Wissenschaftliche Nachrichten: Vol. 134/2008, 17-20
|
|
- Birgit Schreiber
- vor 7 Jahren
- Abrufe
Transkript
1 Rückrechnung der Blutalkoholkonzentration: Kritik am forensischen Ansatz, II NORBERT BRUNNER und MANFRED KÜHLEITNER Die Messung des Alkoholgehalts aus der Atemluft ist ungenau. Wir untersuchen, ob zusätzliche Messungen, die mit der Methode der linearen Regression interpretiert werden, die Genauigkeit der Rückrechnung im Vergleich zum klassischen Ansatz erhöhen. Die Grundlage ist das vom schwedischen Chemiker Widmark entwickelte lineare Abbaumodell (Teil I) Das Regressionsmodell 3.1. Bestimmung der BAK mit Hilfe einer Regressionsgeraden in Microsoft Excel TM Die lineare Regression löst das Problem von Teil I, wie mehrere ungenaue Messwerte zu kombinieren sind, indem sie beliebig große Zufallsfehler zulässt und annimmt, dass sich deren Auswirkungen bei vielen Messungen in der Gesamtwirkung gegenseitig aufheben. Die theoretische Basis ist die in Abschnitt 2.2 vorgestellten Annahme: Der Messwert weicht vom wahren BAK um einen zufälligen Fehler ε ab, der normalverteilt mit dem Mittelwert 0 und einer bei jedem Datenpunkt gleichen (aber unbekannten) Varianz ist. Mit der Methode der kleinsten Quadrate ermittelt man Formeln für die Parameter k und d der Regressionslinie. Tabelle 1:Gemessene und mittels Regression berechnete BAK in Promille. A B C D 1 Zeit (h) BAK BAK mittels Regression ohne gemessen Regression Ausreißer 2 0 2,838 2, ,788 0, ,5 0,531 0,642 0, ,75 0,712 0,569 0, ,75 0,227 0,276 0, ,22 0,203 0,198 8 Parameter 9 k 0,293 0, d 2,838 2,168 Die Lösungsformeln sind in Excel vorprogrammiert. Tabelle 1 illustriert die Berechnung: Die Parameter k und d der Regressionslinie in Zelle C9 und C10 werden aus den Messwerten berechnet mittels der Befehle =STEIGUNG(B4:B7;A4:A7) =ACHSENABSCHNITT(B4:B7;A4:A7) Anschließend wird in Spalte C die Regressionslinie berechnet. Dazu schreibt man in Zelle C2: =$C$10+$C$9*A2 Man kopiert diese Formel bis in Zelle C7. 1 E.M.P. Widmark, Die theoretischen Grundlagen und die praktische Verwertbarkeit der gerichtlich medizinischen Alkoholbestimmung, Verlag Urban & Schwarzenberg, Berlin (1932). 1
2 Lässt man den umstrittenen Messwert bei t = 7,75 weg (Ausreißer) und berechnet die Regressionslinie erneut (Spalte D in Tabelle 1, fette Linie in Abbildung 2), so erhält man eine bessere Anpassung an die verbleibenden Messdaten. Beide Regressionslinien unterstützen die Aussage, dass zum Tatzeitpunkt eine Alkoholisierung vorgelegen ist. Abbildung 3. Regressionsgeraden und Datenpunkte der Tabelle 1. Bemerkungen: 1.) Werden ungenaue Messungen des Alkomaten mit der genauen Messung einer Blutprobe kombiniert, dann stimmt die Annahme über den Messfehler beim exakten Datenpunkt (Blutprobe) nicht. Man löst dieses Problem, indem man nur solche Geraden betrachtet, die den exakten Datenpunkt enthalten. Wenn die Blutprobe zum Zeitpunkt t = a entnommen wird und den BAK b ergibt (im Zusatzbeispiel a = 9, b = 0,2), so führt dies zum Ansatz BAK = b + k (t a) Der Parameter k wird nun mit der Methode der kleinsten Quadrate aus den ungenauen Messwerten (Alkomat) bestimmt. Wenn zum Zeitpunkt t k die BAK b k gemessen wird, k = 1, 2,..., n (= Anzahl der ungenauen Messungen), dann berechnet man k n k = 1 = n ( a t ) ( b b ) ( a tk ) k = 1 2 k Die so berechneten Regressionsgeraden mit/ohne den Ausreißer bei t = 7,75 weichen nur geringfügig von den in Abbildung 3 eingezeichneten Regressionslinien ab. 2.) In Excel ist auch eine Anpassung an Modelle der BAK möglich, welche die Resorptionsphase modellieren (nichtlineare Regression). Widmark hat eine exponentielle Resorption angenommen, was (Resorption ab t = 0) zu folgendem Modell führt (mit 0 bei negativen Werten): BAK = d (1 e s t ) + k t Die Modellparameter d, k und s berechnet der Solver (ein Add-In von Excel) nach der Methode der kleinsten Quadrate als: d = 2,838, k = 0,293 und s = 1,528. Für dieses 2 k
3 Modell ist BAK = 0 bei t = 0, der maximale BAK = 2,13 wird erreicht bei t = 1,764 und im Bereich zwischen 7 < t < 9 ist das Modell praktisch nicht von der Regressionslinie (Abbildung 3) zu unterscheiden Prognoseintervall Die Aussage aus einer einzigen, auch gut an die Daten angepassten, Regressionslinie reicht nicht aus, um rechtliche Konsequenzen (Strafen) zu begründen: Die reale Abbaukurve ist unbekannt und es muss erst ausgeschlossen werden, dass eine unglückliche Konstellation von zufälligen Messfehlern, vielleicht eine ganze Serie von Ausreißern, zu einem Fehlschluss verleitet, nämlich eine Alkoholisierung fälschlicherweise zu konstatieren. Wir fragen daher, wie verlässlich die Werte für BAK sind, die wir mit der Regressionsgeraden (Tabelle 1) gefunden haben. Dazu wiederholen wir die Berechnungen mit anderen Zufallsfehlern. Bei dieser Simulation von Messungen gehen wir vom statistischen Modell in Abschnitt 2.2 und 3.1 aus: Der Alkomat liefert Werte, die von der realen BAK um einen zufälligen Fehler ε abweichen. Man kann den zufälligen Fehler aus den Daten abschätzen (Bemerkung unten) oder als bekannt voraussetzen, wie wir das tun: Der Fehler ε ist normalverteilt mit dem Mittelwert 0 und der Standardabweichung 0,1. Den Fehler ε simuliert Excel mit dem Befehl ε = NORMINV(ZUFALLSZAHL(); 0; 0,1) Dabei liefert der Befehl ZUFALLSZAHL() gleichverteilte Zahlen im Intervall [0,1]. Im Unterschied zu Abschnitt 2.2 sind nun beliebig große zufällige Abweichungen ε möglich. Das bedeutet, dass die simulierten Beobachtungen Werte von k liefern können, die außerhalb des von Widmark beobachteten Intervalls von 0,1 bis 0,2 Promille/h liegen. (Im Beispiel ist das bei fast 90% der Simulationen der Fall.) Man darf aber diese Werte nicht vernachlässigen, weil der reale Wert für k nahe an diesen Grenzen liegen kann (etwa k = 0,2): Werte von k jenseits dieser Grenzen werden benötigt, um die Zufallsfehler der Messung auszugleichen. Die reale BAK ist allerdings unbekannt. Wir nehmen daher idealisierte Werte an und addieren den Fehler ε zum idealisierten Wert. Als idealisierte Werte verwenden wir die Werte der Regressionslinie von Abschnitt 3.1; sie bleiben fest. (Eine andere Möglichkeit ist es, die Messwerte zu verwenden.) Falls dabei für BAK negative Werte entstehen, ersetzen wir sie durch 0. Außerdem runden wir das Ergebnis auf drei Stellen. Tabelle 2:Gemessene und simulierte BAK in Promille. A B C D 1 Zeit BAK Regression Simulation idealisiert (simuliert) 2 0 1, , ,5 0,642 0,485 0, ,75 0,569 0,504 0, ,75 0,276 0,414 0, ,203 0,211 0, Parameter 9 k -0, d 1,
4 Wir fertigen nun Tabelle 2 an, eine Variante von Tabelle 1, in der wir in B4:B7 die Werte der Regressionslinie aus Tabelle 1 eintragen und in C4:C7 die simulierten BAK berechnen, bei denen wir den Fehler ε zu den idealisierten Werten in Spalte B addieren. In C4 steht somit: =B4+RUNDEN(MAX(NORMINV(ZUFALLSZAHL(); 0; 0,1); 0); 3) Diese Formel kopieren wir bis C7. Daraus wird in Spalte D wie für Tabelle 1 oben eine neue Regressionsgerade berechnet. Einen ersten Eindruck von den simulierten BAK-Werten, mit zugehöriger Regressionsgerade, erhält man durch Drücken der Taste F9. Nun wollen wir die simulierten Ergebnisse verwenden und statistisch auswerten. Dazu benötigt man allerdings ein kleines Makro. Der Programmcode ist im Anhang aufgelistet. Dieses Makro schreibt für 500 Simulationen die BAK-Werte aus den Zellen D2:D7 zeilenweise in die Spalten H bis M, beginnend mit Zeile 6. Tabelle 3 wertet den Bereich H6:M505 statistisch aus. (Man beachte, dass in dieser Tabelle die Zeitpunkte zeilenweise angeordnet sind.) Dabei werden für jeden Zeitpunkt t (Zeile 1) die oberen und unteren 10% der aus der Regressionslinie extrapolierten Werte berechnet. Dies erfolgt in Zelle H4 und H5 mit dem Befehl (kopiert bis in Spalte M): =QUANTIL(H6:H505;0,1) =QUANTIL(H6:H505;0,9) Diese Werte sind die Grenzen der Prognoseintervalle zum einseitigen 90% Signifikanzniveau. In Abbildung 4 sind die Signifikanzgrenzen dünn durchgezogen eingezeichnet, ebenso die Ausgangsdaten (graue Kreise) und die zugehörige Regressionslinie (fette Linie). Im Unterschied zu den Fehlerintervallen (Abschnitt 2.2) sind die Prognoseintervalle unterschiedlich breit: Um den Mittelwert der t-werte ist das Prognoseintervall am kleinsten und es wird breiter, je weiter t vom Mittelwert entfernt ist. Führt man diese Simulationen mit der Regressionslinie ohne Ausreißer durch (wir entfernen den Fall t = 7,75 von den Datenpunkten und den idealisierten Werten), so erhält man in Abbildung 4 eine besser an die verbleibenden Datenpunkte angepasste Regressionslinie (fett punktiert) und dazu die punktierte Linie der unteren und oberen Prognosegrenzen. Tabelle 3. Beschriftung der mit einem Makro generierten Tabelle. G H I M 1Zeit BAK gemessen 0,22 3Regression 2, , , Quantil 10% 2, , , Quantil 90% 3, , , Es ist zu erkennen, dass der Ausreißer bei t = 7,75 deutlich außerhalb beider Prognoseintervalle liegt, weswegen man auf diesen Datenpunkt verzichten wird (auch noch bei 98% Sicherheit). Über die Alkoholisierung zum Unfallzeitpunkt (t = 7) geben die beiden Ansätze widersprüchliche Auskünfte: Lässt man den Ausreißer nicht weg, so wird mit 90% Sicherheit eine Alkoholisierung prognostiziert, weil das Prognoseintervall bei t = 7 oberhalb der 0,5 Promille Grenze liegt. Lässt man den Ausreißer weg, so liefert das berechnete Prognoseintervall hingegen keine Auskunft, weil 0,5 im Prognoseintervall liegt. Das besagt, 4
5 dass trotz Alkoholisierung mindestens 10% Chance bestehen (je nach Durchgang 15 bis 20 Prozent der Simulationen), dass bei der Rückrechnung aufgrund von den drei akzeptierten Messwerten eine BAK von unter 0,5 Promille konstatiert wird. Abbildung 4. Prognoseintervalle bei vier ungenauen Messungen. Bemerkungen. 1.) Excel liefert mit der Analysefunktion Regression Konfidenzintervalle für d und k, aber keine Prognoseintervalle. Diese liefert die Simulation. 2.) Durch die Simulationen wird zusätzlich zum Modellfehler und Messfehler (Abschnitt 1) eine dritte Fehlerquelle eingeführt, die Ungenauigkeit bei der Berechnung der Quantile. Diese Ungenauigkeit verringert man durch eine höhere Anzahl von Simulationen. 3.) Falls die Verteilung der Fehler nicht bekannt ist und hinreichend viele Messungen vorliegen, modifiziert man die Simulation: Man nimmt an, dass die Regressionslinie die idealisierten Werte beschreibt, und berechnet die Fehler als Differenz zwischen Messung und Regressionslinie. Dies ergibt eine Stichprobe von Zufallsfehlern. Man führt nun eine Bootstrap-Simulation durch, die nur diese Stichprobe zur Simulation verwendet. 4.) Im Fall der Blutabnahme bei t = 9 durchlaufen alle Regressionslinien den exakten Messwert (t = 9, BAK = 0,2). Der Prognosebereich hat eine Keilform, ähnlich zu den gestrichelten Linien in Abbildung 1. Die Grenzlinien des Keils hängen aber, anders als bei Abbildung 1, von den individuellen Messwerten ab. Wird der Ausreißer t = 7,75 hinzugenommen, so liegt der Prognosebereich oberhalb vom gestrichelten Keil von Abbildung 1, aber wie in Abbildung 4 unterhalb vom Ausreißer. Wird der Ausreißer weggenommen, so handelt es sich beim Prognosebereich um den Keil zwischen dem exakten Messwert und dem um den Messfehler ±0,128 korrigierten Messwert bei t = 7,5. Dieser Prognosebereich enthält die für die Konstruktion des Beispiels verwendete individuelle BAK = 2 0,2 t in seinem Inneren. 4. Diskussion Tabelle 4 fasst die Ergebnisse für t = 7 zusammen. Gemeinsam ist allen Methoden die Anfälligkeit für den Ausreißer bei t = 7,75 (vgl. Zeilen 2 und 4, 3 und 4 sowie 7 und 6). Im konkreten Beispiel handelt es sich beim Ausreißer um 5
6 einen zufälligen Fehler, der besonders hoch ist, aber nicht besonders unwahrscheinlich. (Die Daten wurden mit einem Zufallszahlengenerator erzeugt.) Es ist also damit zu rechnen, dass analoge Situationen in der Praxis vorkommen. Tabelle 4. Vergleich der Prognosemethoden. Nr. Methode untere Grenze obere Grenze bei t = 7 bei t = 7 Bemerkung 1 BAK aus Trinkmenge 0,2 1,36 kein Messfehler und 2 BAK aus Blutabnahme bei t = 9 0,4 0,6 0,2 < k < 0,1 3 BAK aus Messung bei t = 7,5 0,453 0,759 Messfehler < 0,128 und 4 BAK aus Messung bei t = 7,75 0,659 0,99 0,2 < k < 0,1 5 BAK aus Messung bei t = 8,75 0,274 0,705 BAK aus Prognoseintervall 6 0,647 0,927 bei Regression mit Ausreißer einseitige Signifikanz 90% 7 BAK aus Regression ohne Ausreißer 0,451 0,8 und Messfehler zufällig BAK im Zusatzbeispiel ohne Ausreißer: 8 0,47 0,641 Messung bei t = 7,5 und Blutabnahme Für die Regressionsanalyse gibt es in der Statistik etablierte Rezepte zum Umgang mit Ausreißern. Für die Messung von AAK gibt es solche Regeln nicht. Bei zwei Messungen, also eine Messung mit Kontrollmessung (Zeilen 3 und 4), wird ein Ausreißer nicht identifiziert, denn dazu wären drei oder mehr Messungen erforderlich. Dies kann die Bewertung verzerren, wenn mit beiden Messungen verträgliche BAK-Werte fälschlicherweise als besonders plausibel angesehen werden. Beim gängigen forensischen Zugang zur Bewertung der BAK gibt es auch keine Regeln, nach denen mehrere Messwerte zur Erhöhung der Genauigkeit beitragen können: Die logischen Kombinationen (Vereinigungsmenge, Durchschnitt) sind dazu ungeeignet. Bei der Regression wird die Genauigkeit erhöht, je mehr Messwerte zur Verfügung stehen und je näher die Kontrolluntersuchungen beim Tatzeitpunkt liegen: Das Prognoseintervall wird durch mehr Messwerte enger und ist in der Umgebung des zeitlichen Mittelwerts am engsten. Umgekehrt zeigen die Prognoseintervalle, dass vier breit gestreute Messwerte noch nicht die Genauigkeit im Vergleich zur klassischen Methode erhöhen (Zeilen 3 und 4 im Vergleich zu 7 und 6). Für die Messung von BAK aus Blutproben ist die Genauigkeit der Messung kein Problem. Allerdings erfolgt die Messung mit einem relativ großen zeitlichen Abstand zum Tatzeitpunkt und liefert bei einer einzigen Messung keine Information über die individuelle Kinetik (Parameter k und d). Dadurch verliert die Rückrechnung an Genauigkeit (illustriert durch Zeile 2, vgl. Zeile 8). Hier können mehrere Messungen mit dem Alkomaten die Genauigkeit erhöhen, obwohl diese Messungen selbst ungenau sind, weil sie dann durch genauere Schätzungen von k die Intervallbreite (in Zeile 8) verringern. 5. Schlussfolgerung Die BAK Bestimmung aus einer einzigen Blutabnahme lässt in Grenzbereichen einer Alkoholisierung oft nur die Aussage zu, dass eine Alkoholisierung zum Tatzeitpunkt weder ausgeschlossen noch bewiesen werden kann. Der Grund ist die Verwendung von Parametern mit einer breiten interpersonellen Streuung, wodurch eine genaue analytische Messmethode zu einer ungenauen Extrapolation verschmiert wird. In diesem Fall ermöglichen es mehrere Messungen, die Genauigkeit der Extrapolation zu erhöhen, indem die relevanten Parameter für die konkrete Person aus den Messwerten mittels Regression bestimmt werden. Im Fall der 6
7 Bestimmung der BAK mittels Messung von AAK ist bereits die analytische Messmethode (Alkomat) selbst ungenau. Auch hier kann die Genauigkeit und Zuverlässigkeit von Aussagen über eine tatsächliche Alkoholisierung durch mehrere Messungen erhöht werden, mit denen die individuellen Parameter abgeschätzt werden. Insbesondere werden dadurch Fehlmessungen identifizierbar. Die Methode der linearen Regression stellt mit den Prognoseintervallen ein Instrument zur Abschätzung der Genauigkeit und Identifizierung von Fehlmessungen Verfügung: Sie trennt unwahrscheinliche Prognosen bzw. Rückrechnungen von wahrscheinlichen. Man kann diese Prognoseintervalle mit einer Simulation in Excel ermitteln. Dazu werden unterschiedliche BAK-Werte für die gleiche Person unter einer Annahme über die Verteilung der Messfehler simuliert. Die Verteilung der simulierten Schätzwerte wird dann analysiert: Die oberen und unteren Grenzen zu einem Signifikanzniveau definieren dann das Prognoseintervall. Durch das Prognoseintervall wird eine Fehlerquelle thematisiert, die bei der Anwendung der klassischen forensischen Methode auf Rechtsfragen oft nicht erkannt wird, die Datenunsicherheit. Das Prognoseintervall berücksichtigt die Datenunsicherheit, indem das Intervall für höhere Signifikanzniveaus breiter wird und für mehr Messdaten schmäler. Wer an einer genauen Bewertung interessiert ist, kann demnach in einer konkreten Situation aktiv zur Verringerung der Datenunsicherheit beitragen. Bei der klassischen forensischen Berechnung führt die Datenunsicherheit zu einem Intervall für k, das für ein vorgegebenes interpersonelles Signifikanzniveau gültig ist. Im Unterschied zum Prognoseintervall kann das Intervall für k im individuellen Fall unzutreffend sein und es gibt keine Möglichkeit, dies bei einer einzigen Messung zu erkennen. Anhang Folgendes Makro automatisiert den Prozess zur Gewinnung von 500 simulierten BAK-Werten. Es speichert zuerst die extrapolierten Werte ab und trägt sie dann in den Spalten H bis M ein, wobei jede der Zeilen 6 bis 505 einem Datensatz entspricht. Sub Makro1() For n = 1 To 500 A = Cells(2, 4).Value B = Cells(3, 4).Value C = Cells(4, 4).Value D = Cells(5, 4).Value E = Cells(6, 4).Value F = Cells(7, 4).Value Cells(n + 5, 8).Value = A Cells(n + 5, 9).Value = B Cells(n + 5, 10).Value = C Cells(n + 5, 11).Value = D Cells(n + 5, 12).Value = E Cells(n + 5, 13).Value = F Next n End Sub Anschrift der Verfasser: ao. Univ. Prof. Dr. Norbert Brunner und ao. Univ. Prof. Dr. Manfred Kühleitner Institut für Mathematik, DIB, BOKU, Peter Jordan Str. 82, 1180 Wien norbert.brunner@boku.ac.at, manfred.kuehleitner@boku.ac.at 7
Wissenschaftliche Nachrichten: https://www.bmbf.gv.at/schulen/sb/wina/wina.html Vol. 133/2008, 17-20
Rückrechnung der Blutalkoholkonzentration: Kritik am forensischen Ansatz, I NORBERT BRUNNER und MANFRED KÜHLEITNER 1. Einleitung 1.1. Problem Vor 10 Jahren (1998) wurde in Österreich die Promillegrenze
Wissenschaftliche Nachrichten: https://www.bmbf.gv.at/schulen/sb/wina/wina.html Vol. 131/2006, 19-21
Der T-Test in Excel NORBERT BRUNNER und MANFRED KÜHLEITNER Ein häufiges Problem ist der Vergleich eines beobachteten Stichprobenmittelwerts mit einem Sollwert. Dabei wird der T-Test angewandt. Wir zeigen
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
4.1. 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
Binomialverteilung Vertrauensbereich für den Anteil
Übungen mit dem Applet Binomialverteilung Vertrauensbereich für den Anteil Binomialverteilung Vertrauensbereich für den Anteil 1. Statistischer Hintergrund und Darstellung.... Wie entsteht der Vertrauensbereich?...
Demo-Text für STOCHASTIK. Tschebyscheff-Ungleichung. Einführung mit Anwendungsbeispielen. Datei Nr Friedrich W.
STOCHASTIK Tschebyscheff-Ungleichung Einführung mit Anwendungsbeispielen Datei Nr. 36111 Friedrich W. Buckel Stand 1. April 010 INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK www.mathe-cd.de Inhalt 1 Wiederholung:
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
Mathematisch-Naturwissenschaftliche Fakultät I der Humboldt-Universität zu Berlin Institut für Physik Physikalisches Grundpraktikum.
Mathematisch-Naturwissenschaftliche Fakultät I der Humboldt-Universität zu Berlin Institut für Physik Physikalisches Grundpraktikum Versuchsprotokoll zur Bestimmung der Brennweiten von dünnen Linsen (O)
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
Eine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
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
Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
Wissenschaftliche Nachrichten: https://www.bmbf.gv.at/schulen/sb/wina/wina.html Vol. 126/2004, 38-41
Vertauensbereiche für Regressionsparameter HELMUT BRUNNER und NORBERT BRUNNER Die Anpassung von Kurven an Beobachtungsdaten ist ein häufiges praktisches Problem. An Handelsakademien wird deshalb das Kapitel
3.Wiederholung: Toleranzbereiche Für EX Geg:
3.Wiederholung: Toleranzbereiche Für EX Geg: Vl. 24.2.2017 Schätzfunktion für Güte: Ist X Problem: Feb 17 13:21 > Wir berechnen Bereiche (Toleranzbereiche) für sind untere und obere Grenzen, berechnet
Statistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
Grundlagen der schließenden Statistik
Grundlagen der schließenden Statistik Schätzer, Konfidenzintervalle und Tests 1 46 Motivation Daten erhoben (Umfrage, Messwerte) Problem: Bei Wiederholung des Experiments wird man andere Beobachtungen
Biometrieübung 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
Der Weg eines Betrunkenen
Der Weg eines Betrunkenen 2 Hätte es damals schon Computer gegeben, wäre es für unseren Mathematiker um einiges leichter gewesen, den Weg des Betrunkenen zu bestimmen. Er hätte nicht nur eine beliebige
Aufgabe 8: Stochastik (WTR)
Abitur Mathematik: Nordrhein-Westfalen 2013 Aufgabe 8 a) (1) WAHRSCHEINLICHKEIT FÜR KEINE ANGABE ERMITTELN Nach der Laplace Formel ist Anzahl der Personen, die keine Angabe machten keine Angabe Gesamtzahl
Mittelwert, Standardabweichung, Median und Bereich für alle durchgeführten Messungen (in Prozent)
3. Ergebnisse 3.1 Kennwerte, Boxplot Die Kennwerte der deskriptiven Statistik sind in der Tabelle 1 für alle Messungen, in der Tabelle 2 für die Messungen, bei denen mit der Referenzmethode eine festgestellt
Protokoll Grundpraktikum: O1 Dünne Linsen
Protokoll Grundpraktikum: O1 Dünne Linsen Sebastian Pfitzner 22. Januar 2013 Durchführung: Sebastian Pfitzner (553983), Jannis Schürmer (552892) Arbeitsplatz: 3 Betreuer: A. Ahlrichs Versuchsdatum: 16.01.2013
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
Brückenkurs Statistik für Wirtschaftswissenschaften
Peter von der Lippe Brückenkurs Statistik für Wirtschaftswissenschaften Weitere Übungsfragen UVK Verlagsgesellschaft mbh Konstanz Mit UVK/Lucius München UVK Verlagsgesellschaft mbh Konstanz und München
So berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
Anleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
Elisabeth Aufhauser, unveröffentlichter Text Unterrichtsmaterial Statistik-UE für Soziologie
Elisabeth Aufhauser, unveröffentlichter Text Unterrichtsmaterial Statistik-UE für Soziologie Konfidenzintervall Statistische Analyse von Stichproben Der Datensatz aus der Übung (social survey 2003) besteht
Das (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
a) Stellen Sie das Diagramm Geschwindigkeits Zeit Diagramm für eine geeignete Kombination von Massen und dar.
Atwood sche Fallmaschine Die kann zum Bestimmen der Erdbeschleunigung und zum Darstellen der Zusammenhänge zwischen Weg, Geschwindigkeit und Beschleunigung verwendet werden. 1) Aufgaben a) Stellen Sie
2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
VS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen - Inferenzstatistik 1 [Übungsaufgaben und Lösungenn - Inferenzstatistik 1] ÜBUNGSAUFGABEN
VII. Inhaltsverzeichnis
VII Inhaltsverzeichnis Vorwort XIII Teil 1 Datentypen 1 Datentypen 3 1.1 Kommt es wirklich darauf an? 3 1.2 Daten auf einer Intervallskala 3 1.3 Daten auf einer Ordinalskala 4 1.4 Daten auf einer Nominalskala
Allgemeine Chemie Computer Praktikum Frühjahrssemester Regressions-Tutorial Lineare und nicht-lineare Regression
1 Einführung Allgemeine Chemie Computer Praktikum Frühjahrssemester Regressions-Tutorial Lineare und nicht-lineare Regression Datenauswertung In einem naturwissenschaftlichen Experiment werden Sie meist
Übungen mit dem Applet Wahrscheinlichkeitsnetz
Wahrscheinlichkeitsnetz 1 Übungen mit dem Applet Wahrscheinlichkeitsnetz 1 Statistischer Hintergrund... 1.1 Verteilungen... 1. Darstellung von Daten im Wahrscheinlichkeitsnetz...4 1.3 Kurzbeschreibung
Statistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
Ausführliche Lösungen zu ausgewählten Aufgaben von ÜB 5 und 6. Streudiagramm
y Aufgabe 3 Ausführliche Lösungen zu ausgewählten Aufgaben von ÜB 5 und 6 a) Zur Erstellung des Streudiagramms zeichnet man jeweils einen Punkt für jedes Datenpaar (x i, y i ) aus der zweidimensionalen
Dr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
Teil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
p = h n (K)= Juli vl smart vp qk notebook Praktische Lösung des Problems: mit den Werten
I. Eigenschaften von Schätzfunktionen Wir wollen den unbekannten Anteil p von Autos ermitteln, die mit Katalysator fahren. Mathematisch können wir das Problem wie folgt beschreiben: Sei X der Autotyp eines
3.3 Konfidenzintervalle für Regressionskoeffizienten
3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird
Mathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
Statistische Tests funktionieren generell nach obigem Schema; der einzige Unterschied besteht in der unterschiedlichen Berechnung der Testgröße.
Statistische Tests Testen von Hypothesen Fehlerarten wichtigste statistische Tests Hypothesen Jeder statistische Test beruht auf der Widerlegung einer zuvor aufgestellten Hypothese. Die Widerlegung ist
Dr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...
Das Doppelstern-Modell Vorgehen beim Bestimmen der Modellparameter und ihrer Fehler
Das Doppelstern-Modell Vorgehen beim Bestimmen der Modellparameter und ihrer Fehler Udo Backhaus 29. November 2013 1 Hintergrund Das Doppelstern-Modell [1] beschreibt die Helligkeit y(t) zweier sich gegenseitig
Wahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
Stichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
Mathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Januar 2011 1 Vergleich zweier Erwartungswerte Was heißt verbunden bzw. unverbunden? t-test für verbundene Stichproben
VU mathematische methoden in der ökologie: räumliche verteilungsmuster 1/5 h.lettner /
VU mathematische methoden in der ökologie: räumliche verteilungsmuster / h.lettner / Analyse räumlicher Muster und Verteilungen Die Analyse räumlicher Verteilungen ist ein zentrales Gebiet der ökologischen
3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
Übungsaufgabe Parameter und Verteilungsschätzung
Übungsaufgabe Parameter und Verteilungsschätzung Prof. Dr. rer. nat. Lüders Datum: 21.01.2019 Autor: Marius Schulte Matr.-Nr.: 10049060 FH Südwestfalen Aufgabenstellung Analysiert werden sollen die Verteilungen
Übungen mit dem Applet Rangwerte
Rangwerte 1 Übungen mit dem Applet Rangwerte 1 Statistischer Hintergrund... 2 1.1 Verteilung der Einzelwerte und der Rangwerte...2 1.2 Kurzbeschreibung des Applets...2 1.3 Ziel des Applets...4 2 Visualisierungen
Bereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
Wissenschaftliche Nachrichten: https://www.bmbf.gv.at/schulen/sb/wina/wina.html Vol. 125/2004, 35-37
Wissenschaftliche Nachrichten: https://www.bmbf.gv.at/schulen/sb/wina/wina.html Vol. 5/004, 5-7 Das Ziegenproblem in Excel NORBERT BRUNNER und MANFRED KÜHLEITNER Das folgende Problem stammt aus einer Fernsehshow:
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002 1. Ein Chemiestudent hat ein Set von 10 Gefäßen vor sich stehen, von denen vier mit Salpetersäure Stoff A), vier mit Glyzerin Stoff
Ermitteln Sie auf 2 Dezimalstellen genau die folgenden Kenngrößen der bivariaten Verteilung der Merkmale Weite und Zeit:
1. Welche der folgenden Kenngrößen, Statistiken bzw. Grafiken sind zur Beschreibung der Werteverteilung des Merkmals Konfessionszugehörigkeit sinnvoll einsetzbar? A. Der Modalwert. B. Der Median. C. Das
Dr. I. Fahrner WiSe 2016/17 Fakultät Grundlagen Hochschule Esslingen Übungsblatt 2. Statistik
Dr. I. Fahrner WiSe 2016/17 Fakultät Grundlagen 6.10.2016 Hochschule Esslingen Übungsblatt 2 Statistik Stichworte: arithmetischer Mittelwert, empirische Varianz, empirische Standardabweichung, empirischer
Mehrfache Lineare Regression 1/9
Mehrfache Lineare Regression 1/9 Ziel: In diesem Fallbeispiel soll die Durchführung einer mehrfachen linearen Regressionsanalyse auf der Basis vorhandener Prozessdaten (Felddaten) beschrieben werden. Nach
Forschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
Statistik Übungsblatt 5
Statistik Übungsblatt 5 1. Gaussverteilung Die Verteilung der Messwerte einer Grösse sei durch eine Gaussverteilung mit Mittelwert µ = 7.2 und σ = 1.2 gegeben. (a) Wie gross ist die Wahrscheinlichkeit
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.1 4. Statistische Entscheidungsverfahren Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten Beispiel:
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
Einführung Fehlerrechnung
Einführung Fehlerrechnung Bei jeder Messung, ob Einzelmessung oder Messreihe, muss eine Aussage über die Güte ( Wie groß ist der Fehler? ) des Messergebnisses gemacht werden. Mögliche Fehlerarten 1. Systematische
3. Lektion: Deskriptive Statistik
Seite 1 von 5 3. Lektion: Deskriptive Statistik Ziel dieser Lektion: Du kennst die verschiedenen Methoden der deskriptiven Statistik und weißt, welche davon für Deine Daten passen. Inhalt: 3.1 Deskriptive
Seminar Biopharmazie. Statistik. nur was für Unsichere oder ist sie ihr Geld wert?
Seminar Biopharmazie Statistik nur was für Unsichere oder ist sie ihr Geld wert? Biopharmazie Statistik 1 Allgemeine Symbole Probenstatistik Verteilungs- Funktion Mittelwert bzw. Erwartungswert für n µ
Zusammenfassung PVK Statistik
Zusammenfassung PVK Statistik (Diese Zusammenfassung wurde von Carlos Mora erstellt. Die Richtigkeit der Formeln ist ohne Gewähr.) Verteilungen von diskreten Zufallsvariablen Beschreibung Binomialverteilung
Datenanalyse Klausur SS 2014 (nicht wortwörtlich) Lösung (aus einer Nachbesprechung mit Elsenbeer)
1. Ist das folgende Argument gültig? Datenanalyse Klausur SS 2014 (nicht wortwörtlich) Lösung (aus einer Nachbesprechung mit Elsenbeer) Wenn minderjährige Mörder für ihr Vergehen genauso verantwortlich
Übungen mit dem Applet x /s-regelkarte nach Shewhart
x /s-regelkarte nach Shewhart 1 Übungen mit dem Applet x /s-regelkarte nach Shewhart 1 Statistischer Hintergrund... 2 1.1 Ziel und Vorgehensweise der x /s-regelkarte nach Shewhart...2 1.2 Kurzbeschreibung
Dr. W. Kuhlisch Dresden, Institut für Mathematische Stochastik
Dr. W. Kuhlisch Dresden, 12. 08. 2014 Institut für Mathematische Stochastik Klausur Statistik für Studierende der Fachrichtungen Hydrologie und Altlasten/Abwasser zugelassene Hilfsmittel: Taschenrechner
Softwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2010/11 Überblick I Statistik bei kontrollierten Experimenten
Statistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Die Funktion f wird als Regressionsfunktion bezeichnet.
Regressionsanalyse Mit Hilfe der Techniken der klassischen Regressionsanalyse kann die Abhängigkeit metrischer (intervallskalierter) Zielgrößen von metrischen (intervallskalierten) Einflussgrößen untersucht
Auswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
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
5. Kolmogorov-Smirnov-Test und χ 2 -Anpassungstest
Empirische Wirtschaftsforschung Prof. Dr. Ralf Runde 5. Kolmogorov-Smirnov-Test und χ 2 -Anpassungstest Ein wesentliches Merkmal nichtparametrischer Testverfahren ist, dass diese im Allgemeinen weniger
1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
Phallosan-Studie. Statistischer Bericht
Phallosan-Studie Statistischer Bericht Verfasser: Dr. Clemens Tilke 15.04.2005 1/36 Inhaltsverzeichnis Inhaltsverzeichnis... 2 Einleitung... 3 Alter der Patienten... 4 Körpergewicht... 6 Penisumfang...
unendlich-dimensionalen lästigen Parameter auffassen.
Näherungen mit Bootstrap Werner Stahel, Seminar für Statistik, ETH Zürich, 8. 4. 2009 Dieser Text kann dazu dienen, die Ideen des Bootstrap zusammenzufassen. Es fehlen hier Beispiele. 1 Fragestellung a
Nichtlineare Ausgleichsrechnung
10. Großübung Nichtlineare Ausgleichsrechnung Allgemeines Problem: Wir betrachten ein nichtlineares System F : R n R m mit (m > n, d.h. das System ist überbestimmt und F i (x g(t i ; x g i! 0 i 1,.., m.
Auswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
Deskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
Lean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
Protokoll Grundpraktikum: F0: Auswertung und Präsentation von Messdaten
Protokoll Grundpraktikum: F0: Auswertung und Präsentation von Messdaten Sebastian Pfitzner 19. Februar 013 Durchführung: Sebastian Pfitzner (553983), Jannis Schürmer (5589) Betreuer: N. Haug Versuchsdatum:
Methoden der Werkstoffprüfung Kapitel II Statistische Verfahren I. WS 2009/2010 Kapitel 2.0
Methoden der Werkstoffprüfung Kapitel II Statistische Verfahren I WS 009/010 Kapitel.0 Schritt 1: Bestimmen der relevanten Kenngrößen Kennwerte Einflussgrößen Typ A/Typ B einzeln im ersten Schritt werden
5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
Testen von Hypothesen:
Testen von Hypothesen: Ein Beispiel: Eine Firma produziert Reifen. In der Entwicklungsabteilung wurde ein neues Modell entwickelt, das wesentlich ruhiger läuft. Vor der Markteinführung muss aber auch noch
Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
Statistische Auswertung in der Betriebsprüfung
Dr. Harald Krehl Der Einsatz verteilungsbezogener Verfahren Der Einsatz verteilungsbezogener Verfahren etwa des Benford- Newcomb Verfahrens oder der Normalverteilung bzw. der LogNormalverteilung in der
2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
Grundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
Statistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
Physikalische Übungen für Pharmazeuten
Helmholtz-Institut für Strahlen- und Kernphysik Seminar Physikalische Übungen für Pharmazeuten Ch. Wendel Max Becker Karsten Koop Dr. Christoph Wendel Übersicht Inhalt des Seminars Praktikum - Vorbereitung
Kapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
b) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
Fadenpendel (M1) Ziel des Versuches. Theoretischer Hintergrund
Fadenpendel M1) Ziel des Versuches Der Aufbau dieses Versuches ist denkbar einfach: eine Kugel hängt an einem Faden. Der Zusammenhang zwischen der Fadenlänge und der Schwingungsdauer ist nicht schwer zu