5 Statistische Testverfahren

Größe: px
Ab Seite anzeigen:

Download "5 Statistische Testverfahren"

Transkript

1 70 5 Statistische Testverfahren 5.1 Grundlegende Definitionen und Binomialtest Beispiel 5.1.1: (Fortsetzung von Beispiel ) Wir nehmen an, dass das Medikament als wenig bedenklich eingestuft werden kann, wenn es in höchstens 5% aller Fälle zu besagter Nebenwirkung führt, und wollen dies überprüfen. Dazu müssen wir uns zwischen den Hypothesen Das Medikament ist wenig bedenklich, d.h. π 0.05 (Nullhypothese), und Das Medikament ist bedenklich, d.h. π > 0.05 (Alternative), entscheiden. Die Entscheidung soll auf Grundlage der Beobachtungen x = (x 1,...,x n ) R n erfolgen, hier n = 20. Hierzu konstruieren wir eine Stichprobenfunktion ψ : R n {0,1} mit { 1 Entscheidung für Alternative ψ(x) = 0 Entscheidung für Nullhypothese. Wir werden uns für die Alternative entscheiden, wenn der Anteil von Fällen (hier Personen) mit Nebenwirkung in der Stichprobe groß ist, während wenige Fälle von Nebenwirkungen nicht gegen die Nullhypothese sprechen: { 1 falls x > c ψ(x) = für c [0,1] geeignet. 0 falls x c Definition 5.1.2: Sei (Ω,A,P) statistischer Raum und P 0 sowie P 1 disjunkte Teilmengen von P mit P = P 0 P 1. Sei P das tatsächlich vorliegende Wahrscheinlichkeitsmaß. Wir nennen die Aussagen H 0 : P P 0 H 1 : P P 1 Nullhypothese und Alternativhypothese oder kurz Alternative. Ist P 0 (bzw. P 1 ) einelementig, so heißt H 0 (bzw. H 1 ) einfach, andernfalls zusammengesetzt. Ist P = {P θ : θ Θ} eine Parametrisierung von P, so gibt es Θ 0,Θ 1 Θ mit Θ = Θ 0 Θ 1 und P θ P i θ Θ i, i = 0,1. Damit kann man H 0 und H 1 äquivalent schreiben als H 0 : θ Θ 0 und H 1 : θ Θ 1. Seien X 1,...,X n ZVn und X = (X 1,...,X n ). Eine Stichprobenfunktion ψmitψ(x) {0,1} x = (x 1,...,x n ) R n heißt(deterministische) Testfunktion, die Statistik Ψ = ψ(x) heißt (deterministischer) Test.

2 Definition 5.1.3: Sei Ψ = ψ(x) ein Test für H 0 : θ Θ 0 gegen H 1 : θ Θ 1. a) K 1 = {x R n : ψ(x) = 1} =: {Ψ = 1} heißt kritischer Bereich oder Ablehnungsbereich von Ψ. b) Ablehnen von H 0, d.h. ψ(x) = 1, obwohl H 0 richtig ist, d.h. θ Θ 0, heißt Fehler 1. Art. Nicht ablehnen von H 0, d.h. ψ(x) = 0, obwohl H 0 falsch ist, d.h. θ Θ 1, heißt Fehler 2. Art. c) β : Θ [0,1] mit β(θ) = E θ (Ψ) = P θ (Ψ = 1) = P X 1,...,X n θ (K 1 ) heißt Gütefunktion von Ψ. Für festes θ Θ heißt β(θ) die Güte von Ψ für / bei θ und gibt die Wahrscheinlichkeit H 0 abzulehnen an. Für θ Θ 1 istdiesdiewahrscheinlichkeiteinerrichtigenentscheidung, fürθ Θ 0 ist β(θ) die Wahrscheinlichkeit eines Fehlers 1. Art. d) Ψ heißt Test zum (Signifikanz-)Niveau α, falls θ Θ 0 : P X 1,...,X n θ (K 1 ) = P θ (Ψ = 1) = β(θ) α für ein vorgegebenes α (0, 1), d.h., wenn die Wahrscheinlichkeit eines Fehlers 1. Art durch α beschränkt ist. Bemerkung 5.1.4: BeistatistischenSignifikanztestswerdenH 0 undh 1 nichtgleichbehandelt. ManentscheidetsichnurfürH 1,wenndieDatenH 0 unplausibelerscheinen lassen. Statistische Signifikanztests kontrollieren hierbei nur die Fehlerwahrscheinlichkeit 1. Art, nicht aber die 2. Art: Es kann Werte θ Θ 1 geben, für die 1 β(θ) nahe 1 ist. Wenn wir nachweisen wollen, dass eine Hypothese (zum Signifikanzniveau, d.h. der Fehlerwahrscheinlichkeit, α) richtig ist, müssen wir sie somit als die Alternative unseres Testproblems formulieren. Sprechweisen: ψ(x) = 1: H 0 verwerfen, Entscheidung für H 1. ψ(x) = 0: H 0 nicht verwerfen, Entscheidung nicht gegen H 0. Vierfeldertafel: H 0 wahr ψ(x) = 0 richtige Entscheidung H 1 wahr Fehler 2. Art ψ(x) = 1 Fehler 1. Art richtige Entscheidung 71

3 72 Beispiel 5.1.5: (Fortsetzung von Beispiel 5.1.1) Wir wollen den Test so einstellen, dass er Test zum Niveau α = 10% wird, d.h. wir wählen c [0,1] so, dass π Θ 0 = (0,0.05] : P π (Ψ = 1) = P π ( X > c) 0.1. Nun ist P π ( X > c) für alle c 0 eine monoton wachsende Funktion von π. Mit X = n i=1 X i Bin(n,π) und j = nc gilt nämlich: β(π) = P π ( X > c) = P π (X > nc) = n i=j+1 ( n i ) π i (1 π) n i P π( X > c) π n 1 ( ) n {iπ = i 1 (1 π) n i (n i)π i (1 π) n i 1} +nπ n 1 i = = i=j+1 n! (j +1)!(n j 1)! (j +1)πj (1 π) n j 1 n! (j +1)!(n j 1)! (n j 1)πj+1 (1 π) n j 2 n! + (j +2)!(n j 2)! (j +2)πj+1 (1 π) n j 2 n! (j +2)!(n j 2)! (n j 2)πj+2 (1 π) n j 3 n! (n 1)!1! πj (1 π) n j 1 n! j!(n j 1)! πj (1 π) n j 1 0 n! (n 1)!1! 1 πn 1 + ( ) n nπ n 1 n Es genügt also, das Niveau im größten Wert aus Θ 0 passend einzustellen, d.h. bei π 0 = Für n = 20: ( ) 20 P π0 (X = 0) = = ( ) 20 P π0 (X 1) = = = ( ) 20 P π0 (X 2) = = =

4 73 P π0 (X > 2) = < 0.1 ( ) 20 P π0 (X 3) = = = P π0 (X > 3) = < 0.05 Somit erhalten wir einen Test zum Niveau α = 10% (sogar zum Niveau α = 7.5%), wenn wir H 0 bei mehr als nc = 2 Fällen mit Nebenwirkungen unter den n = 20 betrachteten Fällen ablehnen, und zum Niveau α = 5% (sogar α = 1.5%), wenn wir die nur für mehr als nc = 3 Fälle tun. Behauptung 5.1.6: Seien P X = {Bin(n,π) : π (0,1)}, Θ 0 = (0,π 0 ], Θ 1 = (π 0,1) für ein π 0 (0,1) fest. Sei c α das α-fraktil der Bin(n,π 0 )-Verteilung. Dann ist Ψ = ψ(x) mit { 1, falls x > c α ψ(x) = 0, falls x c α ein Test zum Niveau α für H 0 : π π 0 gegen H 1 : π > π 0. Beispiel 5.1.7: (Fortsetzung von Beispiel 5.1.5) a) Mit Behauptung folgt, dass Ψ in Beispiel ein Test zum Niveau α = 10% für H 0 : π 0.05 gegen H 1 : π > 0.05 ist. b) Wegen β(π 0 ) = ist Ψ aus nach Beh sogar Test zum Niveau α = 7.5%, das Niveau α = 10% wird nicht voll ausgeschöpft. Wir nennen solche Tests konservativ. Variation: Falls x = 2 beobachtet wird, dann würfele: Entscheide Ψ = 1 mit Wahrscheinlichkeit 250/1887, mit Wahrscheinlichkeit1637/1887dagegen Ψ = 0.WirlehnenH 0 alsostetsab,wennψ abgelehnt hätte, zusätzlich aber auch noch im Grenzfall X = c = 0.1. Somit: P π0 =0.05(H 0 wird abgelehnt) = P π0 =0.05(X 3) P π 0 =0.05(X = 2) = = Also ist bei dieser Variation die Wahrscheinlichkeit für einen Fehler 1. Art bei π 0 = 0.05 genau gleich α = 0.1. Bei dieser Variation muss die

5 74 Wahrscheinlichkeit für einen Fehler 2. Art π > 0.05 kleiner sein als beim ursprünglichen Test Ψ, während die Wahrscheinlichkeit für einen Fehler 1. Art kleiner gleich α bleibt, siehe Beh Darstellung der Testfunktion der Variation Ψ: 1, x > 2 ψ(x) = , x = 2 0, x < 2 Solche randomisierte Tests können Anwendern jedoch nur schwer vermittelt werden und sind in der Praxis wenig üblich. Definition 5.1.8: Unter den Voraussetzungen von Definition gilt: a) Eine Stichprobenfunktion ψ : R n [0,1] heißt (randomisierte) Testfunktion und die Statistik Ψ = ψ(x) heißt (randomisierter) Test. b) Die Abbildung β : Θ [0,1] mit β(θ) = E θ (Ψ) = E θ (ψ(x)) heißt Gütefunktion von Ψ bzw. von ψ. c) Ψ heißt (randomisierter) Test zum (Signifikanz-)Niveau α, wenn θ Θ 0 : β(θ) α. Behauptung 5.1.9: Gelte X Bin(n,π) mit π (0,1) unbekannt. Sei c N 0 und γ (0,1) so, dass P π0 (X > c)+γp π0 (X = c) = α. Dann ist Ψ = ψ(x) mit 1 für x > c ψ(x) = γ für x = c 0 für x < c ein(randomisierter)testzumniveauαfürh 0 : π π 0 gegenh 1 : π > π 0.

6 75 Definition : Sei T = t(x) eine Statistik und Ψ = ψ(x) ein Test der Form 1 für t(x) > c ψ(x) = γ für t(x) = c 0 für t(x) < c für Konstanten c R und γ [0,1). Dann heißt T Teststatistik, Ψ oberer Test bezüglich T, c kritischer Wert und γ Randomisierungskonstante. Falls 1 für t(x) < c ψ(x) = γ für t(x) = c, 0 für t(x) > c so heißt Ψ entsprechend unterer Test bezüglich T. Beispiel : (Fortsetzung von Beispiel 5.1.5) Der Test Ψ in Beispiel ist ein oberer Test bezüglich X = n i=1 X i. Zu einem unteren Test kämen wir bei einer Vertauschung der Null- und der Alternativhypothese, d.h. bei einem Test von H 0 : π 0.05 gegen H 1 : π < Diesen würde man durchführen, um die Unbedenklichkeit des Medikamentes nachzuweisen, während wir in der hier gewählten Formulierung des Testproblems höchstens die Bedenklichkeit des Medikamentes, nicht aber die Unbedenklichkeit zeigen können. Mit welcher Wahrscheinlichkeit würden wir aufdecken, dass ein Medikament in 20% aller Fälle zur Nebenwirkung führt? Gesucht: Güte des Tests β(π) = P π (Ψ = 1) = P π ( X > c) für π = 0.2. β(π) = P π ( X > c) = P π (X > nc) = = 20 i=3 Und für π = 0.1? ( 20 i ) 0.2 i 0.8 n i = 1 β(π) = 1 n i= nc +1 ( n i ) π i (1 π) n i 2 ( ) i 0.8 n i = i 2 ( ) i 0.9 n i = i

7 76 Güte pi Abbildung 6: Gütefunktion des deterministischen (dünn) und des randomisierten Binomialtests (dick). Nur letzterer ist unverfälscht, d.h. erreicht für alle π > π 0 eine Güte β(π) α. Aufgrund der Stetigkeit von π muss hierfür β(π 0 ) = α gelten, d.h. der Test auf dem Rand ähnlich sein. Wir suchen gleichmäßig beste unverfälschte Niveau α-tests mit β(π) möglichst groß π Θ 1. Für π Θ 0 fordern wir dabei nur β(π) α. Mit welcher Wahrscheinlichkeit lehnen wir H 0 fälschlicherweise ab, falls π = 0.01? 2 ( ) 20 β(π) = i 0.99 n i = i Definition : Ein Test Ψ für H 0 : θ Θ 0 gegen die Alternative H 1 : θ Θ 1 zum Niveau α wird unverfälscht genannt, wenn für seine Gütefunktion β gilt β(θ) α θ Θ 1. Ψ wird auf dem Rand ähnlich genannt, wenn β(θ) = α θ Θ 0 Θ 1.

8 77 Beispiel : Ein Schmerzmittel soll auf seine Wirksamkeit untersucht werden. Hierzu wird es an n = 100 Probanden mit chronischen Schmerzen verabreicht, die in randomisierter Reihenfolge eine Woche lang das Medikament und eine Woche lang ein Placebo einnehmen, und anschliessend über die Wirksamkeit befragt werden. Beobachtung für Proband i = 1,...,n: 1 besseres Befinden bei Einnahme des Medikaments x i = 0 besseres Befinden bei Einnahme des Placebos. Ist das Medikament unwirksam, gilt P(X i = 1) = 0.5, i = 1,...,n. Der Hersteller des Medikaments vermutet hingegen, dass das Medikament bei 50% aller Patienten eine echte Wirkung entfaltet, was P(X i = 1) = 0.75 bedeuten würde. Statistisches Modell: (Ω,A,P) statistischer Raum P = {P π : π [0,1]} Parametrisierung. X 1,...,X n u.i.v. ZVn mit P X 1 π = Bin(1,π). Fragestellung: Der Hersteller will auf dem Signifikanz-Niveau α = 5% die Wirksamkeit des Medikaments nachweisen, dass also π > 0.5 wahr ist. Test-Situation: Teststatistik: Test: H 0 : π 0.5 gegen H 1 : π > 0.5 T = n X i Bin(n,π) i=1 Ψ = ψ(t) = 1 für T > c 0 für T c, wobei c so zu wählen ist, dass wir einen Test zum Signifikanz-Niveau α = 5% erhalten. Es gelte also π Θ 0 = [0,0.5]: 0.05 P π (T > c) = 1 P π (T c) = 1 F π (c) F π (c) 0.95, wobei F π die Verteilungsfunktion der Bin(100,π) sei.

9 78 c = n würde diese Bedingung erfüllen, dann würden wir H 0 aber nie ablehnen, gleich, wie groß die Wirksamkeit des Medikaments ist. Wir suchen also c möglichst klein unter obiger Nebenbedingung, um einen Test mit einer möglichst hohen Güte zu erhalten. Gemäß Beh bzw genügt die Betrachtung des Grenzwerts π 0 = 0.5. Wir könnten mit c = 0 beginnend c sukzessive erhöhen, bis erstmals F π=0.5 (c) 0.95 erfüllt ist, was aber viel Aufwand bedeuten würde. Einfacher: Approximativer Binomialtest Angesichts des großen Stichprobenumfangs können wir die Binomial- über die Normalverteilung approximieren: ( ) 0.95! T nπ 0 F π0 (c) = P π0 (T c) = P π0 nπ0 (1 π 0 ) c nπ 0 nπ0 (1 π 0 ) Φ ( u 0.95 c 50 5 c nπ 0 nπ0 (1 π 0 ) ) ( ) c 50 = Φ 5 c 50+5u 0.95 = , wir wählen c möglichst klein unter dieser Bedingung, um die Güte des Tests zu maximieren, und verwerfen H 0 daher im Falle T 59. Für das vom Hersteller vermutete π = 0.75 erhalten wir die Güte β(0.75) = P π=0.75 (T > c) = 1 P π=0.75 (T c) ( ) T nπ = 1 P π=0.75 c nπ nπ(1 π) nπ(1 π) 1 Φ ( 58.5 nπ nπ(1 π) ) = 1 Φ = 1 Φ( ) 1 ( ) /4 Exakte Rechnung mittels der R-Funktion pbinom ergibt c = 58 x P 0.5 (T x) und β(0.75) = P 0.75 (T > 58) = 1 P 0.75 (T 58) =

10 79 Beispiel : Ein Hersteller liefert Glühbirnen 1. und 2. Qualität, deren Lebensdauer durch Exp(0.01) bzw. Exp(0.0125)-verteilte ZVn beschrieben werde. Wir wollen überprüfen, ob eine Lieferung vom Umfang n = 49 Glühbirnen von 1. oder von 2. Qualität war. Statistisches Modell: (Ω, A, P) statistischer Raum Parametrisierung P = {P θ : θ {0.01,0.0125}} Lebendauern X 1,...,X 49 der Glühbirnen u.i.v. ZVn mit P X 1 θ = Exp(θ). Da wir bei Beanstandungen in der Beweispflicht sind, testen wir oder gleichwertig H 0 : P X 1 = Exp(0.01) gegen H 1 : P X 1 = Exp(0.0125) H 0 : θ = 0.01 gegen H 1 : θ = Verwendete Teststatistik: Arithmetisches Mittel X von X 1,...,X 49. Testfunktion: Da die erwartete Lebensdauer unter H 1 niedriger ist als unter H 0, verwenden wir ψ(x 1,...,x n ) = 1 falls x < c 0 falls x c, und bestimmen c so, dass (zumindest approximativ) gilt β(0.01) = P θ=0.01 (X < c) = Rechnung unter Verwendung des Zentralen Grenzwertsatzes: ( n P θ ( X X 1/θ < c) = P θ < n c 1/θ ) ( ) n c 1/θ Φ 1/θ 1/θ 1/θ ( ) ( ) n c 1/θ n c 100 u 0.05 = = 1/θ 100 c = u 0.05 = = 76.5 n 7 für θ = θ 0 = Wir sollten die Lieferung also beanstanden, wenn die beobachtete durchschnittliche Lebenszeit x unter 76.5 Tagen liegt.

11 80 Definition : Eine Folge (Ψ n ψ n (X 1,...,X n ) : n N) von Tests zum Niveau α für H 0 : θ Θ 0 gegen die Alternative H 1 : θ Θ 1 wird konsistent genannt, falls für die Folge der zugehörigen Gütefunktionen (β n : n N) gilt β n (θ) n 1 θ Θ 1 Bemerkung : Die meisten Tests sind konsistent. Daher kann man verschiedene Tests für dasgleichetestproblemnichtanhandderasymptotischengütelim n β n (θ) für festes θ vergleichen, sondern betrachtet lokale Alternativen, die mit wachsendem n näher an Θ 0 heranrücken. Für Θ 0 = {θ 0 } z.b. betrachtet mandiegüte β n (θ n ) für einefolgeθ n θ 0,oft mitθ n = θ 0 +c/ n, wenn fürdiesefolgedergrenzwertlim n β n (θ n )existiert.manwirdeinentest vorziehen, der gleichmäßig bessere (asymptotische) Güte hat. Behauptung : Sei(Ω,A,P) einstatistischerraummitparametrisierungp = {P θ : θ Θ} und τ : Θ R eine parametrische Funktion. a) Sei{Ψ κ : θ Θ mit τ(θ) = κ}einefamilievon(nicht-randomisierten) Tests derart, dass für alle θ Θ mit τ(θ) = κ gilt E θ (Ψ κ ) α. Dann ist B = b(x 1,...,X n ) mit b(x 1,...,x n ) = {κ : ψ κ (x 1,...,x n ) = 0} ein Konfidenzbereich für τ(θ) zum Konfidenzniveau 1 α. b) Ist umgekehrt b(x 1,...,X n ) ein (zweiseitiges) Konfidenzintervall für τ(θ) zum Konfidenzniveau 1 α, so ist Ψ = ψ(x 1,...,X n ) mit { 0, θ 0 b(x 1,...,X n ) ψ(x 1,...,x n ) = 1, θ 0 / b(x 1,...,X n ) ein Test zum Niveau α für H 0 : θ θ 0 gegen H 1 : θ θ 0. Bemerkung : Die Konfidenzintervalle für die Binomialverteilung aus Behauptung können aus Behauptung hergeleitet werden, wie auch die anderen in Abschnitt 4.2 vorgestellten Konfidenzintervalle.

12 81 Beispiel : Die Anzahl der Zerfälle in einer radioaktiven Substanz in einem festen Zeitintervall sei P oi(λ)-verteilt, wobei λ proportional zur Masse µ ist, so dass µ aus λ errechnet werden kann. In einem Behälter befinde sich eine unbekannte Menge µ dieser Substanz in einem Stoffgemisch. Innerhalb eines Zeitintervalls werden x = 2357 Zerfälle gezählt. Gesucht: Zweiseitiges Konfidenzintervall für λ zum Konfidenzniveau 1 α = 0.95 (aus dem ein Konfidenzintervall für µ abgeleitet wird). Konstruktion nach Satz mit einem zweiseitigen Test Ψ λ = ψ λ (X), 1 falls x < l(λ) oder x > u(λ) ψ λ (x) = 0 falls l(λ) x u(λ) mit l(λ) so, dass α/2 P λ (X < l(λ)) = l(λ) 1 p λ (i), wobei p λ (i) = λi i! e λ, und u(λ) so, dass α/2 P λ (X > u(λ)) = i=u(λ)+1 p λ (i), wodurch P λ (Ψ λ = 1) = P λ (X < l(λ))+p λ (X > u(λ)) α. Wir wählen l(λ) unter diesen Bedingungen möglichst groß und u(λ) möglichst klein, um die Güte des Tests zu maximieren. Konfidenzintervall damit: B(x) = {λ > 0 : l(λ) x u(λ)} Zum Glück müssen wir nicht für jedes λ die Grenzen l(λ) und u(λ) berechnen: l(λ) und u(λ) sind nämlich beide monoton wachsend in λ. Für λ 1 < λ 2 ist der Dichtequotient p λ1 p λ2 (i) := p λ 1 (i) p λ2 (i) = λi 1 e λ1 i! i! λ i 2e λ 2 = ( λ1 monoton falled in i. Daraus folgt c 0 c c p λ1 (i) p λ2 (i) ( ) λ 2 ) i e (λ 1 λ 2 )

13 82 Fall 1: p λ1 /p λ2 (c) 1: c p λ1 (i) = c Fall 2: p λ1 /p λ2 (c) < 1: c p λ1 (i) = 1 p λ1 p λ2 (i)p λ2 (i) i=c+1 p λ1 (i) = 1 c p λ1 p λ2 (c)p λ2 (i) = p λ 1 p λ2 (c) i=c+1 Wegen ( ) gilt l(λ 2 ) l(λ 1 ) und u(λ 2 ) u(λ 1 ). p λ1 p λ2 (i)p λ2 (i) 1 Wir suchen daher λ 1 (x) als das kleinste λ mit x u(λ) und λ 2 (x) als das größte λ mit x l(λ). Dann ist B(x) = [λ 1 (x),λ 2 (x)]. Dies könnten wir durch Ausprobieren numerisch lösen. c p λ2 (i) c p λ 2 (i) i=c+1 p λ2 (i) = An dieser Stelle hilft uns aber auch ein bekannter Zusammenhang zwischen der Poisson- und der χ 2 -Verteilung weiter: Für Y χ 2 2(c+1) gilt Damit c λ i x u(λ) x l(λ) i! e λ = P λ (X c) = P(Y > 2λ) c λ i i! e λ γ 2λ χ 2 2(c+1),1 γ x x 1 und weiter für α = 5% und x = 2357: λ i i! e λ 1 α/2 λ 0.5χ 2 2(x+1),α/2 λ i i! e λ α/2 λ 0.5χ 2 2x,1 α/2 λ 1 (x) = 0.5χ , ( ) = λ 2 (x) = 0.5χ , ( ) =

14 Likelihood-Quotienten Tests Definition 5.2.1: Ein Test Φ zum Niveau α für H 0 : θ Θ 0 gegen H 1 : θ Θ 1 heißt trennschärfster Test für H 0 : θ Θ 0 gegen H 1 : θ Θ 1 zum Niveau α, wenn er die Fehlerwahrscheinlichkeit 2. Art unter allen Tests zum Niveau α minimiert, d.h., falls für jeden anderen Test Ψ mit E θ (Ψ) α θ Θ 0 gilt, dass E θ (Ψ ) E θ (Ψ) θ Θ 1. Definition 5.2.2: P X = {P X θ : θ Θ} mit Θ R wird einparametrige Exponentialfamilie genannt, falls P X θ θ Θ eine Dichte f θ besitzt der Form f θ (x) = C(θ)h(x)exp(A(θ)t(x)). Behauptung 5.2.3: Sind X 1,...,X n u.i.v. mit {P X 1 θ : θ Θ} einparametrige Exponentialfamilie, dann formt {P X 1,...,X n θ : θ Θ} ebenfalls eine einparametrige Exponentialfamilie mit Dichte ( n ) ( ) n f θ (x 1,...,x n ) = (C(θ)) n h(x i ) exp A(θ) t(x i ). i=1 i=1 Beispiel 5.2.4: (Einparametrige Exponentialfamilien) a) {Bin(n,π) : π (0,1)} mit n N fest: ( ) n f π (x) = π x (1 π) n x I {0,1,...,n} (x) x ( ) ( ) x n π = I {0,1,...,n} (x)(1 π) n x 1 π ( ) { ( ) n π = (1 π) n I {0,1,...,n} exp ln x 1 π = C(π)h(x) exp{a(π)t(x)} } x

15 84 b) {Poi(µ) : µ > 0}: f µ (x) = µx x! e µ I N0 (x) = e µ 1 exp(ln(µ)x) = C(µ)h(x)exp{A(µ)t(x)} x! c) {Exp(λ) : λ > 0} f λ (x) = λe λx I [0, ) (x) = λi [0, ) (x)e λx d) {Erl(n,λ) : λ > 0} mit n N fest e) {N(µ,σ 2 ) : µ R} mit σ 2 > 0 fest f) {N(µ,σ 2 ) : σ 2 > 0} mit µ R fest = C(λ)h(x) exp{a(λ)t(x)} Definition 5.2.5: Sei (Ω,A,P) statistischer Raum und P = {P 0,P 1 }. Seien X 1,...,X n ZufallsvariablenunddiegemeinsamenVerteilungenP X 1,...,X n 0 undp X 1,...,X n 1 seien entweder beide stetig oder beide diskret, jeweils mit Dichten f 0 und f 1. Dann heißt L : R n R { } mit 0, falls f 1 (x 1,...,x n ) = 0 f L(x 1,...,x n ) = 1 (x 1,...,x n ) f 0 (x 1,...,x n ), falls f 0(x 1,...,x n ) 0, falls f 0 (x 1,...,x n ) = 0 < f 1 (x 1,...,x n ) Likelihoodquotient oder auch Dichtequotient von P 0 und P 1. Wenn es eine monoton wachsende Funktion h : R R { } und eine Stichprobenfunktion t : R n R gibt, so dass x 1,...,x n R : L(x 1,...,x n ) = h(t(x 1,...,x n )), dann sagt man, dass der Likelihoodquotient monoton wachsend in t ist. Behauptung 5.2.6: Eine einparametrige Exponentialfamilie mit streng monoton wachsender Funktion A(θ) besitzt einen monotonen Likelihoodquotienten in t(x).

16 85 Satz 5.2.7: (Neyman-Pearson Lemma) Sei (Ω,A,P = {P 0,P 1 }) ein statistischer Raum, X 1,...,X n ZVn und L der Likelihoodquotient von P X 1,...,X n 1 und P X 1,...,X n 0. Wenn k R + und γ [0,1) erfüllen, dass P X 1,...,X n 0 (L > k)+γp X 1,...,X n 0 (L = k) = α, dann ist der Test Ψ = ψ (X 1,...,X n ) mit der Testfunktion ψ, 1 falls L(x 1,...,x n ) > k ψ (x 1,...,x n ) = γ falls L(x 1,...,x n ) = k 0 falls L(x 1,...,x n ) < k ein Test zum Niveau α für H 0 : P = P 0 gegen H 1 : P = P 1, und für jeden anderen Test Ψ = ψ(x 1,...,X n ) zum Niveau α gilt E 1 (Ψ) E 1 (Ψ ), der Test Ψ minimiert also die Ws keit eines Fehlers 2. Art unter allen Tests zum Niveau α. Korollar 5.2.8: Ist unter den Voraussetzungen von Satz der Dichtequotient L sogar streng monoton wachsend in einer Stichprobenfunktion t, so läßt sich der Neyman-Pearson Test Ψ aus darstellen als 1 falls t(x 1,...,x n ) > c ψ (x 1,...,x n ) = γ falls t(x 1,...,x n ) = c 0 falls t(x 1,...,x n ) < c für ein geeignet gewähltes c R und γ [0,1) mit P 0 (t(x 1,...,X n ) > c)+γp 0 (t(x 1,...,X n ) = c) = α,

17 86 Beispiel 5.2.9: Seien X 1,...,X n u.i.v. N(µ,1)-verteilt mit µ {µ 0,µ 1 } und µ 1 > µ 0. Wir testen H 0 : µ = µ 0 gegen H 1 : µ = µ 1. Aus der Dichte ( ) ( ) n 1 f µ (x 1,...,x n ) = exp 1 n (x i µ) 2 2π 2 erhalten wir den Likelihoodquotienten (LQ) ( ) ( ) n 1 exp 1 n (x i µ 1 ) 2 2π 2 i=1 L(x 1...,x n ) = ( ) ( ) n 1 exp 1 n (x i µ 0 ) 2 2π 2 i=1 ( ) = exp 1 n (x i µ 1 ) n (x i µ 0 ) i=1 i=1 ( 1 n ( ) ) = exp x 2 2 i +2x i µ 1 µ 2 1 +x 2 i 2x i µ 0 +µ 2 0 i=1 ( n ( = exp (µ 1 µ 0 ) x i )exp n ( µ µ 0) ) 2 also ist der LQ streng monoton wachsend in t = x. Wegen Satz suchen wir k R und γ [0,1) mit i=1 i=1 P µ0 (L > k)+γp µ0 (L = k) = α Wegen der strengen Monotonie von L in x gibt es k R ein c R > k > c mit L(x 1,...,x n ) = k x = c, < k < c wir können den Test also über x formulieren, mit c und γ so, dass P µ0 (X > c)+γp µ0 (X = c) = α ( ) Wegen X N(µ,1/n) ist P µ0 n(x µ0 ) > u 1 α = α, wir können c = µ 0 +u 1 α / n und γ = 0 wählen und erhalten die Testfunktion ψ 1, falls (x µ 0 ) n > u 1 α (x 1,...,x n ) = 0, falls (x µ 0 ). n u 1 α

18 87 Satz : Sei(Ω,A,P) einstatistischerraummitparametrisierungp = {P θ : θ Θ}, wobei Θ R. Seien X 1,...,X n ZVn und T = t(x 1,...,X n ) oberer Test bezüglich T, d.h. c R und γ [0,1) mit 1 falls t(x 1,...,x n ) > c ψ (x 1,...,x n ) = γ falls t(x 1,...,x n ) = c, 0 falls t(x 1,...,x n ) < c und es gelte P θ0 (t(x 1,...,X n ) > c)+γp θ0 (t(x 1,...,X n ) = c) = α. a) Falls θ < θ 0 gilt, dass der Dichtequotient L(θ,θ 0 ) = f θ /f θ0 fast sicher (f.s.) monoton fallend in t ist, so ist Ψ ein Test zum Niveau α für H 0 : θ θ 0 gegen H 1 : θ > θ 0. b) Falls θ > θ 0 gilt, dass der Dichtequotient L(θ,θ 0 ) = f θ /f θ0 fast sicher (f.s.) monoton wachsend in t ist, so gilt für jeden Test Ψ mit E θ0 (Ψ) α, dass θ > θ 0 : E θ (Ψ) E θ (Ψ ). Beweis: a) Wie Satz / b) Analog zu /

19 88 Beispiel : (Fortsetzung von Beispiel 5.2.9) a) Für bel. µ < µ 0 gilt, dass L(µ,µ 0 ) = f µ(x 1,...,x n ) f µ0 (x 1,...,x n ) =... ( n = exp (µ µ 0 ) x i )exp i=1 ( n 2 ( µ 2 µ 2 0) ) monoton fallend in x ist: Die Vor. aus Satz a) ist erfüllt und Ψ ist Test zum Signifikanz-Niveau α für b) Für bel. µ > µ 0 gilt, dass H 0 : µ µ 0 vs. H 1 : µ > µ 0. L(µ,µ 0 ) = f µ(x 1,...,x n ) f µ0 (x 1,...,x n ) =... wie oben monoton wachsend in x ist: Die Vor. aus Satz b) ist erfüllt und Ψ hat unter allen Tests zum Signifikanz-Niveau α für H 0 : µ µ 0 vs. H 1 : µ > µ 0 überall ( gleichmäßig ) maximale Güte. Definition : Ein Test Ψ = ψ(x 1,...,X n ) für H 0 : θ Θ 0 gegen H 1 : θ Θ 1 mit sup f θ (x 1,...,x n ) θ Θ 1 falls 1 sup f θ (x 1,...,x n ) > k θ Θ 0 sup f θ (x 1,...,x n ) θ Θ ψ(x 1,...,x n ) = γ falls 1 sup f θ (x 1,...,x n ) = k, θ Θ 0 0 falls sup f θ (x 1,...,x n ) θ Θ 1 sup f θ (x 1,...,x n ) < k θ Θ 0 fürgeeignetgewähltekonstantenk R + undγ [0,1)heißt(allgemeiner) Likelihood-Quotienten Test.

20 Tests bei Normalverteilung Situation 5.3.1: Seien X 1,...,X n u.i.v. mit X 1 N(µ,σ 2 ), µ R,σ 2 > 0. Sei Xn = n i=1 X i undsn 2 = n i=1 (X i X n ) 2 /(n 1).µ 0 Rseigegeben. Definition 5.3.2: In Situation mit σ 2 = σ0 2 bekannt sei x n = n i=1 x i/n. Dann wird der Test Ψ := ψ (X 1,...,X n ) mit { 1, falls n x n µ 0 ψ (x 1,...,x n ) = σ 0 > u 1 α 0, falls n x n µ 0 σ 0 u 1 α einseitiger Gauss-Test für H 0 : µ µ 0 gegen H 1 : µ > µ 0 genannt. Bemerkung 5.3.3: a) Betrachtet man die ZVn Y 1 = X 1 /σ 0,...,Y n = X n /σ 0 N(µ/σ 0,1), so zeigt Beispiel , dass der einseitige Gauss-Test ein Test zum Signifikanzniveau α ist und unter allen Niveau-α-Tests in dieser Situation maximale Güte hat. Das Einhalten des Signifikanzniveaus ergibt sich hierbei aus der Monotonie des Likelihoodquotienten, oder auch daraus, dass für alle µ µ 0 gilt P µ ( n X µ0 σ 0 X µ0 n n X µ σ 0 ) σ 0 > u 1 α P µ ( n X µ σ 0 N(0,1) > u 1 α ) = α b) Der Gauss-Test hat für die Praxis den gravierenden Nachteil, dass er nur bei bekannter Varianz σ0 2 anwendbar ist, was nur selten der Fall ist. In der Praxis verwendet man daher statt der Teststatistik die Teststatistik n Xn µ 0 σ 0 µ=µ 0 N(0,1) n Xn µ 0 S 2 n µ=µ 0 t n 1, vergleiche Korollar

21 90 Behauptung 5.3.4: In Situation ist der Test Ψ = ψ(x 1,...,X n ) mit 1, falls n x n µ 0 > t n 1;1 α s 2 ψ(x 1,...,x n ) = n 0, falls n x n µ 0 t n 1;1 α s 2 n ein Test zum Niveau α für H 0 : µ µ 0 gegen H 1 : µ > µ 0 und wird einseitiger t-testgenannt. t n 1;1 α seihierbeidas(1 α)-quantil dert n 1 - Verteilung. Beispiel 5.3.5: Zur Untersuchung der Zentrierung einer Waage werden Objekte mit bekanntemgewichtgewogenunddiedifferenzenx i zwischendengemessenen und den wahren Gewichten registriert, 1 i n. Modell: X 1,...,X n u.i.v., P X 1 = { N(µ,σ 2 ) : µ R,σ 2 > 0 }. Wenn die Waage richtig eingestellt ist, sollte µ = 0 gelten, für µ > 0 oder µ < 0 ist die Waage hingegen falsch eingestellt. Wir testen also mit µ 0 = 0 die Hypothese H 0 : µ = µ 0 gegen H 1 : µ µ 0. Auch hier ist es sinnvoll, die Teststatistik T = t(x 1,...,X n ) mit t(x 1,...,x n ) = n x n µ 0 s 2 n ausbeh.5.3.4zunutzen.diesmalwerdenwirh 0 aberdannablehnen,wenn t(x 1,...,x n ) sehr groß oder sehr klein ist. Entstehender Test: Ψ = ψ(x 1,...,X n ) mit 1, ψ(x 1,...,x n ) = wenn n x n µ 0 t n 1;α/2 t n 1;1 α/2 0, s 2 n (t n 1;α/2, t n 1;1 α/2 ) Bei Werten von x n n µ 0 t s 2 n 1;1 α/2 (beachtet n 1;α/2 = t n 1;1 α/2 ) n lehnen wir H 0 also auf dem Signifikanzniveauαab, während die Daten andernfalls auf dem Niveau α nicht gegen H 0 sprechen.

22 91 Bemerkung 5.3.6: a) Der ZGWS bei unbekannter Varianz zeigt, dass der t-test auch beinichtnormalverteiltenzvnx 1,...,X n dasniveauαapproximativ einhält, wenn der Stichprobenumfang n groß ist. b) Beim Test aus Beispiel handelt es sich um einen zweiseitigen Test zum Niveau α. Auch der einseitige t-test aus Beh ist ein Test für H 0 : µ = µ 0 gegen H 1 : µ µ 0 zum Niveau α, der für (µ,σ 2 ) mit µ > µ 0 sogar eine größere Güte hat als der zweiseitige t-test zum gleichen Niveau. Für µ < µ 0 hat der einseitige t-test aus Beh hingegeneinegütekleinerα,diefürµ sogargegen0geht,d.h. der einseitige t-test ist nicht unverfälscht im zweiseitigen Testproblem. c) Das kleinste Signifikanzniveau α, auf dem wir die Nullhypothese H 0 ablehnen würden, wird p-wert des Tests genannt. In der Situation von Beispiel wäre dieser Wert p gegeben durch die Lösung der Gleichung x n n µ 0 = t s 2 n 1;1 p/2. n Für n = 10, x n = 0.91, µ 0 = 0, s 2 n = 4.23 gilt = = t 9;0.902 und damit 1 p/2 = 0.902, d.h p = 2 ( ) = Wenn unser vorher (!) gewähltes Signifikanzniveau α also weniger als 19.5% beträgt, sprechen die Daten auf dem Niveau α nicht gegen die Hypothese, dass die Waage richtig eingestellt ist. Ist hingegen x n = 1.41 (sonst alles gleich), so ergibt sich = = t 9; und damit 1 p/2 = , d.h p = 2 ( ) = : Dann würden wir H 0 auf dem 10% Niveau ablehnen, nicht aber auf dem 5% Niveau. Der p-wert wird gerne als ein measure of evidence gegen die Nullhypothese eingesetzt.

23 92 Beispiel 5.3.7: (Fortsetzung von Beispiel 5.3.5) In Erweiterung der Fragestellung aus Bspl wollen wir nun noch die GenauigkeitderWaageüberprüfen,gemessenüberdieVarianzσ 2 der Messung. Wir testen hierzu, ob σ 2 höchstens den Wert σ 2 0 = 4[g 2 ] beträgt, also H 0 : σ 2 4 gegen H 1 : σ 2 > 4. Teststatistik: T = t(x 1,...,X n ) = (n 1)S2 n 4. Test: Ψ = ψ(x 1,...,X n ) mit 1 2 (n 1)s n ψ(x 1,...,x n ) = falls 0 4 > χ 2 n 1;1 α χ 2 n 1;1 α Hier ist der Wert der Teststatistik /4 = kleiner als der kritische Wert χ 2 9;0.95 = für α = 0.05, so dass wir H 0 zum 5%-Niveau nicht ablehnen würden. Wegen χ 9;0.609 = beträgt der p-wert ungefähr 0.291, die Daten sprechen also wenig gegen H 0. Behauptung 5.3.8: In Situation ist der Test Ψ = ψ(x 1,...,X n ) mit 1 2 (n 1)s > χ 2 n n 1;1 α ψ(x 1,...,x n ) = falls 0 σ0 2 χ 2 n 1;1 α ein Test zum Niveau α für H 0 : σ 2 σ 2 0 gegen H 1 : σ 2 > σ 2 0, wobei χ 2 n 1;1 α das (1 α)-quantil der χ 2 n-verteilung ist, und wird einseitiger χ 2 -Streuungstest genannt. Bemerkung 5.3.9: Der zweiseitige χ 2 -Streuungstest mit der Testfunktion 1 2 (n 1)s < χ 2 n n 1;α/2 ψ(x 1,...,x n ) = falls > χ2 n 1;1 α/2 0 σ0 2 [χ 2 n 1;α/2,χ2 n 1;1 α/2 ] ist ein Test zum Niveau α für H 0 : σ 2 = σ 2 0 gegen H 1 : σ 2 σ 2 0. Dieser Test kann nicht einfacher geschrieben werden, weil die χ 2 -Verteilung keine Symmetriebedingung erfüllt.

24 93 Beispiel : Zum Vergleich zweier Materialien für Schuhsohlen werden von n = 10 Paar Schuhen jeweils einer mit Material A und einer mit Material B besohlt und der Abrieb beider Sohlen nach einer gewissen Tragezeit gemessen. Wir erhalten also für jedes Paar Schuhe i = 1,...,n zwei Messungen x i und y i für Material A bzw. B. Annahmen: x 1,...,x n Realisierung von u.i.v. ZVn X 1,...,X n mit P X 1 = {N(µ x,σ 2 x) : µ x R,σ 2 x > 0} y 1,...,y n Realisierung von u.i.v. ZVn Y 1,...,Y n mit P Y 1 = {N(µ y,σ 2 y) : µ y R,σ 2 y > 0}. Wir wollen die Hypothese H 0 : µ x µ y gegen H 1 : µ x > µ y testen um nachzuweisen, dass das neue Material B geringeren Abrieb hat. Nun sind aber die beiden Stichproben verbunden, wir können nicht annehmen, dass X i und Y i unabhängig sind, da dieses Paar Schuhe von der gleichen Person getragen wird, i = 1,...,n. Annahme: Z 1 = X 1 Y 1, Z 2 = X 2 Y 2,..., Z n = X n Y n u.i.v. mit P Z 1 = {N(δ = µ x µ y,σ 2 ) : δ R,σ 2 > 0}. Damit läßt sich H 0 formulieren als H 0 : δ 0 gegen H 1 : δ > 0. Wir sind dann in der Situation von Beh und können den einseitigen t-test auf Z 1,...,Z n anwenden. Bemerkung : Der Test aus heißt t-test für verbundene Stichproben. Seine Grundannahme für die Differenzen Z 1,...,Z n der ZVn ist z.b. erfüllt, wenn (X 1,Y 1 ),...,(X n,y n ) als Paare u.i.v. sind und (X 1,Y 1 ) bivariat normalverteilt, vgl. Beh mit A = (1, 1).

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

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

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

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

Beispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests

Beispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests Beispiel: Sonntagsfrage Vier Wochen vor der österreichischen Nationalratswahl 1999 wurde 499 Haushalten die Sonntagsfrage gestellt: Falls nächsten Sonntag Wahlen wären, welche Partei würden Sie wählen?

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

Fragestellungen der Schließenden Statistik

Fragestellungen der Schließenden Statistik Fragestellungen der Schließenden Statistik Bisher: Teil I: Beschreibende Statistik Zusammenfassung von an GesamtheitM N {e,,e N } erhobenem Datensatz x,,x N durch Häufigkeitsverteilung und Kennzahlen für

Mehr

27. Statistische Tests für Parameter. Was ist ein statistischer Test?

27. Statistische Tests für Parameter. Was ist ein statistischer Test? 27. Statistische Tests für Parameter Wenn du eine weise Antwort verlangst, musst du vernünftig fragen Was ist ein statistischer Test? Ein statistischen Test ist ein Verfahren, welches ausgehend von Stichproben

Mehr

Einfache statistische Testverfahren

Einfache statistische Testverfahren Einfache statistische Testverfahren Johannes Hain Lehrstuhl für Mathematik VIII (Statistik) 1/29 Hypothesentesten: Allgemeine Situation Im Folgenden wird die statistische Vorgehensweise zur Durchführung

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

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

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

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

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

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

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

Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1

Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.

Mehr

Die Optimalität von Randomisationstests

Die Optimalität von Randomisationstests Die Optimalität von Randomisationstests Diplomarbeit Elena Regourd Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2001 Betreuung: Prof. Dr. A. Janssen Inhaltsverzeichnis

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

Scheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik

Scheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik

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

Stochastische Eingangsprüfung, 17.05.2008

Stochastische Eingangsprüfung, 17.05.2008 Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)

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

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg : Gliederung 1 Einführung 2 Deskriptive Statistik

Mehr

Beurteilende Statistik

Beurteilende Statistik Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten

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

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

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge 2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

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

Varianzanalyse ANOVA

Varianzanalyse ANOVA Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für

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

Extremwertverteilungen

Extremwertverteilungen Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen

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

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

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

Motivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen

Motivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen Universität Karlsruhe (TH) Forschungsuniversität gegründet 825 Wilcoxon-Rangsummentest oder Mann-Whitney U-Test Motivation In Experimenten ist die Datenmenge oft klein Daten sind nicht normalverteilt Dann

Mehr

Analytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10

Analytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Analytische Statistik I Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Testen Anpassungstests (goodness of fit) Weicht eine gegebene Verteilung signifikant von einer bekannten

Mehr

Biostatistik, Winter 2011/12

Biostatistik, Winter 2011/12 Biostatistik, Winter 2011/12 Vergleich zweier Stichproben, nichtparametrische Tests Prof. Dr. Achim Klenke http://www.aklenke.de 11. Vorlesung: 27.01.2012 1/86 Inhalt 1 Tests t-test 2 Vergleich zweier

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

Statistische Auswertung der Daten von Blatt 13

Statistische Auswertung der Daten von Blatt 13 Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen 4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.

Mehr

$ % + 0 sonst. " p für X =1 $

$ % + 0 sonst.  p für X =1 $ 31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses

Mehr

Marktforschung I. Marktforschung I 2

Marktforschung I. Marktforschung I 2 Marktforschung I Marktforschung I Einführung in die Testtheorie (Toporowski) Mathematische Grundlagen (Toporowski) Varianzanalyse (Toporowski) Regressionsanalyse (Boztuğ) Diskriminanzanalyse (Hammerschmidt)

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

Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B

Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben

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

Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test

Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Dirk Metzler 22. Mai 2015 Inhaltsverzeichnis 1 Wiederholung:

Mehr

Versuchsplanung. Teil 1 Einführung und Grundlagen. Dr. Tobias Kiesling 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

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) = Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.

Mehr

Aufgabe 1 10 ECTS. y i x j gering mittel hoch n i Hausrat 200 25 0 225 KFZ 0 10 75 85 Unfall 20 35 90 145 Reiserücktritt 40 5 0 45 n j 260 75 165 500

Aufgabe 1 10 ECTS. y i x j gering mittel hoch n i Hausrat 200 25 0 225 KFZ 0 10 75 85 Unfall 20 35 90 145 Reiserücktritt 40 5 0 45 n j 260 75 165 500 Aufgabe 1 Für die Securance-Versicherung liegen Ihnen die gemeinsamen absoluten Häugkeiten der Merkmale X: Schadenshöhe und Y : Versicherungsart für die letzten 500 gemeldeten Schäden vor. 1. Interpretieren

Mehr

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,

Mehr

Jost Reinecke. 7. Juni 2005

Jost 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

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

9 Die Normalverteilung

9 Die Normalverteilung 9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,

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

12.1 Wie funktioniert ein Signifikanztest?

12.1 Wie funktioniert ein Signifikanztest? 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

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

Mengensysteme, Wahrscheinlichkeitsmaße

Mengensysteme, Wahrscheinlichkeitsmaße Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen

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

Weiterbildungskurs Stochastik

Weiterbildungskurs Stochastik Hansruedi Künsch Seminar für Statistik Departement Mathematik, ETH Zürich 24. Juni 2009 Inhalt STATISTIK DER BINOMIALVERTEILUNG 1 STATISTIK DER BINOMIALVERTEILUNG 2 Fragestellungen Typische Fragestellungen

Mehr

Teil I Beschreibende Statistik 29

Teil I Beschreibende Statistik 29 Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................

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

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

Wilcoxon-Rangsummen-Test

Wilcoxon-Rangsummen-Test Wilcoxon-Rangsummen-Test Theorie: Wilcoxon-Rangsummen-Test Der Wilcoxon-Rangsummen-Test prüft, ob sich die Verteilungen der Grundgesamtheiten zweier Stichproben bezüglich ihrer Lage unterscheiden. Ein

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

2.4 Hypothesentests Grundprinzipien statistischer Hypothesentests. Hypothese:

2.4 Hypothesentests Grundprinzipien statistischer Hypothesentests. Hypothese: 2.4.1 Grundprinzipien statistischer Hypothesentests Hypothese: Behauptung einer Tatsache, deren Überprüfung noch aussteht (Leutner in: Endruweit, Trommsdorff: Wörterbuch der Soziologie, 1989). Statistischer

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

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

Optimalitätskriterien

Optimalitätskriterien Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen

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

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

3. Zusammenhang. 22 Andreas Gathmann

3. Zusammenhang. 22 Andreas Gathmann 22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept

Mehr

Nachholklausur STATISTIK II

Nachholklausur STATISTIK II Nachholklausur STATISTIK II Name, Vorname: Matrikel-Nr.: Die Klausur enthält zwei Typen von Aufgaben: T e i l A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine

Mehr

Die Varianz (Streuung) Definition

Die Varianz (Streuung) Definition Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ

Mehr

Ausarbeitung des Seminarvortrags zum Thema

Ausarbeitung des Seminarvortrags zum Thema Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung

Mehr

Verteilungsmodelle. Verteilungsfunktion und Dichte von T

Verteilungsmodelle. Verteilungsfunktion und Dichte von T Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung

Mehr

Mögliche Fehler beim Testen

Mögliche Fehler beim Testen Mögliche Fehler beim Testen Fehler. Art (Irrtumswahrscheinlichkeit α), Zusammenfassung: Die Nullhypothese wird verworfen, obwohl sie zutrifft. Wir haben uns blamiert, weil wir etwas Wahres abgelehnt haben.

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

Statistische Thermodynamik I Lösungen zur Serie 1 Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen

Mehr

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8 . Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8

Mehr

Stichprobenauslegung. für stetige und binäre Datentypen

Stichprobenauslegung. für stetige und binäre Datentypen Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung

Mehr

Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist

Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist Frage Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist k a F (x) =1 k>0,x k x Finden Sie den Erwartungswert und den Median der Dichte für a>1. (Bei

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

1 Stochastische Prozesse in stetiger Zeit

1 Stochastische Prozesse in stetiger Zeit 1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.

Mehr

Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2010/2011. Aufgabe 1

Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2010/2011. Aufgabe 1 Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2010/2011 Aufgabe 1 Nach einer

Mehr

Online-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung

Online-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung Online-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung Abgaben: 92 / 234 Maximal erreichte Punktzahl: 7 Minimal erreichte Punktzahl: 1 Durchschnitt: 4 Frage 1 (Diese Frage haben ca. 0% nicht beantwortet.)

Mehr

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1 Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

Mehr

Abhängigkeit zweier Merkmale

Abhängigkeit zweier Merkmale Abhängigkeit zweier Merkmale Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/33 Allgemeine Situation Neben der Untersuchung auf Unterschiede zwischen zwei oder mehreren Untersuchungsgruppen hinsichtlich

Mehr

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x

Mehr

Kapitel 4: Binäre Regression

Kapitel 4: Binäre Regression Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,

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

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006

Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen

Mehr

Monte Carlo Methoden in Kreditrisiko-Management

Monte Carlo Methoden in Kreditrisiko-Management Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen

Mehr

Welch-Test. Welch-Test

Welch-Test. Welch-Test Welch-Test Welch-Test Test auf Lageunterschied zweier normalverteilter Grundgesamtheiten mit unbekannten Varianzen durch Vergleich der Mittelwerte zweier unabhängiger Zufallsstichproben. Beispiel Im Labor

Mehr

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie

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

(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)

(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.) 3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten

Mehr