Fallzahlplanung bei unabhängigen Stichproben
|
|
- Renate Meissner
- vor 7 Jahren
- Abrufe
Transkript
1 Seminar Aktuelle biometrische Probleme 2. Januar 2005 Inhaltsverzeichnis Einführung in die Fallzahlplanung 2. Grundlegendes zur Fallzahlplanung Fallzahlplanung problemabhängig Gründe für die Fallzahlplanung Fallzahlplanung bei verbundenem t-test 3 2. Testgröße bei verbundenem t-test Herleitung der Fallzahlformel Beispiel Fallzahlplanung bei unverbundenem t-test 5 3. Testgröße bei unverbundenem t-test Herleitung der Fallzahlformel Interpretation der Formel Anmerkungen Beispiel Zusammenfassung - Ausblick 8
2 Einführung in die Fallzahlplanung. Grundlegendes zur Fallzahlplanung Bei klinischen Studien ist im Planungsstadium die Wahrscheinlichkeit, mit der man einen Unterschied zwischen zwei Therapieformen nachweisen kann, eine der zentralen Größen. Diese Wahrscheinlichkeit hängt vom wahren Unterschied µ µ 2 zwischen den Therapien, sowie von der Fallzahl N ab. Dabei gilt, je größer die Fallzahl, desto größer die Wahrscheinlichkeit (auch kleine) Unterschiede nachzuweisen (vgl. Grafik ). Bei gegebener Patientenzahl wird ein Unterschied umso wahrscheinlicher nachgewiesen, je größer dieser ist (vgl. Grafik 2). Abbildung : Zusammenhang zwischen Fallzahl N und Power β (α und gegeben) Abbildung 2: Zusammenhang zwischen Unterschied und Power β (α und N gegeben) Der Kliniker definiert vor der Studie den, realistischerweise, zu erwartenden Unterschied. Diesen, oder einen größeren, möchte man dann mit möglichst großer Wahrscheinlichkeit nachweisen. Diese Wahrscheinlichkeit, die sogenannte Power, gibt man sich ebenfalls vor. Häufig verwendet man dabei β = 0.0 oder β = 0.20, also eine Power von 80% oder 90%. Des weiteren wird der Fehler. Art vorgegeben. Standardmäßig wählt man α = Man gibt sich also das Signifikanzniveau α, die Power β sowie den klinisch relevanten Unterschied vor und berechnet daraus (approximativ) den benötigten Stichprobenumfang..2 Fallzahlplanung problemabhängig Da die Fallzahlplanung bei klinischen Studien darauf abzielt bestimmte Effekte (statistisch signifikant) nachzuweisen, ist klar, dass die Fallzahl von dem zu verwendenden statistischen Test und dieser wiederum von der vorliegenden Situation abhängt. Die Stichprobengröße wird somit (u.a.) in Abhängigkeit vom zugrunde liegenden Testproblem bestimmt. Eine Rolle spielt natürlich auch, ob wir eine ein- oder zweiseitige Fragestellung vorliegen haben. Meist wählt man zweiseitige Fragestellungen. Die Aufteilung der Patienten auf die Gruppen ist ein weiterer Einflussfaktor auf den Stichprobenumfang. Die optimale Aufteilung : (vgl. auch 3.4) wird zwar in vielen Studien verwendet, es gibt aber durchaus auch Gründe für andere Gruppenverhältnisse. Bei einer größeren Gruppe die mit dem Novum behandelt wird erleidet man zwar bezüglich des Tests einen Effizienzverlust, gleichzeitig erhält man jedoch mehr Informationen über potentielle Nebenwirkungen. 2
3 .3 Gründe für die Fallzahlplanung Wie wichtig es ist, eine Fallzahlplanung zu Beginn einer Studie durchzuführen und die Gruppengröße nicht dem Zufall zu überlassen, erkennt man, wenn man sich die folgenden Sachverhalte vor Augen führt: Eine Studie mit zu geringer Patientenzahl lässt keinen statistischen Schluss zu. Bei nur wenigen Probanden kann man somit auch große Effekte nicht nachweisen. Man belastet also die Patienten unnötig mit einer Studie. Umgekehrt ist natürlich auch eine zu große Zahl an Patienten nicht sinnvoll. Um Effekte nachzuweisen, die auch klinisch relevant sind reicht meist eine begrenzte Zahl an Studienteilnehmern. Mehr Personen sind dann nicht mehr sinnvoll, weil der somit möglicherweise nachweisbare (kleinere) Unterschied nicht mehr klinisch relevant ist. Man denke hierbei z.b. an die Grenzen der Messgenauigkeit bei der Erhebung von Daten. Die überschüssigen Teilnehmer werden also unnötig belastet. Da an Studien auch immer Geldgeber beteiligt sind, ist auch aus deren Sicht eine sinnvolle, nicht zu kleine aber auch nicht zu große, Fallzahl erstrebenswert, da diese das beste Kosten-Nutzen- Verhältnis widerspiegelt. Da die Fallzahlplanung selbstverständlich vor der Durchführung der Studie erfolgen muss und auch für die Behörden wichtig ist wird sie, neben anderen statistischen Vorgehensweisen in der Studie, ins Studienprotokoll aufgenommen. Dabei ist anzumerken, dass das Studienprotokoll vor der Studie erstellt wird und alle Einzelheiten der Studie regelt. 2 Fallzahlplanung bei verbundenem t-test Wir betrachten im folgenden kurz die Fallzahlplanung bei verbundenen, normalverteilten (oder zumindest approximativ normalverteilten) Stichproben. Die interessierende Größe ist hier die Differenz µ d = µ µ 2. Dabei ist die Varianz der Differenz σ d. Der Einstichprobenfall, bei dem wir mit einer Konstanten µ 0 vergleichen, ist analog zu betrachten. Man setzt lediglich die Standardabweichung der Differenzen σ d gleich σ also der Standardabweichung der Stichprobe. Abbildung 3: Zentrale t-verteilung mit df = 0 Abbildung 4: Nichtzentrale t-verteilung mit df = 0 und nct = 5 2. Testgröße bei verbundenem t-test Die Testgröße beim verbundenen t-test lautet T = X µ0 S n im Einstichprobenfall bzw. T = D δ 0 S d n (D = Y Y 2 ) im Fall einer verbundenen Stichprobe (Zweistichprobenfall). Sie ist unter der Null- 3
4 hypothese H 0 t n -verteilt. Unter H ist die Testgröße t n,nct -verteilt, also nichtzentral t-verteilt, mit dem Nichtzentralitätsparameter nct. 2.. Nichtzentrale t-verteilung Die Verteilungsfunktion der nichtzentralen t-verteilung t β,n,nct mit dem Nichtzentralitätsparameter nct ist im allgemeinen nicht explizit zu berechnen. Man kann sie jedoch approximieren, durch t β,n,nct t β,n + nct, also durch eine t-verteilung die um nct nach rechts verschoben ist. Für die zentrale t-verteilung gilt, dass sie um Null symmetrisch ist, also t β,n = t β,n. Diese Eigenschaften sind in Abbildung 3 und 4 dargestellt. 2.2 Herleitung der Fallzahlformel Zuerst sind einige Vorbereitungen von Nöten. Allgemein gilt, dass nct = µ d σ d n = c n. Man setzt zur Fallzahlberechnung den wahren Fehler µ d =, den zu entdeckenden Unterschied. Es gilt dann, dass nct = σ d n, also c = σ d Für die Fallzahl N gilt dann: Einseitiger Test: Zweiseitiger Test: N [t α,df + t β,df ] 2 c 2 N [t α/2,df + t β,df ] 2 c 2 Achtung, es gilt hier natürlich N = n. Da df = n ist, taucht somit die Fallzahl auf beiden Seiten der Gleichung auf. Die Gleichung lässt sich deshalb nicht explizit lösen Lösung mittels Rekursion Um die Gleichung berechnen zu können verwendet man ein rekursives Verfahren. Man berechnet für df = die Gleichung. Dazu wählt man statt der t-verteilungsquantile die der Standardnormalverteilung. Man erhält ein N. Dieses setzt man nun in die rechte Seite der Gleichung als df = N ein. Man berechnet wieder die linke Seite und erhält somit ein N 2. Ist N kleiner als N 2, so ist man fertig. Anderenfalls setzt man das neue N 2 in die Formel ein und berechnet N 3. Dies wiederholt man bis das N der linken Seite kleiner als das N der rechten Seite der Formel ist (also N i N i ). Das entsprechende N i, das zu diesem Ergebnis geführt hat, ist unsere gesuchte Fallzahl (Siehe hierzu auch Kapitel 2.3 Beispiel). 2.3 Beispiel Aufgabe: Ein Medikament zur Senkung des Blutdrucks wird getestet. Dazu soll bei einer noch zu bestimmende Anzahl von Patienten zunächst der Blutdruck gemessen werden. Danach wird das Medikament Quelle: [JUMBO] 4
5 verabreicht. Der Blutdruck wird eine Stunde später noch einmal gemessen. Nach bisherigen Erfahrungen ist die Standardabweichung der Differenz solcher Messungen etwa σ d = 5 mmhg. Wieviel Patienten sind in den Versuch aufzunehmen, damit die Differenz = 5 mmhg im zweiseitigen Test bei a=0.05 mit der vorgegebenen Power= 0.80 entdeckt wird? Lösung: c = σ d = 5 5 = = c2 = 2 = t α/2, = t 0.975, =.96 (Zweiseitiger Test) t β, = t 0.8, = N einsetzen in rechte Seite: t 0.975,N = t 0.975,7 = t 0.8,N = t 0.8,7 = N [ ]2 = [ ]2 N 2 N 2 > N = N 2 einsetzen in rechte Seite: t 0.975,N2 = t 0.975,0 = t 0.8,N2 = t 0.8,0 = [ ]2 N 3 N 3 < N 2 = Gesuchte Fallzahl ist N 3 = 0. = = Fallzahlplanung bei unverbundenem t-test Beim unverbundenen t-test ist die grundlegende Vorgehensweise identisch zum verbundenen t-test, es gibt jedoch einen neuen Aspekt: Die Aufteilung des Gesamtumfangs N auf die Gruppen n und n Testgröße bei unverbundenem t-test Als Voraussetzung für den t-test müssen die erhobenen Merkmale normalverteilt sein. Des weiteren sei hier die Varianzhomogenität (σ = σ 2 = σ) gefordert. Für die Testgröße t gilt dann: T = y y 2 n n 2 mit s 2 R = (n )s 2 + (n 2 )s 2 2 s R n + n 2 n + n 2 H 0 wird dann abgelehnt, wenn im zweiseitigen Fall T > t α/2,df bzw. bei einseitigen Hypothesen T > t α,df gilt. Dabei sind die Freiheitsgrade df bestimmt durch df = n + n 2 2 = N 2 (!). 5
6 3.2 Herleitung der Fallzahlformel Unter der Alternative H gilt allgemein, dass die Testgröße T t-verteilt ist mit Nichtzentralitätsparameter nct 2 = µ µ2 nn 2 σ n +n 2. Im speziellen gilt bei festem Gruppenverhältnis n 2 = k n Dabei gilt für c: N = n + n 2 = n + kn = (k + )n = n n 2 n 2 = k n + n 2 n (k + ) = N n 2 k k n 2 = N (k + )2 ( + k) 2 = nct 2 = c N c = σ k + k Es gilt bei der Fallzahlplanung wieder, dass = µ µ 2 gesetzt wird, also zu entdeckende Differenz = Differenz im Populationsmittel. Im Fall k =, d.h. bei gleichen Gruppenumfängen gilt dann c = 2σ Zur Berechnung der Fallzahl ergeben sich dann die gleichen Formeln wie in Kapitel 2.2. Zu beachten ist jedoch, wie bereits oben hergeleitet, dass das c jetzt ein anderes ist. Ebenso ändert sich die Anzahl der Freiheitsgrade von df = N bei der verbundenen Stichprobe zu df = N 2 bei der unverbundenen Stichprobe. Die Formel zur Berechnung der Fallzahl lautet dann Einseitiger Test: Zweiseitiger Test: N [t α,df + t β,df ] 2 c 2 N [t α/2,df + t β,df ] 2 c Lösung mittels Rekursion Die Lösung dieser Gleichung kann, da N wieder auf beiden Seiten der Gleichung vorkommt, ebenfalls nur mit dem in Kapitel 2.2. vorgestellten, rekursiven Verfahren bestimmt werden. Sie ergibt sich völlig analog. 3.3 Interpretation der Formel Eine intuitive Interpretation der Fallzahlformel ergibt sich, wenn man die Formel für c einsetzt. Man erkennt, dass mit wachsendem die benötigte Probandenzahl sinkt. Bei wachsender Varianz σ steigt N. Da k +k bei k = ein Maximum hat (siehe Kapitel 3.4) und im Nenner steht, steigt die Fallzahl mit steigendem k. Beim Signifikanzniveau α gilt, dass mit fallendem α das t α,df - Quantil wächst (also N größer wird). Analog gilt für eine wachsende Power β, dass die Fallzahl N wächst. Dies deckt sich auch mit den, zu Beginn gestellten, Forderungen an die Fallzahlplanung. 3.4 Anmerkungen Da wir die Gruppenumfänge n und n 2 frei wählen können stellt sich die Frage, welches Gruppenverhältnis k optimal ist. Es gilt, wie man sich leicht überlegen kann, dass die Power umso größer 6
7 wird, je stärker sich H 0 und H unterscheiden. Da die Testgröße unter der Nullhypothese t-verteilt und unter der Alternative t-verteilt mit Nichtzentralitätsparameter nct 2 ist, gilt nach Kapitel 2.., dass sich die Verteilungen stärker unterscheiden, je größer nct 2 ist. Durch Ableiten (nach k) und Null setzen erkennt man, dass nct 2 für k = sein Maximum annimmt. Also gilt: Die Aufteilung des Gesamtumfangs in gleiche Gruppenumfänge ist optimal. In die Fallzahlplanung fließen mehrere Annahmen ein. Eine mögliche Einflussgröße ist die Varianz σ d. Da diese aus der Stichprobe geschätzt wird, wählt man bei konservativem Vorgehen eine obere Schranke oder eine obere Konfidenzgrenze für die Standardabweichung. Zu beachten ist hier: Falsche Annahmen führen zu einer falschen Fallzahlplanung. Man berechnet deshalb häufig mehrere Varianten. Um zu prüfen, ob die wahre Differenz größer als die vorgegebene Mindestdifferenz ist genügt ein signifikantes Testergebnis nicht. Hier wird nur festgestellt, dass ein signifikanter Unterschied vorliegt, dieser also 0, ist. Auch die FZP reicht hier nicht, da sie nur besagt, dass wir eine vorgegebene Mindestdifferenz in β Fällen nachweisen können. Der Schätzwert für µ d und das zugehörige Konfidenzintervall geben Auskunft über die Größe der wahren Mittelwertdifferenz. Man sollte diese also immer mit angeben. 3.5 Beispiel Fortsetzung Beispiel 2.3: Es wird der Versuch wie in Beispiel 2.3 durchgeführt, aber jetzt soll die behandelte Gruppe mit einer zweiten Gruppe verglichen werden, die ein Placebo erhält. Wieviel Patienten müssen pro Gruppe in den Versuch einbezogen werden, damit ein Unterschied von 5 mmhg zwischen der Placebo- und der Verumgruppe (:) im zweiseitigen Test (α = 0.05) mit einer Power von 80% gefunden wird? Lösung: c = 2σ = = 6 = c2 = 36 t α/2, = t 0.975, =.96 (Zweiseitiger Test) t β, = t 0.8, = N einsetzen in rechte Seite: t 0.975,N 2 = t 0.975,28 =.9684 t 0.8,N 2 = t 0.8,28 = N [ ]2 36 = [ ]2 N 2 36 N 2 > N = N 2 einsetzen in rechte Seite: t 0.975,N2 2 = t 0.975,283 =.9684 t 0.8,N2 2 = t 0.8,283 = N 3 N 3 N 2 = N3 2 n = n 2 = 43 [ ]2 36 = =
8 Fortsetzung: Wie ändern sich die Gruppengrößen, wenn wir ein Verhältnis Verum:Placebo = 2 : wählen? Lösung: k = 2 c = k σ +k = = c2 = t α/2, = t 0.975, =.96 (Zweiseitiger Test) t β, = t 0.8, = N einsetzen in rechte Seite: t 0.975,N 2 = t 0.975,36 =.9675 t 0.8,N 2 = t 0.8,36 = N [ ] = [ ]2 N N 2 > N = N 2 einsetzen in rechte Seite: t 0.975,N2 2 = t 0.975,38 =.9675 t 0.8,N2 2 = t 0.8,38 = N 3 [ ] N 3 N 2 = N3 3 n 2 = 07 = n = 2 n 2 = 24 = = Zusammenfassung - Ausblick Abschließend soll noch einmal betont werden, wie wichtig die Fallzahlplanung für eine gut geplante Studie ist. Dies gilt sowohl aus ethischer Sicht, dem Patienten gegenüber, als auch aus ökonomischer Sicht. Dabei schließen sich hier Wirtschaftlichkeit und Ethik nicht aus, sondern fordern das gleiche. Ein zentraler Punkt bei der Fallzahlplanung ist, dass diese immer abhängig vom vorliegenden Testproblem durchgeführt werden muss. Dabei sind der verbundene t-test und der Einstichproben-t-Test analog zu behandeln. Beim unverbundenen t-test kommt zusätzlich die Festlegung der Gruppengrößen hinzu. Die eigentliche Berechnung kann dann beim t-test nur durch ein rekursives Verfahren bestimmt werden. In diesem Vortrag haben wir nur die Fallzahlplanung beim unverbundenen t-test mit gleichen Varianzen betrachtet. Natürlich gibt es auch eine Fallzahlformel bei Varianzinhomogenität. Die Berechnung gestaltet sich jedoch etwas schwieriger, da dabei die Freiheitsgrade in jedem Schritt approximativ bestimmt werden müssen [Satterthwaite,Welch]. Es gibt auch andere, exakte Verfahren [Lee]. (Vgl. dazu [Bock, 998] S.65ff) Man muss auch anmerken, dass eine (sinnvolle) Fallzahlplanung nur aus der Zusammenarbeit zwischen Statistiker und Fachwissenschaftler (also hier dem Mediziner) resultieren kann. Dabei ist für die Fachwissenschaftler die Festlegung des relevanten Unterschieds eine äußerst zentrale Aufgabe. 8
9 Dies kann nur mit Fachwissen sinnvoll geschehen. Der Statistiker hingegen muss die benötigten Größen (s. Kapitel.) in verständlicher Weise beim Fachwissenschaftler erfragen. Es gilt immer, dass die Fallzahl eine Schätzung für den benötigten Stichprobenumfang ist. Man wählt dann bei der Stichprobenerhebung lieber größere Stichproben, da einige der Annahmen, die dem jeweiligen Planungsproblem zugrunde liegen, idealisiert sind (Normalverteilung, Varianzhomogenität usw.). Auch sorgen gerade bei längeren, großen Studien sog. Drop-Outs für eine Verkleinerung der Fallzahl. Man erkennt also, dass die errechnete Fallzahl lediglich eine Schätzung für die untere Grenze der Studienpopulation darstellt. 9
10 Literatur [Schumacher, 2002] M. Schumacher, G. Schulgen, 2002, Methodik klinischer Studien: Springer Verlag [Bock, 998] [JUMBO] [Lenth] J. Bock, 998, Bestimmung des Stichprobenumfangs: Oldenburg Verlag JUMBO - Java-unterstützte Münsteraner Biometrie-Oberfläche /biomathe/bio/script9.html#9.5 Russ Lenth s power and sample-size page rlenth/power/index.html 0
Fallzahlplanung 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
MehrTest auf einen Anteilswert (Binomialtest) Vergleich zweier Mittelwerte (t-test)
Spezielle Tests Test auf einen Anteilswert (Binomialtest) Vergleich zweier Anteilswerte Test auf einen Mittelwert (Ein-Stichproben Gauss bzw. t-test) Vergleich zweier Mittelwerte (t-test) Test auf einen
MehrKonfidenzintervall für den Anteilswert θ. Konfidenzintervalle. Jost Reinecke. Universität Bielefeld. 13. Juni 2005
Universität Bielefeld 13. Juni 2005 Einführung Einführung Wie kann die Kenntnis der Wahrscheinlichkeitsverteilung der Parameter einer Stichprobe dazu verhelfen auf die wahren Werte der Grundgesamtheit
Mehr1.3 Das Testen von Hypothesen am Beispiel des Einstichproben t-tests
1.3 Das Testen von Hypothesen am Beispiel des Einstichproben t-tests Statistische Tests dienen dem Testen von Vermutungen, so genannten Hypothesen, über Eigenschaften der Gesamtheit aller Daten ( Grundgesamtheit
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
MehrHypothesentests mit SPSS. Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav
Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav Hypothese: Die Beschäftigung mit Kunst ist vom Bildungsgrad abhängig. 1. Annahmen Messniveau: Modell: Die Skala zur Erfassung der
MehrMittelwertvergleiche, Teil I: Zwei Gruppen
FB W. Ludwig-Mayerhofer Statistik II Mittelwertvergleiche Herzlich willkommen zur Vorlesung Mittelwertvergleiche, Teil I: Zwei Gruppen FB W. Ludwig-Mayerhofer Statistik II Mittelwertvergleiche Mittelwertvergleiche:
MehrAnalytische Statistik II
Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Grundproblem Generell sind wir nur selten in der Geographie in der Lage, Daten über die Grundgesamtheit zur Verfügung zu haben.
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
MehrProbeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende
Probeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende im Sommersemester 2012 Prof. Dr. H. Küchenhoff, J. Brandt, G. Schollmeyer, G. Walter Aufgabe 1 Betrachten
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
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
MehrInferenzstatistik (=schließende Statistik)
Inferenzstatistik (=schließende Statistik) Grundproblem der Inferenzstatistik: Wie kann man von einer Stichprobe einen gültigen Schluß auf di Grundgesamtheit ziehen Bzw.: Wie groß sind die Fehler, die
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
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 21. Januar 2015 1 t-tests für Erwartungswerte Verbundene und unverbundene Stichproben
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
MehrSPSS III Mittelwerte vergleichen
SPSS III Mittelwerte vergleichen A Zwei Gruppen ------------ Zwei-Stichproben t-test Beispieldatei: Seegräser Fragestellung: Unterscheidet sich die Anzahl der Seegräser in Gebieten mit und ohne Seeigelvorkommen
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
MehrBiometrische Planung von Versuchsvorhaben
Biometrische Planung von Versuchsvorhaben Einführung in das Prinzip der Lehrstuhl für Mathematik VIII Statistik http://statistik.mathematik.uni-wuerzburg.de/~hain Ziel des Vortrags Im nachfolgenden Vortrag
MehrMultivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.167
Multivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.167 Multivariate Regression Verfahren zur Prüfung des gemeinsamen linearen Einflusses mehrerer unabhängiger Variablen auf eine
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
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Binomialverteilung und Bernoulli- Experiment
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Binomialverteilung und Bernoulli- Experiment Das komplette Material finden Sie hier: Download bei School-Scout.de TOSSNET Der persönliche
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Januar 2011 1 Vergleich zweier Erwartungswerte Was heißt verbunden bzw. unverbunden? t-test für verbundene Stichproben
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
MehrEin- und Zweistichprobentests
(c) Projekt Neue Statistik 2003 - Lernmodul: Ein- Zweistichprobentests Ein- Zweistichprobentests Worum geht es in diesem Modul? Wiederholung: allgemeines Ablaufschema eines Tests Allgemeine Voraussetzungen
MehrStatistik für SozialwissenschaftlerInnen II p.85
Schätzverfahren Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Ziel von Schätzverfahren: Ausgehend von Stichproben Aussagen über Populationskennwerte machen Kenntnis der Abweichung des
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 20. Januar 2011 1 Der F -Test zum Vergleich zweier Varianzen 2 Beispielhafte Fragestellung Bonferroni-Korrektur
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
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
MehrKonfindenzintervall für My - Sigma unbekannt
Konfindenzintervall für My - Sigma unbekannt Worum geht es in diesem Modul? Ausgangspunkt t-verteilung Herleitung des Konfidenzintervalls Breite des Konfidenzintervalls Simulation: Vergleich der Konfidenzintervalle
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
Mehr6. Übung Statistische Tests Teil 1 (t-tests)
Querschnittsbereich 1: Epidemiologie, Medizinische iometrie und Medizinische Informatik - Übungsmaterial - Erstellt von Mitarbeitern des IMISE und des ZKS Leipzig 6. Übung Statistische Tests Teil 1 (t-tests)
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
MehrTesten von Hypothesen:
Testen von Hypothesen: Ein Beispiel: Eine Firma produziert Reifen. In der Entwicklungsabteilung wurde ein neues Modell entwickelt, das wesentlich ruhiger läuft. Vor der Markteinführung muss aber auch noch
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
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
MehrLösung Aufgabe 1 (Regression) Es wurden in einer Befragung zwei metrische Merkmale X und Y erhoben. Betrachten Sie dazu die
Statistik für Kommunikationswissenschaftler Wintersemester 2010/2011 Vorlesung Prof. Dr. Nicole Krämer Übung Nicole Krämer, Cornelia Oberhauser, Monia Mahling Lösung Thema 9 Homepage zur Veranstaltung:
MehrMittelwertvergleiche, Teil II: Varianzanalyse
FB 1 W. Ludwig-Mayerhofer Statistik II 1 Herzlich willkommen zur Vorlesung Mittelwertvergleiche, Teil II: FB 1 W. Ludwig-Mayerhofer Statistik II 2 : Wichtigste Eigenschaften Anwendbar auch bei mehr als
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Taubertsberg R. 0-0 (Persike) R. 0-1 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet0.sowi.uni-mainz.de/
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 16. Januar 2013 1 Allgemeine Hypothesentests Nullhypothese und Alternative Beispiel: Blutdrucksenker Testverfahren
MehrMann-Whitney-U-Test für zwei unabhängige Stichproben
Mann-Whitney-U-Test für zwei unabhängige Stichproben Wir haben bis jetzt einen einzigen Test für unabhängige Stichproben kennen gelernt, nämlich den T-Test. Wie wir bereits wissen, sind an die Berechnung
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)
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
MehrMessung von Rendite und Risiko. Finanzwirtschaft I 5. Semester
Messung von Rendite und Risiko Finanzwirtschaft I 5. Semester 1 Messung von Renditen Ergebnis der Anwendung der Internen Zinsfuß- Methode ist die Rentabilität des Projekts. Beispiel: A0-100.000 ZÜ1 54.000
MehrU N I V E R S I T Ä T S M E D I Z I N B E R L I N. After Work Statistics
U N I V E R S I T Ä T S M E D I Z I N B E R L I N After Work Statistics Institut für Biometrie und klinische Epidemiologie Wir sind Hilfsbereit und nett! als Wissenschaftler aktiv in der statistischen
Mehrx(n x) cm 2 ) zweier Betonsorten wird überprüft. Dabei ergaben Sorte 1 185 186 184 186 185 187 186 187 185 Sorte 2 183 182 185 182 181 179
. Aufgabe: Zwei bis drei Millionen deutsche Haushalte sind überschuldet. Einer der Hauptgründe für die Überschuldung privater Haushalte ist eine gescheiterte Selbstständigkeit. In einer Stichprobe von
Mehr1 of 3 6/14/2012 11:20 AM
Standardnormalverteilung http://eswf.uni-koeln.de/glossar/zvert.htm 1 of 3 6/14/2012 11:20 AM Die folgende Tabelle zeigt die Verteilungsfunktion der Standardnormalverteilung. Für ausgewählte z-werte ist
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
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
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:
MehrLösungen zur Biomathe-Klausur Gruppe A Montag, den 16. Juli 2001
Lösungen zur Biomathe-Klausur Gruppe A Montag, den 16. Juli 2001 1. Sensitivität und Spezifität In einer medizinischen Ambulanz haben 30 % der Patienten eine akute Appendizitis. 80 % dieser Patienten haben
MehrDas Zweistichprobenproblem
Kapitel 5 Das Zweistichprobenproblem In vielen Anwendungen will man überprüfen, ob sich zwei oder mehr Verfahren, Behandlungen oder Methoden in ihrer Wirkung auf eine Variable unterscheiden. Wir werden
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,
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 )
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. Juli 016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
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
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
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.7 und 4.8 besser zu verstehen. Auswertung und Lösung Abgaben: 71 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 5.65 Frage 1
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
Mehr6.4 Der Kruskal-Wallis Test
6.4 Der Kruskal-Wallis Test Der Test von Kruskal und Wallis, auch H-Test genannt, ist ein Test, mit dem man die Verteilungen von Teilstichproben auf Unterschiede untersuchen kann. Bei diesem Test geht
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
MehrLösungen zur Biomathe-Klausur Gruppe B Montag, den 16. Juli 2001
Lösungen zur Biomathe-Klausur Gruppe B Montag, den 16. Juli 2001 1. α-fehler und ß-Fehler Welche Aussage ist richtig? A. Der ß-Fehler ist unabhängig von α-fehler. Falsch. Je größer der α-fehler, umso kleiner
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,
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
MehrLösungen zur Biomathe-Klausur Gruppe C Montag, den 16. Juli 2001
Lösungen zur Biomathe-Klausur Gruppe C Montag, den 16. Juli 2001 1. Normalverteilung Der diastolische Blutdruck bei einer Gruppe von jungen Männern ist normalverteilt mit einem Erwartungswert von 65 mmhg
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
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
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrEinführung in die Induktive Statistik: Varianzanalyse
Einführung in die Induktive Statistik: Varianzanalyse Jörg Drechsler LMU München Wintersemester 2011/2012 Varianzanalyse bisher: Vergleich der Erwartungswerte für zwei normalverteilte Variablen durch t-test
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:
MehrTEIL 13: DIE EINFACHE LINEARE REGRESSION
TEIL 13: DIE EINFACHE LINEARE REGRESSION Die einfache lineare Regression Grundlagen Die einfache lineare Regression ist ebenfalls den bivariaten Verfahren für metrische Daten zuzuordnen 1 Sie hat einen
MehrVergleich von Parametern zweier Stichproben
Vergleich von Parametern zweier Stichproben Vergleich von Mittelwerten bei gebundenen Stichproben Vergleich von Mittelwerten bei unabhängigen Stichproben Vergleich von Varianzen bei unabhängigen Stichproben
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 12
Übung zur Vorlesung Statistik I WS 2013-2014 Übungsblatt 12 20. Januar 2014 Die folgenden ufgaben sind aus ehemaligen Klausuren! ufgabe 38.1 (1 Punkt: In einer Studie werden 10 Patienten therapiert. Die
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
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
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
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
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
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 =
Mehra) Wie hoch ist die Wahrscheinlichkeit, dass Vokale vorkommen, die länger als 140 ms sind?
Modul G 20.12.2007 Zur Hausaufgabe 3 Erkläre die folgenden Plots und Berechnungen zu Wahrscheinlichkeiten aus technischer und statistischer Sicht. a) Wie hoch ist die Wahrscheinlichkeit, dass Vokale vorkommen,
MehrStatistik II für Betriebswirte Vorlesung 2
Statistik II für Betriebswirte Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 26. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrTest auf den Erwartungswert
Test auf den Erwartungswert Wir interessieren uns für den Erwartungswert µ einer metrischen Zufallsgröße. Beispiele: Alter, Einkommen, Körpergröße, Scorewert... Wir können einseitige oder zweiseitige Hypothesen
MehrKonfidenzintervalle. Einführung von Ac
Konfidenzintervalle Einführung von Ac Problem: ( Schluss von der Stichprobe auf die Gesamtheit - Schätzen ) Von einer binomialverteilten Zufallsgröße X sei n (der Stichprobenumfang) gegeben, aber p (Erfolgswahrscheinlichkeit)
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
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
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
MehrÜbungen mit dem Applet Vergleich von zwei Mittelwerten
Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 9
Übung zur Vorlesung Statistik I WS 2012-2013 Übungsblatt 9 17. Dezember 2012 Aufgabe 26 (4 Punkte): In einer Studie mit n = 10 Patienten soll die Wirksamkeit eines Medikaments gegen Bluthochdruck geprüft
Mehr