Kort door de bocht kan het als volgt: als je gewoon alle ijsdagen + bijbehorende datums uit het verleden verzamelt (zeg van de afgelopen 30 jaar) krijg je een aardig betrouwbare normale verdeling. Om de variatie en standaard deviatie enigzins significant te kunnen bepalen heb je wel ongeveer 200 ijsdagen nodig.
Als je de sigma weet, kun je de kans berekenen op het voorkomen van een waarde met een bepaalde sigma. Zo op de gok lijkt het me een redelijke vlakke verdeling (grote sigma) waardoor de kans dat een ijsdag eind oktober voorkomt niet veel kleiner is dan de kans dat hij op 3 november voorkomt.
De vraag is alleen of de normale verdeling wel relevant is voor ijsdagen, omdat ze vaak geclusterd zitten, afhankelijk zijn van allerlei exogene factoren, etc. De statisticus die een verdeling kan bedenken die daarmee rekening houdt, mag direct aan de slag als postdoc bij het KNMI denk ik
Quote selectie
Als je de sigma weet, kun je de kans berekenen op het voorkomen van een waarde met een bepaalde sigma. Zo op de gok lijkt het me een redelijke vlakke verdeling (grote sigma) waardoor de kans dat een ijsdag eind oktober voorkomt niet veel kleiner is dan de kans dat hij op 3 november voorkomt.
De vraag is alleen of de normale verdeling wel relevant is voor ijsdagen, omdat ze vaak geclusterd zitten, afhankelijk zijn van allerlei exogene factoren, etc. De statisticus die een verdeling kan bedenken die daarmee rekening houdt, mag direct aan de slag als postdoc bij het KNMI denk ik
Quote selectie
https://www.flickr.com/photos/30155994@N02/