Altklausur

Die folgenden R-Outputs (nächste Seite) enthalten Informationen über Alter und Preis verschiedener Autos des Modells Pepino Tortuga.

Im Rahmen einer Bachelorarbeit wurde der Einfluss der Ernährungsweise auf die Cholesterinwerte untersucht. Die Cholesterinwerte in mmol/l von $n_1 = 9$ sich vegan ernährenden Studenten und $n_2 = 10$ sich omnivor ernährenden Studenten wurden erhoben. Die in Statistik unerfahrene Bachelorstudentin, die die Daten auswertet, hat alle möglichen Tests in R gerechnet:

epic <- data.frame( +chol=c(3.98, 4.13, 4.50, 4.80, 4.99, 5.03, 5.17, 5.64, 5.87,

• 5.01, 5.09, 5.25, 5.33, 5.49, 5.53, 5.74, 5.78, 6.02, 6.13),
• nutr=rep(x c(vegan, omnivor), times = c (9,10))
• )

Varianzen:

tapply(epic$chol, epic$nutr, var) omnivor vegan 0.1433567 0.3994611

Output 1:

Shapiro-Wilk normality test epic$chol[epic$nutr == omnivor] W = 0.96195, p-value = 0.8079

Output 2:

Shapiro-Wilk normality test epic$chol[epic$nutr == vegan] W = 0.96588, p-value = 0.8574

Output 3:

F test to compare two variances data: epic chol by epic$ nutr F = ?????, num df = 9, denom df = 8, p-value = 0.1481 alternative hypothesis: true ratio of variances is not equal to 1 95 percent confidence interval: 0.08236308 1.47208997 sample estimates: ratio of variances 0.3588752

Kultur <- c(Weizen, Roggen, Gerste, Hafer, Kartoffeln, Rüben, Sonstige)

fuenfzig <- c(9.7, 15.7, 7.6, 18.6, 15.6, 7.3, 23.5)

siebzig <- c(20.7, 6.3, 15.3, 8.2, 22.9, 15.2, 9.4)

Der Polyphenolgehalt von Weinen in g/l wurde in Abhängigkeit von Sorte und Gärungsart untersucht. Die folgenden Outputs liefern einen Überblick über den Datensatz.

levels (poly$gaerung) [1] maische saft levels (poly$sorte) [1] 1 2 3 4 5 6 xtabs (~ gaerung, data = poly) gaerung maischesaft 24 24 xtabs (~ sorte, data = poly) sorte 123456 8 8 8 8 8 8 xtabs (~ sorte + gaerung, data = poly) gaerung sorte maische saft 1 4 4 2 4 4 3 4 4 4 4 4 5 4 4 6 4 4

Die folgende Urliste enthält die Cholesterinwerte $x_i$; in mg/dl von Gießener Männern im Alter von 30-44 Jahren: 153 277 163 202 172 223 238 148 169 169 162 184 176 191 196 203 228 189 150 198 267 261 254 Folgende Angaben könnten zum Rechnen hilfreich sein: $Σx_i = 5564$, $Σx_i^2 = 1326700$, $(Σx_i)^2 = 30958096$, $Σ(x_i - \bar{x})^2 = 136004$

Der Dataframe survey enthält die Daten eines kleinen Gesundheitssurveys. Eine erste Übersicht über die Daten ergab folgenden Output:

str(survey, vec.len = 8) 'data.frame': $id : int 950 361 492 209 119 482 675 501$ geschlecht : int 1 0 0 1 1 0 1 0 $abschluss : Factor w/ 3 levels abi,fh,uni: 1 3 3 2 2 1 1 3$ diabetes : logi TRUE FALSE FALSE FALSE FALSE TRUE FALSE TRUE $gewicht : num 97.4 84.8 75.2 78.9 76.1 116.4 89.6 69.9$ cholesterin : int NA 167 222 234 154 199 206 176 $ bluthochdruck: Factor w/ 2 levels ja,nein: 2 2 1 2 2 1 2 1