Biostatistik, WS 2010/2011 Deskriptive Statistik. It is hard to tell the truth without it. It is easy to lie with statistics.
|
|
- Adolf Busch
- vor 5 Jahren
- Abrufe
Transkript
1 Biostatistik, WS 2010/2011 Deskriptive Statistik Matthias Birkner /112 Wozu Statistik? It is easy to lie with statistics. It is hard to tell the truth without it. Andrejs Dunkels 3/112
2 Was ist Statistik? Wozu Statistik? Die Natur ist voller Variabilität. Wie geht man mit variablen Daten um? Es gibt eine mathematische Theorie des Zufalls: die Stochastik. Wozu Statistik? IDEE DER STATISTIK Variabilität (Erscheinung der Natur) durch Zufall (mathematische Abstraktion) modellieren. 4/112 5/112
3 Wozu Statistik? Statistik = Datenanalyse mit Hilfe stochastischer Modelle Beispiel Graphische Darstellungen Daten aus einer Diplomarbeit aus 2001 am Forschungsinstitut Senckenberg, Frankfurt am Main Crustaceensektion Leitung: Dr. Michael Türkay Charybdis acutidens TÜRKAY /112 8/112
4 Graphische Darstellungen Der Springkrebs Galathea intermedia Graphische Darstellungen Helgoländer Tiefe Rinne, Fang vom Carapaxlänge (mm): Nichteiertragende Weibchen (n = 215) 2,9 3,0 2,9 2,5 2,7 2,9 2,9 3,0 3,0 2,9 3,4 2,8 2,9 2,8 2,8 2,4 2,8 2,5 2,7 3,0 2,9 3,2 3,1 3,0 2,7 2,5 3,0 2,8 2,8 2,8 2,7 3,0 2,6 3,0 2,9 2,8 2,9 2,9 2,3 2,7 2,6 2,7 2, /112 10/112
5 Graphische Darstellungen Nichteiertragende Weibchen am 6. Sept. '88, n= Index Graphische Darstellungen Histogramme und Dichtepolygone Eine Möglichkeit der graphischen Darstellung: das Histogramm 11/112 13/112 Carapaxlänge [mm]
6 Graphische Darstellungen Histogramme und Dichtepolygone Nichteiertragende Weibchen am 6. Sept. '88, n=215 Nichteiertragende Weibchen am 6. Sept. 88, n= Wieviele haben Carapaxlänge zwischen 2,0 und 2,2? 22 Carapaxlänge [mm] Anzahl Anzahl Carapaxlänge [mm] Graphische Darstellungen Histogramme und Dichtepolygone Analoge Daten zwei Monate später ( ): 14/112 15/112
7 Graphische Darstellungen Histogramme und Dichtepolygone Nichteiertragende Weibchen am 3. Nov. '88, n=57 Anzahl Carapaxlänge [mm] Graphische Darstellungen Histogramme und Dichtepolygone Vergleich der beiden Verteilungen Nichteiertragende Weibchen Carapaxlänge [mm] 16/112 Anzahl Sept: n = 215 Problem: ungleiche Stichprobenumfänge: 3.Nov : n = 57 Idee: stauche vertikale Achse so, dass Gesamtfläche = 1. 17/112
8 1.5 Graphische Darstellungen Histogramme und Dichtepolygone Nichteiertragende Weibchen am 6. Sept. 88, n= Carapaxlänge [mm] Graphische Darstellungen Histogramme und Dichtepolygone Die neue vertikale Koordinate ist jetzt eine Dichte (engl. density). 18/112 19/112 Dichte
9 Graphische Darstellungen Histogramme und Dichtepolygone Nichteiertragende Weibchen am 6. Sept. 88, n= Carapaxlänge [mm] 1.5 Nicht Dichte Dichte Dichte? = Anteil des Ganzen pro mm Gesamtfläche=1 Welcher Anteil hatte eine Länge zwischen 2.8 und 3.0 mm? ( ) 0.5 = % Graphische Darstellungen Histogramme und Dichtepolygone Die beiden Histogramme sind jetzt vergleichbar (sie haben dieselbe Gesamtfläche). 20/112 21/112
10 Graphische Darstellungen Histogramme und Dichtepolygone Versuche, die Histogramme zusammen zu zeigen: Nichteiertragende Weibchen Nichteiertragende Weibchen Dichte Dichte Carapaxlänge [mm] Carapaxlänge [mm] /112 Ratschlag Graphische Darstellungen Histogramme und Dichtepolygone Wenn Sie Schauwerbegestalter(in) sind: Beeindrucken Sie Jung und Alt mit total abgefahrenen 3D-Plots! Wenn Sie Wissenschaftler(in) werden wollen: Bevorzugen Sie einfache und klare 2D-Darstellungen. 23/112
11 Problem Graphische Darstellungen Histogramme und Dichtepolygone Histogramme kann man nicht ohne weiteres in demselben Graphen darstellen, weil sie einander überdecken würden. 24/112 Graphische Darstellungen Histogramme und Dichtepolygone Einfache und klare Lösung: Dichtepolygone Nichteiertragende Weibchen am 6. Sept. '88, n=215 Nichteiertragende Weibchen am 3. Nov. '88, n=57 Dichte Dichte Carapaxlänge [mm] Carapaxlänge [mm] 25/112
12 Graphische Darstellungen Histogramme und Dichtepolygone Zwei und mehr Dichtepolygone in einem Plot Nichteiertragende Weibchen 3. Nov. '88 6. Sept. '88 Anzahl Carapaxlänge [mm] Biologische Interpretation der Verschiebung? 26/112 Graphische Darstellungen Histogramme und Dichtepolygone 27/112
13 Anzahl vs. Dichte Graphische Darstellungen Histogramme und Dichtepolygone Anzahl Anzahl Also: Bei Histogrammen mit ungleichmäßiger Unterteilung immer Dichten verwenden! Dichte /112 Graphische Darstellungen Stripcharts Carapax Carapax Stripchart + Boxplots, horizontal Carapax Carapax 30/112
14 Graphische Darstellungen Stripcharts Boxplots, horizontal Graphische Darstellungen Stripcharts Histogramme und Dichtepolygone geben ein ausführliches Bild eines Datensatzes. Manchmal zu ausführlich. 31/112 32/
15 Graphische Darstellungen Boxplots Zu viel Information erschwert den Überblick Baum Baum Baum Baum Baum Baum Baum Baum Baum Baum Baum Baum Baum Wald? Graphische Darstellungen Boxplots Beispiel: Vergleich von mehreren Gruppen 34/ Dichte Dichte 0.0 Dichte Dichte /112
16 Der Boxplot Graphische Darstellungen Boxplots Boxplot, einfache Ausführung Boxplot, Standardausführung 25% 25% 25% 25% Interquartilbereich 1. Quartil 3. Quartil Min Median Max 1,5*Interquartilbereich 1,5*Interquartilbereich Carapaxlänge [mm] Carapaxlänge [mm] 36/112 Graphische Darstellungen Beispiel: Ringeltaube Beispiel: Die Ringeltaube Palumbus palumbus 38/112
17 Graphische Darstellungen Beispiel: Ringeltaube 39/112 Graphische Darstellungen Beispiel: Ringeltaube Wie hängt die Stoffwechselrate bei der Ringeltaube von der Umgebungstemperatur ab? 40/112
18 Graphische Darstellungen Beispiel: Ringeltaube Daten aus dem AK Stoffwechselphysiologie Prof. Prinzinger Universität Frankfurt Graphische Darstellungen Beispiel: Ringeltaube 41/112 42/112
19 Graphische Darstellungen Beispiel: Ringeltaube Klar: Stoffwechselrate höher bei tiefen Temperaturen Graphische Darstellungen Beispiel: Ringeltaube Vermutung: Bei hohen Temperaturen nimmt die Stoffwechselrate wieder zu (Hitzestress). 43/112 44/112
20 Graphische Darstellungen Beispiel: Ringeltaube Graphische Darstellungen Beispiel: Darwin-Finken Charles Robert Darwin ( ) 45/112 47/112
21 Darwin-Finken Graphische Darstellungen Beispiel: Darwin-Finken http: //darwin-online.org.uk/graphics/zoology_illustrations.html 48/112 Graphische Darstellungen Beispiel: Darwin-Finken Darwins Finken-Sammlung Sulloway, F.J. (1982) The Beagle collections of Darwin s Finches (Geospizinae). Bulletin of the British Museum (Natural History), Zoology series 43: /112
22 Graphische Darstellungen Beispiel: Darwin-Finken Flügellängen der Darwin-Finken Flügellängen je nach Insel Flügellängen je nach Insel Flor_Chrl SCris_Chat Snti_Jams Flor_Chrl SCris_Chat Snti_Jams Flor_Chrl SCris_Chat Snti_Jams WingL Barplot für Flügellängen (Anzahlen) Histogramm (Dichten!) mit Transparenz Dichteplot SCris_Chat Flor_Chrl Snti_Jams SCris_Chat Flor_Chrl Snti_Jams SCris_Chat Flor_Chrl Snti_Jams Flügellängen Density Dichte Flügellängen Graphische Darstellungen Beispiel: Darwin-Finken Schnabelgröße je nach Art Cam.par Cer.oli Geo.dif Geo.for Geo.ful Geo.sca Pla.cra 50/112 51/
23 Fazit Graphische Darstellungen Beispiel: Darwin-Finken 1 Histogramme erlauben einen detailierten Blick auf die Daten 2 Dichtepolygone erlauben Vergleiche zwischen vielen Verteilungen 3 Boxplot können große Datenmengen vereinfacht zusammenfassen 4 Bei kleinen Datenmengen eher Stripcharts verwenden 5 Vorsicht mit Tricks wie 3D oder halbtransparenten Farben 6 Jeder Datensatz ist anders; keine Patentrezepte Statistische Kenngrößen Es ist oft möglich, das Wesentliche an einer Stichprobe mit ein paar Zahlen zusammenzufassen. 52/112 54/112
24 Statistische Kenngrößen Wesentlich: 1. Wie groß? Lageparameter 2. Wie variabel? Streuungsparameter Statistische Kenngrößen Eine Möglichkeit kennen wir schon aus dem Boxplot: 55/112 56/112
25 Statistische Kenngrößen Lageparameter Der Median Streuungsparameter Der Quartilabstand (Q3 Q1) 57/112 Statistische Kenngrößen Median und andere Quartile Der Median: die Hälfte der Beobachtungen sind kleiner, die Hälfte sind größer. Der Median ist das 50%-Quantil der Daten. 59/112
26 Die Quartile Statistische Kenngrößen Median und andere Quartile Das erste Quartil, Q1: ein Viertel der Beobachtungen sind kleiner, drei Viertel sind größer. Q1 ist das 25%-Quantil der Daten. Die Quartile Statistische Kenngrößen Median und andere Quartile Das dritte Quartil, Q3: drei Viertel der Beobachtungen sind kleiner, ein Viertel sind größer. Q3 ist das 75%-Quantil der Daten. 60/112 61/112
27 Statistische Kenngrößen Mittelwert und Standardabweichung Am häufigsten werden benutzt: Lageparameter Der Mittelwert x Streuungsparameter Die Standardabweichung s Statistische Kenngrößen Mittelwert und Standardabweichung Der Mittelwert (engl. mean) 63/112 64/112
28 NOTATION: Statistische Kenngrößen Mittelwert und Standardabweichung Wenn die Beobachtungen x1, x2, x3,...,xn heißen, schreibt man oft x für den Mittelwert. 65/112 DEFINITION: Statistische Kenngrößen Mittelwert und Standardabweichung Mittelwert = Summe der Messwerte Anzahl der Messwerte Summe Anzahl Der Mittelwert von x1, x2,..., xn als Formel: x = (x1 + x2 + + xn)/n = 1 n n i=1 xi 66/112
29 Statistische Kenngrößen Mittelwert und Standardabweichung Beispiel: x1 = 3, x2 = 0, x3 = 2, x4 = 3, x5 = 1 x = Summe/Anzahl x = ( )/5 x = 9/5 x = 1,8 Statistische Kenngrößen Mittelwert und Standardabweichung Geometrische Bedeutung des Mittelwerts: Der Schwerpunkt 67/112 68/112
30 Statistische Kenngrößen Mittelwert und Standardabweichung Wir stellen uns die Beobachtungen als gleich schwere Gewichte auf einer Waage vor: Wo muß der Drehpunkt sein, damit die Waage im Gleichgewicht ist? /112 Statistische Kenngrößen Mittelwert und Standardabweichung m = 1,8? richtig 70/112
31 Statistische Kenngrößen Mittelwert und Standardabweichung Beispiel: Galathea intermedia Rundlichkeit := Abdominalbreite / Carapaxlänge Vermutung: Rundlichkeit nimmt bei Geschlechtsreife zu Statistische Kenngrößen Mittelwert und Standardabweichung 71/112 72/112
32 Statistische Kenngrößen Mittelwert und Standardabweichung Beispiel: Statistische Kenngrößen Mittelwert und Standardabweichung 73/112 74/112
33 Statistische Kenngrößen Mittelwert und Standardabweichung Die Standardabweichung Wie weit weicht eine typische Beobachtung vom Mittelwert ab? Statistische Kenngrößen Mittelwert und Standardabweichung typische Mittelwert=2,8 Abweichung = =? ,8 = 0,8 1,8 1,2 0, /112 76/112
34 Statistische Kenngrößen Mittelwert und Standardabweichung Die Standardabweichung σ ( sigma ) [auch SD von engl. standard deviation] ist ein σ = etwas komisches gewichtetes Mittel der Abweichungsbeträge und zwar Summe(Abweichungen 2 )/n Statistische Kenngrößen Mittelwert und Standardabweichung Die Standardabweichung von x1, x2,..., xn als Formel: σ = 1 n n i=1 (xi x) 2 σ 2 = 1 n n i=1 (x i x) 2 heißt Varianz. 77/112 78/112
35 Statistische Kenngrößen Mittelwert und Standardabweichung Faustregel für die Standardabweichung Bei ungefähr glockenförmigen (also eingipfligen und symmetrischen) Verteilungen liegen ca. 2/3 der Verteilung zwischen x σ und x + σ. probability density x σ x x + σ Statistische Kenngrößen Mittelwert und Standardabweichung Standardabweichung der Carapaxlängen nichteiertragender Weibchen vom Nichteiertragende Weibchen σ = 0.28 σ 2 = x = 2.53 Carapaxlänge [mm] 79/112 Dichte Hier liegt der Anteil zwischen x σ und x + σ bei 72%. 80/112
36 Statistische Kenngrößen Mittelwert und Standardabweichung Varianz der Carapaxlängen nichteiertragender Weibchen vom Alle Carapaxlängen im Meer: X = (X1, X2,...,XN). Carapaxlängen in unserer Stichprobe: S = (S1, S2,..., Sn=215) Stichprobenvarianz: σ 2 S = 1 n 215 i=1 (Si S) 2 0,0768 Können wir 0,0768 als Schätzwert für die Varianz σ X 2 in der ganzen Population verwenden? Ja, können wir machen. Allerdings ist σ S 2 im Durchschnitt um den Faktor n 1 (= 214/215 0, 995) kleiner als σ 2 n X 81/112 Varianzbegriffe Statistische Kenngrößen Mittelwert und Standardabweichung Varianz in der Population: σ 2 X = 1 N N i=1 (X i X) 2 Stichprobenvarianz: σ S 2 = 1 n n i=1 (S i S) 2 korrigierte Stichprobenvarianz: s 2 = n n 1 σ2 S = = n n 1 1 n 1 n 1 n i=1 n i=1 (Si S) 2 (Si S) 2 Mit Standardabweichung von S ist meistens das korrigierte s gemeint. 82/112
37 Statistische Kenngrößen Mittelwert und Standardabweichung x = 10/5 = 2 Summe x x x (x x) s 2 = Summe ( (x x) 2) /(n 1) = 16/(5 1) = 4 s = 2 Statistische Kenngrößen Mittelwert und Standardabweichung Eine simulierte Fischpopulation (N=10000 adulte) Mittelwert: Standardabweichung: Laenge [cm] Eine Stichprobe aus der Population (n=10) M: SD mit (n 1): 1.58 SD mit n: Laenge [cm] Noch eine Stichprobe aus der Population (n=10) M: SD mit (n 1): 1.01 SD mit n: Laenge [cm] 83/112 84/112
38 Statistische Kenngrößen Mittelwert und Standardabweichung 1000 Stichproben, jeweils vom Umfang n=10 Density SD mit n 1 berechnet Density SD mit n berechnet Statistische Kenngrößen Mittelwert und Standardabweichung σ mit n oder n 1 berechnen? Die Standardabweichung σ eines Zufallsexperiments mit n gleichwahrscheinlichen Ausgängen x1,..., xn (z.b. Würfelwurf) ist klar definiert durch 1 n (x xi) 2. n i=1 Wenn es sich bei x1,...,xn um eine Stichprobe handelt (wie meistens in der Statistik), sollten Sie die Formel 1 n (x xi) 2 n 1 i=1 verwenden. 85/112 86/112
39 Vom Sinn und Unsinn von Mittelwerten Mittelwert und Standardabweichung... charakterisieren die Daten gut, falls deren Verteilung glockenförmig ist und müssen andernfalls mit Vorsicht interpretiert werden. Wir betrachten dazu einige Lehrbuch-Beispiele aus der Ökologie, siehe z.b. M. Begon, C. R. Townsend, and J. L. Harper. Ecology: From Individuals to Ecosystems. Blackell Publishing, 4 edition, Im Folgenden verwenden wir zum Teil simulierte Daten, wenn die Originaldaten nicht verfügbar waren. Glauben Sie uns also nicht alle Datenpunkte. Vom Sinn und Unsinn von Mittelwerten Beispiel: Wählerische Bachstelzen Bachstelzen fressen Dungfliegen Räuber Beute Bachstelze (White Wagtail) Gelbe Dungfliege Motacilla alba alba Scatophaga stercoraria image (c) by Artur Mikołajewski image (c) by Viatour Luc 88/112 90/112
40 Vermutung Vom Sinn und Unsinn von Mittelwerten Beispiel: Wählerische Bachstelzen Die Fliegen sind unterschiedlich groß Effizienz für die Bachstelze = Energiegewinn / Zeit zum Fangen und fressen Laborexperimente lassen vermuten, dass die Effizienz bei 7mm großen Fliegen maximal ist. N.B. Davies. Prey selection and social behaviour in wagtails (Aves: Motacillidae). J. Anim. Ecol., 46:37 57, /112 Vom Sinn und Unsinn von Mittelwerten Beispiel: Wählerische Bachstelzen available dung flies captured dung flies mean= 7.99 sd= 0.96 mean= 6.79 sd= 0.69 number number length [mm] length [mm] 92/112
41 Vom Sinn und Unsinn von Mittelwerten Beispiel: Wählerische Bachstelzen Vergleich der Größenverteilungen captured available Mittelwert 6.29 < 7.99 Standardabweichung 0.69 < 0.96 dung flies: available, captured captured available fraction per mm length [mm] Interpretation Vom Sinn und Unsinn von Mittelwerten Beispiel: Wählerische Bachstelzen Die Bachstelzen bevorzugen Dungfliegen, die etwa 7mm groß sind. Hier waren die Verteilungen glockenförmig und es genügten 4 Werte (die beiden Mittelwerte und die beiden Standardabweichungen), um die Daten adäquat zu beschreiben. 93/112 94/112
42 Vom Sinn und Unsinn von Mittelwerten Beispiel: Spiderman & Spiderwoman Nephila madagascariensis image (c) by Bernard Gagnon Vom Sinn und Unsinn von Mittelwerten Beispiel: Spiderman & Spiderwoman Simulated Data: Eine Stichprobe von 70 Spinnen Mittlere Größe: 21,06 mm Standardabweichung der Größe: 12,94 mm 96/112 97/112
43 Vom Sinn und Unsinn von Mittelwerten Beispiel: Spiderman & Spiderwoman????? Nephila madagascariensis (n=70) mean= size [mm] size [mm] Frequency Frequency Nephila madagascariensis (n=70) Nephila madagascariensis (n=70) males females males females size [mm] size [mm] Frequency Frequency /112 Vom Sinn und Unsinn von Mittelwerten Beispiel: Spiderman & Spiderwoman Nephila madagascariensis image (c) by Arthur Chapman 99/112
44 Vom Sinn und Unsinn von Mittelwerten Beispiel: Spiderman & Spiderwoman Fazit des Spinnenbeispiels Wenn die Daten aus verschiedenen Gruppen zusammengesetzt sind, die sich bezüglich des Merkmals deutlich unterscheiden, kann es sinnvoll sein, Kenngrößen wie den Mittelwert für jede Gruppe einzeln zu berechnen. 100/112 Vom Sinn und Unsinn von Mittelwerten Beispiel: Kupfertoleranz beim Roten Straußgras Kupfertolerantes Rotes Straußgras Rotes Straußgras Kupfer Agrostis tenuis Cuprum image (c) Kristian Peters Hendrick met de Bles 102/112
45 Vom Sinn und Unsinn von Mittelwerten Beispiel: Kupfertoleranz beim Roten Straußgras A.D. Bradshaw. Population Differentiation in agrostis tenius Sibth. III. populations in varied environments. New Phytologist, 59(1):92 103, T. McNeilly and A.D Bradshaw. Evolutionary Processes in Populations of Copper Tolerant Agrostis tenuis Sibth. Evolution, 22: , Wir verwenden hier wieder simulierte Daten, da die Originaldaten nicht zur Verfügung stehen. 103/112 Vom Sinn und Unsinn von Mittelwerten Beispiel: Kupfertoleranz beim Roten Straußgras Anpassung an Kupfer? Pflanzen, denen das Kupfer schadet, haben kürzere Wurzeln. Die Wurzellängen von Pflanzen aus der Umgebung von Kupferminen wird gemessen. Samen von unbelasteten Wiesen werden bei Kupferminen eingesäht. Die Wurzellängen dieser Wiesenpflanzen werden gemessen. 104/112
46 Vom Sinn und Unsinn von Mittelwerten Beispiel: Kupfertoleranz beim Roten Straußgras Browntop Bent (n=50) Copper Mine Grass root length (cm) Vom Sinn und Unsinn von Mittelwerten Beispiel: Kupfertoleranz beim Roten Straußgras Browntop Bent (n=50) Grass seeds from a meadow copper tolerant? root length (cm) 105/ /112 density per cm density per cm
47 Vom Sinn und Unsinn von Mittelwerten Beispiel: Kupfertoleranz beim Roten Straußgras Browntop Bent (n=50) meadow plants copper mine plants root length (cm) Vom Sinn und Unsinn von Mittelwerten Beispiel: Kupfertoleranz beim Roten Straußgras Browntop Bent (n=50) copper mine plants m s m m+s root length (cm) 107/ /112 density per cm density per cm
48 Vom Sinn und Unsinn von Mittelwerten Beispiel: Kupfertoleranz beim Roten Straußgras Browntop Bent (n=50) m s m m+s meadow plants density per cm root length (cm) 2/3 der Wurzellängen innerhalb [m-sd,m+sd]???? Nein! 109/112 Vom Sinn und Unsinn von Mittelwerten Beispiel: Kupfertoleranz beim Roten Straußgras Fazit des Straußgras-Beispiels Manche Verteilungen können nur mit mehr als zwei Variablen angemessen beschrieben werden. z.b. mit den fünf Werten der Boxplots: min, Q1, median, Q3, max 110/112
49 Vom Sinn und Unsinn von Mittelwerten Beispiel: Kupfertoleranz beim Roten Straußgras Browntop Bent n=50+50 copper mine plants meadow plants root length (cm) 111/112 Vom Sinn und Unsinn von Mittelwerten Beispiel: Kupfertoleranz beim Roten Straußgras Schlussfolgerung In der Biologie sind viele Datenverteilungen annähernd glockenförmig und können durch den Mittelwert und die Standardabweichung hinreichend beschrieben werden. Es gibt aber auch Ausnahmen. Also: Immer die Daten erst mal graphisch untersuchen! Verlassen sie sich niemals allein auf numerische Kenngrößen! 112/112
Wahrscheinlichkeitsrechnung und Statistik für Biologen Einführung: Deskriptive Statistik
Wahrscheinlichkeitsrechnung und Statistik für Biologen Einführung: Deskriptive Statistik Martin Hutzenthaler & Dirk Metzler http://evol.bio.lmu.de/statgen.html 20. und 23. April 2010 1 Einführung Konzept
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Biologie Einführung: Deskriptive Statistik
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Biologie Einführung: Deskriptive Statistik Noémie Becker & Dirk Metzler 17. April 2013 Inhaltsverzeichnis 1 Einführung 1 1.1 Konzept und Quellen.........................................
Wahrscheinlichkeitsrechnung und Statistik für Biologen Einführung: Deskriptive Statistik
Wahrscheinlichkeitsrechnung und Statistik für Biologen Einführung: Deskriptive Statistik Martin Hutzenthaler & Dirk Metzler 17. April 2012 Inhaltsverzeichnis 1 Einführung 1 1.1 Konzept und Quellen.........................................
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Biologie Einführung: Deskriptive Statistik
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Biologie Einführung: Deskriptive Statistik Dirk Metzler, Noémie Becker 11. April 2018 Inhaltsverzeichnis 1 Einführung 1 1.1 Zum Inhalt des
Biostatistik, WS 2017/18 Deskriptive Statistik
1/119 Biostatistik, WS 2017/18 Deskriptive Statistik Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1718/ 10. und 17.11.2017 3/119 Wozu Statistik? It is easy to lie with statistics.
IDEE DER STATISTIK: Variabilität (Erscheinung der Natur) durch. Zufall (mathematische Abstraktion) modellieren.
IDEE DER STATISTIK: Variabilität (Erscheinung der Natur) durch Zufall (mathematische Abstraktion) modellieren. Statistik = Datenanalyse mit Hilfe stochastischer Modelle Theoretische Statistik ist ein Teil
7. Ideen aus der Statistik 7.1 Deskriptive Statistik
1/90 7. Ideen aus der Statistik 7.1 Deskriptive Statistik Matthias Birkner http://www.mathematik.uni-mainz.de/~birkner/grundlstoch_1314/ 13.1.2014 Ansatz der Statistik Inhalt 1 Ansatz der Statistik 2 Graphische
7. Ideen aus der Statistik 7.1 Deskriptive Statistik
1/101 7. Ideen aus der Statistik 7.1 Deskriptive Statistik Matthias Birkner http://www.staff.uni-mainz.de/birkner/grundlstoch_1617/ 18.1.2017 Inhalt Ansatz der Statistik 1 Ansatz der Statistik 2 Graphische
Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler
Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler Martin Hutzenthaler & Dirk Metzler http://www.zi.biologie.uni-muenchen.de/evol/statgen.html 27. April 2010 1 Eine kurze Wiederholung
Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler
Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler Martin Hutzenthaler & Dirk Metzler 27. April 2010 Inhaltsverzeichnis 1 Eine kurze Wiederholung zur deskriptiven Statistik 2
Wahrscheinlichkeitsrechnung und Statistik für Biologen Der Standardfehler
Wahrscheinlichkeitsrechnung und Statistik für Biologen Der Standardfehler Matthias Birkner & Dirk Metzler 28 April 2009 1 Inhaltsverzeichnis 1 Ein 11 12 13 14 kurze Wiederholung zur deskriptiven Statistik
Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler
Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler Noémie Becker & Dirk Metzler 15. April 2016 Inhaltsverzeichnis 1 Der Standardfehler 1 1.1 Ein Versuch............................................
Deskriptive Statistik
Deskriptive Statistik Deskriptive Statistik: Ziele Daten zusammenfassen durch numerische Kennzahlen. Grafische Darstellung der Daten. Quelle: Ursus Wehrli, Kunst aufräumen 1 Modell vs. Daten Bis jetzt
Statistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 3. Vorlesung Dr. Jochen Köhler 1 Inhalte der heutigen Vorlesung Ziel: Daten Modellbildung Probabilistisches Modell Wahrscheinlichkeit von Ereignissen Im ersten
Biostatistik, Sommer 2017
1/59 Biostatistik, Sommer 2017 Beschreibende Statistik Prof. Dr. Achim Klenke http://www.aklenke.de 5. Vorlesung: 19.05.2017 2/59 Inhalt 1 Vorbetrachtungen 2 Beschreibende Statistik Beispiel: Versuch zur
Verfahren für metrische Variable
Verfahren für metrische Variable Grafische Methoden Histogramm Mittelwertsplot Boxplot Lagemaße Mittelwert, Median, Quantile Streuungsmaße Standardabweichung, Interquartilsabstand Lagemaße und Streumaße
Deskriptive Statistik. (basierend auf Slides von Lukas Meier)
Deskriptive Statistik (basierend auf Slides von Lukas Meier) Deskriptive Statistik: Ziele Daten zusammenfassen durch numerische Kennzahlen. Grafische Darstellung der Daten. Quelle: Ursus Wehrli, Kunst
Statistik K urs SS 2004
Statistik K urs SS 2004 3.Tag Grundlegende statistische Maße Mittelwert (mean) Durchschnitt aller Werte Varianz (variance) s 2 Durchschnittliche quadrierte Abweichung aller Werte vom Mittelwert >> Die
Datenstrukturen. Querschnitt. Grösche: Empirische Wirtschaftsforschung
Datenstrukturen Datenstrukturen Querschnitt Panel Zeitreihe 2 Querschnittsdaten Stichprobe von enthält mehreren Individuen (Personen, Haushalte, Firmen, Länder, etc.) einmalig beobachtet zu einem Zeitpunkt
3. Deskriptive Statistik
3. Deskriptive Statistik Eindimensionale (univariate) Daten: Pro Objekt wird ein Merkmal durch Messung / Befragung/ Beobachtung erhoben. Resultat ist jeweils ein Wert (Merkmalsausprägung) x i : - Gewicht
2. Deskriptive Statistik
Philipps-Universitat Marburg 2.1 Stichproben und Datentypen Untersuchungseinheiten: mogliche, statistisch zu erfassende Einheiten je Untersuchungseinheit: ein oder mehrere Merkmale oder Variablen beobachten
Statistische 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 Markus.Schumacher@physik.uni-freiburg.de
Univariate explorative Datenanalyse in R
Univariate explorative Datenanalyse in R Achim Zeileis, Regina Tüchler 2006-10-03 1 Ein metrisches Merkmal Wir laden den Datensatz: R> load("statlab.rda") und machen die Variablen direkt verfügbar: R>
Lage- und Streuungsparameter
Lage- und Streuungsparameter Beziehen sich auf die Verteilung der Ausprägungen von intervall- und ratio-skalierten Variablen Versuchen, diese Verteilung durch Zahlen zu beschreiben, statt sie graphisch
Bitte am PC mit Windows anmelden!
Einführung in SPSS Plan für heute: Grundlagen/ Vorwissen für SPSS Vergleich der Übungsaufgaben Einführung in SPSS http://weknowmemes.com/generator/uploads/generated/g1374774654830726655.jpg Standardnormalverteilung
Herzlich willkommen zur Vorlesung Statistik. Streuungsmaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung
FB 1 W. Ludwig-Mayerhofer Statistik 1 Herzlich willkommen zur Vorlesung Statistik smaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung FB 1 W. Ludwig-Mayerhofer
Häufigkeitsverteilungen und Statistische Maßzahlen. Häufigkeitsverteilungen und Statistische Maßzahlen. Variablentypen. Stichprobe und Grundgesamtheit
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Häufigkeitsverteilungen und Statistische Maßzahlen Statistik SS Variablentypen Qualitative
Stochastik-Praktikum
Stochastik-Praktikum Deskriptive Statistik Peter Frentrup Humboldt-Universität zu Berlin 7. November 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 7. November 2017 1 / 27 Übersicht
Deskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
Teil VII. Deskriptive Statistik. Woche 5: Deskriptive Statistik. Arbeitsschritte der Datenanalyse. Lernziele
Woche 5: Deskriptive Statistik Teil VII Patric Müller Deskriptive Statistik ETHZ WBL 17/19, 22.05.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
Übungsrunde 2, Gruppe 2 LVA , Übungsrunde 1, Gruppe 2, Markus Nemetz, TU Wien, 10/2006
1 1.2.3.4. 1.1 Angabe Übungsrunde 2, Gruppe 2 LVA 107.369, Übungsrunde 1, Gruppe 2, 24.10. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 10/2006 Bestimmen Sie für den Datensatz bulb.dat die Quartile,
Mathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 20. Oktober 2010 1 empirische Verteilung 2 Lageparameter Modalwert Arithmetisches Mittel Median 3 Streuungsparameter
Teil IV Deskriptive Statistik
Woche 5: Deskriptive Statistik Teil IV Deskriptive Statistik WBL 15/17, 18.05.2015 Alain Hauser Berner Fachhochschule, Technik und Informatik Berner Fachhochschule Haute école spécialisée
Datenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY23) Herbstsemester 207 Olaf Steinkamp 36-J-05 olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
Einführung in Quantitative Methoden
Einführung in Quantitative Methoden Mag. Dipl.Ing. Dr. Pantelis Christodoulides & Mag. Dr. Karin Waldherr SS 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden- 2.VO 1/57 Die Deskriptivstatistik
5 Exkurs: Deskriptive Statistik
5 EXKURS: DESKRIPTIVE STATISTIK 6 5 Ekurs: Deskriptive Statistik Wir wollen zuletzt noch kurz auf die deskriptive Statistik eingehen. In der Statistik betrachtet man für eine natürliche Zahl n N eine Stichprobe
absolute Häufigkeit h: Anzahl einer bestimmten Note relative Häufigkeit r: Anzahl einer bestimmten Note, gemessen an der Gesamtzahl der Noten
Statistik Eine Aufgabe der Statistik ist es, Datenmengen zusammenzufassen und darzustellen. Man verwendet dazu bestimmte Kennzahlen und wertet Stichproben aus, um zu Aussagen bzw. Prognosen über die Gesamtheit
Anteile Häufigkeiten Verteilungen Lagemaße Streuungsmaße Merkmale von Verteilungen. Anteile Häufigkeiten Verteilungen
DAS THEMA: VERTEILUNGEN LAGEMAßE - STREUUUNGSMAßE Anteile Häufigkeiten Verteilungen Lagemaße Streuungsmaße Merkmale von Verteilungen Anteile Häufigkeiten Verteilungen Anteile und Häufigkeiten Darstellung
If something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra
If something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra If you torture your data long enough, they will tell you whatever you want to hear. James L. Mills Warum Biostatistik?
Lagemasse und Streuung
Lagemasse und Streuung Benjamin Schlegel 07. März 2016 Lagemasse sagen etwas über die Lage und das Zentrum der Daten aus, Streuungsmasse, wie die Daten um dieses Zentrum gestreut sind. Lagemasse Lagemasse
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
1 Univariate Statistiken
1 Univariate Statistiken Im ersten Kapitel berechnen wir zunächst Kenngrößen einer einzelnen Stichprobe bzw. so genannte empirische Kenngrößen, wie beispielsweise den Mittelwert. Diese können, unter gewissen
Statistik und Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 1 Inhalte der heutigen Vorlesung Ziel: Daten Modellbildung Probabilistisches Modell Im ersten Schritt werden wir die Daten nur beschreiben:
Einführung in Quantitative Methoden
Einführung in Quantitative Methoden Mag. Dipl.Ing. Dr. Pantelis Christodoulides & Mag. Dr. Karin Waldherr SS 2011 Christodoulides / Waldherr Einführung in Quantitative Methoden- 2.VO 1/62 Summenzeichen
Statistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 3 1 Inhalt der heutigen Übung Vorrechnen der Hausübung B.7 Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben C.1: Häufigkeitsverteilung C.2: Tukey
o o o o o o o o o o o o
Klumpen-Stichproben = Cluster Sampling Obs.: Bei einer uneingeschränkten Zufallsauswahl wird pro Randomisierungs- Schritt genau eine Beobachtung gemacht. Ein ganz wesentlicher Punkt : Jedes zufällig ausgewählte
Beschreibende Statistik Eindimensionale Daten
Mathematik II für Biologen 16. April 2015 Prolog Geordnete Stichprobe Rang Maße für die mittlere Lage der Daten Robustheit Quantile Maße für die Streuung der Daten Erkennung potentieller Eindimensionales
1. Maße der zentralen Tendenz Beispiel: Variable Anzahl der Geschwister aus Jugend '92. Valid Cum Value Frequency Percent Percent Percent
Deskriptive Statistik 1. Verteilungsformen symmetrisch/asymmetrisch unimodal(eingipflig) / bimodal (zweigipflig schmalgipflig / breitgipflig linkssteil / rechtssteil U-förmig / abfallend Statistische Kennwerte
Statistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 26.02.2008 1 Warum Statistik und Wahrscheinlichkeits rechnung im Ingenieurwesen? Zusammenfassung der letzten Vorlesung Statistik und Wahrscheinlichkeitsrechnung
Der Modus ist. Der Median ist. 3. Übung. Aufgabe 1. a) der häufigste Wert. b) der Wert unter dem 50 % aller anderen Werte liegen.
3. Übung Aufgabe 1 Der Modus ist a) der häufigste Wert. b) der Wert unter dem 50 % aller anderen Werte liegen. c) der Durchschnitt aller Werte. d) der Wert mit der größten Häufigkeitsdichte. e) der Schwerpunkt
Berechnung von W für die Elementarereignisse einer Zufallsgröße
R. Albers, M. Yanik Skript zur Vorlesung Stochastik (lementarmathematik) 5. Zufallsvariablen Bei Zufallsvariablen geht es darum, ein xperiment durchzuführen und dem entstandenen rgebnis eine Zahl zuzuordnen.
PROC MEANS. zum Berechnen statistischer Maßzahlen (für quantitative Merkmale)
PROC MEAS zum Berechnen statistischer Maßzahlen (für quantitative Merkmale) Allgemeine Form: PROC MEAS DATA=name Optionen ; VAR variablenliste ; CLASS vergleichsvariable ; Beispiel und Beschreibung der
Kapitel 1 Beschreibende Statistik
Beispiel 1.25: fiktive Aktienkurse Zeitpunkt i 0 1 2 Aktienkurs x i 100 160 100 Frage: Wie hoch ist die durchschnittliche Wachstumsrate? Dr. Karsten Webel 53 Beispiel 1.25: fiktive Aktienkurse (Fortsetzung)
Mittelwert und Standardabweichung
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Mittelwert und Standardabweichung Überblick Mittelwert Standardabweichung Weitere Maße
Vorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
10. Medizinische Statistik
10. Medizinische Statistik Projektplanung Deskriptive Statistik Inferenz-Statistik Literatur: Hüsler, J. und Zimmermann, H.: Statistische Prinzipien für medizinische Projekte, Verlag Hans Huber, 1993.
Statistik I. Methodologie der Psychologie
Statistik I Methodologie der Psychologie Thomas Schmidt & Lena Frank Wintersemester 2003/2004 Georg-Elias-Müller-Institut für Psychologie Uni Göttingen Literatur: Glantz, S.A. (2002). Primer of Biostatistics.
Biostatistik, WS 2013/2014 Wilcoxons Rangsummen-Test
1/22 Biostatistik, WS 2013/2014 Wilcoxons Rangsummen-Test Matthias Birkner http://www.mathematik.uni-mainz.de/~birkner/biostatistik1314/ 20.12.2013 Motivation 4/22 Bei (ungefähr) glockenförmigen und symmetrisch
1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18
3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen
Univariate explorative Datenanalyse in R
Univariate explorative Datenanalyse in R Achim Zeileis 2009-02-20 1 Grundlegende Befehle Zunächst laden wir den Datensatz (siehe auch Daten.pdf ) BBBClub R> load("bbbclub.rda") das den "data.frame" BBBClub
8. Statistik Beispiel Noten. Informationsbestände analysieren Statistik
Informationsbestände analysieren Statistik 8. Statistik Nebst der Darstellung von Datenreihen bildet die Statistik eine weitere Domäne für die Auswertung von Datenbestände. Sie ist ein Fachgebiet der Mathematik
Eine Einführung in R: Dichten und Verteilungsfunktionen
Eine Einführung in R: Dichten und Verteilungsfunktionen Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 25. November 2009 Bernd
Beispiel 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
Anzahl( X ) Histogramm. Freizeit. S1 = Anzahl ( Groesse) S3 =
3 Beschreibung von Verteilungen von numerischen Merkmalen 93 n 1 ( : = ( i = var( Summe ( X amittel( X s X x x X n i = 1 ( Anzahl( X oder PopStdAbw (X Wir betrachten als Beispiel die Körpergrößen im Muffins-Datensatz.
Marcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 12. Winterthur, 17. Mai Institut für Datenanalyse und Prozessdesign
Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 17. Mai 2017 1 Verteilung
Mathematik IV: Statistik
für D-UWIS, D-ERDW, D-USYS und D-HEST SS16 Sie hören Vitamin String Quartet Daniel Stekhoven 14.04.2016 1 Daniel Stekhoven 14.04.2016 2 Überblick Lernziele Erledigt! Grundlagen Wahrscheinlichkeitsmodell
Übung 1 im Fach "Biometrie / Q1"
Universität Ulm, Institut für Epidemiologie und Medizinische Biometrie, D-89070 Ulm Institut für Epidemiologie und Medizinische Biometrie Leiter: Prof. Dr. D. Rothenbacher Schwabstr. 13, 89075 Ulm Tel.
1.1 Graphische Darstellung von Messdaten und unterschiedliche Mittelwerte. D. Horstmann: Oktober
1.1 Graphische Darstellung von Messdaten und unterschiedliche Mittelwerte D. Horstmann: Oktober 2014 4 Graphische Darstellung von Daten und unterschiedliche Mittelwerte Eine Umfrage nach der Körpergröße
Statistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
W-Rechnung und Statistik für Ingenieure Übung 4
W-Rechnung und Statistik für Ingenieure Übung 4 Aufgabe 1 : Zementdaten Lösung in R: Lade den Datensatz SETTING.DAT: Die erste Spalte von setting gibt die prozentualen Anteile von a wieder, die Zweite
Eine Einführung in R: Dichten und Verteilungsfunktionen
Eine Einführung in R: Dichten und Verteilungsfunktionen Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/
4. Kumulierte Häufigkeiten und Quantile
4. Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen 1 4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten Oft ist man nicht an der Häufigkeit einzelner Merkmalsausprägungen
Tests für Erwartungswert & Median
Mathematik II für Biologen 26. Juni 2015 Prolog Varianz des Mittelwerts Beispiel: Waage z-test t-test Vorzeichentest Wilcoxon-Rangsummentest Varianz des Mittelwerts Beispiel: Waage Zufallsvariable X 1,...,X
Ermitteln Sie auf 2 Dezimalstellen genau die folgenden Kenngrößen der bivariaten Verteilung der Merkmale Weite und Zeit:
1. Welche der folgenden Kenngrößen, Statistiken bzw. Grafiken sind zur Beschreibung der Werteverteilung des Merkmals Konfessionszugehörigkeit sinnvoll einsetzbar? A. Der Modalwert. B. Der Median. C. Das
Beschreibende Statistik und der Übergang zur beurteilenden Statistik
Beschreibende Statistik und der Übergang zur beurteilenden Statistik Guido Herweyers KHBO Campus Oostende K.U.Leuven 1. Vorwort Der Einsatz des Voyage 200 erleichert die Verarbeitung von Daten und erlaubt
Die erhobenen Daten werden zunächst in einer Urliste angeschrieben. Daraus ermittelt man:
Die erhobenen Daten werden zunächst in einer Urliste angeschrieben. Daraus ermittelt man: a) Die absoluten Häufigkeit: Sie gibt an, wie oft ein Variablenwert vorkommt b) Die relative Häufigkeit: Sie erhält
Die erhobenen Daten werden zunächst in einer Urliste angeschrieben. Daraus ermittelt man:
Die erhobenen Daten werden zunächst in einer Urliste angeschrieben. Daraus ermittelt man: a) Die absoluten Häufigkeit: Sie gibt an, wie oft ein Variablenwert vorkommt b) Die relative Häufigkeit: Sie erhält
Beispiel 4 (Einige weitere Aufgaben)
1 Beispiel 4 (Einige weitere Aufgaben) Aufgabe 1 Bestimmen Sie für die folgenden Zweierstichproben, d. h. Stichproben, die jeweils aus zwei Beobachtungen bestehen, a) den Durchschnitt x b) die mittlere
Wahrscheinlichkeitsrechnung und Statistik für Biologen Diskriminanzanalyse
Wahrscheinlichkeitsrechnung und Statistik für Biologen Diskriminanzanalyse Martin Hutzenthaler & Dirk Metzler http://evol.bio.lmu.de/_statgen 6. Juli 2010 Übersicht 1 Ruf des Kleinspechts 2 Modell Vorgehen
W-Seminar: Versuche mit und am Menschen 2017/2019 Skript
3. Deskriptive Statistik Die deskriptive (auch: beschreibende) Statistik hat zum Ziel, [ ] Daten durch Tabellen, Kennzahlen [ ] und Grafiken übersichtlich darzustellen und zu ordnen. Dies ist vor allem
Maße der zentralen Tendenz
UStatistische Kennwerte Sagen uns tabellarische und graphische Darstellungen etwas über die Verteilung der einzelnen Werte einer Stichprobe, so handelt es sich bei statistischen Kennwerten um eine Kennzahl,
Merkmalstypen Univ.-Prof. Dr. rer. nat. et med. habil. Andreas Faldum
1 Merkmalstypen Quantitativ: Geordnete Werte, Vielfache einer Einheit Stetig: Prinzipiell sind alle Zwischenwerte beobachtbar Beispiele: Gewicht, Größe, Blutdruck Diskret: Nicht alle Zwischenwerte sind
Wahrscheinlichkeit 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
1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
Stichwortverzeichnis. Symbole
Stichwortverzeichnis Symbole 50ste Perzentil 119 A Absichern, Ergebnisse 203 Abzählbar unendliche Zufallsvariable 146 Alternativhypothese 237 238 formulieren 248 Anekdote 340 Annäherung 171, 191 Antwortquote
Inhaltsverzeichnis. Vorwort. Experimente ohne Messwerterfassung. Experimente mit Messwerterfassung. Anhang
Inhaltsverzeichnis Vorwort 3 Experimente ohne Messwerterfassung 6 8 11 15 19 Experimente mit Messwerterfassung 24 28 31 36 41 45 47 55 59 63 Anhang 68 76 1 Vorwort 3 Experimente ohne Messwerterfassung
BOXPLOT 1. Begründung. Boxplot A B C
BOXPLOT 1 In nachstehender Tabelle sind drei sortierte Datenreihen gegeben. Zu welchem Boxplot gehört die jeweilige Datenreihe? Kreuze an und begründe Deine Entscheidung! Boxplot A B C Begründung 1 1 1
Grundlagen der empirischen Sozialforschung
Grundlagen der empirischen Sozialforschung Sitzung 10 - Datenanalyseverfahren Jan Finsel Lehrstuhl für empirische Sozialforschung Prof. Dr. Petra Stein 22. Dezember 2008 1 / 21 Online-Materialien Die Materialien
Empirische Softwaretechnik. Boxplots. Graphische Darstellung. Median
Empirische Softwaretechnik Boxplots Prof. Dr. Walter F. Tichy Fakultät für Informatik 1 Graphische Darstellung Median gegeben eine sortierte Stichprobe Median gibt den mittleren Wert der sortierten Stichprobe
Wichtige 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
3.2 Streuungsmaße. 3 Lage- und Streuungsmaße 133. mittlere Variabilität. geringe Variabilität. große Variabilität 0.0 0.1 0.2 0.3 0.4 0.
Eine Verteilung ist durch die Angabe von einem oder mehreren Mittelwerten nur unzureichend beschrieben. Beispiel: Häufigkeitsverteilungen mit gleicher zentraler Tendenz: geringe Variabilität mittlere Variabilität
2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
Deskriptive Statistik
Deskriptive Statistik 1 Ziele In der deskriptiven (=beschreibenden) Statistik werden Untersuchungsergebnisse übersichtlich dargestellt, durch Kennzahlen charakterisiert und grafisch veranschaulicht. 2
Statistik für NichtStatistiker
Statistik für NichtStatistiker Zufall und Wahrscheinlichkeit von Prof. Dr. Karl Bosch 5., verbesserte Auflage R. Oldenbourg Verlag München Wien Inhaltsverzeichnis 1. ZufalLsexperimente und zufällige Ereignisse
T-Test für unabhängige Stichproben
T-Test für unabhängige Stichproben Wir gehen von folgendem Beispiel aus: Wir erheben zwei Zufallstichproben, wobei nur die Probanden der einen Stichprobe einer speziellen experimentellen Behandlung (etwa
das Kleingedruckte...
Gepaarte t-tests das Kleingedruckte... Datenverteilung ~ Normalverteilung QQ-plot statistischer Test (Shapiro-Wilk, Kolmogorov-Smirnov) wenn nicht : nicht-parametrische Tests gleiche Varianz (2-Proben
Good data... don t need statistics
If something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra If you torture your data long enough, they will tell you whatever you want to hear. James L. Mills Good data... don
Der Weg eines Betrunkenen
Der Weg eines Betrunkenen 2 Hätte es damals schon Computer gegeben, wäre es für unseren Mathematiker um einiges leichter gewesen, den Weg des Betrunkenen zu bestimmen. Er hätte nicht nur eine beliebige