Empirische Wirtschaftsforschung
|
|
- Andreas Baumhauer
- vor 5 Jahren
- Abrufe
Transkript
1 Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1
2 4. Basiskonzepte der induktiven Statistik 4.1. Die wichtigsten statistischen Maßzahlen a) Erwartungswert E ( ) p( ) bei diskreten Variablen E ( ) f ( ) d bei stetigen Variablen E() = mit den zugehörigen Häufigkeiten gewichteter Durchschnitt der -Ausprägungen.
3 4.1. Die wichtigsten statistischen Maßzahlen Wesentliche rechnerische Eigenschaft des Erwartungswerts E( konst. ) konst. E( a b) a E( ) b mit a = konst. und b = k onst. wobei konst. einen beliebigen konstanten Wert bezeichnet. 3
4 4.1. Die wichtigsten statistischen Maßzahlen b) Varianz und Standardabweichung Var( ) E E( ) E( ) E( ) E( ) E( ) Wesentliche rechnerische Eigenschaft der Varianz Var 0; Var( konst. ) 0 a b a Var mit a = konst. und b = konst. 4
5 4.1. Die wichtigsten statistischen Maßzahlen c) Gemeinsame Verteilungen E( y) E( ) E( y) Var( y) Var( ) Var( y) Cov(, y), wobei Cov(, y) für die Kovarianz zweier Zufallsvariablen steht. Sie ist definiert als y Cov(, y) E E( ) y E( y). 5
6 4.1. Die wichtigsten statistischen Maßzahlen Wesentliche Eigenschaften der Kovarianz Wenn kleine Werte von einhergehen mit tendenziell niedrigen y-werten: Cov(, y) Korrespondieren große y-werte tendenziell mit niedrigen - Werten: Cov(, y) 0. 0; für voneinander unabhängige Ausprägungen: Cov(, y) 0. 6
7 4.1. Die wichtigsten statistischen Maßzahlen c) Gemeinsame Verteilungen Bsp. unterschiedlich starke Korrelationen: a) = 0; b) = 0,3; c) = 0,6; d) = 0, Korrelationskoeffizient (allg.): (, y) Cov(, y) y ; 6 4 a) 4 b) 1 ρ 1. y c) d) 7
8 4.1. Die wichtigsten statistischen Maßzahlen d) Schiefe Abweichung von Symmetrie-Eigenschaft einer Verteilung Deskriptives Maß der 3. Ordnung 3 3 E( ) f f 1 f() f() f 3 f() links-schief 3 < 0 symmetrisch: 3 = 0 rechts-schief 3 > 0 8
9 4.. Die Normalverteilung (NV) Verteilung einer stetigen Variable mit PDF f ( ) 1 e 1 + 9
10 4.. Die Normalverteilung (NV) Die sechs wesentlichen Eigenschaften der NV 1. NV ist stetig und symmetrisch um. Me = Mo = ar. Mittel. NV erstreckt sich von bis + 3. NV erreicht Maimum (Nullsteigung) am Punkt = 4. NV hat größte Steigung in Inflektionspunkten = misst Abstand vom Zentrum der NV zu 1 Inflektionspunkt 5. NV ist vollkommen spezifiziert durch und 6. NV-Gesamtfläche = 1 Fläche zw. und + = 1/3 10
11 4.3. Transformation auf die Standard-NV (SNV) Für die Standardnormalverteilung (SNV) gilt = 0, = 1 und f ( ) 1 e f(z) % 95% 99% z Dichte (PDF) einer Standardnormalverteilung 11
12 4.3. Transformation auf die Standard-NV (SNV) Fläche unter der halben Standard-NV: N(0,1) z 0,00 0,01 0,0 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,0 0,0000 0,0040 0,0080 0,010 0,0160 0,0199 0,039 0,079 0,0319 0,0359 0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753 0, 0,0793 0,083 0,0871 0,0910 0,0948 0,0987 0,106 0,1064 0,1130 0,1141 0,3 0,1179 0,117 0,155 0,193 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517 0,4 0,1554 0,1591 0,168 0,1664 0,1700 0,1736 0,177 0,1808 0,1844 0,1879 0,5 0,1915 0,1950 0,1985 0,019 0,054 0,088 0,13 0,157 0,190 0,4 0,6 0,57 0,91 0,34 0,357 0,389 0,4 0,454 0,486 0,517 0,549 0,7 0,580 0,611 0,64 0,673 0,704 0,734 0,764 0,794 0,83 0,85 0,8 0,881 0,910 0,939 0,967 0,995 0,303 0,3051 0,3079 0,3106 0,3133 0,9 0,3159 0,3196 0,31 0,338 0,364 0,389 0,3315 0,3340 0,3365 0,3389 1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,361 1,1 0,3643 0,3665 0,3686 0,3708 0,379 0,3749 0,3770 0,3790 0,3810 0,3830 1, 0,3849 0,3869 0,3888 0,3907 0,395 0,3944 0,396 0,6980 0,3997 0,4015 1,3 0,403 0,4049 0,4066 0,408 0,4099 0,4115 0,4131 0,4147 0,416 0,4177 1,4 0,419 0,407 0,4 0,436 0,451 0,465 0,479 0,49 0,4306 0,4319 1,5 0,433 0,4345 0,4357 0,4370 0,438 0,4394 0,4406 0,4418 0,449 0,4441 1,6 0,445 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,455 0,4535 0,4545 1,7 0,4554 0,4564 0,4573 0,458 0,4591 0,4599 0,4608 0,4616 0,465 0,4633 1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706 1,9 0,4713 0,4719 0,476 0,473 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767,0 0,4773 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,481 0,4817 1
13 Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth 4.3. Transformation auf die Standard-NV (SNV) Transformation einer normalverteilten Variable auf N(0,1) a b b a b ae b a E 0 ) ( ) (! a a Var a b a Var 1 1 ) ( ) (!. 1 b z b a 1
14 Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth 4.3. Transformation auf die Standard-NV (SNV) Aufzeigen, dass Transformationsvorschrift korrekt ist: 0, ) ( E E da ; ) ( E. ) ( E 1; 1 ) ( 1 Var Var q.e.d.
15 4.3. Transformation auf die Standard-NV (SNV) Beispiel ~ N( 5, ) z ~ N(0,1) Flächengleichheit
16 4.3. Transformation auf die Standard-NV (SNV) Beispiel P Pz z z 1 1 z1 und 1 z,. wobei ~ N( 5, ) P( Hier: ; wie hoch ist? z 1 15, ; z 1 P ( 3) P( 3/ z 1) P(1 z 3) 3/ ) 16
17 4.3. Transformation auf die Standard-NV (SNV) Beispiel P ( 3) P( 3/ z 1) P(1 z 3/ ) 0,433 0,3413 0,0919. (Werte aus SNV-Tabelle) 17
18 4.3. Transformation auf die Standard-NV (SNV) Weitere Beispiele P = + 0 0,5 0 0,5 0 0,5 z 0,5 0,1915 0,5 0,6915 = 0 0,5 0 0,5 0 0,5 P 0, 5 z 0,5 0,1915 0,
19 4.3. Transformation auf die Standard-NV (SNV) Drei-Sigma-Regel Wie wahrscheinlich ist, dass eine aus ~ N(, ) gezogene Zufallsgröße innerhalb von oder 3 -Einheiten um liegt? Antwort für Einheiten: 0,4773 = 0,9546 (Werte aus SNV-Tabelle) Antwort für 3 Einheiten: 0,4987 = 0,9974 (Werte aus SNV-Tabelle unseres Ausschnitts) 99,7%: alles, was darüber hinausgeht Ausreißer 19
20 4.3. Transformation auf die Standard-NV (SNV) Drei-Sigma-Regel 99% 99% 1 z 0 z 1 0
21 4.3. Transformation auf die Standard-NV (SNV) a) Wahre und empirische Varianz Tatsächliche Varianz: Empirische Varianz: 1 i n 1 ˆ n 1 i ˆ mit n = # Ausprägungen und n 1 = # Freiheitsgrade (FG), da wir mit 1 aus dem Sample und nicht der Grundgesamtheit bestimmten rechnen, verlieren wir 1 FG. 1
22 4.3. Transformation auf die Standard-NV (SNV) a) Wahre und empirische Varianz Zentraler Grenzwertsatz: Weist eine Zufallsgröße einen (wahren) Mittelwert von und eine Varianz von auf, so nähert sich mit zunehmender Stichprobengröße n die Stichprobenverteilung des Erwartungswerts von einer NV mit Erwartungswert und Varianz /n an. Dies unterstellt allerdings, dass die wahre Varianz bekannt ist. Ist die tatsächliche Varianz nicht bekannt, wird ihre Schätzung, die Stichprobenvarianz, herangezogen.
23 4.3. Transformation auf die Standard-NV (SNV) b) Jarque-Bera-Test Annahme einer NV; JB-Test baut auf Merkmale der NV: Schiefe S (Abweichung von der Symmetrie; für NV = 0) Kurtosis K (Wölbung; für NV = 3). n 6 ( K 3) Teststatistik JB S 5, 99 4? (Daumenregelwert) 3
24 Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth 4.3. Transformation auf die Standard-NV (SNV) b) Jarque-Bera-Test mit ) ( ) ( n i i n n i i n S ) ( ) ( n i i n n i i n K (3. Moment); (4. Moment)
25 4.4. Das Testen von Hypothesen a) Testbeschreibung allgemein Für den Schätzer eines Mittel- oder Erwartungswerts einer Verteilung wird eine Statistik mit bekannter Verteilung etwa eine NV unterstellt. Durch die Kenntnis der Verteilung kann die Wahrscheinlichkeit bestimmt werden, dass der Schätzer ˆ unter der Annahme einer bestimmten Hypothese eintritt. a1) Zweiseitiger Test Nullhypothese: Gegenhypothese: H 0 : 0 H 1 : 0 5
26 4.4. Das Testen von Hypothesen Idee des zweiseitigen Tests -seitiger Test mit Sicherheits-/Konfindenzniveau von 0,99 und Signifikanzniveau (SN) von 0,01 (0, ,005 = 0,01); 1% der Fläche liegt in den Rändern. H 0 : z = 0 keine Vorinfo, ob z > oder < 0 0,005 0,99 0,005 SN = Gegenwahrsch. von Konfidenzniveau hier: 1% SN z L 0 z H z Ablehnungsbereich Annahmebereich Ablehnungsbereich 6
27 4.4. Das Testen von Hypothesen Idee des zweiseitigen Tests Drei gängige Signifikanzlevel: 0,005 = 0,01 z =,575 (Ablehnung: 0,005 an beiden Enden) 0,05 = 0,05 z = 1,96 (Ablehnung: 0,05 an beiden Enden) 0,05 = 0,1 z = 1,65 (Ablehnung: 0,05 an beiden Enden) in 1%, 5% oder 10% aller Fälle würden wir H 0 verwerfen, obschon H 0 tatsächlich wahr ist (Fehler 1. Art). 7
28 4.4. Das Testen von Hypothesen Idee des zweiseitigen Tests hier: 5% SN ( ) 1 a a/ a/ 0,95 0,05 0,05-1,96 0 1,96 Vorgehen in Schritten: 1. Schritt: Testgröße z ˆ n 0 ˆ 0 n 8
29 4.4. Das Testen von Hypothesen Idee des zweiseitigen Tests. Schritt: SN festlegen, z.b. P( z z ) P( z z ) L H 0,005 dies ist der Fall für z =, Schritt: Testvorschrift z L ˆ 0 n z :,575 H 0 : = 0 ablehnen! analog für z H z :,
30 4.4. Das Testen von Hypothesen a) Einseitiger Test In manchen Fällen wissen wir a priori, dass 0 nicht kleiner (oder größer) als ein bestimmter Wert für sein kann. Wir betrachten dann nur einen Rand der Verteilung: 0,95 0,05 0 z H z Annahmebereich Ablehnungsbereich 30
31 4.4. Das Testen von Hypothesen a3) Zusammenfassung wichtiger kritischer Werte Sicherheitsniveau Signifikanz-iveau Fläche (beide Ränder) Fläche (ein Rand) Wert in NV-Tabelle z-wert -seitig 99% 1 0,99 = 0,01 0,01 0,01/=0,005 0,5 0,005 = 0,495 ±,575 95% 1 0,95 = 0,05 0,05 0,05/=0,05 0,5 0,05 = 0,475 ±1,960 90% 1 0,90 = 0,10 0,10 0,10/=0,050 0,5 0,050 = 0,450 ±1,645 1-seitig 99% 1 0,99 = 0,01 0,01 0,5 0,01 = 0,490,330 95% 1 0,95 = 0,05 0,05 0,5 0,05 = 0,450 1,645 90% 1 0,90 = 0,10 0,10 0,5 0,10 = 0,400 1,85 31
32 4.4. Das Testen von Hypothesen a4) Definitionen Fehler 1. Art: H 0 ablehnen, obwohl H 0 wahr ist. Es ist möglich, dass wir eine deutlich von Null (für H 0 : = 0) abweichende Teststatistik erhalten, obwohl de facto aber gleich Null ist. In diesem Fall würden wir jedoch schließen, dass 0. Fehler. Art: H 0 annehmen, obwohl H 1 wahr ist. (H 0 falsch ist). 3
33 4.4. Das Testen von Hypothesen Angenommen 0 = 0 und H 0 : = 0. Ein Fehler. Art kann dann auftreten, wenn 0 nahe 0 liegt, aber die Realisation tatsächlich nicht aus Verteilung, sondern aus einer anderen Verteilung, deren Mittelwert A ist, stammt. Unsere Einschätzung [1] [3] Verteilung [] Verteilung 1 (H 0 -Annahme) = 0 (H 0 -Ablehnung) 0 [4] μ 0 Fehler. Art H μ A Fehler 1. Art Tatsächlich zutreffend = 0 OK [1] 0 Fehler. Art [] Wahrscheinlichk. unbekannt Fehler 1. Art [4] Wahrscheinlichkeit: Signifikanzniveau OK [3] 33
34 4.4. Das Testen von Hypothesen a5) Student-t-Verteilung Auch im Rahmen des Testens von Hypothesen müssen wir die tatsächliche Varianz durch eine empirische Varianz approimieren, sofern wir nur über Stichproben- und nicht Gesamtpopulationswerte verfügen. f(t) t (m) a/ a/ 1 a - t c 0 t c t 34
35 4.4. Das Testen von Hypothesen Rechter Rand der kritischen Werte der t-verteilung (DF = m = FG) DF α = 0,05 α = 0,05 α = 0, ,314 1,706 63,657,90 4,303 9,95 3,353 3,18 5,841 4,13,776 4,604 5,015,571 4,03 6 1,943,447 3, ,895,365 3, ,860,306 3, ,833,6 3, ,81,8 3, ,796,01 3, ,78,179 3, ,771,160 3, ,761,145, ,753,131, ,746,10, ,740,110, ,734,101, ,79,093, ,71,080,831 1,717,074, ,714,069, ,711,064, ,708,060, ,706,056, ,703,05, ,701,048, ,699,045, ,697,04, ,684,01, ,676,009, ,671,000, ,667 1,994, ,664 1,990, ,66 1,987, ,660 1,984, ,659 1,98, ,658 1,980,617 1,645 1,960, ,75,086,845 35
36 4.4. Das Testen von Hypothesen Testgröße ˆ 0 ˆ n Testvorschrift (zweiseitig) H : 0 ˆ 0 ˆ ˆ n - 0 tn 1, H 0 ablehnen ˆ ˆ - 0 n tn 1, H 0 annehmen 36
37 4.4. Das Testen von Hypothesen Testvorschrift (einseitig) Analog nur hier: t n1, p-wert Eemplarisch für H : 0 ˆ 0 ˆ ˆ n 0,9 p=0,0065 und t 40;0,05,01 0,95 0,0037 0,0037,9,01 0,01,9 37
38 4.4. Das Testen von Hypothesen b) Grundlegende Schritte zusammengefasst 1. Formulierung von H 0 und H 1. Festlegen, ob ein- /zweiseitiger Test durchzuführen ist 3. Signifikanzniveau (Wahrscheinlichkeit für F.1.A.) wählen 4. Teststatistik, bspw. ( ˆ 0 ) n ˆ ˆ berechnen 5. Kritischen z-wert, bspw. 1,96, bzw. t -Wert ermitteln 6. H 0 ablehnen, wenn Teststatistik > kritischer Wert 38
4.1. 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
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
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
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
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
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 +... +
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
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
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 =
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,
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 )
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
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
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 3. Momentenschätzung auf Stichprobenbasis
MehrStatistische Tests Version 1.2
Statistische Tests Version 1.2 Uwe Ziegenhagen ziegenhagen@wiwi.hu-berlin.de 7. Dezember 2006 1 Einführung Ein statistischer Test dient der Überprüfung einer statistischen Hypothese. Mithilfe des Tests
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
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
MehrStatistik II. Weitere Statistische Tests. Statistik II
Statistik II Weitere Statistische Tests Statistik II - 19.5.2006 1 Überblick Bisher wurden die Test immer anhand einer Stichprobe durchgeführt Jetzt wollen wir die statistischen Eigenschaften von zwei
MehrKapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests
Kapitel 10 Mittelwert-Tests 10.1 Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests 10.1 Einstichproben- Mittelwert-Tests 10.1.1 Einstichproben- Gauß-Test Dichtefunktion der Standard-Normalverteilung
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
MehrPrüfung aus Statistik 2 für SoziologInnen
Prüfung aus Statistik 2 für SoziologInnen 11. Oktober 2013 Gesamtpunktezahl =80 Name in Blockbuchstaben: Matrikelnummer: Wissenstest (maximal 16 Punkte) Kreuzen ( ) Sie die jeweils richtige Antwort an.
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
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
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)
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
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
MehrHandelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen?
1. Handelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen? a.) Anzahl der Kunden, die an der Kasse in der Schlange stehen. b.) Die Menge an Energie, die pro Tag von einem Energieversorgungsunternehmen
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
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
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,
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
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
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 6.. Herleitung des OLS-Schätzers
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
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
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 Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
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
Mehr7. Hypothesentests. Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang. X habe die unbekannte VF F X (x)
7. Hypothesentests Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang X habe die unbekannte VF F X (x) Interessieren uns für einen unbekannten Parameter θ der Verteilung von X 350 Bisher:
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
MehrHypothesentests für Erwartungswert und Median. für D-UWIS, D-ERDW, D-USYS und D-HEST SS15
Hypothesentests für Erwartungswert und Median für D-UWIS, D-ERDW, D-USYS und D-HEST SS15 Normalverteilung X N(μ, σ 2 ) : «X ist normalverteilt mit Erwartungswert μ und Varianz σ 2» pdf: f x = 1 2 x μ exp
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrStichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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 II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
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
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
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
MehrInhalt. I. Deskriptive Statistik Einführung Die Grundgesamtheit Merkmale und Verteilungen Tabellen und Grafiken...
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Die Grundgesamtheit......................... 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................ 10
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
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
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
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
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,
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrEine Einführung in R: Statistische Tests
I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Eine Einführung in R: Statistische Tests
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
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 9. Dezember 2009 Bernd Klaus, Verena Zuber
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
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrDr. W. Kuhlisch Dresden, Institut für Mathematische Stochastik
Dr. W. Kuhlisch Dresden, 12. 08. 2014 Institut für Mathematische Stochastik Klausur Statistik für Studierende der Fachrichtungen Hydrologie und Altlasten/Abwasser zugelassene Hilfsmittel: Taschenrechner
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrDipl.-Volksw. Markus Pullen Wintersemester 2012/13
Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 8. Sitzung Konfidenzintervalle, Hypothesentests > # Anwendungsbeispiel
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
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
MehrDWT 314/460 csusanne Albers
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schatzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schatzvariablen fur Parameter von Verteilungen. Sei ~X = (X 1 ; : : : ; X n ):
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
MehrStatistik mit und ohne Zufall
Christoph Weigand Statistik mit und ohne Zufall Eine anwendungsorientierte Einführung Mit 118 Abbildungen und 10 Tabellen Physica-Verlag Ein Unternehmen von Springer Inhaltsverzeichnis Teil I Deskriptive
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
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
MehrProbeklausur zu Mathematik 3 für Informatik
Gunter Ochs Juli 0 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immel ohne Galantie auf Fehreleiheit Sei f ln a Berechnen Sie die und die Ableitung f und f Mit der Produktregel erhält
MehrStatistik Einführung // Tests auf einen Parameter 8 p.2/74
Statistik Einführung Tests auf einen Parameter Kapitel 8 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Leydold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Tests
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
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
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
MehrGrundlagen der Statistik
www.nwb.de NWB Studium Betriebswirtschaft Grundlagen der Statistik Band 2: Wahrscheinlichkeitsrechnung und induktive Statistik Von Professor Dr. Jochen Schwarze 9., vollständig überarbeitete Auflage STUDIUM
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
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
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrMaster of Science in Pflege
Master of Science in Pflege Modul: Statistik Einführung in die schliessende Statistik Oktober 212 Prof. Dr. Jürg Schwarz Folie 2 Programm 31. Oktober 212: Vormittag (9.15 12.3) Vorlesung - Einführung,
MehrKapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Induktive Statistik Prof. Dr. W.-D.
Mehr