Rabea Haas, Kai Born DACH September 2010
|
|
- Dagmar Schulz
- vor 7 Jahren
- Abrufe
Transkript
1 Rabea Haas, Kai Born DACH September 2010
2 Motivation Niederschlagsdaten aus dem Gebiet des Hohen Atlas in Marokko Starke Gradienten des Niederschlags und der Höhe Komplexe Topographie und schiefe Verteilung des Niederschlags Hohe Auflösung der Daten ist von Bedeutung für das bessere Verständnis von lokalen Klimabedingungen für viele Anwendungen in der Meteorologie und Hydrologie Statistische Regionalisierung: Verbindung von punktuelle Klimabeobachtungen, Modelldaten und hochauflösende Oberflächendaten.
3 Motivation Niederschlagsdaten aus dem Gebiet des Hohen Atlas in Marokko Starke Gradienten des Niederschlags und der Höhe Komplexe Topographie und schiefe Verteilung des Niederschlags Hohe Auflösung der Daten ist von Bedeutung für das bessere Verständnis von lokalen Klimabedingungen für viele Anwendungen in der Meteorologie und Hydrologie Statistische Regionalisierung: Verbindung von punktuelle Klimabeobachtungen, Modelldaten und hochauflösende Oberflächendaten.
4 DACH2010 Rabea Haas
5 DACH2010 Rabea Haas
6 DACH2010 Rabea Haas
7 Validierung 5 Anwendung DACH Rabea Haas (rhaas@meteo.uni-koeln.de)
8 Daten und Gebiet Beobachtungen Niederschlagsdaten gesammelt von O. Schulz innerhalb des GLOWA Projektes IMPETUS West Afrika (s. auch Schulz and Judex, 2008, Kapitel 3), schneekorrigiert Messstationen im Einzugsgebiet des Wadi Drâa in SO Marokko Atlas Gebirge im Norden und aride Saharahausläufer im Süden Höhen von 445m (Lac Iriki) bis 3850m (M Goun) Messungen vom 16.November 2000 bis zum 1.November TZT TIC MGN IMS TRB TAO BSK ARG ASR IRK JHB 354 EMY
9 Daten und Gebiet Modell-/Reanalysedaten ERA-Interim Daten Täglich akkumulierter Niederschlag Auflösung: Oberflächendaten Digitales Geländemodell (DEM) der Space Shuttle Radar Topography Mission (SRTM) Auflösung: 1km 1km TZT TIC MGN IMS TRB TAO BSK ARG ASR EMY IRK JHB
10 Schätzung der Parameter Anpassung der kumulativen Weibull Verteilung an die empirische Niederschlagsverteilung (tägliche Mengen > 0mm):
11 Schätzung der Parameter Anpassung der kumulativen Weibull Verteilung an die empirische Niederschlagsverteilung (tägliche Mengen > 0mm): Transformierte Verteilung:
12 Schätzung der Parameter Anpassung der kumulativen Weibull Verteilung an die empirische Niederschlagsverteilung (tägliche Mengen > 0mm): Transformierte Verteilung: Lineare Regression mit, und führt zur geschätzten kumulativen ( Verteilungsfunktion ) (CDF): F (x) =1 exp exp ( b x m)
13 DACH2010 Rabea Haas
14 Gesucht: Transferfunktion zwischen den Verteilungen der interpolierten ERA-Interim Reanalysen und der lokalen Niederschlagsverteilungen. Ziel: E E E E E E E Abschätzung der lokalen Niederschlagsverteilung unter zukünftigen Klimabedingungen. Methode: E E E E CDF-Transformation durch Vergleich der Wahrscheinlichkeiten (probability mapping)
15 CDF-Transformation Bekannte Verteilungen: Zwei für die interpolierten Modelldaten (historisch und zukünftig / Trainings- und Validierungszeitraum): F Mh, F Mf Eine für die Beobachtungen (gleicher historischer Zeitraum / Trainingszeitraum): F Sh
16 CDF-Transformation Bekannte Verteilungen: Zwei für die interpolierten Modelldaten (historisch und zukünftig / Trainings- und Validierungszeitraum): F Mh, F Mf Eine für die Beobachtungen (gleicher historischer Zeitraum / Trainingszeitraum): F Sh Schätzung eines neuen Datensatzes von zukünftigen täglichen Niederschlagsmengen unter Annahme einer stationären Transferfunktion:
17 DACH2010 Rabea Haas
18 Gesucht: Ziel: Transferfunktion zwischen Verteilungsparameter an den Stationen und Variablen des DEMs (z.b. Höhe, Länge, Breite und Gradienten der Höhe in O-W- und N-S- Richtung). Erhöhung der Datenauflösung durch Interpolation der Weibull Verteilungsparameter. Methode: Multiple Lineare Regression
19 Multiple Lineare Regression Variablen: y = Weibull Verteilungsparameter (Prädiktanden) X = Oberflächendaten (Prädiktoren) ausgewählt durch Vorwärtsselektion
20 Multiple Lineare Regression Variablen: y = Weibull Verteilungsparameter (Prädiktanden) X = Oberflächendaten (Prädiktoren) ausgewählt durch Vorwärtsselektion Regressionsmodell: y i = c 0 + c 1 x i c k x ik + ɛ i mit i = Nummer der Beobachtung, k = Nummer des Prädiktors und c = Regressionskoeffizienten
21 Multiple Lineare Regression Variablen: y = Weibull Verteilungsparameter (Prädiktanden) X = Oberflächendaten (Prädiktoren) ausgewählt durch Vorwärtsselektion Regressionsmodell: y i = c 0 + c 1 x i c k x ik + ɛ i mit i = Nummer der Beobachtung, k = Nummer des Prädiktors und c = Regressionskoeffizienten Schätzfunktion: mit (Kleinste Quadrate)
22 DACH2010 Rabea Haas
23 Validierung Quantile geschätzt durch CDF- Transformation. Aufteilung in zwei Zeiträume. Punkte: 1. Hälfte, gerade Eintragsnummer, Gesamte Zeitreihe. Kreise: 2. Hälfte, ungerade Eintragsnummer.
24 Validierung Quantile geschätzt durch CDF- Transformation. Aufteilung in zwei Zeiträume. Quantile geschätzt durch Multiple Lineare Regression. Ausgelassen einer Station (Bootstrapping). Punkte: 1. Hälfte, gerade Eintragsnummer, Gesamte Zeitreihe. Kreise: 2. Hälfte, ungerade Eintragsnummer.
25 Validierung Quantile geschätzt durch CDF- Transformation. Aufteilung in zwei Zeiträume. Quantile geschätzt durch Multiple Lineare Regression. Ausgelassen einer Station (Bootstrapping). Quantile geschätzt durch Kombination von CDF- Transformation und Multiple Lineare Regression. Auslassen einer Station und Aufteilung in zwei Zeiträume. Punkte: 1. Hälfte, gerade Eintragsnummer, Gesamte Zeitreihe. Kreise: 2. Hälfte, ungerade Eintragsnummer.
26 Anwendung Zeitreihe aufgeteilt nach ungeraden und geraden Eintragsnummern
27 Tage ohne Niederschlag Geschätzte Wahrscheinlichkeiten für Tage ohne Niederschlag. CDF-Transformation ersetzt durch Korrekturfaktor. Aufteilung in zwei Zeiträume nach gerader (oben: Punkte, unten: h) und ungerader (oben: Kreise, unten: f) Eintragsnummer. Blau: Erst Interpolation, dann Berechnung von p 0. Grün und unten: Berechnung von p0 an den Gitterpunkten, dann Interpolation.
28 Zusammenfassung Niederschlagsdaten aus dem Gebiet des Hohen Atlas in Marokko ERA-Interim Reanalysedaten Digitales Geländemodell CDF-Transformation Abschätzung der lokalen Niederschlagsverteilung unter zukünftigen Klimabedingungen. Multiple Lineare Regression Vergrößerung der Datenauflösung durch Interpolation der Weibull Verteilungsparameter.
29 Fazit Durch den kombinierten Ansatz kann an jedem Gitterpunkt des Geländemodells eine zukünftige Niederschlagsverteilung geschätzt werden. Q-Q-Plots zeigen zufriedenstellende Ergebnisse der beiden Methoden und des zweiteiligen Ansatzes. Das räumliche Verhalten der Verteilungsparameter ist stark durch die Wahl der Prädiktoren geprägt. Die Schätzung der Wahrscheinlichkeit für 0mm Tagesniederschlag ist an den tiefer gelegen Stationen besser als an den höher gelegenen Stationen. Es folgt: Auswertung von Klimaszenarien (REMO).
30
Bemessungsniederschläge
Bemessungsniederschläge Starkniederschlagsauswertung beim Hydrographischen Dienst 3 Auswertemethoden Extremwertstatistik - ÖKOSTRA (Hammer, Nobilis, Skoda) Österreichische koordinierte Starkniederschlagsregionalisierung
MehrRegionalisierungsmethoden hydrometeorologischer Beobachtungsdatensätze zu hydrologisch relevanten Rasterdatensätzen (HYRAS) im ReKliEs-De Projekt
Regionalisierungsmethoden hydrometeorologischer Beobachtungsdatensätze zu hydrologisch relevanten Rasterdatensätzen (HYRAS) im ReKliEs-De Projekt Simona Höpp Simona-Andrea.Hoepp@dwd.de M. Rauthe, T. Deutschländer
Mehranemos Ertragsindex Deutschland (3 km)
anemos Ertragsindex Deutschland (3 km) anemos Gesellschaft für Umweltmeteorologie mbh Böhmsholzer Weg 3, D-21391 Reppenstedt www.anemos.de Mit dem anemos Ertragsindex für Deutschland bieten wir einen von
MehrZeitreihenmanagement im Rahmen von HOWIS Erft. Aachen, Dr. Tilo Keller Erftverband
Zeitreihenmanagement im Rahmen von HOWIS Erft Aachen, 18.11.2008 Dr. Tilo Keller Erftverband 1 Inhalt Motivation und Ziele Konzeption Datenmanagement Verarbeitung der punktuellen Daten Verarbeitung der
MehrInhaltsverzeichnis. 1 Über dieses Buch Zum Inhalt dieses Buches Danksagung Zur Relevanz der Statistik...
Inhaltsverzeichnis 1 Über dieses Buch... 11 1.1 Zum Inhalt dieses Buches... 13 1.2 Danksagung... 15 2 Zur Relevanz der Statistik... 17 2.1 Beispiel 1: Die Wahrscheinlichkeit, krank zu sein, bei einer positiven
MehrAbleitung einer Z/R-Beziehung mittels inverser hydrologischer Modellierung
Forschungszentrum Karlsruhe in der Helmholtz-Gemeinschaft High-Tech-Offensive Zukunft Bayern Ableitung einer Z/R-Beziehung mittels inverser hydrologischer Modellierung 9. Workshop zur großskaligen Modellierung
MehrModel Output Statistics
Model Output Statistics Vortrag im Rahmen des Seminars Medienmeteorologie Von Werner Schneider Gliederung 1) Behandlung von Modelldaten 2) Funktionsweise von Model Output Statistics (MOS) 3) Screening
MehrWINDATLAS UND WINDPOTENZIALSTUDIE
WINDATLAS UND WINDPOTENZIALSTUDIE Andreas Krenn Energiewerkstatt Verein PROJEKTECKDATEN Projektmotivation: Keine zusammenhängende Windkarte vom ges. Bundesgebiet Komplexe Orographie, vielschichtige lokale
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten von Prof. Dr. Rainer Schlittgen Universität Hamburg 12., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis 1 Statistische Daten
MehrAufbereitung von Klimaprojektionsdaten für das Ressortforschungsprogramm KLIWAS
Aufbereitung von Klimaprojektionsdaten für das Ressortforschungsprogramm KLIWAS Sabrina Plagemann, Florian Imbery, Joachim Namyslo KLIWAS: Projekt 1.02 Deutscher Wetterdienst Offenbach DACH2010, Bonn,
MehrStatistical and Dynamical Downscaling of Numerical Climate Simulations
Statistical and Dynamical Downscaling of Numerical Climate Simulations Enhancement and Evaluation for East Asia Thorsten Simon Meteorologisches Institut Universität Bonn Projektbeschreibung Drying of the
MehrHochauflösende Simulation künftiger Starkniederschlagsereignisse (ReSiPrec)
G. Schädler Statusseminar erausforderung Klimawandel 29.9.2008 Hochauflösende Simulation künftiger Starkniederschlagsereignisse () G. Schädler, H. Feldmann, H.-J. Panitz, B. Früh, R. Kohlhepp, Ch. Kottmeier
MehrHochauflösende Simulation künftiger Starkniederschlagsereignisse (ReSiPrec)
G. Schädler Statusseminar erausforderung Klimawandel 29.9.2008 Hochauflösende Simulation künftiger Starkniederschlagsereignisse () G. Schädler, H. Feldmann, H.-J. Panitz, B. Früh, R. Kohlhepp, Ch. Kottmeier
MehrUm die Güte die EZMW Prognosen abzuschätzen, wurden 2 Datensätze verwendet:
Kapitel 3 Niederschlagsdaten und Niederschlagsstatistik Um die Güte die EZMW Prognosen abzuschätzen, wurden 2 Datensätze verwendet: Beobachtungsdaten von der Niederschlagsstationen im ganzen Iran EZMW-Niederschlagsprognosen
MehrStatistik für Ingenieure und Naturwissenschaftler
Sheldon M. Ross Statistik für Ingenieure und Naturwissenschaftler 3. Auflage Aus dem Amerikanischen übersetzt von Carsten Heinisch ELSEVIER SPEKTRUM AKADEMISCHER VERLAG Spektrum Inhalt Vorwort zur dritten
MehrVergleichende Analysen regionaler Klimamodelle Lorenzo Tomassini und Katharina Bülow
Vergleichende Analysen regionaler Lorenzo Tomassini und Katharina Bülow Max-Planck-Institut für Meteorologie Übersicht Methoden und Schwierigkeiten der Evaluierung regionaler Beobachtungsdatensätze Problembezogene
MehrValidierung von Klimamodellniederschlägen
Validierung von Klimamodellniederschlägen Erkenntnisse für die Interpretation von Klimafolgenabschätzungen in Niedersachsen U. Petry, M. Wallner, J. Dietrich, U. Haberlandt, M. Anhalt, K. Förster - 1 -
MehrUwe Hassler. Statistik im. Bachelor-Studium. Eine Einführung. für Wirtschaftswissenschaftler. ^ Springer Gabler
Uwe Hassler Statistik im Bachelor-Studium Eine Einführung für Wirtschaftswissenschaftler ^ Springer Gabler 1 Einführung 1 2 Beschreibende Methoden univariater Datenanalyse 5 2.1 Grundbegriffe 5 2.2 Häufigkeitsverteilungen
MehrBias-Korrektur und lokale Verfeinerung regionaler Klimaszenarien am Beispiel der Berchtesgadener Alpen
Bias-Korrektur und lokale Verfeinerung regionaler Klimaszenarien am Beispiel der Berchtesgadener Alpen Dr. Stefanie Vogl Kontakt: stefanie.vogl@kit.edu Wozu regionale Klimasimulationen? Die Klimaerwärmung
MehrModel Output Statistics (MOS)
Model Output Statistics (MOS) Numerische Modelle zur Wettervorhersage (NWV Modelle) berechnen den zukünftigen Zustand der Atmosphäre zu bestimmten Zeitpunkten (Prognose). Als Basis für die Berechnung der
MehrLineare Regression. Kapitel Regressionsgerade
Kapitel 5 Lineare Regression 5 Regressionsgerade Eine reelle Zielgröße y hänge von einer reellen Einflussgröße x ab: y = yx) ; zb: Verkauf y eines Produkts in Stückzahl] hängt vom Preis in e] ab Das Modell
Mehr1. Workshop Gewässerkunde
1. Workshop Gewässerkunde ÜSG Berechnungen N-A-Modelle Oldenburg 20.03.2014 Inhalt Einführung Ziele und Modellerstellung Modellaufbau Kalibrierung Hochwasserabflüsse Langzeitsimulation Modellregen Anwendungsbeispiele
MehrHydrologie und Flussgebietsmanagement
Hydrologie und Flussgebietsmanagement o.univ.prof. DI Dr. H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Gliederung der Vorlesung Statistische Grundlagen Etremwertstatistik
Mehr1 NIEDERSCHLAGSMENGEN
1 NIEDERSCHLAGSMENGEN Im Kanton Solothurn fallen im langjährigen Durchschnitt etwa 1240 mm Niederschläge pro Jahr. Das sind insgesamt rund 980 Mia. Liter Regen und Schnee oder ein 225000 km langer Zug,
MehrIfU Institut für Umweltingenieurwissenschaften. Hydrologie I. - Hausübung 1 -
Hydrologie I - Hausübung 1 - Gliederung Einführung zu den Hausübungen Motivation Konzept Untersuchungsgebiet Hausübung 1 Charakterisierung des Untersuchungsgebietes (Aufgabe 1) Gebietsniederschlag (Aufgabe
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
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
MehrAbschätzung des langjährigen mittleren Windpotentials auf Basis des anemos Windatlas für Deutschland. - unverbindliche Vorabschätzung -
Abschätzung des langjährigen mittleren Windpotentials auf Basis des anemos Windatlas für Deutschland - unverbindliche Vorabschätzung - 1. Einleitung Die anemos Gesellschaft für Umweltmeteorologie mbh (anemos
MehrNaturgefahrenmodellierung in Österreich in der Praxis Sturm und Starkniederschlag. Alexander Beck
in Österreich in der Praxis Sturm und Starkniederschlag Alexander Beck Übersicht Die Zentralanstalt für Meteorologie und Geodynamik Folie 2 : Meteorologischer Input Modellbasierte Windklimatologie Ansätze
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
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:
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
MehrMesoskalige Modellierung von Niederschlag für 2002 in Benin/West-Afrika
Mesoskalige Modellierung von Niederschlag für 2002 in Benin/West-Afrika P. Ludwig, A. Krüger, M. Kerschgens Institut für Geophysik und Meteorologie, Universität zu Köln, Deutschland Für den oberen Teil
MehrModellierung kontinuierlicher Niederschläge für die Simulation von Extremabflüssen
Institut für Wasserwirtschaft, Hydrologie und landwirtschaftlichen Wasserbau Modellierung kontinuierlicher Niederschläge für die Simulation von Extremabflüssen U. Haberlandt, A.-D. Ebner von Eschenbach,
Mehr11. Symposium Energieinnovation. Die Wasserkraftnutzung in Österreich bei Klimaänderungen
Wasserkraft bei Klimaänderung 1 11. Symposium Energieinnovation Die Wasserkraftnutzung in Österreich bei Klimaänderungen, P. Stanzel Institut für Wasserwirtschaft, Hydrologie und konstruktiven Wasserbau
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrProbabilistische Analyse regionaler Klimasimulationen
Probabilistische Analyse regionaler Klimasimulationen Christian Schölzel und Andreas Hense Meteorologisches Institut der Universität Bonn Fachgespräch Ableitung von regionalen Klimaszenarien aus Multi-Modell-Ensembles,
MehrSTATISTISCHE METHODEN UND IHRE ANWENDUNGEN
STATISTISCHE METHODEN UND IHRE ANWENDUNGEN Von Dr. rer. nat. Erwin Kreyszig o. Professor für Statistik an der Universität Karlsruhe mit 82 Abbildungen und zahlreichen Tabellen Vierter, unveränderter Nachdruck
MehrPraxis der Regressionsanalyse
Praxis der Regressionsanalyse Von Samprit Chatterjee New York University und Bertram Price Price Associates, Inc., Washington, D. C. Aus dem Amerikanischen übertragen von Prof. Dr. Gunter Lorenzen Universität
MehrDaten und ihre Interpretation Les données et leur interprétation. Tweeten Sie mit: #klimaszenarien Participez au Twitter: #klimaszenarien
Daten und ihre Interpretation Les données et leur interprétation Tweeten Sie mit: #klimaszenarien Participez au Twitter: #klimaszenarien Welche Daten sind vorhanden? Quelles données sont disponibles? Kuno
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 3.6 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula
Mehr- Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden.
Normalverteilung und Standardnormalverteilung als Beispiel einer theoretischen Verteilung - Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden. - Stetige (kontinuierliche),
MehrGenerierung von Abflussganglinien für f unbeobachtete Einzugsgebiete
Generierung von Abflussganglinien für f unbeobachtete Einzugsgebiete Vortrag beim 9. Internationalen Anwenderforum Kleinwasserkraftwerke, 14.-15.09.2006, Kempten Jürgen Brommundt András Bárdossy, Jan Bliefernicht
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrProjekt ReSiPrec Analyse von Starkniederschlagsereignissen
Projekt ReSiPrec Analyse von Starkniederschlagsereignissen in Baden-Württemberg Methoden und Anwendung Barbara Früh Hendrik Feldmann, Gerd Schädler, Christoph Kottmeier Karlsruhe - 10. Oktober 2007 Forschungsvorhaben
MehrHydrologie und Flussgebietsmanagement
Hydrologie und Flussgebietsmanagement o.univ.prof. DI Dr. H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Wiederholung Statistische Grundlagen Definitionen der statistischen
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
MehrBeeinflusst der Klimawandel unseren regionalen Wasserhaushalt? Klimaveränderungen und Wasserhaushalt im Grundwasserkörper Wietze/Fuhse
Regionales Management von Klimafolgen in der Metropolregion Beeinflusst der Klimawandel unseren regionalen Wasserhaushalt? Klimaveränderungen und Wasserhaushalt im Grundwasserkörper Wietze/Fuhse Dipl.-
Mehrlimhatewerzeoelhiniii
limhatewerzeoelhiniii Vorwort 13 Kapitel 1 Einleitung 15 1.1 Wozu brauchen wir Statistik? 16 1.2 Medizinische Statistik 16 1.3 Beschreibende und schließende Statistik 17 1.4 Das Buch in Kürze 17 Kapitel
Mehr11. Übungsblatt zur Vorlesung Ökonometrie SS 2014
Universität des Saarlandes Lehrstab Statistik Dr. Martin Becker Dipl.-Kfm. Andreas Recktenwald 11. Übungsblatt zur Vorlesung Ökonometrie SS 2014 Aufgabe 45 Die in Aufgabe 43 getroffene Annahme heteroskedastischer
Mehr3.3 Konfidenzintervalle für Regressionskoeffizienten
3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird
MehrUntersuchungen zu Auswirkungen des Klimawandels auf die Bodenerosion durch Wasser
Statuskonferenz Forschung des Umweltbundesamtes zur Anpassung an den Klimawandel Dessau am 26.11.2009 Untersuchungen zu Auswirkungen des Klimawandels auf die Bodenerosion durch Wasser Im Auftrag des Umweltbundesamtes
MehrNeue Bedrohungen durch Starkregen? Wie entwickelt sich das Starkregenrisiko? Uwe Ulbrich
Neue Bedrohungen durch Starkregen? Wie entwickelt sich das Starkregenrisiko? Uwe Ulbrich Institut für Meteorologie, Freie Universität Berlin 1 Agenda 1. Nowcasting und numerische Modellierung 2. Einschätzungen
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
MehrAllgemeine lineare Modelle
262 Merkpunkte Allgemeine lineare Modelle Multiple lineare Regression mit nicht-normalen Zufallsabweichungen bilden eine harmlose" Verallgemeinerung der multiplen lin. Regr. Beispiele: Gumbel-Regression,
MehrStatistische Einordnung des Hochwassers Dezember 2014
Statistische Einordnung des Hochwassers Dezember 2014 7. Hydrologisches Gespräch 8.5.2015 Dr. Thomas Hirschhäuser 1 Statistische Einordnung Dr. Thomas Hirschhäuser 2 Statistische Einordnung alt DVWK-Merkblatt
MehrDeskriptive Statistik
Helge Toutenburg Christian Heumann Deskriptive Statistik Eine Einführung in Methoden und Anwendungen mit R und SPSS Siebte, aktualisierte und erweiterte Auflage Mit Beiträgen von Michael Schomaker 4ü Springer
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrInhaltsverzeichnis Grundlagen aufigkeitsverteilungen Maßzahlen und Grafiken f ur eindimensionale Merkmale
1. Grundlagen... 1 1.1 Grundgesamtheit und Untersuchungseinheit................ 1 1.2 Merkmal oder statistische Variable........................ 2 1.3 Datenerhebung.........................................
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten Von Prof. Dr. Rainer Schlittgen 4., überarbeitete und erweiterte Auflage Fachbereich Materialwissenschaft! der Techn. Hochschule Darmstadt
MehrCox-Regression. Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells
Cox-Regression Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells In vielen Fällen interessiert, wie die Survivalfunktion durch Einflussgrößen beeinflusst
MehrProbabilistische Analyse regionaler Klimasimulationen
Probabilistische Analyse regionaler Klimasimulationen Christian Schölzel und Andreas Hense Meteorologisches Institut der Universität Bonn Fachgespräch Ableitung von regionalen Klimaszenarien aus Multi-Modell-Ensembles,
MehrDeutscher Wetterdienst
Deutscher Wetterdienst Das Projekt Starkregen von GDV und DWD - Zwischenbericht - Dr. Paul Becker Vizepräsident des Deutschen Wetterdienstes 14. September 2016 Sommer 2016 Deutschland - Eine Bilanz Simbach
MehrKlimamodellrechnungen und Grundwasserhaushalt - Auswertung und Validierung von Zeitreihen
Brandt Gerdes Sitzmann Umweltplanung GmbH Dr.- Ing. Heiko Gerdes, Christoph Euler, Dr.-Ing. Markus Kämpf: Klimamodellrechnungen und Grundwasserhaushalt - Auswertung und Validierung von Zeitreihen 1 Einführung
MehrEinführung in die computergestützte Datenanalyse
Karlheinz Zwerenz Statistik Einführung in die computergestützte Datenanalyse 6., überarbeitete Auflage DE GRUYTER OLDENBOURG Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL
MehrNutzung gemessener und vorhergesagter meteorologischer Daten in LARSIM
Nutzung gemessener und vorhergesagter meteorologischer Daten in LARSIM LARSIM-Anwenderworkshop Mainz 01.02.06 Dipl.-Hydr. Angela Sieber Landesanstalt für Umwelt, Messungen und Naturschutz Baden-Württemberg
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
MehrProbabilistische Vorhersage von konvektivem Niederschlag
Probabilistische Vorhersage von konvektivem Niederschlag durch Verbindung eines Nowcastingverfahrens mit einem hochaufgelösten Ensemble Kirstin Kober George C. Craig, Christian Keil DACH 2010 Bonn 22.09.2010
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Springer-Lehrbuch Wahrscheinlichkeitsrechnung und schließende Statistik Bearbeitet von Karl Mosler, Friedrich Schmid 4., verb. Aufl. 2010. Taschenbuch. XII, 347 S. Paperback ISBN 978 3 642 15009 8 Format
MehrAufgaben zu Kapitel 4
Rasch, Friese, Hofmann & aumann (2006). Quantitative Methoden. Band (2. Auflage). Heidelberg: Springer. Aufgaben zu Kapitel 4 Aufgabe a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl
MehrStatistik. Datenanalyse mit EXCEL und SPSS. R.01denbourg Verlag München Wien. Von Prof. Dr. Karlheinz Zwerenz. 3., überarbeitete Auflage
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz 3., überarbeitete Auflage R.01denbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt
MehrKlimatologische Analyse objektiver Wetterlagen auf Basis von Reanalysen und Klimasimulationen
Klimatologische Analyse objektiver Wetterlagen auf Basis von Reanalysen und Klimasimulationen Riediger U., Gratzki, A. & Steiner, H. Ulf.Riediger@dwd.de, Deutscher Wetterdienst Krahé, P., Nilson, E. Bundesanstalt
MehrKlimawandel Fakten aus der Vergangenheit und Prognosen für die Zukunft
Klimawandel Fakten aus der Vergangenheit und Prognosen für die Zukunft Dipl.-Ing. Bernd Hausmann (LFI-RWTH) Inhalt Fakten zum Klimawandel Gründe für den Wandel Prognosen für die Zukunft - Wie ändert sich
MehrEinführung in die Induktive Statistik: Regressionsanalyse
Einführung in die Induktive Statistik: Regressionsanalyse Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Regressionsanalyse Ziel: Analyse
MehrWindfelder auf der Elbe (KFKI-Projekt OPTEL)
Folie 1 (KFKI-Projekt OPTEL) Dr. Anette Ganske Gudrun Rosenhagen Folie 2 1. Bodennahe Windfelder in der Atmosphäre - beeinflusst durch Rauigkeit und Topographie Folie 3 Rauigkeit - Über Land (z.b. Stadt
MehrStatistik. Einführung in die com putergestützte Daten an alyse. Oldenbourg Verlag München B , überarbeitete Auflage
Statistik Einführung in die com putergestützte Daten an alyse von Prof. Dr. Karlheinz Zwerenz 4., überarbeitete Auflage B 366740 Oldenbourg Verlag München Inhalt Vorwort XI Hinweise zu EXCEL und SPSS XII
MehrAnalyse von Querschnittsdaten. Spezifikation der Regressionsfunktion
Analse von Querschnittsdaten Spezifikation der Regressionsfunktion Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 9..5 6..5..5 9..5 6..5..5..5
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. Juli 016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrVON DER HYDROLOGISCHEN ZUR RISIKO-
VON DER HYDROLOGISCHEN ZUR RISIKO- BASIERTEN HOCHWASSERVORHERSAGE D. Eilander, A. de Leeuw, F. Diermanse, J. Beckers, P. Gijsbers, (Deltares, NL) 39. Dresdener Wasserbaukolloquium, Dresden Säulen des Hochwasserrisikomanagements
MehrInhaltsverzeichnis. Teil I Einführung
Inhaltsverzeichnis Teil I Einführung 1 Statistik-Programme... 1.1 Kleine Einführung in R... 1.1.1 Installieren und Starten von R. 1.1.2 R-Konsole... 1.1.3 R-Workspace... 1.1.4 R-History... 1.1.5 R-Skripteditor...
MehrAbleitung zeitlich hoch aufgelöster Niederschlagszeitreihen aus RADOLAN- Niederschlagsdaten
Ableitung zeitlich hoch aufgelöster Niederschlagszeitreihen aus RADOLAN- Niederschlagsdaten Andreas Steinbrich und Markus Weiler Zusammenfassung Angeeichte Niederschlagradar Daten (RADOLAN) bieten räumlich
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS 2., überarbeitete Auflage 4ü Springer Gabler Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R '! 3 1.1 Installieren
MehrDas Landsystem. Die Rückkopplung zwischen diesen Prozessen muss genau simuliert werden. 07. Dezember Wolken und Niederschlag.
Einstrahlung Das Landsystem Wolken und Niederschlag Reflektionsvermögen, Transpiration Großskalige Bedingungen Austauschprozesse Treibhausgase Horizontaler Transport und Konvektion Turbulente atmosphärische
MehrKategorielle Zielgrössen
Kategorielle Zielgrössen 27.11.2017 Motivation Bisher gesehen: Regressionsmodelle für diverse Arten von Zielgrössen Y. kontinuierliche Zielgrösse Lineare Regression Binäre/binomiale Zielgrösse Logistische
MehrCOPERNICUS-Projekt Satellitenbasierte Dienste und mobile Anwendungen für Luftqualität
Für Mensch & Umwelt Fachsession CAMS - Copernicus Forum 2017 COPERNICUS-Projekt Satellitenbasierte Dienste und mobile Anwendungen für Luftqualität Ute Dauert & Jewgenia Bär Fachgebiet II 4.2 Beurteilung
MehrBerechnung der Abflussveränderung. infolge von Klimaänderung mit LARSIM
DR.-ING. KARL LUDWIG Beratender Ingenieur Wasserwirtschaft - Wasserbau 76133 Karlsruhe, Herrenstraße e 14, Tel. 721/91251- Berechnung der Abflussveränderung infolge von Klimaänderung mit LARSIM LARSIM
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 7. Vorlesung: 05.05.2003 Agenda 2. Multiple Regression i. Grundlagen ii. iii. iv. Statistisches Modell Verallgemeinerung des Stichprobenmodells auf Populationsebene
MehrStatistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN
MehrPoisson Regression & Verallgemeinerte lineare Modelle
Poisson Regression & Verallgemeinerte lineare Modelle 20.11.2017 Motivation Ausgangslage Wir haben Anzahldaten (count data) Y i, cf. Vorlesung zu kategoriellen Variablen. Zu jeder Beobachtung Y i haben
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
Mehr