Geostatistik SS 2012 Prof. Dr. Sabine Attinger Prof. Dr. Anke Hildebrandt Räumliche Variabilität Konsequenzen Les Barges (Flury, 1992) Sempach (Stamm, 1995) Obfelden (Flury, 1992) Konsequenzen Blöschl & Grayson (1995) Konsequenzen 30mm/1h Blöschl & Grayson (1995) Konsequenzen 5mm/1h Blöschl & Grayson (1995) Motivation Geostatistik Räumliche Variabilität von biologischen, geologischen, hydrologischen, usw. …. Eigenschaften finden sich auf unterschiedlichen Skalen Sie steuern zum Teil entscheidend das Prozessgeschehen Messtechnische Erfassung ist oft extrem aufwendig und teuer bzw. gar nicht möglich Nur „unvollständige“ Datensätze vorhanden Datensätze müssen möglichst realistisch ergänzt werden Geschichte der Geostatistik • Ursprüngliche Fragestellung: Wie kann man aus räumlichen Messwerten auf die räumliche Verteilung der untersuchten Substanz schließen? Wie abbauwürdig sind z.B. Erzvorkommen? • Genauer: Wie schätzt man den Wert einer ortsabhängigen Variablen Z*(u) an einem Ort u, an dem keine Messwerte vorliegen, auf der Basis von benachbarten Messwerten z(u_i): Geschichte der Geostatistik Danie G. Krige: • Südamerikanischer Mieneningenieur • Erarbeitete die Grundlagen der Geostatistik auf der Basis empirischer Daten aus dem Goldbergbau in Südafrika; • Kriging wurde nach ihm benannt. Literatur: Krige, Danie G. (1951). "A statistical approach to some basic minevaluation problems on the Witwatersrand". J. of the Chem., Metal. and Mining Soc. of South Africa 52 (6): 119-139. Geschichte der Geostatistik Georges Matheron: • Französischer Mathematiker;„Vater der Geostatistik“auf der Basis der Arbeiten D. Kriges; • Gründete 1968 das "Centre de Géostatistique et de Morphologie Mathématique" an der Pariser Schule für Bergbau in Fontainebleau. Literatur: Matheron, Georges (1962). Traitéde géostatistique appliquée. Editions Technip. Geostatistik • Der Begriff Geostatistik bezeichnet bestimmte stochastische Methoden zur Charakterisierung und Schätzung von räumlich korrelierten georeferenzierten Daten. • Ziel: räumliche Interpolation von punkthaft gemessenen Daten, also aus einer endlichen Zahl von Messwerten eine unendliche Zahl von Schätzwerten abzuleiten, die möglichst nahe an den real vorliegenden Werten liegen sollen. • Problem: Der Schätzwert für eine physikalische Größe an einem Schätzort ist aufgrund der räumlichen Korrelation stärker von den Messwerten benachbarter als von solchen entfernter Messorte abhängig. Geostatistik Wir brauchen also • Grundlagen der Statistik bzw. Wahrscheinlichkeitstheorie • Interpolationsmethoden • Maß für räumliche Korrelationen Notwendige Mathematische Grundlagen • Ableitung einer Funktion (siehe Mathematik I) • Extremwertbestimmungen (siehe Mathematik I) • Lösen von Gleichungssystemen – Lineare Algebra und Matrizenrechnung – Inverse Matrizen – Diagonalmatrizen, Eigenwerte Inhalte der Vorlesung 1. Vorlesung: 24.04.2012 • Motivation • Eine kleine Einführung in die Wahrscheinlichkeitstheorie • Literatur: Wilks Seite 7-19 2. Vorlesung: 08.05.2012 • Empirische Verteilungen und deskriptive Datenanalyse • Literatur: Wilks Seite 23-70 Inhalte 3.+4. Vorlesung: 22.05.2012 • Erwartungswerte, Zufallsvariablen, • Spezielle Verteilungen 5. Vorlesung: 05.06.2012 • Nicht-Statistische Interpolationsverfahren 6. Vorlesung: 12.06.2012 • Statistische Interpolationsverfahren – Variogramm 7.+8. Vorlesung: 19.06.2012/25.06.2012 • Statistische Interpolationsverfahren – Kriging Inhalte 9. Vorlesung: 03.07.2012 10. Vorlesung: 10.07.2012 • Wiederholung Klausur Grundbegriffe der Wahrscheinlichkeitstheorie Ziel der Vorlesung ist es, Sie mit folgenden Begriffe vertraut zu machen und diese auf einen Datensatz anzuwenden. • • • • Ereignisse, Ereignisraum Zufallsvariable Wahrscheinlichkeit Bedingte Wahrscheinlichkeit Grundbegriffe der Wahrscheinlichkeitstheorie Def. 1.1: Elementarereignis/Ergebnis =das Result eines Experiments. Wenn zum Beispiel das Experiment das Werfen eines Würfels darstellt, das ist das Ergebnis die Augenzahl, F1,........,F6 Def. 1.2: Zufallsexperiment =ein Experiment, dessen Ausgang vorher nicht bekannt ist. Def. 1.3: Zufallsereignis ist das Ergebnis eines Zufallsexperiments oder mehrerer Experimente, die eine gleiche Eigenschaft haben, z.B. die Augenzahl ' F1 ' or 'gerade Augenzahl (F2,F4,F6). ' Die Ereignisse werden mit A, B or A1, A2⋅ ⋅ ⋅ ⋅bezeichnet. Wahrscheinlichkeitsraum Def. 1.4: Ereignisraum Ist eine mathematische Abstraktion und repräsentiert alle möglichen Ereignisse eines Experiments. Wir bezeichnen diese Menge mit S ={…}. Def. 1.5: Disjunkte Ereignisse Zwei Ereignisse sind disjunkt, wenn sie keine gemeinsamen Elementarereignisse haben. Mathematisches Beispiel Beispiel aus den Umweltwissenschaften Bilden Sie Elementarereignisse und den Ereignisraum aus Aussagen • „Es regnet morgen“ • „Es schneit morgen“ Zufallsvariable Def. 1.6: Zufallsvariable Wir führen dafür eine Funktion X ein, dessen Definitionsbereich der Ereignisraum eines Zufallsexperiments ist und dessen Wertebereich die reellen Zahlen sind; das heißt wir ordnen jedem Ereignis eine reelle Zahl zu, X( si S ). Beispiel: Werfen zweier Würfel und Summe der gesamten Augenzahlen. Grundbegriffe Beispiele: Eigenschaften von P für unsere Würfelexperimente Was ist die Wahrscheinlichkeit, daß die Gesamtaugenzahl beim Werfen zweier Würfel kleiner als 4 ist? Was ist die Wahrscheinlichkeit, daß die Gesamtaugenzahl beim Werfen zweier Würfel größer gleich 4 ist? Was ist die Wahrscheinlichkeit, daß die Gesamtaugenzahl beim Werfen zweier Würfel kleiner als 5 ist? Ist es wahrscheinlicher mit zwei Würfeln die Kombination 3,4 oder ein 4-er Pasch zu würfeln? Grundbegriffe Lösungsvorbereitung – „Ereignisraum“: Menge aller Elementarereignisse = {(1,1), (1, 2), … (6, 5), (6, 6)} – „Zufallsvariable“: Ergebnis eines Zufallsexperiments (z.B. „Summe Augenzahl zweier Würfel“) – „Ereignis“: beliebige Teilmengen des Ereignisraums (z.B. „Augenzahl < 4“: A = {(1,1), (1,2), (2,1)} ) – „Wahrscheinlichkeit“: Anzahl der günstigen Fälle W ( X a) W: P() -> [0, 1], Anzahl der möglichen Fälle Wahrscheinlichkeit Def. 1.7: Die klassische Definition: In der klassische Definition wird die Wahrscheinlichkeit nicht durch Experimente festgelegt, sondern durch Auszählen aller prinzipiell möglichen Ereignisse eines Experiments. Jedes Ereignis besitzt die gleiche Wahrscheinlichkeit. Wahrscheinlichkeit Wahrscheinlichkeit eines Ereignisses Die Wahrscheinlichkeit kann auf verschiedene Arten definiert werden. Def. 1.8: Die Definition über die Relative Häufigkeit: Wir wiederholen ein Zufallsexperiment n mal. Falls das Ereignis A nA mal vorkommt, dann ist die Wahrscheinlichkeit von A, definiert als P(A), gegeben durch nA P ( A) n n Für kleine Wiederholungszahlen n , ist es wahrscheinlich, daß nA stark fluktuiert. Wenn n größer und größer wird, dann tendiert nA gegen einen Grenzwert. Beispiel aus den Umweltwissenschaften Beispieldatensatz : Temperatur- und Niederschlagsdaten (Ithaka, 1987) • Wahrscheinlichkeit, daß Niederschlag fällt • Wahrscheinlichkeit, daß die Temperaturen positiv sind • Wahrscheinlichkeit, daß es friert Beispiel Wahrscheinlichkeit Def. 1.9: Ein Wahrscheinlichkeitsmaß muß bestimmte Eigenschaften besitzen (3 Axiome): P1) P(A) ≥ 0 P2) P (S ) = 1 P3) Wenn A geschnitten B = 0 , dann P(A +B) = P(A) +P(B) Eigenschaften P( A B) P( A) P( B) P( A B) P( AC ) 1 P( A) P(( A B) C ) P( AC B C ) P(( A B) C ) P( AC B C ) A Beispiel B Bedingte Wahrscheinlichkeit Def. 1.10: Die bedingte Wahrscheinlichkeit beschreibt die Wahrscheinlichkeit eines Ereignisse unter der Vorraussetzung, daß ebenfalls ein anderes Ereignis stattgefunden hat. P( A B) P( A B) P( B) Beispiel Gesetz der Gesamtwahrscheinlichkeit P( A) P( A Ei ) P( E ) 1 i Ei E j 0 i j A E1 E2 E3 E4 E5 Bayes Theorem P( A B) P( B A) P( A) P( B)