Grafiken. Session 4. > plot(x,y, xlab=, ylab= sin(x), main= Steps, Type 2, type= S )
|
|
- Ludo Schmidt
- vor 6 Jahren
- Abrufe
Transkript
1 Grafiken Session 4 1 Grundlegendes Bei der Analse von Daten sind Grafiken ein wichtiges Werkzeug. Viele Eigenschaften von Datensamples ((Auto)-Korrelationen, nicht lineare Zusammenhänge, mögliche Verteilungen,... ) offenbaren sich bereits in entsprechenden Plots. R bietet eine Vielzahl von Möglichkeiten Daten grafisch zu analsieren. Die Elementarste Funktion ist hierbei plot(,, tpe, main, sub, lab, lab), welche die Punkte ( i, i ) im R 2 darstellt. Hierbei können über main und sub die Über- bzw. Unterschriften gesteuert werden. Die Optionen lab und lab liefern die Möglichkeit die Achsenbeschriftungen zu ändern, während die Option tpe die Art des Plots festlegt (sollen Punkte, Linien oder Stufen gezeichnet werden, siehe help(lines) für Details). Mit dem Befehl par(... ) können eine Vielzahl an weiteren Parametern eingestellt werden (Schriftarten und Größen, Achsenkontrolle, Achsenbeschriftung, Dicke der Linien,... ). Ein Beispiel für die Änderung eines solchen Argumentes ist par(mfrow=c(,)), welches das Plotfenster in ein Gitter von mal Unterplots aufteilt. Folgende Befehle erzeugen zum Beispiel die Grafik in Abbildung 1 > <- 1:10 > <- sin( * 2 * pi/10) > par(mfrow=c(2,2)) > plot(,, lab=, lab= sin(), main= Points (Default) ) > plot(,, lab=, lab= sin(), main= Lines, tpe= l ) > plot(,, lab=, lab= sin(), main= Steps, Tpe 1, tpe= s ) > plot(,, lab=, lab= sin(), main= Steps, Tpe 2, tpe= S ) In R sind Plots nicht interaktiv, d.h. ist eine Grafik erzeugt, so können im Nachhinein nur noch beschränkt Veränderungen durchgeführt werden. Das Formatieren des Plots ist lediglich über die entsprechenden Befehle und deren Parameter möglich. Grafiken können aus R in Files gespeichert werden - es stehen hierbei grundsätzlich eine Vielzahl von möglichen Formaten zur Verfügung. Gespeichert wird eine Grafik entweder 1. indem man mit der rechten Maustaste auf das Grafikfenster klickt und den entsprechenden Menüpunkt auswählt. Hierbei ist zu beachten, dass das Speichern in dieser Weise nur als PostScript möglich ist. 2. indem man die Grafik bereits als entweder Postscript, PDF, Jpeg,... initialisiert. Diese Option setzt voraus, dass ein Grafikfenster (eine device) mit einem dem Format entsprechenden Befehl geöffnet wird. Zum Beispiel > <- 1:10 > <- sin( * 2 * pi/10) > jpeg(file= mplot.jpg, width = 400, height = 400, qualit=100) > plot(,, lab=, lab= sin(), main= Points (Default) ) > dev.off() 1
2 Points (Default) Lines sin() sin() Steps, Tpe 1 Steps, Tpe 2 sin() sin() Abbildung 1: Verschiedene Lineplots erzeugt ein.jpeg File, das den entsprechenden Plot zeigt, 400 Piel hoch und breit ist und in bestmöglicher Qualität gespeichert wurde. Für weitere Optionen des jpeg() Befehles siehe die Online- Hilfe. Wichtig ist hierbei, dass die device auf die gezeichnet wird (hier die Datei mplot.jpg) am Ende mit dev.off() geschlossen wird. Es sei darauf hingewiesen, dass es auch möglich ist mehrere devices gleichzeitig zu bearbeiten. In diesem Fall benötigt man einige Funktionen, um zwischen den devices zu wechseln (dev.set()), sich die aktive device anzeigen (dev.cur()) zu lassen und so weiter. Auf ähnliche Weise wie oben beschrieben lassen sich nun auch Bilder in anderen Formaten speichern (siehe die Befehle: pdf(... ), postscript(... ), bmp(... ),... ). 2
3 2 Spezielle Plots 2.1 Histogramme Zur Visualisierung von diskreten Verteilungen werden oft Histogramme benutzt. In R können Histogramme mit dem Befehl hist(, breaks, freq,... ) erzeugt werden. Hierbei können eine Vielzahl von Parametern eingestellt werden (siehe Hilfe bzw nachfolgendes Beispiel und Abbildung 2). > par(mfrow=c(2,2)) > <- rnorm(10000)*10 > hist(,freq=true,breaks=3,densit=5,angle=135,col= red,main=,lab= X N(0, 10) ) > hist(,freq=false,breaks=20,densit=10,angle=45,col= blue,main=,lab= X N(0, 10) ) > hist(,freq=false,breaks=-50:50,densit=10,angle=225,main=,lab= X N(0, 10) ) > hist(rnorm(10000)*10,freq=true,breaks= Sturges,main=,lab= X N(0, 10) ) 2.2 Bo Plots Hat man gruppierte Daten, kann man sich mit einem Bo Plot einen schnellen Überblick über die Verteilungen von bestimmten Variablen in den verschiedenen Gruppen verschaffen. Der Bo Plot visualisiert im Wesentlichen die Quartile der gruppierten Daten. Hierbei wird der Bereich zwischen erster und dritter Quartile durch eine bo dargestellt. Der Median (das zweite Quartil) ist als Line eingezeichnet. Alle Datenpunkte, die mehr als 1.5 mal dem Inter-Quartilsabstand von dem ersten Qunatil nach unten bzw dem dritten Quartil nach oben abweichen, werden als Ausreißer betrachtet und als Kreise über den sogenannten whiskers dargestellt. Die whisker (horizontalen Linien) markieren also die kleinsten bzw größten Werte in einer Gruppe, die noch nicht als ungewöhnlich groß bzw klein gewertet werden. Die Spezifikation welche Datenpunkte als Ausreißer betrachtet werden, kann im Funktionsaufruf geändert werden. Die R Funktion, welche Bo Plots erzeugt, ist boplot(,..., range = 1.5, notch = FALSE, names, horizontal = FALSE,... ). Die Funktion hat viele mögliche Parameter (siehe R Hilfe). Im nachfolgenden Beispiel werden gruppierte Daten (3 Gruppen) untersucht. Die Daten sind in dem Data Frame eperiment gespeichert, welches die drei Spalten: outcome, group, validit aufweist, gespeichert. Die Werte in outcome sind die zu visualisierenden Daten, die Werte in group beschreiben die Gruppenzugehörigkeit und die Einträge in der Spalte validit beschreiben, ob eine Beobachtung valide zustandegekommen ist (mögliche Werte: valid oder Invalid). > par(mfrow=c(2,2)) > boplot(outcome ~ group, eperiment, range = 1, outline=t, horizontal=f, col= red ) > boplot(outcome ~ group, eperiment, range = 1, outline=f, horizontal=t, col= green ) > boplot(outcome ~ group, eperiment, range = 1.5, outline=t) > boplot(outcome ~ group, eperiment, range = 1.5, subset=validit== Valid ) Das Ergebnis ist in der Abbildung 3 zu sehen. 2.3 qq-plots Ein qq-plot dient dazu die Quantile zweier Verteilungen zu vergleichen. Es werden hierbei die entsprechenden Quantile der beiden Verteilungen als zweidimensionale Datenpunkte aufgefasst und in einem 3
4 Frequenc Densit X~N(0, 10) X~N(0, 10) Densit Frequenc X~N(0, 10) X~N(0, 10) Abbildung 2: Histogramme 4
5 Abbildung 3: Boplots Diagramm dargestellt. Sind die beiden Verteilungen gleich, dann befinden sich die Punkte ungefähr auf der 45 Linie durch das Diagramm. An Abweichungen von dieser Linie kann erkannt werden, ob und wie sich die beiden Verteilungen unterscheiden. Die R-Funktion qqplot(,,... ) empfängt als Arguments im Wesentlichen die beiden Verteilungen gegeben durch Datenpunkte (Annahme: alle Wahrscheinlichkeiten gleich). Falls eine Verteilung mit einer Normalverteilung verglichen werden soll, kann alternativ auch die Funktion qqnorm(,... ) verwendet werden, welche nur ein Inputargument hat und die benötigten Quantile der Normalverteilung selbstständig berechnet. Das nachfolgende Beispiel (siehe Abbildung 4) zeigt einerseits ein Sample aus der Normalverteilung geplottet gegen die theoretischen Quantile der Normalverteilung und andererseits ein Sample aus einer t-verteilung geplottet gegen die theoretischen Quantile der Normalverteilung. Wenig überraschend zeigt sich bei dem ersten Bild eine gute Übereinstimmung der beiden Verteilungen während sich aus dem zweiten Plot ablesen lässt, dass das Sample aus der t-verteilung deutlich schwerer Enden hat als die Normalverteilung. 5
6 > par(mfrow=c(1,2)) > 1 <- rnorm(100) > <- qnorm( (1:100)/101) > qqplot(1, ) > ma <- ma(ma(1), ma()) > mi <- min(min(1), min()) > z <- (1:100)*(ma-mi)/100 - abs(mi) > lines(z,z,col= blue,lwd=2) > > 2 <- qt(runif(1000), df=5) > qqplot(2,) >... > lines(z,z,col= blue,lwd=2) Man beachte, dass R nicht selbstständig die Solllinie in das Diagramm einzeichnet. Bei Normalverteilten Daten kann dies mit dem Befehl qqline(... ) erreicht werden. Im allgemeinen Fall kann der selbe Effekt - wie oben geschehen - mit dem Lines Befehl erreicht werden, der nachträglich eine Linie in den Plot einfügt Abbildung 4: QQ-Plots 2.4 Scatterplots Scatterplots dienen dazu den Zusammenhang zwischen zwei Variablen grafisch darzustellen. Voraussetzung dafür ist das gemeinsame Realisierungen ( 1, 1 ),..., ( n, n ) eines Zufallsvektors (X,Y) vorliegen. Diese Paare werden in einem Scatterplot als Punkte im R 2 geplottet. Besteht ein eindeutiger Zusammenhang, ist das in der Regel an der Verteilung der Punkte zu erkennen. Scatterplots eignen sich besonders dafür, nicht lineare zusammenhänge zu erkennen, die durch die durch das gängige Zusammenhangsmaß Korrelation nicht oft nicht korrekt erkannt werden. Ein Scatterplot wird in R mit dem Befehl plot(... ) erzeugt. In Abbildung 5 sieht man vier unterschiedliche Scatterplots 1. der erste lässt keinerlei Zusammenhang zwischen den Variablen erkennen 6
7 [,1] [,2] Abbildung 5: Scatterplots 2. der zweite deutet auf einen quadratischen Zusammenhang der beiden Variablen hin 3. im dritten Plot ist eine lineare Abhängigkeit der beiden Variablen sichtbar 4. der vierte Plot zeigt ein nicht lineares (oszilierendes) Muster 2.5 Plotten von analtischen Funktionen Die meisten Diagrammtpen in R stellen eine Menge von Datenpunkten grafisch dar. Es gibt allerdings auch die Möglichkeit Funktionen, die in Analtischer Form gegeben sind zu zeichnen. Hierbei wir die Funktion curve(... ) verwendet. 7
8 > par(mfrow=c(2,2)) > curve(^3-3*, -2, 2) > curve(^2-2, add = TRUE, col = violet ) > curve(cos, -pi, 3*pi, col = blue ) > chipp <- function() sin(cos()*ep(-/2)) > curve(chipp, -8, 7, n=2001) > = rnorm(100) > hist(, prob=t) > curve(dnorm, -3,3, add=t, col= blue ) Als Argument wird der Funktion curve(... ) entweder eine Formel oder eine Funktion übergeben. Wird das Argument add auf true gesetzt, dann fügt R die gewünschte Kurve in die momentan aktive Grafik ein. Das Argument n legt fest wieviele Stützpunkte R beim Interpolieren der Funktion verwenden soll - je mehr Stützpunkte verwendet werden desto feiner ist die Grafik. Besonders bei sehr wilden Funktionen empfiehlt es sich eine große Zahl an Stützpunkten zu verwenden. Alternativ kann die Funktion splinefun(... ) verwendet werden um eine Spline interpolation einer Funktion zu erzeugen. 3 Beschriftung und Achsen Plots können durch entsprechende Befehle im Nachhinein verbessert werden. Es kann das Achsenverhalten kontrolliert, diverse Beschriftungen eingefügt und eine Legende hinzugefügt werden. Die wichtigsten Befehle hierzu sind: ais(... ), legend(... ), title(... ), mtet(... ), par(... ), prett(... ), Beispiele 1. Finde oder generiere Daten und verwende diese um drei verschiedene Plots auszuprobieren, die hier nicht besprochen wurden (zb: Pie-Charts, Barplot, Dotchart, 3D Scatterplots,... ) 2. Simuliere Zufallsdaten aus drei verschiedenen Normalverteilgungen und erstelle (a) ein Histogramm für jedes einzelne Sample (b) einen Boplot, der die Unterschiede zwischen den Samples verdeutlicht. 3. Wiederhole die Arbeitsschritte aus Aufgabe 2 mit verschiedenen Verteilungen anstatt mit verschiedenen Parametern. Verwende die Standardnormal-, Cauch-, Eponential-, Log-Normal-, Student s t- und eine uniforme Verteilung. Tipp: Zufallszahlen aus einer beliebigen Verteilung lassen sich mittels runif(... ) plus der entsprechenden Quantilsfunktion (inversen Verteilungsfunktion) generieren. 4. Vergleiche mittels eines QQ-Plots die theoretischen Quantile einer Standardnormalsverteilung mit (a) den empirisch ermittelten Quantilen der t-verteilung mit 1,3 bzw 5 Freiheitsgraden. (b) den empirisch ermittelten Quantilen der Eponentialverteilung (c) den empirisch ermittelten Quantilen einer Cauch Verteilung. 5. Ziehe k mal m Zufallszahlen aus einer Binomialverteilung mit den Parameter (n,p), wobei (a) k = 100, m = 100, p = 0.5 und n = 150 (b) k = 1000, m = 50, p = 0.1 und n = 150 (c) k = 500, m = 1000, p = 0.1 und n = 150 8
9 ^3 3 * cos () Histogram of chipp () Densit Abbildung 6: Plotten von Funktionen und bilde für jedes m-tupel die entsprechenden Mittelwerte. Vergleiche die Quantile der dadurch erhaltenen Datenpunkte mit den theoretischen Quantilen der Normalverteilungen, die gleiche Varianzen bzw Mittelwerte aufweisen wie die Verteilungen der aus denen simuliert wurde. 6. Lies die Hilfe zur Funktion densit(...). Generiere Beispieldaten, erstelle ein Histogramm von denselben und zeichne in dieses Dichteschätzer für die Daten ein. Eperimentiere mit verschiedenen Datensets bzw Einstellungen von densit(...) und erkläre die Funktionalität der Funktion anhand der präsentierten Beispiele. 9
Datenaufbereitung, Grafische Datenanalyse
Datenaufbereitung, Grafische Datenanalyse R-Übung 2 Statistik III für Nebenfachstudierende LMU WS 2013/14 David Rügamer 6. & 13. November 2013 Nach einer Vorlage von Toni Hilger (WS 11/12) und Arne Kaldhusdal
MehrHäufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln
Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder
MehrFormale Methoden der Ökonomik: Einführung in die empirische Wirtschaftsforschung
Übung Formale Methoden der Ökonomik: Einführung in die empirische Wirtschaftsforschung BACHELOR FT 2013 (HSU) Übung Emp. WiFo FT 2013 1 / 15 Datensätze Statistische Auswertungen gehen in den meisten Fällen
MehrKapitel 35 Histogramme
Kapitel 35 Histogramme In einem Histogramm können Sie die Häufigkeitsverteilung der Werte einer intervallskalierten Variablen darstellen. Die Werte werden zu Gruppen zusammengefaßt und die Häufigkeiten
MehrEine Einführung in R: Deskriptive Statistiken und Graphiken
Eine Einführung in R: Deskriptive Statistiken und Graphiken Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 28. Oktober 2010 Bernd
Mehr2 Zum Beginn der Diagrammerstellung müssen Sie den Datenbereich mit den Spalten- und Zeilenüberschriften markiert haben.
Diagramme Excel 2007 effektiv 6 DIAGRAMME Diagramme dienen dazu, Zahlenwerte grafisch darzustellen. Dazu stehen viele verschiedene Diagrammformen zur Verfügung, jeweils mit mehreren Varianten. Die automatisch
MehrEinführung in QtiPlot
HUWagner und Julia Bek Einführung in QtiPlot 1/11 Einführung in QtiPlot Mit Bezug auf das Liebig-Lab Praktikum an der Ludwig-Maximilians-Universität München Bei Fragen und Fehlern: jubech@cup.lmu.de Inhaltsverzeichnis
MehrEinführung in QtiPlot
HUWagner und Julia Bek Einführung in QtiPlot 30. Juni 2011 1/13 Einführung in QtiPlot Mit Bezug auf das Liebig-Lab Praktikum an der Ludwig-Maximilians-Universität München Inhaltsverzeichnis 1 Programmeinführung
MehrDr. Reinhard Vonthein, Dipl. Statistiker (Univ.)
Dr. Reinhard Vonthein, Dipl. Statistiker (Univ.) Reinhard.Vonthein@imbs.uni-luebeck.de Institut für Medizinische Biometrie und Statistik Universität zu Lübeck / Universitätsklinikums Schleswig-Holstein
MehrDatenvisualisierung mit JMP
Datenvisualisierung mit JMP Patrick René Warnat HMS Analytical Software GmbH Rohrbacherstr. 26 Heidelberg patrick.warnat@analytical-software.de Zusammenfassung Das JMP Paket ist ein Softwareprodukt der
MehrKurzeinführung in GNUPLOT
Kurzeinführung in GNUPLOT Johannes Schneider 9.12.2004 1 Einführung Gnuplot verfügt über ein gutes Hilfe-System: help Kommando Es ist ein sehr einfaches Programm, mit dem sich leicht Funktionen oder Daten
MehrWahrscheinlichkeit und die Normalverteilung. Jonathan Harrington
Wahrscheinlichkeit und die Normalverteilung Jonathan Harrington Der Bevölkerungs-Mittelwert 99 Stück Papier nummeriert 0, 1, 2, 99 Ich ziehe 10 davon und berechne den Mittelwert. Was ist der Mittelwert
Mehr6 Graphische Darstellungen mit Matplotlib
6 Graphische Darstellungen mit Matplotlib Matplotlib ist eine Bibliothek zur Erzeugung graphischer Darstellungen. In diesem Kapitel wird gezeigt, wie einfache 2D-Darstellungen zur Visualisierung von Daten
MehrKapitel 4. Grafiken in R. Vorlesung Programmieren in statistischer Software: R Sommersemester 2009
Vorlesung Programmieren in statistischer Software: R Sommersemester 2009 Kapitel 4, von R bereitgestellte,, Christian Foliengestaltung von Martin Dörr Inhalt dieses Abschnitts 1 Gruppierter Gruppierter
MehrZufallsauswahl mit R
Zufallsauswahl mit R Wie in der Vorlesung erwähnt, werden Zufallsstichproben mit Hilfe eines Computers erzeugt. In R kann der Befehl sample() verwendet werden, um aus einer Grundgesamtheit zufällige Elemente
MehrMATLAB: Kapitel 2 Grafiken
MTLB: Kapitel Grafiken MTLB verfügt über eine nahezu unüberschaubare nzahl von Möglichkeiten Grafiken zu erzeugen formatieren oder animieren. In diesem Kapitel werden wir die grundlegenden Werkzeuge für
MehrGrafiken mit R. Mike Kühne 1 R-Kurs
Grafiken mit R Mike Kühne 1 R-Kurs INHALTSVERZEICHNIS Inhaltsverzeichnis 1 Beispielgrafiken 3 1.1 Beispiel für einfache Grafiken.................. 3 1.2 Beispiel für komplexere Grafiken.................
MehrEinführung in Excel. Zur Verwendung im Experimentalphysik-Praktikum. für Studierende im Sem. P3
Einführung in Excel Zur Verwendung im Experimentalphysik-Praktikum für Studierende im Sem. P3 Fh Wiesbaden Fachbereich 10 - Phys. Technik Prof. H. Starke SS 2003 /2 I. Allgemein 1. Öffnen Sie das Programm
MehrVerknüpfen & Einbetten von Daten
Verknüpfen & Einbetten von Daten In Office haben Sie die Möglichkeit, Daten in mehreren Anwendungen gemeinsam zu nutzen. Dies geschieht entweder durch Verknüpfen oder durch Einbetten von Objekten (Diagramme,
MehrKapitel 1: Deskriptive Statistik
Kapitel 1: Deskriptive Statistik Grafiken 1 Statistische Kennwerte 5 z-standardisierung 7 Grafiken Mit Hilfe von SPSS lassen sich eine Vielzahl unterschiedlicher Grafiken für unterschiedliche Zwecke erstellen.
MehrEinfache statistische Auswertungen mit dem TI-Nspire
1. Neues Dokument und darin eine neue Seite anlegen Als Typ 6: Lists & Spreadsheet wählen. Darin die Messwerte in einer Spalte erfassen. Dies ergibt die Urliste. Wenn mehrere Messwerte vorliegen, die diejenigen,
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
MehrModul G Anmerkungen zur Hausaufgabe vom
Modul G 6.12.2007 Anmerkungen zur Hausaufgabe vom 22.11.07 Gewichtung zwischen eleganter und einfacher Programmierung finden (je nach Kenntnissen, Aufgabenstellung und Interesse an Programmierarbeit. Z.B.
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 2 28.02.2008 1 Inhalt der heutigen Übung Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben 2.1: Häufigkeitsverteilung 2.2: Tukey Boxplot 25:Korrelation
MehrTutorial 002 Erstellen von Diagrammen nach den Vorgaben des CD
Tutorial 002 Erstellen von Diagrammen nach den Vorgaben des CD Problem: Mit Excel erstellte Diagramm sind zwar zweckmäßig angelegt, sehen aber meist nicht sehr elegant aus. Das liegt an den schlecht abgestimmten
MehrAufbau von Hichert-Graphik Schritt für Schritt
Aufbau von Hichert-Graphik Schritt für Schritt Ausgangsdaten anlegen: o Sollte dann so aussehen: Umsatz Plan Ist Abweich. 60 40-20 o Details dazu: 4 Spaltenüberschriften eintragen: Plan, Ist, leer, Abweichung
MehrKapitel 1 Beschreibende Statistik
Beispiel 1.25: fiktive Aktienkurse Zeitpunkt i 0 1 2 Aktienkurs x i 100 160 100 Frage: Wie hoch ist die durchschnittliche Wachstumsrate? Dr. Karsten Webel 53 Beispiel 1.25: fiktive Aktienkurse (Fortsetzung)
MehrKapitel 38 Verteilungsdiagramme
Kapitel 38 Verteilungsdiagramme Mit Verteilungsdiagrammen können Sie grafisch untersuchen, inwieweit die Stichprobenverteilung einer Variablen mit einer theoretischen Verteilung übereinstimmt. So können
MehrÜbung Statistik I Statistik mit Stata SS07-21.05.2007 6. Grafiken und Wiederholung
Übung Statistik I Statistik mit Stata SS07-21.05.2007 6. Grafiken und Wiederholung Andrea Kummerer (M.A.) Oec R. I-53 Sprechstunde: Di. 15-16 Uhr Andrea.Kummerer@sowi.uni-goettingen.de Statistik mit Stata
MehrEinführung in Maple. Kap. 2: Graphik mit Maple. Graphik mit Maple. Stand Januar 2015 (Version 3.0) - F.Wünsch
Einführung in Maple Stand Januar 2015 (Version 3.0) - F.Wünsch Dieses Skript basiert auf Kursen von Julian Berwanger Martin Decker Thomas Pruschke Joachim Keller und Harald Dobler Florian Chmela und Roland
MehrDipl.-Volksw. Markus Pullen Wintersemester 2012/13
Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 8. Sitzung Konfidenzintervalle, Hypothesentests > # Anwendungsbeispiel
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
MehrAnleitung zur NMR Auswertung mit SpinWorks. SpinWorks 3.1.8, Copyright 2011, Kirk Marat, University of Manitoba
Anleitung zur NMR Auswertung mit SpinWorks SpinWorks 3.1.8, Copyright 2011, Kirk Marat, University of Manitoba erstellt von Inhaltsverzeichnis Allgemeines... 2 Bearbeitung von 1D Spektren... 4 Datei öffnen...
MehrHandbuch. für die. Erstellung von Mehrfarbstempeln. mit. Adobe Illustrator. (Deutsch)
Handbuch für die Erstellung von Mehrfarbstempeln mit Adobe Illustrator (Deutsch) 2008-02-05 illustrator_de.doc Seite 1 / 10 Inhalt 1. STEMPELVORLAGEN MIT ILLUSTRATOR ERSTELLEN... 3 1.1. E RSTELLEN EINER
MehrR-WORKSHOP II. Inferenzstatistik. Johannes Pfeffer
R-WORKSHOP II Inferenzstatistik Johannes Pfeffer Dresden, 25.1.2011 01 Outline Lösung der Übungsaufgabe Selbstdefinierte Funktionen Inferenzstatistik t-test Kruskal-Wallis Test Übungsaufgabe TU Dresden,
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrExcel 2010 Zwischenergebnisse automatisch berechnen
EX.031, Version 1.0 14.10.2013 Kurzanleitung Excel 2010 Zwischenergebnisse automatisch berechnen Wenn man in Excel mit umfangreichen Listen oder Tabellen arbeitet, interessiert vielfach nicht nur das Gesamtergebnis,
MehrMedizinische Biometrie (L5)
Medizinische Biometrie (L5) Vorlesung III Wichtige Verteilungen Prof. Dr. Ulrich Mansmann Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie mansmann@ibe.med.uni-muenchen.de
MehrTEXTEFFEKTE TEXTFELDER VERWENDUNG VON TEXTFELDERN. Markieren Sie den Text, und klicken Sie in der Registerkarte Start auf das Symbol
TEXTEFFEKTE Markieren Sie den Text, und klicken Sie in der Registerkarte Start auf das Symbol Texteffekte. Der Katalog klappt auf, und Sie können einen Effekt auswählen. Über Kontur, Schatten, Spiegelung
MehrIf something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra
If something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra If you torture your data long enough, they will tell you whatever you want to hear. James L. Mills Warum Biostatistik?
MehrZahlen auf einen Blick
Zahlen auf einen Blick Nicht ohne Grund heißt es: Ein Bild sagt mehr als 1000 Worte. Die meisten Menschen nehmen Informationen schneller auf und behalten diese eher, wenn sie als Schaubild dargeboten werden.
MehrGnuplot. Justin Simon Bayer. 12. Januar 2006
Gnuplot Justin Simon Bayer 12. Januar 2006 1 Inhaltsverzeichnis 1 Gnuplot? 3 1.1 Was ist das eigentlich?........................ 3 1.2 Ein Beispiel.............................. 3 1.3 Und noch eins.............................
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrArabische Ornamente in OpenOffice bearbeiten
Arabische Ornamente in OpenOffice bearbeiten OpenOffice ist eine frei erhältliche professionelle Software, die unter http://www.openoffice.org heruntergeladen werden kann, wenn sie nicht bereits auf dem
MehrVerteilungsfunktion und dquantile
Statistik 1 für SoziologInnen Verteilungsfunktion und dquantile Univ.Prof. Dr. Marcus Hudec Kumulierte Häufigkeiten Hinweis: Damit die Kumulation inhaltlich sinnvoll ist, muss das Merkmal zumindest ordinal
MehrKapitel 1: Deskriptive Statistik
Kapitel 1: Deskriptive Statistik Grafiken Mit Hilfe von SPSS lassen sich eine Vielzahl unterschiedlicher Grafiken für unterschiedliche Zwecke erstellen. Wir besprechen hier die zwei in Kapitel 1.1 thematisierten
MehrVon den vielen Möglichkeiten der Diagrammdarstellungen in MATHCAD sollen einige gezeigt werden.
5. Diagramme mit MATHCAD Von den vielen Möglichkeiten der Diagrammdarstellungen in MATHCAD sollen einige gezeigt werden. 5.. Erstellen eines Diagramms Das Erstellen eines Diagramms verläuft in mehreren
Mehr4. Erstellen von Klassen
Statistik mit Tabellenkalkulation 4. Erstellen von Klassen Mit einem einfachen Befehl lässt sich eine Liste von Zahlen auf die Häufigkeit der einzelnen Werte untersuchen. Verwenden Sie dazu den Befehl
MehrEinführung in SPSS. 1. Die Datei Seegräser
Einführung in SPSS 1. Die Datei Seegräser An 25 verschiedenen Probestellen wurde jeweils die Anzahl der Seegräser pro m 2 gezählt und das Vorhandensein von Seeigeln vermerkt. 2. Programmaufbau Die wichtigsten
MehrDaniel S. Steingrube 2010-05-14. Institut für Quantenoptik Leibniz Universität Hannover. steingrube@iqo.uni-hannover.de
exportieren en Daniel S. Steingrube Institut für Quantenoptik Leibniz Universität Hannover steingrube@iqo.uni-hannover.de 2010-05-14 exportieren en 1 2 exportieren 3 4 5 6 en Was ist gnuplot? exportieren
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrVersuchsauswertung mit Polynom-Regression in Excel
Versuchsauswertung mit Polynom-Regression in Excel Aufgabenstellung: Gegeben sei die in Bild 1 gezeigte Excel-Tabelle mit Messwertepaaren y i und x i. Aufgrund bekannter physikalischer Zusammenhänge wird
MehrDer Zentrale Grenzwertsatz
QUALITY-APPS Applikationen für das Qualitätsmanagement Der Zentrale Grenzwertsatz Autor: Dr. Konrad Reuter Für ein Folge unabhängiger Zufallsvariablen mit derselben Verteilung und endlichem Erwartungswert
MehrR starten (Arbeitsverzeichnis wählen, Workspace abspeichern, History abspeichern)
Zusammenfassung Sitzung 1: R installieren (wichtig für später: neue Versionen) R starten (Arbeitsverzeichnis wählen, Workspace abspeichern, History abspeichern) R-Konsole als Dialog, farbliche Darstellung,
MehrLineQuest-Leitfaden LineQuest Dialog-Portal. Generieren der LineQuest-Auswertungsdatei
LineQuest-Leitfaden LineQuest Dialog-Portal Generieren der LineQuest-Auswertungsdatei Copyright 2009 by LineQuest LineQuest Walter-Paetzmann-Str. 19 82008 Unterhaching E-Mail Internet info@linequest.de
MehrBeispiel für Anwendung: z-tabelle kann genutzt werden, um z.b. Poissonverteilung näherungsweise zu integrieren. Beispiel: wie wahrscheinlich ist es
Beispiel für Anwendung: z-tabelle kann genutzt werden, um z.b. Poissonverteilung näherungsweise zu integrieren. Beispiel: wie wahrscheinlich ist es beim radioaktiven Zerfall, zwischen 100 und 110 Zerfälle
Mehr9.1 Eine Gleichung mit einer Unbekannten exakt lösen x Beispiel 1: Die Gleichung x 2 = 4 lösen. solve( x / (x 2) = 4, x ); 8 3
MAPLE_Mini_09_V1-0.doc 9-1 9 Gleichungen 9.1 Eine Gleichung mit einer Unbekannten exakt lösen x Beispiel 1: Die Gleichung x 2 = 4 lösen. solve( x / (x 2) = 4, x ); 8 3 Beispiel 2: Lösen Sie die Gleichung
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
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung 2 Univariate deskriptive Statistik 3 Multivariate Statistik 4 Regression 5 Ergänzungen Explorative Datenanalyse EDA Auffinden von Strukturen
MehrStetige Wahrscheinlichkeitsverteilung
Stetige Wahrscheinlichkeitsverteilung Stetige Wahrscheinlichkeitsverteilung Gaußsche Normalverteilung [7] S.77 [6] S.7 ORIGIN µ : Mittelwert σ : Streuung :, 9.. Zufallsvariable, Zufallsgröße oder stochastische
Mehr3.2 Wurfparabeln. 3.2.1 Aufgabe. 3.2.1.1 Waagerechter Wurf. 3.2.1.2 Schiefer Wurf
3.2 Wurfparabeln 3.2.1 Aufgabe Berechnen Sie für verschiedene Wurfparabeln die zugehörigen Eigenschaften (Höhe h, Weg s, Geschwindigkeit v) in Abhängigkeit von der Zeit t (0 bis 10s) Stellen Sie dieergebnisse
MehrAnalog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.
Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit
MehrDynamisch unterrichten mit Excel
Reimund Albers Dynamisch unterrichten mit Excel Erstellen von Schiebereglern 1 Dynamisch unterrichten mit Excel oder: Wie erstelle ich einen Schieberegler in Excel? Beispiel: Demonstration der Abhängigkeit
MehrExcel-Anleitung zur Übung 1. Formeln in Excel (Auszug aus der MS Excel Hilfe)
Excel-Anleitung zur Übung 1 Diese Unterlage bezieht sich auf Excel 2003 (auf Deutsch), die Version, die auch im PC-Labor des WWZ zur Verfügung steht. Die Benutzeroberfläche kann in anderen Versionen der
MehrErstellen einer Formel
Software Erstellen einer Formel In Excel kann man individuelle Formeln erstellen, dabei wird eine Formel mit ein Gleichzeichen = eingeleitet. Man kann direkt in eine Zelle schreiben oder in dem dafür vorgesehen
MehrDiagramme aus Tabellen erstellen mit Calc (LibreOffice 4)
Voraussetzungen Es muss eine Tabelle vorliegen, in der die Zahlen, die grafisch dargestellt werden sollen, zusammenhängend markiert werden können. Beispiel: Es ist sinnvoll, zunächst die Zellen zu markieren,
MehrVerwenden von WordPad (Win7)
Verwenden von WordPad (Win7) WordPad ist ein Textverarbeitungsprogramm, mit dem Sie Dokumente erstellen und bearbeiten können. In WordPad können Dokumente komplexe Formatierungen und Grafiken enthalten.
Mehr1 Darstellen von Daten
1 Darstellen von Daten BesucherInnenzahlen der Bühnen Graz in der Spielzeit 2010/11 1 Opernhaus 156283 Hauptbühne 65055 Probebühne 7063 Ebene 3 2422 Next Liberty 26800 Säulen- bzw. Balkendiagramm erstellen
MehrVisio 2013. Grundlagen. Linda York. 1. Ausgabe, Oktober 2013
Visio 2013 Linda York 1. Ausgabe, Oktober 2013 Grundlagen V2013 2 Visio 2013 - Grundlagen 2 Einfache Zeichnungen erstellen In diesem Kapitel erfahren Sie wie Sie Shapes einfügen, kopieren und löschen was
MehrKleine Einführung in die lineare Regression mit Excel
Kleine Einführung in die lineare Regression mit Excel Grundoperationen mit Excel Werte mit Formeln berechnen Bsp.: Mittelwert und Standardabweichung Das $-Zeichen Beispielauswertung eines Versuches Daten
MehrAusbildungsziel: Erstellung eines Briefes mit Hilfe von Vorlagen
Ausbildungsziel: Erstellung eines Briefes mit Hilfe von Vorlagen 1. Grundlagen (Inhalt Menü) Einer der grundlegendsten Anwendungen des Computers ist die als Schreibmaschine! Im Gegensatz zur Schreibmaschine
MehrComputergrundkenntnisse und Programmieren, WS 11/12, Übung 7: Grafik
Computergrundkenntnisse und Programmieren, WS 11/12, Übung 7: Grafik Christof Gattringer (christof.gattringer@uni-graz.at) 1 // Programm zum Testen von Xwindows 2 // Kompilieren 32 bit: g++ -L/usr/lib
MehrTeil II: Einführung in die Statistik
Teil II: Einführung in die Statistik (50 Punkte) Bitte beantworten Sie ALLE Fragen. Es handelt sich um multiple choice Fragen. Sie müssen die exakte Antwortmöglichkeit angeben, um die volle Punktzahl zu
MehrAnalytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10
Analytische Statistik I Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Testen Anpassungstests (goodness of fit) Weicht eine gegebene Verteilung signifikant von einer bekannten
MehrExcel 2010. für Windows ISBN 978-3-86249-060-8. Peter Wies 1. Ausgabe, 11. Aktualisierung, November 2013. Grundlagen
Peter Wies 1. Ausgabe, 11. Aktualisierung, November 2013 Excel 2010 für Windows Grundlagen ISBN 978-3-86249-060-8 EX2010 10 Excel 2010 - Grundlagen 10 Diagramme erstellen und schnell gestalten In diesem
MehrAufbau von Hichert-Graphik Schritt für Schritt Für Office-Version Excel 2007
Aufbau von Hichert-Graphik Schritt für Schritt Für Office-Version Excel 2007 Ausgangsdaten anlegen: o Das sollte fertig so aussehen: Umsatz Plan Ist Abweich. 60 40-20 o Details dazu: Die leere Spalte ist
MehrDiagramme. Excel 2010 - Aufbau ZID/Dagmar Serb V.02/Okt 2015
Diagramme Excel 2010 - Aufbau ZID/Dagmar Serb V.02/Okt 2015 DIAGRAMME... 2 DIAGRAMM ERSTELLEN - BLITZVARIANTE... 2 DIAGRAMM ERSTELLEN - HERKÖMMLICH... 2 Säulendiagramm... 2 Kreisdiagramm... 4 DIAGRAMMTYP
MehrPowerPoint Unterrichtsskript WIHOGA Dortmund. 1 Einführung und Formatierung Verschiedenes Folienmaster Animationen...
PowerPoint 2007 Unterrichtsskript WIHOGA Dortmund 1 Einführung und Formatierung... 2 1.1 Start und Anwendungsfenster... 2 1.2 Folienlayouts... 2 1.3 Entwurfsvorlagen und Farbschema... 3 1.4 Texte und Grafiken
MehrBachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5
MehrANIMATION - GRUNDLAGEN
ANIMATION - GRUNDLAGEN Bei CAD-Programmen gibt es meist folgende Verfahren zur Erzeugung von : Festlegung von Schlüsselszenen, aus denen das Programm automatisch Zwischenbilder generiert ( Keyframing )
Mehr1.1 Erstellen von Anwenderdefinierten Symbolen
Dialog: NX6 Datei > Dienstprogramme > Anwenderdef. Symbol definieren File > Utilities > Define Custom Symbols Folgende Objekte können zur Erstellung der Anwenderdefinierten Symbole benutzt werden: Alle
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich
Mehr4. Kumulierte Häufigkeiten und Quantile
4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten Oft ist man nicht an der Häufigkeit einzelner Merkmalsausprägungen interessiert, sondern an der Häufigkeit von Intervallen. Typische Fragestellung:
MehrWord Grundkurs. Sommerkurs 2003
Word Grundkurs Sommerkurs 2003 Word Informatikkurs Sommer 2003 Seite 2 Inhalt: 1. Was ist Word? 3 2. Word starten und beenden 4 3. Begriffe: 4 3.1 Symbolleiste: 5 3.2 Menuleiste: 8 4. Dokument speichern:
MehrDiagramme aussagestark gestalten
Diagramme aussagestark gestalten Diagramme aussagestark gestalten von Ute Samenfink Excel bietet Ihnen eine Fülle an fertigen Diagrammvorlagen: Mit diesen Vorlagen setzen Sie Unternehmenszahlen und ihre
MehrGRAF-SYTECO. Handbuch. Zeichensatzgenerator für AT-Geräte. Erstellt: November 2004. SYsteme TEchnischer COmmunikation
GRAF-SYTECO Handbuch Zeichensatzgenerator für AT-Geräte Dokument: Status: H165A0 Freigegeben Erstellt: November 2004 SYsteme TEchnischer COmmunikation GRAF-SYTECO Gmbh & Co.KG * Kaiserstrasse 18 * D-78609
MehrStatistische Auswertung der Daten von Blatt 13
Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung
MehrWord 2013. Aufbaukurs kompakt. Dr. Susanne Weber 1. Ausgabe, Oktober 2013 K-WW2013-AK
Word 0 Dr. Susanne Weber. Ausgabe, Oktober 0 Aufbaukurs kompakt K-WW0-AK Eigene Dokumentvorlagen nutzen Voraussetzungen Dokumente erstellen, speichern und öffnen Text markieren und formatieren Ziele Eigene
MehrHandbuch ECDL 2003 Professional Modul 2: Tabellenkalkulation Kopieren, Einfügen und Verknüpfen von Daten
Handbuch ECDL 2003 Professional Modul 2: Tabellenkalkulation Kopieren, Einfügen und Verknüpfen von Daten Dateiname: ecdl_p2_02_02_documentation.doc Speicherdatum: 08.12.2004 ECDL 2003 Professional Modul
MehrKeine Panik vor Statistik!
Markus Oestreich I Oliver Romberg Keine Panik vor Statistik! Erfolg und Spaß im Horrorfach nichttechnischer Studiengänge STUDIUM 11 VIEWEG+ TEUBNER Inhaltsverzeichnis 1 Erstmal locker bleiben: Es längt
MehrBland-Altman-Plot in Excel 2010 erstellen
Bland-Altman-Plot in Excel 2010 erstellen 1. Sie berechnen für jedes Messwertpaar den Mittelwert der beiden Methoden nach der Formel: (messwert_verfahren1 + messwert_verfahren2)/2, im Beispiel =(A5+B5)/2:
MehrTrendlinien in Diagrammen (Excel 2010)
Trendlinien in Diagrammen (Excel 2010) Trendlinien in Diagrammen (Excel 2010)... 1 Allgemeines... 2 Informationen über Prognosen und das Anzeigen von Trends in Diagrammen... 3 AUSWÄHLEN DES PASSENDEN TRENDLINIETYPS
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
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.
Mehr3.4 Histogramm, WENN-Funktion
3.4 Histogramm, WENN-Funktion 3.4.1 Aufgabe Ausgehend von den Lösungen der zum Aufgabenkomplex 3.3, Absenkung (s. S. 106), aufgestellten Tabellen sollen weitere Elemente der MS-Excel-Programmierung genutzt
MehrUnterlagen zum Tutorium der Lehrveranstaltung. MATHEMATIK für NATURWISSENSCHAFTEN (STATISTIK) Christoph Huber FB Mathematik der Universität Salzburg
Unterlagen zum Tutorium der Lehrveranstaltung MATHEMATIK für NATURWISSENSCHAFTEN (STATISTIK) Christoph Huber FB Mathematik der Universität Salzburg Stand: 30. April 2008 INHALTSVERZEICHNIS I Inhaltsverzeichnis
MehrOnline Kartenquellen, Hintergründe für Trimble Geräte erstellen, Datenmasken erstellen
Online Kartenquellen, Hintergründe für Trimble Geräte erstellen, Datenmasken erstellen Online Ressourcen für Raster Daten: ArcGIS BaseMaps: Beispiel BingMaps Online Ressourcen für Raster Daten: ArcGIS
Mehr1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18
3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen
Mehr