Ekstremregn i Danmark
|
|
- Søren Lorentzen
- 8 år siden
- Visninger:
Transkript
1 Ekstremregn i Danmark Supplement til statistisk bearbejdning af nedbørsdata fra Spildevandskomiteens regnmålersystem Henrik Madsen August 2002 Miljø & Ressourcer DTU Danmark Tekniske Universitet
2 Dette er en netpublikation, der kan downloades fra ISBN: Udgivet af: Miljø & Ressourcer DTU Danmarks Tekniske Universitet Bygningstorvet, Bygning Kgs. Lyngby Tlf.: Fax:
3 Forord I projektet vedrørende regional analyse af ekstremregn i Danmark der ligger til grund for udarbejdelsen af Spildevandskomiteens skrift nr. 26 Regional variation af ekstremregn i Danmark analyseredes middelintensiteter med en mindste varighed på 10 minutter. Den efterfølgende anvendelse af skriftet til bestemmelse af dimensioneringsregn i form af CDS (Chicago Design Storm) har imidlertid vist et behov for regional estimation af intensiteter med varighed under 10 minutter. På foranledning af Spildevandskomiteens Regnudvalg blev der i maj 2001 taget initiativ til at igangsætte et projekt til at foretage en analyse af ekstremregn for intensiteter med varighed under 10 minutter. Nærværende rapport opsummerer resultaterne af denne analyse. Projektet har været finansieret af Regnmålersystemets Styregruppe. 1
4 Indholdsfortegnelse 1 INDLEDNING EKSTREMVÆRDISERIER L-MOMENT ANALYSE REGIONAL MODEL KONKLUSION REFERENCER
5 1 Indledning I forbindelse med udarbejdelse af Spildevandskomiteens skrift nr. 26 Regional variation af ekstremregn i Danmark (Mikkelsen et al., 1999) blev der foretaget en omfattende statistisk bearbejdning af data fra Spildevandskomiteens landsdækkende regnmålersystem, der blev etableret i Denne bearbejdning er rapporteret i en teknisk baggrundsrapport (Madsen, 1998) der danner grundlag for udarbejdelsen af skrift nr. 26. Bearbejdningen omfatter analyse af den regionale variabilitet af ekstremregn i Danmark for forskellige nedbørsvariable, der inkluderer middelintensiteter for varigheder mellem 10 minutter og 48 timer. Denne rapport er et supplement til baggrundsrapporten og inkluderer analyse af den regionale variabilitet af ekstremregn for middelintensiteter med varigheder under 10 minutter. Tre nedbørsvariable er udvalgt, henholdsvis 1, 2 og 5 min. intensiteten. Til analysen er benyttet det samme datagrundlag som blev brugt i Madsen (1998), dvs. nedbørsmålinger frem til 1. januar 1997 fra 41 stationer med mere end 10 års observationer. I det følgende opsummeres resultaterne af den statistiske analyse af de tre nedbørsvariable. For en detaljeret beskrivelse af de anvendte statistiske teorier og værktøjer henvises til den tekniske baggrundsrapport (Madsen, 1998). 3
6 2 Ekstremværdiserier For de 41 stationer er de maksimale middelintensiteter bestemt for varighed på 1, 2 og 5 min. for hver nedbørshændelse i henhold til hændelsesdefinitionen anvendt i KMD formatet. Som eksempel på de heraf udledte serier af nedbørsvariable er de empiriske fordelingsfunktioner for 1 min. intensiteten fra de 41 stationer vist i Figur 2.1. De spring der ses i fordelingsfunktionerne skyldes målenøjagtighed på nedbørsregistreringerne svarende til 0.2 mm per minut (3.33 µm/s) minuts intensitet [µm/s] Afskæringsniveau Gentagelsesperiode [år] Figur 2.1 Empiriske fordelinger af 1 min. intensiteten for de 41 stationer. Tabel 2.1 Afskæringsniveau og middelværdi af det gennemsnitlige antal overskridelser per år for de 41 ekstremværdiserier. Nedbørsvariabel Afskæringsniveau [µm/s] Overskridelser per år 1 min. intensitet min. intensitet min. intensitet
7 Til definition af ekstremværdiserierne benyttes for hver varighed det samme afskæringsniveau ved alle 41 stationer. De benyttede afskæringsniveauer for de tre intensiteter fremgår af Tabel 2.1. I tabellen er der ligeledes angivet middelværdien for de 41 stationer af det gennemsnitlige antal årlige ekstreme hændelser, der er inkluderet i de definerede ekstremværdiserier. 5
8 3 L-moment analyse L-moment analyse er benyttet til en indledende vurdering af den regionale variabilitet og valg af statistisk fordeling. Tre forskellige målstørrelser baseret på L-momenter er beregnet: 1. Diskordansmål D til identifikation af stationer der med hensyn til L-CV, L-skævhed og L-kurtosis er væsentlig forskellige fra gruppen af stationer som helhed. En approksimativ kritisk værdi af D på 5% signifikansniveau er D c = 4.6. Det anbefales generelt at benytte D > 3 som kriterium for at stationen er diskordant. 2. Heterogenitetsmål H til vurdering af den regionale variabilitet af L-CV og højere ordens L-momenter. Regionen kan betragtes som acceptabel homogen såfremt H < 1, sandsynligvis heterogen for 1 < H < 2 og afgjort heterogen for H > Goodness-of-fit mål Z til bestemmelse af en regional fordeling. Goodness-of-fit mål er beregnet for 5 forskellige fordelinger: eksponentialfordelingen (EXP), den generaliserde Pareto fordeling (GP), gamma fordelingen (GAM), Weibull fordelingen (WEI) og log-normal fordelingen (LN). En kritisk værdi af Z på 5% signifikansniveau er Z > Resultater for de tre intensiteter er vist i Tabel 3.1 og Tabel 3.2. Tabel 3.1 Stationer med diskordansmål D > 3. Skravering angiver stationer der er signifikante på 5% signifikansniveau (D > 4.6). Variabel Station nr. D 1 min min min Tabel 3.2 Heterogenitetsmål H og goodness-of-fit mål Z for forskellige fordelinger. Skravering for H > 1 angiver signifikant regional variabilitet. Skravering for Z < 1.96 angiver at den pågældende fordeling ikke kan afvises på 5% signifikansniveau. Variabel H Z GAM Z WEI Z LN Z GP Z EXP 1 min min min Af Tabel 3.1 fremgår det at i 4 tilfælde optræder et diskordansmål D > 3, og i et enkelt tilfælde er der et diskordansmål der er signifikant på 5% niveau. Et enkelt ud af i alt 123 6
9 tilfælde (41 stationer gange 3 variable) udgør under 1% hvilket er acceptabelt sammenholdt med signifikansniveauet på 5%. Desuden er der ingen stationer der har et stort diskordansmål for alle tre varigheder. Det må derfor konkluderes at ingen stationer er signifikant forskellig fra de 41 stationer som helhed for de betragtede varigheder m.h.t. L-CV, L-Skævhed og L-Kurtosis. Af Tabel 3.2 fremgår det at heterogenitetsmålet H > 2 for 1 og 2 min. intensiteten og indikerer derved at de 41 stationer udgør en afgjort heterogen region for disse to variable. For 5 min. intensiteten er regionen sandsynligvis heterogen. L-moment analysen af intensiteter for større varigheder i Madsen (1998) viste at der kun for 48 timers intensiteten er en H-værdi større end 1, og denne sandsynlige heterogenitet kan forklares ved en enkelt station med stort diskordansmål. For alle øvrige intensiteter fandtes en H-værdi under 1. L-moment analysen godtgør altså at der for ekstreme intensiteter med varighed under 10 min. er signifikant regional variabilitet af L-CV og højere ordens momenter, mens de 41 stationer kan antages at udgøre en homogen gruppe for intensiteter med varighed på 10 min. og derover. Spørgsmålet omkring regional heterogenitet diskuteres nærmere i næste afsnit. Med hensyn til goodness-of-fit testet må LN og GAM fordelingen afvises på 5% signifikansniveau for alle 3 variable, EXP fordelingen for 2 variable og WEI fordelingen for 1 variabel. Den generaliserede Pareto fordeling giver samlet set for de 3 variable det bedste fit. Dette kan også ses af L-moment diagrammerne (se Figur 3.1 som eksempel). Disse resultater stemmer overens med fordelingsanalysen i Madsen (1998) hvor GP fordelingen viste at give det bedste fit for samtlige analyserede nedbørsvariable Estimater Vægtet gennemsnit GP LN GAM WEI EXP L-CV L-Skævhed Figur 3.1 L-moment diagram for 2 min. intensiteten. Estimater af L-CV og L- skævhed for de 41 stationer sammenholdt med de teoretiske udtryk for forskellige fordelinger. 7
10 Middelværdien for de 41 stationer (vægtet gennemsnit) af L-CV og L-skævhed for samtlige analyserede intensiteter er vist i Figur 3.2. Der ses ingen umiddelbar sammenhæng mellem varigheden og beliggenheden i L-moment diagrammet Vægtet gennemsnit GP LN GAM WEI EXP 30m 24h 6h L-CV m 2m 48h 12h 3h 10m 1m m L-Skævhed Figur 3.2 Regionale estimater af L-CV og L-skævhed (vægtet gennemsnit) for de analyserede intensiteter sammenholdt med de teoretiske udtryk for forskellige fordelinger (m og h angiver henholdsvis minutter og timer). 8
11 4 Regional model Til analyse af den regionale variabilitet af de 3 parametre i ekstremværdimodellen: (1) gennemsnitlig antal årlige overskridelser, (2) midddeloverskridelsen og (3) L-CV (eller formparameteren i GP fordelingen) benyttes generaliseret mindste kvadraters (generalised least squares, GLS) regression. I regressionsmodellen indgår et estimat af den indbyrdes korrelation mellem stationerne. Betragtes korrelationen mellem overskridelsernes størrelse ses en vis korrelation mellem stationer med lille indbyrdes afstand (mindre end km for alle tre nedbørsvariable), mens der ikke er nogen korrelation for større afstande (se Figur 4.1). Dette hænger nøje sammen med den begrænsede spatiale udbredelse af konvektive regnceller der giver anledning til de ekstreme intensiteter af kort varighed. Den gennemsnitlige korrelation for de forskellige analyserede intensiteter er vist i Figur 4.2. Heraf ses en tydelig større spatial korrelation for voksende varighed. Det skal dog bemærkes at for varigheder under 1 time er korrelationen stort set konstant. Dette skyldes givetvis hændelsesdefinitionen anvendt i KMD formatet, hvorved de enkelte hændelser for varigheder på 1 time og derunder får samme start- og sluttidspunkt. Desuden kan volumendiskretiseringen af måleren have betydning for de beregnede korrelationskoefficienter for små varigheder. Med hensyn til den indbyrdes korrelation mellem antal årlige overskridelser ses ingen spatial struktur for de tre nedbørsvariable. Den gennemsnitlige korrelation er sammenholdt med korrelationen for de øvrige intensiteter i Figur 4.3. Også her ses en generel stigende korrelation for voksende varighed Estimater Glidende gennemsnit Fittet funktion Korrelationskoefficient Afstand [km] Figur 4.1 Spatial korrelationsstruktur for overskridelsernes størrelse for 2 min. intensiteten. 9
12 m 2m 5m 10m 30m 60m 3h 6h 12h 24h 48h Gennemsnitlig korrelationskoefficient Variabel Figur 4.2 Gennemsnitlig korrelationskoefficient for korrelationen mellem overskridelsernes størrelse Gennemsnitlig korrelationskoefficient m 2m 5m 10m 30m 60m 3h 6h 12h 24h 48h Variabel Figur 4.3 Gennemsnitlig korrelationskoefficient for korrelationen mellem antal årlige overskridelser. 10
13 Resultaterne af GLS analysen er opsummeret i Tabel Tabel 4.3. Med hensyn til det gennemsnitlige antal årlige overskridelser er der en signifikant regional variation. Som for de øvrige intensiteter kan en betydelig del af denne variabilitet forklares af årsmiddelnedbøren. I Tabel 4.1 er angivet parametrene ( ˆ β ˆ 0, β1 ) i regressionsmodellen for det gennemsnitlige antal årlige overskridelser λˆ ˆ λ = ˆ β ˆ ÅMN 0 + β1 (4.1) hvor ÅMN er årsmiddelnedbøren i [mm]. I tabellen er desuden angivet varians og kovarians af de estimerede regressionsparametre (Var{ ˆβ 0 }, Var{ 1 ˆβ }, Cov{ ˆ β ˆ 0, β1 }) 2 samt residulvariansen ˆ σ δ til beregning af prediktionsvariansen Var ˆ} ˆ ˆ ˆ ˆ (4.2) 2 2 { λ = Var{ β ˆ 0} + 2ÅMNCov{ β 0, β1} + ÅMN Var{ β1} + σ δ Tabel 4.1 Regional regressionsmodel for det gennemsnitlige antal årlige overskridelser. Variabel ˆβ 0 1 ˆβ Var{ ˆβ 0 } Cov{ ˆ β ˆ 0, β1 } Var{ 1 ˆβ } 2 ˆ σ δ [ 10-3 ] [ 10-4 ] [ 10-6 ] 1 min min min For middeloverskridelsen er der en signifikant regional variabilitet for alle 3 intensiteter. Regressionsanalysen viser at ingen af de betragtede klimatiske og fysiografiske regressorer (se Madsen, 1998) er i stand til at beskrive denne variabilitet. Enkelte stationer afviger markant fra gruppen af stationer som helhed med hensyn til størrelsen af middeloverskridelsen (stor værdi af Cook s D statistik). Ekskluderes disse i regressionsanalysen fås en marginal reduktion af residualvariansen. Det vil sige enkelte outlier stationer kan ikke forklare den regionale heterogenitet. En geografisk opdeling af stationerne til forklaring af variabiliteten har heller ikke været mulig. Det må derfor konkluderes at middeloverskridelsen for de 3 intensiteter udviser signifikant regional variabilitet og at det ikke for nærværende er muligt at forklare denne variabilitet. Det regionale estimat baseres derfor på en middelværdi betragtning, jvf. Tabel 4.2. For samtlige analyserede intensiteter med varighed mellem 1 min. og 48 timer kan den regionale model for middeloverskridelsen opsummeres som: For intensiteter med varighed 1 τ 5 min. benyttes den regionale middelværdi. Den tilhørende prediktionsvarians er forholdsvis stor grundet en betydelig regional variabilitet. For intensiteter med varighed 10 min. τ 1 time benyttes den regionale middelværdi. Middeloverskridelsen kan i dette tilfælde antages homogen, og den tilhørende prediktionsvarians er derfor forholdsvis lille og skyldes alene sampling usikkerhed korrigeret for korrelation mellem stationer. 11
14 For intensiteter med varighed 3 τ 48 timer benyttes den subregionale opdeling som beskrevet i Madsen (1998). Tabel 4.2 Regionalt estimat af middeloverskridelsen med tilhørende prediktionsvarians. Variabel Regional middel [µm/s] Residualvarians [(µm/s) 2 ] Prediktionsvarians [(µm/s) 2 ] 1 min min min Med hensyn til formparameteren viser regressionsanalysen en signifikant regional variabilitet for alle 3 intensiteter i overensstemmelse med konklusionen baseret på L- moment analysen. Det er ikke muligt at beskrive den regionale variabilitet ud fra de betragtede klimatiske og fysiografiske regressorer. Det regionale estimat baseres derfor på en middelværdi betragtning, jvf. Tabel 4.3. For samtlige analyserede intensiteter med varighed mellem 1 min. og 48 timer benyttes altså den regionale middelværdi som estimat for formparameteren. For varighederne 10 min τ 24 timer kan regionen antages homogen og prediktionsvariansen skyldes alene sampling usikkerhed korrigeret for korrelation mellem stationer. For varighederne 1 τ 5 min. samt τ = 48 timer er der en signifikant regional variabilitet og prediktionsvariansen er betydelig større (af størrelsesordenen en faktor 10). Tabel 4.3 Regionalt estimat af formparameteren med tilhørende prediktionsvarians. Variabel Regional middel Residual varians Prediktionsvarians 1 min min min Baseret på resultaterne af regressionsanalysen kan regionale T-års estimater og tilhørende usikkerheder bestemmes. Som eksempel er det regionale T-års estimat for 2 min. intensiteten på en lokalitet med en årsmiddelnedbør på 700 mm vist i Figur 4.4. Grundet de store usikkerheder på middeloverskridelsen og formparameteren fås en forholdsvis stor usikkerhed på T-års estimatet især for store gentagelsesperioder. 12
15 70 60 T-års estimat 68% konfidensgrænser 2 min intensitet Intensitet [µm/s] Gentagelsesperiode [år] Figur 4.4 Regionalt T-års estimat med tilhørende 68% konfidensgrænser for 2 min. intensiteten for lokalitet med en årsmiddelnedbør på 700 mm T-års estimat 68% konfidensinterval Intensitet [µm/s] T=20 år T=5 år T=1 år Varighed [min] Figur 4.5 IDF kurve for subregion Det øvrige Danmark og årsmiddelnedbør på 700 mm. 13
16 Med de nye resultater er det er nu muligt at estimere en IDF kurve på enhver lokalitet i Danmark for varigheder mellem 1 min. og 48 timer. Et eksempel på en estimeret IDF kurve med tilhørende 68% konfidensinterval er vist i Figur 4.5. Det bemærkes at der er relativ stor usikkerhed på T-års estimatet for varigheder på 10 min. og derunder grundet den store regionale variabilitet der er observeret på både middeloverskridelsen og formparameteren. Det kan ikke udelukkes af denne variabilitet er et udslag af måleusikkerheder snarere end en sand regional variabilitet. For små varigheder spiller måleunøjagtigheder og den benyttede volumendiskretisering på regnmåleren en betydelig større rolle end for større varigheder. 14
17 5 Konklusion Resultater af en regional analyse af ekstremregn for middelintensiteter med varighed på 1, 2 og 5 min. er beskrevet. Denne analyse supplerer tidligere analyser for intensiteter med varighed mellem 10 min. og 48 timer. Med de nye resultater er det nu muligt at estimere en IDF kurve og tilhørende usikkerhed på enhver lokalitet i Danmark for varigheder mellem 1 min. og 48 timer. For de 3 analyserede intensiteter er følgende konkluderet: Som for de øvrige intensiteter kan den generaliserede Pareto fordeling benyttes til beskrivelse af overskridelsernes størrelse. Som for de øvrige intensiteter kan en betydelig del af den regionale variabilitet af det gennemsnitlige antal årlige overskridelser beskrives ved årsmiddelnedbøren. Både middeloverskridelsen og formparameteren i den generaliserede Pareto fordeling udviser en signifikant regional variabilitet. Det er ikke muligt at beskrive denne variabilitet ud fra de tilgængelige klimatiske og fysiografiske karakteristika, og der benyttes derfor en middelværdi model til regional estimation af disse to parametre. Den signifikante regionale variabilitet for middeloverskridelsen og formparameteren giver en forholdsvis stor usikkerhed på det regionale T-års estimat, især for store gentagelsesperioder. 15
18 6 Referencer Madsen, H., 1998, Ekstremregn i Danmark. Statistisk bearbejdning af nedbørsdata fra Spildevandskomiteens regnmålersystem Institut for Strømningsmekanik og Vandressourcer & Institut for Miljøteknologi, Danmarks Tekniske Universitet, Mikkelsen, P.S., Madsen, H., Arnbjerg-Nielsen, K., Jørgensen, H.K., Rosbjerg, D., Harremoës, P., 1999, Regional variation af ekstremregn i Danmark, Ingeniørforeningen i Danmark IDA, Spildevandskomiteen, skrift nr
Regneark til bestemmelse af CDS- regn
Regneark til bestemmelse af CDS- regn Teknisk dokumentation og brugervejledning Version 2.0 Henrik Madsen August 2002 Miljø & Ressourcer DTU Danmark Tekniske Universitet Dette er en netpublikation, der
Læs mereRegneark til bestemmelse af Regnkurver, CDS regn og bassinvoluminer
Regneark til bestemmelse af Regnkurver, CDS regn og bassinvoluminer Teknisk dokumentation og brugervejledning 100.0 Regionalt estimat 68% konfidensgrænser Intensitet [µm/s] 10.0 1.0 T = 100 T = 10 T =
Læs mereStatistisk bearbejdning af nedbørsdata fra. Spildevandskomitéens. Regnmålersystem Styregruppen for. Spildevandskomitéens.
Statistisk bearbejdning af nedbørsdata fra Spildevandskomitéens Regnmålersystem 1979-2005 100.0 Regionalt estimat 68% konfidensgrænser Intensitet [µm/s] 10.0 1.0 T = 100 T = 10 T = 1 0.1 1 10 100 1000
Læs mereRegional variation af ekstremregn i Danmark - ny bearbejdning (1979-2005)
Skrift nr. 28 Regional variation af ekstremregn i Danmark - ny bearbejdning (1979-2005) 2006 IDA Spildevandskomiteen Regional variation af ekstremregn i Danmark - ny bearbejdning (1979-2005) - Spildevandskomiteen,
Læs mereBilag 3: Favrskov Kommune Valg af regn i Favrskov Kommune. Favrskov Kommune, Valg af regn i Favrskov Kommune Oktober 2008 1/26
Bilag 3: Favrskov Kommune Valg af regn i Favrskov Kommune 1/26 Rekvirent Favrskov Kommune Teknik og Miljø Torvegade 7 845 Hammel Lone Bejder Telefon 89 64 53 6 E-mail lb@favrskov.dk Rådgiver Orbicon A/S
Læs mereEkstremregn i Danmark
Ekstremregn i Danmark Statistisk bearbejdning af nedbørsdata fra Spildevandskomiteens regnmålersystem 1979-96 Henrik Madsen September 1998 Institut for Strømningsmekanik og Vandressourcer Institut for
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 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 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 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 mereKerteminde Forsyning har bedt Rambøll om at undersøge hvilken regnmåler forsyningen skal bruge fremadrettet til dimensionering af deres kloaksystem.
NOTAT Projekt Valg af regnmåler og sikkerhedsfaktorer til beregninger på afløbssystemer Kunde Kerteminde Forsyning Notat nr. 1 Dato 04-06-2012 Til Fra Kopi til Kerteminde Forsyning Agnethe N. Pedersen,
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 mereRevision af Spildevandskomiteens skrift 28 og 29
Revision af Spildevandskomiteens skrift 28 og 29 Hotel Nyborg Strand - 15/05-2014 Ida Bülow Gregersen Regn under fremtidens klima Støttet af og Med deltagelse fra: Greve kommune Aarhus Vand Krüger DHI
Læs mereTeknisk notat. Hillerød Forsyning Vurdering af regnserier. : Camilla Hagbarth og Alvaro Fonseca. Vedlagt : Kopi til : 1 INDLEDNING
Teknisk notat Granskoven 8 6 Danmark T +45 448 66 F www.grontmij.dk CVR-nr. 485 Forsyning Vurdering af regnserier. februar Projekt:.747.5 Udarbejdet Kontrolleret : Camilla Hagbarth og Alvaro Fonseca :
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 mereSkriftlig eksamen Science statistik- ST501
SYDDANSK UNIVERSITET INSTITUT FOR MATEMATIK OG DATALOGI Skriftlig eksamen Science statistik- ST501 Torsdag den 21. januar Opgavesættet består af 5 opgaver, med i alt 13 delspørgsmål, som vægtes ligeligt.
Læs mereSpildevandsplan. Svendborg Kommune VALG AF REGN I SVENDBORG KOMMUNE. Svendborg Kommune att. Birgitte Varming Svendborgvej Vester Skerninge
Svendborg Kommune Spildevandsplan VALG AF REGN I SVENDBORG KOMMUNE Rekvirent Rådgiver Svendborg Kommune att. Birgitte Varming Svendborgvej 135 5762 Vester Skerninge Orbicon A/S Rolundvej 23 5260 Odense
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 mere02402 Løsning til testquiz02402f (Test VI)
02402 Løsning til testquiz02402f (Test VI) Spørgsmål 4. En ejendomsmægler ønsker at undersøge om hans kunder får mindre end hvad de har forlangt, når de sælger deres bolig. Han har regisreret følgende:
Læs mereModul 7: Eksempler. 7.1 Beskrivende dataanalyse. 7.1.1 Diagrammer. Bent Jørgensen. Forskningsenheden for Statistik ST501: Science Statistik
Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 7: Eksempler 7.1 Beskrivende dataanalyse............................... 1 7.1.1 Diagrammer.................................
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 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 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 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 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 mereBilag 1: Robusthedsanalyser af effektiviseringspotentialerne. Bilaget indeholder analyser af effektiviseringspotentialernes robusthed.
Bilag 1: Robusthedsanalyser af effektiviseringspotentialerne Bilaget indeholder analyser af effektiviseringspotentialernes robusthed. FORSYNINGSSEKRETARIATET OKTOBER 2013 Indholdsfortegnelse Indledning
Læs mereNormalfordelingen. Statistik og Sandsynlighedsregning 2
Normalfordelingen Statistik og Sandsynlighedsregning 2 Repetition og eksamen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange variable, blandt andet tilfældige fejl på
Læs mereStatistik vejledende læreplan og læringsmål, efteråret 2013 SmartLearning
Side 1 af 6 Statistik vejledende læreplan og læringsmål, efteråret 2013 SmartLearning Litteratur: Kenneth Hansen & Charlotte Koldsø: Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave,
Læs mereModul 6: Regression og kalibrering
Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 6: Regression og kalibrering 6.1 Årsag og virkning................................... 1 6.2 Kovarians og korrelation...............................
Læs mereFremtidens regn. IDA Miljø møde 28/ Ida Bülow Gregersen
IDA Miljø møde 28/10-2013 Ida Bülow Gregersen Regn under fremtidens klima Støttet af Med deltagelse fra: Greve kommune Århus Vand Krüger DHI DTU Miljø Godkendt som kommende skrift fra Spildvandskomiteen
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 mereØkonometri: Lektion 2 Multipel Lineær Regression 1/27
Økonometri: Lektion 2 Multipel Lineær Regression 1/27 Multipel Lineær Regression Sidst så vi på simpel lineær regression, hvor y er forklaret af én variabel. Der er intet, der forhindre os i at have mere
Læs mereØkonometri: Lektion 2 Multipel Lineær Regression 1/33
Økonometri: Lektion 2 Multipel Lineær Regression 1/33 Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 +β 1 x +u, hvor fejlledet u,
Læs mereForelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)
Kursus 02402 Introduktion til Statistik Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske
Læs mereEstimation og usikkerhed
Estimation og usikkerhed = estimat af en eller anden ukendt størrelse, τ. ypiske ukendte størrelser Sandsynligheder eoretisk middelværdi eoretisk varians Parametre i statistiske modeller 1 Krav til gode
Læs mereGenerelt er korrelationen mellem elevens samlede vurdering i forsøg 1 og forsøg 2 på 0,79.
Olof Palmes Allé 38 8200 Aarhus N Tlf.nr.: 35 87 88 89 E-mail: stil@stil.dk www.stil.dk CVR-nr.: 13223459 Undersøgelse af de nationale tests reliabilitet 26.02.2016 Sammenfatning I efteråret 2014 blev
Læs mereKøbenhavnske ejerlejlighedspriser en meget begrænset indikator for hele landets boligmarked
N O T A T Københavnske ejerlejlighedspriser en meget begrænset indikator for hele landets boligmarked Baggrund og resume Efter i årevis at have rapporteret om et fastfrosset boligmarked, har de danske
Læs mereIndblik i statistik - for samfundsvidenskab
Indblik i statistik - for samfundsvidenskab Læs mere om nye titler fra Academica på www.academica.dk Nikolaj Malchow-Møller og Allan H. Würtz Indblik i statistik for samfundsvidenskab Academica Indblik
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1TS Teoretisk statistik Den skriftlige prøve Sommer 2002 3 timer - alle hjælpemidler tilladt Det er tilladt at skrive
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 mereOversigt. Kursus 02402 Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Eksponential fordelingen
Kursus 02402 Introduktion til Statistik Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik Bygning 305/324 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
Læs mereBilag 16: Robusthedsanalyser af effektiviseringspotentialerne Bilaget indeholder analyser af effektiviseringspotentialernes robusthed.
Bilag 16: Robusthedsanalyser af effektiviseringspotentialerne Bilaget indeholder analyser af effektiviseringspotentialernes robusthed. FORSYNINGSSEKRETARIATET FEBRUAR 2013 INDLEDNING... 3 1. COSTDRIVERSAMMENSÆTNING...
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 mereStatistik II 4. Lektion. Logistisk regression
Statistik II 4. Lektion Logistisk regression Logistisk regression: Motivation Generelt setup: Dikotom(binær) afhængig variabel Kontinuerte og kategoriske forklarende variable (som i lineær reg.) Eksempel:
Læs mereI dag. Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik (SaSt) Eksempel: kobbertråd
I dag Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik SaSt) Helle Sørensen Først lidt om de sidste uger af SaSt. Derefter statistisk analyse af en enkelt
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 mereHver anden vil benytte øget åbningstid i dagtilbud
Børnefamiliers dagtilbud og arbejdsliv 17. maj 18 Hver anden vil benytte øget åbningstid i dagtilbud Halvdelen af alle lønmodtagere med børn mellem -13 år ville benytte sig af udvidede åbningstider i deres
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 mereBilag 1. Costdriversammensætning. November 2016 VERSION 3
Bilag 1 Costdriversammensætning November 2016 VERSION 3 Bilag 1 Konkurrence- og Forbrugerstyrelsen Forsyningssekretariatet Carl Jacobsens Vej 35 2500 Valby Tlf.: +45 41 71 50 00 E-mail: kfst@kfst.dk Online
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 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 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 mereSimpel Lineær Regression: Model
Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 + β 1 x + u, hvor fejlledet u, har egenskaben E[u x] = 0. Dette betyder bl.a. E[y x]
Læs mereØkonometri 1. Inferens i den lineære regressionsmodel 2. oktober Økonometri 1: F8 1
Økonometri 1 Inferens i den lineære regressionsmodel 2. oktober 2006 Økonometri 1: F8 1 Dagens program Opsamling om asymptotiske egenskaber: Asymptotisk normalitet Asymptotisk efficiens Test af flere lineære
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 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 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 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 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 mereHypotesetest. Altså vores formodning eller påstand om tingens tilstand. Alternativ hypotese (hvis vores påstand er forkert) H a : 0
Hypotesetest Hypotesetest generelt Ingredienserne i en hypotesetest: Statistisk model, f.eks. X 1,,X n uafhængige fra bestemt fordeling. Parameter med estimat. Nulhypotese, f.eks. at antager en bestemt
Læs mereStatikstik II 2. Lektion. Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression
Statikstik II 2. Lektion Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression Sandsynlighedsregningsrepetition Antag at Svar kan være Ja og Nej. Sandsynligheden for at Svar Ja skrives
Læs mereStatistik i GeoGebra
Statistik i GeoGebra Peter Harremoës 13. maj 2015 Jeg vil her beskrive hvordan man kan lave forskellige statistiske analyser ved hjælp af GeoGebra 4.2.60.0. De statistiske analyser svarer til pensum Matematik
Læs mereModul 12: Exercises. 12.1 Sukkersygepatienters vægt
Modul 12: Exercises 12.1 Sukkersygepatienters vægt............... 1 12.2 Newfoundlandske kvinders blodtryk.......... 4 12.3 Korrelationskoefficient.................. 6 12.4 Højde og vægt......................
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 mereLøsning til eksaminen d. 29. maj 2009
DTU Informatik 02402 Introduktion til Statistik 20-2-01 LFF/lff Løsning til eksaminen d. 29. maj 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th
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 mereEt psykisk belastende arbejde har store konsekvenser for helbredet
Flere gode år på arbejdsmarkedet 5. maj 2017 Et psykisk belastende arbejde har store konsekvenser for helbredet Risikoen for at have et dårligt psykisk helbred mere end fordobles for personer med et belastende
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 merea) Har måleresultaterne for de 2 laboranter samme varians? b) Tyder resultaterne på, at nogen af laboranterne måler med en systematisk fejl?
Module 6: Exercises 6.1 To laboranter....................... 2 6.2 Nicotamid i piller..................... 3 6.3 Karakterer......................... 5 6.4 Blodtryk hos kvinder................... 6 6.5
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 mereForventede ændringer i ekstremregn som følge af klimaændringer
Skrift nr. 29 Forventede ændringer i ekstremregn som følge af klimaændringer 2008 IDA Spildevandskomiteen Forventede ændringer i ekstremregn som følge af klimaændringer Spildevandskomiteen, Skrift nr.
Læs mereForventede ændringer i ekstremregn som følge af klimaændringer
Skrift nr. 29 Forventede ændringer i ekstremregn som følge af klimaændringer 2008 IDA Spildevandskomiteen Forventede ændringer i ekstremregn som følge af klimaændringer Spildevandskomiteen, Skrift nr.
Læs mereRygtespredning: Et logistisk eksperiment
Rygtespredning: Et logistisk eksperiment For at det nu ikke skal ende i en omgang teoretisk tørsvømning er det vist på tide vi kigger på et konkret logistisk eksperiment. Der er selvfølgelig flere muligheder,
Læs mereModificering af regnserier så de reflekterer et ændret klima
Modificering af regnserier så de reflekterer et ændret klima Hjalte Jomo Danielsen Sørup 1, Ida Bülow Gregersen 2, og Karsten Arnbjerg- Nielsen 1 1 DTU Miljø og DTU GDSI 2 Rambøll A/S Anvendelse af regnserier
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 mereNote til styrkefunktionen
Teoretisk Statistik. årsprøve Note til styrkefunktionen Først er det vigtigt at gøre sig klart, at når man laver statistiske test, så kan man begå to forskellige typer af fejl: Type fejl: At forkaste H
Læs mereEt firma tuner biler. Antallet af en bils cylindere er givet ved den stokastiske variabel X med massetæthedsfunktionen
STATISTIK Skriftlig evaluering, 3. semester, mandag den 6. januar 004 kl. 9.00-13.00. Alle hjælpemidler er tilladt. Opgaveløsningen forsynes med navn og CPR-nr. OPGAVE 1 Et firma tuner biler. Antallet
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 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 mereAnalyse af bivirkninger på besætningsniveau efter vaccination med inaktiveret BlueTongue Virus (BTV) serotype 8 i danske malkekvægsbesætninger
Analyse af bivirkninger på besætningsniveau efter vaccination med inaktiveret BlueTongue Virus (BTV) serotype 8 i danske malkekvægsbesætninger Af Karen Helle Sloth og Flemming Skjøth, AgroTech Sammendrag
Læs mereBetydningen af konjunktur og regelændringer for udviklingen i sygedagpengemodtagere
DET ØKONOMISKE RÅD S E K R E T A R I A T E T d. 20. maj 2005 SG Betydningen af konjunktur og regelændringer for udviklingen i sygedagpengemodtagere Baggrundsnotat vedr. Dansk Økonomi, forår 2005, kapitel
Læs mereSimpel Lineær Regression
Simpel Lineær Regression Mål: Forklare variablen y vha. variablen x. Fx forklare Salg (y) vha. Reklamebudget (x). Vi antager at sammenhængen mellem y og x er beskrevet ved y = β 0 + β 1 x + u. y: Afhængige
Læs mereTænk på a og b som to n 1 matricer. a 1 a 2 a n. For hvert i = 1,..., n har vi y i = x i β + u i.
Repetition af vektor-regning Økonometri: Lektion 3 Matrix-formulering Fordelingsantagelse Hypotesetest Antag vi har to n-dimensionelle (søjle)vektorer a 1 b 1 a 2 a =. og b = b 2. a n b n Tænk på a og
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 mereNational kvælstofmodel Oplandsmodel til belastning og virkemidler
National kvælstofmodel Oplandsmodel til belastning og virkemidler Kortleverancer Anker Lajer Højberg, Jørgen Windolf, Christen Duus Børgesen, Lars Troldborg, Henrik Tornbjerg, Gitte Blicher-Mathiesen,
Læs mereStatistik II Lektion 3. Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable
Statistik II Lektion 3 Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable Setup: To binære variable X og Y. Statistisk model: Konsekvens: Logistisk regression: 2 binære var. e e X Y P
Læs mereBilag 1: Prisudvikling, generelt effektiviseringskrav og robusthedsanalyser FORSYNINGSSEKRETARIATET AUGUST 2014 VERSION 3
Bilag 1: Prisudvikling, generelt effektiviseringskrav og robusthedsanalyser FORSYNINGSSEKRETARIATET AUGUST 2014 VERSION 3 Indholdsfortegnelse Indledning Prisudvikling 2.1 Prisudviklingen fra 2014 til
Læs mereBilag 1 Costdriversammensætning
Bilag 1 Costdriversammensætning August 2018 Bilag 1 - Costdriversammensætning Konkurrence- og Forbrugerstyrelsen Forsyningssekretariatet Carl Jacobsens Vej 35 2500 Valby Tlf.: +45 41 71 50 00 E-mail: kfst@kfst.dk
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 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 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 merePraktiske ting og sager: Forelæsninger tirsdag og torsdag kl i Kirkesalen, Studiestræde 38 Øvelser
Uge 36 Velkommen tilbage Praktiske ting og sager: Forelæsninger tirsdag og torsdag kl. -2 i Kirkesalen, Studiestræde 38 Øvelser Hold -4 og 6: mandag og onsdag kl. 8-; start 3. september Hold 5: tirsdag
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 mereTest nr. 6 af centrale elementer 02402
QuizComposer 2001- Olaf Kayser & Gunnar Mohr Contact: admin@quizcomposer.dk Main site: www.quizcomposer.dk Test nr. 6 af centrale elementer 02402 Denne quiz angår forståelse af centrale elementer i kursus
Læs mereKursus 02402 Introduktion til Statistik. Forelæsning 7: Kapitel 7 og 8: Statistik for to gennemsnit, (7.7-7.8,8.1-8.5) Per Bruun Brockhoff
Kursus 02402 Introduktion til Statistik Forelæsning 7: Kapitel 7 og 8: Statistik for to gennemsnit, (7.7-7.8,8.1-8.5) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks
Læs mereKapitel 11 Lineær regression
Kapitel 11 Lineær regression Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 1 Indledning Vi modellerer en afhængig variabel (responset) på baggrund af en uafhængig variabel (stimulus),
Læs 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 mereMLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som
MLR antagelserne Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som y = β 0 + β 1 x 1 + β 2 x 2 + + β k x k + u, hvor β 0, β 1, β 2,...,β k er ukendte parametere,
Læs merePerspektiver i Matematik-Økonomi: Linær regression
Perspektiver i Matematik-Økonomi: Linær regression Jens Ledet Jensen H2.21, email: jlj@imf.au.dk Perspektiver i Matematik-Økonomi: Linær regression p. 1/34 Program for i dag 1. Indledning: sammenhæng mellem
Læs mereLogistisk regression
Logistisk regression Test af antagelsen om lineære effekter Modelkonstruktion og modelsøgning Hvilke variable og hvilke interaktioner skal inkluderes i regressionsmodellerne? 1 Logistiske regressionsmodeller
Læs mere