Extremwertstatistik und und ihre Anwendungen in der Meteorologie
|
|
- Lisa Sauer
- vor 6 Jahren
- Abrufe
Transkript
1 Extremwertstatistik und und ihre in der Meteorologie Petra Friederichs Meteorologisches Institut, Universität Bonn Fortbildungsveranstaltung der ÖGM und DMG Salzburg, 16. November 2012 P.Friederichs Extremwertanalyse 1 / 23
2 Il est impossible que l improbable n arrive jamais Emil Julius Gumbel ( ) Extremindizes 95% Quantil für tägliche Niederschlagswerte: 9mm im Winter, 15mm Sommer Nicht wirklich extrem! Extrem: HQ100 Going beyond the range of the data P. Naveau P.Friederichs Extremwertanalyse 2 / 23
3 Extreme value theory Going beyond the range of the data Probabilistisches Konzept über asymptotisches Verhalten von Extremen Abschätzung und Vorhersage von Extremen Statistische Modellierung von Extremen Abschätzung von Unsicherheiten Goodness-Of-Fit und Modellselektion P.Friederichs Extremwertanalyse 3 / 23
4 Extreme value theory Going beyond the range of the data Grenzwertsatz für Stichprobenmaxima asymptotische Verteilung von Extremen Bedingung der Max-Stabilität (de Haan, 1984) Maxima folgen einer generalisierten Extremwertverteilung Garantiert universales Verhalten von Extreme ermöglicht Extrapolation! In der Praxis of nicht genug Daten Nicht im asymptotischen Limit Insbesondere weil oft Konvergenz schlecht P.Friederichs Extremwertanalyse 4 / 23
5 Zentraler Grenzwertsatz der Statistik: Asymptotisches Verhalten von Mitteln Fisher-Tippett Theorem (Fisher and Tippett, 1928; Gnedenko, 1943): Asymptotisches Verhalten von Maxima P.Friederichs Extremwertanalyse 5 / 23
6 Gauss distribution N=50 N=10000 Gumbel distribution Gumbel type: Density Density Maxima Maxima Maxima Uniform distribution N=50 N=10000 Weibull distribution Weibull type: Density Density Maxima Maxima Maxima Cauchy distribution N=50 N=10000 Frechet distribution Fréchet type: Density Density e Maxima Maxima Maxima P.Friederichs Extremwertanalyse 6 / 23
7 Generalisierte Extremwertverteilung () Maxima großer Stichproben X N = max{z (1),..., z (N) } folgen asymptotisch N der generalisierten Extremwertverteilung exp( (1 + ξ x µ σ G X (x) = ) 1/ξ ) +, ξ 0, exp( exp( x µ σ )), ξ = 0 Gumbel (..., shape=0.0) Frechet (..., shape=0.6) Weibull (..., shape= 0.3) PDF PDF PDF P.Friederichs Extremwertanalyse 7 / 23
8 Generalisierte Paretoverteilung Analog zur, aber für Peaks-over-threshold (POT) Y = X u H Y (y; u) = 1 ( 1 + ξ y σ u ) 1/ξ, ξ 0 1 exp( y σ u ), ξ = 0, Years P.Friederichs Extremwertanalyse 8 / 23
9 dgpd(..., shape=0.0) PDF Generalisierte Paretoverteilung -Klassen: ξ = 0 Exponential-Verteilung (entspr. Gumbel) ξ > 0 Pareto-Ausläufer (entspr. Fréchet) ξ < 0 Beta (entspr. Weibull) PDF dgpd(..., shape=0.6) dgpd(..., shape= 0.3) PDF P.Friederichs Extremwertanalyse 9 / 23
10 Poisson Für hohe Schwellwerte u, ist X i > u asymptotisch ein Poisson auf der Region [0, 1] (u, ) mit Intensität Λ(A) = (t 2 t 1 ) ( 1 + ξ ( y µ σ )) 1/ξ. for A = [t 1, t 2 ] (u, z) µ, σ and ξ Parameter entspr. Years P.Friederichs Extremwertanalyse 10 / 23
11 Typische Darstellung Wiederkehrwert (return level) Wiederkehrzeit (return period) Return level/return period Sei die WiederkehrzeitT = 1/p Jahre, dann Probability density 1-p p ist der Wiederkehrwert x p der Schwellenwert mit Überschreitungswahrscheinlichkeit p Return level x(p) Pr(X > x p ) = 1 F X (x p ) = p x p = F 1 X (1 p) = µ σ ξ (1 ( log(1 p)) ξ ) Durchschnittliche Wartezeit bis zum nächsten Ereignis größer x p ist T P.Friederichs Extremwertanalyse 11 / 23
12 Täglicher Niederschlag von Formparameter lat DWD Stations , Winter, PP(u= 5.0 mm) lat DWD Stations , Summer, PP(u=10.0 mm) lon lon P.Friederichs Extremwertanalyse 12 / 23
13 Täglicher Niederschlag von y Wiederkehrwert lat DWD Stations , Q20 (1948), Winter, PP(u=5.00 mm) lat DWD Stations , Q20 (1948), Summer, PP(u=10.00 mm) lon lon P.Friederichs Extremwertanalyse 13 / 23
14 Multivariate Extremwertstatistik Randverteilungen: Standard-Fréchet Abhängigkeitsstruktur: Die Definition von Maxima erfolgt komponentenweise Grenzwertsatz über asymptotisches Verhalten multivariater Stichprobenmaxima Es existiert keine eindeutige parametrische Beschreibung P.Friederichs Extremwertanalyse 14 / 23
15 Multivariate Extremwertstatistik Prob(Y 1 y 1,..., Y d y d ) = exp{ V (y 1,..., y d )} Multivariate Extremwerttheorie befasst sich dann mit der Beschreibung der Abhängigkeitsstruktur χ = lim y Prob(Y i > y Y j > y) (1) χ 0 asymptotische Abhängigkeit χ = 0 asymptotische Unabhängigkeit P.Friederichs Extremwertanalyse 15 / 23
16 Hydrology Climate Downscaling Weather prediction Risks of extreme hydrological hazards in the Caribbean S. A. Sisson, L. R. Pericchi, S. G. Coles (2006) P.Friederichs Extremwertanalyse 16 / 23
17 Hydrology Climate Downscaling Weather prediction Risks of extreme hydrological hazards in the Caribbean Nicaragua Venezuela Puerto Rico S. A. Sisson, L. R. Pericchi, S. G. Coles (2006) P.Friederichs Extremwertanalyse 17 / 23
18 Hydrology Climate Downscaling Weather prediction 25 Jahr für tägliche Niederschlagsmengen in cm D. Cooley, D. Nychka, and P. Naveau (2007) P.Friederichs Extremwertanalyse 18 / 23
19 Hydrology Climate Downscaling Weather prediction Elbe Flood P. Friederichs (2009) P.Friederichs Extremwertanalyse 19 / 23
20 Hydrology Climate Downscaling Weather prediction Windböen Vorhersage COSMO-DE-EPS Prob Böe > 18m/s 99% Quantil P. Friederichs. S. Memmel (2012) P.Friederichs Extremwertanalyse 20 / 23
21 Going beyond the range of the data Standardverfahren für univariate Probleme Aussagen/Vorhersagen muss mit Unsicherheit verknüpft sein! Bayes sche Verfahren Nicht-stationarität und Abhängigkeiten berücksichtigen Räumliche und raum-zeitliche Verfahren aktuelle Forschung P.Friederichs Extremwertanalyse 21 / 23
22 Beirlant, J., Y. Goegebeur, J. Segers, and J. Teugels, 2004: Statistics of Extremes. Wiley, Chichester, 490 pp. Coles, S., 2001: An Introduction to Statistical Modeling of Extreme Values. Springer Series in Statistics. Springer-Verlag, London, 208 pp. Cooley, D., D. Nychka, and P. Naveau, 2007: Bayesian spatial modeling of extreme precipitation return levels. J. The Amer. Stat. Association, 102, Friederichs, P., 2010: Statistical downscaling of extreme precipitation using extreme value theory. Extremes, 13, R Development Core Team, 2010: R: A Language and Environment for Statistical Computing. Vienna, Austria, R Foundation for Statistical Computing, URL ISBN Sisson, S. A., L. R. Pericchi, and S. G. Coles, 2006: A case for a reassessment of the risks of extreme hydrological hazards in the caribbean. Stoch. Environ. Res. Risk. Assess., 20, , doi: /s Pakete evd, evdbayes und ismev von Alec Stephenson und Stuard Coles P.Friederichs Extremwertanalyse 22 / 23
23 Danke für Ihre Aufmerksamkeit! P.Friederichs Extremwertanalyse 23 / 23
Korrektur: Lineare Regression in Excel
Korrektur: Lineare Regression in Excel Doppelsummenkurve 1 8 kum. Abfluss 6 4 2 Juni 1987 5 1 15 2 kum. Niederschlag 1 PDFA Abfluss Lange Bramke 4 kum. Stabw. 3 2 1 Feb. 1981 1.8 1.82 1.84 1.86 1.88 1.9
Mehr4 Statistik der Extremwertverteilungen
In diesem Kapitel beschäftigen wir uns mit statistischen Anwendungen der Extremwerttheorie. Wir werden zwei verschiedene Zugänge zur Modellierung von Extremwerten betrachten. Der erste Zugang basiert auf
MehrDefinition 18 (Die verallgemeinerte Pareto Verteilung (GPD)) Die standard GPD G γ : ) 1/γ. G γ,ν,β = 1 (1 + γ x ν β
Die POT Methode (Peaks over Threshold) Definition 18 (Die verallgemeinerte Pareto Verteilung (GPD)) Die standard GPD G γ : G γ (x) = { 1 (1 + γx) 1/γ für γ 0 1 exp{ x} für γ = 0 wobei x D(γ) D(γ) = { 0
MehrQuantifizierung von Klimarisiken am Beispiel Hitzesommer 2003
Bayesian Risk Management Quantifizierung von Klimarisiken am Beispiel Hitzesommer 2003 Rainald Ötsch // Frankfurt a.m. 27/11/2009 >> Überblick
MehrRandbereiche von Verteilungen: Fat Tails
Randbereiche von Verteilungen: Fat Tails Martin Severin Zusammenfassung Bei der Beurteilung von extremen Risiken in der Finanz- und Versicherungsmathematik bieten die Extremwerttheorie und ihre statistische
MehrSeminar Quantitatives Risikomanagement
Seminar Quantitatives Risikomanagement Extremwerttheorie II Ann Schmidt Mathematisches Institut der Universität zu Köln Wintersemester 09/10 Betreuung: Prof. Schmidli, J. Eisenberg Inhaltsverzeichnis 1
MehrStatistische Verfahren zur Berechnung von Sicherheitszonen aus kartierten Bombentrichtern
Statistische Verfahren zur Berechnung von Sicherheitszonen aus kartierten Bombentrichtern Monia Mahling, Michael Höhle, Helmut Küchenhoff 4. Dezember 2009 Überblick 1 2 3 4 5 Monia Mahling, Michael Höhle,
MehrBachelor- und Masterarbeiten der AG s Klimadynamik und Stochastische Dynamik
Bachelor- und Masterarbeiten der AG s Petra Friederichs, Andreas Hense, Christian Ohlwein, Jan Keller 12. November 2013 Es wird bei der Vorstellung der Themenbereiche im wesentlichen kein Unterschied zwischen
MehrEinige parametrische Familien für stochastische Prozesse
Einige parametrische Familien für stochastische Prozesse Seminar: Grundlagen der und Statistik von dynamischen Systemen 26. November 2014 Inhaltsverzeichnis 1 Einleitung 2 3 4 5 Einleitung Ziel des Vortrages:
Mehr3 Satz von Fisher Tippett
Theorem 3.1 (Satz von Fisher Tippett; extremal types theorem). Eine Verteilung G ist eine Extremwertverteilung genau dann, wenn es c > 0, d R und γ R gibt mit G(t) = G γ (ct + d). { } Dabei ist G γ eine
MehrÜbersicht Statistik-Funktionen. Statistische Software (R) Nützliche Funktionen. Nützliche Funktionen
Übersicht Statistik-Funktionen Statistische Software (R) Paul Fink, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Pseudo Zufallszahlen, Dichten, Verteilungsfunktionen, etc. Funktion
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
MehrStatistische Software (R)
Statistische Software (R) Paul Fink, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Verteilungen und Zufallszahlen Übersicht Statistik-Funktionen Funktion mean() median() exp(mean(log(
MehrStatistische Software (R)
Statistische Software (R) Paul Fink, M.Sc., Eva Endres, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Verteilungen und Zufallszahlen Übersicht Statistik-Funktionen Funktion mean()
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
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
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrEinführung: Extremwertstatistik in der Hydrologie
1 Einführung: Extremwertstatistik in der Hydrologie Aufgaben der Extremwertstatistik in der Hydrologie Grundbegriffe Ermittlung der Verteilungsfunktion für hydrologische Extremwerte Anwendung der bekannten
MehrMetric Optimisation for Analogue Forecasting based on Simulated Annealing. EGU General Assembly, April 2009, Vienna* bearbeiten
Metric Optimisation for Analogue Forecasting based on Simulated Annealing EGU General Assembly, April 2009, Vienna* J. Bliefernicht and A. Bárdossy University of Stuttgart durch Klicken Institute of Hydraulic
MehrGrundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz
- 1 - Grundgesamtheit, Merkmale, Stichprobe Dimension, Umfang Skalierung Eigenschaften der Stichprobe kennzeichnende Größen Eigenschaften der Stichprobe kennzeichnende Größen Punktediagramm, Regressionsgerade,
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
MehrBerichte des Deutschen Wetterdienstes. Berechnung von Sturmintensitäten für Deutschland. von Gisela Augter Marita Roos
Berichte des Deutschen Wetterdienstes 236 Berechnung von Sturmintensitäten für Deutschland von Gisela Augter Marita Roos Offenbach am Main 2011 Selbstverlag des Deutschen Wetterdienstes Zitationsvorschlag:
MehrKapitel 1. Einleitung. 1.1 Einführung in die Thematik und Motivation
1 Kapitel 1 Einleitung 1.1 Einführung in die Thematik und Motivation Im Zentrum des Interesses zahlreicher Fragestellungen der Finanzmarkttheorie sowie der angewandten Statistik stehen die Modellierung
MehrVerringerung der Unsicherheit bei der Abschätzung von Extremhochwasser durch Einbeziehung historischer Daten
Verringerung der Unsicherheit bei der Abschätzung von Extremhochwasser durch Einbeziehung historischer Daten Theresia Petrow Annegret H. Thieken Karl-Erich Lindenschmidt Bruno Merz Gliederung 1. Einleitung
MehrZufallsvariablen. f(x) dx = 1. Die stetige Zufallsvariable X wird also durch seine Dichtefunktion beschrieben. P(c < X < d) =
Diskrete Sei X stetig auf (a,b), wobei a, b unendlich sein können, a x 0 < x 1 b P(X = x 0 ) = 0, P(x 0 < X < x 1 ) > 0 (wenn f > 0). Die Funktion f heißt Dichtefunktion (von X) falls: 1. f(x) 0, a < x
MehrAndreas Schumann Ruhr- Universität Bochum Lehrstuhl für Hydrologie, Wasserwirtschaft und Umwelttechnik
Das Augusthochwasser 22 im Osterzgebirge und dessen statistische Bewertung The extreme flood in August 22 in the eastern part of the Ore Mountains and its statistical assessment Andreas Schumann Ruhr-
MehrInhaltsverzeichnis. Robert Galata, Sandro Scheid. Deskriptive und Induktive Statistik für Studierende der BWL. Methoden - Beispiele - Anwendungen
Inhaltsverzeichnis Robert Galata, Sandro Scheid Deskriptive und Induktive Statistik für Studierende der BWL Methoden - Beispiele - Anwendungen Herausgegeben von Robert Galata, Markus Wessler ISBN (Buch):
MehrSeminar stabile Zufallsprozesse
Definitionen und Eigenschaften stabiler Verteilungen 2. November 2011 Inhalt 1 Definitionen Definitionen Beweis der Äquivalenz Beispiele 2 Eigenschaften 3 Charakteristische Funktion 4 Laplace Transformation
MehrExtrapolation und Interpolation von räumlichen Mustern
Extrapolation und Interpolation von räumlichen Mustern 01. Juli 2008 Inhaltsverzeichnis 1 Interpolation Extrapolation Beispiel: Mammutbaumsetzlinge 2 Grundlagen Keim-Korn- Clusterprozesse Cox-Clusterprozess
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 7 1 Inhalt der heutigen Übung Statistik und Wahrscheinlichkeitsrechnung Vorrechnen der Hausübung D.9 Gemeinsames Lösen der Übungsaufgaben D.10: Poissonprozess
MehrSatz 105 (Gedächtnislosigkeit) Beweis: Sei X exponentialverteilt mit Parameter λ. Dann gilt Pr[X > x + y X > y] = Pr[X > y] Pr[X > x + y] = Pr[X > y]
Gedächtnislosigkeit Satz 105 (Gedächtnislosigkeit) Eine (positive) kontinuierliche Zufallsvariable X mit Wertebereich R + ist genau dann exponentialverteilt, wenn für alle x, y > 0 gilt, dass Pr[X > x
MehrErste Schritte mit R. 2.1 Herunterladen der freien Software R
Erste Schritte mit R 2 BevorwirunsmitdeninKap.1 eingeführten Fragestellungen beschäftigen, brauchen wir noch ein Werkzeug, um die Datensätze später wirklich auswerten zu können. Sicher lässt sich das in
MehrÜbersicht deskriptiver Maße & anderer. Nützliche Funktionen. Statistische Software (R-Vertiefung) artihmetische Mittel median() mean()
Übersicht deskriptiver Maße & anderer nützlicher Funktionen Statistische Software (R-Vertiefung) Paul Fink, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Pseudo Zufallszahlen, Dichten,
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, June 11, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrClaudia Klüppelberg Technische Universität München Zentrum Mathematik
Claudia Klüppelberg Technische Universität München Zentrum Mathematik TUM Institute for Advanced Study Focus Group Risk Analysis and Stochastic Modelling November 2010 Extreme (seltene) Ereignisse Ungewöhnliche,
MehrKomplexe Analyse von Wahldaten am Beispiel der Wahlen in Deutschland zwischen 1924 und 1933
Komplexe Analyse von Wahldaten am Beispiel der Wahlen in Deutschland zwischen 1924 und 1933 André Klima1, Helmut Küchenhoff1, Paul W. Thurner2 1 Statistisches Beratungslabor, Institut für Statistik 2 Geschwister-Scholl-Institut
MehrAssessment of disgn-flows in water management, Classical methods, nonstationary and multidimensional extensions of Extreme Value Modeling (EVM)
Assessment of disgn-flows in water management, Classical methods, nonstationary and multidimensional extensions of Extreme Value Modeling (EVM) Dr. Winfried Willems, IAWG Outline Classical Approach, short
MehrTheorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0.
Theorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0. Korollar 2 Sei (X 1,X 2 ) T ein Zufallsvektor mit stetigen Randverteilungen und einer Gauss
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:
MehrHochaufgelöste Niederschlagsmessung während COPS
Hochaufgelöste Niederschlagsmessung während COPS Radar und Niederschlagsmesser im Vergleich N. Filipović, R. Steinacker, M. Dorninger, L. Tüchler Universität Wien, Institut für Meteorologie und Geophysik
MehrSturmgefährdung Schweiz
Sturmgefährdung Schweiz 12. November 2015, Messe Sicherheit Stefan Müller, Meteotest, Bern Quelle: PLANAT Silke Dierer, Stefan Müller, Meteotest, Bern Peter Stucki, Stefan Brönnimann, Olivia Romppainen-Martius,
MehrZufällige stabile Prozesse und stabile stochastische Integrale. Stochastikseminar, Dezember 2011
Zufällige stabile Prozesse und stabile stochastische Integrale Stochastikseminar, Dezember 2011 2 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Stabile Integrale α-stabile
MehrKlimawandel und Extremereignisse in Deutschland
Klimawandel und Extremereignisse in Deutschland Christian-D. Schönwiese J.W. Goethe-Universität Frankfurt a.m. Institut für Meteorologie und Geophysik Mitarbeiter (u.a.): Jürgen Grieser, Jörg Rapp, Tim
MehrInternationale Kooperation im Donaueinzugsgebiet International Cooperation in the Danube Catchment
Internationale Kooperation im Donaueinzugsgebiet International Cooperation in the Danube Catchment 10 Years of Transnational Cooperation in Flood Risk Management at the LABe ELbe Saxon State Parliament,
MehrWelche Verteilung sollte ich verwenden?
Welche Verteilung sollte ich verwenden? Die Auswahl eines Verteilungstyps für eine Annahme ist einer der schwierigsten Schritte beim Erstellen eines Crystal Ball-Modells. Crystal Ball verfügt über 21 kontinuierliche
MehrStatistische Grundlagen
Statistische Grundlagen 2 2.1 Motivation Dieses Kapitel gibt eine kurze Übersicht über die im weiteren Verlauf des Buches benötigten mathematischen und statistischen Grundlagen. Zu Beginn wird der Begriff
MehrAnalyse von Extremwerten
Analyse von Extremwerten Interdisziplinäres Seminar: Statistische Verfahren in den Geowissenschaften Anna Hamann betreut durch Prof. Dr. Helmut Küchenhoff, Institut für Statistik Ludwig Maximilians Universität
MehrCOSMO-DE Ensemblevorhersagen
COSMO-DE Ensemblevorhersagen Dr. Annegret Gratzki S. Theis, C. Gebhardt, M. Buchhold, Z. Ben Bouallègue, R. Ohl, M. Paulat, C. Peralta Frankfurter Straße 135, 63067 Offenbach Email: Annegret.Gratzki@dwd.de
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
MehrÜbersicht deskriptiver Maße & anderer. Nützliche Funktionen. Statistische Software (R-Vertiefung) artihmetische Mittel median() mean()
Übersicht deskriptiver Maße & anderer nützlicher Funktionen Statistische Software (R-Vertiefung) Paul Fink, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Pseudo Zufallszahlen, Dichten,
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
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrEin ensemblebasiertes Windvorhersagesystem
Ein ensemblebasiertes Windvorhersagesystem AP FRAPORT AG B. Beyer Isabel Alberts // Michael Buchhold DWD, Forschung & Entwicklung Meteorologische Analyse und Modellierung Referat Interpretation und Verifikation
Mehr1 Relevante Beispiele für Verteilungen auf R
Prof. Dr. H. Zähle Vorlesung Sachversicherungsmathemati, Anlage 1 Universität des Saarlandes, SS 2010 1 Relevante Beispiele Verteilungen auf R Wir bezeichnen die Menge aller W-Maße auf (R, B(R)) mit M
MehrStatistische Methoden der Datenanalyse
Statistische Methoden der Datenanalyse Vorlesung im Sommersemester 2008 H. Kolanoski Humboldt-Universität zu Berlin Inhaltsverzeichnis Literaturverzeichnis iii 1 Grundlagen der Statistik 3 1.1 Wahrscheinlichkeit............................
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
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
Mehr1 Parametrische Modellierung
1 Parametrische Modellierung 1.1 Anwendungen der Extremwertanalyse Die folgenden Beispiele für Anwendungen sind angelehnt an Beispiele aus [12]. 1.1.1 Hochwasseranalyse Ein wichtiges Anwendungsgebiet der
MehrFormelsammlung: Statistik und Wahrscheinlichkeitstheorie
Formelsammlung: Statistik und Wahrscheinlichkeitstheorie Kapitel 1: Deskriptive und explorative Statistik Empirische Verteilungsfkt (S15): Quantile (S24): Bei Typ7 1.Pkt = 0 Danach 1/(n-1) Median (S24):
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
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
MehrExtremwerte II - Peak over Threshold (POT)
Interdisziplinäres Seminar Statistische Verfahren in den Geowissenschaften WS 09/10 Extremwerte II - Peak over Threshold (POT) Manuela Hölzlwimmer Dozenten: Prof. Dr. Helmut Küchenhoff, Dr. Joachim Wassermann
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 7. n (Konvergenz, LLN, CLT) Literatur Kapitel 7 n heisst für uns n gross * Statistik in Cartoons: Kapitel 5, Seite 114 in Kapitel 6 * Stahel:
MehrModelle für Daten mit kontinuierlichen Wertebereich Verteilungen mit (Wahrscheinlichkeits-)Dichte. Normalverteilung N (µ, σ 2 ) mit Dichte
Statistik II für Wirtschaftswissenschaftler Folie 6.1 Modelle für Daten mit kontinuierlichen Wertebereich Verteilungen mit (Wahrscheinlichkeits-)Dichte I) Werte in (, ), Parameter µ (, ), σ 2 > 0 Normalverteilung
Mehr1.4 Stichproben aus einer Normalverteilung
1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrStatistisch-probabilistische Einordnung von Sturmfluten mit sehr geringen Eintrittswahrscheinlichkeiten. Jürgen Jensen & Christoph Mudersbach
MUSE Statistisch-probabilistische Einordnung von Sturmfluten mit sehr geringen Eintrittswahrscheinlichkeiten KFKI-Nr. 78 bmbf-nr. 03KIS039 Jürgen Jensen & Christoph Mudersbach Folie 1 fwu (2004) Inhalt
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrSchlechtwetter am Bau - Jährlichkeiten
Schlechtwetter am Bau - Jährlichkeiten 6. Wiener Gespräche Wissenschaft und Bauwirtschaft, 23. Oktober 2014 Mag. Johanna Oberzaucher, Bereich Kundenservice, Fachabteilung Klima johanna.oberzaucher@zamg.ac.at,
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 8. Juni 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
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
MehrStochastik für Ingenieure
Otto-von-Guericke-Universität Magdeburg Fakultät für Mathematik Institut für Mathematische Stochastik Stochastik für Ingenieure (Vorlesungsmanuskript) von apl.prof. Dr. Waltraud Kahle Empfehlenswerte Bücher:
MehrHochaufgelöste regionale Reanalysen für Europa und Deutschland
Hans-Ertel-Zentrum für We2erforschung Themenbereich Klimamonitoring und Diagnos=k Hochaufgelöste regionale Reanalysen für Europa und Deutschland Christian Ohlwein 1,3, Jan Keller 1,2 Christoph Bollmeyer
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 6. Ausgewählte Verteilungen (Distributions) * diskret: Bernoulli, Binomial, Geometrisch, Poisson * stetig: Uniform, Exponential, Normal, χ 2,
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrEin universelles Bayes-Design für einarmige Phase II-Studien mit binärem zeitlich erfasstem Endpunkt
Ein universelles Bayes-Design für einarmige Phase II-Studien mit binärem zeitlich erfasstem Endpunkt Joachim Gerß joachim.gerss@ukmuenster.de Institute of Biostatistics and Clinical Research Overview 1.
MehrGeo 241 Modellierung von Systemen Modulverantwortlicher: Dr. Krause. Sommersemester 2009
Geo 241 Modellierung von Systemen Modulverantwortlicher: Dr. Krause Sensitivität Tino Wunderlich Matrikel 100028 Gliederung 1. Sensitivität in der Statistik ( Berechnung / Beispiel) 2. Sensitivität in
MehrDeutscher Wetterdienst
Deutscher Wetterdienst Ensemble Vorhersagen im Deutschen Wetterdienst: aktuelle Entwicklungen und Zukunftspläne S. Theis, C. Gebhardt, M. Buchhold, Z. Ben Bouallègue, R. Ohl, Marcus Paulat, C. Peralta,
Mehr2. Ein Zufallsvektor X IR d ist multivariat normal verteilt dann und nur dann wenn seine charakteristische Funktion folgendermaßen gegeben ist:
Multivariate elliptische Verteilungen a) Die multivariate Normalverteilung Definition 2 Der Zufallsvektor (X 1, X 2,..., X d ) T hat eine multivariate Normalverteilung (oder eine multivariate Gauss sche
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrWelche Jährlichkeit hat das extreme Hochwasser, abgeschätzt wird?
Fachartikel I DOI: 10.5675/HyWa_2012, 2_ Schumann: Welche Jährlichkeit hat das extreme Hochwasser... Schumann, Andreas Welche Jährlichkeit hat das extreme Hochwasser, wenn es als Vielfaches des abgeschätzt
MehrFrailty Models in Survival Analysis
Aus dem Institut für Medizinische Epidemiologie, Biometrie und Informatik (Direktor: Prof. Dr. Johannes Haerting) Frailty Models in Survival Analysis Habilitation zur Erlangung des akademischen Grades
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
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
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
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,
Mehr8 Allgemeine Modelle & Robuste Regression
8.1 Allgemeines Lineares Regressions-Modell 182 8 Allgemeine Modelle & Robuste Regression 8.1 Allgemeines Lineares Regressions-Modell a Modell. Y i F µ i, γ, g µ i = η i = x T i β b Weibull-Verteilung.
MehrProbabilistische Bewertung von hydrologischen Multi-Model-Ensembles
Probabilistische Bewertung von hydrologischen Multi-Model-Ensembles Dr. Bastian Klein Referat M2 - Wasserhaushalt, Vorhersagen, Prognosen Bundesanstalt für Gewässerkunde, Koblenz BfG-Kolloquium: Unsicherheiten
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
MehrFINANZMATHEMATISCHE MODELLIERUNG AM SEKUNDÄRREGELLEISTUNGSMARKT
1 FINANZMATHEMATISCHE MODELLIERUNG AM SEKUNDÄRREGELLEISTUNGSMARKT Strommarkttreffen, 30. Juni 2017 Prilly Oktoviany prilly.oktoviany@itwm.fraunhofer.de in Zusammenarbeit mit Dr. Andreas Wagner Lukas Müller
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
MehrElementare Wahrscheinlichkeitsrechnung
Johann Pfanzagl Elementare Wahrscheinlichkeitsrechnung 2., überarbeitete und erweiterte Auflage W DE G Walter de Gruyter Berlin New York 1991 Inhaltsverzeichnis 1. Zufallsexperimente und Wahrscheinlichkeit
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrDie mit * gekennzeichneten Abschnitte beinhalten Themen, die über die Anforderungen des Gegenstandskatalogs hinausgehen.
Die mit * gekennzeichneten Abschnitte beinhalten Themen, die über die Anforderungen des Gegenstandskatalogs hinausgehen. 1 Einleitung...1 1.1 Die Bedeutung der Statistik für die Medizin...1 1.2 Die medizinische
MehrWahrscheinlichkeitstheorie 2
Wahrscheinlichkeitstheorie 2 Caroline Sporleder Computational Linguistics Universität des Saarlandes Sommersemester 2011 19.05.2011 Caroline Sporleder Wahrscheinlichkeitstheorie 2 (1) Wiederholung (1):
Mehr