Bilag 1 Beskrivelse af anvendte indeks og korrektioner for klimatiske variationer
|
|
- Claus Kvist
- 6 år siden
- Visninger:
Transkript
1 Bilag 1 Beskrivelse af anvendte indeks og korrektioner for klimatiske variationer Næringsstofkoncentrationer Tresidet variansanalyse for stations-, måneds- og årsvariation Koncentrationer af næringsstoffer blev analyseret ved hjælp af en tresidet variansanalyse. Alle koncentrationer er før analysen blevet logaritmisk transformeret af følgende årsager: 1. De tre faktorer forventes at have en multiplikativ effekt på koncentrationerne af næringssalte og klorofyl. Ved logaritmisk transformation bliver den multiplikative model til en additiv model. 2. Store koncentrationer har større variationer end små koncentrationer. Ved logaritmisk transformering opnås varianshomogenitet. 3. Residualerne fra en variansanalyse uden transformation vil have en højreskæv fordeling. Ved logaritmisk transformation bliver residualerne fra variansanalysen tilnærmelsesvis normalfordelte. De logaritmisk transformerede koncentrationer deles op i variationer, som kan tilskrives stationsafhængighed (STATION), sæsonvariation (MÅNED) og år til år variation (ÅR). Der er kun medtaget hovedeffekter i modellen, dvs. ingen krydseffekter. log(c) = STATION i +ÅR j +MÅNED k +e ijk hvor e ijk N(,σ 2 ) Hovedeffekterne, som estimeres ved hjælp af modellen, har følgende fortolkning: STATION i er middelniveauet for de enkelte stationer, når der er taget højde for år til år variationen og sæsonvariationen. ÅR j er middelniveauet for de enkelte år som indgår i analysen, når der er taget højde for den stationsafhængige variation og sæsonvariationen. MÅNED k er middelniveauet for årets 12 måneder, når der er taget højde for den stationsafhængige variation og år til år variationen. Hovedvariationerne er signifikante for alle næringssalte og klorofyl. Efterfølgende er residualerne fra variansanalysen afbildet i histogrammet hvilket har vist, at residualerne tilnærmelsesvist er normalfordelte. Efterfølgende er de estimerede hovedeffekter transformeret tilbage vha. exponential funktionen. Hvis α er middelværdien og β 2 er variansen på de estimerede hovedeffekter af de log-transformerede data, bliver middelværdien µ for de utransformerede data = e Et approximativt 95% konfidensinterval for de utransformerede data fås som [eα -2* β; eα +2* β] Eksempelvis estimeres af variansanalysen, at middelniveauet for log(din) i 1999 var normalfordelt N(2,1;,228), hvilket ved transformationen ovenfor giver, at middelniveauet for DIN er 8,17 µmol l -1 med et 95% konfidensinterval på [7,8;8,55]. Bilag 1 side 1
2 Korrektioner for klimatiske variationer Ferskvandsafstrømningen er den vigtigste klimatiske faktor som påvirker næringsstofkoncentrationerne, og afstrømningen blev derfor anvendt til at korrigere for klimatiske variationer. I fjorde og kystnære områder var relationerne imellem årsmidlerne for DIN og TN forholdsvis dårlige (r 2 =.49 for DIN og r 2 =.32 for TN. Det viser sig imidlertid at disse dårlige forklaringsgrader skyldes årene Relationen mellem afstrømning og middelkoncentrationerne af DIN og TN på basis af årene var særdeles gode (Figur 1), hvilket er forventeligt, idet størstedelen af kvælstoftilførslen stammer fra diffuse kilder og dermed afstrømningen. For DIP og TP blev årene udeladt af samme årsag som for kvælstof sammen med årene hvor punktkildebidraget var relativt stort. I de åbne farvande var relationerne mellem årsmidler af næringsstofferne og afstrømning dårlige hvis alle år indgik (DIN:r 2 =.13, TN: r 2 =.35, DIP: r 2 =.6 og TP: r 2 =.4). Da næringsstofkoncentrationerne i fjorde og kystnære områder havde et meget karakteristisk skift i forhold til afstrømningen efter 1997, blev de samme kriterier for valg af data til bestemmelse af relationer benyttet for åbne farvande (DIN, TN: ; DIP,TP: ). For DIN og TN gav dette statistisk signifikante sammenhænge med afstrømningen, og for DIP og TP blev relationerne forbedret om end ikke statistisk signifikante (Figur 2) y =.78x R 2 = y =.181x R 2 =.93 DIN (µg/l) TN (µg/l) Afstrømning (1 6 m 3 ) Afstrømning (1 6 m 3 ) y =.2x R 2 = y =.8x R 2 = DIP (µg/l) TP (µg/l) Afstrømning (1 6 m 3 ) Afstrømning (1 6 m 3 ) Figur 1 Årsmiddelkoncentrationer for DIN, TN, DIP og TP i fjorde og kystnære områder mod afstrømning. Årene 1998, 1999 og 2 er markeret med firkanter i alle og for DIP og TP er årene 1989, 199 og 1991 markeret med trekanter. Bilag 1 side 2
3 y =.9x R 2 = y =.63x R 2 =.7531 DIN (µg/l) 15 TN (µg/l) Afstrømning (1 6 m 3 ) Afstrømning (1 6 m 3 ) 12 1 y = 4E-5x R 2 = y =.4x R 2 =.2328 DIP (µg/l) TP (µg/l) Afstrømning (1 6 m 3 ) Afstrømning (1 6 m 3 ) Figur 2 Årsmiddelkoncentrationer for DIN, TN, DIP og TP i åbne havområder mod afstrømning. Årene 1998, 1999 og 2 er markeret med firkanter og for DIP og TP er årene 1989, 199 og 1991 markeret med trekanter. Plankton Beregning af observerede indeks I alle beregninger er fjorde og åbne havområder behandlet hver for sig. Fjorde er alle stationer som har en fjordkode i MADS. Alle øvrige stationer er betragtet som tilhørende åbne havområder. I analyserne blev alle stationer med data fra minimum fem år og mindst fem prøvetagninger om året inkluderet. Ringkøbing Fjord blev udeladt af analysen af kiselalgebiomasse da der skete markante ændringer i den biologiske struktur i fjorden som følge af den ændrede slusepraksis midt i 199erne. Alle beregninger er udført på tidsvægtede middelværdier over de måneder som er angivet i tabel 1. For hver station er der beregnet en global middel for alle år og en middelværdi for hvert enkelt år. En indeksværdi for det enkelte år er derefter beregnet som: Indeks (år,station) = middelværdi (år,station)*1/global middel (station) (lign. 1) Derefter er der beregnet en national indeksværdi for året som middelværdien af indekset på alle stationer det pågældende år. Dette er det observerede indeks for den pågældende parameter for henholdsvis fjorde og åbne havområder. Metoder er i princippet en normalisering af værdierne til middelværdien på den pågældende station. Dette sikre at alle stationer bidrager med samme vægt til det nationale indeks, uanset deres numeriske værdi og uanset antallet af observationer det pågældende år. Bilag 1 side 3
4 Beregning af klimakorrigerede indeks De observerede indeks indgår nu som den afhængige variable en multiple lineær regressionsmodel hvor forklaringsvariable (uafhængige variable) potentielt er værdier for afstrømning, middel vindhastighed, lufttemperatur og solindstråling: Indeks (år) = intercept + k 1 *afstrømningsindeks samme år + k 2 *afstrøningsindeks året før + k 3 *vindindeks + k 4 *temperaturindeks + k 5 *indstrålingsindeks (lign. 2) Indeks for de pågældende parametre er beregnet på samme måde som beskrevet ovenfor. I regressionsmodellen for kiselalgebiomasse er overfladevandets (-1 m) temperatur inkluderet i analysen, og for afstrømning er absolutte værdier (ikke indeks) benyttet. Indeks for vind, temperatur og indstråling er altid beregnet for de samme måneder som den afhængige parametre (se tabel 1), mens indeks for afstrømning kan være forskudt i forhold til perioden for den pågældende parametre og både indgår med værdien for de pågældende år og året før. Argumentet for denne metode er at der er en tidsforsinkelse før en afstrømningshændelse påvirker det biologisk system i havet, hvorimod klimaets påvirkning er uden tidsforsinkelse og formodentlig også har en mindre hukommelse end det som gælder for afstrømningen. Værdier for r 2, intercept og koefficienter med standardafvigelse og p-værdi er givet i tabel 1. Den optimale model er funder ved en trinvis (stepwise) metode hvor kun parametre som bidrager signifikant til modellen, medtages (SAS). Som p-værdi for signifikans er anvendt,15, hvilket er standard for den type beregninger. I praksis er alle medtagne uafhængige parametre signifikante på 5%-niveau, undtagen i et tilfælde (tabel 1). Justering af antal år som indgår Som udgangspunkt er modellen anvendt på årene 1992 til 2. Dette er gjort fordi man for mange parametre har et markant skift i sammenhængen med klima omkring 1992, især for fjordenes vedkommende. Dette må skyldes reduktionen i fosfortilførslerne fra punktkilder som fandt sted fra slutningen af 198erne til begyndelsen af 199erne. Efterfølgende er perioden justeret for hver enkelt parameter således at flest mulige år medtages, men uden at årene i starten af perioden afviger markant fra resten. For eksempel er 1992 og 1993 udeladt af modellen for sigtdybde i fjorde idet disse punkter afviger markant fra sammenhængen fra 1994 og frem. Omvendt er 1991 medtaget for primærproduktion i fjordene da det passer med sammenhængen fra 1992 og frem. Resultatet er at for fjordene er perioden anvendt for primærproduktion, for klorofylkoncentrationen og for sigtdybde. Dette kan tolkes som at primærproduktionen er den parameter, som hurtigst reagerer på de ændrede fosfortilførsler. Med nogle års forsinkelse reagerer så klorofylniveauet og derefter sigtdybden, som afhænger af det samlede indhold af planteplankton, detritus og opløst organisk stof i vand. I havet indgår observationer tilbage til mellem 1987 og Observationer længere tilbage afviger tydeligt for den sammenhæng der er fundet efter 1987 til Det er uvist om det skyldes ændringer i tilførsel, ændringer i det biologisk system eller forskelle i prøvetagningen, som blev ændret markant i For primærproduktion i havet er årene 1998 til 2 udeladt idet de afviger meget markant fra resten. Dette kan skyldes ændringer i prøvetagningen da antallet af stationer har været reduceret meget kraftigt siden Justering af periode af året hvor parametrene er beregnet Der er justeret på den periode af året som indekset er beregnet på, således at man får den bedst mulige sammenhæng til klima. For fjordene betyder det at sigtdybde er beregnet for marts til oktober, klorofyl for april til september og primproduktionen for hele året. For de åbne havområder er sigtdybde beregnet for marts til oktober, mens klorofyl og primærproduktion er beregnet for hele året. Generelt betyder en måned fra eller til kun små ændringer for de fundne sammenhæng. Det er især afstrømningsperiode og tidsforskydning som påvirker de fundne koefficienter og modellens forklaringskraft. Det er således forventeligt at sammenhængen for fjordene er hurtigere og skal findes om sommeren, hvor det biologisk system er mest aktivt, mens sammenhængene for de åbne havområder er bedst, når man regner på hele året for klorofyl og primærproduktion. Bilag 1 side 4
5 Beregning af indeks Når den bedste model er fundet beregnes afvigelsen mellem den observerede værdi og modellens værdi for hele perioden. klimakorrigeret indeks = observeret værdi model værdi + 1 (lign. 3) Denne værdi er et mål for den tidsmæssige udvikling korrigeret for klimavariationer fra år til år. Tabel 1 Statistik for klimakorrektion af planktondata. koefficient ± standardafvigelse P-værdi måneder Sigtdybde, fjorde intercept: 168,7 r 2 :,97 år: 94- afstrømning -,242 ±,22,4 3-1 indstråling -,34 ±,77, Klorofyl, fjorde intercept: -77,6 r 2 :,96 år: 93- afstrømning +,444 ±,68, indstråling +,857 ±,113,6 4-9 Primærproduktion, fjorde intercept: 211,9 r 2 :,99 år: 9- afstrømning +,172 ±,512, vind - 2,123 ±,145 <, indstråling -,474 ±,2242, temperatur + 1,237 ±,1122, Sigtdybde, hav intercept: 18,77 r 2 :,94 år: 89- afstrømning -,32 ±,38 <,1 1-1 afstrømning året før +,18 ±,335, temperatur -,34 ±,1222, vind +,49 ±,121, Klorofyl, hav intercept: r 2 :,82 år: 87- afstrømning +,364 ±,83, vind -,74 ±,244, temperatur -,881 ±,168, Primærproduktion, hav intercept: 18,16 r 2 :,85 år: afstrømning +,518 ±,137, vind - 2,145 ±,626 <, temperatur +,638 ±,357, Kiselalgebiomasse, fjorde intercept: 67,72 r 2 :,38 år: 86- overfladetemperatur - 58,87 ± 2,69, Kiselalgebiomasse, hav intercept: -57,62 r 2 :,27 år: 79- afstrømning,18 ±,7, Bilag 1 side 5
6 Bundvegetation Vegetationsparametrene er indekseret i forhold til de gennemsnitlige værdier for perioden i de enkelte fjord-/kystområder. Middelværdien i perioden er sat til 1%, og niveauet de enkelte år er beskrevet som procent af middelværdien. Analyserne inkluderer kun fjord-/kystområder med data fra mindst 5 år. Ålegræssets dækningsgrad er arcsin-transformeret for at tilnærme en normalfordeling af data. Tidsserier af indeks for enkelt områder og landsgennemsnittet af disse indeks er analyseret for statistiske udviklingstendenser ved hjælp af Kendall-korrelationer. Fordelingen mellem positive og negative Kendall-tau-værdier er efterfølgende analyseret ved en fortegnstest for at vurdere, om der på landsplan er positive eller negative udviklingstendenser. Klimadata er beregnet som landsgennemsnit og indekseret i forhold til middelværdien i perioden efter samme metode som vegetationsindeksene. Sammenhænge mellem klimadata og vegetationsparametre er analyseret ved hjælp af Kendall-korrelationer. En klimakorrigeret vegetationsparameter er residualer fra sammenhængen mellem vegetations- og klimaparameteren. Udviklingen i residulaerne gennem overvågningsperioden beskriver dermed udviklingen i vegetationen, efter der er taget højde for forskelle i klimaparameteren mellem årene. Bundfauna Det er tidligere blevet vist at der, med en tidsforskydning på et eller to år, ofte er en positiv korrelation mellem afstrømning og bundfaunaens tæthed og biomasse (Josefson et al. 1993, Hansen et al. 2). Denne kobling skyldes sandsynligvis det forhold at afstrømning påvirker tilgængelighed af næringsstoffer i havet (Hansen et al. 2) og dermed primærproduktion, der sedimenterer til bunden hvor den udnyttes som føde af den fødebegrænsede bundfauna. En stor del af næringsstofferne tilføres havet i vinterhalvåret hvorefter de omsættes under forårsopblomstringen som for en stor del sedimenterer til bunden. Denne stærke kobling mellem det pelagiske og benthiske system i forårsperioden står i modsætning til forholdene på andre tidspunkter af året hvor en større del af næringsstofferne recirkuleres i det pelagiske system. Det har således vist sig at man opnår en bedre korrelation mellem bundfaunavariable og vinterafstrømningen end med den samlede årlige afstrømning. Derfor har vi valgt at bruge vinterværdier, defineret som værdier for de 5 måneder fra december til april, som mål for de klimatiske parametre, både for afstrømning og for NAOindeks. Korrektionen for klima blev foretaget på DMU s og SNS s bundfaunadata fra de indre danske farvande, i alt 22 stationer, og alle målinger fra perioden En en-vejs variansanalyse blev foretaget med stationstilhørighed som fikseret variabel og med klimafaktor som covariate (Tabel 2). Den tilbageværende variation (residualvariationen), når den del af variationen der kunne forklares af stationsforskelle og af variation af klima (NAO og afstrømning) blev trukket fra, blev derefter analyseret for eventuel tidsmæssig udvikling. Den tidsmæssige udvikling i residualerne er udtryk for ændringer der ikke kan tilskrive de nævnte klimavariable, men derimod forhold som fx ændrede koncentrationer af næringsstoffer i tilførslen. Analysen blev foretaget på individtæthed og biomasse (vådvægt) fra 3 kombinationer af stationer og prøvetagningstidspunkter som hver for sig er rimeligt godt balanceret med hensyn til observationer: 3 stationer over 2 år (198-2), 7 stationer over 11 år (1989-2) og 22 stationer over 7 år (1994-2). Det første trin i analysen var at undersøge om der var en signifikant effekt af henholdsvis NAO og afstrømning. Månedsmiddelværdier for vinter blev korreleret til faunavariable med forskellige tidsmellemrum, 1, 2 og 3 år. Den stærkeste positive korrelation med afstrømning fandtes for 1 års mellemrum, men der var også korrelation for og 2 års tidsforsinkelse. For NAO-indeks fandtes den stærkeste korrelation når faunavariablen blev sammenlignet med NAO-indekset 2 år tidligere. Den tidsforsinkelse som gav den stærkeste korrelation, varierede fra station til station, og derfor blev middelværdier for vintermånederne (december april) samlet for, 1 og 2 år tidsforsinkelse brugt som forklarende variabel. Det vil sige at bundfaunadataene blev forholdt til de 3 forudgående års vinterafstrømning. NAO-indeks og afstrømning var signifikant positivt korrelerede i perioden og meget stærkt korrelerede i de sidste 1 år Bilag 1 side 6
7 Tabel 2 Resultat af envejs ANOVA med henholdsvis afstrømning og NAO-indeks som covariate på bundfauna i de indre danske farvande i perioden Covariaten er middelværdier for 3 vinterperioder forud for prøvetagningen af bundfauna. F = F-værdi, P = sandsynlighed for ingen effekt. Periode/ Log Variabel år Stn Stn Afstrøm. NAO r 2 for F P F P F P model Tot. tæthed 79-2/22 3 5,63,6 11,5,2,28 Tot. tæthed 79-2/22 3 5,61,6 4,78,33,21 Tot. biomasse VV 79-2/22 3 6,57,3 2,25,14,22 Tot. biomasse VV 79-2/22 3 6,39,3 2,96,91,23 Tot. tæthed 89-2/12 7 8,59, 23,18,,5 Tot. tæthed 89-2/12 7 8,53, 23,91,,5 Tot. biomasse VV 89-2/12 7 9,72, 2,26,137,45 Tot. biomasse VV 89-2/12 7 9,53, 1,27,264,44 Tot. tæthed 94-2/7 22 4,63, 36,62,,51 Tot. tæthed 94-2/7 22 4,78, 42,13,,53 Tot. biomasse VV 94-2/7 22 4,76, 8,19,5,46 Tot. biomasse VV 94-2/7 22 4,84, 1,39,2,47 Polych. tæthed 79-2/22 3 2,88, 5,14,27,45 Polych. tæthed 79-2/ ,13, 11,92,1,51 Polych. VV 79-2/22 3 8,44,1,536,467,24 Polych. VV 79-2/22 3 8,58,1,8,374,24 Polych. tæthed 89-2/12 7 8,66, 26,79,,52 Polych. tæthed 89-2/12 7 8,95, 27,76,,52 Polych. VV 89-2/12 7 5,18, 2,56,114,31 Polych. VV 89-2/12 7 5,,,8,774,29 Polych. tæthed 94-2/7 22 4,96, 47,95,,54 Polych. tæthed 94-2/7 22 5,6, 5,89,,55 Polych. VV 94-2/7 22 5,93, 5,16,25,5 Polych. VV 94-2/7 22 6,1, 8,68,4,52 Mollus. tæthed 79-2/22 3 4,64,14,7,936,14 Mollus. tæthed 79-2/22 3 5,41,7 3,25,77,19 Mollus. VV 79-2/22 3,55,579,26,612,2 Mollus. VV 79-2/22 3,53,59,5,82,2 Mollus. tæthed 89-2/ ,98, 4,87,3,58 Mollus. tæthed 89-2/ ,6, 5,94,17,58 Mollus. VV 89-2/12 7 5,42, 2,23,14,32 Mollus. VV 89-2/12 7 5,37, 1,72,194,32 Mollus. tæthed 94-2/7 22 8,43, 8,64,4,59 Mollus. tæthed 94-2/7 22 8,47, 9,5,3,59 Mollus. VV 94-2/7 22 5,6, 7,11,9,49 Mollus. VV 94-2/7 22 5,62, 8,2,5,5 Echin. tæthed 79-2/22 3 2,5,139,59,445,8 Echin. tæthed 79-2/22 3 2,2,143,46,5,8 Echin. VV 79-2/22 3 9,87,,45,57,27 Echin. VV 79-2/22 3 9,73,,37,546,27 Echin. tæthed 89-2/ ,53, 2,82,97,67 Echin. tæthed 89-2/ ,6, 1,6,2,7 Echin. VV 89-2/12 7 4,36,1 1,87,175,27 Echin. VV 89-2/12 7 4,18,1,29,592,26 Echin. tæthed 94-2/7 22 2,, 5,45,21,77 Echin. tæthed 94-2/ ,3, 11,75,1,78 Echin. VV 94-2/7 22 8,42,,28,6,59 Echin. VV 94-2/7 22 8,45,,57,451,59 Crustac. tæthed 79-2/22 3 1,66,2 7,22,1,17 Crustac. tæthed 79-2/22 3 1,58,217,3,864,6 Crustac. tæthed 89-2/12 7 1,27,285 1,9,172,12 Crustac. tæthed 89-2/12 7 1,29,274 2,36,129,12 Crustac. tæthed 94-2/7 22 3,81,,286,594,4 Crustac. tæthed 94-2/7 22 3,84, 1,84,177,41 Bilag 1 side 7
Bilag 1 Beskrivelse af anvendte indeks og korrektioner for klimatiske variationer
Bilag 1 Beskrivelse af anvendte indeks og korrektioner for klimatiske variationer Næringsstofkoncentrationer Tresidet variansanalyse for stations-, måneds- og årsvariation Koncentrationer af næringsstoffer
Læs mere)DJOLJ UDSSRUW IUD '08 QU 129$1$ 0DULQH RPUnGHU 7LOVWDQG RJ XGYLNOLQJ L PLOM RJ QDWXUNYDOLWHWHQ *XQQL UWHEMHUJ UHG %LODJ Bilag-1
)DJOLJUDSSRUWIUD'08QU 129$1$ 0DULQHRPUnGHU 7LOVWDQGRJXGYLNOLQJLPLOM RJQDWXUNYDOLWHWHQ *XQQL UWHEMHUJUHG %LODJ Bilag-1 %LODJ %HVNULYHOVHDIDQYHQGWHLQGHNVRJNRUUHNWLRQHUIRU NOLPDWLVNHYDULDWLRQHU 1 ULQJVVWRINRQFHQWUDWLRQHUNORURI\ORJVLJWG\EGH
Læs mereBilag til. Marine områder Miljøtilstand og udvikling
Bilag til Marine områder - Miljøtilstand og udvikling Bilag 1 Beskrivelse af anvendte indeks og korrektioner for klimatiske variationer, næringsstofkoncentrationer Tresidet variansanalyse for stations-,
Læs mereDanmarks Miljøundersøgelser Miljøministeriet. Marine områder 2004 Tilstand og udvikling i miljø- og naturkvaliteten
Danmarks Miljøundersøgelser Miljøministeriet NOVANA Bilag Marine områder Tilstand og udvikling i miljø- og naturkvaliteten Faglig rapport fra DMU, nr. 551 2005 Gunni Ærtebjerg, m.fl. Bilag 1 Bilag 2 Beskrivelse
Læs mereBilag 2. Marine områder Miljøtilstand og udvikling. Faglig rapport fra DMU, nr Danmarks Miljøundersøgelser Miljøministeriet
Danmarks Miljøundersøgelser Miljøministeriet NOVA-2003 Bilag Marine områder 2003 - Miljøtilstand og udvikling Faglig rapport fra DMU, nr. 513 2004 Bilag 1 Bilag 2 Beskrivelse af anvendte indeks, korrektioner
Læs mereEksamen i Statistik for biokemikere. Blok
Eksamen i Statistik for biokemikere. Blok 2 2007. Vejledende besvarelse 22-01-2007, Niels Richard Hansen Bemærkning: Flere steder er der givet en argumentation (f.eks. baseret på konfidensintervaller)
Læs mereEksempel 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 mereAnvendt 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 mereEpidemiologi 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 mereNormalfordelingen. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ
Normalfordelingen Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: f(x) = ( ) 1 exp (x µ)2 2πσ 2 σ 2 Frekvensen af observationer i intervallet
Læs mereAnvendt 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 mereStatistisk analyse af næringsstoffers stabilitet
Statistisk analyse af næringsstoffers stabilitet Notat fra DCE Nationalt Center for Miljø og Energi Dato: 4. august 216 Jacob Carstensen Institut for Bioscience Rekvirent: Naturstyrelsen Antal sider: 21
Læs mereOversigt. 1 Gennemgående eksempel: Højde og vægt. 2 Korrelation. 3 Regressionsanalyse (kap 11) 4 Mindste kvadraters metode
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Oversigt 1 Gennemgående eksempel: Højde og vægt 2 Korrelation 3 Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse
Læs mereNæringsstoffer 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 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 mereKapitel 12 Variansanalyse
Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 Indledning 2 Ensidet variansanalyse 3 Blokforsøg 4 Vekselvirkning 1 Indledning 2 Ensidet
Læs mereAnvendt 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 mereModel. k = 3 grupper: hvor ǫ ij uafhængige og normalfordelte med middelværdi nul og varians σi 2, i = 1,2,3.
Model Program (8.15-10): 1. ensidet variansanalyse. 2. forsøgsplanlægning: blocking. Bruger nu to indices: i = 1,...,k for gruppenr. og j = 1,...,n i for observation indenfor gruppe. k = 3 grupper: µ 1
Læs mereForelæsning 11: Kapitel 11: Regressionsanalyse
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereEpidemiologi 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 mereProgram: 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 merePræcisering 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 meremen 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 mere1 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 mereMuligheder: NB: test for µ 1 = µ 2 i model med blocking ækvivalent med parret t-test! Ide: anskue β j som stikprøve fra normalfordeling.
Eksempel: dæktyper og brændstofforbrug (opgave 25 side 319) Program: cars 1 2 3 4 5... radial 4.2 4.7 6.6 7.0 6.7... belt 4.1 4.9 6.2 6.9 6.8... Muligheder: 1. vi starter med at gennemgå opgave 7 side
Læs mereProgram. 1. ensidet variansanalyse. 2. forsøgsplanlægning: blocking. 1/12
Program 1. ensidet variansanalyse. 2. forsøgsplanlægning: blocking. 1/12 Ensidet variansanalyse: analyse af grupperede data Nedbrydningsrate for tre typer af opløsningsmidler (opgave 13.8 side 523) Sorption
Læs mere12. 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 mereSynopsis til eksamen i Statistik
Synopsis til eksamen i Statistik Kandidatuddannelsen i Folkesundhedsvidenskab Københavns Universitet december 2010 Eksamensnummer: 12 Antal anslag: 23.839 (svarende til 9,9 normalsider) - 1 - Indholdsfortegnelse
Læs mereProgram. Residualanalyse Flersidet variansanalyse. Opgave BK.15. Modelkontrol: residualplot
Program Residualanalyse Flersidet variansanalyse Helle Sørensen Modelkontrol (residualanalyse) i tosidet ANOVA med vekselvirkning. Test og konklusion i tosidet ANOVA (repetition) Tresidet ANOVA: the works
Læs mereNotat. Beregning af reduktionsmål for Limfjorden. Projekt: 3132, Konsulentydelser Miljø Side 1 af 6. Indledning
Notat Beregning af reduktionsmål for Limfjorden Dansk Landbrugsrådgivning Landscentret Plan & Miljø Ansvarlig Flemming Gertz Oprettet 02-11-2007 Projekt: 3132, Konsulentydelser Miljø Side 1 af 6 Indledning
Læs mereKontrolstatistik dokumentation Vandkemi
Kontrolstatistik dokumentation Vandkemi Version: 1 Sidst revideret: januar 2013 Emne: vandkemi (vandløb, sø, marin) Dato: Jan. 2013 Filer: Periode: Kørsel af program: Input data: Aggregeringsniveau: (Navn
Læs meregrupper(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 mereStatistik Lektion 4. Variansanalyse Modelkontrol
Statistik Lektion 4 Variansanalyse Modelkontrol Eksempel Spørgsmål: Er der sammenhæng mellem udetemperaturen og forbruget af gas? Y : Forbrug af gas (gas) X : Udetemperatur (temp) Scatterplot SPSS: Estimerede
Læs mereReeksamen i Statistik for biokemikere. Blok
Københavns Universitet Det Naturvidenskabelige Fakultet Reeksamen i Statistik for biokemikere. Blok 2 2007-2008. 3 timers skriftlig prøve. Alle hjælpemidler - også blyant - er tilladt. Opgavesættet er
Læs mereEksamen i Statistik og skalavalidering
Eksamen i Statistik og skalavalidering 2009-studieordning Til aflevering d. 22. december 2010 Efterårssemestret 2010, Kandidatuddannelsen i Folkesundhedsvidenskab Opgaven er udarbejdet af: Eksamensnummer
Læs mereModelkontrol i Faktor Modeller
Modelkontrol i Faktor Modeller Julie Lyng Forman Københavns Universitet Afdeling for Anvendt Matematik og Statistik Statistik for Biokemikere 2003 For at konklusionerne på en ensidet, flersidet eller hierarkisk
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 mere13.1 Substrat Polynomiel regression Biomasse Kreatinin Læsefærdighed Protein og højde...
Forskningsenheden for Statistik ST01: Elementær Statistik Bent Jørgensen Modul 13: Exercises 13.1 Substrat........................................ 1 13.2 Polynomiel regression................................
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 mereØkonometri 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 mere3.600 kg og den gennemsnitlige fødselsvægt kg i stikprøven.
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 1, onsdag den 6. september 2006 Eksempel: Sammenhæng mellem moderens alder og fødselsvægt I dag: Introduktion til statistik gennem analyse af en stikprøve
Læs mereKursus Introduktion til Statistik. Forelæsning 13: Summary. Per Bruun Brockhoff
Kursus 02402 Introduktion til Statistik Forelæsning 13: Summary Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
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 mereAnvendt 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 merefor drikkevandsselskaberne
OPEXnetvolumenmål for drikkevandsselskaberne Teknisk beregning af omkostningsækvivalenter til brug for OPEX-del af benchmarkingmodellen for 2019 og frem November 2017 OPEX-netvolumenmål for drikkevandsselskaberne
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 mereSammenfatning. 6.1 Udledninger til vandmiljøet
Sammenfatning Svendsen, L.M., Bijl, L.v.b., Boutrup, S., Iversen, T.M., Ellermann, T., Hovmand, M.F., Bøgestrand, J., Grant, R., Hansen, J., Jensen, J.P., Stockmarr, J. & Laursen, K.D. (2000): Vandmiljø
Læs mereTema. Dagens tema: Indfør centrale statistiske begreber.
Tema Dagens tema: Indfør centrale statistiske begreber. Model og modelkontrol Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse. konfidensintervaller Vi tager udgangspunkt i Ex. 3.1 i
Læs merefor drikkevandsselskaberne
OPEXnetvolumenmål for drikkevandsselskaberne Teknisk beregning af omkostningsækvivalenter til brug for OPEX-del af benchmarkingmodellen for 2019 og frem Januar 2018 OPEX-netvolumenmål for drikkevandsselskaberne
Læs mereLøsning til eksamensopgaven i Basal Biostatistik (J.nr.: 1050/06)
Afdeling for Biostatistik Bo Martin Bibby 23. november 2006 Løsning til eksamensopgaven i Basal Biostatistik (J.nr.: 1050/06) Vi betragter 4699 personer fra Framingham-studiet. Der er oplysninger om follow-up
Læs mere6. SEMESTER Epidemiologi og Biostatistik Opgaver til Uge 1 (fredag)
Institut for Folkesundhed Afdeling for Biostatistik Afdeling for Epidemiologi. SEMESTER Epidemiologi og Biostatistik Opgaver til Uge 1 (fredag) Opgave 1 Udgangspunktet for de følgende spørgsmål er artiklen:
Læs mereUdvikling i udvalgte parametre i marine områder. Udvikling i transport af nitrat på målestationer
Udvikling i udvalgte parametre i marine områder. Udvikling i transport af nitrat på målestationer Notat fra DCE - Nationalt Center for Miljø og Energi Dato: 7. december 2017 Poul Nordemann Jensen DCE -
Læs mereModule 12: Mere om variansanalyse
Module 12: Mere om variansanalyse 12.1 Parreded observationer.................. 1 12.2 Faktor med 2 niveauer (0-1 variabel)......... 3 12.3 Tosidig variansanalyse med tilfældig virkning..... 9 12.3.1 Uafhængighedsbetragtninger..........
Læs mereEksamen ved. Københavns Universitet i. Kvantitative forskningsmetoder. Det Samfundsvidenskabelige Fakultet
Eksamen ved Københavns Universitet i Kvantitative forskningsmetoder Det Samfundsvidenskabelige Fakultet 14. december 2011 Eksamensnummer: 5 14. december 2011 Side 1 af 6 1) Af boxplottet kan man aflæse,
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 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 mereVejledende besvarelse af eksamen i Statistik for biokemikere, blok
Opgave 1 Vejledende besvarelse af eksamen i Statistik for biokemikere, blok 2 2006 Inge Henningsen og Niels Richard Hansen Analysevariablen i denne opgave er variablen forskel, der for hver af 10 kvinder
Læs mereUdvikling af metode til konsekvensvurdering af fosformerudledning for marine områder ved anlæg af vådområder
Udvikling af metode til konsekvensvurdering af fosformerudledning for marine områder ved anlæg af vådområder Notat fra DCE - Nationalt Center for Miljø og Energi Dato: 21. december 2017 Forfatter. Karen
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 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 mere5.11 Middelværdi og varians Kugler Ydelse for byg [Obligatorisk opgave 2, 2005]... 14
Module 5: Exercises 5.1 ph i blod.......................... 1 5.2 Medikamenters effektivitet............... 2 5.3 Reaktionstid........................ 3 5.4 Alkohol i blodet...................... 3 5.5
Læs mereDe socioøkonomiske referencer for grundskolekarakterer
De socioøkonomiske referencer for grundskolekarakterer Baggrund Den enkelte skoles faktiske karaktergennemsnit i 9. klasse har sammenhæng med mange forskellige forhold. Der er både forhold, som skolen
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 mereTo 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 mereEr miljømålene i Vandrammedirektivet mulige at nå?
Er miljømålene i Vandrammedirektivet mulige at nå? Jacob Carstensen Afd. for Marin Økologi, DMU Vandmiljøplanerne I, II og III Reduktionsmål i vandmiljøplanerne Kilder Kvælstof (tons) Fosfor (tons) Baseline
Læs mere13.1 Substrat Polynomiel regression Biomasse Kreatinin Læsefærdighed Protein og højde...
Modul 13: Exercises 13.1 Substrat.......................... 1 13.2 Polynomiel regression.................. 3 13.3 Biomasse.......................... 4 13.4 Kreatinin.......................... 7 13.5 Læsefærdighed......................
Læs mereUge 10 Teoretisk Statistik 1. marts 2004
1 Uge 10 Teoretisk Statistik 1. marts 004 1. u-fordelingen. Normalfordelingen 3. Middelværdi og varians 4. Mere normalfordelingsteori 5. Grafisk kontrol af normalfordelingsantagelse 6. Eksempler 7. Oversigt
Læs mereHvorfor er normalfordelingen så normal?
Hvorfor er normalfordelingen så normal? Søren Højsgaard Institut for Matematiske Fag, Aalborg Universitet October 24, 2018 normalfordelingen så normal? October 24, 2018 1 / 13 Højde af kvinder Histogram
Læs mere6. SEMESTER Epidemiologi og Biostatistik Opgaver til Uge 1 (fredag)
Institut for Epidemiologi og Socialmedicin Institut for Biostatistik. SEMESTER Epidemiologi og Biostatistik Opgaver til Uge 1 (fredag) Opgave 1 Læs afsnit.1 i An Introduction to Medical Statistics, specielt
Læs mereÅlegræsværktøjets forudsætninger og usikkerheder
Ålegræsværktøjets forudsætninger og usikkerheder Jacob Carstensen Afd. for Marin Økologi, DMU, Aarhus Universitet Vandrammedirektivet Biologiske kvalitetselementer Fytoplankton Makroalger og blomsterplanter
Læs mereAnalysestrategi. Lektion 7 slides kompileret 27. oktober 200315:24 p.1/17
nalysestrategi Vælg statistisk model. Estimere parametre i model. fx. lineær regression Udføre modelkontrol beskriver modellen data tilstrækkelig godt og er modellens antagelser opfyldte fx. vha. residualanalyse
Læs mereOpgave 11.4 side 316 (7ed: 11.4, side 352 og 6ed: 11.2, side 345)
Kursus 4: Besvarelser til øvelses- og hjemmeopgaver i uge 11 Opgave 11.4 side 316 (7ed: 11.4, side 35 og 6ed: 11., side 345) Opgaven består i at foretage en regressionsanalse. Først afbildes data som i
Læs mereJustering af reglerne om kvælstofnormer Flemming Møhlenberg
Miljø- og Fødevareudvalget 2015-16 L 68 Bilag 15 Offentligt Målrettet kvælstofregulering Justering af reglerne om kvælstofnormer Flemming Møhlenberg DHI Miljø- og Fødevareudvalget - 23. februar 2016 Høring
Læs mereKommentarer til Modeller for Danske Fjorde og Kystnære Havområder
Bilag 7.1 Kommentarer til Modeller for Danske Fjorde og Kystnære Havområder Jan Kloppenborg Møller og Lasse Engbo Christiansen DTU Compute, Danmarks Tekniske Universitet 17. juni 2015 1 Formål Formålet
Læs mereUge 43 I Teoretisk Statistik, 21. oktober Forudsigelser
Uge 43 I Teoretisk Statistik,. oktober 3 Simpel lineær regressionsanalyse Forudsigelser Fortolkning af regressionsmodellen Ekstreme observationer Transformationer Sammenligning af to regressionslinier
Læs mereReeksamen i Statistik for Biokemikere 6. april 2009
Københavns Universitet Det Naturvidenskabelige Fakultet Reeksamen i Statistik for Biokemikere 6. april 2009 Alle hjælpemidler er tilladt, og besvarelsen må gerne skrives med blyant. Opgavesættet er på
Læs mereAnvendt Statistik Lektion 6. Kontingenstabeller χ 2- test [ki-i-anden-test]
Anvendt Statistik Lektion 6 Kontingenstabeller χ 2- test [ki-i-anden-test] Kontingenstabel Formål: Illustrere/finde sammenhænge mellem to kategoriske variable Opbygning: En celle for hver kombination af
Læs mereDANISH METEOROLOGICAL INSTITUTE MINISTRY OF TRANSPORT TECHNICAL REPORT 01-19 KLIMAGRID - DANMARK
DANISH METEOROLOGICAL INSTITUTE MINISTRY OF TRANSPORT TECHNICAL REPORT 01-19 KLIMAGRID - DANMARK Sammenligning af potentiel fordampning beregnet ud fra Makkinks formel og den modificerede Penman formel
Læs mereNormalfordelingen og Stikprøvefordelinger
Normalfordelingen og Stikprøvefordelinger Normalfordelingen Standard Normal Fordelingen Sandsynligheder for Normalfordelingen Transformation af Normalfordelte Stok.Var. Stikprøver og Stikprøvefordelinger
Læs mereModo finem justificat?
Modo finem justificat? Flemming Møhlenberg EED - DHI Solutions Denmark Vandrammedirektivet sætter rammerne Definerer hvad der forstås ved økologisk tilstand med hovedvægt på biologiske kvalitetselementer
Læs mereProgram. 1. Varianskomponent-modeller (Random Effects) 2. Transformation af data. 1/12
Program 1. Varianskomponent-modeller (Random Effects) 2. Transformation af data. 1/12 Dæktyper og brændstofforbrug Data fra opgave 10.43, side 360: cars 1 2 3 4 5... radial 4.2 4.7 6.6 7.0 6.7... belt
Læs mereNotat vedr. interkalibrering af ålegræs
Notat vedr. interkalibrering af ålegræs Notat fra DCE - Nationalt Center for Miljø og Energi Dato: 4. januar 2012 Michael Bo Rasmussen Thorsten Balsby Institut for Bioscience Rekvirent: Naturstyrelsen
Læs mereEt eksempel på en todimensional normalfordeling Anders Milhøj September 2006
Et eksempel på en todimensional normalfordeling Anders Milhøj September 006 I dette notat gennemgås et eksempel, der illustrerer den todimensionale normalfordelings egenskaber. Notatet lægger sig op af
Læs mere! Proxy variable. ! Målefejl. ! Manglende observationer. ! Dataudvælgelse. ! Ekstreme observationer. ! Eksempel: Lønrelation (på US data)
Dagens program Økonometri 1 Specifikation, og dataproblemer 10. april 003 Emnet for denne forelæsning er specifikation (Wooldridge kap. 9.-9.4)! Proxy variable! Målefejl! Manglende observationer! Dataudvælgelse!
Læs mereModule 4: Ensidig variansanalyse
Module 4: Ensidig variansanalyse 4.1 Analyse af én stikprøve................. 1 4.1.1 Estimation.................... 3 4.1.2 Modelkontrol................... 4 4.1.3 Hypotesetest................... 6 4.2
Læs mereReestimation af importrelationer
Danmarks Statistik MODELGRUPPEN Arbejdspapir Nis Mathias Schulte Matzen 28. november 211 Reestimation af importrelationer Resumé: Papiret estimerer import relationerne på to forskellige datasæt. Et korrigeret
Læs mereStatistisk bearbejdning af overvågningsdata - Trendanalyser
Danmarks Miljøundersøgelser Miljøministeriet Teknisk anvisning fra DMU nr. 4, 006 Statistisk bearbejdning af overvågningsdata - Trendanalyser NOVANA (Tom side) Danmarks Miljøundersøgelser Miljøministeriet
Læs mereLøsning til eksaminen d. 14. december 2009
DTU Informatik 02402 Introduktion til Statistik 200-2-0 LFF/lff Løsning til eksaminen d. 4. december 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition,
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 mereØkonometri 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 mereLandmålingens 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 mereKYSTVANDE 2004. Indikatorrapport
KYSTVANDE 24 Indikatorrapport Vandmiljø i Vejle Amt Titel: Kystvande 24 Indikatorrapport Udgiver: Vejle Amt Teknik og Miljø Hav- og Kystafdelingen Damhaven 12, 71 Vejle Tlf.: 75 83 53 33 Udarbejdet af:
Læs mere1 Multipel lineær regression
1 Multipel lineær regression Regression med 2 eksponeringsvariable Fortolkning og estimation AnovaTabel og multipel R 2 Ensidet variansanalyse: Dummy kodning Kovariansanalyse og effektmodifikation Tosidet
Læs mereOvenstående figur viser et (lidt formindsket billede) af 25 svampekolonier på en petriskål i et afgrænset felt på 10x10 cm.
Multiple choice opgaver Der gøres opmærksom på, at ideen med opgaverne er, at der er ét og kun ét rigtigt svar på de enkelte spørgsmål. Endvidere er det ikke givet, at alle de anførte alternative svarmuligheder
Læs mereSammenfatning. depositioner til de enkelte farvands- og landområder, kildefordeling og det danske bidrag til depositionen
Sammenfatning Denne rapport sammenfatter de vigtigste konklusioner fra atmosfæredelen af NOVA 2003 og opsummerer hovedresultaterne vedrørende måling og beregning af koncentrationer af atmosfæriske kvælstof-,
Læs mereFokus på Forsyning. Datagrundlag og metode
Fokus på Forsyning I notatet gennemgås datagrundlaget for brancheanalysen af forsyningssektoren sammen med variable, regressionsmodellen og tilhørende tests. Slutteligt sammenfattes analysens resultater
Læs mereLøsning eksamen d. 15. december 2008
Informatik - DTU 02402 Introduktion til Statistik 2010-2-01 LFF/lff Løsning eksamen d. 15. december 2008 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th
Læs mereBilag 12 Regressionsanalysens tabeller og forklaringer
Bilag 12 Regressionsanalysens tabeller og forklaringer Regressionsanalysens tabeller og forklaringer Regressionsanalysen vil være delt op i 2 blokke. Første blok vil analysere hvor meget de tre TPB variabler
Læs mereDANMARKS MILJØUNDERSØGELSER AARHUS UNIVERSITET NOTAT. Modtagere: Repræsentanter fra landbruget Landbrug og Fødevarer BLST MST FVM
Modtagere: Repræsentanter fra landbruget Landbrug og Fødevarer BLST MST FVM NOTAT Notat om DHI s rapport om ålegræsværktøjet til vurdering af miljøkvalitet i havet Bo Riemann Forskningschef Dato: 22. december
Læs mereLandmålingens 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