Probabilistische Analyse regionaler Klimasimulationen
|
|
- Sophie Richter
- vor 5 Jahren
- Abrufe
Transkript
1 Probabilistische Analyse regionaler Klimasimulationen Christian Schölzel und Andreas Hense Meteorologisches Institut der Universität Bonn Fachgespräch Ableitung von regionalen Klimaszenarien aus Multi-Modell-Ensembles, MPI-M, Hamburg,
2 Hintergrund : Probabilistische Abschätzung regionaler Klimaänderungen IMAGe: Institute for Mathematics Applied to Geosciences NCAR, Boulder, Colorado Impulse zu Kernfragen 1 Auswahl bestimmter Simulationen? 2 Probabilistische Interpretation und Modellgewichte? 3 Verwertbarkeit und Mehrwert?
3 Kernfrage 1: Auswahl bestimmter Simulationen?
4 Kernfrage 1 Problem der Unsicherheiten Aleatorische Unsicherheit Klimasystem in Realität und Modell inhärent zufällig Hohe Zahl von Freiheitsgraden Nicht-lineares Verhalten auf verschiedenen Zeitskalen Epistemische Unsicherheit Klimamodelle sind reduzierte Abbildungen der Natur Auflösungen Parametrisierungen...
5 Kernfrage 1 Inwertsetzung von Ensemble-Simulationen Was ist gegeben? Zielgröße Y Realisierungen X = (X 1,..., X nens ) T Was suchen wir nicht? Eine beste Realisierung keine entspricht der Realität alle enthalten Information Ensemble mean und spread siehe Beispiel Was suchen wir? Bedingte Wahrscheinlichkeitsdichte f ens(y x) = pdf(y X 1, X 2,... ) Bestenfalls unter Berücksichtigung räumlich-zeitlicher Abhängigkeiten
6 Kernfrage 2: Probabilistische Interpretation und Modellgewichte?
7 Kernfrage 2 Probabilistische Interpretation von Ensemble-Simulationen Regressionsverfahren GDF: Gaussian DF interpretation NGR: Non-homogeneous Gaussian regression Prinzip des Ensemble dressing SKD: Standard kernel dressing GED: Gaussian ensemble dressing AKD: Affine kernel dressing BMA: Bayesian model averaging Bayes sche Verfahren BHM: Bayesian hierarchical modeling, MCMC,...
8 Kernfrage 2 Regressionsverfahren Gaussian DF interpretation (links) und Non-homogeneous Gaussian regression (rechts)
9 Kernfrage 2 Probabilistische Interpretation von Ensemble-Simulationen Regressionsverfahren GDF: Gaussian DF interpretation NGR: Non-homogeneous Gaussian regression Prinzip des Ensemble dressing* SKD: Standard kernel dressing GED: Gaussian ensemble dressing AKD: Affine kernel dressing BMA: Bayesian model averaging Bayes sche Verfahren BHM: Bayesian hierarchical modeling, MCMC,...
10 Kernfrage 2 Prinzip des Ensemble dressings Bayesian model averaging (links) und Affine kernel dressing (rechts)
11 Kernfrage 2 Probabilistische Interpretation von Ensemble-Simulationen Regressionsverfahren GDF: Gaussian DF interpretation NGR: Non-homogeneous Gaussian regression Prinzip des Ensemble dressing* SKD: Standard kernel dressing GED: Gaussian ensemble dressing AKD: Affine kernel dressing BMA: Bayesian model averaging Bayes sche Verfahren BHM: Bayesian hierarchical modeling, MCMC,...
12 Kernfrage 2 Bayesian hierarchical modeling Frequentistischer Ansatz Statistisches Modell Maximum-Likelihood, EM-Algorithmus,... Schätzer für Parameter Bayes scher Ansatz Statistisches Modell Parameter als Zufallsvariablen MCMC, Gibbs-Sampler,... Wahrscheinlichkeitsdichte für Parameter
13 Kernfrage 2 Auswahl des geeigneten Verfahrens Wie wollen wir ein bestimmtes Ensemble verstehen? Unsicherheiten durch den mittleren Fehler repräsentiert? Unsicherheiten inhomogen? Kernel normalverteilt? Extremwerttheoretischen Ansatz? Räumlich-zeitliche Abhängigkeiten? Gewichte für Realisierungen? Modellgewichte [Y mod Y obs ] In obigen Verfahren teilweise enthalten (BF, EM, BHM) Nur für a-priori unterscheidbare Realisierungen Projektion auf Basisfunktionen (geometrische/dynamische Muster) Berücksichtigung der räumlich-zeitlichen Autokovarianz
14 Kernfrage 3: Verwertbarkeit und Mehrwert?
15 Kernfrage 3 Probabilistische Beschreibung von Mittelwert und Trend Beispiel : Mittelwert und Trend probabilistisch WETTREG/CLM-Ensemble, Jahresmittel T 2m als Anomalien zu Nicht-stationäre Erweiterung des (gleichgewichteten) GED Transformation auf (zeitlichen) Mittelwert und Trend Analytische Berechnung der PDF
16 Kernfrage 3 Räumliche Verteilung der Jahresmitteltemperatur (probability maps)
17 Kernfrage 3 Direkte Verwertbarkeit und Wirkmodelle Verwertbarkeit probabilistischer Projektionen Wahrscheinlichkeitskarten für Kombinationen von Zielgrößen Vulnerabilität Risikoanalyse Komplexere, nachgeschaltete Modelle Stochastische Formulierung Einbeziehen in die Modellkette Sampling
18 Zusammenfassung
19 Zusammenfassung Auswahl bestimmter Simulationen? Nur in Form von Modellgewichten Probabilistische Interpretation und Modellgewichte? Zahlreiche Ansätze, von GDF über EKD bis BHM... (Referenzen) Modellgewichte ggf. bereits integriert Auswahl der Norm/Kostenfunktion nicht trivial Verwertbarkeit und Mehrwert? Wahrscheinlichkeitskarten Risikoanalyse Nachgeschaltete Wirkmodelle
20 Navigation Probabilistische Analyse regionaler Klimasimulationen 1 Kernfrage 1 Unsicherheiten und Ensembles 2 Kernfrage 2 Methoden zur probabilistischen Interpretation Kriterien und Modellgewichte 3 Kernfrage 3 Probabilistische Projektionen Verwertbarkeit und Wirkmodelle Anhang Acknowledgments. This work is part of the project which is supported by the Landesanstalt für Umwelt, Messungen und Naturschutz Baden-Württemberg (LUBW). The authors would also like to credit the contributors of the R project.
21 Ensemble kernel dressing Ensemble dressing Definiere eine Wahrscheinlichkeitsdichte (Kernel) um jede Realisierung X j und bilde das (gewichtete) Mittel f (EKD) ens (y x) = 1 Xj=1 w j f K n ens n ens Mit Kernel f K, Skalierung a, Versatz ω, und... Dressing-Varianz σ D Gewichte w j = Prob(M j Y obs ) «y (a xj + ω) σ D
22 Multivariate Erweiterung des Gaussian ensemble dressing Multivariate Erweiterung Zufallsvektoren Y und X j (z.b. räumlich-zeitlich) mit Dressing-(Ko)varianz Σ D f (mvt) ens ( y x 1,..., x nens ) = 1 Xn ens 1 exp ( y x j ) T Σ 1 n ens... D ( y x j ) j=1 Zeitliche Korrelation Bestimmung aus der Fehlerkovarianz: Ensemble-Member sind nicht unabhängig! 0 ˆΣ D = h opt ˆΣ ɛ = h opt 1 ˆσ ɛ (0) ˆσ ɛ ( 1) ˆσ ɛ ( n t + 1) ˆσ ɛ (1) ˆσ ɛ (0)..... ˆσ ɛ ( 1) C A ˆσ ɛ (n t 1) ˆσ ɛ (1) ˆσ ɛ (0)
23 Mittelwert und Trend der Jahresmitteltemperatur WETTREG/ECHAM5
24 Navigation Probabilistische Analyse regionaler Klimasimulationen 1 Kernfrage 1 Unsicherheiten und Ensembles 2 Kernfrage 2 Methoden zur probabilistischen Interpretation Kriterien und Modellgewichte 3 Kernfrage 3 Probabilistische Projektionen Verwertbarkeit und Wirkmodelle Anhang Acknowledgments. This work is part of the project which is supported by the Landesanstalt für Umwelt, Messungen und Naturschutz Baden-Württemberg (LUBW). The authors would also like to credit the contributors of the R project.
Probabilistische 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,
MehrProbabilistische Abschätzung regionaler Klimaänderungen
Probabilistische Abschätzung regionaler Klimaänderungen A. Hense, C. Kottmeier, W. Enke, F. Kreienkamp H.-J. Panitz, G. Schädler, C. Schölzel, A. Spekat, H. Feldmann Übersicht Das Problem der Unsicherheiten
MehrGauß-Prozess-Regression
Bayessche Regression und Gaußprozesse Dr. rer. nat. Johannes Riesterer Motivation Kriging Der südafrikanische Bergbauingenieur Danie Krige versuchte 1951, eine optimale Interpolationsmethode für den Bergbau
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayes sches Lernen. Niels Landwehr
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Bayes sches Lernen Niels Landwehr Überblick Grundkonzepte des Bayes schen Lernens Wahrscheinlichstes Modell gegeben Daten Münzwürfe
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
MehrGEODÄTISCHES INSTITUT HANNOVER
Alexander Dorndorf, M.Sc. GEODÄTISCHES INSTITUT HANNOVER Entwicklung eines robusten Bayesschen Ansatzes für klein-redundante Ausgleichungsmodelle Motivation Funktionaler Zusammenhang: h = β 0 + β 1 x +
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
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
MehrFrequentisten und Bayesianer. Volker Tresp
Frequentisten und Bayesianer Volker Tresp 1 Frequentisten 2 Die W-Verteilung eines Datenmusters Nehmen wir an, dass die wahre Abhängigkeit linear ist, wir jedoch nur verrauschte Daten zur Verfügung haben
MehrÜberblick. Grundkonzepte des Bayes schen Lernens. Wahrscheinlichstes Modell gegeben Daten Münzwürfe Lineare Regression Logistische Regression
Überblic Grundonepte des Bayes schen Lernens Wahrscheinlichstes Modell gegeben Daten Münwürfe Lineare Regression Logistische Regression Bayes sche Vorhersage Münwürfe Lineare Regression 14 Modell für Münwürfe
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
MehrKlimawandel in Hessen Wie wir Klimaprojektionen nutzen können. Prof Dr. Klaus Hanewald Leiter Fachzentrum Klimawandel. Gliederung
Hessisches Landesamt für Umwelt und Geologie Klimawandel in Hessen Wie wir Klimaprojektionen nutzen können Dr. Heike Hübener Prof Dr. Klaus Hanewald Leiter Fachzentrum Klimawandel Was ist Klima Gliederung
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
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
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
MehrUnüberwachtes Lernen
Unüberwachtes Lernen Mustererkennung und Klassifikation, Vorlesung No. 12 M. O. Franz 17.01.2008 Übersicht 1 Hauptkomponentenanalyse 2 Nichtlineare Hauptkomponentenanalyse 3 K-Means-Clustering Übersicht
MehrQuantitative Paläoklimarekonstruktion
Quantitative Paläoklimarekonstruktion Andreas Hense, Christoph Gebhardt, Christian Schölzel Thomas Litt, Norbert Kühl, Frank Neumann (Paläontologie) 12. Oktober 2004 Gliederung 1. Theorie: Paläorekonstruktion
MehrMultivariate Verfahren
Multivariate Verfahren Oliver Muthmann 31. Mai 2007 Gliederung 1 Einführung 2 Varianzanalyse (MANOVA) 3 Regressionsanalyse 4 Faktorenanalyse Hauptkomponentenanalyse 5 Clusteranalyse 6 Zusammenfassung Komplexe
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
MehrElementare Stochastik
Mathematik für das Lehramt Elementare Stochastik Eine Einführung in die Mathematik der Daten und des Zufalls Bearbeitet von Andreas Büchter, Hans-Wolfgang Henn Neuausgabe 2007. Taschenbuch. xii, 572 S.
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
MehrClusteranalyse: Gauß sche Mischmodelle
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse: Gauß sche Mischmodelle iels Landwehr Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Sprachtechnologie. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Sprachtechnologie Tobias Scheffer Thomas Vanck Statistik & Maschinelles Lernen Statistik: Deskriptive Statistik: Beschreibung (Tabellen,
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
MehrGrundlagen der Probabilistik und Zuverlässigkeit
DVM Seminar 2014: Zuverlässigkeit und Probabilistik Grundlagen der Probabilistik und Zuverlässigkeit Matthias Schubert Dipl.-Ing., Dr. sc. ETH München, 29.10.2014, 10:15-11:00 Probability is the most important
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Niels Landwehr
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Niels Landwehr Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer Ansatz:
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrBayessche Lineare Regression
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Baessche Lineare Regression Niels Landwehr Überblick Baessche Lernproblemstellung. Einführendes Beispiel: Münzwurfexperimente.
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, May 12, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrReicht der Wind für einen Sturm? Was wir über den Klimawandel wissen und was nicht
Reicht der Wind für einen Sturm? Was wir über den wissen und was nicht Instructor: Dr. Christian Ohlwein Company: Hans-Ertel-Zentrum für Wetterforschung Meteorologisches Institut, Universität Bonn -Okt-0
MehrMethoden der statistischen Inferenz
Leonhard Held Methoden der statistischen Inferenz Likelihood und Bayes Unter Mitwirkung von Daniel Sabanes Bove Spektrum KJL AKADEMISCHER VERLAG Vorwort vii 1 Einführung 1 1.1 Statistische Inferenz 1 1.2
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
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
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 1 bis 4 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
MehrUE Statistische Mustererkennung WS 2018 Angaben zur 2ten Aufgabengruppe
UE Statistische Mustererkennung WS 2018 Angaben zur 2ten Aufgabengruppe 1 Aufgabe UE-II.1 Generieren Sie je 1000 Stichproben (samples) mit Umfang 5/30/100/500 für die Normalverteilung N(µ, σ 2 ) = N(4,
MehrAnpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood Hauptseminar - Methoden der experimentellen Teilchenphysik WS 2011/2012 Fabian Hoffmann 2. Dezember 2011 Inhaltsverzeichnis 1 Einleitung
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
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
MehrModerne Methoden der Datenverarbeitung in der Physik I
Moderne Methoden der Datenverarbeitung in der Physik I Prof. Dr. Stefan Schael / Dr. Thomas Kirn I. Physikalisches Institut MAPLE II, Krypthographie Wahrscheinlichkeit Zufallszahlen, Wahrscheinlichkeitsdichten,
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
MehrMustererkennung. Übersicht. Unüberwachtes Lernen. (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren Gaussian-Mixture Modelle
Mustererkennung Unüberwachtes Lernen R. Neubecker, WS 01 / 01 Übersicht (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren 1 Lernen Überwachtes Lernen Zum Training des Klassifikators
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
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
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Tobias Scheffer Thomas Vanck Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
MehrRechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse
Rechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse Karlsruher Institut für Technologie Ulrich Husemann Institut für Experimentelle Kernphysik, Karlsruher Institut für Technologie
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
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
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY23) Herbstsemester 207 Olaf Steinkamp 36-J-05 olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrMethoden der Statistik Markov Chain Monte Carlo Methoden
Methoden der Statistik Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 08.02.2013 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
MehrMultivariate Statistische Methoden
Multivariate Statistische Methoden und ihre Anwendung in den Wirtschafts- und Sozialwissenschaften Von Prof. Dr. Hans Peter Litz Carl von Ossietzky Universität Oldenburg v..v.-'... ':,. -X V R.Oldenbourg
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
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
MehrAktuelle Erkenntnisse der Klimaforschung - von globalen bis zu
Aktuelle Erkenntnisse der Klimaforschung - von globalen bis zu regionalen Klimaänderungen - Bodo Wichura & Andreas Walter Seite 1 Überblick 1 2 3 Klimawandel Vorbemerkungen Was beobachtet wurde: Klimaänderungen
MehrVorlesung 12a. Schätzen von Parametern. Teil 2
Vorlesung 12a Schätzen von Parametern Teil 2 1 Unser Logo der ersten Stunde: X P ϑ (X da) = ρ ϑ (da), ϑ Θ S 2 Ein Logo der Statistik: Θ ˆϑ t X S P ϑ (X da) = ρ ϑ (da), ϑ Θ Θ... Parameterraum S... Beobachtungsraum
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrKlimaänderungen in Deutschland
Klimaänderungen in Deutschland - Aktuelle Beobachtungen und Zukunftsprojektionen - Dr. Andreas Walter, Sabrina Wehring Deutscher Wetterdienst Offenbach, 3. November 2016 Seite 1 Überblick 1 2 3 4 Vorbemerkungen
MehrStatistische Methoden für Bauingenieure WS 13/14
Statistische Methoden für Bauingenieure WS 13/14 Einheit 6: Simulation und probabilistische Bemessung/ Zuverlässigkeit Univ.Prof. Dr. Christian Bucher Typische Problemstellung Auslegung des Turmschafts
MehrBZQ II: Stochastikpraktikum
BZQ II: Stochastikpraktikum Block 5: Markov-Chain-Monte-Carlo-Verfahren Randolf Altmeyer February 1, 2017 Überblick 1 Monte-Carlo-Methoden, Zufallszahlen, statistische Tests 2 Nichtparametrische Methoden
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
Mehr2 Lineare Regression am Beispiel des Hall-Effekts
Lernziele Lektion 2 Sie kennen die Normalverteilung, die Studentsche t-verteilung, sowie die inverse Gammaverteilung und können mit deren Maximalwerten, Mittelwerten und Varianzen umgehen. Sie kennen und
Mehr2 Alle Standardabweichungen σ i sind bekannt, bzw. die Kovarianzmatrix der Daten ist bekannt: Minimieren der χ 2 - Funktion.
2 Alle Standardabweichungen σ i sind bekannt, bzw. die Kovarianzmatrix der Daten ist bekannt: Minimieren der χ 2 - Funktion. 2.1 Allgemeine Behandlung Definition der χ 2 -Funktion. Hier definieren wir
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
MehrTheoretische Biophysik - Statistische Physik
Theoretische Biophysik - Statistische Physik 10. Vorlesung Pawel Romanczuk Wintersemester 2018 http://lab.romanczuk.de/teaching/ 1 Brownsche Bewegung Zusammenfassung letzte VL Formulierung über Newtonsche
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
MehrVorlesung: Lineare Modelle
Vorlesung: Lineare Modelle Prof Dr Helmut Küchenhoff Institut für Statistik, LMU München SoSe 2014 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen
MehrHochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann. 8. Übungsblatt zur Vorlesung Ökonometrie
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann 8. Übungsblatt zur Vorlesung Ökonometrie Aufgabe 1: In der Vorlesung haben wir das lineare Regressionsproblem als statistisches Problem formuliert:
MehrEinführung in die Diskrete Finanzmathematik
Jürgen Kremer Einführung in die Diskrete Finanzmathematik Mit 37 Abbildungen /IS 4y Springer Ein-Perioden- Wertpapiermärkte 1 1.1 Portfolios 5 1.2 Optionen und Forward-Kontrakte 8 1.2.1 Optionen 8 1.2.2
MehrLineare Klassifikatoren
Universität Potsdam Institut für Informatik Lehrstuhl Lineare Klassifikatoren Christoph Sawade, Blaine Nelson, Tobias Scheffer Inhalt Klassifikationsproblem Bayes sche Klassenentscheidung Lineare Klassifikator,
MehrSemester-Fahrplan 1 / 17
Semester-Fahrplan 1 / 17 Hydroinformatik I Einführung in die Hydrologische Modellierung Bayes sches Netz Olaf Kolditz *Helmholtz Centre for Environmental Research UFZ 1 Technische Universität Dresden TUDD
MehrELEMENTARE EINFÜHRUNG IN DIE MATHEMATISCHE STATISTIK
DIETER RASCH ELEMENTARE EINFÜHRUNG IN DIE MATHEMATISCHE STATISTIK MIT 53 ABBILDUNGEN UND 111 TABELLEN ZWEITE, BERICHTIGTE UND ERWEITERTE AUFLAGE s-~v VEB DEUTSCHER VERLAG DER WISSENSCHAFTEN BERLIN 1970
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
MehrModellierung von Baumeffekten Modellierung von Baumeffekten mit Methoden der räumlichen Statistik
mit Methoden der räumlichen Statistik Motivation Einzelbaumeffekte wie Streu- und Feinwurzelausbreitung sind von großer Bedeutung für die Walddynamik, insbesondere wenn Wechselwirkungen/Interaktionen zwischen
MehrZeitreihenanalyse in den Wirtschafts Wissenschaften
Klaus Neusser Zeitreihenanalyse in den Wirtschafts Wissenschaften 2., aktualisierte Auflage STUDIUM VIEWEG+ TEUBNER Abbildungsverzeichnis Tabellenverzeichnis Zeichenerklärung XI XIII XV I Univariate Zeitreihenanalyse
MehrStä. Stä. dte im. im Klimawandel. im Klimawandel. Klimawandel
Stä St Stä dte Stäädte im im Klimawandel Klimawandel Barbara Früh, Meinolf Kossmann Deutscher Wetterdienst Klima & Umweltberatung Offenbach am Main DACH Meteorologentagung, 20. 24. September 2010 Barbara
MehrStochastik Praktikum Markov Chain Monte Carlo Methoden
Stochastik Praktikum Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 14.10.2010 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
Mehr30. März Ruhr-Universität Bochum. Methodenlehre II, SS Prof. Dr. Holger Dette
Ruhr-Universität Bochum 30. März 2011 1 / 46 Methodenlehre II NA 3/73 Telefon: 0234 322 8284 Email: holger.dette@rub.de Internet: www.ruhr-uni-bochum.de/mathematik3/index.html Vorlesung: Montag, 8.30 10.00
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
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,
Mehr5 Allgemeine Verfahren zum Testen von Hypothesen
5 Allgemeine Verfahren zum Testen von Hypothesen 5.1 Likelihood Schätzung für multivariate Daten Statistisches Modell: Einfache Zufallsstichprobe X 1,..., X n (unabhängige Wiederholungen von X IR d ).
MehrDas Bayes'sche Prinzip
Das Bayes'sche Prinzip Olivia Gradenwitz Patrik Kneubühler Seminar über Bayes Statistik FS8 26. Februar 28 1 Bayes'sches statistisches Modell 1.1 Statistische Probleme und statistische Modelle In diesem
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrD-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin. Serie 11
D-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin Serie 11 1. Frau A und Herr B wollen sich treffen und verabreden sich für 16 Uhr in einem Café. Mit T A bzw. T B bezeichnen wir die
MehrSoftwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2010/11 Überblick I Statistik bei kontrollierten Experimenten
MehrMaximum-Likelihood Schätzung. VL Forschungsmethoden
Maximum-Likelihood Schätzung VL Forschungsmethoden Wiederholung Einführung: Schätzung Likelihood-Schätzung und Generalisiertes Lineares Modell Zufallsverteilungen Lernziele 1. Grundzüge der Likelihood-Schätzung
Mehr