Erwin Grüner
|
|
- Adrian Flater
- vor 7 Jahren
- Abrufe
Transkript
1 FB Psychologie Uni Marburg
2 Themenübersicht
3 Die Verteilung zwei- oder mehrdimensionaler kategorialer Daten wird mit Hilfe von beschrieben. In R gibt es dafür den Objekttyp table. Zur Erstellung von steht in R die Funktion table() u.a. zu Verfügung. Die Funktionen tapply() und by() erlauben die Anwendung beliebiger Funktionen auf Untergruppen von Daten und Rückgabe der Ergebnisse als Tabelle bzw. Liste.
4 Die Funktion table() Mit Hilfe der Funktion table() können ein- oder mehrdimensionale Häufigkeitstabellen erstellt werden.
5 Aufruf der Funktion (mit Voreinstellungen) table(..., exclude = c(na,nan), dnn = list.names(...), deparse.level = 1)) Parameter Bedeutung... Objekte, die Faktoren sind oder als solche interpretiert werden können exclude Werte, die ausgeschlossen werden sollen dnn Dimensionsnamen deparse.level Angabe, wie Default-Dimensionsnamen kreiert werden sollen
6 Die Funktionen margin.table() und prop.table() Aus einer Tabelle oder einer Matrix bzw. einem Array können mit Hilfe der Funktion margin.table() auch Randtabellen erstellt werden. Mit Hilfe der Funktion prop.table() schließlich kann für eine Tabelle (oder ein Array) eine Tabelle mit Zeilen-/Spalten-/... -prozenten erstellt werden.
7 Aufruf der Funktionen (mit Voreinstellung) margin.table(x, margin=null) prop.table(x, margin=null) Parameter x margin Bedeutung Tabelle oder Array Indexnummer(n)
8 Die Funktion tapply() Die Funktion tapply() erlaubt es, eine beliebige Funktion auf alle durch einen bzw. mehrere Faktoren definierten Untergruppen anzuwenden.
9 Aufruf der Funktion (mit Voreinstellungen) tapply(x, INDEX, FUN = NULL,..., simplify = TRUE) Parameter Bedeutung X Vektor INDEX Faktor oder Liste von Faktoren (jeweils von gleicher Länge wie X) FUN Name bzw. Rumpf der anzuwendenden Funktion... Optionale Argumente für die Funktion simplify F: Ergebnis als Liste, sonst als Vektor, Matrix bzw. Array
10 Für jede Kombination der Faktorstufen (Parameter INDEX) wird die angegebene Funktion angewandt. Die Rückgabe ist ein Array (Vektor, Matrix,... ) mit genau so vielen Dimensionen, wie Faktoren angegeben wurden. Neben tapply() gibt es noch eine Funktion, die eine ähnliche Wirkung hat, sich aber auf Dataframes anwenden lässt: by().
11 Funktion bartlett.test binom.test chisq.test cor.test fisher.test friedman.test kruskal.test ks.test mcnemar.test prop.test Wirkung Bartlett s Test auf Varianzhomogenität Binomialtest Chiquadrattest Test einer Korrelation gegen Null Fisher s exakter Test Friedman s Rangsummentest Rangsummentest nach Kruskal-Wallis Test von Kolmogorov-Smirnov für eine bzw. zwei Stichproben Test von McNemar Test von relativen Häufigkeiten...
12 oneway.test einfache Varianzanalyse t.test t-test für eine oder zwei Stichproben var.test F-Test für zwei Varianzen wilcox.test Wilcoxon Rangsummen Test......
13 Die Funktion bartlett.test() Aufruf der Funktion (2 Formen) bartlett.test(x, g,...) bartlett.test(formula, data, subset, na.action,...)
14 Parameter Bedeutung x numerischer Vektor oder Liste von numerischen Vektoren g Faktor formula Formel data Dataframe subset logischer Vektor für eine Auswahl der Daten na.action Behandlung von Missing Data Hinweise Falls x eine Liste ist, wird der Parameter g ignoriert. Die Formel ist in der Form x~g anzugeben.
15 Die Funktion binom.test() Aufruf der Funktion (mit Voreinstellungen) binom.test(x, x, p = 0.5, alternative = c("two.sided", "less", "greater"), conf.level = 0.95)
16 Parameter Bedeutung x Anzahl der Erfolge oder Vektor mit zwei Komponenten (Erfolge/Misserfolge) n Anzahl der Versuche p Wahrscheinlichkeit für Erfolg (die zu testende Hypothese) alternative Art des Konfidenzintervalls conf.level Konfidenzniveau (1 α) Hinweis Ist x ein Vektor, so wird der Parameter n ignoriert.
17 Die Funktion chisq.test() Aufruf der Funktion (mit Voreinstellungen) chisq.test(x, y = NULL, correct = TRUE, p = rep(1/length(x), length(x)) simulate.p.value = FALSE, B = 2000)
18 Parameter x y correct p simulate.p.value B Bedeutung Vektor oder Matrix Vektor (wird ignoriert, falls x eine Matrix ist) T: mit Kontinuitätskorrektur Vektor von Wahrscheinlichkeiten T: die p-werte sollen durch Simulation bestimmt werden Anzahl der Replikationen für die Simulation
19 Hinweise Falls x ein Vektor ist und y fehlt, wird x als Vektor mit empirischen Häufigkeiten aufgefasst und die Hypothese getestet, dass sie aus einer Verteilung mit den Wahrscheinlichkeiten p stammen. Sind x und y Vektoren oder Faktoren (mit gleicher Länge), so wird die zweidimensionale Kontingenztabelle berechnet und der Chiquadrattest auf Unabhängigkeit durchgeführt. Ist x eine Matrix, so wird sie als Kontingenztabelle aufgefasst und der Test auf Unabhängigkeit durchgeführt.
20 Die Funktion cor.test() Aufruf der Funktion (2 Formen, mit Voreinstellungen) cor.test(x, y, alternative = c("two.sided","less","greater"), method = c("pearson","kendall","spearman"), exact = NULL, conf.level = 0.95,...)...
21 cor.test(formula, x, data, subset, na.action,...)
22 Parameter Bedeutung x,y numerische Vektoren gleicher Länge alternative Art der Alternativhypothese bzw. des Konfidenzintervalls method Korrelationskoeffizient, der berechnet und getestet werden soll exact bei Kendall s Tau soll der exakte p-wert berechnet werden conf.level Konfidenzniveau (1 α) formula Formel data Dataframe subset logischer Vektor für eine Auswahl der Daten na.action Behandlung von Missing Data
23 Hinweise Ein Konfidenzintervall wird für einen Produkt-Moment Korrelationskoeffizienten (Pearson) berechnet. Die Formel muss in der Form ~x+y angegeben werden.
24 Die Funktion fisher.test() Aufruf der Funktion (mit Voreinstellungen) fisher.test(x, y = NULL, workspace = , hybrid = FALSE, or = 1, alternative = "two.sided", conf.level = 0.95)...
25 Parameter Bedeutung x numerischer Vektor oder Matrix y Vektor (wird ignoriert, falls x eine Matrix ist) workspace Speicher für den Rechenalgorithmus hybrid F: exakte Wahrscheinlichkeiten berechnen T: Approximation verwenden or hypothetisierte Odds Ratio alternative Art der Alternativhypothese bzw. des Konfidenzintervalls conf.level Konfidenzniveau (1 α)
26 Hinweise Ist x eine Matrix, so wird sie als Kontingenztabelle aufgefasst und der Test auf Unabhängigkeit durchgeführt. Sind x und y Vektoren oder Faktoren (mit gleicher Länge), so wird die zweidimensionale Kontingenztabelle berechnet und der Test auf Unabhängigkeit durchgeführt. Die Parameter or, alternative und conf.level sind nur im Fall einer 2x2 Kontingenztabelle verwendbar.
27 Die Funktion friedman.test() Aufruf der Funktion (2 Formen) friedman.test(y, groups, blocks,...) friedman.test(formula, data, subset, na.action,...)
28 Parameter y groups blocks formula data subset na.action Bedeutung numerischer Vektor oder Matrix Vektor (Gruppenzugehörigkeit) Vektor (Blockzugehörigkeit) Formel Dataframe logischer Vektor für eine Auswahl der Daten Behandlung von Missing Data Hinweise Ist y eine Matrix, so werden die Parameter groups und blocks ignoriert. Ist y ein Vektor, so müssen die Vektoren groups und blocks die gleiche Länge haben. Die Formel muss in der Form y~g b angegeben werden.
29 Die Funktion kruskal.test() Aufruf der Funktion (2 Formen) kruskal.test(x, g,...) kruskal.test(formula, data, subset, na.action,...)
30 Parameter x g formula data subset na.action Bedeutung numerischer Vektor oder Liste von numerischen Vektoren Faktor Formel Dataframe logischer Vektor für eine Auswahl der Daten Behandlung von Missing Data Hinweise Falls x eine Liste ist, wird der Parameter g ignoriert. Die Formel hat die Form x~g.
31 Die Funktion ks.test() Aufruf der Funktion (mit Voreinstellungen) ks.test(x, y, alternative = c("two.sided", "less", "greater"), exact = NULL)
32 Parameter Bedeutung x numerischer Vektor y numerischer Vektor oder Name der zu prüfenden Verteilung (String)... Parameter der zu prüfenden Verteilung alternative Art der Alternativhypothese bzw. des Konfidenzintervalls exact NULL oder T: beim Zweistichprobentest soll der exakte p-wert berechnet werden Hinweise Im Einstichprobenfall wird die Verteilung von x auf eine im Parameter y anzugebende Verteilungsfunktion geprüft. Ist y ebenfalls ein numerischer Vektor, so wird der Zweistichprobentest durchgeführt.
33 Die Funktion mcnemar.test() Aufruf der Funktion (mit Voreinstellungen) mcnemar.test(x, y = NULL, correct = TRUE) Parameter x y correct Bedeutung Matrix oder Vektor (Faktor) Faktor (wird ignoriert, falls x eine Matrix ist) T: mit Kontinuitätskorrektur (nur bei einer Viefeldertafel)
34 Hinweise Ist x eine Matrix, so wird sie als Kontingenztabelle aufgefasst und der McNemar-Test durchgeführt. Sind x und y Faktoren (mit gleicher Länge), so wird die zweidimensionale Kontingenztabelle berechnet und der McNemar-Test durchgeführt.
35 Die Funktion oneway.test() Aufruf der Funktion (mit Voreinstellungen) oneway.test(formula, data, subset, na.action, var.equal = FALSE) Parameter formula data subset na.action var.equal Bedeutung Formel Dataframe logischer Vektor für eine Auswahl der Daten Behandlung von Missing Data F: heterogene Varianzen
36 Hinweis Die Formel ist in der Form x~g anzugeben (x: abhängige Variable, g: Faktor).
37 Die Funktion prop.test() Aufruf der Funktion (mit Voreinstellungen) prop.test(x, n, p = NULL, alternative = c("two.sided", "less", "greater"), conf.level = 0.95, correct = TRUE)
38 Parameter Bedeutung x Vektor (Anzahl der Erfolge) oder zweispaltige Matrix (Erfolge/Misserfolge) n Vektor (Anzahl der Versuche) p Wahrscheinlichkeiten für Erfolg alternative Art des Konfidenzintervalls conf.level Konfidenzniveau (1 α) correct T: mit Kontinuitätskorrektur nach Yates Hinweise Ist x eine Matrix, so wird der Parameter n ignoriert. Wird der Parameter p angegeben, so wird die Hypothese getestet, dass die wahren Erfolgswahrscheinlichkeiten gleich p sind. Fehlt der Parameter p, so wird die Hypothese getestet, dass alle Erfolgswahrscheinlichkeiten identisch sind.
39 Die Funktion t.test() Aufruf der Funktion (2 Formen, mit Voreinstellungen) t.test(x, y = NULL, alternative = c("two.sided", "less", "greater"), mu = 0, paired = FALSE, var.equal = FALSE, conf.level = 0.95,...) t.test(formula, data, subset, na.action,...)
40 Parameter x,y alternative mu paired var.equal formula data subset na.action Bedeutung numerische Vektoren Art der Alternativhypothese hypothetisierter Populationsmittelwert F: unabhängige Stichproben F: heterogene Varianzen Formel Dataframe logischer Vektor für eine Auswahl der Daten Behandlung von Missing Data
41 Hinweise Fehlt der Vektor y, so wird die Hypothese getestet, dass x aus einer Population mit Mittelwert mu stammt (Einstichprobenfall). Sind sowohl x als auch y angegeben (Zweistichprobenfall), so wird deren Mittelwertsdifferenz gegen mu bzw. gegen 0 getestet. Die Formel ist in der Form x~g anzugeben (g: Faktor mit zwei Stufen).
42 Die Funktion var.test() Aufruf der Funktion (2 Formen, mit Voreinstellungen) var.test(x, y, ratio = 1, alternative = c("two.sided", "less", "greater"), conf.level = 0.95,...) var.test(formula, data, subset, na.action,...)
43 Parameter Bedeutung x,y numerische Vektoren ratio hypothetisierter Quotient der Populationsvarianzen alternative Art der Alternativhypothese conf.level Konfidenzniveau (1 α) formula Formel data Dataframe subset logischer Vektor für eine Auswahl der Daten na.action Behandlung von Missing Data
44 Hinweise Es wird die Nullhypothese getestet, dass die beiden Stichproben aus normalverteilten Populationen stammen, deren Varianzen identisch sind (bzw. deren Varianzquotient gleich dem angegebenen Wert von ratio ist). Die Formel ist in der Form x~g anzugeben (g: Faktor mit zwei Stufen).
45 wilcox.test(formula, data, subset, na.action,...) Die Funktion wilcox.test() Aufruf der Funktion (2 Formen, mit Voreinstellungen) wilcox.test(x, y = NULL, alternative = c("two.sided", "less", "greater"), mu = 0, paired = FALSE, exact = NULL, correct = TRUE, conf.int = FALSE, conf.level = 0.95,...)
46 Parameter Bedeutung x,y numerische Vektoren alternative Art der Alternativhypothese mu hypothetisierter Populationsmittelwert paired F: unabhängige Stichproben exact NULL oder F: den exakten p-wert berechnen correct T: Kontinuitätskorrektur bei Berechnung des p-wertes verwenden conf.int T: Konfidenzintervall berechnen conf.level Konfidenzniveau (1 α) formula Formel data Dataframe subset logischer Vektor für eine Auswahl der Daten na.action Behandlung von Missing Data
47 Hinweise Fehlt der Vektor y, so wird die Hypothese getestet, dass x aus einer Population mit Mittelwert mu stammt (Einstichprobenfall). Sind sowohl x als auch y angegeben und ist der Parameter paired TRUE, so wird die Hypothese getestet, dass der Differenzvektor x-y aus einer Population mit Mittelwert mu bzw. 0 stammt. Sind sowohl x als auch y angegeben und ist der Parameter paired FALSE, so wird der Wilcoxon Rangsummentest durchgeführt (äquivalent dem U-Test von Mann-Whitney). Die Formel ist in der Form x~g anzugeben (g: Faktor mit zwei Stufen).
48
14.3 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.
MehrBlockpraktikum zur Statistik mit R
Blockpraktikum zur Statistik mit R 08. Oktober 2010 Till Breuer, Sebastian Mentemeier und Matti Schneider Institut für Mathematische Statistik Universität Münster WS 2010/11 Gliederung 1 Ein-Stichproben-Fall
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 9. Dezember 2009 Bernd Klaus, Verena Zuber
MehrEine Einführung in R: Statistische Tests
I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Eine Einführung in R: Statistische Tests
Mehr4 EINSTICHPROBENVERGLEICHE ÜBERSICHT
ÜBERSICHT EINSTICHPROBENVERGLEICHE Untersuchungsmerkmal ist metrisch Untersuchungsmerkmal ist normalverteilt Untersuchungsmerkmal ist 2-stufig skaliert Untersuchungsmerkmal ist mehrstufig skaliert Überprüfung
MehrErwin Grüner
FB Psychologie Uni Marburg 01.12.2005 Themenübersicht Die Funktion Die Funktion Zweck: Erzeugung eines Vektors durch Replizieren Parameter x times length.out each Bedeutung Zahl oder Vektor Anzahl der
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws11/r-kurs/
MehrHypothesentests mit R Ashkan Taassob Andreas Reisch 21.04.09 1
Hypothesentests mit R Ashkan Taassob Andreas Reisch 21.04.09 1 Inhalt Programmiersprache R Syntax Umgang mit Dateien Tests t Test F Test Wilcoxon Test 2 Test Zusammenfassung 2 Programmiersprache R Programmiersprache
MehrÜberblick über die Tests
Anhang A Überblick über die Tests A.1 Ein-Stichproben-Tests A.1.1 Tests auf Verteilungsannahmen ˆ Shapiro-Wilk-Test Situation: Test auf Normalverteilung H 0 : X N(µ, σ 2 ) H 1 : X nicht normalverteilt
MehrStatistik & Graphiken in R Forschungsorientierte Vertiefung Methodenlehre
Statistik & Graphiken in R Forschungsorientierte Vertiefung Methodenlehre Dipl.-Psych. Norman Rose 29.11.2007 Agenda T-Test Lineare Regressionen Logistische Regression t-test Datenerzeugung & Deskriptive
MehrErwin Grüner
FB Psychologie Uni Marburg 19.01.2006 Themenübersicht in R in R In R gibt es eine Reihe von Funktionen zur : lm(): lineare Regression glm(): allgemeines lineares Modell aov(): manova(): multivariate gam():
Mehr9. Übung (Analyse von qualitativen Daten)
9. Übung (Analyse von qualitativen Daten) (Prüfung von Unabhängigkeit, Homogenität und Anpassung) Man unterscheidet vor allem die folgenden Tests: Unabhängigkeitstest: Hier wird geprüft, ob zwei Merkmale
MehrTeil XI. Hypothesentests für zwei Stichproben. Woche 9: Hypothesentests für zwei Stichproben. Lernziele. Beispiel: Monoaminooxidase und Schizophrenie
Woche 9: Hypothesentests für zwei Stichproben Patric Müller Teil XI Hypothesentests für zwei Stichproben ETHZ WBL 17/19, 26.06.2017 Wahrscheinlichkeit und Statistik Patric
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
MehrTesttheorie. 29. März Sören Gröttrup. Blockpraktikum zur Statistik mit R. Institut für Mathematische Statistik Universität Münster SS 2012
Testtheorie Blockpraktikum zur Statistik mit R 29. März 2012 Sören Gröttrup Institut für Mathematische Statistik Universität Münster SS 2012 Gliederung 1 Testtheorie: Ziel und Überblick Testtheorie Andere
MehrTeil VIII Hypothesentests für zwei Stichproben
Woche 9: Hypothesentests für zwei Stichproben Teil VIII Hypothesentests für zwei Stichproben WBL 15/17, 22.06.2015 Alain Hauser Berner Fachhochschule, Technik und Informatik Berner
MehrInhaltsverzeichnis. Bibliografische Informationen digitalisiert durch
Inhaltsverzeichnis 1 Statistische Grundbegriffe 1 1.1 Skalenniveaus von Merkmalen 1 1.2 Wahrscheinlichkeitsrechnung 2 1.3 Eindimensionale Verteilungen 7 1.4 Mehrdimensionale Verteilungen 9 1.5 Momente,
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"
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 3.2.2 bis 3.3 besser zu verstehen. Auswertung und Lösung Abgaben: 81 / 265 Maximal erreichte Punktzahl: 7 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.28 Frage
MehrBlockpraktikum zur Statistik mit R
Blockpraktikum zur Statistik mit R 11. Oktober 2013 Fabian Buckmann Institut für Mathematische Statistik Universität Münster WS 13/14 Gliederung 1 Testtheorie: Ziel und Überblick Testtheorie Andere Entscheidungsprobleme
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/
Mehr5. Lektion: Einfache Signifikanztests
Seite 1 von 7 5. Lektion: Einfache Signifikanztests Ziel dieser Lektion: Du ordnest Deinen Fragestellungen und Hypothesen die passenden einfachen Signifikanztests zu. Inhalt: 5.1 Zwei kategoriale Variablen
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
MehrInhaltsverzeichnis. Über die Autoren Einleitung... 21
Inhaltsverzeichnis Über die Autoren.... 7 Einleitung... 21 Über dieses Buch... 21 Was Sie nicht lesen müssen... 22 Törichte Annahmen über den Leser... 22 Wie dieses Buch aufgebaut ist... 23 Symbole, die
MehrParametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
MehrR-Wörterbuch Ein Anfang... ein Klick auf einen Begriff führt, sofern vorhanden, zu dessen Erklärung.
R-Wörterbuch Ein Anfang... ein Klick auf einen Begriff führt, sofern vorhanden, zu dessen Erklärung. Carsten Szardenings c.sz@wwu.de 7. Mai 2015 A 2 B 3 C 4 D 5 F 6 R 16 S 17 V 18 W 19 Z 20 H 7 I 8 K 9
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:
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
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
MehrStatistische Datenanalyse
Wolf-Michael Kahler Statistische Datenanalyse Verfahren verstehen und mit SPSS gekonnt einsetzen 6., verbesserte und erweiterte Auflage Mit 345 Abbildungen STUDIUM VIEWEG+ TEUBNER Inhaltsverzeichnis 1
MehrStichwortverzeichnis. 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
MehrFH- Management & IT. Constantin von Craushaar FH-Management & IT Statistik Angewandte Statistik (Übungen)
FH- Management & IT Folie 1 Rückblick Häufigkeiten berechnen Mittelwerte berechnen Grafiken ausgeben Grafiken anpassen und als Vorlage abspeichern Variablenoperationen Fälle vergleichen Fälle auswählen
MehrDer χ 2 -Test (Chiquadrat-Test)
Der χ 2 -Test (Chiquadrat-Test) Der Grundgedanke Mit den χ 2 -Methoden kann überprüft werden, ob sich die empirischen (im Experiment beobachteten) Häufigkeiten einer nominalen Variable systematisch von
MehrBiostatistik. Lösung
Prof. Dr. Achim Klenke Fridolin Kielisch 13. Übung zur Vorlesung Biostatistik im Sommersemester 2015 Lösung Aufgabe 1: a) Ich führe einen zweiseitigen Welch-Test durch, weil ich annehme, dass die Daten
MehrKlausur Statistik 2 RE Statistik für Soziologen Do,
Klausur Statistik 2 RE Statistik für Soziologen Do, 24. 9. 2009 Name...Vorname... Matrikelnummer... Einsichtnahme: Fr, 2. Oktober BITTE DEUTLICH UND LESERLICH SCHREIBEN! Es wird nur gewertet, was in diesem
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrBivariate explorative Datenanalyse in R
Bivariate explorative Datenanalyse in R Achim Zeileis, Regina Tüchler 2006-10-09 In der LV Statistik 1 haben wir auch den Zusammenhang von 2 Variablen untersucht. Hier werden die dazugehörenden R-Befehle
MehrMann-Whitney-U-Test für zwei unabhängige Stichproben
Mann-Whitney-U-Test für zwei unabhängige Stichproben Wir haben bis jetzt einen einzigen Test für unabhängige Stichproben kennen gelernt, nämlich den T-Test. Wie wir bereits wissen, sind an die Berechnung
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
Mehr1.4 Der Binomialtest. Die Hypothesen: H 0 : p p 0 gegen. gegen H 1 : p p 0. gegen H 1 : p > p 0
1.4 Der Binomialtest Mit dem Binomialtest kann eine Hypothese bezüglich der Wahrscheinlichkeit für das Auftreten einer Kategorie einer dichotomen (es kommen nur zwei Ausprägungen vor, z.b. 0 und 1) Zufallsvariablen
MehrWirtschafts- und Sozialstatistik
Einführung in die induktive Statistik Teil 2 (2. Auflage) Prüfverfahren in der Wirtschafts- und Sozialstatistik Manfred Tiede - Werner Voß Studienverlag Dr. N. Brockmeyer Inhalt Vorwort 11 Kapitel I: Grundkonzeptionen
MehrMotivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen
Universität Karlsruhe (TH) Forschungsuniversität gegründet 825 Wilcoxon-Rangsummentest oder Mann-Whitney U-Test Motivation In Experimenten ist die Datenmenge oft klein Daten sind nicht normalverteilt Dann
MehrTest-Finder. Inhalt. Orientierung im Test-Chaos Dipl.-Psych. Dr. Guido Strunk
Test-Finder 1 Test-Finder Orientierung im Test-Chaos Dipl.-Psych. Dr. Guido Strunk Inhalt 1 Grundlagen... 2 2 Maße der zentralen Tendenz vergleichen Zwei Gruppen... 3 2.1 T-Test für unabhängige Daten...
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
Mehr1. Nennen Sie den für das Merkmal X geeigneten Skalentyp und begründen Sie Ihre Antwort.
Aufgabe 1 150 Personen gaben bei einer Befragung an, wie viel Geld sie in diesem Jahr für Weihnachtsgeschenke ausgegeben haben. Die Ergebnisse der Befragung sind in nachfolgender Tabelle zusammengefasst,
MehrBiostatistik, Sommer Nichtparametrische Statistik: Mediantest, Rangsummentest, χ 2 -Test. Prof. Dr. Achim Klenke.
1/52 Biostatistik, Sommer 2017 Nichtparametrische Statistik: Mediantest, Rangsummentest, χ 2 -Test Prof. Dr. Achim Klenke http://www.aklenke.de 13. Vorlesung: 14.07.2017 Entwurf 2/52 Inhalt 1 Nichtparametrische
MehrStatistik für Psychologen und Sozialwissenschaftler. Pearson. Markus Bühner Matthias Ziegler. 2., aktualisierte und erweiterte Auflage
Statistik für Psychologen und Sozialwissenschaftler 2., aktualisierte und erweiterte Auflage Markus Bühner Matthias Ziegler Pearson Inhaltsübersicht Vorwort zur 1. Auflage Vorwort zur 2. Auflage XIII XV
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
MehrEinführung in Web- und Data-Science
Einführung in Web- und Data-Science Prof. Dr. Ralf Möller Universität zu Lübeck Institut für Informationssysteme Tanya Braun (Übungen) P-Wert (einseitiger Ablehnungsbereich) Hypothesentest H 0 vs. H 1
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
MehrDeskription, 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
MehrArbeitsbuch zur deskriptiven und induktiven Statistik
Helge Toutenburg Michael Schomaker Malte Wißmann Christian Heumann Arbeitsbuch zur deskriptiven und induktiven Statistik Zweite, aktualisierte und erweiterte Auflage 4ü Springer Inhaltsverzeichnis 1. Grundlagen
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
MehrMehrere kategoriale Merkmale
Kapitel 3 Mehrere kategoriale Merkmale 3.1 Wie kann man zwei kategoriale Merkmale numerisch beschreiben? Kontingenztafeln (Kreuztabellen) erzeugt man wiederum mit table: R> CMMRCIAL
MehrInhaltsverzeichnis Statistische Grundbegriffe Einf uhrung in SAS
Inhaltsverzeichnis 1 Statistische Grundbegriffe... 1 1.1 SkalenniveausvonMerkmalen... 1 1.2 Wahrscheinlichkeitsrechnung... 2 1.3 EindimensionaleVerteilungen... 7 1.4 MehrdimensionaleVerteilungen... 9 1.5
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
Mehr6.4 Der Kruskal-Wallis Test
6.4 Der Kruskal-Wallis Test Der Test von Kruskal und Wallis, auch H-Test genannt, ist ein Test, mit dem man die Verteilungen von Teilstichproben auf Unterschiede untersuchen kann. Bei diesem Test geht
MehrBivariate explorative Datenanalyse in R
Bivariate explorative Datenanalyse in R Achim Zeileis 2009-02-20 1 Zwei metrische Merk Zunächst einmal wird wieder der BBBClub Datensatz geladen und der Bequemlichkeit halber auch attached. R> load("bbbclub.rda")
MehrÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II
ÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II 1.1 Durch welche Elemente lässt sich laut der Formel für die multiple Regression der Wert einer Person auf einer bestimmten abhängigen Variable Y vorhersagen? a)
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrKategoriale und metrische Daten
Kategoriale und metrische Daten Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/14 Übersicht Abhängig von der Anzahl der Ausprägung der kategorialen Variablen unterscheidet man die folgenden Szenarien:
MehrStatistik für Psychologen, Pädagogen und Mediziner
Thomas Köhler Statistik für Psychologen, Pädagogen und Mediziner Ein Lehrbuch ^~i: Verlag W. Kohlhammer 1 Einführung: Begriffsklärungen und Überblick 11 1.1 Aufgaben und Subdisziplinen der Statistik 11
MehrVergleich von Parametern zweier Stichproben
Vergleich von Parametern zweier Stichproben Vergleich von Mittelwerten bei gebundenen Stichproben Vergleich von Mittelwerten bei unabhängigen Stichproben Vergleich von Varianzen bei unabhängigen Stichproben
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
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
Mehrfh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik
fh management, communication & it Folie 1 Überblick Grundlagen (Testvoraussetzungen) Mittelwertvergleiche (t-test,..) Nichtparametrische Tests Korrelationen Regressionsanalyse... Folie 2 Überblick... Varianzanalyse
Mehr1.8 Kolmogorov-Smirnov-Test auf Normalverteilung
1.8 Kolmogorov-Smirnov-Test auf Normalverteilung Der Kolmogorov-Smirnov-Test ist einer der klassischen Tests zum Überprüfen von Verteilungsvoraussetzungen. Der Test vergleicht die Abweichungen der empirischen
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
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
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
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten Von Prof. Dr. Rainer Schlittgen 4., überarbeitete und erweiterte Auflage Fachbereich Materialwissenschaft! der Techn. Hochschule Darmstadt
MehrMethodik für Linguisten
Claudia Methodik für Linguisten Eine Einführung in Statistik und Versuchsplanung narr VERLAG 1 Reisevorbereitungen und Wegweiser 2 Linguistik als empirische Wissenschaft 15 2.1 Karl Popper und der Falsifikationismus
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)
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrResampling Methoden Dortmund, 2005 (Jenő Reiczigel) 1. Bootstrap: Tests
Resampling Methoden Dortmund, 2005 (Jenő Reiczigel) 1 Bootstrap: Tests Zwei Ideen 1. Mit dem Bootstrap kann man gute Konfidenzintervalle erstellen, und die Tests kann man von diesen Konfidenzintervallen
MehrInhalt. I Einführung. Kapitel 1 Konzept des Buches Kapitel 2 Messen in der Psychologie... 27
Inhalt I Einführung Kapitel 1 Konzept des Buches........................................ 15 Kapitel 2 Messen in der Psychologie.................................. 27 2.1 Arten von psychologischen Messungen....................
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
MehrDr. W. Kuhlisch Dresden, Institut für Mathematische Stochastik
Dr. W. Kuhlisch Dresden, 12. 08. 2014 Institut für Mathematische Stochastik Klausur Statistik für Studierende der Fachrichtungen Hydrologie und Altlasten/Abwasser zugelassene Hilfsmittel: Taschenrechner
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Mathematische und statistische Methoden I Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-06 Dr. Malte Persike persike@uni-mainz.de
MehrStatistik für Ingenieure Vorlesung 11
Statistik für Ingenieure Vorlesung 11 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 23. Januar 2018 5. Schließende Statistik 5.1. Statistische Tests (Signifikanztests)
MehrAnalytische Statistik II. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Analytische Statistik II Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Testen Anpassungstests (goodness of fit) Weicht eine gegebene Verteilung signifikant von einer bekannten
MehrInhaltsverzeichnis. Vorwort
Vorwort 1 Die Grundlagen 15 Alles variiert 16 Signifikanz Gute und schlechte Hypothesen 18 Nullhypothesen 18 19 Interpretation Statistisches Modellieren 20 Maximale Wahrscheinlichkeit 21 Versuchsanordnung
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrStatistik für Dummies
Bearbeitet von Deborah Rumsey, Reinhard Engel 3. aktualisierte Auflage 2015. Buch. 368 S. Softcover ISBN 978 3 527 71156 7 Format (B x L): 17,6 x 24 cm Wirtschaft > Betriebswirtschaft: Theorie & Allgemeines
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
Mehr3.4 Bivariate Datenanalyse in R
90 KAPITEL 3. BIVARIATE ANALYSE 3.4 Bivariate Datenanalyse in R Beginnen wir mit dem Zusammenhang zwischen einem qualitativem und einem quantitativem Merkmal. Wir wollen das Alter der weiblichem Teilnehmer
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
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.
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
MehrVorlesung: 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
MehrNichtparametrische statistische Verfahren
Nichtparametrische statistische Verfahren (im Wesentlichen Analyse von Abhängigkeiten) Kategorien von nichtparametrischen Methoden Beispiel für Rangsummentests: Wilcoxon-Test / U-Test Varianzanalysen 1-faktorielle
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 9
Übung zur Vorlesung Statistik I WS 2012-2013 Übungsblatt 9 17. Dezember 2012 Aufgabe 26 (4 Punkte): In einer Studie mit n = 10 Patienten soll die Wirksamkeit eines Medikaments gegen Bluthochdruck geprüft
Mehr