Einführung in Planung und Auswertung klinischer Prüfungen: Biometrische Grundlagen

Größe: px
Ab Seite anzeigen:

Download "Einführung in Planung und Auswertung klinischer Prüfungen: Biometrische Grundlagen"

Transkript

1 Einführung in Planung und Auswertung klinischer Prüfungen: Biometrische Grundlagen PD Dr. Thomas Sudhop PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 1

2 Klinische Prüfung Biomedizinisches Experiment mit Arzneimitteln am Menschen Versuch eine Aussage für eine Population zu generieren anhand von Daten, die aus einer Stichprobe aus der Population ermittelt wurden Fragestellung Klinische Relevanz? Stichprobe Repräsentativität? PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 2

3 Fragestellungen Klinischer Prüfungen Explorative Fragestellungen i.a. keine statistischen Tests Vorherige Festlegung sinnvoll Deskriptive Analytik Lagemaße, Streumaße (Konfidenzintervalle) Konfirmatorische Fragestellungen i.a. Anwendung statistischer Tests Vorherige Festlegung notwendig Primäre Zielgröße(n), sekundäre Zielgrößen PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 3

4 Beispiele für explorative Analysen Pharmakokinetik AUC, C max, t max, t 1/2 Häufig Geometrischer Mittelwert Bestimmung aus logarithmierten Werten Bestimmung einer Wirkdifferenz Mittelwert mit Streuungsparameter Bestimmung eines Verhältnisses Odd s Ratio (Risk/Hazard Ratios) PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 4

5 Konfirmatorische Fragestellungen Prüfung einer vorab festgelegten Hypothese Entscheidung, ob an der vorab festgelegten Hypothese festgehalten wird oder diese Hypothese verworfen werden muss, erfolgt auf der Basis einer experimentellen Beobachtung Die Daten der Beobachtungen sind Realisationen von Zufallsvariablen, daher besteht keine absolute Sicherheit, ob die Hypothese tatsächlich zutrifft oder nicht Mit Hilfe statistischer Test wird versucht die Wahrscheinlichkeit von Fehlentscheidungen zu kontrollieren PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 5

6 Falsifikationismus Annahme, dass Hypothesen sich niemals sicher beweisen lassen, aber gegebenenfalls widerlegen lassen Nach diesem Prinzip werden viele statistische Tests in der Medizin durchgeführt: Die Widerlegung einer fehlerhaften Hypothese führt zur Akzeptanz der Alternativ-Hypothese (in einem vollständigen Hypothesenmodell) D.h. viele Tests haben nicht den Beweis der H0- Hypothese zum Ziel, sondern deren Widerlegung PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 6

7 Hypothese 0) Das Mittel wirkt nicht (Falls man einen Effekt sieht, war dieser zufällig) 1) Das Mittel wirkt (Die beobachtete Wirkung war systematisch) Die beiden Hypothesen schließen sich aus Wenn die Hypothese unter 0) wahr ist, muss die alternative Hypothese unter 1) falsch sein, und umgekehrt Weicher formuliert: Wenn angenommen wird, die Null-Hypothese sei falsch, dann muss daraus gefolgert werden, die Alternativ-Hypothese PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 7

8 Konsequenzen einer Fehlentscheidung 0) Das Mittel wirkt nicht Der Angeklagte ist nicht schuldig 1) Das Mittel wirkt Der Angeklagte ist schuldig Welche Fehlannahme (welcher Irrtum) ist schlimmer? In der Rechtsprechung gilt: In dubio pro reo Im Zweifel für den Angeklagten Würde fälschlicherweise die Hypothese H0 widerlegt (verworfen), würde deshalb fälschlicherweise die Hypothese H1 als wahr angenommen ein Unschuldiger würde fälschlich verurteilt In der Medizin: Nihil nocere (Alles) nur nicht schaden! Würde fälschlicherweise die Hypothese H0 widerlegt (verworfen), würde deshalb fälschlicherweise die Hypothese H1 als wahr angenommen ein nicht wirksames Arzneimittel (mit möglicherweise drastischen Nebenwirkungen) würde fälschlicherweise als wirksam angesehen Keinen Nutzen aber ev. Schaden PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 8

9 Statistischer Test Hypothesengenerierung Untersuchung zum Einfluss einer medizinischen Intervention H 0 : Intervention hat keinen Einfluss auf Erkrankungsverlauf H 1 : Intervention hat einen Einfluss auf Erkrankungsverlauf Bezogen auf gemessene Differenzen einer Stichprobe (z.b. Vorher- Nachher-Vergleich) H 0 : Differenz ist nicht 0 verschieden H 1 : Differenz ist von 0 verschieden (Intervention hat Einfluss!) PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 9

10 Aufbau der Hypothesen Die Null-Hypothese (H 0 ) geht von keinem systematischen Unterschied aus. Falls Unterschiede gefunden werden, werden diese als zufällig und nicht als systematisch betrachtet Die Alternativ-Hypothese (H 1 / H A ) ist die logische Umkehrung der Null- Hypothese, d.h. es existiert ein systematischer Unterschied Gefundene Unterschiede sind nicht zufällig, sondern systematisch Null- und Alternativ-Hypothesen müssen sich gegenseitig ausschließen und alle Möglichkeiten abdecken Wenn H 0 falsch ist, muss H 1 wahr sein Wenn H 0 wahr ist, muss H 1 falsch sein PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 10

11 Experimentergebnis und Wirklichkeit 4 Möglichkeiten, wie Testergebnis und Wirklichkeit zusammentreffen können Das Experiment sagt das AM wirkt und es wirkt in auch Wirklichkeit RICHTIG POSITIV ( zu Recht Wirkung entdeckt ) Das Experiment sagt das AM wirkt, aber das AM wirkt in Wirklichkeit nicht FALSCH POSITIV ( zufällig eine Wirkung entdeckt, lag aber nicht am AM ) Das Experiment sagt das AM wirkt nicht und das AM wirkt auch in Wirklichkeit nicht RICHTIG NEGATIV ( zu Recht keine Wirkung gefunden ) Das Experiment sagt das AM wirkt nicht, aber das AM wirkt in Wirklichkeit FALSCH NEGATIV ( zufällig keine Wirkung entdeckt, obwohl es wirkt ) PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 11

12 Experiment Statische Fehler Fehler I. Art und II. Art AM wirkt! (H 1 ist wahr) AM wirkt nicht (Zufall)! (H 0 ist wahr) AM wirkt! (H 0 ablehnen) Richtig positiv (Power = 1-b) Falsch positiv (Fehler I. Art a-fehler) AM wirkt nicht (Zufall)! (H 0 beibehalten) Falsch positiv (Fehler I. Art a-fehler) Richtig negativ PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 12

13 Testergebnis und Wirklichkeit Statistische Fehler a-fehler (FALSCH POSITIVES TESTERGEBNIS) Eine Wirkung wird angenommen, wo keine ist H 0 -Hypothese wird abgelehnt, obwohl H 0 in Wirklichkeit wahr ist Es wird angenommen das Arzneimittel wirkt, obwohl? b-fehler (FALSCH NEGATIVES TESTERGEBNIS) Eine vorhandene Wirkung wird nicht erkannt H 0 -Hypothese wird akzeptiert, obwohl H 1 in Wirklichkeit wahr ist Es wird angenommen das Arzneimittel wirkt nicht, obwohl? Welcher Fehler ist schlimmer und ist daher eher zu vermeiden? PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 13

14 Signifikanz-Niveau Konsequenzen eines falsch-positiven Tests Uneffektive Behandlung Risiko ohne Nutzen ( Nihil nocere ) Kosten ohne Nutzen Fazit Das Risiko eines falsch positiven Tests ist zwar nicht vermeidbar, sollte aber vorher bekannt sein und durch vorherige Festlegung eines a-niveaus (Signifikanz-Niveaus) kontrolliert werden Festlegung der maximalen Wahrscheinlichkeit ein falsch positives Testergebnis zu akzeptieren (Irrtumswahrscheinlichkeit) Übliche Werte für a 0,05 (5%), 0,01 (1%), 0,001 (0,1%)... Das Signifikanz-Niveau muss vorher im Prüfplan festgelegt werden PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 14

15 Ablauf eines statistischen Tests Festlegung des Höchstwertes für den Fehlers 1. Art (α-fehler) Normalerweise Signifikanzniveau α < 0,05 (<5%) Festlegung der Hypothesen H0: AM wirkt nicht / H1: AM wirkt und Festlegung des stat. Verfahrens Datengenerierung in der klinischen Prüfung und Dateneingabe in Statistik-Programm Statistik-Programm liefert p-wert für die vorgegebene Test-Statistik und die eingegebenen Daten ja Ist der p-wert < α (0,05)? nein Testergebnis signifikant H0 wird verworfen H1 wird angenommen AM wirkt! Testergebnis nicht signifikant H0 wird beibehalten H1 wird nicht angenommen AM wirkt nicht! PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 15

16 Bedeutung des p-wertes Stat. Tests liefern einen p-wert, der in Relation zum vorher festgelegten Signifikanz- Niveau a die Entscheidung zur Annahme oder Ablehnung der Test-Hypothesen bewirkt Ist der p-wert kleiner als das zuvor festgelegte Signifikanz-Niveau a, wird die H0- Hypothese verworfen und H1-Hypothese angenommen Einfacher formuliert (Voraussetzung H0/H1 sind korrekt gewählt und a = 0,05): Ist p < 0,05 haben wir einen signifikanten Unterschied gefunden Ist p < 0,05 nehmen wir eine Wirkung des AM an! Ist p < 0,05 irren wir uns mit einer Irrtumswahrscheinlichkeit von höchstens 5%, dass das AM fälschlicherweise wirkt [falsch positiv] Würden wir 100 mal das Experiment (Studie) wiederholen, würden wir allerhöchstens in 5 Experimenten versehentlich eine Wirkung des AMs beobachten PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 16

17 Statistische Testverfahren PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 17

18 2-Stichproben-Tests Parametrisch Nicht-parametrisch Verbundene Daten (gepaart) Gepaarter t-test Wilcoxon signed-ranks Test unverbundene Daten t-test für unverbundene Daten Mann-Whitney U Test PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 18

19 Parametrische vs. nicht-parametrische Testung Bei der parametrischen Testung wird die gesamte Information, d.h. z.b. die absolute Differenz zum Lagemaß herangezogen Bei nicht-parametrischer Testung werden die Absolutwerte durch z.b. Rangwerte ersetzt, d.h. es wird nur noch die relative Position in einer Stichprobe zur Berechnung herangezogen, nicht aber die absolute Lage PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 19

20 Studie: Neue Tablette zur RR-Senkung Diastolischer Blutdruck (mmhg) vor Behandlung nach Behandlung Differenz PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 20

21 Studie: Neue Tablette zur RR-Senkung α = 0.05 (5%), gepaarter t-test Diastolischer Blutdruck (mmhg) vor Behandlung nach Behandlung Differenz p-wert (gepaarter t-test, 2-seitig) PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 21

22 Aussage des p-wertes Im Voraus definiertes Signifikanzniveau a = 0,05 Ermittelter p-wert im gepaarten t-test: p = 0,047 = 4,7/100 = 4,7% = 47/1000 p < 0,05 Interpretation des p-wertes Bei 1000-facher Wiederholung des Experiments würde bei 47 Experimenten eine Differenz von 3,18 mmhg oder mehr im diastolischen Blutdruck zufällig beobachtet werden, ohne dass das Arzneimittel tatsächlich wirkt Die Wahrscheinlichkeit, dass die im Experiment gefundene Differenz von 3,18 mmhg zufälliger Natur ist und nicht auf einem systematischen Effekt beruht, ist 4,7% (und damit kleiner als das vorher festgelegte Signifikanzniveau von 5%) Da der p-wert kleiner als das vorher festgelegte Signifikanzniveau a ist, wird der gefundene Unterschied nicht als zufällig sondern als systematisch betrachtet, d.h. wir sind hinreichend sicher, dass die gefundene Differenz auf den Effekten der Intervention basiert (Einnahme der neuen Tablette) und nicht eine zufällige Beobachtung darstellt Ein solche Differenz wird signifikant genannt, man spricht von einem signifikanten Unterschied PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 22

23 Abhängigkeit des p-wertes Umfang der Stichprobe ( Fallzahl ) Tatsächlicher Unterschied der Stichprobe Streuung in der Stichprobe PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 23

24 Studie: Neue Tablette zur RR-Senkung α = 0,05 (5%), gepaarter t-test, 2-seitig Vor Therapie Nach Therapie Differenz Differenz -3,18 p-wert (2-seitiger verbundener t-test) 0, PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 24

25 Studie: Neue Tablette zur RR-Senkung α = 0,05 (5%), gepaarter t-test, 2-seitig Vor Therapie Nach Therapie Differenz Differenz -3,30 p-wert (2-seitiger verbundener t-test) 0, Entfernung eines Datensatzes aus der Stichprobe führt trotz Zunahme der RR-Senkung (-3,30 vs. -3,18) zu einer Verschlechterung des p-wertes (p>0,05): Senkung des RR nicht mehr signifikant! PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 25

26 Einfluss der Fallzahl Eine zu geringe Fallzahl kann falsch negative statistische Testergebnisse bewirken (Fehler II. Art/b-Fehler) Experimente müssen die notwendige statistische Power aufweisen, um signifikante Ergebnisse liefern zu können Fazit: Beim Design eines Experiments ist eine Fallzahlabschätzung notwendig! PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 26

27 b-fehler und Statistische Power b-fehler Definition: Wahrscheinlichkeit H 0 nicht zu verwerfen, obwohl H 0 falsch ist z.b.: Obwohl µ PBO µ Z99 liefert der Test x PBO = x Z99 (falsch negatives Ergebnis) Statistische Power (1-b) Definition: Wahrscheinlichkeit H0 zu verwerfen, wenn H0 falsch ist, d.h. die Wahrscheinlichkeit eine reale Differenz auch als solche zu entdecken Vereinfacht: Wahrscheinlichkeit ein signifikantes Testergebnis zu erhalten (wenn ein signifikanter Unterschied besteht) PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 27

28 Vermeidung von b-fehlern: Power-Schätzung/Berechnung Power-Schätzung Wenn die statistische Power eines Studiendesigns nur 50% beträgt, wird jede 2. Studie mit diesen Parametern keine signifikanten Unterschiede anzeigen Konfirmatorische Studien: Power 80% Große Phase III Studien: 85-90% PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 28

29 GPOWER - Version 2.0 Franz Faul & Edgar Erdfelder Power & Fallzahl PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 29

30 n n n n Faktoren, die die Fallzahl beeinflussen Signifikanz-Niveau (a) Je niedriger das angestrebte a, um so höher die erforderliche Fallzahl Power (1-b) Je größer die gewünschte Power, um so höher die erforderliche Fallzahl a Geschätzte Differenz Je kleiner die nachzuweisende Differenz, um so höher die erforderliche Fallzahl Power Geschätzte Standardabweichung Je größer die Standardabweichung, um so höher die erforderliche Fallzahl x PBO - x Z99 SD PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 30

31 Fallzahlberechnung 1. Festlegung von a und gewünschter Power z.b. a = 0.05 (5%), power = 80% 2. Schätzung der nachzuweisenden Differenz Ist die Schätzung klinisch relevant? 3. Schätzung der erwarteten Varianz/Standardabweichung Möglichst realistische Werte aus vorangegangenen Experimenten oder der Literatur verwenden 4. Fallzahlberechnung durchführen (oder durchführen lassen!) Ist die geschätzte Fallzahl klinisch realisierbar? Ist die geschätzte Fallzahl adäquat zum klinischen Problem? Anpassung der Fallzahl an die geschätzte Drop-Out-Rate PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 31

32 Beispiel einer Fallzahlschätzung a = 5% Power = 80% Geschätzte Differenz & SD x PBO - x Z99 ~ 13 mmhg SD pooled ~ 16 Effektstärke = 13/16 = 0,8125 Fallzahlberechnung 2 x n = 50, n = 25 Antizipierte Drop out -Rate: 20% 30 Patienten pro Gruppe benötigt PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 32

33 Signifikant Relevant Unabhängig von der Teststatistik ist die klinische Relevanz der beobachteten Unterschiede zu bewerten Ist eine signifikante Senkung des diastolischen Blutdrucks von 0,9 mmhg wirklich auch klinisch relevant? Wie viele Patienten müssten im obigen Beispiel behandelt werden, um auch einen Schlaganfall zu verhindern? Umgekehrt: Ist ein nicht-signifikantes Ergebnis ohne Information? Ist eine Senkung des diastolischen Blutdrucks um 12 mmhg mit einem p-wert von p=0,055 in einer Studie mit 13 Patienten wirklich ein Beweis, dass das Arzneimittel nicht den Blutdruck senkt? PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 33

34 Konfidenzintervalle & Statistische Tests PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 34

35 Konfidenzintervalle x = 6 mmhg 95%-KI für einen Mittelwert: Das Intervall, in dem mit 95%iger Wahrscheinlichkeit der wahre Mittelwert liegt 3 mmhg x = 12 mmhg 9 mmhg 99%-KI: Das Intervall für einen Wert, in dem mit 99%iger Wahrscheinlichkeit der wahre Mittelwert liegt Die Breite des KI hängt ab Vom Stichprobenumfang: Je kleiner die Stichprobe umso größer das KI Von der Präzision des KI: 99%-KI ist breiter als 95%-KI 1 mmhg 13 mmhg x 1,96*SEM SEM SD n PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 35

36 Beispiele für Konfidenzintervalle Odd s Ratio (OR) für Depressionen in Abhängigkeit vom Geschlecht bei 2 Studien Bedeutung der OR > 1: Risiko ist für Frauen erhöht = 1: Risiko ist für Frauen gleich hoch < 1: Risiko ist für Frauen erniedrigt Studie A OR für Depressionen bei Frauen: 2,8; 95%KI: [1,4; 4,2] Studie B OR für Depressionen bei Frauen: 2,8; 95% KI:[0,9; 5,7] 1,4 4,2 0,9 5,7 1,0 2,8 PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 36

37 p-wert und Konfidenzintervall für Differenzen Mittlere Differenz -3,18 mmhg, Standardabweichung 4,76 mmhg 95%-Konfidenzintervall der Differenz [-5,94 ; -0,42 mmhg] Interpretation Bei 100 Stichprobenziehungen würde bei 95 die gefundene Differenz in dem Intervall von -5,94 bis -0,42 mmhg liegen Die wahre Differenz der Population liegt mit 95%iger Wahrscheinlichkeit in dem Intervall [-5,94 ; -0,42 mmhg] Mit mindestens 95% Wahrscheinlichkeit ist die Null ( 0 ) nicht im Konfidenzintervall enthalten, d.h. es wird mit 95% Wahrscheinlichkeit ein systematischer Effekt der Behandlung beobachtet Die Wahrscheinlichkeit, dass die beobachtete Differenz nur zufälliger Natur ist, liegt unter 5% PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 37

38 Genderaspekte 42 Abs. 2 AMG: Die Genehmigung darf nur versagt werden, wenn 2. die vorgelegten Unterlagen, insbesondere die Angaben zum Arzneimittel und der Prüfplan einschließlich der Prüferinformation nicht dem Stand der wissenschaftlichen Erkenntnisse entsprechen, insbesondere die klinische Prüfung ungeeignet ist, den Nachweis der Unbedenklichkeit oder Wirksamkeit eines Arzneimittels einschließlich einer unterschiedlichen Wirkungsweise bei Frauen und Männern zu erbringen, oder PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 38

39 Genderaspekte Bei der Planung einer Studie sind bereits Geschlechtsaspekte zu berücksichtigen Population: Entspricht das rekrutierte Geschlechterverhältnis der Prävalenz in der Zielpopulation Response Verträglichkeit Abbruchraten PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 39

40 Vielen Dank für Ihre Aufmerksamkeit! Kontakt Bundesinstitut für Arzneimittel und Medizinprodukte Wissenschaftlicher Service Kurt-Georg-Kiesinger-Allee Bonn Ansprechpartner PD Dr. Thomas Sudhop Thomas.Sudhop@bfarm.de Tel. +49 (0) Fax +49 (0) PD Dr. Thomas Sudhop Ringvorlesung - Biometrie Seite 40

Einführung in Quantitative Methoden

Einführung in Quantitative Methoden Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 4. Juni 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden 1/35 Ein- und Zweiseitige Hypothesen H 0 : p =

Mehr

Hypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests

Hypothesen: 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

Mehr

Exakter Binomialtest als Beispiel

Exakter Binomialtest als Beispiel Prinzipien des statistischen Testens Entscheidungsfindung Exakter Binomialtest als Beispiel Statistische Tests Nullhypothese Alternativhypothese Fehlentscheidungen Ausgangspunkt: Forschungshypothese Beispiele:.

Mehr

Mögliche Fehler beim Testen

Mögliche 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.

Mehr

10 Der statistische Test

10 Der statistische Test 10 Der statistische Test 10.1 Was soll ein statistischer Test? 10.2 Nullhypothese und Alternativen 10.3 Fehler 1. und 2. Art 10.4 Parametrische und nichtparametrische Tests 10.1 Was soll ein statistischer

Mehr

Konfidenzintervalle 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 Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir

Mehr

R. Brinkmann Seite

R. 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

Mehr

Statistik II: Signifikanztests /1

Statistik 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

Mehr

Schließende 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.

Mehr

Statistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe

Statistische 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,...,

Mehr

Beurteilende Statistik

Beurteilende Statistik Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten

Mehr

Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten

Entscheidung 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:

Mehr

Grundlagen der Statistik

Grundlagen 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

Mehr

Jost Reinecke. 7. Juni 2005

Jost 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

Mehr

Kapitel 3 Schließende Statistik

Kapitel 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:

Mehr

Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen

Kapitel 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

Mehr

THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ

THEMA: 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

Mehr

2.4 Hypothesentests Grundprinzipien statistischer Hypothesentests. Hypothese:

2.4 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

Mehr

Testen von Hypothesen:

Testen 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

Mehr

Analytische Statistik II

Analytische Statistik II Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Das Testen von Hypothesen Während die deskriptive Statistik die Stichproben nur mit Hilfe quantitativer Angaben charakterisiert,

Mehr

Kapitel VIII - Tests zum Niveau α

Kapitel 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

Mehr

Die Abfüllmenge ist gleich dem Sollwert 3 [Deziliter].

Die Abfüllmenge ist gleich dem Sollwert 3 [Deziliter]. Eine Methode, um anhand von Stichproben Informationen über die Grundgesamtheit u gewinnen, ist der Hypothesentest (Signifikantest). Hier wird erst eine Behauptung oder Vermutung (Hypothese) über die Parameter

Mehr

8. Konfidenzintervalle und Hypothesentests

8. 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

Mehr

Auswertung und Lösung

Auswertung 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

Mehr

Schließende Statistik: Hypothesentests (Forts.)

Schließende 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

Mehr

Statistische Tests für unbekannte Parameter

Statistische 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

Mehr

Wiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)

Wiederholung 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

Mehr

Alternativtest Einführung und Aufgabenbeispiele

Alternativtest Einführung und Aufgabenbeispiele Alternativtest Einführung und Aufgabenbeispiele Ac Einführendes Beispiel: Ein Medikament half bisher 10% aller Patienten. Von einem neuen Medikament behauptet der Hersteller, dass es 20% aller Patienten

Mehr

Diagnose und Prognose: Kurzfassung 4

Diagnose 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

Mehr

Institut für Biometrie und klinische Forschung. WiSe 2012/2013

Institut für Biometrie und klinische Forschung. WiSe 2012/2013 Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive

Mehr

Allgemeines zu Tests. Statistische Hypothesentests

Allgemeines 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

Mehr

Unterschiedshypothesen Vergleiche von Häufigkeiten bzw. Mittelwerten zwischen (mindestens) zwei Gruppen Zusammenhangshypothesen Korrelationsanalysen

Unterschiedshypothesen Vergleiche von Häufigkeiten bzw. Mittelwerten zwischen (mindestens) zwei Gruppen Zusammenhangshypothesen Korrelationsanalysen Statistische Überprüfung von Hypothesen Hypothesen sind allgemeine Aussagen über Zusammenhänge zwischen empirischen und logischen Sachverhalten.Allgemein bezeichnet man diejenigen Aussagen als Hypothesen,

Mehr

Biometrie im neuen Antragsverfahren

Biometrie im neuen Antragsverfahren 8. Fortbildungsveranstaltung der GV-SOLAS für Tierschutzbeauftragte und Behördenvertreter Warum biometrische Planung? Einfachste Antwort: Weil es im Genehmigungsantrag so vorgesehen ist. 2 Warum biometrische

Mehr

Übungen mit dem Applet Vergleich von zwei Mittelwerten

Übungen mit dem Applet Vergleich von zwei Mittelwerten Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung

Mehr

Hypothesentest, ein einfacher Zugang mit Würfeln

Hypothesentest, 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

Mehr

Konfidenzintervalle. die anschauliche Alternative zum p-wert...

Konfidenzintervalle. die anschauliche Alternative zum p-wert... Konfidenzintervalle die anschauliche Alternative zum p-wert... Grundidee des Konfidenzintervalls Studie Realität Studienergebnis falsch-positiver Rückschluß??? Realität???? Studie 10 % Grundidee des Konfidenzintervalls

Mehr

Multiples Testen wer hat schon immer nur eine Fragestellung?

Multiples Testen wer hat schon immer nur eine Fragestellung? Multiples Testen wer hat schon immer nur eine Fragestellung? 1 Lernziele - Gründe für Multiplizität nennen können - Das dahintersteckende Problem erklären können - Verschiedene Lösungsmöglichkeiten aufzählen

Mehr

Lösungen zur Biomathe-Klausur Gruppe A Montag, den 16. Juli 2001

Lösungen 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

Mehr

Online-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung

Online-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.)

Mehr

Inferenzstatistik Vortrag: Alpha und Beta Fehler

Inferenzstatistik Vortrag: Alpha und Beta Fehler Inferenzstatistik Vortrag: Alpha und Beta Fehler Dresden, 18.11.08 01 Fehlerquelle Hypothesen Unbekannte Wirklichkeit H0 ist richtig H0 ist falsch Schlussfolgerung aus dem Test unserer Stichprobe Ho annehmen

Mehr

Aufgabenblock 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. 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 )

Mehr

9 Prinzipien der statistischen Hypothesenprüfung

9 Prinzipien der statistischen Hypothesenprüfung 9 Prinzipien der statistischen Hypothesenprüfung Prinzipien der statistischen Hypothesenprüfung Bei der Schätzung eines Populationsparamters soll dessen Wert aus Stichprobendaten erschlossen werden. Wenn

Mehr

Hypothesentest. Ablehnungsbereich. Hypothese Annahme, unbewiesene Voraussetzung. Anzahl Kreise

Hypothesentest. 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

Mehr

Glossar Biometrie / Statistik. Auszug für Fragebogen Fallzahlberechnung/-begründung

Glossar 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

Mehr

Prüfgröße: Ist die durch eine Schätzfunktion zugeordnete reelle Zahl (etwa Mittelwert 7 C).

Prüfgröße: 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

Mehr

Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de

Statistik 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

Mehr

Zur Statistik im neuen Genehmigungsantrag

Zur Statistik im neuen Genehmigungsantrag Zur Statistik im neuen Genehmigungsantrag 21. Essener Informationstreffen, 12. März 2014 PD Dr. Nicole Heussen nheussen@ukaachen.de Institut für Medizinische Statistik RWTH Aachen Zur Statistik im neuen

Mehr

Lösungen zu den Übungsaufgaben in Kapitel 10

Lösungen 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

Mehr

Kapitel 13. Grundbegriffe statistischer Tests

Kapitel 13. Grundbegriffe statistischer Tests Kapitel 13 Grundbegriffe statistischer Tests Oft hat man eine Vermutung über die Verteilung einer Zufallsvariablen X. Diese Vermutung formuliert man als Hypothese H 0.Sokönnte man daran interessiert sein

Mehr

Pflichtlektüre: Kapitel 12 - Signifikanztest Wie funktioniert ein Signifikanztest? Vorgehensweise nach R. A. Fisher.

Pflichtlektüre: Kapitel 12 - Signifikanztest Wie funktioniert ein Signifikanztest? Vorgehensweise nach R. A. Fisher. Pflichtlektüre: Kapitel 12 - Signifikanztest Überblick Signifikanztest Populationsparameter Ein Verfahren zur Überprüfung von Hypothesen, Grundlage bilden auch hier Stichprobenverteilungen, das Ergebnis

Mehr

Statistik II: Grundlagen und Definitionen der Statistik

Statistik II: Grundlagen und Definitionen der Statistik Medien Institut : Grundlagen und Definitionen der Statistik Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Hintergrund: Entstehung der Statistik 2. Grundlagen

Mehr

WB 11 Aufgabe: Hypothesentest 1

WB 11 Aufgabe: Hypothesentest 1 WB 11 Aufgabe: Hypothesentest 1 Ein Medikament, das das Überleben eines Patienten sichern soll, wird getestet. Stelle Null- und Alternativhypothese auf und beschreibe die Fehler 1. Art und 2. Art. Welcher

Mehr

Testen von Hypothesen

Testen 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

Mehr

Aussagen hierzu sind mit einer unvermeidbaren Unsicherheit behaftet, die statistisch über eine Irrtumswahrscheinlichkeit bewertet wird.

Aussagen hierzu sind mit einer unvermeidbaren Unsicherheit behaftet, die statistisch über eine Irrtumswahrscheinlichkeit bewertet wird. Stichprobenumfang Für die Fragestellung auf Gleichheit von ein oder zwei Stichproben wird auf Basis von Hypothesentests der notwendige Stichprobenumfang bestimmt. Deshalb werden zunächst die Grundlagen

Mehr

3. Das Prüfen von Hypothesen. Hypothese?! Stichprobe Signifikanztests in der Wirtschaft

3. 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)

Mehr

Studiendesign/ Evaluierungsdesign

Studiendesign/ Evaluierungsdesign Jennifer Ziegert Studiendesign/ Evaluierungsdesign Praxisprojekt: Nutzerorientierte Evaluierung von Visualisierungen in Daffodil mittels Eyetracker Warum Studien /Evaluierungsdesign Das Design einer Untersuchung

Mehr

Fragebogen Fallzahlberechnung / -begründung

Fragebogen Fallzahlberechnung / -begründung Ihre Adress- und Projektdaten Ansprechpartner Firma + Adresse Telefon Email Projektbezeichnung Projektbeschreibung Unser Angebot Nach Zusendung des Fragebogens nehmen wir mit Ihnen unverbindlich Kontakt

Mehr

Stochastik: Hypothesentest Stochastik Testen von Hypothesen (einseitiger Test) allgemein bildende Gymnasien J1/J2

Stochastik: Hypothesentest Stochastik Testen von Hypothesen (einseitiger Test) allgemein bildende Gymnasien J1/J2 Stochastik Testen von Hypothesen (einseitiger Test) allgemein bildende Gymnasien J/J2 Alexander Schwarz www.mathe-aufgaben.com Oktober 25 Hinweis: Für die Aufgaben darf der GTR benutzt werden. Aufgabe

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Kurze Zusammenfassung der letzten Vorlesung Schätzung und Modellentwicklung Überblick Statistische Signifikanztests

Mehr

Hypothesentests mit SPSS. Beispiel für einen t-test

Hypothesentests 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

Mehr

Testen von Hypothesen, Beurteilende Statistik

Testen 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

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Angewandte Statistik 3. Semester

Angewandte 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

Mehr

Überblick Hypothesentests bei Binomialverteilungen (Ac)

Überblick 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

Mehr

Mathematische und statistische Methoden II

Mathematische 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

Mehr

Analyse von Querschnittsdaten. Signifikanztests I Basics

Analyse 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

Mehr

Hypothesenbasierende Untersuchungen. Hypothesenbasierende Untersuchungen

Hypothesenbasierende Untersuchungen. Hypothesenbasierende Untersuchungen Hypothesenbasierende Untersuchungen Hypothesenbasierende Untersuchungen Unterschiedshypothesen Zusammenhangshypothesen Veränderungshypothesen Äquivalenzhypothesen PD Dr. Sven Reese, LMU München 1 Definition:

Mehr

Eine Einführung in R: Statistische Tests

Eine 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/

Mehr

Biomathematik für Mediziner, Klausur SS 2001 Seite 1

Biomathematik 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

Mehr

Test auf einen Anteilswert (Binomialtest) Vergleich zweier Mittelwerte (t-test)

Test auf einen Anteilswert (Binomialtest) Vergleich zweier Mittelwerte (t-test) Spezielle Tests Test auf einen Anteilswert (Binomialtest) Vergleich zweier Anteilswerte Test auf einen Mittelwert (Ein-Stichproben Gauss bzw. t-test) Vergleich zweier Mittelwerte (t-test) Test auf einen

Mehr

Kapitel 5: Einfaktorielle Varianzanalyse

Kapitel 5: Einfaktorielle Varianzanalyse Rasch, Friese, Hofmann & Naumann (010). Quantitative Methoden. Band (3. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung

Mehr

Ablaufschema beim Testen

Ablaufschema beim Testen Ablaufschema beim Testen Schritt 1 Schritt 2 Schritt 3 Schritt 4 Schritt 5 Schritt 6 Schritt 7 Schritt 8 Schritt 9 Starten Sie die : Flashanimation ' Animation Ablaufschema Testen ' siehe Online-Version

Mehr

Biometrische Planung von Versuchsvorhaben

Biometrische Planung von Versuchsvorhaben Biometrische Planung von Versuchsvorhaben Einführung in das Prinzip der Lehrstuhl für Mathematik VIII Statistik http://statistik.mathematik.uni-wuerzburg.de/~hain Ziel des Vortrags Im nachfolgenden Vortrag

Mehr

R. Brinkmann Seite

R. Brinkmann  Seite R. Brinkmann http://brinkmann-du.de Seite 7.9. Lösungen zum Hypothesentest II Ausführliche Lösungen: A A Aufgabe Die Firma Schlemmerland behauptet, dass ihre Konkurrenzfirma Billigfood die Gewichtsangabe,

Mehr

Statistik. Jan Müller

Statistik. 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

Mehr

Aufgaben zu Kapitel 9

Aufgaben zu Kapitel 9 Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen, ob die in diesem Datensatz untersuchte

Mehr

6. Statistische Hypothesentests

6. 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

Mehr

Scheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik

Scheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik

Mehr

TESTTHEORIE UND TESTKONSTRUKTION - PRAKTISCHE ANWENDUNG - TEIL 3

TESTTHEORIE UND TESTKONSTRUKTION - PRAKTISCHE ANWENDUNG - TEIL 3 TESTTHEORIE UND TESTKONSTRUKTION - PRAKTISCHE ANWENDUNG - TEIL 3 Prof. Dr. Franke SS2012 Hochschule Magdeburg-Stendal (FH) M.Sc. Rehabilitationspsychologie Gliederung Reliabilität 1. Überblick 2. Berechnung

Mehr

Kapitel 5: Einfaktorielle Varianzanalyse

Kapitel 5: Einfaktorielle Varianzanalyse Rasch, Friese, Hofmann & Naumann (006). Quantitative Methoden. Band (. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung

Mehr

Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006

Prof. 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.

Mehr

STATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik

STATISTIK 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

Mehr

1 Dichte- und Verteilungsfunktion

1 Dichte- und Verteilungsfunktion Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die

Mehr

Mathematische und statistische Methoden II

Mathematische und statistische Methoden II 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 Persike persike@uni-mainz.de

Mehr

Aufgaben zu Kapitel 7:

Aufgaben zu Kapitel 7: Aufgaben zu Kapitel 7: Aufgabe 1: In einer Klinik sollen zwei verschiedene Therapiemethoden miteinander verglichen werden. Zur Messung des Therapieerfolges werden die vorhandenen Symptome einmal vor Beginn

Mehr

Grundlagen der Statistik

Grundlagen 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

6. Übung Statistische Tests Teil 1 (t-tests)

6. Übung Statistische Tests Teil 1 (t-tests) Querschnittsbereich 1: Epidemiologie, Medizinische iometrie und Medizinische Informatik - Übungsmaterial - Erstellt von Mitarbeitern des IMISE und des ZKS Leipzig 6. Übung Statistische Tests Teil 1 (t-tests)

Mehr

Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006

Prof. 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

Mehr

ANalysis Of VAriance (ANOVA) 2/2

ANalysis 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

Mehr

Testen von Hypothesen

Testen 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

Mehr

Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend

Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten

Mehr

b) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!

b) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie! Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies

Mehr

3 Konfidenzintervalle

3 Konfidenzintervalle 3 Konfidenzintervalle Konfidenzintervalle sind das Ergebnis von Intervallschätzungen. Sicheres Wissen über Grundgesamtheiten kann man anhand von Stichproben nicht gewinnen. Aber mit Hilfe der Statistik

Mehr

Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1

Biometrie 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.

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Statistik für Studenten der Sportwissenschaften SS 2008

Statistik für Studenten der Sportwissenschaften SS 2008 Statistik für Studenten der Sportwissenschaften SS 008 Aufgabe 1 Man weiß von Rehabilitanden, die sich einer bestimmten Gymnastik unterziehen, dass sie im Mittel µ=54 Jahre (σ=3 Jahre) alt sind. a) Welcher

Mehr

Testen von Hypothesen

Testen 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

Mehr