Tag 1

Question 1

Replikation - wozu

Answer 1

• um Effekte von Behandlung von Zufall unterscheiden zu können

Question 2

Randomisierung - wie machen (4)

Answer 2

• Stichproben zufällig nehmen (im Feld schwer, kleine Pflanzen übersieht man leichter, Wurfplots auch probematisch weil einzelne Pflanzen eher gemessen werden)
• Behandlungen zufällig zuordnen
• Objekte in zufälliger Reihenfolge messen (über Tag nimmt Konzfähigkeit ab, Gerät läuft sich warm…)
• in Medizin: Blindstudien, macht man in Bio nicht weil man davon ausgeht dass Messungen weitgehend objektiv sind

Question 3

Pseudoreplikation

Answer 3

• “confounding”
• Replikate nicht wirklich unabh voneinandern
• bsp Replikate haben gemeinsame Heizung etc
• Pseudoreplikation in der Zeit: bsp nicht genug Platz also erst alle Treat A anziehen und ernten und dann alle Treat B
• mehrere Pflanzen in einem Topf sind keine Replikate!
• richtig: Behandlungen completely randomizied, randomized block system, systematisch randomisiert
• falsch: alle Behandlungen eines Typs nebeneinander (simple oder clumped segregation) -> es gibt lokale Effekte die man nicht rausrechnen kann!

Question 4

isolative Segregation - was tun

Answer 4

• v.a. bei Klimakammern
  1. bei 4 kleinen Kammern mehrfach Teil der Pflanzen mit gleichem Treatment austauschen
  2. alle Töpfe rotieren (damit nicht immer die gleiche Kammer für das gleiche Treatment genutzt wird)

Question 5

Messgenauigkeit

Answer 5

• je genauer Messgerät desto genauer Ergebnis aber desto aufwendiger ist Messung
• in Ökologie: Replikation > Genauigkeit
• oft will man nicht genaue Messwerte wissen sondern zw Gruppen vergleichen
• Variation in Behandlung ist oft größer als Messfehler
• Verringerung der Stichprobengröße erhöht Fehler stark! (MW ändert sich meist), Messgenauigkeit hat kaum Einfluss
• solange Messfehler zufällig sind kein Problem, man rechnet idr mit MWs

Bsp:
Waage 500µg - 3000µg, misst auf 0.5µg genau, Fehler also 0.1%
Samen wiegen zw 0.5mg und 1.2mg -> Variation 240%

Question 6

Wahrscheinlichkeit eines Ereignisses berechnen + 2x 6 würfeln

Answer 6

P = Anzahl zutreffender Fälle / Anzahl möglicher Fälle
- P bei 2 würfen 1x eine 6 zu würfeln:
1/6 + 1/6 - 1/36 = 11/36
wahrsch 2x 6 zu würfeln muss abgezogen werden weil man will ja nur eine

Question 7

Maße für zentrale Tendenz in Daten (3)

Answer 7

• Mean: MW, Summe/n
• Median: teilt nach Größe geordnete Werte genau in 2 (bei geraden n der MW der mittleren), gut bei hohem skew und weil nicht durch Ausreißer beeinflusst
• Geometrisches Mittel: (Produkt aller Werte)^1/n
• • wichtig bei exponentiellen Prozessen, besser als mean wenn Werte lognormal verteilt

Question 8

Maße für Streuung (4)

Answer 8

• Spannweite: Diff größter und kleinster Wert, Problem: steigt mit Stichprobengröße
• Varianz: mittlere quadr Abw der Einzelwerte vom MW [ E(MW - x)² /n-1 ]
• Standartabw: Wurzel(Varianz), durch n kaum beeinflusst, hat gleiche Skala wie MW (Var ist auf Quadratskala)
• Variationskoeffizient: relatives Maß für Variation (bsp Vgl Elefanten und Mäuseohren), SD/MW

Question 9

Maße für Güte von Mittelwerten (2)

Answer 9

• Standartfehler SE=SD/Wurzel(n), von n abh, je größer n desto kleiner SE, angeben als MW = 2.7 +- 0.3
• 95% Konfidenzintervall = MW +- t * SE
• • t-Wert aus t-Verteilung, bei großen Stichproben ist 2, also 95% KI = 2* SE
• • wenn man Messung 100x wiederholen würde, erwartet man, dass 95% der Mittelwerte im KI liegen
• • sagt nichts über Einzelwerte oder waren Wert, nur über Verteilung der MWs aus weiteren theoretischen Stichproben