Was macht gute Versuche aus? ... aus der Sicht eines Biometrikers
|
|
- Reinhold Bauer
- vor 7 Jahren
- Abrufe
Transkript
1 Was macht gute Versuche aus?... aus der Sicht eines Biometrikers DLG-Technikertagung Soest, 28. Januar 2015 Andreas Büchse BASF SE, Ludwigshafen
2 Vorbemerkung Einige Kriterien für Qualität von Experimenten aus biometrischer Sicht Lediglich meine persönliche Meinung! Keine Definition für Grenze zwischen guten und schlechten Versuchen Beachte Kontext und Rahmenbedingungen Aussage GD < 10% gut ist nicht sinnvoll 2
3 Klare Versuchsfrage (Feld-)Versuche als Methode der empirischen Forschung Prüfbare Hypothese Gut Sorte A ist im Ertrag Sorte B mindestens 2% überlegen, Behandlung gegen Rapsglanzkäfer bringt an diesem Standort im Mittel der Jahre keinen Ertragsvorteil Sorgfältig durchgeführter Versuch, der keinen Erkenntnisgewinn liefert, weil unklare Fragestellung Kein guter Versuch Im Roman Per Anhalter durch die Galaxis ist 42 die Antwort auf die unklar gestellte Frage nach dem Leben, dem Universum und dem ganzen Rest die der Super-Computer Deep Thought nach einer Rechenzeit von 7,5 Millionen Jahren berechnet hat. Letztlich können die Protagonisten mit der Antwort nichts anfangen, weil niemand weiß, wie die eigentliche Frage lautete. 3
4 Effektivität (betrachte nur Output) Großer (bzw. zumindest ausreichender) Informationsgewinn Gut Versuch soll Versuchsfrage beantworten Präzision des Versuchs Power Geringe Streuung zwischen Wiederholungen Gut Kleiner Standardfehler für Parameterschätzung, kleine Grenzdifferenz Gut Fehler 2. Art β -> 1- β = Power Üblich: 80%, d.h. interessanter Effekt von Größe soll in 4 von 5 Versuchen zu finden sein, wenn er denn existiert. Gut Effektivität steigern durch erhöhten Aufwand an Fläche und Kapital (z.b. Anzahl Wiederholungen) Gut, wenn notwendig, sonst Ressourcenverschwendung Abschätzung erwarteter Effektivität durch Statistische Versuchsplanung 4
5 Versuchsplanung Optimaler Stichprobenumfang für Fehler 1.Art, Fehler 2. Art, Effektstärke 2 s n = 2 t ß tab tab ( ) ( ) 2 2n 2; α + t 2n 2; n notwendige Anzahl Wiederholungen Mittelwertdifferenz oder interessierender Effekt s Standardabweichung des Versuchsfehlers t t-tabellenwert (abhängig von Freiheitsgraden, α und β) α Risiko für Typ-I-Fehler (Null-Hypothese verworfen obwohl richtig) β Risiko für Typ-II-Fehler (Null-Hypothese beibehalten obwohl falsch), 1-ß = Power Im Versuch erkannte und statistisch abgesicherte relative Differenz (Δ* = Diff / s) für verschiedene Wiederholungszahl (nominal α=0.05 und β=0.20 für Typ-I und Typ-II Fehler). n Δ* Mit 4 Wiederholungen nur Effekte im Bereich ~2 StdAbw sicher zu finden 16 n 2 5
6 Effektstärke, Standardabweichung, Standardfehler Gut! Mittelwerte 80 und 120 StdAbw. Einzelwerte = 20 Anzahl Wdh. = 4 Standardfehler = 20/Wurzel(4) = 10 ( = 2 s) Schlecht! Mittelwerte 80 und 120 StdAbw. Einzelwerte = 40 Anzahl Wdh. = 4 Standardfehler = 40/Wurzel(4) = 20 ( = 1 s) Hohe absolute, geringe relative Präzision, guter Versuch? Mittelwerte 99 und 101 StdAbw. Einzelwerte = 10 Anzahl Wdh. = 4 Standardfehler = 10/Wurzel(4) = 5 ( = 0.2 s) 6
7 Effizienz (Verhältnis Output/Input) Design Großer Quotient zwischen gewonnener Information und Aufwand (Fläche, Personal, Kapital). Kleine Grenzdifferenz mit wenig Wiederholungen Gut Störgrößen (Boden, Zeit, Unterschiede zwischen Bedienpersonal) sollten nach Möglichkeit ausgeschlossen und kontrolliert werden BLOCKBILDUNG Gut Block 3 Block 2 Block 1 A C D B E B C A E D E D B C A Großspalte I Großspalte II Großspalte III Großspalte IV a b c d e f a b c d e f a b c d e f a b c d e f Zeile D Zeile C Zeile B Zeile A Silomais Winterweizen 2 Winterraps Winterweizen Winterweizen 2 Winterraps Winterweizen 1 Silomais Winterweizen 1 Silomais Winterweizen 2 Winterraps Winterraps Winterweizen 1 Silomais Winterweizen Spalte
8 Teilstückgröße: Parzellen nicht zu klein und nicht zu groß Balance zwischen verschiedenen Störgrößen (Einzelpflanzenvariabilität vs. Bodenunterschiede) Gut 8
9 Repräsentativität, Richtigkeit, Unverzerrtheit Wiederholbarkeit, Präzision Gut Präzise und richtig Unpräzise aber unverzerrt Schlecht Präzise aber verzerrt Unpräzise und verzerrt 9
10 Repräsentativität, Richtigkeit, Unverzerrtheit Wiederholbarkeit, Präzision Parzellenversuche vs. On-Farm-Trials Versuche in kleinen Parzellen (10-20 m²) gegenüber landwirtschaftlicher Praxis verzerrt! - Nachbarwirkungen, Randeffekte - untypische Technik, untypische Anbaubedingungen Aber dafür hohe Präzision! Das ist in der Summe meist besser.... und solange alle getesteten Varianten gleichgerichtet verzerrt werden ist das völlig problemlos Präzise aber verzerrt Parzellenversuch!? On-Farm Trials 10
11 Dokumentation und Ergebnisdarstellung Versuchsbedingungen, Versuchsdurchführung und Datenanalyse beschreiben. So dass das Ergebnis später eingeordnet werden kann. So dass andere das Ergebnis reproduzieren bzw. prüfen können. Guter Versuch weist statistische Maßzahlen wie Standardfehler oder Grenzdifferenzen aus erlaubt damit Dritten, Qualität und Relevanz zu beurteilen. Rohdaten und verrechneten Daten in geeigneter Weise sichern und archivieren um für zukünftige Forschungen nutzbar zu sein. 11
12 Was macht gute Versuche aus? Daten gesichert, Versuchsablauf beschrieben Klare Fragestellung Versuchsfrage beantwortet Gute Versuche Hohe Präzision Gutes Design Störgrößen kontrolliert Optimaler Ressourcen -einsatz unverzerrt und repräsentativ 12
13 BACKUP 13
14 ceteris paribus Prinzip Möchte Versuchsvarianten möglichst unverzerrt vergleichen können. Störgrößen minimieren. Blockbildung Alles was nicht Versuchsfaktor ist, gleich halten. Vergleich erfolgt unter vergleichbaren (nicht unbedingt konstanten) Umweltbedingungen Für den Vergleich der Leistungsfähigkeit von Systemen unter variablen Umweltbedingungen wird eine Versuchsserie durchgeführt. Quelle: LWK Niedersachsen Wenn Heterogenität selbst Versuchsfaktor (z.b. Precision Farming) dann für Versuchsvarianten ähnliche Heterogenität notwendig Erweiterung des ceteris-paribus-prinzip 14
Aufgaben zu Kapitel 3
Aufgaben zu Kapitel 3 Aufgabe 1 a) Berechnen Sie einen t-test für unabhängige Stichproben für den Vergleich der beiden Verarbeitungsgruppen strukturell und emotional für die abhängige Variable neutrale
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
MehrAnalyse der pflanzenbaulichen Wirkung des Yara N Sensors unter Praxisbedingungen ein Anwendungsbeispiel
Analyse der pflanzenbaulichen Wirkung des Yara N Sensors unter Praxisbedingungen ein Anwendungsbeispiel H. G. Schön Fachhochschule Osnabrück Fakultät Agrarwissenschaften und Landschaftsarchitektur Versuchsfragen:
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
Mehr11. Sitzung Auswertungsstrategien; Darstellung von Forschungsergebnissen
11. Sitzung Auswertungsstrategien; Darstellung von Forschungsergebnissen 1 Gliederung der Vorlesung 1. Probleme der Auswertung bei quantitativem Vorgehen 2. Probleme der Auswertung bei qualitativem Vorgehen
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
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
MehrPermutationstests II.
Resampling Methoden Dortmund, 2005 (Jenő Reiczigel) 1 Permutationstests II. 1. Zwei-Stichprobentest auf Variabilität 2. Mehrere Stichproben: Vergleich von Mittelwerten 3. Kurzer Exkurs: Präzision von Monte
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 4. Juni 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden 1/35 Ein- und Zweiseitige Hypothesen H 0 : p =
MehrProf. Dr. Marc Gürtler WS 2015/2016. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft
Prof. Dr. Marc Gürtler WS 015/016 Prof. Dr. Marc Gürtler Klausur zur 10/1 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft Lösungsskizze Prof. Dr. Marc Gürtler WS 015/016 Aufgabe 1: (11+5+1+8=56
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrMethodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 11 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 03.12.13 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrStatistik K urs SS 2004
Statistik K urs SS 2004 3.Tag Grundlegende statistische Maße Mittelwert (mean) Durchschnitt aller Werte Varianz (variance) s 2 Durchschnittliche quadrierte Abweichung aller Werte vom Mittelwert >> Die
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
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
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.
MehrGRUNDPRINZIPIEN statistischen Testens
Fragestellungen beim Testen GRUNDPRINZIPIEN statistischen Testens. Vergleiche Unterscheidet sich die Stichprobenbeobachtung von einer vorher spezifizierten Erwartung ( Hypothese ) mit ausreichender Sicherheit?
MehrDie Operationscharakteristik von Regelkarten SPC als Hypothesentest Autor: Beat Giger
QUALITY APPs Applikationen für das Qualitätsmanagement Probieren und Studieren Die Operationscharakteristik von Regelkarten SPC als Hypothesentest Autor: Beat Giger Die Regelkartentechnik (Statistical
MehrWie wissenschaftlich sollte Wirkungsevaluation sein?
Wie wissenschaftlich sollte Wirkungsevaluation sein? Evaluation Forschung Zufall oder Effekt? Effektstärke Wirkfaktoren - Zusammenhänge Evaluation und Forschung - Unterschiede Wirkungsforschung Erkenntnisinteresse
MehrProf. Dr. Rainer Koch Juli 1997, Februar 2008
Prof. Dr. Rainer Koch Juli 1997, Februar 2008 Hinweise zur biometrischen Planung der notwendigen Anzahl Patienten in klinischen Studien oder Anzahl Versuchstiere im Fall a) des Vergleichs von prozentualen
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung 1 Teststärkebestimmung a posteriori Berechnen der Effektgröße f aus empirischen Daten und Bestimmung
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
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
MehrBiometrie im neuen Antragsverfahren
8. Fortbildungsveranstaltung der GV-SOLAS für Tierschutzbeauftragte und Behördenvertreter Warum biometrische Planung? Einfachste Antwort: Weil es im Genehmigungsantrag so vorgesehen ist. 2 Warum biometrische
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
MehrDie Stochastischen Eigenschaften von OLS
Die Stochastischen Eigenschaften von OLS Das Bivariate Modell Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Wiederholung
MehrEigene MC-Aufgaben 2.4 Forschungsplanung und Forschungsdesign (X aus 5) 1. Welche Aussage trifft auf die Methodenlehre der ESF zu?
Eigene MC-Aufgaben 2.4 Forschungsplanung und Forschungsdesign (X aus 5) 1. Welche Aussage trifft auf die Methodenlehre der ESF zu? Problemadäquate Erhebungsinstrumente müssen entwickelt und getestet werden.
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
MehrVergleich zweier Erwartungwerte. Wir vereinfachen die Aufgabe zuerst auf einen Einflussfaktor A mit k=2 Stufen: Wir prüfen:
Vl. 25.7.2012 I. Analyse von Effekten: Ermittlung von Unterschieden Ziel: Wir wollen folgende Fragestellungen untersuchen: Auf eine Zielgröße Y wirken mehrere, z.b. 2 Einflussfaktoren ein, hier A und B.
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (010). Quantitative Methoden. Band (3. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
MehrÜbungen mit dem Applet. by Michael Gärtner
Übungen mit dem Applet by Michael Gärtner Betreuer: Prof. Dr. Wilhelm Kleppmann Abgabe: 20. October 2006 Inhaltsverzeichnis 1 Prinzip der kleinsten Quadrate 4 2 Quadrierte Abweichungen und Bestimmtheitsmaÿ
MehrEinfluss der Einzelpflanzenverteilung bei Drillsaat (und Einzelkornsaat) auf die optimale Teilstückgröße und Teilstückform in Parzellenversuchen
Einfluss der Einzelpflanzenverteilung bei Drillsaat (und Einzelkornsaat) auf die optimale Teilstückgröße und Teilstückform in Parzellenversuchen Andreas Büchse (BASF SE Ludwigshafen) andreas.buechse@basf.com
MehrBiometrieübung 7 t-test (gepaarte Daten) & Wilcoxon-Test
Biometrieübung 7 (t-test gepaarte Daten & Wilcoxon-Test) - Aufgabe Biometrieübung 7 t-test (gepaarte Daten) & Wilcoxon-Test Aufgabe 1 Hirschläufe An 10 Hirschen wurde die Länge der rechten Vorder- und
MehrAufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen, ob die in diesem Datensatz untersuchte
MehrStatistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
MehrMehrfaktorielle Varianzanalyse
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Mehrfaktorielle Varianzanalyse Überblick Einführung Empirische F-Werte zu einer zweifaktoriellen
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
MehrUntersuchungen zur Einhaltung des statistischen Risikos 1. Art in Alpha-Gittern eine Simulationsstudie
Untersuchungen zur Einhaltung des statistischen Risikos 1. Art in Alpha-Gittern eine Simulationsstudie Joachm Spilke 1) ; Xiyuan Hu 1) ; Hans-Peter Piepho 2) ; Uwe Meyer 3) 1) Martin-Luther-Universität
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
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
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrMultiples Testen. Wolfgang Mader. 12. Juli Multiples Testen. Wolfgang Mader. Probleme des multiplen Testens. Bonferroni Methode
12. Juli 2007 Gliederung 1 2 3 4 Problemstellung eine Fragestellung einfaches Datenmaterial mehrere unabhängige Tests zum Niveau α versuchsbezogene Irrtumswahrscheinlichkeit: α v > α Fehler erster Art
MehrSommersemester Marktforschung
Dipl.-Kfm. Sascha Steinmann Universität Siegen Lehrstuhl für Marketing steinmann@marketing.uni-siegen.de Sommersemester 2010 Marktforschung Übungsaufgaben zu den Themen 3-6 mit Lösungsskizzen Aufgabe 1:
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Juni 2014 Waldherr / Christodoulides Einführung in Quantitative Methoden 1/46 Anpassungstests allgemein Gegeben: Häufigkeitsverteilung
MehrEntwicklung des Auswertungsmodells
Workshop On-Farm-Experimente 23./24.11.2011 Kassel Entwicklung des Auswertungsmodells Joachim Spilke Martin-Luther-Universität Halle-Wittenberg, Institut für Agrar- und Ernährungswissenschaften Arbeitsgruppe
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (006). Quantitative Methoden. Band (. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
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
MehrEinführung in Planung und Auswertung klinischer Prüfungen: Biometrische Grundlagen
Einführung in Planung und Auswertung klinischer Prüfungen: Biometrische Grundlagen PD Dr. Thomas Sudhop PD Dr. Thomas Sudhop Ringvorlesung - Biometrie 25.10.2016 Seite 1 Klinische Prüfung Biomedizinisches
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
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
MehrStatistische Messdatenauswertung
Roland Looser Statistische Messdatenauswertung Praktische Einführung in die Auswertung von Messdaten mit Excel und spezifischer Statistik-Software für naturwissenschaftlich und technisch orientierte Anwender
MehrMarcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 12. Winterthur, 17. Mai Institut für Datenanalyse und Prozessdesign
Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 17. Mai 2017 1 Verteilung
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
MehrAufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen, ob die in diesem Datensatz untersuchte
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
MehrProbleme bei kleinen Stichprobenumfängen und t-verteilung
Probleme bei kleinen Stichprobenumfängen und t-verteilung Fassen wir zusammen: Wir sind bisher von der Frage ausgegangen, mit welcher Wahrscheinlichkeit der Mittelwert einer empirischen Stichprobe vom
MehrStatistik-Klausur I E SS 2010
Statistik-Klausur I E SS 2010 Name: Vorname: Immatrikulationsnummer: Studiengang: Hiermit erkläre ich meine Prüfungsfähigkeit vor Beginn der Prüfung. Unterschrift: Dauer der Klausur: Erlaubte Hilfsmittel:
MehrGenauigkeit von Nächst- Nachbarmodellen in pflanzenzüchterischen Versuchen
Genauigkeit von Nächst- Nachbarmodellen in pflanzenzüchterischen Versuchen Bettina Müller, Hans-Peter Piepho Institut für Pflanzenbau & Grünland Fachgebiet Bioinformatik 1 Gliederung 1. Genauigkeit der
MehrComputerübung 5. Empirische Wirtschaftsforschung. Willi Mutschler. Ökonometrie und Wirtschaftsstatistik Uni Münster. 26.
Computerübung 5 Empirische Wirtschaftsforschung Willi Mutschler Ökonometrie und Wirtschaftsstatistik Uni Münster 26. November 2010 Willi Mutschler (Uni Münster) Computerübung 5 26. November 2010 1 / 11
MehrEinführung in die Statistik zur Tierversuchsplanung
Einführung in die Statistik zur Tierversuchsplanung und -auswertung Prof. Peter Pilz Fachbereich Biologie So viele Tiere wie nötig, so wenig Tiere wie möglich Statistik Schließende Statistik Statistische
MehrLineare Regression 1 Seminar für Statistik
Lineare Regression 1 Seminar für Statistik Markus Kalisch 17.09.2014 1 Statistik 2: Ziele Konzepte von einer breiten Auswahl von Methoden verstehen Umsetzung mit R: Daten einlesen, Daten analysieren, Grafiken
MehrStatistik Prüfung 24. Jänner 2008
Statistik Prüfung 24. Jänner 2008 February 10, 2008 Es ist immer nur EINE Antwort richtig, bei falsch beantworteten Fragen gibt es KEINEN Punktabzug. Werden mehrere Antworten bei einer Frage angekreuzt,
Mehr= 2 ( 3250,3 ( 3251,5)) = 1,1662 F(2,800) = 2,4 χ2
Pobeklausur: Einführung in die Ökonometrie (Lösung) Gesamtpunktzahl: 96 1. (20 Punkte) a) Anmerkung: statt im Durchschnitt kann auch der/die/das erwartete... stehen. educ : Wenn die Bildung um 1 Jahr steigt,
MehrANLAGEMETHODEN FÜR ON-FARM EXPERIMENTE
ANLAGEMETHODEN FÜR ON-FARM EXPERIMENTE Christel Richter Department Nutzpflanzen- und Tierwissenschaften Fachgebiet Biometrie und Versuchswesen Humboldt-Universität zu Berlin . Überblick über geeignete
MehrInferenzstatistik Vortrag: Alpha und Beta Fehler
Inferenzstatistik Vortrag: Alpha und Beta Fehler Dresden, 18.11.08 01 Fehlerquelle Hypothesen Unbekannte Wirklichkeit H0 ist richtig H0 ist falsch Schlussfolgerung aus dem Test unserer Stichprobe Ho annehmen
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 6.. Herleitung des OLS-Schätzers
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:
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
MehrAufgaben zu Kapitel 5:
Aufgaben zu Kapitel 5: Aufgabe 1: Ein Wissenschaftler untersucht, in wie weit die Reaktionszeit auf bestimmte Stimuli durch finanzielle Belohnung zu steigern ist. Er möchte vier Bedingungen vergleichen:
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
MehrKapitel 9: Verfahren für Nominaldaten
Kapitel 9: Verfahren für Nominaldaten Eindimensionaler Chi²-Test 1 Zweidimensionaler und Vierfelder Chi²-Test 5 Literatur 6 Eindimensionaler Chi²-Test Berechnen der Effektgröße w² Die empirische Effektgröße
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
MehrStichwortverzeichnis. E Extrapolation, außerhalb des Datenbereichs 230
335 Stichwortverzeichnis A Abweichung 12 mittlere 13 Additivität 141 Anova siehe Varianzanalyse Anpassungsgüte 252, 279 χ 2 -Test zur 270 279 mehr als zwei Klassen 272 274 Anpassungstest (χ 2 ) 270 278
MehrLAKO - Landwirtschaftliche Koordinationsstelle; Versuchsberichte
Seite 1 Düngungsversuch Winterweizen mit verschiedenen Strategien zur N-Versorgung unter besonderer Berücksichtigung der Dünger mit stabilisiertem Stickstoff am Standort der LFS Pyhra 2017-2018 Inhaltsverzeichnis
MehrKapitel III: Einführung in die schließende Statistik
Kapitel III: Einführung in die schließende Statistik Das zweite Kapitel beschäftigte sich mit den Methoden der beschreibenden Statistik. Im Mittelpunkt der kommenden Kapitel stehen Verfahren der schließenden
Mehrdas Kleingedruckte...
Gepaarte t-tests das Kleingedruckte... Datenverteilung ~ Normalverteilung QQ-plot statistischer Test (Shapiro-Wilk, Kolmogorov-Smirnov) wenn nicht : nicht-parametrische Tests gleiche Varianz (2-Proben
MehrDas arithmetische Mittel. x i = = 8. x = 1 4. und. y i = = 8
.2 Einige statistische Maßzahlen.2. Die Schusser in zwei Familien Die vier Kinder der Familie Huber haben x = 5, x 2 = 7, x 3 = 9, x 4 = Schusser. Die vier Kinder der Familie Maier haben y = 7, y 2 = 7,
MehrVorlesung 3: Schätzverfahren
Vorlesung 3: Schätzverfahren 1. Beispiel: General Social Survey 1978 2. Auswahl einer Zufallsstichprobe und Illustration des Stichprobenfehlers 3. Stichprobenverteilung eines Regressionskoeffizienten 4.
MehrStatistik für Naturwissenschaftler
Hans Walser Statistik für Naturwissenschaftler 9 t-verteilung Lernumgebung Hans Walser: 9 t-verteilung ii Inhalt 1 99%-Vertrauensintervall... 1 2 95%-Vertrauensintervall... 1 3 Akkus... 2 4 Wer ist der
MehrVergleich zweier Stichproben
zurück zum Inhaltsverzeichnis Die Werte sind verbunden, abhängig oder korreliert. Beispiel: Eine Probe wird mit zwei Messgeräten bestimmt. Es gibt eine paarweise Zuordnung. Die Werte sind unabhängig also
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. Oktober 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version:
MehrMethodenlehre. Vorlesung 5. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 5 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ 20.2.13 Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrBiomathematik für Mediziner, Klausur SS 2001 Seite 1
Biomathematik für Mediziner, Klausur SS 2001 Seite 1 Aufgabe 1: Von den Patienten einer Klinik geben 70% an, Masern gehabt zu haben, und 60% erinnerten sich an eine Windpockeninfektion. An mindestens einer
MehrInformationen zur KLAUSUR am
Wiederholung und Fragen 1 Informationen zur KLAUSUR am 24.07.2009 Raum: 032, Zeit : 8:00 9:30 Uhr Bitte Lichtbildausweis mitbringen! (wird vor der Klausur kontrolliert) Erlaubte Hilfsmittel: Alle Unterlagen,
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Korrelationen 1 Lineare Regression 3 Literatur 5 Korrelationen Mit Hilfe von G*Power lässt sich analog zum Vorgehen beim t-test (Kapitel 3, Band I) vor einer Untersuchung
MehrEinfluss des Keimabbruchs vorgekeimter Kartoffelknollen auf Ertrag und Qualität von Kartoffeln
Einfluss des Keimabbruchs vorgekeimter Kartoffelknollen auf Ertrag und Qualität von Kartoffeln Einleitung Eine Vorkeimung des Kartoffelpflanzguts ist nachweislich eine gute Maßnahme zur Ertragssicherung
MehrHypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren
Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei
MehrMesswiederholungen und abhängige Messungen
Messwiederholungen und abhängige Messungen t Tests und Varianzanalysen für Messwiederholungen Kovarianzanalyse Thomas Schäfer SS 009 1 Messwiederholungen und abhängige Messungen Bei einer Messwiederholung
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
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
MehrStatistik II: Grundlagen und Definitionen der Statistik
Medien Institut : Grundlagen und Definitionen der Statistik Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Hintergrund: Entstehung der Statistik 2. Grundlagen
MehrTutorial: Anpassungstest
Tutorial: Anpassungstest An einem Institut gibt es vier UniversitätslehrerInnen, die auch Diplomarbeiten betreuen. Natürlich erfordert die Betreuung einer Diplomarbeit einiges an Arbeit und Zeit und vom
MehrFragestellungen. Ist das Gewicht von Männern und Frauen signifikant unterschiedlich? (2-sample test)
Hypothesen Tests Fragestellungen stab.glu 82 97 92 93 90 94 92 75 87 89 hdl 56 24 37 12 28 69 41 44 49 40 ratio 3.60 6.90 6.20 6.50 8.90 3.60 4.80 5.20 3.60 6.60 glyhb 4.31 4.44 4.64 4.63 7.72 4.81 4.84
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 )
MehrEigene MC-Fragen "Lesen" 1. Zu den Komponenten eines effektiven Leseprozesses lt. Werder (1994) gehört nicht
Eigene MC-Fragen "Lesen" 1. Zu den Komponenten eines effektiven Leseprozesses lt. Werder (1994) gehört nicht Klärung des Leseziels geeignete Rahmenbedingungen Wiedergabe des Gelesenen Aufrechterhaltung
Mehr