Zeitliche Entwicklung von Parametereinflüssen
|
|
- Emma Eva Lehmann
- vor 6 Jahren
- Abrufe
Transkript
1 2D numerisch morphodynamisches Rheinmodell Iffezheim-Mainz
2 Inhalt,14 Zuverlässigkeitsanalyse weighting,12,1,8,6,4, roughness coefficient [m1/3/s] Projektgebiet Zeitliche Entwicklung von Parametereinflüssen Seite 2
3 Zuverlässigkeitsmethoden Gesucht: Einfluss von Parameteränderungen (=Unsicherheiten) auf die berechnete Sohländerung 1 repräsentativer Wert Wahrscheinlichkeitsverteilung weighting,14,12,1,8,6,4, roughness coefficient [m1/3/s] 1 Ergebnis in Ort and Zeit Wahrscheinlichkeitsverteilung Wahrscheinlichstes Ergebnis + Vertrauensintervall Modellergebnis Modellparameter Seite 3
4 Zuverlässigkeitsmethoden 1.) Wahl eines unsicheren Parameters ω und seine Wahrscheinlichkeitsverteilung { < ω > σω} ω =, 2.) Berechnung der Standardabweichung des Ergebnisses 3.) Berechnung des Vertrauensintervalls für einen gegebenen Vertrauenslevel α { < E > } E =, σ E ω Gaussian distribution unbekannt Comparison of 2 Reliability Analysis Methods Hydraulic Engineering Rebekka Kopmann Sep 21 Seite 4
5 Scatter Analyse, schwach nichtlinear Standardabweichung der Evolution E: σ E ks = 1 2 [ E( ks + σ ks) E( ks σ )] ks Krümmung als Maß für die Linearität: 1 2 δe = E''( ks ) σ << 2 rms Seite 5
6 Monte Carlo CL, nichtlinear Monte-Carlo Methode optimiert für Vertrauensintervalle (Kooperation mit Fraunhofer Institut SCAI) CL min CL max CDF (kumulative Verteilungsfunktion) EDF (empirische Verteilungsfunktion) Seite 6
7 Monte Carlo CL Anzahl der Simulationsläufe N >> 2/[1-α] unabhängig von Anzahl der unsicheren Parameter nur abhängig vom Wahrscheinlichkeitslevel α Approximatiosfehler kann berechnet werden CL N>> Appr. Fehler empfohlenes N 68% 6,25, % 4,2 5 99,7% 66,67,15 1 Design of Experiment-Generator produziert ein Parameter Set für eine ausgewogene statistische Verteilung Seite 7
8 Metamodellierung Interpolation mittels radialen Basisfunktionen Grundlage bilden moderate Anzahl von Monte-Carlo Rechnungen Leider andere Parameter als für MCCL Erhöhung der Genauigkeit der Vertrauensintervalle und vor allem ausreichende Genauigkeit für Wahrscheinlichkeitsdichtefunktionen Seite 8
9 Modellgebiet Iffezheim - Speyer frei fließender Oberrhein Staustufe Iffezheim Seite 9
10 2D-Feststofftransportmodell Iffezheim - Speyer Numerisches Verfahren: Telemac / Sisyphe (Electricité de France) Länge des Modells: 6 km Anzahl Elemente: ca Elementabmessungen im Flussschlauch 2-25m auf den Vorländern 1m Anzahl Kornfraktionen: 1 (5 Sohle, 4 Geschiebezugabe, 1 Sohlstabi) Mehrschichtenmodell mit nicht erodierbaren Bereichen Geschiebetransportansatz: Meyer-Peter und Müller Hiding-Exposure-Ansatz: Karim-Holly-Yang Seite 1
11 Schwankungsbreiten der Softparameter Dicke der aktiven Schicht [m] Vorfaktor der Meyer-Peter & Müller Formel [-] Parameter für gravitationellen Transport [-] Sekundärströmungs-Parameter [-] Mittlerer Korndurchmesser des Geschiebes [m] -1%.25 +1% (Verschiebung der Sieblinie (,13,24m) Mittlerer Korndurchmesser des Zugabematerials [m] -1%.19 +1% Nikuradse Reibungskoeffizient im Flussschlauch [m] Nikuradse Reibungskoeffizient in den Uferbereichen[m] Nikuradse Reibungskoeffizient für Buhnen [m] Seite 11
12 deviation, distortion [m] Ergebnisse Scatter Analyse Abschätzung der Linearität mittels Krümmung,1,9,8,7,6,5,4,3,2,1, time [month] deviation [m] distortion discharge [m³/s] discharge [m³/s] 1 2 δe = E''( ks ) σ << 2 rms Krümmung << Standardabweichung Seite 12
13 Ergebnisse Scatter Analyse Vergleich der Sensitivitäten 1) Dicke der aktiven Schicht (ALT) 2) Reibungskoeffizient des Flussschlauchs (KS RIVER CHANNEL) 3) Parameter für gravitationellen Transport (BETA). 4) Mittlerer Kornduchmesser (DM) 5) Sekundärströmungs-Parameter (ALPHA) deviation of bottom evolution [m].4.2 ALPHA BETA KS RIVER CHANNEL KS GROYNES KS BANKS DM DM SUPPLY MPM ALT Rh-km Sensitivität entlang der Flussachse nach 1 Jahr Seite 13
14 Wa Wa Wa Wa SP Wa Wa Wa Wa Wa Wa Ergebnisse Scatter Analyse Örtliche Variabilität 25 Fahrrinne: kleine σ = hohe Zuverlässigkeit 248 Scherzone zwischen Buhnen und Hauptstrom: große σ = schlechte Zuverlässigkeit Krümmungen: Uferbereiche schlechte, Fahrrinne Gute Zuverlässigkeit -> gute Zuverlässigkeit für mittlere Sohländerungen -> schlechtere Zuverlässigkeit für Sohlquerneigung 246 m m 68% deviation of bottom evolution [m] Standardabweichung der Sohländerung durch 9 unsichere Parameter nach 2 Jahren Seite 14
15 Ergebnisse Scatter Analyse zeitliche Variabilität Starker aber lokaler Anstieg der Standardabweichung im zweiten Jahr Bagger- und Verklappoperationen erst nach 1 Jahr Baggerbereiche besonders sicher durch Erhaltung einer Sollsohle Verklappstellen besonders unsicher variable Baggermengen konzentrieren sich an einem Ort deviation of bottom evolution according beta [m] deviation after 2 years deviation after 1 year dredging area disposal area bed load supply stabilisation Rh-km Standardabweichung der Sohländerung durch Parameter für gravitationellen Transport nach 1 und2 Jahren Seite 15
16 Ergebnisse Scatter Analyse zeitliche Variabilität Mittelwert der Standardabweichung vom Gesamtmodell kontinuierlicher Anstieg mit der Zeit,8 6,7 5,6 mean deviation [m],5,4, discharge [m³/s],2,1 1, time [months] active layer alpha beta ks river channel ks groynes ks banks MPM mean diameter supply mean diameter bottom discharge in m³/s Seite 16
17 Ergebnisse Scatter Analyse zeitliche Variabilität Standardabweichung als Mittelwert vom Gesamtmodell -> kontinuierlicher Anstieg mit der Zeit Standardabweichung an repräsentativem Punkt in Fahrrinne -> zeitlich stark variabel Standardabweichung als Mittelwert in Fahrrinne ohne Verklappstellen -> erreicht ein stabiles (?) Niveau nach ca. 6 Jahren 68% deviation of bottom evolution [m] time [a] discharge [m 3 /s] Standardabweichung der Sohländerung durch ks Flussschlauch Seite 17
18 zeitliche Variabilität Vergleich Scatter Analyse - MCCL Scatter Analyse auch quantitativ gut in den ersten 5 Monaten Qualitative Aussage der Scatter Analyse ist gut Scatter Analyse überschätzt die Standardabweichungen 95% deviation of bottom evolution [m],4,35,3,25,2,15,1, discharge [m³/s] time [months] SA MCCL min MCCL max discharge 2-fache Standardabweichung der Sohländerung durch alle 9 unsicheren Parameter Seite 18
19 Wahrscheinlichkeitsfunktionen Metamodell 1 Lineare Verfahren setzen Normalverteilungen voraus 8 Flussschlauch: nahezu normalverteilt schmale PDF -> hohe Zuverlässigkeit PDF 6 4 PDF river channel PDF disposal area PDF groyne field Verklappfelder nahezu normalverteilt Breite PDF -> geringe Zuverlässigkeit 2 Buhnenbereiche: verzerrt Wahrscheinlichkeitsverteilung -> stark nichtlineares Verhalten bottom evolution [m] Wahrscheinlichkeitsfunktionen der Sohländerungen Seite 19
20 Zusammenfassung Scatter-Analyse: -einfach, wenig zusätzliche Rechenzeit -gute qualitative Aussagen in Ort und Zeit -quantitative Aussagen nach recht kurzer Zeit nicht mehr belastbar Monte-Carlo-CL: -hoher Rechenzeitaufwand (Faktor 8) -enorme Datenmengen -für quantitative Aussagen bei nichtlinearem Verhalten notwendig MC + Metamodellierung: -wie MC-CL, aber verbessere quantitative Aussagen -zusätzliche Angaben zu Wahrscheinlichkeitsdichtefunktionen Seite 2
21 Ausblick Scatter-Analyse sollte Standard in Projekten werden MC+Metamodellierung (oder MCCL) für ausgewählte Projekte Standardisierte Auswertewege Möglichkeiten der automatischen Differenzierung Vielen Dank für die Aufmerksamkeit! Seite 21
Numerische morphodynamische Flussmodelle Dimensionen und Skalen Prozesse. Beispiele. Zuverlässigkeiten. Fazit. Überblick
Überblick Numerische morphodynamische Flussmodelle Dimensionen und Skalen Prozesse Beispiele Zuverlässigkeiten Fazit Groyne head Scour Numerische morphodynamische Flussmodelle Allgemeine Modelltheorie
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrWahrscheinlichkeitstheorie 2
Wahrscheinlichkeitstheorie 2 Caroline Sporleder Computational Linguistics Universität des Saarlandes Sommersemester 2011 19.05.2011 Caroline Sporleder Wahrscheinlichkeitstheorie 2 (1) Wiederholung (1):
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrMonte-Carlo-Verfahren nach GUM Supplement 1. Gerd Wübbeler Physikalisch-Technische Bundesanstalt
Monte-Carlo-Verfahren nach GUM Supplement 1 Gerd Wübbeler Physikalisch-Technische Bundesanstalt 1 Inhalt Wahrscheinlichkeitsverteilungen Monte-Carlo Verfahren Beispiele Adaptive Monte-Carlo Verfahren Warum
MehrGrundlagen der Mathematik II (LVA U)
Dr. Marcel Dettling 21.05.2010 Dr. Daniel Haase FS 2010 daniel.haase@math.ethz.ch Grundlagen der Mathematik II (LVA 401-0622-00 U 11 Zur Übungsstunde vom 21.05.2010 Aufgabe 31 (Rechnen mit der Normalverteilung
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
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
MehrHypothesentests für Erwartungswert und Median. Statistik (Biol./Pharm./HST) FS 2015
Hypothesentests für Erwartungswert und Median Statistik (Biol./Pharm./HST) FS 2015 Normalverteilung X N μ, σ 2 X ist normalverteilt mit Erwartungswert μ und Varianz σ 2 pdf: pdf cdf:??? cdf 1 Zentraler
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,
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
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 12 2009 FernUniversität in Hagen Alle Rechte vorbehalten Fachbereich Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrStichwortverzeichnis. Symbole
Stichwortverzeichnis Symbole 50ste Perzentil 119 A Absichern, Ergebnisse 203 Abzählbar unendliche Zufallsvariable 146 Alternativhypothese 237 238 formulieren 248 Anekdote 340 Annäherung 171, 191 Antwortquote
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrSeminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung
M.Sc. Brice Hakwa hakwa@uni-wuppertal.de Seminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung - Zusammenfassung zum Thema: Berechnung von Value-at-Risk
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
MehrHypothesentests für Erwartungswert und Median. für D-UWIS, D-ERDW, D-USYS und D-HEST SS15
Hypothesentests für Erwartungswert und Median für D-UWIS, D-ERDW, D-USYS und D-HEST SS15 Normalverteilung X N(μ, σ 2 ) : «X ist normalverteilt mit Erwartungswert μ und Varianz σ 2» pdf: f x = 1 2 x μ exp
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
Mehrj K j d j m j h j f j
Für eine stetige Zufallsvariable X in einem Intervall [ a ; b ] kann X jeden beliebigen Wert annehmen. Die Wahrscheinlichkeiten werden in diesem Fall nicht mehr wie bei einer diskreten Zufallsvariable
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
MehrTests für Erwartungswert & Median
Mathematik II für Biologen 26. Juni 2015 Prolog Varianz des Mittelwerts Beispiel: Waage z-test t-test Vorzeichentest Wilcoxon-Rangsummentest Varianz des Mittelwerts Beispiel: Waage Zufallsvariable X 1,...,X
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrInterne Solvenzmodelle für Non-Life Versicherungen in in der Schweiz
Prüfungskolloquium SAV Prüfungskolloquium SAV Interne Solvenzmodelle für Non-Life Versicherungen in in der Schweiz Biel, Biel, 23.11.2006 23.11.2006 Sandra Sandra Fehlmann Fehlmann Agenda Historischer
MehrKlausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am von 10:00 bis 11:00 Uhr
Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am 5..201 von 10:00 bis 11:00 Uhr Bearbeiten Sie zwei der drei folgenden Aufgaben! Sätze aus der Vorlesung und den Übungen dürfen Sie ohne
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
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
MehrStichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrEinsatz morphodynamisch-numerischer Methoden am Beispiel eines Niederrheinmäanders
Bundesanstalt für Wasserbau 26. November 214 Einsatz morphodynamisch-numerischer Methoden am Beispiel eines Niederrheinmäanders Autoren: Dipl.-Ing. Lars Backhaus, Bundesanstalt für Wasserbau Karlsruhe
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
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
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
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:
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 017 4 Spezielle Zufallsgrößen Einführung 1 Wahrscheinlichkeit: Definition
MehrInhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5
Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung
MehrPhysikalische Übungen für Pharmazeuten
Helmholtz-Institut für Strahlen- und Kernphysik Seminar Physikalische Übungen für Pharmazeuten Ch. Wendel Max Becker Karsten Koop Dr. Christoph Wendel Übersicht Inhalt des Seminars Praktikum - Vorbereitung
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Kurze Zusammenfassung der letzten Vorlesung Schätzung und Modellentwicklung Überblick Statistische Signifikanztests
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrPROC MEANS. zum Berechnen statistischer Maßzahlen (für quantitative Merkmale)
PROC MEAS zum Berechnen statistischer Maßzahlen (für quantitative Merkmale) Allgemeine Form: PROC MEAS DATA=name Optionen ; VAR variablenliste ; CLASS vergleichsvariable ; Beispiel und Beschreibung der
Mehr3 Konfidenzintervalle
3 Konfidenzintervalle Konfidenzintervalle sind das Ergebnis von Intervallschätzungen. Sicheres Wissen über Grundgesamtheiten kann man anhand von Stichproben nicht gewinnen. Aber mit Hilfe der Statistik
MehrSensitivität in der Statistik
Tillmann Lösche Sensitivität in der Statistik Wahrscheinlichkeit, einen tatsächlich positiven Sachverhalt auch durch ein positives Testergebnis zu erkennen Quelle: Wikipedia auch als Richtig-Positiv-Rate,
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
Mehr8 Stichprobenkennwerteverteilung
8 Stichprobenkennwerteverteilung 8.1 Vorbemerkungen 8.2 Die Normalverteilung: Teil 2 8.3 Die t Verteilung 8.4 Normalverteilungs Approximation: Der zentrale Grenzwertsatz 8.1 Vorbemerkungen Daten x 1,...,
MehrBSc Bioinformatik Wintersemester 2013/2014 Nachklausur zur Statistik I Freie Universität Berlin
Sc ioinformatik Wintersemester 013/014 Nachklausur zur Statistik I Freie Universität erlin 4. pril 014 Matrikelnummer Nachname Vorname Unterschrift ufgabe 1 (4 Punkte): Zu einem Wahrscheinlichkeitsraum
Mehr2. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
. Lösung weitere Übungsaufgaben Statistik II WiSe 016/017 1. Aufgabe: Bei der Produktion eines Werkstückes wurde die Bearbeitungszeit untersucht. Für die als normalverteilt angesehene zufällige Bearbeitungszeit
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
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
Mehr- Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden.
Normalverteilung und Standardnormalverteilung als Beispiel einer theoretischen Verteilung - Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden. - Stetige (kontinuierliche),
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert die
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
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
MehrProbeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)
Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null
MehrMathematik 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
MehrVerteilung von Summen
Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel
MehrMethoden der Werkstoffprüfung Kapitel II Statistische Verfahren I. WS 2009/2010 Kapitel 2.0
Methoden der Werkstoffprüfung Kapitel II Statistische Verfahren I WS 009/010 Kapitel.0 Schritt 1: Bestimmen der relevanten Kenngrößen Kennwerte Einflussgrößen Typ A/Typ B einzeln im ersten Schritt werden
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrGrundlagen der Probabilistik
Grundlagen der Probabilistik Gliederung Einleitung Theoretische Grundlagen der Stochastik Probabilistische Methoden Mögliche Ergebnisse von probabilistischen Untersuchungen Mögliche Fehlerquellen bei probabilistischen
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrBootstrap: Konfidenzintervalle
Resampling Methoden Dortmund, 2005 (Jenő Reicigel) Bootstrap: Konfidenintervalle Konfidenintervall Sei T ein Schäter für θ, und nehmen wir an, dass die Verteilung von T θ bekannt ist. Notwendige Bedingung
MehrGeschiebetransportmodellierung mit HYDRO_FT-2D für langfristige Prognosen Herausforderungen und Vorgehensweise am Beispiel der Salzach
Geschiebetransportmodellierung mit HYDRO_FT-2D für langfristige Prognosen Herausforderungen und Vorgehensweise am Beispiel der Salzach Hydro_AS-2D, Anwendertreffen und Workshop 05.10.2016 Markus Noack,
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und
MehrDüngersäcke (1) Mehrere Maschinen füllen Säcke mit Dünger ab. Als Füllmenge sind laut Aufdruck 25 kg vorgesehen.
Düngersäcke (1) Aufgabennummer: B_171 Technologieeinsatz: möglich S erforderlich Mehrere Maschinen füllen Säcke mit Dünger ab. Als Füllmenge sind laut Aufdruck 25 kg vorgesehen. a) Langfristige Überprüfungen
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
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 +
MehrStatistik Einführung // Stichprobenverteilung 6 p.2/26
Statistik Einführung Kapitel 6 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Leydold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // 6 p.0/26 Lernziele 1. Beschreiben
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
MehrSpezielle Eigenschaften der Binomialverteilung
Spezielle Eigenschaften der Binomialverteilung Wir unterscheiden: 1) die Wahrscheinlichkeitsfunktion einer diskreten Variablen 2) die Verteilungsfunktion einer diskreten Variablen. 1) Die Wahrscheinlichkeitsfunktion
MehrÜbungen mit dem Applet Zentraler Grenzwertsatz
Zentraler Grenzwertsatz 1 Übungen mit dem Applet Zentraler Grenzwertsatz 1 Statistischer Hintergrund... 1.1 Zentraler Grenzwertsatz... 1. Beispiel Würfeln... 1.3 Wahrscheinlichkeit und relative Häufigkeit...3
MehrRabea Haas, Kai Born DACH September 2010
Rabea Haas, Kai Born rhaas@meteo.uni-koeln.de DACH2010 21. September 2010 Motivation Niederschlagsdaten aus dem Gebiet des Hohen Atlas in Marokko Starke Gradienten des Niederschlags und der Höhe Komplexe
MehrVersagen und Konsequenzen des Versagens von Küstenschutzbauwerken in Mecklenburg-Vorpommern. M.Sc. Angelika Gruhn Prof. Dr.-Ing.
Versagen und Konsequenzen des Versagens von Küstenschutzbauwerken in Mecklenburg-Vorpommern 19. KFKI-Seminar zur Küstenforschung M.Sc. Angelika Gruhn Prof. Dr.-Ing. Peter Fröhle 11. November 2014 17.11.2014
Mehr