Statistische Analyse eines multivariaten Continuation Ratio-Models mit Standardwerkzeugen
|
|
- Max Bauer
- vor 8 Jahren
- Abrufe
Transkript
1 Statistische Analyse eines multivariaten Continuation Ratio-Models mit Standardwerkzeugen Ein Regressionsmodell für korrelierte ordinale Daten Jürgen Wellmann Institut für Epidemiologie und Sozialmedizin, Universität Münster 20. November 2009
2 Hintergrund Altersabhängige Makuladegeneration Münsteraner Altern- und Retina Studie (MARS) Die»Werkzeuge«Alternating Logistic Regression Continuation Ratio Modell (CRM) Ein bivariates CRM Ein Beispiel aus MARS Versuch einer Simulation Erweiterungen Mehr als zwei Beobachtungen pro Cluster Wiederholte Cluster
3 Altersabhängige Makuladegeneration (AMD) Degenerative Erkrankung der Netzhaut, insbesondere der Makula (Gelber Fleck) Häuge Ursache von Einschränkungen der Sehfähigkeit in höherem Alter (in industrialisierten Ländern) Wird in verschiedene Stadien eingeteilt, etwa gesund, Frühform, Spätform Verlauf der Erkrankung: Verschlechterung von Stadium zu Stadium oder Stillstand, aber (unbehandelt) keine Verbesserung
4 Abbildung: Healthy retina
5 Abbildung: Early ARM with drusen
6 Abbildung: Late ARM (choroidal neovascularization)
7 Abbildung: Late ARM (geographic atrophy)
8 Abbildung: Range of vision of an AMD patient
9 Münsteraner Altern- und Retina Studie (MARS) Ziel Risikofaktoren für Fortschreiten der AMD identizieren Ort Münster und Umgebung Teilnmehmer 1,063 Probanden zu Anfang, 5882 Jahre alt Überwiegend Patienten aus Augenarztpraxen mit Anzeichen von AMD etwa 20% gesunde Probanden Ausschlusskriterium: Engwinkelglaukom Principal investigators Prof. Dr. Hense (Uni Münster), Prof. Dr. Pauleikho (St. Franziskus-Hospital Münster)
10 Erhebungen bei MARS MARS 1 Juni 2001 Nov. 2003, n = MARS 2 Nov Juni 2006, n = 828 MARS 3 Feb Ende 2009, n = 425+ Wiederholte Erhebungen an denselben Probanden Unter anderem Befundung des AMD-Status
11 Alternating Logistic Regression (ALR) Regressionsansatz für korrelierte binäre Zielvariablen aus dem Bereich Generalized Estimation Equation (GEE) Verwendet zwei Regressionsmodelle Generalisiertes Lineares Modell (GLM) für Eekt von festen Einussgröÿen auf Zielvariable Modell für Odds Ratios innerhalb der Cluster (entspricht der working correlation matrix bei GEE) [Carey et al., 1993]
12 Notation für ALR Binäre Zielvariablen Y ij (j-te Beobachtung aus Cluster i, i = 1,..., m, j = 1,..., n i ), Cluster unabhängig Einussvariablen x ij, Parametervektor β, Linkfunktion g (etwa g(u) = ln( u /1 u) = logit(u) logistische Regression). Einussvariablen z ijk, Parametervektor α OR i(j,k) = Pr(Y ij = 0, Y ik = 0) Pr(Y ij = 1, Y ik = 1) Pr(Y ij = 1, Y ik = 0) Pr(Y ij = 0, Y ik = 1) Modellgleichungen ALR g(pr(y ij = 1)) = x ij β, j = 1,..., n i ) ln (OR i(j,k) = z ijk α, j, k = 1,..., n i, j < k, i = 1,..., m
13 Unabhängige ordinale Beobachtungen [Moers, 1999]
14 Continuation Ratio Model (CRM) Modell für ordinale Zufallsvariable Y Diskrete Überlebenszeiten Hazardrate von Y ist h(s) = Pr(Y = s Y s). Cox [1972]: h(s) 1 h(s) = h 0(s) 1 h 0 (s) exp(x β) mit baseline hazard h 0 (s). Continuation Ratio model (Forward) Continuation Ratio c(s) = 1 h(s) = Pr(Y > s Y s) Modell logit(c(s)) = β s + x β oder mit anderer Linkfunktion g
15 Likelihood für CRM Ausprägungen von Y sind s = 1,..., C + 1. c(s) = Pr(Y s + 1 Y s), s = 1,..., C, c(c + 1) := 0 Pr(Y = s) = Pr(Y 1,..., Y s, Y < s + 1) Satz von der totalen Wahrscheinlichkeit = Pr(Y 1) Pr(Y 2 Y 1) Pr(Y 3 Y 2, Y 1) Pr(Y s Y s 1,..., Y 1) Pr(Y < s + 1 Y s,..., Y 1) s 1 = (1 c(s)) c(t), s = 1,..., C + 1. t=1
16 Berechnung des ML-Schätzers für CRM mittels»data expansion«seien Y 1,..., Y m unabhängige ordinale ZVen. Für Analyse mit CRM erstelle von jeder Beobachtung (Y i, x i ) Kopien mit bedingt unabhängigen Hilfsvariablen { 1, Y W i (s) = i > s 0, Y i = s, s = 1,..., min{c, Y i} als binären Zielvariablen und identischen Einussvariablen. Wende darauf GLM für unabhängige binäre Variablen an, wobei Stadium s weitere, kategorielle Einussvariable ist (sorgt für Parameter β s ).
17 Data expansion für Zielvariable mit vier Kategorien Stadium Y i s W i (1) W i (2) W i (3) 3 0 1
18 Zwei Beobachtungen pro Cluster
19 Odds Ratios für mehrere ordinale Zufallsvariablen Outcomes Y ij {1,..., C + 1}, i = 1,..., m, j = 1,..., n i OR i(j,k) (s, t) = Pr(Y ij = s, Y ik = t) Pr(Y ij > s, Y ik > t) Pr(Y ij > s, Y ik = t) Pr(Y ij = s, Y ik > t) i = 1,..., m, j, k = 1,..., n i, j < k, s, t = 1,..., C Clayton-Oakes cross-product ratios [Heagerty and Zeger, 2000]
20 Beispiel aus MARS Verteilung der AMD-Stadien nach Auge linkes rechtes Auge Auge gesund früh spät Summe gesund früh spät Summe ( ) ÔR(1, 1) = ( )(73 + 5) 73( ) ÔR(1, 2) = ( )5 6,3 22,7
21 Beispiel Mars, Odds Ratios roh rechts, t CRM+ALR links, s ,7 6,3 22,7 3,9 (95% KI) (15,533,2) (2,515,9) (15,533,2) (2,75,6) 2 2,2 3,9 1,7 3,9 (95% KI) (1,14,4) (2,75,8) (1,22,3) (2,65,8)
22 SAS-Code PROC GENMOD DATA=crm DESCENDING; CLASS id seite stage; MODEL worse = seite stage seite*stage / DIST=BIN; REPEATED SUBJECT=id / WITHINSUBJECT=seite*stage LOGOR=ZREP( (1 2) , /* Links >1, Links >2 */ (1 3) , /* Links >1, Rechts>1 */ (1 4) , /* Links >1, Rechts>2 */ (2 3) , /* Links >2, Rechts>1 */ (2 4) , /* Links >2, Rechts>2 */ (3 4) ); /* Rechts>1, Rechts>2 */ RUN;
23 Daten simulieren Vierfeldertafel: Aus Randhäugkeiten und Odds Ratio lassen sich die einzelnen W.-keiten berechnen (Dale, 1986) Random Walk Starte mit gesundem Augenpaar, Generiere Indikator für Verschlechterung links und Verschlechterung rechts anhand der W.-keiten einer Vierfeldertafel (s. o.) mit continuation ratios (als Randwahrscheinlichkeiten) und Odds Ratio aus Modell. Generiere weitere Verschlechterungen, wenn zugelassen Stopp, wenn keine Verschlechterung mehr zugelassen
24 Beispiel für Simulationslauf Berechne Pr(Y i1 = 1, Y i2 = 1), Pr(Y i1 = 1, Y i2 > 1), Pr(Y i1 > 1, Y i2 = 1), Pr(Y i1 > 1, Y i2 > 1). Erzeuge W i1 (1) und W i2 (1), etwa W i1 (1) = 0 und W i2 (1) = 1. Damit liegt Y i1 = 1 fest. Brauche Pr(Y i2 = 2 Y i2 2, Y i1 = 1) = Pr(Y i2 = 2, Y i1 = 1) Pr(Y i1 = 1) Pr(Y i2 > 2 Y i2 2, Y i1 = 1) = Pr(Y i2 > 2, Y i1 = 1) Pr(Y i1 = 1) Entscheide damit, ob weitere Verschlechterung von Y i2 möglich ist
25 Mehr als zwei Beobachtungen pro Cluster [Moers, 1999]
26 »Map data«psychologisches Experiment mit m = 89 Kindern Versuchsaufbau: Eine Reihe von Verstecken, in einem ist ein Spielzeug. Alle Verstecke sind auf Karte eingezeichnet, inklusive Lage des Spielzeugs Exposition: 43 Kinder erhalten auf Kopf stehende Karte, 46 korrekte Karte Outcome Y = s, Kind ndet Spielzeug bei Versuch s {1, 2, 3}; Y = 4: Nicht erfolgreich in drei Versuchen n i = 10 Durchgänge pro Kind Frage: Ändert sich Erfolg mit Anzahl der Durchgänge?
27 Modell für log-odds-ratios, identisch für alle (j, k) ( ) γ i(j,k) (s, t) = ln OR i(j,k) (s, t) j, k s, t γ(1, 1) γ(1, 2) γ(1, 3) γ(1, 1) γ(1, 2) γ(1, 3) γ(2, 1) γ(2, 2) γ(2, 3) γ(2, 1) γ(2, 2) γ(2, 3) 3 γ(3, 1) γ(3, 2) γ(3, 3) γ(3, 1) γ(3, 2) γ(3, 3) γ(1, 1) γ(1, 2) γ(1, 3) γ(2, 1) γ(2, 2) γ(2, 3) 3 γ(3, 1) γ(3, 2) γ(3, 3)
28 SAS-Code für Z-Matrix Sei n = max i n i der Umfang des gröÿten Clusters DATA zrep; ARRAY z { C, C } z11 - zcc; DO j=1 TO n ; DO s=1 TO C ; DO k=j TO n ; DO t=1 TO C ; IF (t>s OR k>j) THEN DO; DO u = 1 TO C ; DO v = 1 TO C ; IF k>j THEN z{u,v}=(u=s)*(v=t); ELSE z{u,v}=0; END; END; OUTPUT; END; END; END; END; END; RUN;
29 Modellierung der map data Modell für Outcome Unterschiedliche Intercepts für Stadium Quadratische Funktion von j = Nummer des Durchgangs Jeweils andere Parameter für Karte richtig herum und auf Kopf Modelle für Odds Ratios 1. γ(s, t) α 2. γ(s, t) = α 1 + α 2 s t 3. γ(s, t) = γ(t, s)
30 Ergebnisse Modell 1 Heagerty/Zeger CRM-ALR Schätzer StdErr Schätzer StdErr r0.c r0.c r0.c r0.trial r0.trial r1.c r1.c r1.c r1.trial r1.trial Alpha
31 Ergebnisse Modell 2 Heagerty/Zeger CRM-ALR Schätzer StdErr Schätzer StdErr r0.c r0.c r0.c r0.trial r0.trial r1.c r1.c r1.c r1.trial r1.trial Alpha Alpha
32 Ergebnisse Modell 3 Heagerty/Zeger CRM-ALR Schätzer StdErr Schätzer StdErr r0.c r0.c r0.c r0.trial r0.trial r1.c r1.c r1.c r1.trial r1.trial Alpha Alpha Alpha Alpha Alpha Alpha
33 Wiederholte Erhebungen an Probanden (Augenpaaren)
34 Ausblick MARS erhebt Cluster (Augenpaare) drei mal Modelliere serielle Korrelation durch Markow-Modell: Status zur letzten Ergebung ist Einussvariable für aktuelle Erhebung Erste Ergebung liefert somit keine Outcomes Da AMD irreversibel, fange Reiher der Indikatorvariablen für Verschlechterung immer erst bei Stadium der letzten Erhebung an ALR-Teil wie bisher
35 Diskussion Modell interessant, da continuation ratios interpretierbar, besonders bei irreversibler Erkrankung Modell erweiterbar mit Wechselwirkungen Stadium Einussvariablen Programmierung mit Standardsoftware scheint praktikable Approximation an Heagerty and Zeger [2000] zu sein. Genaueres noch unklar
36 V. Carey, S. L. Zeger, and P. Diggle. Modelling multivariate binary data with alternating logistic regressions. Biometrika, 80(3): , D. R. Cox. Regression models and life-tables (with discussion). J R Statist Soc B, 34(2):187220, P. J. Heagerty and S. L. Zeger. Multivariate continuation ratio models: Connections and caveats. Biometrics, 56(3):719732, Sept doi: /j X x. W. Moers. Die 13 1 /2 Leben des Käpt'n Blaubär. Eichborn Verlag, Frankfurt a. M., ISBN
Gemischte Modelle. Fabian Scheipl, Sonja Greven. SoSe 2011. Institut für Statistik Ludwig-Maximilians-Universität München
Gemischte Modelle Fabian Scheipl, Sonja Greven Institut für Statistik Ludwig-Maximilians-Universität München SoSe 2011 Inhalt Amsterdam-Daten: LMM Amsterdam-Daten: GLMM Blutdruck-Daten Amsterdam-Daten:
MehrName (in Druckbuchstaben): Matrikelnummer: Unterschrift:
20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrFortgeschrittene Statistik Logistische Regression
Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
Mehr2.Tutorium Generalisierte Regression
2.Tutorium Generalisierte Regression - Binäre Regression - Moritz Berger: 04.11.2013 und 11.11.2013 Shuai Shao: 06.11.2013 und 13.11.2013 Institut für Statistik, LMU München 1 / 16 Gliederung 1 Erweiterte
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrSudoku-Informatik oder wie man als Informatiker Logikrätsel löst
Sudoku-Informatik oder wie man als Informatiker Logikrätsel löst Peter Becker Hochschule Bonn-Rhein-Sieg Fachbereich Informatik peter.becker@h-brs.de Kurzvorlesung am Studieninformationstag, 13.05.2009
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
Mehr3. LINEARE GLEICHUNGSSYSTEME
176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrEin Vergleich von 2-Stichproben-Verfahren mit Berücksichtigung von Baselinewerten bei ordinalen Zielvariablen
Ein Vergleich von 2-Stichproben-Verfahren mit Berücksichtigung von Baselinewerten bei ordinalen Zielvariablen Alexander Siemer Abteilung Medizinische Statistik Universität Göttingen 47. Biometrisches Kolloquium
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrObjektorientierte Programmierung
Objektorientierte Programmierung 1 Geschichte Dahl, Nygaard: Simula 67 (Algol 60 + Objektorientierung) Kay et al.: Smalltalk (erste rein-objektorientierte Sprache) Object Pascal, Objective C, C++ (wiederum
MehrTheoretische Grundlagen der Informatik WS 09/10
Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
MehrBinäre Bäume. 1. Allgemeines. 2. Funktionsweise. 2.1 Eintragen
Binäre Bäume 1. Allgemeines Binäre Bäume werden grundsätzlich verwendet, um Zahlen der Größe nach, oder Wörter dem Alphabet nach zu sortieren. Dem einfacheren Verständnis zu Liebe werde ich mich hier besonders
MehrAnwendung eines SAS/STAT-Modells ohne SAS/STAT in einem CRM-Projekt
Poster Anwendung eines SAS/STAT-Modells ohne SAS/STAT in einem CRM-Projekt Timm Euler Tobias Otte viadee GmbH viadee GmbH Anton-Bruchausen-Str. 8 Anton-Bruchausen-Str. 8 48147 Münster 48147 Münster Timm.Euler@viadee.de
MehrMultinomiale logistische Regression
Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable
MehrMatrix42. Use Case - Sicherung und Rücksicherung persönlicher Einstellungen über Personal Backup. Version 1.0.0. 23. September 2015 - 1 -
Matrix42 Use Case - Sicherung und Rücksicherung persönlicher Version 1.0.0 23. September 2015-1 - Inhaltsverzeichnis 1 Einleitung 3 1.1 Beschreibung 3 1.2 Vorbereitung 3 1.3 Ziel 3 2 Use Case 4-2 - 1 Einleitung
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
MehrGibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero?
Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero? Manche sagen: Ja, manche sagen: Nein Wie soll man das objektiv feststellen? Kann man Geschmack objektiv messen? - Geschmack ist subjektiv
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrÜbungen 19.01.2012 Programmieren 1 Felix Rohrer. Übungen
Übungen if / else / else if... 2... 2 Aufgabe 2:... 2 Aufgabe 3:... 2 Aufgabe 4:... 2 Aufgabe 5:... 2 Aufgabe 6:... 2 Aufgabe 7:... 3 Aufgabe 8:... 3 Aufgabe 9:... 3 Aufgabe 10:... 3 switch... 4... 4 Aufgabe
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 12.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik
MehrElexis-BlueEvidence-Connector
Elexis-BlueEvidence-Connector Gerry Weirich 26. Oktober 2012 1 Einführung Dieses Plugin dient dazu, den Status Hausarztpatient zwischen der BlueEvidence- Anwendung und Elexis abzugleichen. Das Plugin markiert
MehrVergleichsklausur 12.1 Mathematik vom 20.12.2005
Vergleichsklausur 12.1 Mathematik vom 20.12.2005 Mit CAS S./5 Aufgabe Alternative: Ganzrationale Funktionen Berliner Bogen Das Gebäude in den Abbildungen heißt Berliner Bogen und steht in Hamburg. Ein
MehrArbeitsblätter. Sinnvolle Finanzberichte. Seite 19
Seite 19 Arbeitsblätter Seite 20 Dieses Arbeitsblatt wird Sie Schritt für Schritt durch das Verfahren von Finanzanalysen geleiten. Sie gehen von Ihren Finanzberichten aus egal wie einfach oder hoch entwickelt
Mehr15.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit
5.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit Einführendes Beispiel ( Erhöhung der Sicherheit bei Flugreisen ) Die statistische Wahrscheinlichkeit, dass während eines Fluges ein Sprengsatz an Bord
MehrDiabetische Netzhauterkrankung
Diabetes und Auge Diabetische Netzhauterkrankung Die diabetische Retinopathie ist die häufigste Erblindungsursache in der Bevölkerung zwischen dem 30. und 65. Lebensjahren in der westlichen Welt. Das Auftreten
MehrReproduzierbarkeit der Bachelor-Thesis
der Bachelor-Thesis Anonymisierungsverfahren: Randverteilungen und ihr statistisches Analysepotential Seminar Institut für Statistik Ludwig-Maxmilians-Universität in München Betreuung: Manuel J. A. Eugster
MehrNetzwerkversion PVG.view
Netzwerkversion PVG.view Installationshinweise Einführung Die Programm PVG.view kann zur Netzwerkversion erweitert werden. Die Erweiterung ermöglicht, bestehende oder neu erworbene Programmlizenzen im
MehrZAHLUNGSAVIS. Im Zahlungsprogrammteil automatisch erstellen
DIBU GS/XP Finanzbuchhaltung Erweiterung ZAHLUNGSAVIS Im Zahlungsprogrammteil automatisch erstellen Seite - 1 - von 8 Seite(n) Stand März 2005-03-28 Technische Hinweise: Geänderte Programme FIZAHL1, FIZAHL2,
MehrIn unserem Zentrum für Traditionelle Chinesische Medizin bieten wir folgende Sonderleistungen an: Augenakupunktur
In unserem Zentrum für Traditionelle Chinesische Medizin bieten wir folgende Sonderleistungen an: Raucherentwöhnungstherapie unerfüllter Kinderwunsch Therapie zur Gewichtsreduktion Augenakupunktur Diese
MehrErweiterung der Aufgabe. Die Notenberechnung soll nicht nur für einen Schüler, sondern für bis zu 35 Schüler gehen:
VBA Programmierung mit Excel Schleifen 1/6 Erweiterung der Aufgabe Die Notenberechnung soll nicht nur für einen Schüler, sondern für bis zu 35 Schüler gehen: Es müssen also 11 (B L) x 35 = 385 Zellen berücksichtigt
MehrLichtbrechung an Linsen
Sammellinsen Lichtbrechung an Linsen Fällt ein paralleles Lichtbündel auf eine Sammellinse, so werden die Lichtstrahlen so gebrochen, dass sie durch einen Brennpunkt der Linse verlaufen. Der Abstand zwischen
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrR. Brinkmann http://brinkmann-du.de Seite 1 30.11.2013 Schriftliche Übung Mathematik Stochastik II (Nachschreiber) Jan. 2007
R. Brinkmann http://brinkmann-du.de Seite 1 30.11.2013 Schriftliche Übung Mathematik Stochastik II (Nachschreiber) Jan. 2007 SG15/25D NAME: Lösungen 1. In einer Packung sind Glühbirnen, davon sind zwei
MehrAnleitung für die Online-Bewerbung über LSF auf Lehrveranstaltungen aller Lehramtsstudiengänge
Einloggen: Eingabe von Benutzername und Passwort Benutzername = Matrikelnummer (z.b. 999999) Passwort = Geburtsdatum (z.b. 31.12.1998) wird angezeigt als ********** Nach dem ersten Einloggen sollten sie
MehrEducase. Release Notes 1.7: Neue Funktionen und Verbesserungen. Base-Net Informatik AG Wassergrabe 14 CH-6210 Sursee
Educase Release Notes 1.7: Neue Funktionen und Verbesserungen Version: 1.0 Datum: 01.12.2015 08:34 Ersteller: Andreas Renggli Status: Abgeschlossen Base-Net Informatik AG Wassergrabe 14 CH-6210 Sursee
MehrHow to do? Projekte - Zeiterfassung
How to do? Projekte - Zeiterfassung Stand: Version 4.0.1, 18.03.2009 1. EINLEITUNG...3 2. PROJEKTE UND STAMMDATEN...4 2.1 Projekte... 4 2.2 Projektmitarbeiter... 5 2.3 Tätigkeiten... 6 2.4 Unterprojekte...
MehrMakigami Process Map Current State (Ist-Aufnahme) Prozess: Um welchen Prozess handelt es sich? Transfers Datenträger. Person bzw. Abteilung / Aktion
Wenn Abteilungen oder Firmen an diesem beteiligt sind von welchen die e nicht einsehbar sind, so sind diese Als "Black Box" zu sehen. Hier wird nur die Durchlaufzeit gerechnet und nicht die Aktions- und
MehrZertifikat in dakota einlesen Wie lese ich mein Zertifikat in dakota.le ein?
Wie lese ich mein Zertifikat in dakota.le ein? Seite 1 von 11 Inhaltsverzeichnis 1 Allgemeines zum Zertifikat 3 1.1 Sie haben verschiedene Möglichkeiten Ihr Zertifikat einzulesen 3 1.2 Gründe, warum Ihr
MehrMonte-Carlo-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011
Kevin Schellkes und Christian Hendricks 29.08.2011 Inhalt Der herkömmliche Ansatz zur Simulation logarithmischer Renditen Ansatz zur Simulation mit Copulas Test und Vergleich der beiden Verfahren Fazit
MehrBEDIENUNGSANLEITUNG: EINREICH-TOOL
BEDIENUNGSANLEITUNG: EINREICH-TOOL Bewerber können ihre maximal 60 Minuten langen Beiträge in neun Kategorien bis zum 07.04.2015 per Upload über die Website www.oesterreichischer-radiopreis.at einreichen.
MehrStatistische Analyse von Ereigniszeiten
Statistische Analyse von Survival Analysis VO Biostatistik im WS 2006/2007 1 2 3 : Leukemiedaten (unzensiert) 33 Patienten mit Leukemie; Zielvariable Überlebenszeit. Alle Patienten verstorben und Überlebenszeit
Mehrt r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r )
Definition B : Menge der binären Bäume, rekursiv definiert durch die Regeln: ist ein binärer Baum sind t l, t r binäre Bäume, so ist auch t =, t l, t r ein binärer Baum nur das, was durch die beiden vorigen
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Dipl. Inform. Andreas Wilkens 1 Organisatorisches Freitag, 05. Mai 2006: keine Vorlesung! aber Praktikum von 08.00 11.30 Uhr (Gruppen E, F, G, H; Vortestat für Prototyp)
MehrEffiziente Algorithmen und Datenstrukturen I. Kapitel 10: Lineare Algebra
Effiziente Algorithmen und Datenstrukturen I Kapitel 10: Lineare Algebra Christian Scheideler WS 2008 19.02.2009 Kapitel 10 1 Überblick Notation Arithmetik auf großen Zahlen (Addition und Multiplikation)
MehrSeminar Finanzmathematik
Seminar Finanzmathematik Simulationen zur Black-Scholes Formel Seite 1 von 24 Zufallszahlen am Computer 3 Gleichverteilte Zufallszahlen 3 Weitere Verteilungen 3 Quadratische Verteilung 4 Normalverteilung
MehrPCD Europe, Krefeld, Jan 2007. Auswertung von Haemoccult
Auswertung von Haemoccult Ist das positiv? Nein! Ja! Im deutschen Krebsfrüherkennungsprogramm haben nur etwa 1 % der Frauen und 1,5 % der Männer ein positives Haemoccult -Ergebnis, da dieser Test eine
MehrSeminar Finanzmathematik
Seminar Finanzmathematik Simulationen zur Black-Scholes Formel von Christian Schmitz Übersicht Zufallszahlen am Computer Optionspreis als Erwartungswert Aktienkurse simulieren Black-Scholes Formel Theorie
MehrKybernetik Braitenberg Vehikel
Kybernetik Braitenberg Vehikel Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uniulm.de 29. 05. 2012 Was ist Kybernetik? environment agent Kybernetik ermöglicht,
MehrChangePoint-Analysen - ein Überblick
ChangePoint-Analysen - ein Überblick Gliederung Motivation Anwendungsgebiete Chow Test Quandt-Andrews Test Fluktuations-Tests Binary Segmentation Recursive circular and binary segmentation algorithm Bayesscher
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrKosten-Leistungsrechnung Rechenweg Optimales Produktionsprogramm
Um was geht es? Gegeben sei ein Produktionsprogramm mit beispielsweise 5 Aufträgen, die nacheinander auf vier unterschiedlichen Maschinen durchgeführt werden sollen: Auftrag 1 Auftrag 2 Auftrag 3 Auftrag
MehrAllgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrKurzanleitung. Zuordnung eines Moodle-Kurses in TUMonline
Kurzanleitung Zuordnung eines Moodle-Kurses in TUMonline Inhalt 1 Allgemeine Informationen... 2 2 Kategorie elearning zuordnen... 2 3 Wo ist die Kategorie nach der Zuteilung zu finden?... 4 4 Wann wird
MehrHOW TO Heat Mapping mit EasyMap
HOW TO Heat Mapping mit EasyMap Sie möchten analysieren, ob sich Ihre Kunden räumlich clustern? Sie sind auf der Suche nach Hot Spots, um Schwerpunktregionen herauszuarbeiten und neue Zielgebiete für Ihre
MehrPrint2CAD 2017, 8th Generation. Netzwerkversionen
Installation der Netzwerkversion Kazmierczak Software Print2CAD 2017, 8th Generation Print2CAD 2017, 8th Generation Netzwerkversionen Einführung Installationshinweise Die Programme von Kazmierczak Software
MehrChristian FG Schendera. Regressionsanalyse. mit SPSS. 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG
Christian FG Schendera Regressionsanalyse mit SPSS 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG Inhalt Vorworte V 1 Korrelation 1 1.1 Einführung 1 1.2 Erste Voraussetzung: Das Skalenniveau
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
Mehre-books aus der EBL-Datenbank
e-books aus der EBL-Datenbank In dieser Anleitung wird erklärt, wie Sie ein ebook aus der EBL-Datenbank ausleihen und mit dem Programm Adobe Digital Edition öffnen. Folgende Vorraussetzungen sind eventuell
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
MehrOliver Kuß*; Dorothee Twardella**; Maria Blettner***; Thomas L. Diepgen**
Effektschätzung in Cluster-Randomized Trials mit binärer Zielgröße: Eine Sensitivitätsanalyse mit numerischer Integration, MCMC und NPMLE am Beispiel der DHP Oliver Kuß*; Dorothee Twardella**; Maria Blettner***;
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit sin() f() =. Aufgabe : ( VP) Berechnen Sie das Integral ( )
MehrKapitel 5: Dynamisches Programmieren Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrDokumentation. estat Version 2.0
Dokumentation estat Version 2.0 Installation Die Datei estat.xla in beliebiges Verzeichnis speichern. Im Menü Extras AddIns... Durchsuchen die Datei estat.xla auswählen. Danach das Auswahlhäkchen beim
MehrBearbeitungshinweise. (20 Punkte)
Bearbeitungshinweise - Es sind alle Aufgaben zu bearbeiten. - Als Hilfsmittel sind lediglich nicht programmierbare Taschenrechner erlaubt. - Die Klausur darf nicht auseinander genommen werden. - Sämtliche
MehrInformatik Aufgaben. 1. Erstelle ein Programm zur Berechnung der Summe der Zahlen von 1 bis n, z.b. n = 100.
Informatik Aufgaben 1. Erstelle ein Programm zur Berechnung der Summe der Zahlen von 1 bis n, z.b. n = 100. 2. Erstelle ein Programm, das die ersten 20 (z.b.) ungeraden Zahlen 1, 3, 5,... ausgibt und deren
Mehry 1 2 3 4 5 6 P (Y = y) 1/6 1/6 1/6 1/6 1/6 1/6
Fachhochschule Köln Fakultät für Wirtschaftswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@fh-koeln.de Übungen zur Statistik für Prüfungskandidaten und Prüfungskandidatinnen Unabhängigkeit
MehrSimulation LIF5000. Abbildung 1
Simulation LIF5000 Abbildung 1 Zur Simulation von analogen Schaltungen verwende ich Ltspice/SwitcherCAD III. Dieses Programm ist sehr leistungsfähig und wenn man weis wie, dann kann man damit fast alles
Mehr(Lineare) stochastische Optimierung
(Lineare) stochastische Optimierung Bsp: Aus zwei Sorten Rohöl wird Benzin und Heizöl erzeugt. Die Produktivität sowie der Mindestbedarf (pro Woche) und die Kosten sind in folgender Tabelle angegeben:
MehrKünstliches binäres Neuron
Künstliches binäres Neuron G.Döben-Henisch Fachbereich Informatik und Ingenieurwissenschaften FH Frankfurt am Main University of Applied Sciences D-60318 Frankfurt am Main Germany Email: doeben at fb2.fh-frankfurt.de
MehrKontingenzkoeffizient (nach Pearson)
Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen
MehrAufabe 7: Baum-Welch Algorithmus
Effiziente Algorithmen VU Ausarbeitung Aufabe 7: Baum-Welch Algorithmus Florian Fest, Matr. Nr.0125496 baskit@generationfun.at Claudia Hermann, Matr. Nr.0125532 e0125532@stud4.tuwien.ac.at Matteo Savio,
MehrAuswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro
Auswerten mit Excel Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro 1. Pivot-Tabellen erstellen: In der Datenmaske in eine beliebige Zelle klicken Registerkarte Einfügen
MehrBerufsunfähigkeit? Da bin ich finanziell im Trockenen.
Berufsunfähigkeit? Da bin ich finanziell im Trockenen. Unsere EinkommensSicherung schützt während des gesamten Berufslebens und passt sich an neue Lebenssituationen an. Meine Arbeitskraft für ein finanziell
MehrAufgaben zum Datenmanagement
Aufgaben zum Datenmanagement Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/10 Datentransformationen Berechnung neuer Variablen Berechne das Durchschnittsalter und die Durchschnittsgröße beider
MehrKlassenarbeit zu linearen Gleichungssystemen
Klassenarbeit zu linearen Gleichungssystemen Aufgabe : Bestimme die Lösungsmenge der Gleichungssysteme mit Hilfe des Additionsverfahrens: x + 4y = 8 5x y = x y = x y = Aufgabe : Bestimme die Lösungsmenge
MehrERNTEKETTE. Inhalt. Auf blauen Text tippen um zu einem Thema zu springen. Im Querformat lesen.
Inhalt Zutaten Wie funktioniert s? Anleitung Chef Anleitung Häcksler (LeitKFZ) Anleitung Transportfahrer Vorteile FeldLink und Erntekette Hotline Auf blauen Text tippen um zu einem Thema zu springen. Im
MehrMessgeräte: Mess-System-Analyse und Messmittelfähigkeit
Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 2009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung 2 Mess-System-Analyse 2.1 ANOVA-Methode 2.2 Maße
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrEin Einfaches AIDS Modell
Ein Einfaches AIDS Modell Martin Bauer: 990395 Guntram Rümmele: 99008 Das SIR - Modell Die Modellierung von epidemischen Modellen hat schon lange Tradition. Man hat schon immer versucht Erklärungen für
MehrBehörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik
Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrLV 1871 Basisrente Performer RieStar Sofortrente. Die Rente, die bis zu x-mal mehr leistet. Kundeninformation
LV 1871 Basisrente Performer RieStar Sofortrente Die Rente, die bis zu x-mal mehr leistet Kundeninformation Wie gesund gehen wir in Rente? Ein neuer Lebensabschnitt Gut vorgesorgt mit der extra-rente Für
Mehr