Planering av flygplatser
|
|
- Carl-Johan Nyberg
- för 6 år sedan
- Visningar:
Transkript
1 Fö 2: Prognostisering Tobias Andersson
2 Källor Delar av materialet till denna föreläsning är hämtat från: Kap 7 av Airport Planning av Lynn S. Bezilla Edlund, Högberg, Leonardz: Beslutsmodeller redskap för ekonomisk argumentation Magnusson, E., Ambulanslogistik - prognostisering av ambulansuppdrag, Examensarbete, LITH-ITN-KTS 07/009--SE 2
3 Prognoser Prognosis (gr) betyder förutsägelse En prognos kan vara Värdet på en variabel vid en viss tidpunkt Tidpunkten för en händelse Resultatet av en händelse Syfte Organisera och analysera befintlig kunskap så att osäkerheten i en beslutssituation minskar Resurser Reduktionen i osäkerhet är vanligen proportionell mot kostnaden för prognosen Förlust pga osäkerhet måste vägas mot kostnaden för prognosen 3
4 Varför behövs prognoser vid planering av flygplatser? Shortterm Upp till 5 år Mediumterm 6-10 år Diskutera! Longterm 10 år och längre
5 Använda prognoser Planeringen baseras på prognoser, men det fysiska arbetet påbörjas inte förrän behovet uppstår Pengar kan dock behöva sättas av för investeringar innan En prognos är bra om den lyckas förutsäga framtiden En prognos anses bra om beslutsfattare i nyckelpositioner accepterar den Endast en uppsättning prognoser bör finnas för en flygplats Flera prognoser bör göras för olika scenarier Prognoserna bör uppdateras varje år
6 Vad är det man ser i en prognos?
7 Egenskaper hos prognosen FAA rekommenderar at prognosen ska: Vara realistisk Använda senaste datan Spegla nuvarande förhållanden på flygplatsen Stödjas av dokumentation Stödja och rättfärdiga planer och utveckling av flygplasten Bezilla tycker också att den ska bygga på: Enkelhet Den ska vara lätt att förklara Konsistens Logik Hänga ihop med andra och tidigare prognoser Om den skiljer sig, ska detta kunna förklaras Ta hänsyn till pågående initiativ (marknadsföring, byggnationer, etc) Expertkunskaper bör byggas in i modellen
8 Vad ska prognostiseras? Diskutera! Vad ska planeras? Vad ska prognostiseras för att kunna göra bra planering? För vilka tidsperioder ska man prognostisera? 8
9 Tidsperiod Medelvärden År Vecka Dag Hur få data? Peak Peak month Peak day Peak hour Flygplatser planeras inte efter perioden (timme, dag) med allra mest trafik utan bryts ner tex från peak månad Funkar hyggligt för peakdag Svårare för peak-timme (data på timnivå nödvändig) 9
10 Passagerare De som går på planet (boarding) Ursprungspassagerare Anslutande passagerare Använder olika faciliteter och ligger därmed till grund för olika typer av planering
11 Gods Till grund för godsterminalplanering och personalplanering Kan vara svårt att hitta data
12 Flygprognoser Rörelser Planering av airside, personal Statistik från FAA, LFV, ACR, TS Flygplan med flygplatsen som bas Planering av hangarer, bränsle, underhåll, etc. Flygplansmix Underlag för buller-studier, kapacitetsstudier, gateplanering, etc. Data från ANSP, TS Socioekonomisk data För efterfrågeprognoser, regressionsanalys Tex från SCB
13 Prognosmodeller Kvalitativa modeller Bygger på åsikter och bedömningar (från experter) Långsiktiga prognoser Historisk data saknas Kvantitativa modeller Matematiska Historisk data används Extrapolering av historiska värden Kausala modeller Tidsseriemodeller 13
14 Efterfrågemodell Man skiljer ibland på efterfrågemodell och prognosmetod Efterfrågemodellen är en beskrivning av den process som genererar efterfrågan Efterfrågemodellen skattas av historisk data Prognosmetoden baseras på efterfrågemodellen Innan man väljer prognosmetod bör man ha skaffat sig en god uppfattning om hur efterfrågan historiskt sett ut 14
15 Metodik Visualisering/analys av historisk data -> efterfrågemodell Val av prognosmetod baserat på efterfrågemodellen Validering av prognosmodellen 15
16 Analys av historisk data Plotta data Tex i Excel, Matlab, etc Aggregera på olika tidsintervall för att hitta olika effekter Antal händelser per månad Antal händelser per dag Antal händelser per timme Bestäm vilka faktorer som ska ingå i prognosen 16
17 Antal uppdrag per dag 140 Summa av Antal Totalt Linjär (Totalt) Datum Källa: Magnusson,
18 Antal uppdrag per månad 2500 Summa av Antal Totalt Månad Källa: Magnusson,
19 Antal uppdrag per veckodag 3600 Summa av Antal Totalt Måndag Tisdag Onsdag Torsdag Fredag Lördag Söndag Källa: Magnusson, 2007 Veckodag 19
20 250 Summa av Antal Veckodag Måndag Tisdag Onsdag Torsdag Fredag Lördag Söndag Källa: Magnusson, 2007 Timme 20
21 Metodik Visualisering/analys av historisk data -> efterfrågemodell Val av prognosmetod baserat på efterfrågemodellen Validering av prognosmodellen 21
22 Faktorer vid prognosmodellval Tidshorisont Kortsiktiga (max 1 år) Medellånga (5-10 år) Långsiktiga (20 år och framåt) Långa tidshorisont ger större osäkerhet och mindre nytta av historiska data Datamönster T (Trend) K (Konjunktur) S (Säsong) ε (Slumpterm) Impulser (tillfälliga effekter) Nivåförändringar Trendbrott 22
23 Faktorer vid prognosmodellval Kostnad Komplexitet i modellen ger ökad kostnad Noggrannhet Förmåga att generera prognoser som ligger nära det riktiga värdet Tillgång på data Kan vara svårt speciellt för kausala modeller Användarvänlig Detaljnivå Samma variabel kan prognostiseras på olika detaljnivå Efterfrågan Årsefterfrågan Per försäljningskanal Per månad Nedbrutet på komponentnivå Delprognoserna bör summera till totalprognosen 23
24 Kvantitativa prognosmetoder Naiva modeller Utjämningsmodeller Komponentuppdelningsmodeller Regressionsmodeller y t = prognosvariablens riktiga värde period t y * t+k = prognos för y i period t+k x t = förklarande variabel e t = y t y * t = prognosfelet 24
25 Naiva modeller Enklast: y * t+1 = y t Säsong: y * t+1 = y t-11 Trend: y * t+1 = y t + T t (alt T t y t ) Används ofta för att jämföra mot mer avancerade modeller 25
26 Utjämningsmodeller Slumpmässig variation gör att naiva modeller fungerar dåligt Utjämningsmodeller jämnar ut prognosen till en jämnare nivå Glidande medeltal: t = y N i= t N * 1 t + k i + 1 N väljs så att prognosfelet minimeras y 26
27 Planering av flygplatser Glidande medeltal exempel 8 November, 2016 TNFL06 Tobias Andersson 27
28 28
29 Exponentiell utjämning Glidande medeltal ger alla observationer samma vikt, och kastar observationer äldre än N perioder bak i tiden Exponentiell utjämning ger nya observationer större vikt, och behåller all information sedan start Enkel exponentiell utjämning (för nivåserier) Dubbel exponentiell utjämning (vid trend) Winters metod för exponentiell utjämning (vid trend och säsong) 29
30 Enkel exponentiell utjämning y * t+k = αy t + (1-α)y * t 0 < α < 1 α bestäms genom försök Vad gör man om det kommer kraftigt avvikande observationer? 30
31 Enkel exp utj exempel y * t+k = αy t + (1-α)y * t 31
32 32
33 Dubbel exponentiell utjämning y * t+k = a t + b t k a är nivån tid tiden t, b är trenden vid tiden t Både a och b kan uppdateras när nya observationer görs y t = αy t + (1-α)y t-1 y t = αy t + (1-α)y t-1 a t = 2y t y t b t = α/(1- α) (y t-y t) 33
34 Dubbel ex utj exempel 34
35 Planering av flygplatser 8 November, 2016 TNFL06 Tobias Andersson 35
36 Planering av flygplatser Winters exponentiella utjämning y*t+k = (y t + btk) St-L+k 8 November, 2016 TNFL06 Tobias Andersson 36
37 Komponentuppdelningsmodeller I traditionell tidsserieanalys finns fyra komponenter: Trend, Konjunktur, Säsong och Slump Om tidsserien kan delas upp i dessa komponenter kan slutsatser dras om deras betydelse y t = T t S t ε t 1. skatta trendkomponeneten 2. eliminera trendkomponeneten 3. skatta säsongskomponenten 4. säsongsrensa 5. kontroll att enbart slumptermen återstår 6. prognos 37
38 Regressionsmodeller Regressionsanalys Grafiska och analytiska metoder för att bestämma samband mellan en beroende variabel och en (enkel regression) eller flera (multipel regression) förklarande variabler y = α + β 1 x 1 + β 2 x β k x k + ε Ingående parametrar skattas genom minimering av prognosfelen (minsta-kvadrat-metoden (MKM)) Vid enkel regression med tiden som förklarande variabel blir det en tidsseriemodell, annars en kausal modell Som mått på sambandets styrka används andelen förklarad variation r 2 (vid enkel regression) eller förklaringsgraden R 2. Höga värden på R 2 ger ett starkt statistiskt samband (behöver dock inte vara kausalt) 38
39 Minsta-kvadrat-metoden Linjär modell, enkel regression y t = a + bx t Minimera summan av kvadratfelen: Min sum_t (y t (a + bx t )) 2 Mätvärden för ett antal y t och x t existerar Hur får vi a och b? 39
40 Regressionsanalys exempel År Försäljning [st] Pris [kr/st] [129] [81] y t = x t : r 2 = 0.79 y t = t : r 2 = Grafisk analys 2. Val av modell y t = α + βx t + ε t y t = α + βt + ε t 3. Skattning av modell Räkna fram α och β genom MKM, eller använd Excel 4. Tolkning av resultat 5. Prognos 40
41 Metodik Visualisering/analys av historisk data -> efterfrågemodell Val av prognosmetod baserat på efterfrågemodellen Validering av prognosmodellen 41
42 Utvärdering av prognoser Prognosfel Slumpmässiga Medelvärdet nära noll Systematiska Medelvärde skiljt från noll Noggrannhet: överensstämmelse mot korrekt värde Precision: graden av variation Prognosfel beror på Mätfel Slumpmässig variation Felaktig prognosmodell Ändrade förutsättningar 42
43 Mått på prognosfel Medelkvadratfelet: MSE = sum(e 2 )/ n Bestraffar stora avvikelser hårt Medelfelet: ME = sum(e)/n Bör vara nära noll om inte systematiskt fel Medelabsolutfelet: MAE = sum( e )/n Bestraffar inte stora avvikelser lika hårt som MSE 43
44 Valideringsmetodik Om tillräckligt med data finns Dela upp data i två mängder En kalibreringsmängd En valideringsmängd Kalibreringsmängden kan vara större än valideringsmängden Analysera först hela mängden för att välja rätt modell Kalibrera (bestäm värden på parametrar i modellen), enbart baserat på kalibreringsmängdens data Validera modellen med valideringsmängdens data Om en systemförändring skett (tex en ny flight, terminal eller bana har tillkommit) fungerar inte detta 44
45 Valideringsmetoder Beräkna prognos, jämför mot faktiskt utfall Beräkna medelfel, medelabsolutfel, etc Kontrollera grafer, kartor, etc visuellt för att kolla så att prognosen ser vettig ut Låt experter bedöma prognosen Hitta förklaringar för eventuella avvikelser Känslighetsanalys Hur mycket varierar prognosen om indata varieras? Hur påverkas beslut som ska baseras på prognosen, beroende på hur prognosen ser ut? Hur vet man om den är valid? Går inte att säga i det enskilda fallet Den behöver inte stämma perfekt, så länge den kan anses användbar I slutändan måste en subjektiv bedömning göras, i bästa fall av flera systemexperter som är ense 45
46 Metodik Visualisering/analys av historisk data -> efterfrågemodell Val av prognosmetod baserat på efterfrågemodellen Validering av prognosmodellen 46
Planering av Räddningssystem. Fö 5: Modellering av indata. Tobias Andersson Granberg
Planering av Räddningssystem Fö 5: Modellering av indata Tobias Andersson Diskussionsuppgift Designa ett räddningssystem för området. + Diskutera behov, och hur dessa kan förutsägas. Vilken data behövs?
Läs merF11. Kvantitativa prognostekniker
F11 Kvantitativa prognostekniker samt repetition av kursen Kvantitativa prognostekniker Vi har gjort flera prognoser under kursen Prognoser baseras på antagandet att historien upprepar sig Trenden följer
Läs merFöreläsning 3. Prognostisering: Prognosprocess, efterfrågemodeller, prognosmodeller och prognosverktyg
Föreläsning 3 Prognostisering: Prognosprocess, efterfrågemodeller, prognosmodeller och prognosverktyg Kursstruktur Innehåll Föreläsning Lektion Laboration Introduktion, produktionsekonomiska Fö 1 grunder,
Läs mer732G71 Statistik B. Föreläsning 9. Bertil Wegmann. December 1, IDA, Linköpings universitet
732G71 Statistik B Föreläsning 9 Bertil Wegmann IDA, Linköpings universitet December 1, 2016 Bertil Wegmann (IDA, LiU) 732G71, Statistik B December 1, 2016 1 / 20 Metoder för att analysera tidsserier Tidsserieregression
Läs merSveriges bruttonationalprodukt Årsdata. En kraftig trend.
Vad är tidsserier? En tidsserie är en mängd av observationer y t, där var och en har registrerats vid en specifik tidpunkt t. Vanligen görs mätningarna vid vissa tidpunkter och med samma avstånd mellan
Läs merRäkneövning 4. Om uppgifterna. 1 Uppgift 1. Statistiska institutionen Uppsala universitet. 14 december 2016
Räkneövning 4 Statistiska institutionen Uppsala universitet 14 december 2016 Om uppgifterna Uppgift 2 kan med fördel göras med Minitab. I de fall en gur för tidsserien efterfrågas kan du antingen göra
Läs merRegressions- och Tidsserieanalys - F8
Regressions- och Tidsserieanalys - F8 Klassisk komponentuppdelning, kap 7.1.-7.2. Linda Wänström Linköpings universitet November 26 Wänström (Linköpings universitet) F8 November 26 1 / 23 Klassisk komponentuppdelning
Läs merTillämpad statistik (A5), HT15 Föreläsning 24: Tidsserieanalys III
Tillämpad statistik (A5), HT15 Föreläsning 24: Tidsserieanalys III Sebastian Andersson Statistiska institutionen Senast uppdaterad: 16 december 2015 är en prognosmetod vi kan använda för serier med en
Läs mer732G71 Statistik B. Föreläsning 8. Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 23
732G71 Statistik B Föreläsning 8 Bertil Wegmann IDA, Linköpings universitet Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 23 Klassisk komponentuppdelning Klassisk komponentuppdelning bygger på en intuitiv
Läs merVad Betyder måtten MAPE, MAD och MSD?
Vad Betyder måtten MAPE, MAD och MSD? Alla tre är mått på hur bra anpassningen är och kan användas för att jämföra olika modeller. Den modell som har lägst MAPE, MAD och/eller MSD har bäst anpassning.
Läs merSveriges bruttonationalprodukt Årsdata. En kraftig trend.
Vad är tidsserier? En tidsserie är en mängd av observationer y t, där var och en har registrerats vid en specifik tidpunkt t. Vanligen görs mätningarna vid vissa tidpunkter och med samma avstånd mellan
Läs merRäkneövning 5. Sebastian Andersson Statistiska institutionen Uppsala universitet 7 januari För Uppgift 2 kan man med fördel ta hjälp av Minitab.
Räkneövning 5 Sebastian Andersson Statistiska institutionen Uppsala universitet 7 januari 016 1 Om uppgifterna För Uppgift kan man med fördel ta hjälp av Minitab. I de fall en figur för tidsserien efterfrågas
Läs merTidsserier. Data. Vi har tittat på två typer av data
F9 Tidsserier Data Vi har tittat på två typer av data Tvärsnittsdata: data som härrör från en bestämd tidpunkt eller tidsperiod Tidsseriedata: data som insamlats under en följd av tidpunkter eller tidsperioder
Läs merFöreläsning 12: Linjär regression
Föreläsning 12: Linjär regression Matematisk statistik Chalmers University of Technology Oktober 4, 2017 Exempel Vi vill undersöka hur ett ämnes specifika värmeskapacitet (ämnets förmåga att magasinera
Läs merSpelschema för årets fotbollsmästerskap! island tyskland Söndag 14/7 Växjö Arena, Växjö. Söndag 14/7 Kalmar Arena, Kalmar
! Onsdagen 10/7 Onsdagen 10/7 Torsdag 11/7 Torsdag 11/7, Fredag 12/7 Fredag 12/7 Lördag 13/7 Lördag 13/7 Söndag 14/7 Söndag 14/7 Måndag 15/7 Måndag 15/7 Tisdag 16/7 Tisdag 16/7 Onsdag 17/7 Onsdag 17/7
Läs merPlanering av flygplatser
Fö 1: Systemplanering Planering av flygplatser Följande material är i huvudsak baserat på kap 6 i Airport Planning av Lynn S. Bezilla Olika typer av planer för flygplatser Strategisk plan Tar fram en långsiktig
Läs merSTOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Linda Wänström. Omtentamen i Regressionsanalys
STOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Linda Wänström Omtentamen i Regressionsanalys 2009-01-08 Skrivtid: 9.00-14.00 Godkända hjälpmedel: Miniräknare utan lagrade formler. Tentamen består
Läs merFinansiell statistik
Finansiell statistik Föreläsning 5 Tidsserier 4 maj 2011 14:26 Vad är tidsserier? En tidsserie är en mängd av observationer y t, där var och en har registrerats vid en specifik tidpunkt t. Vanligen görs
Läs merPlanering av Flygtrafik. Fö 2: Flygbolag Strategiska frågeställningar
Planering av Flygtrafik Fö 2: Flygbolag Strategiska frågeställningar Varför växer flygtrafiken? Ökad levnadsstandard Fler har råd att flyga, och att betala för flygfrakt Ökad säkerhet Fler vågar använda
Läs merFöreläsning 13: Multipel Regression
Föreläsning 13: Multipel Regression Matematisk statistik Chalmers University of Technology Oktober 9, 2017 Enkel linjär regression Vi har gjort mätningar av en responsvariabel Y för fixerade värden på
Läs merTillämpad statistik (A5), HT15 Föreläsning 22: Tidsserieanalys I
Tillämpad statistik (A5), HT15 Föreläsning 22: Tidsserieanalys I Sebastian Andersson Statistiska institutionen Senast uppdaterad: 15 december 2015 Data kan generellt sett delas in i tre kategorier: 1 Tvärsnittsdata:
Läs merVälja prognosmetod En översikt
Handbok i materialstyrning - Del F Prognostisering F 01 Välja prognosmetod En översikt All materialstyrning med avseende på att bestämma när nya inleveranser till lager skall planeras in och hur stora
Läs merValidering av befolkningsprognos för Vilhelmina. Att göra en befolknings-prognos i raps
Validering av befolkningsprognos för Vilhelmina Befolkningsprognoser Att beräkna befolkningsprognoser är svårt. Även om alla parametrar är perfekt uträknade efter vad som har hänt och vad som man rimligen
Läs merHöftledsdysplasi hos dansk-svensk gårdshund
Höftledsdysplasi hos dansk-svensk gårdshund Sjö A Sjö B Förekomst av parasitdrabbad öring i olika sjöar Sjö C Jämföra medelvärden hos kopplade stickprov Tio elitlöpare springer samma sträcka i en för dem
Läs merFöreläsning 12: Regression
Föreläsning 12: Regression Matematisk statistik David Bolin Chalmers University of Technology Maj 15, 2014 Binomialfördelningen Låt X Bin(n, p). Vi observerar x och vill ha information om p. p = x/n är
Läs merPrediktera. Statistik för modellval och prediktion. Trend? - Syrehalt beroende på kovariater. Sambands- och trendanalys
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren Prediktera Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/28 Statistik för modellval
Läs mer1/23 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet
1/23 REGRESSIONSANALYS F4 Linda Wänström Statistiska institutionen, Stockholms universitet 2/23 Multipel regressionsanalys Multipel regressionsanalys kan ses som en utvidgning av enkel linjär regressionsanalys.
Läs merStokastiska processer med diskret tid
Stokastiska processer med diskret tid Vi tänker oss en följd av stokastiska variabler X 1, X 2, X 3,.... Talen 1, 2, 3,... räknar upp tidpunkter som förflutit från startpunkten 1. De stokastiska variablerna
Läs merRegressions- och Tidsserieanalys - F1
Regressions- och Tidsserieanalys - F1 Kap 3: Enkel linjär regression Linda Wänström Linköpings universitet November 4, 2013 Wänström (Linköpings universitet) F1 November 4, 2013 1 / 25 Statistik B, 8 hp
Läs merSkriftlig Tentamen i Finansiell Statistik Grundnivå 7.5 hp, HT2012
Statistiska Institutionen Patrik Zetterberg Skriftlig Tentamen i Finansiell Statistik Grundnivå 7.5 hp, HT2012 2013-01-18 Skrivtid: 9.00-14.00 Hjälpmedel: Godkänd miniräknare utan lagrade formler eller
Läs mer10.1 Enkel linjär regression
Exempel: Hur mycket dragkraft behövs för att en halvledare skall lossna från sin sockel vid olika längder på halvledarens ben. De halvledare vi betraktar är av samma storlek (bortsett benlängden). 70 Scatterplot
Läs merPrognostisering med exponentiell utjämning
Handbok i materialstyrning - Del F Prognostisering F 23 Prognostisering med exponentiell utjämning Det som karakteriserar lagerstyrda verksamheter är att leveranstiden till kund är kortare än leveranstiden
Läs merPrognoser. ekonomisk-teoretisk synvinkel. Sunt förnuft i kombination med effektiv matematik ger i regel de bästa prognoserna.
Prognoser Prognoser i tidsserier: Gissa ett framtida värde i tidsserien killnad gentemot prognoser i regression: Det framtida värdet tillhör inte dataområdet. ftet med en prognosmodell är att göra prognos,
Läs merRegressions- och Tidsserieanalys - F1
Regressions- och Tidsserieanalys - F1 Kap 3: Enkel linjär regression Linda Wänström Linköpings universitet May 4, 2015 Wänström (Linköpings universitet) F1 May 4, 2015 1 / 25 Regressions- och tidsserieanalys,
Läs merTENTAMEN I REGRESSIONSANALYS OCH TIDSSERIEANALYS
STOCKHOLMS UNIVERSITET Statistiska institutionen Marcus Berg VT2014 TENTAMEN I REGRESSIONSANALYS OCH TIDSSERIEANALYS Fredag 23 maj 2014 kl. 12-17 Skrivtid: 5 timmar Godkända hjälpmedel: Kalkylator utan
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Linjär Regression Uwe Menzel, 2018 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Linjär Regression y i y 5 y 3 mätvärden x i, y i y 1 x 1 x 2 x 3 x 4 x 6 x
Läs merFÅ FRAM INDATA. När inga data finns!? Beslutsfattarens dilemma är att det är svårt att spå! Särskilt om framtiden!
FÅ FRAM INDATA När inga data finns!? Beslutsfattarens dilemma är att det är svårt att spå! Särskilt om framtiden! (Falstaff Fakir) Svårigheter att få fram bra information - en liten konversation Ge mig
Läs merStatistiska Institutionen Gebrenegus Ghilagaber (docent) Skriftlig tentamen i FINANSIELL STATISTIK, grundnivå, 7,5 hp, HT08. Torsdagen 15 januari 2009
Statistiska Institutionen Gebrenegus Ghilagaber (docent) Skriftlig tentamen i FINANSIELL STATISTIK, grundnivå, 7,5 hp, HT08. Torsdagen 15 januari 009 Skrivtid: 5 timmar (13-18) Hjälpmedel: Miniräknare,
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 9 Statistiska metoder 1 Dagens föreläsning o Regression Regressionsmodell Signifikant lutning? Prognoser Konfidensintervall Prediktionsintervall Tolka Minitab-utskrifter o Sammanfattning Exempel
Läs merUtvärdering av regeringens prognoser
Rapport till Finanspolitiska rådet 2017/3 Utvärdering av regeringens prognoser Pär Stockhammar Konjunkturinstitutet De åsikter som uttrycks i denna rapport är författar[ens/nas] egna och speglar inte nödvändigtvis
Läs merPrognostisering med glidande medelvärde
Handbok i materialstyrning - Del F Prognostisering F 21 Prognostisering med glidande medelvärde Det som karakteriserar lagerstyrda verksamheter är att leveranstiden till kund är kortare än leveranstiden
Läs merTentamen för kursen. Linjära statistiska modeller. 22 augusti
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 22 augusti 2008 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se Återlämning: Rum 312, hus
Läs merReducering av svinnet i fa rskvaruhandeln genom fo rba ttrade efterfra geprognoser
Reducering av svinnet i fa rskvaruhandeln genom fo rba ttrade efterfra geprognoser Andreas Hellborg, Martin Mellvé och Martin Strandberg Institutionen för Produktionsekonomi Lunds Tekniska Högskola Bakgrund
Läs merMatematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar
Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar Anna Lindgren (Stanislav Volkov) 31 oktober + 1 november 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F10: Punktskattning 1/18 Matematisk
Läs merFöreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 1/20 Översikt Exempel Repetition Exempel Matematisk statistik
Läs merRegressions- och Tidsserieanalys - F7
Regressions- och Tidsserieanalys - F7 Tidsserieregression, kap 6.1-6.4 Linda Wänström Linköpings universitet November 25 Wänström (Linköpings universitet) F7 November 25 1 / 28 Tidsserieregressionsanalys
Läs merTidsserier, forts från F16 F17. Tidsserier Säsongrensning
Tidsserier Säsongrensning F7 Tidsserier forts från F6 Vi har en variabel som varierar över tiden Ex folkmängd omsättning antal anställda (beroende variabeln/undersökningsvariabeln) Vi studerar den varje
Läs mer1/31 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet
1/31 REGRESSIONSANALYS F1 Linda Wänström Statistiska institutionen, Stockholms universitet 2/31 Kap 4: Introduktion till regressionsanalys. Introduktion Regressionsanalys är en statistisk teknik för att
Läs mer732G71 Statistik B. Föreläsning 1, kap Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 20
732G71 Statistik B Föreläsning 1, kap. 3.1-3.7 Bertil Wegmann IDA, Linköpings universitet Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 20 Exempel, enkel linjär regressionsanalys Ett företag vill veta
Läs merStokastiska Processer och ARIMA. Patrik Zetterberg. 19 december 2012
Föreläsning 7 Stokastiska Processer och ARIMA Patrik Zetterberg 19 december 2012 1 / 22 Stokastiska processer Stokastiska processer är ett samlingsnamn för Sannolikhetsmodeller för olika tidsförlopp. Stokastisk=slumpmässig
Läs merFöreläsning 8. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 8 Statistik; teori och tillämpning i biologi 1 Dagens föreläsning o Enkel linjär regression (kap 17.1 17.5) o Skatta regressionslinje (kap 17.2) o Signifikant lutning? (kap 17.3, 17.5a) o Förklaringsgrad
Läs merHandbok i materialstyrning - Del F Prognostisering
Handbok i materialstyrning - Del F Prognostisering F 71 Absoluta mått på prognosfel I lagerstyrningssammanhang kan prognostisering allmänt definieras som en bedömning av framtida efterfrågan från kunder.
Läs merF12 Regression. Måns Thulin. Uppsala universitet Statistik för ingenjörer 28/ /24
1/24 F12 Regression Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 28/2 2013 2/24 Dagens föreläsning Linjära regressionsmodeller Stokastisk modell Linjeanpassning och skattningar
Läs merMultipel Regressionsmodellen
Multipel Regressionsmodellen Koefficienterna i multipel regression skattas från ett stickprov enligt: Multipel Regressionsmodell med k förklarande variabler: Skattad (predicerad) Värde på y y ˆ = b + b
Läs merSäsongrensning i tidsserier.
Senast ändrad 200-03-23. Säsongrensning i tidsserier. Kompletterande text till kapitel.5 i Tamhane och Dunlop. Inledning. Syftet med säsongrensning är att dela upp en tidsserie i en trend u t, en säsongkomponent
Läs merBild 1. Bild 2 Sammanfattning Statistik I. Bild 3 Hypotesprövning. Medicinsk statistik II
Bild 1 Medicinsk statistik II Läkarprogrammet T5 HT 2014 Anna Jöud Arbets- och miljömedicin, Lunds universitet ERC Syd, Skånes Universitetssjukhus anna.joud@med.lu.se Bild 2 Sammanfattning Statistik I
Läs merAutokorrelation och Durbin-Watson testet. Patrik Zetterberg. 17 december 2012
Föreläsning 6 Autokorrelation och Durbin-Watson testet Patrik Zetterberg 17 december 2012 1 / 14 Korrelation och autokorrelation På tidigare föreläsningar har vi analyserat korrelationer för stickprov
Läs merTentamensgenomgång och återlämning: Måndagen 24/2 kl16.00 i B497. Därefter kan skrivningarna hämtas på studentexpeditionen, plan 7 i B-huset.
Statistiska institutionen Nicklas Pettersson Skriftlig tentamen i Finansiell Statistik Grundnivå 7.5hp, HT2013 2014-02-07 Skrivtid: 13.00-18.00 Hjälpmedel: Godkänd miniräknare utan lagrade formler eller
Läs merF19, (Multipel linjär regression forts) och F20, Chi-två test.
Partiella t-test F19, (Multipel linjär regression forts) och F20, Chi-två test. Christian Tallberg Statistiska institutionen Stockholms universitet Då man testar om en enskild variabel X i skall vara med
Läs merFöreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar Anna Lindgren 25 november 2015 Anna Lindgren anna@maths.lth.se FMSF20 F8: Statistikteori 1/17 Matematisk statistik slumpens matematik
Läs mer732G71 Statistik B. Föreläsning 7. Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 29
732G71 Statistik B Föreläsning 7 Bertil Wegmann IDA, Linköpings universitet Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 29 Detaljhandelns försäljning (fasta priser, kalenderkorrigerat) Bertil Wegmann
Läs merAnalys av egen tidsserie
Analys av egen tidsserie Tidsserieanalys Farid Bonawiede Samer Haddad Michael Litton Alexandre Messo 9 december 25 3 25 Antal solfläckar 2 15 1 5 5 1 15 2 25 3 Månad Inledning Vi har valt att betrakta
Läs merFlygtrafik och flygtransporter. Fö 4: Flygbolag 1 Generella frågeställningar
Fö 4: Flygbolag 1 Generella frågeställningar Påverkan av försening Antag att tankningen på flight SK432 blir 30 minuter försenad. Vilka påverkas, och på vilket sätt? Skapa grupper om 5-6 pers. Illustrera
Läs merTentamen för kursen. Linjära statistiska modeller. 22 februari
STOCKHOLMS UIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 22 februari 2017 9 14 Examinator: Ola Hössjer, tel. 070/672 12 18, ola@math.su.se Återlämning: Meddelas via kurshemsida
Läs merLedtidsanpassa standardavvikelser för efterfrågevariationer
Handbok i materialstyrning - Del B Parametrar och variabler B 43 Ledtidsanpassa standardavvikelser för efterfrågevariationer I affärssystem brukar standardavvikelser för efterfrågevariationer eller prognosfel
Läs merÖvningshäfte till kursen Regressionsanalys och tidsserieanalys
Övningshäfte till kursen Regressionsanalys och tidsserieanalys Linda Wänström April 8, 2011 1 Enkel linjär regressionsanalys (baserad på uppgift 2.3 i Andersson, Jorner, Ågren (2009)) Antag att följande
Läs merSTOCKHOLMS UNIVERSITET VT 2007 Statistiska institutionen Johan Andersson
1 STOCKHOLMS UNIVERSITET VT 2007 Statistiska institutionen Johan Andersson Skriftlig omtentamen på momentet Statistiska metoder SDA III, 2 poäng ingående i kurserna Grundkurs i statistik 20 p samt Undersökningsmetodik
Läs merFöreläsning 9. NDAB01 Statistik; teori och tillämpning i biologi
Föreläsning 9 Statistik; teori och tillämpning i biologi 1 (kap. 20) Introduktion I föregående föreläsning diskuterades enkel linjär regression, där en oberoende variabel X förklarar variationen hos en
Läs merTentamen Tillämpad statistik A5 (15hp)
Tentamen Tillämpad statistik A5 (15hp) 2016-01-13 Statistiska institutionen, Uppsala universitet Upplysningar 1. Tillåtna hjälpmedel: Miniräknare, A4/A8 Tabell- och formelsamling (alternativ Statistik
Läs merMedicinsk statistik II
Medicinsk statistik II Läkarprogrammet termin 5 VT 2013 Susanna Lövdahl, Msc, doktorand Klinisk koagulationsforskning, Lunds universitet E-post: susanna.lovdahl@med.lu.se Dagens föreläsning Fördjupning
Läs mer732G71 Statistik B. Föreläsning 4. Bertil Wegmann. November 11, IDA, Linköpings universitet
732G71 Statistik B Föreläsning 4 Bertil Wegmann IDA, Linköpings universitet November 11, 2016 Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 11, 2016 1 / 34 Kap. 5.1, korrelationsmatris En korrelationsmatris
Läs merFöreläsning 9. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 9 Statistik; teori och tillämpning i biologi 1 (kap. 20) Introduktion I föregående föreläsning diskuterades enkel linjär regression, där en oberoende variabel X förklarar variationen hos en
Läs merInstruktioner till arbetet med miniprojekt II
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS035: Matematisk statistik för M Miniprojekt II, 17 maj 2013 Instruktioner till arbetet med miniprojekt II Innan ni börjar arbeta vid Datorlaboration
Läs merMatematisk statistik, Föreläsning 5
Matematisk statistik, Föreläsning 5 Ove Edlund LTU 2011-12-09 Ove Edlund (LTU) Matematisk statistik, Föreläsning 5 2011-12-09 1 / 25 Laboration 4 Jobba i grupper med storlek 2 Ove Edlund (LTU) Matematisk
Läs merMatematisk statistik 9 hp, HT-16 Föreläsning 15: Multipel linjär regression
Matematisk statistik 9 hp, HT-16 Föreläsning 15: Multipel linjär regression Anna Lindgren 28+29 november, 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F15: multipel regression 1/22 Linjär regression
Läs merTillvägaghångssätt för skattning av körkortsmodell
Siamak Baradaran sia@kth.se Tillvägaghångssätt för skattning av körkortsmodell 1 Syfte med modellen Syftet med denna forskning har varit att utveckla en beskrivande modell som kan hjälpa oss att förstå
Läs meroberoende av varandra så observationerna är
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 1, 1-5-7 REGRESSION (repetition) Vi har mätningarna ( 1, 1 ),..., ( n, n
Läs merDEN FRAMTIDA VERKSAMHETSVOLYMEN I RÄTTSKEDJAN - CENTRALA PROGNOSER FÖR PERIODEN : RESULTATBILAGA
DEN FRAMTIDA VERKSAMHETSVOLYMEN I RÄTTSKEDJAN - CENTRALA PROGNOSER FÖR PERIODEN 2016-2019: RESULTATBILAGA I denna bilaga beskrivs de prognosmodeller som ligger till grund för prognoserna. Tanken är att
Läs merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, FÖR I/PI, FMS 121/2, HT-3 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 3 Statistiska metoder 1 Dagens föreläsning o Samband mellan två kvantitativa variabler Matematiska samband Statistiska samband o Korrelation Svaga och starka samband När beräkna korrelation?
Läs merRegression med Genetiska Algoritmer
Regression med Genetiska Algoritmer Projektarbete, Artificiell intelligens, 729G43 Jimmy Eriksson, jimer336 770529-5991 2014 Inledning Hur många kramar finns det i världen givet? Att kunna estimera givet
Läs merRegressionsmodellering inom sjukförsäkring
Matematisk Statistik, KTH / SHB Capital Markets Aktuarieföreningen 4 februari 2014 Problembeskrivning Vi utgår från Försäkringsförbundets sjuklighetsundersökning och betraktar en portfölj av sjukförsäkringskontrakt.
Läs merSTOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Johan Andersson
1 STOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Johan Andersson Skriftlig omtentamen på momentet Statistisk dataanalys III (SDA III), 3 högskolepoäng ingående i kursen Undersökningsmetodik och
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 11 & 12 Johan Lindström 5 & 14 oktober 2015 Johan Lindström - johanl@maths.lth.se FMS086/MASB02 F11 1/27 Johan Lindström - johanl@maths.lth.se
Läs merAnalytisk statistik. Mattias Nilsson Benfatto, PhD.
Analytisk statistik Mattias Nilsson Benfatto, PhD Mattias.nilsson@ki.se Beskrivande statistik kort repetition Centralmått Spridningsmått Normalfördelning Konfidensintervall Korrelation Analytisk statistik
Läs merFinansiell statistik. Multipel regression. 4 maj 2011
Finansiell statistik Föreläsning 4 Multipel regression Jörgen Säve-Söderbergh 4 maj 2011 Samband mellan variabler Vi människor misstänker ofta att det finns många variabler som påverkar den variabel vi
Läs merPROGRAMFÖRKLARING I. Statistik för modellval och prediktion. Ett exempel: vågriktning och våghöjd
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren PROGRAMFÖRKLARING I Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/4 Statistik
Läs merBEFOLKNINGSPROGNOS. 2015 2024 för Sollentuna kommun och dess kommundelar. www.sollentuna.se
BEFOLKNINGSPROGNOS 2015 2024 för Sollentuna kommun och dess kommundelar www.sollentuna.se Förord På uppdrag av Sollentuna kommun har Sweco Strategy beräknat en befolkningsprognos för perioden 2015-2024.
Läs merHandbok i materialstyrning - Del F Prognostisering
Handbok i materialstyrning - Del F Prognostisering F 31 Focus forecasting Lagerstyrda verksamheter karakteriseras av att leveranstiden till kund är kortare än leveranstiden från den egna produktionen eller
Läs merTentamen för kursen. Linjära statistiska modeller. 13 januari
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 13 januari 2017 9 14 Examinator: Ola Hössjer, tel. 070/672 12 18, ola@math.su.se Återlämning: Meddelas via kurshemsida
Läs merLaboration 2: Styrkefunktion samt Regression
Lunds Tekniska Högskola Matematikcentrum Matematisk statistik Laboration 2 Styrkefunktion & Regression FMSF70&MASB02, HT19 Laboration 2: Styrkefunktion samt Regression Syfte Styrkefunktion Syftet med dagens
Läs merTentamensgenomgång och återlämning: Måndagen 9/6 kl12.00 i B413. Därefter kan skrivningarna hämtas på studentexpeditionen, plan 7 i B-huset.
Statistiska institutionen Nicklas Pettersson Skriftlig tentamen i Finansiell Statistik Grundnivå 7.5hp, VT2014 2014-05-26 Skrivtid: 9.00-14.00 Hjälpmedel: Godkänd miniräknare utan lagrade formler eller
Läs merFöreläsning 7. Statistikens grunder.
Föreläsning 7. Statistikens grunder. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Föreläsningens innehåll Översikt, dagens föreläsning: Inledande
Läs merFöreläsning 2. Kap 3,7-3,8 4,1-4,6 5,2 5,3
Föreläsning Kap 3,7-3,8 4,1-4,6 5, 5,3 1 Kap 3,7 och 3,8 Hur bra är modellen som vi har anpassat? Vi bedömer modellen med hjälp av ett antal kriterier: visuell bedömning, om möjligt F-test, signifikanstest
Läs merUpprepade mätningar och tidsberoende analyser. Stefan Franzén Statistiker Registercentrum Västra Götaland
Upprepade mätningar och tidsberoende analyser Stefan Franzén Statistiker Registercentrum Västra Götaland Innehåll Stort område Simpsons paradox En mätning per individ Flera mätningar per individ Flera
Läs mer1 Förberedelseuppgifter
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 2 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMS086 & MASB02 Syfte: Syftet med dagens laborationen är att du skall: bli
Läs merModellutveckling 2016: Regressionsmodellen för inrikes inflyttning
Demografisk rapport 2016:01 Modellutveckling 2016: Regressionsmodellen för inrikes inflyttning Befolkningsprognos 2016 2025/50 2(38) 3(38) Regressionsmodellen för inrikes inflyttning i befolkningsprognosen
Läs merHypotesprövning. Andrew Hooker. Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University
Hypotesprövning Andrew Hooker Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University Hypotesprövning Liksom konfidensintervall ett hjälpmedel för att
Läs merÖvningshäfte till kursen Regressionsanalys och tidsserieanalys
Övningshäfte till kursen Regressionsanalys och tidsserieanalys Linda Wänström October 31, 2010 1 Enkel linjär regressionsanalys (baserad på uppgift 2.3 i Andersson, Jorner, Ågren (2009)) Antag att följande
Läs merFöreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012
Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår
Läs mer