Formelsammlung zur Vorlesung Lebensdaueranalyse
|
|
- Heinrich Hoch
- vor 7 Jahren
- Abrufe
Transkript
1 Lebensdauer- und Ereignisanalyse WiSe 9/ Michael Höhle Formelsammlung zur Vorlesung Lebensdaueranalyse erstellt von Susanne Konrath Einführung. Hazardrate und Survivalfunktion T stetig mit Verteilungsfunktion Dichte Survivalfunktion F (t) = P (T t), = F (t) S(t) = P (T t) = F (t) Hazardrate Kumulative Hazardrate Zusammenhänge λ(t) = lim P (t T < t + t T t) t t λ(t) = Λ(t) = t F (t) = S(t) λ(u) du S(t) = exp ( Λ(t)) = exp t λ(u) du Exponential-Verteilung Ex(λ): Weibull-Verteilung We(λ, α): Log-logistische Verteilung LL(λ, α): Diskrete Verweildauer T d : λ(t) = λ λ(t) = αλ α t α λ(t) = αλtα + λt α Zeitachse zerlegt in Intervalle [a, a ),..., [a k, a k ),..., [a q, a q+ = ) Diskrete Hazardrate/Hazardfunktion T d = t k T [a k, a k ) λ k = P (T d = t k T d t k ) = P (T [a k, a k ) T a k )
2 Formelsammlung zur Vorlesung Lebensdaueranalyse.. (Rechts ) Zensierung Modell (Typ I Zensierung) Für jedes Individuum i, i =,..., n ist fester (deterministischer) Beobachtungszeitraum C i = c i vorgegeben. Beobachtbar ist t i = min(t i, c i ). Modell (Typ II Zensierung) Untersuchung beendet, wenn eine vorab festgelegte Zahl von Lebensdauern T i unzensiert beobachtet wurde. Modell 3 (Random Censoring) C i i.i.d. Zensierungszeiten, unabhängig von T i. Modell 4 (Nicht informative Zensierung) P (t T i < t + t T i t, x i ) = P (t T i < t + t min(t i, C i ) t, x i ).. Zählprozess Formulierung (t i, δ i ) wird durch (N i (t), Y i (t)) ersetzt, mit N i (t) = Anzahl beobachteter Ereignisse in [, t] für Individuum i {, i ist zur Zeit t unter Beobachtung und unter Risiko Y i (t) =, sonst Schätzung von Hazardraten und Survivalfunktionen für homogene Populationen. Nonparametrische Schätzung von Survivalfunktionen und Hazardraten.. Sterbetafelmethode Zeitachse zerlegt in q + Intervalle [a k, a k ), k =,..., q + wobei a = und a q+ = Diskrete Hazardrate des k ten Intervalls λ k = P (T [a k, a k ) T a k ) p k = λ k = P (T a k T a k ) P k = P (T a k ) = p k... p Die erhobenen Daten sind: n : : w k : R k : n k = R k : Gesamtzahl der Individuen Anzahl der Fälle, für die im k ten Intervall ein Ereignis eintritt Anzahl der Zensierungen im k ten Intervall Risikomenge, d.h. die Fälle die zu Beginn des k ten Intervalls noch unter Risiko stehen Anzahl der Objekte unter Risiko zu Beginn des k ten Intervalls ˆλ k = n k w k
3 Formelsammlung zur Vorlesung Lebensdaueranalyse 3 Schätzung für die Survivorfunktion S(a k ) = P (T a k ): ˆP k = ˆp k... ˆp Schätzung ˆP (T [a k, a k )) = ˆP k ˆP k Schätzung für Dichte im Intervall [a k, a k ) ˆf k = ˆP k ˆP k h k = ˆP k ˆλ k h k, h k = a k a k.. Kaplan Meier (Product-Limit) Schätzer t () <... < t (k) sind die geordneten Werte der Stichprobe., t < t () Ŝ(t) = ( ) n k, t t () t (k) t Geschätzte Varianz (Greenwood Formel) V ar{ŝ(t)} = Ŝ(t) k:t (k) t n k (n k ) Punktweise Konfidenzintervalle Ŝ(t) ± z α V ar{ŝ(t)}..3 Nelson Aalen Schätzer für kumulierte Hazardrate ˆΛ(t), t < t () = n k, t t () t (k) t Geschätzte Varianz ˆσ Λ(t) = n t (k) t k Punktweise Konfidenzintervalle ˆΛ(t) ± z α ˆσ Λ(t) Breslow Schätzer als Alternative zum Kaplan Meier Schätzer Ŝ B (t) = exp( ˆΛ(t))..4 Schätzung der Hazardrate λ(t) Glätte {ˆΛ(t (k) )} = ˆΛ(t (k) ) ˆΛ(t (k ) ), k =,..., m (,,Pseudodaten ) mit einer Kernschätzung Ramlau Hansen Schätzer ˆλ(t) = h m ( ) t t(k) K {ˆΛ(t h (k) )} k= K: Kern wie beim (Kern )Dichteschätzen
4 4 Formelsammlung zur Vorlesung Lebensdaueranalyse..5 Tests zum Vergleich von Hazardraten (und Survivalfunktionen) Zwei Stichproben Fall H : H : λ (t) λ (t) λ (t) λ (t) Der log Rang (log rank) Test Poole alle Ereigniszeiten (egal ob zu Gruppe oder Gruppe ) zugehörig zu t () < t () < < t (r) d j : d j : n j : n j : d j = d j + d j : n j = n j + n j : Anzahl von Ereignissen aus Gruppe zum Zeitpunkt t (j) Anzahl von Ereignissen aus Gruppe zum Zeitpunkt t (j) Anzahl von Individuen unter Risiko aus Gruppe kurz vor t (j) Anzahl von Individuen unter Risiko aus Gruppe kurz vor t (j) Anzahl aller Ereignisse zum Zeitpunkt t (j) Anzahl aller Individuen unter Risiko kurz vor t (j) d j hypergeometrisch verteilt mit Parametern n j, d j und n j E(d j ) = e j = n j dj n j V ar(d j ) = v j = n j n j d j (n j d j ) n j (n j ) Teststatistik U L = V ar(u L ) = r (d j e j ) r v j = V L Log Rang Test oder Mantel Haenszel Test Statistik W L = U L V L a χ Alternative: Wilcoxon Test Wilcoxon Test Statistik U W = n (d j e j )n j V ar(u W ) = V W = r v j n j W W = U W V W a χ. Likelihood Schätzung für parametrische Hazardmodelle.. Likelihood für rechtszensierte Daten Daten (t i, δ i ) n L(θ) = f(t i ) δ i S(t i ) δ i = n λ(t i ) δ i exp t i λ(s) ds
5 Formelsammlung zur Vorlesung Lebensdaueranalyse 5.. Weitere Zensierungsmechanismen Beiträge zur Likelihood: Exakt beobachtete Lebensdauer Rechtszensierte Lebensdauer S(C r ) Linkszensierte Lebensdauer S(C l ) Intervallzensierte Lebensdauer Linkstrunkierte Beobachtungen Rechtstrunkierte Beobachtungen S(L) S(R) S(Y ) S(Y ) 3 Regressionsmodelle für Survivaldaten 3. Parametrische Transformationsmodelle 3.. Modelle Y = log(t ) = x β + σε T = exp(x β + σε) Fehlerverteilung für ε ist von bekanntem Typ: Verteilung von ε bzw. log(t ) ε N(, ) Normal Verteilung Extremwert Verteilung logistische Verteilung log Gamma Verteilung log generalisierte Gamma Verteilung Verteilung von T log normal Verteilung Weibull (Exponential ) Verteilung log logistische Verteilung Gamma Verteilung ( Parameter) generalisierte Gamma Verteilung (3 Parameter) 3. Das Proportional Hazards Modell von Cox 3.. Modell λ(t; x i ) = λ (t) exp(x i β) λ (t) x β Baseline Hazardrate enthält keine Konstante (Intercept) Proportionalität der Hazardraten λ(t; x ) λ(t; x ) = λ (t) exp(x β) λ (t) exp(x β) = exp((x x ) β) 3.. Partial Likelihood-Inferenz für das Cox Modell t () <... < t (k) bezeichnen die Ereigniszeitpunke der unzensierten Beobachtungen. Partielle Likelihood k P L(β) = j R(t (i) ) exp(x (i) β) exp(x j β)
6 6 Formelsammlung zur Vorlesung Lebensdaueranalyse Maximum Partial Likelihood Schätzer ˆβ = argmax{log P L(β)} (partielle) Score Funktion s( ˆβ) = log P L(β) β ˆβ a N(β, ˆV ( ˆβ)) V ( ˆβ) = Inverse der Informations Matrix s( ˆβ) β Breslow Schätzer für die kumulative Hazardrate ˆΛ (t) = t (i) t j R(t i ) exp(x j ˆβ) 3.3 Zeitabhängige Kovariablen x(t) vorhersagbarer stochastischer Prozess. Hinreichende Bedingung: Linksstetige Pfade k P L(β) = j R(t (i) ) exp(x (i) (t (i) ) β) exp(x j (t (i) ) β) 3.4 Modellierung zeitabhängiger Effekte β(t) Ersetze β x im Prädiktor durch z.b. β + β t β x + β t x = β x + β t x } {{ } neue zeitabhängige Kovariable Schätze β und β mit PL Ansatz 4 Modellwahl und Modelldiagnostik 4. Kriterien zur Modellwahl AIC: Akaikes Informationskriterium AIC = log P L( ˆβ) + p p: Anzahl der Parameter im Modell Devianz: Sei zunächst Λ (t) fest. [ { n δ i D = δ i log M } ] i δ M i i mit M i = δ i t i exp(x i ˆβ) dλ (s) Ersetze Λ (t) durch (z.b.) den Breslow Schätzer ˆΛ (t).
7 Formelsammlung zur Vorlesung Lebensdaueranalyse 7 4. Test auf PH Annahme Durch künstliche zeitabhängige Kovariable. Sei x eine zeitkonstante Kovariable. Definiere x (t) = x g(t) Fitte Cox Modell g(t) bekannte Funktion von t, z.b. ln(t) λ(t x(t)) = λ (t) exp(β x + β x (t) +... ) Teste H : β = gegen H : β 4.3 Residuen 4.3. Cox Snell Residuen Falls Lebensdauer T die Survivalfunktion S(t) bzw. kumulative Hazardrate Λ(t) besitzt, dann ist die die Zufallsvariable Y = log S(T ) = Λ(T ) = g(t) exponentialverteilt mit Rate. Definition: Cox Snell Residuen r i = ˆΛ (t i ) exp(x i ˆβ), i =,..., n 4.3. Martingal Residuen Definition: Martingal Residuen M i = δ i r i Es gilt E(M i ) Devianz Residuen Definition: Devianz Residuen D i = sign( ˆM i ) [ ˆM i δ i log(δ i ˆM ] i ) 5 Modifikationen und Erweiterungen von Hazardraten-Modellen 5. Frailty-Modelle Frailty-Modell vom Cox-Typ Cluster (Gruppen-) bzw. individuenspezifische zufällige Effekte werden in Prädiktor einbezogen: λ(t x ij ) = λ (t) exp(x T ij + γ i ), i =,..., m; j =,..., n i = λ (t)ν i exp(x T ijβ) mit ν i = exp(γ i ), und z.b. γ i i.i.d. N(, τ ) oder ν i i.i.d. Gamma, mit E(ν i ) =. Durch den gemeinsamen clusterspezifischen Effekt γ i bzw. ν i sind Beobachtungen aus Cluster i positiv korreliert.
Kapitel 7 Punkt- und Zählprozesse
Kapitel 7 Punkt- und Zählprozesse Grundlage für den modernen Zugang zu Verweildauer-und Ereignisanalyse. Poisson-Prozesse, Erneuerungs-, Markov-, Semi-Markov-Prozesse sind Spezialfälle. Wir betrachten
MehrÜberlebenszeitanalyse. Tempus neminem manet
Überlebenszeitanalyse Tempus neminem manet Remissionsdauer bei Leukämie Die Wirksamkeit des Medikaments 6-Mercaptopurin (6-MP) wurde in einer placebokontrollierten Studie an 42 Kindern mit akuter Leukämie
MehrKapitel 5 Erneuerungs- und Semi-Markov-Prozesse
Kapitel 5 Erneuerungs- und Semi-Markov-Prozesse Definition: Erneuerungsprozess Sei {T n, n N} eine Folge unabhängiger, nichtnegativer Zufallsvariablen mit Verteilungsfunktion F, mit F () < 1. Dann heißt
Mehr4 Binäre Regressionsmodelle, Folien 2
4 Binäre Regressionsmodelle, Folien 2 Ludwig Bothmann (basierend auf Unterlagen von Nora Fenske) Statistik III für Nebenfachstudierende WS 2014/2015 4.5 Hypothesentests Lineare Hypothesen Betrachtet werden
MehrEinführung Nichtparametrische Verfahren. Ereignisanalyse. Marcel Noack. 7. Mai 2008
7. Mai 2008 Inhaltsverzeichnis 1 Mathematische Grundlagen Der Datensatz 2 Zusammenhänge Mathematische Grundlagen Der Datensatz F (t) + S(t) = 1 Zusammenhänge Mathematische Grundlagen Der Datensatz F (t)
Mehrlimhatewerzeoelhiniii
limhatewerzeoelhiniii Vorwort 13 Kapitel 1 Einleitung 15 1.1 Wozu brauchen wir Statistik? 16 1.2 Medizinische Statistik 16 1.3 Beschreibende und schließende Statistik 17 1.4 Das Buch in Kürze 17 Kapitel
MehrSurvival Analysis. December 6, 2007
Survival Analysis René Böheim Rene.Boeheim@jku.at December 6, 2007 Basierend auf Cleves, Gould, and Gutierrez (2004), An Introduction to Survival Analysis using Stata, Revised Edition, Stata Press, Texas.
MehrErneuerungs- und Semi-Markov-Prozesse
Kapitel 5 Erneuerungs- und Semi-Markov-Prozesse Für den Poisson-Prozess und (reguläre) diskrete Markov-Prozesse impliziert die Markov-Eigenschaft, dass die Zwischenzeiten bzw. Verweildauern exponentialverteilt
MehrStatistische Analyse von Ereigniszeiten II
Statistische Analyse von Analysis VO Biostatistik im WS 2006/2007 1 : Daten zur Nephrektomie 2 3 4 : Daten zur Nephrektomie Studie zur Untersuchung der Wirksamkeit der Nephrektomie (Nierenentfernung) bei
MehrAnalyse von Lebensdauern
, Analyse von Lebensdauern Dozent: Christian Heumann 1 1 Institut für Statistik Ludwig-Maximilians-Universität München Analyse von Lebensdauern WiSe 2010/11 Kapitel 2: Schätzung von λ(t) und S(t) für homogene
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrZuverlässigkeitsanalyse auf Basis von Gutläufer-Informationen unter Nutzung von WInD-Pool -Daten
Zuverlässigkeitsanalyse auf Basis von Gutläufer-Informationen unter Nutzung von WInD-Pool -Daten Beitrag zur 4. EVW-Beiratssitzung Kassel, 04.06.2014 Dipl.-Ing. Klaus Kühnert IZP Dresden EVW-Projektbeiratssitzung
MehrLife Tables und Kaplan Meier
9. Mai 2012 Inhaltsverzeichnis 1 Mathematische Grundlagen Der Datensatz 2 Zusammenhänge Mathematische Grundlagen Der Datensatz F (t) + S(t) = 1 P (T t) + P (T t) = P (Ω) = 1 t 0 f(u)du + t f(u)du = 0 f(u)du
MehrDr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer Musterlösung
Dr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer 014 Musterlösung 1. 8 Punkte) a) 1 Pt)Für das Komplement gilt PR A) = 1 PR c A) = 0.968. b) 1 Pt)Nach Definition der bedingten Wahrscheinlichkeit
MehrCox-Regression. Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells
Cox-Regression Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells In vielen Fällen interessiert, wie die Survivalfunktion durch Einflussgrößen beeinflusst
MehrDemographie: Vergangenheit, Gegenwart und Zukunft
Demographie: Vergangenheit, Gegenwart und Zukunft Michel Truong Nhu Seminarvortrag am Institut für Statistik, LMU München Betreuer Prof. Dr. Thomas Augustin 13.Dezember 2011 Gliederung 0. Einführung 1.
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
Mehri =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
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
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
MehrDiagnose und Prognose: Kurzfassung 4
Diagnose und Prognose: Kurzfassung 4 Ziele der 4. Vorlesung Inhaltliche Verbindung zwischen inhaltlicher Statistisches Konzept / Problemstellung Problemstellung und statistischem statistische Methode Konzept/Methode
MehrSeminararbeit. Der Lograng Test. Philipp Rütimann Thomas Hettinger
Seminararbeit Der Lograng Test Philipp Rütimann Thomas Hettinger 6.Juni 26 Inhaltsverzeichnis 1 Kurze Repetition 3 2 Der Lograng Test 4 2.1 Test einer hypothetischen Hazardfunktion................. 4 2.2
Mehr1. Eigenschaften einer Zufallsstichprobe
1. Eigenschaften einer Zufallsstichprobe 1.1 Grundkonzepte Definition 1.1.1: Man nennt die Zufallsvariablen X 1,..., X n zufällige Stichprobe oder Zufallsstichprobe vom Umfang n aus der Population (Grundgesamtheit)
MehrFormelsammlung: Statistik und Wahrscheinlichkeitstheorie
Formelsammlung: Statistik und Wahrscheinlichkeitstheorie Kapitel 1: Deskriptive und explorative Statistik Empirische Verteilungsfkt (S15): Quantile (S24): Bei Typ7 1.Pkt = 0 Danach 1/(n-1) Median (S24):
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
MehrDie partielle Likelihood-Funktion
Die partielle Likelihood-Funktion Roger Züst 12. Juni 26 1 Repetition: Maximum-Likelihood-Methode Hat man n unabhängige Beobachtungen x 1, x 2,..., x n einer Zufallsvariablen X und eine Familie von möglichen
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
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
MehrMedizinische Statistik
Medizinische Statistik Konzepte, Methoden, Anwendungen Leonhard Held Kaspar Rufibach Burkhardt Seifert Higher Education München Harlow Amsterdam Madrid Boston San Francisco Don Mills Mexico City Sydney
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
MehrGrundzüge der Ereignisdatenanalyse
Grundzüge der Ereignisdatenanalyse Regressionsmodelle Sommersemester 2009 Regressionsmodelle Event History Analysis (1/48) Übersicht Exponential- und Weibull-Modell Weitere Modelle Regressionsmodelle Event
MehrEinführung in die Induktive Statistik: Regressionsanalyse
Einführung in die Induktive Statistik: Regressionsanalyse Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Regressionsanalyse Ziel: Analyse
MehrZusammenfassung PVK Statistik
Zusammenfassung PVK Statistik (Diese Zusammenfassung wurde von Carlos Mora erstellt. Die Richtigkeit der Formeln ist ohne Gewähr.) Verteilungen von diskreten Zufallsvariablen Beschreibung Binomialverteilung
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
Mehr10. Vorlesung. Grundlagen in Statistik. Seite 291. Martin-Luther-Universität Halle/Wittenberg
. Vorlesung Grundlagen in Statistik Seite 29 Beispiel Gegeben: Termhäufigkeiten von Dokumenten Problemstellung der Sprachmodellierung Was sagen die Termhäufigkeiten über die Wahrscheinlichkeit eines Dokuments
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
Mehr3.2 Maximum-Likelihood-Schätzung
291 Die Maximum-Likelihood-Schätzung ist die populärste Methode zur Konstruktion von Punktschätzern bei rein parametrischen Problemstellungen. 292 3.2.1 Schätzkonzept Maximum-Likelihood-Prinzip: Finde
MehrBasis-Kurs Statistik und SPSS für Mediziner Lösungen. SPSS-Übung Überlebenszeitanalyse
Basis-Kurs Statistik und SPSS für Mediziner Lösungen SPSS-Übung Überlebenszeitanalyse Mit Datensatz Daten_Übung_Überlebenszeitanalyse.sav 1) Zeichnen Sie die Kaplan-Meier-Kurven des progressionsfreien
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Springer-Lehrbuch Wahrscheinlichkeitsrechnung und schließende Statistik von Karl Mosler, Friedrich Schmid Neuausgabe Wahrscheinlichkeitsrechnung und schließende Statistik Mosler / Schmid schnell und portofrei
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
Mehr4 Statistik der Extremwertverteilungen
In diesem Kapitel beschäftigen wir uns mit statistischen Anwendungen der Extremwerttheorie. Wir werden zwei verschiedene Zugänge zur Modellierung von Extremwerten betrachten. Der erste Zugang basiert auf
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrStatistische Modellierung latenter Strukturen in den Lebens-, Sozial- und Wirtschaftswissenschaften
Statistische Modellierung latenter Strukturen in den Lebens-, Sozial- und Wirtschaftswissenschaften Überlick über Modelle für defizitäre Daten Seminarleiter: Prof. Dr. Thomas Augustin Betreuerin: Julia
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrW-Rechnung und Statistik für Ingenieure Übung 8
W-Rechnung und Statistik für Ingenieure Übung 8 Aufgabe 1 : Motivation Anhand von Daten soll eine Aussage über die voraussichtliche Verteilung zukünftiger Daten gemacht werden, z.b. die Wahrscheinlichkeit
MehrZufallsvariablen. f(x) dx = 1. Die stetige Zufallsvariable X wird also durch seine Dichtefunktion beschrieben. P(c < X < d) =
Diskrete Sei X stetig auf (a,b), wobei a, b unendlich sein können, a x 0 < x 1 b P(X = x 0 ) = 0, P(x 0 < X < x 1 ) > 0 (wenn f > 0). Die Funktion f heißt Dichtefunktion (von X) falls: 1. f(x) 0, a < x
MehrStatistik für Bachelorund Masterstudenten
Walter Zucchini Andreas Schlegel Oleg Nenadic Stefan Sperlich Statistik für Bachelorund Masterstudenten Eine Einführung für Wirtschaftsund Sozialwissenschaftler 4y Springer 1 Der Zufall in unserer Welt
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrBachelorprüfung: Statistik (1 Stunde)
Prof. H.R. Künsch D-BIOL, D-CHAB Winter 2010 Bachelorprüfung: Statistik (1 Stunde) Bemerkungen: Es sind alle mitgebrachten schriftlichen Hilfsmittel und der Taschenrechner erlaubt. Natels sind auszuschalten!
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrStatistik für Ingenieure und Naturwissenschaftler
Sheldon M. Ross Statistik für Ingenieure und Naturwissenschaftler 3. Auflage Aus dem Amerikanischen übersetzt von Carsten Heinisch ELSEVIER SPEKTRUM AKADEMISCHER VERLAG Spektrum Inhalt Vorwort zur dritten
MehrAufgaben. d) Seien X und Y Poissonverteilt mit Parameter µ, X, Y P(µ). 2. Dann ist die Summe auch Poissonverteilt mit (X + Y ) P(2µ).
Aufgaben 1. Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete Frage 1 Punkt und pro falsche Antwort 1/2 Punkt Abzug. Minimal erhält man für die gesamte
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
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 VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenho Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare
MehrGemischte Modelle zur Schätzung geoadditiver Regressionsmodelle
Gemischte Modelle zur Schätzung geoadditiver Regressionsmodelle Thomas Kneib & Ludwig Fahrmeir Institut für Statistik, Ludwig-Maximilians-Universität München 1. Regressionsmodelle für geoadditive Daten
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2014 06. Mai 2014 c Roland Rau Survival Analysis 1 / 23 Fehler in Folie 7 der ersten Veranstaltung Statistische
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
MehrEin Vergleich von 2-Stichproben-Verfahren mit Berücksichtigung von Baselinewerten bei ordinalen Zielvariablen
Ein Vergleich von 2-Stichproben-Verfahren mit Berücksichtigung von Baselinewerten bei ordinalen Zielvariablen Alexander Siemer Abteilung Medizinische Statistik Universität Göttingen 47. Biometrisches Kolloquium
Mehr2. Stochastische Prozesse.
SS 2006 Arbeitsblatt 2 / S. 1 von 7 2. Stochastische Prozesse. Warteschlangen treten als Erscheinungsformen von in der Zeit ablaufenden Prozessen auf, von denen wie oben erwähnt mindestens einer nicht
MehrStatistik für Ingenieure Vorlesung 6
Statistik für Ingenieure Vorlesung 6 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 05. Dezember 2017 3.4.3 Stetige Gleichverteilung Parameter: Intervall [a, b] R. Zufallsgröße
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrGrundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz
- 1 - Grundgesamtheit, Merkmale, Stichprobe Dimension, Umfang Skalierung Eigenschaften der Stichprobe kennzeichnende Größen Eigenschaften der Stichprobe kennzeichnende Größen Punktediagramm, Regressionsgerade,
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 =
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 24. November 2010 1 Stetige Verteilungen Normalapproximation Gleichverteilung Exponentialverteilung Normalapproximation
MehrPrüfung im Fach Mikroökonometrie im Sommersemester 2014 Aufgaben
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Mikroökonometrie im Sommersemester 014 Aufgaben Vorbemerkungen: Anzahl der Aufgaben: Bewertung:
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
Mehrβ Ζ φ ε = δ δ = + = = = = = ρ ρ γ γ γ γ γ γ γ = = = = = = + + = = = + + = = = = $ σ r ( ) K r = = = O M L r M r r = = O M L r M r r = = = = = = = = ( ) ( ) = ( ) = ± ( ) ( ) = ± ( ) = ± (
MehrVergleich von Partial Cox Regression und Lasso zur Analyse von U berlebenszeiten bei hochdimensionalen Daten
Vergleich von Partial Cox Regression und Lasso zur Analyse von U berlebenszeiten bei hochdimensionalen Daten Claudia-Martina Messow Robertson Centre for Biostatistics, University of Glasgow Situation Methoden
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Winter 2018 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Bitte... Lege deine Legi auf den Tisch. Trage deine Daten in dieses Deckblatt ein, und schreibe auf jedes
MehrNach der Theorie der Partialbruchzerlegung kann der Bruch auf der linken Seite in Teilbrüche zerlegt werden: = + =
ist ( 6.4 Logistisches Wachstum Ein Nachteil des Modells vom beschränkten Wachstum besteht darin, dass für kleine t die Funktion ungefähr linear statt exponentiell wächst. Diese chwäche wird durch das
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
MehrExponentialverteilung
Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Maathuis ETH Zürich Winter 2010 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
Mehr