Biometrie im neuen Antragsverfahren

Größe: px
Ab Seite anzeigen:

Download "Biometrie im neuen Antragsverfahren"

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 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

Mehr

Einführung in die Statistik zur Tierversuchsplanung

Einführung 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

Mehr

Kapitel 5: Einfaktorielle Varianzanalyse

Kapitel 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

Mehr

fh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik

fh 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

Mehr

Kapitel 5: Einfaktorielle Varianzanalyse

Kapitel 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

Mehr

Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS

Statistik 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

Mehr

Kapitel 8: Verfahren für Rangdaten

Kapitel 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

Mehr

Kapitel 5: Einfaktorielle Varianzanalyse

Kapitel 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

Mehr

Statistik-Klausur I E SS 2010

Statistik-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:

Mehr

Statistik II: Signifikanztests /1

Statistik 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

Mehr

Aufgaben zu Kapitel 5:

Aufgaben 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:

Mehr

Methode des statistischen Testens

Methode des statistischen Testens 1 Methode des statistischen Testens Fragestellung Zielgröße (Impfbeispiel: Impferfolg ja / nein) Alternativhypothese Negation Nullhypothese H 0 Wähle Teststatistik = Zusammenfassung der Studienergebnisse

Mehr

Biomathematik für Mediziner

Biomathematik 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

Mehr

Angewandte Statistik 3. Semester

Angewandte 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

Mehr

Statistische Überlegungen: Eine kleine Einführung in das 1 x 1

Statistische 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

Mehr

Bei Anwendung statistischer Verfahren benutzen Sie die unten aufgeführten Abkürzungen!

Bei 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

Mehr

Stichwortverzeichnis. E Extrapolation, außerhalb des Datenbereichs 230

Stichwortverzeichnis. 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

Mehr

W-Seminar: Versuche mit und am Menschen 2017/2019 Skript

W-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

Mehr

Parametrische vs. Non-Parametrische Testverfahren

Parametrische 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

Mehr

5. Lektion: Einfache Signifikanztests

5. 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

Mehr

Statistische Methoden und Auswertungen Die Statistik in der MEWIP-Studie

Statistische 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

Mehr

Methodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg

Methodenlehre. 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

Mehr

Aufgaben zu Kapitel 3

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

Mehr

Der 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 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

Mehr

Inhaltsverzeichnis. Vorwort

Inhaltsverzeichnis. 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

Mehr

Wahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -

Wahrscheinlichkeit 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

Mehr

Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003

Prüfung 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

Mehr

Statistik Prüfung 24. Jänner 2008

Statistik 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

Statistische Methoden in den Umweltwissenschaften

Statistische 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

Mehr

Kapitel 6: Zweifaktorielle Varianzanalyse

Kapitel 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

Mehr

Fragebogen zur Standortbestimmung von Zürcher Volksschulen: Ermittlung und Darstellung von Ergebnissen der einzelnen Schulen

Fragebogen 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

Mehr

Methodenlehre. Vorlesung 13. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg

Methodenlehre. 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

Mehr

Bereiche der Statistik

Bereiche der Statistik Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden

Mehr

PRAXISORIENTIERTE EINFÜHRUNG

PRAXISORIENTIERTE EINFÜHRUNG GRUNDLAGEN DER STATISTIK PRAXISORIENTIERTE EINFÜHRUNG Rainer Gaupp Leiter Qualität & Prozesse 1 INHALTE DER EINFÜHRUNG Theoretische Grundlagen: Natur vs. Sozialwissenschaft. Skalentypen. Streu- und Lagemasse.

Mehr

Klausur: Einführung in die Statistik Sommersemester 2014

Klausur: 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-,

Mehr

Signifikanzprüfung. Peter Wilhelm Herbstsemester 2016

Signifikanzprüfung. 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

Mehr

Aufgaben zu Kapitel 8

Aufgaben 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.

Mehr

Biomathematik für Mediziner, Klausur SS 2001 Seite 1

Biomathematik 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

Mehr

Auswertung und Lösung

Auswertung 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

Mehr

Ablaufschema beim Testen

Ablaufschema 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

Mehr

T-Test für unabhängige Stichproben

T-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

Mehr

Biostatistik. 4y Springer. Wolfgang Köhler Gabriel Schachtel Peter Voleske. Vierte, aktualisierte und erweiterte Auflage

Biostatistik. 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

Mehr

Statistische Messdatenauswertung

Statistische Messdatenauswertung Roland Looser Statistische Messdatenauswertung Praktische Einführung in die Auswertung von Messdaten mit Excel und spezifischer Statistik-Software für naturwissenschaftlich und technisch orientierte Anwender

Mehr

Statistische Grundlagen I

Statistische 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.

Mehr

Statistik für Psychologen und Sozialwissenschaftler. Pearson. Markus Bühner Matthias Ziegler. 2., aktualisierte und erweiterte Auflage

Statistik 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

Mehr

Übungen mit dem Applet Vergleich von zwei Mittelwerten

Übungen 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

Mehr

Statistik II: Grundlagen und Definitionen der Statistik

Statistik 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

Mehr

Mathematische und statistische Methoden I

Mathematische 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

Mehr

Stichwortverzeichnis. Ausgleichsgerade 177 Ausreißer 13, 40

Stichwortverzeichnis. 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

Mehr

Biostatistische Studienplanung. Dr. Matthias Kohl SIRS-Lab GmbH

Biostatistische 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

Mehr

Bereiche der Statistik

Bereiche der Statistik Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden

Mehr

Aufgaben zur Varianzanalyse

Aufgaben 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

Mehr

Statistisches Testen

Statistisches Testen Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall

Mehr

Signifikanzprüfung. Peter Wilhelm Herbstsemester 2014

Signifikanzprüfung. 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

Mehr

Kapitel 5: Einfaktorielle Varianzanalyse

Kapitel 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

Mehr

Methodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg

Methodenlehre. 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

Mehr

STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG

STATISTISCHE 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

Mehr

Methodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg

Methodenlehre. 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

Mehr

Statistik-Klausur A WS 2010/11

Statistik-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:

Mehr

Statistische Tests für unbekannte Parameter

Statistische 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

Mehr

Statistische Signifikanz und biologische Relevanz und ihre Visualisierung über Effektstärkemaße

Statistische 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

Mehr

Statistik für Psychologen und Sozialwissenschaftler

Statistik 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

Mehr

Statistische Methoden in den Umweltwissenschaften

Statistische 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

Mehr

Online Statistik-Coaching

Online 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

Mehr

Statistische Tests für unbekannte Parameter

Statistische 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

Mehr

Sommersemester Marktforschung

Sommersemester 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:

Mehr

Prüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko

Prüfen 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

Mehr

Einführung in Quantitative Methoden

Einführung 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 =

Mehr

Vorlesung 12a. Kann das Zufall sein? Beispiele von statistischen Tests

Vorlesung 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

Mehr

das Kleingedruckte...

das 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

Mehr

6.4 Der Kruskal-Wallis Test

6.4 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

Mehr

Mögliche Fehler beim Testen

Mögliche 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.

Mehr

TEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN

TEIL 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

Mehr

Klassifikation von Signifikanztests

Klassifikation von Signifikanztests Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen

Mehr

Was macht gute Versuche aus? ... aus der Sicht eines Biometrikers

Was 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

Mehr

Hypothesentests mit SPSS

Hypothesentests 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

Mehr

Statistik für Naturwissenschaftler

Statistik 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

Mehr

Einfache Varianzanalyse für unabhängige Stichproben

Einfache 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,

Mehr

Gibt es einen Zusammenhang zwischen Merkmalen? Korrelationen

Gibt 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.

Mehr

Lösungen zu den Übungsaufgaben in Kapitel 10

Lösungen 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

Mehr

Kapitel 8: Verfahren für Rangdaten

Kapitel 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

Mehr

WB 11 Aufgabe: Hypothesentest 1

WB 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

Mehr

Güteanalyse. Nochmal zur Erinnerung: Hypothesentest. Binominalverteilung für n=20 und p=0,5. Münzwurf-Beispiel genauer

Güteanalyse. 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

Mehr

Ulrich Rohland. Statistik. Erläuterung grundlegender Begriffe und Verfahren

Ulrich 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

Mehr

1.5 Erwartungswert und Varianz

1.5 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.

Mehr

Inferenzstatistik Vortrag: Alpha und Beta Fehler

Inferenzstatistik 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

Mehr

ALVA-Ringanalyse. Herbsttagung 2009 der ALVA-Fachgruppe Boden - Pflanzenernährung Linz, 10. November 2009

ALVA-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

Mehr

2. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017

2. 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

Mehr

Statistik in der Praxis

Statistik 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

Mehr

Für diese Beschreibungen sind Grundlagen der Statistik vorteilhaft. Weiterführende und verwandte

Für 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

Mehr

Statistik III. Einfaktorielle Varianzanalyse (ANOVA), Regressionsanalyse und Verfahren bei Messwiederholung mit SPSS.

Statistik 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

Mehr

Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011

Einführung 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

Mehr

Wiederholung Statistik I. Statistik für SozialwissenschaftlerInnen II p.8

Wiederholung 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

Mehr

FH- Management & IT. Constantin von Craushaar FH-Management & IT Statistik Angewandte Statistik (Übungen)

FH- 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

Mehr

Statistik I. Zusammenfassung und wichtiges zur Prüfungsvorbereitung. Malte Wissmann. 9. Dezember Universität Basel.

Statistik 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

Mehr

TEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN

TEIL 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

Mehr

8. Konfidenzintervalle und Hypothesentests

8. 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

Mehr

1.5 Erwartungswert und Varianz

1.5 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:

Mehr

Aufgaben zu Kapitel 8

Aufgaben 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