Grundlagen der schließenden Statistik
|
|
- Sabine Böhme
- vor 5 Jahren
- Abrufe
Transkript
1 Grundlagen der schließenden Statistik Schätzer, Konfidenzintervalle und Tests 1 46
2 Motivation Daten erhoben (Umfrage, Messwerte) Problem: Bei Wiederholung des Experiments wird man andere Beobachtungen erhalten Ergebnisse sind mit Unsicherheit behaftet Wie kann man die Unsicherheit quantifizieren? 2 46
3 Schätzer 3 46
4 Beispiel: Normalverteilung Messungen, bei denen bekannt ist, dass die zufälligen Messfehler sich normalverteilt verhalten Modellieren die Messungen mit festem Erwartungswert µ: damit X i N ( µ, σ 2) X i = µ }{{} + ε }{{} i, Effekt / wahre Messung Messfehler Schätzproblem für den Parameter µ der Verteilung N ( µ, σ 2) Verschiedene Schätzer für µ existieren, z.b. (empirischer) Mittelwert X n oder empirischer Median X ( n 2 ) Hier: X n = und X ( n 2 ) =
5 Schätzer Gegeben eine Familie von möglichen Verteilungen P θ, θ Θ Für N (µ, σ 2 ) ist θ = ( µ, σ 2) und Θ = R (0, ] Gesucht ist ein Parameter λ = λ(θ) λ(µ, σ 2 ) = µ Ein Schätzer ist eine Abbildung die den P θ -verteilten Beobachtungen X 1,..., X n eine Schätzung λ zuordnet n ˆµ = X n = 1 X n i i=1 Der Schätzer hängt von den zufälligen Beobachtungen X 1,..., X n ab und ist damit selbst zufällig (hätte man das Experiment wiederholt, hätte man andere Daten und damit auch eine andere Schätzung) 5 46
6 Beispiel: Normalverteilung Berechnen Mittelwert: X n = Den Daten liegt µ = 100 zugrunde, X n weicht davon ab Ist diese Abweichung groß oder klein? Fehler in der Schätzung muss quantifiziert werden 6 46
7 Bewertung von Schätzern Problem: Auch unsinnige Schätzer zugelassen Schätzer sollte unverzerrt sein, also im Mittel den richtigen Wert treffen E θˆλ(x 1,..., X n ) = λ Schätzer sollte wenig streuen: der Standardfehler s. e. θ (ˆλ) = Var θ ˆλ(X1,..., X n ) sollte klein sein Unverzerrter Schätzer mit kleinem Standardfehler: Geringe Streuung um den echten Parameter 7 46
8 Konfidenzintervalle 8 46
9 Bereichsschätzung Problem an Punktschätzung: Man trifft den wahren Parameter nicht! mittlere Ungenauigkeit kann man über Standardfehler quantifizieren Gibt nur Aussagen über den erwarteten Abstand, keine Aussage bei nur einer Schätzung Muss eventuell auch geschätzt werden Schätzen Bereich, der den wahren Parameter mit hoher Wahrscheinlichkeit enthält Größe des Bereichs entspricht Unsicherheit in der Schätzung 9 46
10 Beispiel Messen mit Messungenauigkeit, unbekannter Erwartungswert µ 10 46
11 Beispiel Messen mit Messungenauigkeit, unbekannter Erwartungswert µ X n Schätzer X n trifft den Erwartungswert nicht! 10 46
12 Beispiel Messen mit Messungenauigkeit, unbekannter Erwartungswert µ X n Bereich um X n, der mit hoher Wahrscheinlichkeit µ enthält 10 46
13 Konfidenzbereiche Gegeben Beobachtungen X 1,..., X n (Umfrageergebnisse, Messungen) Parameter λ (z.b. tatsächlicher Anteil in der Bevölkerung, entrauschte Messung) Fehlertoleranz α (meist 5%) Dann ist ein Konfidenzbereich K für λ zum Niveau 1 α (95%) eine Abbildung, welche den Beobachtungen X 1,..., X n einen Bereich K(X 1,..., X n ) zuordnet, sodass gilt. P θ (Bereich enthält λ) = P θ (K(X 1,..., X n ) λ) 1 α Konfidenzbereiche sind (wie Schätzer) zufällig 11 46
14 Konfidenzbereiche sind zufällig Wiederholte Messungen ergeben unterschiedliche Konfidenzbereiche, müssen tatsächlichen Parameter nicht enthalten! 16 Konfidenzintervall Experiment Nummer 12 46
15 Interpretation von Konfidenzbereichen Der echte Parameter λ ist fest, der Konfidenzbereich K (X 1,..., X n ) ist zufällig Man wirft mit der Dartscheibe nach dem Dart Würde man das Experiment wiederholen, dann enthält der Konfidenzbereich den Parameter in mindestens 1 α der Fälle Nach Beobachtung gilt entweder λ K(X 1,..., X n ) oder nicht Alle Wahrscheinlichkeiten sind prospektiv zu lesen! 13 46
16 Konfidenzintervalle bei Normalverteilung 0.4 Gegeben Beobachtungen X 1,..., X n N (µ, 1) mit unbekanntem Erwartungswert µ und bekannter Varianz σ 2 = 1 Beispiel: Messungen bei denen Schwankungen der Messfehler bekannt ist Abbildung: Dichte der Standardnormalverteilung, µ =
17 Konfidenzintervalle bei Normalverteilung 0.4 Gegeben Beobachtungen X 1,..., X n N (µ, 1) mit unbekanntem Erwartungswert µ und bekannter Varianz σ 2 = 1 Beispiel: Messungen bei denen Schwankungen der Messfehler bekannt ist Abbildung: Dichte der Standardnormalverteilung, µ =
18 Konfidenzintervalle bei Normalverteilung 0.4 Gegeben Beobachtungen X 1,..., X n N (µ, 1) mit unbekanntem Erwartungswert µ und bekannter Varianz σ 2 = 1 Beispiel: Messungen bei denen Schwankungen der Messfehler bekannt ist Abbildung: Dichte der Standardnormalverteilung, µ =
19 Konfidenzintervalle bei Normalverteilung 0.4 Gegeben Beobachtungen X 1,..., X n N (µ, 1) mit unbekanntem Erwartungswert µ und bekannter Varianz σ 2 = 1 Beispiel: Messungen bei denen Schwankungen der Messfehler bekannt ist % Abbildung: Dichte der Standardnormalverteilung, µ =
20 Konfidenzintervalle bei Normalverteilung Erhalten für festes µ einen Vertrauensbereich V µ mit P µ ( Xn V µ ) = 95% = 1 α Für Normalverteilung mit Erwartungswert µ und Varianz σ 2 : V µ = [µ 1.96 σ, µ σ], wobei ±1.96 den 97.5%- und 2.5%-Quantilen der Standardnormalverteilung entspricht, man schneidet rechts und links jeweils α 2 = 2.5% ab 15 46
21 Konfidenzintervalle bei Normalverteilung Jetzt umdrehen: Für gegebenes X n wählen wir alle µ für die X n V µ liegt, dabei beachten: X n N (µ, σ2 n ) und nicht etwa N (µ, σ 2 )! Aus X n [ µ 1.96 σ n, µ ] σ n wird dann µ [ X n 1.96 σ n, X n ] σ, n Daher Faustformel: Mittelwert ± 2 Standardfehler Wenn σ 2 nicht bekannt, schätzen durch die empirische Varianz σ 2 t-verteilung mit größeren Quantilen 16 46
22 Vorhersagen und Klassifikation 17 46
23 Vorhersagen Nach Beobachtungen von Messungen X 1,..., X n N ( µ, σ 2) wollen wir eine erneute Messung Y N ( µ, σ 2) vorhersagen Ähnlich zu Schätzungen: Punktvorhersage trifft tatsächliche Realisierung nicht Vorhersagebereich Kennt man µ, σ 2, so gilt P (Y (µ + σ q 0.025, µ + σ q )) = 0.95, (µ + σ q 0.025, µ + σ q ) ist ein Vorhersageintervall zum Niveau Kennt man µ und σ 2 nicht, so muss man diese schätzen und erhält dadurch zusätzliche Unsicherheit: ( ( )) n + 1 n + 1 P Y X n + σ n 2 t 0.025, µ + σ n 2 t =
24 Klassifikation Bank muss entscheiden, ob ein Kunde einen Kredit gewährt bekommt Dazu: Betrachte ähnliche Kunden und sagen für neuen Kunden vorher ob er den Kredit zurück zahlt oder nicht Spezieller Fall von Vorhersage: Nur endliche Klassen möglich Formal: Beobachtungen (X 1, Y 1 ),..., (X n, Y n ) wobei Y i { Zahlt Kredit zurück, Zahlt Kredit nicht zurück } und X i Merkmale sind (Alter, Wohnort, Beruf) Gegeben eine neue Beobachtung X n+1 muss Y n+1 vorhergesagt werden P (Y n+1 X n+1) schätzen Parametrisch Modellieren (logistische Regression) Besten Klassifikator bestimmen Maschinelles Lernen 19 46
25 Statistische Tests 20 46
26 Überprüfen von Hypothesen Wisenschaftstheorie: Aufstellen und Überprüfen von falsifizierbaren Hypothesen Hypothesen können nicht bestätigt werden, nur verworfen werden Verworfen wird, falls es genügend Beweise gegen die Hypothese gibt Beweise sind hier unter der Hypothese extreme (unwahrscheinliche) Werte 21 46
27 Beispiel: Neues Medikament Ein neues Medikament soll getestet werden, dabei soll zu einer vorgegeben Wahrscheinlichkeit (Signifikanzniveau) verschiedene Hypothesen getestet werden: Das neue Medikament hat keine Wirkung Das neue Medikament ist höchstens so gut wie das alte Problem: Die Wirkung der Medikamente ist hängt von verschiedenen Faktoren ab: Geschlecht, Alter, Vorerkrankungen etc. Modellieren stochastisch Idee: Betrachten erwartete Wirkung 22 46
28 Beispiel: Neues Medikament wirkt Tabelle: Beispieldaten zur Wirkung eines Medikaments Vorher Nachher Problem: Wie können wir im statistischen Sinne hart entscheiden, ob hier ein Effekt vorliegt, oder die Beobachtungen nur durch Zufall zustande kam? 23 46
29 Beispiel: Neues Medikament wirkt Betrachten Differenzen von Nachher und Vorher und erhalten Beobachtungen X 1,..., X n : Annahme: diese sind normalverteilt (muss begründet sein!) Nullhypothese: Das Medikament wirkt nicht, d.h. Erwartungswert der Differrenzen ist 0 Unter der Nullhypothese gilt X i N ( 0, σ 2) verteilt X n t 4 σ2 5 Idee: Wie unwahrscheinlich sind die Daten dann? X n = 2.587, σ 2 = X n σ2 5 =
30 Beispiel: Neues Medikament wirkt Abbildung: Dichte der t-verteilung, gestrichelt: Standardnormalverteilung 25 46
31 Beispiel: Neues Medikament wirkt t t Abbildung: Dichte der t 4-Verteilung, mit α 2 und 1 α 2 - Quantilen 25 46
32 Beispiel: Neues Medikament wirkt t t X n Abbildung: Dichte der t 4-Verteilung, mit α 2 und 1 α 2 - Quantilen und X n Daten sind also sehr unwahrscheinlich, Hypothese wird verworfen 25 46
33 Statistische Tests Gegeben X 1,..., X n P θ Nullhypothese über den Parameter θ: θ = θ 0 Alternativhypothese: θ θ 0 Dann ist ein statistischer Test ϕ eine Abbildung, welche den Beobachtungen X 1,..., X n Ablehnen oder Nicht-Ablehnen zuordnet 26 46
34 Fehler erster und zweiter Art Test verwirft nicht Test verwirft 27 46
35 Fehler erster und zweiter Art Test verwirft nicht Test verwirft Nullhypothese trifft zu richtige Entscheidung Fehler zweiter Art 27 46
36 Fehler erster und zweiter Art Nullhypothese trifft zu Alternative trifft zu Test verwirft nicht richtige Entscheidung Fehler erster Art Test verwirft Fehler zweiter Art richtige Entscheidung 27 46
37 Fehler erster und zweiter Art Nullhypothese trifft zu Alternative trifft zu Test verwirft nicht richtige Entscheidung Fehler erster Art Test verwirft Fehler zweiter Art richtige Entscheidung ϕ heißt Test zum Signifikanzniveau α, falls der Fehler erster Art P θ0 ( ϕ verwirft ), also ein fehlerhaftes Verwerfen der Nullhypothese, kleiner als α ist
38 Fehler erster und zweiter Art Nullhypothese trifft zu Alternative trifft zu Test verwirft nicht richtige Entscheidung Fehler erster Art Test verwirft Fehler zweiter Art richtige Entscheidung ϕ heißt Test zum Signifikanzniveau α, falls der Fehler erster Art P θ0 ( ϕ verwirft ), also ein fehlerhaftes Verwerfen der Nullhypothese, kleiner als α ist. Unter der Alternative θ heißt die Güte des Tests β (θ) = P θ ( ϕ verwirft nicht ) 27 46
39 Interpretation Test verwirft: Nicht: die Hypothese ist mit Wahrscheinlichkeit 95% falsch Hypothese wurde mit Irrtumswahrscheinlichkeit 95% verworfen, wobei diese richtig zu interpretieren ist Problem: Welche der Annahmen der Hypothese ist verletzt? Test verwirft nicht: Nicht: die Hypothese ist bestätigt Abweichung nicht vorhanden oder nur klein? Konfidenzintervall betrachten Geringer Stichprobenumfang? Wie bei Konfidenzintervallen: Für α = 5% verwirft man in einem von 20 Fällen fälschlicherweise 28 46
40 p-werte Meist ergeben sich mehrere Tests zu allen α [0, 1] p-wert ist das kleinste Signifikanzniveau, zu dem man noch abgelehnt hätte Hypothese wird genau dann zum Level α verworfen, wenn p-wert kleiner als α ist schwierig zu interpretieren, da α ja vor dem Testen festgelegt wurde Bei unabhängiger Wiederholung unter der Nullhypothese einen mindestens genauso extremen Wert zu beobachten 29 46
41 Gängige Tests Einstichproben-t-Test Zweistichproben-t-Test (verbundene oder unverbundene) Stichproben F -Test Tests auf Normalverteilung, z.b. Shapiro-Wilks Test Schwierig zu interpretieren, besser: qq-plots Tests auf Unabhängigkeit Vorzeichentest 30 46
42 Konfidenzbereiche und Tests 31 46
43 Dualität Gegeben einen Konfidenzbereich K(X 1,..., X n ) für Parameter λ zum Niveau 1 α erhält man sofort einen Test der Hypothese λ = λ 0 zum Niveau α, indem man verwirft, wenn λ 0 K(X 1,..., X n ) λ
44 Dualität Gegeben Tests ϕ λ0 zum Signifikanzniveau α der Hypothese λ = λ 0 für alle möglichen λ 0, so erhält man einen Konfidenzbereich mittels K(X 1,..., X n ) = {λ 0 ϕ λ0 verwirft nicht } Hier muss also unter allen Hypothesen λ = λ 0 gerechnet werden schwieriger 33 46
45 Vor-/Nachteile von Konfidenzbereichen Konfidenzbereiche sind informativer λ
46 Vor-/Nachteile von Konfidenzbereichen Informativer Unsicherheit wird mit berücksichtigt Leichter zu interpretieren dafür aber Man muss unter allen Alternativen λ 0 rechnen können Berechnung kann kompliziert sein 35 46
47 Vor-/Nachteile von Tests aber Man muss nur unter der Nullhypothese rechnen Falls Konfidenzbereiche schwierig zu bestimmen sind, kann man testen 0/1 Aussage, Unsicherheit nicht mit quantifiziert Interpretation schwierig, sowohl für Verwerfen als auch für nicht verwerfen Konfidenzbereiche sind Tests vorzuziehen 36 46
48 Multiples Testen, p-hacking 37 46
49 p-hacking Abbildung: Quelle:
50 p-hacking Abbildung: Quelle:
51 p-hacking Abbildung: Quelle:
52 p-hacking Abbildung: Quelle:
53 Multiples Testen: Das Problem Oft möchte man mehrere Hypothesen testen oder Konfidenzinvtervalle für mehrere Parameter (simultan) angeben Bei k Tests zum Niveau α stößt man (unter der Nullhypothese) auf folgendes Problem: P (mindestens ein Test verwirft) k P (Der i-te Test verwirft) k α i=1 Durch multiple Tests verändert sich das Signifikanzniveau (analog für Konfidenzbereiche) 39 46
54 Multiples Testen: Lösung Bonferroni Korrektur des Signifikanzniveaus. Bei k Tests müssen die einzelnen Tests zu α k angesetzt werden Von vorneherein festlegen, welche Hypothesen getestet werden sollen Studienprotokoll! Alternativ p-wert für jeden Test mit k multiplizieren Bei Regression kann man mit Konfidenzbereichen durch die F -Verteilung und Projektionen bessere Ergebnisse erreichen (Methode von Scheffé) 40 46
55 p-werte 41 46
56 Misinterpretation p-werte werden in vielen Publikationen als Indikator für Signifikanz verwendet Interpretation von p-werte ist schwierig! Falls möglich: Konfidenzintervall mit angeben Kurzer Auszug aus [Goodman] 42 46
57 Szenario Vergleich zweier Behandlungen / Verfahren Interesse an Unterschied zwischen diesen ist Differenz signifikant? Falls Verteilung der Differenz unter H 0 bekannt (normalverteilt, t-verteilt): Abbildung: p-wert einer Beobachtung (schattiert) 43 46
58 Fehlinterpretationen Falls p = 0.05, so ist die Nullhypothese nur mit Wahrscheinlichkeit 5% wahr Macht keinen Sinn, da p-wert nur unter Nullhypothese definiert ist Falls p 0.05, so gibt es keinen Unterschied zwischen den Behandlungen Es könnten zu wenig Daten gesammelt sein oder ein sehr kleiner Effekt vorliegen Falls p < 0.05 ist ein relevanter Effekt vorhanden Der Effekt könnte sehr klein sein p = 0.05 heißt, dass man Daten beobachtet hat, die unter der Nullhypothese nur in 5% der Fälle auftritt p-wert ist definiert als die Wahrscheinlichkeit einen mindestens so extreme Beobachtung zu machen 44 46
59 Literatur Steven Goodman. A dirty dozen: twelve p-value misconceptions. In Seminars in hematology, volume 45, pages Elsevier
Auswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
MehrHypothesentests für Erwartungswert und Median. Statistik (Biol./Pharm./HST) FS 2015
Hypothesentests für Erwartungswert und Median Statistik (Biol./Pharm./HST) FS 2015 Normalverteilung X N μ, σ 2 X ist normalverteilt mit Erwartungswert μ und Varianz σ 2 pdf: pdf cdf:??? cdf 1 Zentraler
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
Mehr2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht
43 Signifikanztests Beispiel zum Gauß-Test Bei einer Serienfertigung eines bestimmten Typs von Messgeräten werden vor der Auslieferung eines jeden Gerätes 10 Kontrollmessungen durchgeführt um festzustellen,
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. Oktober 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version:
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 / Übungsaufgaben Prof. Dr. Achim Klenke http://www.aklenke.de 13. Vorlesung: 10.02.2012 1/51 Aufgabe 1 Aufgabenstellung Übungsaufgaben Ein Pharmakonzern möchte ein neues Schlankheitsmedikament
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrBeispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10
6 Hypothesentests Gauß-Test für den Mittelwert bei bekannter Varianz 6.3 Beispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10 G(µ) 0 α 0. 0.4 0.6 0.8 1 n = 10 n =
MehrTesten von Hypothesen:
Testen von Hypothesen: Ein Beispiel: Eine Firma produziert Reifen. In der Entwicklungsabteilung wurde ein neues Modell entwickelt, das wesentlich ruhiger läuft. Vor der Markteinführung muss aber auch noch
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 16. Januar 2013 1 Allgemeine Hypothesentests Nullhypothese und Alternative Beispiel: Blutdrucksenker Testverfahren
MehrHow To Find Out If A Ball Is In An Urn
Prof. Dr. P. Embrechts ETH Zürich Sommer 2012 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Testverteilungen Chi-Quadrat-Verteilung Sind X 1,..., X n iid N(0; 1)-verteilte
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 : Binomial, Gauß Prof. Dr. Achim Klenke http://www.aklenke.de 10. Vorlesung: 20.01.2012 1/31 Inhalt 1 Einführung Binomialtest 2/31 Beispiel Einführung Bohnenlieferant liefert
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
MehrBiostatistik, WS 2013/2014 Konfidenzintervalle
1/41 Biostatistik, WS 2013/2014 Konfidenzintervalle Matthias Birkner http://www.mathematik.uni-mainz.de/~birkner/biostatistik1314/ 17.1.2014 Beispiel: Carapaxlänge des Springkrebses 4/41 Beispiel: Springkrebs
Mehr3. Das Prüfen von Hypothesen. Hypothese?! Stichprobe Signifikanztests in der Wirtschaft
3. Das Prüfen von Hypothesen Hypothese?! Stichprobe 3.1. Signifikanztests in der Wirtschaft Prüfung, ob eine (theoretische) Hypothese über die Verteilung eines Merkmals X und ihre Parameter mit einer (empirischen)
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
Mehr30. März Ruhr-Universität Bochum. Methodenlehre II, SS Prof. Dr. Holger Dette
Ruhr-Universität Bochum 30. März 2011 1 / 46 Methodenlehre II NA 3/73 Telefon: 0234 322 8284 Email: holger.dette@rub.de Internet: www.ruhr-uni-bochum.de/mathematik3/index.html Vorlesung: Montag, 8.30 10.00
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.7 und 4.8 besser zu verstehen. Auswertung und Lösung Abgaben: 71 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 5.65 Frage 1
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Maathuis ETH Zürich Winter 2010 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrSchließende Statistik
Schließende Statistik Die schließende Statistik befasst sich mit dem Rückschluss von einer Stichprobe auf die Grundgesamtheit (Population). Die Stichprobe muss repräsentativ für die Grundgesamtheit sein.
Mehr3.Wiederholung: Toleranzbereiche Für EX Geg:
3.Wiederholung: Toleranzbereiche Für EX Geg: Vl. 24.2.2017 Schätzfunktion für Güte: Ist X Problem: Feb 17 13:21 > Wir berechnen Bereiche (Toleranzbereiche) für sind untere und obere Grenzen, berechnet
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
MehrKonfidenzintervalle. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt
Konfidenzintervalle Annahme: X 1,..., X n iid F θ. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt P θ (U θ O) = 1 α, α (0, 1). Das Intervall [U, O] ist ein Konfidenzintervall
MehrStatistik Zusätzliche Beispiele SS 2018 Blatt 3: Schließende Statistik
Statistik Zusätzliche Beispiele SS 2018 Blatt 3: Schließende Statistik 1. I Ein Personalchef führt so lange Vorstellungsgespräche durch bis der erste geeignete Bewerber darunter ist und stellt diesen an.
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrKapitel III: Einführung in die schließende Statistik
Kapitel III: Einführung in die schließende Statistik Das zweite Kapitel beschäftigte sich mit den Methoden der beschreibenden Statistik. Im Mittelpunkt der kommenden Kapitel stehen Verfahren der schließenden
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrStatistische Tests funktionieren generell nach obigem Schema; der einzige Unterschied besteht in der unterschiedlichen Berechnung der Testgröße.
Statistische Tests Testen von Hypothesen Fehlerarten wichtigste statistische Tests Hypothesen Jeder statistische Test beruht auf der Widerlegung einer zuvor aufgestellten Hypothese. Die Widerlegung ist
MehrKapitel 3 Schließende Statistik
Bemerkung 3.34: Die hier betrachteten Konfidenzintervalle für unbekannte Erwartungswerte sind umso schmaler, je größer der Stichprobenumfang n ist, je kleiner die (geschätzte) Standardabweichung σ (bzw.
MehrSerie 9, Musterlösung
WST www.adams-science.org Serie 9, Musterlösung Klasse: 4U, 4Mb, 4Eb Datum: FS 18 1. Mädchen vs. Knaben 442187 Unter 3000 in einer Klinik neugeborenen Kindern befanden sich 1578 Knaben. Testen Sie mit
MehrNachklausur zur Vorlesung
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 30. April 004 Priv.-Doz. Dr. D. Kadelka Nachklausur zur Vorlesung Statistik für Biologen Musterlösungen Aufgabe 1 Gemessen wurde bei
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 5.5.2006 1 Ausgangslage Wir können Schätzen (z.b. den Erwartungswert) Wir können abschätzen, wie zuverlässig unsere Schätzungen sind: In welchem Intervall
Mehrdas Kleingedruckte...
Gepaarte t-tests das Kleingedruckte... Datenverteilung ~ Normalverteilung QQ-plot statistischer Test (Shapiro-Wilk, Kolmogorov-Smirnov) wenn nicht : nicht-parametrische Tests gleiche Varianz (2-Proben
MehrMögliche Fehler beim Testen
Mögliche Fehler beim Testen Fehler. Art (Irrtumswahrscheinlichkeit α), Zusammenfassung: Die Nullhypothese wird verworfen, obwohl sie zutrifft. Wir haben uns blamiert, weil wir etwas Wahres abgelehnt haben.
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Januar 2011 1 Vergleich zweier Erwartungswerte Was heißt verbunden bzw. unverbunden? t-test für verbundene Stichproben
MehrWiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)
Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7
MehrHypothesentests. Hypothese Behauptung eines Sachverhalts, dessen Überprüfung noch aussteht.
Hypothese Behauptung eines Sachverhalts, dessen Überprüfung noch aussteht. Wissenschaftliche Vorgehensweise beim Hypothesentest Forscher formuliert eine Alternativhypothese H 1 (die neue Erkenntnis, die
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 21. Januar 2015 1 t-tests für Erwartungswerte Verbundene und unverbundene Stichproben
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrEntscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.1 4. Statistische Entscheidungsverfahren Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten Beispiel:
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
MehrWirtschaftsstatistik-Klausur am
Wirtschaftsstatistik-Klausur am 03.07.208 Aufgabe Statistik-Dozent K.R. lehrt an einer privaten FH in Köln, wohnt aber in Frankfurt am Main. Er hat - wegen möglicher saisonaler Schwankungen - zwei Semester
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. P. Embrechts ETH Zürich Winter 2012 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrStochastik Serie 11. ETH Zürich HS 2018
ETH Zürich HS 208 RW, D-MATL, D-MAVT Prof. Marloes Maathuis Koordinator Dr. Marvin Müller Stochastik Serie. Diese Aufgabe behandelt verschiedene Themenbereiche aus dem gesamten bisherigen Vorlesungsmaterial.
MehrTHEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ
WEBINAR@LUNCHTIME THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ EINLEITENDES BEISPIEL SAT: Standardisierter Test, der von Studienplatzbewerbern an amerikanischen Unis gefordert
MehrAbbildung 1: Dieses Quiz soll Ihnen helfen, die Residuenplots besser zu verstehen. Am Schluss kommen noch vermischte Aufgaben zur Wiederholung.
Residuals vs Fitted Normal Q Q Residuals 2 1 0 1 2 16 18 30 Standardized residuals 2 1 0 1 2 18 30 16 5 10 15 20 25 30 Fitted values 2 1 0 1 2 Theoretical Quantiles Abbildung 1: Dieses Quiz soll Ihnen
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 20. Januar 2011 1 Der F -Test zum Vergleich zweier Varianzen 2 Beispielhafte Fragestellung Bonferroni-Korrektur
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Winter 2018 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Bitte... Lege deine Legi auf den Tisch. Trage deine Daten in dieses Deckblatt ein, und schreibe auf jedes
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
MehrBemerkungen zu statistischen Tests
Bemerkungen zu statistischen Tests Einseitige vs. zweiseitige Tests Die Entscheidung für eine einseitige oder zweiseitige Alternative hängt von der Fragestellung ab. Eine einseitige Alternative ist dann
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrProbeklausur - Statistik II, SoSe 2017
Probeklausur - Statistik II, SoSe 2017 Aufgabe 1: Mehrdimensionale Zufallsvariablen (15 Punkte) Gegeben sei ein zweidimensionaler stetiger Zufallsvektor X = (X 1, X 2 ) T mit der gemeinsamen Dichtefunktion
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrT-Test für den Zweistichprobenfall
T-Test für den Zweistichprobenfall t-test (unbekannte, gleiche Varianzen) Test auf Lageunterschied zweier normalverteilter Grundgesamtheiten mit unbekannten, aber gleichen Varianzen durch Vergleich der
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 2018 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Bitte... Lege deine Legi auf den Tisch. Trage deine Daten in dieses Deckblatt ein, und schreibe auf jedes
MehrSoftware oder Tabellen (nicht Thema dieser Veranstaltung).
p-wert p-wert Der p-wert ist die Wahrscheinlichkeit, dass die Testgröße den beobachteten Wert oder einen noch extremeren Wert (,,weiter weg von H 0 ) annimmt unter der Bedingung, dass H 0 wahr ist. Bemerkungen
MehrT-Test für unabhängige Stichproben
T-Test für unabhängige Stichproben Wir gehen von folgendem Beispiel aus: Wir erheben zwei Zufallstichproben, wobei nur die Probanden der einen Stichprobe einer speziellen experimentellen Behandlung (etwa
MehrWahrscheinlichkeitsrechnung und Statistik. 11. Vorlesung /2019
Wahrscheinlichkeitsrechnung und Statistik 11. Vorlesung - 2018/2019 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 2 heißt Median. P(X < z
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002 1. Ein Chemiestudent hat ein Set von 10 Gefäßen vor sich stehen, von denen vier mit Salpetersäure Stoff A), vier mit Glyzerin Stoff
MehrStatistik Übungsblatt 5
Statistik Übungsblatt 5 1. Gaussverteilung Die Verteilung der Messwerte einer Grösse sei durch eine Gaussverteilung mit Mittelwert µ = 7.2 und σ = 1.2 gegeben. (a) Wie gross ist die Wahrscheinlichkeit
MehrMethodenlehre. Vorlesung 13. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 13 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 19.05.15 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
MehrAuswertung und Lösung
Residuals vs Fitted Normal Q Q Residuals 2 1 0 1 2 16 18 30 Standardized residuals 2 1 0 1 2 18 30 16 5 10 15 20 25 30 Fitted values 2 1 0 1 2 Theoretical Quantiles Abbildung 1: Dieses Quiz soll Ihnen
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
MehrGrundidee. χ 2 Tests. Ausgangspunkt: Klasseneinteilung der Beobachtungen in k Klassen. Grundidee. Annahme: Einfache Zufallsstichprobe (X 1,..., X n ).
Grundidee χ 2 -Anpassungstest χ 2 -Unabhängigkeitstest χ 2 -Homogenitätstest χ 2 Tests Grundidee Ausgangspunkt: Klasseneinteilung der Beobachtungen in k Klassen Annahme: Einfache Zufallsstichprobe (X 1,,
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
Mehr