Kildeopsplitning. - Ska' vi holde balancen fremover? Asger Roer Pedersen Afd. f. Ferskvandsøkologi Danmarks Miljøundersøgelser

Størrelse: px
Starte visningen fra side:

Download "Kildeopsplitning. - Ska' vi holde balancen fremover? Asger Roer Pedersen Afd. f. Ferskvandsøkologi Danmarks Miljøundersøgelser"

Transkript

1 Kildeopsplitning - Ska' vi holde balancen fremover? Asger Roer Pedersen Afd. f. Ferskvandsøkologi Danmarks Miljøundersøgelser NOVANA Erik Jeppesen (ca. 1992): - Det er verdens bedste datasæt!!! Vandbalancer Stofbalancer NOVANA Massebalancer etc. Kildeopsplitninger 1

2 2 VISION: Ethvert kvantitativt udsagn (læs: tal) fra NOVANA/DMU er forsynet med en sikkerhedsangivelse σ 2 2

3 2 Kildeopsplitning Årstransport af totalfosfor 3

4 Tudeå, Valbygård (Vestsjælland) - Enorm år-til-år variation i landbrugsbidraget! - Negativt landbrugsbidrag en tilfældig undtagelse? - Kildeopsplitninger: , 167 vandløbsstationer Negativt landbrugsbidrag mere reglen end undtagelsen 4

5 Hvor forekommer negative landbrugsbidrag? : 32% : 24% Hvad foregår der!? Transp. = Punkt + Diffus Underestimeres Negativ 5

6 Værst i - små vandløb - tørre år - lerjord Vandløbsspecifikt vandføringsindeks Årets gennemsnitlige vandføring ift. den gennemsnitlige årlige vandføring for årene <1: Tørt år >1: Vådt år 6

7 7

8 Underestimering af transp. ordner BKR og ARP i 2006! 2 Hvad foregår der!? Transp. = Punkt + Diffus Overestimeret? - Spredt bebyggelse: Forsigtighedsprincip - Dambrug: Ingen fjernelse - Renseanlæg: Flow-proportional 8

9 Er problemet så løst? NEJ! - Ingen bias i landbrugsbidraget! - Usikkerheden på landbrugsbidraget? - År-til-år variationen i landbrugsbidraget? Det fælles problem: - Vandbalancer - Stofbalancer - Massebalancer - Kildeopsplitning -... Lokumsestimater TOTAL = KILDE 1 + KILDE KILDE Afstemme vandbalancen - Afstemme massebalanceligningen Kildeopsplitning - diffuse kilder - sørententionen - landbrugsbidraget 9

10 Årsregnskab Husstands A-skat kr Husstands B-skat kr Kreditforening kr. "Mange penge" Forsikringer kr. "Også mange penge" Diverse Resten! Husstandsindkomst kr Årsregnskab Husstands A-skat kr Husstands B-skat Kunne alternativt have anslået kr Kreditforening "Lillemors ødsle forbrug" og kr. "Mange penge" Forsikringer hældt usikkerheden i "Rødvin" kr. "Også mange penge" Kontingenter Gaver Rødvin... σ 2 Lillemors ødsle forbrug Al usikkerhed Rigtig hældes dårlig heri! estimat!!! Resten! Husstandsindkomst kr Algebraisk mobning! 10

11 Sand balance TOTAL = KILDE 1 + KILDE KILDE 17 + X X = TOTAL ( KILDE 1 + KILDE KILDE 17 ) Målinger / Estimationer / Prædiktioner /... = TOTAL + ε = KILDE 1 + ε 1... σ 2 = KILDE 17 + ε 17 Lokumsestimatet = ( ) = X + [ ε ( ε 1 + ε ε 17 ) ] Al usikkerhed hældes heri! Usikkerheden Var() = Var() + Var( ) Var( ) - Usikkerheden på lokumsestimatet er usikkerheden på totalen og alle de øvrige kilder TILSAMMEN!!! 11

12 Kildeopsplitning Transp. = Punkt + Natur Retent. + Landbr. Simulation Kilde Sand balance Måling Transp. 20 Unbiased, CV=20% Punkt 12 Unbiased, CV=10% Natur 2 Unbiased, CV=20% Landbr. 6 Lokumsestimat! 12

13 13

14 Bias 14

15 15

16 Hjælper det at aggregere over vandløb? - Gennemsnit over 80 "repræsentative" vandløb - National årstransport, dvs. sum over alle vandløb Simulation Kilde Sand balance Måling Transp. - Unbiased, CV=20% Punkt - Unbiased, CV=10% Natur - Unbiased, CV=20% Landbr. - Lokumsestimat! Vælger 80 realistiske vandløb 16

17 17

18 Bias: Underestimerer transporten med 15% i alle vandløb 1.8 Bias: Underestimerer transporten med 15% i alle vandløb

19 Lokumsestimater - Hvad er så "den rigtige" måde at gøre det på? Bemærk: Naturbidraget er aldrig negativt/ekstremt Estimér alle led direkte/separat/uafhængigt!!! Hvis blot X kan estimeres (uafhængigt) med en usikkerhed, der er mindre end usikkerheden på totalen og alle de øvrige kilder tilsammen, har vi opnået en forbedring! - Jaaamen, så er der jo ikke massebalance - vandbalancen er ikke afstemt -... Massebalanceligningen Så er vi hjemme! Antag (hypotetisk) at totalen og alle kilderne kan måles præcist Den sande balance: TOTAL = KILDE 1 + KILDE KILDE 17 + X Balancen for målingerne: = ε ( ε + ε ε 17 ) Al usikkerhed hældes heri! - Der skal IKKE gælde massebalance for uafhængige målinger! - Hvis der gør, er det bevis for, at fejlen er skjult i en af kilderne 19

20 Simulation Kilde Sand balance Måling Transp. 20 Unbiased, CV=20% Punkt 12 Unbiased, CV=10% Natur 2 Unbiased, CV=20% Landbr. 6 Unbiased, CV=30% Resid. 0 Lokumsestimat! 20

21 21

22 Massebalance for iltkoncentrationen i et vandløb (Odum, 1956) Ændring. pr. tidsenhed Iltkonc. dc/dt = K(C S C) R + P Respiration Mættet iltkonc. Genluftning Produktion Iltkoncentration [mg/l] Iltkoncentration [mg/l] σ 2 0:01 3:01 6:01 9:01 12:01 18:01 23:31 Klokkeslet 0:17 3:17 6:17 9:17 12:17 18:17 23:47 Klokkeslet Lokumsestimat Polynomiumsmodel σ(c- og 2 T-målinger) P = dc/dt - K(C S C) + R C-målinger Van Hoff modeller (C- og T-målinger) Rate [mg/l/minut] Respiration Genluftning dc/dt & P [mg/l/minut] :19 3:19 6:19 9:19 12:19 18:19 23:49 Klokkeslet 0:19 3:19 6:19 9:19 12:19 18:19 23:49 Klokkeslet 22

23 Gryde Å Parametrisk estimat Polynomiumsmodel σ (C- og T-målinger) 2 dc/dt = K(C S C) R + P + ε Statistisk model for afvigelserne mellem model og virkelighed Van Hoff modeller (C- og T-målinger) Michaelis-Menten model (Lys- og T-målinger) 23

24 Gryde Å Ligningen, der ikke skal passe! Gryde Å 24

25 Visioner Massebalancer - Pas på lokumsestimater! - Direkte/separat/uafhængig estimation af alle led - Massebalanceligningen skal IKKE stemme! Kildeopsplitning af totalfosfor - Må har styr på bias i transportestimatet! - Uafhængigt estimat for landbrugsbidraget? Uafhængigt estimat for landbrugsbidraget? Faglig rapport fra DMU, nr. 485, 2004 (Odense Fjord) 1. Landbrugsbidraget som funktion af oplandskarakteristika + 24 oplande med ugemålinger af TP i 8 år + Ca. Punkt=0 og Retent.=0» Transp. = Natur + Landbr.» := - - Også et lokumsestimat - Ekstrapolation i multipel regressionsmodel - De 24 oplande er ikke repræsentative for DK - Bruge samme model altid? Transp. og Natur underestimeres pt. BKR og ARP

26 2. Lokumsestimation er sikker, hvis ALLE øvrige led estimeres sikkert, så præcis estimation af Transp., Punkt, Natur og Retent. + Transp. og Natur vha. dynamisk model + Punkt ER allerede sikker (?) - Retent. er et lokumsestimat! - Transp. og Natur vha. dynamisk model; unbiased ja, men sikker? 3. Dynamisk massebalancemodellering (f.eks. som Odum, 1956) - Empirisk dynamisk modellering af indgående kilder vha. daglig vandføring, daglige meteorologiske variable og oplandskarakteristika med vandløbsspecifikke modelparametre kalibreret påp TP koncentrationmålinger Noget i stil med: dx dt dx dt v s SED RES = = = Q( P + P P ) + Q α + Q α + Q α SED + RES B = SED RES β θ J T 20 S S (1 e X / Z s v d log( Q) β R max(,0) dt T 20 ) θ R P P X s B G P P J B S = = D N β ( λ 1) J β ln( Q) B J - Vandløbsspecifik årlig kalibrering - Vandløbstypespecifik årlig kalibrering - etc. (Fokusrapport om fosfor, 2005) 26

27 27

28 28

Præcisering af trendanalyser af den normaliserede totale og diffuse kvælstoftransport i perioden

Præcisering af trendanalyser af den normaliserede totale og diffuse kvælstoftransport i perioden Præcisering af trendanalyser af den normaliserede totale og diffuse kvælstoftransport i perioden 2005-2012 Notat fra DCE - Nationalt Center for Miljø og Energi Dato: 7. april 2014 30. april 2014 Søren

Læs mere

Epidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Institut for Biostatistik. Regressionsanalyse

Epidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Institut for Biostatistik. Regressionsanalyse Epidemiologi og biostatistik. Uge, torsdag. Erik Parner, Institut for Biostatistik. Lineær regressionsanalyse - Simpel lineær regression - Multipel lineær regression Regressionsanalyse Regressionsanalyser

Læs mere

Forespørgsel fra Miljø- og Fødevareministeriet vedr. fejlanalyser

Forespørgsel fra Miljø- og Fødevareministeriet vedr. fejlanalyser Forespørgsel fra Miljø- og Fødevareministeriet vedr. fejlanalyser Notat fra DCE - Nationalt Center for Miljø og Energi Dato: 23. april 2018. Opdateret juni 2018 Poul Nordemann Jensen DCE - Nationalt Center

Læs mere

Øvre rand ilt. Den målte variation, er antaget at være gældende på randen i en given periode før og efter målingerne er foretaget.

Øvre rand ilt. Den målte variation, er antaget at være gældende på randen i en given periode før og efter målingerne er foretaget. MIKE 11 model til beskrivelse af iltvariation i Østerå Formål Formålet med denne model er at blive i stand til at beskrive den naturlige iltvariation over døgnet i Østerå. Til beskrivelse af denne er der

Læs mere

Anvendt Statistik Lektion 8. Multipel Lineær Regression

Anvendt Statistik Lektion 8. Multipel Lineær Regression Anvendt Statistik Lektion 8 Multipel Lineær Regression 1 Simpel Lineær Regression (SLR) y Sammenhængen mellem den afhængige variabel (y) og den forklarende variabel (x) beskrives vha. en SLR: ligger ikke

Læs mere

Information om retentionsfaktorer for fosfor i vandløb for målte/umålte oplande

Information om retentionsfaktorer for fosfor i vandløb for målte/umålte oplande Information om retentionsfaktorer for fosfor i vandløb for målte/umålte oplande Notat fra DCE - Nationalt Center for Miljø og Energi Dato: 27. september 2018 Henrik Tornbjerg og Hans Thodsen Institut for

Læs mere

Prøvetagning på mindre dambrug på foderkvote

Prøvetagning på mindre dambrug på foderkvote Prøvetagning på mindre dambrug på foderkvote Notat fra DCE - Nationalt Center for Miljø og Energi Dato: 01. december 2013 Rettet: 15. februar 2014 og 8. marts 2014 Lars M. Svendsen DCE Nationalt Center

Læs mere

fundament for AGL Charlotte Bruun 28. marts, 2007 Lektor Institut for Økonomi, Politik og Forvaltning Aalborg Universitet

fundament for AGL Charlotte Bruun 28. marts, 2007 Lektor Institut for Økonomi, Politik og Forvaltning Aalborg Universitet Lektor Institut for Økonomi, Politik og Forvaltning Aalborg Universitet empiriske AGL 28. marts, 2007 empiriske empiriske Makroøkonometriske AGL kalibrering dynamiske AGL Den offentlige sektor AGL empiriske

Læs mere

1 Regressionsproblemet 2

1 Regressionsproblemet 2 Indhold 1 Regressionsproblemet 2 2 Simpel lineær regression 3 2.1 Mindste kvadraters tilpasning.............................. 3 2.2 Prædiktion og residualer................................. 5 2.3 Estimation

Læs mere

Produkt og marked - matematiske og statistiske metoder

Produkt og marked - matematiske og statistiske metoder Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 19, 2016 1/26 Kursusindhold: Sandsynlighedsregning og lagerstyring

Læs mere

Mindste kvadraters tilpasning Prædiktion og residualer Estimation af betinget standardafvigelse Test for uafhængighed Konfidensinterval for hældning

Mindste kvadraters tilpasning Prædiktion og residualer Estimation af betinget standardafvigelse Test for uafhængighed Konfidensinterval for hældning 1 Regressionsproblemet 2 Simpel lineær regression Mindste kvadraters tilpasning Prædiktion og residualer Estimation af betinget standardafvigelse Test for uafhængighed Konfidensinterval for hældning 3

Læs mere

Økonometri: Lektion 2 Multipel Lineær Regression 1/27

Økonometri: Lektion 2 Multipel Lineær Regression 1/27 Økonometri: Lektion 2 Multipel Lineær Regression 1/27 Multipel Lineær Regression Sidst så vi på simpel lineær regression, hvor y er forklaret af én variabel. Der er intet, der forhindre os i at have mere

Læs mere

Statistik II Lektion 3. Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable

Statistik II Lektion 3. Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable Statistik II Lektion 3 Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable Setup: To binære variable X og Y. Statistisk model: Konsekvens: Logistisk regression: 2 binære var. e e X Y P

Læs mere

Økonometri 1. Dagens program. Den simple regressionsmodel 15. september 2006

Økonometri 1. Dagens program. Den simple regressionsmodel 15. september 2006 Dagens program Økonometri Den simple regressionsmodel 5. september 006 Den simple lineære regressionsmodel (Wooldridge kap.4-.6) Eksemplet fortsat: Løn og uddannelse på danske data Funktionel form Statistiske

Læs mere

Fastlæggelse af baggrundsbidraget af N og P i Danmark

Fastlæggelse af baggrundsbidraget af N og P i Danmark Fastlæggelse af baggrundsbidraget af N og P i Danmark formål: At udvikle et standardiseret koncept i GIS til regionale årlige beregninger af baggrundstabet af kvælstof og fosfor til overfladevand i Danmark.

Læs mere

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte

Læs mere

Validering af fosformodellen

Validering af fosformodellen Validering af fosformodellen Notat fra DCE - Nationalt Center for Miljø og Energi Dato: 1. november 2015 Søren E. Larsen, Jørgen Windolf & Brian Kronvang Institut for Bioscience Rekvirent: Naturstyrelsen

Læs mere

Epidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Afdeling for Biostatistik. Eksempel: Systolisk blodtryk

Epidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Afdeling for Biostatistik. Eksempel: Systolisk blodtryk Eksempel: Systolisk blodtryk Udgangspunkt: Vi ønsker at prædiktere det systoliske blodtryk hos en gruppe af personer. Epidemiologi og biostatistik. Uge, torsdag. Erik Parner, Afdeling for Biostatistik.

Læs mere

Multipel regression. M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model

Multipel regression. M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model Multipel regression M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model Y j 1 X 1j 2 X 2j... m X mj j eller m Y j 0 i 1 i X ij j BEMÆRK! j svarer til individ

Læs mere

Simpel Lineær Regression: Model

Simpel Lineær Regression: Model Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 + β 1 x + u, hvor fejlledet u, har egenskaben E[u x] = 0. Dette betyder bl.a. E[y x]

Læs mere

Oplandsmodel værktøjer til brug for vandplanlægningen

Oplandsmodel værktøjer til brug for vandplanlægningen Oplandsmodel værktøjer til brug for vandplanlægningen GEUS, DCE og DCA, Aarhus Universitet og DHI AARHUS UNIVERSITET Oplandsmodel Oplandsmodel til belastning og virkemidler landsdækkende oplandsmodel (nitrat

Læs mere

12. september Epidemiologi og biostatistik. Forelæsning 4 Uge 3, torsdag. Niels Trolle Andersen, Afdelingen for Biostatistik. Regressionsanalyse

12. september Epidemiologi og biostatistik. Forelæsning 4 Uge 3, torsdag. Niels Trolle Andersen, Afdelingen for Biostatistik. Regressionsanalyse . september 5 Epidemiologi og biostatistik. Forelæsning Uge, torsdag. Niels Trolle Andersen, Afdelingen for Biostatistik. Lineær regressionsanalyse - Simpel lineær regression - Multipel lineær regression

Læs mere

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte

Læs mere

Module 3: Statistiske modeller

Module 3: Statistiske modeller Department of Statistics ST502: Statistisk modellering Pia Veldt Larsen Module 3: Statistiske modeller 31 ANOVA 1 32 Variabelselektion 4 321 Multipel determinationskoefficient 5 322 Variabelselektion med

Læs mere

Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19

Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19 Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19 For test med signifikansniveau α: p < α forkast H 0 2/19 p-værdi Betragt tilfældet med test for H 0 : µ = µ 0 (σ kendt). Idé: jo større

Læs mere

Anvendt Statistik Lektion 9. Variansanalyse (ANOVA)

Anvendt Statistik Lektion 9. Variansanalyse (ANOVA) Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:

Læs mere

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M. Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet March 1, 2013 Sandsynlighedsregning og lagerstyring Normalfordelingen

Læs mere

Simpel Lineær Regression

Simpel Lineær Regression Simpel Lineær Regression Mål: Forklare variablen y vha. variablen x. Fx forklare Salg (y) vha. Reklamebudget (x). Vi antager at sammenhængen mellem y og x er beskrevet ved y = β 0 + β 1 x + u. y: Afhængige

Læs mere

Økonometri: Lektion 2 Multipel Lineær Regression 1/33

Økonometri: Lektion 2 Multipel Lineær Regression 1/33 Økonometri: Lektion 2 Multipel Lineær Regression 1/33 Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 +β 1 x +u, hvor fejlledet u,

Læs mere

Næringsstoffer i vandløb

Næringsstoffer i vandløb Næringsstoffer i vandløb Jens Bøgestrand, DCE AARHUS Datagrundlag Ca. 150 målestationer / lokaliteter 1989 2013, dog med en vis udskiftning. Kun fulde tidsserier analyseres for udvikling. 12-26 årlige

Læs mere

Opsætning af MIKE 3 model

Opsætning af MIKE 3 model 11 Kapitel Opsætning af MIKE 3 model I dette kapitel introduceres MIKE 3 modellen for Hjarbæk Fjord, samt data der anvendes i modellen. Desuden præsenteres kalibrering og validering foretaget i bilag G.

Læs mere

Notat om basisanalyse: Opgave 2.2 Stofbelastning (N, P) af søer og kystvande

Notat om basisanalyse: Opgave 2.2 Stofbelastning (N, P) af søer og kystvande Notat om basisanalyse: Opgave 2.2 Stofbelastning (N, P) af søer og kystvande Notat fra DCE - Nationalt Center for Miljø og Energi Dato: 11. oktober 2013 Rev.: 2. december 2013 Jørgen Windolf, Søren E.

Læs mere

Eksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning

Eksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning 1 Multipel regressions model Eksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning PSE (I17) ASTA - 11. lektion

Læs mere

Statikstik II 2. Lektion. Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression

Statikstik II 2. Lektion. Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression Statikstik II 2. Lektion Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression Sandsynlighedsregningsrepetition Antag at Svar kan være Ja og Nej. Sandsynligheden for at Svar Ja skrives

Læs mere

Anvendt Statistik Lektion 9. Variansanalyse (ANOVA)

Anvendt Statistik Lektion 9. Variansanalyse (ANOVA) Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:

Læs mere

Teknisk anvisning for marin overvågning

Teknisk anvisning for marin overvågning NOVANA Teknisk anvisning for marin overvågning 7.2 Modellering i niveau 2+ kystvande Bjarke Rasmussen Afdeling for Marin Økologi Miljøministeriet Danmarks Miljøundersøgelser 7.2-1 Indhold 7.2 Modellering

Læs mere

Hydrologisk modellering af landovervågningsoplandet Lillebæk

Hydrologisk modellering af landovervågningsoplandet Lillebæk Hydrologisk modellering af landovervågningsoplandet Lillebæk Anne Lausten Hansen Institut for Geografi og Geologi, Københavns Universitet De Nationale Geologiske Undersøgelser for Danmark og Grønland (GEUS)

Læs mere

Program. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18

Program. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18 Program 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18 Fordeling af X Stikprøve X 1,X 2,...,X n stokastisk X stokastisk. Ex (normalfordelt stikprøve)

Læs mere

1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ

1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ Indhold 1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ exposure) 2 1.1 Variation indenfor og mellem grupper.......................... 2 1.2 F-test for ingen

Læs mere

Bestemmelse af iltkoncentration i Østerå

Bestemmelse af iltkoncentration i Østerå Bestemmelse af iltkoncentration i Østerå Iltkoncentrationen i danske vandløb varierer over døgnet og over året. I grøderige vandløb med lav strømningshastighed som Østerå, kan variationen over døgnet om

Læs mere

Projekt 6.1 Rygtespredning - modellering af logistisk vækst

Projekt 6.1 Rygtespredning - modellering af logistisk vækst Projekt 6.1 Rygtespredning - modellering af logistisk vækst (Projektet anvender værktøjsprogrammet TI Nspire) Alle de tilstedeværende i klassen tildeles et nummer, så med 28 elever i klassen uddeles numrene

Læs mere

Residualer i grundforløbet

Residualer i grundforløbet Erik Vestergaard www.matematikfysik.dk 1 Residualer i grundforløbet I dette lille tillæg til grundforløbet, skal vi kigge på begreberne residualer, residualplot samt residualspredning. Vi vil se, hvad

Læs mere

Økonometri Lektion 1 Simpel Lineær Regression 1/31

Økonometri Lektion 1 Simpel Lineær Regression 1/31 Økonometri Lektion 1 Simpel Lineær Regression 1/31 Simpel Lineær Regression Mål: Forklare variablen y vha. variablen x. Fx forklare Salg (y) vha. Reklamebudget (x). Statistisk model: Vi antager at sammenhængen

Læs mere

grupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen

grupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen 1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen

Læs mere

Lineær regression. Simpel regression. Model. ofte bruges følgende notation:

Lineær regression. Simpel regression. Model. ofte bruges følgende notation: Lineær regression Simpel regression Model Y i X i i ofte bruges følgende notation: Y i 0 1 X 1i i n i 1 i 0 Findes der en linie, der passer bedst? Metode - Generel! least squares (mindste kvadrater) til

Læs mere

Kobling af to modelkoder: Integrerede HIRHAM og MIKE SHE simuleringer på et dansk opland

Kobling af to modelkoder: Integrerede HIRHAM og MIKE SHE simuleringer på et dansk opland Kobling af to modelkoder: Integrerede HIRHAM og MIKE SHE simuleringer på et dansk opland PhD studerende Morten Andreas Dahl Larsen (afsluttes i forsommeren 2013) KU (Karsten Høgh Jensen) GEUS (Jens Christian

Læs mere

BM121 Resume af tirsdags forlæsningen, Uge 47

BM121 Resume af tirsdags forlæsningen, Uge 47 BM121 Resume af tirsdags forlæsningen, Uge 47 Morten Källberg (kallberg@imada.sdu.dk) 22/11-2005 1 Probabilistiske modeller Vi vil i det følgende betragte to forskellige måder at evaluerer en given model

Læs mere

Epidemiologi og Biostatistik

Epidemiologi og Biostatistik Kapitel 1, Kliniske målinger Epidemiologi og Biostatistik Introduktion til skilder (varianskomponenter) måleusikkerhed sammenligning af målemetoder Mogens Erlandsen, Institut for Biostatistik Uge, torsdag

Læs mere

men nu er Z N((µ 1 µ 0 ) n/σ, 1)!! Forkaster hvis X 191 eller X 209 eller

men nu er Z N((µ 1 µ 0 ) n/σ, 1)!! Forkaster hvis X 191 eller X 209 eller Type I og type II fejl Type I fejl: forkast når hypotese sand. α = signifikansniveau= P(type I fejl) Program (8.15-10): Hvis vi forkaster når Z < 2.58 eller Z > 2.58 er α = P(Z < 2.58) + P(Z > 2.58) =

Læs mere

Muligheder for at vurdere effekter af klimaforandringer

Muligheder for at vurdere effekter af klimaforandringer Muligheder for at vurdere effekter af klimaforandringer ved anvendelse af modeller udviklet under: Implementering af modeller til brug for vandforvaltningen Delprojekt 3 -Sømodelværktøjer Notat fra DCE

Læs mere

Hypotesetests, fejltyper og p-værdier

Hypotesetests, fejltyper og p-værdier Hypotesetests, fejltyper og p-værdier Søren Højsgaard Institut for Matematiske Fag, Aalborg Universitet October 25, 2018 Søren Højsgaard Institut for Matematiske Fag, Aalborg Hypotesetests, Universitet

Læs mere

GENOPRETNING AF FEJLBEHÆFTEDE KVÆLSTOF- OG FOSFORANALYSER I FERSKVAND

GENOPRETNING AF FEJLBEHÆFTEDE KVÆLSTOF- OG FOSFORANALYSER I FERSKVAND Miljø- og Fødevareudvalget 2017-18 MOF Alm.del Bilag 358 Offentligt GENOPRETNING AF FEJLBEHÆFTEDE KVÆLSTOF- OG FOSFORANALYSER I FERSKVAND FORMÅL Miljøstyrelsen (MST) har anmodet DCE, Aarhus Universitet

Læs mere

Økonometri 1. Den simple regressionsmodel 11. september Økonometri 1: F2

Økonometri 1. Den simple regressionsmodel 11. september Økonometri 1: F2 Økonometri 1 Den simple regressionsmodel 11. september 2006 Dagens program Den simple regressionsmodel SLR : Én forklarende variabel (Wooldridge kap. 2.1-2.4) Motivation for gennemgangen af SLR Definition

Læs mere

Note om Monte Carlo metoden

Note om Monte Carlo metoden Note om Monte Carlo metoden Kasper K. Berthelsen Version 1.2 25. marts 2014 1 Introduktion Betegnelsen Monte Carlo dækker over en lang række metoder. Fælles for disse metoder er, at de anvendes til at

Læs mere

KONSTRUEREDE MINIVÅDOMRÅDER

KONSTRUEREDE MINIVÅDOMRÅDER KONSTRUEREDE MINIVÅDOMRÅDER 20-04- 2011 Screening for minivådområder i oplandet Mariager Fjord Dette dokument viser resultatet af en screeningsproces foretaget i hovedvandoplandet til Mariager fjord. Der

Læs mere

Økonometri, ugeseddel 8 Hold 1 1/4-2003

Økonometri, ugeseddel 8 Hold 1 1/4-2003 1 Modeller/diagrammer med dummy er Disse tre diagrammer ligger til grund for gruppearbejdet. a) Generel regressions model g = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 3 +..+ β n x n + u i, Hvor i =1,.n g b) Model

Læs mere

2 km 2 stenrev = 800 tons N, kan det virkelig passe?

2 km 2 stenrev = 800 tons N, kan det virkelig passe? Stenrev i Limfjorden en anden måde at nå miljømålene på 2 km 2 stenrev = 800 tons N, kan det virkelig passe? Flemming Møhlenberg, Jesper H Andersen & Ciarán Murray, DHI Peter B Christensen, Tage Dalsgaard,

Læs mere

Kvantitative metoder 2

Kvantitative metoder 2 Kvantitative metoder 2 Specifikation og dataproblemer 2. maj 2007 KM2: F22 1 Program Specifikation og dataproblemer, fortsat (Wooldridge kap. 9): Betydning af målefejl Dataudvælgelse: Manglende observationer

Læs mere

Gunnar Peter Jensen, Danmark Miljøportal. 4. februar 2010 Miljoeportal.dk 1

Gunnar Peter Jensen, Danmark Miljøportal. 4. februar 2010 Miljoeportal.dk 1 Krav til data i en digital miljøforvaltning Gunnar Peter Jensen, Danmark Miljøportal 4. februar 2010 Miljoeportal.dk 1 Indhold Generelt om miljøportalen Hvilke data finder man i systemerne? Hvilke systemer

Læs mere

Indhold. 2 Tosidet variansanalyse Additive virkninger Vekselvirkning... 9

Indhold. 2 Tosidet variansanalyse Additive virkninger Vekselvirkning... 9 Indhold 1 Ensidet variansanalyse 2 1.1 Estimation af middelværdier............................... 3 1.2 Estimation af standardafvigelse............................. 3 1.3 F-test for ens middelværdier...............................

Læs mere

Bilag 6: Retningslinjer vedr. belastningsopgørelse til søer, fjorde og kystområder.

Bilag 6: Retningslinjer vedr. belastningsopgørelse til søer, fjorde og kystområder. Bilag 6: Retningslinjer vedr. belastningsopgørelse til søer, fjorde og kystområder. Indhold: 1 BAGGRUND OG OMFANG 1 2 BESKRIVELSE AF BELASTNINGSOPGØRELSER 2 2.1 NUVÆRENDE BELASTNING 2 2.1.1 Niveau 1 opgørelse

Læs mere

Kvadratisk regression

Kvadratisk regression Kvadratisk regression Helle Sørensen Institut for Matematiske Fag Københavns Universitet Juli 2011 I kapitlet om lineær regression blev det vist hvordan man kan modellere en lineær sammenhæng mellem to

Læs mere

ANALYSEKVALITETSKRAV TIL PARAMETRE DER PT. IKKE ER

ANALYSEKVALITETSKRAV TIL PARAMETRE DER PT. IKKE ER Notat 11.4 dato den /7-011 ANALYSEKVALITETSKRAV TIL PARAMETRE DER PT. IKKE ER DÆKKET AF BKG. NR. 866 1 Bekendtgørelsens bilag 1.10, Kontrol af jord Endeligt forslag til kvalitetskrav for nye parametre

Læs mere

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen Landmålingens fejlteori Lektion Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet En stokastisk variabel er en variabel,

Læs mere

Multipel Lineær Regression

Multipel Lineær Regression Multipel Lineær Regression Trin i opbygningen af en statistisk model Repetition af MLR fra sidst Modelkontrol Prædiktion Kategoriske forklarende variable og MLR Opbygning af statistisk model Specificer

Læs mere

Opgaver til kapitel 3

Opgaver til kapitel 3 Opgaver til kapitel 3 3.1 En løber er interesseret i at undersøge om hendes løbeur er kalibreret korrekt. Hun udmåler derfor en strækning på præcis 1000 m og løber den 16 gange. For hver løbetur noterer

Læs mere

I dag. Statistisk analyse af en enkelt stikprøve: LR test og t-test, modelkontrol, R Sandsynlighedsregning og Statistik (SaSt)

I dag. Statistisk analyse af en enkelt stikprøve: LR test og t-test, modelkontrol, R Sandsynlighedsregning og Statistik (SaSt) I dag Statistisk analyse af en enkelt stikprøve: LR test og t-test, modelkontrol, R Sandsynlighedsregning og Statistik (SaSt) Helle Sørensen Repetition vha eksempel om dagligvarepriser Analyse med R: ttest

Læs mere

Kvælstoffets vej til recipient erfaringer med kortlægning af retention

Kvælstoffets vej til recipient erfaringer med kortlægning af retention Minihøring, 18. november 2014, Scandinavian Congress Center, Århus Kvælstoffets vej til recipient erfaringer med kortlægning af retention Baggrund Metodik Konklusion GEUS og Aarhus Universitet (DCE og

Læs mere

Dokumentation for beregning af N-reduktion fra rodzonen til kyst i N- risikoværktøjet

Dokumentation for beregning af N-reduktion fra rodzonen til kyst i N- risikoværktøjet Danmarks Miljøundersøgelser Afdeling for Ferskvandsøkologi 31.marts 2009/Gitte Blicher-Mathiesen Dokumentation for beregning af N-reduktion fra rodzonen til kyst i N- risikoværktøjet N-risikokortlægning

Læs mere

1. Intoduktion. Undervisningsnoter til Øvelse i Paneldata

1. Intoduktion. Undervisningsnoter til Øvelse i Paneldata 1 Intoduktion Før man springer ud i en øvelse om paneldata og panelmodeller, kan det selvfølgelig være rart at have en fornemmelse af, hvorfor de er så vigtige i moderne mikro-økonometri, og hvorfor de

Læs mere

Teknisk anvisning for marin overvågning

Teknisk anvisning for marin overvågning NOVANA Teknisk anvisning for marin overvågning 2.3 Klorofyl a Britta Pedersen H Afdeling for Marin Økologi Miljøministeriet Danmarks Miljøundersøgelser 2.3-1 Indhold 2.3 Klorofyl-a 2.3-3 2.3.1 Formål 2.3-3

Læs mere

Kvælstoftransport og beregningsmetoder. Dansk Landbrugsrådgivning Landscentret Plan & Miljø

Kvælstoftransport og beregningsmetoder. Dansk Landbrugsrådgivning Landscentret Plan & Miljø Kvælstoftransport og beregningsmetoder Kvælstoftransport Landscentret Kvælstoftransport - søer Nitratklasse kort: Som generel værdi for kvælstoffjernelsen i søer er anvendt 30 % af tilførslen, hvilket

Læs mere

[ 18 ] 1.2 Menneskelige påvirkninger

[ 18 ] 1.2 Menneskelige påvirkninger Figur 1.1.3 Internationale naturbeskyttelsesområder omfattet af EF-fuglebeskyttelsesdirektivet, EF- Habitatdirektivet og Ramsarkonventionen. Alle tre aftaler indeholder bestemmelser om beskyttelse og bevarelse

Læs mere

Effekten af indvandring på indfødte danskeres løn og beskæftigelse

Effekten af indvandring på indfødte danskeres løn og beskæftigelse d. 22.05.2017 Brian Krogh Graversen (DØRS) Effekten af indvandring på indfødte danskeres løn og beskæftigelse I kapitlet Udenlandsk arbejdskraft i Dansk Økonomi, forår 2017 analyseres det, hvordan indvandringen

Læs mere

1 Hb SS Hb Sβ Hb SC = , (s = )

1 Hb SS Hb Sβ Hb SC = , (s = ) PhD-kursus i Basal Biostatistik, efterår 2006 Dag 6, onsdag den 11. oktober 2006 Eksempel 9.1: Hæmoglobin-niveau og seglcellesygdom Data: Hæmoglobin-niveau (g/dl) for 41 patienter med en af tre typer seglcellesygdom.

Læs mere

Grundvandskort, KFT projekt

Grundvandskort, KFT projekt HYACINTS Afsluttende seminar 20. marts 2013 Grundvandskort, KFT projekt Regionale og lokale forskelle i fremtidens grundvandsspejl og ekstreme afstrømningsforhold Seniorrådgiver Hans Jørgen Henriksen GEUS

Læs mere

VMP2-vådområder: kort status

VMP2-vådområder: kort status Overvågning af Vandmiljøplan II-Vådområder 2004 Faglig rapport fra DMU, nr. 518 2004 Carl Christian Hoffmann Annette Baattrup-Pedersen Erik Jeppesen Susanne Lildal Amsinck Preben Clausen VMP2-vådområder:

Læs mere

Hvad er de miljømæssigt acceptable koncentrationer af kvælstof i drænvand i forhold til vandmiljøets tilstand

Hvad er de miljømæssigt acceptable koncentrationer af kvælstof i drænvand i forhold til vandmiljøets tilstand Hvad er de miljømæssigt acceptable koncentrationer af kvælstof i drænvand i forhold til vandmiljøets tilstand Brian Kronvang, Jørgen Windolf og Gitte Blicher-Mathiesen DCE/Institut for Bioscience, Aarhus

Læs mere

NOTAT. Belastning fra spredt bebyggelse til vandløb. Projektnummer Jørgen Krogsgaard Jensen. Udgivet

NOTAT. Belastning fra spredt bebyggelse til vandløb. Projektnummer Jørgen Krogsgaard Jensen. Udgivet NOTAT Projekt Belastning fra spredt bebyggelse til vandløb Projektnummer 3621500256 Kundenavn Emne Til Fra Slagelse Kommune Vandløbs påvirkningsgrad og sårbarhed for organisk belastning Bo Gabe Jørgen

Læs mere

Anvendt Statistik Lektion 7. Simpel Lineær Regression

Anvendt Statistik Lektion 7. Simpel Lineær Regression Anvendt Statistik Lektion 7 Simpel Lineær Regression 1 Er der en sammenhæng? Plot af mordraten () mod fattigdomsraten (): Scatterplot Afhænger mordraten af fattigdomsraten? 2 Scatterplot Et scatterplot

Læs mere

Multipel regression. Data fra opgave 3 side 453: Multipel regressionsmodel: Y = α + β 1 x 1 + β 2 x 2 + ǫ. hvor ǫ N(0, σ 2 ).

Multipel regression. Data fra opgave 3 side 453: Multipel regressionsmodel: Y = α + β 1 x 1 + β 2 x 2 + ǫ. hvor ǫ N(0, σ 2 ). Program 1. multipel regression 2. polynomiel regression (og andre kurver) 3. kategoriske variable 4. Determinationkoefficient og justeret determinationskoefficient 5. ANOVA-tabel 1/13 Multipel regression

Læs mere

To samhørende variable

To samhørende variable To samhørende variable Statistik er tal brugt som argumenter. - Leonard Louis Levinsen Antagatviharn observationspar x 1, y 1,, x n,y n. Betragt de to tilsvarende variable x og y. Hvordan måles sammenhængen

Læs mere

Logistisk Regression. Repetition Fortolkning af odds Test i logistisk regression

Logistisk Regression. Repetition Fortolkning af odds Test i logistisk regression Logistisk Regression Repetition Fortolkning af odds Test i logistisk regression Logisitks Regression: Repetition Y {0,} binær afhængig variabel X skala forklarende variabel π P( Y X x) Odds(Y X x) π /(-π

Læs mere

Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl

Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/36 Estimation af varians/spredning Antag X 1,...,X n stokastiske

Læs mere

Kausale modeller. Konstruktion og analyse

Kausale modeller. Konstruktion og analyse Kausale modeller Konstruktion og analyse 1 Kausale modeller = DAGs (Directed acyclic graphs) defineret ved Fuldstændig ordnet kausal struktur Definition af direkte kausal effekt Antagelser om fravær af

Læs mere

Statistik II 4. Lektion. Logistisk regression

Statistik II 4. Lektion. Logistisk regression Statistik II 4. Lektion Logistisk regression Logistisk regression: Motivation Generelt setup: Dikotom(binær) afhængig variabel Kontinuerte og kategoriske forklarende variable (som i lineær reg.) Eksempel:

Læs mere

Kursus i varians- og regressionsanalyse Data med detektionsgrænse. Birthe Lykke Thomsen H. Lundbeck A/S

Kursus i varians- og regressionsanalyse Data med detektionsgrænse. Birthe Lykke Thomsen H. Lundbeck A/S Kursus i varians- og regressionsanalyse Data med detektionsgrænse Birthe Lykke Thomsen H. Lundbeck A/S 1 Data med detektionsgrænse Venstrecensurering: Baggrundsstøj eller begrænsning i måleudstyrets følsomhed

Læs mere

Center for Statistik. Multipel regression med laggede responser som forklarende variable

Center for Statistik. Multipel regression med laggede responser som forklarende variable Center for Statistik Handelshøjskolen i København MPAS Tue Tjur November 2006 Multipel regression med laggede responser som forklarende variable Ved en tidsrække forstås i almindelighed et datasæt, der

Læs mere

Beregningsmetoder på oplandsskala og sårbarhedsvurdering. Specialkonsulent Flemming Gertz

Beregningsmetoder på oplandsskala og sårbarhedsvurdering. Specialkonsulent Flemming Gertz Beregningsmetoder på oplandsskala og sårbarhedsvurdering Specialkonsulent Flemming Gertz Grøn Vækst og Vandplaner hvor er vi nu? Grøn Vækst beslutning om 19.000 ton N 9.000 ton - model VMP IV Randzoner

Læs mere

Statistisk modellering og regressionsanalyse

Statistisk modellering og regressionsanalyse Statistisk modellering og regressionsanalyse Claus Thorn Ekstrøm KU Biostatistik ekstrom@sund.ku.dk Oktober 25, 2018 Slides @ biostatistics.dk/talks/ 1 2 Hvad er statistik? Statistics is a science, not

Læs mere

Nitrat retentionskortlægningen

Nitrat retentionskortlægningen Natur & Miljø 2014, Odense kongrescenter 20.-21. maj 2014 Nitrat retentionskortlægningen Baggrund Metodik Særlige udfordringer Skala Produkter GEUS, Aarhus Universitet (DCE og DCA) og DHI Seniorforsker,

Læs mere

En intro til radiologisk statistik

En intro til radiologisk statistik En intro til radiologisk statistik Erik Morre Pedersen Hypoteser og testning Statistisk signifikans 2 x 2 tabellen og lidt om ROC Inter- og intraobserver statistik Styrkeberegning Konklusion Litteratur

Læs mere

Modellering 'State of the future'

Modellering 'State of the future' Modellering 'State of the future' Henrik Madsen DTU Informatics 26. maj, 2011 Baggrund Stigende fokus på sikker drift af afløbssystemer dvs maximal sikkerhed for overløb, slamflugt mv. Målingerne (eksempelvis

Læs mere

Landmålingens fejlteori - Repetition - Fordeling af slutfejl - Lektion 8

Landmålingens fejlteori - Repetition - Fordeling af slutfejl - Lektion 8 Landmålingens fejlteori Repetition - Fordeling af slutfejl Lektion 8 - tvede@math.aau.dk http://www.math.aau.dk/ tvede/teaching/l4 Institut for Matematiske Fag Aalborg Universitet 15. maj 2008 1/13 Fordeling

Læs mere

Kvantitative metoder 2

Kvantitative metoder 2 Kvantitative metoder 2 Den multiple regressionsmodel 5. marts 2007 regressionsmodel 1 Dagens program Emnet for denne forelæsning er stadig den multiple regressionsmodel (Wooldridge kap. 3.4-3.5, E.2) Variansen

Læs mere

Tema. Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse.

Tema. Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse. Tema Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. (Fx. x. µ) Hypotese og test. Teststørrelse. (Fx. H 0 : µ = µ 0 ) konfidensintervaller

Læs mere

Matematisk modellering og numeriske metoder. Lektion 17

Matematisk modellering og numeriske metoder. Lektion 17 Matematisk modellering og numeriske metoder Lektion 1 Morten Grud Rasmussen. december 16 1 Numerisk integration og differentiation 1.1 Simpsons regel Antag, at vi har en funktion f på intervallet I = [a,

Læs mere

Additiv model teori og praktiske erfaringer

Additiv model teori og praktiske erfaringer make connections share ideas be inspired Additiv model teori og praktiske erfaringer Kaare Brandt Petersen Forretningschef, ph.d., SAS Institute Agenda Hvad er en additiv model? Forudsætninger Fortolkning

Læs mere

En intro til radiologisk statistik. Erik Morre Pedersen

En intro til radiologisk statistik. Erik Morre Pedersen En intro til radiologisk statistik Erik Morre Pedersen Hypoteser og testning Statistisk signifikans 2 x 2 tabellen og lidt om ROC Inter- og intraobserver statistik Styrkeberegning Konklusion Litteratur

Læs mere

Kapitel 11 Lineær regression

Kapitel 11 Lineær regression Kapitel 11 Lineær regression Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 1 Indledning Vi modellerer en afhængig variabel (responset) på baggrund af en uafhængig variabel (stimulus),

Læs mere