Biostatistik, WS 2013/2014 Exkurs: Faktorielle Varianzanalyse und F -Test, Diskriminanzanalyse
|
|
- Irma Brodbeck
- vor 5 Jahren
- Abrufe
Transkript
1 1/76 Biostatistik, WS 2013/2014 Exkurs: Faktorielle Varianzanalyse und F -Test, Diskriminanzanalyse Matthias Birkner
2 Einfaktorielle Varianzanalyse und F-Test Grundidee der Varianzanalyse Wir beobachten unterschiedliche Gruppenmittelwerte: Beobachtungswert Beobachtungswert Gruppe 1 Gruppe 2 Gruppe 3 Variabilität innerhalb der Gruppen groß Gruppe 1 Gruppe 2 Gruppe 3 Variabilität innerhalb der Gruppen klein Sind die beobachteten Unterschiede der Gruppenmittelwerte ernst zu nehmen oder könnte das alles Zufall sein? Das hängt vom Verhältnis der Variabilität der Gruppenmittelwerte und der Variabilität der Beobachtungen innerhalb der Gruppen ab: die Varianzanalyse gibt eine (quantitative) Antwort. 3/76
3 4/76 Einfaktorielle Varianzanalyse und F-Test Beispiel: Blutgerinnungszeiten Blutgerinnungszeit bei Ratten unter 4 versch. Behandlungen Gruppe Beobachtung Globalmittelwert x = 64, Gruppenmittelwerte x 1 = 61, x 2 = 66, x 3 = 68, x 4 = 61. Bemerkung: Der Globalmittelwert ist in diesem Beispiel auch der Mittelwert der Gruppenmittelwerte. Das muss aber nicht immer so sein!
4 Beispiel Einfaktorielle Varianzanalyse und F-Test Blutgerinnungszeit bei Ratten unter 4 versch. Behandlungen Gr. x i Beobachtung (62 61) 2 (60 61) 2 (63 61) 2 (59 61) (63 66) 2 (67 66) 2 (71 66) 2 (64 66) 2 (65 66) 2 (66 66) (68 68) 2 (66 68) 2 (71 68) 2 (67 68) 2 (68 68) 2 (68 68) (56 61) 2 (62 61) 2 (60 61) 2 (61 61) 2 (63 61) 2 (64 61) 2 (63 61) 2 (59 61) 2 Globalmittelwert x = 64, Gruppenmittelwerte x 1 = 61, x 2 = 66, x 3 = 68, x 4 = 61. Die roten Werte (ohne die Quadrate) heißen Residuen: die Restvariabilität der Beobachtungen, die das Modell nicht erklärt. Quadratsumme innerhalb der Gruppen: ss innerh = 112, 20 Freiheitsgrade Quadratsumme zwischen den Gruppen: ss zw = 4 (61 64) (66 64) (68 64) (61 64) 2 = 228, 3 Freiheitsgrade F = ss zw/3 ss innerh /20 = 76 5,6 = 13,57 5/76
5 Einfaktorielle Varianzanalyse und F-Test 6/76 Beispiel: Blutgerinnungszeit bei Ratten unter 4 versch. Behandlungen ANOVA-Tafel ( ANalysis Of VAriance ) Freiheitsgradsumme F-Wert Quadrat- mittlere Quadratsumme (SS/DF) (DF) (SS) Gruppe ,57 Residuen ,6 Unter der Hypothese H 0 die Gruppenmittelwerte sind gleich (und einer Normalverteilungsannahme an die Beobachtungen) ist F Fisher-verteilt mit 3 und 20 Freiheitsgraden, p = Fisher 3,20 ([13,57, )) Wir lehnen demnach H 0 ab.
6 Einfaktorielle Varianzanalyse und F-Test 7/76 Sir Ronald Aylmer Fisher,
7 Einfaktorielle Varianzanalyse und F-Test F-Test n = n 1 + n n I Beobachtungen in I Gruppen, X ij = j-te Beobachtung in der i-ten Gruppe, j = 1,..., n i. Modellannahme: X ij = µ i + ε ij, mit unabhängigen, normalverteilten ε ij, E[ε ij ] = 0, Var[ε ij ] = σ 2 (µ i ist der wahre Mittelwert innerhalb der i-ten Gruppe.) X = 1 n I i=1 ni j=1 X ij (empirisches) Globalmittel X i = 1 n i ni j=1 X ij (empirischer) Mittelwert der i-ten Gruppe SS innerh = I n i (X ij X i ) 2 Quadratsumme innerhalb d. Gruppen, n I Freiheitsgrade i=1 j=1 SS zw = I n i (X i X ) 2 i=1 F = SS zw/(i 1) SS innerh /(n I) Quadratsumme zwischen d. Gruppen, I 1 Freiheitsgrade 8/76
8 Einfaktorielle Varianzanalyse und F-Test F-Test X ij = j-te Beobachtung in der i-ten Gruppe, j = 1,..., n i, Modellannahme: X ij = µ i + ε ij. E[ε ij ] = 0, Var[ε ij ] = σ 2 SS innerh = I n i (X ij X i ) 2 Quadratsumme innerhalb d. Gruppen, n I Freiheitsgrade i=1 j=1 SS zw = I n i (X i X ) 2 i=1 Quadratsumme zwischen d. Gruppen, I 1 Freiheitsgrade F = SS zw/(i 1) SS innerh /(n I) Unter der Hypothese H 0 : µ 1 = = µ I ( alle µ i sind gleich ) ist F Fisher-verteilt mit I 1 und n I Freiheitsgraden (unabhängig vom tatsächlichen gemeinsamen Wert der µ i ). F-Test: Wir lehnen H 0 zum Signifikanzniveau α ab, wenn F q α, wobei q α das (1 α)-quantil der Fisher-Verteilung mit I 1 und n I Freiheitsgraden ist. 9/76
9 10/76 Einfaktorielle Varianzanalyse und F-Test Berechnung der Signifikanz mit R Wie muss man q wählen, damit P(F q) = 0.95 für Fisher(6,63)-verteiltes F? > qf(0.95,df1=6,df2=63) [1] p-wert-berechnung: Wie wahrscheinlich ist es, dass eine Fisher(3,20)-verteilte Zufallsgröße einen Wert annimmt? > pf(13.57, df1=3, df2=20, lower.tail=false) [1] e-05
10 11/76 Einfaktorielle Varianzanalyse und F-Test Tabelle der 95%-Quantile der F-Verteilung Die folgende Tabelle zeigt (auf 2 Nachkommastellen gerundet) das 95%-Quantil der Fisher-Verteilung mit k 1 und k 2 Freiheitsgraden (k 1 Zählerund k 2 Nennerfreiheitsgrade) k 1 k
11 12/76 Einfaktorielle Varianzanalyse und F-Test Varianzanalyse komplett in R Die Text-Datei gerinnung.txt enthält eine Spalte bgz mit den Blutgerinnungszeiten und eine Spalte beh mit der Behandlung (A,B,C,D). > rat<-read.table("gerinnung.txt",header=true) > rat.aov <- aov(bgz~beh,data=rat) > summary(rat.aov) Df Sum Sq Mean Sq F value Pr(>F) beh e-05 *** Residuals Signif. codes: 0 *** ** 0.01 *
12 Einfaktorielle Varianzanalyse und F-Test 7 verschiedene Labors haben jeweils 10 Messungen des Chlorpheniraminmaleat Gehalts von Medikamentenproben vorgenommen: Mittelwerte +/ Standardfehler Gehalt an Chlorpheniraminmaleat [mg] Labor Daten aus R.D. Kirchhoefer, Semiautomated method for the analysis of chlorpheniramine maleate tablets: collaborative study, J. Assoc. Off. Anal. Chem. 62(6): (1979), zitiert nach John A. Rice, Mathematical statistics and data analysis, 2nd ed., Wadsworth, /76
13 Einfaktorielle Varianzanalyse und F-Test 14/76 Beachte: Die Labore sind sind mit Zahlen nummeriert. Damit R das nicht als numerische Werte sondern als Nummern der Labore auffasst, müssen wir die Variable Labor in einen sog. Factor umwandeln: > chlor <- read.table("chlorpheniraminmaleat.txt") > str(chlor) data.frame : 70 obs. of 2 variables: $ Gehalt: num $ Labor : int > chlor$labor <- as.factor(chlor$labor) > str(chlor) data.frame : 70 obs. of 2 variables: $ Gehalt: num $ Labor : Factor w/ 7 levels "1","2","3","4",..:
14 Einfaktorielle Varianzanalyse und F-Test 15/76 Nun können wir die Varianzanalyse durchführen: > chlor.aov <- aov(gehalt~labor,data=chlor) > summary(chlor.aov) Df Sum Sq Mean Sq F value Pr(>F) Labor e-05 *** Residuals Signif. codes: 0 *** ** 0.01 *
15 Einfaktorielle Varianzanalyse und F-Test Über paarweise Vergleiche und multiples Testen 17/76 Die Varianzanalyse zeigte, dass es signifikante Unterschiede zwischen den Laboren gibt. Aber welche Labore unterscheiden sich signifikant? p-werte aus paarweisen Vergleichen mittels t-tests: Lab2 Lab3 Lab4 Lab5 Lab6 Lab7 Lab Lab Lab Lab Lab Lab
16 Einfaktorielle Varianzanalyse und F-Test Über paarweise Vergleiche und multiples Testen 18/76 Wir haben 21 paarweise Vergleiche; auf dem 5%-Niveau zeigen einige davon Signifikanz an. Problem des Multiplen Testens: Wenn die Nullhypothese ( alles nur Zufallsschwankungen ) stimmt, verwirft man im Schnitt bei 5% der Tests die Nullhypothese zu Unrecht. Testet man mehr als 20 mal und gelten jeweils die Nullhypothesen, wird man im Schnitt mehr als eine Nullhypothese zu Unrecht verwerfen. Daher sollte man bei multiplen Tests mit korrigierten p-werten arbeiten.
17 Einfaktorielle Varianzanalyse und F-Test Über paarweise Vergleiche und multiples Testen 19/76 Eine ganz allgemeine Korrektur für multiples Testen ist die Bonferroni-Methode: Multipliziere jeden p-wert mit der Anzahl n der durchgeführten Tests.
18 Einfaktorielle Varianzanalyse und F-Test Über paarweise Vergleiche und multiples Testen Beispiel: Paarweise Vergleiche (mittels t-test) für die Blutgerinnungszeiten bei vier verschiedenen Behandlungen, zunächst ohne Korrektur für multiples Testen: B C D A B C Nun mit Bonferroni-Korrektur (alle Werte mit ( 4 2) = 6 multiplizieren): B C D A B C Nach Bonferroni-Korrektur führen folgende Paare von Behandlungen zu jeweils signifikant unterschiedlichen Ergebnissen: A/C, B/D sowie C/D. (Der Bonferroni-korrigierte p-wert von 6.0 für den Vergleich der Behandlungen A und D ist natürlich nicht als echter p-wert zu interpretieren.) 20/76
19 21/76 Einfaktorielle Varianzanalyse und F-Test Über paarweise Vergleiche und multiples Testen Die Bonferroni-Methode ist sehr konservativ, d.h. um auf der sicheren Seite zu sein, lässt man sich lieber die eine oder andere Signifikanz entgehen. Eine Verbesserung der Bonferroni-Methode ist die Bonferroni-Holm-Methode: Ist k die Anzahl der Tests, so multipliziere den kleinsten p-wert mit k, den zweitkleinsten mit k 1, den drittkleinsten mit k 2 usw. In R gibt des den Befehl p.adjust, der p-werte für multiples Testen korrigiert und dabei defaultmäßig Bonferroni-Holm verwendet: > pv <- c( , , , , , ) > p.adjust(pv) [1] > p.adjust(pv, method="bonferroni") [1]
20 Einfaktorielle Varianzanalyse und F-Test Über paarweise Vergleiche und multiples Testen 22/76 Für paarweise t-tests gibt es ebenfalls eine R-Funktion, die per default die Bonferroni-Holm-Korrektur verwendet: > pairwise.t.test(rat$bgz,rat$beh,pool.sd=false) Pairwise comparisons using t tests with non-pooled SD data: rat$bgz and rat$beh A B C B C D P value adjustment method: holm
21 24/76 photo (c) Thermos ein Kleinspecht (Picoides minor)
22 25/76 Man kann die Geschlechter optisch unterscheiden. Frage: Geht es auch akustisch?
23 26/76 Ruf des Kleinspechts: Längen der letzten fünf Pausen und Laute p1 p2 p3 p4 p5 ki ki ki ki ki ki ki l1 l2 l3 l4 l5
24 27/76 Frage: Kann man aus den Längen der Pausen und der Laute (p1, p2, p3, p4, p5, l1, l2, l3, l4, l5) das Geschlecht bestimmen?
25 28/76 Daten: 62 Rufe von Kleinspechten 18 Rufe von Männchen 44 Rufe von Weibchen Daten von Dr. Kerstin Höntsch, Frankfurt (siehe aufbereitet von Dr. Brooks Ferebee, Frankfurt
26 Die Daten in computergerechter Form: G p1 p2 p3 p4 p5 l1 l2 l3 l4 l /76
27 30/76 Gesucht: eine dem menschlichen Gehirn gerechte Darstellung des Vektors (p1, p2,p3, p4,p5, l1, l2, l3, l4, l5)
28 31/76 Alle 62 Rufe: rot=männchen, schwarz=weibchen
29 32/76 Mit dem Auge kann man Unterschiede erkennen:
30 33/76 Männchen oder Weibchen? Typisch Männchen
31 34/76 Männchen oder Weibchen? Typisch Weibchen
32 35/76 Männchen oder Weibchen? Männchen
33 36/76 Manchmal ist es schwierig: Männchen oder Weibchen? Weibchen (untypisch)
34 37/76 Das Auge (das Gehirn) sieht Unterschiede. Schafft es der Computer (mit Hilfe der Mathematik) auch?
35 Modell 39/76 Die 10 Zahlen (p1, p2,p3, p4,p5, l1, l2, l3, l4, l5) fassen wir als die Koordinaten eines Punktes im 10-dimensionalen Raum R 10 auf. Jeder Ruf entspricht einem Zufallspunkt im R 10 : Männchenrufe aus einer Population mit Dichte f m Weibchenrufe aus einer Population mit Dichte f w Gesucht: Eine Regel, die jeden neuen Punkt x = (p1, p2,p3, p4,p5, l1, l2, l3, l4, l5) einer der beiden Populationen zuweist.
36 40/76 Verfahren Modell 1 Schätze f m und f w 2 Ordne x der Population mit dem größeren f -Wert zu. Wir benutzen für f m und f w mehrdimensionale Normalverteilungen. Vorteil: Leicht anzupassen. Wir müssen nur Mittelwert(svektor) und Varianz (mehrdimensional: die Kovarianzmatrix) schätzen.
37 Modell 41/76 Erinnerung: Eindimensionale Normalverteilung Dichte Mittelwert Standardabweichung
38 Dichte Modell Dichte einer zweidimensionalen Normalverteilung y x /76
39 Modell 43/76 Zur Beschreibung einer mehrdimensionalen Normalverteilung benötigt man Einen Mittelwertvektor µ Ein Achsenkreuz (die Hauptachsen ) Standardabweichungen in den Achsenrichtungen
40 Modell 44/ Dichte y x y x
41 Zurück zu den Rufen 46/76 In unserem Problem gibt es 10 Dimensionen. Wir beginnen eindimensional. Frage: Welche eine der 10 Variablen sollen wir wählen?
42 Zurück zu den Rufen Länge der Laute bei Männchen (rot) und Weibchen (schwarz) Länge (Sek) l1 l2 l3 l4 l5 Laut Keine gute Trennung der Geschlechter 47/76
43 Zurück zu den Rufen Bei den Männchen sind die Pausen typischerweise länger 48/76 Länge der Pausen bei Männchen (rot) und Weibchen (schwarz) Länge (Sek) p1 p2 p3 p4 p5 Pause
44 Zurück zu den Rufen 49/76 Wie gut läßt sich das Geschlecht anhand von p2, der Länge der zweiten Pause, bestimmen?
45 Zurück zu den Rufen 50/76 Die p2-werte (mit Jitter) p2
46 Zurück zu den Rufen 51/76 p2-werte (nur Männchen) Mittelwert µ m = 0,1316, Standardabweichung σ m = 0,0150 p2
47 Zurück zu den Rufen Wir approximieren f m durch die Normalverteilung mit Mittelwert µ m und Standardabweichung σ m p2-werte (Männchen) und (geschätztes) f m p2 52/76
48 Zurück zu den Rufen 53/76 p2-werte (nur Weibchen) Mittelwert µ w = 0,0938, Standardabweichung σ m = 0,0201 p2
49 Zurück zu den Rufen Wir approximieren f w durch die Normalverteilung mit Mittelwert µ w und Standardabweichung σ w p2-werte (Weibchen) und (geschätztes) f w p2 54/76
50 Zurück zu den Rufen 55/76 Klassifikationsregel: f m größer Männchen f w größer Weibchen
51 Zurück zu den Rufen 56/76 p2-werte 'Weibchen' 'Männchen' p2
52 Zurück zu den Rufen 57/76 Falsch klassifiziert: 1 Männchen 6 Weibchen p2
53 Zurück zu den Rufen 58/76 Zur Verbesserung der Klassifikation nehmen wir mehr Information hinzu, z.b. eine weitere Variable. Wir betrachten: Erste Variable = p2 Zweite Variable = l2
54 Zurück zu den Rufen l2 Beobachtung: l2 allein trennt die Geschlechter sehr schlecht. 59/76
55 Zurück zu den Rufen Aber: l2 zusammen mit p2 gibt zusätzliche Information: p2 l2 Beispielsweise zeigt die Hinzunahme von l2, dass die 5 Punkte oben rechts besser zu den Weibchen passen. 60/76
56 Zurück zu den Rufen 61/76 Wir approximieren die Verteilungen von (p2, l2) bei Männchen und bei Weibchen durch zweidimensionale Normalverteilungen.
57 Zurück zu den Rufen 62/76 (p2, l2), Männchen l p2
58 Zurück zu den Rufen 63/76 Wie im eindimensionalen Fall schätzen wir den (zweidimensionalen) Mittelwert und die (zweidimensionale) Varianz (d.h. die sog. Kovarianzmatrix) und approximieren f m durch eine zweidimensionale Normalverteilung mit dem geschätzten Mittelwert und der geschätzten Varianz.
59 Zurück zu den Rufen 64/76 (p2, l2) für Männchen und f m l p2
60 Zurück zu den Rufen Viele der Weibchen passen schlecht zu f m : p2 l2 65/76
61 Zurück zu den Rufen 66/76 Analog für die Weibchen: (p2, l2) für Weibchen und f w l p2
62 Zurück zu den Rufen Viele der Männchen passen schlecht zu f w : p2 l2 67/76
63 Zurück zu den Rufen 68/76 Klassifikation: Für jeden Punkt berechnen wir f m (x) und f w (x). f m (x) größer Männchen f w (x) größer Weibchen
64 Zurück zu den Rufen 69/76 log(f w ) gegen log(f m ) und Diagonale: log(fw) 'Weibchen' 'Männchen' log(fm)
65 Zurück zu den Rufen 70/76 log(f w ) gegen log(f m ) und Diagonale, Ausschnittvergrößerung: log(fw) 'Weibchen' 'Männchen' log(fm)
66 Zurück zu den Rufen 71/76 Falsch klassifiziert: 1 Männchen, 1 Weibchen (und eigentlich 2 unentschieden ) log(fw) 'Weibchen' 'Männchen' log(fm)
67 Zurück zu den Rufen Welche Fälle wurden falsch zugeordnet? p2 l2 Wenn man nur p2 und l2 kennt, ist es sehr verständlich, dass diese Fälle falsch klassifiziert werden. 72/76
68 Zurück zu den Rufen 73/76 Wir verfahren genause mit allen Variablen (p1, p2, p3, p4, p5, l1, l2, l3, l4, l5) gemeinsam mathematisch analog, allerdings geometrisch sehr schwierig darzustellen.
69 Zurück zu den Rufen Ergebnis: log(f w ) gegen log(f m ) und Diagonale (basierend auf allen 10 Variablen): log(fm) log(fw) 74/76
70 Zurück zu den Rufen log(f w ) gegen log(f m ) und Diagonale (basierend auf allen 10 Variablen, Ausschnittvergrößerung): log(fw) log(fm) Die zwei mit (p2,l2) falsch klassifizierten Fälle wurden nun 75/76
71 Zurück zu den Rufen Falsch klassifiziert Die beiden falsch klassifierten Rufe: sie sehen ziemlich männlich aus. 76/76
Biostatistik, WS 2015/2016 Exkurs: Ein Beispiel zur Diskriminanzanalyse
1/55 Biostatistik, WS 2015/2016 Exkurs: Ein Beispiel zur Diskriminanzanalyse Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 29.1.2016 3/55 photo (c) Thermos ein Kleinspecht (Picoides
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Faktorielle Varianzanalyse
Wahrscheinlichkeitsrechnung und Statistik für Biologen Faktorielle Varianzanalyse Dirk Metzler & Martin Hutzenthaler 15. Juni 2010 Inhaltsverzeichnis 1 Die einfaktorielle Varianzanalyse und der F -Test
MehrWahrscheinlichkeitsrechnung 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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Diskriminanzanalyse
Wahrscheinlichkeitsrechnung und Statistik für Biologen Diskriminanzanalyse Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 3. Juli 2013 Übersicht 1 Ruf des Kleinspechts 2 Modell Vorgehen der
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
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
MehrBiometrische und Ökonometrische Methoden II Lösungen 2
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 2 1. a) Zunächst wird die Tafel
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
MehrEinfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte
Einfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte Es wurden die anorganischen Phosphatwerte im Serum (mg/dl) eine Stunde nach einem Glukosetoleranztest bei übergewichtigen Personen mit Hyperinsulinämie,
MehrEinfaktorielle Varianzanalyse
Kapitel 16 Einfaktorielle Varianzanalyse Im Zweistichprobenproblem vergleichen wir zwei Verfahren miteinander. Nun wollen wir mehr als zwei Verfahren betrachten, wobei wir unverbunden vorgehen. Beispiel
MehrStatistik II für Betriebswirte Vorlesung 4
Statistik II für Betriebswirte Vorlesung 4 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. November 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 4 Version:
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
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
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
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
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und
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,
Mehr13. Übungswoche. Kapitel 12: Varianzanalyse (Fortsetzung)
1 13. Übungswoche Kapitel 12: Varianzanalyse (Fortsetzung) [ 3 ] Im Vorkurs Mathematik für Wirtschafstwissenschaftler vor Beginn des Sommersemesters 2009 wurde am Anfang und am Ende ein Test geschrieben,
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
Mehr13. Übungswoche - Lösungen
1 13. Übungswoche - Lösungen Kapitel 12: Varianzanalyse (Fortsetzung) [ 3 ] a) Es gibt deutliche Unterschiede, die Gruppen 2, 3, 7 und 9 liegen deutlich tiefer. b) F = DQ(gruppe)/DQ(Residuals) = 25.13/6.19
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
MehrBiostatistik, WS 2017/18 Der Standardfehler
1/70 Biostatistik, WS 2017/18 Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1718/ 24.11.2017 3/70 Ein Versuch Hirse Bild: Panicum miliaceum 4/70 Ein Versuch Ein Versuch Versuchsaufbau:
MehrBiostatistik, WS 2013/2014 Konfidenzintervalle
1/41 Biostatistik, WS 2013/2014 Konfidenzintervalle Matthias Birkner http://www.mathematik.uni-mainz.de/~birkner/biostatistik1314/ 17.1.2014 Beispiel: Carapaxlänge des Springkrebses 4/41 Beispiel: Springkrebs
MehrGrundlagen der schließenden Statistik
Grundlagen der schließenden Statistik Schätzer, Konfidenzintervalle und Tests 1 46 Motivation Daten erhoben (Umfrage, Messwerte) Problem: Bei Wiederholung des Experiments wird man andere Beobachtungen
MehrEinführung in die Varianzanalyse mit SPSS
Einführung in die Varianzanalyse mit SPSS SPSS-Benutzertreffen am URZ Carina Ortseifen 6. Mai 00 Inhalt. Varianzanalyse. Prozedur ONEWAY. Vergleich von k Gruppen 4. Multiple Vergleiche 5. Modellvoraussetzungen
MehrVarianzvergleiche bei normalverteilten Zufallsvariablen
9 Mittelwert- und Varianzvergleiche Varianzvergleiche bei zwei unabhängigen Stichproben 9.3 Varianzvergleiche bei normalverteilten Zufallsvariablen Nächste Anwendung: Vergleich der Varianzen σa 2 und σ2
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrBiostatistik, 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
MehrMittelwertsvergleich bei mehr als 2 Stichproben
Mittelwertsvergleich bei mehr als 2 Stichproben Im Fall von 2 Gruppen kennen wir nunmehr verschiedene Varianten des t-tests für den Vergleich der Mittelwerte Liegen k > 2 Gruppen von Beobachtungen vor
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 1 bis 4 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
MehrMittelwertsvergleich bei mehr als 2 Stichproben. Marcus Hudec
Mittelwertsvergleich bei mehr als 2 Stichproben Im Fall von 2 Gruppen kennen wir nunmehr verschiedene Varianten des t-tests für den Vergleich der Mittelwerte Liegen k > 2 Gruppen von Beobachtungen vor
MehrTests 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
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
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. Januar 2009 Bernd Klaus, Verena Zuber Das
MehrWelche(s) Paar(e) ist(sind) denn nun signifikant verschieden?
Welche(s) Paar(e) ist(sind) denn nun signifikant verschieden? Der F-Test der Varianzanalyse erlaubt lediglich eine Existenzaussage über ein Paar (i,j) mit µ i µ j zum einem Niveau α. In der Praxis interessiert
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 II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
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
MehrKapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten
Kapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten 5.1. Einführung Einfaktorielle Varianzanalyse Überprüft die Auswirkung einer gestuften (s), unabhängigen Variable X, auch Faktor
MehrStatistik für Informatiker, SS Ideen aus der Statistik 2.4 Weitere Tests
1/88 Statistik für Informatiker, SS 2018 2. Ideen aus der Statistik 2.4 Weitere Tests Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo18/ 2.7.2018 2/88 Inhalt 1 χ 2 -Tests χ 2 -Test für
MehrKapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten
Kapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten 5.1. Einführung Einfaktorielle Varianzanalyse Überprüft die Auswirkung einer gestuften (s), unabhängigen Variable X, auch Faktor
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Mehr3.3 Konfidenzintervalle für Regressionskoeffizienten
3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird
MehrT-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
MehrMultiple Vergleiche. Werner Brannath. VO Biostatistik im WS 2006/2007
Multiple Vergleiche Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Multiple Fehlerwahrscheinlichkeiten bei unabhängigen Tests bei Gruppenvergleichen mit einer One Way ANOVA Multiple Vergleichsverfahren
MehrSchätzung im multiplen linearen Modell VI
Schätzung im multiplen linearen Modell VI Wie im einfachen linearen Regressionsmodell definiert man zu den KQ/OLS-geschätzten Parametern β = ( β 0, β 1,..., β K ) mit ŷ i := β 0 + β 1 x 1i +... β K x Ki,
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Testverteilungen Chi-Quadrat-Verteilung Sind X 1,..., X n iid N(0; 1)-verteilte
MehrBiometrieübung 10 Lineare Regression. 2. Abhängigkeit der Körpergröße von der Schuhgröße bei Männern
Biometrieübung 10 (lineare Regression) - Aufgabe Biometrieübung 10 Lineare Regression Aufgabe 1. Düngungsversuch In einem Düngeversuch mit k=9 Düngungsstufen x i erhielt man Erträge y i. Im (X, Y)- Koordinatensystem
MehrANalysis Of VAriance (ANOVA) 2/2
ANalysis Of VAriance (ANOVA) 2/2 Markus Kalisch 22.10.2014 1 Wdh: ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor X). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich
Mehr1 Übungsaufgaben zur Regressionsanalyse
1 Übungsaufgaben zur Regressionsanalyse 1 1 Übungsaufgaben zur Regressionsanalyse 1.1 Übungsaufgaben zu Seite 1 und 2 1. Wie lautet die Regressionsfunktion? 2. Welche Absatzmenge ist im Durchschnitt bei
MehrStatistik II. Weitere Statistische Tests. Statistik II
Statistik II Weitere Statistische Tests Statistik II - 19.5.2006 1 Überblick Bisher wurden die Test immer anhand einer Stichprobe durchgeführt Jetzt wollen wir die statistischen Eigenschaften von zwei
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
MehrKlausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte, 90 min
Klausur, Analyse mehrdimensionaler Daten, WS 2010/2011, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 21.02.2011 Klausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte,
Mehr10. Die Normalverteilungsannahme
10. Die Normalverteilungsannahme Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann man
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. P. Embrechts ETH Zürich Winter 2012 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test Matthias Birkner & Dirk Metzler http://www.zi.biologie.uni-muenchen.de/evol/statgen.html 12. Mai 2009 1 t-test für gepaarte Stichproben
MehrVarianzanalyse (ANOVA)
Varianzanalyse (ANOVA) K. Molt Universität Duisburg-Essen, Fak. 4, FG Instrumentelle Analytik 7. Juni 2007 K. Molt (Fachgeb. IAC) 7. Juni 2007 1 / 1 Einweg Varianzanalyse (einfaktorielle ANOVA) Einweg-Varianzanalyse
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.
Mehr2.5 Lineare Regressionsmodelle
2.5.1 Wiederholung aus Statistik I Gegeben Datenpunkte (Y i, X i ) schätze die beste Gerade Y i = β 0 + β 1 X i, i = 1,..., n. 2 Induktive Statistik 409 Bsp. 2.30. [Kaffeeverkauf auf drei Flohmärkten]
MehrVergleich von k unabhängigen Gruppen (einfaktorielle, einfache Varianzanalyse)
Vergleich von k unabhängigen Gruppen (einfaktorielle, einfache ) A: Faktor (Gruppenvariable) mit k Stufen (Faktorstufen) Modell Y ij = µ + α i + ǫ ij, i = 1...k, j = 1...n i µ: Gesamterwartungswert α i
Mehr22. Oktober Ruhr-Universität Bochum. Methodenlehre II, SS Prof. Dr. Holger Dette
Ruhr-Universität Bochum 22. Oktober 2011 1 / 374 Methodenlehre II NA 3/73 Telefon: 0234 322 8284 Email: holger.dette@rub.de Internet: www.ruhr-uni-bochum.de/mathematik3/index.html Vorlesung: Montag, 8.30
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"
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
Mehr3.3 Das allgemeine lineare Modell (ALM), Methode der kleinsten Quadrate
31 und 31 und (), Methode der 33 Das allgemeine (), Methode der kleinsten Quadrate 36 Kovarianzanalyse 37 Modelle mit Messwiederholungen 1 / 85 Eine grundsätzliche Bemerkung zu Beginn Es bestehen viele
MehrStochastik Praktikum Lineare Modelle
Stochastik Praktikum Lineare Modelle Thorsten Dickhaus Humboldt-Universität zu Berlin 06.10.2010 Übersicht 1 Einfache lineare Regression 2 Multiple lineare Regression 3 Varianzanalyse 4 Verallgemeinerte
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
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
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
Mehra) Man bestimme ein 95%-Konfidenzintervall für den Anteil der Wahlberechtigten, die gegen die Einführung dieses generellen
2) Bei einer Stichprobe unter n=800 Wahlberechtigten gaben 440 an, dass Sie gegen die Einführung eines generellen Tempolimits von 100km/h auf Österreichs Autobahnen sind. a) Man bestimme ein 95%-Konfidenzintervall
MehrEinfache Varianzanalyse für unabhängige Stichproben
Einfache Varianzanalyse für unabhängige Stichproben VARIANZANALYSE Die Varianzanalyse ist das dem t-test entsprechende Mittel zum Vergleich mehrerer (k 2) Stichprobenmittelwerte. Sie wird hier mit VA abgekürzt,
MehrStatistikpraktikum. Carsten Rezny. Sommersemester Institut für angewandte Mathematik Universität Bonn
Statistikpraktikum Carsten Rezny Institut für angewandte Mathematik Universität Bonn Sommersemester 2014 Mehrdimensionale Datensätze: Multivariate Statistik Multivariate Statistik Mehrdimensionale Datensätze:
MehrChi-Quadrat Verfahren
Chi-Quadrat Verfahren Chi-Quadrat Verfahren werden bei nominalskalierten Daten verwendet. Die einzige Information, die wir bei Nominalskalenniveau zur Verfügung haben, sind Häufigkeiten. Die Quintessenz
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:
MehrHypothesentests für Erwartungswert und Median. Statistik (Biol./Pharm./HST) FS 2015
Hypothesentests für Erwartungswert und Median Statistik (Biol./Pharm./HST) FS 2015 Normalverteilung X N μ, σ 2 X ist normalverteilt mit Erwartungswert μ und Varianz σ 2 pdf: pdf cdf:??? cdf 1 Zentraler
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Varianzanalyse Statistik
MehrEntscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.1 4. Statistische Entscheidungsverfahren Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten Beispiel:
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 25. Januar 2013 1 Der χ 2 -Anpassungstest 2 Exakter Test nach Fisher Mendelsche Erbregeln als Beispiel für mehr
MehrPrüfung aus Statistik 2 für SoziologInnen
Prüfung aus Statistik 2 für SoziologInnen 11. Oktober 2013 Gesamtpunktezahl =80 Name in Blockbuchstaben: Matrikelnummer: Wissenstest (maximal 16 Punkte) Kreuzen ( ) Sie die jeweils richtige Antwort an.
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test Matthias Birkner & Dirk Metzler 12. Mai 2009 Inhaltsverzeichnis 1 t-test für gepaarte Stichproben 1 1.1 Beispiel: Orientierung bei Trauerschnäppern..........................
MehrPrüfungsliteratur: Rudolf & Müller S
1 Beispiele zur univariaten Varianzanalyse Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Zweifaktorielle Varianzanalyse 5 Multivariate Varianzanalyse 6 Varianzanalyse mit
MehrBiometrische und Ökonometrische Methoden II Lösungen 1
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 1 1. a) MTB > name c1 '100 mm'
MehrStatistik II für Betriebswirte Vorlesung 5
Statistik II für Betriebswirte Vorlesung 5 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. November 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 5 Version:
MehrANalysis Of VAriance (ANOVA) 1/2
ANalysis Of VAriance (ANOVA) 1/2 Markus Kalisch 16.10.2014 1 ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich)?
MehrMusterlösung der Aufgaben vom 14.3.
Musterlösung der Aufgaben vom 14.3. Aufstellen der Designmatrix der zweifaktoriellen ANOVA für das Laborantenbeispiel. Die Faktoren heißen L (Labor) und A (Angestellter, Laborant), die Zielgröße Y (gem.
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
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 http://www.zi.biologie.uni-muenchen.de/evol/statgen.html
MehrHow To Find Out If A Ball Is In An Urn
Prof. Dr. P. Embrechts ETH Zürich Sommer 2012 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
MehrBiostatistik, WS 2015/2016 Der t-test
1/62 Biostatistik, WS 2015/2016 Der t-test (Zwei gepaarte Stichproben bzw. eine Stichprobe) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 4.12.2015 Beispiel: Orientierung bei
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
Mehr