280 likes | 392 Views
Statistik for geografer. Lektion 6. Tidsrække Analyse. Proces som varierer over tid Observationer til bestemte tidspunkter Eksempler. y 1 , y 2 , …,y k , …,y n Langtidsændring i klima Efterspørgslen på elektricitet BNP i perioden 1945 - 2004. Tidsrække Analyse.
E N D
Statistik for geografer Lektion 6
Tidsrække Analyse • Proces som varierer over tid • Observationer til bestemte tidspunkter • Eksempler y1, y2, …,yk, …,yn Langtidsændring i klima Efterspørgslen på elektricitet BNP i perioden 1945 - 2004
Tidsrække Analyse • Præcis beskrivelse af de karakteristiske træk • Modellere de typiske træk • Lave forudsigelser • Kontrollere processen Deskriptiv statistik Forklarende variable Extrapolationud fra modellen Ændre på de forklarende variable
Ønske Måling = Noget Pænt + Støj Systematisk del Tilfældig del Grundlæggende Antagelse Målingen i dag ligner målingerne i den nærmeste fortid og fremtid
Dekomponering af tidsrækker Måling = Glat del + Støj Støj =Måling - Glat del Rest = Måling - Vores bud på den Glatte del Ligner den tilfældig støj?
Mere teoretisk: • Hvor er den glatte del og • er støjen, dvs. den stokastiske del
Glidende Gennemsnit • Høj orden contra lav orden • Outliers • Lige orden
Yderligere Dekomponering Måling = Systematisk del + Støj Trend + … + Sæsonvariation Hvordan får man en tidsrække dekomponeret i individuelle mønstre????
Glidende Gennemsnit • Bestem orden • Vælg Funktion • Udpeg variabel
Sandsynlighedsregning • Statistisk eksperiment • Udfald • Udfaldsrum • Hændelse Random trial Noget hvor et ud af flere mulige udfald indtræffer Elementary outcome Resultatet af eksperimentet Sample space Mængden af alle mulige udfald Event Delmængde af udfaldsrummet
Sandsynlighedsmål S • 0 ≤ P(Ei) ≤ 1 • P(A) = Σ P(Ei) • P(S) = 1 og P(Ø) = 0 E2 A E1 E3 En
Hvordan bestemmes sandsynligheden? • Model-betragtning • Objektiv metode • Subjektiv metode Mønt, kortspil osv. Frekvensfortolkning Det afhænger af, hvem man spørger!!!
De fire tælleregler • Produktreglen • Permutationsreglen • Kombinationsreglen • Den hypergeometriske regel
Additions-sætningen S A B P(AUB) = P(A) + P(B) – P(A∩B)
Eksemplet fortsat P(A|B) = P(A∩B) / P(B) P(Moderen røg) = 10/30 = 33.3% P(Apgar < 7) = 11/30 = 36.7% P(Moderen røg og Apgar < 7) = 8/30 = 26.7% P(Apgar < 7| Moderen røg) = 26.7% / 33.3 % = 8/10 = 80.0%
Bayes’ formel P(Brun) = 35% P(Lus|Blond) = 20% P(Lus) = ???
Bayes’ formel fortsat P(Lus|Blond) = P(Lus ∩ Blond)/P(Blond) P(Lus ∩ Blond) = P(Blond) P(Lus|Blond) = 0.4 · 0.2 = 8% P(Lus) = P(Lus ∩ Brun) + P(Lus ∩ Blond) + P(Lus ∩ Sort) + P(Lus ∩ Rød) = 0.12 · 0.35 + 0.20 · 0.40 + 0.08 · 0.20 + 0.25 · 0.05 = 15.1%
Bayes’ formel fortsat P(Rød|Lus) = ??? P(Rød|Lus)= P(Lus ∩ Rød)/P(Lus) = 0.25 · 0.05/0.151 = 8.3%
Den hypergeometriske fordeling Fra en population på N elementer, hvoraf d er defekte, udtages en stikprøve på n elementer. Hvis X er antal defekte i stikprøven fås
Eksempel En population består af 30 æbler, hvoraf 5 er rådne. Der udtages en stikprøve på 4 æbler. Kaldes X for antal rådne æbler i stikprøven fås