12.1 Wie funktioniert ein Signifikanztest?

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "12.1 Wie funktioniert ein Signifikanztest?"

Transkript

1 Sedlmeier & Renkewitz Kapitel 12 Signifikanztests 12.1 Wie funktioniert ein Signifikanztest? Zentrales Ergebnis eine Signifikanztests: Wie wahrscheinlich war es unter der Bedingung dass H0 gilt, diesen Wert (Daten) aus der Stichprobe zu ziehen? = p-wert oder p ist eine bedingte Wahrscheinlichkeit Beispiel p-wert: H0: Der Anteil depressiver Frauen über 70 Jahre wird mit 30% vermutet. Daten: Aus der Stichprobe wird ein Anteil von 45% ermittelt. Frage: Kann das Ergebnis noch Zufall (Stichprobenfehler) sein? Die Berechnung des p-werts erfolgt mit Hilfe der Stichprobenverteilung. Ein wichtiger Unterschied zwischen der Konstruktion eines Konfidenzintervalls beim Schätzen und dem Signifikanztesten: Konfidenzintervalle für Schätzungen erfolgen auf Basis empirischer Stichprobenstatistiken! Signifikanztesten konstruiert um theoretische oder erwartete Werte die Stichprobenverteilung! Also: Die Berechnung des p-werts erfolgt mit Hilfe der Stichprobenverteilung. Und zurück zur Frage: Kann das Ergebnis noch Zufall (Stichprobenfehler) sein? Damit die Frage beantwortet werden kann benötigen wir zur Berechnung des p-werts erst einmal ein Kriterium: bezeichnet einen Flächenanteil am Rand (oder an den Rändern) der Stichprobenverteilung. Wenn beispielsweise 5% beträgt, dann würden unter der Gültigkeit der H0 alle Ergebnisse mit einer kleineren Eintrittswahrscheinlichkeit als 5% eine systematische Abweichung der H0 sein und kein Zufall mehr! Annahme: über 82 Jahre hinweg ist der Anteil der Geburten von Jungen höher als der von Mädchen. Die Wahrscheinlichkeit laut Nullhypothese p=0,5 Binomialverteilung wenn p=0,5 wahr ist, sollten der Anteil Jungen im Normalfall in 40 Jahren höher sein (also halb/halb). Zahlenstrahl bis 82 Jahre Wir wahrscheinlich wäre es also, nach einer Überprüfung der Geburtenraten festzustellen, dass der Anteil der Geburtenraten in 82 Jahren immer höher war? Das rote Kreuz markiert diesen Fall. Es ist nahezu unmöglich (nahezu unmöglich unter der Annahme, dass H0 gilt und die Geburtenrate p=0,5 ist!!) H0 muss verworfen werden! Warum wird hier eine Binomialverteilung verwendet? Weil sich die Hypothese auf Anteile bezieht, wird mit einer Stichprobenverteilung für Anteile gerechnet = Binomialverteilung.

2 12.2 Vorgehensweise nach R.A. Fisher Der Test ist signifikant, wenn der Wert für die gefundene Stichprobenstatistik ein Kriterium (durch alpha festgelegt) überschreitet, oder äquivalent, wenn der p-wert kleiner oder gleich alpha ist dann wir die H0 abgelehnt. Wenn der Test allerdings nicht signifikant ist, ist nach Fisher keine weitere Schlussfolgerung möglich (es wird also nicht gesagt dann stimmt wohl die H0!) So unterscheidet sich Fisher`s Ansatz von den Folgenden! < H0 wird abgelehnt das kann kein Zufall sein! Vorzeichentest Das Vorzeichen gibt an, wie sich ein Wertepaar zueinander verhält. Beispiel: Wenn in einem Jahr der Anteil Jungen höher als der Mädchen; dann + Wenn in einem Jahr der Anteil Mädchen höher als der Jungen; dann Wenn in einem Jahr beide Anteile gleich große; dann = (wird später nicht mehr berücksichtigt) Nun wird getestet, ob sich die Anteile von + signifikant von den Anteilen - unterscheiden t-test für Mittelwert Zur Erinnerung: Die Prüfvariable t wird wie folgt konstruiert: mit einer geschätzten (!!!) Standardfehler von Beispiel: müh0 (erwarteter theoretischer Wert) = 100 IQ-Punkte Stichprobe = 101,2 IQ-Punkte und geschätzte Populationsstreuung 15,2 und n= 250. Wir ermitteln einen t-wert von 1,1249 und vergleichen diesen nun mit alpha = 5%(das Kriterium; der kritische Wert) = 1,65 Da der empirische t- Wert 1,1249 kleiner ist als der kritische Wert alpha 1,65 wird das Ergebnis nicht signifkant Je größer der t-wert, desto kleiner der p-wert! Daher Achtung falls: werden! Nicht signifikant wenn: muss H0 verworfen Der p-wert bezieht sich immer auf die Nullhypothese! Probleme mit der Vorgehensweise nach Fisher 1) Wie soll man ein signifikantes Ergebnis interpretieren? 2) Wie groß ist die Chance einen ganz kleinen Effekt zu finden, wenn er wirklich vorhanden ist? 3) Es können keine Aussagen gemacht werden, wenn ein Test nicht signifikant ist. (siehe Tabelle oben in rot) Weiter geht es darum, mit den Verbesserungsvorschlägen von Neyman & Pearson!

3 12.3 Neymans & Pearsons Verbesserungsvorschläge Die Lösung des 1. Problems Wie interpretiere ich ein signifikantes Ergebnis? erfolgte durch die Verhaltensinterpretation: Wenn der Test signifikant ist, verhalte dich so oder handle so, wie wenn die H1 wahr wäre, und wenn er nicht signifikant ist, so wie wenn die H0 wahr wäre. Zu den Probleme von Fischer 2) und 3): 2) Wie groß ist die Chance einen ganz kleinen Effekt zu finden, wenn er wirklich vorhanden ist? 3) Es können keine Aussagen gemacht werden, wenn ein Test nicht signifikant ist. Lösung für beide Probleme: die Alternativhypothese! Warum braucht man die Alternativhypothese und wie wird sie bestimmt? Warum brauchen wir überhaupt die Alternativhypothese? Für die Berechnung des p-werts sicherlich nicht, denn es gilt ja: Der p-wert bezieht sich immer auf die Nullhypothese! Wenn ein Effekt sehr, sehr klein ist, würde man ihn bei wiederholten Stichproben evtl. nie entdecken, obwohl er vorhanden ist. Wenn den Verdacht eines sehr kleinen Effekts schon von Anfang haben, könnten wir eine Annahme über die Alternativhypothese treffen: Was müssen wir unternehmen, um die Chance, den Effekt zu finden, zu vergrößern? Wir müssen bestimmen wie hoch die Wahrscheinlichkeit ist, den in H1 festgelegten Effekt mithilfe des Tests aufzudecken! Diese Wahrscheinlichkeit wird Teststärke oder auch Power genannt. (Wie man die Teststärke bestimmt folgt später). Das 2. Problem einen vorhandenen kleinen Effekt finden würde sich nun mit Bestimmung der Teststärke gar nicht erst ergeben (man würde z.b. die Studie (noch) nicht durchführen). Das 3. Problem ein nicht signifikantes-ergebnis interpretieren kann mit einem Blick auf die Teststärke gelöst werden. Nur wenn auch sehr kleine Effekte die Chance hatten entdeckt zu werden, dann ist ein nicht-signifikantes Ergebnis eine brauchbare Evidenz. Wenn hingegen schon bei winzigen Effekten die Teststärke sehr hoch ist, ist zu beachten, dass ggf. irrelevante Effekte (Störgrößen) bei großen Stichproben dafür sorgen und damit wäre das Ergebnis nicht mehr informativ. Man sollte sich genau überlegen, wie hoch ein praktisch bedeutsamer Effekt sein sollte und dann nachsehen, wie hoch der gefundene Effekt war.

4 Wie findet man die Alternativhypothese nun? 1. Wie groß soll ein bedeutsamer Effekt sein Effektgröße d (z.b. Testergebnisse eines normierten Tests bislang mit Standardabweichung von 12; eine Veränderung des Tests soll die Punktzahl um 5 Punkte erhöhen: d = 5/12 = 0,42 2. Analyse bisheriger relevanter Ergebnisse und deren Effektgrößen zur Schätzung des Populationseffekts und auf dieser Basis die Alternativhypothese festlegen. 3. Verwenden von Konventionen für Effektgrößen Allgemein lässt sich sagen: Welchen Effekt man für Alternativhypothesen wählt, hängt von der Intention der Forsch ab. Wenn man z.b. als Nullhypothese die Forschungshypothese ist, man also ein nicht-signifikantes Ergebnis haben möchte, sollte man versuchen auch sehr kleine Effekte nicht zu übersehen! Wenn man aber einen Effekt finden möchte, der auch praktisch bedeutsam ist, dann wird man als Alternativhypothese einen relativ großen Effekt in der Population annehmen (damit ein signifikantes Ergebnis in dem Fall auch wirklich richtig bedeutsam ist) Fehler erst und zweiter Art (alpha und beta) Bei der Entscheidung für H0 oder H1 können Fehler begangen werden: H0 wird verworfen, obwohl sie richtig ist = Fehler 1. Art/ alpha Fehler H1 wird verworfen, obwohl sie richtig ist = Fehler 2. Art/ beta Fehler Die Bestimmung des Kriteriums (kritischer Wert) sollte daher beim Signifikanztest das Resultat einer Abwägung zwischen der relativen Wichtigkeit von alpha und beta-fehler. Die Teststärke oder Power ist das Komplement von beta, also 1-beta Die Verhaltensinterpretation des Signifikanztestergebnisses Trennung des Signifikanztests in einen mathematischen (p-wert) und einen verhaltensrelevanten/ subjektiven Teil. Ausgangsbasis für den Test ist ein Entscheidungsproblem und das Ergebnis des Tests, soll die Grundlagen für die Entscheidung liefern. Da die subjektive Entscheidung über die größen von alpha und beta-fehler von Koste-Nutzen-Erwägungen abhängen und nicht auf Konventionen beruhen.

5 12.4 Welche Faktoren beeinflussen das Ergebnis eines Signifikanztests? Wiederholung: Das Hauptergebnis eines Signifkanztests ist der p-wert, die Wahrscheinlichkeit, dass das gefundene Ergebnis (oder ein noch extremeres) auftritt, wenn die H0 gilt. Aber wie kann man die Wahrscheinlichkeit dafür, dass ein Test signifikant wird, wenn die H1 zutrifft beeinflussen? Das ist die Frage nach der Teststärke, Power! Folgende drei Faktoren haben Einfluss auf die Teststärke (da sie alle drei auf die Form der Stichprobenverteilung oder den Abstand zwischen den Erwartungswerten für H0 oder H1 einwirken, haben sie auch Einfluss auf die Teststärke): Populations-Effektgröße Je größer der Populationseffekt, desto höher die Teststärke! (Teststärke: 1-beta) Unter b) lautet die H1, dass der Effekt bei 0,9 liegt also 40%über dem Erwartungswert, den die H0 mit 0,5 postuliert. Bei einem so großen Effekt ist beta sehr klein und die Power logischerweise sehr hoch! Stichprobengröße Gesetz der großen Zahl: der Standardfehler wird mit zunehmenden n kleiner! Je größer die Stichprobe, desto größer die Teststärke! Abwägung der Fehler erster und zweiter Art 1. Vor dem Test Kosten-Nutzen-Analyse durchführen und für die Größen von alpha und beta entscheiden. Welcher Fehler wäre bei unserem Test schwerwiegender hinsichtlich der Folgen und Unterlassen von Folgen? 2. Keiner der beiden Fehler sollte größer als 50% sein

6 Es gibt noch zwei weitere Faktoren Minimierung des experimentellen Fehlers = durch erhöhte Sorgfalt und Präzision (Störgrößen und ungenaue Messungen vermeiden denn diese wirken sich auf den Standardfehler aus Homogenität der Populationen In homogenen Gruppen ist eine geringere Varianz zu erwarten. Je homogener die Gruppe, desto höher die Teststärke! Größere Homogenität, kann allerdings auch eine geringere externe Validiltät bedeuten Poweranalyse Die aufgeführten Einflussfaktoren, Stichprobengröße, Populations-Effekt und Abwägung von alpha und beta sollten vor der Durchführung einer Untersuchung mittels einer Teststärkeanalyse/ Poweranalyse bewusst werden. Die mathematische Berechnung erfolgt aufgrund der Komplexität mit diversen Programmen und sei hier noch nicht näher erklärt. Folgende Arten einer Poweranalyse gibt es: Die Suche nach der Stichprobengröße: A priori-analyse Drei Fragen müssen beantwortet werden: 1. Was ist meine Alternativhypothese (mind. Effekt) 2. Wir groß möchte ich den Fehler 1. Art setzen? 3. Wie groß soll meine Teststärke sein? Die Suche nach einem Kompromiss zwischen alpha und beta Angenommen Stichprobenumfang ist niedrig und kann nicht erhöht werden, dann kann nur noch an alpha und beta gedreht werden! Was könnte also ein sinnvolles Verhältnis, zwischen alpha und beta sein? (Vom Inhalt der Hypothese abhängig) Die Suche nach weiteren Interpretationsmöglichkeiten post hoc-analyse = Teststärkenanalyse NACH der Durchführung des Tests. Ein Ergebnis ist nur dann sinnvoll interpretierbar, wenn selbst geringe Effekte eine hohe Chance hatten, aufgedeckt zu werden.

7 12.6 Vorgehensweise nach Neyman und Pearson Die Bestandteile eines Tests sind nun hinreichend behandelt worden, jetzt wird die Vorgehensweise besprochen (das ist eigentlich auch schon hinreichend bekannt): 1. Formuliere eine Nullhypothese und konstruiere die Stichprobenverteilung, falls Stichprobengröße vorgegeben ist 2. Formuliere eine Alternativhypothese und konstruiere die Stichprobenverteilung, falls die Stichprobengröße vorgegeben ist 3. Entscheide dich für die Größen von alpha und konstruiere aufgrund der daraus ermittelten Stichprobengröße die entsprechenden Stichprobenverteilungen (falls nicht schon geschehen sie 1. und 2.) 4. Prüfe ob der p-wert größer oder kleiner als alpha ist. (zur Auffrischung: p-wert ist die W`keit des Stichprobenergebnisses unter der Annahme, dass Nullhypothese zutrifft) 5. Wenn der p-wert nicht größer als alpha ist, dann ist das Ergebnis signifikant, ansonsten nicht signifikant 6. Wenn das Ergebnis signifikant ist, verhalte sich so, wie wenn die H1 wahr wäre, wenn er nicht signifikant ist, als wenn die H0 zuträfe. 7. Der beste Weg wäre, die Daten erst nach Schritt 3 zu erhaben, da man dann genau weiß, welche Stichprobengröße man braucht. Falls dies nicht möglich ist, sollte man in Schritt 3 im Rahmen einer Poweranalyse nach einem geeigneten Kompromiss zwischen alpha und beta suchen. Es folgen zwei ausführliche und mehrseitige Beispiele im Skript, die hier nicht aufgeführt sind! Akzeptanz des Ansatzes in Psychologie und Sozialwissenschaften Die reine Vorgehensweise Pearson oder Fisher wird hier kaum angewendet, da selten zeitkritische Entscheidungen anstehen. Gerade in der Grundlagenforschung ist man eher an Wissenzuwachs interessiert, daher hat es ein Verfahren, welches auf Entscheidungen ausgelegt ist, es eher schwer sich zu etablieren.

8 12.7 Das konventionelle Verfahren: Der Hybrid Aus folgt nun ein Verfahren, für welches kein Urheber bekannt ist, für die Psychologie aber am geeignetsten scheint Bestandteile (Achtung! Durch das Vermischen der verschiedenen statistischen Ansätze wird der p-wert oft falsch interpretiert!) Bestimmungsmerkmale für den Hybrid : Fast nie Interpretation von Signifikanzergebnissen Fehler 1. Art liegt nahezu immer bei 1% oder 5% (ohne Kosten-Nutzen-Analyse) Beinahe überall gibt es eine Alternativhypothese Nicht-signifikante Ergebnisse werden meist nicht interpretiert, obwohl oft eine Teststärke mit angegeben ist. Sternchenstrategie sehr beliebt. * signifikant für p<5%, ** sehr signifikant für p<1% *** hoch signifikant für p<0,1% Diese Vorgehensweise suggeriert eine Aussage über den p-wert, allerdings nur eingeschränkt, etwa wenn man die Ergebnisse identischer Experimente miteinander vergleichen würde Es verbreitet sich die Meinung, dass man auch der Alternativhypothese eine genügend hohe Chance einräumen sollte, dass also die Power genügend hoch sein sollte! Vorgehensweise und Ergebnisinterpretation Vorgehen beinahe analog zu 12.6 allerdings würde man von Beginn an gleich ein alpha von 5% oder 1% festlegen und eine genügend hohe Teststärke sicherstellen bzw. nachhinein feststellen wie hoch die Teststärke ist. Eine hohe Teststärke ist die Voraussetzung dafür, dass die Zufallsinterpretation eines Signifikanztestergebnisses in beide Richtungen anwendbar sind. p-wert < alpha = signifkant -> H0 verwerfen -äquivalent- p-wert < ß = nicht signifikant Wenn die H0 wahr ist, dann kann das kein Zufall mehr sein! Die Poweranalyse garantiert, dass das Testergebnis symmetrisch interpretiert werden kann (sowohl als Evidenz für die H0 als auch für die H1), auf wenn nur berechnet wird.

9 12.8 Signifikanztests: Was man noch wissen sollte bezieht sich aus beide Ansätze (konventionelle und Neymann & Pearson) Spezifikation von Null- und Alternativhypothese Einseitige vs. Zweiseitige Tests Richtung sollte aus der Aufgabenstellung hervorgehen. Soll nur irgendein Effekt gefunden werden, wird man meist zweiseitig testen und alpha auf beide Ränder aufteilen. Es ist also bei zweiseitigen Tests schwieriger ein signifikantes Ergebnis zu erhalten Wie man p-werte nicht interpretieren sollte Aber vorher nochmal: der p-wert gibt an, wie wahrscheinlich es war, ein Ergebnis zu ermitteln, unter der Voraussetzung, dass die Nullhypothese gilt. das ist richtig! Die beliebtesten Fehlinterpretationen: p-werte sind Indikatoren für die Größe eines Effekt (falsch) Erlauben eine Abschätzung der W`keit, dass die Nullhypothese-/Alternativhypothese zutrifft (falsch) Sind Irrtumswahrscheinlichkeiten: wenn man sich aufgrund des p-werts dafür entscheidet, die Nullhypothese zu verwerfen, kennt man die Wahrscheinlichkeit, dass man dabei einen Fehler macht (falsch) Erlauben eine Abschätzung der W`keit, dass ein Ergebnis replizierbar ist (falsch) Sehen wir uns die Interpretationen genauer an Warum ist p kein Indikator für die Effektgröße? Ein p-wert alleine sagt nichts über die Größe eines Effekts aus! Der Effekt der Studie ist nur einer von mehreren Faktoren, die den p-wert beeinflussen, deshalb kann man von einer Veränderung des p-werts nicht auf eine Veränderung der Effektgröße schließen. Warum kann man mit p die Wahrscheinlichkeiten der Hypothese nicht abschätzen? Die Wahrscheinlichkeitsaussage von p bezieht sich auf ein gefundenes Ergebnis (wie wahrscheinlich war es, dieses Ergebnis zu finden, wenn H0 gilt) und nicht auf die Nullhypothese! Warum ist p nicht die Irrtumswahrscheinlichkeit? Die Irrtumswahrscheinlichkeit bezieht sich auf den Fehler 1. Art und wird vor dem Test festgelegt. Der p- Wert hingegen steht ja erst nach Datenerhebung fest und wird aufgrund von empirischen Ergebnissen berechnet. Der p-wert ist ein Produkt der Daten, wohingegen die Irrtumswahrscheinlichkeit eine Eigenschaft des Tests ist. Warum ist p kein Indikator für Replizierbarkeit? Unterschiedliche Ziehungen führen zu unterschiedlichen p-werten und können somit nicht Indikator für Replizierbarkeit sein. Die Replizierbarkeit eines Ergebnisses hängt von der Teststärke (Power) ab, und die wiederum von n, der Effektgröße und alpha. Wenn diese Größen fixiert sind und wiederholt Stichproben gezogen werden, dann bleibt die Teststärke konstant, aber es ist zu erwarten, dass sich die einzelnen Ergebnisse unterscheiden werden. Wie sollte man p-werte interpretieren? Ein p-wert ist die bedingte W`keit für ein Ergebnis (und alle noch extremeren Ergebnisse), unter der Bedingung, dass die H0 zutrifft.

10 Signifikanztest und Konfidenzintervall Signifikanztests und Konfidenzintervalle hängen eng miteinander zusammen. Zur Erinnerung: Ein X%-Konfidenzintervall ist das Intervall, das die mittleren X% der Stichprobenverteilung einschließt, die um eine aus der Stichprobe berechnete Stichprobenstatistik herum erstellt wird. Ein X% - Konfidenzintervall, das den Wert für die Nullhypothese nicht überlappt, ist äquivalent zu einem signifkanten Testergebnis mit einem zweiseitigen alpha von 100-X%. Bei einem einseitigen alpha zeigt schon ein (100%-2alpha)-Konfidenzintervall, das den Wert für die H0 nicht überlappt, dass das entsprechende Testergebnis signifikant ist. Warum? Man vergegenwärtige sich, wie die Streuung (Standardfehler) der Stichprobenverteilung berechnet wird. Er wird für beide Fälle aus der Stichprobenvarianz geschätzt und diese Schätzung ist für beide Fälle identisch. Ein Mittelwert eines KI noch weiter von der H0 entfernt liegt also außerhalb des durch alpha/2 gekennzeichneten Kriteriums -, dann wäre das immer äquivalent mit einem signifikanten Ergebnis p<alpha Ein KI das den Wert der H0 überdeckt, ist gleichbedeutend mit einem nicht-signifikanten Ergebnis p>alpha Konfidenzintervalle können also im Prinzip auch zum Signifikanztesten verwendet werden Signifikanztest und Konfidenzintervall Aussagen auf basis inferenzstatistischer Verfahren nur interpretierbar, wenn die Studie sauber durchgeführt wurde. Gut überlegen für welche Population mein Ergebnis aussagekräftig ist! Empfehlung der APA Task Force Immer Teststärke berechnen, exakte p-werte berichten (keine Sternchen), immer (Stichproben- )Effektgrößen berechnen und im Zweifelsfällen Konfidenzintervallen gegenüber Signifikanztests den Vorzug geben.

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede

Mehr

Pflichtlektüre: Kapitel 12 - Signifikanztest Wie funktioniert ein Signifikanztest? Vorgehensweise nach R. A. Fisher.

Pflichtlektüre: 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

Mehr

14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler

14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler DAS THEMA: INFERENZSTATISTIK II INFERENZSTATISTISCHE AUSSAGEN Standardfehler Konfidenzintervalle Signifikanztests Standardfehler der Standardfehler Interpretation Verwendung 1 ZUR WIEDERHOLUNG... Ausgangspunkt:

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und

Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und β-fehler? Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de

Mehr

Studiendesign/ Evaluierungsdesign

Studiendesign/ Evaluierungsdesign Jennifer Ziegert Studiendesign/ Evaluierungsdesign Praxisprojekt: Nutzerorientierte Evaluierung von Visualisierungen in Daffodil mittels Eyetracker Warum Studien /Evaluierungsdesign Das Design einer Untersuchung

Mehr

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion

Mehr

Einfache Varianzanalyse für abhängige

Einfache Varianzanalyse für abhängige Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese

Mehr

Grundlagen der Inferenzstatistik

Grundlagen der Inferenzstatistik Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,

Mehr

Ein möglicher Unterrichtsgang

Ein möglicher Unterrichtsgang Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige

Mehr

Einfache statistische Auswertungen mit dem Programm SPSS

Einfache statistische Auswertungen mit dem Programm SPSS Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...

Mehr

Der Provider möchte möglichst vermeiden, dass die Werbekampagne auf Grund des Testergebnisses irrtümlich unterlassen wird.

Der Provider möchte möglichst vermeiden, dass die Werbekampagne auf Grund des Testergebnisses irrtümlich unterlassen wird. Hypothesentest ================================================================== 1. Ein Internetprovider möchte im Fichtelgebirge eine Werbekampagne durchführen, da er vermutet, dass dort höchstens 40%

Mehr

Eine Einführung in R: Statistische Tests

Eine 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 http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/

Mehr

Business Value Launch 2006

Business Value Launch 2006 Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung

Mehr

3. Der t-test. Der t-test

3. Der t-test. Der t-test Der t-test 3 3. Der t-test Dieses Kapitel beschäftigt sich mit einem grundlegenden statistischen Verfahren zur Auswertung erhobener Daten: dem t-test. Der t-test untersucht, ob sich zwei empirisch gefundene

Mehr

Skriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum)

Skriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum) Skriptum zur Veranstaltung Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik 1. Version (mehr Draft als Skriptum) Anmerkungen, Aufzeigen von Tippfehlern und konstruktive Kritik erwünscht!!!

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen zur Vorlesung Statistik (Master) Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften

Mehr

12. Vergleich mehrerer Stichproben

12. Vergleich mehrerer Stichproben 12. Vergleich mehrerer Stichproben Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Häufig wollen wir verschiedene Populationen, Verfahren, usw. miteinander vergleichen. Beipiel: Vergleich

Mehr

Klausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.

Klausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Klausur Nr. 1 2014-02-06 Wahrscheinlichkeitsrechnung Pflichtteil Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere und übersichtliche Darstellung,

Mehr

Statistik für Studenten der Sportwissenschaften SS 2008

Statistik für Studenten der Sportwissenschaften SS 2008 Statistik für Studenten der Sportwissenschaften SS 008 Aufgabe 1 Man weiß von Rehabilitanden, die sich einer bestimmten Gymnastik unterziehen, dass sie im Mittel µ=54 Jahre (σ=3 Jahre) alt sind. a) Welcher

Mehr

E ektgrößen Metaanalysen. Zusammenhänge und Unterschiede quantifizieren E ektgrößen

E ektgrößen Metaanalysen. Zusammenhänge und Unterschiede quantifizieren E ektgrößen DAS THEMA: EFFEKTGRÖßEN UND METAANALYSE E ektgrößen Metaanalysen Zusammenhänge und Unterschiede quantifizieren E ektgrößen Was ist ein E ekt? Was sind E ektgrößen? Berechnung von E ektgrößen Interpretation

Mehr

Tutorial: Homogenitätstest

Tutorial: Homogenitätstest Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite

Mehr

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte 50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien

Mehr

STATISTIK 1 - BEGLEITVERANSTALTUNG

STATISTIK 1 - BEGLEITVERANSTALTUNG STATISTIK 1 - BEGLEITVERANSTALTUNG VORLESUNG 4 ALPHA / BETA-FEHLER 12.12.2014 1 12.12.2014 1 Mona Ulrich, Psychologie (M.Sc.) AGENDA 01 STATISTISCHE HYPOTHESEN 02 POPULATION / STICHPROBE 03 ALPHA/ BETA-FEHLER

Mehr

Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test

Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test 1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

Mehr

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde

Mehr

9. StatistischeTests. 9.1 Konzeption

9. StatistischeTests. 9.1 Konzeption 9. StatistischeTests 9.1 Konzeption Statistische Tests dienen zur Überprüfung von Hypothesen über einen Parameter der Grundgesamtheit (bei einem Ein-Stichproben-Test) oder über die Verteilung einer Zufallsvariablen

Mehr

methodenlehre ll Grenzen des Signifikanztests methodenlehre ll Grenzen des Signifikanztests

methodenlehre ll Grenzen des Signifikanztests methodenlehre ll Grenzen des Signifikanztests Möglichkeiten und Grenzen des Signifikanztests Thomas Schäfer SS 29 1 Grenzen des Signifikanztests Sie haben zur Untersuchung Ihrer Fragestellung eine Experimental und eine Kontrollgruppe mit jeweils 2

Mehr

Überblick über die Verfahren für Ordinaldaten

Überblick über die Verfahren für Ordinaldaten Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische

Mehr

Statistik II für Betriebswirte Vorlesung 3

Statistik II für Betriebswirte Vorlesung 3 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst

Mehr

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen

Mehr

Lineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3

Lineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3 Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen

Mehr

Versuchsplanung. Teil 1 Einführung und Grundlagen. Dr. Tobias Kiesling <kiesling@stat.uni-muenchen.de> Einführung in die Versuchsplanung

Versuchsplanung. Teil 1 Einführung und Grundlagen. Dr. Tobias Kiesling <kiesling@stat.uni-muenchen.de> Einführung in die Versuchsplanung Versuchsplanung Teil 1 Einführung und Grundlagen Dr. Tobias Kiesling Inhalt Einführung in die Versuchsplanung Hintergründe Grundlegende Prinzipien und Begriffe Vorgehensweise

Mehr

Betragsgleichungen und die Methode der Fallunterscheidungen

Betragsgleichungen und die Methode der Fallunterscheidungen mathe online Skripten http://www.mathe-online.at/skripten/ Betragsgleichungen und die Methode der Fallunterscheidungen Franz Embacher Fakultät für Mathematik der Universität Wien E-mail: franz.embacher@univie.ac.at

Mehr

Mathematische und statistische Methoden II

Mathematische 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

Mehr

Klausur: Einführung in die Statistik

Klausur: Einführung in die Statistik 1 Lösungen immer unter die jeweiligen Aufgaben schreiben. Bei Platzmangel auf die Rückseite schreiben (dann Nummer der bearbeiteten Aufgabe mit anmerken!!!). Lösungen, die nicht auf den Aufgabenblättern

Mehr

Statistische Auswertung:

Statistische Auswertung: Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.

Mehr

3. Der t-test. Der t-test

3. Der t-test. Der t-test 3 3. Der t-test Dieses Kapitel beschäftigt sich mit einem grundlegenden statistischen Verfahren zur Auswertung erhobener Daten: dem t-test. Der t-test untersucht, ob sich zwei empirisch gefundene Mittelwerte

Mehr

Übungsaufgaben zu Kapitel 5. Aufgabe 101. Inhaltsverzeichnis:

Übungsaufgaben zu Kapitel 5. Aufgabe 101. Inhaltsverzeichnis: Inhaltsverzeichnis: Übungsaufgaben zu Kapitel 5... 1 Aufgabe 101... 1 Aufgabe 102... 2 Aufgabe 103... 2 Aufgabe 104... 2 Aufgabe 105... 3 Aufgabe 106... 3 Aufgabe 107... 3 Aufgabe 108... 4 Aufgabe 109...

Mehr

Statistik II für Betriebswirte Vorlesung 2

Statistik II für Betriebswirte Vorlesung 2 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander

Mehr

Melanie Kaspar, Prof. Dr. B. Grabowski 1

Melanie Kaspar, Prof. Dr. B. Grabowski 1 7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen

Mehr

Stochastik Abitur 2009 Stochastik

Stochastik Abitur 2009 Stochastik Abitur 2009 Stochastik Beilage ea (erhöhtes Anforderungsniveau) ga (grundlegendes Anforderungsniveau) ISBN 978-3-8120-0108-3 und ISBN 978-3-8120-0223-3 1 Aufgabe 2 (ea) Rauchen ist das größte vermeidbare

Mehr

Univariate/ multivariate Ansätze. Klaus D. Kubinger. Test- und Beratungsstelle. Effektgrößen

Univariate/ multivariate Ansätze. Klaus D. Kubinger. Test- und Beratungsstelle. Effektgrößen Univariate/ multivariate Ansätze Klaus D. Kubinger Effektgrößen Rasch, D. & Kubinger, K.D. (2006). Statistik für das Psychologiestudium Mit Softwareunter-stützung zur Planung und Auswertung von Untersuchungen

Mehr

DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007

DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007 Wirtschaftswissenschaftliches Prüfungsamt DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 006/07 8.0.007 Lösung Prof. Dr. R Friedmann / Dr. R. Hauser Hinweise für die Klausurteilnehmer

Mehr

Prüfen von Mittelwertsunterschieden: t-test

Prüfen von Mittelwertsunterschieden: t-test Prüfen von Mittelwertsunterschieden: t-test Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) t-test

Mehr

Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)

Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.) ue biostatistik: nichtparametrische testverfahren / ergänzung 1/6 h. Lettner / physik Statistische Testverfahren Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)

Mehr

Klausur in Statistik VWA Essen

Klausur in Statistik VWA Essen Prof. Dr. Peter von der Lippe Klausur in Statistik VWA Essen neue Regelung (verkürzter Stoff) Bitte schreiben Sie hier Ihren Namen auf das Deckblatt. Bitte neben dieser Aufgabenstellung keine weitere Blätter

Mehr

Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1

Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1 Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt

Mehr

8. Konfidenzintervalle und Hypothesentests

8. 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

Mehr

Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero?

Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero? Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero? Manche sagen: Ja, manche sagen: Nein Wie soll man das objektiv feststellen? Kann man Geschmack objektiv messen? - Geschmack ist subjektiv

Mehr

Webergänzung zu Kapitel 10

Webergänzung zu Kapitel 10 Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder

Mehr

Methodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg

Methodenlehre. 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

Mehr

Willkommen zur Vorlesung Statistik

Willkommen zur Vorlesung Statistik Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang

Mehr

Messwerte und deren Auswertungen

Messwerte und deren Auswertungen Thema: Messwerte und deren Auswertungen Vorlesung Qualitätsmanagement, Prof. Dr. Johann Neidl Seite 1 Stichproben vertrauen Die Genauigkeit von Voraussagen (Vertrauensniveau) einer Stichprobenprüfung hängt

Mehr

Risikodiversifikation. Birgit Hausmann

Risikodiversifikation. Birgit Hausmann diversifikation Birgit Hausmann Übersicht: 1. Definitionen 1.1. 1.2. diversifikation 2. messung 2.1. messung im Überblick 2.2. Gesamtaktienrisiko und Volatilität 2.3. Systematisches und Betafaktor 2.4.

Mehr

Leseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter

Leseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter Leseprobe Wilhelm Kleppmann Versuchsplanung Produkte und Prozesse optimieren ISBN: -3-44-4033-5 Weitere Informationen oder Bestellungen unter http://www.hanser.de/-3-44-4033-5 sowie im Buchhandel. Carl

Mehr

3.3. Aufgaben zur Binomialverteilung

3.3. Aufgaben zur Binomialverteilung .. Aufgaben zur Binomialverteilung Aufgabe 1: Ziehen mit Zurücklegen und Binomialverteilung Ein sechsseitiger Würfel wird zehnmal geworfen. a) Wie groß ist die Wahrscheinlichkeit, nur beim ersten Mal die

Mehr

Praktikum Physik. Protokoll zum Versuch: Geometrische Optik. Durchgeführt am 24.11.2011

Praktikum Physik. Protokoll zum Versuch: Geometrische Optik. Durchgeführt am 24.11.2011 Praktikum Physik Protokoll zum Versuch: Geometrische Optik Durchgeführt am 24.11.2011 Gruppe X Name1 und Name 2 (abc.xyz@uni-ulm.de) (abc.xyz@uni-ulm.de) Betreuerin: Wir bestätigen hiermit, dass wir das

Mehr

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8 1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen

Mehr

1.4.1 Lernen mit Podcasts

1.4.1 Lernen mit Podcasts 20 Die Bachelorarbeit er gut gefallen hat oder auch nicht). Hier nun kurz skizziert die drei Beispiele, die wir im Verlauf dieses Buchs immer wieder heranziehen werden: Waltraud und Valerie 1.4.1 Lernen

Mehr

1.3 Die Beurteilung von Testleistungen

1.3 Die Beurteilung von Testleistungen 1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen

Mehr

Bereiche der Statistik

Bereiche der Statistik Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden

Mehr

INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE. Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße

INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE. Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße DAS THEMA: INFERENZSTATISTIK III INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße Inferenzstatistik für Lagemaße Standardfehler

Mehr

Abitur 2012 Mathematik GK Stochastik Aufgabe C1

Abitur 2012 Mathematik GK Stochastik Aufgabe C1 Seite 1 Abiturloesung.de - Abituraufgaben Abitur 2012 Mathematik GK Stochastik Aufgabe C1 nter einem Regentag verstehen Meteorologen einen Tag, an dem mehr als ein Liter Niederschlag pro Quadratmeter gefallen

Mehr

Statistisches Testen

Statistisches Testen Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall

Mehr

Behörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik

Behörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.

Mehr

Persönlichkeit und Persönlichkeitsunterschiede

Persönlichkeit und Persönlichkeitsunterschiede 9 Persönlichkeit und Persönlichkeitsunterschiede 1 Inhalt Die Beschäftigung mit der menschlichen Persönlichkeit spielt in unserem Alltag eine zentrale Rolle. Wir greifen auf das globale Konzept Persönlichkeit

Mehr

Beurteilung der biometrischen Verhältnisse in einem Bestand. Dr. Richard Herrmann, Köln

Beurteilung der biometrischen Verhältnisse in einem Bestand. Dr. Richard Herrmann, Köln Beurteilung der biometrischen Verhältnisse in einem Bestand Dr. Richard Herrmann, Köln Beurteilung der biometrischen Verhältnisse in einem Bestand 1 Fragestellung Methoden.1 Vergleich der Anzahlen. Vergleich

Mehr

Methodenlehre. Vorlesung 13. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg

Methodenlehre. 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

Mehr

5. Seminar Statistik

5. 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

Mehr

Statistik II. IV. Hypothesentests. Martin Huber

Statistik 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

Mehr

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel 16.11.01 MP1 - Grundlagen quantitativer Sozialforschung - (4) Datenanalyse 1 Gliederung Datenanalyse (inferenzstatistisch)

Mehr

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte

Mehr

Auswertung mit dem Statistikprogramm SPSS: 30.11.05

Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit

Mehr

Repetitionsaufgaben Wurzelgleichungen

Repetitionsaufgaben Wurzelgleichungen Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen

Mehr

5.2. Nichtparametrische Tests. 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY

5.2. Nichtparametrische Tests. 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY 5.2. Nichtparametrische Tests 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY Voraussetzungen: - Die Verteilungen der beiden Grundgesamtheiten sollten eine ähnliche Form aufweisen. - Die

Mehr

W-Rechnung und Statistik für Ingenieure Übung 11

W-Rechnung und Statistik für Ingenieure Übung 11 W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik

Mehr

QM: Prüfen -1- KN16.08.2010

QM: Prüfen -1- KN16.08.2010 QM: Prüfen -1- KN16.08.2010 2.4 Prüfen 2.4.1 Begriffe, Definitionen Ein wesentlicher Bestandteil der Qualitätssicherung ist das Prüfen. Sie wird aber nicht wie früher nach der Fertigung durch einen Prüfer,

Mehr

Parametrische vs. Non-Parametrische Testverfahren

Parametrische vs. Non-Parametrische Testverfahren Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer

Mehr

2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht

2. 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,

Mehr

WORKSHOP METHODEN ZUR TEST- UND FRAGEBOGENKONSTRUKTION UND VERFAHREN DER DATENAUSWERTUNG. Prof. Dr. Nadine Spörer

WORKSHOP METHODEN ZUR TEST- UND FRAGEBOGENKONSTRUKTION UND VERFAHREN DER DATENAUSWERTUNG. Prof. Dr. Nadine Spörer WORKSHOP METHODEN ZUR TEST- UND FRAGEBOGENKONSTRUKTION UND VERFAHREN DER DATENAUSWERTUNG Prof. Dr. Nadine Spörer Gliederung Messmodelle: Status- und Prozessdiagnostik Schulleistungstests und Fragebögen

Mehr

Fortgeschrittene Statistik Logistische Regression

Fortgeschrittene Statistik Logistische Regression Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E

Mehr

Primzahlen und RSA-Verschlüsselung

Primzahlen und RSA-Verschlüsselung Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also

Mehr

Kaplan-Meier-Schätzer

Kaplan-Meier-Schätzer Kaplan-Meier-Schätzer Ausgangssituation Zwei naive Ansätze zur Schätzung der Survivalfunktion Unverzerrte Schätzung der Survivalfunktion Der Kaplan-Meier-Schätzer Standardfehler und Konfidenzintervall

Mehr

B 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!

B 2.  Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!! Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden

Mehr

Methodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg

Methodenlehre. 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

Mehr

2.1 Die Normalverteilung

2.1 Die Normalverteilung . INFERENZSTATISTIK Inferenzstatistik bedeutet übersetzt schließende Statistik. Damit ist der Schluss von den erhobenen Daten einer Stichprobe auf Werte in der Population gemeint..1 Die Normalverteilung

Mehr

Musterlösung zu Serie 14

Musterlösung zu Serie 14 Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen

Mehr

Lösungen zu den Übungsaufgaben in Kapitel 10

Lösungen 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

Mehr

6. METRISCHE UND KATEGORIALE MERKMALE

6. METRISCHE UND KATEGORIALE MERKMALE 6. METRISCHE UND KATEGORIALE MERKMALE wenn an einer Beobachtungseinheit eine (oder mehrere) metrische und eine (oder mehrere) kategoriale Variable(n) erhoben wurden Beispiel: Haushaltsarbeit von Teenagern

Mehr

Statistik im Versicherungs- und Finanzwesen

Statistik im Versicherungs- und Finanzwesen Springer Gabler PLUS Zusatzinformationen zu Medien von Springer Gabler Grimmer Statistik im Versicherungs- und Finanzwesen Eine anwendungsorientierte Einführung 2014 1. Auflage Übungsaufgaben zu Kapitel

Mehr

Risiko und Symmetrie. Prof. Dr. Andrea Wirth

Risiko und Symmetrie. Prof. Dr. Andrea Wirth Risiko und Symmetrie Prof. Dr. Andrea Wirth Gliederung 1. Einleitung Was ist eigentlich Risiko? 2. Risiko Mathematische Grundlagen 3. Anwendungsbeispiele Wo genau liegt der Schmerz des Risikos? 4. Sie

Mehr

5. Schließende Statistik. 5.1. Einführung

5. Schließende Statistik. 5.1. Einführung 5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.

Mehr

13.5 Der zentrale Grenzwertsatz

13.5 Der zentrale Grenzwertsatz 13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle

Mehr

Aufgabenblock 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. 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 )

Mehr

Methodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg

Methodenlehre. 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

Mehr

VS PLUS

VS PLUS VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen - Inferenzstatistik 1 [Übungsaufgaben und Lösungenn - Inferenzstatistik 1] ÜBUNGSAUFGABEN

Mehr

Informationsblatt Induktionsbeweis

Informationsblatt Induktionsbeweis Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln

Mehr