Leiter der Abteilung für Epidemiologie im. Kindes- und Jugendalter am Institut für Soziale Pädiatrie und Jugendmedizin
|
|
- Silvia Dieter
- vor 7 Jahren
- Abrufe
Transkript
1 Prof. Prof. Dr. Dr. Rüdiger von von KriesKries, Arzt für Institut Kinderheilkunde für Soziale Pädiatrie Jugendmedizin FA für Kinderheilkunde Leiter der Abteilung für Epidemiologie im Konvertiert zur Epidemiologie Kindes- und Jugendalter am Institut für Soziale Pädiatrie und Jugendmedizin Leiter der Abteilung für Epidemiologie im Kindes- und Jugendalter Vorlesung als Gast am IBE
2 Vom Problem zur Fragestellung: Antibiotika und akute Otitis media Vom Problem zur beantwortbaren Fragestellung Was ist eine gute Hypothese? Studien zur Überprüfung von Therapieeffekten Limitationen nicht randomisierter Studien Prinzip randomisierter kontrollierter Studien Effektmaße in Therapie-Studien Relatives Risiko / Risikodifferenz Number needed to treat Ausreichende Fallzahlen?
3 Häufigkeit Otitis Media Rosenfeld (2003)
4 Otitis media pro Kind in 18 Monaten Eskola et al., NEJM (2001)
5 Wann kann eine Otitis media diagnostiziert werden? Agency for Healthcare Research and Quality (AHRQ) beauftragte Expertengremium: Die akute Otitis media (AOM) ist ein Mittelohrerguss in Verbindung mit einem schnellen Einsetzen von einem oder mehreren Zeichen oder Symptomen einer Entzündung des Mittelohres.
6 Wann kann eine Otitis media diagnostiziert werden? tatsächliches Vorhandensein von Flüssigkeit im Mittelohr, nachgewiesen durch Tympanocentese (Mittelohrpunktion) bzw. Vorhandensein von Flüssigkeit im äußeren Gehörgang durch eine Trommelfellperforation oder angezeigt durch herabgesetzte oder aufgehobene Trommelfellbeweglichkeit bei der pneumatischen Otoskopie oder Tympanogramm
7 Wann kann eine Otitis media diagnostiziert werden? Plus: mit oder ohne folgende Befunde: Trübung des Tommelfells (Rötung wird nicht gefordert) Gespanntes oder vorgewölbtes Trommelfell Hörminderung
8 Wann kann eine Otitis media diagnostiziert werden? Plus: schnelles Einsetzen (d.h. innerhalb von 48 Stunden) eines oder mehrerer folgender Symptome / Zeichen mit oder ohne Anorexie, Übelkeit oder Erbrechen: Ohrschmerzen (bzw. Ohrzwang bei Kleinkindern) Otorrhö Reizbarkeit bei Kleinkindern oder Fieber
9 Massiv vorgewölbtes Trommelfell mit durchschimmernd eitrigem Paukenerguss
10 Chronischer Paukenerguss: Das Trommelfell ist deutlich retrahiert
11 Falldefinition: akute otitis media (AOM) Eine klare, eindeutige Falldefinition ist entscheidend! Welche der Kriterien werden gefordert? Was ist gemeint, wenn von einer AOM gesprochen wird? Behandlungseffekte lassen sich nur in vergleichbaren Gruppen beurteilen!
12 Behandlung AOM Antibiotika indiziert? Häufigste Erreger Moxarella catharhalis (20% 30%) Haemophilus influenza (nicht b!!) (20% - 30%) Pneumokokken (20% -30%) Viren (10% -40%)
13 Muss man eine AOM mit Antibiotika behandeln? Die Menschheit überlebt mit und ohne Otitis media also nein! Tut aber doch weh besser doch behandeln! Komplikationen kommen vor die sollten verhindert werden! Gegen Bakterien gibt es Antibiotika eine wirksame Behandlung darf man Kindern nicht verweigern!
14 Helfen denn Antibiotika bei AOM? Linderung der Beschwerden Nach 24 Stunden Nach 2-3 Tagen Nach 4-7 Tagen klinische Heilung Nach 7-14 Tagen Vermeidung eitriger Komplikationen
15 Formulieren Sie eine klare Fragestellung! Krankengymnastik hilft bei Cerebralparese. Fibrinolyse hilft bei Herzinfarkt. Antiepileptika helfen bei Epilepsie. Screening auf Cervixcarcinom ist sinnvoll.
16 Klare Beurteilungskriterien? Wirksamkeit von Antibiotika bei AOM? Linderung der Beschwerden messen: Wie? Elternfragebogen: Schreien? Durchschlafen? Schmerzmedikamente? Heilung: Elternfragebogen: Symptomfreiheit? Kein Fieber + Trommelfell nicht mehr rot (aber Resterguss ist noch erlaubt!) Objektive Kriterien?
17 Welcher Studientyp ist aussagekräftig? Einzelfallbeobachtungen? Bei meinem Patienten hat es gewirkt!
18 Welcher Studientyp ist aussagekräftig?
19 Ausmaß der Verblindung Single blind trial Untersucher weiß, wer welche Therapie bekommen hat, aber nicht der Patient Double blind trial Weder Untersucher noch Patient wissen, wer welche Therapie erhalten hat Triple blind trial Auch der Statistiker weiß nicht, wer welche Therapie erhalten hat
20 Antibiotika und AOM Welcher Studientyp ist notwendig? Worauf muss geachtet werden? Uniforme Falldefinition Beantwortbare Fragestellung Klar definierte outcome parameter (Beurteilungskriterien)
21 Randomisierte klinische Studie (RCT): Nachweis der Wirksamkeit Vergleich Verum gegen Placebo Doppelblind Follow-up der randomisierten Patienten bis zum Studien - Endpunkt (Verlust von Patienten kann kann Beurteilung der Studie verunmöglichen: attrition bias ) Erfassung der Häufigkeit der Endpunkte in beiden Gruppen: x % versus y %
22 Erfolgsindikatoren Relatives Risiko (RR) relative benefit increase (RBI) % geheilt mit Antibiotikum / % geheilt mit Plazebo Zahl von 0 bis + Relatives Risiko (RR) relative risk reduction (RRR) % nicht geheilt mit Antibiotikum / % nicht geheilt mit Plazebo Zahl von 0 bis +
23 Erfolgsindikatoren Risiko Differenz (RD) Absolute benefit increase (ABI) % Geheilt Antibiotikum - % geheilt Plazebo Ergebnis: Anteil durch Therapie geheilter Risiko Differenz (RD) Absolute risk reduction (ARR) % nicht geheilt Antibiotikum - % nicht geheilt Plazebo Ergebnis: Anteil durch Therapie nicht geheilter Number needed to treat (NNT) Kehrwert der RD
24 AOM & Antibiotika Symptomfreiheit nach 2 bis 3 Tagen Kaleida et al (Amoxycillin) Symptomfreiheit Antibiotikum: 469/488 96% Placebo: 454/492 92% Relative benefit increase: 96% / 92%= 1,04 Absolute benefit increase: 96% 92%= 4% NNT: 100/4 (1/0,04) = 25
25 Alle Schätzer sind unscharf. 30 % = 3 / 10 30% = 30 / % = 300 / % = 3000 / Welche 30 % würden Sie am ehesten glauben? 95% CI gibt den Bereich, an in dem der wahre Werte mit 95% Wahrscheinlichkeit zu finden ist.
26 Alle Schätzer sind unscharf. 30 % = 3 / 10 besser keine %!!! 30% = 30 / % KI (21-40) % 30 % = 300 / % KI (27-33) % 30% = 3000 / % KI (29-31) % Solche 95% Konfidenzintervalle auch berechenbar für Relatives Risiko oder Risiko Differenz
27 Alle Schätzer sind unscharf 30 % = 3 / 10 besser keine %!!! 30 % = 30 / 100 5%-CI: (21 % - 39 %) Berechnung des 95%-CI: x x ±1.96 * SD n : Punktschätzer (hier: 30 % = 0.3) SD: Standardfehler (Standardabweichung) Normalverteilung: Standardabweichung σ Binomialverteilung: p (1 p)
28 Berechnung des CI einer Prävalenz x = 30 / 100 = 0.3 Binomialverteilung (30 krank, 70 gesund): p =? -> Schätzer für p: -> 1 pˆ = %-CI: -> CI = (0.21, 0.39) x p (1 p) ± 1.96 * = n 0.3 * ± 1.96 * = ± 0.09 pˆ = x = 0.3
29 Wann sind RR / RD signifikant Beim RR sollte das 95% CI die 1 nicht einschließen RR: 1,5 (95% CI: 0,9 2,1) n.s. RR: 1,5 (95% CI: 1,1 1,9) signifikant Beim RD sollte das 95% CI die 0 nicht einschließen RD: 0,5 (95% CI: -0,10 1,1) n.s. RD: 0,5 (95% CI: 0,1 0,9) signifikant
30 Helfen denn nun Antibiotika bei AOM Symptomfrei nach 24 Stunden? Rosenfeld (2003)
31 Beispiele für RD bei der Behandlung von Akuter Otitis Media Rosenfeld (2003)
32 Helfen denn nun Antibiotika bei AOM Symptomfrei nach 2-3 Tagen? Combined RD 0,04 (95% KI ) Bitte berechnen Sie die NNT. Was heißt das für den einzelnen Patienten, den Sie behandeln?
33 Fazit: Antibiotika + AOM Nach 24 Std: kein Benefit Nach 2-3 Tagen: jeder 25. profitiert Nach 4-7 Tagen: jeder 11. profitiert Wie würden Sie behandeln? Welche Zusatzfragen sollten geklärt werden?
34 Antibiotika + AOM externe Validität Was waren die Behandlungsprotokolle? Initialbehandlung!!! Wait and see! Wer nach 2-3 Tagen noch krank: Antibiotika! Gilt das für alle Altersgruppen? Meist wurden unter 2 jährige ausgeschlossen! Gilt das für alle Patienten? Ausgeschlossen: Immundefekte, sonstige Erkrankungen, Trisomie, LKG, Schwerkranke
35 Antibiotika + AOM: Behandlungsempfehlungen Kinder unter 2 Jahren mit sicherer AOM: Antibiotika Kinder > 2 Jahre: Wait and see! Wer nach 2-3 Tagen noch krank: Antibiotika! Kinder > 2 Jahre: Antibiotika bei Schwerkranken Kindern Kinder mit Immundefekten, sonstigen Erkrankungen wie Trisomie, Lipen-Kiefer- Gaumenspalte
36 Komplikation - Mastoiditis
37 Komplikation Mastoiditis z.b. Rosenfeld (2003)
38 Antibiotika bei AOM und eitrige Komplikationen : Frage beantwortbar? Offenbar sind diese Komplikationen ausgesprochen selten. Auch in der Gruppe ohne Antibiotika treten diese kaum einmal auf. Für seltene outcomes bleibt die Studienfrage unbeantwortet es sei denn die Studie würde mit ganz vielen Probanden durchgeführt. Die Power einer Studie beschreibt die Wahrscheinlichkeit, einen signifikanten Zusammenhang zu finden, wenn es ihn gibt.
39 Was lehrte das Beispiel? Klare Falldefinitionen notwendig. Entscheidend ist eine eindeutige Fragestellung. Die Studienpopulation muss genau beschrieben sein. Studien mit hoher Aussagekraft: RCT s. Beurteilung der Ergebnisse anhand von relativem Risiko und Risikodifferenz. Das 95% CI gibt die Unschärfe der Schätzung von relativem Risiko und Risikodifferenz an. Ausreichende Fallzahlen unverzichtbar!
40 Was sollten Sie vertiefen.. Powerproblematik / Fallzahlberechnung Konfidenzintervall versus p-wert Bewertung Der feine Unterschied: relative risk reduction or relative benefit increase Interne versus externe Validität von Studien
41 Power-Problem Angenommen, es gibt wirklich einen Effekt. Jeder Test beinhaltet eine Wahrscheinlichkeit β, dass ein tatsächlich vorhandener Effekt nicht entdeckt wird (Fehler 2. Art). Statistische Power: 1 - β Je höher die Power, desto wahrscheinlicher wird ein tatsächlicher Effekt erkannt. Meist wünschenswert: Power = 0.8 = 80% (β = 0.2) Die Power wird u.a. durch die Fallzahl bestimmt
42 Klinische Studie Ist die neue Therapie besser als die alte? Neue Therapie Alte Therapie Beispiel 1 19 / 30 = 63% 12 / 30 = 40% p = 0.07 Beispiel / 300 = 63% 120 / 300 = 40% p < 0.01* * Signifikant (χ²-test) -> Beispiel 2 hat eine größere Power!
43 Die Power wird größer mit größerem Stichprobenumfang n höherem Signifikanzniveau α größerem Unterschied zwischen H 0 und H 1
44 Benötigte Stichprobengröße Anzahl der benötigten Patienten, um einen vorgegebenen Unterschied in Heilungsraten von 2 Therapien festzustellen (grobe Näherung): Unterschied Anzahl 5 % % % % % 120 (α = 0.05, β = 0.2, Aufteilung der Patienten 1:1)
45 Fazit wenn Sie selber eine Studie machen Meistens gibt man sich Signifikanzniveau und zu erwartenden Unterschied vor. -> Um die gewünschte Power zu erreichen, braucht man einen Stichprobenumfang von einer bestimmten Mindestgröße. -> Je größer der Stichprobenumfang, desto größer die Wahrscheinlichkeit, einen Effekt zu entdecken. -> Fazit: vorher überlegen, ob bei den vorgegebenen Fallzahlen und der zu erwartenden Effektstärke etwas heraus kommen kann! -> Programme dazu kann man aus dem Netz laden, z.b. amplesize
46 Fazit wenn Sie Studienergebnisse interpretieren Negative Studien werden selten publiziert. Absence of evidence ist nicht evidence of absence! Besonders dann, wenn die Fallzahlen zu gering waren, um klinisch relevante Differenzen zu erkennen. Bei jedem RCT sollte das Ergebnis der Power- Berechnung angegeben sein.
47 95% CI versus p-wert Kaleida Studie Antibiotika & AOM: RD: 4% (95% CI:1% - 7%) mehr Symptomfreiheit in der Antibiotikagruppe Schätzen der Differenz mit 95% CI Symptomfrei: Mit AB: 96,1 % ; Ohne AB: 92,3% Kann das Zufall sein? Wie hoch ist die Wahrscheinlichkeit, dass eine solche Differenz auftritt, wenn tatsächlich mit und ohne AB gleich viele symptomfrei würden (Null Hypothese? P = 0,01, also 1/100 also nicht sehr wahrscheinlich Testen mit P Wert: Passen Ergebnisse zur Nullhypothese
48 95% CI versus p-wert Das 95% CI der RD, erlaubt abzuschätzen, in welchem Bereich die wahre RD mit 95% Wahrscheinlichkeit zu finden ist. Schließt die Untergrenze die Null (keine Differenz) nicht mit ein, können Sie zu mindestens 95% sicher sein, dass die wahre RD > Null ist.
49 Interpretation des p-wertes: p< Wie hoch ist die Wahrscheinlichkeit, dass die beobachteten Werte rein zufällig beobachtet worden sind, unter der Annahme, dass tatsächlich kein Unterschied besteht (Null- Hypothese)? Was heißt p < 0,05 (0,01)? Ab p <0,05 (ɑ < 0,05) also < 1/20, sagt man völlig willkürlich: Das sollte kein Zufall sein signifikant
50 Unterschied: RBI / ABI Die Kaleida-Studie zu Antibiotika und AOM zeigte: weniger Beschwerden unter AB nach 2-3 Tagen: Antibiotikum: 96% symptomfrei Plazebo: 92% 5 Jahres Überlebensraten Berechnen und interpretieren Sie RBI, ABI, NNT.
51 Unterschied: ARR / RRR Die Kaleida-Studie zu Antibiotika und AOM zeigte: weniger Beschwerden unter AB nach 2-3 Tagen: Antibiotikum: 4% noch Symptome Plazebo: 8% noch Symptome Berechnen und interpretieren Sie RRR, ARR, NNT!
52 Interne versus externe Validität Interne Validität Ist der RCT korrekt durchgeführt worden u.a. Eindeutige, klare a priori Fragestellung? Randomiserung? richtig durchgeführt? Verblindung? Arzt, Patient, bei Erfassung des outcome Follow up (hoch? beide Gruppen gleich?) Auswertung o.k? Intention to treat oder on treatment? Externe Validität Anwendbarkeit auf meinen (alle?) Patienten?
53 Zur Beurteilung der externen Validität Detaillierte Ein /Ausschlusskriterien Repräsentativität der Patienten / Studienzentren? Adäquate Beschreibung der tatsächlichen Therapie Dosierungen adäquat? Vergleichsmedikation / Plazebo adäquat? Sinnvolle klinische Endpunkte?
54 Antibiotika + AOM externe Validität Was waren die Behandlungsprotokolle? Initialbehandlung!!! Wait and see! Wer nach 2-3 Tagen noch krank: Antibiotika! Gilt das für alle Altersgruppen? Meist wurden unter 2 jährige ausgeschlossen! Gilt das für alle Patienten? Ausgeschlossen: Immundefekte, sonstige Erkrankungen, Trisomie, LKG, schwer kranke
55 Das sollten Sie können: Powerproblematik / Fallzahlberechnung Konfidenzintervall versus p-wert: Bewertung Unterschied RRR versus RBI (erkennen und kritisch bewerten) Interne versus externe Validität von Studien
Statistische Überlegungen: Eine kleine Einführung in das 1 x 1
Statistische Überlegungen: Eine kleine Einführung in das 1 x 1 PD Dr. Thomas Friedl Klinik für Frauenheilkunde und Geburtshilfe, Universitätsklinikum Ulm München, 23.11.2012 Inhaltsübersicht Allgemeine
MehrInterventionsstudien
Interventionsstudien Univ.-Prof. DI Dr. Andrea Berghold Institut für Med. Informatik, Statistik und Dokumentation Medizinische Universität Graz Vorgangsweise der EBM 1. Formulierung der relevanten und
MehrMethodenlehre. Vorlesung 13. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 13 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 19.05.15 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie
MehrBerechnung von Konfidenzintervallen für Impact Numbers aus Fall-Kontroll und Kohorten-Studien
Berechnung von Konfidenzintervallen für Impact Numbers aus Fall-Kontroll und Kohorten-Studien Mandy Hildebrandt 1,2, Ralf Bender 1 und Maria Blettner 2 1 Institut für Qualität und Wirtschaftlichkeit im
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrEffektgrößen. Evidenz-basierte Medizin und Biostatistik, Prof. Andrea Berghold
Effektgrößen 2x2Tafel Therapie Medikament 1 Medikament 2 Summe Misserfolg 450 = a 300 = c 750 = (a+c) Endpunkt Erfolg 550 = b 700 = d 1250 = (b+d) Vergleich von 2 Therapien; Endpunkt binär Summe 1000 =
MehrInterne Validität bei RCTs und Non-RCTs
Interne Validität bei RCTs und Non-RCTs Prof. Regina Kunz Institut für Klinische Epidemiologie und Biostatistik Uni-Spital Basel Übersicht 1. Weshalb wir randomisierte Studien brauchen 2. Unterschied randomisierte
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrEfficacy and safety of recombinant human activated protein C for severe sepsis Bernard, G.et al. N Engl J Med 2001; 344:
RCT: Efficacy and safety of recombinant human activated protein C for severe sepsis Bernard, G.et al. Eignung der Studie für critical appraisal im Rahmen eines EbM Kurses: - typisches Beispiel für Arzneimittelstudie
MehrFallzahlplanung bei unabhängigen Stichproben
Fallzahlplanung bei unabhängigen Stichproben Seminar Aktuelle biometrische Probleme Benjamin Hofner benjamin.hofner@stat.uni-muenchen.de 12. Januar 2005 Übersicht 1. Einführung und Grundlagen der Fallzahlplanung
MehrSystematische Reviews und Meta-Analysen
Systematische Reviews und Meta-Analysen Univ.-Prof. DI Dr. Andrea Berghold Institut für Med. Informatik, Statistik und Dokumentation Medizinische Universität Graz Szenario Sollen wir Julians Mittelohrentzündung
MehrWie liest man Konfidenzintervalle? Teil I. Premiu m
Wie liest man Konfidenzintervalle? Teil I Premiu m Was sind Konfidenzintervalle? Ein Konfidenzintervall (KI) ist ein Maß für die Unsicherheit bezüglich einer Schätzung eines Effekts. Es ist ein Intervall
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrFrage: Führt die antibiotische Behandlung der Helicobacter pylori Infektion bei Patienten mit funktioneller Dyspepsie zur Beschwerdefreiheit?
Funktionelle Dyspepsie: Bei Patienten mit positivem Helicobacter pylori Nachweis hilft eine Eradikation, wenn überhaupt nur wenigen Patienten (Resultate von 2 Studien) Frage: Führt die antibiotische Behandlung
MehrMethode des statistischen Testens
1 Methode des statistischen Testens Fragestellung Zielgröße (Impfbeispiel: Impferfolg ja / nein) Alternativhypothese Negation Nullhypothese H 0 Wähle Teststatistik = Zusammenfassung der Studienergebnisse
Mehr2-Stichprobentest für Anteilswerte
-Stichprobentest für Anteilswerte Wir analysieren den Anteilswert (Prozentsatz) für ein interessierendes Ereignis in zwei verschiedenen Grundgesamtheiten (π, π ) Ziel: Auf der Basis von Stichprobenerhebungen
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrGRUNDPRINZIPIEN statistischen Testens
Fragestellungen beim Testen GRUNDPRINZIPIEN statistischen Testens. Vergleiche Unterscheidet sich die Stichprobenbeobachtung von einer vorher spezifizierten Erwartung ( Hypothese ) mit ausreichender Sicherheit?
MehrQuerschnittsbereich Nr. 1: Epidemiologie, Medizinische Biometrie und Medizinische Informatik. Behandelt werden 4 Themenblöcke
Querschnittsbereich Nr. 1: Epidemiologie, Medizinische Biometrie und Medizinische Informatik Behandelt werden 4 Themenblöcke Ätiologie und Risiko Diagnose und Prognose Intervention Medizinische Informatik
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrKritische Bewertung der Evidenz von ernährungsmedizinischen Metaanalysen am Beispiel der perioperativen Immunonutrition.
Kritische Bewertung der Evidenz von ernährungsmedizinischen Metaanalysen am Beispiel der perioperativen Immunonutrition Monika Nothacker AWMF-Institut für Medizinisches Wissensmanagement c/o Philipps-Universität
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
Mehr2-Stichprobentest für Anteilswerte
-Stichprobentest für Anteilswerte Wir betrachten den Anteilswert (Prozentsatz) für ein interessierendes Ereignis in zwei verschiedenen Grundgesamtheiten (π 1, π ) Ziel: Auf der Basis von Stichprobenerhebungen
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
MehrRCT Worauf müssen Sie achten?
RCT Worauf müssen Sie achten? Prof. Dr. Rüdiger von Kries, Arzt für Kinderheilkunde Leiter der Abteilung für Epidemiologie im Kindes- und Jugendalter am Institut für Soziale Pädiatrie und Jugendmedizin
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrRelevanz von Effektstärken
Relevanz von Effektstärken Jürgen Windeler, Stefanie Thomas Medizinischer Dienst des Spitzenverbandes Bund der Krankenkassen (MDS) Berlin, 26.01.2010 ganz aktuell Januar-Ausgabe 2010... war weder das absolute
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrFachgruppensitzung 4. Juni Fachgruppensitzung. P. Voitl.
Fachgruppensitzung P. Voitl Programm Standespolitik Honorare aktuelle Situation Turnus und Facharzt Ausbildung NEU Ordination: Computer-Netzwerke Neuer Service der Kammer? Medikamentenzirkel Otitis media
MehrEinführung in Planung und Auswertung klinischer Prüfungen: Biometrische Grundlagen
Einführung in Planung und Auswertung klinischer Prüfungen: Biometrische Grundlagen PD Dr. Thomas Sudhop PD Dr. Thomas Sudhop Ringvorlesung - Biometrie 25.10.2016 Seite 1 Klinische Prüfung Biomedizinisches
MehrMethodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 11 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 03.12.13 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrAlternative Darstellung des 2-Stcihprobentests für Anteile
Alternative Darstellung des -Stcihprobentests für Anteile DCF CF Total n 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Bei Gültigkeit der Nullhypothese Beobachtete Response No Response Total absolut
MehrMaReCum Klausur in Biomathematik WS 2006 / 2007 Freitag, den 27. Oktober 2006
MaReCum Klausur in Biomathematik WS 2006 / 2007 Freitag, den 27. Oktober 2006 Name: Matrikelnummer: Unterschrift: Aufgabe 1 In einer kleinen Gemeinde in Baden-Württemberg traten vermehrt Fälle von Q-Fieber
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
MehrJournal Club vom Stefan Erb. N Engl J Med 2017;376:
Journal Club vom 24.7.2017 Stefan Erb N Engl J Med 2017;376:2545-55. Hintergrund Ubi pus, ibi evacua Unkomplizierte Hautinfektionen/Abszesse häufig, meist S. aureus Behandlung durch Inzision allein ( Expert
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 4. Juni 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden 1/35 Ein- und Zweiseitige Hypothesen H 0 : p =
MehrPlazebo: Risiko in klinischen Prüfungen und ethisch bedenklich?
Plazebo: Risiko in klinischen Prüfungen und ethisch bedenklich? Dr. Karl Broich Bundesinstitut für Arzneimittel Kurt-Georg-Kiesinger-Allee 38, D-53175 Bonn Schein-OP (Sham-Procedures) Ideales Arzneimittel
Mehr2.4 Hypothesentests Grundprinzipien statistischer Hypothesentests. Hypothese:
2.4.1 Grundprinzipien statistischer Hypothesentests Hypothese: Behauptung einer Tatsache, deren Überprüfung noch aussteht (Leutner in: Endruweit, Trommsdorff: Wörterbuch der Soziologie, 1989). Statistischer
MehrJahrestagung refonet Methodenseminar Fehlerquellen in Studien Bias und Confounding
Jahrestagung refonet Methodenseminar Fehlerquellen in Studien Bias und Confounding Dr. med. Barbara Hoffmann, MPH Claudia Pieper Was kommt Zufällige Fehler Systematische Fehler Selection bias Measurement
Mehr2-Stichprobentest für Anteilswerte
-Stichrobentest für Anteilswerte Wir betrachten den Anteilswert (Prozentsatz) für ein interessierendes Ereignis in zwei verschiedenen Grundgesamtheiten (π, π ) Ziel: Auf der Basis von Stichrobenerhebungen
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrAuswirkungen der Ernährung auf die Vorbeugung und Behandlung von Dekubitalulzera
Aus dem Institut für Gesundheits- und Pflegewissenschaft an der Medizinische Fakultät der Martin-Luther-Universität Halle-Wittenberg (Direktor: Prof. Dr. Johann Behrens) Auswirkungen der Ernährung auf
MehrDiskrete Wa.verteilungen: Eine Zooführung. Statistik (Biol./Pharm./HST) FS 2015
Diskrete Wa.verteilungen: Eine Zooführung Statistik (Biol./Pharm./HST) FS 2015 Admin: Übungsbetrieb & Quiz Gruppeneinteilung selbstständig via Webseite Eine e-mail mit Link für Einschreibung nur nach Belegung
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
MehrMedizinisches Beispiel
Problemstellung Stimmen zwei oder mehrere Beobachter in ihrer Einschätzung überein? (im engl.: rater agreement oder interrater agreement) Beispiel: Zwei Professoren beurteilen die Referate oder Seminararbeiten
MehrSchließende Statistik
Schließende Statistik Die schließende Statistik befasst sich mit dem Rückschluss von einer Stichprobe auf die Grundgesamtheit (Population). Die Stichprobe muss repräsentativ für die Grundgesamtheit sein.
MehrStatistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
MehrVII. Inhaltsverzeichnis
VII Inhaltsverzeichnis Vorwort XIII Teil 1 Datentypen 1 Datentypen 3 1.1 Kommt es wirklich darauf an? 3 1.2 Daten auf einer Intervallskala 3 1.3 Daten auf einer Ordinalskala 4 1.4 Daten auf einer Nominalskala
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
MehrAOM im Kindesalter. Pro und contra Therapie. Wilhelm Kaulfersch Samstag, 23. Januar 2010
AOM im Kindesalter Pro und contra Therapie Wilhelm Kaulfersch 23-01- Samstag, 23. Januar AOM im Kindesalter Pro und contra Therapie Wilhelm Kaulfersch 23-01- Samstag, 23. Januar Otitis media- Epidemiologie
MehrÜbung 4 im Fach "Biometrie / Q1"
Universität Ulm, Institut für Epidemiologie und Medizinische Biometrie, D-89070 Ulm Institut für Epidemiologie und Medizinische Biometrie Leiter: Prof. Dr. D. Rothenbacher Schwabstr. 13, 89075 Ulm Tel.
MehrNachgefragte Aufgaben über spezifische Themen
Nachgefragte Aufgaben über spezifische Themen Aufgabe, Quiz 5 Macht und Fehler er/2er Art Frage a) Angenommen, bei einem Binomialtest ist das Signifikanzniveau 5%. Die Macht ist dann 95% Antwort und Erklärtung
MehrÜbungen mit dem Applet Vergleich von zwei Mittelwerten
Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung
MehrMacht des statistischen Tests (power)
Macht des statistischen Tests (power) Realer Treatment ja Ergebnis der Studie H 0 verworfen statistisch signifikant O.K. Macht H 0 beibehalten statistisch nicht signifikant -Fehler Effekt nein -Fehler
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 16. Januar 2013 1 Allgemeine Hypothesentests Nullhypothese und Alternative Beispiel: Blutdrucksenker Testverfahren
MehrBrückenkurs Statistik für Wirtschaftswissenschaften
Peter von der Lippe Brückenkurs Statistik für Wirtschaftswissenschaften Weitere Übungsfragen UVK Verlagsgesellschaft mbh Konstanz Mit UVK/Lucius München UVK Verlagsgesellschaft mbh Konstanz und München
MehrStichwortverzeichnis. Symbole
Stichwortverzeichnis Symbole 50ste Perzentil 119 A Absichern, Ergebnisse 203 Abzählbar unendliche Zufallsvariable 146 Alternativhypothese 237 238 formulieren 248 Anekdote 340 Annäherung 171, 191 Antwortquote
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Testverteilungen Chi-Quadrat-Verteilung Sind X 1,..., X n iid N(0; 1)-verteilte
MehrStudiendesign und Statistik: Interpretation publizierter klinischer Daten
Studiendesign und Statistik: Interpretation publizierter klinischer Daten Dr. Antje Jahn Institut für Medizinische Biometrie, Epidemiologie und Informatik Universitätsmedizin Mainz Hämatologie im Wandel,
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)
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
MehrKonfidenzintervalle. die anschauliche Alternative zum p-wert...
Konfidenzintervalle die anschauliche Alternative zum p-wert... Grundidee des Konfidenzintervalls Studie Realität Studienergebnis falsch-positiver Rückschluß??? Realität???? Studie 10 % Grundidee des Konfidenzintervalls
MehrBMJ2017;359:j4784. Journal Club Veronika Bättig
BMJ2017;359:j4784 Journal Club 29.01.2018 Veronika Bättig Hintergrund Harnwegsinfekte: 2.häufigste Ursache für Antibiotika- Verordnung in der Praxis Nutzen Risiko? Pilotstudie: Bleidorn J. et al., Symptomatic
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
MehrKlausur in Epidemiologie SS 2006 Freitag, den 14. Juli 2006
Klausur in Epidemiologie SS 2006 Freitag, den 14. Juli 2006 Name: Matrikelnummer: Unterschrift: Aufgabe 1: Odds Ratio Im Rahmen einer Studie wurden 20 Frauen mit Uteruskarzinom, die stationär behandelt
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
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
MehrProf. Dr. Rainer Koch Juli 1997, Februar 2008
Prof. Dr. Rainer Koch Juli 1997, Februar 2008 Hinweise zur biometrischen Planung der notwendigen Anzahl Patienten in klinischen Studien oder Anzahl Versuchstiere im Fall a) des Vergleichs von prozentualen
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
MehrOtitis media. Otitis media. Einteilung. ! akute Otitis media = AOM: mit klinischen Infektionszeichen
Otitis media Dr. Angela Galler Universitätsklinik und Poliklinik für Kinder und Jugendliche, Universität Leipzig Oststr. 21-25, 04317 Leipzig Otitis media Einteilung! akute Otitis media = AOM: mit klinischen
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrEpidemiologie / Biometrie
Wintersemester 2004 / 2005 Epidemiologie / Biometrie Robert Hochstrat 14. März 2005 Zusammenschrift der Übung zur Vorlesung aus dem WS 04/05 Rückfragen, Ergänzungen und Korrekturen an robert hochstrat@web.de
MehrFrühe Arzneimittel-Nutzenbewertung
Frühe Arzneimittel-Nutzenbewertung im Rahmen des AMNOG Auswirkung auf die Methodik vergleichender Nutzenbewertung Dr. Sandra Janatzek Fachbereich Evidenzbasierte Medizin Medizinischer Dienst des Spitzenverbandes
MehrEinführung in die Statistik zur Tierversuchsplanung
Einführung in die Statistik zur Tierversuchsplanung und -auswertung Prof. Peter Pilz Fachbereich Biologie So viele Tiere wie nötig, so wenig Tiere wie möglich Statistik Schließende Statistik Statistische
MehrMacht des statistischen Tests (power)
Macht des statistischen Tests (power) Realer Treatment ja Ergebnis der Studie H 0 verworfen statistisch signifikant O.K. Macht H 0 beibehalten statistisch nicht signifikant -Fehler Effekt nein -Fehler
MehrMultiples Testen wer hat schon immer nur eine Fragestellung?
Multiples Testen wer hat schon immer nur eine Fragestellung? 1 Lernziele - Gründe für Multiplizität nennen können - Das dahintersteckende Problem erklären können - Verschiedene Lösungsmöglichkeiten aufzählen
MehrGüteanalyse. Nochmal zur Erinnerung: Hypothesentest. Binominalverteilung für n=20 und p=0,5. Münzwurf-Beispiel genauer
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Güteanalyse Prof. Walter F. Tichy Fakultät für Informatik 1 Fakultät für Informatik 2 Nochmal zur Erinnerung: Hypothesentest Am Beispiel
MehrChancen und Risiken der digitalen Gesundheitsversorgung: Diagnose vor Therapie und Abwägung vor Versand
Chancen und Risiken der digitalen Gesundheitsversorgung: Diagnose vor Therapie und Abwägung vor Versand Prof. Dr. Franz Porzsolt Versorgungsforschung an der Klinik für Allgemein-und Viszeralchirurgie,
MehrMeta-Analyse seltener Medikamenten- Nebenwirkungen aus heterogenen klinischen Studien. Ekkehard Glimm, Novartis Pharma IQWIG im Dialog, 17 Juni 2011
Meta-Analyse seltener Medikamenten- Nebenwirkungen aus heterogenen klinischen Studien Ekkehard Glimm, Novartis Pharma IQWIG im Dialog, 17 Juni 2011 Einführung Zunehmende Bedeutung von Meta-Analysen für
MehrWiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)
Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrDossier zur Nutzenbewertung Modul 4 A Stand:
Tabelle 4-226: Ergebnisse des ITC für FF/UMEC/VI vs. BDP/FF/GB; nabbruch wegen unerwünschter Ereignisse ITT-Population (Beobachtungszeitraum 24 Wochen in der CTT116853 (FULFIL) und 52 Wochen in CTT116855
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2016
Signifikanzprüfung Peter Wilhelm Herbstsemester 2016 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha-Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrKlausur in "Biomathematik" WS 2007 / 2008 Montag, den 28. Januar 2008
Klausur in "Biomathematik" WS 2007 / 2008 Montag, den 28. Januar 2008 Name: Matrikelnummer: Unterschrift: Aufgabe 1: Bei einer klinischen Therapiestudie wird bei allen Patienten der Wert eines quantitativen
MehrLösungen zur Biomathe-Klausur Gruppe C Montag, den 16. Juli 2001
Lösungen zur Biomathe-Klausur Gruppe C Montag, den 16. Juli 2001 1. Normalverteilung Der diastolische Blutdruck bei einer Gruppe von jungen Männern ist normalverteilt mit einem Erwartungswert von 65 mmhg
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
MehrGrundlagen sportwissenschaftlicher Forschung Deskriptive Statistik 2 Inferenzstatistik 1
Grundlagen sportwissenschaftlicher Forschung Deskriptive Statistik 2 Inferenzstatistik 1 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Rückblick: Besonders wichtige Themen Wissenschaftstheoretischer
Mehr1. Zusatznutzen des Arzneimittels im Verhältnis zur zweckmäßigen Vergleichstherapie
Fidaxomicin Beschluss vom: 4. Juli 2013 gültig bis: unbefristet In Kraft getreten am: 4. Juli 2013 BAnz AT 02.08.2013 B7 Zugelassenes Anwendungsgebiet1 (Stand Januar 2013): DIFICLIR ist indiziert bei Erwachsenen
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrTHEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ
WEBINAR@LUNCHTIME THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ EINLEITENDES BEISPIEL SAT: Standardisierter Test, der von Studienplatzbewerbern an amerikanischen Unis gefordert
MehrModul 141 Statistik. 1. Studienjahr 11. Sitzung Signifikanztests
Modul 141 Statistik 1. Studienjahr 11. Sitzung Signifikanztests Inhalt der 11. Sitzung 1. Parametrische Signifikanztests 2. Formulierung der Hypothesen 3. Einseitige oder zweiseitige Fragestellung 4. Signifikanzniveau
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrPrüfung aus Statistik 2 für SoziologInnen
Prüfung aus Statistik 2 für SoziologInnen 11. Oktober 2013 Gesamtpunktezahl =80 Name in Blockbuchstaben: Matrikelnummer: Wissenstest (maximal 16 Punkte) Kreuzen ( ) Sie die jeweils richtige Antwort an.
Mehr