ANGEWANDTE STATISTIK II Prüfungstermin Name:
|
|
- Daniel Breiner
- vor 5 Jahren
- Abrufe
Transkript
1 Die Beantwortung der Rechenaufgaben hat zusätzlich zu den numerischen Ergebnissen zu beinhalten: - Feststellung des Problemtyps, Angabe der Lösungsmethode; - bei den Testverfahren: Hypothesen, P-Wert, Begründung der Testentscheidung; - Berechnungsformeln bzw. R-Funktionen. Bei Verständnisfragen bitte in vollständigen Sätzen antworten. In die Beurteilung geht die gedankliche und rechnerische Richtigkeit ein; die gedankliche Richtigkeit kann nur beurteilt werden, wenn Zwischenergebnisse angeführt sind. 1. Die wiederholte Messung der Konzentration eines Wirkstoffes ergab im Rahmen eines Ringversuches für die Labors A und B die in der folgenden Tabelle angegebenen Werte (Angaben in mg/l). A B a) Man untersuche unter der Annahme, dass die Messungen als Parallelversuch geplant wurden, ob sich die Mittelwerte der Labors signifikant unterscheiden (alpha= 5%). Aus Voruntersuchungen sei bekannt, dass die Konzentrationen mit guter Näherung als normalverteilt betrachtet werden können. b) Ferner stelle man fest, ob der Umfang der Prüfstichproben ausreichend groß geplant wurde, um den als relevant angesehenen Mittelwertunterschied =0.6 mit 90%iger Sicherheit erkennen zu können. Hinweis: Die Standardabweichung berechne man näherungsweise als Quadratwurzel aus dem Mittelwert der beiden Stichprobenvarianzen. 2. Eine Abfüllanlage soll so eingestellt werden, dass die abgefüllten Einheiten nur mit 2.5%iger Wahrscheinlichkeit nicht eine vorgegebene Mindestmenge aufweisen. Nach Einstellung der Anlage wurden im Probelauf 150 Packungen zufällig ausgewählt und dabei festgestellt, dass in 8 Fällen die Mindestmenge nicht erreicht wurde. a) Zeigt dieses Ergebnis eine signifikante Überschreitung des Sollwertes p0=2.5% an? (alpha = 5%) b) Sie führen einen Test durch und können H0 nicht ablehnen. Wann können Sie sagen, dass dann H0 gilt 3. In einer Bioäquivalenzstudie wurde für ein Testpräparat der Verlauf der Präparatkonzentration durch die maximale Konzentration Cmax und die Fläche AUC12 unter der Konzentrationskurve beschrieben. Kann die Fläche AUC12 durch ein lineares Regressionsmodell in Abhängigkeit von Cmax dargestellt werden (alpha = 5%)? Wenn ja, wie lautet die Regressionsgleichung? Proband Cmax AUC a) Kann man mit einem linearen Regressionsmodell von c max auf AUC12 schließen (α=5%)? Berechnen und interpretieren Sie das Bestimmtheitsmaß! b) Welcher Wert von AUC12 würde man zu vorgegebenem c max =4.1 erwarten? 4. Die Stand by-zeit (in h) der Akkus aus drei Produktionsreihen wurde unter bestimmten Bedingungen jeweils mit 5 Mobiltelefongeräten bestimmt. Es ergaben sich die folgenden Messreihen: Produkt 1: 513, 480, 496, 459, 475 Produkt 2: 449, 435, 480, 494, 470 Produkt 3: 503, 482, 465, 446, 450 a) Unterscheiden sich die drei Produkte global hinsichtlich der mittleren Stand by-zeit? (alpha = 5%) b) Man überprüfe die Voraussetzungen für die Anwendung der 1-faktoriellen ANOVA. Arbeitszeit: 75 Minuten Beurteilung: Jedes Beispiel 4 Punkte 1: : : :9-10 1
2 LÖSUNGEN Aufgabe 1a Problemstellung: Vergleich von 2 Mittelwerten mit unabhängigen Stichproben Lösungsmethode: Welch-Test Voraussetzungen: normalverteilte Grundgesamtheiten unter Bedingung A und B > a <- c(6.7, 8.7, 6.9, 7.8, 8.2, 7.5, 8.0, 7.5) > b <- c(6.0, 8.3, 6.2, 7.2, 6.9, 8.1, 7.8, 6.6) Boxplots > boxplot(a, b) Mittelwertvergleich H0: Mittelwert/A = Mittelwert/B vs. H1:... <>... > t.test(a, b, paired=false, alternative="two.sided", mu=0) Welch Two Sample t-test data: a and b t = , df = , p-value = alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: sample estimates: mean of x mean of y Testentscheidung: wegen p-value = 19.56% >= 5% -> H0 kann nicht abgelehnt werden! Aufgabe 1b Problemstellung: Bestimmung des erforderlichen Mindeststichprobenumfangs Vorgaben: delta = 0.6, power = 0.9 Die Standardabweichung wird aus den gegebenen Stichproben geschätzt: > a <- c(6.7, 8.7, 6.9, 7.8, 8.2, 7.5, 8.0, 7.5) > b <- c(6.0, 8.3, 6.2, 7.2, 6.9, 8.1, 7.8, 6.6) gemittelte Varianz > vara <- var(a); varb <- var(b); varm <- (vara+varb)/2 gepoolte Standardabweichung > sigma <- sqrt(varm) > power.t.test(power=0.9, delta=0.6, sd=sigma) Two-sample t test power calculation n = delta = 0.6 sd = sig.level = 0.05 power = 0.9 alternative = two.sided NOTE: n is number in *each* group Es wäre in jeder der Stichproben ein Mindest-n von n=36 erforderlich, 2
3 um die als relevant betrachtete Abweichung delta=0.6 mit 90%iger Sicherheit als signifikant (auf 5%igen Testniveau) zu erkennen. -> Versuchsplanung ist unzureichend! Aufgabe 2a Problemstellung: Vergleich einer Wahrscheinlichkeit p mit einem vorgegebenen Sollwert p0 Lösungsmethode: Binomialtest auf Überschreitung Hypothesen: H0: p<= p0 vs. p > p0 > n <- 150; m <- 8; p0 < > binom.test(m, n, p=p0, alternative="greater") Exact binomial test data: m and n number of successes = 8, number of trials = 150, p-value = alternative hypothesis: true probability of success is greater than percent confidence interval: sample estimates: probability of success Testentscheidung: P=3.56% < 5% auf 5%-Niveau ist H0 abzulehnen! Aufgabe 2b Wenn H0 nicht abgelehnt werden kann, so können dafür 2 Ursachen verantwortlich sein: 1. H0 gilt. 2. H0 gilt nicht, aber die Güte (Power) Versuchsanlage ist schlecht, so dass die Abweichung von H0 nicht als signifikant erkannt werden kann. Die Entscheidung kann für H0 erfolgen, wenn die Power entsprechend groß ist (jedenfalls größer als 80%). Aufgabe 3a Problemstellung: Darstellung der Abhängigkeit der metrischen Variablen AUC12 von der metrischen Einflussvariablen cmax Lösungsmethode: Lineare Regression von AUC12 auf cmax > cmax <- c(4.5, 3.6, 3.7, 2.9, 5.3, 5.1) > auc12 <- c(6.7, 5.0, 7.5, 4.6, 10.5, 10.1) Prüfung der Adäquatheit des linearen Modells > plot(cmax,auc12) > abline(lm(auc12~cmax)) > Streudiagramm: regellose Punkteverteilung um Regressionsgerade -> lineare Regression passend auc cmax Überprüfung der Abhängigkeit im Rahmen des linearen Modells und 3
4 Schätzung der Regressionsparameter > mod <- lm(formula=auc12~cmax); summary(mod) Call: lm(formula = auc12 ~ cmax) Residuals: Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) cmax * --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 4 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 1 and 4 DF, p-value: Abhängigkeitsprüfung: H0: Anstieg =0 (keine lineare Abhängigkeit) vs. H1: Anstieg <> 0 (Abhängigkeit) Testentscheidung: wegen p-vaule = 1.13% < 5% -> H1 Überprüfung der Residuen auf Normalverteilung mot Normal-QQ-Plot > qqnorm(mod$residuals); qqline(mod$residuals) keine systematische Abweichung der Datenpunkte von der Orientierungsgeraden! Normal Q-Q Plot Sample Quantiles Theoretical Quantiles Gleichung der Regressionsgeraden: AUC12 = 2.42 cmax Bestimmtheitsmaß (=Quadrat des Korrelationskoeffizienten) = 83.15% Aufgabe 3b Erwarteter AUC12-Wert für cmax=4.1 > b <- mod$coefficients > b0 <- b[[1]]; b1 <- b[[2]] > AUC12exp <- b0+b1*4.1; AUC12exp [1] > predict(mod, data.frame(cmax=4.1)) Aufgabe 4a Problemstellung: Vergleich der Mittelwerte von drei (metrischen) Messgrößen Lösungsweg: 1-faktorielle ANOVA Voraussetzungen: mit gleichen Varianzen normalverteilte Messgrößen > zeita <- c(513, 480, 496, 459, 475) > zeitb <- c(449, 435, 480, 494, 470) > zeitc <- c(503, 482, 465, 446, 450) > zeit <- c(zeita, zeitb, zeitc) > prod <- factor(rep(1:3, each=5)) > daten <- data.frame(zeit, prod) 4
5 Globaler Mittelwertvergleich H0: alle Mittelwerte sind gleich, H0: wenigstens 2 Mitelwerte verschieden > > mod <- aov(zeit ~ prod); summary(mod) Df Sum Sq Mean Sq F value Pr(>F) prod Residuals Testentscheidung: P = 40% >= 5% à H0 kann auf 5%-Niveau nicht abgelehnt werden! Boxplots der Messreihen > boxplot(zeit~prod, xlab="produkte", ylab="entladungszeit/h", + names=c("a", "B", "C")) Entladungszeit/h A B C Produkte Aufgabe 4b Prüfung der Voraussetzungen Normalverteilungsüberprüfung an Hand der Residuen H0: Daten nicht in Widerspruch zur Normalverteilungsannahme > res <- mod$residuals; shapiro.test(res) Shapiro-Wilk normality test data: res W = , p-value = Testentscheidung: p-value = 44.62% -> H0 (Normalverteilungsannahme) kann nicht abgelehnt werden. Normalverteilungsüberprüfung der Residuen mit Normal-QQ-Plot > qqnorm(res); qqline(res) Normal Q-Q Plot Sample Quantiles Theoretical Quantiles QQ-Plot zeigt keine systematische Abweichung von der Orientierungsgeraden! Überprüfung der Gleichheit der Varianzen 5
6 H0: alle Varianzen sind gleich, H1: wenigstens 2 Varianzen verschieden > library(car) > levenetest(mod) Levene's Test for Homogeneity of Variance (center = median) Df F value Pr(>F) group Testentscheidung: P = 92.47% >= 5% -> Daten nicht in Widerspruch zu H0! 6
Prüfungstermin aus Angewandter Statistik (WS 2012/13) Name:
1. In einem als Paarvergleich geplanten Experiment wurden an 7 Probanden zeitlich hintereinander eine Testformulierung (A) und (nach einer ausreichend langen Wash-out-Periode) eine Kontrolle (K) verabreicht.
MehrHemmzone/Antibiotikum A Hemmzone/Antibiotikum B Hemmzone/Antibiotikum C
GRUPPE B Die Beantwortung der Rechenaufgaben hat zusätzlich zu den numerischen Ergebnissen zu beinhalten: - Feststellung des Problemtyps, Angabe der Lösungsmethode; - bei den Testverfahren: Hypothesen,
MehrGesamtcholesterin Region A Region B <170 (optimal) 80 >=170 (Risiko)
AUFGABEN 1. In einer Studie wurde ein Blutparameter am Beginn und am Ende einer Therapie bestimmt. Es ergab sich, dass bei 35 Probanden eine Veränderung des Parameters eintrat, und zwar lag der Wert bei
MehrGesamtcholesterin Region A Region B <170 (optimal) 80 >=170 (Risiko)
GRUNDAUFGABEN ZU DEN 1-STICHPROBENVERGLEICHEN 1. In einer Studie wurde ein Blutparameter am Beginn und am Ende einer Therapie bestimmt. Es ergab sich, dass bei 35 Probanden eine Veränderung des Parameters
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
MehrMetrische und kategoriale Merkmale
Kapitel 6 Metrische und kategoriale Merkmale 6.1 Wie kann man metrische und kategoriale Merkmale numerisch beschreiben? Typischerweise will man geeignete Maßzahlen (beispielsweise Lage- oder Streuungsmaße)
MehrKovarianzanalyse. Truthahngewicht. Truthahngewicht. Methoden empirischer Sozialforschung. 1 metrische und mehrere metrische und kategoriale Variablen
Kovarianzanalyse 1 metrische und mehrere metrische und kategoriale Variablen Methoden empirischer Sozialforschung Lineare Modelle (2. Teil) Wie läßt sich die Abhängigkeit einer metrischen Variablen von
MehrMultiple Regression III
Multiple Regression III Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Überprüfung der Modellannahmen Residuen-Plot Normal-Q-Q-Plot Cook s Distanz-Plot Maßnahmen bei Abweichungen von Modellannahmen
MehrE 71,00 74,00 67,50 62,5 52,75 53,00 H 6,00 5,00 5,00 3,00 2,75 4,25
GRUNDAUFGABEN ZUR KORRELATION UND REGRESSION 1. An bestimmten von sechs verschiedenen Grasarten stammenden Chromosomen wurden die Teillängen E und H des C-Band Euchromatins bzw. Heterochromatins gemessen
Mehr# Befehl für den Lilliefors-Test
1/5 Matthias Rudolf & Diana Vogel R-Kurs Graduiertenakademie September 2017 Loesungsskript: Tests 1a library(nortest) 1b lillie.test Befehl für den Lilliefors-Test 2a, Datensatz "Schachbeispiel einlesen"
MehrMehrere metrische Merkmale
Kapitel 5 Mehrere metrische Merkmale 5.1 Wie kann man zwei metrische Merkmale grafisch beschreiben? Ein Streudiagram von zwei metrischen Merkmalen erzeugt man mit der Funktion plot mit den Beobachtungen
MehrStatistische Datenanalyse mit R, Korrelation und Regression. Dr. Andrea Denecke Leibniz Universität IT-Services
Statistische Datenanalyse mit R, Korrelation und Regression Dr. Andrea Denecke Leibniz Universität IT-Services Korrelationsanalyse Eine Korrelationsanalyse soll herausfinden Ob ein linearer Zusammenhang
MehrTechnische Universität München Zentrum Mathematik Sommersemester Juli 2005 Arbeitszeit 60 Minuten
Name: Frau Herr (nichtzutreffendes bitte streichen) Fachrichtung geb. am (Tag/Mon/Jahr) Semestralklausur aus Praktikum BWL-Statistik Technische Universität München Zentrum Mathematik Sommersemester 2005
MehrWiederholung und ein mehrfaktorielles Verfahren. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Wiederholung und ein mehrfaktorielles Verfahren Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Einstieg und Wiederholung Daten unterscheiden sich in ihrem mathematischen Informationsgehalt!
Mehr> read.table("d:\\reifen.txt",header=t) > Reifen
1. Aufgabe: Auf einer Reifenrollentestanlage werden Versuche durchgeführt um die Langlaufeigenschaften zu untersuchen. Insbesondere wird die Untersuchung des Abriebs über simulierte Anfahr- Brems- und
MehrAngewandte Statistik 2 Projektarbeit 2010
FH Campus Wien - Studiengang Molekulare Biotechnologie Angewandte Statistik 2 Projektarbeit 2010 Eingereicht von Ehrhardt Christine Steinbauer Andrea Begutachtet von Univ.-Prof. Dipl.-Ing. Dr. Timischl
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
MehrW-Rechnung und Statistik für Ingenieure Übung 13
W-Rechnung und Statistik für Ingenieure Übung 13 Nächste Woche: Probeklausur Bringen Sie sich ein leeres Exemplar der Probeklausur mit, um sich eine Musterlösung zu erstellen. Aufgabe 1 : Testproblem Testproblem:
MehrStatistik II für Betriebswirte Vorlesung 8
Statistik II für Betriebswirte Vorlesung 8 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 3. Dezember 2018 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 8 Version:
MehrAufgabe 35 mit R (Ökonometrie SS 2014 an der UdS)
Vorbereitungen Aufgabe 35 mit R (Ökonometrie SS 2014 an der UdS) Falls das R - Paket car noch nicht installiert wurde, kann dies mit der Funktion install.packages() erledigt werden. install.packages("car")
MehrStatistisches Testen
Statistisches Testen Universität Duisburg-Essen, Fak. 4, FG Instrumentelle Analytik 7. Juni 2007 Statistisches Testen Inhaltsverzeichnis Schätzverfahren und Testverfahren sind Anwendungen der Stichprobentheorie.
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
Mehr3. Das Wachstum X einer Kultur (Gewicht in mg) wird in Abhängigkeit von 2 Nährlösungen A und B gemessen. Es ergaben sich die folgenden Messwerte:
GRUNDAUFGABEN ZU DEN -STICHPROBENVERGLEICHEN 1. Die Wirkungen eines Testpräparates A und eines Kontrollpräparate B seien durch die prozentuelle Abnahme Y des systolischen Blutdrucks vom Beginn bis zum
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrSchweizer Statistiktage, Aarau, 18. Nov. 2004
Schweizer Statistiktage, Aarau, 18. Nov. 2004 Qualitative Überprüfung der Modellannahmen in der linearen Regressionsrechnung am Beispiel der Untersuchung der Alterssterblichkeit bei Hitzeperioden in der
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie WS 2014/15. ( = 57 Punkte)
Aufgabe 3 (6 + 4 + 8 + 4 + 10 + 4 + 9 + 4 + 8 = 57 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Mit Hilfe eines multiplen linearen Regressionsmodells soll auf
MehrVergleich von Gruppen I
Vergleich von Gruppen I t-test und einfache Varianzanalyse (One Way ANOVA) Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Der unverbundene t-test mit homogener Varianz Beispiel Modell Teststatistik
Mehr6. Tutoriumsserie Statistik II
6. Tutoriumsserie Statistik II 1. Aufgabe: Eine Unternehmensabteilung ist ausschließlich mit der Herstellung eines einzigen Produktes beschäftigt. Für 10 Perioden wurden folgende Produktmenge y und Gesamtkosten
MehrBiostatistik, WS 2017/18 Der zwei-stichproben-t-test
1/28 Biostatistik, WS 2017/18 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1718/ 15.12.2017 und 22.12.2017 2/28 Inhalt
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrÜbungsprogramm MBIOB17 SS 2015 Aufgabenblatt 4 - Lösungen mit R/R-Console
1 Übungsprogramm MBIOB17 SS 2015 Aufgabenblatt 4 - Lösungen mit R/R-Console Übungsbeispiel Kap. I/28 Bei einem Patienten stehen drei Diagnosen A, B oder C zur Wahl. Es wird ein diagnostischer Test angewendet,
MehrIch bestätige, dass ich obige Hinweise zur Kenntnis genommen habe und sie befolgen werde.
60-minütige Klausur zur Vorlesung Statistik II für Studierende der Wirtschaftswissenschaften aus dem Sommersemester 2017 Prof. Dr. Helmut Küchenhoff Ludwig-Maximilians-Universität München, Institut für
MehrGüteanalyse. Nochmal zur Erinnerung: Hypothesentest. Binominalverteilung für n=20 und p=0,5. Münzwurf-Beispiel genauer
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Güteanalyse Prof. Walter F. Tichy Fakultät für Informatik 1 Fakultät für Informatik 2 Nochmal zur Erinnerung: Hypothesentest Am Beispiel
MehrEinleitung. Statistik. Bsp: Ertrag Weizen. 6.1 Einfache Varianzanalyse
Einleitung Statistik Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Der Begriff Varianzanalyse (analysis of variance, ANOVA) taucht an vielen Stellen in der Statistik mit unterschiedlichen
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Schließende Statistik Sommersemester Namensschild. Dr.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Schließende Statistik Sommersemester 2013 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ Kleben Sie bitte sofort Ihr Namensschild
MehrWichtige Befehle in R zur Datenanalyse Ergänzende Unterlagen zur Vorlesung Prof. Dr. Oliver Gansser
Wichtige Befehle in R zur Datenanalyse Ergänzende Unterlagen zur Vorlesung Prof. Dr. Oliver Gansser Inhaltsverzeichnis Datenmanagement........................................... 2 Grafische Verfahren..........................................
MehrVergleich zweier Stichproben
zurück zum Inhaltsverzeichnis Die Werte sind verbunden, abhängig oder korreliert. Beispiel: Eine Probe wird mit zwei Messgeräten bestimmt. Es gibt eine paarweise Zuordnung. Die Werte sind unabhängig also
MehrEmpirische Wirtschaftsforschung in R
Empirische Wirtschaftsforschung in R Schätzung der keynesianischen Geldnachfragefunktion auf Basis von Daten der dänischen Volkswirtschaft Jonas Richter-Dumke Universität Rostock, Institut für Volkswirtschaftslehre
MehrStatistik und Wahrscheinlichkeitstheorie UE EDV Übung mit GNU R
Statistik und Wahrscheinlichkeitstheorie UE EDV Übung mit GNU R Mathias Stephan Panzenböck e0427417 12. Juni 2006 Beispiel 1 library(e1071) library(car) load('0427417.rdata') a) min(bsp1$x) # = 2.435354
MehrCIM2004 Übung 7: Permutationstest, Bootstrap & Jackknife
CIM2004 Übung 7: Permutationstest, Bootstrap & Jackknife Michael Höhle hoehle@stat.uni-muenchen.de Lösung 24. Juni 2004 1 Permutationstest Bilirubin ist ein Zerlegungsprodukt von Haemoglobin. Falls die
MehrEine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 13. Dezember 2012 Bernd Klaus, Verena Zuber,
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie WS 2017/18. ( = 58 Punkte)
Aufgabe 3 (14 + 2 + 7 + 7 + 3 + 5 + 9 + 11 = 58 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Mit Hilfe der Statistiksoftware R soll der Datensatz HousePrices aus
MehrLineare Modelle in R: Zweiweg-Varianzanalyse und Kovarianzanalyse
Lineare Modelle in R: Zweiweg-Varianzanalyse und Kovarianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon im Tutorium LiMo2.pdf laden wir den GSA Datensatz R> load("gsa.rda") und wählen
MehrEin metrisches Merkmal
Kapitel 4 Ein metrisches Merkmal 4.1 Wie kann man ein metrisches Merkmal numerisch beschreiben? Häufigkeitstabellen erzeugt man mit table. Das arithmetische Mittel und den Median berechnet man mit mean
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie SS ( = 57 Punkte)
Aufgabe 3 (9 + 5 + 7 + 7 + 3 + 9 + 7 + 10 = 57 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Zu Beginn der Studienjahre 2011 und 2012 wurden Studienanfänger an
MehrKonfidenz-, Prognoseintervalle und Hypothesentests IV im multiplen linearen Regressionsmodell mit heteroskedastischen Störgrößen
4 Multiple lineare Regression Heteroskedastische Störgrößen 4.10 Konfidenz-, Prognoseintervalle und Hypothesentests IV im multiplen linearen Regressionsmodell mit heteroskedastischen Störgrößen Ein approximatives
MehrInteraktion unter Berücksichtigung des Skalenniveaus der Prädiktoren Dr. Markus Stöcklin, Universität Basel, Fakultät für Psychologie
Interaktion unter Berücksichtigung des Skalenniveaus der Prädiktoren Dr. Markus Stöcklin, Universität Basel, Fakultät für Psychologie 1 Einleitung 3 2 Modell mit 0-1 kodierten nominalen Prädiktoren X 1
MehrStatistik für Ingenieure Vorlesung 12
Statistik für Ingenieure Vorlesung 12 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 23. Januar 2017 5.1.1. Tests für eine Stichprobe mit stetiger Skala a) Shapiro-Wilk-Test
MehrTeil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.
Woche 11: Multiple lineare Regression Patric Müller Teil XIII Multiple lineare Regression ETHZ WBL 17/19, 10.07.017 Wahrscheinlichkeit und Statistik Patric Müller WBL
MehrEine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2011 Bernd Klaus, Verena Zuber Das
MehrStatistik für Ingenieure Vorlesung 13
Statistik für Ingenieure Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6. Februar 2018 5.1.4. Weitere ausgewählte statistische Tests a) Binomialtest Der Binomialtest
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)
MehrMusterlösung zu Serie 1
Prof. Dr. W. Stahel Regression HS 2015 Musterlösung zu Serie 1 1. a) > d.bv plot(blei ~ verkehr, data = d.bv, main
MehrDipl.-Volksw. Markus Pullen Wintersemester 2012/13
Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 8. Sitzung Konfidenzintervalle, Hypothesentests > # Anwendungsbeispiel
Mehr11. weitere Übungsaufgaben Statistik II WiSe 2017/2018
11. weitere Übungsaufgaben Statistik II WiSe 2017/2018 1. Aufgabe: Bei 100 Fahrzeugen des gleichen Typs sind neben dem Preis (PREIS) auch die gefahrene Strecke (MEILEN) und die Anzahl der Werkstattbesuche
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
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
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
Breusch-Pagan-Test I Ein weiterer Test ist der Breusch-Pagan-Test. Im Gegensatz zum Goldfeld-Quandt-Test ist es nicht erforderlich, eine (einzelne) Quelle der Heteroskedastizität anzugeben bzw. zu vermuten.
MehrLean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
MehrVerallgemeinerte lineare Modelle. Promotion. Promotion. Methoden empirischer Sozialforschung. 1 binäre und mehrere metrische und kategoriale Variablen
Verallgemeinerte lineare Modelle 1 binäre und mehrere metrische und kategoriale Variablen Methoden empirischer Sozialforschung Verallgemeinerte lineare Modelle () Wie läßt sich die Abhängigkeit der Erfolgswahrscheinlichkeit
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
MehrZüchtungslehre - Lösung 3
Züchtungslehre - Lösung 3 Peter von Rohr October 20, 2015 Aufgabe 1 (8) Der in dieser Aufgabe verwendete Datensatz unter http://charlotte-ngs.github.io/livestockbreedingandgenomics/w5/simgenphen.csv umfasst
Mehr13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017 1. Aufgabe: Für 25 der größten Flughäfen wurde die Anzahl der abgefertigten Passagiere in den Jahren 2009 und 2012 erfasst. Aus den Daten (Anzahl
MehrBachelorprüfung: Statistik (1 Stunde)
Prof. H.R. Künsch D-BIOL, D-CHAB Winter 2010 Bachelorprüfung: Statistik (1 Stunde) Bemerkungen: Es sind alle mitgebrachten schriftlichen Hilfsmittel und der Taschenrechner erlaubt. Natels sind auszuschalten!
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Probeprüfung Statistik 1 Sommer 2014 Schriftliche Prüfung (90 Minuten) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten!
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Prüfung Statistik I Winter 2016 Schriftliche Prüfung (90 Minuten) Bemerkungen: Erlaubte Hilfsmittel: 10 hand- oder maschinengeschriebene A4 Seiten (=5 Blätter). Taschenrechner ohne Kommunikationsmöglichkeit.
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 3.6 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula
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
Mehr14.3 Das Einstichprobenproblem in R
14.3. DAS EINSTICHPROBENPROBLEM IN R 343 0.553 0.570 0.576 0.601 0.606 0.606 0.609 0.611 0.615 0.628 0.654 0.662 0.668 0.670 0.672 0.690 0.693 0.749 0.844 0.933 die absoluten Häufikeiten n i der Klassen.
MehrFragen. Einführung in die induktive Statistik. Übersicht. Lineare Einfachregression
Fragen Welche Unsicherheitsfaktoren beeinflussen die Schätzung einer Regressionsgeraden? Einführung in die induktive Statistik Friedrich Leisch Institut für Statistik Ludwig-Maximilians-Universität München
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2016
Signifikanzprüfung Peter Wilhelm Herbstsemester 2016 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha-Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrLineare Regression in R, Teil 1
Lineare Regression in R, Teil 1 Christian Kleiber Abt. Quantitative Methoden, WWZ, Universität Basel October 6, 2009 1 Vorbereitungen Zur Illustration betrachten wir wieder den Datensatz CASchools aus
MehrAnalytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Analytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Varianzanpassungstest Untersuchung der Streuung einer bzw.
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch. Statistik (für Biol./Pharm. Wiss.) Winter 2014 Schriftliche Prüfung (90 Minuten) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten!
MehrAuswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
Mehr11. Übungsblatt zur Vorlesung Ökonometrie SS 2014
Universität des Saarlandes Lehrstab Statistik Dr. Martin Becker Dipl.-Kfm. Andreas Recktenwald 11. Übungsblatt zur Vorlesung Ökonometrie SS 2014 Aufgabe 45 Die in Aufgabe 43 getroffene Annahme heteroskedastischer
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Prüfung Statistik I Sommer 2015 Schriftliche Prüfung (90 Minuten) Bemerkungen: Erlaubte Hilfsmittel: 10 hand- oder maschinengeschriebene A4 Seiten (=5 Blätter). Taschenrechner ohne Kommunikationsmöglichkeit.
MehrNicht-parametrische statistische Verfahren
Nicht-parametrische statistische Verfahren von Peter Pfaffelhuber Version: 7. Dezember 015 Die statistischen Verfahren, die wir bisher kennengelernt haben, basieren auf statistischen Modellen, die immer
MehrLösungen zur Prüfung Angewandte Statistische Methoden in den Nutzierwissenschaften FS 2016
ETH Zürich D-USYS Institut für Agrarwissenschaften Lösungen zur Prüfung Angewandte Statistische Methoden in den Nutzierwissenschaften FS 2016 Peter von Rohr Datum 30. Mai 2016 Beginn 08:00 Uhr Ende 08:45
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie SS 2018
Aufgabe 3 (15 + 1 + 7 + 7 + 7 + 5 = 42 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Mit Hilfe der Statistiksoftware R soll der Datensatz HousePrices aus dem Paket
MehrVersuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann
Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Contents Aufgabe 1 1 b) Schätzer................................................. 3 c) Residuenquadratsummen........................................
MehrBeurteilung von Analysenwerten im Hinblick auf eine Grenzwertüberschreitung
Beurteilung von Analysenwerten im Hinblick auf eine Grenzwertüberschreitung K. Molt Universität Duisburg-Essen, Fak. 4, FG Instrumentelle Analytik 3. Juni 2007 K. Molt (Fachgeb. IAC) 3. Juni 2007 1 / 41
Mehrt-tests Lösung: b) und c)
t-tests 2015 Assessmentmodul 1 - Frage B10: Ein Team von Gesundheitspsychologinnen hat ein Programm entwickelt, das die Studierenden der Universität Zürich dazu anregen soll, mehr Sport zu treiben. In
MehrSchriftliche Prüfung (1 Stunde)
Prüfung Statistik Herbstsemester 2011 Schriftliche Prüfung (1 Stunde) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten! Lesen Sie zuerst
MehrEnglisch Französisch 13 7
Der Binomialtest Beispiel 1 (fiktiv Aline möchte in ihrer Maturaarbeit herausfinden, ob die Schülerinnen an ihrer Schule lieber Englisch oder lieber Französisch lernen. Dazu wählt sie zufällig 20 Schülerinnen
MehrEinführung in die formale Demographie Übung
Einführung in die formale Demographie Übung Roland Rau mailto:roland.rau@uni-rostock.de 03. November 2014 Inhaltsverzeichnis 1 Aufgaben vom 27. Oktober 2014 2 1.1 Schreiben von Funktionen............................
MehrStochastik Praktikum Testtheorie
Stochastik Praktikum Testtheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 11.10.2010 Definition X: Zufallsgröße mit Werten in Ω, (Ω, F, (P ϑ ) ϑ Θ ) statistisches Modell Problem: Teste H 0 : ϑ
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Martin Hutzenthaler & Dirk Metzler 20. Mai 2010 Inhaltsverzeichnis
MehrName...LÖSUNGEN...Vorname...
PRÜFUNG STATISTIK VO 19. März 2010 Name...LÖSUNGEN...Vorname... Matrikelnummer... Einsichtnahme: Di, 20. April 2010 BITTE DEUTLICH UND LESERLICH SCHREIBEN! Es wird nur gewertet, was in diesem Exemplar
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Schließende Statistik Wintersemester 2012/13. Namensschild. Dr.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Schließende Statistik Wintersemester 2012/13 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ Kleben Sie bitte sofort Ihr Namensschild
MehrBiostatistik, WS 2015/2016 Der zwei-stichproben-t-test
1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test
Mehrdas 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
MehrMusterlösung. Kind Blume (beredet) Blume (nicht beredet)
Prüfung Statistik Sommer 2012 Musterlösung 1. (9 Punkte) F. Lauer möchte das Gerücht überprüfen, dass Blumen schneller wachsen, wenn man mit ihnen redet. Daher kauft sie acht identische Blumenzwiebeln,
MehrX =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
Mehr