Biometrie im neuen Antragsverfahren
|
|
- Edith Irma Goldschmidt
- vor 7 Jahren
- Abrufe
Transkript
1 8. Fortbildungsveranstaltung der GV-SOLAS für Tierschutzbeauftragte und Behördenvertreter
2 Warum biometrische Planung? Einfachste Antwort: Weil es im Genehmigungsantrag so vorgesehen ist. 2
3 Warum biometrische Planung? Bessere Gründe: weil der Wissenschaftler, der den Versuch durchführt, sicher sein kann, dass sein Versuchsergebnis eine statistisch belastbare Aussage beinhaltet. Die Frage: Hätte ich das erwartete Ergebnis bekommen, wenn ich mehr Tiere eingesetzt hätte?, kann eindeutig mit nein beantwortet werden! 3
4 Warum biometrische Planung? Bessere Gründe: weil der Wissenschaftler, der den Versuch durchführt, sicher sein kann, dass sein Versuchsergebnis eine statistisch belastbare Aussage beinhaltet. weil das 3R-Prinzip umgesetzt wird, denn es werden nur so viele Tiere verwendet, wie nötig. Der Versuch muss nicht wiederholt werden. 4
5 Warum biometrische Planung? Bessere Gründe: weil der Wissenschaftler, der den Versuch durchführt, sicher sein kann, dass sein Versuchsergebnis eine statistisch belastbare Aussage beinhaltet. weil das 3R-Prinzip umgesetzt wird, denn es werden nur so viele Tiere verwendet, wie nötig. weil die Gruppengröße, die sich aus der biometrischen Planung ergibt, nicht daran hindert, den Versuch zu einem früheren Zeitpunkt auszuwerten und ggfs. zu beenden. (wenn sich bereits nach Verwendung eines Drittels/der Hälfte/zwei Drittel der geplanten Tiere ein signifikantes Ergebnis ergibt) 5
6 Warum biometrische Planung? Tierschutzbeauftragte sollten Antragsteller davon überzeugen oder darin bestärken, dass eine biometrische Planung in ihrem eigenen Interesse sinnvoll und notwendig ist. Hilfestellung dabei leisten, das 3R-Prinzip auch in diesem Teil der Versuchsplanung anzuwenden. 6
7 Nature 520, 2015 Nature Reviews Neuroscience 14,
8 Schritte zu einer zuverlässigen biometrischen Planung 1. Übersetzen der (biologischen/medizinischen) Fragestellung in eine für statistische Methoden geeignete Form. Meist recht einfach: Ist das Ergebnis zufällig entstanden? 8
9 Schritte zu einer zuverlässigen biometrischen Planung 1. Übersetzen der (biologischen/medizinischen) Fragestellung in eine für statistische Methoden geeignete Form. Ist der Zuhörerschwund unabhängig davon, ob mathematische Formeln präsentiert werden? 9
10 Chen et al. Carcinogenesis, 19:1631, 1998 RUHR-UNIVERSITÄT BOCHUM Schritte zu einer zuverlässigen biometrischen Planung 1. Übersetzen der (biologischen/medizinischen) Fragestellung in eine für statistische Methoden geeignete Form. Ist das verringerte Tumorwachstum unabhängig vom eingesetzten Medikament? 10
11 Pak et al. PNAS 97:11232, 2010 RUHR-UNIVERSITÄT BOCHUM Schritte zu einer zuverlässigen biometrischen Planung 1. Übersetzen der (biologischen/medizinischen) Fragestellung in eine für statistische Methoden geeignete Form. Ist der Lernerfolg der genetisch veränderten Mauslinie nur zufällig schlechter als der der Wildtyp-Tiere? 11
12 Schritte zu einer zuverlässigen biometrischen Planung 1. Übersetzen der (biologischen/medizinischen) Fragestellung in eine für statistische Methoden geeignete Form. 2. Wie wird die Wirkung (einer Behandlung, einer genetischen Veränderung, ) bestimmt? Welche Messgröße wird erfasst? Welche (mathematischen) Eigenschaften hat die Messgröße (metrisch, ordinal, nominal)? - danach entscheidet sich, welches statistische Verfahren angewendet werden kann/darf. 12
13 Schritte zu einer zuverlässigen biometrischen Planung 1. Übersetzen der (biologischen/medizinischen) Fragestellung in eine für statistische Methoden geeignete Form. 2. Wie wird die Wirkung bestimmt? 3. Wie groß muss der Unterschied des Messparameters zwischen Kontroll- und Versuchsgruppe sein? Die Statistik weiß nichts über Biologie oder Medizin. Jeder Unterschied kann auf Signifikanz getestet werden, allerdings nur mit großen Versuchsgruppen - also auf Kosten mindestens eines der drei R. 13
14 Schritte zu einer zuverlässigen biometrischen Planung 1. Übersetzen der (biologischen/medizinischen) Fragestellung in eine für statistische Methoden geeignete Form. 2. Wie wird die Wirkung bestimmt? 3. Wie groß muss der Unterschied des Messparameters zwischen Kontrollund Versuchsgruppe sein, damit man von einem Effekt sprechen kann? 4. Wie groß ist die Streuung der Messgröße (unter Kontroll- und Versuchsbedingungen)? Ohne Kenntnis der Streuung der Messgröße ist die biometrische Planung nicht möglich. 14
15 Angaben zur biometrischen Planung im Antrag Antragsformular fragt die Angaben zur biometrischen Planung einzeln ab. 15
16 Angaben zur biometrischen Planung im Antrag Antragsformular fragt die Angaben zur biometrischen Planung einzeln ab. 16
17 Angaben zur biometrischen Planung im Antrag Antragsformular fragt die Angaben zur biometrischen Planung einzeln ab. Die Planung sollte unter Einsatz biometrischer Verfahren vorgenommen werden. Auf die Ergebnisse dieser Planung ist in der Begründung einzugehen. Zusätzlich sind Angaben über die Einteilung in Versuchsgruppen bzw. Kontrollgruppen sowie über die Gruppengrößen vorzunehmen. Die Darstellung der Versuchs- und Kontrollgruppen ist in übersichtlicher Form vorzunehmen, möglichst auch mit einer Tabelle. Die Gruppen sollten auch im Hinblick auf die Aufzeichnungen nach 9 Abs. 5 TierSchG konkrete Bezeichnungen enthalten. 17
18 Angaben zur biometrischen Planung im Antrag Antragsformular fragt die Angaben zur biometrischen Planung einzeln ab. 1. Hauptzielgröße Anzahl der Zuhörer Tumorgröße Zeit zum Erreichen der Plattform Angaben zur biometrischen/statistischen Planung Erläuterungen: Hauptzielgröße(n): subjektive Schmerzintensität ( Grimace Scale ) Erkrankungsgrad (EAE score ; Metastasierung) ordinale Größen Geschlecht Blutgruppe nominale Größen 18
19 Angaben zur biometrischen Planung im Antrag Antragsformular fragt die Angaben zur biometrischen Planung einzeln ab. 1. Hauptzielgröße Angaben zur biometrischen/statistischen Planung Anzahl der Zuhörer Tumorgröße Zeit zum Erreichen der Plattform Erläuterungen: metrische Größen: T-Test, ANOVA Hauptzielgröße(n): subjektive Schmerzintensität ( Grimace Scale ) Erkrankungsgrad (EAE score ) ordinale Größen: U-Test, Kruskal-Wallis-Test Geschlecht Blutgruppe nominale Größen: C²-Test, Fisher-Yates-Test 19
20 Angaben zur biometrischen Planung im Antrag Antragsformular fragt die Angaben zur biometrischen Planung einzeln ab. 1. Hauptzielgröße 2. Nebenzielgröße wird/werden ebenfalls erfasst ist/sind aber für die biometrische Planung unerheblich Angaben zur biometrischen/statistischen Planung Erläuterungen: Hauptzielgröße(n): Nebenzielgröße(n): 20
21 Angaben zur biometrischen Planung im Antrag Antragsformular fragt die Angaben zur biometrischen Planung einzeln ab. 1. Hauptzielgröße 2. Nebenzielgröße 3. Studientyp 4. Statistisches Verfahren zur Auswertung Art der Messgröße Anzahl der Gruppen Angaben zur biometrischen/statistischen Planung Erläuterungen: Hauptzielgröße(n): Nebenzielgröße(n): Studientyp a) Orientierungsstudie b) Vergleichsstudie Es werden folgende biometrische Verfahren zur Auswertung eingesetzt: 21
22 Angaben zur biometrischen Planung im Antrag Antragsformular fragt die Angaben zur biometrischen Planung einzeln ab. 1. Hauptzielgröße 2. Nebenzielgröße 3. Studientyp 4. Statistisches Verfahren zur Auswertung Art der Messgröße Anzahl der Gruppen Angaben zur biometrischen/statistischen Planung Erläuterungen: Mess-Skala Hauptzielgröße(n): Nebenzielgröße(n): Metrisch Studientyp a) Orientierungsstudie Ordinal b) Vergleichsstudie 2 Gruppen mit verschiedenen Individuen t-test Versuchsdesign Es werden folgende biometrische Verfahren zur Auswertung eingesetzt: mehr als 2 Gruppen mit verschiedenen Individuen Varianzanalyse (ANOVA) Mann-Whitney- Rang-Test Kruskal-Wallis- Test 22
23 Angaben zur biometrischen Planung im Antrag Antragsformular fragt die Angaben zur biometrischen Planung einzeln ab. 4. Statistisches Verfahren zur Auswertung 5. Fehler 1. Art Signifikanzniveau gibt an, mit welcher Wahrscheinlichkeit das Ergebnis zufällig entstanden sein könnte. Effekt einer Behandlung wird angenommen, obwohl er in Wirklichkeit zufällig entstanden ist falsch positives Ergebnis 5% wird akzeptiert Es werden folgende biometrische Verfahren zur Auswertung eingesetzt: Die vorgesehene Tierzahl und Gruppengröße ist zur statistischen Absicherung mit einer Wahrscheinlichkeit für den Fehler 1. Art von a = 0,05 23
24 Angaben zur biometrischen Planung im Antrag Antragsformular fragt die Angaben zur biometrischen Planung einzeln ab. 4. Statistisches Verfahren zur Auswertung 5. Fehler 1. Art 6. Fehler 2. Art gibt an, mit welcher Wahrscheinlichkeit ein tatsächlicher Effekt übersehen wird. Effekt wird als zufällig angesehen, obwohl er tatsächlich vorhanden ist falsch negatives Ergebnis 20% wird akzeptiert Es werden folgende biometrische Verfahren zur Auswertung eingesetzt: Die vorgesehene Tierzahl und Gruppengröße ist zur statistischen Absicherung mit einer Wahrscheinlichkeit für den Fehler 1. Art von a = 0,05 einer Wahrscheinlichkeit für den Fehler 2. Art von b = 0,20 24
25 Angaben zur biometrischen Planung im Antrag Antragsformular fragt die Angaben zur biometrischen Planung einzeln ab. 5. Fehler 1. Art 6. Fehler 2. Art 7. Differenz Wie groß ist der erwartete Unterschied zwischen Kontroll- und Versuchsgruppe(n)? Es werden folgende biometrische Verfahren zur Auswertung eingesetzt: Die vorgesehene Tierzahl und Gruppengröße ist zur statistischen Absicherung mit einer Wahrscheinlichkeit für den Fehler 1. Art von a = 0,05 einer Wahrscheinlichkeit für den Fehler 2. Art von b = 0,20 einer biologisch relevanten Differenz Wie groß soll die Abweichung der Messwerte der Versuchsgruppe(n) vom Referenzwert der Kontrollgruppe sein, damit von einem biologisch oder medizinisch relevantem Effekt gesprochen werden kann? 25
26 Angaben zur biometrischen Planung im Antrag Antragsformular fragt die Angaben zur biometrischen Planung einzeln ab. 5. Fehler 1. Art 6. Fehler 2. Art 7. Differenz 8. Varianz oder Effektstärke Wie groß ist die Streuung der Messgröße? Es werden folgende biometrische Verfahren zur Auswertung eingesetzt: Die vorgesehene Tierzahl und Gruppengröße ist zur statistischen Absicherung mit einer Wahrscheinlichkeit für den Fehler 1. Art von a = 0,05 einer Wahrscheinlichkeit für den Fehler 2. Art von b = 0,20 einer biologisch relevanten Differenz Varianz oder Effektstärke (mit Angabe des genutzten Parameters, z. B. Effektstärke nach Cohen) In welchem Verhältnis stehen die Streuung der Messwerte und die Differenz zwischen Kontroll- und Versuchsgruppe(n) zueinander? 26
27 Angaben zur biometrischen Planung im Antrag Antragsformular fragt die Angaben zur biometrischen Planung einzeln ab. 5. Fehler 1. Art 6. Fehler 2. Art 7. Differenz 8. Varianz/Effektstärke Bestimmung der Gruppengrößen erfolgt anhand der hier angegebenen Parameter Es werden folgende biometrische Verfahren zur Auswertung eingesetzt: Die vorgesehene Tierzahl und Gruppengröße ist zur statistischen Absicherung mit einer Wahrscheinlichkeit für den Fehler 1. Art von a = 0,05 einer Wahrscheinlichkeit für den Fehler 2. Art von b = 0,20 einer biologisch relevanten Differenz Varianz oder Effektstärke (mit Angabe des genutzten Parameters, z. B. Effektstärke nach Cohen) Meist mit Hilfe eines Statistikprogrammes (z.b. G*Power, SSTAT, Statistica, ) 27
28 Berechnung der Gruppengröße Fehler 1. und 2. Art sind festgelegt: a = 0,05 b = 0,20 (oder Power = 0,80) Effektstärke ist das Verhältnis von Differenz zu Streuung 28
29 Berechnung der Gruppengröße Fehler 1. und 2. Art sind festgelegt: a = 0,05 b = 0,20 (oder Power = 0,80) Effektstärke ist das Verhältnis von Differenz zu Streuung 29
30 Berechnung der Gruppengröße Fehler 1. und 2. Art sind festgelegt: a = 0,05 b = 0,20 (oder Power = 0,80) Effektstärke ist das Verhältnis von Differenz zu Streuung 30
31 Chen et al. Carcinogenesis, 19:1631, 1998 RUHR-UNIVERSITÄT BOCHUM Berechnung der Gruppengröße Fehler 1. und 2. Art sind festgelegt: a = 0,05 und b = 0,20 Effektstärke ist das Verhältnis von Differenz zu Streuung für einen t-test: Kontrolle: 600 ± 150 mm³ Versuch: 300 ± 150 mm³ Effektstärke d = 300 / 150 = 2 Erforderliche Gruppengröße n = 6 (sagt G*Power) 31
32 Chen et al. Carcinogenesis, 19:1631, 1998 RUHR-UNIVERSITÄT BOCHUM Berechnung der Gruppengröße Fehler 1. und 2. Art sind Anmerkung: festgelegt: Die a = Berechnung 0,05 und b = der 0,20 Effektstärke nach Effektstärke ist das Verhältnis Differenz zwischen den Gruppen von Differenz Effektstärke zu Streuung = Standardabweichung für einen t-test: gilt in dieser einfachen Weise nur für den t-test. Für andere statistische Tests Kontrolle: (ANOVA, 600 ± U-Test, 150 mm³ Kruskal-Wallis-Test, usw.) wird die Effektstärke anders Versuch: berechnet. 300 ± 150 Die mm³ Effektstärken aus dem t-test dürfen also nicht für andere Effektstärke Tests d übernommen = 300 / 150 = werden. 2 Erforderliche Gruppengröße n = 6 (sagt G*Power) 32
33 Chen et al. Carcinogenesis, 19:1631, 1998 RUHR-UNIVERSITÄT BOCHUM Berechnung der Gruppengröße Fehler 1. und 2. Art sind festgelegt: a = 0,05 und b = 0,20 Effektstärke ist das Verhältnis von Differenz zu Streuung für einen t-test: Kontrolle: 600 ± 100 mm³ Versuch: 500 ± 100 mm³ Effektstärke d = 100 / 100 = 1 Erforderliche Gruppengröße n = 17 33
34 Chen et al. Carcinogenesis, 19:1631, 1998 RUHR-UNIVERSITÄT BOCHUM Berechnung der Gruppengröße Fehler 1. und 2. Art sind festgelegt: a = 0,05 und b = 0,20 Effektstärke ist das Verhältnis von Differenz zu Streuung für einen t-test: Kontrolle: 600 ± 100 mm³ Versuch: 550 ± 100 mm³ Effektstärke d = 50 / 100 = 0,5 Erforderliche Gruppengröße n = 64 34
35 Chen et al. Carcinogenesis, 19:1631, 1998 RUHR-UNIVERSITÄT BOCHUM Berechnung der Gruppengröße Fehler 1. und 2. Art sind festgelegt: a = 0,05 und b = 0,20 Effektstärke ist das Verhältnis von Differenz zu Streuung für einen t-test: Kontrolle: 600 ± 200 mm³ Versuch: 400 ± 200 mm³ Effektstärke d = 200 / 200 = 1 Erforderliche Gruppengröße n = 17 35
36 Pak et al. PNAS 97:11232, 2010 RUHR-UNIVERSITÄT BOCHUM Berechnung der Gruppengröße Fehler 1. und 2. Art sind festgelegt: a = 0,05 und b = 0,20 Effektstärke ist das Verhältnis von Differenz zu Streuung für eine ANOVA: Kontrolle: Versuch 1: 10 ± 2 sec 15 ± 2 sec Versuch 2: 25 ± 2 sec Effektstärke f = 3.11 Erforderliche Gruppengröße n = 2 36
37 Pak et al. PNAS 97:11232, 2010 RUHR-UNIVERSITÄT BOCHUM Berechnung der Gruppengröße Fehler 1. und 2. Art sind festgelegt: a = 0,05 und b = 0,20 Effektstärke ist das Verhältnis von Differenz zu Streuung für eine ANOVA: Kontrolle: Versuch 1: 10 ± 8 sec 15 ± 8 sec Versuch 2: 25 ± 8 sec Effektstärke f = 0.78 Erforderliche Gruppengröße n = 7 37
38 Pak et al. PNAS 97:11232, 2010 RUHR-UNIVERSITÄT BOCHUM Berechnung der Gruppengröße Fehler 1. und 2. Art sind festgelegt: a = 0,05 und b = 0,20 Effektstärke ist das Verhältnis von Differenz zu Streuung für eine ANOVA: Kontrolle: Versuch 1: 10 ± 8 sec 15 ± 8 sec Versuch 2: 20 ± 8 sec Effektstärke f = 0.51 Erforderliche Gruppengröße n = 14 38
39 Berechnung der Gruppengröße Effektstärke bestimmt die Gruppengröße große Differenz und geringe Streuung = kleine Gruppen kleine Differenz und große Streuung = große Gruppen relevante Differenz vorgeben Streuung vermindern 39
40 Fazit Die biometrische Planung muss auf realistischen Zahlen beruhen, damit eine statistisch gesicherte Aussage über das Versuchsergebnis getroffen werden kann. Mehr Tiere werden nicht benötigt, weniger aber auch nicht! 40
Zur Statistik im neuen Genehmigungsantrag
Zur Statistik im neuen Genehmigungsantrag 21. Essener Informationstreffen, 12. März 2014 PD Dr. Nicole Heussen nheussen@ukaachen.de Institut für Medizinische Statistik RWTH Aachen Zur Statistik im neuen
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
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
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
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
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
MehrKapitel 8: Verfahren für Rangdaten
Kapitel 8: Verfahren für Rangdaten Anmerkung 1 Mann-Whitney U-Test 1 Wilcoxon-Test 3 Kruskal-Wallis H-Test 3 Literatur 6 Anmerkung In Kapitel 8 der Bücher wird erwähnt, dass für nichtparametrische Daten
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
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:
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
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:
MehrMethode des statistischen Testens
1 Methode des statistischen Testens Fragestellung Zielgröße (Impfbeispiel: Impferfolg ja / nein) Alternativhypothese Negation Nullhypothese H 0 Wähle Teststatistik = Zusammenfassung der Studienergebnisse
MehrBiomathematik für Mediziner
Institut für Medizinische Biometrie, Informatik und Epidemiologie der Universität Bonn (Direktor: Prof. Dr. Max P. Baur) Biomathematik für Mediziner Klausur SS 2002 Aufgabe 1: Franz Beckenbauer will, dass
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
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
MehrBei Anwendung statistischer Verfahren benutzen Sie die unten aufgeführten Abkürzungen!
Bei Anwendung statistischer Verfahren benutzen Sie die unten aufgeführten Abkürzungen! t-test für Korrelationskoeffizient Einstichproben-t-Test Zweistichproben-t-Test F-Test Wilcoxon-Rangtest: tr t t2
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
MehrW-Seminar: Versuche mit und am Menschen 2017/2019 Skript
3. Deskriptive Statistik Die deskriptive (auch: beschreibende) Statistik hat zum Ziel, [ ] Daten durch Tabellen, Kennzahlen [ ] und Grafiken übersichtlich darzustellen und zu ordnen. Dies ist vor allem
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
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
MehrStatistische Methoden und Auswertungen Die Statistik in der MEWIP-Studie
Statistische Methoden und Auswertungen Die Statistik in der MEWIP-Studie Dipl.-Stat. Moritz Hahn 29.04.2008 Dipl.-Stat. Moritz Hahn Vorstellung IMSIE Arbeitsbereiche des Instituts Medizinische Statistik
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
MehrAufgaben 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
MehrDer Antrag auf Genehmigung eines Tierversuchsvorhabens nach 8 Abs. 1 des Tierschutzgesetzes Formulierung des Antrags aus Sicht der Genehmigungsbehörde
Der Antrag auf Genehmigung eines Tierversuchsvorhabens nach 8 Abs. 1 des Tierschutzgesetzes Formulierung des Antrags aus Sicht der Genehmigungsbehörde 8 Abs. 1 TierSchG: Wer Versuche an Wirbeltieren durchführen
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
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
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
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,
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 6: Zweifaktorielle Varianzanalyse
Kapitel 6: Zweifaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung 1 Teststärkebestimmung a posteriori 4 Berechnen der Effektgröße f² aus empirischen Daten und Bestimmung
MehrFragebogen zur Standortbestimmung von Zürcher Volksschulen: Ermittlung und Darstellung von Ergebnissen der einzelnen Schulen
ETH Zürich Seminar für Statistik Fragebogen zur Standortbestimmung von Zürcher Volksschulen: Ermittlung und Darstellung von Ergebnissen der einzelnen Schulen Dr. Werner Stahel Seminar für Statistik, ETH
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
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrPRAXISORIENTIERTE EINFÜHRUNG
GRUNDLAGEN DER STATISTIK PRAXISORIENTIERTE EINFÜHRUNG Rainer Gaupp Leiter Qualität & Prozesse 1 INHALTE DER EINFÜHRUNG Theoretische Grundlagen: Natur vs. Sozialwissenschaft. Skalentypen. Streu- und Lagemasse.
MehrKlausur: Einführung in die Statistik Sommersemester 2014
Klausur: Einführung in die Statistik Smmersemester 2014 1. Für eine statistische Analyse wird eine Reihe vn Merkmalen erfasst- Ntieren Sie jeweils mit N, O, I bzw. R, b es sich um eine Nminal-, Ordinal-,
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2016
Signifikanzprüfung Peter Wilhelm Herbstsemester 2016 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha-Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrAufgaben zu Kapitel 8
Aufgaben zu Kapitel 8 Aufgabe 1 a) Berechnen Sie einen U-Test für das in Kapitel 8.1 besprochene Beispiel mit verbundenen Rängen. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.
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
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.7 und 4.8 besser zu verstehen. Auswertung und Lösung Abgaben: 71 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 5.65 Frage 1
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
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
MehrBiostatistik. 4y Springer. Wolfgang Köhler Gabriel Schachtel Peter Voleske. Vierte, aktualisierte und erweiterte Auflage
Wolfgang Köhler Gabriel Schachtel Peter Voleske Biostatistik Vierte, aktualisierte und erweiterte Auflage Mit 65 Abbildungen und 50 Tabellen 4y Springer Einleitung 1 Kapitel I: Merkmalsauswahl 5 1 Wahl
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
MehrStatistische Grundlagen I
Statistische Grundlagen I Arten der Statistik Zusammenfassung und Darstellung von Daten Beschäftigt sich mit der Untersuchung u. Beschreibung von Gesamtheiten oder Teilmengen von Gesamtheiten durch z.b.
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
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
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
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
MehrStichwortverzeichnis. Ausgleichsgerade 177 Ausreißer 13, 40
283 Stichwortverzeichnis a Alpha-Wert 76, 91 Alter 256 Alternativhypothese 68, 70 ANOVA siehe einfache Varianzanalyse, zweifache Varianzanalyse Anpassung 178 Anpassungstest siehe Chi-Quadrat-Anpassungstest
MehrBiostatistische Studienplanung. Dr. Matthias Kohl SIRS-Lab GmbH
Biostatistische Studienplanung Dr. Matthias Kohl SIRS-Lab GmbH Ausgangspunkt Fragestellung(en)/Hypothese(n): Hauptfragestellung: Grund für Durchführung der Studie Nebenfragestellung(en): Welche Fragestellungen
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrAufgaben zur Varianzanalyse
Aufgaben zur Varianzanalyse 1. Eine Firma möchte eine von fünf verschieden Maschinen kaufen: A, B, C, D oder E. Zur Entscheidungsfindung werden die Maschinen nach folgendem Experiment getestet: Es werden
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2014
Signifikanzprüfung Peter Wilhelm Herbstsemester 2014 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha- Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung Dieser Abschnitt zeigt die Durchführung der in Kapitel 5 vorgestellten einfaktoriellen Varianzanalyse
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
MehrSTATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG
STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG Statistische Methoden In der vorliegenden fiktiven Musterstudie wurden X Patienten mit XY Syndrom (im folgenden: Gruppe XY) mit Y Patienten eines unauffälligem
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
MehrStatistik-Klausur A WS 2010/11
Statistik-Klausur A WS 2010/11 Name: Vorname: Immatrikulationsnummer: Studiengang: Hiermit erkläre ich meine Prüfungsfähigkeit vor Beginn der Prüfung. Unterschrift: Dauer der Klausur: Erlaubte Hilfsmittel:
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 Signifikanz und biologische Relevanz und ihre Visualisierung über Effektstärkemaße
Angewandte Statistik und Informatik in den Biowissenschaften Statistische Signifikanz und biologische Relevanz und ihre Visualisierung über Effektstärkemaße Jörg Schmidtke, Kerstin Schmidt Schnickmannstraße
MehrStatistik für Psychologen und Sozialwissenschaftler
Markus Bühner Matthias Ziegler Statistik für Psychologen und Sozialwissenschaftler Mit über 480 Abbildungen PEARSON Studium Ein Imprint von Pearson Education München Boston San Francisco Harlow, England
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Post Hoc Tests A priori Tests (Kontraste) Nicht-parametrischer Vergleich von Mittelwerten 50 Ergebnis der ANOVA Sprossdichte der Seegräser 40 30 20 10
MehrOnline Statistik-Coaching
Online Statistik-Coaching Modul 3 Statistisches Testen - Auswahl der passenden Methode - Durchführung mit SPSS - Interpretation und Darstellung Dipl.-Math. Daniela Keller www.statistik-und-beratung.de
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
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:
MehrPrüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko
Prüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik
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 =
MehrVorlesung 12a. Kann das Zufall sein? Beispiele von statistischen Tests
Vorlesung 12a Kann das Zufall sein? Beispiele von statistischen Tests 1 Beispiel 1: Passen die Verhältnisse in den Rahmen? Fishers exakter Test (vgl. Buch S. 130/131 2 Sir Ronald Fisher 1890-1962 3 Aus
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
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
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.
MehrTEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN
TEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN GLIEDERUNG Bivariate Analyse für metrisch skalierte Variablen Grundlagen Streudiagramme und Visualisierungen von Zusammenhängen Positive lineare
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrWas macht gute Versuche aus? ... aus der Sicht eines Biometrikers
Was macht gute Versuche aus?... aus der Sicht eines Biometrikers DLG-Technikertagung Soest, 28. Januar 2015 Andreas Büchse BASF SE, Ludwigshafen Vorbemerkung Einige Kriterien für Qualität von Experimenten
MehrHypothesentests mit SPSS
Beispiel für eine zweifaktorielle Varianzanalyse mit Messwiederholung auf einem Faktor (univariate Lösung) Daten: POKIII_AG4_V06.SAV Hypothese: Die physische Attraktivität der Bildperson und das Geschlecht
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
MehrEinfache Varianzanalyse für unabhängige Stichproben
Einfache Varianzanalyse für unabhängige Stichproben VARIANZANALYSE Die Varianzanalyse ist das dem t-test entsprechende Mittel zum Vergleich mehrerer (k 2) Stichprobenmittelwerte. Sie wird hier mit VA abgekürzt,
MehrGibt es einen Zusammenhang zwischen Merkmalen? Korrelationen
Arbeitsblatt SPSS Kapitel 8 Seite Gibt es einen Zusammenhang zwischen Merkmalen? Korrelationen Wie in allen Kapiteln gehen wir im Folgenden davon aus, dass Sie die Datei elporiginal.sav geöffnet haben.
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
MehrKapitel 8: Verfahren für Rangdaten
Kapitel 8: Verfahren für Rangdaten Der Mann-Whitney U-Test 1 Der Wilcoxon-Test 3 Der Kruskal-Wallis H-Test 4 Vergleich von Mann-Whitney U-Test und Kruskal-Wallis H-Test 6 Der Mann-Whitney U-Test In Kapitel
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
MehrGüteanalyse. Nochmal zur Erinnerung: Hypothesentest. Binominalverteilung für n=20 und p=0,5. Münzwurf-Beispiel genauer
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Güteanalyse Prof. Walter F. Tichy Fakultät für Informatik 1 Fakultät für Informatik 2 Nochmal zur Erinnerung: Hypothesentest Am Beispiel
MehrUlrich Rohland. Statistik. Erläuterung grundlegender Begriffe und Verfahren
Ulrich Rohland Statistik Erläuterung grundlegender Begriffe und Verfahren Berichte aus der Sportwissenschaft Ulrich Rohland Statistik Erläuterung grundlegender Begriffe und Verfahren. Shaker Verlag Aachen
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
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
MehrALVA-Ringanalyse. Herbsttagung 2009 der ALVA-Fachgruppe Boden - Pflanzenernährung Linz, 10. November 2009
ALVA-Ringanalyse Mag. Tanja Strimitzer Bereich DSR Herbsttagung 2009 der ALVA-Fachgruppe Boden - Pflanzenernährung Linz, 10. November 2009 www.ages.at Österreichische Agentur für Gesundheit und Ernährungssicherheit
Mehr2. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
. Lösung weitere Übungsaufgaben Statistik II WiSe 016/017 1. Aufgabe: Bei der Produktion eines Werkstückes wurde die Bearbeitungszeit untersucht. Für die als normalverteilt angesehene zufällige Bearbeitungszeit
MehrStatistik in der Praxis
Peter Zöfel Statistik in der Praxis Zweite, überarbeitete Auflage 48 Abbildungen, 118 Tabellen und 22 Tafeln I Gustav Fischer Verlag Stuttgart Inhaltsverzeichnis Vorwort V 1. Allgemeine Grundlagen 1 1.1
MehrFür diese Beschreibungen sind Grundlagen der Statistik vorteilhaft. Weiterführende und verwandte
Voraussetzung und verwandte Themen Für diese Beschreibungen sind Grundlagen der Statistik vorteilhaft. Weiterführende und verwandte Themen sind: media.crgraph.de/hypothesentests.pdf media.crgraph.de/multiple_regression.pdf
MehrStatistik III. Einfaktorielle Varianzanalyse (ANOVA), Regressionsanalyse und Verfahren bei Messwiederholung mit SPSS.
Statistik III Einfaktorielle Varianzanalyse (ANOVA), Regressionsanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse
MehrEinführung in die Statistik für Politikwissenschaftler Sommersemester 2011
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011 Es können von den Antworten alle, mehrere oder keine Antwort(en) richtig sein. Nur bei einer korrekten Antwort (ohne Auslassungen
MehrWiederholung Statistik I. Statistik für SozialwissenschaftlerInnen II p.8
Wiederholung Statistik I Statistik für SozialwissenschaftlerInnen II p.8 Konstanten und Variablen Konstante: Merkmal hat nur eine Ausprägung Variable: Merkmal kann mehrere Ausprägungen annehmen Statistik
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
MehrStatistik I. Zusammenfassung und wichtiges zur Prüfungsvorbereitung. Malte Wissmann. 9. Dezember Universität Basel.
Zusammenfassung und wichtiges zur Prüfungsvorbereitung 9. Dezember 2008 Begriffe Kenntnis der wichtigen Begriffe und Unterscheidung dieser. Beispiele: Merkmal, Merkmalsraum, etc. Skalierung: Nominal etc
MehrTEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN
TEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN Bivariate Analyse für metrisch skalierte Variablen Grundlagen Verfahren für metrische Daten nutzen den vollen mathematischen Informationsgehalt
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
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
MehrAufgaben zu Kapitel 8
Aufgaben zu Kapitel 8 Aufgabe 1 a) Berechnen Sie einen U-Test für das in Kapitel 8.1 besprochene Beispiel mit verbundenen n. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.
Mehr