UMEX Kurzinfo zur Erstellung eines Versuchsplanes erster und zweiter Ordnung mittels Statgraphics
|
|
- Lucas Schuster
- vor 5 Jahren
- Abrufe
Transkript
1 UMEX Kurzinfo zur Erstellung eines Versuchsplanes erster und zweiter Ordnung mittels Statgraphics Eingabe der Stufen: Beachten Sie: Größe ist quantitativ Größe ist qualitativ Nur qualitative Größen auswählen wenn notwendig. No. of Response Variables Anzahl der Zielgrößen No. of Experimental Factors Anzahl der Einflußgrößen Auswahl des Planes: Die Auflösung (Resolution) des Planes sollte stets IV sein (V ist optimal) Anz. 2 k empfohlener Plan Fakt vollständiger Plan vollständiger Plan Aufl. IV Aufl. V *3/ =16 Aufl. IV Aufl. V = *3/8= = = = = 64² *3/64= = *3/128= =128 Unbedingt Zentrumsversuche durchführen! (Anzahl 2) Number: 2, bei einer qualitativen Größe auch möglich, aber gerade Anzahl erforderlich. Placement: Random Spaced: Zufallszahlenreihenfolge bei einer geraden Anzahl First oder Last ist nicht zu empfehlen. Wenn möglich Erzeugung der Versuche in Zufallszahlenreihenfolge
2 UMEX Kurzinfo zur Erstellung eines Versuchsplanes erster und zweiter Ordnung mittels Statgraphics Pläne zweiter Ordnung Wirkungsflächenpläne Vorzugsvariante (bei erstelltem Plan erster Ordnung) Planung im ersten Schritt - Central composite Design Response Surface wählen. Face centered Sternpunkte Würfelfläche auf Für diesen Fall sind Sonderpläne, wie z.b. Box-Behnken-Pläne statistisch besser geeignet als die flächenzentrierten Pläne. (geringere Korrelationskoeffizienten.) An einen Plan erster Ordnung ( linearer Plan ) werden die Sternpunkte angehängt, die die Schätzung der quadratischen Glieder ermöglichen. Sternpunkte außerhalb von oberer und unterer Grenze Anzahl Zentrumspunkte = 2 der Sternpunktabstand a +a Würfelpunkte x a Sternpunkte Zentralpunkt -1 -a -a a
3 UMEX Kurzinfo zum notwendigen Stichprobenumfang Allgemein gilt: Je größer die Versuchsstreuung ist, desto mehr Versuche müssen durchgeführt werden. Je Kleiner das Fehlerrisiko gehalten werden soll, desto mehr Versuche müssen durchgeführt werden. In Kleppmann 1 wird eine auch durch uns angewandte und als praktikabel empfundene Lösung für zweistufige Versuche beschrieben: Standardabweichung des Prozesses Vorgabe der zu erkennenden Effekte Schätzung des Prozess-Sigma ) Anzahl der Versuche y N 60 y N 60 2 y 2 zu erkennende technologische Differenz Anzahl der Faktorstufen Anzahl der Versuche 1 Kleppmann: Taschenbuch Versuchsplanung; Carl Hanser Verlag München, Wien 1998
4 UMEX Kurzinfo zum notwendigen Stichprobenumfang Beispiel: Mikroelektronik Es soll der Einfluß von Reinigung und Temperung auf eine Schichtdicken Differenz >10 erkannt werden N 3, ,4 8 2 Einflußgrößen = 2² Versuche = 4 In der Regel streut der Prozeß um 3,75 (Berechnung der Standardabweichung) mit dem Modul One-Variable Analysis Wiederholungsanzahl W W Es müssen an jedem Versuchspunkt zwei Versuche durchgeführt werden.
5 Bruchfestigkeit Bruchfestigkeit UMEX Kurzinfo zur Auswertung eines Versuchsplanes erster Ordnung mittels Statgraphics Reihenfolge 1. Paretodiagramm Standardized Pareto Chart for Bruchfestigkeit A:Temp 1 AC B:Temp 2 AB BC C:Zeit Standardized effect + - Pane Options (siehe extra Seite) 2. Löschen von nicht signifikanten Gliedern Schrittweise Selektion empfehlenswert! Analysis Options Doppelklick 3. Main Effects Plot Darstellung der Haupteffekte Main Effects Plot for Bruchfestigkeit ,0 1150,0 Temp 1 700,0 800,0 Temp 2 Pane Options evt. über Pane Options reduzieren der Anzeige 4. Interaction Plot Darstellung der Wechselwirkungen Interaction Plot for Bruchfestigkeit 40 Zeit=2,0 30 Zeit=6,0 Zeit=6,0 20 evt. über Pane Options reduzieren der Anzeige 10 Zeit=2, ,0 1150,0 Temp 1
6 residual Temp 2 UMEX Kurzinfo zur Auswertung eines Versuchsplanes erster Ordnung mittels Statgraphics 5. Contur Plot Contours of Estimated Response Surface Zeit=4, Bruchfestigkeit 0,0 5,0 10,0 15,0 20,0 25,0 30,0 35,0 40,0 Pane Options Temp 1 Parameter an die Achsen 6. Residuen Residual Plot for Bruchfestigkeit 5. ANOVA Pane options Ist möglich bei Versuchswiederholungen! 6. Bei Abweichungen vom Originalplan mittels Korrelationsmatrix 7. Optimize Response Pane Options zur Festlegung der Ziele und Randbedingungen Temp 1 Analysis of Variance for Bruchfestigkeit - Bruchfestigkeit Bsp. 1 Source Sum of Squares Df Mean Square F-Ratio P-Value A:Temp 1 562, , ,13 0,0000. BC 10, , ,12 0,0115 Lack-of-fit 268, , ,70 0,0000 Pure error 3, ,715 Total (corr.) 1374,71 13 R-squared = 80,215 percent R-squared (adjusted for d.f.) = 63,2565 percent Standard Error of Est. = 0, Korrelationsmatrix für die Koeffizientenschätzungen (1) (2) (3) (4).(1) Mittelwert 1,0000 0,0000 0,5040 0,0000 (2) A:Temp 1 0,0000 1,0000 0,0000-0,4706 (3) B:Temp 2 0,5040 0,0000 1,0000 0,0000 (4) C:Zeit 0,0000-0,4706 0,0000 1,0000 Optimize Response Goal: maximize Bruchfestigkeit Optimum value = 45,8321 Factor Low High Optimum Temp ,0 1150,0 1150,0 Temp 2 700,0 800,0 800,0 Zeit 2,0 6,0 2,0 Bewertung der Güte der Modellanpassung. 99,9% < hoch signifikante Differenz 0,1% 99% < 1 % Signifikante Differenz 95% < 5 % bedingt signifikante Differenz > 5 % zufälliger Zusammenhang, keine statistisch gesicherte Differenz. Achtung, wenn dieser Wert < 0,05 ist - > Plan zweiter Ordnung wenn Residuen auch Nichtlinearität zeigen. bei rx 1 x 2 > 0,5 Problem Oder bei VIF > 4 Textfenster Analysis summary
7 UMEX Kurzinfo zur Auswertung eines Versuchsplanes erster Ordnung mittels Statgraphics Signifikanztest im Paretodiagramm: Standardized Pareto Chart for Bruchfestigkeit 99,9 % P-Wert < 0,1 % hoch signifikante Differenz A:Temp AC 99% P-Wert < 1 % Signifikante Differenz B:Temp 2 95% P-Wert < 5 % bedingt signifikante Differenz AB P-Wert > 5 % zufälliger Zusammenhang, keine BC statistisch gesicherte Differenz. C:Zeit Standardized effect Analysis Option Eingabe Bemerkungen Keine Auswertung von Wechselwirkungen größer als: Die Standardeinstellung ist 2. Sie sollte korrigiert werden wenn: Dreifachwechselwirkungen (x1*x2*x3) eine Rolle spielen auf 3; aufgrund des hochvermengten Versuchsplanes Zweifach-Wechselwirkungen nicht schätzbar sind auf 1. Mit Hilfe dieses Schalters kann gewählt werden, ob ein Blockvergleich in die Auswertung einbezogen werden soll. So ist es möglich, dass z.b. Loseffekte in der Auswertung betrachtet werden können. 1.Falls es Probleme mit der Auswertung Dann wird die Auswertung ohne die Blockfaktoren durchgeführt. Estimate Sigma From (Standard) Die Testgrößen werden aus der Restvarianz des gesamten Modells geschätzt. Diese Varianz beinhaltet auch die Fehlanpassung an das Modell. External Data Eingabe einer geschätzten Standardabweichung aus dem Vorlauf. Auswertung der Vermengungsstruktur des Versuchsplanes From Data aus dem Datenmaterial des Editors (auch bei Korrektur) ist zu empfehlen From Original Design aus dem Original-Versuchsplan Korrektur Standard 1 Beachten Sie, dass die Auswertung des Blockfaktors den Freiheitsgrad für den Test verringert.
8 UMEX Kurzinfo zur Versuchsplanauswahl mittels Statgraphics
9 UMEX Kurzinfo zur Versuchsplanauswahl mittels Statgraphics Wenn vermutlich nur eine Einflussgröße einen nichtlinearen Zusammenhang zur Zielgröße aufweist, dann wählen Sie: Screeening Design - Mixed Level Factorial: 3*2 k 1 Bitte prüfen Sie jedoch, ob ein Plan, den Sie im Menü Respose Surface erstellen, evt. weniger Versuche aufweist.
10 UMEX Kurzinfo zur Versuchsplanung mittels Statgraphics Versuchspläne zum Vergleich qualitativer Einflussgrößen auf mehr als zwei Stufen (z.b. Vergleich von 3 Herstellern). Die Auswertung erfolgt nur mit der Funktion Varianzanalyse (ANOVA) von Statgraphics. Es gibt also kein Paretodiagramm, aber Wechselwirkungsdiagramme usw. Beachten Sie den p-wert in der Varianztabelle: Wert kleiner 0,05 Faktor bewirkt signifikanten Unterschied für Werte der Zielgröße. 99,9 % P-Wert < 0,1 % hoch signifikant 99% P-Wert < 1 % signifikant 95% P-Wert < 5 % bedingt signifikant P-Wert > 5 % zufälliger Zusammenhang Einfaktorplan. z.b. Vergleich von 3 Herstellern Mehrstufenplan z.b. Vergleich von 3 Herstellern und 2 Verfahrenskombinationen wie bei Einfaktorplan Anzahl der Wiederholungen: Replicate Design = 0 nur eine WDH Replicate Design = 1 eine Wiederholung usw.
11 Desirability Leistung UMEX Kurzinfo zur Versuchsplanung mittels Statgraphics Multiple Zielgrößenoptimierung 1. Für alle Zielgrößen Modelle unter Nutzung der Modellreduzierung, Analysis Options Exclude *** berechnen. B E A C H T E N! Wenn Größen aus dem Modell entfernt werden, erhöht sich die Signifikanz der Restmenge - > deshalb stufenweise entfernen. 2. Alle Modelle dürfen nur einmal berechnet sein, alle nicht zum Symbol verkleinert. 3. Menü: Special - Experimental Design- Multiple Response Optimization 4. Setzen der Bedingungen mit den Analysis Options (evt. Gewicht Weights vorgeben) 5. Setzten von Randbedingungen (z.b. Einschränkung des Temperaturbereiches) wichtigstes Auswertefenster Pane Options Analysis Options Festlegen der Grenzen des Versuchsplanes z. B : Gasfluss oder Festhalten: Leistung 150 W Zielwerte für Optimier.: Min, Max, Hit= Sollwert Weigth und Impact geringeres Gewicht der Anpassung für diese Größe 1 0,8 0,6 0,4 0,2 0 Estimated Response Surface Gasfluss=20,0 Druck Zielwert ist die Desirability (Erwünschtheit von 1) Leistung Contours of Estimated Response Surface 90 Gasfluss=20,0 Druck Desirability 0,0-0,1 0,1-0,2 0,2-0,3 0,3-0,4 0,4-0,5 0,5-0,6 0,6-0,7 0,7-0,8 0,8-0,9 0,9-1,0
Kurzinformation zu D-optimalen Versuchsplänen
Statgraphics Software - Schulungen und W orkshops Statgraphics Software - Schulungen und W orkshops Kurzinformation zu D-optimalen Versuchsplänen Inhalt Anzustrebende Eigenschaften von Versuchsplänen Mögliche
MehrTaschenbuch Null-Fehler- Management
Taschenbuch Null-Fehler- Management Johann Wappis, Franz J. Brunner, Berndt Jung Umsetzung von Six Sigma ISBN 3-446-40624-7 Leseprobe Weitere Informationen oder Bestellungen unter http://www.hanser.de/3-446-40624-7
MehrInhaltsverzeichnis. Bibliografische Informationen digitalisiert durch
Grundlagen 1 1.1 Einleitung 1 1.2 Grundbegriffe 2 1.2.1 Systemgrenzen 3 1.2.2 Qualitätsmerkmal 4 1.2.3 Parameter und Faktoren 5 1.2.4 Stufen 6 1.2.5 Vergleich zu traditionellen Verfahren 6 1.3 Auswertung
MehrTaschenbuch Versuchsplanung
Wilhelm Kleppmann Taschenbuch Versuchsplanung Produkte und Prozesse optimieren 7., aktualisierte und erweiterte Auflage Praxisreihe Qualitätswissen Herausgegeben von Franz J. Brunner HANSER VII Inhalt
MehrStatistik II für Betriebswirte Vorlesung 11
Statistik II für Betriebswirte Vorlesung 11 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 07. Januar 2019 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 11 Version:
MehrHandhabung von Statistica 8
Handhabung von Statistica 8 Programmaufruf Statistica wird unter Start Alle Programme Statistica 8 gestartet. Nach dem Aufruf öffnet sich das Startfenster von Statistica (Abb. 1). Abb. 1 Startfenster von
MehrErstellung eines Versuchsplanes
Statistiksoftware Statgraphics Softwarevertrieb, Schulungen, W orkshops Erstellung eines Versuchsplanes UMEX GmbH Dresden Moritzburger Weg 67 01109 Dresden Allg. Informationen zu Versuchsplänen Erläuterung
MehrStatistik II für Betriebswirte Vorlesung 8
Statistik II für Betriebswirte Vorlesung 8 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 3. Dezember 2018 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 8 Version:
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
MehrVergleich zweier Stichproben
zurück zum Inhaltsverzeichnis Die Werte sind verbunden, abhängig oder korreliert. Beispiel: Eine Probe wird mit zwei Messgeräten bestimmt. Es gibt eine paarweise Zuordnung. Die Werte sind unabhängig also
MehrVersuchspläne CCD, CCF, CCC
Einführung Voraussetzung und verwandte Themen Für diese Beschreibungen sind Grundlagen der Statistik vorteilhaft. Weiterführende und verwandte Themen sind: www.versuchsmethoden.de/versuchsplanung.pdf Einführung
MehrFür diese Beschreibungen sind Grundlagen der Statistik vorteilhaft. Weiterführende und verwandte
Voraussetzung und verwandte Themen Für diese Beschreibungen sind Grundlagen der Statistik vorteilhaft. Weiterführende und verwandte Themen sind: media.crgraph.de/hypothesentests.pdf media.crgraph.de/multiple_regression.pdf
MehrEinleitung. Statistik. Bsp: Ertrag Weizen. 6.1 Einfache Varianzanalyse
Einleitung Statistik Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Der Begriff Varianzanalyse (analysis of variance, ANOVA) taucht an vielen Stellen in der Statistik mit unterschiedlichen
MehrMultiple Regression III
Multiple Regression III Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Überprüfung der Modellannahmen Residuen-Plot Normal-Q-Q-Plot Cook s Distanz-Plot Maßnahmen bei Abweichungen von Modellannahmen
MehrEine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2011 Bernd Klaus, Verena Zuber Das
MehrStatistik II für Betriebswirte Vorlesung 5
Statistik II für Betriebswirte Vorlesung 5 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. November 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 5 Version:
MehrKapitel 6: Zweifaktorielle Varianzanalyse
Kapitel 6: Zweifaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung 1 Teststärkebestimmung a posteriori 4 Berechnen der Effektgröße f² aus empirischen Daten und Bestimmung
MehrFakultät Maschinenwesen, Institut für Fertigungstechnik, Professur Formgebende Fertigungsverfahren
Fakultät Maschinenwesen, Institut für Fertigungstechnik, Professur Formgebende Fertigungsverfahren Spezielle Fertigungsverfahren und Mikrofertigungstechnik DoE-Übung Prof. Dr.-Ing. Alexander Brosius 13.
MehrInstrument zur Untersuchung eines linearen Zusammenhangs zwischen zwei (oder mehr) Merkmalen.
Gliederung Grundidee Einfaches lineares Modell KQ-Methode (Suche nach der besten Geraden) Einfluss von Ausreißern Güte des Modells (Bestimmtheitsmaß R²) Multiple Regression Noch Fragen? Lineare Regression
MehrBiometrische und Ökonometrische Methoden II Lösungen 2
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 2 1. a) Zunächst wird die Tafel
MehrVersuchsplanung. Produkte und Prozesse optimieren. Bearbeitet von Wilhelm Kleppmann
Versuchsplanung Produkte und Prozesse optimieren Bearbeitet von Wilhelm Kleppmann 8., überarbeitete Auflage 2013. Buch. XII, 349 S. Mit kostenlosem E-Book. Kartoniert ISBN 978 3 446 43752 4 Format (B x
MehrStatistische Versuchsplanung
VDI-Buch Statistische Versuchsplanung Design of Experiments (DoE) Bearbeitet von Karl Siebertz, David van Bebber, Thomas Hochkirchen 1st Edition. 2010. Buch. xvi, 328 S. Hardcover ISBN 978 3 642 05492
Mehr6. Tutoriumsserie Statistik II
6. Tutoriumsserie Statistik II 1. Aufgabe: Eine Unternehmensabteilung ist ausschließlich mit der Herstellung eines einzigen Produktes beschäftigt. Für 10 Perioden wurden folgende Produktmenge y und Gesamtkosten
MehrDie Anwendung des globalen und partiellen F-Tests beim Regressionsmodell
Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-1 Die Anwendung des globalen und partiellen F-Tests beim Regressionsmodell von XENOPHOB auf V247 und POSTMAT, MATERIAL Für unsere
MehrStatistik II für Betriebswirte Vorlesung 4
Statistik II für Betriebswirte Vorlesung 4 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. November 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 4 Version:
Mehr(GENERAL FULL FACTORIALS)
TQU BUSINESS GMBH VOLLFAKTORIELLE VERSUCHSPLÄNE (GENERAL FULL FACTORIALS) Lernziele Sie können vollfaktorielle Versuchspläne auf und mehr Stufen erstellen. Sie kennen Haupteffekte und Wechselwirkungen
MehrANalysis Of VAriance (ANOVA) 2/2
ANalysis Of VAriance (ANOVA) 2/2 Markus Kalisch 22.10.2014 1 Wdh: ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor X). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich
MehrSyntax. Ausgabe *Ü12. *1. corr it25 with alter li_re kontakt.
Syntax *Ü2. *. corr it25 with alter li_re kontakt. *2. regression var=it25 alter li_re kontakt/statistics /dependent=it25 /enter. regression var=it25 li_re kontakt/statistics /dependent=it25 /enter. *3.
MehrKovarianzanalyse. Truthahngewicht. Truthahngewicht. Methoden empirischer Sozialforschung. 1 metrische und mehrere metrische und kategoriale Variablen
Kovarianzanalyse 1 metrische und mehrere metrische und kategoriale Variablen Methoden empirischer Sozialforschung Lineare Modelle (2. Teil) Wie läßt sich die Abhängigkeit einer metrischen Variablen von
MehrDOE UMGANG MIT STÖRGRÖßEN
TQU BUSINESS GMBH DOE X X 2 X 3 X n Prozess Y ; Y 2. 2 Lernziele Sie kennen die verschiedenen Möglichkeiten der Behandlung von attributiven und variablen Störgrößen in einem Experiment. Sie kennen die
Mehr13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017 1. Aufgabe: Für 25 der größten Flughäfen wurde die Anzahl der abgefertigten Passagiere in den Jahren 2009 und 2012 erfasst. Aus den Daten (Anzahl
MehrEine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 13. Dezember 2012 Bernd Klaus, Verena Zuber,
Mehr2K-VOLLFAKTORIELLE VERSUCHSPLÄNE (FULL FACTORIALS) Lernziele TQU BUSINESS GMBH 1
TQU BUSINESS GMBH 2K-VOLLFAKTORIELLE VERSUCHSPLÄNE (FULL FACTORIALS) 2 Lernziele Sie kennen die Nomenklatur für 2k-faktorielle Versuche (Versuchsdesigns mit zwei Faktorstufen). Sie können in Minitab 2k-vollfaktorielle
Mehr7. Lösung weitere Übungsaufgaben Statistik II WiSe 2017/2018
7. Lösung weitere Übungsaufgaben Statistik II WiSe 2017/2018 1. Aufgabe: Die durchschnittliche tägliche Verweildauer im Internet wurde bei 60 Studierenden (30 Männer und 30 Frauen) erfragt. Die Studierenden
MehrLineare Modelle in R: Zweiweg-Varianzanalyse und Kovarianzanalyse
Lineare Modelle in R: Zweiweg-Varianzanalyse und Kovarianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon im Tutorium LiMo2.pdf laden wir den GSA Datensatz R> load("gsa.rda") und wählen
MehrFakultät Maschinenwesen, Institut für Fertigungstechnik, Professur Formgebende Fertigungsverfahren
Fakultät Maschinenwesen, Institut für Fertigungstechnik, Professur Formgebende Fertigungsverfahren Spezielle Fertigungsverfahren und Mikrofertigungstechnik Design of Experiments - DoE Prof. Dr.-Ing. Alexander
MehrStatistische Versuchsplanung und Optimierung
und Optimierung Ziel: Anwendung der statistischen Versuchsplanung zur Optimierung von Analysenverfahren bzw. chemischen Prozessen Betreuer: Dipl.-Chem. Gisa Baumbach IAAC, Lehrbereich Umweltanalytik Lessingstr.8,
MehrAnhang zu Asexualität, sexuelle und nicht sexuelle Gewalt
Anhang zu Asexualität, sexuelle und nicht sexuelle Multivariate Varianzanalyse zur Analyse der Einflüsse von sexueller (Sexgewalt) und nicht sexueller () auf fünf Asexualitäts-Maße Bezüglich mögliche Auswirkungen
MehrEine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 13. Januar 2009 Bernd Klaus, Verena Zuber Das
MehrVersuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann
Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Contents Aufgabe 1 1 b) Schätzer................................................. 3 c) Residuenquadratsummen........................................
MehrErwin Grüner
FB Psychologie Uni Marburg 19.01.2006 Themenübersicht in R in R In R gibt es eine Reihe von Funktionen zur : lm(): lineare Regression glm(): allgemeines lineares Modell aov(): manova(): multivariate gam():
Mehr11. weitere Übungsaufgaben Statistik II WiSe 2017/2018
11. weitere Übungsaufgaben Statistik II WiSe 2017/2018 1. Aufgabe: Bei 100 Fahrzeugen des gleichen Typs sind neben dem Preis (PREIS) auch die gefahrene Strecke (MEILEN) und die Anzahl der Werkstattbesuche
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
MehrÜbungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg
Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten
MehrÜbungen mit dem Applet. by Michael Gärtner
Übungen mit dem Applet by Michael Gärtner Betreuer: Prof. Dr. Wilhelm Kleppmann Abgabe: 20. October 2006 Inhaltsverzeichnis 1 Prinzip der kleinsten Quadrate 4 2 Quadrierte Abweichungen und Bestimmtheitsmaÿ
MehrKapitel 10. Multikollinearität. Exakte Multikollinearität Beinahe Multikollinearität
Kapitel 0 Multikollinearität Exakte Multikollinearität Beinahe Multikollinearität Exakte Multikollinearität Unser Modell lautet y = Xb + u, Dimension von X: n x k Annahme : rg(x) = k Wenn sich eine oder
MehrDESIGN OF EXPERIMENTS
DESIGN OF EXPERIMENTS Einführung in die statistische Versuchsplanung (DoE) Impulsveranstaltung von 27.04.2017 in Winterthur TQU AG Neumühlestrasse 42 8406 Winterthur, Schweiz www.tqu.ag Beat Giger beat.giger@tqu.ag
MehrLösungen zur Prüfung Angewandte Statistische Methoden in den Nutzierwissenschaften FS 2016
ETH Zürich D-USYS Institut für Agrarwissenschaften Lösungen zur Prüfung Angewandte Statistische Methoden in den Nutzierwissenschaften FS 2016 Peter von Rohr Datum 30. Mai 2016 Beginn 08:00 Uhr Ende 08:45
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS / MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 4 26..,
MehrBiometrische und Ökonometrische Methoden I! Lösungen 6
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 6 1. a) MTB > Read "H:\STUDENT\MINITAB\CNP.DAT"
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 96/97 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 24.1.97,
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 97 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 15 45
MehrVersuchsplanung. Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling
Versuchsplanung Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling Gliederung Grundlagen der Varianzanalyse Streuungszerlegung und Modellschätzer Modellannahmen und Transformationen
MehrVerallgemeinerte lineare Modelle. Promotion. Promotion. Methoden empirischer Sozialforschung. 1 binäre und mehrere metrische und kategoriale Variablen
Verallgemeinerte lineare Modelle 1 binäre und mehrere metrische und kategoriale Variablen Methoden empirischer Sozialforschung Verallgemeinerte lineare Modelle () Wie läßt sich die Abhängigkeit der Erfolgswahrscheinlichkeit
MehrDoE mit Visual-XSel 14.0
Einführung 1 Visual-XSel 14.0 ist sowohl eine leistungsfähige Software um DoE s zu erstellen, als auch die Ergebnisse auszuwerten. Dabei können auch historische Daten ohne Versuchsplanung verwendet werden.
MehrForschungspraktikum Gruppenbezogene Menschenfeindlichkeit. 21. Juni 2007: Pfadanalyse und lineare Strukturgleichungsmodelle
Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit 2. Juni 2007: Pfadanalyse und lineare Strukturgleichungsmodelle In vielen Untersuchungen soll eine komplexere Beziehungsstruktur untersucht werden.
MehrVersuchsplanung und multivariate Statistik Sommersemester 2018
Versuchsplanung und multivariate Statistik Sommersemester 2018 Vorlesung 11: Lineare und nichtlineare Modellierung I Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6.6.2018
MehrMögliche Inhalte für Statgraphics Schulungen und Workshops
Statgraphics Software - Schulungen und Workshops Statgraphics Software - Schulungen und Workshops Mögliche Inhalte für Statgraphics Schulungen und Workshops Statgraphics Schulungen zur: Programmbedienung
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
MehrKommentierter SPSS-Output für hierarchische log-lineare Modelle (Modul Modellauswahl) 3 Dimensionen
Kommentierter SPSS-Output für hierarchische log-lineare Modelle (Modul Modellauswahl) 3 Dimensionen Hierarchisches log-lineares Modell: Saturiertes Modell (SPSS-Modul Modellauswahl ) HILOGLINEAR polview(1
MehrTaschenbuch Versuchsplanung
Wilhelm Kleppmann Taschenbuch Versuchsplanung Produkte und Prozesse optimieren Praxisreihe Qualitätswissen Herausgegeben von Franz J. Brunner Carl Hanser Verlag München Wien VII Inhalt 1 Einführung 1 1.1
MehrVersuchsplanung. Inhalt. Grundlagen. Faktor-Effekt. Allgemeine faktorielle Versuchspläne. Zweiwertige faktorielle Versuchspläne
Inhalt Versuchsplanung Faktorielle Versuchspläne Dr. Tobias Kiesling Allgemeine faktorielle Versuchspläne Faktorielle Versuchspläne mit zwei Faktoren Erweiterungen Zweiwertige
MehrDie Funktion f wird als Regressionsfunktion bezeichnet.
Regressionsanalyse Mit Hilfe der Techniken der klassischen Regressionsanalyse kann die Abhängigkeit metrischer (intervallskalierter) Zielgrößen von metrischen (intervallskalierten) Einflussgrößen untersucht
MehrLineare Regression 2: Gute Vorhersagen
Lineare Regression 2: Gute Vorhersagen Markus Kalisch 23.09.2014 1 Big Picture: Statistisches Lernen Supervised Learning (X,Y) Unsupervised Learning X VL 7, 11, 12 Regression Y kontinuierlich VL 1, 2,
MehrSPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben
SPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben ÜBERSICHT: Testverfahren bei abhängigen (verbundenen) Stichproben parametrisch nicht-parametrisch 2 Gruppen t-test bei verbundenen
MehrIVM: Conjoint Analysis (CA)
Einleitung: IVM: Conjoint Analysis (CA) Die Methode QFD und Conjoint Analysis (CA) stehen in direktem Wettbewerb zu einander, beide wollen eine Kundenaussagen über verschiedene Merkmale eines Produktes
MehrMetrische und kategoriale Merkmale
Kapitel 6 Metrische und kategoriale Merkmale 6.1 Wie kann man metrische und kategoriale Merkmale numerisch beschreiben? Typischerweise will man geeignete Maßzahlen (beispielsweise Lage- oder Streuungsmaße)
MehrBiometrische und Ökonometrische Methoden II Lösungen 1
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 1 1. a) MTB > name c1 '100 mm'
MehrStochastik Praktikum Lineare Modelle
Stochastik Praktikum Lineare Modelle Thorsten Dickhaus Humboldt-Universität zu Berlin 06.10.2010 Übersicht 1 Einfache lineare Regression 2 Multiple lineare Regression 3 Varianzanalyse 4 Verallgemeinerte
Mehr> r.lm < lm(log10(ersch) log10(dist), > summary(r.lm) > r.lms < summary(r.lm) R-Funktionen zur linearen Regression. data = d.
3.4 S-Funktionen 75 R-Funktionen zur linearen Regression a Im package stat (immer vorhanden): lm > r.lm < lm(log10(ersch) log10(dist), data = d.spreng) b Funktion summary produziert Resultate, die man
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie WS 2017/18. ( = 58 Punkte)
Aufgabe 3 (14 + 2 + 7 + 7 + 3 + 5 + 9 + 11 = 58 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Mit Hilfe der Statistiksoftware R soll der Datensatz HousePrices aus
MehrStatistik II für Betriebswirte Vorlesung 11
Statistik II für Betriebswirte Vorlesung 11 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 08. Januar 2018 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 11 Version:
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
MehrLineare Regression 1 Seminar für Statistik
Lineare Regression 1 Seminar für Statistik Markus Kalisch 17.09.2014 1 Statistik 2: Ziele Konzepte von einer breiten Auswahl von Methoden verstehen Umsetzung mit R: Daten einlesen, Daten analysieren, Grafiken
Mehr1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
MehrStatistische Datenanalyse mit R, Korrelation und Regression. Dr. Andrea Denecke Leibniz Universität IT-Services
Statistische Datenanalyse mit R, Korrelation und Regression Dr. Andrea Denecke Leibniz Universität IT-Services Korrelationsanalyse Eine Korrelationsanalyse soll herausfinden Ob ein linearer Zusammenhang
Mehr(FRACTIONAL FACTORIAL)
TQU BUSINESS GMBH 1 2K-TEILFAKTORIELLE VERSUCHSPLÄNE (FRACTIONAL FACTORIAL) 2 Lernziele Sie kennen die Vorteile teilfaktorieller Versuchspläne. Sie kennen und verstehen das Konzept der Auflösung (Resolution).
MehrTeil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.
Woche 11: Multiple lineare Regression Patric Müller Teil XIII Multiple lineare Regression ETHZ WBL 17/19, 10.07.017 Wahrscheinlichkeit und Statistik Patric Müller WBL
MehrFormelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade
Version 2015 Formelsammlung für das Modul Statistik 2 Bachelor Sven Garbade Prof. Dr. phil. Dipl.-Psych. Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrZüchtungslehre - Lösung 3
Züchtungslehre - Lösung 3 Peter von Rohr October 20, 2015 Aufgabe 1 (8) Der in dieser Aufgabe verwendete Datensatz unter http://charlotte-ngs.github.io/livestockbreedingandgenomics/w5/simgenphen.csv umfasst
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 7. Vorlesung: 05.05.2003 Agenda 2. Multiple Regression i. Grundlagen ii. iii. iv. Statistisches Modell Verallgemeinerung des Stichprobenmodells auf Populationsebene
Mehr10. Medizinische Statistik
10. Medizinische Statistik Projektplanung Deskriptive Statistik Inferenz-Statistik Literatur: Hüsler, J. und Zimmermann, H.: Statistische Prinzipien für medizinische Projekte, Verlag Hans Huber, 1993.
Mehr# Befehl für den Lilliefors-Test
1/5 Matthias Rudolf & Diana Vogel R-Kurs Graduiertenakademie September 2017 Loesungsskript: Tests 1a library(nortest) 1b lillie.test Befehl für den Lilliefors-Test 2a, Datensatz "Schachbeispiel einlesen"
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Varianzanalyse Statistik
MehrBiometrische und Ökonometrische Methoden I! Lösungen 8
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 8 MTB > Retrieve 'H:\STUDENT\MINITAB\GAEU.MTW'.
MehrANOVA und Transformationen
und Statistik II Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur Literatur für nächste
MehrTaguchi. Voraussetzung und verwandte Themen. Einführung. Ziel und Nutzen. Grundlagen
Voraussetzung und verwandte Themen Für diese Beschreibungen sind Grundlagen der Statistik vorteilhaft. Weiterführende und verwandte Themen sind: www.versuchsmethoden.de/versuchsplanung.pdf Einführung Taguchi
MehrMögliche Inhalte für Statgraphics Schulungen
Statgraphics Software - Schulungen und W orkshops Statgraphics Software - Schulungen und W orkshops Mögliche Inhalte für Statgraphics Schulungen UMEX GmbH Dresden Moritzburger Weg 67 01109 Dresden Tel.
MehrVergleich von k unabhängigen Gruppen (einfaktorielle, einfache Varianzanalyse)
Vergleich von k unabhängigen Gruppen (einfaktorielle, einfache ) A: Faktor (Gruppenvariable) mit k Stufen (Faktorstufen) Modell Y ij = µ + α i + ǫ ij, i = 1...k, j = 1...n i µ: Gesamterwartungswert α i
MehrOptimierung der mechanischen Eigenschaften von mittels 3D-Druck erzeugten Objekten
Optimierung der mechanischen Eigenschaften von mittels 3D-Druck erzeugten Objekten Markus Böhme, Dr. Frank Reifegerste, Dr. Heinz Wohlrabe 1 Einleitung Das Rapid-Prototyping Verfahren Fused Deposition
MehrInteraktion unter Berücksichtigung des Skalenniveaus der Prädiktoren Dr. Markus Stöcklin, Universität Basel, Fakultät für Psychologie
Interaktion unter Berücksichtigung des Skalenniveaus der Prädiktoren Dr. Markus Stöcklin, Universität Basel, Fakultät für Psychologie 1 Einleitung 3 2 Modell mit 0-1 kodierten nominalen Prädiktoren X 1
MehrANOVA und Transformationen. Statistik II
und Statistik II Wiederholung Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur für nächste
MehrFUNKTIONEN UND FORMELN IN
FUNKTIONEN UND FORMELN IN Referent: Daniel Laskow Betreuer: Eugen Betke Programmierung in R Arbeitsbereich Wissenschaftliches Rechnen Universität Hamburg 01.06.2016 Gliederung Arithmetische Operatoren
MehrFORMELN IN. Referent: Daniel Laskow Betreuer: Eugen Betke Programmierung in R Arbeitsbereich Wissenschaftliches Rechnen Universität Hamburg
FORMELN IN Referent: Daniel Laskow Betreuer: Eugen Betke Programmierung in R Arbeitsbereich Wissenschaftliches Rechnen Universität Hamburg 01.06.2016 Gliederung Arithmetische Operatoren Funktionen aus
MehrStatistik II für Betriebswirte Vorlesung 11
Statistik II für Betriebswirte Vorlesung 11 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 18. Januar 2017 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
Mehr