Überlebenszeitanalyse. Tempus neminem manet
|
|
- Alfred Siegel
- vor 6 Jahren
- Abrufe
Transkript
1 Überlebenszeitanalyse Tempus neminem manet
2 Remissionsdauer bei Leukämie Die Wirksamkeit des Medikaments 6-Mercaptopurin (6-MP) wurde in einer placebokontrollierten Studie an 42 Kindern mit akuter Leukämie geprüft, die nach Behandlung mit Prednison in teilweise oder vollständig Remission gegangen waren. Primäre Zielgröße der Studie war die Dauer der Remission (in Monaten). 6-MP MP MP Placebo Placebo Placebo aus: Klein JP, Moeschberger ML (2003) Survival Analysis. Springer, New York
3 Remissionsdauer bei Leukämie 40 Remissionsdauer (in Monaten) MP Placebo 16 8 Wilcoxon-Test: W=565.5 p=0.0042
4 Überlebensfunktion Definition Es sei T eine positive, stetig verteilte Zufallsvariable, die die Zeit bis zum Eintritt eines bestimmten Ereignisses ("Ereigniszeit" oder "Lebensdauer") misst. Man bezeichnet in diesem Fall S (t) = P(T > t) als "Überlebensfunktion" von T.
5 Remissionsdauer bei Leukämie Schätzung der Überlebensfunktion (6-MP) Ŝ (4) = = Ŝ (30) = = Ŝ (6) = = Ŝ (37) = =
6 Remissionsdauer bei Leukämie geschätzte Überlebensfunktion 1,0 0,8 0,6 S(t) 6-MP 0,4 0,2 Placebo 0, Remissionsdauer t (in Monaten)
7 Exponentialverteilung Definition Eine Ereigniszeit T mit Dichte f(t) = λ exp( λt) heißt "exponentialverteilt" mit Parameter λ>0. Für eine exponentialverteilte Ereigniszeit T gilt S(t)=exp(-λt) und E(T)=1/λ.
8 exponentialverteilte Ereigniszeit 1,0 Überlebensfunktion S(t) 0,8 0,6 0,4 0,2 0,0 S(t)=exp(-λt) Zeit t (in Jahren) λ=1/75 λ=1/50 λ=1/25
9 Remissionsdauer bei Leukämie 1,0 0,8 0,6 S(t) 0,4 6-MP: t=17.1 0,2 0,0 Placebo: t= Remissionsdauer t (in Monaten) exp(-t/17.1) exp(-t/8.7)
10 Zensierung unzensiert (T=t) rechtszensiert (T>t) linkszensiert (T>t-t 1 ) intervallzensiert (t 1 <T<t) 0 t 1 t Zeit
11 Remissionsdauer bei Leukämie 6-MP MP MP Placebo Placebo Placebo : rechtszensiert aus: Klein JP, Moeschberger ML (2003) Survival Analysis. Springer, New York
12 Bedingte Wahrscheinlichkeit absteigende Ereignisse Es seien A B zwei "absteigende" Ereignisse, d.h. wenn A eintritt, tritt auch B ein. Dann gilt P(A) = P(B) P(A B) Ω Beweis: P(B) P(A B) P(A B) = P(B) P(B) B A = P(A B) = P(A)
13 Remissionsdauer bei Leukämie Problem: Pˆ (T > 10) =? Lösung (Rekursion): Pˆ (T > 10) = Pˆ(T > 9) Pˆ(T > 10 T > 9) Pˆ (T > 9) = Pˆ(T > 8) Pˆ(T > 9 T > 8) Pˆ (T > 2) = Pˆ(T > 1) Pˆ(T > 2 T > 1) Pˆ (T > 1) = Pˆ(T > 0) Pˆ(T > 1 T > 0)
14 Remissionsdauer bei Leukämie Pˆ(T > 10 T > 9) = Anzahl mit Relaps nach dem 10. Monat Anzahl unter Beobachtung im 10. Monat 14 = =
15 Remissionsdauer bei Leukämie t Pˆ (T> t T> t 1) t Pˆ (T> t T> t 1) t Pˆ (T> t T> t 1) t Pˆ (T> t T> t 1) :21 21:21 18:21 16:17 16:16 16:16 14: :13 12:12 11:12 11:11 11:11 10:11 10:10 9: :9 8:8 7:7 6:7 5:6 5:5 5:5 4: :4 4:4 2:2 2:2 1:1
16 Remissionsdauer bei Leukämie t) (T Pˆ > t ) t t T (T Pˆ > > 1) t (T Pˆ >
17 Überlebensfunktion Kaplan-Meier-Schätzer Für eine Stichprobe teilweise rechtszensierter Beobachtungen einer Ereigniszeit T bezeichne {t i } die Zeitpunkte unzensierter Beobachtungen von T, d i die Anzahl unzensierter Beobachtungen zum Zeitpunkt t i, und n i die Anzahl der Beobachtungen mit T t i. Ŝ(t) = t i t ni ni d i heißt "Kaplan-Meier-Schätzer" der Überlebensfunktion.
18 Remissionsdauer bei Leukämie 1,0 0,8 S(t) 0,6 6-MP (Kaplan-Meier) 0,4 0,2 Placebo 0, Remissionsdauer (in Monaten)
19 Überlebensfunktion Kaplan-Meier-Schätzer Kaplan-Meier-Schätzer von Überlebensfunktionen - werden mit fortschreitender Ereigniszeit immer ungenauer. - weisen nur zu Zeitpunkten unzensierter Beobachtungen Sprünge auf. - bleiben nach der letzten unzensierten Beobachtung konstant. - sind nur bis zum Zeitpunkt der letzten Beobachtung (zensiert oder unzensiert) definiert.
20 Remissionsdauer bei Leukämie X: 6-MP versus Y: Placebo t i n X,i d X,i n Y,i d Y,i e X,i e Y,i t i n X,i d X,i n Y,i d Y,i e X,i e Y,i d X d Y e X e Y
21 Vergleich von Überlebensfunktionen Log-Rank-Test Zufallsvariable Hypothesen Erwartete Anzahl Ereignisse Teststatistik Ablehnungsbereich X, Y Ereigniszeiten mit Überlebensfunktionen S X und S Y H 0 : S X =S Y e χ x,i X = i (dx,i + dy,i) nx,i ny, i 2 2 ( dx ex) (dy = χ 2 χ 2 1-α,1 n + e X H A : S X S Y + e, e Y analog Y e Y ) 2
22 Remissionsdauer bei Leukämie X: 6-MP versus Y: Placebo t i n X,i d X,i n Y,i d Y,i e X,i e Y,i t i n X,i d X,i n Y,i d Y,i e X,i e Y,i ( ) ( ) χ = + = p=
23 Das Schwert des Damokles Richard Westall ( )
24 Hazardfunktion Definition Es sei T eine Ereigniszeit mit Dichte f(t) und Überlebensfunktion S(t). h ( t) = lim t 0 P ( t < T t + t T > t) t = f(t) S(t) heißt "Hazardfunktion" oder "Eintrittsrate" von T. Beispiel: f(t) = λ exp( λt) S(t) = 1 F(t) = exp( λt) h(t) = λ exp( λt) exp( λt) = λ
25 Sterbetafel Deutschland Quelle: Statistisches Bundesamt 10-1 h(t)= e t Sterberate weiblich männlich h(t)= e t Lebensalter (Jahre)
26 Gompertz-Verteilung Definition Eine Ereigniszeit T mit Dichtefunktion f(t) = θ exp α t + α (1 θ e α t ) für t 0 heißt "Gompertz-verteilt" mit den Parametern θ,α>0. Für Gompertz-verteilte Ereigniszeiten gilt h(t)=θ exp(α t). Benjamin Gompertz ( )
27 Remissionsdauer bei Leukämie 1,0 0,8 Exponentialverteilung Gompertz-Verteilung S(t)=exp( t 1.18 ) 0,6 S(t) 0,4 0,2 0, Remissionsdauer t (in Monaten)
28 Weibull-verteilte Lebensdauer S(t)=exp(-λ t γ ) h(t)= λγ t γ-1 Überlebensfunktion S(t) 1,0 0,8 0,6 0,4 0,2 γ=0.8, λ=1/50 γ=1.0, λ=1/50 γ=1.2, λ=1/50 Hazardfunktion h(t) 0,07 0,06 0,05 0,04 0,03 0,02 0,01 0,00 "wear-out" γ=1.2, λ=1/50 γ=1.0, λ=1/50 "burn-in" γ=0.8, λ=1/50 0, Zeit t (in Jahren) Zeit t (in Jahren)
29 Regressionsanalyse Modellierung der Hazardfunktion T: X 1,,X k : h(t): Ereigniszeit Einflussgrößen Hazardfunktion h(t) = g(t,x 1,,x k ) Sir David R. Cox (1924 -)
30 Überlebenszeit bei Malignem Melanom Von 1962 bis 1977 wurde im Universitätsklinikum Odense (DK) bei 225 Patienten ein Malignes Melanom operativ entfernt. Neben der Überlebenszeit im Follow-up bis 1977 ist für 205 Patienten auch das Geschlecht, das Alter bei Operation, die Größe des Tumors und das Auftreten einer Ulzeration bekannt. Zeit (Tage) Geschlecht Alter (Jahre) Tumor (mm) Ulcus aus: Andersen PK, Borgan Ø, Gill RD, Keiding N (1991) Statistical Models Based on Counting Processes. Springer, New York
31 Überlebenszeit bei Malignem Melanom 1,0 0,8 0,6 S(t) 0,4 0,2 0, Überlebenszeit t (in Tagen) weiblich (n=126, n + =98) männlich (n=79, n + =50) Log-Rank χ 2 =6.468, 1 d.f., p=0.011
32 Überlebenszeit bei Malignem Melanom Confounding Zielgröße Überlebenszeit Störgröße Geschlecht Ursache? Störgrößen Ulcus, Alter Korrelation Einflussgröße Tumorgröße
33 Hazard-Ratio Definition Eine Population sei in zwei Schichten gegliedert (z.b. "exponiert", "nicht exponiert") mit Ereigniszeiten T e und T n und zugehörigen Hazardfunktionen h e und h n. HR(t) = h h e n (t) (t) wird als "Hazard-Ratio" bei Exposition bezeichnet. Beispiel: Für exponentialverteilte Ereigniszeiten T e und T n mit Parametern λ e und λ n gilt HR(t)=λ e /λ n.
34 Cox-Regressionsanalyse "proportional hazards" T: X 1,,X k : h(t): Ereigniszeit Einflussgrößen Hazardfunktion ln[ h(t)] = α(t) + b x + + b x 1 1 k k Ist X 1 eine dichotome Einflussgröße (z.b. 1:"exponiert", 0:"nicht exponiert"), dann gilt HR(t) = exp( b 1 )
35 Cox-Regressionsanalyse volles Modell Term bˆ i s.e. p Ulzeration (b 1 ) Tumorgröße (b 2 ) Alter (b 3 ) Geschlecht (b 4 ) s.e.: Standardfehler, p: zweiseitiger p-wert des Wald-Tests ln[h(t)]=α(t) x x x x 4
36 Cox-Regressionsanalyse Modellauswahl (Rückwärtsselektion) Term bˆ i s.e. p Ulzeration (b 1 ) Tumorgröße (b 2 ) Geschlecht (b 4 ) s.e.: Standardfehler, p: zweiseitiger p-wert des Wald-Tests
37 Cox-Regressionsanalyse endgültiges Modell Term bˆ i s.e. p Ulzeration (b 1 ) < Tumorgröße (b 2 ) s.e.: Standardfehler, p: zweiseitiger p-wert des Wald-Tests ln[h(t)]=α(t) x x 2 Hazard-Ratios Ulzeration: Tumorgröße (je mm):
38 Zusammenfassung - Bei der statistischen Analyse von beobachteten Ereigniszeiten müssen Zensierungen berücksichtigt werden. - Gängige Modelle für die Verteilung von Ereigniszeiten sind die Exponential-, Gompertz- und Weibull-Verteilung. - Die Kaplan-Meier-Analyse liefert eine sinnvolle Schätzung der Überlebensfunktion aus rechtszensierten Beobachtungen. - Der Unterschied zweier geschätzter Überlebensfunktionen kann mit dem Log-Rank-Test auf statistische Signifikanz geprüft werden. - Die Hazardfunktion misst die Eintrittsrate eines Ereignisses zu einem festen Zeitpunkt. - Ein gängiges Verfahren für die statistische Modellierung von Hazardfunktionen ist die Cox-Regression.
39
Universitätsklinikum Schleswig-Holstein
Viele wissenschaftliche Fragestellungen, insbesondere in der Medizin, beziehen sich auf die Länge des Zeitraums zwischen zwei bestimmten Ereignissen. So besteht z.b. ein maßgebliches Kriterium für die
MehrMusterlösung zur Klausur im Fach Fortgeschrittene Statistik am Gesamtpunktzahl: 60
WESTFÄLISCHE WILHELMS - UNIVERSITÄT MÜNSTER Wirtschaftswissenschaftliche Faktultät Prof. Dr. Bernd Wilfling Professur für VWL, insbesondere Empirische Wirtschaftsforschung Musterlösung zur Klausur im Fach
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
MehrZufallsvariablen. f(x) dx = 1. Die stetige Zufallsvariable X wird also durch seine Dichtefunktion beschrieben. P(c < X < d) =
Diskrete Sei X stetig auf (a,b), wobei a, b unendlich sein können, a x 0 < x 1 b P(X = x 0 ) = 0, P(x 0 < X < x 1 ) > 0 (wenn f > 0). Die Funktion f heißt Dichtefunktion (von X) falls: 1. f(x) 0, a < x
MehrBerechnung der prädiktiven Power. in klinischen Studien mit WinBUGS
Berechnung der prädiktiven Power in klinischen Studien mit WinBUGS Ulrich Mansmann Institut für Medizinische Biometrie und Informatik Universität Heidelberg Gliederung. Konzepte: Konditionale Power, prädiktive
MehrGlossar und Formelsammlung. Hazard Rate. Hazard Ratio =
Glossar und Formelsammlung Hazard Rate Die Hazard Rate steht für das Risiko, genau zum Zeitpunkt t ein Ereignis bei Überlebenszeitanalysen den Tod zu erleiden. Es handelt sich demnach um eine vom Zeitpunkt
MehrEinführung Nichtparametrische Verfahren. Ereignisanalyse. Marcel Noack. 7. Mai 2008
7. Mai 2008 Inhaltsverzeichnis 1 Mathematische Grundlagen Der Datensatz 2 Zusammenhänge Mathematische Grundlagen Der Datensatz F (t) + S(t) = 1 Zusammenhänge Mathematische Grundlagen Der Datensatz F (t)
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrDie partielle Likelihood-Funktion
Die partielle Likelihood-Funktion Roger Züst 12. Juni 26 1 Repetition: Maximum-Likelihood-Methode Hat man n unabhängige Beobachtungen x 1, x 2,..., x n einer Zufallsvariablen X und eine Familie von möglichen
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
MehrExponentialverteilung
Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit
MehrLife Tables und Kaplan Meier
9. Mai 2012 Inhaltsverzeichnis 1 Mathematische Grundlagen Der Datensatz 2 Zusammenhänge Mathematische Grundlagen Der Datensatz F (t) + S(t) = 1 P (T t) + P (T t) = P (Ω) = 1 t 0 f(u)du + t f(u)du = 0 f(u)du
MehrDr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung LogRA. Folie Nr. 1
2.1 Beispiele 2.2 Odds Ratio 2.3 Modell der logistischen Regression 2.3.1 Modellgleichung 2.3.2 Voraussetzungen 2.4 Schätzungen, Tests und Modellgüte 2.4.1 Schätzung der logistischen Regressionskoeffizienten
MehrAnalyse von Ereignisdaten Univ.-Prof. DI Dr. Andrea Berghold Institut für Med. Informatik, Statistik und Dokumentation
Analyse von Ereignisdaten Univ.-Prof. DI Dr. Andrea Berghold Institut für Med. Informatik, Statistik und Dokumentation Analyse von Ereigniszeiten Lebensdauer = Zeit zwischen einem Startpunkt (Anfangsdatum)
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
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
MehrKapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Mehr8 Die Exponentialverteilung
8 Die Exponentialverteilung 8.1 Einführung Modelle Zuverlässigkeitsmodelle Lebensdauermodelle Bedienungsmodelle. 277 W.Kössler, Humboldt-Universität zu Berlin Def. 26 (Exponentialverteilung) Sei X eine
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrCoole Biometrie Eiskalt erwischt!
Coole Biometrie Eiskalt erwischt! Magst Du immer nur aus Büchern lernen? Nein, lass uns selbst ein Experiment machen! Das coole Experiment Wie lange kann man die Hand in Eiswasser halten? Versuch in 2
MehrCox-Regression. Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells
Cox-Regression Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells In vielen Fällen interessiert, wie die Survivalfunktion durch Einflussgrößen beeinflusst
MehrWahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de
MehrStatistische Analyse von Ereigniszeiten II
Statistische Analyse von Analysis VO Biostatistik im WS 2006/2007 1 : Daten zur Nephrektomie 2 3 4 : Daten zur Nephrektomie Studie zur Untersuchung der Wirksamkeit der Nephrektomie (Nierenentfernung) bei
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie () WiSe /3 Univariate und bivariate Verfahren Univariate
MehrFormelsammlung zur Vorlesung Lebensdaueranalyse
Lebensdauer- und Ereignisanalyse WiSe 9/ Michael Höhle Formelsammlung zur Vorlesung Lebensdaueranalyse erstellt von Susanne Konrath Einführung. Hazardrate und Survivalfunktion T stetig mit Verteilungsfunktion
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
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
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
Mehr8.3 Zuverlässigkeitsmodelle
8.3 Zuverlässigkeitsmodelle Def. 29 (Zuverlässigkeit) Die Zuverlässigkeit eines Systems ζ ist die Wahrscheinlichkeit, dass das System zum Zeitpunkt t intakt ist: Rel(ζ) = P(X t). Annahme: Das System besteht
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrSchriftliche Prüfung (2 Stunden)
Dr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer 2015 Schriftliche Prüfung (2 Stunden) Bemerkungen: Erlaubte Hilfsmittel: 10 hand- oder maschinengeschriebene A4 Seiten (=5 Blätter). Taschenrechner
MehrErgebnisse VitA und VitVM
Ergebnisse VitA und VitVM 1 Basisparameter... 2 1.1 n... 2 1.2 Alter... 2 1.3 Geschlecht... 5 1.4 Beobachtungszeitraum (von 1. Datum bis letzte in situ)... 9 2 Extraktion... 11 3 Extraktionsgründe... 15
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
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrEinführung in die Survival-Analyse (Modul: Methoden II)
Einführung in die Survival-Analyse (Modul: Methoden II) ROLAND RAU Universität Rostock, Sommersemester 2013 02. April 2013 c Roland Rau Survival-Analyse 01. Sitzung 1 / 21 Formalia & Übersicht Seminar:
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 24. November 2010 1 Stetige Verteilungen Normalapproximation Gleichverteilung Exponentialverteilung Normalapproximation
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.
MehrFall-Kontroll Studien und Selection Bias. 1.4 Fall-Kontroll Studien: Vorbemerkungen
1.4 Fall-Kontroll Studien: Vorbemerkungen Fall-Kontroll Studien und Selection Bias Fall-Kontroll Studien versuchen in gewisser Weise, eine Kohortenstudie zu imitieren, aber auf das oft zeit- und kostenaufwendige
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrGrundidee. χ 2 Tests. Ausgangspunkt: Klasseneinteilung der Beobachtungen in k Klassen. Grundidee. Annahme: Einfache Zufallsstichprobe (X 1,..., X n ).
Grundidee χ 2 -Anpassungstest χ 2 -Unabhängigkeitstest χ 2 -Homogenitätstest χ 2 Tests Grundidee Ausgangspunkt: Klasseneinteilung der Beobachtungen in k Klassen Annahme: Einfache Zufallsstichprobe (X 1,,
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Januar 2011 1 Vergleich zweier Erwartungswerte Was heißt verbunden bzw. unverbunden? t-test für verbundene Stichproben
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, May 29, 2017 Dr. Michael O. Distler
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
MehrPrüfung. Wahrscheinlichkeit und Statistik. ETH Zürich SS 2016 Prof. Dr. P. Embrechts August BSc INFK. Nachname. Vorname.
ETH Zürich SS 2016 Prof. Dr. P. Embrechts August 2016 Prüfung Wahrscheinlichkeit und Statistik BSc INFK Nachname Vorname Legi Nummer Das Folgende bitte nicht ausfüllen! Aufgabe Max. Punkte Summe Kontrolle
MehrGrundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz
- 1 - Grundgesamtheit, Merkmale, Stichprobe Dimension, Umfang Skalierung Eigenschaften der Stichprobe kennzeichnende Größen Eigenschaften der Stichprobe kennzeichnende Größen Punktediagramm, Regressionsgerade,
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
MehrQuerschnittsbereich 1 Epidemiologie: Methodik des wissenschaftlichen Arbeitens
Medizinische Fakultät der CAU zu Kiel Lernzielkatalog Querschnittsbereich 1 Epidemiologie: Methodik des wissenschaftlichen Arbeitens 5. und 6. Fachsemester Herausgegeben von der Medizinischen Fakultät
MehrLogistische Regression
Logistische Regression Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Logistische Regression Beispiel 1: Herzerkrankungsdaten aus Framingham Log Odds Modell Beispiel 1: Einfluss von Blutdruck Maximum
MehrSatz 104 (Skalierung exponentialverteilter Variablen)
2.3.1 Eigenschaften der Exponentialverteilung Satz 104 (Skalierung exponentialverteilter Variablen) Sei X eine exponentialverteilte Zufallsvariable mit dem Parameter λ. Für a > 0 ist die Zufallsvariable
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
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
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2014 01. April 2014 c Roland Rau Survival Analysis 1 / 20 Formalia & Übersicht Seminar: wöchentlich um 09:15
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6
1 Lösungen ausgewählter Übungsaufgaben zum Buch Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 Aufgaben zu Kapitel 5 Zu Abschnitt 5.1 Ü5.1.1 Finden Sie eine maximum-likelihood-schätzung
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrGrundzüge der Ereignisdatenanalyse
Grundzüge der Ereignisdatenanalyse Regressionsmodelle Sommersemester 2009 Regressionsmodelle Event History Analysis (1/48) Übersicht Exponential- und Weibull-Modell Weitere Modelle Regressionsmodelle Event
MehrAlternative Darstellung des 2-Stcihprobentests für Anteile
Alternative Darstellung des -Stcihprobentests für Anteile DCF CF Total n 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Bei Gültigkeit der Nullhypothese Beobachtete Response No Response Total absolut
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
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
Mehr1.4 Stichproben aus einer Normalverteilung
1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
Mehr5. Stichproben und Statistiken
5. Stichproben und Statistiken Problem: Es sei X eine ZV, die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X kennenlernen (z.b. mittels der VF F X (x)
MehrStatistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg Prof. Markus Schumacher, Dr. Stan Lai Physikalisches Institut Westbau 2 OG E-Mail: Markus.Schumacher@physik.uni-freiburg.de
MehrKapitel 17. Unabhängigkeit und Homogenität Unabhängigkeit
Kapitel 17 Unabhängigkeit und Homogenität 17.1 Unabhängigkeit Im Rahmen der Wahrscheinlichkeitsrechnung ist das Konzept der Unabhängigkeit von zentraler Bedeutung. Die Ereignisse A und B sind genau dann
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Unabhängigkeit Prof. Dr. Achim Klenke http://www.aklenke.de 6. Vorlesung: 02.12.2011 1/30 Inhalt 1 Wahrscheinlichkeit 2 2/30 Wahrscheinlichkeit
Mehr8 Allgemeine Modelle & Robuste Regression
8.1 Allgemeines Lineares Regressions-Modell 182 8 Allgemeine Modelle & Robuste Regression 8.1 Allgemeines Lineares Regressions-Modell a Modell. Y i F µ i, γ, g µ i = η i = x T i β b Weibull-Verteilung.
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
MehrÜbung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung
MehrInstitut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess
Institut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess Name: Vorname: Matrikelnummer: Lösungsvorschlag zur Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik (Stochastik) Datum: 07.
MehrHäufigkeitsverteilungen
Häufigkeitsverteilungen Eine Häufigkeitsverteilung gibt die Verteilung eines erhobenen Merkmals an und ordnet jeder Ausprägung die jeweilige Häufigkeit zu. Bsp.: 100 Studenten werden gefragt, was sie studieren.
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
MehrÜbungsaufgaben zur Vorlesung Methodik des wissenschaftlichen Arbeitens
Übungsaufgaben zur Vorlesung Methodik des wissenschaftlichen Arbeitens Institut für Medizinische Informatik und Statistik Medizinische Fakultät der Christian-Albrechts-Universität Kiel Universitäts-Klinikum
MehrBootstrap: Punktschätzung
Resampling Methoden Dortmund, 2005 (Jenő Reiczigel) 1 Bootstrap: Punktschätzung 1. Die Grundidee 2. Plug-in Schätzer 3. Schätzung des Standardfehlers 4. Schätzung und Korrektur der Verzerrung 5. Konsistenz
Mehr5 Konfidenzschätzung. 5.1 Einige Grundbegriffe zur Konfidenzschätzung
5 Konfidenzschätzung 5. Einige Grundbegriffe zur Konfidenzschätzung Diesem Kapitel liegt das parametrische Modell {X, B X, P } mit P {P Θ} zugrunde. {Θ, B Θ } sei ein Meßraum über Θ und µ ein σ-finites
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
Mehr