Springen naar inhoud

[Statistiek - biologie] Statistische analyse percentage kuikens


  • Log in om te kunnen reageren

#1

Doffer

    Doffer


  • >100 berichten
  • 232 berichten
  • Ervaren gebruiker

Geplaatst op 24 december 2005 - 13:18

Hoi

Ik ben een onderzoeksvoorstel aan het schrijven.

Nu wil ik onderzoek doen of de invloed van UV en tl lampen met een hoge kelvin waarde meer vrouwelijke nakomelingen kunnen veroorzaken bij kippen.

Normaal worden er 50% hennen geboren. Nu komt het wel eens voor dat in een nestje van 10 kuikens 10 hennen lopen of net andersom (10 hanen).

Hoe moet ik nu een statistische analyse maken hoeveel kuikens ik moet gebruiken in mijn onderzoek om te kijken of nu werkelijk het percentage vrouwelijke nakomelingen hoger komt te liggen dan 50% ?

Dus niet dat bij die ene test toevallig 8 hennen zaten en 2 hanen waardoor ik uitkom dat het werkt en dat het percentage naar 80% is gegaan! (dekeer erop zou het net andersom kunnen zijn)

Dit forum kan gratis blijven vanwege banners als deze. Door te registeren zal de onderstaande banner overigens verdwijnen.

#2

Doffer

    Doffer


  • >100 berichten
  • 232 berichten
  • Ervaren gebruiker

Geplaatst op 08 januari 2006 - 21:19

toch lastig he die statistiek :wink:

#3

EvilBro

    EvilBro


  • >5k berichten
  • 6703 berichten
  • VIP

Geplaatst op 08 januari 2006 - 21:37

Heb je dit al gelezen?

#4

Kaph

    Kaph


  • >100 berichten
  • 116 berichten
  • Ervaren gebruiker

Geplaatst op 09 januari 2006 - 00:14

Je kunt een power analyse doen om te kijken hoe groot je N moet zijn om een goede kans op legitieme significante resultaten te hebben. Hoe dat werkt kun je het beste even voor jezelf uitvogelen. Op het internet zal er genoeg over te vinden zijn als je zoekt op 'power analysis'. Succes!

#5

Doffer

    Doffer


  • >100 berichten
  • 232 berichten
  • Ervaren gebruiker

Geplaatst op 09 januari 2006 - 13:39

Hoi

Bedankt voor de antwoorden.
EvilBro ik ben je link aan het bestuderen. Maar snap nog niet alles!

punt 4

np=100 hier komt men op de volgende manier aan denk ik ?
600 worpen en de kans 1/6 dus 600/6 = 100.

variantie np(1-p)=83,33
100* 1- 1/6 = 83,33 ?

standaardafwijking 9,13.
wortel(83,33) = 9,13 ?

Punt 5
Dit is gewoon de uitkomst van de steekproef.

Punt 6
0,05 is de kans dat hun uitkomst fout mag zijn ?
(0,05 is dat 5% of 0,05%?)

Dan de berekening van c, hier snap ik niet veel van:
zodat c = 100 - 9,131,65 = 92,5 (als ik dit intik in mijn rekenmachine komt er geen 92,5 uit ?)

punt 6a
Hoe komt men van fi (-2,19) naar 0,014 (met die speciale tabellen denk ik ?)
0,014 = 1,4% denk ik ?

Dan voor mij een belangrijke vraag, hoeveel invloed heeft die 600 worpen van de steekproef nu ?
Wat is dit er 6000 waren ?
(dat wil ik eigenlijk uitzoeken want daarmee kan ik dan bepalen hoeveel kuikens voor mij van belang zijn)

#6

Dino

    Dino


  • >250 berichten
  • 740 berichten
  • Ervaren gebruiker

Geplaatst op 09 januari 2006 - 14:05

of je gebruikt een statistisch programma (statistica, primer, etc) en berekend de anova.

Natuurlijk hangt alles af van je proef opzetting en het aantal stalen.

dus blanco heb je nodig, een tl lamp set, een uv lamp set en een combinatie set. Maak ook dat alle andere variabelen vast staan.

Anders kan je ook altijd de permutatie test uitvoeren (je data moet dan niet normaal verdeeld zijn en is persoonlijk gezegd een stevig testje) Wat de test doet is met de gegevens die je hebt uit rekenen hoeveel keer die uitkomst kan bekomen worden met puur toeval.

#7

Dino

    Dino


  • >250 berichten
  • 740 berichten
  • Ervaren gebruiker

Geplaatst op 09 januari 2006 - 14:10

wat nulhypothese betreft:

In de wetenschap probeer je te bewijzen dat in jou geval bv het puur geluk is dat je resultaten zo zijn als dat jij ze vindt. (=nulhypothese) als dit niet zo is dus <0.05 dan will dat zeggen dat je voor 95% zeker bent dat je waarden niet puur toeval zijn en dat die uv lamp inderdaad een invloed had.

het verschill 600 6000 is dat 6000 veel betere en sluiterrende antwoorden geeft alleen kan je met het budget die je hebt niet altijd 6000 stalen nemen. Kwestei van juist genoeg te hebben dat je berekening klopt en je met relatieve zekerheid kan zeggen dat je uitkomst klopt zonder dat je duizende euro's te veel spendeerd.

Op de andere vragen kan ik nu ni direct antwoorden.

groetjes

#8

Wouter_Masselink

    Wouter_Masselink


  • >5k berichten
  • 8246 berichten
  • VIP

Geplaatst op 09 januari 2006 - 22:46

Om de anova te bepalen heb je niet een specifiek statischtisch programma nodig. Excel leent zich hier uitstekend voor.
"Meep meep meep." Beaker

#9

Doffer

    Doffer


  • >100 berichten
  • 232 berichten
  • Ervaren gebruiker

Geplaatst op 11 januari 2006 - 11:53

Hoi Dino en andere

Ik begrijp dat een oneindig aantal steekproeven ideaal is maar dat dit niet mogelijk is. Dus vandaar mijn vraag hoeveel kuikens ik minimaal moet hebben ?

Dat 6000 veel beter is dan 600 snap ik maar hoeveel beter ?

bv
Als ik dit onderzoek opstart en ik wil na het onderzoek kunnen zeggen dat mijn conclusie minimaal 95% zeker is. Hoeveel kuikens moet ik dan minimaal testen ?
(normaal is de kans 1/2 dat het een hen wordt)

#10

dr. E. Noether

    dr. E. Noether


  • >25 berichten
  • 96 berichten
  • Ervaren gebruiker

Geplaatst op 11 januari 2006 - 13:48

Doffer, ik zie dat je bovenstaande link van EvilBro hebt bestudeerd. Met die kennis weet je voldoende om antwoord te geven op je vragen. Laat me je helpen.

Allereerst, die vraagtekentjes achter je berekeningen waren nergens voor nodig; je hebt alles goed gedaan! En bij punt 6 komt er inderdaad NIET C = 92,5 maar C = 84,9 uit! Bij punt 6a komt men inderdaad aan de p-waarde m.b.v. de tabellen voor een N(0,1) verdeelde stochast Z.

Wat ik mis op de pagina van de link is de benadrukking dat C zo is bepaald, dat je H0 kunt verwerpen als T < C! [Je bepaald C zo dat P(T :D C onder H0) :P 0,05 = alfa.gif ]. In hun voorbeeld is de toetsingsgrootheid het getelde aantal keren dat je 6 hebt gegooid, dus T(data) = #zessen. Je verwerpt H0 als het aantal keren dat je 6 hebt gegooid uitzonderlijk blijkt, d.w.z. als T < C. Welnu, C is vastgesteld op C = 84,9. Omdat T(data) = 80 < 84,9 = C kun je H0 verwerpen; deze gebeurtenis blijkt dus uitzonderlijk. De p-waarde geeft nu aan bij welk significantieniveau alfa.gif je H0 nog steeds zou hebben kunnen verwerpen, dat zegt dus iets over de betrouwbaarheid. Om te kijken hoe laag je alfa.gif had kunnen kiezen (dus wat de p-waarde is), bereken je de Z-waarde die bij de data hoort: Z = (100-80)/9,13 = 2,19 en volgens de tabel is P(Z :roll: 2,19) = 0,014. Dus als je alfa.gif = 0,014 had gekozen, had je nog steeds H0 kunnen verwerpen.

Nu over het aantal kuikens dat je moet hebben om betrouwbaar te toetsen. Het is logisch dat hoe meer kuikens je hebt, des te betrouwbaarder kun je toetsen. Over hoeveel kuikens je moet testen, dat hangt af van de data. Het is als volgt. Als je het significantieniveau alfa.gif kiest, kun je het aantal 'foute' kuikens berekenen (dat is die C!) dat je maximaal mag hebben om H0 nog te kunnen verwerpen. Als je een grotere dataset hebt, heeft dat tot gevolg dat het aantal 'foute' kuikens groter mag zijn. Ter illustratie terug naar het dobbelsteen voorbeeld.

Onder H0 is dit experiment binomiaal verdeeld met n = 600 en kan op succes P(een zes boven) = p = 1/6. Omdat n groot is, kan je de verdeling goed benaderen met de normale verdeling N(np,np(1-p)). Kies significantieniveau alfa.gif = 0,05 (dat is 5%). Je kunt nu voor elke n (> 100) berekenen hoe groot C is, namelijk met: P(Z :) (np-C)/sqrt(np(1-p)) ) = 0,05. Volgens de tabellen moet dan (np-C)/sqrt(np(1-p)) = 1,65 (ga zelf na). Ofwel 1,65*sqrt(np(1-p)) = np - C ==> C = np - 1,65*sqrt(np(1-p)). Vul hier p = 1/6 in. Met bijvoorbeeld Excel kun je onderstaande tabel maken (alfa.gif = 5%):

n = #data | C = #zessen
================
100.............11
200.............25
300.............39
600.............85
900.............131
1500...........226
3000...........466
6000...........952

Als je dus 600 keer gooit, mag je dus maximaal 85 keer 6 gooien, opdat je H0 kan verwerpen. Als je maar liefst 6000 keer gooit, mag je dus al 952 keer 6 gooien (dat is dus maar net 48 minder dan 1/6 van het totaal!).

Als je dus ziet dat je b.v. 85 keer 6 hebt gegooid, dan zou je dus minimaal 600 keer gegooid moeten hebben om H0 te mogen verwerpen. In jouw experiment (H0 : p = 1/2): Als je telt dat er b.v. 136 hennen zijn, dan moeten er mimimaal 300 kuikentjes zijn om bij 95% betrouwbaarheid H0 te kunnen verwerpen. Als er minder dan 300 kuikentjes zijn, behoud je simpelweg H0. Tot zover.

Rest mij alleen nog je succes te wensen met de kippetjes, succes!

#11

Doffer

    Doffer


  • >100 berichten
  • 232 berichten
  • Ervaren gebruiker

Geplaatst op 13 januari 2006 - 19:34

allen bedankt :roll:





0 gebruiker(s) lezen dit onderwerp

0 leden, 0 bezoekers, 0 anonieme gebruikers

Ook adverteren op onze website? Lees hier meer!

Gesponsorde vacatures

Vacatures