| |
systematischer Fehler zwischen Vorhersage (VOR) und Beobachtung (EIN), also eine Verzerrung zwischen Modell und Wirklichkeit. Im Fall einer kontinuierlichen Variablen gilt:
 φ= EIN-VOR, manchmal aber auch VOR-EIN, N = Umfang der Stichprobe. Beispiel a: Das Modell M sagte die Temperatur systematisch um 1 K zu warm vorher. Der Bias sagt aber nichts über die Fehlerstreuung oder den rmse aus. Idealerweise sollte bias =0 sein. Im Fall einer diskreten Variablen ist bei deren biasfreier Vorhersage zu fordern, dass n(VOR = A)/n(EIN = A)= 1, dass also die Anzahl von Vorhersagen des Ereignisses A mit der Anzahl der Beobachtungen desselben Ereignisses übereinstimmt. Beispiel b: Das Modell P sagte 80 mal Gewitter vorher, nur 60 wurden beobachtet, bias = 80/60 > 1, d.h. das Modell P überschätzte das Gewitterrisiko. |
|
