Diagnose und Prognose: Kurzfassung 4
|
|
- Bärbel Beckenbauer
- vor 7 Jahren
- Abrufe
Transkript
1 Diagnose und Prognose: Kurzfassung 4 Ziele der 4. Vorlesung Inhaltliche Verbindung zwischen inhaltlicher Statistisches Konzept / Problemstellung Problemstellung und statistischem statistische Methode Konzept/Methode Information über Prospektive Kohortenstudie: Beobachtung Kohortenstudie Verlauf einer Erkrankung der Patienten im Zeitverlauf Prognostische Aussagen Prognose als Überlebenswahrscheinlichkeit Vergleich von Ereigniszeiten treffen Schätzen von Überlebensraten mit Analyse von Ereigniszeiten Kaplan-Meier Methode Zensierung Kaplan-Meier Schätzer Prognostische Faktoren Vergleich von Survivalfunktionen mit Log-Rank est absichern dem Log-Rank est Prognostische Aussagen Einflu s prognostischer Faktoren kann Cox-Regression in komplexeren mit Hilfe von Regressionsmodellen Situationen untersucht werden Statistischer est (am Beispiel für den Vergleich zweier Ereignisraten) Ein statistischer est ist eine Entscheidungsregel, ob eine vorgegebene Hypothese über die betrachtete Grundgesamtheit anhand der Beobachtungen aus einer Stichprobe verworfen werden muss oder nicht verworfen werden kann; die Irrtums-(Fehler)-Wahrscheinlichkeit wird vorab festgelegt. 1. Schritt: Formulierung von Hypothesen Nullhypothese H 0 : Alternativhypthese H 1 : Der prognostische Faktor hat keine Auswirkungen auf die Wahrscheinlichkeit für das Auftreten des Ereignisses. p 1 = p 2 ( kein Unterschied ). Der prognostische Faktor hat Auswirkungen auf die Wahrscheinlichkeit für das Auftreten des Ereignisses. p 1 p 2 ( Unterschied ). 2. Schritt: Festlegung von Irrtumswahrscheinlichkeiten Entscheidungsmatrix es liegt tatsächlich vor Entscheidung für H 0 (kein Unterschied) H 1 (Unterschied) H 0 richtige Entscheidung falsch negative Entscheidung (kein Unterschied) (1 α) Fehler 2. Art (β) H 1 falsch positive Entscheidung richtige Entscheidung (Unterschied) Fehler 1. Art (α) (1 β) Anforderungen: Die Wahrscheinlichkeit für einen Fehler 1. Art soll kleiner als ein vorgegebener Wert α (Signifikanzniveau) und die Wahrscheinlichkeit für einen Fehler 2. Art (β) möglichst niedrig sein. Stand: 27. März
2 Festlegen eines Signifikanzniveaus (etwa α = 5%) Verwendung einer geeigneten Prüfgrö se, die zu einem möglichst mächtigen (d.h. 1 β groß!) statistischen est führt. (1 β) wird auch Power des statistischen ests genannt. 3. Schritt: Berechnung einer Prüfgröße (eststatistik) = ˆp 1 ˆp 2 SE(ˆp 1 ˆp 2 ) mit ˆp 1 = a a + b und ˆp 2 = c c + d Unter der Nullhypothese H 0 : p 1 = p 2 = p vereinfacht sich die Formel zur Berechnung des Standardfehlers SE(ˆp 1 ˆp 2 ) zu SE(ˆp 1 ˆp 2 ) = ˆp(1 ˆp) ˆp(1 ˆp) + (a + b) (c + d) mit ˆp = (a + c) n 4. Schritt: Entscheidungsregel Falls kritischer Wert k Entscheidung ( Nullhypothese wird est ist signifikant für H 1 verworfen ) Falls < kritischer Wert k Beibehaltung ( Nullhypothese kann est ist nicht signifikant von H 0 nicht verworfen werden ) Der kritische Wert k wird so gewählt, dass die Wahrscheinlichkeit für den Fehler 1. Art kleiner oder gleich dem vorgegebenen Signifikanzniveau ist (z.b. k = 1, 96 für α = 5%.) p-wert ( Überschreitungswahrscheinlichkeit ): gibt bei einem statistischen est die Wahrscheinlichkeit an, mit der sich unter der Nullhypothese für die Prüfgröße Werte größer oder gleich dem beobachteten Wert einstellen können. Ist der p-wert kleiner als das festgelegte Signifikanzniveau, wird die Nullhypothese verworfen (Entscheidung für H 1 ). Dualität von statistischem est und Konfidenzintervall Einen statistischen est zum Signifikanzniveau α kann man auch in der Weise durchführen, indem man prüft, ob der unter der Nullhypothese angenommene Wert einer statistischen Ma szahl im jeweiligen (1 α)-konfidenzintervall enthalten ist. Analyse von Überlebenszeiten Einbeziehung von zensierten Beobachtungen Schätzung von Überlebenswahrscheinlichkeiten nach Kaplan-Meier Logrank-est zum Vergleich von Überlebenskurven Cox-Modell als Multivariables Regressionsmodell für Überlebenszeiten analog zur logistischen Regression für dichotome Daten Stand: 27. März
3 Schematische Darstellung eines typischen Ablaufs einer klinischen Studie: Zeitpunkt der Aufnahme in die Studie Ereigniszeitpunkt Zeitpunkt des letzten Kontakts (zensierte Beobachtung) Zeit bis zum Ereignis bekannt A Zensierung aus administrativen Gründen (Studienende) L Zensierung aus anderen Gründen (Lost to Follow Up) Rekrutierungsperiode ( ) 2000 Nachbeobachtung ( ) A L A 2003 Studienende Kalenderzeit Schätzung von Überlebenswahrscheinlichkeit S(t) (Kaplan-Meier-Schätzer) Survival Funtion S(t) S(t) = Wahrscheinlichkeit bis zum Zeitpunkt t zu überleben. Ein Beispieldatensatz Überlebeszeit (in Monaten) Status 5 tot 7 tot 10 tot 12 zensiert 13 tot 17 zensiert 20 zensiert Kaplan Meier Kurve Bei jedem Ereignis (od) fällt die Kaplan-Meier-Kurve um 1/n. Zensierte Beobachtungen werden auf alle zuküngtigen Ereignisse verteilt. Dadurch wird der Abfall der Kurve bei einem Ereignis entsprechend größer. Die Kaplan-Meier Kurve erlaubt zu jedem Zeitpunkt t die geschätzte Wahrscheinlichkeit des Überlebens bis zum Zeitpunkt t abzulesen. Z.B können wir ablesen, dass die geschätzte Wahrscheinlichkeit 8 Monate zu überleben 71% beträgt. Stand: 27. März
4 100% 75% 50% 25% 0% months Vergleich von zwei Überlebenszeitverteilungen (Logrank-est) Betrachte 2 Gruppen von Patienten (A und B) S A (t) und S B (t) wahre Überlebensfunktionen von Gruppe A bzw. B estproblem: H 0 : Die Überlebensfunktionen sind gleich gegen H 1 : Die Überlebensfunktionen unterscheiden sich. mathematisch: H 0 : S A (t) = S B (t) für alle t vs. H 1 : S A (t) S B (t) für alle t Cox Regression (für zensierte Überlebenszeiten) Hazard Ratio (von FaktorX j ) = um wieviel steigt die Wahrscheinlichkeit an einem beliebigen Zeitpunkt t zu sterben, (gegeben man hat bis zum Zeitpunkt t überlebt), wenn wirx j um 1 erhöhen? ypische Beispiele: HR(herapie A vs.herapie B)=0.8 Risiko zu sterben ist unter herapie A um den Faktor 0.8 kleiner HR(Alter)=1.02 Risiko zu sterben wächst mit jedem Jahr um 1.02 prognostische und prädiktive Faktoren prognostische Faktoren: Erlauben, die Prognose (Überlebenswahrscheinlichkeit) eines Patienten zu bestimmen. prädiktive Faktoren: Erlauben, einen herapiererfolg vorherzusagen. Lernziele der Vorlesung Stand: 27. März
5 1. Prognostische Fragestellungen werden typischerweise in prospektiven Kohortenstudien untersucht. Dabei werden Patienten im Zeitverlauf bis zum Eintreten eines interessierenden Ereignisses beobachtet. 2. Prognose kann als Wahrscheinlichkeit angegeben werden, dass das interessierende Ereignis zu einem Zeitpunkt eingetreten ist: Statistischer est zum Vergleich von Ereignisraten. 3. Die spezielle Datenstruktur (Zensierungen) erfordert eine spezielle Methodik (Kaplan- Meier Schätzung). 4. Methoden für komplexere Fragestellungen: Log-Rank est, Cox Modell. 5. Die Interaktion prognostischer Faktoren mit einer herapie kann in prospektiv geplanten Analysen untersucht werden. 6. Der Einfluss prognostischer Faktoren kann in Regressionsmodellen untersucht werden. Im Cox-Modell können die Parameter als Relative Risiken (Hazard Ratios) interpretiert werden. abelle der Verteilungsfunktion der Standardnormalverteilung z Φ(z) Φ( z) Stand: 27. März
Analyse von Ereigniszeiten
Survivalanalyse Analyse von Ereigniszeiten Lebensdauer = Zeit zwischen einem Startpunkt (Anfangsdatum) und einem aufgetretenen Ereignis (Enddatum) Startpunkte Diagnose einer Krankheit Beginn einer Behandlung
MehrÜberlebenszeit- und Rezidivanalysen
Institut für Medizinische Biometrie Überlebenszeit- und Rezidivanalysen Dr. Christoph Meisner Gliederung 1. Ergebnisqualität in der Onkologie: u.a. Analyse der kumulierten Inzidenz von Ereignissen im Zeitverlauf
MehrBasis-Kurs Statistik und SPSS für Mediziner Lösungen. SPSS-Übung Überlebenszeitanalyse
Basis-Kurs Statistik und SPSS für Mediziner Lösungen SPSS-Übung Überlebenszeitanalyse Mit Datensatz Daten_Übung_Überlebenszeitanalyse.sav 1) Zeichnen Sie die Kaplan-Meier-Kurven des progressionsfreien
MehrAnalyse von Ereignisdaten Univ.-Prof. DI Dr. Andrea Berghold Institut für Med. Informatik, Statistik und Dokumentation
Analyse von Ereignisdaten Univ.-Prof. DI Dr. Andrea Berghold Institut für Med. Informatik, Statistik und Dokumentation Analyse von Ereigniszeiten Lebensdauer = Zeit zwischen einem Startpunkt (Anfangsdatum)
MehrStatistische Überlegungen: Eine kleine Einführung in das 1 x 1
Statistische Überlegungen: Eine kleine Einführung in das 1 x 1 PD Dr. Thomas Friedl Klinik für Frauenheilkunde und Geburtshilfe, Universitätsklinikum Ulm München, 23.11.2012 Inhaltsübersicht Allgemeine
MehrGlossar und Formelsammlung. Hazard Rate. Hazard Ratio =
Glossar und Formelsammlung Hazard Rate Die Hazard Rate steht für das Risiko, genau zum Zeitpunkt t ein Ereignis bei Überlebenszeitanalysen den Tod zu erleiden. Es handelt sich demnach um eine vom Zeitpunkt
MehrCoole Biometrie Eiskalt erwischt!
Coole Biometrie Eiskalt erwischt! Magst Du immer nur aus Büchern lernen? Nein, lass uns selbst ein Experiment machen! Das coole Experiment Wie lange kann man die Hand in Eiswasser halten? Versuch in 2
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrBerechnung des LOG-RANK-Tests bei Überlebenskurven
Statistik 1 Berechnung des LOG-RANK-Tests bei Überlebenskurven Hans-Dieter Spies inventiv Health Germany GmbH Brandenburger Weg 3 60437 Frankfurt hd.spies@t-online.de Zusammenfassung Mit Hilfe von Überlebenskurven
MehrÜberlebenszeitanalyse. Tempus neminem manet
Überlebenszeitanalyse Tempus neminem manet Remissionsdauer bei Leukämie Die Wirksamkeit des Medikaments 6-Mercaptopurin (6-MP) wurde in einer placebokontrollierten Studie an 42 Kindern mit akuter Leukämie
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
MehrLernziele Intensivblock I2 Advanced! Epidemiologie und Gesundheitsversorgung. Advanced! I2. Tag 4 Tag 5 Tag 6
Lernziele Intensivblock I2 Advanced! Epidemiologie und Gesundheitsversorgung Stand: März 2017 Advanced! I2 Tag 4 Tag 5 Tag 6 Med. Informatik Elekt. Dokumentation & Informationssysteme Risiko & Prognose
Mehr8. Übung Umgang mit zensierten Daten
Querschnittsbereich 1: Epidemiologie, Medizinische Biometrie und Medizinische Informatik - Übungsmaterial - Erstellt von Mitarbeitern des IMISE und des ZKS Leipzig 8. Übung Umgang mit zensierten Daten
Mehrlimhatewerzeoelhiniii
limhatewerzeoelhiniii Vorwort 13 Kapitel 1 Einleitung 15 1.1 Wozu brauchen wir Statistik? 16 1.2 Medizinische Statistik 16 1.3 Beschreibende und schließende Statistik 17 1.4 Das Buch in Kürze 17 Kapitel
MehrTHEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ
WEBINAR@LUNCHTIME THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ EINLEITENDES BEISPIEL SAT: Standardisierter Test, der von Studienplatzbewerbern an amerikanischen Unis gefordert
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrÜbung 2 im Fach "Biometrie / Q1"
Universität Ulm, Institut für Epidemiologie und Medizinische Biometrie, D-897 Ulm Institut für Epidemiologie und Medizinische Biometrie Leiter: Prof. Dr. D. Rothenbacher Schwabstr. 3, 8975 Ulm Tel. +49
MehrAuswirkung des gewählten Diagnosedatums auf die Überlebensraten am Beispiel akute Myeloische Leukämie mit vorausgegangenem Myelodysplastischem Syndrom
Auswirkung des gewählten Diagnosedatums auf die Überlebensraten am Beispiel akute Myeloische Leukämie mit vorausgegangenem Myelodysplastischem Syndrom Martina Blume, Dr. Eunice Sirri, Joachim Kieschke
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
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
MehrAfter Work Statistics
After Work Statistics Konrad Neumann Institute of Biometry and Clinical Epidemiology Konrad.Neumann@charite.de U N I V E R S I T Ä T S M E D I Z I N B E R L I N Institut für Biometrie und klinische Epidemiologie
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
Mehr9 Prinzipien der statistischen Hypothesenprüfung
9 Prinzipien der statistischen Hypothesenprüfung Prinzipien der statistischen Hypothesenprüfung Bei der Schätzung eines Populationsparamters soll dessen Wert aus Stichprobendaten erschlossen werden. Wenn
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 5.5.2006 1 Ausgangslage Wir können Schätzen (z.b. den Erwartungswert) Wir können abschätzen, wie zuverlässig unsere Schätzungen sind: In welchem Intervall
MehrCox-Regression. Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells
Cox-Regression Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells In vielen Fällen interessiert, wie die Survivalfunktion durch Einflussgrößen beeinflusst
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie () WiSe /3 Univariate und bivariate Verfahren Univariate
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrExakter Binomialtest als Beispiel
Prinzipien des statistischen Testens Entscheidungsfindung Exakter Binomialtest als Beispiel Statistische Tests Nullhypothese Alternativhypothese Fehlentscheidungen Ausgangspunkt: Forschungshypothese Beispiele:.
MehrGRUNDPRINZIPIEN statistischen Testens
Fragestellungen beim Testen GRUNDPRINZIPIEN statistischen Testens. Vergleiche Unterscheidet sich die Stichprobenbeobachtung von einer vorher spezifizierten Erwartung ( Hypothese ) mit ausreichender Sicherheit?
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
MehrHypothesen über die Grundgesamtheit. Aufgabenstellung der Testtheorie Hypothesen (Annahmen, Vermutungen oder
Hypothesen über die Grundgesamtheit Aufgabenstellung der Testtheorie Hypothesen (Annahmen, Vermutungen oder Behauptungen) über die unbekannte Grundgesamtheit anhand einer Stichprobe als richtig oder falsch
MehrÜbungen mit dem Applet Vergleich von zwei Mittelwerten
Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung
MehrEpidemiologie / Biometrie
Wintersemester 2004 / 2005 Epidemiologie / Biometrie Robert Hochstrat 14. März 2005 Zusammenschrift der Übung zur Vorlesung aus dem WS 04/05 Rückfragen, Ergänzungen und Korrekturen an robert hochstrat@web.de
MehrLogistische Regression
Logistische Regression Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Logistische Regression Beispiel 1: Herzerkrankungsdaten aus Framingham Log Odds Modell Beispiel 1: Einfluss von Blutdruck Maximum
MehrWie liest man Konfidenzintervalle? Teil I. Premiu m
Wie liest man Konfidenzintervalle? Teil I Premiu m Was sind Konfidenzintervalle? Ein Konfidenzintervall (KI) ist ein Maß für die Unsicherheit bezüglich einer Schätzung eines Effekts. Es ist ein Intervall
MehrWB 11 Aufgabe: Hypothesentest 1
WB 11 Aufgabe: Hypothesentest 1 Ein Medikament, das das Überleben eines Patienten sichern soll, wird getestet. Stelle Null- und Alternativhypothese auf und beschreibe die Fehler 1. Art und 2. Art. Welcher
Mehr2-Stichprobentest für Anteilswerte
-Stichprobentest für Anteilswerte Wir betrachten den Anteilswert (Prozentsatz) für ein interessierendes Ereignis in zwei verschiedenen Grundgesamtheiten (π 1, π ) Ziel: Auf der Basis von Stichprobenerhebungen
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrKapitel 3 Schließende Statistik
Bemerkung 3.34: Die hier betrachteten Konfidenzintervalle für unbekannte Erwartungswerte sind umso schmaler, je größer der Stichprobenumfang n ist, je kleiner die (geschätzte) Standardabweichung σ (bzw.
MehrStatistische Analyse von Ereigniszeiten
Statistische Analyse von Survival Analysis VO Biostatistik im WS 2006/2007 1 2 3 : Leukemiedaten (unzensiert) 33 Patienten mit Leukemie; Zielvariable Überlebenszeit. Alle Patienten verstorben und Überlebenszeit
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
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
Mehr9 Prinzipien der statistischen Hypothesenprüfung
9 Prinzipien der statistischen Hypothesenprüfung Prinzipien der statistischen Hypothesenprüfung Bei der Schätzung eines Populationsparamters soll dessen Wert aus Stichprobendaten erschlossen werden. Wenn
MehrJ. Wulff, Südwestsächsisches Tumorzentrum Zwickau e.v.
16.04.2015 J. Wulff, Südwestsächsisches Tumorzentrum Zwickau e.v. http://www.tumorzentrum-zwickau.de Entitätsbezogene Auswertungen für Bereich Chemnitz, Zwickau und Region Westsachsen gesamt Erkrankungszahlen
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
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,
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrBiometrie und Statistik
DEGRO: Refresher Biometrie und Statistik Universitätsklinik und Poliklinik für Strahlentherapie, Institut für Med. Epidemiologie, Biometrie und Informatik Martin-Luther-Universität Halle-Wittenberg Inhalt
Mehr2-Stichprobentest für Anteilswerte
-Stichprobentest für Anteilswerte Wir analysieren den Anteilswert (Prozentsatz) für ein interessierendes Ereignis in zwei verschiedenen Grundgesamtheiten (π, π ) Ziel: Auf der Basis von Stichprobenerhebungen
MehrAblaufschema beim Testen
Ablaufschema beim Testen Schritt 1 Schritt 2 Schritt 3 Schritt 4 Schritt 5 Schritt 6 Schritt 7 Schritt 8 Schritt 9 Starten Sie die : Flashanimation ' Animation Ablaufschema Testen ' siehe Online-Version
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 1 17.3.21 Grundlagen zum Hypothesentest Einführung: Wer Entscheidungen zu treffen hat, weiß oft erst im nachhinein ob seine Entscheidung richtig war. Die Unsicherheit
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrStatistik II für Betriebswirte Vorlesung 2
Statistik II für Betriebswirte Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 26. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrTesten von Hypothesen, Beurteilende Statistik
Testen von Hypothesen, Beurteilende Statistik Was ist ein Test? Ein Test ist ein Verfahren, mit dem man anhand von Beobachtungen eine begründete Entscheidung über die Gültigkeit oder Ungültigkeit einer
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
MehrVO Biostatistik im WS 2006/2007
VO Biostatistik im WS 2006/2007 1 Beispiel 1: Herzerkrankungsdaten aus Framingham für skoeffizienten : Leukemie-Daten 2 Beispiel 1: Herzerkrankungsdaten aus Framingham Stichprobe: 1329 männliche Bewohner
MehrStatistische Tests Übersicht
Statistische Tests Übersicht Diskrete Stetige 1. Einführung und Übersicht 2. Das Einstichprobenproblem 3. Vergleich zweier unabhängiger Gruppen (unverbundene Stichproben) 4. Vergleich zweier abhängiger
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
MehrBeispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10
6 Hypothesentests Gauß-Test für den Mittelwert bei bekannter Varianz 6.3 Beispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10 G(µ) 0 α 0. 0.4 0.6 0.8 1 n = 10 n =
MehrNachklausur zur Vorlesung
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 30. April 004 Priv.-Doz. Dr. D. Kadelka Nachklausur zur Vorlesung Statistik für Biologen Musterlösungen Aufgabe 1 Gemessen wurde bei
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 1 24.2.214 Grundlagen zum Hypothesentest Einführung: Wer Entscheidungen zu treffen hat, weiß oft erst im nachhinein ob seine Entscheidung richtig war. Die Unsicherheit
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
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
Mehr2-Stichprobentest für Anteilswerte
-Stichrobentest für Anteilswerte Wir betrachten den Anteilswert (Prozentsatz) für ein interessierendes Ereignis in zwei verschiedenen Grundgesamtheiten (π, π ) Ziel: Auf der Basis von Stichrobenerhebungen
MehrStatistische Analyse von Ereigniszeiten II
Statistische Analyse von Analysis VO Biostatistik im WS 2006/2007 1 : Daten zur Nephrektomie 2 3 4 : Daten zur Nephrektomie Studie zur Untersuchung der Wirksamkeit der Nephrektomie (Nierenentfernung) bei
MehrMethodenlehre. Vorlesung 13. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 13 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 19.05.15 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2004/2005 Universität Karlsruhe 14. Februar 2005 Dr. Bernhard Klar Sebastian Müller Aufgabe 1: (15 Punkte) Klausur zur Vorlesung Statistik für Biologen Musterlösungen
MehrMögliche Fehler beim Testen
Mögliche Fehler beim Testen Fehler. Art (Irrtumswahrscheinlichkeit α), Zusammenfassung: Die Nullhypothese wird verworfen, obwohl sie zutrifft. Wir haben uns blamiert, weil wir etwas Wahres abgelehnt haben.
Mehr3 Konfidenzintervalle
3 Konfidenzintervalle Konfidenzintervalle sind das Ergebnis von Intervallschätzungen. Sicheres Wissen über Grundgesamtheiten kann man anhand von Stichproben nicht gewinnen. Aber mit Hilfe der Statistik
MehrStatistische Tests Version 1.2
Statistische Tests Version 1.2 Uwe Ziegenhagen ziegenhagen@wiwi.hu-berlin.de 7. Dezember 2006 1 Einführung Ein statistischer Test dient der Überprüfung einer statistischen Hypothese. Mithilfe des Tests
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
MehrTyp I und Typ II Fehler
Typ I und Typ II Fehler Analogie: Vergleich mit einem Gerichtsurteil Angeklagter ist unschuldig Angeklagter ist schuldig Gericht fällt Entscheidung richtige Entscheidung ein Schuldiger unschuldig wird
MehrEinführung Nichtparametrische Verfahren. Ereignisanalyse. Marcel Noack. 7. Mai 2008
7. Mai 2008 Inhaltsverzeichnis 1 Mathematische Grundlagen Der Datensatz 2 Zusammenhänge Mathematische Grundlagen Der Datensatz F (t) + S(t) = 1 Zusammenhänge Mathematische Grundlagen Der Datensatz F (t)
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
MehrChi Quadrat-Unabhängigkeitstest
Fragestellung 1: Untersuchung mit Hilfe des Chi-Quadrat-Unabhängigkeitstestes, ob zwischen dem Herkunftsland der Befragten und der Bewertung des Kontaktes zu den Nachbarn aus einem Anderen Herkunftsland
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
Mehr2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
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
MehrMacht des statistischen Tests (power)
Macht des statistischen Tests (power) Realer Treatment ja Ergebnis der Studie H 0 verworfen statistisch signifikant O.K. Macht H 0 beibehalten statistisch nicht signifikant -Fehler Effekt nein -Fehler
MehrStatistiktutorium (Kurs Frau Jacobsen)
Statistiktutorium (Kurs Frau Jacobsen) von Timo Beddig 1 Grundbegriffe p = Punktschätzer, d.h. der Mittelwert aus der Stichprobe, auf Basis dessen ein angenäherter Wert für den unbekannten Parameter der
MehrNachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14
Prof. Dr. Rainer Schwabe 08.07.2014 Otto-von-Guericke-Universität Magdeburg Institut für Mathematische Stochastik Nachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14 Name:, Vorname: Matr.-Nr.
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
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 I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrÜberblick Hypothesentests bei Binomialverteilungen (Ac)
Überblick Hypothesentests bei Binomialverteilungen (Ac) Beim Testen will man mit einer Stichprobe vom Umfang n eine Hypothese H o (z.b.p o =70%) widerlegen! Man geht dabei aus von einer Binomialverteilung
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
Mehr