Dekorrelationsfilter und ihre Validierung am Beispiel von GOCE Messreihen
|
|
- Alwin Gerstle
- vor 6 Jahren
- Abrufe
Transkript
1 . Geodätische Woche Dekorrelationsfilter und ihre Validierung am Beispiel von GOCE Messreihen 1 Ina Krasbutter u. Wolf-Dieter Schuh Institut für Geodäsie und Geoinformation Professur für Theoretische Geodäsie Universität Bonn 3. September 9 Gliederung 1 Dekorrelation der GOCE-Residuen Validierung der Dekorrelation 3 Zusammenfassung
2 Motivation Ziel Bestimmung des Erdschwerefelds mit einer hohen Genauigkeit Parametrisierung des Erdschwerefelds Kugelfunktionsentwicklung: V(r, θ,λ)= GM l max ( ) R l+1 l P lm (cos θ)[c lm cos mλ+s lm sinmλ] R r l= m= 3 Beobachtungen 1. Satellite-to-Satellite Tracking (SST): Langwelligen Anteil. Satellitengravitationsgradiometrie (SGG): Kurzwelligen Anteil 3. Pseudobeobachtungen: Regularisierung der Lösung Satellitengravitationsgradiometrie Funktionales Modell l SGG + v SGG = A SGG x, A SGG[1 Mio.x75 ] Stochastisches Modell Σ{L} = Σ SGG SGG-Beobachtungen sind korreliert Kreuzkorrelation wird vernachlässigt Speicherbedarf der Kovarianzmatrix: 5 Terabytes = Dekorrelationsfilter Gravitationsgradiometer ESA
3 Satellitengravitationsgradiometrie Funktionales Modell l SGG + v SGG = A SGG x, A SGG[1 Mio.x75 ] Stochastisches Modell Σ{L} = Σ SGG SGG-Beobachtungen sind korreliert Kreuzkorrelation wird vernachlässigt Speicherbedarf der Kovarianzmatrix: 5 Terabytes = Dekorrelationsfilter Supercomputer (Juelich) FZ Juelich Satellitengravitationsgradiometrie Funktionales Modell F(l SGG + v SGG ) = FA SGG x, A SGG[1 Mio.x75 ] Stochastisches Modell Σ{L} = Σ SGG = I SGG-Beobachtungen sind korreliert Kreuzkorrelation wird vernachlässigt Speicherbedarf der Kovarianzmatrix: 5 Terabytes = Dekorrelationsfilter Supercomputer (Juelich) FZ Juelich
4 Stochastisches Modell (SGG) Leistungsdichtespektrum: zz-komponente (simuliert) 1 5 Doppel-log Skala Messband:.5 bis.1 Hz 1 Filtergleichung p y t = α k y t k + k=1 Filterkaskade q β k u t k, k= Komplexes Korrelationsmuster = Filterkaskade α k, β k... Filterkoeffizienten u/y... Input-/Output-Reihe 5 Dekorrelationskette Leistungsdichtespektrum Hochpass-Filterung = ARMA-Filterung Frequency [Hz] Notch-Filterung = Frequency [Hz] Frequency [Hz]
5 Filtermodelle 7 Filtermodell mit Restriktionen Ziel Flexibles Filterdesign (z.b. Peaks, Übergangsbereich) Best/Worst-Case Filter Leistungsdichtespektrum Error [me /Hz]
6 Filterdesign mit Restriktionen Leitungsdichtespektrum nente: zz, Beobachtungen:, Koeffizienten: 1, N=61, vgl. Lutz Roese-Koerner u. Wolf-Dieter Schuh (Do, um Uhr) Validierung der Dekorrelationsergebnisse Statistische Analyse Dekorrelationsergebnisse bewerten Beurteilung durch... Ansehen (subjektiv)... statistische Tests (objektiv) Daten-Tüv Test auf Normalverteilung Test auf Autokorrelation Test auf Weißes Rauschen Test auf Instationarität Cumulative Score Charts (CuScore) Cumulative Sums of Squares (CuSum) Residuen t 1
7 Validierung der Dekorrelationsergebnisse Statistische Analyse Dekorrelationsergebnisse bewerten Beurteilung durch... Ansehen (subjektiv)... statistische Tests (objektiv) Daten-Tüv Test auf Normalverteilung Test auf Autokorrelation Test auf Weißes Rauschen Test auf Instationarität Cumulative Score Charts (CuScore) Cumulative Sums of Squares (CuSum) Residuen t 1 Cumulative Sums of Squares (CuSum) Ziel Aufdecken von Varianzänderungen Beobachtungsgrößen sind Residuen (µ=) Hypothese: H : Σ{L} = σ I H 1 : Σ{L} σ I Beispiel 11 3 Reihe mit zwei Varianzwechseln: t 1 = 39 t = 511 Residuen t
8 Cumulative Sums of Squares (CuSum) Kumulative Quadratsumme C k = k t=1 u t, k = 1,...,n Steigung konstant (H wahr) Nachteil: Langsame Änderung Kumulative Quadratsumme Cumulative Sums of Squares (CuSum) Kumulative Quadratsumme C k = k t=1 u t, k = 1,...,n Steigung konstant (H wahr) Nachteil: Langsame Änderung Kumulative Quadratsumme Zentrierte kumulative Q. Horizontale Darstellung ) T = max C k ( n C n k n Signifikanzgrenzen (Inclán u. Tiao,199) Nachteil: Nur ein Punkt Zentrierte kumulative Q
9 Cumulative Sums of Squares (CuSum) 6 13 Cumulative Sums of Squares (CuSum)
10 Cumulative Sums of Squares (CuSum) Anwendung des Tests Einfacher Filter Simulierte Daten Leistungsdichtespektrum 1 1 Differenzenfilter: y t = u t u t Keine Notch-Filter = Keine optimale Dekorrelation
11 Anwendung des Tests Einfacher Filter Simulierte Daten Leistungsdichtespektrum 1 1 Differenzenfilter: y t = u t u t Keine Notch-Filter = Keine optimale Dekorrelation Testergebnis Anzahl der Varianzänderungen: xx-komponente: yy-komponente: zz-komponente: Zusammenfassung Fazit Speicherung der Kovarianzmatrix der SGG-Beobachtungen ( 5. Terabytes) kaum möglich = Dekorrelationsfilter Dekorrelationsfilter setzt sich aus einzelnen Filtern zusammen 15 Filterdesign mit Restriktionen ermöglichen eine flexiblere Gestaltung Validierung der Dekorrelationsergebnisse = statistische Tests
12 . Vielen Dank für die Aufmerksamkeit! 16
Das magische Quadrat für stochastische Prozesse
. Geodätische Woche Das magische Quadrat für stochastische Prozesse 1 Institut für Geodäsie und Geoinformation Professur für Theoretische Geodäsie - Universität Bonn Ina Krasbutter, Boris Kargoll, Wolf-Dieter
MehrApproximation flächenhaft harmonischer Funktionen mittels bikubisch finiter Elemente
. Session 6: Theoretische Geodäsie Approximation flächenhaft harmonischer Funktionen mittels bikubisch finiter Elemente 1 Jessica Franken Institut für Geodäsie und Geoinformation Professur für Theoretische
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
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
Mehrkleinsten Quadraten Session 4: Angewandte Geodäsie und GNSS Geodätische Woche, 29. September 2011, Nürnberg
von von Session 4: Angewandte Geodäsie und GNSS Corinna Harmening Jens-André Geodätisches Institut Leibniz Universität Hannover Geodätische Woche, 29. September 2011, Nürnberg 1 / 12 Motivation von Abb.
MehrX =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
MehrAnalyse von zeitlichen Variationen bei unregelmäßig vorliegenden räumlichen Daten
. Analyse von zeitlichen Variationen bei unregelmäßig vorliegenden räumlichen Daten Geodätische Woche 2010 1 Andreas Ernst und Wolf-Dieter Schuh 7. Oktober 2010 Motivation Räumliche Daten entstehen inzwischen
MehrKapitel 8: Zeitdiskrete Zufallssignale
ZHAW, DSV2, 2007, Rumc, 8-1 Kapitel 8: Zeitdiskrete Zufallssignale Inhaltsverzeichnis 1. STOCHASTISCHER PROZESS...1 2. STATISTISCHE EIGENSCHAFTEN EINER ZUFALLSVARIABLEN...2 3. STATISTISCHE EIGENSCHAFTEN
Mehr6.2 Lineare Regression
6.2 Lineare Regression Einfache lineare Regression (vgl. Kap. 4.7) Y i = θ 0 + θ 1 X i + ǫ i ǫ i (0, σ 2 ) ˆθ 1 ˆθ 0 = S XY S 2 X = 1 ( Yi n ˆθ ) 1 Xi als Lösung der Minimumaufgabe n (Y i θ 1 X 1 θ 0 )
MehrKonvexe Optimierung zur Schätzung von Kovarianzfunktionen
. Geodätische Woche 211 Konvexe Optimierung zur Schätzung von Kovarianzfunktionen 1 Lutz Roese-Koerner, Silvia Becker, Andreas Ernst und Wolf-Dieter Schuh Institut für Geodäsie und Geoinformation Professur
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
Mehr4. Empirische Momente von ZR. 4. Empirische Momente von ZR. 4. Empirische Momente von ZR. 4. Empirische Momente von ZR
Im Allgemeinen wird sich das Verhalten einer ZR über die Zeit ändern, z.b. Trend, saisonales Verhalten, sich verändernde Variabilität. Eine ZR wird als stationär bezeichnet, wenn sich ihr Verhalten über
Mehr8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme)
8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme) Annahme B4: Die Störgrößen u i sind normalverteilt, d.h. u i N(0, σ 2 ) Beispiel: [I] Neoklassisches Solow-Wachstumsmodell Annahme einer
MehrStochastische Prozesse und Box-Jenkins Technik
Stochastische Prozesse und Box-Jenkins Technik Stichwörter: AR-, MA- und ARMA-Prozeß weißes Rauschen random walk Autokorrelations-Funktion Stationarität Invertierbarkeit Korrelogramm Box-Jenkins Technik
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
MehrEmpirische Wirtschaftsforschung in R
Empirische Wirtschaftsforschung in R Schätzung der keynesianischen Geldnachfragefunktion auf Basis von Daten der dänischen Volkswirtschaft Jonas Richter-Dumke Universität Rostock, Institut für Volkswirtschaftslehre
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
MehrSegmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden
Segmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden Ingo Neumann, Jens-André Paffenholz und Nico Lindenthal GEODÄTISCHES INSTITUT HANNOVER Session: Laserscanning
MehrKalibrierung von Achsabweichungen bei Panoramalaserscannern. Frank Gielsdorf technet GmbH
Kalibrierung von Achsabweichungen bei Panoramalaserscannern Frank Gielsdorf technet GmbH technet GmbH Nationalstadion - Peking Allianz Arena I - München Katasteranalyse, Homogenisierung Scanregistrierung
MehrModellbildung und Simulation
Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung:
MehrML-Schätzung. Likelihood Quotienten-Test. Zusammenhang Reparametrisierung und Modell unter linearer Restriktion. Es gilt: β = Bγ + d (3.
Reparametrisierung des Modells Gegeben sei das Modell (2.1) mit (2.5) unter der linearen Restriktion Aβ = c mit A R a p, rg(a) = a, c R a. Wir betrachten die lineare Restriktion als Gleichungssystem. Die
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
Mehr6 Nichtstationarität und Kointegration
6 Nichtstationarität und Kointegration 6.1 Kapitelübersicht, Problematik Die Analyse nichtstationärer Zeitreihen wird folgende Gesichtspunkte anschneiden: Definition von Nichtstationarität, von integrierten
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
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
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 +
MehrMethode der kleinsten Quadrate DSV2, 2007, Least-Squares, Rumc, 1
Methode der kleinsten Quadrate DSV2, 2007, Least-Squares, Rumc, 1 Problem der linearen Annäherung im Skalarprodukt-Raum Finde für einen beliebigen Vektor y eine Linearkombination y e der Vektoren 1, 2,...,
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:
Mehr6. Statistische Schätzung von ARIMA Modellen
6. Statistische Schätzung von ARIMA Modellen Vorschau: ARIMA Modelle Modellidentifikation verschiedene Schätzverfahren Modelldiagnostik Fallstudien Zeitreihenanalyse 1 6.1 ARIMA Modelle Bisher: ARMA(p,q)-Modelle:
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
Mehr1 Gliederung Zeitreihenökonometrie. Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09. Dr. Sylvia Kaufmann.
Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09 Dr Sylvia Kaufmann Februar 2009 Angewandte Ökonometrie, Sylvia Kaufmann, FS09 1 1 Gliederung Zeitreihenökonometrie Einführung
MehrPareto optimale lineare Klassifikation
Seminar aus Maschinellem Lernen Pareto optimale lineare Klassifikation Vesselina Poulkova Betreuer: Eneldo Loza Mencía Gliederung 1. Einleitung 2. Pareto optimale lineare Klassifizierer 3. Generelle Voraussetzung
MehrVergleich zweier Stichproben
zurück zum Inhaltsverzeichnis Die Werte sind verbunden, abhängig oder korreliert. Beispiel: Eine Probe wird mit zwei Messgeräten bestimmt. Es gibt eine paarweise Zuordnung. Die Werte sind unabhängig also
MehrAnalyse von Querschnittsdaten. Heteroskedastizität
Analyse von Querschnittsdaten Heteroskedastizität Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004 03.11.2004
MehrVerteidigung der Diplomarbeit. Mathias Magdowski
Verteidigung der Diplomarbeit Entwicklung und Validierung eines Werkzeugs zur Berechnung der elektromagnetischen Einkopplung von stochastischen Feldern in Leitungsstrukturen Mathias Magdowski Otto-von-Guericke
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
MehrSegmentierung. Vorlesung FH-Hagenberg SEM
Segmentierung Vorlesung FH-Hagenberg SEM Segmentierung: Definition Die Pixel eines Bildes A={a i }, i=1:n, mit N der Anzahl der Pixel, werden in Teilmengen S i unterteilt. Die Teilmengen sind disjunkt
MehrLösung - Übungsblatt 10
Lösung - Übungsblatt 10 Aufgabe 2: Siehe Outputfile Aufgabe 2 a) Regressionsgleichung - Equation 1: price = β 1 + β 2 lotsize + β 3 sqrft + β 4 bdrms + u i Fit: price = β 1 + β 2 lotsize + β 3 sqrft +
MehrAngewandte Ökonometrie Übung. Endogenität, VAR, Stationarität und Fehlerkorrekturmodell
Angewandte Ökonometrie Übung 3 Endogenität, VAR, Stationarität und Fehlerkorrekturmodell Zeitreihenmodelle Zeitreihenmodelle Endogenität Instrumentvariablenschätzung Schätzung eines VARs Tests auf Anzahl
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Inferenzstatistik in Regressionsmodellen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für
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
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
MehrAdaptive LMS-Filter DSV, 2005/10, Rur, adaptive LMS-Filter, 1
Adaptive LMSFilter DSV, 2005/10, Rur, adaptive LMSFilter, 1 Ein Filter ist ein zeitvariantes System. kann Filterparameter an unbekannte Anforderungen anpassen mit rekursivem AdaptationsAlgorithmus (selfdesigning)
MehrAnalyse von räumlichen Punktverteilungen beim Laserscanning zur Verbesserung der Parameterschätzung deformierter Flächen
Analyse von räumlichen Punktverteilungen beim Laserscanning zur Verbesserung der Parameterschätzung deformierter Flächen Geodätische Woche 13, Essen Christoph Holst & Heiner Kuhlmann 8. Oktober 13 Christoph
MehrBildverarbeitung: Filterung. D. Schlesinger () Bildverarbeitung: Filterung 1 / 17
Bildverarbeitung: Filterung D. Schlesinger () Bildverarbeitung: Filterung 1 / 17 Allgemeines Klassische Anwendung: Entrauschung (Fast) jeder Filter basiert auf einem Modell (Annahme): Signal + Rauschen
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
MehrZeitreihenanalyse. Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation
Zeitreihenanalyse Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation Beispiel für Zeitreihe Andere Anwendungen Inventarmanagment Produktionsplanung
Mehr4. Das multiple lineare Regressionsmodell
4. Das multiple lineare Regressionsmodell Bisher: 1 endogene Variable y wurde zurückgeführt auf 1 exogene Variable x (einfaches lineares Regressionsmodell) Jetzt: Endogenes y wird regressiert auf mehrere
MehrInferenz im multiplen Regressionsmodell
1 / 40 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 2 Ökonometrie I Michael Hauser 2 / 40 Inhalt ANOVA, analysis of variance korrigiertes R 2, R 2 F-Test F-Test bei linearen Restriktionen Erwartungstreue,
Mehr7. Lösungen weitere Übungsaufgaben Statistik für Ingenieure WiSe 16/17
7. Lösungen weitere Übungsaufgaben Statistik für Ingenieure WiSe 16/17 1. Aufgabe: a) Grundgesamtheit sind alle Reifen aus der Produktion von Langstone aus dem Monat März der entsprechenden Reifentypen.
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
Mehr3. Leistungsdichtespektren
Stochastische Prozesse: 3. Leistungsdichtespektren Wird das gleiche Geräusch mehrmals gemessen, so ergeben sich in der Regel unterschiedliche zeitliche Verläufe des Schalldrucks. Bei Geräuschen handelt
Mehr1. Kraft- und Weganregung 2. Deterministische Lasten. 3. Stochastische Lasten
Dynamische Lasten 1. Kraft- und Weganregung 2. Deterministische Lasten 2.1 Periodische Lasten 2.2 Allgemeine zeitabhängige Lasten 2.3 Harmonische Lasten 3. Stochastische Lasten 3.1 Instationäre stochastische
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
Mehr4. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
4. Lösung weitere Übungsaufgaben Statistik II WiSe 016/017 1. Aufgabe: Eine sächsische Molkerei füllt Milch in Tetrapacks ab. Es wird vermutet, dass die Füllmenge normalverteilt ist mit einem Erwartungswert
MehrB. Regressionsanalyse [progdat.sav]
SPSS-PC-ÜBUNG Seite 9 B. Regressionsanalyse [progdat.sav] Ein Unternehmen möchte den zukünftigen Absatz in Abhängigkeit von den Werbeausgaben und der Anzahl der Filialen prognostizieren. Dazu wurden über
MehrJohn Komlos Bernd Süssmuth. Empirische Ökonomie. Eine Einführung in Methoden und Anwendungen. 4y Springer
John Komlos Bernd Süssmuth Empirische Ökonomie Eine Einführung in Methoden und Anwendungen 4y Springer 1 Einführung 1 1.1 Ökonometrie 1 2 Vorüberlegungen und Grundbegriffe 7 2.1 Statistik als Grundlage
MehrBeispiele für Prüfungsfragen Ökonometrie I und II
Beispiele für Prüfungsfragen Ökonometrie I und II Von den sieben Beispielen von Prüfungsfragen wären in einer konkreten einstündigen Prüfung etwa deren zwei zu beantworten. Aufgaben 3, 4, 6 und 7 beziehen
Mehr1 Einführung Ökonometrie... 1
Inhalt 1 Einführung... 1 1.1 Ökonometrie... 1 2 Vorüberlegungen und Grundbegriffe... 7 2.1 Statistik als Grundlage der Empirischen Ökonomie... 7 2.2 Abgrenzung und Parallelen zu den Naturwissenschaften...
MehrWird der zeitliche Verlauf einer stochastischen Last mehrfach gemessen, so ergeben sich unterschiedliche zeitliche Verläufe.
2. Stochastische Lasten Wird der zeitliche Verlauf einer stochastischen Last mehrfach gemessen, so ergeben sich unterschiedliche zeitliche Verläufe. Jede Messung liefert eine Realisierung des stochastischen
MehrHauptseminar Technische Informationssysteme
Hauptseminar Technische Informationssysteme Residualanalyse zur Fehlerlokalisierung und prädikativen Steuerung Vortragender: Betreuer: Tobias Fechter Dr.-Ing. Heinz-Dieter Ribbecke, Dipl.-Inf. Jakob Krause
MehrDemokurs. Modul Vertiefung der Wirtschaftsmathematik Vertiefung der Statistik
Demokurs Modul 3741 Vertiefung der Wirtschaftsmathematik und Statistik Kurs 41 Vertiefung der Statistik 15. Juli 010 Seite: 14 KAPITEL 4. ZUSAMMENHANGSANALYSE gegeben, wobei die Stichproben(ko)varianzen
MehrFormelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade
Version 2015 Formelsammlung für das Modul Statistik 2 Bachelor Sven Garbade Prof. Dr. phil. Dipl.-Psych. Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de
Mehr6.4 Kointegration Definition
6.4 Kointegration 6.4.1 Definition Nach Engle und Granger (1987): Wenn zwei oder mehrere Variablen I(1) sind, eine Linearkombination davon jedoch I() ist, dann sind die Variablen kointegriert. Allgemein:
Mehr2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen
.1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende
MehrDynamische Modelle: Schätzen und Modellwahl
1 / 23 Dynamische Modelle: Schätzen und Modellwahl Kapitel 18 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 23 Inhalt Dynamische Modelle und autokorrelierte Fehler Tests auf Autokorrelation
MehrAnwendung stochastischer und geometrischer Analysen zur systematischen Robustheitsuntersuchung im Strukturcrash
Anwendung stochastischer und geometrischer Analysen zur systematischen Robustheitsuntersuchung im Strukturcrash D. Weigert, Prof. F. Duddeck (TU München); S. Brack, Dr. H. Schluder (AUDI AG) DYNAmore GmbH,
MehrStatistiken deuten und erstellen
Statistiken deuten und erstellen Dipl. Ök. Jens K. Perret, M.Sc. Evgenija Yushkova, M.A. Schumpeter School of Business and Economics Bergische Universität Wuppertal Gaußstraße 20 42097 Wuppertal Inhalt
MehrÜbungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg
Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten
MehrBewegungsdetektion mit GNSS durch Schätzung der Empfängergeschwindigkeit basierend auf Dopplerbeobachtungen
Bewegungsdetektion mit GNSS durch Schätzung der Empfängergeschwindigkeit basierend auf Dopplerbeobachtungen Roland Hohensinn, Alain Geiger Institute for Geodesy and Photogrammetry, ETH Zürich Geodätische
MehrGlossar Statistik 2. Bivariate Verfahren: zwei nummerische Merkmale
Glossar Statistik 2 Bivariate Verfahren: zwei nummerische Merkmale Streudiagramm - Datenpaare (X, Y) als Punkte auf einem zweidimensionale Diagramm (Ordinate: Y, Abszisse: X) Lineare Regression - Optimierungsproblem
MehrAllgemein zu Hypothesentests: Teststatistik. OLS-Inferenz (Small Sample) Allgemein zu Hypothesentests
OLS-Inferenz (Small Sample) K.H. Schild 3. Mai 017 Allgemein zu Hypothesentests: Teststatistik Konstruktion eines Hypothesentests erfolgt meistens über eine Teststatistik Eine Teststatistik T ist eine
MehrDynamische Lasten. 1. Kraft- und Weganregung 2. Deterministische Lasten. 3. Stochastische Lasten
Dynamische Lasten 1. Kraft- und Weganregung 2. Deterministische Lasten 2.1 Allgemeine zeitabhängige Lasten 2.2 Periodische Lasten 2.3 Harmonische Lasten 3. Stochastische Lasten 3.1 Instationäre stochastische
MehrKapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests
Kapitel 10 Mittelwert-Tests 10.1 Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests 10.1 Einstichproben- Mittelwert-Tests 10.1.1 Einstichproben- Gauß-Test Dichtefunktion der Standard-Normalverteilung
Mehr1. Lösungen zu Kapitel 7
1. Lösungen zu Kapitel 7 Übungsaufgabe 7.1 Um zu testen ob die Störterme ε i eine konstante Varianz haben, sprich die Homogenitätsannahme erfüllt ist, sind der Breusch-Pagan-Test und der White- Test zwei
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Probeprüfung Statistik 1 Sommer 2014 Schriftliche Prüfung (90 Minuten) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten!
MehrHypothesentest, ein einfacher Zugang mit Würfeln
R. Brinkmann http://brinkmann-du.de Seite 4..4 ypothesentest, ein einfacher Zugang mit Würfeln Von einem Laplace- Würfel ist bekannt, dass bei einmaligem Wurf jede einzelne der Zahlen mit der Wahrscheinlichkeit
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
Mehr6. Schätzung stationärer ARMA-Modelle
6. Schätzung stationärer ARMA-Modelle Problemstellung: Statistische Anpassung eines stationären ARMA(p, q)-prozesses an eine Stichprobe von t = 1,..., T Prozessbeobachtungen Es bezeichne x 1,..., x T die
MehrÜbung 5: Zufallssignale
ZHAW, DSV2, 2009, Rumc, 1 Übung 5: Zufallssignale Aufgabe 1: Analyse eines Rauschsignals. Betrachten und analysieren Sie die Rauschsignale Z w [n] und Z c [n] am Eingang und am Ausgang des folgen FIR-Filters.
MehrKompaktskript zur Vorlesung Prognoseverfahren
Kompaktskript zur Vorlesung Prognoseverfahren Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
MehrKointegration. Kapitel 19. Angewandte Ökonometrie / Ökonometrie III Michael Hauser
1 / 28 Kointegration Kapitel 19 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 28 Inhalt I(d), Trends, Beispiele Spurious Regression Kointegration, common trends Fehlerkorrektur-Modell Test
MehrVermessungskunde für Bauingenieure und Geodäten
Vermessungskunde für Bauingenieure und Geodäten Übung 5: statistische Auswertung gleichgenauer Messungen Milo Hirsch Hendrik Hellmers Florian Schill Institut für Geodäsie Fachbereich 3 Inhaltsverzeichnis
MehrÜbungen mit dem Applet. by Michael Gärtner
Übungen mit dem Applet by Michael Gärtner Betreuer: Prof. Dr. Wilhelm Kleppmann Abgabe: 20. October 2006 Inhaltsverzeichnis 1 Prinzip der kleinsten Quadrate 4 2 Quadrierte Abweichungen und Bestimmtheitsmaÿ
MehrTrend, Zyklus und Zufall
Rainer Metz Trend, Zyklus und Zufall Bestimmungsgründe und Verlaufsformen langfristiger Wachstumsschwankungen Franz Steiner Verlag INHALTSVERZEICHNIS Vorwort Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis
MehrPrüfungsliteratur: Rudolf & Müller S
1 Beispiele zur univariaten Varianzanalyse Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Zweifaktorielle Varianzanalyse 5 Multivariate Varianzanalyse 6 Varianzanalyse mit
MehrStatistische Kennwerte und -funktionen. Dr.-Ing. habil. H. Nobach
Statistische Kennwerte und -funktionen Dr.-Ing. habil. H. Nobach 1. Einführung Statistische Kennwerte und -funktionen, wie Mittelwert Varianz Wahrscheinlichkeitsdichte Autokorrelation spektrale Leistungsdichte
MehrFERNUNIVERSITÄT IN HAGEN WIRTSCHAFTSWISSENSCHAFT
FERNUNIVERSITÄT IN HAGEN FAKULTÄT WIRTSCHAFTSWISSENSCHAFT Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. A. Kleine Lehrstuhl für Angewandte
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 =
MehrVersuchsplanung. Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling
Versuchsplanung Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling Gliederung Grundlagen der Varianzanalyse Streuungszerlegung und Modellschätzer Modellannahmen und Transformationen
Mehrdas Kleingedruckte...
Gepaarte t-tests das Kleingedruckte... Datenverteilung ~ Normalverteilung QQ-plot statistischer Test (Shapiro-Wilk, Kolmogorov-Smirnov) wenn nicht : nicht-parametrische Tests gleiche Varianz (2-Proben
Mehr