Rechenaufgaben

Question 1

Berechne den Median folgender Stichprobe. 4, 2, 2, 6, 6, 1, 5, 0, 3, 2, 3, 6, 5, 4, 1

Accepted Answer

Der Wert muss zwischen 3 und 3 liegen v <- c(4, 2, 2, 6, 6, 1, 5, 0, 3, 2, 3, 6, 5, 4, 1)median(v)

Question 2

Berechne die Varianz folgender Stichprobe auf 3 Nachkommastellen genau. 3.97, 4.22, 4.37, 3.41, 5.12, 4.07, 4.13, 4.10, 2.39, 4.62, 4.91, 3.62, 2.48, 4.18, 2.55

Accepted Answer

Der Wert muss zwischen 0.7121543 und 0.7141543 liegen. va <- c(3.97, 4.22, 4.37, 3.41, 5.12, 4.07, 4.13, 4.10, 2.39, 4.62, 4.91, 3.62, 2.48, 4.18, 2.55)var(va)

Question 3

Berechne den Standardfehler des Mittelwerts für den folgenden Datensatz (auf 2 Nachkommastellen genau)! 20.8, 18.3, 23.7, 27.2, 24, 24.4, 18.9, 24.1, 20.2, 26.3, 20.9, 15.8, 18.8

Accepted Answer

Der Wert muss zwischen 0.8971279 und 0.9971279 liegen install.packages("plotrix")v1 <- c(20.8, 18.3, 23.7, 27.2, 24, 24.4, 18.9, 24.1, 20.2, 26.3, 20.9, 15.8, 18.8)std.error(v1)

Question 4

Grundlage der maximum likelihood Methode ist die Berechnung der likelihood für eine beliebige Funktion, für gegebene Verteilungsparameter. Berechne die likelihood (Wahrscheinlichkeitsdichte) des Wertes 3 in einer Poisson-Verteilung mit Lambda = 4 auf 3 Kommastellen genau.

Accepted Answer

Der Wert muss zwischen 0.1903668 und 0.2003668 liegen dpois(3, lambda=4)

Question 5

Grundlage der maximum likelihood Methode ist die Berechnung der likelihood für eine beliebige Funktion, für gegebene Verteilungsparameter. Berechne die likelihood (Wahrscheinlichkeitsdichte) des Wertes 1.2 in einer Standardnormalverteilung (also mit Mittelwert = 0 und Standardabweichung = 1) auf 3 Nachkommastellen genau.

Accepted Answer

Der Wert muss zwischen 0.1921861 und 0.1961861 liegen dnorm(1.2, mean = 0, sd=1)

Question 6

Der Kolmogorov-Smirnov-Test (in R: ks.test) vergleicht zwei kumulative Verteilungen. Führe diesen Test für folgende Daten und die Normalverteilung durch und gib als Antwort den D-Wert an (auf 2 Nachkommastellen genau)! (13.8, 11.1, 15.6, 18.2, 13.1, 14.1, 9.1, 15.2, 13.1, 9.9, 18.2, 9.5, 15) (Hinweis: Mittelwert und Standardabweichung berechnet der ks.test NICHT selbst.)

Accepted Answer

Der Wert muss zwischen 0.1254 und 0.1454 liegen #Der Kolmogorov-Smirnov-Test...ks <- c(13.8, 11.1, 15.6, 18.2, 13.1, 14.1, 9.1, 15.2, 13.1, 9.9, 18.2, 9.5, 15)ks.test(ks, "pnorm", mean=13.53077, sd=3.007874)?ks.testmean(ks)sd(ks)

Question 7

Bei der log-likelihood werden die Wahrscheinlichkeitsdichten logarithmiert und summiert. Was ist die log-likelihood der Werte (1,1,0,0,1,0,0,0,1) unter einer Bernoulliverteilung mit p=0.3? (Hinweis: In R ist die Bernoulli-Verteilung als Binomialverteilung mit size=1 verfügbar!) Bitte auf 1 Kommastelle genau angeben.

Accepted Answer

Der Wert muss zwischen -6.699266 und -6.499266 liegen sum(dbinom(c(1,1,0,0,1,0,0,0,1), size = 1, p=0.3, log = T))?dbinom

Question 8

In der Rheinischen Post liest Du, dass die Städte in den USA deutlich gewalttätiger sind als das flache Land. Lade den in R mitgelieferten Datensatz USArrests (mittels data (USArrests)) und untersuche diese Behauptung. Korreliere dafür Murder (Morde pro 100000 Einwohner) und UrbanPop (%) und lass Dir die Signifikanz dieses Tests angeben. Gib die Signifikanz (p-Wert) für Spearman's rho auf 3 Nachkommastellen genau an.

Accepted Answer

Der Wert muss zwischen 0.4597 und 0.4617 liegen data("USArrests")attach(USArrests)head(USArrests)cor(USArrests$UrbanPop, USArrests$Murder, method = "spearman")cor.test(USArrests$UrbanPop, USArrests$Murder, method = "spearman")

Question 9

Berechne die Stärke der Korrelation zwischen "Kain" und "Abel". Kain

Accepted Answer

Der Wert muss zwischen -0.6942608 und -0.6902608 liegen Kain <- c(12.13, 18.75, 5.29, 7.6, 16.15, 19.56, 19.16, 15.25, 10.19, 1.29, 12.87, 18.32, 1.9, 5.91, 15.4, 5.12, 10.36, 13.56, 2.94, 14.01)Abel <- c(17.92, -4.85, 16.45, 10.55, 1.81, 0.01, 8.93, 0.48, 9.42, 24.34, 11.17, -5.31, 23.46, 7.09, 6.71, 7.38, 10.55, 19.65, 20.42, 4.59) cor(Kain, Abel)cor(Kain, Abel, method = "spearman")cor(Kain, Abel, method = "ken") k <- c(-0.7509482, -0.7611885, -0.5646458) mean(k)

Question 10

In der Badischen Zeitung liest Du, dass die Städte in den USA deutlich gewalttätiger sind als das flache Land. Lade den in R mitgelieferten Datensatz USArrests (mittels data (USArrests)) und untersuche diese Behauptung. Korreliere dafür Assault (Körperverletzung pro 100000 Einwohner) und UrbanPop (%) und lass Dir die Signifikanz dieses Tests angeben. Gib den Signifikanzwert von Kendalls tau auf 3 Nachkommastellen genau an.

Accepted Answer

Der Wert muss zwischen 0.04257 und 0.04457 liegen #USArrests Badische Zeitung - Korrelationdata("USArrests")attach(USArrests)cor(Assault, UrbanPop, method = "ken") #Signifikanz direkt mit cor.test!cor.test(Assault, UrbanPop, method = "ken")

Question 11

Es soll der Zusammenhang zwischen der Milchmenge (kg) und der Eiweißmenge (kg) untersucht werden. Es steht folgende Stichprobe zur Verfügung: *Milchmenge (x) während einer Laktation * (circa 300 Tage) und die dazugehörige Eiweißmenge (y). *Milch

Accepted Answer

Der Wert muss zwischen 0.020141 und 0.040141 liegen Milch <- c(5831,6192,6401,7480,5603,6911,6461,6582,6951,5481,7741,4884,5271,5577,7184)Eiweiss <- c(208,201,217,256,196,208,208,203,227,186,260,159,179,183,228)fm<-glm(Eiweiss~Milch, family = gaussian)summary(fm)

Question 12

The Smiths, eine depressive britische Rockband der 80 und 90, sang "some girl's mothers are bigger than other girl's mothers" (im Lied "Some girls are bigger than others" auf der LP (!) "The Queen is Dead"). Der Datensatz "women" vergleicht Gewicht (in pounds, abgekürzt "lb") und Größe (in Zoll, abgekürzt "in") von 15 Amerikanerinnen (vor Jahrzehnten). Eine typische deutsche Frau ist heute 175 cm = 175/2.54 = 68.9 Zoll groß. Wie schwer wäre sie als Amerikanerin, bitte umgerechnet in kg auf eine Nachkommastelle genau? (1 kg sind 2.2 lb.) (Hinweis. Der Datensatz heißt women und wird mit "data(women)" geladen.)

Accepted Answer

Der Wert muss zwischen 68.06 und 68.46 liegen data("women")attach(women)show(women)fm <- glm(weight~height)predict(fm, newdata = data.frame(height=68.9))150.1883/2.2

Question 13

Auch Fische atmen, nur eben unter Wasser. Hier wurde erfasst, wieviel Sauerstoff sie über die Zeit verbrauchen. Neben diesen 6 Datenpunkten gibt es noch den Wert (6, 18). Bitte berechne die Steigung einer Geraden durch diese 7 Datenpunkte und gib diese auf 2 Nachkommastellen genau an. Hinweis: Die Daten heißen BOD und werden durch "data(BOD)" geladen. Den neuen Datenpunkt hängen wir an durch: BOD2

Accepted Answer

Der Wert muss zwischen 1.656 und 1.666 liegen data(BOD)attach(BOD)BOD2 <- rbind(BOD, c(6,18))show(BOD2)plot(BOD)fm <- glm(BOD2$demand~BOD2$Time, family = gaussian)summary(fm)

Question 14

Führe für folgenden Datensatz eine Poisson und eine negative-binomiale Regression durch. Um wieviel ist der AIC im negativ binomialen Modell niedriger? (Bemerkung: Wir vergleichen AIC statt deviance, da im negbin 2 Parameter gefittet werden müssen, im Poisson-Modell nur einer. Dass dann die deviance niedriger ist verwundert zunächst einmal nicht.) x

Accepted Answer

Der Wert muss zwischen 40.6053 und 40.8053 liegen library(MASS)fmp <- glm(y~x, family = poisson)fmn <- glm.nb(y~x)summary(fmp)summary(fmn)118.07-77.366

Question 15

Die Hirschkühe (engl. "hind") auf Rhum haben auch eine Sozialordnung. Hier die Nachkommen von 10 Hirschkühen (über einen Zeitraum von 10 Jahren) mit niedrigem Sozialstatus ("omegas"): hinds

Accepted Answer

Der Wert muss zwischen 0.590 und 0.598 liegen. hinds <- data.frame("name"=c("Lucy", "St. Isabel", "Caro", "Ginger", "Spotty", "Judy", "Pat", "Tiny Joe", "Laura", "Antonia"), "male"=c(2, 1, 4, 4, 5, 2, 4, 3, 3, 2), "female"=c(5, 6, 4, 3, 3, 5, 4, 4, 4, 6))show(hinds)reghinds<-glm(cbind(hinds$female, hinds$male)~1, binomial)summary(reghinds)plogis(0.383)

Question 16

Hier ein Datensatz: bsp

Accepted Answer

Der Wert muss zwischen 1.65 und 1.75 liegen bsp <- data.frame("Faktor"=rep(LETTERS[1:4], each=10), "Anzahl"=c(4, 1, 0, 3, 2, 1, 8, 1, 5, 3, 3, 2, 5, 3, 3, 5, 3, 4, 2, 3, 3, 2, 8, 3, 5, 7, 3, 1, 7, 3, 0, 2, 1, 0, 2, 2, 3, 4, 2, 1)) attach(bsp) regbsp <- glm(Anzahl~Faktor, poisson) summary(regbsp) bspD<-bsp[Faktor=="D",] bspD #<- hat niedrigsten Wert mean(Anzahl) attach(bspD) mean(Anzahl)

Question 17

Rechne mit folgenden Daten eine GLM. Gib dann den geschätzten Wert der Steigung (auf der link-scale) auf 2 Nachkommastellen genau an. Jannes

Accepted Answer

Der Wert muss zwischen -1.5442 und -1.5242 liegen Jannes <- data.frame("highscore.verbessert"=c('nein', 'nein', 'ja', 'ja', 'ja', 'ja', 'nein', 'ja', 'ja', 'ja'), "stunden.gespielt"=c(0.3, 0.5, 0.5, 0.7, 1, 1, 1.5, 2, 2.2, 2.5))show(Jannes)attach(Jannes)fm <- glm(highscore.verbessert~stunden.gespielt, family = binomial)summary(fm)

Question 18

Ich finde bei einer Untersuchung keinen signifikanten Unterschied (0.4 und 1.4, p >0.05) zwischen zwei Behandlungen. Wegen meiner großen Stichprobe (jeweils 1322) ist meine power sehr hoch (0.85). Wie stark ist offensichtlich die VARIANZ (nicht die Standardabweichung!) in meinen Daten? (Achtung! Hier muss das Argument sd=NULL benutzt werden, da sonst die Grundeinstellung sd=1 benutzt wird!! Bitte auf 1 Nachkommastelle genau.)

Accepted Answer

Der Wert muss zwischen 73.46 und 73.66 liegen #power.t.test - Varian in Datenpower.t.test(n=1322, delta=1, sig.level=0.05, power=0.85, sd=NULL)8.577^2 #VARIANZ=sd^2

Question 19

Welchen Unterschied kann ich als signifikant nachweisen (mit 99%-iger Sicherheit), wenn ich 144 Plots hälftig auf 2 Kalkdüngung und Kontrolle verteile? Voruntersuchungen haben gezeigt, dass die Standardabweichung meines gemessenen Wurzelwachstums 17.2 g/m2 beträgt. Die Teststärke soll ebenfalls hoch sein, nämlich 0.9. (Das bedeutet, wenn ich einen größeren Unterschied finde, dann ist er signifikant mit p < 0.01, aber wenn der Unterschied kleiner ist, dann bin ich sicher (power > 0.9), dass Kalken keinen Effekt hat.) Bitte Antwort auf 2 Nachkommastellen genau.

Accepted Answer

Der Wert muss zwischen 11.089 und 11.289 liegen power.t.test(n=72, sd=17.2, sig.level=0.01, power=0.9, delta=NULL)

Question 20

In einem Phosphor-Düngeexperiment (require(MASS); data(npk)) wurde in einem randomised block design experimentiert. Berechne die Signifikanz des Phosphor (P)-Effektes auf "yield" mittels ANOVA, zuerst ohne, dann mit dem block-Effekt. Um wieviel wird der Signifikanz-Wert für Phosphor durch den Blockeffekt verbessert? (Auf 3 Nachkommastellen genau, bitte.)

Accepted Answer

Der Wert muss zwischen 0.0394 und 0.0414 liegen #Phosphor-Düngeexperiment - Block-Effekt mit ANOVAdata(npk)attach(npk)View(npk)fm <- aov(yield~P)summary(fm)#--> P= 0.649fm2<-aov(yield~P + Error(block))summary(fm2)#--> P= 0.6090.649-0.609

Question 21

Wir erhalten bei einer Analyse folgende Modellausgabe: Deviance Residuals: Min 1Q Median 3Q Max -4.0718 -2.2390 -0.5449 2.5487 3.7755 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -0.660144 2.369947 -0.279 0.782 age 2.608216 0.156044 16.715

Accepted Answer

Der Wert muss zwischen 57.19068 und 57.59068 liegen

Question 22

Der Datensatz warpbreaks (laden mittels: data(warpbreaks)) berichtet die Ergebnisse einer Materialprüfung von Wolle. Gemessen wurde, wie häufig ein Webfehler auftrat (breaks) pro yard Garn. Getestet wurden zwei Wollarten (wool, mit Leveln A und B) bei drei angelegten Spannungen (tension, L (low), M (medium), H (high)). Fitte ein GLM für breaks mit quasi-Poisson-Verteilung und Interaktion zwischen wool und tension. Berechne dann die erwartet Anzahl breaks für Wolltyp A bei hoher Spannung (H). Gib diesen Wert als ganze Zahl gerundet an.

Accepted Answer

Der Wert muss zwischen 23.55556 und 25.55556 liegen data(warpbreaks) attach(warpbreaks) fm<-glm(breaks~wool*tension, family = quasipoisson) summary(fm) predict(fm, newdata = data.frame(wool="A", tension="H"), type = "response")

Question 23

Es ist wichtig, die Variablen bei einer PCA zu standardisieren! Diese Aufgabe soll den Effekt verdeutlichen. Führe für folgenden Datensatz zwei Hauptkomponentenanalysen durch, einmal mit Standardisierung, einmal ohne. Wieviel erklärte Varianz erhält die zweite Achse (PC2) durch die Standardisierung HINZU (nicht in Prozent, sondern als Anteil)? Bitte auf 3 Nachkommastellen genau angeben. set.seed(333) AA

Accepted Answer

Der Wert muss zwischen 0.24715 und 0.24915 liegen pca1<-prcomp(dats)pca2<-prcomp(dats, scale=T)summary(pca1)summary(pca2)0.2571-0.00896

Question 24

Reduziere folgendes Modell so weit wie möglich mittels des BIC-Kriteriums (Argument k=… in step). Wie groß ist die residual deviance (auf 1 Nachkommastelle)? (Hinweis 1: Den folgenden R-Code im Block nach R kopieren. fm ist das Startmodell, das es zu vereinfachen gilt.) (Hinweis 2: Bitte nicht per Hand vereinfachen, sondern mit der step-Funktion! Die Handvariante führt häufig zu Recht unterschiedlichen Ergebnissen.) set.seed(14) A

Accepted Answer

Der Wert muss zwischen 1139 und 1139.2 liegen fms <- step(fm, k=log(23)); N=23, weil die einzelnen Level 23 Stellen haben.

Question 25

Ein Kollege in Schweden und Du analysieren denselben Datensatz. Auf einem Workshop vergleicht Ihr Eure Ergebnisse. Du hast die Interaktion der zwei Prädiktoren A und B im Modell, er nicht. Um wieviel Prozent unterscheiden sich Eure Modelle für den Punkt (A=10, B=20)? Genauer: Um wieviel Prozent liegt Dein Erwartungswert unter seinem? (Hinweis: Was gesucht ist, ist die Differenz Deines Modells relativ zu seinem.) Es bedarf folgender Schritte: * Interaktion aus fm entfernen; * mit beiden Modellen auf (10, 20) vorhersagen; * Vorhersagewert des Modells ohne Interaktion - Vorhersagewert des Modells mit Interaktion, dann durch Vorhersagewert des Modells ohne Interaktion teilen und mit 100% multiplizieren (oder auch (e-i)/e*100, wobei i der Wert aus dem Interaktionsmodell ist und e aus dem einfachen); * auf 1 Nachkommastelle genau angeben. set.seed(44) A

Accepted Answer

Der Wert muss zwischen 56.10553 und 56.30553 liegen #set.seedset.seed(44)A <- round(runif(23, 0, 100),2)B <- round(rnorm(23, 15, 5),2)y <- 0.5*A-0.5*B+0.25*A*B + rnorm(23, 0, 10)fm <- lm(y ~ A*B)summary(fm)anova(fm)predict(fm, newdata=data.frame("A"=10, "B"=20)) # Vorhersage berechnen fm1<-lm(y~A+B)predict(fm1, newdata=data.frame("A"=10, "B"=20))73.75381-32.3000941.45372/73.75381*100

Question 26

Hier ein Vektor mit Zahlen. Berechne mit R seinen Mittelwert auf 2 Nachkommastellen genau. x

Accepted Answer

Der Wert muss zwischen 2.686364 und 2.726364 liegen

Question 27

Bei der beta-Verteilung (in R: Beta) gibt es nur Werte zwischen 0 und 1. Wie "wahrscheinlich" ist es, dass ich mit shape1=shape2=0.2 die Werte (0.25, 0.1, 0.4, 0.2, 0.3) messe? Gefragt ist hier nach dem Produkt der Wahrscheinlichkeitsdichten! Bitte auf 3 Nachkommastellen genau angeben.

Accepted Answer

Der Wert muss zwischen 0.0149957 und 0.0169957 dbeta(c(0.25, 0.1, 0.4, 0.2, 0.3), shape1 = 0.2, shape2 = 0.2) 0.4016121*0.7224599*0.3296391*0.4559443*0.3668025?Beta

Question 28

Nach dem besonders langen Winter 2001 wurde auf vielen Seen Zentraleuropas ein Massensterben von Reiherenten beobachtet. Hier ein Ausschnitt dieses Datensatzes, in dem Seeoberfläche (in ha) und Massensterben (ja/nein) aufgeführt sind. Beim plot sieht man, dass in großen Seen kein Massensterben auftrat. Welche Seegröße hat eine 50/50-Chance auf ein Massensterben (bitte 2 Nachkommastellen)? Enten

Accepted Answer

Der Wert muss zwischen 7.50502 und 7.52502 liegen. #Massensterben bei EntenEnten <- data.frame("Seeflaeche"=c(13, 5.3, 7.7, 2.7, 17.2, 1.4, 15.7, 10.7, 13.9, 1.9, 12.2, 15.8, 16, 10.6, 11.1, 7.3, 7.1), "Massensterben"=c("nein", "ja", "ja", "ja", "nein", "ja", "nein", "nein", "ja", "ja", "nein", "nein", "nein", "nein", "nein", "nein", "nein"))View(Enten) plot(Enten$Seeflaeche~Enten$Massensterben)plot(Enten$Massensterben~Enten$Seeflaeche) #keine Ahnung was richtig ist oder ob nötig! fmE<-glm(Enten$Massensterben~Enten$Seeflaeche, family = binomial)dose.p(fmE, p = 0.5) #ACHTUNG package MASS aktivieren oder installieren!

Question 29

Folgender Datensatz wurde aus einer Poisson-Verteilung mit variablem lambda gezogen: x

Accepted Answer

Der Wert muss zwischen 0.07829 und 0.09829 liegen. fm<-glm(y~x, poisson)summary(fm)

Question 30

Welchem Wert auf der "response"-Skala entspricht der Wert 1.1 auf der "link"-Skala, wenn die link-Funktion der logit ist (bitte auf 2 Nachkommastellen genau)?

Accepted Answer

Der Wert muss zwischen 0.74026 und 0.76026 liegen ??logitlibrary(car)?logitplogis(1.1)

Question 31

Um wieviel nimmt die deviance ab, wenn wir für folgenden Datensatz statt eines linearen ein quadratisches Modell fitten? x

Accepted Answer

Der Wert muss zwischen 30.37083 und 30.57083 liegen. x <- 1:20y <- c(5.7, 4.9, 6.9, 5.2, 5.9, 4.8, 5.2, 3.6, 2.4, 3.1, 0.1, 0.7, -2.2, -3.9, -3.7, -4.8, -4.7, -7.5, -9.4, -10.3)fml <- glm(y~poly(x,2))summary(fml)fm<-glm(y~x)summary(fm)#residual deviances(?)

Question 32

Im Datensatz "OrchardSprays" (laden mittels data(OrchardSprays)) werden 8 Pestizide hinsichtlich ihrer Wirksamkeit verglichen. Führe eine ANOVA durch und daran anschließend einen Tukey honest significant difference post-hoc Test (TukeyHSD). Welchen p-Wert hat der Unterschied zwischen treatment "F" und treatment "D" (auf 2 Nachkommastellen genau)?

Accepted Answer

Der Wert muss zwischen 0.0223055 und 0.0423055 liegen TukeyHSD(aov(decrease~treatment, data=OrchardSprays)) in Tabelle F-D p-adj

Question 33

Führe für folgenden Datensatz eine Poisson-Regression durch und bestimme dann mittels des anova-Befehls die Signifikanz des Faktors. Gib dessen X2-Wert ("Chisq") auf vier Nachkommastellen genau an. bsp

Accepted Answer

Der Wert muss zwischen 0.001936 und 0.002136 liegen attach(bsp)show(bsp)fm <- glm(Anzahl~Faktor, family = poisson)anova(fm, test = "Chisq")

Question 34

Im folgenden Datensatz werden monatliche Todesfälle an Lungenkrankheiten in Großbritannien zwischen 1974 und 1979 angegeben (umgebaut aus dem Datensatz "UKLungDeaths".). Gibt es einen Unterschied zwischen Männern und Frauen? Wieviel Prozent der ursprünglichen Varianz wird durch diesen Faktor erklärt? (R2 in % bitte auf 1 Nachkommastelle genau angeben, also z.B. 55.21%.) (Nachsatz: Wir korrigieren hier nicht für die absolute Anzahl Männer und Frauen in GB, und wir betreiben auch keine Modelldiagnostik. Es geht hier nur um die technischen Fähigkeiten, eine ANOVA durchzuführen.) lungdeaths

Accepted Answer

Der Wert muss zwischen 66.75163 und 66.95163 liegen lungdeaths <- data.frame("gender"=rep(c("male", "female"), each=72), "deaths"=c(as.vector(mdeaths), as.vector(fdeaths))) attach(lungdeaths) summary(aov(deaths~gender, data=lungdeaths)) 31489868/(31489868+15614249) gender-summ sq/gender-summ sq+residuals summsq

Question 35

Welche Höhe (hier übrigens in Feet angegeben) hat eine Weihrauchkiefer (Sinus taeda, loblolly pine) im Alter von 22 Jahren, wenn sie aus der Samenkollektion 323 stammt? Bitte auf 1 Nachkommastelle genau.

Accepted Answer

Der Wert muss zwischen 57.19068 und 57.59068 (Kap.12_Test14)

Question 36

Reduziere folgendes Modell so weit wie möglich. Kein Prädiktor ist Teil des Designs, alle sind nur hoffnungsvolle Kandidaten. Wie groß ist die reisdual deviante ( auf 1 Nachkommastelle)? (Hinweis: den folgenden R-Code im Block nach R kopieren. fm ist das Startmodel, das es zu vereinfachen gilt.) A

Accepted Answer

Der Wert muss zwischen 1651.6 und 1653.6 liegen

Stat. (Subject) / Rechenaufgaben (Lesson)