Statistische Methoden in der MMST: Schließende Statistik
|
|
- Erica Rothbauer
- vor 5 Jahren
- Abrufe
Transkript
1 Statistische Methoden in der MMST: Schließende Statistik VL MMST Wintersemester 2014/15 Professur für Prozessleittechnik L. Urbas; J. Pfeffer
2 S6 - Dateninterpretation und Schlussfolgerung Versuchsdurchführung Versuchsaufbau Auswertung (Datenanalyse) Versuchsplan 2 Fragen 6 Hypothese 1 Schlussfolgerungen Antworten Problem [nach Sarris 2005, S.44] MMST Urbas, Pfeffer Folie Nr. 2
3 Evaluation mittels Stichprobe Beschreibende Statistik Stichprobenziehung Inferenzstatistischer Schluss Population Stichprobenmitglieder MMST Urbas, Pfeffer Folie Nr. 3
4 Aufgabe schließende Statistik Theorie Zusammenhangs/Unterschiedsvermutung Es wird vermutet, dass Gestaltungsvariante A Aufgabe besser unterstützt als Gestaltungsvariante B Experiment Stichprobe(n) Probanden mit Variante A zeigten im Mittel weniger Fehler und kürzere Bearbeitungszeiten als die Probanden der Gruppe mit Variante B Gilt Aussage auch für Population? Kennwerte (Parameter) der Population unbekannt Schätzung der Parameter für Population aus Stichprobe Wie wahrscheinlich ist es, dass die geschätzten Parameter den wahren Parametern der Population (nicht) entsprechen? MMST Urbas, Pfeffer Folie Nr. 4
5 Fehlerquellen Stichprobenfehler In Stichprobe können rein zufällig andere Verhältnisse als in der Population herrschen Kann nicht ausgeschlossen werden, Wahrscheinlichkeit kann aber beschränkt werden Vertrauensintervalle, Signifikanztests Systematischer Fehler Merkmal in Stichprobe systematisch anders verteilt als in Population systematisch falsche Aussage Verteilung bestimmter Merkmale ändert sich nicht durch Auswahl repräsentative Stichprobe MMST Urbas, Pfeffer Folie Nr. 5
6 Übersicht schließende Statistik Verteilung von Stichprobenkennwerten Wahrscheinlichkeitsverteilung von Stichprobenmittelwerten Zentraler Grenzwertsatz Scoring-Verfahren t-test: Eine oder zwei unabhängige Stichprobe, unbekanntes σ F-Test: Zwei abhängige Stichproben aus gleicher Population, unbekanntes σ Nichtparametrische Verfahren Rangsummen MMST Urbas, Pfeffer Folie Nr. 6
7 VERTEILUNG VON STICHPROBEN- KENNWERTEN
8 Stichprobenmittelwert N zufällige Stichproben aus gleicher Population Jeweils wird das arithmetisches Mittel als Schätzer für wahren Mittelwert gebildet Schätzungen werden sich zufällig unterscheiden! Wie verändern sich diese Unterschiede bei wachsendem Umfang? Bei wachsendem Stichprobenumfang n unterscheiden sich die MW der Stichproben immer weniger Verteilung der MW ist symmetrisch und bei großem n unabhängig von der Verteilung der Population MMST Urbas, Pfeffer Folie Nr. 8
9 Beispiel in R b<-(-15:15)*0.1 spm<-function(x,n) {hist(replicate(150,mean(sample(x,n))),breaks=b)} Histogram of y Histogram of replicate(150, mean(sample(x, n)) Histogram of replicate(150, mean(sample(x, n)) Histogram of replicate(150, mean(sample(x, n)) y y1<-rnorm(10000); spm(y1,10); spm(y1,50); spm(y1,150) Histogram of c(y - 3, y + 3)/3 Frequency Frequency Frequency Frequency replicate(150, mean(sample(x, n))) replicate(150, mean(sample(x, n))) Histogram of replicate(150, mean(sample(x, n)) Histogram of replicate(150, mean(sample(x, n)) Histogram of replicate(150, mean(sample(x, n)) Frequency Frequency Frequency Frequency replicate(150, mean(sample(x, n))) c(y - 3, y + 3)/3 replicate(150, mean(sample(x, n))) replicate(150, mean(sample(x, n))) replicate(150, mean(sample(x, n))) y2<-c(y-3,y+3)/3; spm(y2,10); spm(y2,50); spm(y2,150) MMST Urbas, Pfeffer Folie Nr. 9
10 Zentraler Grenzwertsatz Die Verteilung der Stichprobenmittelwerte eines Merkmals X geht für große n in eine Normalverteilung über, deren Varianz proportional zum Stichprobenumfang klein wird. Verteilung von X in Population irrelevant! Bei ausreichend großem n ist Verteilung der Stichprobenmittelwerte bekannt verlässliche Aussage über wahren Mittelwert möglich Für n > 30: Stichprobenmittelwertverteilung kann durch N(µ, σ²/n)-verteilung gut beschrieben werden. Populationsmittelwert µ Standardabweichung σ MMST Urbas, Pfeffer Folie Nr. 10
11 EXKURS VERTRAUENSINTERVALLE
12 Grundprinzipien Beim Schluss von Stichprobe auf Population ist immer mit Ungenauigkeiten und Fehlern zu rechnen (Stichprobenfehler) Stichprobenfehler kann nicht ausgeschlossen werden Größe der Fehler kann kontrolliert und unter feste Schranke gebracht werden Unsicherheit kann beschränkt werden Vertrauensintervall Bereich bei einer zufallsabhängigen Messung, in dem der wahre Wert mit einer vorgegebenen und hinreichend hohen Wahrscheinlichkeit liegt. Üblich sind 95%, 99% Vertrauensintervalle MMST Urbas, Pfeffer Folie Nr. 12
13 Vertrauensintervall des Populationsmittelwerts µ Für Stichproben (n>30) gilt Mittelwerte der Stichproben sind - verteilt N (, ) Eigenschaften dieser Normalverteilung: 95% der Werte liegen zwischen µ-1.96σ und µ+1.96σ 99% der Werte liegen zwischen µ-2.58σ und µ+2.58σ MMST Urbas, Pfeffer Folie Nr. 13
14 MMST Urbas, Pfeffer Folie Nr. 14 Geschätzter Standardfehler Populationsvarianz σ meistens nicht bekannt! Aber ist optimaler Schätzer für σ² mit guter Übereinstimmung für n>30 Standardfehler des Mittelwerts aus geschätztem Standardfehler anstelle wahrer Streuung berechnen bis n<100 approximatives Vertrauensintervall ) ( 1-1 ˆ s n n x x n n i i 1 1 1) ( ) ( ˆ ˆ n s n s n n x x n n i i x
15 AUFWAND
16 Problem 100 oder auch 30 Messungen sind (viel zu) aufwändig! Wir haben nur Zeit und Geld für Probanden MMST Urbas, Pfeffer Folie Nr. 16
17 t-verteilung 2 2 Zusammenhang ˆ / n gilt allg. nur für n>30 Aber: Wenn Population normalverteilt, dann kann Verteilung der Stichprobenmittelwerte ( x µ ) / mit einer t-verteilung mit n-1 Freiheitsgraden exakt wiedergegeben werden ˆ x x<-(-40:40)*0.1 plot(x,dnorm(x),type='l' lwd=2) lines(x,dt(x,1),col="red") lines(x,dt(x,3),col="orange") lines(x,dt(x,5),col="green") lines(x,dt(x,20),col="blue") dnorm(x) MMST Urbas, Pfeffer Folie Nr. 17 x
18 Zum Begriff Freiheitsgrad Freiheitsgrad = Anzahl Werte, die in einem statistischen Ausdruck frei variieren können Beispiel Stichprobenvarianz s 2 1 n n i 1 ( x i x ) 2 Von den n Summanden können nur n-1 beliebige Werte annehmen wg. n i 1 ( x i x ) 0 MMST Urbas, Pfeffer Folie Nr. 18
19 STATISTISCHE HYPOTHESEN
20 Inhaltliche vs. statistische Hypothese Inhaltliche Hypothese Leistung zweier Gruppen i, ii unterscheidet sich wg. unterschiedlichen Voraussetzungen Variante A ist leichter bedienbar als Variante B, weil Kompatibilitätsprinzipien bei Darstellung eingehalten Statistische Hypothese Ungerichtet/Gerichtet Die durchschnittliche Leistung zweier Gruppen unterscheidet sich: µ L,i µ L,ii Die mittlere Fehlerrate von Variante A ist kleiner als die von Variante V: µ F,A < µ F,B Spezifisch/Unspezifisch: Größe des Unterschieds MMST Urbas, Pfeffer Folie Nr. 20
21 Alternativhypothese / Nullhypothese Inhaltliche Hypothese: Wir vermuten in einem bestimmten MMS einen Zusammenhang von Erfahrung und Leistung Statistische Hypothese : ρ E,L 0 (ungerichtet, unspezifisch) Das was wir vermuten wird als Alternativhypothese H 1 bezeichnet Erweiterung/Alternative zu bestehendem Wissen Gegenteil Nullhypothese H 0 Beispiel: ρ E,L = 0 Es ist eine Entscheidung zu treffen Signifikanztest MMST Urbas, Pfeffer Folie Nr. 21
22 Idee des Signifikanztests Ziel: Wir wollen wissen, ob bestimmte Unterschiede oder Zusammenhänge in der Population gelten ( Hypothesen). Dazu erheben wir Daten. Problem: Unterschiede oder Zusammenhänge können sich zufällig ergeben, obwohl es in der Population keine Unterschiede oder Zusammenhänge gibt. Lösung: Wir bestimmen, wie wahrscheinlich die gefundenen Unterschiede/Zusammenhänge bei Gültigkeit der Nullhypothese durch Zufall zustande kommen können. Wenn Wahrscheinlichkeit unter einer vorher festgelegten Schranke, dann Entscheidung für Alternativhypothese Das Ergebnis heißt dann statistisch signifikant MMST Urbas, Pfeffer Folie Nr. 22
23 p-wert Signifikanztest: Verfahren zur Entscheidung zwischen H 0 und H 1 durch Berechnung der bedingten Wahrscheinlichkeit p = P(vorgefundenes oder extremeres Ergebnis H 0 gilt) Voraussetzung Wir kennen die Kennwerteverteilung von Mittelwerten, Mittelwertsunterschieden, Korrelationskoeffizienten, MMST Urbas, Pfeffer Folie Nr. 23
24 Beispiel: Ist neues MMS anders als altes? Leistung: Gemessen auf Intervallskala von Leistung im alten System sei nach langjähriger Beobachtung aller Mitarbeiter bekannt: µ 0 = 6, σ = 1 µ 1 sei die wahre Leistung mit neuem MMST Statistische Hypothese: H 1 : µ 1 µ 0 H 0 : µ 1 = µ 0 Schranke für Irrtum: 5% Leistungsmessung mit 100 Probanden ergibt x 1 5,772 Wie WS ist, dass x 1 um 0,228 oder mehr von µ 0 abweicht, wenn H 0 gilt? MMST Urbas, Pfeffer Folie Nr. 24
25 Beispiel: Fortsetzung Wie wahrscheinlich ist Wenn H 0 gilt, dann ist µ 1 = µ 0 = 6 und Standardfehler normalverteilt mit Tabelliert ist N(0,1) Z-Transformation z x 1 0 x Für Stichprobe: 5,772-6 /0,1=2,28 p-wert 2*0,0113=0,0226 WS für zufällige Messung von noch weiter weg von µ 0 : 2,3% x x 1 x 1 0 n dnorm(x) ,228 1 / 10 x ,1 =5,772 oder x MMST Urbas, Pfeffer Folie Nr. 25
26 Statistische Entscheidung Ist die Wahrscheinlichkeit der vorgefundenen Unterschiede oder Zusammenhänge unter der Annahme der Nullhypothese kleiner oder gleich der vorgegebenen Schranke α, dann kann Nullhypothese verworfen werden p-wert α, dann Entscheidung für H 1 α : Signifikanzniveau (üblich 1%, 5%, 10%) Wird α nicht überschritten, dann wird Testergebnis signifikant genannt. Beispiel: p-wert=0.0226, α=0.05 H 0 wird verworfen Neues MMS unterscheidet sich signifikant MMST Urbas, Pfeffer Folie Nr. 26
27 Logik des Testens (1/2) Warum wird von H 0 ausgegangen? Irrtumswahrscheinlichkeit kann bei unspezifischen Hypothesen nur für falsches Annehmen von H 1 angegeben werden (α-fehler) Forschungsethik: Lieber keine als falsche Schlüsse Welche Schranke ist zu wählen? Je nach Fragestellung kann mit unterschiedlichen Signifikanzniveaus gearbeitet werden Je kleiner α-fehler, desto größer β-fehler (!) Willkürliche Konventionen für psych. Forschung α=0,05 Siehe Wickens für kritische Diskussion für MMST MMST Urbas, Pfeffer Folie Nr. 27
28 Logik des Testens (2/2) Warum dürfen Hypothesen nicht an den gleichen Daten abgeleitet und geprüft werden? Neue Hypothesen an vorhandenen Daten aufstellen ist legitim. Die Prüfung ist jedoch nur an von neuen Daten möglich! Bei Analysen im Nachhinein findet sich rein zufällig immer irgendein Zusammenhang, wenn man nur genügend viele Variablen betrachtet Warum muss Schranke vorher festgelegt werden? P-Wert basiert auf der Stichprobe Größe des p-wertes gibt keine Aussage über die Größe des wahren Effektes p-wert Irrtumswahrscheinlichkeit Irrtumswahrscheinlichkeit = α MMST Urbas, Pfeffer Folie Nr. 28
29 Beliebte Irrtümer zur Irrtumswahrscheinlichkeit Statistische Entscheidung für H 0 bedeutet, dass H 0 wahr ist. Bei kleinen Stichproben werden Unterschiede oft nicht entdeckt (großer β-fehler). Statistische Entscheidung für H 1 bedeutet, dass H 1 wahr ist Eine Entscheidung mit α=0.05 für H 1 bedeutet nicht, dass H 1 mit 95%-Sicherheit richtig ist Signifikanz eines Ergebnisses sagt nichts über Größe von Unterschied/Zusammenhang in Population aus Signifikante Unterschiede können völlig bedeutungslos sein Auch wenn der p-wert viel kleiner ist als α, die WS für falsches Annehmen der H 1 ist α! MMST Urbas, Pfeffer Folie Nr. 29
30 Fehlerarten H 1 trifft zu H 0 trifft zu Entscheidung für H 1 1-β α = Fehler 1. Art (falsch positiv) Entscheidung für H 0 β = Fehler 2. Art (falsch negativ) 1-α MMST Urbas, Pfeffer Folie Nr. 30
31 Zur Verdeutlichung Angeklagter schuldig Angeklagter unschuldig Verurteilung 1-β α = Fehler 1. Art (falsch positiv) Freispruch β = Fehler 2. Art (falsch negativ) 1-α Nach Diekman 2007 MMST Urbas, Pfeffer Folie Nr. 31
32 Unbedingt beachten Signifikanzniveau vorher festlegen! Hauptkriterium: Was kostet mich ein Irrtum? Hypothesen vorher formulieren! Sonst: Genau das wollte ich herausfinden! Voraussetzungen des Tests müssen erfüllt sein! Beispiel: Merkmal muss normalverteilt, bzw. Stichprobenumfang hinreichend groß sein, damit Mittelwert normalverteilt ist Lesenswertes zu den Grenzen des Signifikanztests: Cohen (1994) The world is round (p<0.05) MMST Urbas, Pfeffer Folie Nr. 32
33 TESTEN VON UNTERSCHIEDEN
34 Mittelwertsunterschiede: t-test für unabhängige Stichproben Voraussetzungen Merkmal mindestens intervallskaliert Bei kleinen Stichproben (n<30) muss Merkmal in beiden Populationen normalverteilt sein Stichproben müssen aus Populationen mit gleicher Varianz stammen Stichproben müssen unabhängig sein Prüfgröße Verteilung der Differenz zweier Stichprobenmittelwerte, geteilt durch geschätzte Streuung ist t-verteilt MMST Urbas, Pfeffer Folie Nr. 34
35 Mittelwertsunterschiede: t-test für abhängige Stichproben Abhängige Stichproben Messwiederholung Parallelisierte Stichproben Voraussetzungen Merkmal mindestens intervallskaliert Bei kleinen Stichproben (n<30) muss Merkmal in beiden Populationen normalverteilt sein Prüfgröße Verteilung der gemittelten Differenzen, geteilt durch Standardfehler der gemittelten Differenzen ist t-verteilt MMST Urbas, Pfeffer Folie Nr. 35
36 Unterschiede von Varianzen: F-Test, Levene-Test Häufig zur Überprüfung von Voraussetzungen für andere Tests (z.b. Varianzhomogenität bei t-test) Voraussetzungen Merkmal mindestens intervallskaliert Merkmal in beiden Populationen normalverteilt Stichproben unabhängig Prüfgröße Verhältnis der Schätzer der Populationsvarianzen MMST Urbas, Pfeffer Folie Nr. 36
37 DATENINTERPRETATION UND SCHLUSSFOLGERUNG
38 S6 - Dateninterpretation und Schlussfolgerung Versuchsdurchführung Versuchsaufbau Auswertung (Datenanalyse) Versuchsplan 2 Fragen 6 Hypothese 1 Schlussfolgerungen Antworten Problem [nach Sarris 2005, S.44] MMST Urbas, Pfeffer Folie Nr. 38
39 Ergebnisorientierte schließende Statistik 1. Theorie -> Zusammenhangs/Unterschiedsvermutung Stadium 1 - Hypothesenbildung 2. Experiment Stadien Schlussfolgerungen Falsifikation der Nullhypothesen Aussage gültig für die gewählte Population MMST Urbas, Pfeffer Folie Nr. 39
40 Und danach? Dateninterpretation und Schlussfolgerungen. Rückbezug auf die Hypothesenbildung (Stadium 1) Methodenkritische Bewertung der Zwischenstadien (2-5) Welche neuen Fragen ergeben sich aus dem Ergebnis? Wissenschaftliche Kommunikation der Ergebnisse [nach Sarris 2005, S.44] MMST Urbas, Pfeffer Folie Nr. 40
41 Zusammenfassung Grundlagen der schließenden Statistik Aufgabe der schließenden Statistik Fehlerquellen Verteilung von Stichprobenkennwerten Zentraler Grenzwertsatz Vertrauensintervalle Hypothesen Beliebte Irrtümer Methoden t-test für unabhängige Stichproben t-test für abhängige Stichproben F-Test, Levene-Test Dateninterpretation Schlussfolgerungen Falsifikation der Nullhypothesen MMST Urbas, Pfeffer Folie Nr. 41
42 Literatur Einführung in die Inferenzstatistik [1] Nachtigall, Ch.,Wirtz, M., (2006). Wahrscheinlichkeitsrechnung und Inferenzstatistik. Juventa, Weinheim. [2] Bortz, J., Döring, N. (2006). Forschungsmethoden und Evaluation. Springer, Berlin. [3] Kühlmeyer, M. (2001). Statistische Auswertungsmethoden für Ingenieure. Springer, Berlin Einführung R [4] Dalgaard, P. (2002). Introductory Statistics with R. Springer, Berlin. [5] Adler, J. (2009). R in a Nutshell. O Reilly, Sebastopol (CA). Weitere Literatur [7] Sarris, V., & Reiß, S. (2005). Kurzer Leitfaden der Experimentalpsychologie. Pearson Studium. MMST Urbas, Pfeffer Folie Nr. 42
Statistische Methoden in der MMST: Schließende Statistik
Statistische Methoden in der MMST: Schließende Statistik VL MMS Wintersemester 2012/13 Professur für Prozessleittechnik L. Urbas; J. Pfeffer Evaluation mittels Stichprobe Stichprobenziehung Beschreibende
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
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrThema der Stunde. I. Die Form der Stichprobenkennwerteverteilung. II. Schlüsse von der Stichprobe auf die Population
Thema der Stunde I. Die Form der Stichprobenkennwerteverteilung II. Schlüsse von der Stichprobe auf die Population III. t-test für unabhängige und abhängige Stichproben Stichprobenkennwerte Population
MehrMethodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 11 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 03.12.13 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
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
MehrKonkretes Durchführen einer Inferenzstatistik
Konkretes Durchführen einer Inferenzstatistik Die Frage ist, welche inferenzstatistischen Schlüsse bei einer kontinuierlichen Variablen - Beispiel: Reaktionszeit gemessen in ms - von der Stichprobe auf
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.
MehrHypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren
Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
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,
MehrFallzahlplanung bei unabhängigen Stichproben
Fallzahlplanung bei unabhängigen Stichproben Seminar Aktuelle biometrische Probleme Benjamin Hofner benjamin.hofner@stat.uni-muenchen.de 12. Januar 2005 Übersicht 1. Einführung und Grundlagen der Fallzahlplanung
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrSoftwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2010/11 Überblick I Statistik bei kontrollierten Experimenten
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Testen von Hypothesen
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
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 )
Mehr3 Konfidenzintervalle
3 Konfidenzintervalle Konfidenzintervalle sind das Ergebnis von Intervallschätzungen. Sicheres Wissen über Grundgesamtheiten kann man anhand von Stichproben nicht gewinnen. Aber mit Hilfe der Statistik
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
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
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)
MehrInferenzstatistik und Hypothesentests. Hierbei geht es um die Absicherung eines Untersuchungsergebnisses gegen ein Zufallsereignis.
Statistik II und Hypothesentests Dr. Michael Weber Aufgabenbereich Hierbei geht es um die Absicherung eines Untersuchungsergebnisses gegen ein Zufallsereignis. Ist die zentrale Fragestellung für alle statistischen
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
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
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.
MehrGrundlagen sportwissenschaftlicher Forschung Deskriptive Statistik 2 Inferenzstatistik 1
Grundlagen sportwissenschaftlicher Forschung Deskriptive Statistik 2 Inferenzstatistik 1 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Rückblick: Besonders wichtige Themen Wissenschaftstheoretischer
MehrInferenzstatistik Vortrag: Alpha und Beta Fehler
Inferenzstatistik Vortrag: Alpha und Beta Fehler Dresden, 18.11.08 01 Fehlerquelle Hypothesen Unbekannte Wirklichkeit H0 ist richtig H0 ist falsch Schlussfolgerung aus dem Test unserer Stichprobe Ho annehmen
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
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
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrModul 141 Statistik. 1. Studienjahr 11. Sitzung Signifikanztests
Modul 141 Statistik 1. Studienjahr 11. Sitzung Signifikanztests Inhalt der 11. Sitzung 1. Parametrische Signifikanztests 2. Formulierung der Hypothesen 3. Einseitige oder zweiseitige Fragestellung 4. Signifikanzniveau
MehrProbleme bei kleinen Stichprobenumfängen und t-verteilung
Probleme bei kleinen Stichprobenumfängen und t-verteilung Fassen wir zusammen: Wir sind bisher von der Frage ausgegangen, mit welcher Wahrscheinlichkeit der Mittelwert einer empirischen Stichprobe vom
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrStichprobenumfangsplanung
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Stichprobenumfangsplanung Überblick Einführung Signifikanzniveau Teststärke Effektgröße
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrStatistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
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
MehrWinter 2017 David Kurbel. Evaluation & Forschungsstrategien. B.Sc.-Seminar. Sitzung II: t-tests
Evaluation & Forschungsstrategien B.Sc.-Seminar Sitzung : t-tests Seminarinhalte Sitzung : 25.10.2017 1-Stichproben-t-Test (gerichtet) 1-Stichproben-t-Test (ungerichtet) t-test für abhängige Stichproben
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
MehrGrundlagen der schließenden Statistik
Grundlagen der schließenden Statistik Schätzer, Konfidenzintervalle und Tests 1 46 Motivation Daten erhoben (Umfrage, Messwerte) Problem: Bei Wiederholung des Experiments wird man andere Beobachtungen
MehrUnterschiedshypothesen Vergleiche von Häufigkeiten bzw. Mittelwerten zwischen (mindestens) zwei Gruppen Zusammenhangshypothesen Korrelationsanalysen
Statistische Überprüfung von Hypothesen Hypothesen sind allgemeine Aussagen über Zusammenhänge zwischen empirischen und logischen Sachverhalten.Allgemein bezeichnet man diejenigen Aussagen als Hypothesen,
MehrStatistisches Testen: Signifikanz und Relevanz Christiane Spiel
Fakultät für Psychologie Statistisches Testen: Signifikanz und Relevanz Christiane Spiel Themen Wissenschaftstheoretischer Hintergrund Statistische Hypothesenprüfung Der Signifikanztest Probleme des Signifikanztests
MehrModul G.1 WS 07/08: Statistik
Modul G.1 WS 07/08: Statistik 13.12.2006 1 Schätzung von Populationskennwerten Stichprobenkennwerte als Schätzmaße für den Populationsmittelwert Punktschätzung: nur ein Stichprobenkennwert wird angegeben
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg R. 06-06 (Persike) R. 06-31 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
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
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
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
MehrEmpirische Methoden zur Analyse gesprochener Sprache
Empirische Methoden zur Analyse gesprochener Sprache Prinzip der Hypothesenprüfung (am Beispiel des t-tests für unabhängige Stichproben) Statistische Verfahren: Einordnung Deskriptive (beschreibende) Statistik:
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
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Juni 2014 Waldherr / Christodoulides Einführung in Quantitative Methoden 1/46 Anpassungstests allgemein Gegeben: Häufigkeitsverteilung
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
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 5. Juni 2013 Christodoulides / Waldherr Einführung in Quantitative Methoden- 11. VO 1/48 Anpassungstests allgemein Gegeben:
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
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)
MehrGRUNDPRINZIPIEN statistischen Testens
Fragestellungen beim Testen GRUNDPRINZIPIEN statistischen Testens. Vergleiche Unterscheidet sich die Stichprobenbeobachtung von einer vorher spezifizierten Erwartung ( Hypothese ) mit ausreichender Sicherheit?
MehrStatistische Überlegungen: Eine kleine Einführung in das 1 x 1
Statistische Überlegungen: Eine kleine Einführung in das 1 x 1 PD Dr. Thomas Friedl Klinik für Frauenheilkunde und Geburtshilfe, Universitätsklinikum Ulm München, 23.11.2012 Inhaltsübersicht Allgemeine
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
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
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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
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 =
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
Mehr9 Prinzipien der statistischen Hypothesenprüfung
9 Prinzipien der statistischen Hypothesenprüfung Prinzipien der statistischen Hypothesenprüfung Bei der Schätzung eines Populationsparamters soll dessen Wert aus Stichprobendaten erschlossen werden. Wenn
MehrWiederholung. Statistik I. Sommersemester 2009
Statistik I Sommersemester 2009 Statistik I (1/21) Daten/graphische Darstellungen Lage- und Streuungsmaße Zusammenhangsmaße Lineare Regression Wahrscheinlichkeitsrechnung Zentraler Grenzwertsatz Konfidenzintervalle
MehrAuswertung 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
MehrZentraler Grenzwertsatz/Konfidenzintervalle
/ Statistik I Sommersemester 2009 Statistik I ZGWS/ (1/37) Kann Ahmadinejad die Wahl gewonnen haben? Im wesentlichen Dreiteilung der polit. Elite 2005: 17.3 Millionen Stimmen (Stichwahl), Wahlbeteiligung
MehrStatistik-Quiz Wintersemester
Statistik-Quiz Wintersemester Seite 1 von 8 Statistik-Quiz Wintersemester Die richtigen Lösungen sind mit gekennzeichnet. 1a Für 531 Personen liegen Daten zu folgenden Merkmalen vor. Welche der genannten
MehrEinführung in Web- und Data-Science
Einführung in Web- und Data-Science Prof. Dr. Ralf Möller Universität zu Lübeck Institut für Informationssysteme Tanya Braun (Übungen) P-Wert (einseitiger Ablehnungsbereich) Hypothesentest H 0 vs. H 1
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:
Mehr2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
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
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
MehrPflichtlektüre: Kapitel 12 - Signifikanztest Wie funktioniert ein Signifikanztest? Vorgehensweise nach R. A. Fisher.
Pflichtlektüre: Kapitel 12 - Signifikanztest Überblick Signifikanztest Populationsparameter Ein Verfahren zur Überprüfung von Hypothesen, Grundlage bilden auch hier Stichprobenverteilungen, das Ergebnis
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
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrPrimer: Inferenzstatistik 1.0
: 1.0 Dr. Malte Persike persike@uni-mainz.de methodenlehre.com twitter.com/methodenlehre methodenlehre.com/g+ iversity.org/schoolinger Inhalte der nächsten Minuten Die Frage aller Fragen: Ist etwas groß?
Mehrt-differenzentest bei verbundener Stichprobe
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche Nächste Anwendung: Vergleich der Mittelwerte zweier normalverteilter Zufallsvariablen Y A und Y B 1 auf derselben Grundgesamtheit durch Beobachtung
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrFH- Management & IT. Constantin von Craushaar FH-Management & IT Statistik Angewandte Statistik (Übungen)
FH- Management & IT Folie 1 Rückblick Häufigkeiten berechnen Mittelwerte berechnen Grafiken ausgeben Grafiken anpassen und als Vorlage abspeichern Variablenoperationen Fälle vergleichen Fälle auswählen
MehrAblaufschema beim Testen
Ablaufschema beim Testen Schritt 1 Schritt 2 Schritt 3 Schritt 4 Schritt 5 Schritt 6 Schritt 7 Schritt 8 Schritt 9 Starten Sie die : Flashanimation ' Animation Ablaufschema Testen ' siehe Online-Version
MehrGrundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2
Grundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Statistischer Schluss Voraussetzungen z.b. bzgl. Skalenniveau und
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
MehrStatistik II: Grundlagen und Definitionen der Statistik
Medien Institut : Grundlagen und Definitionen der Statistik Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Hintergrund: Entstehung der Statistik 2. Grundlagen
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler
Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler Noémie Becker & Dirk Metzler 15. April 2016 Inhaltsverzeichnis 1 Der Standardfehler 1 1.1 Ein Versuch............................................
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
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.
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
MehrZusammenfassung PVK Statistik
Zusammenfassung PVK Statistik (Diese Zusammenfassung wurde von Carlos Mora erstellt. Die Richtigkeit der Formeln ist ohne Gewähr.) Verteilungen von diskreten Zufallsvariablen Beschreibung Binomialverteilung
Mehr