessmodell) zur Stützung der Lösung Vorhersage ist charakterisiert durch Prozessdynamik B Prädiktionsfehler w N (, Q) mit Kovarianzmatrix Q PROBLEM: Prozessmodell der wahren Erde nicht zugänglich, da zu kompliziert! 5
8 Prozessmodell Angenommene zeitliche Evolution des Schwerefeldes x t = Bx t 1 + w Wahre Prozessdynamik B der Erde unbekannt B = f(ort, Zeit, ganz viel Physik) =? 6 Aber falls Kovarianzstruktur bekannt {( )} ( ) xt Σ Σ C =, Σ dann gilt [Moritz, 198]: x t 1 Σ T x t = Σ Σ 1 x t 1 + w mit w N (, Σ Σ Σ 1 Σ T )
9 Prozessmodell Angenommene zeitliche Evolution des Schwerefeldes x t = Bx t 1 + w Wahre Prozessdynamik B der Erde unbekannt B = f(ort, Zeit, ganz viel Physik) =? 6 Aber falls Kovarianzstruktur bekannt {( )} ( ) xt Σ Σ C =, Σ dann gilt [Moritz, 198]: x t 1 Σ T x t = Σ Σ 1 x t 1 + w mit w N (, Σ Σ Σ 1 Σ T )
10 Prozessmodell Kovarianzstruktur approximieren durch empirische Kovarianzmatrizen aus geophysikalischen Modellen m i Σ Σ = 1 N m i m T i N und i=1 Σ Σ = 1 N 1 N m i m T i 1 i=2 7 Wahre Dynamik des Erdschwerefeldes wird approximiert mit x t = Σ Σ 1 x t 1 + w mit w N (, Σ Σ Σ 1 ΣT )
11 Fusion von Prozess und Beobachtungen Prozessmodell x t = Σ Σ 1 x t 1 + w Beobachtungsmodell N t x t = n t Prädiktion 8 ˆx t = Bˆx + t 1 P t = BP + t 1 BT + Q Update P + t = ˆx + t = ˆx t + P + t ( (P t ) 1 + Nt ) 1 ( nt N tˆx t )
12 Simulationsstudie Prozessmodell aus Atmosphäre: ECMWF Ozean: OMCT Hydrologie: WGHM (min= , max= , avg= , rms= ) GRACE-Beobachtungen aus Atmosphäre: ECMWF Ozean: MOG2D Hydrologie: GLDAS (min= , max= , avg= , rms=3.3957) Zeitlicher RMS (in ewh [cm]) cm ewh Zeitlicher RMS (in ewh [cm])
13 Simulationsstudie Zeitlicher Verlauf für Punkt λ = 6, φ = 6 water height [cm] water height [cm] signal 12prediction (r = 91%) (rms = ) 8 4update (r = 98%) (rms = ) Simuliertes Signal (Soll) Prädiktion ˆx t ρ =.91 erms = 3.5cm Update ˆx + t ρ =.98 erms = 1.7cm signa pred upda 1
14 Simulation verbesserte Version Korrelationskoeffizient AOH(t) ˆx + t (min=.37257, max= , avg=.86959, rms=.87275)
15 Simulation verbesserte Version Korrelationskoeffizient AOH(t) ˆx + t (min=.37257, max= , avg=.86959, rms=.87275) 1. Die spannende Frage 11 Welchen Anteil hat GRACE am Ergebnis?.9.8.7
16 Anteil der GRACE-Beobachtungen Zur Erinnerung: Update-Schritt lässt sich umformen zu ˆx + t = ˆx t + P + t ˆx + t = ( (P t ) 1 + Nt ) 1 Nt }{{} W GRACE t wobei ( nt N tˆx ) t ( (P ) ) 1 1 (P ) ˆx t + t + 1 Nt t }{{} Wt rot: Gewichtsmatrix für GRACE-only Lösung ˆx t blau: Gewichtsmatrix für prädizierten Zustand ˆx t ˆx t 12
17 Anteil der GRACE-Beobachtungen Hauptdiagonale von W GRACE t als Approximation degree percent s nm c nm 4
18 Anteil der GRACE-Beobachtungen Hauptdiagonale von W GRACE t als Approximation degree percent s nm c nm 4
19 Anteil der GRACE-Beobachtungen Hauptdiagonale von WtGRACE als Approximation percent degree snm 1 1 Ordnung m 15 2 cnm 3 4 (min=2.4366, max=21991, avg= , rms= ) ca. 15 Umla ufe pro Tag E. Kurtenbach et al cm ewt e+4 Ko ln,
20 Anteil der GRACE-Beobachtungen W GRACE t fortgepflanzt in den Ortsbereich (min= , max= , avg=17.19, rms= ) percent
21 Zusammenfassung Eingangsfrage: Lassen sich GRACE-Tageslösungen bestimmen? (min= , max= , avg=17.19, rms= ) Klare Antwort: Jein! punktuell über 8 Prozent GRACE-Anteil percent zumindest dort, wo GRACE flog Fortsetzung folgt... Einführung ortslokalisierender Basisfunktionen! Vortrag A. Eicker: Tägliche GRACE-Lösungen für regionale hydrologische Anwendungen (morgen 14:3h)
22 . GRACE-Datenanalyse mit dem Kalman-Filter Wie gut lassen sich aus GRACE-Beobachtungen echte tägliche Schwerefeldlösungen bestimmen? 16 Enrico Kurtenbach, Torsten Mayer-Gürr, Annette Eicker Institut für Geodäsie und Geoinformation Professur für Astronomische, Physikalische und Mathematische Geodäsie Universität Bonn 5.Oktober 21
23 Literatur Moritz, H. (198). Advanced Physical Geodesy. Wichmann, Karlsruhe. 17
Vergleich unterschiedlicher GOCE Orbit-Produkte
Vergleich unterschiedlicher GOCE Orbit-Produkte J. Schall, A. Shabanloui, J. Kusche 1 Institut für Geodäsie und Geoinformation IGG Astronomisch, Physikalische und Mathematische Geodäsie Universität Bonn
MehrAssimilierung von GRACE-Daten in ein hydrologisches Modell mit Hilfe eines Ensemble-Kalman-Filter Ansatzes
Assimilierung von GRACE-Daten in ein hydrologisches Modell mit Hilfe eines Ensemble-Kalman-Filter Ansatzes M. Schumacher, A. Eicker, E. Kurtenbach, J. Kusche (Universität Bonn) P. Döll, H. Hoffmann-Dobrev,
MehrZeitliche Schwerevariationen und GRACE
Zeitliche Schwerevariationen und GRACE Thomas Peters, Lorant Földvary Institut für Astronomische und Physikalische Geodäsie Technische Universität München Gliederung Zeitliche Schwerevariationen Übersicht
MehrOptimierte regionale Gravitationsfeldmodelle aus GOCE Daten
Optimierte regionale Gravitationsfeldmodelle aus GOCE Daten Judith Schall, Jürgen Kusche, Annette Eicker, Torsten Mayer-Gürr Institut für Geodäsie und Geoinformation, Astronomisch, Physikalische und Mathematische
Mehr5. Auswertung der GRACE-Daten
5. Auswertung der GRACE-Daten Nachdem im vorherigen Kapitel die Möglichkeiten des Kalman-Filter-Ansatzes zur Bestimmung kurzzeitiger Schwerevariationen anhand eines Simulationsszenarios nachgewiesen wurden,
MehrApproximation flächenhaft harmonischer Funktionen mittels bikubisch finiter Elemente
. Session 6: Theoretische Geodäsie Approximation flächenhaft harmonischer Funktionen mittels bikubisch finiter Elemente 1 Jessica Franken Institut für Geodäsie und Geoinformation Professur für Theoretische
MehrAusgleichungsrechnung - nach der Methode der kleinsten Quadrate -
Computer Vision Ausgleichungsrechnung - nach der Methode der kleinsten Quadrate -.6.5 Problem Beispiel: Bestimmung der Parameter einer Gerade bei gegebenen x und fehlerhaften y y = ax+ b Beschreibung der
MehrKonvexe Optimierung zur Schätzung von Kovarianzfunktionen
. Geodätische Woche 211 Konvexe Optimierung zur Schätzung von Kovarianzfunktionen 1 Lutz Roese-Koerner, Silvia Becker, Andreas Ernst und Wolf-Dieter Schuh Institut für Geodäsie und Geoinformation Professur
MehrTägliche GRACE-Lösungen für regionale hydrologische Anwendungen
Täglche GRACE-Lösungen für regonale hydrologsche Anwendungen Annette Ecker, Enrco Kurtenbach, Torsten Mayer-Gürr Insttut für Geodäse und Geonformaton, Un Bonn Geodätsche Woche 6. Oktober 2010 Köln Annette
MehrEinfluss nicht-gezeiten-bedingter Auflasteffekte durch Atmosphäre, Ozean und Hydrologie auf globale GNSS-Lösungen
Einfluss nicht-gezeiten-bedingter Auflasteffekte durch Atmosphäre, Ozean und Hydrologie auf globale GNSS-Lösungen S. Franke (1), Ole Roggenbuck (1), D. Thaller (2), R. Dach (3), P. Steigenberger (4) (1)
MehrAnalyse von zeitlichen Variationen bei unregelmäßig vorliegenden räumlichen Daten
. Analyse von zeitlichen Variationen bei unregelmäßig vorliegenden räumlichen Daten Geodätische Woche 2010 1 Andreas Ernst und Wolf-Dieter Schuh 7. Oktober 2010 Motivation Räumliche Daten entstehen inzwischen
MehrAlgorithmen für geographische Informationssysteme. 6. Vorlesung: 14. Mai 2014
Algorithmen für geographische Informationssysteme 6. Vorlesung: 14. Mai 2014 Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen P 2 Δh 2,3 = 7.0 m P 3 Δh 1,2 =
Mehrigg Institut für Geodäsie und Geoinformation
igg Institut für Geodäsie und Geoinformation Schriftenreihe 24 Enrico Kurtenbach Entwicklung eines Kalman-Filters zur Bestimmung kurzzeitiger Variationen des Erdschwerefeldes aus Daten der Satellitenmission
MehrTitelmaster. Katharina Franz, Maike Schumacher, Jürgen Kusche
Titelmaster Entwicklung von Fehlermodellen für Klimadaten am Beispiel von Niederschlag für die Assimilation von Schwerefelddaten in hydrologische Modelle, Maike Schumacher, Jürgen Kusche Institut für Geodäsie
MehrQuantifizierung einzelner Beiträge zum Meeresspiegel durch Kombination von Schwerefeld- und Altimeterdaten
Quantifizierung einzelner Beiträge zum Meeresspiegel durch Kombination von Schwerefeld- und Altimeterdaten L. Jensen, R. Rietbroek, A. Löcher, J. Kusche Universität Bonn 11.10.2012 Geodätische Woche, Hannover
MehrBeispiel: Positionsschätzung
Das Kalman Filter Beispiel: Positionsschätzung Beispiel: Positionsschätzung. Messung: mit Varianz Daraus abgeleitete Positionsschätzung: mit Varianz ˆX = = f f ( y ) y 3 Beispiel: Positionsschätzung. Messung:
MehrComputer Vision: Kalman Filter
Computer Vision: Kalman Filter D. Schlesinger TUD/INF/KI/IS D. Schlesinger () Computer Vision: Kalman Filter 1 / 8 Bayesscher Filter Ein Objekt kann sich in einem Zustand x X befinden. Zum Zeitpunkt i
MehrIndoor Location Tracking and Information System
Master Thesis Indoor Location Tracking and Information System Thomas Blocher tblocher@ee.oulu.fi TU Graz Österreich IMST GmbH Deutschland Indoor Location Tracking and Information System p. 1/14 Gliederung
MehrZeitreihenanalyse. H.P. Nachtnebel. Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau. Definitionen und Anwendung
.. Zeitreihenanalyse H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Definitionen und Anwendung Definition Zeitreihe zeitliche Abfolge von Messwerten, deren Auftreten
Mehrkleinsten Quadraten Session 4: Angewandte Geodäsie und GNSS Geodätische Woche, 29. September 2011, Nürnberg
von von Session 4: Angewandte Geodäsie und GNSS Corinna Harmening Jens-André Geodätisches Institut Leibniz Universität Hannover Geodätische Woche, 29. September 2011, Nürnberg 1 / 12 Motivation von Abb.
MehrHauptdierentialanalyse
Hauptdierentialanalyse Jan Ditscheid TU Dortmund Seminar funktionale Datenanalyse 19.11.2015 1 / 40 1 Wozu HDA? 2 Denition des Problems 3 HDA am Beispiel 4 Techniken zur HDA 5 Beurteilung der Anpassung
MehrDekorrelationsfilter und ihre Validierung am Beispiel von GOCE Messreihen
. Geodätische Woche Dekorrelationsfilter und ihre Validierung am Beispiel von GOCE Messreihen 1 Ina Krasbutter u. Wolf-Dieter Schuh Institut für Geodäsie und Geoinformation Professur für Theoretische Geodäsie
MehrAnalyse der EOP-Zeitreihen aus Daten des ITRF2008
Mathis Bloßfeld, Manuela Seitz, Detlef Angermann Deutsches Geodätisches Forschungsinstitut Geodätische Woche 2009 Forschungsarbeiten im Rahmen der Forschergruppe Erdrotation und globale dynamische Prozesse
MehrSpektralanalyse. Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann!
Spektralanalyse Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann! Mit der Spektralanalyse können wir Antworten auf folgende Fragen bekommen:
MehrLyapunov-Exponenten. Analyse des Langzeitverhaltens ( t ) eines physikalischen Systems:
Analyse des Langzeitverhaltens ( t ) eines physikalischen Systems: - t tritt bei konkreten beobachteten Systemen nicht auf t >> τ (τ: charakteristische Systemzeit) - t: Dauer der Beobachtung, Prognosezeitraum,...
MehrCombination of time series of excitation functions considering the common original observations
Geodätische Woche Köln, Deutschland, 5.-8. Oktober 2010 P9: Combined analysis and validation of Earth rotation models and observations GIH, DGFI, TUM Combination of time series of excitation functions
MehrBewegungsdetektion mit GNSS durch Schätzung der Empfängergeschwindigkeit basierend auf Dopplerbeobachtungen
Bewegungsdetektion mit GNSS durch Schätzung der Empfängergeschwindigkeit basierend auf Dopplerbeobachtungen Roland Hohensinn, Alain Geiger Institute for Geodesy and Photogrammetry, ETH Zürich Geodätische
MehrVariationen des Antarktischen Zirkumpolarstroms aus zeitlich höher aufgelösten GRACE-Schwerefeldern
Variationen des Antarktischen Zirkumpolarstroms aus zeitlich höher aufgelösten GRACE-Schwerefeldern Inga Bergmann, Henryk Dobslaw, Maik Thomas GFZ, 1.3 Erdsystem-Modellierung Session 2: Schwerefeld (28.09.2011,
MehrAbhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.
Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient
MehrNeue Verfahren zur Erfassung unterirdischer Wasserressourcen
Neue Verfahren zur Erfassung unterirdischer Wasserressourcen Andreas Güntner Deutsches GeoForschungsZentrum Potsdam (GFZ) Sektion 5.4 Hydrologie Wettzell, 16.05.2013 Die Erde: Der Blaue Planet Wasser bedeckt
MehrGEODÄSIE UND HYDROLOGIE GEMEINSAM ZUM ERFOLGREICHEN RESOURCENMANAGEMENT. Matthias Weigelt
GEODÄSIE UND HYDROLOGIE GEMEINSAM ZUM ERFOLGREICHEN RESOURCENMANAGEMENT Matthias Weigelt weigelt@gis.uni-stuttgart.de 18.11.2011 Wasser als Lebensgrundlage Lebensraum Erholungsraum Nahrungsquelle Transportweg
Mehr3 Trend- und Saisonkomponenten
3 Trend- und Saisonkomponenten Schritte bei der Analyse von Zeitreihendaten : Plot ; Identifikation von Strukturbrüchen, Ausreißern etc. ; Modellansatz, z.b. klassisches Komponentenmodell X t = m t + s
MehrMulti-dimensionale Signalanpassung durch Spline-Funktionen
Keynote: Session 6 Theoretische Geodäsie Multi-dimensionale Signalanpassung durch Spline-Funktionen Michael Schmidt Deutsches Geodätisches Forschungsinstitut (DGFI), München, Germany Email: schmidt@dgfi.badw.de
MehrOrnstein-Uhlenbeck-Prozesse
Ornstein-Uhlenbeck-Prozesse M. Gruber 3. 4 214 Zusammenfassung Der Ornstein-Uhlenbeck-Prozess (oft abgekürzt OU-Prozess) ist ein spezieller stochastischer Prozess, der nach den beiden niederländischen
MehrSeminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung
M.Sc. Brice Hakwa hakwa@uni-wuppertal.de Seminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung - Zusammenfassung zum Thema: Berechnung von Value-at-Risk
MehrKlausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte, 90 min
Klausur, Analyse mehrdimensionaler Daten, WS 2010/2011, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 21.02.2011 Klausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte,
Mehr3 Trend- und Saisonkomponenten
3 Trend- und Saisonkomponenten Schritte bei der Analyse von Zeitreihendaten : Plot ; Identifikation von Strukturbrüchen, Ausreißern etc. ; Modellansatz, z.b. klassisches Komponentenmodell X t = m t + s
MehrZusammenfassung der 8. Vorlesung
Zusammenfassung der 8. Vorlesung Beschreibung und Analyse dynamischer Systeme im Zustandsraum Steuerbarkeit eines dynamischen Systems Unterscheidung: Zustandssteuerbarkeit, Zustandserreichbarkeit Unterscheidung:
MehrStochastik-Praktikum
Stochastik-Praktikum Zeitreihenanalyse Peter Frentrup Humboldt-Universität zu Berlin 19. Dezember 2017 (Humboldt-Universität zu Berlin) Zeitreihenanalyse 19. Dezember 2017 1 / 13 Übersicht 1 Zeitreihen
MehrGOCE Schwerefeld-Gradienten: Geophysikalische
GOCE Schwerefeld-Gradienten: Geophysikalische Modellierung am Beispiel des Japan-Tohoku-Oki Erdbeben M. Fuchs, J. Bouman, C. Haberkorn, V. Lieb, M. Schmidt Deutsches Geodätisches Forschungsinstitut(DGFI)
Mehr8 Stichprobenkennwerteverteilung
8 Stichprobenkennwerteverteilung 8.1 Vorbemerkungen 8.2 Die Normalverteilung: Teil 2 8.3 Die t Verteilung 8.4 Normalverteilungs Approximation: Der zentrale Grenzwertsatz 8.1 Vorbemerkungen Daten x 1,...,
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrDFG-Projekt He1433/21-2
DFG-Projekt He1433/21-2 1 Lösung des GRWP mittels analytischer Fortsetzung (1) Marych (1969) und Moritz (1969) Analytische (harmonische) Fortsetzung von g von der Erdoberfläche auf die (normale) Niveaufläche
MehrGewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h
5. Die partielle Autokorrelationsfunktion 5.1 Definition, Berechnung, Schätzung Bisher: Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h ρ X (h) = Corr(X t, X
MehrFlachheit Eine nützliche Methodik auch für lineare Systeme
Flachheit Eine nützliche Methodik auch für lineare Systeme Michael Zeitz Institut für Systemdynamik Universität Stuttgart Flachheits-Methodik [FLIESS et al. 92ff] Lineare SISO und MIMO Systeme M. Zeitz
MehrDas magische Quadrat für stochastische Prozesse
. Geodätische Woche Das magische Quadrat für stochastische Prozesse 1 Institut für Geodäsie und Geoinformation Professur für Theoretische Geodäsie - Universität Bonn Ina Krasbutter, Boris Kargoll, Wolf-Dieter
MehrÖkonometrische Modelle
Ökonometrische Modelle Stichwörter: Dynamische Modelle Lagstrukturen Koyck sche Lagstruktur Zeitreihenmodelle Mehrgleichungsmodelle Strukturform reduzierte Form o1-13.tex/0 Lüdeke-Modell für die BRD C
MehrSeminarvortrag. Euler-Approximation. Marian Verkely TU Dortmund
Seminarvortrag Euler-Approximation Marian Verkely TU Dortmund 03.12.14 1 / 33 Inhaltsverzeichnis 1 Motivation 2 Simulierte Prozesse 3 Euler-Approximation 4 Vasicek-Prozess: Vergleich analytische Lösung
MehrStatistische Kennwerte und -funktionen. Dr.-Ing. habil. H. Nobach
Statistische Kennwerte und -funktionen Dr.-Ing. habil. H. Nobach 1. Einführung Statistische Kennwerte und -funktionen, wie Mittelwert Varianz Wahrscheinlichkeitsdichte Autokorrelation spektrale Leistungsdichte
MehrStatistik - Fehlerrechnung - Auswertung von Messungen
Statistik - Fehlerrechnung - Auswertung von Messungen TEIL II Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Eindimensionaler Fall: Parameterbestimmung - Beispiele [Übung] Mehrdimensionaler
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
MehrDynamik des lokalen Strom/Spannungsverhaltens von Nafion-Membranen
Dynamik des lokalen Strom/Spannungsverhaltens von Nafion-Membranen Präsentation der Ergebnisse der Aversumsprojekte 2009 Steffen ink a Wolfgang G. Bessler, b A. Masroor, b Emil Roduner a a Universität
MehrKalibrierung von GRACE Akzelerometerdaten und deren Einfluss auf die Schätzung der thermosphärischen Neutraldichte
. Masterarbeit Kalibrierung von GRACE Akzelerometerdaten und deren Einfluss auf die Schätzung der thermosphärischen Neutraldichte 1 M.Sc. Kristin Vielberg Universität Bonn Institute für Geodäsie and Geoinformation
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
MehrKalman-Filter und Target Tracking
Kalman-Filter und Target Tracking Peter Poschmann Hochschule für Technik und Wirtschaft Dresden Fakultät Informatik/Mathematik 23. März 2016 Inhalt 1 Kalman-Filter Einleitung Eindimensionaler Kalman-Filter
Mehr1 Lambert-Beersches Gesetz
Physikalische Chemie II Lösung 6 23. Oktober 205 Lambert-Beersches Gesetz Anhand des idealen Gasgesetzes lässt sich die Teilchenkonzentration C wie folgt ausrechnen: C = N V = n N A V pv =nrt = N A p R
MehrDer diskrete Kalman Filter
Der diskrete Kalman Filter Fachbereich: Informatik Betreuer: Marc Drassler Patrick Winkler 1168954 6. Dezember 2004 Technische Universität Darmstadt Simulation und Systemoptimierung Darmstadt Dribbling
MehrErdsystemmodellierung: Von geodätischen Beobachtungsdaten zum Prozessverständnis
Erdsystemmodellierung: Von geodätischen Beobachtungsdaten zum Prozessverständnis M. Thomas, I. Sasgen, H. Dobslaw, J. Wickert Deutsches GeoForschungsZentrum GFZ, Numerische Modellierung: Ein Werkzeug für
MehrPräzise Einfrequenz-Positionierung mit dem Galileo E5 Breitbandsignal
Präzise Einfrequenz-Positionierung mit dem Galileo E5 Breitbandsignal Geodätische Woche 2011 / InterGEO Nürnberg 28. September 2011 Ing. habil. Torben Schüler Stefan Junker Herman Diessongo Prof. Dr.-Ing.
MehrSchwerefeldmissionen als Beitrag zur Erdsystemforschung
Schwerefeldmissionen als Beitrag zur Erdsystemforschung Institut für Astronomische und Physikalische Geodäsie TU München 1 Einleitung & Motivation Ozean. Transport Ozeanzirkulation Massen- and wärmetransp.
MehrWechselkurse und Finanzmarkt-Indizes
8. Mai 2008 Inhaltsverzeichnis 1 Wechselkurse Einführung Wechselkurs US Dollar - Deutsche Mark Statistischer Prozess 2 Reinjektion Eigenschaften der Fluktuationen von x(τ) 3 Diffusion auf Finanzmärkten
MehrTechnische Universität Wien Institut für Automatisierungs- und Regelungstechnik. SCHRIFTLICHE PRÜFUNG zur VU Automatisierung am
Technische Universität Wien Institut für Automatisierungs- und Regelungstechnik SCHRIFTLICHE PRÜFUNG zur VU Automatisierung am 8.6.13 Arbeitszeit: 1 min Name: Vorname(n): Matrikelnummer: Note: Aufgabe
MehrMultivariate Verteilungen und Copulas
Multivariate Verteilungen und Copulas Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j
MehrDynamische Systeme und Zeitreihenanalyse // Zustandsraummodelle und Kalman Filter 15 p.2/??
Dynamische Systeme und Zeitreihenanalyse Zustandsraummodelle und Kalman Filter Kapitel 15 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Zustandsraummodelle
MehrEuler-Approximation. Leonie van de Sandt. TU Dortmund Prof. Dr. Christine Müller. 5. Juni 2012
Euler-Approximation Leonie van de Sandt TU Dortmund Prof. Dr. Christine Müller 5. Juni 2012 Leonie van de Sandt (TU Dortmund) Euler-Approximation 5. Juni 2012 1 / 26 Inhaltsverzeichnis 1 Einleitung Leonie
MehrRaum-zeitlich korrelierte stochastische Beschreibung des Modellfehlers in ICON-EPS und COSMO-D2-EPS
Raum-zeitlich korrelierte stochastische Beschreibung des Modellfehlers in ICON-EPS und COSMO-D2-EPS T. Heppelmann, M. Sprengel, C. Gebhardt, M. Buchhold Fachtagung Energiemeteorologie Goslar 05.06.2018
MehrIn der Praxis werden wir häufig mit relativ komplexen Funktionen konfrontiert. y
Approximationen In der Praxis werden wir häufig mit relativ komplexen Funktionen konfrontiert. y y = f (x) x Um das Arbeiten mit einer komplizierten Funktion zu vermeiden, können wir versuchen, diese Funktion
MehrEnsemble-Vorhersage. von Nils Kaiser Seminar Medienmeteorologie im WS 06/07
Ensemble-Vorhersage von Nils Kaiser Seminar Medienmeteorologie im WS 06/07 Was ist die Wettervorhersage? 2 Gliederung 1. Einleitung 2. Numerische Wettervorhersage 3. Erzeugen eines Ensembles 4. Bewertung
MehrZeitreihenanalyse. Seminar Finanzmathematik. Andreas Dienst SS Einleitung - Begrüßung - Motivation - Inhaltsangabe. 2.
Seminar Finanzmathematik - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Zeitreihenanalyse Andreas Dienst SS 2006 Zeitreihen: Definition und Motivation - Begrüßung - Motivation - Inhaltsangabe
MehrBrownsche Bewegung. M. Gruber. 19. März Zusammenfassung
Brownsche Bewegung M. Gruber 19. März 2014 Zusammenfassung Stochastische Prozesse, Pfade; Brownsche Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit, quadratische
Mehr2 Mengen bzgl. Knoten r (Wurzel): A = {Knoten v mit ungerader Weglänge (r,v)} B = {Knoten v mit gerader Weglänge (r,v)}
K. 1.2: t P D. Pt tz Lt ü At E, LS11 3. VO 30. Ot 2006 Ü Ot: Pü / Ü Pt t ü tt G Pt t ü G x t 2 Püt ü Fü: Ü VO 2 Ü 2: 6LP A: Zä Gt Sz Ft t NEU: ( ätt : äß tv tt Ü, t ) ü Pü: St VO Ü, 20 t Püt Ltw: Ü VO
MehrVerfahren zur Datenanalyse gemessener Signale
Verfahren zur Datenanalyse gemessener Signale Dr. rer. nat. Axel Hutt Vorlesung 4 zum Übungsblatt Aufgabe 1: sin( (f 3Hz)5s) sin( (f +3Hz)5s) X T (f) 1 i f 3Hz f +3Hz Nullstellen: T=5s: T=1s: f=3hz+2/5s,
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
MehrModellierung eines dynamischen Motorprüfstands. Modellbildung Identifikation Simulink-Modell Optimale Regelung
Modellierung eines dynamischen Motorprüfstands Modellbildung Identifikation Simulink-Modell Optimale Regelung Josef Blumenschein Patrick Schrangl Aufgaben Modellbildung und Identifikation " Verbrennungsmotor
MehrBerufsreifprüfung Mathematik
BRP Mathematik VHS Floridsdorf 08.10.2011 Seite 1/3 Berufsreifprüfung Mathematik Volkshochschule Floridsdorf / Herbsttermin 2011 1. Ein Brückenbogen besteht aus zwei Parabeln zweiter Ordnung (siehe Skizze).
MehrProbeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)
Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null
MehrComputergestützte Datenanalyse in der Kern- und Teilchenphysik
Computergestützte Datenanalysein der Kern- und Teilchenphysik p. 1/?? Computergestützte Datenanalyse in der Kern- und Teilchenphysik Vorlesung 4 Jan Friedrich Computergestützte Datenanalysein der Kern-
MehrStep-Down Prozeduren
Step-Down Prozeduren zur Kontrolle der Family-Wise Error Rate WS 2010/2011 Jakob Gierl HU Berlin 07.02.2011 1 / 19 Modell Schrittweise Step-Down Modell mathematische Stichprobe X 1,..., X n iid im R J
MehrEin Vergleich der aktuellsten ITRS-Realisierungen: ITRF2014, DTRF2014 und JTRF2014
Deutsches Geodätisches Forschungsinstitut (DGFI-TUM) Technische Universität München Ein Vergleich der aktuellsten ITRS-Realisierungen: ITRF2014, DTRF2014 und JTRF2014 Mathis Bloßfeld, Detlef Angermann,
MehrEinführung in die Statistischen Methoden und GRETL - Übung
Einführung in die Statistischen Methoden und GRETL - Übung Andrija Mihoci Elena Silyakova Ladislaus von Bortkiewicz Chair of Statistics Humboldt Universität zu Berlin http://lvb.wiwi.hu-berlin.de Motivation
MehrEine Welt aus Zahlen. Wie funktionieren Computersimulationen?
Eine Welt aus Zahlen. Wie funktionieren Computersimulationen? Steffen Börm Christian-Albrechts-Universität zu Kiel Night of the Profs 2016 S. Börm (CAU Kiel) Computersimulationen 18. November 2016 1 /
MehrVirialentwicklung. Janek Landsberg Fakultät für Physik, LMU München. Janek Landsberg. Die Virialentwicklung. Verschiedene Potentiale
Die Warum Fakultät für Physik, LMU München 14.06.2006 Die Warum 1 Die Der zweite Virialkoeffizient 2 Hard-Sphere-Potential Lennard-Jones-Potential 3 Warum 4 Bsp. Hard-Sphere-Potential Asakura-Oosawa-Potential
MehrGNSS/IMU Integration für die präzise Bestimmung einer Flugtrajektorie
GNSS/IMU Integration für die präzise Bestimmung einer Flugtrajektorie Fabian Hinterberger Institut für Geodäsie und Geophysik, Tu Wien 18. Nov. 2011 1 Motivation Motivation Gegenüberstellung Eigenschaften
Mehr1. Übung. Prozessregelungen von den Grundlagen zu Advanced Control. Dipl.-Ing. Konstantin Machleidt
1. Übung Prozessregelungen von den Grundlagen zu Advanced Control Dipl.-Ing. Konstantin Machleidt Weiterbildungskurs 26. 27.09.2013 am Karl-Winnacker-Institut der DECHEMA e.v. TECHNISCHE UNIVERSITÄT KAISERSLAUTERN
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
MehrDas Wetter: schön aber kompliziert Wettervorhersage von damals bis Heute. Reto Stauffer
Das Wetter: schön aber kompliziert Wettervorhersage von damals bis Heute Reto Stauffer Das Wetter: schön aber kompliziert Was steckt eigentlich hinter einer falschen Vorhersage Geschichte der Meteorologie
MehrLineare Klassifikatoren
Universität Potsdam Institut für Informatik Lehrstuhl Lineare Klassifikatoren Christoph Sawade, Blaine Nelson, Tobias Scheffer Inhalt Klassifikationsproblem Bayes sche Klassenentscheidung Lineare Klassifikator,
Mehrmit Ungleichungen als Restriktionen Quadratische Programmierung Gliederung Geodätische Woche 2009 Lutz Roese-Koerner und Wolf-Dieter Schuh
. Geodätische Woche 29 Quadratische Programmierung mit Ungleichungen als Restriktionen 1 Lutz Roese-Koerner und Wolf-Dieter Schuh Institut für Geodäsie und Geoinformation Professur für Theoretische Geodäsie
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
Mehru(x, 0) = g(x) : 0 x 1 u(0, t) = u(1, t) = 0 : 0 t T
8.1 Die Methode der Finiten Differenzen Wir beschränken uns auf eindimensionale Probleme und die folgenden Anfangs und Anfangsrandwertprobleme 1) Cauchy Probleme für skalare Erhaltungsgleichungen, also
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrÜbungsblatt 02. PHYS4100 Grundkurs IV (Physik, Wirtschaftsphysik, Physik Lehramt) Othmar Marti,
Übungsblatt 2 PHYS4 Grundkurs IV (Physik, Wirtschaftsphysik, Physik Lehramt) Othmar Marti, (othmar.marti@physik.uni-ulm.de) 2. 4. 25 22. 4. 25 Aufgaben. Das Plancksche Strahlungsgesetz als Funktion der
MehrDSGE-Modelle. Linearisierung und Lösung. Institut für Ökonometrie und Wirtschaftsstatistik Münster
DSGE-Modelle Linearisierung und Lösung Dr. Andrea Beccarini Willi Mutschler, M.Sc. Institut für Ökonometrie und Wirtschaftsstatistik Münster willi.mutschler@uni-muenster.de Sommersemester 2012 Willi Mutschler
MehrÜbung 7: Methode der kleinsten Quadrate
ZHAW, DSV2, 2007, Rumc, 1/8 Übung 7: Methode der kleinsten Quadrate Aufgabe 1: Lineare Annäherung im Skalarprodukt-Raum. Finden Sie für den Vektor y = [2 2 2] T eine Linearkombination y e der Vektoren
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, 4. Mai 2017 Dr. Michael O. Distler
MehrTeil 2: Kurven und Flächen. Kurven und Flächen. Kurven. Parametrische Objekte. Kurven: 1D-Objekte Flächen: 2D-Objekte, basierend auf Kurven
Parametrische Objekte Kurven und Flächen Kurven: 1D-Objekte Flächen: 2D-Objekte, basierend auf Kurven Kurven Welche Form der Darstellung? Beispiel: 2D-Linie Explizit: y = k x + d x = (x, y) T Implzit:
MehrTeil 2: Kurven und Flächen
Parametrische Objekte Kurven und Flächen Kurven: 1D-Objekte Flächen: 2D-Objekte, basierend auf Kurven Kurven Welche Form der Darstellung? Beispiel: 2D-Linie Explizit: y = k x + d x = (x, y) T Implzit:
MehrMathematische Modelle zur flächenhaften Approximation punktweise gemessener Bodensenkungen auf Basis von Präzisionsnivellements
Mathematische Modelle zur flächenhaften Approximation punktweise gemessener Bodensenkungen auf Basis von Präzisionsnivellements GeoMonitoring 2015, Clausthal-Zellerfeld Christoph Holst & Heiner Kuhlmann
MehrName: Gruppe: Matrikel-Nummer:
Theoretische Physik 1 (Theoretische Mechanik) SS08, Studienziel Bachelor (170 1/13/14) Dozent: J. von Delft Übungen: B. Kubala Klausur zur Vorlesung T1: Theoretische Mechanik, SoSe 008 (3. Juli 007) Bearbeitungszeit:
Mehr