Back to Top
OriginLab Corporation - Data Analysis and Graphing Software - 2D graphs, 3D graphs, Contour Plots, Statistical Charts, Data Exploration, Statistics, Curve Fitting, Signal Processing, and Peak Analysis     

Statistik

Origin stellt eine Reihe von Optionen zur Durchführung allgemeiner statistischer Analysen zur Verfügung, einschließlich: Deskriptive Statistik, Hypothesentests bei einer oder zwei Stichproben sowie einfache und zweifache ANOVA. Außerdem werden mehrere statistische Diagrammtypen unterstützt, darunter Histogramme und Boxdiagramme.

Erweiterte statistische Analysehilfsmittel wie die ANOVA bei wiederholten Messungen, Multivariate Analyse, ROC-Kurven (Receiver Operating Characteristic), Berechnungen von Trennschärfe und Stichprobenumfang und nicht-parametrische Tests können in OriginPro verwendet werden.


image

Das Diagramm zeigt einen benutzerdefinierten Bericht, der mit Origins flexiblem Arbeitsblatt erstellt wurde und numerische und grafische Ergebnisse von mehreren statistischen Hilfsmitteln anzeigt. Mit ihm können statistische Analyseaufgaben automatisiert werden.

Deskriptive Statistik

Origin verfügt über die folgenden Hilfsmittel, die Sie dabei unterstützen, Ihre stetigen und diskreten Daten zusammenzufassen.

Deskriptiv

Die Operationen der Spalten- und Zeilenstatistik ermitteln spalten- bzw. zeilenweise Werte der deskriptiven Statistik für ausgewählte Arbeitsblattdaten.

Spaltenstatistik

Die deskriptive Statistik wird spaltenweise für gruppierte oder Rohdaten durchgeführt.

Zeilenstatistik

Die deskriptive Statistik wird zeilenweise durchgeführt, um Statistikwerte für Zeilen im Arbeitsblatt zu erzeugen.

image

Die Operationen der Spaltenstatistik bzw. Zeilenstatistik führen spalten-/zeilenweise deskriptive Statistiken bei ausgewählten Arbeitsblattdaten durch.

Kreuztabelle PRO

image

Die Kreuztabelle(auch bekannt unter der Bezeichnung Kontingenztafel) ist eine Tabelle, die die Häufigkeitsverteilung der Variablen aufzeigt. Das Mosaikdiagramm kann im Bericht gezeichnet werden.

Kreuztabelle (auch bekannt als Kontingenztabelle) ist eine Tabelle, die die Häufigkeitsverteilung der Variablen verdeutlicht. Die Analyse kann, basierend auf der Tabelle, bestimmen, ob es eine signifikante Beziehung gibt, die Stärke und Richtung der Beziehung ermitteln und die Übereinstimmung der passenden Datenpaare messen und testen. Sie ist verbreitet, wenn es um die Analyse kategorialer Daten geht.


Häufigkeiten

Diskrete Häufigkeit

Die diskrete Häufigkeitsanalyse ist eine weitläufig verwendete Methode, um diskrete Variablen zu analysieren. Sie zählt die Häufigkeit der diskreten Daten, einschließlich Prozentanteil und kumulativer Prozentanteil.


Häufigkeiten zählen

Die Funktion berechnet die Häufigkeitsanzahlen für 1D-Daten und trägt dazu bei, Histogramme auf gewünschte Weise zu erstellen.


2D-Häufigkeitszählung/-Klasseneinteilung

Dieses Hilfsmittel ist sehr nützlich, um die Häufigkeitsanzahlen zu berechnen und 2D-Histogramme für 2D-/bivariate Daten zu zeichnen.

image

Das Hilfsmittel Häufigkeiten zählen dient zum Messen der Anzahl, die ein Wert innerhalb jeder Einteilungsklasse für einen Datenbereich vorkommt. Die Ergebnisse können dann verwendet werden, um ein Histogramm zu erzeugen, das weitere Anpassungen zulässt, wie eine Beschriftung oberhalb der Balken oder eine ungleichmäßige Klassengröße etc.


image

Das Hilfsmittel 2D-Häufigkeitszählung/-Klasseneinteilung ist 'Häufigkeiten zählen' mit Ausnahme der zweidimensionalen Variablen sehr ähnlich. Mit dem Hilfsmittel können 2D-Histogramme erzeugt werden, um die Verteilung für 2D-Daten visuell zu entdecken.

Verteilungen

image

Verwenden Sie den Test auf Normalverteilung, um zu bestimmen, ob Daten aus einer normalverteilten Grundgesamtheit stammen (innerhalb einer Toleranz). Origin unterstützt sechs Methoden für den test auf Normalverteilung: Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors, Anderson-Darling, D'Agostino-K und Chen-Shapiro


image

Das Hilfsmittel Verteilungsanpassung hilft Anwendern bei der Untersuchung ihrer Daten und bei der Schätzung der Parameter für die Verteilung.

Test auf Normalverteilung

Ein Test auf Normalverteilung wird verwendet, um zu bestimmen, ob Stichprobendaten aus einer normalverteilten Grundgesamtheit (innerhalb einer gewissen Toleranz) gezogen wurden.

Sechs verschiedene Tests auf Normalverteilung sind in Origin verfügbar:

  • Shapiro-Wilk
  • Kolmogorov-Smirnov
  • Lilliefors
  • Anderson-Darling
  • D'Agostino-K
  • Chen-Shapiro


Verteilungsanpassung PRO

Das Verteilungsmodell zu kennen, hilft Ihnen dabei, mit der richtigen Analyse fortzufahren. Es ist auch hilfreich, eine Schätzung für Ihre Daten durchzuführen. Das Hilfsmittel "Verteilungsanpassung" unterstützt Anwender bei der Untersuchung der Verteilung ihrer Daten und der Schätzung der Parameter für die Verteilung.

Korrelationskoeffizient PRO

Korrelationskoeffizient PRO

Der Korrelationskoeffizient, auch als Kreuzkorrelationskoeffizient bezeichnet, ist ein Maß für die Stärke der Beziehung zwischen Variablenpaaren. Origin enthält sowohl parametrische als auch nicht-parametrische Korrelationsmaße.

  • Pearsons Korrelationskoeffizient
  • Spearmans Rangkorrelationskoeffizient
  • Kendalls Tau


Partieller Korrelationskoeffizient PRO

Die partielle Korrelation misst die lineare Beziehung zwischen zwei zufälligen Variablen, nachdem die Effekte einer oder mehrerer Steuervariablen ausgeschlossen wurden.


image

Das Hilfsmittel Partielle Korrelation misst die lineare Beziehung zwischen zwei Zufallsvariablen nach dem Ausschluss der Effekte einer oder mehrerer Kontrollvariablen.

image

Das Bild zeigt den Dialog des Hilfsmittels Korrelationskoeffizient in Origin. Das Hilfsmittel unterstützt drei Tests, Pearsons r, Spearmans Rangkorrelationskoeffizient und Kendalls Tau. Anwender können wählen, ob sie die signifikanten Korrelationen im Ergebnis kennzeichnen möchten.


image

Das Hilfsmittel Korrelationskoeffizient kann dabei unterstützen, die Stärke der Beziehung zwischen Variablenpaaren zu beurteilen.

Ausreißer erkennen

Ein Ausreißer ist eine Beobachtung, die erheblich von den restlichen Daten abweicht. Origin verfügt über zwei Hilfsmittel, mit denen Ausreißer erkannt werden können.

  • Grubbs-Test

  • Q-Test nach Dixon

image

Mit zwei Hilfsmitteln in Origin können Ausreißer in Daten erkannt werden, Grubbs Test und der Q-Test nach Dixon. Das Ausreißerdiagramm in den Hilfsmitteln kann Anwendern helfen, visuell zu beurteilen, wie der Abstand des Ausreißers von den anderen Beobachtungen ist.

ANOVA

Die Varianzanalyse (ANOVA) wird verwendet, um die Differenzen zwischen Gruppenmittelwerten zu untersuchen. Neben der Feststellung, dass Unterschiede zwischen den Mittelwerten bestehen, bieten ANOVA-Hilfsmittel in Origin mehrere Mittelwertvergleiche, um zu ermitteln, welche Mittelwerte im besonderen unterschiedlich sind.

Einfache, zweifache und dreifache ANOVA

Einfache, zweifache und dreifache ANOVA betrachten einen vollständig randomisierten Versuchsplan für ein Experiment.

Einfache ANOVA

Die einfache ANOVA vergleicht drei oder mehr Stufen innerhalb eines Faktors.


Zweifache ANOVA

Die zweifache ANOVA ist nützlich, um den Effekt von mehreren Stufen der zwei Faktoren zu vergleichen. Die zweifache ANOVA ist eine geeignete Methode zur Analyse der Haupteffekte von und der Wechselwirkungen zwischen zwei Faktoren.


Dreifache ANOVA PRO

Die dreifache ANOVA testet auf Effekte der Wechselwirkung zwischen drei unabhängigen Variablen auf eine stetige abhängige Variable (d.h., falls eine dreifache Wechselwirkung existiert).

image

Das Diagramm zeigt Zeichnungen zu Mittelwert+Standardfehler und Mittelwertvergleich in der einfachen ANOVA an. Sie helfen dabei, visuell mehrere Gruppen zu vergleichen und zu bestimmen, ob ihre Mittelwerte sich unterscheiden.

image

Das Bild zeigt Ergebnisse an, die mit dem Hilfsmittel einfache ANOVA ermittelt wurden. Die Tabelle ANOVA gesamt führt einen p-Wert auf, der kleiner ist als 0,05, daher haben mindestens zwei der vier Gruppen signifikant unterschiedliche Mittelwerte. Die Ergebnisse enthalten auch die erweiterbaren Tabellen Homogenität des Varianztests und Mittelwertvergleiche. Dies hilft bei der Beurteilung, ob die Gruppen gleiche Varianzen haben, und stellt paarweise Vergleiche zur Verfügung.

ANOVA mit wiederholten Messungen PRO

Der Versuchsplan mit wiederholten Messungen wird auch als Versuchsplan innerhalb des Subjekts bezeichnet. Er hat die gleichen Subjekte, durchgeführt unter jeder Bedingung.

image

Die ANOVA mit wiederholten Messungen wird für den Vergleich von drei oder mehr Mittelwerten verwendet, wenn alle Subjekte unter einer Anzahl von unterschiedlichen Bedingungen gemessen werden.

Die Hilfsmittel der ANOVA mit wiederholten Messungen in Origin berücksichtigen drei mögliche Versuchspläne:

  • Einfache ANOVA mit wiederholten Messungen PRO

ANOVA eines Faktors mit wiederholten Messungen

  • Zweifache ANOVA mit wiederholten Messungen PRO

ANOVA von zwei Faktoren mit wiederholten Messungen

  • Zweifache ANOVA mit gemischtem Design PRO

Das zweifache gemischte Design ist auch unter dem Namen zweifaches Split-Plot-Design (SPANOVA) bekannt. Es handelt sich hierbei um eine ANOVA eines Faktors mit wiederholten Messungen und einem Faktor zwischen den Gruppen.

Mittelwertvergleich/Post-hoc-Tests

Die Mittelwertvergleichstest in ANOVAs, auch bekannt als Post-hoc-Tests, sind hilfreich, wenn zusätzliche Vergleiche der Teildatensätze von den Mittelwerten durchgeführt werden.

Alle vier ANOVAs in Origin, einfache und zweifache ANOVA sowie einfache und zweifache ANOVA bei wiederholten Messungen, verfügen über sieben Mittelwertvergleichstests:

  • Tukey
  • Bonferroni
  • Dunn-Sidak
  • Fisher LSD
  • Sheff'
  • Holm-Bonferroni
  • Holm-Sidak

image

Ein Berichtsblatt von Origin, das mit dem Hilfsmittel Einfache ANOVA bei wiederholten Messungen erstellt wurde. Das Bild zeigt zwei der eingebetteten Diagramme, geöffnet zur weiteren Bearbeitung durch Doppelklick auf die Diagrammeinträge im Bericht. Die Diagramme können nach der Bearbeitung wieder in den Bericht eingefügt werden.

Parametrische Hypothesentests

Parametrische Hypothesentests werden oft verwendet, um die Qualität von Stichprobenparameter zu messen oder um zu testen, ob Schätzungen eines gegebenen Parameters für zwei Stichproben gleich sind.


t-Test für Mittelwerte

  • t-Test bei einer Stichprobe
  • t-Test bei verbundenen Stichproben
  • t-Test bei zwei Stichproben


t-Tests auf Zeilen PRO

  • t-Test auf Zeilen bei verbundenen Stichproben PRO
  • t-Test auf Zeilen bei zwei Stichproben PRO


Varianztests PRO

  • Test auf Varianzen bei einer Stichprobe PRO
  • Test auf Varianzen bei zwei Stichproben PRO


Test von Anteilen PRO

  • Test von Anteilen bei einer Stichprobe PRO
  • Test von Anteilen bei zwei Stichproben PRO
image

Origin unterstützt verschiedene Eingabemodi für Hypothesentests. Anwender müssen ihre Daten nicht vor Verwendung der Hilfsmittel transformieren.

image

Das Beispiel zeigt die Ergebnisse des t-Tests bei zwei Stichproben. Eine Fußnote in der/den Tabelle(n) hilft beim Ziehen von Schlussfolgerungen. Origin unterstützt auch den Welch-Test für den Fall, dass die Varianzen nicht gleich sind.

image

Das Beispiel zeigt den Dialog und die Ergebnisse des t-Tests auf Zeilen bei zwei Stichproben, der auf Gendaten durchgeführt wird. Mit den Hilfsmitteln für t-Tests auf Zeilen in Origin können Anwender in Zeilen gespeicherte Daten vergleichen.

Nicht-parametrische Tests PRO

Nicht-parametrische Tests sind nützlich, um zu testen, ob Gruppenmittelwerte oder Mediane gleich über Gruppen verteilt sind. In diesen Testtypen wird jede Beobachtung aus dem Datensatz in eine Rangfolge (oder Ordnung) gebracht. Nicht-parametrische Tests werden häufig verwendet, wenn nicht bekannt ist, ob die Daten einer Normalverteilung folgen, oder wenn bekannt ist, dass die Daten keiner Normalverteilung folgen. Dagegen sind Hypothesentests parametrische Tests basierend auf der Annahme, dass die Grundgesamtheit einer Normalverfolgung mit einem Satz von Parametern folgen.

Eine Stichprobe

Wilcoxon-Rangtest mit Vorzeichen PRO

Der Wilcoxon-Rangtest mit Vorzeichen bei einer Stichprobe ist eine nicht-parametrische Alternative zu einem t-Test bei einer Stichprobe. Der Test bestimmt, ob der Median der Stichprobe gleich einem festgelegten Wert ist. Die Daten sollten symmetrisch um den Median verteilt sein.

image

Der Wilcoxon-Rangtest mit Vorzeichen bei einer Stichprobe in Origin ermöglicht Anwendern, den Median der Grundgesamtheit relativ zu einem festgelegten Wert zu untersuchen. Im Ergebnis wird eine Fußnote in der/den Tabelle(n) angezeigt, um beim Ziehen von Schlussfolgerungen zu helfen.

Verbundene Stichproben

image



  • Wilcoxon-Rangtest mit Vorzeichen PRO

  • Vorzeichentest PRO

Zwei Stichproben

image


  • Mann-Whitney PRO

  • Kolmogorov-Smirnov-Test PRO

Mehrere unabhängige Stichproben

image


  • Kruskal-Wallis-ANOVA PRO

  • Mood-Median-Test PRO

Mehrere verwandte Stichproben

Friedman-ANOVA PRO

Die Friedman-ANOVA ist eine nicht-parametrische Alternative zur einfachen ANOVA bei wiederholten Messungen.

Die Friedman-ANOVA kann verwendet werden, um abhängige Stichproben oder Beobachtungen zu vergleichen, die bei den gleichen Subjekten wiederholt werden. Daher eignet sich der Test gut für randomisierte Blockversuchspläne.

image

Das Diagramm zeigt die Daten und Ergebnisse der Friedman-ANOVA. Das Hilfsmittel in Origin kann verwendet werden, um drei oder mehr verwandte Stichproben zu vergleichen. Es handelt sich hierbei um eine nicht-parametrische Alternative zu der einfachen ANOVA mit wiederholten Messungen.

Multivariate Analyse PRO

Zur multivariaten Analyse gehören eine Reihe von Methoden zur Analyse von Daten, die mehr als einer Variablen entsprechen. Das Hauptziel dieser Analyse ist zu untersuchen, wie die Variablen miteinander verbunden sind und wie sie zusammenarbeiten, um zwischen mehreren Beobachtungsfällen zu unterscheiden.

Hauptkomponentenanalyse (PCA) PRO

Die Hauptkomponentenanalyse (PCA) wird verwendet, um die Varianz-Kovarianz-Struktur einer Reihe von von Variablen durch lineare Kombinationen dieser Variablen zu erklären. PCA wird daher häufig als eine Technik zum Reduzieren von Dimensionalität verwendet.

Clusteranalyse PRO

Die Clusteranalyse wird verwendet, um kleinere Gruppen mit ähnlichen Eigenschaften aus einer großen Menge von heterogenen Daten zu bilden. Diese Form der Analyse ist eine effektive Möglichkeit Beziehungen innerhalb einer großen Anzahl von Variablen oder Beobachtungen zu entdecken.


Hierarchisch PRO

Bei dieser Methode werden Elemente in sukzessive größer werdende Cluster gruppiert, wobei Ähnlichkeit und Abstand gemessen werden.


K-Means PRO

Die K-Means-Clusteranalyse wird zum Klassifizieren von Beobachtungen über eine K Anzahl von Clustern verwendet.

Diese Methode ist schneller als Hierarchisch, aber es wird vorausgesetzt, dass der Benutzer den Zentroid der Beobachtungen bereits kennt oder zumindest die Anzahl der zu clusternden Gruppen.

Diskriminanzanalyse PRO

Die Diskriminanzanalyse wird verwendet, um eindeutige Beobachtungen zu unterscheiden und neue Beobachtungen zu zuvor definierte Gruppen zuzuordnen.

Regression mit den partiellen kleinsten Quadraten PRO

Die Partiellen Kleinsten Quadrate (PLS) stellen eine Methode zum Erzeugen von prädiktiven Modellen dar, wenn es viele stark kollineare Faktoren gibt.

Es gibt zwei Hauptgründe für die Verwendung von PLS:

  • Prognose
    Die PLS ist die gängigste Methode zum Erzeugen von prädiktiven Modellen, wenn die Informationen in einer großen Anzahl von ursprünglichen Variablen enthalten sind und sie stark kollinear sind.

  • Interpretation
    Die PLS kann zum Entdecken von wichtigen Merkmalen eines großen Datensatzes verwendet werden. Sie offenbart häufig unvermutete Beziehungen und lässt dadurch Interpretationen zu, zu denen der Anwender nicht unbedingt durch eine Untersuchung der Daten gekommen wäre.


image

Die Methode der partiellen kleinsten Quadrate in Origin wird zum Erzeugen von prädiktiven Modellen verwendet, wenn es viele stark kollineare Faktoren gibt. Das Wichtigkeitsdiagramm für Variablen kann beim Beurteilen der Wichtigkeit jeder Variable helfen.

image

Die Hauptkomponentenanalyse (PCA) wird verwendet, um die Varianz-Kovarianz-Struktur einer Reihe von Variablen durch lineare Kombinationen zu erklären. Das Scree-Diagramm ist eine nützliche visuelle Hilfe zum Bestimmen einer angemessenen Anzahl von Hauptkomponenten. Das Ladungs- und Scorediagramm kann zum Interpretieren von Beziehungen unter den Beobachtungen und Variablen verwendet werden.


image

Ein Dendrogramm, das mit dem Hilfsmittel Hierarchische Clusteranalyse erstellt wird, kann dazu verwendet werden, alle Stichproben aufzulisten, und zeigt, auf welcher Ähnlichkeitsstufe zwei beliebige Cluster zusammengefügt wurden.


image

Ein kanonisches Score-Diagramm, das mit dem Hilfsmittel Diskriminanzanalyse in OriginPro erstellt wurde. Dieses Diagramm kann verwendet werden, um Beobachtungen gruppenübergreifend zu klassifizieren.

Lebensdaueranalyse PRO

Die Lebensdaueranalyse oder auch Überlebensanalyse wird in den Biowissenschaften angewandt, um den Überlebensfall in einer untersuchten Grundgesamtheit zu quantifizieren. OriginPro beinhaltet drei weit verbreitete Tests: den Kaplan-Meier-Schätzer (Produkt-Limit), das proportionale Hazardmodell nach Cox und den Weibull-Fit.

image

Die Grafik zeigt das Diagramm der Überlebensfunktion im Kaplan-Meier-Schätzer. Ein Log-Rang-Test wird durchgeführt, um die Überlebensfunktionen zu vergleichen.

image

Das Bild zeigt einen Teil der Berichte des proportionalen Hazardmodells nach Cox an, eine Halbparametermethode zum Prognostizieren von Änderungen in der Hazardrate mitsamt einer Auswahl von festen Kovariaten.

image

Der Weibull-Fit ist eine Parametermethode zum Analysieren der Beziehung zwischen der Überlebensfunktion und der Ausfallzeit. Anwender können die Parameterschätzung des Weibull-Modells in der Ergebnistabelle sehen und visuell mit Hilfe des Weibull-Wahrscheinlichkeitsdiagramms entscheiden, ob die Daten von der Weibull-Verteilung abweichen.

Kaplan-Meier-Schätzer PRO

Der Kaplan-Meier-Schätzer, ein nicht-parametrischer Schätzer, verwendet Produkt-Limit-Methoden, um die Überlebensfunktion aus den Lebensdauerdaten zu schätzen.

Zusätzlich zu den Lebensdauerfunktionen stellt der Kaplan-Meier-Schätzer in Origin drei weitere Methoden zum Vergleichen der Überlebensfunktion zwischen zwei Stichproben bereit:

  • Log-Rang
  • Breslow
  • Tarone-Ware


Proportionales Hazardmodell nach Cox PRO

Das proportionale Hazardmodell, auch als Cox-Modell bezeichnet, ist eine klassische Halbparametermethode. Es verbindet die Zeit mit einem Ereignis, normalerweise Tod oder Ausfall, mit einer Anzahl erklärender Variablen, die als Kovariate bezeichnet werden.


Weibull-Fit PRO

Der Weibull-Fit ist eine Parametermethode zum Analysieren der Beziehung zwischen Überlebensfunktion und Ausfallzeit. Es wird angenommen, dass die Überlebensfunktion einer Weibull-Verteilung folgt und das Modell mit einer Maximum-Likelihood-Schätzung anpasst.

Trennschärfe und Stichprobenumfang PRO

Die Analyse von Trennschärfe und Stichprobenumfang eignet sich für Wissenschaftler zur Planung ihrer Experimente. Origin kann die Trennschärfe des Versuchs für einen gegebenen Stichprobenumfang berechnen. Genauso kann der erforderliche Stichprobenumfang für gegebene Trennschärfewerte berechnet werden.

Die folgenden Tests sind verfügbar:

  • t-Test bei einer Stichprobe
  • t-Test bei zwei Stichproben
  • t-Test bei verbundenen Stichproben
  • Test von Anteilen bei einer Stichprobe
  • Test von Anteilen bei zwei Stichproben
  • Test auf Varianzen bei einer Stichprobe
  • Test auf Varianzen bei zwei Stichproben
  • Einfache ANOVA
image

Die Analyse von Trennschärfe und Stichprobenumfang umfasst sowohl die Stichprobenumfangsanalyse als auch die Trennschärfeanalyse. Die Stichprobenumfangsanalyse wird verwendet, um zu bestimmen, ob ein Experiment bei einem gegebenen Stichprobenumfang wahrscheinlich nützliche Informationen ergibt. Die Analyse der Trennschärfe kann dagegen bei der Bestimmung des Stichprobenumfangs nützlich sein, der zum Aufstellen eines statistisch signifikanten Experiments mindestens notwendig ist. Das Diagramm zeigt die Trennschärfekurve für den Test auf zwei Varianzen an.

ROC-Kurve PRO

image

Die Analyse der ROC-Kurve kann zum Testen einer Diagnose verwendet werden, um zu bestimmen, ob ein Ereignis eingetreten ist, oder um die Genauigkeit zweier Methoden zu vergleichen, die zur Unterscheidung von kranken versus gesunden Fällen verwendet werden.

Die Analyse mit der ROC-Kurve (Receiver Operating Characteristic) wird hauptsächlich für diagnostische Studien in der klinischen Chemie, Pharmakologie und Physiologie verwendet. Sie wird weithin als die Standardmethode zum Beschreiben und Vergleichen der Genauigkeit von Diagnosetests eingesetzt.

Sie können die ROC-Kurve zum Beispiel verwenden, um eine Diagnose zu testen und damit zu bestimmen, ob ein Ereignis eingetreten ist, oder um die Genauigkeit zweier Methoden zu vergleichen, die zwischen Fällen von Kranken und Gesunden unterscheiden.

© OriginLab Corporation. Alle Rechte vorbehalten.