english



Zeitreihenanalysen
Fehlwertersetzung
Plausibilitätskontrolle
Prognosemodelle

- Statistische Analysen -

Statistische Analysen werden in unserem Hause seit Jahren u.a. mit den Tools S+, IMSL, RATS und TSP durchgeführt. Beispiele sind:

Explorative Datenanalyse
Die explorative Datenanalyse (EDA) hat in den letzten Jahren mit der zunehmenden Verfügbarkeit von Rechnerleistung und grafischen Fähigkeiten der Rechner an den Arbeitsplätzen von Datenanalytikern weite Verbreitung gefunden. EDA kann benutzt werden, um die Zusammenhangsstruktur in multivariaten Datensätzen aufzuspüren, Verteilungen von Variablen zu untersuchen und die Art des möglichen Zusammenhangs von Variablen zu untersuchen.

Zeitreihenanalysen von Luftschadstoff-Immissionszeitreihen
Die verschiedenen Zyklen (z. B. Jahres-, Wochen-, Tagesgang) in den Zeitreihen lassen sich mit statistischen Methoden von den stochastischen Elementen trennen und modellieren. Die zeitreihenanalytischen Modelle lassen sich z.B. als Prognosemodelle oder zur Ursachenanalyse nutzen.

missing data analysis - MDA (Fehlwertersetzung)
Mit zeitreihenanalytischen und regressionsanalytischen Methoden lässt sich der Datenstrom, der zum Beispiel in einer Luftschadstoff-Messzentrale anfällt, als Ausgabe eines raum/zeitlichen stochastischen Prozesses interpretieren und modellieren. Aus dem raum/zeitlichen Modell lässt sich dann eine optimale Strategie zum Ersetzen von Fehlwerten ableiten.

Multivariate raum/zeitliche Plausibilitätskontrolle
Ebenfalls auf dem Gedanken des raum/zeitlichen stochastischen Prozesses beruht die multivariate raum/zeitliche Plausibilitätskontrolle. Hier wird mit dem raum/zeitlichen Modell ex-post prognostiziert. Wenn der realisierte Wert von dem prognostizierten Wert um einen bestimmten Betrag abweicht, wird der Wert als möglicher Fehlwert markiert.

Statistische Prognosemodelle
Auf der Grundlage von statistischer Modellbildung lassen sich Prognosemodelle entwickeln. Diese Modelle können auf Transfer-Funktionen, binären Entscheidungsbäumen oder Regressionsmodellen beruhen. Statistische Modelle haben den Vorteil, dass man den Unsicherheitsbereich der Prognosen recht einfach bestimmen kann.

 - Aktuelle Projekte -

Klassifizierung von Immissionszeitreihen -

Entwicklung eines statistischen Ozon-Prognosesystems für das Smog-Frühwarnsystem des Umweltbundesamtes, das die Erstellung von Ein- bis zu Drei-Tages-Prognosen mit Angaben der Prognose-Ungenauigkeit ermöglicht. -

zurück zur Übersichtsseite Produkte und Softwarelösungen