Übungsblatt 1 Biostatistische Methoden SoSe 2011 Ulrich Mansmann, Stefanie Kalus, Rüdiger Laubender Übung: Donnerstag
|
|
- Albert Flater
- vor 7 Jahren
- Abrufe
Transkript
1 Übungsblatt 1 Biostatistische Methoden SoSe 2011 Ulrich Mansmann, Stefanie Kalus, Rüdiger Laubender Übung: Donnerstag Aufgabe 1 (Basic Diagnostics) Der Nachweis von erhöhten Zuckermengen im Urin ist ein Indikator für Diabetes. In einer Studie von Greenhalgh (1997) werden Werte für den Uringlukose-Test (Y ) im Vergleich zu einem als Gold-Standard betrachteten Glukose-Toleranz-Test (D) angegeben. Die folgende Tabelle zeigt die Ergebnisse: D = 0 D = 1 Y = Y = (a) Schätzen Sie die Sensitivität T P F, Spezifität T NF, die Wahrscheinlichkeit τ für ein positives Testergebnis, Disease-Prävalenz ρ, P P V, NP V, und die diagnostischen Likelihood Ratios DLR + und DLR. Interpretieren Sie diese diagnostischen Maßzahlen. > nyd <- matrix(c(966, 21, 7, 6), 2, 2, dimnames = list(y = 0:1, D = 0:1), byrow = TRUE) > eff.binarytest <- function(nyd) { + ny <- apply(nyd, MARGIN = 1, sum) + nd <- apply(nyd, MARGIN = 2, sum) + TPF <- as.numeric(nyd["1", "1"]/nD["1"]) + FPF <- as.numeric(nyd["1", "0"]/nD["0"]) + TNF = 1 - FPF + FNF = 1 - TPF + tau <- as.numeric(ny["1"]/sum(nyd)) + rho <- as.numeric(nd["1"]/sum(nyd)) + PPV <- as.numeric(nyd["1", "1"]/nY["1"]) + NPV <- as.numeric(nyd["0", "0"]/nY["0"]) + DLRp = TPF/FPF + DLRm = (1 - TPF)/(1 - FPF) + return(c(tau = tau, rho = rho, Se = TPF, Sp = TNF, FPF = FPF, FNF = FNF, PPV = PPV, + NPV = NPV, DLR.pos = DLRp, DLR.neg = DLRm)) + } > eff.binarytest(nyd) tau rho Se Sp FPF FNF PPV NPV DLR.pos DLR.neg (b) Berechnen Sie für F P F und T P F zunächst die univariaten 95% 97.5% Konfidenzintervalle. Ermitteln Sie hieraus die simultane (rechteckige) 95% Konfidenzregion für (F P F, T P F ). Seien (F P F L, F P F U ) und (T P F L, T P F U ) die univariaten (1 α ) 100%- Konfidenzintervalle für F P F und T P F, wobei α = 1 (1 α) 1/2. Dann ist das Rechteck R (F P F L, F P F U ) (T P F L, T P F U ) eine (1 α) 100% rechteckige Konfidenzregion für (F P F, T P F ). Für die Berechnung der Konfidenzintervalle sollten exakte Verfahren oder asymptotische Methoden basierend auf der logistischen Transformation verwendet werden (vgl. Pepe-Buch, S.22f.). Häufig werden in der Praxis die sog. Clopper-Pearson Konfidenzintervalle verwendet (siehe z.b. Brown L et al., Statistical Science 2001;16: ). > require(propcis) > nd <- apply(nyd, MARGIN = 2, sum) > exactci(nyd["1", "0"], nd["0"], conf.level = 0.975) 0 0
2 > exactci(nyd["1", "1"], nd["1"], conf.level = 0.975) > require(binom) > binom.lrt(nyd["1", "0"], nd["0"], conf.level = 0.975, bayes = F) method x n mean lower upper 0 lrt > binom.lrt(nyd["1", "1"], nd["1"], conf.level = 0.975, bayes = F) method x n mean lower upper 1 lrt (c) Informieren Sie sich im R-package DiagnosisMed über die Funktion diagnosis(.) und im R-package epir über die Funktion epi.tests(.). Wie muss die 4-Felder-Tafel spezifiziert werden? > require(diagnosismed) > `?`(diagnosis) > require(epir) > `?`(epi.tests) Aufgabe 2 (Diagnostic-Likelihood-Ratios) Betrachtet wird ein diagnostischer Test mit Sensitivität 0.2 und Spezifität 0.9. (a) Bestimmen Sie DLR + und DLR für diesen Test und interpretieren Sie die Resultate. > TPF <- 0.2 > FPF < > print(dlrp <- TPF/FPF) [1] 2 > print(dlrn <- (1 - TPF)/(1 - FPF)) [1] Interpretation: Ein positiver Test kommt unter Erkrankten doppelt so oft vor wie unter Nicht-Erkrankten. Bzw. ein negativer Test ist 1/0.89 = 1.12 mal so häufig unter Nicht-Erkrankten wie unter Erkrankten. (b) Angenommen die priori Wahrscheinlichkeit krank zu sein ist ρ. Schreiben Sie eine R-Funktion mit der Kopfzeile post.prob <- function(rho,dlrp), die bei positivem Test in Abhängigkeit von ρ und dem positiven Diagnostic-Likelihood-Ratio DLRp die a posteriori Wahrscheinlichkeit, krank zu sein, berechnet. Sei der posteriori Odds ψ post = DLR + ρ 1 ρ, d.h. post-test Odds = DLR+ (pre-test odds). Somit errechnet sich die posteriori Wahrscheinlichkeit über ψ post /(1 + ψ post ). > post.prob <- function(rho, DLRp) { + post.odds <- rho/(1 - rho) * DLRp
3 + return(post.odds/(1 + post.odds)) + } (c) Plotten Sie diese a posteriori Wahrscheinlichkeit für obiges Beispiel in Abhängigkeit von ρ. > rho <- seq(0, 1, length = 40) > plot(rho, post.prob(rho, DLRp), type = "l", xlab = "prior probability (=disease prevalence)", + ylab = "posterior probability") > lines(rho, post.prob(rho, 4), col = 2) > lines(rho, post.prob(rho, 8), col = 3) > lines(rho, post.prob(rho, 16), col = 4) > legend(0.6, 0.4, c("dlrp=2", "DLRp=4", "DLRp=8", "DLRp=16"), col = c(1, 2, 3, 4), lty = c(1, + 1, 1, 1)) posterior probability DLRp=2 DLRp=4 DLRp=8 DLRp=16 prior probability (=disease prevalence) (d) Informieren Sie sich im R-package TeachingDemos über die Funktion fagan.plot. Das Fagan Nomogramm ist ein graphisches Tool, das visualisiert wie die Durchführung eines Tests die Krankheitswahrscheinlichkeit verändert (Hinweis: Weitere Infos finden Sie hier). Benutzen Sie die Funktion fagan.plot und zeichnen Sie das Nomogramm für verschiedene priori Wahrscheinlichkeiten (Prävalenzwerte) mit dem unter (a) berechneten DLR +. > require(teachingdemos) > `?`(fagan.plot) > plotfagan() > plotfagan2() (e) Im Folgenden ist eine Prävalenz von 0.15 gegeben. Wie verändert sich die posteriori Wahrscheinlichkeit für Krankheiten bei variierendem DLR +? In welchem Kontext ist diese Sensitivitätsanalyse hilfreich?
4 In diesem Fall gibt es zwei primäre Anwendungsmöglichkeiten: Bei einem ordinalen oder stetigen Testresultat wird normalerweise ein cutoff verwendet, um den Test zu Dichotomisieren. Mit der Wahl verschiedenen cutoff-werte verändern sich die diagnostischen Likelihood-Ratios eines Tests. Über das Fagans Nomogramm kann nun die Auswirkung der cutoff Veränderung visualisiert werden. Das Fagan Nomogramm kann auch verwendet werden um den Wissensgewinn, den man bei der Durchführung verschiedener Tests (mit testspezifischen DLR s) hat, zu vergleichen. Weitere Literatur zum Thema Diagnostic Likelihood Ratio z.b. Jonathan J Deeks, Douglas G Altman. Statistics Notes. Diagnostic tests 4: likelihood ratios. BMJ 2004;329: Aufgabe 3 (Medizinische Entscheidungstheorie) Zur Festsetzung einer Therapieempfehlung für eine bestimmte Krankheit kann ein Entscheidungsproblem mit folgenden 3 Strategien formuliert werden: A. Alle Patienten werden behandelt. B. Ein Patient wird zuerst getestet und abhängig vom Testergebnis behandelt oder nicht. C. Kein Patient wird behandelt. Mit einer bestimmten Therapieentscheidung und dem Krankheitsstatus eines Patienten ist ein Nutzen assoziiert: N DT Nutzenwert für einen Kranken (D), der behandelt wird (T ). N D T Nutzenwert für einen Kranken (D), der nicht behandelt wird ( T ). N DT Nutzenwert für einen Gesunden ( D), der behandelt wird (T ). N D T Nutzenwert für einen Gesunden ( D), der nicht behandelt wird ( T ). Zusätzlich ist bekannt, dass der diagnostische Test, der bei Strategie B angewendet wird, eine Sensitivität TPF und eine Spezifität TNF hat. Die Prävalenz der Krankheit ist ρ. (a) Berechnen Sie den erwarteten Nutzen der 3 Strategien. E A (U) = ρn DT + (1 ρ)n DT = ρ(n DT N DT ) + N DT E B (U) = ρ(tpf N DT + (1 TPF)N D T ) + (1 ρ)(tnf N D T + (1 TNF)N DT ) E C (U) = ρn D T + (1 ρ)n D T = ρ(n D T N D T ) + N D T (b) Gehen Sie im Folgenden davon aus, dass N DT N DT > 0 und N D T N D T < 0. Interpretieren Sie, warum dem so ist. N DT N DT > 0: Der Nutzen für einen Kranken, der behandelt wird, ist größer als der für einen behandelten Gesunden. Damit hat E A (U) eine positive Steigung. N D T N D T < 0: Der Nutzen für einen Kranken, der nicht behandelt wird ist kleiner als der für einen nicht behandelten Gesunden. Damit hat E C (U) eine negative Steigung. (c) Skizzieren Sie die drei Nutzenfunktionen in Abhängigkeit von ρ.
5 > N.DT <- 16 > N.DnT <- -2 > N.nDT <- -3 > N.nDnT <- 13 > TPF < > TNF < > rho <- seq(0, 1, length = 40) > plot(rho, rho * (N.DT - N.nDT) + N.nDT, type = "l", xlab = "Disease prevalence", ylab = "Expected utility", + ylim = c(-3.5, 18)) > lines(rho, rho * (TPF * N.DT + (1 - TPF) * N.DnT) + (1 - rho) * (TNF * N.nDnT + (1 - + TNF) * N.nDT), col = 2) > lines(rho, rho * (N.DnT - N.nDnT) + N.nDnT, col = 3) > lines(c(0, 1), c(0, 0), lty = 2) > axis(2, at = c(n.ndt, N.nDnT), labels = c(expression(n[paste(bar("d"), "T")]), expression(n[bar("dt")]))) > axis(4, at = c(n.dt, N.DnT), labels = c(expression(n[paste("dt")]), expression(n[paste("d", + bar("t"))]))) > legend(0, 18, c(expression(e[a](u)), expression(e[b](u)), expression(e[c](u))), col = c(1, + 2, 3), lty = c(1, 1, 1)) Expected utility N DT N DT 15 E A (U) E B (U) E C (U) N DT N DT Disease prevalence (d) Berechnen Sie die Prävalenzbereiche, in denen der Nutzen jeweils einer Strategie maximal ist. Um die Prävalenzbereiche zu bestimmen, in denen der Nutzen jeweils einer Strategie maximal ist, muss man die Schnittpunkte der folgende Geraden-Paare ausrechnen: E B (U) = E C (U) ergibt den Prävalenz-Cutoff ρ 0, bei der man von Strategie B zu Strategie C wechseln sollte. ρ 0 = A A + DLR + E A (U) = E B (U) ergibt den Prävalenz-Cutoff ρ 1, bei der man von Strategie A zu Strategie B wechseln
6 sollte. ρ 1 = A A + DLR mit dem Nutzenverhältnis A = (N D T N DT )/(N D T N D T ). Expected utility N DT N DT 15 E A (U) E B (U) E C (U) N DT N DT ρ ρ Disease prevalence (e) Von Interesse ist z.b. die kritische Prävalenzschranke ρ 0, bei der man die Strategie von C zu B wechseln sollte. Gegeben ist ein Test mit TPF = 0.76 und TNF = Tragen Sie ρ 0 in Abhängigkeit vom Nutzenverhaltnis A = (N D T N DT )/(N DT N D T ) ab. Wie groß muss ρ 0 bei einem Nutzenverhältnis von A=0.5 sein? > TPF < > TNF < > rho0.fct <- function(a, TPF, TNF) { + A/(A + TPF/(1 - TNF)) + } > AVec <- seq(0, 1, length = 50) > plot(avec, rho0.fct(avec, TPF, TNF), type = "l", ylab = "Kritische Prävalenz", xlab = "Nutzenverhältnis") > A <- 0.5 > rho0 <- A/(A + TPF/(1 - TNF)) > rho0 [1] 0.2
7 Kritische Prävalenz Nutzenverhältnis
Medizinische Entscheidungstheorie
WW Z, Stiftungsprofessur Health Economics Prof. Dr. Stefan Felder Medizinische Entscheidungstheorie Lösung der Übungen Aufgabe 1.1 Mithilfe des diagnostischen s für Prostatakrebs wird die Konzentration
MehrRelatives Risiko (RR; relative risk, riskratio) wie OddsRatio wichtiger Kennwert in klinischer Forschung
Relatives Risiko 1/8 Relatives Risiko (RR; relative risk, riskratio) wie OddsRatio wichtiger Kennwert in klinischer Forschung RR gibt Auskunft darüber, ob das Vorhandensein eines (i.a. Risiko-)Faktors
Mehr2. Statistische Methoden in der Diagnostik. Elemente des Studiendesigns
2. Statistische Methoden in der Diagnostik Elemente des Studiendesigns Diagnosestudien in der Medizin Klassifikation in krank - nicht krank basierend auf diagnostischem Test Beispiel: Diagnose von Brustkrebs
MehrMedizinische Biometrie (L5)
Medizinische Biometrie (L5) Vorlesung V Der diagnostische Test Prof. Dr. Ulrich Mansmann Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie mansmann@ibe.med.uni-muenchen.de
MehrStatistical Coaching. Thomas Forstner
Statistical Coaching Thomas Forstner Diagnoseverfahren Allgemein Vergleich: wahrer Befund mit Test (Diagnose) wahrer Befund muss bekannt sein (Goldstandard) 3 Analogie zur Testtheorie 4 Beurteilung von
MehrBewertung diagnostischer Tests
Δn g Δc gesund krank Δn k Δc Segreganz negativ positiv negativ positiv Relevanz Beertung diagnostischer Tests gesund krank c Annahme: Überlappende Populationen eine messbare Grösse (z.b Konzentration)
Mehr825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170 e 500 e 443 e 608 e. Zeichnen Sie das Box-Plot. Sind in dieser Stichprobe Ausreißer vorhanden?
1. Aufgabe: Eine Bank will die jährliche Sparleistung eines bestimmten Kundenkreises untersuchen. Eine Stichprobe von 12 Kunden ergab folgende Werte: 825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170
MehrSensitivität und Spezifität (95% Konfidenzintervalle)
Prädiktive Werte als Gütemaÿe in Diagnosestudien: Anwendungsmöglichkeiten und Analysemethoden Katharina Lange Abteilung Medizinische Statistik Georg-August-Universität Göttingen Inhalt Beispiel: Diagnostische
MehrEpidemiologie 10. Thomas Kohlmann Maresa Buchholz. Institut für Community Medicine Abteilung Methoden Universitätsmedizin Greifswald
Epidemiologie 10 Thomas Kohlmann Maresa Buchholz Institut für Community Medicine Abteilung Methoden Universitätsmedizin Greifswald Übungen Sie verfügen über ein neues bildgebendes Verfahren zur Bestimmung
MehrUm diese Begriffe (Sensitivität, Spezifität, prädiktive Werte etc.) geht es im Folgenden!
1 2 3 Um diese Begriffe (Sensitivität, Spezifität, prädiktive Werte etc.) geht es im Folgenden! BNP= B type natriuretic peptide NT probnp= biolog. Inaktives N terminales Fragment des Prohormons probnp
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
MehrWie liest man Konfidenzintervalle? Teil II. Premiu m
Wie liest man Konfidenzintervalle? Teil II Premiu m - Hintergrund Anderer Wahrscheinlichkeitsbegriff subjektiver Wahrscheinlichkeitsbegriff Beispiel: Was ist die Wahrscheinlichkeit dafür, dass ein Patient
MehrProbeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende
Probeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende im Sommersemester 2012 Prof. Dr. H. Küchenhoff, J. Brandt, G. Schollmeyer, G. Walter Aufgabe 1 Betrachten
MehrBewertung diagnostischer Tests
n g c gesund krank n k c Segreganz negativ positiv negativ positiv Relevanz Beertung diagnostischer Tests gesund krank c Annahme: Überlappende Populationen eine messbare Grösse (z.b Konzentration) vergrössert
MehrQuerschnittsbereich Epidemiologie, Med. Biometrie und Med. Informatik Diagnose und Prognose WS 06/07 Übung 5
Informationsblatt zum Gestationsdiabetes (Schwangerschaftsdiabetes) Gruppe B Der Schwangerschafts- oder Gestationsdiabetes () ist eine spezielle Form der Zuckerkrankheit, die sich während einer Schwangerschaft
MehrKapitel 9: Verfahren für Nominaldaten
Kapitel 9: Verfahren für Nominaldaten Eindimensionaler Chi²-Test 1 Zweidimensionaler und Vierfelder Chi²-Test 5 Literatur 6 Eindimensionaler Chi²-Test Berechnen der Effektgröße w² Die empirische Effektgröße
MehrStatistische Software (R)
Statistische Software (R) Paul Fink, M.Sc., Eva Endres, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Fortgeschrittene Grafiken Das type Argument in plot() > y plot(y,
MehrMedizinische Entscheidungstheorie. Stiftungslehrstuhl Health Economics
Stiftungslehrstuhl Health Economics SS 2011: Vorlesung mit Übungen: mittwochs 10-12 Uhr Dozent: Prof. Dr. Stefan Felder, Raum 340 Sprechstunde: Mo 10-12 Uhr Vorlesungsunterlagen unter Lehrstuhlseite: http://wwz.unibas.ch/abteilungen/home/abteilung/health/
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 28.05.2009 1 Korrektur zur letzten Vorlesung Bsp. Fehlerfortpflanzung in einer Messung c B a 2 2 E c Var c a b A b 2 2 2 n h( x)
MehrBedingte Wahrscheinlichkeit. Beispiel zur bedingten Wahrscheinlichkeit
Bedingte Wahrscheinlichkeit Das Konzept bedingter Wahrscheinlichkeit erlaubt zu untersuchen, inwieweit sich die Wahrscheinlichkeiten für das Eintreten von Ereignissen durch das Eintreten anderer Ereignisse
MehrEin exakter Test für die Meta-Analyse von Studien mit binären Endpunkten. Oliver Kuß, Cora Gromann
Ein exakter Test für die Meta-Analyse von Studien mit binären Endpunkten Oliver Kuß, Cora Gromann Institut für Medizinische Epidemiologie, Biometrie und Informatik, Universität Halle-Wittenberg, Halle
MehrWas sagen uns Odds Ratio oder Risk Ratio in medizinischen Studien?
Was sagen uns Odds Ratio oder Risk Ratio in medizinischen Studien? Peggy Seehafer Anthropologin & Hebamme Hamburg 2012 Statistik in der Medizin ist nicht dazu geeignet ursächliche Zusammenhänge herauszufinden
Mehrx(n x) cm 2 ) zweier Betonsorten wird überprüft. Dabei ergaben Sorte 1 185 186 184 186 185 187 186 187 185 Sorte 2 183 182 185 182 181 179
. Aufgabe: Zwei bis drei Millionen deutsche Haushalte sind überschuldet. Einer der Hauptgründe für die Überschuldung privater Haushalte ist eine gescheiterte Selbstständigkeit. In einer Stichprobe von
Mehr1.4 Der Binomialtest. Die Hypothesen: H 0 : p p 0 gegen. gegen H 1 : p p 0. gegen H 1 : p > p 0
1.4 Der Binomialtest Mit dem Binomialtest kann eine Hypothese bezüglich der Wahrscheinlichkeit für das Auftreten einer Kategorie einer dichotomen (es kommen nur zwei Ausprägungen vor, z.b. 0 und 1) Zufallsvariablen
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Korrelationen 1 Lineare Regression 3 Literatur 5 Korrelationen Mit Hilfe von G*Power lässt sich analog zum Vorgehen beim t-test (Kapitel 3, Band I) vor einer Untersuchung
MehrSatz von der totalen Wahrscheinlichkeit
htw saar 1 Satz von der totalen Wahrscheinlichkeit Sei (Ω, P) ein Wahrscheinlichkeitsraum, und B 1,, B n seien paarweise disjunkte Ereignisse mit B i = Ω. Für jedes Ereignis A gilt dann: P(A) = P(A B 1
MehrThe ROC curve in screening with multiple markers: An application to the triple test in prenatal diagnostics
Statistische Methoden in Evidenz-basierter Medizin und Health Technology Assessment 20. bis 21. November 2003 Freiburg The ROC curve in screening with multiple markers: An application to the triple test
MehrDiagnostisches Testen. Coniecturalem artem esse medicinam
Diagnostisches Testen Coniecturalem artem esse medicinam Würfelspiel A: ein fairer Würfel zeigt eine gerade Augenzahl B: ein fairer Würfel zeigt mindestens 4 Punkte A: B: A B: P(A=1/2 P(B=1/2 P(A B=2/6
MehrFAME-Endo: AGO 12. Lukas Hefler Universitätsklinik für Frauenheilkunde Wien. für die ganze WAAGO
FAME-Endo: AGO 12 Lukas Hefler Universitätsklinik für Frauenheilkunde Wien für die ganze WAAGO Diagnostisches Dilemma diagnostisches Dilemma in der Frauenarztordination Screeninguntersuchung für das Endometriumkarzinom
MehrBewertung diagnostischer Tests
n g c gesund krank n k c Segreganz negativ positiv negativ positiv Relevanz Beertung diagnostischer Tests gesund krank c Annahme: Überlappende Populationen eine messbare Grösse (z.b Konzentration) vergrössert
MehrThemenblock. Diagnose und Prognose. Querschnittsbereich Epidemiologie, Med. Biometrie und Med. Informatik. Themen im Block Diagnose und Prognose
Themenblock Diagnose und Prognose Querschnittsbereich Epidemiologie, Med. Biometrie und Med. Informatik Themen im Block Diagnose und Prognose Diagnose Prävalenz und prädiktive Werte Güte von diagnostischen
MehrPrinzipien der klinischen Epidemiologie
Prinzipien der klinischen Epidemiologie Der diagnostische Test Prof. Dr. Ulrich Mansmann Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie mansmann@ibe.med.uni-muenchen.de
MehrName: SS Universität Kassel Prof. Dr. Hadrian Heil
SS 2015 Name: Universität Kassel Prof. Dr. Hadrian Heil Mathematik IV für Ingenieure (Stochastik) Klausur, 25.9.2015. Bearbeitungszeit 2 Stunden Ergebnis (nicht ausfüllen): K1 K2 K3 K4 K5 K6 K7 Note Tragen
MehrBedingte Wahrscheinlichkeit
Bedingte Wahrscheinlichkeit Das Konzept bedingter Wahrscheinlichkeit erlaubt zu untersuchen, inwieweit sich die Wahrscheinlichkeiten für das Eintreten von Ereignissen durch das Eintreten anderer Ereignisse
MehrÜbungsaufgabe zum Thema Angebot und Nachfrage. Anzahl der nachgefragten Menge (pro Jahr in 10g Dosen)
Übungsaufgabe zum Thema Angebot und Nachfrage Die Nachfolgende Tabelle zeigt den Preis an Schnupftabak sowie das Angebot und die Nachfrage: Preise für 10 g in Euro Anzahl der nachgefragten Menge (pro Jahr
MehrBedingte Wahrscheinlichkeiten & Unabhängigkeit
Statistik 1 für SoziologInnen Bedingte Wahrscheinlichkeiten & Univ.Prof. Dr. Marcus Hudec Bedingte Wahrscheinlichkeit Das Konzept bedingter Wahrscheinlichkeit erlaubt zu untersuchen, inwieweit sich die
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
Mehr8. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 8. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS / 6..-.. Aufgabe G (Matrixinversion mit Gauß-Algorithmus
MehrDiagnostische Verfahren
6. Diagnostische s Jede Registrierung oder Auswertung einer Information mit dem Ziel der Erkennung einer Erung oder eines speziellen Zustandes wird diagnostischer genannt. Beispiele Reaktion auf Ansprechen
MehrÜbungsblatt 1. f(n) = f(n) = O(g(n)) g(n) = O(f(n)) Zeigen oder widerlegen Sie: 3 n = Θ(2 n ) Aufgabe 1.2 Gegeben sei die folgende Funktion:
Übungsblatt 1 Aufgabe 1.1 Beweisen oder widerlegen Sie, dass für die im Folgenden definierte Funktion f(n) die Beziehung f(n) = Θ(n 4 ) gilt. Beachten Sie, dass zu einem vollständigen Beweis gegebenenfalls
MehrAssoziationsstudien. Prof. DI Dr. Andrea Berghold Institut für Med. Informatik, Statistik und Dokumentation
Assoziationsstudien Prof. DI Dr. Andrea Berghold Institut für Med. Informatik, Statistik und Dokumentation Inhalt Ziele von Assoziationsstudien Design von Assoziationsstudien Statistische Analysemethoden
MehrKapitel 4. Diskussion. 4.1 Methodik
Kapitel 4 Diskussion 4.1 Methodik In dieser Arbeit wurde ein umfassender Überblick über die Methoden bei der Bewertung diagnostischer Tests gegeben. Insbesondere wurde die in der Praxis oft nicht berücksichtigte
MehrEbM-Splitter 10 Sensitivität und Spezifität: Auswirkung der Wahl des Trennpunktes
Sensitivität und Spezifität: Auswirkung der Wahl des Trennpunktes Seite - 1 - EbM-Splitter 10 Sensitivität und Spezifität: Auswirkung der Wahl des Trennpunktes Im vorigen EbM-Splitter [4] wurde auf die
MehrKapitel 8: Verfahren für Rangdaten
Kapitel 8: Verfahren für Rangdaten Anmerkung 1 Mann-Whitney U-Test 1 Wilcoxon-Test 3 Kruskal-Wallis H-Test 3 Literatur 6 Anmerkung In Kapitel 8 der Bücher wird erwähnt, dass für nichtparametrische Daten
MehrW-Rechnung und Statistik für Ingenieure Übung 13
W-Rechnung und Statistik für Ingenieure Übung 13 Nächste Woche: Probeklausur Bringen Sie sich ein leeres Exemplar der Probeklausur mit, um sich eine Musterlösung zu erstellen. Aufgabe 1 : Testproblem Testproblem:
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
MehrGibt es einen Zusammenhang zwischen Merkmalen? Korrelationen
Arbeitsblatt SPSS Kapitel 8 Seite Gibt es einen Zusammenhang zwischen Merkmalen? Korrelationen Wie in allen Kapiteln gehen wir im Folgenden davon aus, dass Sie die Datei elporiginal.sav geöffnet haben.
MehrTechnische Universität München SS 2006 Zentrum Mathematik Blatt 7 Prof. Dr. J. Hartl Dr. Hannes Petermeier Dr. Cornelia Eder Dipl.-Ing.
Technische Universität München SS 2006 Zentrum Mathematik Blatt 7 Prof. Dr. J. Hartl Dr. Hannes Petermeier Dr. Cornelia Eder Dipl.-Ing. Martin Nagel Höhere Mathematik 2 (Weihenstephan) 1. In einer Urne
MehrKonfidenzintervalle. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt
Konfidenzintervalle Annahme: X 1,..., X n iid F θ. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt P θ (U θ O) = 1 α, α (0, 1). Das Intervall [U, O] ist ein Konfidenzintervall
MehrAbleitung einer Betragsfunktion Differenzierbarkeit
Ableitung einer Betragsfunktion Differenzierbarkeit 1-E Differenzierbarkeit einer Funktion Eine Funktion y = f (x) heißt an der Stelle x differenzierbar, wenn der Grenzwert f ' ( x) = lim Δ x 0 Δ y Δ x
MehrGrundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik
INSTITUT FÜR STOCHASTIK WS 07/08 UNIVERSITÄT KARLSRUHE Blatt 4 Dr. B. Klar Übungen zur Vorlesung Grundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik Musterlösungen Aufgabe
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung 1 Teststärkebestimmung a posteriori Berechnen der Effektgröße f aus empirischen Daten und Bestimmung
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrDas Gewinnmaximierungsproblem einer Firma kann in zwei Teile zerlegt werden: 1. Welche Inputkombination ist für einen gegebenen Output
Kapitel 7: Kosten Hauptidee: Aus der Produktionsfunktion einer Firma bestimmen wir ihre Kostenfunktion. Diese spielt eine zentrale Rolle für die Gewinnmaximierung der Firma. Das Gewinnmaximierungsproblem
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrNumerisches Lösen von Gleichungen
Numerisches Gesucht ist eine Lösung der Gleichung f(x) = 0. Das sverfahren ist eine numerische Methode zur Bestimmung einer Nullstelle. Es basiert auf dem Zwischenwertsatz: Satz (1.1.1) Zwischenwertsatz:
MehrBedingte Wahrscheinlichkeit und diagnostische Tests
Bedingte Wahrscheinlichkeit und diagnostische Tests In diesem Abschnitt wird eine Möglichkeit zur Konstruktion und Bewertung von diagnostischen Verfahren beschrieben. Wichtige Grundlage dabei ist der Begriff
Mehr3.2 Streuungsmaße. 3 Lage- und Streuungsmaße 133. mittlere Variabilität. geringe Variabilität. große Variabilität 0.0 0.1 0.2 0.3 0.4 0.
Eine Verteilung ist durch die Angabe von einem oder mehreren Mittelwerten nur unzureichend beschrieben. Beispiel: Häufigkeitsverteilungen mit gleicher zentraler Tendenz: geringe Variabilität mittlere Variabilität
MehrBedingte Wahrscheinlichkeiten & Unabhängigkeit
Statistik 1 für SoziologInnen Bedingte Wahrscheinlichkeiten & Univ.Prof. Dr. Marcus Hudec Bedingte Wahrscheinlichkeit Das Konzept bedingter Wahrscheinlichkeit erlaubt zu untersuchen, inwieweit sich die
MehrLösungen zum Arbeitsblatt: y = mx + b Alles klar???
I. Zeichnen von Funktionen a) Wertetabelle x -4-3 - -1 0 1 3 4 y =,5x -10-7,5-5 -,5 0,5 5 7,5 10 y = - x,7 1,3 0,7 0-0,7-1,3 - -,7 3 y = x 1,5-9,5-7,5-5,5-3,5-1,5 0,5,5 4,5 6,5 y = - 1 x + 4 3,5 3,5 1,5
MehrExemplar für Prüfer/innen
Exemplar für Prüfer/innen Kompensationsprüfung zur standardisierten kompetenzorientierten schriftlichen Reifeprüfung AHS Juni 2015 Mathematik Kompensationsprüfung Angabe für Prüfer/innen Hinweise zur Kompensationsprüfung
MehrHerzlich willkommen zur Vorlesung Statistik
FB 1 W. Ludwig-Mayerhofer Statistik 1 Herzlich willkommen zur Vorlesung Statistik Zusammenhänge zwischen nominalen (und/oder ordinalen) Merkmalen: analyse und II: Signifikanztests und Maße der Assoziation
MehrBedingte Wahrscheinlichkeiten & Unabhängigkeit
Statistik 1 für SoziologInnen Bedingte Wahrscheinlichkeiten & Unabhängigkeit Univ.Prof. Dr. Marcus Hudec Bedingte Wahrscheinlichkeit Das Konzept bedingter Wahrscheinlichkeit erlaubt zu untersuchen, inwieweit
MehrStatistische Inferenz bei ROC Kurven. Notation. Man unterscheidet:
Statistische Inferenz bei ROC Kurven Notation Man unterscheidet: 1. Nichtparametrische, empirische Methoden zur Berechnung der empirischen ROC Kurve 2. Parametrische Ansätze, die recht starke Annahmen
MehrTeil VIII Hypothesentests für zwei Stichproben
Woche 9: Hypothesentests für zwei Stichproben Teil VIII Hypothesentests für zwei Stichproben WBL 15/17, 22.06.2015 Alain Hauser Berner Fachhochschule, Technik und Informatik Berner
MehrMittelwertvergleiche, Teil II: Varianzanalyse
FB 1 W. Ludwig-Mayerhofer Statistik II 1 Herzlich willkommen zur Vorlesung Mittelwertvergleiche, Teil II: FB 1 W. Ludwig-Mayerhofer Statistik II 2 : Wichtigste Eigenschaften Anwendbar auch bei mehr als
MehrÜbungsblatt 2 Numerische Methoden in der Bayes-Inferenz WiSe 2006/07 Michael Höhle Übung: Montag
Übungsblatt 2 Numerische Methoden in der Bayes-Inferenz WiSe 2006/07 Michael Höhle Übung: Montag 06.11.2006 Aufgabe 1 (MCMC Schätzung eines Mixturparameters) Angenommen Sie beobachten Daten y = (y 1,...,
MehrKlausur zur Spieltheorie Musterlösung
Prof. Dr. Ulrich Schwalbe/Dr. Tone Arnold Sommersemester 2002 Klausur zur Spieltheorie Musterlösung Vorfragen Aufgabe 1 Berechnen Sie alle Nash Gleichgewichte des folgenden Spiels (in reinen und gemischten
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (010). Quantitative Methoden. Band (3. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
MehrAufgabe 1: Emitterfolger als Spannungsquelle (leicht)
Aufgabe 1: Emitterfolger als Spannungsquelle (leicht) Ein Emitterfolger soll in bezug auf den Lastwiderstand R L als Spannungsquelle eingesetzt werden. Verwendet werde ein Transistor mit der angegebenen
MehrMedizinische Psychologie. Bewertung wissenschaftlicher Ergebnisse, Evidenzbasierte Medizin, Anwendung statistischer Information
Medizinische Psychologie Bewertung wissenschaftlicher Ergebnisse, Evidenzbasierte Medizin, Anwendung statistischer Information Bewertung wissenschaftlicher Ergebnisse Replizierbarkeit (Wiederholbarkeit)
MehrAnwendung: Vergleich der diagnostischen Güte Tumormarker Bronchialkarzinom: AUC
Anwendung: Vergleich der diagnostischen Güte Tumormarker Bronchialkarzinom: AUC ROC curve for CYFRA21_1 Area under the ROC curve = 0,860 Standard error = 0,018 95% Confidence interval = 0,822 to 0,892
MehrDiagnose und Prognose: Kurzfassung 3
Diagnose und Prognose: Kurzfassung 3 Themen und Ziele der 3. Vorlesung 1. Diagnostische Tests: Fehlentscheidungen möglich 2. Prädiktive Werte: Beschreibung der Wahrscheinlichkeit einer Fehlentscheidung
MehrMaschinelles Lernen: Symbolische Ansätze
Maschinelles Lernen: Symbolische Ansätze Wintersemester 2008/2009 Musterlösung für das 5. Übungsblatt Aufgabe 1: Covering-Algorithmus und Coverage-Space Visualisieren Sie den Ablauf des Covering-Algorithmus
MehrTeil XI. Hypothesentests für zwei Stichproben. Woche 9: Hypothesentests für zwei Stichproben. Lernziele. Beispiel: Monoaminooxidase und Schizophrenie
Woche 9: Hypothesentests für zwei Stichproben Patric Müller Teil XI Hypothesentests für zwei Stichproben ETHZ WBL 17/19, 26.06.2017 Wahrscheinlichkeit und Statistik Patric
Mehrbwz uri Datenanalyse Minuten Ich wünsche Ihnen viel Erfolg! Name und Vorname Aufgabe Gesamtpunkte Punkte
Datenanalyse 2017 Prüfungsdauer Hilfsmittel Bedingungen 60 Minuten Taschenrechner erlaubt, CAS-Rechner im Prüfungsmodus! Formelsammlung Dokumentieren Sie den Lösungsweg sauber. Der Lösungsweg muss klar
Mehr9. Übung (Analyse von qualitativen Daten)
9. Übung (Analyse von qualitativen Daten) (Prüfung von Unabhängigkeit, Homogenität und Anpassung) Man unterscheidet vor allem die folgenden Tests: Unabhängigkeitstest: Hier wird geprüft, ob zwei Merkmale
MehrModul 8: Vierfeldertafel und Baumdiagramm (bedingte Wahrscheinlichkeit)
odul 8: Vierfeldertafel und Baumdiagramm (bedingte ahrscheinlichkeit) Beispiel: Baumdiagramm in Vierfeldertafel Ein ufallsexperiment mit zwei Stufen lässt sich in eine Vierfeldertafel überführen. weimaliges
MehrProgrammieren Übung! Meine ersten Schritte als ProgrammiererIn! Prolog 2014 Stefan Podlipnig, TU Wien
Programmieren Übung! Meine ersten Schritte als ProgrammiererIn! Stefan Podlipnig, TU Wien Beispiel 1 Programmierung - Übung! 2 Geben Sie folgende Anweisungen ein size(300, 200); rect(100, 50, 100, 100);
MehrBivariate Verteilungen. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Bivariate Verteilungen Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Wiederholung Konfidenzintervalle Abschätzung wie gut eine Stichprobe die Grundgesamtheit repräsentiert
MehrVorlesungsfolien 20.11.2003
Institut für Allgemeine Wirtschaftsforschung Abteilung Sozialpolitik: rof. r. G. Schulze Jahreskurs Mikroökonomie Teil 1 WS03/04 Vorlesungsfolien 20.11.2003 Nicholson, Walter, Microeconomic Theory Kapitel
MehrAufgabe 1 Probabilistische Inferenz
Seite 1 von 11 Aufgabe 1 Probabilistische Inferenz (28 Punkte) Es existieren zwei Krankheiten, die das gleiche Symptom hervorrufen. Folgende Erkenntnisse konnten in wissenschaftlichen Studien festgestellt
MehrMathematik. Abiturprüfung 2014. Prüfungsteil A. Arbeitszeit: 90 Minuten. Bei der Bearbeitung der Aufgaben dürfen keine Hilfsmittel verwendet werden.
Mathematik Abiturprüfung 2014 Prüfungsteil A Arbeitszeit: 90 Minuten Bei der Bearbeitung der Aufgaben dürfen keine Hilfsmittel verwendet werden. Zu den Themengebieten Analysis, Stochastik und Geometrie
Mehr6.4 Der Kruskal-Wallis Test
6.4 Der Kruskal-Wallis Test Der Test von Kruskal und Wallis, auch H-Test genannt, ist ein Test, mit dem man die Verteilungen von Teilstichproben auf Unterschiede untersuchen kann. Bei diesem Test geht
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
Mehr= 0.445, also annähernd die Hälfte aller Männer zugelassen 557
1 Einleitung Es soll anhand des UCBAdmissions Datensatzes die Frage beantwortet werden, ob bei der Zulassung von Studenten Frauen benachteiligt werden. Die Stichprobe lautet zunächst # Daten (UCB
MehrP (A B) P (B) = P ({3}) P ({1, 3, 5}) = 1 3.
2 Wahrscheinlichkeitstheorie Beispiel. Wie wahrscheinlich ist es, eine Zwei oder eine Drei gewürfelt zu haben, wenn wir schon wissen, dass wir eine ungerade Zahl gewürfelt haben? Dann ist Ereignis A das
MehrBiometrische Planung von Versuchsvorhaben
Biometrische Planung von Versuchsvorhaben Einführung in das Prinzip der Lehrstuhl für Mathematik VIII Statistik http://statistik.mathematik.uni-wuerzburg.de/~hain Ziel des Vortrags Im nachfolgenden Vortrag
MehrNutzen einer diagnostischen Tests in der Praxis: prädiktive Werte
EbM-Splitter 11 Nutzen einer diagnostischen Tests in der Praxis: prädiktive Werte In den beiden letzten EbM-Splittern [6, 7] wurden die Maßzahlen Sensitivität (Wahrscheinlichkeit, eine kranke Person als
MehrSTATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG
STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG Statistische Methoden In der vorliegenden fiktiven Musterstudie wurden X Patienten mit XY Syndrom (im folgenden: Gruppe XY) mit Y Patienten eines unauffälligem
MehrEpidemiologie und HIV-Tests
26. November 2009 Cornelias HIV-Test Das ist Cornelia. Cornelia möchte Plasmaspenderin werden. Dafür braucht sie einen negativen Befund eines HIV-Tests. Deshalb geht sie ins Krankenhaus. Cornelias HIV-Test
MehrBiomathematik für Mediziner
Institut für Medizinische Biometrie, Informatik und Epidemiologie der Universität Bonn (Direktor: Prof. Dr. Max P. Baur) Biomathematik für Mediziner Klausur SS 2002 Aufgabe 1: Franz Beckenbauer will, dass
Mehr