Biometrisches Tutorial II
|
|
- Benedikt Engel
- vor 6 Jahren
- Abrufe
Transkript
1 Biometrisches Tutorial II Statistisches Testen Modellbildung Effektmaße Multiples Testproblem
2 EBM Evidenzgrade eojvrepvj
3 Das Zentrum für klinische Studien Kiel Ziel: Unterstützung (wissenschaftsinitiierter) klinischer Studien Leistungen 1. Beratungsgespräche Fortbildungen + Beratungen, Biometrie 2. Planung klinischer Studien 3. Durchführung klinischer Studien 4. Abschluss klinischer Studien (Auswertungen, Berichte, Abmeldungen) 5. Fortbildungen GCP-Kurse, Prüfarztkurse nach AMG und MPG, Medical Writing, English for Investigators 3
4 Statistische Analyse zwei qualitative Merkmale Typischerweise wird in Fall-Kontroll-Studien der Zusammenhang zwischen Exposition und Erkrankung untersucht Dazu wird retrospektiv an Individuen mit bekanntem Erkrankungsstatus (Fall/Kontrolle) der Expositionsstatus erhoben (Exposition ja/nein).
5 Herzinfarkt und Geschlecht Ist die Wahrscheinlichkeit einen Infarkt zu erleiden bei Männern und Frauen gleich? 40 Infarktpatienten, 40 Kontrollen
6 Herzinfarkt und Geschlecht Zielgröße Infarkt (ja/nein) Einflussgröße Geschlecht (m/w)
7 Herzinfarkt und Geschlecht 40 Infarktpatienten werden mit 40 Kontrollen verglichen Zielgröße: Infarkt ja/nein Einflussgröße: Geschlecht Fragestellung: Ist die Wahrscheinlichkeit einen Infarkt zu erleiden bei Männern und Frauen gleich? Nullhypothese: Infarkt und Geschlecht sind unabhängig
8 Herzinfarkt und Geschlecht
9 Herzinfarkt und Geschlecht Infarkt n=40 Kein Infarkt n=40 p männlich 25 (62.2%) [45.8%-77.7%] 28 (70.0%) [53.5%-83.43%]
10 Herzinfarkt und Geschlecht Nullhypothese Geschlecht und Infarkt sind unabhängig Y m w X Σ Unter der Nullhypothese erwartete Werte: e ij = = o i+ o o j = 26.5 Σ ( ) 2 Teststatistik χ = = kritische Werte c 0.95,1 =3.841 > => H 0 nicht ablehnen 2
11 χ 2 -Test Y 1... n Σ X 1... m o o 1m o n1 o nm o o +m Σ o 1+ o n+ o ++ Unter der Annahme, dass die Zeilen und Spalten unabhängig sind, beträgt die erwartete Zellhäufigkeit e ij = o i+ o o j Nullhypothese Teststatistik H 0 : X und Y sind unabhängig χ 2 = n m (o ij i = 1 j = 1 e ij e ij ) 2 kritische Werte c 1-α,ν "Anzahl Freiheitsgrade" ν=(n-1) (m-1)
12 Statistische Tests nominale Daten Studiendesign zwischen Individuen innerhalb von Individuen zwei Gruppen mehr als zwei Gruppen zwei Messungen mehr als zwei Messungen χ 2 -Test (Fishers exakter Test) χ 2 -Test (Fishers exakter Test) McNemar- Test Symmetrie- Test
13 Herzinfarkt und Blutdruck 40 Infarktpatienten werden mit 40 Kontrollen verglichen Zielgröße: Infarkt ja/nein Einflussgrößen: Blutdruck Fragestellung: Beeinflusst das Alter die Wahrscheinlichkeit für einen Herzinfarkt?
14 Statistische Analyse ein stetiges, normalverteiltes Merkmal Normalverteilung N(µ,σ2) mit µ=e(x) und σ2 = Var(x) f (x) = 1 σ 2π e ( x µ )2 2 σ2
15 Normalverteilung N(µ,σ 2 ) N(0,1) N(1,1) N(0,4) N(0,0.25)
16 Parameterschätzung Normalverteilung N(µ,σ 2 ) Parameter θ µ Erwartungswert Beobachtungen x 1,...,x n 1.23,4.81,7.55,... Schätzer θ ) x,...,x ) ( 1 n µ ˆ = x Stichprobenmittel
17 Wie repräsentativ ist die Kontrollgruppe? Es soll geprüft werden, ob sich der erwartete diastolische Blutdruck µ von den Kontrollpersonen vom erwarteten Blutdruck µ 0 = 80 mmhg bei Normalpersonen unterscheidet. H 0 : µ=µ 0 H A : µ µ 0
18 Wie repräsentativ ist die Kontrollgruppe? 95%-KI: [ ]
19 Statistische Analyse Ein-Stichproben-t-Test Zufallsvariable X N(µ,σ 2 ) beide Parameter unbekannt Hypothesen 0 H 0 : µ = µ A : µ µ 0 H (zweiseitig) Teststatistik T = X µ S 0 n kritische Werte t 1-α/2,n-1 (zweiseitig) H0 wird abgelehnt, falls t t 1 α/2,n 1
20 Statistische Analyse Ein-Stichproben-t-Test
21 Ablehnungsbereich Ablehnungsbereich H 0 verwerfen Statistisches Testen Vorgehensweise Annahmebereich H 0 verwerfen H 0 α/2 H 0 beibehalten α/2 c α/2 =-2.23 c 1-α/2 =2.23 t = 9.5 T
22 Statistisches Testen Vorgehensweise Die in den Daten einer Stichprobe enthaltene Information wird in der Teststatistik T, zusammengefasst. Der Annahmebereich des Tests enthält alle Werte von T, bei denen H 0 beibehalten wird. Der Ablehnungsbereich enthält alle Werte von T, bei denen H 0 verworfen wird. Annahme- und Ablehnungsbereich werden von den kritischen Werten begrenzt.
23 Statistisches Testen mögliche Fehler Das Signifikanzniveau (α) eines Tests ist die Wahrscheinlichkeit, einen Typ-I-Fehler zu begehen. Die Power (1-β) eines Tests ist die Wahrscheinlichkeit, einen Typ-II-Fehler zu vermeiden. Entscheidung H 0 Wahrheit H A H 0 beibehalten H 0 verworfen 1-α β α 1-β
24 Statistisches Testen p-wert Der p-wert ist die Wahrscheinlichkeit dafür, dass die Teststatistik T den beobachteten oder einen noch unwahrscheinlicheren Wert als t obs annimmt, wenn die Nullhypothese wahr ist. Er entspricht dem Signifikanzniveau, bei dem H 0 gerade eben verworfen würde. H 0 p T t obs
25 Statistische Analyse Verteilungsformen symmetrisch linkssteil rechtssteil bimodal
26 Ist der diast. Blutruck normalverteilt?
27 Statistische Analyse zwei stetige, nicht normalverteilte Merkmale
28 Statistische Analyse Box-Plot möglicher Ausreißer kleinster Wert im inneren Zaun größter Wert im inneren Zaun Ausreißer o * innerer Zaun 1.5 IQR ~ x 0.25 ~ x 0.50 IQR ~ x IQR innerer Zaun äußerer Zaun 3 IQR 3 IQR
29 Statistische Analyse zwei stetige, nicht normalverteilte Merkmale
30 Behandlung von Depressionen Zur Wirksamkeitsprüfung eines neuen Antidepressivums werden 10 klinisch depressive Patienten zufällig einer von zwei Gruppen zugeordnet. Gruppe A (5 Patienten) bekommt für 6 Monate das neue Medikament. Gruppe B bekommt ein Placebo. Am Ende der Studie wird der Zustand jedes Teilnehmers von einem verblindeten Psychiater auf einer Skala von 0-20 mit einem Score bewertet. Patient Score A 1 11 A 2 15 A 3 7 A 4 8 A 5 12 B 1 3 B 2 4 B 3 9 B 4 2 B 5 5 H 0 : Die Verteilung des Depressionsscores ist unter Verum die gleiche wie unter Placebo. H A : Die Verteilung des Depressionsscores ist unter Verum eine andere als unter Placebo.
31 Behandlung von Depressionen Wilcoxon-Rangsummentest Patient Score Rang Patient Rang A B 4 1 A B 1 2 A B 2 3 A B 5 4 A A 3 5 B A 4 6 B R(A i ) = = B R(B i ) = = 17 Teststatistik (maximale Rangsumme) W=38 kritischer Wert (zweiseitig) W 0.975,5,5 =37 B A 1 8 B A 5 9 B A 2 10 H 0 kann zum 5% Signifikanzniveau verworfen werden.
32 Risikofaktoren für Herzinfarkt HBDH Zielgröße Infarkt (ja/nein) Zigaretten Blutzucker Diabetes GOT Einflussgröße Blutdruck Cholesterin???
33 Risikofaktoren für Herzinfarkt 40 Infarktpatienten werden mit 40 Kontrollen verglichen Zielgröße: Infarkt ja/nein Einflussgrößen: Geschlecht, Alter, Blutdruck, Diabetiker, Cholesterin, Triglyzerid, HBDH, GOT, Zigaretten pro Tag Fragestellung: Welche Faktoren beeinflussen die Wahrscheinlichkeit für einen Herzinfarkt?
34 Risikofaktoren für Herzinfarkt Infarkt n=40 M 25 (62.2%) [ ]* Diabetes 3 (7.5%) [ ]* Rauchen 23(57.5%) [ ]* Kein Infarkt n=40 28 (70.0%) [ ]* 5 (12.5%) [ ]* 31 (77.5%) [ ]* diast. BD 98(95-105)** 93.63±9.1 [ ]* p Alter 54.0 ± ± 10.4? BMI 26 ( )** 25 ( )** 0.32 Blutzucker 96.9± ±45.3? *95%-Konfidenzintervall ** Erstes und drittes Quartil
35 Statistische Analyse zwei normalverteilte Merkmale Zufallsvariable X a N(µ a,σ 2 ) und X b N(µ b,σ 2 ) Hypothesen H : µ 0 H : µ µ µ a = b A a b (zweiseitig) Teststatistik T = X S a X pooled b n n a a + n n b b Ablehnungsbereich T t oder T t α/2,n + n 2 α / a b 2,n + n 2 1 a b (zweiseitig)
36 Statistische Analyse zwei normalverteilte Merkmale
37 Risikofaktoren für Herzinfarkt Infarkt n=40 M 25 (62.2%) [ ]* Diabetes 3 (7.5%) [ ]* Rauchen 23(57.5%) [ ]* Kein Infarkt n=40 28 (70.0%) [ ]* 5 (12.5%) [ ]* 31 (77.5%) [ ]* diast. BD 98(95-105)** 93.63±9.1 [ ]* p Alter 54.0 ± ± 10.4 <0.001 BMI 26 ( )** 25 ( )** 0.32 Blutzucker 96.9± ± *95%-Konfidenzintervall ** Erstes und drittes Quartil
38
39
40 Statistische Analyse parametrische versus nicht-parametrisch Viele statistische Tests machen implizite Annahmen über die den Daten zu Grunde liegende Verteilung. Solche Tests heißen "parametrisch". Statistische Tests, die keine oder nur schwache Annahmen über die den Daten zu Grunde liegende Verteilung machen, heißen "nicht-parametrisch".
41 Statistische Analyse parametrische versus nicht-parametrisch Die meisten parametrischen Tests setzen voraus, dass die Stichprobendaten normalverteilt sind. Wird diese Annahme verletzt, so ist der Test möglicherweise nicht "valide" (d.h. das Signifikanzniveau ist falsch). Viele parametrische Tests, insbesondere die für den Vergleich von zwei oder mehr Gruppen, setzen die Gleichheit der gruppenspezifischen Varianzen voraus ("Homogenität der Varianzen").
42 Statistische Analyse parametrische versus nicht-parametrisch Parametrische Tests gewinnen mehr Information aus Daten und haben daher für normalverteilte Daten mehr Power als nicht-parametrische. Im Fall der Normalität haben nicht-parametrische Tests etwa 95% der Power des entsprechenden parametrischen Tests.
43 Nichtparametrische Tests nicht normalverteilte Daten Studiendesign zwischen Individuen innerhalb von Individuen zwei Gruppen mehr als zwei Gruppen zwei Messungen mehr als zwei Messungen Wilcoxon- Rangsummen- Test Kruskal- Wallis-Test Wilcoxon- Vorzeichen- Rangtest Friedman-Test
44 Parametrische Tests normalverteilte Daten Studiendesign zwischen Individuen innerhalb von Individuen zwei Gruppen mehr als zwei Gruppen zwei Messungen mehr als zwei Messungen Zwei- Stichproben t-test Varianzanalyse (ANOVA) ANOVA mit Messwiederholungen Ein- Stichproben t-test
45 Statistische Modellbildung... beinhaltet die Analyse des funktionellen Zusammenhangs zwischen Zielgröße (abhängige Variable) und Einflussgrößen (unabhängigen Variablen), einschließlich der Adjustierung für unkontrollierbare Störgrößen.
46 Mortalität nach Herz-OP ZG: Überlebt (ja/nein) Vor-OPs (0,1,2, >2) Alter (Jahre) Geschlecht (m/w)
47 Lineare Regression Y: stetige Zielgröße X: stetige Einflussgröße Ε: Zufallsfehler Für Ε wird im Allgemeinen eine N(0,σ 2 )-Verteilung mit unbekanntem σ 2 unterstellt. Y = a + b x + Ε Diese Modellgleichung nennt man lineares Regressionsmodell, b heißt "Regressionskoeffizient"
48 Einfaches lineares Modelle 150 Körpergewicht (Pfund) y = a + bx Körpergröße (Zoll)
49 Regressionsmodelle lineare Regression exponentielle Regression logarithmische Regression y y y x x x y =a+b x y =a+e -b x y =a+b log(x)
50 Pearson Korrelationskoeffizient y r XY +1 y y r XY -1 x x x perfekt stark r XY 0 moderat r XY misst die Stärke und 0.50 r Richtung des XY <0.75 linearen Zusammenhangs zwischen X und Y. schwach r XY = r XY < r XY <0.50
51 Pearson Korrelationskoeffizient Signifikanztest Zufallsvariable X N(µ X,σ X2 ), Y N(µ Y,σ Y2 ) alle unbekannt Hypothesen H0 :rxy = 0 HA :rxy 0 H0 : rxy 0 H :r 0 A XY > (zweiseitig) (einseitig) Teststatistik Ablehnungsbereich T = rˆ n 2 1 rˆ XY 2 XY t oder α/2,n 2 T t 1 α/2,n 2 T T t 1 α,n 2 (einseitig) (zweiseitig)
52 Spearman Rang-Korrelationskoeffizient r XY = 0.85 ρ XY = y r XY = 1.00 ρ XY = x rg[y] rg[x]
53 Multiples lineares Modelle Y: stetige Zielgröße X 1,...,X k : Einflussgrößen Ε : Zufallsfehler Für Ε wird im Allgemeinen eine N(0,σ 2 )-Verteilung mit unbekanntem σ 2 unterstellt. Y = a + b x + b x b x k k + Ε Multiple lineare (und andere) Modelle erlauben die Schätzung der Regressionskoeffizienten b i unter Berücksichtigung von Störgrößen ("Adjustierung").
54 Verallgemeinertes lineares Modelle Y: stetige Zielgröße X 1,...,X k : Einflussgrößen G : Linkfunktion G[ E(Y)] = a + b x b x... b x k k für eine dichotome Zielgröße Y gilt: E(Y) = 0 P(Y=0)+1 P(Y=1) = P(Y=1) =π
55 Logistische Regression Verallgemeinertes Lineares Modell mit "logit" als Link-Funktion logit(x) logit(x) x = ln( 1 ) x x logit( π) = a + b + 1x1 + b2x bkxk
56
57 G[E(Y)] = x x x 3
58 Ergebnisse Mortalität nach Herz-OP Logistische Regression gestorben n=31 überlebt n=969 weiblich 15 (51.6%) 705 (72.8%) [ ] keinevor-op 1 2 >2 20 (64.5%) 4 (12.9%) 2 (6.5%) 5 (16.1%) 775 (80%) 114 (11.8%) 26 (2.7%) 54 (5.6%) OR [ ] Alter1 75 (70-80) 67 (56-73) [ ] p 0.03 <0.001 < 0.001
59 Effektmaße in Fall-Kontroll- und Kohortenstudie betroffen nicht betroffen gesamt exponiert a b nicht exponiert c d gesamt a+c b+d a+b c+d n
60 Effektmaße Kohortenstudie: Relatives Risiko betroffen nicht betroffen gesamt exponiert a b nicht exponiert c d gesamt a+c b+d a+b c+d n Aus den Inzidenzen a a folgt das relative Risiko A e n und + b Ne c + d Nn a /(a c /(c + + b) d) = ˆγ ˆγ e n c = ρˆ A
61 Effektmaße Fall-Kontroll-Studie: Odds-Ratio betroffen nicht betroffen gesamt exponiert a b nicht exponiert c d gesamt a+c b+d a+b c+d n Es lässt sich nur das Chancenverhältnis berechnen a/c b/d (N e A A e /An ) /(N A )... ˆγ ˆγ n /(1 ˆγ /(1 ˆγ e e e = = = n n n ) ) OR
62 Effektmaße in Fall-Kontroll- und Kohortenstudie OR = γ γ e n /(1 /(1 γ γ e n ) ) Wenn die Risiken γ e und γ n "hinreichend klein" für die gewählte Zeiteinheit sind, d.h. höchstens ein paar Prozent betragen, dann gilt OR = γ γ e n /(1 /(1 γ γ e n ) ) γ γ e n = ρ
63 Effektmaße Leukämie bei Kautschuk-Fabrikarbeiter exponiert betroffen nicht betroffen 7 11 gesamt 18 7 /51 OR = = 11 / nicht exponiert gesamt %KI: P < Chi-Quadrat-Test exponiert betroffen nicht betroffen gesamt 8728 ρˆ = 17/8728 1/11214 = nicht exponiert %KI: gesamt P < Chi-Quadrat-Test
64 Multiples Testen Problemstellung Wenn mehrere Nullhypothesen gleichzeitig jeweils zum Signifikanzniveau 5% getestet werden, dann kann die Wahrscheinlichkeit, mindestens eine wahre Nullhypothese fälschlicherweise zu verwerfen α*, sehr viel größer als 5% sein. Beispiel: 6 Nullhypothesen (NP) P(mindestens eine NP fälschlicherweise ablehnen)= 1-P(keine NP fälschlicherweise ablehnen) = = > 0.05
65 Fünf Naturheilmittel wurden in randomisierten, doppelt verblindeten und placebokontrollierten Studien an jeweils 100 Patienten hinsichtlich ihrer heilenden Wirkung bei Fingerwarzen untersucht. Teeblätter Besprechen Tarot ja nein Verum Placebo Ringelblume Naturheilmittel gegen Warzen ja nein Verum Placebo ja nein Verum Placebo χ 2 =0.184 (p=0.668) χ 2 =1.199 (p=0.157) χ 2 =0.200 (p=0.648) Pendel ja nein Verum 9 41 Placebo χ 2 =1.412 (p=0.235) ja nein Verum Placebo χ 2 = (p=0.028) BINGO!
66 Multiples Testen Bonferroni-Korrektur Werden k Nullhypothesen getestet, so gilt FWER α* nk α test Carlo Bonferroni ( ) Wird α test =α/n gewählt, so folgt daraus FWER α* kn α test = n α n k k = α
67 Naturheilmittel gegen Warzen Damit α* höchstens 5% ist, muss das testspezifische Signifikanzniveau nach Bonferroni-Korrektur α test =0.05/5=0.01 betragen, wozu ein kritischer Wert von χ ,1=6.635 gehört. Teeblätter Besprechen Tarot Ringelblume Pendel χ 2 =0.184 (p=0.668) χ 2 =1.999 (p=0.157) χ 2 =0.200 (p=0.648) χ 2 =1.412 (p=0.235) χ 2 =4.857 (p=0.028) Damit α* von höchstens 5% eingehalten wird, kann keine der H 0 verworfen werden.
68 Statistisches Testen Was man nicht tun sollte! 1. den Umfang einer Stichprobe so lange vergrößern, bis sich ein "signifikantes" Ergebnis einstellt 2. Daten nach auffälligen Resultaten durchsuchen und diese nachträglich für "signifikant" erklären. 3. auf Daten so lange verschiedene Tests anwenden, bis einer davon ein "signifikantes" Ergebnis liefert 4. das Signifikanzniveau nachträglich so an das Ergebnis anpassen, dass letzteres gerade eben "signifikant" wird 5. ein und dasselbe Experiment so lange wiederholen, bis es zu einem "signifikanten" Ergebnis führt 6. einem statistisch signifikanten Ergebnis automatisch auch wissenschaftliche Signifikanz zuschreiben Quelle: R. Hilgers, P. Bauer, V. Schreiber (2002) Einführung in die Medizinische Statistik
Schließende 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.
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrTesten von Hypothesen:
Testen von Hypothesen: Ein Beispiel: Eine Firma produziert Reifen. In der Entwicklungsabteilung wurde ein neues Modell entwickelt, das wesentlich ruhiger läuft. Vor der Markteinführung muss aber auch noch
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
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
MehrStatistische Tests zu ausgewählten Problemen
Einführung in die statistische Testtheorie Statistische Tests zu ausgewählten Problemen Teil 4: Nichtparametrische Tests Statistische Testtheorie IV Einführung Beschränkung auf nichtparametrische Testverfahren
MehrTest auf den Erwartungswert
Test auf den Erwartungswert Wir interessieren uns für den Erwartungswert µ einer metrischen Zufallsgröße. Beispiele: Alter, Einkommen, Körpergröße, Scorewert... Wir können einseitige oder zweiseitige Hypothesen
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
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
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
MehrBiomathematik für Mediziner, Klausur SS 2001 Seite 1
Biomathematik für Mediziner, Klausur SS 2001 Seite 1 Aufgabe 1: Von den Patienten einer Klinik geben 70% an, Masern gehabt zu haben, und 60% erinnerten sich an eine Windpockeninfektion. An mindestens einer
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
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrKATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert
KATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert 0. Das eigentliche Forschungsziel ist: Beweis der eigenen Hypothese H 1 Dafür muss Nullhypothese H 0 falsifiziert werden können Achtung!
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.
MehrTesten von Hypothesen
Elke Warmuth Humboldt-Universität zu Berlin Sommersemster 2010 1 / 46 2 / 46 1 Testen von Hypothesen 3 / 46 Signifikant, signifikant, signifikant,... 4 / 46 Signifikant, signifikant, signifikant,... 5
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 15 Statistische Testverfahren 15.1. Arten statistischer Test Klassifikation von Stichproben-Tests Einstichproben-Test Zweistichproben-Test - nach der Anzahl der Stichproben - in Abhängigkeit von
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
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
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 15 009 FernUniversität in Hagen Alle Rechte vorbehalten Fachbereich Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
Mehr3. Das Prüfen von Hypothesen. Hypothese?! Stichprobe Signifikanztests in der Wirtschaft
3. Das Prüfen von Hypothesen Hypothese?! Stichprobe 3.1. Signifikanztests in der Wirtschaft Prüfung, ob eine (theoretische) Hypothese über die Verteilung eines Merkmals X und ihre Parameter mit einer (empirischen)
MehrEntscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.1 4. Statistische Entscheidungsverfahren Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten Beispiel:
MehrSchließende Statistik: Hypothesentests (Forts.)
Mathematik II für Biologen 15. Mai 2015 Testablauf (Wdh.) Definition Äquivalente Definition Interpretation verschiedener e Fehler 2. Art und Macht des Tests Allgemein im Beispiel 1 Nullhypothese H 0 k
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws11/r-kurs/
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/453
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/453 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 19. Januar 2011 1 Nichtparametrische Tests Ordinalskalierte Daten 2 Test für ein Merkmal mit nur zwei Ausprägungen
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
MehrGlossar Biometrie / Statistik. Auszug für Fragebogen Fallzahlberechnung/-begründung
Glossar Biometrie / Statistik A Äquivalenztest Der Äquivalenztest beurteilt die Gleichwertigkeit von Therapien. Beim Äquivalenztest werden als Hypothesen formuliert: Nullhypothese H 0 : Die Präparate sind
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrÜberblick Hypothesentests bei Binomialverteilungen (Ac)
Überblick Hypothesentests bei Binomialverteilungen (Ac) Beim Testen will man mit einer Stichprobe vom Umfang n eine Hypothese H o (z.b.p o =70%) widerlegen! Man geht dabei aus von einer Binomialverteilung
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrExakter Binomialtest als Beispiel
Prinzipien des statistischen Testens Entscheidungsfindung Exakter Binomialtest als Beispiel Statistische Tests Nullhypothese Alternativhypothese Fehlentscheidungen Ausgangspunkt: Forschungshypothese Beispiele:.
MehrPrüfgröße: Ist die durch eine Schätzfunktion zugeordnete reelle Zahl (etwa Mittelwert 7 C).
Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Aus praktischen Gründen
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 / Übungsaufgaben Prof. Dr. Achim Klenke http://www.aklenke.de 13. Vorlesung: 10.02.2012 1/51 Aufgabe 1 Aufgabenstellung Übungsaufgaben Ein Pharmakonzern möchte ein neues Schlankheitsmedikament
MehrOnline-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung
Online-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung Abgaben: 92 / 234 Maximal erreichte Punktzahl: 7 Minimal erreichte Punktzahl: 1 Durchschnitt: 4 Frage 1 (Diese Frage haben ca. 0% nicht beantwortet.)
Mehr11. Nichtparametrische Tests
11. Nichtparametrische Tests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 In Kapitel 8 und 9 haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 19. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
MehrANalysis Of VAriance (ANOVA) 2/2
ANalysis Of VAriance (ANOVA) 2/2 Markus Kalisch 22.10.2014 1 Wdh: ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor X). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich
MehrTesten von Hypothesen, Beurteilende Statistik
Testen von Hypothesen, Beurteilende Statistik Was ist ein Test? Ein Test ist ein Verfahren, mit dem man anhand von Beobachtungen eine begründete Entscheidung über die Gültigkeit oder Ungültigkeit einer
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
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
MehrZwei kategoriale Merkmale. Homogenität Unabhängigkeit
121 Zwei kategoriale Merkmale Homogenität Unabhängigkeit 122 Beispiel Gründe für die Beliebtheit bei Klassenkameraden 478 neun- bis zwölfjährige Schulkinder in Michigan, USA Grund für Beliebtheit weiblich
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.7 und 4.8 besser zu verstehen. Auswertung und Lösung Abgaben: 71 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 5.65 Frage 1
MehrLösungen zur Biomathe-Klausur Gruppe A Montag, den 16. Juli 2001
Lösungen zur Biomathe-Klausur Gruppe A Montag, den 16. Juli 2001 1. Sensitivität und Spezifität In einer medizinischen Ambulanz haben 30 % der Patienten eine akute Appendizitis. 80 % dieser Patienten haben
MehrAufgabe 1. Der Pharmakonzern Sachse hat ein neues Medikament gegen Bluthochdruck entwickelt, dessen Wirkung überprüft werden sollte.
Aufgabe 1 Der Pharmakonzern Sachse hat ein neues Medikament gegen Bluthochdruck entwickelt, dessen Wirkung überprüft werden sollte. Zu diesem Zweck wurde 120 Probanden das neue Medikament verabreicht,
MehrHypothesentest, ein einfacher Zugang mit Würfeln
R. Brinkmann http://brinkmann-du.de Seite 4..4 ypothesentest, ein einfacher Zugang mit Würfeln Von einem Laplace- Würfel ist bekannt, dass bei einmaligem Wurf jede einzelne der Zahlen mit der Wahrscheinlichkeit
MehrVertiefung der. Wirtschaftsmathematik. und Statistik (Teil Statistik)
Selbstkontrollarbeit 1 Vertiefung der Wirtschaftsmathematik und Statistik (Teil Statistik) 18. Januar 2011 Aufgaben Aufgabe 1 Gegeben sei eine binomialverteilte Zufallsvariablen X mit den Parametern N
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
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrKapitel 13: Statistische Signifikanztests
Kapitel 13: Statistische Signifikanztests Motivation Bisher: Punkt- und Intervallschätzungen für unbekannte Parameter einer Verteilung, dabei keine Verwendung von Vorinformationen Jetzt: Vorinformationen/Vermutungen/Behauptungen
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrUm zu entscheiden, welchen Inhalt die Urne hat, werden der Urne nacheinander 5 Kugeln mit Zurücklegen entnommen und ihre Farben notiert.
XV. Testen von Hypothesen ================================================================== 15.1 Alternativtest ------------------------------------------------------------------------------------------------------------------
MehrMögliche Fehler beim Testen
Mögliche Fehler beim Testen Fehler. Art (Irrtumswahrscheinlichkeit α), Zusammenfassung: Die Nullhypothese wird verworfen, obwohl sie zutrifft. Wir haben uns blamiert, weil wir etwas Wahres abgelehnt haben.
MehrSchätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO
Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO 4. Dezember 2001 Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung
MehrVorbereitung auf 3. Übungsblatt (Präsenzübungen) - Lösungen
Prof Dr Rainer Dahlhaus Statistik 1 Wintersemester 2016/2017 Vorbereitung auf Übungsblatt (Präsenzübungen) - Lösungen Aufgabe P9 (Prognosen und Konfidenzellipsoide in der linearen Regression) Wir rekapitulieren
MehrKapitel VIII - Tests zum Niveau α
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Tests zum Niveau α Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Testsituationen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
Mehr1.6 Der Vorzeichentest
.6 Der Vorzeichentest In diesem Kapitel soll der Vorzeichentest bzw. Zeichentest vorgestellt werden, mit dem man Hypothesen bezüglich des Medians der unabhängig und identisch stetig verteilten Zufallsvariablen
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
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
MehrUnterlagen zu Fisher s Exact Test, Vergleich von Anteilswerten und logistischer Regression. Robin Ristl. Wintersemester 2012/13
Unterlagen zu Fisher s Exact Test, Vergleich von Anteilswerten und logistischer Regression Robin Ristl Wintersemester 2012/13 1 Exakter Test nach Fisher Alternative zum Chi-Quadrat Unabhängigkeitstest
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 möglicher Unterrichtsgang
Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige
MehrÜberblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrStatistische Modellbildung. De nihilo nihil
Statistische Modellbildung De nihilo nihil Kausalitätsbeziehungen Zielgröße Blutdruck Störgröße Nikotinkonsum Störgröße Körpergewicht Einflussgröße Koffeinkonsum ursächlich assoziiert Statistische Modellbildung...
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
MehrEin- und Zweistichprobentests
(c) Projekt Neue Statistik 2003 - Lernmodul: Ein- Zweistichprobentests Ein- Zweistichprobentests Worum geht es in diesem Modul? Wiederholung: allgemeines Ablaufschema eines Tests Allgemeine Voraussetzungen
Mehr6. Statistische Hypothesentests
6. Statistische Hypothesentests Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang X habe die unbekannte VF F X (x) Interessieren uns für einen unbekannten Parameter θ der Verteilung von
MehrHypothesentest. Ablehnungsbereich. Hypothese Annahme, unbewiesene Voraussetzung. Anzahl Kreise
Hypothesentest Ein Biologe vermutet, dass neugeborene Küken schon Körner erkennen können und dies nicht erst durch Erfahrung lernen müssen. Er möchte seine Vermutung wissenschaftlich beweisen. Der Biologe
MehrHypothesentests mit SPSS. Beispiel für einen t-test
Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle
MehrÜbungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg
Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten
MehrStatistischer Rückschluss und Testen von Hypothesen
Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2010 1 Tests für Erwartungswerte Teststatistik Gauß-Test Zusammenhang zu Konfidenzintervallen t-test
MehrKlausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik. 7. Februar 2008
L. Fahrmeir, G. Walter Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 7. Februar 8 Hinweise:. Überprüfen
MehrEinführung in die statistische Testtheorie II
1 Seminar: Simulation und Bildanalyse mit Java Einführung in die statistische Testtheorie II Guntram Seitz Sommersemester 2004 1 WIEDERHOLUNG 2 1 Wiederholung Grundprinzip: Annahme: Beobachtungen bzw.
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Kurze Zusammenfassung der letzten Vorlesung Schätzung und Modellentwicklung Überblick Statistische Signifikanztests
MehrTesten von Hypothesen
Statistik 2 für SoziologInnen Testen von Hypothesen Univ.Prof. Dr. Marcus Hudec Statistik für SoziologInnen 1 Testtheorie Inhalte Themen dieses Kapitels sind: Erklären der Grundbegriffe der statistischen
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrKapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests
Kapitel 10 Mittelwert-Tests 10.1 Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests 10.1 Einstichproben- Mittelwert-Tests 10.1.1 Einstichproben- Gauß-Test Dichtefunktion der Standard-Normalverteilung
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 1 24.2.214 Grundlagen zum Hypothesentest Einführung: Wer Entscheidungen zu treffen hat, weiß oft erst im nachhinein ob seine Entscheidung richtig war. Die Unsicherheit
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
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
MehrStatistik. R. Frühwirth Teil 1: Deskriptive Statistik. Statistik. Einleitung Grundbegriffe Merkmal- und Skalentypen Aussagen und
Übersicht über die Vorlesung Teil 1: Deskriptive fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable und Verteilungen Februar 2010 Teil
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 13 2010 FernUniversität in Hagen Alle Rechte vorbehalten Fakultät für Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
Mehr