Bilag 15. Eksempel på beslutningsstøtte system GEUS: Hans Jørgen Henriksen
|
|
- Katrine Jessen
- 7 år siden
- Visninger:
Transkript
1 Bilag 15. Eksempel på beslutningsstøtte system GEUS: Hans Jørgen Henriksen Ved hjælp af en strukturel læringsanalyse af strukturer i et datasæt ( structural learning ) kan der findes frem til hvilke sammenhænge i datasættet der er mest afgørende for følsomheden overfor udvaskning af pesticid i sandjordsområder. I projektet er der ved modelsimuleringer skaffet kvantitative oplysninger om hvilke forhold og jordegenskaber der er afgørende for udvaskningen af pesticid. Blandt andet er variabiliteten af jordegenskaberne og korrelationen mellem dem undersøgt. I en idealsituation, hvor værdien af alle jordegenskaber af betydning for pesticidudvaskning er kendt overalt, ville transporten af pesticid gennem den umættede zone kunne beregnes absolut. Med virkelighedens spredte datagrundlag er det åbenbart at dette ikke er muligt, hvorfor der er taget udgangspunkt i en vurdering af, dels hvad der er fundet at være de mest betydningsfulde jordegenskaber, dels i en generalisering af resultaterne. Undersøgelserne af sandjorde har således vist at det er muligt at karakterisere særligt pesticidfølsomme arealer ved hjælp af oplysninger om et begrænset antal jordegenskaber. Resultaterne viser at indholdet af organisk kulstof, ler og silt i den øverste meter af jordprofilet (indenfor de pedolgiske A-, B- og C-horisonter), kan beskrive hovedparten af jordens følsomhed overfor udvaskning af pesticid, men at der kan være samme følsomhed ved kombinationer af forskellige værdier af jordegenskaber. Derfor demonstreres der her et beslutningsstøtte system, der kan håndtere den forskellige vægtning af jordegenskaber, idet der benyttes de data fra kvadratnetsprofiler i sandjordsområder, som er blevet brugt til at foretage multivariat korrelation mellem simuleret relativ udvaskning af pesticid og indholdet af organisk kulstof, ler og silt. Datasættet er analyseret med henblik på at identificere struktur (retningsorienterede sammenhænge mellem systemvariable og betingede sandsynlighedstabeller, CPTs). Analysen omfatter: Strukturel analyse og læring for at opbygge et Bayesiansk net (BN) bestående af systemvariable og retningsorienterede links (pile) Bestemmelse af CPTs for de fastlagte strukturer (BNs) udfra datasæt Eksempler på anvendelsen af BNs som beslutningsstøttesystem for identifikation af betydende zoneringskriterier og pesticidsårbare profiler. Metode Strukturer i datasættet kan analyseres ved hjælp af redskabet Hugin Learning Wizard. Denne algoritme er indbygget i Hugin som er et software der kan anvendes til at konstruere BNs og som på baggrund af Bayes sætning er i stand til efterfølgende at regne ( propagation ) på nettene, givet at en eller flere variable er kendte (f.eks. målte). Der er to af disse algoritmer: en NPC ( Necessary Path Condition )og en PC ( Path condition ) algoritme. Sidstnævnte benyttes i det følgende. Bilag side 209
2 PC algoritmen fungerer i følgende trin: Parvis statistisk analyse af alle variable af om de er uafhængige (undtagen for par af variable som er tillagt en begrænsende betingelse) Tilføjelse af retningsløse forbindelser mellem de par af variable, hvor der ikke er fundet nogen betinget uafhængighed. Den resulterende graf med angivelse af retningsløse forbindelser kaldes skelettet i de strukturelle sammenhænge. Der identificeres herefter sammenstød ( colliders ). Sammenstød er par af retningsbestemte links der mødes i et knudepunkt (systemvariabel). I næste trin retningsbestemmes de links, hvis retning kan udledes på baggrund af de betingede uafhængigheder og identificerede sammenstød. Til sidst genereres retninger til de resterende retningsløse sammenhænge, idet det sikres at retningsbestemte links ikke går i ring (en forudsætning som brugen af BNs skal opfylde for at beregningsalgoritmen kan finde en løsning). Normalt vil PC algoritmen ikke være i stand til at fastlægge retning på alle variable, hvorfor nogle forbindelser (pile retninger) vil blive genereret tilfældigt. Det må derfor bedømmes om nogle af de strukturelle sammenhænge, som er fundet, virker ulogiske. Hvis dette er tilfældet kan man forsøge at gentage den strukturel sammenhængsanalyse, idet det er muligt a priori selv at definere sammenhænge og retninger, udfra en ekspertviden om mest logiske eller realistiske årsagvirkningssammenhænge. Det er dokumenteret at traditionelle strukturelle læringsalgoritmer med begrænsende betingelser giver korrekte sammenhænge under forudsætning af at datasætttene er uendeligt store, at testene (målinger) er perfekte og at der ikke forekommer retningsorienterede links som går i ring (der kræves en såkaldt directed acyclic graph, DAG). Hvis datasættene derimod er begrænsede, giver disse læringsalgoritmer imidlertid ofte for mange udsagn om betingede uafhængigheder, og kan fejlagtigt undlade at identificere vigtige sammenhænge. Der skal ofte mange tusind datapunkter til en sikker bestemmelse af en BN struktur alene ud fra data, men kombineret med apriori definerede sammenhænge/links udfra ekspertviden, kan et mere begrænset datasæt som f.eks. kvadratnetsdataene give brugbare strukturer. PC algoritmen arbejder relativt hurtigt, men for den langsommere NPC algoritmen er den resulterende graf generelt en bedre beskrivelse af de betingede uafhængighedsrelationer i data. Dette gør sig især gældende for små datasæt hvor NPC algoritmen bør foretrækkes. De første trin i en praktisk analyse af strukturel sammenhæng består i: Udvælgelse af systemvariable og data som skal indgå i analysen Definition af tilstande for hver enkelt systemvariabel og organisering af data i samlede datasæt f.eks. udfra de intervaller som definerer de forskellige tilstande (se Figur 15.1) Analyse af retningsbestemte links og tilhørende CPT er, se Figur 15.2, 15.3 og 15.4) Bilag side 210
3 Figur Første skridt i den strukturel analyse er at udvælge systemvariable (organisk stof, ler, silt, groft silt, fint sand 1, fint sand 2, groft sand, ph og relativ pesticidudvaskning) og gruppere data i tilstande udfra fastlagte intervaller (f.eks ph , 5.5-6, 6-7 og 7-9). Konkret inddeles data for hver variabel her i fire intervaller. Dette er gjort interaktivt ved hjælp af Hugin, og med det viste resultat. Valgte af intervaller har stor betydning for den strukturelle læring. Indledningsvis vises blot variablene (figur 15.2), hvorefter man som bruger kan tilføje kendte afhængigheder eller uafhængigheder. Hugins forslag til sammenhænge afhænger af de valgte intervaller, hvorfor programmet fx. vil kunne foreslå usandsynlige sammenhænge mellem siltog lerindhold. I sådanne tilfælde må brugeren selv tilføje en uafhængighed mellem variablene. En anden mulighed er at brugeren ønsker at analysere betydningen af nogle parametre mens relationen mellem andre fastholdes (fx. kan de vigtige parametre organisk kulstof, ler og silt fastholdes i en relation til simuleret pesticidudvaskning mens betydningen af de øvrige parametre undersøges). Med det relativt lille antal datasæt på ca. 150 kvadratnetsprofiler kan den statistiske analyse resultere i noget tilfældige sammenhænge frem for logiske og reelle. Derfor bør resultaterne Bilag side 211
4 bedømmes kritisk undervejs mens strukturen fastlægges, evt. gennem gentagelser af operationerne i den strukturelle læring med nye forudsætninger (illustreret i figur 15.3 og 15.5), indtil et tilfredsstillende resultat foreligger, figur Figur Illustration af systemvariablene før der er fastlagt sammenhænge eller uafhængigheder udfra foreliggende datasæt. Figur Programmet viser stærke retningsbestemte links (grå pile) hvor der udfra datasæt er stor årsag-virknings afhængighed mellem nogle af variablene, mens der for øvrige sammenhænge må foretages en manuel tilføjelse af retningsbestemte links. Bilag side 212
5 Figur Det resulterende BN efter at alle retningsbestemte links er definerede enten udfra informationsværdien i datasæt af læringsrutinen i Hugin eller ved manuelle apriori definitioner af brugeren. Der er ingen sammenhænge til ph fordi ph tilsyneladende varierer uafhængigt af alle øvrige variable. Figur Variablen rel pesticid (relativ pesticid udvaskning) har to styrende ophavsparametre : Silt and Organic co (organisk kulstof). Nogle af sammenhængene er ret svage Bilag side 213
6 (hvilket også fremgår af tælleren Experience i CPT en). CPT en ville antagelig kunne forbedres ved også manuelt at indlægge sandsynligheder udfra ekspert viden, f.eks. der hvor tælleren viser at CPT-kolonne er baseret på et fåtal af datasæt (f.eks. organisk stof i intervallet 0-10 og silt som har experience = 0 => p = 0.25 for de fire tilstande). Eksempler på anvendelse af BBN som beslutningsstøtte system med henblik på beskyttelse af grundvand mod udvaskende pesticid. Eksempel B EksempelA Figur 15.6 A og B. To forskellige resultater af strukturelle sammenhænge i data. I A er der tre parametre der har betydning for den relative pesticid udvaskning mens der i B er fire influerende parametre. ph har ikke direkte betydning hverken i A eller B. Dette skyldes antagelig at udvaskningen er fastlagt på grundlag af jordens bindings- og transportegenskaber, mens der Bilag side 214
7 ikke er taget hensyn til den mere ph-afhængige nedbrydning i modelsimuleringerne (MA- CRO). Det første eksempel, A i figur 15.6, er BN etableret ved en strukturel læring, hvor der er tillagt afhængigheder mellem hver af systemvariablene: organisk stof, ler og silt og relativ pesticidudvaskning. Alle andre sammenhænge er blevet bestemt af Hugins strukturelle læringsalgoritme og under sideløbende interaktive input fra eksperter. I det andet eksempel, B i figur 15.6, er BN etableret under antagelse af uafhængighed mellem silt og ler, støttet med bestemmelser ved strukturel læring af Hugin støtte af ekspertudsagn vedrørende hvilke sammenhænge, der bør inkluderes og hvilken retning de har. I eksempel A i figur 15.6 er der kun de tre parametre organisk stof, ler og silt, der har direkte indflydelse på den relative simulerede udvaskning af pesticid. ler og silt er imidlertid ikke uafhængige af hinanden, idet lerindholdet influerer på siltindholdet, som vist med pilen. Siltindholdet influerer på andre parametre: fint sand 1 & 2, groft sand og groft sand 11. Da disse variable er forholdsvis nemme at måle vil oplysninger om dem eventuelt kunne erstatte data vedrørende siltindholdet. I eksemplet, figur 15.6 B, er der ingen sammenhæng mellem indholdet af Ler og Silt. Under denne forudsætning resulterer strukturanalysen i en mere kompleks sammenhæng, hvor fire variable har indflydelse på den relative pesticidudvaskning. Også i dette eksempel viser analysen at silt, ler og organisk stof er væsentlige for forudsigelse af udvaskningen og dermed væsentlige kortlægningsparametre, men eksempel B viser yderligere at groft sand 1 variablen må tages i betragtning, når strukturanalysen forudskikker at der ikke er indbyrdes afhængighed mellem parametrene ler and silt. Variablen groft silt er afhængig af både ler og silt, og influerer selv på variablen fint sand 1. Figur 15.7 viser resultatet af den strukturelle analyse (systemvariable og retningsbestemte links) og resulterende sandsynlighedsfordelinger for samtlige variable i nettene for eksemplerne A and B (figur 15.6). Der kan nu eksperimenteres med følsomheden overfor ændringer fra at en variabel er usikkert bestemt i form af en sandsynlighedsfordeling for at antage en af de forskellige intervaller, til at tilstanden er kendt f.eks. udfra en måling og følgeeffekterne heraf for alle andre variable kan så beregnes ved hjælp af Hugin, se eksperimenter for eksempel A i figur Hvis for eksempel tilstanden for variablen silt (figur 15.8) udfra målinger kan fastsættes til at ligge i det laveste interval (10-20 kg/m 2 ) og tilstanden på organisk stof til det næst laveste interval (10-18 kg/m 2 ) så medfører det en form for alarm, hvor der er 61,8% risiko for at den relative simulerede pesticidudvaskning fra jordtyper, hvor systemvariable har de valgte tilstande (intervaller), ligger i den mest sårbare klasse, og 23,5% risiko for at sårbarheden af jordtypen ligger i den næsthøjeste klasse. Figuren viser også at de tillagte silt -værdier har ændret sandsynlighedsfordelinger for ler, fint sand 1, groft sand 1 og groft silt. Kun den oprindelige fordeling af fint sand 2 er uændret. Alternativt kan BN i eksempel A bruges til at undersøge den afledte effekt i de øvrige variable ved en bestemmelse af de parametre som er lettest at måle i laboratoriet ( fint sand 1 & 2, groft sand 1 og groft silt ), figur I det viste eksempel influerer ændringen alle variable undtagen organisk stof. Bilag side 215
8 Eksempel B Eksempel A Figur 15.7 A og B. Strukturel læring (systemvariable og retningsbestemte links) og simulerede sandsynlighedsfordelinger for tilstande for de to eksempler i figur De jordprofiler som er mest sårbare overfor udvaskning af pesticid ligger i intervallet (9,9 % af profilerne i eksempel A). Også følsomme, om end i mindre grad, er profiler som hører til intervallet (9.4 % i eksempel A). Der er altså i denne beregning 18 % af de analyserede profiler som falder i de to mest pesticidfølsomme kategorier. Den relative pesticidudvaskningsindikator ( rel pesticide leaching ) viser, med oplysninger som er lagt ind i den strukturelle analyse, at der kun er ringe risiko for at jorden er følsom overfor udvaskning (= 0.01 eller 1 pct.). Der er således basis for at beslutte, hvorvidt en sådan lav procentvis risiko er acceptabel eller om der skal indsamles yderligere dokumentation om enten ler eller organisk stof for at gøre sandsynligheden for at jordtypen er meget sårbar endnu mindre end 1 pct. Bilag side 216
9 Figur Eksempel på hvordan der kan eksperimenteres med effekten af at tilføje evidens (kendskab til udvalgte systemvariable udfra fx målinger - røde bjælker) og opdatering af øvrige sandsynligheder i nettet og prognosen for sårbarheden overfor pesticid udvaskning med denne sikre viden (med udgangspunkt i BN for eksempel A). Figur BN for eksempel A hvor der er tillagt kendt tilstand for groft sand 1, fint sand 2, fint sand 1 og groft silt. Effekten er at der er 41,4 % chance for at ler - indholdet ligger i intervallet og 58,6 % chance for at det ligger i intervallet De simulerede forhold i dette eksperiment medfører dermed at der er ringe risiko for udvaskning af pesticid. Bilag side 217
10 Endelig er det muligt at indføje en sandsynlighedsfordeling (likelihood) for en eller flere udvalgte systemvariable i BN og analysere effekten på de øvrige variable under denne reviderede antagelse. Dette er eksemplificeret i figur for BBN i eksempel A, idet det antages at der er det højeste eller næsthøjeste niveau af relativ pesticidudvaskning (enten eller ). Her får man et indtryk af hvilke intervaller der er mest sandsynlige for de øvrige variable f.eks. organisk stof, ler og silt som i dette tilfælde har størst sandsynlighed for at være i næstlaveste interval (56-64 %) for de tre variable. Figur Eksempel på effekten af at indføje likelihood fordeling (fifty fifty for næsthøjeste og højeste sårbarhedsinterval) (BN for eksempel A). Sammenfatning vedrørende anvendelse af strukturel analyse som beslutningsværktøj Eksperimenterne med BN og algoritmen for strukturel læring i dette bilag har haft til formål at demonstrere et muligt værktøj til beslutningsstøtte. Eksemplerne er således ikke projektets resultater. De præsenterede BN-eksempler (A og B) er to alternativer ud af et større antal forsøg med forskellige sammenhænge/manglende sammenhænge. I tilfælde hvor der ikke aktivt indlægges afhængigheder mellem variable resulterer de strukturelle analyser i at to ( silt og organisk stof ) eller tre ( silt, ler og organisk stof ) variable til beskrivelse af relativ pesticid udvaskning, afhængig af de tillagte værdier og forbindelser/manglende forbindelser og afhængighedsretninger. Eksemplerne er beregnet med PC algoritmen selv om NPC algoritmen muligvis ville kunne give et endnu bedre resultat på grund af det relativ begrænsede datagrundlag (150 datasæt). De BNs som er udviklet her bør vurderes nøjere forud for en eventuel praktisk anvendelse, idet CPT erne for nogle af sammenhængene er bestemt på et ret svagt grundlag (baseret på <5 oplysninger). Trods dette forbehold vurderes BNs imidlertid at være et fleksibelt værktøj til at analysere pesticidudvaskning idet der er mulighed for at trække på dels vidensgrundlaget fra kvadratnetsprofilerne og samtidig opdatere nettene med nye målinger fra et konkret område. Hertil kommer at kvalificerede erfaringer også kan indbygges i form af likelihood. BN ud- Bilag side 218
11 gør dermed et anvendeligt værktøj til at afdække og formidle et bedste estimat for pesticidsårbarheden, og samtidig illustrere usikkerheder på dette skøn. Det er af særlig betydning i forbindelse med zonering af særligt pesticidfølsomme arealer at BN eksplicit kan kvantificere og formidle usikkerhed. Derved er det muligt at bedømme den relative udvaskning af pesticid på grundlag af alle data indenfor et givet areal og i tilslutning hertil at kombinere denne vurdering med andre datasæt fra de landsdækkende kvadratnetsprofiler og yderligere parametre (fx. landbrugspraksis, nedbrydning af pesticider, udbringning af pesticider, grundvands moniteringsdata og socio-økonomiske forhold). BNs er frem alt velegnet som et dialogværktøj der kan give overblik og integration, og samtidig påpege hvilke yderligere data der kan være behov for at indsamle Bilag side 219
12 Bilag side 220
Bilag 3B. Variabilitet baseret på humus indholdet og det samlede ler-silt indhold
Bilag 3B. Variabilitet baseret på humus indholdet og det samlede ler-silt indhold GEUS: Per Rosenberg Gennem projektets undersøgelser er det vist, at de jordegenskaber, der bærer det klareste udsagn om
Læs mere3. Fremgangsmåde ved fortolkning af data
3. Fremgangsmåde ved fortolkning af data For at finde de jordegenskaber som rummer de nødvendige oplysninger til udpegning af særligt pesticidfølsomme områder og som kan fremskaffes med den mindste ressource
Læs mereINTERNT GEUS-NOTAT Side 1
INTERNT GEUS-NOTAT Side 1 Bilag 16. Referee bemærkninger GEUS: Jens Christian Refsgaard Rapporten er tilrettet efter modtagelsen af bemærkningerne. Danmarks og Grønlands Øster Voldgade 10 Telefon 38 14
Læs mereIntroduktion. Hans Jørgen Henriksen, GEUS
CHAPTER 2 Sammenfatning Hans Jørgen Henriksen, GEUS Introduktion Anvendelighed af grafiske modeller (Bayesianske belief netværker BBNs) i vandressourceforvaltning i forbindelse med forebyggende grundvandsbeskyttelse
Læs mereKausale 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 mereKUPA-SAND: SANDEDE AREALERS SÅRBARHED FOR PESTICIDNEDSIVNING
KUPA-SAND: SANDEDE AREALERS SÅRBARHED FOR PESTICIDNEDSIVNING Udvikling af et forvaltningsegnet værktøj til udpegning af pesticidsårbare sandarealer på baggrund af KUPAsand (Værkstedsområde Grindsted) Bo
Læs mereSammenhængsanalyser. Et eksempel: Sammenhæng mellem rygevaner som 45-årig og selvvurderet helbred som 51 blandt mænd fra Københavns amt.
Sammenhængsanalyser Et eksempel: Sammenhæng mellem rygevaner som 45-årig og selvvurderet helbred som 51 blandt mænd fra Københavns amt. rygevaner som 45 årig * helbred som 51 årig Crosstabulation rygevaner
Læs mereIndsatsplaner for grundvandsbeskyttelse. Udvalgsmøde
Indsatsplaner for grundvandsbeskyttelse Udvalgsmøde 31-05-2016 STATENS GRUNDVANDSKORTLÆGNING Historik Amtet udpegede områder med særlig drikkevandsinteresse (OSD) i Regionplan 1997 Drikkevandsbetænkningen
Læs mereBenchmarking af kommunernes sagsbehandling antagelser, metode og resultater
Benchmarking af kommunernes sagsbehandling antagelser, metode og resultater Anna Amilon Materiel vurdering Ved vurderingen af en afgørelses materielle indhold vurderes afgørelsens korrekthed i forhold
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Estimation
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Estimation Eksempel: Bissau data Data kommer fra Guinea-Bissau i Vestafrika: 5273 børn blev undersøgt da de var yngre end 7 mdr og blev herefter
Læs mereSærligt pesticidfølsomme sandområder: Forudsætninger og metoder for zonering
Koncept for Udpegning af Pesticidfølsomme Arealer, KUPA Særligt pesticidfølsomme sandområder: Forudsætninger og metoder for zonering Danmarks og Grønlands Geologiske Undersøgelse Miljøministeriet Danmarks
Læs mereProjekt 1 Spørgeskemaanalyse af Bedst på Nettet
Projekt 1 Spørgeskemaanalyse af Bedst på Nettet D.29/2 2012 Udarbejdet af: Katrine Ahle Warming Nielsen Jannie Jeppesen Schmøde Sara Lorenzen A) Kritik af spørgeskema Set ud fra en kritisk vinkel af spørgeskemaet
Læs mereBrugen af RiBAY er typisk en iterativ proces, hvor trin 4-6 gentages et antal gange for at kortlægge og forstå risiko.
Kom godt i gang med RiBAY Risikostyring ved hjælp af RiBAY består af følgende seks trin: 1. Indtastning af systemvariable og budgettal 2. Indtastning af Køb og salg 3. Kalibrering af udgangspunktet for
Læs mereKvantitative Metoder 1 - Efterår 2006. Dagens program
Dagens program Afsnit 2.4-2.5 Bayes sætning Uafhængige stokastiske variable - Simultane fordelinger - Marginale fordelinger - Betingede fordelinger Uafhængige hændelser - Indikatorvariable Afledte stokastiske
Læs mereBilagsnotat til: De nationale tests måleegenskaber
Bilagsnotat til: De nationale tests måleegenskaber Baggrund Der er ti obligatoriske test á 45 minutters varighed i løbet af elevernes skoletid. Disse er fordelt på seks forskellige fag og seks forskellige
Læs merePersonale i daginstitutioner normering og uddannelse
Personale i daginstitutioner normering og uddannelse Dagtilbudsområdet er et stort velfærdsområde, som spiller en vigtig rolle i mange børns og familiers hverdag og for samfundet som helhed. Dagtilbuddenes
Læs mereStatistik viden eller tilfældighed
MATEMATIK i perspektiv Side 1 af 9 DNA-analyser 1 Sandsynligheden for at en uskyldig anklages Følgende histogram viser, hvordan fragmentlængden for et DNA-område varierer inden for befolkningen. Der indgår
Læs meredpersp Uge 40 - Øvelser Internetalgoritmer
Øvelse 1 dpersp Uge 40 - Øvelser Internetalgoritmer (Øvelserne 4 og 6 er afleveringsopgaver) a) Hver gruppe får en terning af instruktoren. Udfør 100 skridt af nedenstående RandomWalk på grafen, som også
Læs mereKvantitative Metoder 1 - Forår 2007. Dagens program
Dagens program Hypoteser: kap: 10.1-10.2 Eksempler på Maximum likelihood analyser kap 9.10 Test Hypoteser kap. 10.1 Testprocedure kap 10.2 Teststørrelsen Testsandsynlighed 1 Estimationsmetoder Kvantitative
Læs mereAnalyse af måledata II
Analyse af måledata II Usikkerhedsberegning og grafisk repræsentation af måleusikkerhed Af Michael Brix Pedersen, Birkerød Gymnasium Forfatteren gennemgår grundlæggende begreber om måleusikkerhed på fysiske
Læs mere1 Sandsynlighed Sandsynlighedsbegrebet Definitioner Diskret fordeling Betinget sandsynlighed og uafhængighed...
Indhold 1 Sandsynlighed 1 1.1 Sandsynlighedsbegrebet................................. 1 1.2 Definitioner........................................ 2 1.3 Diskret fordeling.....................................
Læs mereNina Nielsen STANDARD RAPPORT. Adaptive General Reasoning Test
Adaptive General Reasoning Test STANDARD RAPPORT Dette er en fortrolig rapport, som udelukkende må anvendes af personer med en gyldig certificering i anvendelse af værktøjet AdaptGRT fra DISCnordic. VIGTIGT
Læs mereBilag 2. Kornstørrelsesfordeling og organisk stof - Repræsentativitet DJF: Mogens H. Greve, Bjarne Hansen, Svend Elsnab Olesen, Søren B.
Bilag 2. Kornstørrelsesfordeling og organisk stof Repræsentativitet DJF: Mogens H. Greve, Bjarne Hansen, Svend Elsnab Olesen, Søren B. Torp Teksturdata fra de otte landskabselementtyper er blevet sammenholdt
Læs mereFormålet med dette notat er at danne grundlag for denne beslutning. Notatet består af følgende 4 afsnit:
Notat Vedrørende: Notat om valg mellem statsgaranti og selvbudgettering i 2017 Sagsnavn: Budget 2017-20 Sagsnummer: 00.01.00-S00-5-15 Skrevet af: Brian Hansen E-mail: brian.hansen@randers.dk Forvaltning:
Læs mere2 -test. Fordelingen er særdeles kompleks at beskrive med matematiske formler. 2 -test blev opfundet af Pearson omkring år 1900.
2 -fordeling og 2 -test Generelt om 2 -fordelingen 2 -fordelingen er en kontinuert fordeling, modsat binomialfordelingen som er en diskret fordeling. Fordelingen er særdeles kompleks at beskrive med matematiske
Læs mereDe nationale tests måleegenskaber
De nationale tests måleegenskaber September 2016 De nationale tests måleegenskaber BAGGRUND De nationale test blev indført i 2010 for at forbedre evalueringskulturen i folkeskolen. Hensigten var bl.a.
Læs mereProfilmodel 2012 Ungdomsuddannelser
Profilmodel 212 Ungdomsuddannelser En fremskrivning af hvor stor en andel af en niende klasse årgang, der forventes at få mindst en ungdomsuddannelse Profilmodel 212 er en fremskrivning af, hvordan en
Læs mereReferencelaboratoriet for måling af emissioner til luften
Referencelaboratoriet for måling af emissioner til luften Rapport nr.: 77 Titel Hvordan skal forekomsten af outliers på lugtmålinger vurderes? Undertitel - Forfatter(e) Arne Oxbøl Arbejdet udført, år 2015
Læs mereKvantitative Metoder 1 - Efterår Dagens program
Dagens program Estimation: Kapitel 9.7-9.10 Estimationsmetoder kap 9.10 Momentestimation Maximum likelihood estimation Test Hypoteser kap. 10.1 Testprocedure kap 10.2 Teststørrelsen Testsandsynlighed 1
Læs mereNaturstyrelsens tanker om grundvandsbeskyttelse over for pesticider. Funktionsleder Martin Skriver
Naturstyrelsens tanker om grundvandsbeskyttelse over for pesticider Funktionsleder Martin Skriver Eksisterende håndtag i MBL 21 b. Anvendelse af pesticider, dyrkning og gødskning til erhvervsmæssige og
Læs mereLars Andersen: Anvendelse af statistik. Notat om deskriptiv statistik, χ 2 -test og Goodness of Fit test.
Lars Andersen: Anvendelse af statistik. Notat om deskriptiv statistik, χ -test og Goodness of Fit test. Anvendelser af statistik Statistik er et levende og fascinerende emne, men at læse om det er alt
Læs mereKursusindhold: 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 mereBibDok. Guide til BibDok. En metode til at dokumentere effekt af bibliotekets indsatser
BibDok En til at dokumentere effekt af bibliotekets er Guide til BibDok BibDok understøtter en systematisk refleksiv praksis. Det er derfor væsentligt, at I følger guiden trin for trin. 1. Sammenhæng mellem
Læs mereKursusindhold: 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 mereJUSTITSMINISTERIETS FORSKNINGSKONTOR NOVEMBER 2017
JUSTITSMINISTERIETS FORSKNINGSKONTOR NOVEMBER 2017 UDVIKLINGEN I ANTAL ANMELDELSER OG I STRAFFENES ART OG LÆNGDE FOR VOLD, 2007-2016 På baggrund af Danmarks Statistiks tal vedrørende anmeldelser og strafferetlige
Læs mereStatistik vejledende læreplan og læringsmål, foråret 2015 SmartLearning
Side 1 af 6 Statistik vejledende læreplan og læringsmål, foråret 2015 SmartLearning Litteratur: Kenneth Hansen & Charlotte Koldsø: Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave,
Læs mereFordeling af midler til specialundervisning
NOTAT Fordeling af midler til specialundervisning Model for Norddjurs Kommune Søren Teglgaard Jakobsen December 2012 Købmagergade 22. 1150 København K. tlf. 444 555 00. kora@kora.dk. www.kora.dk Indholdsfortegnelse
Læs mereGennemsnit og normalfordeling illustreret med terningkast, simulering og SLUMP()
Gennemsnit og normalfordeling illustreret med terningkast, simulering og SLUMP() John Andersen, Læreruddannelsen i Aarhus, VIA Et kast med 10 terninger gav følgende udfald Fig. 1 Result of rolling 10 dices
Læs mereBilag 7 Analyse af alternative statistiske modeller til DEA Dette bilag er en kort beskrivelse af Forsyningssekretariatets valg af DEAmodellen.
Bilag 7 Analyse af alternative statistiske modeller til DEA Dette bilag er en kort beskrivelse af Forsyningssekretariatets valg af DEAmodellen. FORSYNINGSSEKRETARIATET OKTOBER 2011 INDLEDNING... 3 SDEA...
Læs mereALGORITMER OG DATA SOM BAGGRUND FOR FORUDSIGELSER 8. KLASSE. Udfordring
ALGORITMER OG DATA SOM BAGGRUND FOR FORUDSIGELSER 8. KLASSE Udfordring INDHOLDSFORTEGNELSE 1. Forløbsbeskrivelse... 3 1.1 Overordnet beskrivelse tre sammenhængende forløb... 3 1.2 Resume... 5 1.3 Rammer
Læs mereKursusindhold: 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 mere1 Statistisk inferens: Hypotese og test Nulhypotese - alternativ Teststatistik P-værdi Signifikansniveau...
Indhold 1 Statistisk inferens: Hypotese og test 2 1.1 Nulhypotese - alternativ.................................. 2 1.2 Teststatistik........................................ 3 1.3 P-værdi..........................................
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Mål for sammenhæng mellem to variable
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Mål for sammenhæng mellem to variable Estimation Stikprøve Data Population Teori relativ hyppighed parameter estimat sandsynlighed parameter
Læs mereSøren Sørensen STANDARD RAPPORT. Adaptive General Reasoning Test
Adaptive General Reasoning Test STANDARD RAPPORT Dette er en fortrolig rapport, som udelukkende må anvendes af personer med en gyldig certificering i anvendelse af værktøjet AdaptGRT fra DISCnordic. VIGTIGT
Læs mereBilag 4. Geokemiske og fysiske parametre - repræsentativitet GEUS: Vibeke Ernstsen
Bilag 4. Geokemiske og fysiske parametre - repræsentativitet GEUS: Vibeke Ernstsen I forbindelse med feltarbejdet på de udvalgte KUPA lokaliteter blev der indsamlet jordog sedimentprøver til analyse i
Læs mereKONCEPT FOR UDPEGNING AF PESTICIDFØLSOMME AREALER præsentation af projekt for sand
KONCEPT FOR UDPEGNING AF PESTICIDFØLSOMME AREALER præsentation af projekt for sand Forsker Heidi Christiansen Barlebo Danmarks og Grønlands Geologiske Undersøgelse (GEUS) ATV MØDE Rent drikkevand - kvalitet
Læs mereUNDERVISNINGSEFFEKT-MODELLEN 2006 METODE OG RESULTATER
UNDERVISNINGSEFFEKT-MODELLEN 2006 METODE OG RESULTATER Undervisningseffekten udregnes som forskellen mellem den forventede og den faktiske karakter i 9. klasses afgangsprøve. Undervisningseffekten udregnes
Læs mereByggeriets Evaluerings Center
Byggeriets Evaluerings Center Bygge Rating Notat om pointsystem til faktablade og karakterbøger for entreprenører og bygherrer Version 2015 Indholdsfortegnelse 1 Bygge Rating... 3 2 Bygge Rating for entreprenører...
Læs mereEffekter af bioforgasning på kvælstofudnyttelse og udvaskning
Effekter af bioforgasning på kvælstofudnyttelse og udvaskning Institut for Agroøkologi NATUR OG MILJØ 2015, KOLDING 20. MAJ 2015 Oversigt Bioforgasning og N udvaskning intro Eksisterende modelværktøjer
Læs merePsykisk arbejdsmiljø og stress
Psykisk arbejdsmiljø og stress - Hvilke faktorer har indflydelse på det psykiske arbejdsmiljø og medarbejdernes stress Marts 2018 Konklusion Denne analyse forsøger at afklare, hvilke faktorer der påvirker
Læs mereTOTALVÆRDI INDEKLIMA DOKUMENTATION
& TOTALVÆRDI INDEKLIMA DOKUMENTATION Til understøtning af beregningsværktøjet INDHOLDSFORTEGNELSE Introduktion 01 Beregningsværktøj - temperatur 02 Effect of Temperature on Task Performance in Office
Læs mereHvis α vælges meget lavt, bliver β meget stor. Typisk vælges α = 0.01 eller 0.05
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
Læs mereNærværende memo er organiseret først med et overblik over de fundne konklusioner og derefter en beskrivelse af de anvendte antagelser
MEMO Projekt Skibsstatistik Kunde Inter Terminals Danmark Dato 19-08-2013 Til Lis Reker Fra Julie Refsgaard Lawaetz KS (KS på tidligere notat af 12-11-2012 er udført af Tue Lehn-Schiøler) 1.1 Indledning
Læs mereNormalfordelingen og Stikprøvefordelinger
Normalfordelingen og Stikprøvefordelinger Normalfordelingen Standard Normal Fordelingen Sandsynligheder for Normalfordelingen Transformation af Normalfordelte Stok.Var. Stikprøver og Stikprøvefordelinger
Læs mereRegneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x)
Formelsamlingen 1 Regneregler for middelværdier M(a + bx) a + bm X M(X+Y) M X +M Y Spredning varians og standardafvigelse VAR(X) 1 n n i1 ( X i - M x ) 2 Y a + bx VAR(Y) VAR(a+bX) b²var(x) 2 Kovariansen
Læs mere1. Installere Logger Pro
Programmet Logger Pro er et computerprogram, der kan bruges til at opsamle og behandle data i de naturvidenskabelige fag, herunder fysik. 1. Installere Logger Pro Første gang du installerer Logger Pro
Læs mere1 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 mereTrin 1: Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
Læs mereBilag 8. Omregning af K d til K f GEUS: Jim Rasmussen
Bilag 8. Omregning af K d til K f GEUS: Jim Rasmussen Bindingen bestemt som fordelingskoefficienten K d. I forbindelse med simulering af udvaskning med MACRO modellen anvendes Freundlich funktionen til
Læs mereSamlet rapport for alle folkeskoler i Varde Kommune
3505 Samlet rapport for alle folkeskoler i Varde Kommune Introduktion Varde Kommune har i starten af gennemført en brugertilfredshedsundersøgelse blandt forældre til elever i Varde Kommunes folkeskoler
Læs mereBRUGERTILFREDSHEDSUNDERSØGELSE
BRUGERTILFREDSHEDSUNDERSØGELSE Forældre til elever i folkeskoler (inkl. specialklasser) Landsdækkende baselinemåling 2017 Antal beelser: 1.692 Svarprocent: 47,00% Landsundersøgelse 2017 Side 1 ud af 20
Læs mereMindste 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 mereBilag til pkt. 13. Oplæg til evalueringspolitik for Bornholms Vækstforum. Hvad skal evalueres? 4. juni 2012
Oplæg til evalueringspolitik for Bornholms Vækstforum 4. juni 2012 Evalueringspolitikkens formål er kort sagt at sikre bedst mulig udnyttelse af de ressourcer, der anvendes til at skabe vækst i det bornholmske
Læs mereVurdering af klima ændringens konsekvenser for udvaskning af pesticider i lerområder ved brug af en oplandsskala hydrologisk model
Vurdering af klima ændringens konsekvenser for udvaskning af pesticider i lerområder ved brug af en oplandsskala hydrologisk model 1 Peter van der Keur, 1 Annette E. Rosenbom, 2 Bo V. Iversen 1 Torben
Læs mereBilag 7. SFA-modellen
Bilag 7 SFA-modellen November 2016 Bilag 7 Konkurrence- og Forbrugerstyrelsen Forsyningssekretariatet Carl Jacobsens Vej 35 2500 Valby Tlf.: +45 41 71 50 00 E-mail: kfst@kfst.dk Online ISBN 978-87-7029-650-2
Læs mere5. Diskussion 5.1. Grundlag for zonering
5. Diskussion Gennem en systematisk dataindsamling på 24 danske undersøgelsesmarker er der indhentet et omfattende og sammenhængende datasæt, der beskriver en bred vifte af jordegenskaber, bilag 1,.samt
Læs mereResultat af Review af Arbejdsmarkedsbalancen
NOTAT 15. december 2009 Resultat af Review af Arbejdsmarkedsbalancen J.nr. Analyse og overvågning/mll Baggrund Arbejdsmarkedsstyrelsens 4. kontor indgik i foråret 2009 kontrakt med CEBR om, at foretage
Læs mereSILKEBORG KOMMUNE FORÆLDRETILFREDSHEDSUNDERSØGELSE 2018 SKOLE OG SFO
SILKEBORG KOMMUNE FORÆLDRETILFREDSHEDSUNDERSØGELSE 2018 SKOLE OG SFO 1 INDHOLD Afsnit 01 Introduktion Side 03 Afsnit 02 Sammenfatning Side 05 Afsnit 03 Skoleresultater Side 07 Afsnit 04 SFO-resultater
Læs mereCenter 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 mereDette nyhedsbrev indeholder dels en kort status på projektet: Risikoledelse, dels en række spørgsmål, hvor vi gerne vil have jeres tilbagemelding.
Nyhedsbrev, juli 2012 Den 6. juli 2012 Projektet Risikoledelse Mogens Lund Kære Niels Eghøj og Kasper Juhl Klausen, Agrovi Torben Wiborg, Jacob Frey Hansen & Joachim Gleerup Andersen, LMO Henrik Rasmussen
Læs mere1 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 mereKortlægning af retention på markniveau erfaringer fra NiCA projektet
Plantekongres, 14. januar 2015, Herning Kortlægning af retention på markniveau erfaringer fra NiCA projektet Jens Christian Refsgaard De Nationale Geologiske Undersøgelser for Danmark og Grønland (GEUS)
Læs mereØkonomisk analyse af forskellige strategier for drægtighedsundersøgelser
Økonomisk analyse af forskellige strategier for drægtighedsundersøgelser Jehan Ettema, SimHerd A/S, 28-10-15 Indholdsfortegnelse Metoden... 2 Design af scenarierne... 2 Strategier for drægtighedsundersøgelser...
Læs mereMultipel Linear Regression. Repetition Partiel F-test Modelsøgning Logistisk Regression
Multipel Linear Regression Repetition Partiel F-test Modelsøgning Logistisk Regression Test for en eller alle parametre I jagten på en god statistisk model har vi set på følgende to hypoteser og tilhørende
Læs mereSamfundsfagslærerens lille manual vol. II
Samfundsfagslærerens lille manual vol. II Hvilke beregningsopgaver bør trænes i undervisningen? Formålet her er, at danne overblik over hvilke beregningsopgaver der hører ind under daglig samfundsfagsundervisningen
Læs mereEstimation og konfidensintervaller
Statistik og Sandsynlighedsregning STAT kapitel 4.4 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Estimation og konfidensintervaller Antag X Bin(n,
Læs mereUdvaskning af pesticider fra danske golfbaner
DGA-ugen 14. november 2018 Udvaskning af pesticider fra danske golfbaner Resultater fra PESTGOLF Annette E. Rosenbom, Nora Badawi, Sachin Karan og Anne Mette D. Jensen Formål PESTGOLF At estimere skæbne
Læs mereBilag 7: Sammenhænge mellem simple jordegenskaber GEUS: Jim Rasmussen
Bilag 7: Sammenhænge mellem simple jordegenskaber GEUS: Jim Rasmussen Hensigten med dette bilag er at illustrere de vigtigste almindeligt kendte sammenhænge mellem simple jorddata, som kan eftervises med
Læs mereGPS stiller meget præcise krav til valg af målemetode
GPS stiller meget præcise krav til valg af målemetode 1 Måleteknisk er vi på flere måder i en ny og ændret situation. Det er forhold, som påvirker betydningen af valget af målemetoder. - Der er en stadig
Læs mereGeologi. Sammenhæng mellem geologi og beskyttelse i forhold til forskellige forureningstyper GRUNDVANDSSEMINAR, 29. AUGUST 2018
Geologi Sammenhæng mellem geologi og beskyttelse i forhold til forskellige forureningstyper GRUNDVANDSSEMINAR, 29. AUGUST 2018 Disposition Geologi- hvad betyder noget for grundvandsbeskyttelsen og indsatsplanlægning?
Læs mereKvantitative Metoder 1 - Efterår Dagens program
Dagens program Approksimation af binomialsandsynligheder, Afsnit 4.5 Multinomial fordeling, Afsnit 4.8 Negativ binomialfordeling, Afsnit 4.4 Poisson fordeling og Poisson process, Afsnit 4.6 Kontinuerte
Læs mere1. Indledning og sammenfatning Dansk Industri offentliggjorde den 4. september 2013 deres årlige erhvervsklimaundersøgelse.
N OTAT DI's erhvervsklimaundersøgelse 2013 - kommentarer til undersøgelsesmetode og resu l- tater. 1. Indledning og sammenfatning Dansk Industri offentliggjorde den 4. september 2013 deres årlige erhvervsklimaundersøgelse.
Læs mereBilag 2. Følsomhedsanalyse
Bilag 2 Følsomhedsanalyse FØLSOMHEDSANALYSE. En befolkningsprognose er et bedste bud her og nu på den kommende befolkningsudvikling. Det er derfor vigtigt at holde sig for øje, hvilke forudsætninger der
Læs mereKort gennemgang af Samfundsfaglig-, Naturvidenskabeligog
Kort gennemgang af Samfundsfaglig-, Naturvidenskabeligog Humanistisk metode Vejledning på Kalundborg Gymnasium & HF Samfundsfaglig metode Indenfor det samfundsvidenskabelige område arbejdes der med mange
Læs mereProfilmodel 2013 - Ungdomsuddannelser
Profilmodel 213 - Ungdomsuddannelser En fremskrivning af hvor stor en andel af en niende klasse årgang, der forventes at få mindst en ungdomsuddannelse Profilmodel 213 er en fremskrivning af, hvordan en
Læs mereFagplan for statistik, efteråret 2015
Side 1 af 7 M Fagplan for statistik, efteråret 20 Litteratur Kenneth Hansen & Charlotte Koldsø (HK): Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave, ISBN 9788741256047 HypoStat
Læs mereSkanderborg Kommunes overvejelser om udpegning af indsatsområder for pesticider. TM 50 - Temadage for indsatsplanlæggere d. 8.
Skanderborg Kommunes overvejelser om udpegning af indsatsområder for pesticider TM 50 - Temadage for indsatsplanlæggere d. 8. oktober 2014 Overvejelser om udpegning af indsatsområder for pesticider Hvorfor
Læs mereStatistik FSV 4. semester 2014 Øvelser Uge 2: 11. februar
Århus 6. februar 2014 Morten Frydenberg Statistik FSV 4. semester 2014 Øvelser Uge 2: 11. februar Til disse øvelser har I brug for fishoil1.dta, der indeholder data fra det fiskeolie forsøg vi så på ved
Læs mereBrugertilfredshedsundersøgelse
sundersøgelse Hjemmepleje Fredericia Kommune Fredericia 2012 beelser: 1.229 Svarprocent: 80,01% Side 1 ud af 18 sider Introduktion Fredericia kommune har i 2012 gennemført en brugertilfredshedsundersøgelse
Læs mereBayesiansk statistik. Tom Engsted. DSS Aarhus, 28 november 2017
Bayesiansk statistik Tom Engsted DSS Aarhus, 28 november 2017 1 Figure 1: Nicolajs gur 2 Klassisk frekvensbaseret statistik Statistisk beslutningsteori Bayesiansk statistik Et kompromis mellem den klassiske
Læs mereVelkomst og introduktion til NiCA
NiCA seminar, 9. oktober 2014, AU Velkomst og introduktion til NiCA Jens Christian Refsgaard Professor, leder af NiCA De Nationale Geologiske Undersøgelser for Danmark og Grønland (GEUS) Formål og program
Læs mereSusanne Ditlevsen Institut for Matematiske Fag susanne
Statistik og Sandsynlighedsregning 1 STAT kapitel 4.4 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne 7. undervisningsuge, mandag 1 Estimation og konfidensintervaller
Læs mereØkonometri 1. Inferens i den lineære regressionsmodel 25. september Økonometri 1: F6 1
Økonometri 1 Inferens i den lineære regressionsmodel 25. september 2006 Økonometri 1: F6 1 Oversigt: De næste forelæsninger Statistisk inferens: hvorledes man med udgangspunkt i en statistisk model kan
Læs mereKapitel 12 Variansanalyse
Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 / 43 Indledning Sammenligning af middelværdien i to grupper indenfor en stikprøve kan
Læs mereFastlæggelse af beskyttelsesbehov pesticider
Fastlæggelse af beskyttelsesbehov pesticider Overvismand Hans Jørgen Whitta- Jacobsen, 26. februar 2015: Hvis vi skal holde fast i muligheden for, at vi kan drikke urenset grundvand, er det nødvendigt
Læs mereNaturstyrelsens Referencelaboratorium for Kemiske Miljømålinger NOTAT
Naturstyrelsens Referencelaboratorium for Kemiske Miljømålinger NOTAT Til: Brugere af Bekendtgørelse om kvalitetskrav til miljømålinger udført af akkrediterede laboratorier, certificerede personer mv.
Læs mereBaggrundsnotat: Søskendes uddannelsesvalg og indkomst
17. december 2013 Baggrundsnotat: Søskendes uddannelsesvalg og indkomst Dette notat redegør for den økonometriske analyse af indkomstforskelle mellem personer med forskellige lange videregående uddannelser
Læs mereNOTAT. 1. Følsomhedsanalyse
NOTAT Projekt Grundvandsmodel for Hjørring Kommune Kunde Hjørring Kommune og Hjørring Vandselskab Notat nr. 01 Dato 2011-06-21 Til Fra Lene Milwertz, Jens Chr. Ravn Roesen, Denni Lund Jørgensen Bianca
Læs mereProdukt 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 mereBRUGERTILFREDSHEDSUNDERSØGELSE
BRUGERTILFREDSHEDSUNDERSØGELSE Haderslev Kommune Antal beelser: 321 Svarprocent: 67,58% Haderslev 2013 Side 1 ud af 16 sider Introduktion Haderslev kommune har i 2013 gennemført en brugertilfredshedsundersøgelse
Læs mere