Wirkung von UV-B Strahlung auf Mikroorganismen
|
|
- Maximilian Bieber
- vor 6 Jahren
- Abrufe
Transkript
1 Wirkung von UV-B Strahlung auf Mikroorganismen Herwig Friedl Februar 2002 Zusammenfassung Ziel der vorliegenden Studie ist die statistische Untersuchung der Abnahme der Keimanzahl in Wasser von der Dauer sowie Intensität einer UV-B Bestrahlung. Unter anderem wird dabei der Einfluss der Wassertrübung analysiert sowie das unterschiedliche Absterbeverhalten diverser Keimtypen näher betrachtet. Verwendet werden dafür Generalisierte Lineare Regressionsmodelle. Es wird gezeigt, dass die Überlebensperformance von Mikroorganismen im trüben Wasser signifikant besser ist als im klaren Wasser. Weiters ergibt sich, dass die Anzahl kolonienbildender Einheiten mit steigender Intensität der Bestrahlung signifikant abnimmt. Die Keimtypen E.Coli und Enterococcus faecalis weisen im Vergleich mit Staphylococcus aureus und Pseudomonas aeruginosa eine weitaus bessere Resistenz gegen die UV- B Bestrahlung auf. Dieses Projekt wurde in Zusammenarbeit mit dem Büro des Landeshygienikers für Steiermark durchgeführt. 1 Absterberaten und Wassertrübung In diesem ersten Teil wird untersucht, ob und wie sich die Überlebensrate von Mikroorganismen durch andauerndes Einwirken von Sonnenlicht ändert und ob diese Änderung von der Wasserqualität und Trübung abhängt. Dazu liegen Keimgehaltsmessungen von Wasserproben in der Steiermark vor. Diese sind die Badegewässer in Schwanberg, Gleinstätten, Waldschach, Bad Gams, der Freibacher Stausee, sowie der Schotterteich Tillmitsch. Alle Messungen erfolgten bei direkter Sonneneinstrahlung, wolkenlosem Himmel, und einer Luxzahl größer als Nach der ersten Messung um 13:05 wurden alle 10 Minuten bis 14:35 neun weitere Messungen durchgeführt. Außer der Trübung bestimmte man die Anzahl kolonienbildender Einheiten (cfu s) in 1 ml Wasser. Der gesamte Datensatz beinhaltet somit 60 Beobachtungen. Für die folgende statistische Auswertung werden diese Daten zuerst einmal reduziert. Sobald nach einer gewissen Zeit keine cfu s mehr nachweisbar sind, müssen natürlich Institut für Statistik, Technische Universität Graz, Steyrergasse 17, A-8010 Graz 1
2 1 ABSTERBERATEN UND WASSERTRÜBUNG 2 Uhrzeit Gleinstätten Waldschach Bad Gams Freibach Tillmitsch 13: : : : : : : : : : Trübung (Stufe) 80 (stark) 45 (stark) 5.5 (leicht) 0.3 (leicht) 1.4 (leicht) Tabelle 1: Beobachtete cfu Werte pro ml Wasser sowie Wassertrübung zusammengefasst im Datensatz uvb. auch alle nachfolgenden Messungen dasselbe Ergebnis liefern. Um diese Abhängigkeit nicht überzubewerten, werden von den Daten nur jene verwendet, bis erstmals eine Null auftritt. Dadurch ergibt sich eine Datenreduktion auf 54 Beobachtungen. Weiters verhält sich sich das Badegewässer Schwanberg nicht homogen zu den restlichen fünf Gewässern, weshalb auf diese Serie von Beobachtungen gänzlich verzichtet wird. Die nachfolgenden statistischen Ergebnisse beziehen sich daher nur auf die Daten in der Tabelle 1. Es wird nun untersucht, ob sich die Absterberaten in stark und leicht trüben Gewässern unterscheiden. Dazu wird ein zweistufiger Faktor trueb generiert, der den Wert 0 für leichte Trübung (< 10) und 1 für starke Trübung (> 10) zugewiesen bekommt. Die Variable zeit beschreibt seit wie vielen Minuten die Keime der Sonnenlichteinwirkung ausgesetzt sind, und erstreckt sich somit über die Werte 0, 10,..., 90. Obwohl es sich bei den Daten um nicht-negative Anzahlen handelt, passt wegen der resultierenden viel zu großen Deviance die Standardannahme einer Poissonverteilung nicht. Die Variabilität in den cfu s scheint in den beiden Gruppen eher konstant über die Zeit zu sein, weshalb auch als Verteilungsannahme die Normalverteilung verwendet wird, d.h. y it N(µ it, σ 2 ), wobei y it, i = 1,..., 5, t 0 den cfu Wert im Gewässer i nach t minütiger Bestrahlung bezeichnet. Um die nicht-negativen Erwartungswerte µ it dieser Anzahlen auf der passenden Skala zu modellieren, wird ein log-lineares Modell (Generalisiertes Lineares Modell) eingesetzt, also log µ it = x it β mit dem Parametervektor β. Probleme mit Nullbeobachtungen und diesem log-link werden umgangen, indem zu jeder cfu Beobachtung künstlich der Wert 1 addiert wird, was jedoch zu vernachlässigen ist. Das Hauptaugenmerk ist die Untersuchung, ob für die beiden Trübungsstufen (stark/leicht) unterschiedliche Zeiteffekte benötigt werden, d.h. ob
3 1 ABSTERBERATEN UND WASSERTRÜBUNG 3 sich die zeitliche Abnahme der cfu Anzahlen bei verschieden trüben Gewässern unterscheidet. Im folgenden Modell werden für jede der beiden Trübungsstufen eigene konstante, lineare sowie auch quadratische Zeiteffekte für x verwendet. Die Notwendigkeit all dieser Parameter wird erst später getestet. Als Ergebnis erhält man mrz2tfac <- glm(kbe1 ~ trueb zeit*trueb I(zeit**2)*trueb, data = uvb, family=gaussian(link="log")); summary(mrz2tfac) Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) < 2e-16 *** trueb zeit I(zeit**2) *** trueb1:zeit trueb1:i(zeit**2) ** --- Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for gaussian family taken to be ) Null deviance: e10 on 43 degrees of freedom Residual deviance: e08 on 38 degrees of freedom AIC: Das geschätzte Modell lautet somit { exp( t t ˆµ it = 2 ) für leicht trüb, exp(( ) ( )t ( )t 2 ) für stark trüb. Interpretation der Ergebnisse: Verschiedene quadratische Zeitterme für die beiden Trübungsstufen sind notwendig, da zu trueb1:i(zeit**2) ein p-value von gehört. Die beiden linearen Zeitterme unterscheiden sich nicht signifikant, denn der p-value zu trueb1:zeit ist mit 0.69 viel zu groß. Da zu zeit ein p-value von 0.56 gehört, scheint überhaupt kein linearer Zeitterm im Modell notwendig zu sein. Diese Hypothese wird nun auch varianzanalytisch getestet. m1wol <- glm(kbe1 ~ trueb I(zeit**2)*trueb, data = uvb, family=gaussian(link="log")) anova(mrz2tfac, m1wol, test="chisq") Model 1: kbe 1 ~ trueb zeit * trueb I(zeit^2) * trueb Model 2: kbe 1 ~ trueb I(zeit^2) * trueb
4 1 ABSTERBERATEN UND WASSERTRÜBUNG 4 Man würde sich zwei Parameter ersparen und dabei nur um Devianceeinheiten anwachsen was einem p-value von entspricht. Auf dem 5% Niveau kann man also auf die beiden linearen Zeitterme verzichten. Offen ist noch, ob unterschiedliche Modellkonstanten (Intercepts) benötigt werden. anova(m1wol, glm(kbe1 ~ I(zeit**2) I(zeit**2):trueb, data = uvb, family=gaussian(link="log")), test="chisq") Model 1: kbe 1 ~ trueb I(zeit^2) * trueb Model 2: kbe 1 ~ I(zeit^2) I(zeit^2):trueb Dies ist also der Fall. Das Modell mit nur einer gemeinsamen Konstante unterscheidet sich von jenem mit zwei unterschiedlichen Konstanten bzgl. eines p-values von Somit erlaubt das endgültige Modell vier Parameter und lautet summary(m1wol) Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) < 2e-16 *** trueb ** I(zeit**2) e-12 *** trueb1:i(zeit**2) e-10 *** --- Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for gaussian family taken to be ) Null deviance: e10 on 43 degrees of freedom Residual deviance: e09 on 40 degrees of freedom AIC: 884 also { exp( t ˆµ it = 2 ) für leicht trüb, exp(( ) ( )t 2 für stark trüb. Als Schätzer für die Standardabweichung der cfu s erhält man unter diesem Modell ˆσ = = Grafisch veranschaulicht ist dieses Modell in der Abbildung 1. Man erkennt dabei deutlich, wie sich im trüben Wasser die Mikroorganismen länger am Leben halten als dies im klaren Wasser der Fall ist. Weiters zeigt das Modell auch, dass in den Daten die Ausgangsskonzentrationen unterschiedlich waren. Diese ist bei den Proben im trübem Wasser im Mittel geringer als im weniger trüben Wasser.
5 2 ÜBERLEBENSRATEN UND UV-STRAHLUNGSINTENSITÄT 5 cfu low turbidity high turbidity minutes Abbildung 1: Regressionsmodell für die Abnahme der Anzahl von Mikroorganismen (cfu) in zeitlicher Abhängigkeit (minutes) vom Trübungsgrad (low/high turbidity). 2 Überlebensraten und UV-Strahlungsintensität Verwendet werden hier die 27 Messungen aus Tabelle 2. Diese Daten beschreiben, wie viele cfu s nach einer gewissen Bestrahlung mit UV-B von einer Anfangsmenge übrig bleiben. Da es sich hier um Häufigkeiten handelt, sollte ein logistisches Regressionsmodell mit der erklärenden Variablen UV-B Intensität (uvb) die Kurve für die Absterberate hinreichend genau beschreiben können. Für dieses Modell wird wie üblich die Binomialverteilung und der Logitlink angenommen. Bezeichnen r i, i = 1,..., 27 die restlichen von a i verbleibenden cfu s, so wird angenommen, dass r i B(a i, π i ); mit E(r i ) = a i π i und var(r i ) = a i π i (1 π i ) mit der Überlebenswahrscheinlichkeit π i für eine cfu aus der iten Versuchseinheit. Weiters modelliert man π i log = x i β. 1 π i Da aber die r i eine höhere Variabilität aufweisen als dies durch die Binomialverteilung erklärt werden kann, wird der Quasi-Likelihood Ansatz verwendet mit der Annahme, dass die Varianz proportional zur Binomialvarianz ist, d.h. var(r i ) = φa i π i (1 π i ). Dies führt zu den folgenden Schätzern
6 3 ÜBERLEBENSRATEN UNTERSCHIEDLICHER KEIME 6 UV-B Anfang Rest UV-B Anfang Rest UV-B Anfang Rest Tabelle 2: Beobachtete absolute Anfangs- und Restanzahlen an cfu s nach einer Strahlungsintensität von UV-B zusammengefasst im Datensatz uvb2. Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) uvb * --- Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for quasibinomial family taken to be ) Null deviance: on 26 degrees of freedom Residual deviance: on 25 degrees of freedom Als geschätztes Modell für die Überlebensrate erhält man ˆπ i = exp( uvb i) 1 exp( uvb i ). Diese nimmt mit zunehmender Strahlungsintensität ab, was aus dem negativen Vorzeichen des UV-B Parameters zu erkennen ist und auf dem 1.2% Niveau signifikant ist. Die Abbildung 2 vergleicht die beobachteten relativen Häufigkeiten r i /a i (durch ein gekennzeichnet) mit den Modellwerten ˆπ i (survival rate) für die UV-B Intensitäten. Ersichtlich ist auch die große Datenvariabilität für kleine UV-B Werte sowie der abnehmende Trend in der geschätzten Überlebenskurve. 3 Überlebensraten unterschiedlicher Keime Sind die Absterberaten verschiedener Keimtypen bei UV-B Strahlung unterschiedlich? Dafür liegen Messungen für E.Coli, Enterococcus faecalis, Staphylococcus aureus, und Pseudomonas aeruginosa in Institutswasser vor. Da diese Fragestellung der in Abschnitt 1 analysierten Problematik sehr ähnlich ist, basiert auch die statistische Analyse auf ein
7 3 ÜBERLEBENSRATEN UNTERSCHIEDLICHER KEIME 7 survival rate Abbildung 2: Logistisches Regressionsmodell für Überlebensrate der Mikroorgamismen in Abhängigkeit von der Intensität der UV-B Bestrahlung (uvb). uvb vergleichbares Datenmaterial. Wiederum werden nur Messungen bis zum ersten Auftreten einer Null verwendet, wodurch eine Stichprobe mit 36 Messungen resultiert. Zu hinterfragen ist die leichte Zunahme der Enterococcen um 14:30 von auf Wie zuvor wird ein log-lineares Regressionsmodell mit Normalverteilungsannahme für die cfu Werte eingesetzt. Der vierstufige Faktor typ beschreibt dabei den Keimtyp. Zuerst wird ein passender linearer Prediktor gesucht, in dem nur die Variable zeit (in Minuten) eingehen soll. Um eine Variablenselektion durchzuführen, werden einige Modelle geschätzt. Dazu zählt das volle Modell mfull mit keimtypspezifischen Intercepts, linearen und quadratischen Zeittermen, das Submodell mwoq mit nur einem gemeinsamen quadratischen Zeitterm, das Modell mwol mit einem linearen Zeitterm, das Modell mwol ohne lineare Zeitterme, und das Modell mwoi ohne unterschiedliche Intercepts aber mit typspezifischen quadratischen Zeittermen. mfull <- glm(kbe1 ~ type zeit I(zeit**2) zeit:type I(zeit**2):type, data = uvb3, family=gaussian(link="log")) mwoq <- glm(kbe1 ~ type zeit I(zeit**2) zeit:type, data = uvb3, family=gaussian(link="log")) mwol <- glm(kbe1 ~ type zeit I(zeit**2) I(zeit**2):type, data = uvb3, family=gaussian(link="log")) mwol <- glm(kbe1 ~ type I(zeit**2) I(zeit**2):type, data = uvb3, family=gaussian(link="log"))
8 3 ÜBERLEBENSRATEN UNTERSCHIEDLICHER KEIME 8 Uhrzeit E.coli Pseudomonas Enterococcus Staphylococcus aeruginosa faecalis aureus 14: : : : : : : : : : : Tabelle 3: Beobachtete cfu Werte pro ml Institutswasser für vier verschiedene Keimtypen zusammengefasst im Datensatz uvb3. mwoi <- glm(kbe1 ~ I(zeit**2) I(zeit**2):type, data = uvb3, family=gaussian(link="log")) Zuerst wird varianzanalytisch auf die Notwendigkeit unterschiedlicher quadratischer Zeitterme im Modell getestet, d.h. die Modellanpassung von mfull mit der von mwoq verglichen. anova.glm(mfull, mwoq, test="chisq") Model 1: kbe 1 ~ type zeit I(zeit**2) zeit:type I(zeit**2):type Model 2: kbe 1 ~ type zeit I(zeit**2) zeit:type e e e Fazit ist also, dass individuelle quadratische Terme signifikant (p = ) notwendig sind. Im nächsten Schritt wird auf unterschiedliche lineare Zeitterme getestet. anova.glm(mfull, mwol, test="chisq") Model 1: kbe 1 ~ type zeit I(zeit**2) zeit:type I(zeit**2):type Model 2: kbe 1 ~ type zeit I(zeit**2) I(zeit**2):type Wie in Abschnitt 1 sind auch hier keine individuellen Linearterme notwendig (p-value = 1). Ein zusätzlicher Test auf die Notwendigkeit eines gemeinsamen linearen Zeitterms
9 3 ÜBERLEBENSRATEN UNTERSCHIEDLICHER KEIME 9 anova.glm(mwol, mwol, test="chisq") Model 1: kbe 1 ~ type zeit I(zeit^2) I(zeit^2):type Model 2: kbe 1 ~ type I(zeit^2) I(zeit^2):type ergibt, dass auf lineare Terme überhaupt verzichtet werden kann (p-value = 1). Wir können uns daher weiterhin auf ein Modell ohne jeglichen linearen Zeiteffekt, jedoch mit unterschiedlichen quadratischen Zeittermen, beschränken. Testet man auf unterschiedliche Intercepts, so erhält man anova.glm(mwol, mwoi, test="chisq") Model 1: kbe 1 ~ type I(zeit^2) I(zeit^2):type Model 2: kbe 1 ~ I(zeit^2) I(zeit^2):type e e e e-61 Wieder sind individuelle Intercepts unbedingt (p-value = 0) notwendig. Diese Variablenselektion entspricht also genau dem Ergebnis der Studie im ersten Abschnitt. Verwendet wird daher das Modell mwol mit vier individuellen Intercepts und mit vier quadratischen Zeittermen. summary(mwol) Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) < 2e-16 *** typeentero e-08 *** typepseudo typestaphylo e-11 *** I(zeit**2) ** typeentero:i(zeit**2) * typepseudo:i(zeit**2) * typestaphylo:i(zeit**2) Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for gaussian family taken to be ) Null deviance: e12 on 35 degrees of freedom Residual deviance: e10 on 28 degrees of freedom AIC:
10 3 ÜBERLEBENSRATEN UNTERSCHIEDLICHER KEIME 10 cfu fitted 0 e00 2 e05 4 e05 6 e05 0 e00 2 e05 4 e05 6 e05 cfu observed Abbildung 3: Durch das Modell mwol angepasste cfu Werte (fitted) gegen die beobachteten cfu Anzahlen (observed). Das geschätzte Modell lautet somit exp( t 2 ) exp(( ) ( )t ˆµ it = 2 ) exp(( ) ( )t 2 ) exp(( ) ( )t 2 ) für E.coli, für Entero, für Pseudo, für Staphylo. Als geschätzte Standardabweichung resultiert ˆσ = = Der Diagnostic- Plot in Abbildung 3 zeigt die gute Modellanpassung und keine auffälligen Muster. Das Verhalten dieses Modells ist für die vier Keimtypen in der Abbildung 4 gezeigt. Der Abfall bei Pseudomonas und Staphylococcus ist signifikant steiler als bei E.coli und Enterococcus. Die Enterococcen haben die beste Überlebensfähigkeit während bei Pseudomonas die schlechteste vorliegt. Auch die unterschiedlichen Ausgangskonzentrationen werden deutlich. Obwohl dieses Modell nur acht Parameter enthält, spiegeln die Modellkurven fast genau das Verhalten der Beobachtungen wieder.
11 3 ÜBERLEBENSRATEN UNTERSCHIEDLICHER KEIME 11 cfu 0 e00 2 e05 4 e05 6 e05 Entero Staphylo Ecoli Pseudo minutes Abbildung 4: Durch das Modell mwol angepasste cfu Werte gegen den Zeit.
Kapitel 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,...,
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
MehrLineare Modelle in R: Klassische lineare Regression
Lineare Modelle in R: Klassische lineare Regression Achim Zeileis 2009-02-20 1 Das Modell Das klassische lineare Regressionsmodell versucht den Zusammenhang zwischen einer abhängigen Variablen (oder Responsevariablen)
Mehr1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt:
Beispiele zum Üben und Wiederholen zu Wirtschaftsstatistik 2 (Kurs 3) 1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt: Haushaltseinkommen 12 24 30 40 80 60
MehrEine Einführung in R: Das Lineare Modell
Eine Einführung in R: Das Lineare Modell Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2009 Bernd Klaus, Verena Zuber
Mehr4 Binäre Regressionsmodelle, Folien 2
4 Binäre Regressionsmodelle, Folien 2 Ludwig Bothmann (basierend auf Unterlagen von Nora Fenske) Statistik III für Nebenfachstudierende WS 2014/2015 4.5 Hypothesentests Lineare Hypothesen Betrachtet werden
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
MehrErgänzungsmaterial zur Vorlesung. Statistik 2. Modelldiagnostik, Ausreißer, einflussreiche Beobachtungen
Institut für Stochastik WS 2007/2008 Universität Karlsruhe JProf. Dr. H. Holzmann Dipl.-Math. oec. D. Engel Ergänzungsmaterial zur Vorlesung Statistik 2 Modelldiagnostik, Ausreißer, einflussreiche Beobachtungen
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
Mehr6. Statistische Schätzung von ARIMA Modellen
6. Statistische Schätzung von ARIMA Modellen Vorschau: ARIMA Modelle Modellidentifikation verschiedene Schätzverfahren Modelldiagnostik Fallstudien Zeitreihenanalyse 1 6.1 ARIMA Modelle Bisher: ARMA(p,q)-Modelle:
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrBerechnung des LOG-RANK-Tests bei Überlebenskurven
Statistik 1 Berechnung des LOG-RANK-Tests bei Überlebenskurven Hans-Dieter Spies inventiv Health Germany GmbH Brandenburger Weg 3 60437 Frankfurt hd.spies@t-online.de Zusammenfassung Mit Hilfe von Überlebenskurven
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
MehrBrückenkurs Statistik für Wirtschaftswissenschaften
Peter von der Lippe Brückenkurs Statistik für Wirtschaftswissenschaften Weitere Übungsfragen UVK Verlagsgesellschaft mbh Konstanz Mit UVK/Lucius München UVK Verlagsgesellschaft mbh Konstanz und München
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrSTATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG
STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG Statistische Methoden In der vorliegenden fiktiven Musterstudie wurden X Patienten mit XY Syndrom (im folgenden: Gruppe XY) mit Y Patienten eines unauffälligem
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrTutorial: Regression Output von R
Tutorial: Regression Output von R Eine Firma erzeugt Autositze. Ihr Chef ist besorgt über die Anzahl und die Kosten von Maschinenausfällen. Das Problem ist, dass die Maschinen schon alt sind und deswegen
MehrEin- und Zweistichprobentests
(c) Projekt Neue Statistik 2003 - Lernmodul: Ein- Zweistichprobentests Ein- Zweistichprobentests Worum geht es in diesem Modul? Wiederholung: allgemeines Ablaufschema eines Tests Allgemeine Voraussetzungen
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrLineare Modelle in R: Einweg-Varianzanalyse
Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der
MehrKlausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik. 7. Februar 2008
L. Fahrmeir, G. Walter Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 7. Februar 8 Hinweise:. Überprüfen
MehrMehrebenenanalyse. Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh
Mehrebenenanalyse Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh Inhalt } Einführung } Fragestellung } Das Programm HLM } Mögliche Modelle } Nullmodell } Random
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
Mehr8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme)
8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme) Annahme B4: Die Störgrößen u i sind normalverteilt, d.h. u i N(0, σ 2 ) Beispiel: [I] Neoklassisches Solow-Wachstumsmodell Annahme einer
MehrStatistiken deuten und erstellen
Statistiken deuten und erstellen Dipl. Ök. Jens K. Perret, M.Sc. Evgenija Yushkova, M.A. Schumpeter School of Business and Economics Bergische Universität Wuppertal Gaußstraße 20 42097 Wuppertal Inhalt
MehrÜbungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg
Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrRegressionsanalyse in R
Regressionsanalyse in R Session 6 1 Einfache Regression Lineare Regression ist eines der nützlichsten Werkzeuge in der Statistik. Regressionsanalyse erlaubt es Zusammenhänge zwischen Parametern zu schätzen
MehrZeit zum Kochen [in min] [10, 20[ [20, 30[ [30, 40[ [40, 50[ [50,60[ [60, 100] Hi
1. Susi und Fritzi bereiten ein Faschingsfest vor, dazu gehört natürlich ein Faschingsmenü. Ideen haben sie genug, aber sie möchten nicht zu viel Zeit fürs Kochen aufwenden. In einer Zeitschrift fanden
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
MehrDiagnose und Prognose: Kurzfassung 4
Diagnose und Prognose: Kurzfassung 4 Ziele der 4. Vorlesung Inhaltliche Verbindung zwischen inhaltlicher Statistisches Konzept / Problemstellung Problemstellung und statistischem statistische Methode Konzept/Methode
Mehr10. Übung (Korrelation und lineare Regressionsanalyse)
10. Übung (Korrelation und lineare Regressionsanalyse) Es wird untersucht, ob ein linearer Zusammenhang zwischen zwei Variablen besteht. Mit anderen Worten: ob ein solcher Zusammenhang gibt, wenn der beobachteter
MehrStatistischer Rückschluss und Testen von Hypothesen
Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
Mehr3. Das einfache lineare Regressionsmodell
3. Das einfache lineare Regressionsmodell Ökonometrie: (I) Anwendung statistischer Methoden in der empirischen Forschung in den Wirtschaftswissenschaften Konfrontation ökonomischer Theorien mit Fakten
MehrDeskriptive Statistik Lösungen zu Blatt 5 Christian Heumann, Susanne Konrath SS Lösung Aufgabe 27. f X Y (a i b j ) = f i j = f ij f j
1 Deskriptive Statistik Lösungen zu Blatt 5 Christian Heumann, Susanne Konrath SS 2011 Lösung Aufgabe 27 (a) Notation: X: Rauchen, Y : chronische Bronchitis S X {ja, nein} {a 1, a 2 }, S Y {ja, nein} {b
MehrMusterlösung zu Serie 14
Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen
MehrEinfache Varianzanalyse für unabhängige Stichproben
Einfache Varianzanalyse für unabhängige Stichproben VARIANZANALYSE Die Varianzanalyse ist das dem t-test entsprechende Mittel zum Vergleich mehrerer (k 2) Stichprobenmittelwerte. Sie wird hier mit VA abgekürzt,
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
Mehr1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
Mehr8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.
L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:
MehrSchätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO
Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO 4. Dezember 2001 Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung
MehrEmpirische Analysen mit dem SOEP
Empirische Analysen mit dem SOEP Methodisches Lineare Regressionsanalyse & Logit/Probit Modelle Kurs im Wintersemester 2007/08 Dipl.-Volksw. Paul Böhm Dipl.-Volksw. Dominik Hanglberger Dipl.-Volksw. Rafael
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
MehrÜbung zur Vorlesung Statistik II SoSe Übungsblatt 7
Übung zur Vorlesung Statistik II SoSe 2014 Übungsblatt 7 2. Juni 2014 ufgabe 24 (4 Punkte): (1.5 Punkte) Berechnen Sie für die folgenden Wahrscheinlichkeiten die zugehörigen Odds: (a) 0.6 (b) 0.2 (c) 0.02
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrStatistik Einführung // Lineare Regression 9 p.2/72
Statistik Einführung Lineare Regression Kapitel 9 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Ledold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Lineare Regression
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws11/r-kurs/
MehrStatistik, Geostatistik
Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.
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
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
MehrEinführung in die statistische Testtheorie II
1 Seminar: Simulation und Bildanalyse mit Java Einführung in die statistische Testtheorie II Guntram Seitz Sommersemester 2004 1 WIEDERHOLUNG 2 1 Wiederholung Grundprinzip: Annahme: Beobachtungen bzw.
MehrTesten von Hypothesen
Elke Warmuth Humboldt-Universität zu Berlin Sommersemster 2010 1 / 46 2 / 46 1 Testen von Hypothesen 3 / 46 Signifikant, signifikant, signifikant,... 4 / 46 Signifikant, signifikant, signifikant,... 5
Mehrb) 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
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.
MehrGraphische Verfahren in der Statistik: Q-Q- und P-P-Plots
Prof. Dr. Dietmar Pfeifer Institut für Mathemati Graphische Verfahren in der Statisti: Q-Q- und P-P-Plots Bei den üblichen parametrischen Testverfahren in der Statisti wird in der Regel eine Annahme über
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrBivariate Analyseverfahren
Bivariate Analyseverfahren Bivariate Verfahren beschäftigen sich mit dem Zusammenhang zwischen zwei Variablen Beispiel: Konservatismus/Alter Zusammenhangsmaße beschreiben die Stärke eines Zusammenhangs
Mehr4 Statistik der Extremwertverteilungen
In diesem Kapitel beschäftigen wir uns mit statistischen Anwendungen der Extremwerttheorie. Wir werden zwei verschiedene Zugänge zur Modellierung von Extremwerten betrachten. Der erste Zugang basiert auf
MehrSPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben
SPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben ÜBERSICHT: Testverfahren bei abhängigen (verbundenen) Stichproben parametrisch nicht-parametrisch 2 Gruppen t-test bei verbundenen
MehrNachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14
Prof. Dr. Rainer Schwabe 08.07.2014 Otto-von-Guericke-Universität Magdeburg Institut für Mathematische Stochastik Nachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14 Name:, Vorname: Matr.-Nr.
MehrLineare Regression II
Lineare Regression II Varianzanalyse als multiple Regession auf Designvariablen Das lineare Regressionsmodell setzt implizit voraus, dass nicht nur die abhängige, sondern auch die erklärenden Variablen
MehrKapitel VIII - Tests zum Niveau α
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Tests zum Niveau α Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Testsituationen
Mehr1 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
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2012/13. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2012/13 Aufgabe 1 Die Firma
MehrBonus-Lektion: Prüfung der Voraussetzungen und Transformationen
Seite 1 von 8 Bonus-Lektion: Prüfung der Voraussetzungen und Transformationen Ziel dieser Lektion: Du weißt, wie Du die einzelnen Voraussetzungen für die Signifikanztests und komplexeren Modelle prüfen
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
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
Mehr1 Interaktion von zwei Dummyvariablen. 2 Interaktion einer Dummyvariablen mit einer kardinalskalierten Variablen
Modelle mit Interationsvariablen I Modelle mit Interationsvariablen II In der beim White-Test verwendeten Regressionsfuntion y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 2 1 + β 4 x 2 2 + β 5 x 1 x 2, ist anders
MehrVorbereitung auf 3. Übungsblatt (Präsenzübungen) - Lösungen
Prof Dr Rainer Dahlhaus Statistik 1 Wintersemester 2016/2017 Vorbereitung auf Übungsblatt (Präsenzübungen) - Lösungen Aufgabe P9 (Prognosen und Konfidenzellipsoide in der linearen Regression) Wir rekapitulieren
MehrStatistische Auswertung (Signifikanzen) Projekt: Evaluation der Langzeitauswirkung des Imago Paartherapie Workshops
Auswertung: Irina Zamfirescu Auftraggeber: Mag. Klaus Brehm Statistische Auswertung (Signifikanzen) Projekt: Evaluation der Langzeitauswirkung des Imago Paartherapie Workshops Fragestellung: Wirkt sich
MehrAnalyse von Querschnittsdaten. Spezifikation der unabhängigen Variablen
Analyse von Querschnittsdaten Spezifikation der unabhängigen Variablen Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 3.0.004 0.0.004
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
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrDatenanalyse mit Excel und Gretl
Dozent: Christoph Hindermann christoph.hindermann@uni-erfurt.de Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 1 Teil 2: Gretl Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 2 Modellannahmen
MehrStatistik-Klausur vom
Statistik-Klausur vom 27.09.2010 Bearbeitungszeit: 60 Minuten Aufgabe 1 Ein international tätiges Unternehmen mit mehreren Niederlassungen in Deutschland und dem übrigen Europa hat seine überfälligen Forderungen
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
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
MehrUnterlagen zu Fisher s Exact Test, Vergleich von Anteilswerten und logistischer Regression. Robin Ristl. Wintersemester 2012/13
Unterlagen zu Fisher s Exact Test, Vergleich von Anteilswerten und logistischer Regression Robin Ristl Wintersemester 2012/13 1 Exakter Test nach Fisher Alternative zum Chi-Quadrat Unabhängigkeitstest
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrAuswahl von Schätzfunktionen
Auswahl von Schätzfunktionen Worum geht es in diesem Modul? Überblick zur Punktschätzung Vorüberlegung zur Effizienz Vergleich unserer Schätzer für My unter Normalverteilung Relative Effizienz Einführung
Mehr3.3 Methoden zur Evaluierung von Schätzern
3.3 Methoden zur Evaluierung von Schätzern Bis jetzt haben wir nur glaubwürdige Techniken zur Konstruktion von Punktschätzern besprochen. Falls unterschiedliche Schätzer für einen Parameter resultieren,
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
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrKapitel 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
Mehr1. Lösungen zu Kapitel 7
1. Lösungen zu Kapitel 7 Übungsaufgabe 7.1 Um zu testen ob die Störterme ε i eine konstante Varianz haben, sprich die Homogenitätsannahme erfüllt ist, sind der Breusch-Pagan-Test und der White- Test zwei
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
Mehr