r cards

Arrow Arrow

Komplett kostenfrei

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

Lerne jetzt mit Karteikarten und Zusammenfassungen für den Kurs r cards an der TU München.

Beispielhafte Karteikarten für r cards an der TU München auf StudySmarter:

Family-wise error rate: Bonferroni correction

Beispielhafte Karteikarten für r cards an der TU München auf StudySmarter:

Family-wise error rate:

Beispielhafte Karteikarten für r cards an der TU München auf StudySmarter:

Descriptive vs. demonstrative plots

Beispielhafte Karteikarten für r cards an der TU München auf StudySmarter:

False discovery rate:

Beispielhafte Karteikarten für r cards an der TU München auf StudySmarter:

Descriptive plots


Beispielhafte Karteikarten für r cards an der TU München auf StudySmarter:

Chart junk

Beispielhafte Karteikarten für r cards an der TU München auf StudySmarter:

Careful with colors2

Beispielhafte Karteikarten für r cards an der TU München auf StudySmarter:

Careful with colors

Beispielhafte Karteikarten für r cards an der TU München auf StudySmarter:

Demonstrative plots

Beispielhafte Karteikarten für r cards an der TU München auf StudySmarter:

position = "fill"

Beispielhafte Karteikarten für r cards an der TU München auf StudySmarter:

More about Pearson


Beispielhafte Karteikarten für r cards an der TU München auf StudySmarter:

aes mapping global vs individual layers

Kommilitonen im Kurs r cards an der TU München. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für r cards an der TU München auf StudySmarter:

r cards

Family-wise error rate: Bonferroni correction

Family-wise error rate: P(V > 0) , the probability of one or more false positives. For large m0 , this is
di cult to keep small.
Bonferroni adjusted p-values:
m
· Suppose we conduct hypothesis tests for each g = 1, . . . , m , producing each a p-value pg
p = min{m , 1}
˜g
pg
Selecting all tests with p ≤ α˜g
Proof: Boole’s inequality implies:

i=1
pi
controls the FWER at level , ie.,α Pr(V > 0) ≤ α .
FWER = P{ ( ≤ ) } ≤ {P( ≤ ) } = m0
m0
α
m
m0

i=1
pi
α
m
α
m
≤ m = α.
α
m
This control does not require any assumptions about dependence among the p-values or about how
many of the null hypotheses are true.
In R: p.adjust(p_values, method = „bonferroni“)

r cards

Family-wise error rate:

P(V > 0) , the probability of one or more false positives. For large m0 , this is
di cult to keep small.

r cards

Descriptive vs. demonstrative plots

A typical miskae to use a descriptive plots to make a claim.
E.g.: „the samples are good because the replicate samples group together on the PCA plot“. PCA is just
a visualization tool that is not designed to assess reproducibility between samples.
To make a claim, use demonstrative plots. For instance boxplot the disbution of the correlation
between samples (y-axis) for the group of replicate samples or the group of sample pairs from
di erent experiments (x-axis).

r cards

False discovery rate:

E[V/ max(R, 1) ] , the expected fraction of false positives among all discoveries.

r cards

Descriptive plots


Some plots allow exploring how data distribute.
For a univariate data these are are histograms, single boxplots. For multivariate data these are
clustered heatmaps, PCA projection, etc.
Mathematically they correspond to descriptions of the distribution p(X) where X is the variable(s).
In Machine learning terms, they require methods from unsupervised learning.

r cards

Chart junk

Chart junk is identi ed as poor data-ink ratio.
double encoding (color and axis encode the same)
heavy or dark grid lines
unnecessary text
ornamented chart axes
pictures within graphs
shading or 3D perspective
·
·
·
·
·
·

r cards

Careful with colors2

Careful with colors

Rule #3
Use color only when needed to serve a particular communication goal.
Rule #4
Use di erent colors only when they correspond to di erences of meaning in the data.
Rule #5
Use soft, natural colors to display most information and bright and/or dark colors to highlight
information that requires greater attention.

r cards

Careful with colors

Rule #1
If you want dierent objects of the same color in a table or graph to look the same, make sure that the
background is consistent.
Rule #2
If you want objects in a table or graph to be easily seen, use a background color that contrasts
sufficiently with the object.

r cards

Demonstrative plots

Other plots allows supporting a claim regarding a relationship between variables. For instance a drug
increases survival, sun exposure increases skin cancer, etc.
For such plots, one typically uses the y-axis for the response variable (eg survival rate, skin cancer
occurence) and the x-axis for the explanatory variables (e.g drug dose, sun exposure). E.g. side-by-side
boxplots, scatter plots.
Mathematically they correspond to descriptions of the conditional distributions p(y|X) where y is the
response and X is the explanatory variable(s).
In Machine learning terms, they require methods from supervised learning (e.g. regression,
classi cation).

r cards

position = "fill"

works like stacking, but makes each set of stacked bars the have same height. This
makes it easier to compare proportions across groups.

r cards

More about Pearson


Pearson correlation captures linear relationships

Pearson correlation is very sensitive to outliers

r cards

aes mapping global vs individual layers

Global mapping is inherited by default to all geom layers, while aes mapping at individual layer is only

recognized at that layer.

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für r cards an der TU München zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang an der TU München gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur TU München Übersichtsseite

Was ist StudySmarter?

Was ist StudySmarter?

StudySmarter ist eine intelligente Lernapp für Studenten. Mit StudySmarter kannst du dir effizient und spielerisch Karteikarten, Zusammenfassungen, Mind-Maps, Lernpläne und mehr erstellen. Erstelle deine eigenen Karteikarten z.B. für r cards an der TU München oder greife auf tausende Lernmaterialien deiner Kommilitonen zu. Egal, ob an deiner Uni oder an anderen Universitäten. Hunderttausende Studierende bereiten sich mit StudySmarter effizient auf ihre Klausuren vor. Erhältlich auf Web, Android & iOS. Komplett kostenfrei. Keine Haken.

Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards
Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards

So funktioniert's

Top-Image

Individueller Lernplan

StudySmarter erstellt dir einen individuellen Lernplan, abgestimmt auf deinen Lerntyp.

Top-Image

Erstelle Karteikarten

Erstelle dir Karteikarten mit Hilfe der Screenshot-, und Markierfunktion, direkt aus deinen Inhalten.

Top-Image

Erstelle Zusammenfassungen

Markiere die wichtigsten Passagen in deinen Dokumenten und bekomme deine Zusammenfassung.

Top-Image

Lerne alleine oder im Team

StudySmarter findet deine Lerngruppe automatisch. Teile deine Lerninhalte mit Freunden und erhalte Antworten auf deine Fragen.

Top-Image

Statistiken und Feedback

Behalte immer den Überblick über deinen Lernfortschritt. StudySmarter führt dich zur Traumnote.

1

Lernplan

2

Karteikarten

3

Zusammenfassungen

4

Teamwork

5

Feedback