Statistik. Deskriptive Statistik. Deskriptive Statistik. Deskriptive Statistik

Größe: px
Ab Seite anzeigen:

Download "Statistik. Deskriptive Statistik. Deskriptive Statistik. Deskriptive Statistik"

Transkript

1 AGAH Aual Meetig 004, Berli Grudlage der Biometrie Beschreibede ud schließede Statistik i kliische Studie Jede mathematische Formel reduziert die Azahl der Zuhörer um 50% PD Dr. Thomas Sudhop & Dr. med. Dipl. chem. Michael Reber Abteilug für Kliische Pharmakologie Uiversität Bo Wie viele Formel werde beötigt, um de Saal zu leere? Statistik Lehre vo de Verteiluge Deskriptive Statistik Deskriptive Statistik = empirische Verteiluge vo Merkmale Iduktive/Aalytische Statistik = Schließe vo eier Stichprobe auf die Grudgesamtheit Wahrscheilichkeitstheorie = Verteiluge vo Zufallsvariable Aufgabe: Strukturierug der Rohdate Deskriptive Statistik Tabelle / Graphische Darstellug Deskriptive Statistik Tabelle / Graphische Darstellug Patiet Mittelwerte Placebo ,95 Arzei alpha ,4 Arzei beta , Placebo Arzei alpha Arzei beta Patiet Mittelwerte Placebo ,95 Medisa alpha ,4 Medisa beta ,75 RR Blutdruckseker im Vergleich Probad Placebo Arzei alpha Arzei beta

2 AGAH Aual Meetig 004, Berli Deskriptive Statistik Populatio Was? Wie? Strukturierug der Rohdate Verwedug mathematischer Methode zur stadardisierte Erfassug bestimmter Merkmale der erhobee Date Warum? Hervorhebe wesetlicher Zusammehäge durch Datereduktio ud graphische Darstellug um adere Persoe ohe Ketisse der Eizeldate die erhobee Beobachtuge vermittel zu köe Populatio (Grudgesamtheit) Die Grudgesamtheit sid alle Idividue, für welche Schlussfolgeruge gezoge werde solle. - Alle Eiwoher eies Budeslades - Alle Autos i Deutschlad - Alle Typ II Diabetiker (Zielpopulatio) Populatioe weise eie große Umfag (=Mege der Elemete) auf ud köe daher icht vollstädig utersucht werde. Stichprobe Stichprobe Eie Stichprobe aus eier Populatio stellt die Azahl vo Idividue dar, welche tatsächlich beobachtet werde. Der Stichprobeumfag (Elemete der Stichprobe = Fallzahl) muss ausreiched groß sei Stichprobe sollte repräsetativ für die Populatio sei Repräsetative Stichprobe Stichprobe sollte Elemete aus alle Bereiche der Populatio umfasse Alle PKW, welche a eiem Stichtag zugelasse wurde Alle rote PKW i Berli sid icht repräsetativ für alle PKW Uivariate deskriptive Statistik Kurze ud prägate Charakterisierug der Date eier Stichprobe Statistische Kewerte Lagemaße Streumaße Graphische Darstellug Lagemaße - Mittelwerte - Arithmetisches Mittel - Geometrisches Mittel - Harmoisches Mittel - Getrimmtes Mittel - Media

3 AGAH Aual Meetig 004, Berli Lagemaße Arithmetisches Mittel? Wo liegt das Zetrum der Date? Was ist ei typischer mittlerer Wert Der Mittelwert beschreibt das Verhalte der Date im Mittel (Σ = Summe) Er ist der durchschittliche Wert aller Elemete eier Mege Nachteil: empfidlich gegeüber Extreme Berechug: Mittelwert = Summe aller Elemet : Azahl aller Elemete x + x + x3 + L+ x x = Geometrisches Mittel Log - Trasformatio Fidet häufig Awedug i der Pharmakokietik Weiger empfidlich gege Extremwerte Berechug erfordert log.-trasformatio Berechug: x = x x x 3 K x statistische Verfahre beruhe auf der Aahme, dass Versuchsdate sich der Normalverteilug aäher 5 6 Log - Trasformatio Apassug der Trasformatio durch Auswahl des Logarithmus Awedug bei rechtschiefer Verteilug (Es liege mehr Werte rechts vom Mittelwert) x = x x x 3 K x l( x ) + l( x) +... l( x) = e l( x) + = Geometrisches Mittel l( x) Harmoisches Mittel Es diet als Lagemaß, we die Beobachtugswerte Verhältiszahle sid (z.b. zur Berechug eier durchschittliche Geschwidigkeit oder Überlebeszeit). Bsp.: Ohmsches Gesetz Berechug: 7 8 3

4 AGAH Aual Meetig 004, Berli Getrimmtes Mittel Media Etspricht eiem Arithmetische Mittel Vor der Berechug werde a beide Ede der Verteilug die Extremwerte gekappt (grau uterlegt) Der Media beschreibt de mittlere Wert i eier sortierte Stichprobe Berechug: Stichprobe aufsteiged sortiere Bei ugeradem Stichprobeumfag Mittleres Elemet ist der Media Bei geradem Stichprobeumfag Media ist der Mittelwert aus de beide mittlere Elemete 9 0 Media Beispiel Bestimmug des Alters-Medias vo 6 Patiete Alter der Patiete: 48, 50, 46, 5, 47, 48 Mittelwert versus Media Der Mittelwert ist derjeige Wert, der die Date auf eier Waage ausbalaciert. Etferte Werte besitze eie große Hebelkraft.. Schritt: aufsteiged sortiere 46, 47, 48, 48, 50, 5. Schritt: Mittelwert der beide mittlere Werte bilde 46, 47, 48, 48, 50, 5 ( ) = Beim Media spielt der Abstad der Beobachtug keie Rolle. Der Media ist robust gege Ausreißer. Der Alters-Media der Patiete beträgt 48 Jahre Mittelwert versus Media Die Wahl zwische Mittelwert ud Media ist: - Abhägig davo, ob ei typischer oder ei mittlerer Wert gesucht wird - Abhägig vo der Verteilug (Normal, Schief oder Gibt es Ausreißer? ) - Abhägig davo, ob Präzisio oder Robustheit im Vordergrud steht Praktisches Beispiel Lagemaße Kliische Studie mit ACE-Hemmer 360 Probade Radomisiert auf drei Behadlugsarme 3 4 4

5 AGAH Aual Meetig 004, Berli Streumaße Streumaße - Übersicht Streumaße liefer Iformatioe zur Zusammesetzug (Streuug) vo Stichprobe Rage Stichprobe A: {,, 3, 3, 4, 4, 4, 5, 5, 6 } Stichprobe B: {,,, 5, 6, 9, 9, 9, 9, } Stadardabweichug Variaz Stadardfehler Quatile / Perzetile 5 6 Rage (Spaweite) Defiitio: Differez aus größtem ud kleistem Elemet eier Stichprobe Stichprobe A: {,, 3, 3, 4, 4, 4, 5, 5, 6 } Rage: 6 - = 4 Stichprobe B: {,,, 5, 6, 9, 9, 9, 9, } Rage: - = 9 Rage / Media Media ud Rage beschreibe Stichprobe Stichprobe A: {,, 3, 3, 4, 4, 4, 5, 5, 6 } Media: 4 Rage: Stichprobe B: {,,, 4, 5, 6, 9, 9, 9, } Media: 5,5 Rage: Streumaße - Übersicht Rage Stadardabweichug Variaz Stadardfehler Quatile / Perzetile Stadardabweichug Stadardabweichug (egl. Stadard deviatio, SD) wird meist i Verbidug mit dem Mittelwert agegebe Mittelwert ± Stadardabweichug (Mea ± SD) Sie stellt ei Maß für die Streuug um de Mittelwert dar. Grobe Vorstellug: gibt de durchschittlich Abstad des Eizelwertes vom Mittelwert a

6 AGAH Aual Meetig 004, Berli Stadardabweichug Stadardabweichug 3 3 Arithmetisches Mittel Arithmetisches Mittel SD = - - ( x x) + ( x x) + ( x x3) ( x x) 3 3 Stadardabweichug Stadardabweichug Stichprobe A: {,, 3, 3, 4, 4, 4, 5, 5, 6 } Mittelwert: 3.8 ± Stichprobe B: {,,, 5, 6, 9, 9, 9, 9, } Mittelwert: 9.4 ± Probad Blutdruck (syst.) Tablette A Tablette B Mittelwert 7,5 7,5 SD 9,4, Streumaße - Übersicht Rage Stadardabweichug Variaz Stadardfehler Quatile / Perzetile Variaz Variaz = Stadardabweichug² Mittleres Abstadsquadrat der Elemete vom Mittelwert der Stichprobe Berechug: ( x x) + ( x x) + ( x x3) ( x x) Variaz =

7 AGAH Aual Meetig 004, Berli Stadardabweichug / Variaz Streumaße - Übersicht Stadardabweichug ist das meistgebrauchte Streuugsmaß Rage Vorteil der Stadardabweichug - gleiche Eiheit wie die ursprügliche Messwerte. Stadardabweichug Variaz Stadardfehler Quatile / Perzetile Stadardfehler des Mittelwerts (SEM) Stadardfehler stadard error of the mea = SEM Abgeleitet aus Stadardabweichug (SD) ud Stichprobeumfag () Immer kleier als Stadardabweichug SD SEM = Stadardfehler des Mittelwerts (SEM) Der Stadardfehler beschreibt icht die Date. SEM gibt die Geauigkeit des Mittelwertes als Schätzwert a. CAVE: Häufig wird SEM astelle des Stadard- Abweichug verwadt. Die kleiere Maßzahl für SEM soll eie bessere Wirkug suggeriere. Nährug 95%-KI des Mittelwert: Mittelwert +/- SEM SD SEM SD > SEM Mittelwert +/- SEM -3S -S -S S S 3S Alter vo 9 Kider SD = ( x x ) + ( x x) + ( x x3) ( x x) SD SEM = Mittelwert +/- Stadardabweichug Mea ± SD (,4 ± 9,0) Mea ± SEM (,4 ± 3,0) 4 4 7

8 AGAH Aual Meetig 004, Berli Streumaße - Übersicht Rage Stadardabweichug Variaz Stadardfehler Quatile / Perzetile Rag Defiitio Positio ierhalb der aufsteiged sortierte (Rag-)Liste eier Stichprobe Beispiel Platzieruge im Sport Berechug Elemete aufsteiged sortiere Begied bei ummeriere Meßwert Rag Perzetile Als x%-perzetile wird derjeige Wert eier Stichprobe bezeichet, der kleier oder gleich x% aller Werte ist Meßwert Ragplatz Perzetile % % % % % 4 60% % % % % Perzetile - BMI Quartile Bezeiche die 5%, 50%, 75% ud 00% - Perzetile Meßwert Ragplatz Perzetile Quartil %. Quartil %. Quartil % 3. Quartil % 4. Quartil Iter-Quartil-Spaweite iterquartile rage Bezeichet die Differez aus 3. ud. Quartil 50% aller Werte eier Stichprobe liege ierhalb dieses Bereichs Meßwert Ragplatz Perzetile Quartil %. Quartil %. Quartil % 3. Quartil % 4. Quartil

9 AGAH Aual Meetig 004, Berli Grafik - Histogramm 3 Graphische Darstellug Stichprobe A: {,, 3, 3, 4, 4, 4, 5, 5, 6 } Quartile Box Bereich vo der 5. zur 75. Perzetile Stäbe (whiskers) sid icht eiheitlich defiiert Miimum / Maximum (SPSS) 0% / 90% Perzetile Grafik - Boxplots * * größter Ausreißer größte ormale Beobachtug oberes Quartil Mittelwert (grau Vertrauesitervall) Media uteres Quartil A B kleiste ormale Beobachtug 5 * iedriger Ausreißer 5 Boxplots Bsp. ACE-Hemmer Zusammefassug Die deskriptive Statistik beschreibt mathematische Eigeschafte des erhobee Datematerials ahad vo Stichprobe Es werde Lagemaße (Mittelwert, Media, 95%- Perzetile) vo Streumaße (Stadardabweichug, Variaz, SEM, rage, iterquartile rage) uterschiede. WEIGHT N = 0 0 Ahad dieser Parameter köe Utersuchugsergebisse stadardisiert berichtet werde, so dass es adere geligt, die Ergebisse eier Utersuchug achzuvollziehe, ohe alle Eizeldate zu kee. GENDER

10 AGAH Aual Meetig 004, Berli Grudlage der Biometrie Beschreibede ud schließede Statistik i kliische Studie Wahrscheilichkeit Verhältis Azahl aller güstige Ereigisse zu Azahl aller mögliche Ereigisse Azahl aller güstige Ereigisse p = Azahl aller mögliche Ereigisse Wahrscheilichkeit, mit eiem Würfel im ächste Wurf eie 6 zu werfe: PD Dr. med. Thomas Sudhop & Dr. med. Dipl. chem. Michael Reber Abteilug für Kliische Pharmakologie Uiversität Bo p = {6} {,,3,4,5,6} = = ,7% 6 p liegt immer im Itervall [0; ] (0-00%) 56 Chace (Odd) Absolute ud relative Häufigkeit Verhältis Azahl aller güstige Ereigisse zu Azahl aller ugüstige Ereigisse Azahl aller güstige Ereigisse p = Azahl aller ugüstige Ereigisse Absolute Häufigkeit Agabe, wie oft ei bestimmter Datewert i der Stichprobe ethalte ist Relative Häufigkeit Agabe, wie oft ei bestimmter Datewert i der Stichprobe relativ zum Stichprobeumfag ethalte ist Chace, mit eiem Würfel im ächste Wurf eie 6 zu werfe: 0 40% =50 =50 p = {6} {,,3,4,5} = = 0, 0% % 0% 6% 3% 4% 4% 5 5 0% 0% 4% % Mathematikote eier Jahrgagsstufe Mathematikote eier Jahrgagsstufe 58 Zufallsvariable (Radom variable) Skale für Zufallsvariable Variable i eier Studie, die auf eier Zufallsstichprobe basiert Alter systolischer Blutdruck diskret / kategorial Nomialskaliert: keie lieare Ordug Beispiel: Farbe, ja/ei Ordialskaliert: Ausprägug ka geordet werde... Beispiel: Schulote Zielgröße i eier Studie stetig / kotiuierlich Zufallsvariable uterliegt eier bestimmte Verteilug itervallskaliert: Differeze sid eiheitlich iterpretierbar Beispiel: Temperatur i Grad Celsius verhältisskaliert: Verhältisse sid eiheitlich iterpretierbar Beispiel: Luftdruck, etc

11 AGAH Aual Meetig 004, Berli Histogramm -> Verteilug Normalverteilug Stadard-Normalverteilug (z) µ=0 σ=0 Ν(µ, σ²) f ( x µ ) σ ( x) = e σ π ,45 0,40 0,35 0,30 0,5 0,0 µ=0 σ= Ν(0,) f ( z) = e π z ,5 0,0 0,05 0,00 0,5% 34,% 34,%,%,% 3,6% 3,6% 0,5% x µ z = σ 6 Z-Verteilug Kritische Werte Z-Trasformatio Kritische Werte µ=0 σ= 0,05 = 5% ,645 < 5% der Werte sid >,645 0,975 = 97,5% ,96 X = z σ + µ µ=0 σ= Durch Trasformatio köe die kritische Werte der z-verteilug auf jede Normalverteilug agepasst werde 0,05 =.5% ,96 < 5% der Werte sid >,96 bzw.. < -,96 63 RR i der Normalbevölkerug: µ=0, σ=0 krit. Greze (z 97,5% ) =,96*0+0 = 39,6 mmhg 64 Cetral limit Theorem Cetral Limit Theorem Der Mittelwert der Stichprobe-Mittelwerte etspricht dem Mittelwert der Populatio Ist die Populatio ormal verteilt, so ist auch der Mittelwert der Stichprobe-Mittelwerte ormal verteilt Verteilug der Eizelwerte: Uiform Verteilug der Stichprobemittelwerte: Normal Ist die Populatio icht ormal verteilt, so ist der Mittelwert der Stichprobe-Mittelwerte deoch aäherd ormal verteilt* 65 *für große Stichprobe 66

12 AGAH Aual Meetig 004, Berli Stadardabweichug ud Stadardfehler Kofidezitervall / Vertrauesbereich des Mittelwerts Stadardabweichug SD ist die Stadardabweichug der Eizelwerte SD σ SEM = = SEM σ = Stadardfehler SEM etspricht der Stadardabweichug der Mittelwerte 67 Der x%-vertrauesbereich eies Mittelwerts eier Stichprobe (x) bezeichet das Itervall, das mit x%iger Wahrscheilichkeit de Mittelwert der Populatio (µ) ethält Beispiel: x= mmhg, 95%-CI [8; 4] Kostellatioe sid zu uterscheide Variaz/SD der Populatio ist bekat Variaz/SD der Populatio ist ubekat 68 Vertrauebereich für z-verteilug N(µ,σ²) = N(0, ) 0,45 0,40 0,35 0,30 0,5 0,0 0,5 0,0 0,05 0,00 0,45 0,40 0,35 0,30 0,5 0,0 0,5 0,0 0,05 0,00 µ=0 σ= 00% µ=0 σ=.5% < -,96 97,5% > +, X = zσ + µ [ x z,5% σ ; x + z97,5 % σ ] σ σ ] [ x z,5% ; x + z97,5 % [ x,96 SEM ; x +,96 SEM ] σ σ [ x,96 ; x +,96 ] Beispiel: 95%-CI bei bekater SD der Populatio Systolischer Blutdruck der Normalpopulatio (SD=0 mmhg) Stichprobe mit =5 liefert eie Mittelwert vo mmhg 95% CI = x ±, % CI = ±,96 = ± 3,9 95% CI = [ 8,078 ; 5,9 ] %-Kofidezitervall 95% aller Stichprobe beihalte mit ihrem 95%-CI de Populatiosmittelwert µ Nur 5% aller Stichprobe beihalte mit ihrem 95%-Vertrauesitervall icht de Populatiosmittelwert µ 0,45 0,40 0,35 0,30 0,5 0,0 0,5 0,0 0,05 0,00 0,45 0,40 0,35 0,30 0,5 0,0 0,5 0,0 0,05 Irrtumswahrscheilichkeit α µ=0 σ=.5% < -,96 97,5% > +, µ=0 σ= 0,5% < -,576 99,5% > +,576 α = 5% zα / =,96 z α / = +,96 α = % zα / =,576 z α / = +,576 0, µ 7 7

13 AGAH Aual Meetig 004, Berli Kofidezitervall bei bekater SD CI σ σ [ x z α / ; x + z α / α = ] 95%-Vertrauesbereich bei ubekater SD Bei ubekatem Populatios-SD müsse astelle vo z -α/ die etsprechede Werte der t-verteilug eigesetzt werde 95% CI = x ±, 96 SEM α = Irrtumswahrscheilichkeit σ = Stadardabw. der Populatio x = Mittelwert der Stichprobe = Umfag der Stichprobe CI 95% CI = x ± z0, 975 SEM σ [ x t, α / ; x + t, α / α = σ ] t-verteilug (Studet-t) Kofidezitervall i der aalytische Statistik df=0 df=9 df=4 df t df;0,975 z 0,975 4,776,96 9,6,96 9,045,96 60,000,96 Df = Degree of Freedom (Freiheitsgrade) Kliische Studie Patiete mit Grezwerthypertoie (=5) Zielgröße: systolischer Blutdruck Desig: -armig, itraidividueller Vergleich Systolischer Blutdruck vor Therapie (RR t=0 ) ud ach 4 Woche (RR t=8 ) kotiuierlicher Itervetio Fragestellug: Ist durch die Itervetio eie Blutdruckäderug achweisbar? Zufallsvariable: RR t=8 - RR t= Beispiel Zufallsvariable: RR t=8 - RR t=0 Kofidezitervall für Differeze Vorher Nachher Differez Kofidezitervalle t 4,-α/ Like Greze Rechte Greze p % % % % % % x SD SEM Beihaltet ei -α Kofidezitervall für eie Differez die 0, so ka keie sigifikate Differez ageomme werde. Ist die 0 icht im -α Kofidezitervall für eie Differez ethalte, so ka vo eiem sigifikate Uterschied ausgegage werde Die Differez ist mit eier Irrtumswahrscheilichkeit vo α vo 0 verschiede Da das 95%-Kofidezitervall icht die 0 umfasst, ist die Behadlugsdifferez vo 0 verschiede Simplifiziert: Es liegt ei sigifikater Behadlugseffekt mit Irrtumswahrscheilichkeit vo α = 0,05 vor

14 AGAH Aual Meetig 004, Berli Statistischer Test Hypothese Eifluss der Itervetio H 0 : hat keie Eifluss H : hat eie Eifluss Aufbau der Hypothese Die Null-Hypothese (H 0 ) geht vo keiem systematische Uterschied aus. Gefudee Uterschiede sid zufällig ud icht systematisch Bezoge auf gemessee Differez der Stichprobe H 0 : Differez ist icht 0 verschiede H : Differez ist vo 0 verschiede 79 Die Alterativ-Hypothese (H / H A ) ist die logische Umkehrug der Null-Hypothese, d.h. es existiert ei systematischer Uterschied. Gefudee Uterschiede sid icht zufällig, soder systematisch Null- ud Alterativ-Hypothese müsse sich gegeseitig ausschließe ud alle Möglichkeite abdecke. We H 0 falsch ist, muss H wahr sei We H 0 wahr ist, muss H falsch sei 80 Ei- ud zweiseitige Fragestellug Ugerichteter Effekt H 0 : RR t=8 - RR t=0 = 0 H : RR t=8 - RR t=0 0 Zweiseitiger Test 0,45 0,40 0,35 0,30 0,5 0,0 0,5,5% 97,5% 0,0 0,05 0, Testergebis ud Wirklichkeit Statistische Fehler 4 Möglichkeite, wie Testergebis ud Wirklichkeit zusammetreffe köe H 0 wird akzeptiert, H 0 ist i Wirklichkeit wahr Gerichteter Effekt H 0 : RR t=8 - RR t=0 = 0 H : RR t=8 - RR t=0 < 0 Eiseitiger Test 0,45 0,40 0,35 0,30 0,5 0,0 0,5 5% 0,0 0,05 0, H 0 wird akzeptiert, H ist i Wirklichkeit wahr H 0 wird abgeleht, H ist i Wirklichkeit wahr H 0 wird abgeleht, H 0 ist i Wirklichkeit wahr 8 8 Statische Fehler Fehler I. Art ud II. Art Differez<>0 (H ist wahr) Wirklichkeit Differez=0 (H 0 ist wahr) Testergebis ud Wirklichkeit Statistische Fehler α-fehler H 0 wird abgeleht, obwohl H 0 i Wirklichkeit wahr ist Ei Effekt wird ageomme, wo keier ist Testetscheidug Differez<>0 (H 0 ablehe) Differez=0 (H 0 beibehalte) Richtig positiv (Power = -β) Falsch egativ (Fehler II. Art β-fehler) Falsch positiv (Fehler I. Art α-fehler) Richtig egativ β-fehler H 0 wird akzeptiert, obwohl H i Wirklichkeit wahr ist Ei vorhadeer Effekt wird icht erkat Welcher Fehler ist schlimmer ud daher eher zu vermeide?

15 AGAH Aual Meetig 004, Berli Sigifikaz-Niveau Gepaarter t-test Kosequeze eies falsch-positive Tests ueffektive Behadlug Risiko ohe Nutze ( Nihil ocere ) Koste ohe Nutze Fazit Das Risiko eies falsch positive Tests sollte bekat sei ud durch vorherige Festlegug eies α-niveaus kotrolliert werde Übliche Werte für α 0,05 (5%), 0,0 (%), 0,00 (0,%)... Das Sigifikaz-Niveau muss vor Testbegi festgelegt werde 85 Testet, ob eie Differez zwische uabhägige Beobachtugspaare vo 0 verschiede ist Verteilug der Differez etspricht eier t-statistik der Form: d t = SE d mit - Freiheitsgrade Vorher Nachher Differez ,93 d SDd 3,09 SEd 0,80 t -3,68 tkrit; 4;,5% -,4 tkrit; 4; 97,5%,4 86 Gepaarter t-test Kritische Werte Akzeptazbereich (95%) d t = SE d Gepaarter t-test Beispiel H 0 ist abzulehe, we t > t krit,, α / d,93 t = = = 3,68 SE d 0,8 -,4,4 Ist der gefudee t-wert kleier als der utere kritische Wert oder größer als der obere kritische Wert, muss die Nullhypothese H 0 auf dem α-sigifikaziveau abgeleht werde Eifacher: Ist der Betrag des gefudee t-wertes größer als der positive (obere) kritische Wert, muss H 0 abgeleht werde: t > t krit,, α / ,4,4 Da t =3,43 größer als der kritische Wert für die t-verteilug bei 4 Freiheitsgrade ud dem 0,975-Quatil ist (,4), muss die H 0 - Hypothese auf dem Sigifikaz-Niveau α=0,05 verworfe werde Gepaarter t-test Bedeutug des p-wertes P-Wert eies statistische Tests α -α/ t krit,4,-α/ 0,05 0,9750,4 0,0 0,9900,6 0,0 0,9950,98 0,005 0,9975 3,33 0,004 0,9980 3,44 0,003 0,9985 3,58 0,005 0,9988 3,67 0,004 0,9988 3, d,93 t = = = 3,68 SE d 0,8 P-Wert 89 Vorher Nachher Differez ,93 d SDd 3,09 SEd 0,80 t -3,68 tkrit; 4; 97,5%,4 p 0,005 P bezeichet die Wahrscheilichkeit eie solche Differez oder och extremere wie die gefudee zu erhalte, we die Null-Hypothese wahr wäre Alterativ: Die Wahrscheilichkeit, dass eie solche Differez zufällig beobachtet wird (ohe das ei sigifikater Uterschied vorhade wäre) We p<α, muss die H 0 - Hypothese abgeleht werde 90 5

16 AGAH Aual Meetig 004, Berli Kliische Studie Z99 a ew compoud lowerig BP Cliical Trial Example Hypotheses Z99 wurde zur Behadlug der systoloische Hypertoie etwickelt H 0 : Eie 7-tägige Behadlug mit Z99 beeiflusst de systolische Blutdruck im Vergleich zu Placebo icht Phase II Studie über 7 Tage a 50 Therapie-aive milde Hypertoiker (30 < RR sys. < 60 mmhg) Desig Radomisiert Doppel-blid Placebo-kotrolliert -armige Parallelgruppestudie (:) x Z99 = x PBO H : Eie 7-tägige Behadlug mit Z99 beeiflusst de systolische Blutdruck im Vergleich zu Placebo x Z99 x PBO We H 0 wahr ist, muss H falsch sei U N D We H 0 falsch ist, muss H wahr sei 9 9 Kliische Studie Statistischer Pla Voraussetzug Beide Behadlugsgruppe weise bedigt durch vorherige Radomisierug vergleichbare Ausgagswerte auf Statistischer Test Vergleich der beide Gruppemittelwerte ach 7 Tage Behadlug mittels t-test für uabhägige Stichprobe Sigifikaz-Niveau wird auf α = 0,05 gesetzt Kliische Studie Ergebisse = x 5 Patiete Ausgagswerte x PBO : 4 ± 5 mmhg (MW ± SD) x Z99 : 4 ± 6 mmhg Nach 7 Tage x PBO : 4 ± 5 mmhg x Z99 : 9 ± 7 mmhg t-test: p = PBO Z Mea 4 9 SD 5 7 p 0, Durchführug eies statistische Tests Operatig the Black Box Festlegug vo H 0 ud H H H Voraussetzuge für t-test Itervallskalierte Date Wahl des Sigifikaz-Niveaus α Testdurchführug I Abhägigkeit vom Testergebis (p) H 0 ablehe: H ist wahr oder H 0 beibehalte: H 0 ist wahr Test Black Box Reject H 0 Normalverteilug der Gruppe Variazhomogeität der Gruppe ka verletzt werde, we = we <> ud Variazhomogeität icht gegebe, spezielle Apassug der Freiheitsgrade möglich

17 AGAH Aual Meetig 004, Berli Test auf Normalverteilug Test auf Variazhomogeität Verfahre i SPSS (explorative Dateaalyse) Verfahre i SPSS (t-test für uverbudee Stichprobe) Kolmogorov-Smirov Test H 0 : Stichprobe ist ormalverteilt H : Stichprobe ist icht ormalverteilt Shapiro-Wilk Test H 0 : Stichprobe ist ormalverteilt H : Stichprobe ist icht ormalverteilt Levee s Test (F-Test auf Variazhomogeität) H 0 : σ = σ σ H : σ We H wahr, spezieller heteroskedastischer t-test mit Apassug der Freiheitsgrade Nichtparametrischer Test: uabhägige Stichprobe Ma-Whitey U-Test aka Wilcoxo Rak-Sum Test aka Ma-Whitey-Wilcoxo Rak-Sum Test Bildet aus de Werte Räge ud berechet modifizierte t-statistik für die Räge (robuster gege Ausreißer) Nichtparametrischer Test: verbudee Stichprobe Wilcoxo siged-raks Sortiert Differeze ach absolutem Betrag ud bildet etsprechede Räge Modifizierte t-statistik für Räge Treschärfer als t-test, we Voraussetzuge für t-test verletzt sid Stichprobe-Tests Eifluss der Fallzahl Weiger ist mehr? Verbudee Date (gepaart) uverbudee Date Parametrisch Gepaarter t-test t-test für uverbudee Date Nicht- parametrisch Wilcoxo siged-raks Test Ma-Whitey U Test Gleiche Studie aber ur die erste = x 3 Patiete werde ausgewertet Ausgagswerte x PBO : 4 ± 5 mmhg x Z99 : 4 ± 6 mmhg Ergebis ach 7 Tage Behadlug x PBO : 4 ± 7 mmhg x Z99 : 9 ± 7 mmhg t-test: p = da p > α (0.05) ka H 0 icht verworfe werde Z99 hat keie Eifluss auf de systolische Blutdruck PBO Z Mea 4 9 SD 7 7 p 0,

18 AGAH Aual Meetig 004, Berli Eifluss der Fallzahl β Fehler ud statistische Power Eie zu gerige Fallzahl ka falsch egative Ergebisse bewirke (Fehler II. Art/β-Fehler) β Fehler Defiitio: Wahrscheilichkeit H 0 icht zu verwerfe, obwohl H 0 falsch ist z.b.: Obwohl µ PBO µ Z99 liefert der Test x PBO = x Z99 (falsch egatives Ergebis) Experimete müsse die otwedige statistische Power aufweise, um sigifikate Ergebisse liefer zu köe Fazit: Beim Desig eies Experimets ist eie Fallzahlabschätzug otwedig! Statistische Power (-β) Defiitio: Wahrscheilichkeit H 0 zu verwerfe, we H 0 falsch ist, d.h. die Wahrscheilichkeit eie reale Differez auch als solche zu etdecke Vereifacht: Wahrscheilichkeit ei sigifikates Testergebis zu erhalte (we ei sigifikater Uterschied besteht) Vermeidug vo β Fehler: Power-Schätzug/Berechug Vergleich der beide Z99 -Experimete. Experimet: = x5 Power ~ 80%. Experimet: = x3 Power ~ 38% Power & Fallzahl Power-Schätzug We die stat. Power eies Studiedesigs ur 50% beträgt, wird jede. Studie mit diese Parameter keie sigifikate Uterschiede azeige Kofirmatorische Studie: Power 80% Große Phase III Studie: 85-95% 05 GPOWER - Versio.0 Fraz Faul & Edgar Erdfelder 06 Faktore, die die Fallzahl beeiflusse Fallzahlberechug Sigifikaz-Niveau (α). Festlegug vo α ud gewüschter Power Je iedriger das agestrebte α, um so höher die erforderliche Fallzahl α z.b. α = 0.05 (5%), power = 80% Power (-β) Je größer die gewüschte Power, um so höher die erforderliche Fallzahl Power. Schätzug der achzuweisede Differez Ist die Schätzug kliisch relevat? 3. Schätzug der erwartete Variaz/Stadardabweichug Geschätzte Differez Je kleier die achzuweisede Differez, um so höher die erforderliche Fallzahl x PBO - x Z99 Möglichst realistische Werte aus voragegagee Experimete oder der Literatur verwede 4. Fallzahlberechug durchführe (oder durchführe lasse!) Geschätzte Stadardabweichug Ist die geschätzte Fallzahl kliisch realisierbar? Je größer die Stadardabweichug, um so höher die erforderliche Fallzahl SD 07 Ist die geschätzte Fallzahl adäquat zum kliische Problem? Apassug der Fallzahl a die geschätzte Drop-Out-Rate 08 8

19 AGAH Aual Meetig 004, Berli Apassug der Fallzahlschätzug Drop out Rate Praktische Fallzahlschätzug. Beispiel Faktore, die die Drop out Rate beeiflusse Studiedauer Krakheitsbezogee Verschlechterug Studiebedigte Uaehmlichkeite, Adverse Evets... Die Fallzahlschätzug sollte immer auch die atizipierte Drop out Rate beihalte = 50 & atizipierte drop out Rate % = 56 α = 5% Power = 80% Geschätzte Differez & SD x PBO - x Z99 ~ 3 mmhg SD pooled ~ 6 Fallzahlberechug x = 50 Atizipierte Drop out Rate: 0% 5 Patiete pro Gruppe beötigt GPOWER - Versio.0 Fraz Faul & Edgar Erdfelder 09 0 Power: A priori & Post-hoc Tipps & Tricks Oder, warum Studie scheiter? A priori Power Schätzug, basiered auf geschätzte Differez geschätzte SD kalkulierte Fallzahl Post-hoc Power Berechug, basiered auf beobachteter Differez beobachteter SD echter Fallzahl Frühzeitige Eibidug des Statistikers i die Studieplaug Verwedug realistischer Schätzer für die erwartete Differez ud Variaz/SD Strikte Protokolleihaltug Exakte Messug Post-hoc Power ka größer aber auch kleier als die a priori Power sei! Vermeidug vo Drop outs Literatur Bücher Rosser B. Fudametals of Biostatistics. Duxberry Press Dawso-Sauders B. & Trapp R.G. Basics ad Cliical Biostatistics. Pretice Hall Iteratioal Ic. Motulsky, H. Ituitive Biostatistics, Oxford Uiversity Press Software SPSS - SAS - Bucher A., Faul F., Erdfelder E. GPOWER.0 - Computer program for power- ad sample size calculatio, (Freeware) [MS-DOS/Widows ad Macitosh] 3 9

Statistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39

Statistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39 Statistik Eiführug Kofidezitervalle für eie Parameter Kapitel 7 Statistik WU Wie Gerhard Derfliger Michael Hauser Jörg Leeis Josef Leydold Güter Tirler Rosmarie Wakolbiger Statistik Eiführug // Kofidezitervalle

Mehr

3. Einführung in die Statistik

3. Einführung in die Statistik 3. Eiführug i die Statistik Grudlegedes Modell zu Date: uabhägige Zufallsgröße ; : : : ; mit Verteilugsfuktio F bzw. Eizelwahrscheilichkeite p ; : : : ; p r i de Aweduge: kokrete reale Auspräguge ; : :

Mehr

n 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen:

n 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen: 61 6.2 Grudlage der mathematische Statistik 6.2.1 Eiführug i die mathematische Statistik I der mathematische Statistik behadel wir Masseerscheiuge. Wir habe es deshalb im Regelfall mit eier große Zahl

Mehr

Beschreibende Statistik Kenngrößen in der Übersicht (Ac)

Beschreibende Statistik Kenngrößen in der Übersicht (Ac) Beschreibede Statistik Kegröße i der Übersicht (Ac) Im folgede wird die Berechugsweise des TI 83 (sowie vo SPSS, s. ute) verwedet. Diese geht auf eie Festlegug vo Moore ud McCabe (00) zurück. I der Literatur

Mehr

Wissenschaftliches Arbeiten Studiengang Energiewirtschaft

Wissenschaftliches Arbeiten Studiengang Energiewirtschaft Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:

Mehr

Quantitative Methoden in der klinischen Epidemiologie Der statistische Test

Quantitative Methoden in der klinischen Epidemiologie Der statistische Test Lerziele Quatitative Methode i der kliische Epidemiologie Der statistische Test Dr. Markus Pfirrma pfi@ibe.med.ui-mueche.de IBE Der Statistische Test Im Zetrum jeder kliische ud epidemiologische Studie

Mehr

Kapitel 5: Schließende Statistik

Kapitel 5: Schließende Statistik Kapitel 5: Schließede Statistik Statistik, Prof. Dr. Kari Melzer 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte

Mehr

Variiert man zusätzlich noch die Saatstärke (z.b. 3 Stärkearten), würde man von einer zweifaktoriellen Varianzanalyse sprechen.

Variiert man zusätzlich noch die Saatstärke (z.b. 3 Stärkearten), würde man von einer zweifaktoriellen Varianzanalyse sprechen. 3. Variazaalyse Die Variazaalyse mit eier quatitative abhägige Variable ud eier oder mehrerer qualitativer uabhägiger Variable wird auch als ANOVA (Aalysis of Variace) bezeichet. Mit eier Variazaalyse

Mehr

Evaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt

Evaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt 2.4.5 Gauss-Test ud t-test für verbudee Stichprobe 2.4.5.8 Zum Begriff der verbudee Stichprobe Verbudee Stichprobe: Vergleich zweier Merkmale X ud Y, die jetzt a deselbe Persoe erhobe werde. Vorsicht:

Mehr

Univariate Verteilungen

Univariate Verteilungen (1) Aalyse: "deskriptive Statistike" Aalysiere -> deskriptive Statistike -> deskriptive Statistik Keie tabellarische Darstellug der Häufigkeitsverteilug () Aalyse: "Häufigkeitsverteilug" Aalysiere -> deskriptive

Mehr

Statistik I/Empirie I

Statistik I/Empirie I Vor zwei Jahre wurde ermittelt, dass Elter im Durchschitt 96 Euro für die Nachhilfe ihrer schulpflichtige Kider ausgebe. I eier eue Umfrage uter 900 repräsetativ ausgewählte Elter wurde u erhobe, dass

Mehr

Statistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S

Statistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S Statistik mit Excel 2013 Peter Wies Theme-Special 1. Ausgabe, Februar 2014 W-EX2013S 3 Statistik mit Excel 2013 - Theme-Special 3 Statistische Maßzahle I diesem Kapitel erfahre Sie wie Sie Date klassifiziere

Mehr

Testumfang für die Ermittlung und Angabe von Fehlerraten in biometrischen Systemen

Testumfang für die Ermittlung und Angabe von Fehlerraten in biometrischen Systemen Testumfag für die Ermittlug ud Agabe vo Fehlerrate i biometrische Systeme Peter Uruh SRC Security Research & Cosultig GmbH peter.uruh@src-gmbh.de Eileitug Biometrische Systeme werde durch zwei wichtige

Mehr

Streuungsmaße. Prof. Dr. Paul Reuber. Institut für Geographie. Seminar Methoden der empirischen Humangeographie

Streuungsmaße. Prof. Dr. Paul Reuber. Institut für Geographie. Seminar Methoden der empirischen Humangeographie Streuugsmaße Istitut für Geographie Streuugswerte (Streuugsmaße) Die Diskussio um die Mittelwerte hat die Vorteile dieser statistische Kewerte gezeigt, aber bereits, isbesodere beim arithmetische Mittel,

Mehr

h i Deskriptive Statistik 1-dimensionale Daten Daten und Häufigkeiten Seite 1 Nominal Ordinal Metrisch (Kardinal) Metrisch - klassiert

h i Deskriptive Statistik 1-dimensionale Daten Daten und Häufigkeiten Seite 1 Nominal Ordinal Metrisch (Kardinal) Metrisch - klassiert Deskriptive Statistik dimesioale Date Date ud Häufigkeite Seite Nomial Ordial Metrisch (Kardial Metrisch klassiert Beschreibug: Date habe keie atürliche Reihefolge. Bsp: Farbe, Religio, Geschlecht, Natioalität...

Mehr

15.4 Diskrete Zufallsvariablen

15.4 Diskrete Zufallsvariablen .4 Diskrete Zufallsvariable Vo besoderem Iteresse sid Zufallsexperimete, bei dee die Ergebismege aus reelle Zahle besteht bzw. jedem Elemetarereigis eie reelle Zahl zugeordet werde ka. Solche Zufallsexperimet

Mehr

Statistische Maßzahlen. Statistik Vorlesung, 10. März, 2010. Beispiel. Der Median. Beispiel. Der Median für klassifizierte Werte.

Statistische Maßzahlen. Statistik Vorlesung, 10. März, 2010. Beispiel. Der Median. Beispiel. Der Median für klassifizierte Werte. Statistik Vorlesug,. ärz, Statistische aßzahle Iformatio zu verdichte, Besoderheite hervorzuhebe ittelwerte Aufgabe: die Lage der Verteilug auf der Abszisse zu zeige. Der odus: derjeige Wert, der im Häufigste

Mehr

Kapitel 6: Statistische Qualitätskontrolle

Kapitel 6: Statistische Qualitätskontrolle Kapitel 6: Statistische Qualitätskotrolle 6. Allgemeies Für die Qualitätskotrolle i eiem Uterehme (produzieredes Gewerbe, Diestleistugsuterehme, ) gibt es verschiedee Möglichkeite. Statistische Prozesskotrolle

Mehr

Wahrscheinlichkeit & Statistik

Wahrscheinlichkeit & Statistik Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege

Mehr

Der natürliche Werkstoff Holz - Statistische Betrachtungen zum uniaxialen Zugversuch am Beispiel von Furnier

Der natürliche Werkstoff Holz - Statistische Betrachtungen zum uniaxialen Zugversuch am Beispiel von Furnier Der atürliche Werkstoff Holz - Statistische Betrachtuge zum uiaxiale Zugversuch am Beispiel vo Furier B. Bellair, A. Dietzel, M. Zimmerma, Prof. Dr.-Ig. H. Raßbach Zusammefassug FH Schmalkalde, 98574 Schmalkalde,

Mehr

Beispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.

Beispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0. 8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 8.1 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12.075, p-wert: 0.0168 f χ

Mehr

Dr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren

Dr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren Dr. Jürge Seger INDUKTIVE STATISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUNG. - LÖSUNGEN. ypothesetest für die Dicke vo Plättche Die Dicke X vo Plättche, die auf eier bestimmte Maschie

Mehr

Verbesserung von Datengüte und Analysemöglichkeiten durch den Einsatz visueller Analogskalen in Onlineumfragen

Verbesserung von Datengüte und Analysemöglichkeiten durch den Einsatz visueller Analogskalen in Onlineumfragen Gemeisame Tagug des DVPW-Arbeitskreises Empirische Methode der Politikwisseschaft ud der DGS-Sektio Methode der Empirische Sozialforschug m Thema Olieforschug Maheim, 27. ud 28. Mai 2011 Verbesserug vo

Mehr

Statistische Formelsammlung Begleitende Materialien zur Statistik - Vorlesung des Grundstudiums im Fachbereich IK

Statistische Formelsammlung Begleitende Materialien zur Statistik - Vorlesung des Grundstudiums im Fachbereich IK Statistische Formelsammlug Begleitede Materialie zur Statistik - Vorlesug des Grudstudiums im Fachbereich IK Erstellt im Rahme des studierede Projektes PROST Studiejahr 00/00 uter Aleitug vo Frau Prof.

Mehr

Beispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.

Beispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0. 8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12075, p-wert: 00168 f χ 2 (4)

Mehr

3 Kritischer Bereich zum Niveau α = 0.10: K = (χ 2 k 1;1 α, + ) = (χ2 5;0.90, + ) = (9.236, + ) 4 Berechnung der realisierten Teststatistik:

3 Kritischer Bereich zum Niveau α = 0.10: K = (χ 2 k 1;1 α, + ) = (χ2 5;0.90, + ) = (9.236, + ) 4 Berechnung der realisierten Teststatistik: 8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 1275, p-wert: 168 8 Apassugs-

Mehr

Parameter von Häufigkeitsverteilungen

Parameter von Häufigkeitsverteilungen Kapitel 3 Parameter vo Häufigkeitsverteiluge 3. Mittelwerte Mo Der Modus (:= häufigster Wert, Abk.: Mo) ist der Merkmalswert mit der größte Häufigkeit, falls es eie solche gibt. Er sollte ur bei eigipflige

Mehr

2.4.1 Grundprinzipien statistischer Hypothesentests

2.4.1 Grundprinzipien statistischer Hypothesentests 86 2.4. Hypothesetests 2.4 Hypothesetests 2.4.1 Grudprizipie statistischer Hypothesetests Hypothese: Behauptug eier Tatsache, dere Überprüfug och aussteht (Leuter i: Edruweit, Trommsdorff: Wörterbuch der

Mehr

Kennwerte Univariater Verteilungen

Kennwerte Univariater Verteilungen Kewerte Uivariater Verteiluge Kewerte Beschreibug vo Verteiluge durch eie (oder weige) Werte Werde auch als Parameter oder Maße vo Verteiluge bezeichet Ma uterscheidet: Lagemaße oder auch Maße der zetrale

Mehr

Umrechnung einer tatsächlichen Häufigkeitsverteilung in eine prozentuale Häufigkeitsverteilung

Umrechnung einer tatsächlichen Häufigkeitsverteilung in eine prozentuale Häufigkeitsverteilung .3. Prozetuale Häufigkeitsverteilug (HV) Die prozetuale Häufigkeitsverteilug erlaubt de Vergleich vo Auswertuge, dee uterschiedliche Stichprobegröße zugrude liege. Es köe auch uterschiedliche Stichprobegröße

Mehr

Lerneinheit 2: Grundlagen der Investition und Finanzierung

Lerneinheit 2: Grundlagen der Investition und Finanzierung Lereiheit 2: Grudlage der Ivestitio ud Fiazierug 1 Abgrezug zu de statische Verfahre Durchschittsbetrachtug wird aufgegebe Zeitpukt der Zahlugsmittelbewegug explizit berücksichtigt exakte Erfassug der

Mehr

Formelsammlung Mathematik

Formelsammlung Mathematik Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1

Mehr

Gliederung. Value-at-Risk

Gliederung. Value-at-Risk Value-at-Risk Dr. Richard Herra Nürberg, 4. Noveber 26 IVS-Foru Gliederug Modell Beispiel aus der betriebliche Altersversorgug Verteilug des Gesatschades Value-at-Risk ud Tail Value-at-Risk Risikobeurteilug

Mehr

elektr. und magnet. Feld A 7 (1)

elektr. und magnet. Feld A 7 (1) FachHochschule Lausitz Physikalisches Praktikum α- ud β-strahlug im elektr. ud maget. Feld A 7 Name: Matrikel: Datum: Ziel des Versuches Das Verhalte vo α- ud β-strahlug im elektrische ud magetische Feld

Mehr

Stichproben im Rechnungswesen, Stichprobeninventur

Stichproben im Rechnungswesen, Stichprobeninventur Stichprobe im Rechugswese, Stichprobeivetur Prof Dr Iree Rößler ud Prof Dr Albrecht Ugerer Duale Hochschule Bade-Württemberg Maheim Im eifachste Fall des Dollar-Uit oder Moetary-Uit Samplig (DUS oder MUS-

Mehr

6.6 Grundzüge der Fehler- und Ausgleichsrechnung 6.6.1 Fehlerarten- Aufgaben der Fehler- und Ausgleichsrechnung physikalisch-technische Experiment

6.6 Grundzüge der Fehler- und Ausgleichsrechnung 6.6.1 Fehlerarten- Aufgaben der Fehler- und Ausgleichsrechnung physikalisch-technische Experiment 103 66 Grudzüge der Fehler- ud Ausgleichsrechug 661 Fehlerarte- Aufgabe der Fehler- ud Ausgleichsrechug Jedes physikalisch-techische Experimet liefert gewisse gemessee Werte x Bei dem Messvorgag verwede

Mehr

"Ich glaube nur die Statistik, die ich selbst gefälscht habe."

Ich glaube nur die Statistik, die ich selbst gefälscht habe. THEORETISCHE GRUNDLAGEN I der Biophysik versuche wir biologische Vorgäge mit physikalische Methode zu utersuche ud zu verstehe. Wir setze dabei voraus, dass biologische Größe quatitativ gemesse ud mit

Mehr

Behandlung von Messunsicherheiten (Fehlerrechnung)

Behandlung von Messunsicherheiten (Fehlerrechnung) Behadlug vo Messusicherheite (Fehlerrechug). Ermittlug vo Messusicherheite. Messug ud Messusicherheit Die Messug eier physikalische Größe erfolgt durch de Vergleich dieser Größe mit eier Bezugseiheit ach

Mehr

Statistische Tests zu ausgewählten Problemen

Statistische Tests zu ausgewählten Problemen Eiführug i die statistische Testtheorie Statistische Tests zu ausgewählte Probleme Teil : Tests für Erwartugswerte Statistische Testtheorie I Eiführug Beschräkug auf parametrische Testverfahre Beschräkug

Mehr

Inhaltsverzeichnis Office Excel 2003 - Themen-Special: Statistik I

Inhaltsverzeichnis Office Excel 2003 - Themen-Special: Statistik I W-EX2003S Autor: Christia Müster Ihaltliches Lektorat: Peter Wies Überarbeitete Ausgabe vom 23. Mai 2007 by HERDT-Verlag für Bildugsmedie GmbH, Bodeheim Microsoft Office Excel 2003 für Widows Theme-Special:

Mehr

Grundgesamtheitsanaylsen und Stichproben. Betrachtungen zur Stichprobenfindung

Grundgesamtheitsanaylsen und Stichproben. Betrachtungen zur Stichprobenfindung MaMaEuSch Maagemet Mathematics for Europea Schools http://www.mathematik.uikl.de/ mamaeusch Grudgesamtheitsaaylse ud Stichprobe. Betrachtuge zur Stichprobefidug Paula Lagares Justo Puerto 1 MaMaEuSch 2

Mehr

4 Punkt- und Intervallschätzung

4 Punkt- und Intervallschätzung W. Timischl, Agewadte Statistik - Formel (Agewadte Statistik Bachelor-Bioegieerig/Biotechologie) 4 Pukt- ud Itervallschätzug 4. Mittelwert ud Variaz Zufallsstichprobe der metrische Variable X vom Umfag

Mehr

Formelsammlung. zur Klausur. Beschreibende Statistik

Formelsammlung. zur Klausur. Beschreibende Statistik Formelsammlug zur Klausur Beschreibede Statistik Formelsammlug Beschreibede Statistik. Semester 004/005 Statistische Date Qualitative Date Nomial skalierte Merkmalsauspräguge (Uterscheidugsmerkmale) köe

Mehr

Statistik. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.html

Statistik. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.html Statistik Prof. Dr. K. Melzer kari.melzer@hs-esslige.de http://www.hs-esslige.de/de/mitarbeiter/kari-melzer.html Ihaltsverzeichis 1 Eileitug ud Übersicht 3 2 Dategewiug (kurzer Überblick) 3 2.1 Plaugsphase

Mehr

Korrelationsanalyse zwischen kategorischen Merkmalen. Kontingenztabellen. Chi-Quadrat-Test

Korrelationsanalyse zwischen kategorischen Merkmalen. Kontingenztabellen. Chi-Quadrat-Test Kotigeztabelle. Chi-Quadrat-Test Korrelatiosaalyse zwische kategorische Merkmale Beispiel 1 ohe Frau 8 75 1 Ma 48 49 97 76 14? Häufigkeitstabelle (Kotigeztabelle): eie tabellarische Darstellug der gemeisame

Mehr

Model CreditRisk + : The Economic Perspective of Portfolio Credit Risk Part I

Model CreditRisk + : The Economic Perspective of Portfolio Credit Risk Part I Model CreditRisk + : The Ecoomic Perspective of Portfolio Credit Risk Part I Semiar: Portfolio Credit Risk Istructor: Rafael Weißbach Speaker: Pablo Kimmig Ageda 1. Asatz ud Ziele Was ist CreditRisk +

Mehr

Weitere Lagemaße: Quantile/Perzentile II. Weitere Lagemaße: Quantile/Perzentile I. Weitere Lagemaße: Quantile/Perzentile IV

Weitere Lagemaße: Quantile/Perzentile II. Weitere Lagemaße: Quantile/Perzentile I. Weitere Lagemaße: Quantile/Perzentile IV 3 Auswertug vo eidimesioale Date Lagemaße 3.3 Weitere Lagemaße: Quatile/Perzetile I 3 Auswertug vo eidimesioale Date Lagemaße 3.3 Weitere Lagemaße: Quatile/Perzetile II Für jede Media x med gilt: Midestes

Mehr

Löslichkeitsdiagramm. Grundlagen

Löslichkeitsdiagramm. Grundlagen Grudlage Löslichkeitsdiagramm Grudlage Zur etrachtug des Mischugsverhaltes icht vollstädig mischbarer Flüssigkeite, das heißt Flüssigkeite, die sich icht bei jeder Temperatur i alle Megeverhältisse miteiader

Mehr

2.2.1 Lagemaße. Exkurs: Quantile. und n. p n

2.2.1 Lagemaße. Exkurs: Quantile. und n. p n Ekurs: Quatile Ausgagspukt : Geordete Urliste Jeder Wert p, mit 0 < p

Mehr

Übungsaufgaben - Organisatorisches

Übungsaufgaben - Organisatorisches Übugsaufgabe - Orgaisatorisches Der Abgabetermi der eue Übugsblätter ist: Motag, 4:00 Uhr Fehlerrechugsbriefkaste Der Abgabetermi der verbesserte Übugsblätter ist: Freitag, 6:00 Uhr T. Kießlig: Auswertug

Mehr

Vereinheitlichung Einheitlicher Maßstab der Risikoeinschätzung. Limitierung / Steuerung Messung und Limitierung ist fundamental für die Steuerung

Vereinheitlichung Einheitlicher Maßstab der Risikoeinschätzung. Limitierung / Steuerung Messung und Limitierung ist fundamental für die Steuerung . Marktpreisrisiko Motivatio der VaR-Ermittlug Vereiheitlichug Eiheitlicher Maßstab der Risikoeischätzug Limitierug / Steuerug Messug ud Limitierug ist fudametal für die Steuerug Kapitaluterlegug Zur Deckug

Mehr

2 Vollständige Induktion

2 Vollständige Induktion 8 I. Zahle, Kovergez ud Stetigkeit Vollstädige Iduktio Aufgabe: 1. Bereche Sie 1+3, 1+3+5 ud 1+3+5+7, leite Sie eie allgemeie Formel für 1+3+ +( 3)+( 1) her ud versuche Sie, diese zu beweise.. Eizu5% ZiseproJahragelegtes

Mehr

4. Übung Konfidenzintervalle für Anteile und Mittelwerte

4. Übung Konfidenzintervalle für Anteile und Mittelwerte Querschittsbereich 1: Epidemiologie, Mediziische Biometrie ud Mediziische Iformatik - Übugsmaterial - Erstellt vo Mitarbeiter des IMISE ud des ZKS Leipzig 4. Übug Kofidezitervalle für Ateile ud Mittelwerte

Mehr

Übungsblatt 1 zur Vorlesung Angewandte Stochastik

Übungsblatt 1 zur Vorlesung Angewandte Stochastik Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche

Mehr

II. Grundzüge der Stichprobentheorie

II. Grundzüge der Stichprobentheorie II. Grudzüge der Stichprobetheorie Grüde für Stichprobeerhebug - deutlich gerigere Koste - größere Awedugsbreite - kürzere Erhebugs- ud Auswertugszeite - i der Regel größere Geauigkeit der Ergebisse Begriffsbestimmug

Mehr

SUCHPROBLEME UND ALPHABETISCHE CODES

SUCHPROBLEME UND ALPHABETISCHE CODES SUCHPROBLEME UND ALPHABETISCHE CODES Der Problematik der alphabetische Codes liege Suchprobleme zugrude, dere Lösug dem iformatiostheoretische Problem der Fidug eies (optimale) alphabetische Codes gleich

Mehr

Testen statistischer Hypothesen

Testen statistischer Hypothesen Kapitel 9 Teste statistischer Hypothese 9.1 Eiführug, Sigifiaztests Sigifiaztest für µ bei der ormalverteilug bei beatem σ = : X i seie uabhägig ud µ, ) verteilt, µ sei ubeat. Stelle eie Hypothese über

Mehr

Datenauswertung. Prof. Dr. Josef Brüderl Universität Mannheim. Frühjahrssemester 2007

Datenauswertung. Prof. Dr. Josef Brüderl Universität Mannheim. Frühjahrssemester 2007 Dateauswertug Prof. Dr. Josef Brüderl Uiversität Maheim Frühjahrssemester 007 Methode-Curriculum B.A. Soziologie Basismodul: Methode ud Statistik: VL Dateerhebug (): 5 ÜK (): 3 ----------------------------------------------------------

Mehr

Robuste Asset Allocation in der Praxis

Robuste Asset Allocation in der Praxis Fiazmarkt Sachgerechter Umgag mit Progosefehler Robuste Asset Allocatio i der Praxis Pesiosfods ud adere istitutioelle Aleger sid i aller Regel a ei bestimmtes Rediteziel (Rechugszis) gebude, das Jahr

Mehr

Wirksamkeit, Effizienz

Wirksamkeit, Effizienz 3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe

Mehr

Integrationsseminar zur BBL und ABWL Wintersemester 2002/2003

Integrationsseminar zur BBL und ABWL Wintersemester 2002/2003 Credit Risk+ Itegratiossemiar zur BBL ud BWL Witersemester 2002/2003 Oksaa Obukhova lia Sirsikova Credit Risk+ 1 Ihalt. Eiführug i die Thematik B. Ökoomische Grudlage I. Ziele II. wedugsmöglichkeite 1.

Mehr

Praktikum Vorbereitung Fertigungsmesstechnik Statistische Qualitätskontrolle

Praktikum Vorbereitung Fertigungsmesstechnik Statistische Qualitätskontrolle Praktikum Vorbereitug Fertigugsmesstechik Statistische Qualitätskotrolle Bei viele Erzeugisse ist es icht möglich jedes Werkstück zu prüfe, z.b.: bei Massefertigug. Hier ist es aus ökoomische Grüde icht

Mehr

Prof. Dr. Roland Füss Statistik II SS 2008

Prof. Dr. Roland Füss Statistik II SS 2008 1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl

Mehr

SBP Mathe Aufbaukurs 1. Absolute und relative Häufigkeit. Das arithmetische Mittel und seine Eigenschaften. Das arithmetische Mittel und Häufigkeit

SBP Mathe Aufbaukurs 1. Absolute und relative Häufigkeit. Das arithmetische Mittel und seine Eigenschaften. Das arithmetische Mittel und Häufigkeit SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf # 0 Atwort Diese Lerkarte sid sorgfältig erstellt worde, erhebe aber weder Aspruch auf Richtigkeit och auf Vollstädigkeit. Das Lere mit Lerkarte fuktioiert ur

Mehr

Six Sigma Renaissance einer vergessenen Qualitätsmethode oder neuer Qualitätsstandard? (Teil 4)

Six Sigma Renaissance einer vergessenen Qualitätsmethode oder neuer Qualitätsstandard? (Teil 4) ZfP-Zeitug 83 Februar 2003 Six Sigma Reaissace eier vergessee Qualitätsmethode oder euer Qualitätsstadard? (Teil 4) Vo Dipl.-Ig. Axel K. Bergbauer Die Phase Measure oder die Phase der Zahle, Date, Fakte

Mehr

Der χ 2 Test. Bei Verteilungen Beantwortung der Frage, ob eine gemessene Verteilung Gauß- oder Poisson-verteilt ist oder nicht?

Der χ 2 Test. Bei Verteilungen Beantwortung der Frage, ob eine gemessene Verteilung Gauß- oder Poisson-verteilt ist oder nicht? Der χ Test Es gibt verschiedee Arte vo Sigifikaztests Nebe Sigifikaztests, die sich mit dem Mittelwert beschäftige, gibt es auch Testverfahre für Verteiluge Bei Verteiluge Beatwortug der Frage, ob eie

Mehr

Einführung in die induktive Statistik. Inferenzstatistik. Konfidenzintervalle. Friedrich Leisch

Einführung in die induktive Statistik. Inferenzstatistik. Konfidenzintervalle. Friedrich Leisch Spiel Körpergröße Zahl: Azahl weiblich Eiführug i die iduktive Statistik Friedrich Leisch Istitut für Statistik Ludwig-Maximilias-Uiversität Müche Tafelgruppe 8.5 8.6 8.7 8.8 8.9 9.0 9.1 4 5 3 2 1 0 1

Mehr

Empirische Methoden I

Empirische Methoden I Hochschule für Wirtschaft ud 2012 Umwelt Nürtige-Geislige Fakultät Betriebswirtschaft ud Iteratioale Fiaze Prof. Dr. Max C. Wewel Prof. Dr. Corelia Niederdrek-Felger Aufgabe zum Tutorium Empirische Methode

Mehr

Statistik I Februar 2005

Statistik I Februar 2005 Statistik I Februar 2005 Aufgabe 0 Pukte Ei Merkmal X mit de mögliche Auspräguge 0 ud, das im Folgede wie ei kardialskaliertes Merkmal behadelt werde ka, wird a Merkmalsträger beobachtet. Dabei bezeichet

Mehr

Qualitätskennzahlen für IT-Verfahren in der öffentlichen Verwaltung Lösungsansätze zur Beschreibung von Metriken nach V-Modell XT

Qualitätskennzahlen für IT-Verfahren in der öffentlichen Verwaltung Lösungsansätze zur Beschreibung von Metriken nach V-Modell XT Qualitätskezahle für IT-Verfahre i der öffetliche Verwaltug Lösugsasätze zur Vo Stefa Bregezer Der Autor arbeitet im Bereich Softwaretest ud beschäftigt sich als Qualitätsbeauftragter mit Theme zu Qualitätssicherug

Mehr

Informatik II Dynamische Programmierung

Informatik II Dynamische Programmierung lausthal Iformatik II Dyamische Programmierug. Zachma lausthal Uiversity, ermay zach@i.tu-clausthal.de Zweite Techik für de Algorithmeetwurf Zum Name: "Dyamische " hat ichts mit "Dyamik" zu tu, soder mit

Mehr

Versuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK. 1. Vorbemerkung

Versuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK. 1. Vorbemerkung Versuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK Physikalische Prozesse, die eier statistische Gesetzmäßigkeit uterworfe sid, lasse sich mit eier Verteilugsfuktio beschreibe. Die Gauß-Verteilug

Mehr

Kontingenztabellen. Chi-Quadrat-Test. Korrelationsanalyse zwischen kategorischen Merkmalen. 1. Unabhängigkeitstest

Kontingenztabellen. Chi-Quadrat-Test. Korrelationsanalyse zwischen kategorischen Merkmalen. 1. Unabhängigkeitstest Kotigeztabelle. Chi-Quadrat-Test KAD 1.11. 1. Uabhägigkeitstest. Apassugstest. Homogeitätstest Beispiel 1 ohe Frau 8 75 1 Ma 48 49 97 76 14? Korrelatiosaalyse zwische kategorische Merkmale Häufigkeitstabelle

Mehr

Bei 95%iger Konfidenz wäre der Mittelwert der GG zwischen 1421,17DM und 1778,83DM zu erwarten.

Bei 95%iger Konfidenz wäre der Mittelwert der GG zwischen 1421,17DM und 1778,83DM zu erwarten. Aufgabe 36 (S. 346: Schätzverfahre für Mittelwert ud Stadardabweichug a Puktschätzuge für µ aufgrud der Werte der kleie Stichprobe aus Aufgabe 3 Bei eier Puktschätzug wird für de zu schätzede Parameter

Mehr

Kursthemen 5. Sitzung. Lagemaße

Kursthemen 5. Sitzung. Lagemaße Kurstheme 5. Sitzug Folie I - 5 - Lagemaße A) Arithmetisches Mittel (AM), Media ud Modus (Folie 2 bis 8) A) Arithmetisches Mittel (AM), Media ud Modus (Folie 2 bis 8) B) Der Additiossatz für AM (Folie

Mehr

ICD-Aggregatwechsel Auswertung 2014 Modul 09/5

ICD-Aggregatwechsel Auswertung 2014 Modul 09/5 Bayerische Arbeitsgemeischaft für Qualitätssicherug i der statioäre Versorgug ICD-Aggregatwechsel Auswertug Modul 9/5 ICD-Aggregatwechsel Ihalt» Ihaltsverzeichis 1 Basisstatistik 1 Patiete 2 Idikatio 3

Mehr

Statistik und Wahrscheinlichkeitslehre

Statistik und Wahrscheinlichkeitslehre Statistik ud Wahrscheilichkeitslehre Zufall ud Mittelwerte Für alle techische Studiegäge Prof. Dr.-Ig. habil. Thomas Adamek Grudlage der Wahrscheilichkeitsrechug. Eiführug Grudlage vo Statistik ud Wahrscheilichkeitsrechug

Mehr

TESTEN VON HYPOTHESEN

TESTEN VON HYPOTHESEN TESTEN VON HYPOTHESEN 1. Grudlage Oft hat ma Vermutuge zu Sachverhalte ud möchte diese gere durch Experimete bestätige. Dabei ka es sich i der Praxis zum Beispiel um Verteiluge vo gewisse Zufallsgröße

Mehr

Innerbetriebliche Leistungsverrechnung

Innerbetriebliche Leistungsverrechnung Ierbetriebliche Leistugsverrechug I der Kostestellerechug bzw. im Betriebsabrechugsboge (BAB ist ach der Erfassug der primäre Kostestellekoste das Ziel, die sekudäre Kostestellekoste, also die Koste der

Mehr

Page-Rank: Markov-Ketten als Grundlage für Suchmaschinen im Internet

Page-Rank: Markov-Ketten als Grundlage für Suchmaschinen im Internet Humboldt-Uiversität zu Berli Istitut für Iformatik Logik i der Iformatik Prof. Dr. Nicole Schweikardt Page-Rak: Markov-Kette als Grudlage für Suchmaschie im Iteret Skript zum gleichamige Kapitel der im

Mehr

Daten und Zufall in der Jahrgangsstufe 9 Seite 1

Daten und Zufall in der Jahrgangsstufe 9 Seite 1 Date ud uall i der Jahrgagsstue Seite usammegesetzte uallsexperimete, Padregel Aubaued au de Erahruge aus de vorhergehede Jahrgagsstue beschätige sich die Schüler systematisch mit zusammegesetzte uallsexperimete

Mehr

3. Tilgungsrechnung. 3.1. Tilgungsarten

3. Tilgungsrechnung. 3.1. Tilgungsarten schreier@math.tu-freiberg.de 03731) 39 2261 3. Tilgugsrechug Die Tilgugsrechug beschäftigt sich mit der Rückzahlug vo Kredite, Darlehe ud Hypotheke. Dabei erwartet der Gläubiger, daß der Schulder seie

Mehr

Auch im Risikofall ist das Entscheidungsproblem gelöst, wenn eine dominante Aktion in A existiert.

Auch im Risikofall ist das Entscheidungsproblem gelöst, wenn eine dominante Aktion in A existiert. Prof. Dr. H. Rommelfager: Etscheidugstheorie, Kaitel 3 7 3. Etscheidug bei Risiko (subjektive oder objektive) Eitrittswahrscheilichkeite für das Eitrete der mögliche Umweltzustäde köe vom Etscheidugsträger

Mehr

Konzentration und Disparität

Konzentration und Disparität Begleitede Uterlage zur Übug Deskriptive Statistik Michael Westerma Uiversität Esse Ihaltsverzeichis 6 Kozetratios- ud Disparitätsmessug................................ 2 6.1 Begriff ud Eileitug.......................................

Mehr

14 Statistische Beziehungen zwischen nomi nalen Merkmalen

14 Statistische Beziehungen zwischen nomi nalen Merkmalen 14 Statistische Beziehuge zwische omi ale Merkmale 14.1 Der Chi Quadrat Test auf Uabhägigkeit für Vier Feldertafel 14.2 Der Chi Quadrat Test auf Uabhägigkeit für r s Kotigeztafel 14.3 Zusammmehagsmaße

Mehr

Kapitel 1. Einige Begriffe aus der Asymptotik. 1.1 Wiederholung

Kapitel 1. Einige Begriffe aus der Asymptotik. 1.1 Wiederholung Kapitel Eiige Begriffe aus der Asymptotik. Wiederholug Eiwesetlicher Teil der Ökoometrie befasst sichmit der Ermittlug voschätzer ud dere Eigeschafte. Diese werde beötigt, um aus de beobachtbare Date eier

Mehr

LV "Grundlagen der Informatik" Programmierung in C (Teil 2)

LV Grundlagen der Informatik Programmierung in C (Teil 2) Aufgabekomplex: Programmiere i C (Teil vo ) (Strukturierte Datetype: Felder, Strukture, Zeiger; Fuktioe mit Parameterübergabe; Dateiarbeit) Hiweis: Alle mit * gekezeichete Aufgabe sid zum zusätzliche Übe

Mehr

7.2 Grundlagen der Wahrscheinlichkeitsrechnung

7.2 Grundlagen der Wahrscheinlichkeitsrechnung 7.2 Grudlage der Wahrscheilichkeitsrechug Ei Ereigis heißt i Bezug auf eie Satz vo Bediguge zufällig, we es bei der Realisierug dieses Satzes eitrete ka, aber icht ubedigt eitrete muss. Def. 7.2.: Ei Experimet

Mehr

Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME

Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME Fassug vom 13. Februar 2006 Mathematik für Humabiologe ud Biologe 129 9.1 Stichprobe-Raum 9.1 Stichprobe-Raum Die bisher behadelte Beispiele vo Naturvorgäge oder Experimete

Mehr

Stochastik für WiWi - Klausurvorbereitung

Stochastik für WiWi - Klausurvorbereitung Dr. Markus Kuze WS 2013/14 Dipl.-Math. Stefa Roth 11.02.2014 Stochastik für WiWi - Klausurvorbereitug Gesetz der totale Wahrscheilichkeit ud Satz vo Bayes (Ω, F, P) Wahrscheilichkeitsraum, E 1,..., E F

Mehr

Methodische Grundlagen der Kostenkalkulation

Methodische Grundlagen der Kostenkalkulation Methodische Grudlage der Kostekalkulatio Plaugsebee Gebrauchsgüter Die i der ladwirtschaftliche Produktio eigesetzte Produktiosmittel werde i Gebrauchsgüter ud Verbrauchsgüter uterteilt. Zu de Gebrauchsgüter

Mehr

Zur Ableitung zulässiger Messunsicherheiten

Zur Ableitung zulässiger Messunsicherheiten Zur Ableitug zulässiger Messusicherheite aus Toleraze bei Igeieurvermessuge a Krabahe Has Schulz Vo de jeweilige Herstelltoleraze ist für die Vermessug ei bestimmter Ateil die Vermessugstoleraz vorzusehe,

Mehr

A/D UND D/A WANDLER. 1. Einleitung

A/D UND D/A WANDLER. 1. Einleitung A/D UND D/A WANDLER. Eileitug Zur Umwadlug physikalischer Größe, beispielsweise i eie Spaug, werde Wadlerbausteie - auch allgemei Sigalumsetzer geat- beötigt. Ei Sesor liefert ei aaloges Sigal, das i geeigeter

Mehr

Dritter Zirkelbrief: Ungleichungen

Dritter Zirkelbrief: Ungleichungen Matheschülerzirkel Uiversität Augsburg Schuljahr 014/015 Dritter Zirkelbrief: Ugleichuge Ihaltsverzeichis 1 Grudlage vo Ugleichuge 1 Löse vo Ugleichuge 3 3 Mittel 4 4 Mittelugleichuge 5 5 Umordugsugleichug

Mehr

Statistische Datenanalyse und Versuchsplanung

Statistische Datenanalyse und Versuchsplanung Statistische Dateaalyse ud Versuchsplaug Wahlpflicht für Studete der Biotechologie SWS IV (VL/Ü/PR) Abschluss: Übugsote U. Römisch http:// www.lmtc.tu-berli.de/agewadte_statistik_ud_cosultig LITERATUR

Mehr

Prof. Dr.-Ing. Bernd Kochendörfer. Bauwirtschaft und Baubetrieb. Investitionsrechnung

Prof. Dr.-Ing. Bernd Kochendörfer. Bauwirtschaft und Baubetrieb. Investitionsrechnung ud Baubetrieb A Ivestitiosrechug ud Baubetrieb Ivestitiosbegriff Bilazorietierter Ivestitiosbegriff Umwadlug vo Geldkapital i adere Forme vo Vermöge Aktiva Passiva Zahlugsorietierter Ivestitiosbegriff

Mehr

3 PARAMETERSCHÄTZUNG. Inhalt: 3.1 Datenbeschreibung bei einem Merkmal 3.2 Schätzfunktionen 3.3 Intervallschätzung 3.

3 PARAMETERSCHÄTZUNG. Inhalt: 3.1 Datenbeschreibung bei einem Merkmal 3.2 Schätzfunktionen 3.3 Intervallschätzung 3. 1 3 PARAMETERSCHÄTZUNG Ihalt: 3.1 Datebeschreibug bei eiem Merkmal 3. Schätzfuktioe 3.3 Itervallschätzug 3.4 Übugsbeispiele Lerziele: - Aus Stichprobewerte die Variatio eies quatitative Merkmals durch

Mehr

AUFGABENSTELLUNG (ZUSAMMENFASSUNG) 2 SPEZIFIKATION 2. Datenfluß und Programmablauf 2. Vorbedingung 3. Nachbedingung 3. Schleifeninvariante 3

AUFGABENSTELLUNG (ZUSAMMENFASSUNG) 2 SPEZIFIKATION 2. Datenfluß und Programmablauf 2. Vorbedingung 3. Nachbedingung 3. Schleifeninvariante 3 INHALTSVERZEICHNIS AUFGABENSTELLUNG (ZUSAMMENFASSUNG) 2 SPEZIFIKATION 2 Datefluß ud Programmablauf 2 Vorbedigug 3 Nachbedigug 3 Schleifeivariate 3 KONSTRUKTION 4 ALTERNATIVE ENTWURFSMÖGLICHKEITEN 5 EFFEKTIVE

Mehr

Haszonits Iris Theoriefragen und interessante Beispiel

Haszonits Iris Theoriefragen und interessante Beispiel Schätze sie X als lieare Fuktio bzw. aufgrud vo Y Regressio Wie stark hägt X mit Y zusamme? Korrelatio Güte der Schätzug, Welcher Ateil der Variaz vo X wird durch Y erklärt Bestimmtheitsmaß (Quadrat der

Mehr