Bedre kalibrerte prognoser med ensembleteknikker
|
|
- Børge Sivertsen
- 7 år siden
- Visninger:
Transkript
1 Bedre kalibrerte prognoser med ensembleteknikker John Bjørnar Bremnes Kraftrelatert hydrologi, meteorologi og klima, Trondheim,
2 Oversikt 1. Bedre oppløsning i LAMEPS (2006) 2. Kalibrering ved hjelp av statistiske metoder (2006) 3. Hvordan kombinere prognoser fra flere værmodeller til ett kalibrert produkt (2007) 4. Nytten av lange rekjøringer av numeriske værmodeller (2007)
3 5. Statistisk kalibrering av multi-ensembler (2008) 6. Statistisk kalibrering av månedsvarsler (2008) 7. Statistisk kalibrering på steder uten observasjoner (2009?)
4 Del 2 Kalibrering ved hjelp av statistiske metoder
5 Statistiske metoder A. Metoder anvendt på ensemblemedlemmer (separat) 50 medlemmer => 50 nye medlemmer Ingen teoretiske grunner til kalibrert ensemble Metoder Lokal kvantil-til-kvantil transformasjon (LQQT) Regresjon etterfulgt av LQQT Skalering B. Kalibrering av hele ensemblet Statistiske modeller godt teoretisk fundament Metode Bayesian Processor of Forecast (BPF)
6 A. Metoder anvendt på ensemblemedlemmmer 1. Kvantil-til-kvantil transformasjon (LQQT) Idè Nye ensemblemedlemmer skal ha samme fordeling/klima som observasjonene Estimering Sortèr observasjoner og modelldata (separat) Estimèr sammenheng vha. lokal lineær regresjon
7 2. Kvantil-til-kvantil transformasjon med flere variable (REG+LQQT) Bakgrunn Idè LQQT kan bare brukes med en prediktor Andre prediktorer kan gi ekstra informasjon Reduser antall variable til 1 vha. regresjon Metode Multippel lineær regresjon ny predikert nedbør Anvend LQQT på de nye prediksjonene av nedbør
8 3. Skalering Sum observert nedbør / sum modellnedbør Værtype-avhengig skalering bedre For en gitt værsituasjon: Summèr bare over lignende historiske tilfeller Med vekting avhengig av graden av likhet Skalering anvendt på hvert medlem nytt ensemble
9
10 B. Kalibrering av hele ensembler Bayesian Processor of Forecast (BPF) Alle variable transformeres til standard normal fordeling (ala LQQT) Bayes regel anvendes: X Y og Y Y X X Y multivariabel lineær regresjon Y er standard normal fordelt Parametre estimeres for transformerte data Sannsynlighetsfordeling presenteres på ordinær skala (mm)
11 CRPS er relativ til ECMWF EPS (100%) Lav CRPS best (0 optimal)
12 Konklusjoner (del 2) Statistiske metoder er bedre enn rå EPS Store lokale variasjoner Forbedring avtar med prognoselengde Inntil 50% bedre for døgn +1 Inntil 20% bedre for døgn +9 Metoder anvendt på hvert medlem Gir god score, men ikke nødvendigvis kalibrerte prognoser BPF best Gir godt kalibrerte prognoser
13 Del 3 Hvordan kombinere prognoser fra flere værmodeller til ett kalibrert produkt
14 Utgangspunkt og idè Flere værmodeller og prognoser tilgjengelig To vinklinger 1. Hvordan kombinere all info til en prognose? α 1 EC* + α 2 EPS* + α 3 LAMEPS* EC* = statistisk modell med EC som input Vektene α avhengig av værsituasjon 2. Hvordan velge den beste? For hver dag/værsituasjon
15 BPF med lineær regresjon 1. For hvert modellsystem (EC, EPS, LAMEPS) Tilpass en BPF-modell Beregn score for hvert tilfelle (dag) Anvend lineær regresjon Score vs. alle prediktorer 2. To mulige prognoser Lineær kombinasjon av BPF-modeller α 1 EC* + α 2 EPS* + α 3 LAMEPS* α-ene er predikert score (normalisert) BPF-modell med best score
16 BPF med probabilistisk nevrale nettverk 1. For hvert modellsystem (EC, EPS, LAMEPS) Tilpass en BPF-modell Beregn score for hvert tilfelle (dag) 2. Tilpass nevralt nettverk Beste BPF-modell vs. alle prediktorer 3. To mulige prognoser Lineær kombinasjon av BPF-modeller α 1 EC* + α 2 EPS* + α 3 LAMEPS* α i er sannsynlighet for at BPF-modell nr. i er best BPF-modell med høyest sannsynlighet
17 BPF med optimering av kvantil-score 1. For hvert modellsystem (EC, EPS, LAMEPS) Tilpass en BPF-modell Beregn et sett av kvantiler for hvert tilfelle (dag) 2. Tilpass lineære kvantil regresjonsmodeller Observasjon vs. predikerte kvantiler fra BPF-modellene 3. Kombinert prognose Lineær kombinasjon av BPF-modeller α 1 EC* + α 2 EPS* + α 3 LAMEPS* α-ene er normaliserte koeffisienter fra regresjonsmodellene
18 Eksperiment Data 9 stasjoner Modeller: EC (1), EPS (51), LAMEPS (21) Prognoser: 00+30,+54t Bare nedbør brukt som prediktorer Konklusjoner (del 3) BPF med 1 modell nesten like god som med alle 3 Kombinere litt bedre enn å velge beste BPF De statistiske metodene omtrent like gode EC like informativ som ensembler
19 Rapporter met.no report 04/2007 Improved calibration of precipitation forecasts using ensemble techniques. Part 2: Statistical calibration methods met.no note 02/2008 Improved calibration of precipitation forecasts using ensemble techniques. Part 3: Statistical calibration of multiple ensembles met.no note 03/2008 Improved calibration of precipitation forecasts using ensemble techniques. Part 4: On the use of reforecasts in statistical calibration
I enkel lineær regresjon beskrev linja. μ y = β 0 + β 1 x
Multiple regresjon Her utvider vi perspektivet for enkel lineær regresjon til også å omfatte flere forklaringsvariable.det er fortsatt en responsvariabel. Måten dette gjøre på er nokså naturlig. Prediktoren
DetaljerMultippel regresjon. Her utvider vi perspektivet for enkel lineær regresjon til også å omfatte flere forklaringsvariable x 1, x 2,, x p.
Multippel regresjon Her utvider vi perspektivet for enkel lineær regresjon til også å omfatte flere forklaringsvariable x 1, x 2,, x p. Det er fortsatt en responsvariabel y. Måten dette gjøre på er nokså
DetaljerStatistikk og dataanalyse
Njål Foldnes, Steffen Grønneberg og Gudmund Horn Hermansen Statistikk og dataanalyse En moderne innføring Kapitteloversikt del 1 INTRODUKSJON TIL STATISTIKK Kapittel 1 Populasjon og utvalg 19 Kapittel
DetaljerKort overblikk over kurset sålangt
Kort overblikk over kurset sålangt Kapittel 1: Deskriptiv statististikk for en variabel Kapittel 2: Deskriptiv statistikk for samvariasjon mellom to variable (regresjon) Kapittel 3: Metoder for å innhente
Detaljer(a) For regresjon brukes vanligvis kvadratisk tap: L(y, ŷ) = (y ŷ) 2. Den optimale prediktor basert på input variable x er da Ŷ = E[Y x].
FORMELSAMLING TIL STK2100 (Versjon Mai 2017) 1 Tapsfunksjoner (a) For regresjon brukes vanligvis kvadratisk tap: L(y, ŷ) = (y ŷ) 2. Den optimale prediktor basert på input variable x er da Ŷ = E[Y x]. (b)
DetaljerSentralverdi av dataverdi i et utvalg Vi tenker oss et utvalg med datapar. I vårt eksempel har vi 5 datapar.
Statistisk behandling av kalibreringsresultatene Del 4. v/ Rune Øverland, Trainor Elsikkerhet AS Denne artikkelserien handler om statistisk behandling av kalibreringsresultatene. Dennne artikkelen tar
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 En bedrift produserer elektriske komponenter. Komponentene kan ha to typer
Detaljer10.1 Enkel lineær regresjon Multippel regresjon
Inferens for regresjon 10.1 Enkel lineær regresjon 11.1-11.2 Multippel regresjon 2012 W.H. Freeman and Company Denne uken: Enkel lineær regresjon Litt repetisjon fra kapittel 2 Statistisk modell for enkel
DetaljerSOS1120 Kvantitativ metode. Regresjonsanalyse. Lineær sammenheng II. Lineær sammenheng I. Forelesningsnotater 11. forelesning høsten 2005
SOS1120 Kvantitativ metode Regresjonsanalyse Forelesningsnotater 11. forelesning høsten 2005 Per Arne Tufte Lineær sammenheng I Lineær sammenheng II Ukelønn i kroner 4000 3500 3000 2500 2000 1500 1000
Detaljer(a) For regresjon brukes vanligvis kvadratisk tap: L(y, ŷ) = (y ŷ) 2. Den optimale prediktor basert på input variable x er da Ŷ = E[Y x].
FORMELSAMLING TIL STK2100 (Versjon Mai 2018) 1 Tapsfunksjoner (a) For regresjon brukes vanligvis kvadratisk tap: L(y, ŷ) = (y ŷ) 2. Den optimale prediktor basert på input variable x er da Ŷ = E[Y x]. (b)
DetaljerUsikkerheit i Hydrologiske Prognoser basert på Ensemble. Kossen i hule heite skal vi gjere dette????
Usikkerheit i Hydrologiske Prognoser basert på Ensemble Kossen i hule heite skal vi gjere dette???? Innhald Glasskula.kva var no dette. Usikkerheit i prognosar kvifor bry seg med dette Bruk av meteorologiske
DetaljerUtvalgsfordelinger; utvalg, populasjon, grafiske metoder, X, S 2, t-fordeling, χ 2 -fordeling
Kapittel 8 Utvalgsfordelinger; utvalg, populasjon, grafiske metoder, X, S 2, t-fordeling, χ 2 -fordeling TMA4240 H2006: Eirik Mo 2 Til nå... Definert sannsynlighet og stokastiske variabler (kap. 2 & 3).
DetaljerHvordan estimere vannføring i umålte vassdrag?
Hvordan estimere vannføring i umålte vassdrag? Hege Hisdal, E. Langsholt & T.Skaugen NVE, Seksjon for hydrologisk modellering Bakgrunn Ulike modeller Et eksempel Konklusjon 1 Bakgrunn: Hva skal vannføringsestimatene
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK2120 Statistiske metoder og dataanalyse 2. Eksamensdag: Fredag 7. juni 2013. Tid for eksamen: 14.30 18.30. Oppgavesettet er
DetaljerInferens i regresjon
Strategi som er fulgt hittil: Inferens i regresjon Deskriptiv analyse og dataanalyse først. Analyse av en variabel før studie av samvariasjon. Emne for dette kapittel er inferens når det er en respons
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 Statistisk inferens: 9.14: Sannsynlighetsmaksimeringsestimatoren 8.5: Fordeling til gjennomsnittet 9.4: Konfidensintervall for µ (σ kjent) Mette Langaas Foreleses mandag 11.oktober,
DetaljerMOT310 Statistiske metoder 1, høsten 2006 Løsninger til regneøving nr. 8 (s. 1) Oppgaver fra boka:
MOT30 Statistiske metoder, høsten 2006 Løsninger til regneøving nr. 8 (s. ) Oppgaver fra boka: Oppgave.5 (.3:5) ) Først om tolking av datautskriften. Sammendrag gir følgende informasjon: Multippel R =R,
DetaljerStatistisk inferens: 9.14: Sannsynlighetsmaksimeringsestimatoren 8.5: Fordeling til gjennomsnittet 9.4: Konfidensintervall for µ (σ kjent)
TMA440 Statistikk H010 Statistisk inferens: 9.14: Sannsynlighetsmaksimeringsestimatoren 8.5: Fordeling til gjennomsnittet 9.4: Konfidensintervall for µ (σ kjent) Mette Langaas Foreleses mandag 11.oktober,
DetaljerTilleggsoppgaver for STK1110 Høst 2015
Tilleggsoppgaver for STK0 Høst 205 Geir Storvik 22. november 205 Tilleggsoppgave Anta X,..., X n N(µ, σ) der σ er kjent. Vi ønsker å teste H 0 : µ = µ 0 mot H a : µ µ 0 (a) Formuler hypotesene som H 0
DetaljerEksamensoppgave i TMA4255 Anvendt statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4255 Anvendt statistikk Faglig kontakt under eksamen: Anna Marie Holand Tlf: 951 38 038 Eksamensdato: 3. juni 2016 Eksamenstid (fra til): 09:00-13:00
DetaljerKlima i Norge i 200 år (fra 1900 til 2100)
Klima i Norge i 200 år (fra 1900 til 2100) Matthias Mohr Seksjon for klimaforskning Meteorologisk institutt Klima i Norge i 200 år 1.Norges klima i dag 2.Klima i de 100 forrige år 3.Klima i de neste 100
DetaljerKapittel 3: Studieopplegg
Oversikt over pensum Kapittel 1: Empirisk fordeling for en variabel o Begrepet fordeling o Mål for senter (gj.snitt, median) + persentiler/kvartiler o Mål for spredning (Standardavvik s, IQR) o Outliere
DetaljerEksamensoppgave i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Mette Langaas a, Ingelin Steinsland b, Geir-Arne Fuglstad c Tlf: a 988 47 649, b 926 63 096, c 452 70 806
DetaljerNr. 14/2017 ISSN X METEOROLOGI Bergen, MET info. Ekstremværrapport. Hendelse: Vidar 12. januar 2017
MET info Nr. 14/2017 ISSN 1894-759X METEOROLOGI, 20.01.2017 Ekstremværrapport Hendelse: Vidar 12. januar 2017 Foto: Wenche Orrebakken, Klar tale.no Foto: Haugesundsavis Sammendrag Under ekstremværet Vidar,
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK 1000 Innføring i anvendt statistikk. Eksamensdag: Torsdag 1. juni 2006. Tid for eksamen: 09.00 12.00. Oppgavesettet er på
DetaljerGriddede atmosfære- og havprognoser Klimadataseminar, CIENS 16. oktober 2007
Griddede atmosfære- og havprognoser Klimadataseminar, CIENS 16. oktober 2007 Eivind A. Martinsen Innhold Litt om numeriske prognosemodeller Hva kjøres av prognosemodeller ved met.no Hva skjer fremover
DetaljerST0202 Statistikk for samfunnsvitere Kapittel 13: Lineær regresjon og korrelasjon
ST0202 Statistikk for samfunnsvitere Kapittel 13: Lineær regresjon og korrelasjon Bo Lindqvist Institutt for matematiske fag http://wiki.math.ntnu.no/st0202/2012h/start 2 Kap. 13: Lineær korrelasjons-
DetaljerModellvalg ved multippel regresjon notat til STK2120
Modellvalg ved multippel regresjon notat til STK2120 Ørulf Borgan februar 2016 I dette notatet vil vi se litt nærmere på hvordan vi kan velge ut hvilke forklaringsvariabler vi skal ha med i en regresjonsmodell.
DetaljerOppgavesett nr. 5. MAT110 Statistikk 1, Et transportfirma har et varemottak for lastebiler med spesialgods, se figur 1.
Innleveringsfrist: mandag 19. mars kl. 16:00 (version 01) Oppgavesett nr. 5 MAT110 Statistikk 1, 2018 Oppgave 1: ( logistikk ) Et transportfirma har et varemottak for lastebiler med spesialgods, se figur
DetaljerMIST Meteorologisk Informasjon for Statkraft -overordnet sluttrapport
no. 9/2013 Meteorologi MIST Meteorologisk Informasjon for Statkraft -overordnet sluttrapport Thor Erik Nordeng Prosjektleder met.no report Title MIST Meteorologisk Informasjon for Statkraft -overordnet
DetaljerMET info. Case studie av MEPS
Nr. MET info 16/2018 ISSN 1894-759X METEOROLOGI, 17.01.2018 Case studie av MEPS Styrtregn 6. aug 2016 og langvarig nedbør Vestlandet 8. aug 2016 Anders Doksæter Sivle, Eldbjørg Moxnes, Eivind Støylen 5007
DetaljerEKSAMEN I FAG TMA4260 INDUSTRIELL STATISTIKK
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 12 Faglig kontakt under eksamen: Bo Lindqvist Tlf. 975 89 418 EKSAMEN I FAG TMA4260 INDUSTRIELL STATISTIKK Onsdag
DetaljerNye kilder til meteorologidata
Nye kilder til meteorologidata Ivar Seierstad Teknologidagene 12. okt 2011 Forutsigbarhet som funksjon av værsituasjon Høy prediktabilitet for ensemblemidlet Lav prediktabilitet for ensemblemidlet ECMWF
DetaljerEksamensoppgave i TMA4255 Anvendt statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4255 Anvendt statistikk Faglig kontakt under eksamen: Anna Marie Holand Tlf: 951 38 038 Eksamensdato: 30. mai 2014 Eksamenstid (fra til): 09:00-13:00
DetaljerMål på beliggenhet (2.6) Beregning av kvartilene Q 1, Q 2, Q 3. 5-tallssammendrag. ST0202 Statistikk for samfunnsvitere
2 Mål på beliggenhet (2.6) Kvartiler: Deler de ordnede dataene inn i fire like store deler: ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 1. kvartil Q 1 : 25% av dataene
DetaljerMeteorologisk vurdering av planlagt luftsportsenter i Sørum kommune
MET report no. 01/2017 ISSN 2387-4201 Climate Meteorologisk vurdering av planlagt luftsportsenter i Sørum kommune Harold Mc Innes, Jostein Mamen, Knut Helge Midtbø Title: Meteorologisk vurdering av planlagt
DetaljerPrøveeksamen STK vår 2017
Prøveeksamen STK2100 - vår 2017 Geir Storvik Vår 2017 Oppgave 1 Anta en lineær regresjonsmodell p Y i = β 0 + β j x ij + ε i, j=1 ε i uif N(0, σ 2 ) Vi kan skrive denne modellen på vektor/matrise-form:
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Kap. 13: Lineær korrelasjons- og regresjonsanalyse Kap. 13.1-13.3: Lineær korrelasjonsanalyse. Disse avsnitt er ikke pensum,
DetaljerKap. 6.1: Fordelingen til en observator og stok. simulering
Kap. 6.1: Fordelingen til en observator og stok. simulering Data, observatorer og relaterte fordelinger. Stokastisk simulering. Illustrasjon: - Sammenligning av jury bedømmelser i idrett. Fra data til
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Mål på beliggenhet (2.6) Kvartiler: Deler de ordnede dataene inn i fire like store deler: 1. kvartil Q 1 : 25% av dataene
DetaljerØVINGER 2017 Løsninger til oppgaver. Øving 1
ØVINGER 017 Løsninger til oppgaver Øving 1.1. Frekvenstabell For å lage en frekvenstabell må vi telle antall observasjoner av hvert antall henvendelser. Siden antall henvendelser på en gitt dag alltid
DetaljerGodt Vann Drammen Værstasjonenes betydning i varsling
Godt Vann Drammen Værstasjonenes betydning i varsling Juleseminar 3.desember 2015 Lars Grinde, Meteorologisk institutt, Klimaavdelingen 07.12.2015 Meteorologisk institutt Kommunenes og METs felles mål
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 Ei bedrift produserer elektriske komponentar. Komponentane kan ha to typar
DetaljerDESEMBER Eiendom Norges boligprisstatistikk
DESEMBER 2016 Eiendom Norges boligprisstatistikk INNHOLD Hovedpunkter 2 Prisutviklingen 4 Volum - antall solgte boliger 7 Omsetningstid 8 Usolgte boliger 10 Boligtyper, prisutvikling 11 Datagrunnlag og
DetaljerForskningsresultater som brukes og synes ved Norsk Regnesentral
www.nr.no www.nr.no Forskningsresultater som brukes og synes ved Norsk Regnesentral André Teigland Forskningssjef SAMBA Mathilde Wilhelmsen NR er et forskningsinstitutt Privat stiftelse Anvendt oppdragsforskning
DetaljerEiendomsmeglerbransjens boligprisstatistikk
DESEMBER 215 Eiendomsmeglerbransjens boligprisstatistikk INNHOLD Hovedpunkter 2 Prisutviklingen 4 Antall solgte boliger 7 Omsetningstid 8 Antall aktive annonser 1 Boligtyper, prisutvikling 12 Datagrunnlag
DetaljerGenerelle lineære modeller i praksis
Generelle lineære modeller Regresjonsmodeller med Forskjellige spesialtilfeller Uavhengige variabler Én binær variabel Analysen omtales som Toutvalgs t-test én responsvariabel: Y en eller flere uavhengige
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 Statistisk inferens: 9.4: Konfidensintervall for µ 8.7: Student-t fordeling 8.6: Fordeling til S 2 Mette Langaas Foreleses onsdag 13.oktober, 2010 2 Estimering Mål: finne sannheten
DetaljerBefolkning og velferd ECON 1730, H2016. Regresjonsanalyse
Netto innfl. Befolkning og velferd ECON 1730, H2016 Regresjonsanalyse Problem: Gitt planer for 60 nye boliger i kommunen neste år, hvor mange innflyttere kan vi forvente? Tabell Vestby kommune Nye boliger
DetaljerDesember 2014. Eiendomsmeglerbransjens boligprisstatistikk
Desember 214 Eiendomsmeglerbransjens boligprisstatistikk Ved all publisering av data, figurer o.l. fra denne statistikken, skal Eiendom Norge, Finn.no, og Eiendomsverdi oppgis som kilde Innhold Hovedpunkter
DetaljerForelesning 7 STK3100
( % - -! " stimering: MK = ML Forelesning 7 STK3100 1 oktober 2007 S O Samuelsen Plan for forelesning: 1 Generelt om lineære modeller 2 Variansanalyse - Kategoriske kovariater 3 Koding av kategoriske kovariater
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1120 Statistiske metoder og dataanalyse 2. Eksamensdag: Mandag 30. mai 2005. Tid for eksamen: 14.30 17.30. Oppgavesettet er
DetaljerForelesning 8 STK3100/4100
Forelesning STK300/400 Plan for forelesning: 0. oktober 0 Geir Storvik. Lineære blandede modeller. Eksempler - data og modeller 3. lme 4. Indusert korrelasjonsstruktur. Marginale modeller. Estimering -
DetaljerForeleses onsdag 13.oktober, 2010
TMA440 Statistikk H010 Statistisk inferens: 9.4: Konfidensintervall for µ 8.7: Student-t fordeling 8.6: Fordeling til S Mette Langaas Foreleses onsdag 13.oktober, 010 Estimering Mål: finne sannheten om
DetaljerBeregning av kvartilen Q 1 (example 2.12) Mer repetisjon. ST0202 Statistikk for samfunnsvitere
2 Beregning av kvartilen Q 1 (eample 2.12) Data: 76 74 82 96 66 76 78 72 52 68 86 84 62 76 78 92 82 74 88 84 Utvalgsstørrelse n = 20 Step 1: Ranger fra minste til største: 52 62 66 68 72 74 74 76 76 76
DetaljerNovember 2014. Eiendomsmeglerbransjens boligprisstatistikk
November 214 Eiendomsmeglerbransjens boligprisstatistikk VED ALL PUBLISERING AV DATA, FIGURER O.L. FRA DENNE STATISTIKKEN, SKAL EIENDOM NORGE, FINN.NO, OG EIENDOMSVERDI OPPGIS SOM KILDE INNHOLD Hovedpunkter
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK2 Maskinlæring og statistiske metoder for prediksjon og klassifikasjon Eksamensdag: Torsdag 4. juni 28. Tid for eksamen: 4.3
DetaljerUNIVERSITETET I OSLO
Eksamen i: UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet STK1000 Innføring i anvendt statistikk Eksamensdag: Mandag 3. desember 2018. Tid for eksamen: 14.30 18.30. Oppgavesettet er på
DetaljerModellering av fart for vanlig sykkel og elsykkel
Modellering av fart for vanlig sykkel og elsykkel 17. februar 2017 Nina Hulleberg (TØI), nhu@toi.no Innhold Bakgrunn Litteraturgjennomgang hva er gjort tidligere? Modellering Hva er modellering? Modellering
DetaljerJanuar 2015. Eiendomsmeglerbransjens boligprisstatistikk
Januar 215 Eiendomsmeglerbransjens boligprisstatistikk VED ALL PUBLISERING AV DATA, FIGURER O.L. FRA DENNE STATISTIKKEN, SKAL EIENDOM NORGE, FINN.NO, OG EIENDOMSVERDI OPPGIS SOM KILDE INNHOLD Hovedpunkter
DetaljerFebruar 2015. Eiendomsmeglerbransjens boligprisstatistikk
Februar 215 Eiendomsmeglerbransjens boligprisstatistikk VED ALL PUBLISERING AV DATA, FIGURER O.L. FRA DENNE STATISTIKKEN, SKAL EIENDOM NORGE, FINN.NO, OG EIENDOMSVERDI OPPGIS SOM KILDE INNHOLD Hovedpunkter
DetaljerKapittel 2: Hendelser
Kapittel 2: Hendelser FENOMEN Eksperiment Utfall Utfallsrom Eksperiment. Utfall. Eksperiment Utfall Hendelse Sannsynlighet: egenskaper, gunstige vs. mulige, relativ frekvens Sannsynlighet for mer enn en
DetaljerRekrutteringsfunksjoner for sild, torsk og lodde
Rekrutteringsfunksjoner for sild, torsk og lodde Sild 0 50 100 150 200 250 300 Beverton-Holt Ricker linear regression paa log-skala 0 2 4 6 8 10 12 14 Gytebimoasse (millioner tonn) Torsk 0 5 10 15 20 25
DetaljerModellering av Customer Lifetime Value og hvordan bruke det Øystein Sørensen Data Scientist
Modellering av Customer Lifetime Value og hvordan bruke det Øystein Sørensen Data Scientist Customer Lifetime Value (CLV) Diskontert nåverdi av hele det fremtidige kundeforholdet CLV for alle kunder gir
DetaljerForelesning 17 Logistisk regresjonsanalyse
Forelesning 17 Logistisk regresjonsanalyse Logistiske regresjons er den mest brukte regresjonsanalysen når den avhengige variabelen er todelt Metoden kan brukes til å: teste hypoteser om variablers effekt
DetaljerTMA4240 Statistikk H2010 (19)
TMA4240 Statistikk H2010 (19) Hypotesetesting 10.1-10.3: Generelt om statistiske hypoteser 10.5: Ett normalfordelt utvalg Mette Langaas Foreleses mandag 25.oktober, 2010 2 Estimering og hypotesetesting
DetaljerIntroduksjon til statistikk og dataanalyse. Arild Brandrud Næss TMA4240 Statistikk NTNU, høsten 2013
Introduksjon til statistikk og dataanalyse Arild Brandrud Næss TMA4240 Statistikk NTNU, høsten 2013 Introduksjon til statistikk og dataanalyse Hollywood-filmer fra 2011 135 filmer Samla budsjett: $ 7 166
DetaljerHØGSKOLEN I STAVANGER
EKSAMEN I: MOT310 STATISTISKE METODER VARIGHET: 4 TIMER DATO: 27. FEBRUAR 2004 TILLATTE HJELPEMIDLER: KALKULATOR, TABELLER OG FORMLER I STATISTIKK (TAPIR FORLAG) OPPGAVESETTET BESTÅR AV 3 OPPGAVER PÅ 5
DetaljerAssimilasjon av radarobservasjoner i værvarslingsmodellen Harmonie
Assimilasjon av radarobservasjoner i værvarslingsmodellen Harmonie Martin S. Grønsleth, PhD, Numerisk værvarsling, FoU, met.no Kaeinfo Tallhall, 2012-02-28 Innhold 1 Intro 2 Pre-operasjonell kjøring nedbør
DetaljerHva bør gjøres når en evaluering ikke kan anvende beste metode?
Hva bør gjøres når en evaluering ikke kan anvende beste metode? Trafikdage ved Aalborg Universitet 22-23 august 2011 Rune Elvik Professor ved Aalborg Universitet og forskningsleder ved Transportøkonomisk
Detaljer2.2 Korrelasjon. Våre øyne ikke gode til å bedømme hvor sterk en sammenheng er Trenger kvantitativt mål på sammenheng Korrelasjon et slikt mål
2.2 Korrelasjon Våre øyne ikke gode til å bedømme hvor sterk en sammenheng er Trenger kvantitativt mål på sammenheng Korrelasjon et slikt mål Korrelasjon Korrelasjon: Kvantitativt mål på lineær sammenheng
DetaljerSENSORVEILEDNING FOR EKSAMENSOPPGAVEN I SVSOS107 VÅREN 2003
SENSORVEILEDNING FOR EKSAMENSOPPGAVEN I SVSOS107 VÅREN 003 Oppgave 1 Tabell 1 gjengir data fra en spørreundersøkelse blant personer mellom 17 og 66 år i et sannsynlighetsutvalg fra SSB sitt sentrale personregister.
DetaljerJANUAR 2016. Eiendom Norges boligprisstatistikk
JANUAR 2016 Eiendom Norges boligprisstatistikk INNHOLD Hovedpunkter 2 Prisutviklingen 4 Antall solgte boliger 7 Omsetningstid 8 Antall aktive annonser 10 Boligtyper, prisutvikling 12 Datagrunnlag og metode
DetaljerUtforsking av sjeldne og ukjente belastninger i ekstremt vær: Betydning av eksperimentelle studier
Utforsking av sjeldne og ukjente belastninger i ekstremt vær: Betydning av eksperimentelle studier Carl Trygve Stansberg, Trondheim 1 Uvær - Store bølger Oseberg GBS plattform (Nordsjøen), Nov 2006 (Kilde:
DetaljerNOVEMBER Eiendom Norges boligprisstatistikk
NOVEMBER 2016 Eiendom Norges boligprisstatistikk INNHOLD Hovedpunkter 2 Prisutviklingen 4 Volum - antall solgte boliger 7 Omsetningstid 8 Usolgte boliger 10 Boligtyper, prisutvikling 11 Datagrunnlag og
DetaljerEiendomsmeglerbransjens boligprisstatistikk
JULI 215 Eiendomsmeglerbransjens boligprisstatistikk INNHOLD Hovedpunkter 2 Prisutviklingen 4 Antall solgte boliger 7 Omsetningstid Antall aktive annonser 8 1 Boligtyper, prisutvikling 12 Datagrunnlag
DetaljerEiendomsmeglerbransjens boligprisstatistikk
APRIL 215 Eiendomsmeglerbransjens boligprisstatistikk INNHOLD Hovedpunkter 2 Prisutviklingen 4 Antall solgte boliger 7 Omsetningstid 8 Antall aktive annonser 1 Boligtyper, prisutvikling 12 Datagrunnlag
DetaljerBenchmarking av distribusjon alternative modeller
Benchmarking av distribusjon alternative modeller Endre Bjørndal, NHH Johannes Klein, NHH / Bergen Energi Næringspolitisk verksted EnergiNorge, 27/9-2011 www.nhh.no Disposisjon Innledning Dagens modell
DetaljerNORCEM A.S FoU Avd. RAPPORT NR. GRADERING Åpen 9D4/03017 OPPDRAG
RAPPOR NR. OPPDRAG NORCEM A.S FoU Avd. 9D4/03017 UNDERSØKELSE AV SAMMENHENGEN MELLOM KARAKERISIKA FOR BEONG MED HENSYN IL FAREN FOR ALKALI REAKSJONER OG ENDENS IL RISSDANNELSER OPPDRAGSGIVER/ REKVIREN
DetaljerPraktisk bruk av maskinlæring i vedlikehold
Praktisk bruk av maskinlæring i vedlikehold MainTech konferansen 2018 Andreas Marhaug. Trondheim 04.04.2018 Alpinlandslaget https://www.dagbladet.no/sport/osterrike-og-sveits-fortviler-etter-norskalpinrevolusjon---hva-i-all-verden-driver-norge-med/67657591/amp
DetaljerEiendomsmeglerbransjens boligprisstatistikk
MAI 215 Eiendomsmeglerbransjens boligprisstatistikk INNHOLD Hovedpunkter 2 Prisutviklingen 4 Antall solgte boliger 7 Omsetningstid 8 Antall aktive annonser 1 Boligtyper, prisutvikling 12 Datagrunnlag og
DetaljerTillatte hjelpemidler: C3: alle typer kalkulator, alle andre hjelpemidler
EKSAMENSOPPGAVER Institutt: Eksamen i: Tid: Emneansvarlig: IKBM STAT100 Tirsdag 28.mai 2013 Solve Sæbø STATISTIKK 09.00-12.30 (3.5 timer) Tillatte hjelpemidler: C3: alle typer kalkulator, alle andre hjelpemidler
DetaljerMOT 310 Statistiske metoder 1 Løsningsforslag til eksamen høst 2006, s. 1. Oppgave 1
MOT 310 Statistiske metoder 1 Løsningsforslag til eksamen høst 2006, s. 1 Oppgave 1 a) Normalantakelse: Målingene x 1,..., x 21 og y 1,..., y 8 betraktes som utfall av tilfeldige variable X 1,..., X 21
DetaljerAnalyse av data relatert til friksjonsmålinger og ulykkesfrekvens ved to veistrekninger i Oslo i perioden 2001-2009
Analyse av data relatert til friksjonsmålinger og ulykkesfrekvens ved to veistrekninger i Oslo i perioden 2001-2009 Notatnr Forfattere SAMBA/15/10 Magne Aldrin Ragnar Bang Huseby Dato 26. mars 2010 Norsk
DetaljerEksamensoppgåve i TMA4255 Anvendt statistikk
Institutt for matematiske fag Eksamensoppgåve i TMA4255 Anvendt statistikk Fagleg kontakt under eksamen: Anna Marie Holand Tlf: 951 38 038 Eksamensdato: 3. juni 2016 Eksamenstid (frå til): 09:00-13:00
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: ST 202 Statistiske slutninger for den eksponentielle fordelingsklasse. Eksamensdag: Fredag 15. desember 1995. Tid for eksamen:
DetaljerFormelsamling i medisinsk statistikk
Formelsamling i medisinsk statistikk Versjon av 6. mai 208 Dette er en formelsamling til O. O. Aalen (red.): Statistiske metoder i medisin og helsefag, Gyldendal, 208. Gjennomsnitt x = n (x + x 2 + x 3
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1110 Statistiske metoder og dataanalyse 1 Eksamensdag: Mandag 30. november 2015. Tid for eksamen: 14.30 18.00. Oppgavesettet
DetaljerMOT310 Statistiske metoder 1, høsten 2006 Løsninger til regneøving nr. 7 (s. 1) Oppgaver fra boka: n + (x 0 x) 2 σ2
MOT310 Statistiske metoder 1, høsten 2006 Løsninger til regneøving nr. 7 (s. 1) Oppgaver fra boka: Oppgave 11.27 (11.6:13) Modell: Y i = α + βx i + ε i der ε 1,..., ε n u.i.f. N(0, σ 2 ). Skal finne konfidensintervall
DetaljerTrondheim Roar Inge Hansen Storm Weather Center
Trondheim 18.11.28 Roar Inge Hansen Storm Weather Center roar.hansen@storm.no Statistikk Eksempler på statistiske parametre for verifisering av prognoser: 1. Bias 2. Standardavvik / Root mean square 3.
DetaljerEksamensoppgåve i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgåve i TMA4240 Statistikk Fagleg kontakt under eksamen: Mette Langaas a, Ingelin Steinsland b, Geir-Arne Fuglstad c Tlf: a 988 47 649, b 926 63 096, c 452 70 806
DetaljerForelesning 18 SOS1002
Forelesning 8 SOS002 Bruk av regresjonsmodeller til å predikere verdier? Hvordan kan vi predikere timelønn ut fra denne lineære regresjonsmodellen? B SEB Beta t Sig. t Kvinner(kvinne=, mann=0) -4,0 0,96-0,23-4,66
DetaljerUNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1120 Statistiske metoder og dataanalyse 2 Eksamensdag: Mandag 4. juni 2007. Tid for eksamen: 14.30 17.30. Oppgavesettet er
DetaljerJUNI Eiendom Norges boligprisstatistikk
JUNI 2016 Eiendom Norges boligprisstatistikk INNHOLD Hovedpunkter 2 Prisutviklingen 4 Volum - antall solgte boliger 7 Omsetningstid 8 Usolgte boliger 10 Boligtyper, prisutvikling 11 Datagrunnlag og metode
DetaljerJULI Eiendom Norges boligprisstatistikk
JULI 2016 Eiendom Norges boligprisstatistikk INNHOLD Hovedpunkter 2 Prisutviklingen 4 Volum - antall solgte boliger 7 Omsetningstid 8 Usolgte boliger 10 Boligtyper, prisutvikling 11 Datagrunnlag og metode
DetaljerOKTOBER Eiendom Norges boligprisstatistikk
OKTOBER 2016 Eiendom Norges boligprisstatistikk INNHOLD Hovedpunkter 2 Prisutviklingen 4 Volum - antall solgte boliger 7 Omsetningstid 8 Usolgte boliger 10 Boligtyper, prisutvikling 11 Datagrunnlag og
DetaljerAUGUST Eiendom Norges boligprisstatistikk
AUGUST 2016 Eiendom Norges boligprisstatistikk INNHOLD Hovedpunkter 2 Prisutviklingen 4 Volum - antall solgte boliger 7 Omsetningstid 8 Usolgte boliger 10 Boligtyper, prisutvikling 11 Datagrunnlag og metode
DetaljerL12-Dataanalyse. Introduksjon. Nelson Aalen plott. Page 76 of Introduksjon til dataanalyse. Levetider og sensurerte tider
Page 76 of 80 L12-Dataanalyse Introduksjon Introduksjon til dataanalyse Presentasjonen her fokuserer på dataanalyseteknikker med formål å estimere parametere (MTTF,, osv) i modeller vi benytter for vedlikeholdsoptimering
DetaljerTMA4240 Statistikk Høst 2016
TMA4240 Statistikk Høst 2016 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 12 Denne øvingen består av oppgaver om enkel lineær regresjon. De handler blant
DetaljerNoen Statistiske utfordringer ved analyse av PROM
Noen Statistiske utfordringer ved analyse av PROM Kyrre Breivik Uni Research Helse, RKBU-Vest RKBU-Vest Pasientrapporterte data Flere statistiske utfordringer ved analyse av PROM (f.eks. missing, validitet,
Detaljer