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

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

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

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

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

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

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

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

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

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

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

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

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

$ % + 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

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

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

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

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

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

8. Methoden der klassischen multivariaten Statistik

8. Methoden der klassischen multivariaten Statistik 8. Methoden der klassischen multivariaten Statistik 8.1. Darstellung von Daten Voraussetzungen auch in diesem Kapitel: Grundgesamtheit (Datenraum) Ω von Objekten (Fällen, Instanzen), denen J-Tupel von

Mehr

Stochastische Analyse von empirischen Zählvergleichen

Stochastische Analyse von empirischen Zählvergleichen Stochastische Analyse von empirischen Zählvergleichen Klaus Felsenstein Institut für Statistik und Wahrscheinlichkeitstheorie technische universität wien 1 Problemstellung Den Ausgangspunkt für Entscheidungen

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

Prüfen von Mittelwertsunterschieden: t-test

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

Mehr

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

Statistik Musterlösungen

Statistik Musterlösungen Statistik Musterlösungen Regina Tüchler & Achim Zeileis Institut für Statistik & Mathematik Wirtschaftsuniversität Wien 1 Grundbegriffe (1.23) Skript Reaktionen auf Videofilm. Aussagen M, E, P, S h(m)

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

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

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

Schätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N

Schätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X

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

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

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

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

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

Bachelorarbeit. Backtesting von Kreditrisikomodellen. von Ulf Cormann

Bachelorarbeit. Backtesting von Kreditrisikomodellen. von Ulf Cormann Bachelorarbeit Backtesting von Kreditrisikomodellen von Ulf Cormann Universität Siegen Fachbereich Mathematik August 2005 BETREUER UND GUTACHTER: Priv. Doz. Dr. Paulsen, Universität Siegen Priv. Doz.

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

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,

Mehr

STATISTIK 1 - BEGLEITVERANSTALTUNG

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

Mehr

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

Statistik im Bachelor-Studium der BWL und VWL

Statistik im Bachelor-Studium der BWL und VWL Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,

Mehr

Grundlagen von Versuchsmethodik und Datenanalyse

Grundlagen von Versuchsmethodik und Datenanalyse Grundlagen von Versuchsmethodik und Datenanalyse Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu aggressivem Verhalten

Mehr

Multinomiale logistische Regression

Multinomiale logistische Regression Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable

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

Mini-Skript Wahrscheinlichkeitstheorie und Statistik

Mini-Skript Wahrscheinlichkeitstheorie und Statistik Mini-Skript Wahrscheinlichkeitstheorie und Statistik Peter Bühlmann Georg Grafendorfer, Lukas Meier Inhaltsverzeichnis 1 Der Begriff der Wahrscheinlichkeit 1 1.1 Rechenregeln für Wahrscheinlichkeiten........................

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

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

Statistische Methoden: Tests, Regression und multivariate Verfahren

Statistische Methoden: Tests, Regression und multivariate Verfahren (CM)²-Nachwuchsring, Workshop Statistik, 25.Januar 2013 Statistische Methoden: Tests, Regression und multivariate Verfahren Ralf Korn ((CM)², TU Kaiserslautern, Fraunhofer ITWM) 0. Einige Probleme aus

Mehr

2. Korrelation, lineare Regression und multiple Regression

2. Korrelation, lineare Regression und multiple Regression multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig

Mehr

Verteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/31

Verteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/31 Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/31 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man

Mehr

Verteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/35

Verteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/35 Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/35 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man

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

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

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

werden können. Wenn der Benutzer zudem eine konkrete Differenz mit praktischen Konsequenzen angibt, berechnet der Assistent den Stichprobenumfang,

werden können. Wenn der Benutzer zudem eine konkrete Differenz mit praktischen Konsequenzen angibt, berechnet der Assistent den Stichprobenumfang, Dieses White Paper ist Teil einer Reihe von Veröffentlichungen, welche die Forschungsarbeiten der Minitab-Statistiker erläutern, in deren Rahmen die im Assistenten der Minitab 17 Statistical Software verwendeten

Mehr

0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )

0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 ) Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel

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

Mehr

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

q = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678

q = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678 Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [

Mehr

Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1

Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Aufgabe 1: Betrachtet wird folgendes Modell zur Erklärung des Managergehalts salary durch den Umsatz sales, die Eigenkapitalrendite roe und die

Mehr

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

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

Mehr

Binäre abhängige Variablen

Binäre abhängige Variablen Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen

Mehr

a n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert:

a n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: Beispiel: Wir untersuchen die rekursiv definierte Folge a 0 + auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: ( ) (,, 7, 5,...) Wir können also vermuten, dass die Folge monoton fallend

Mehr

Analyse von Extremwerten

Analyse von Extremwerten Analyse von Extremwerten Interdisziplinäres Seminar: Statistische Verfahren in den Geowissenschaften Anna Hamann betreut durch Prof. Dr. Helmut Küchenhoff, Institut für Statistik Ludwig Maximilians Universität

Mehr

Mathematik IV: Statistik. für D-UWIS, D-ERDW, D-USYS und D-HEST SS14

Mathematik IV: Statistik. für D-UWIS, D-ERDW, D-USYS und D-HEST SS14 Mathematik IV: Statistik für D-UWIS, D-ERDW, D-USYS und D-HEST SS14 Hygienische Reiniger Wissenschaftliche Studie: 10 000 Reinigungsversuche, 6 Fälle mit mehr als 1 Bakterien Stimmt s jetzt oder was? Binomialtest:

Mehr

Wahrscheinlichkeitstheoretische Grundlagen für False Discovery Rate-kontrollierende multiple Testprozeduren

Wahrscheinlichkeitstheoretische Grundlagen für False Discovery Rate-kontrollierende multiple Testprozeduren Wahrscheinlichkeitstheoretische Grundlagen für False Discovery Rate-kontrollierende multiple Testprozeduren Thorsten Dickhaus Universität des Saarlandes, 06. Juli 2009 Übersicht Einführung: Multiples Testen

Mehr

Risikomessung und Value at Risk Wintersemester 2013/14

Risikomessung und Value at Risk Wintersemester 2013/14 Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

K2 MATHEMATIK KLAUSUR. Aufgabe PT WTA WTGS Darst. Gesamtpunktzahl Punkte (max) 28 15 15 2 60 Punkte Notenpunkte

K2 MATHEMATIK KLAUSUR. Aufgabe PT WTA WTGS Darst. Gesamtpunktzahl Punkte (max) 28 15 15 2 60 Punkte Notenpunkte K2 MATHEMATIK KLAUSUR 26.2.24 Aufgabe PT WTA WTGS Darst. Gesamtpunktzahl Punkte (max 28 5 5 2 6 Punkte Notenpunkte PT 2 3 4 5 6 7 8 9 P. (max 2 2 2 4 5 3 3 4 3 Punkte WT Ana A.a b A.c Summe P. (max 7 5

Mehr

T-TEST BEI EINER STICHPROBE:

T-TEST BEI EINER STICHPROBE: Kapitel 19 T-Test Mit Hilfe der T-TEST-Prozeduren werden Aussagen über Mittelwerte getroffen. Dabei wird versucht, aus den Beobachtungen einer Stichprobe Rückschlüsse auf die Grundgesamtheit zu ziehen.

Mehr

Diskriminanzanalyse Beispiel

Diskriminanzanalyse Beispiel Diskriminanzanalyse Ziel bei der Diskriminanzanalyse ist die Analyse von Gruppenunterschieden, d. h. der Untersuchung von zwei oder mehr Gruppen hinsichtlich einer Vielzahl von Variablen. Diese Methode

Mehr

4. Woche Decodierung; Maximale, Perfekte und Optimale Codes. 4. Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140

4. Woche Decodierung; Maximale, Perfekte und Optimale Codes. 4. Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140 4 Woche Decodierung; Maximale, Perfekte und Optimale Codes 4 Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140 Szenario für fehlerkorrigierende Codes Definition (n, M)-Code Sei C {0, 1}

Mehr

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 Eigenwerte und Eigenräume, Diagonalisierung 3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.

Mehr

LM2. WAHRSCHEINLICHKEITSRECHNUNG/STATISTIK

LM2. WAHRSCHEINLICHKEITSRECHNUNG/STATISTIK LM2. WAHRSCHEINLICHKEITSRECHNUNG/STATISTIK III. In einer Region haben 60 % der Haushalte einen Internetanschluss. Das Diagramm veranschaulicht die Anteile der Zugangsgeschwindigkeiten unter den Haushalten

Mehr

Modul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.

Modul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen. Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes

Mehr

Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K.

Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Wert der Call Option zum Zeitpunkt T: max{s T K,0} Preis der ECO zum Zeitpunkt t < T: C = C(t,

Mehr

Softwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen

Softwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2013/14 Überblick I Statistik bei kontrollierten Experimenten

Mehr

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

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

Mehr

Statistische Analyse von Ereigniszeiten

Statistische Analyse von Ereigniszeiten Statistische Analyse von Survival Analysis VO Biostatistik im WS 2006/2007 1 2 3 : Leukemiedaten (unzensiert) 33 Patienten mit Leukemie; Zielvariable Überlebenszeit. Alle Patienten verstorben und Überlebenszeit

Mehr

8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:

Mehr

2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik

2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Stefan Lucks Diskrete Strukturen (WS 2009/10) 57 2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Uhr: Stunden mod 24, Minuten mod 60, Sekunden mod 60,... Rechnerarithmetik: mod 2 w, w {8, 16, 32,

Mehr

Amerikanischen Optionen

Amerikanischen Optionen Die Bewertung von Amerikanischen Optionen im Mehrperiodenmodell Universität-Gesamthochschule Paderborn Fachbereich 17 Seminar Finanzmathematik SS 2001 Referentin: Christiane Becker-Funke Dozent: Prof.

Mehr

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 29. Mai 2006 Hinweise:

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Lenstras Algorithmus für Faktorisierung

Lenstras Algorithmus für Faktorisierung Lenstras Algorithmus für Faktorisierung Bertil Nestorius 9 März 2010 1 Motivation Die schnelle Faktorisierung von Zahlen ist heutzutage ein sehr wichtigen Thema, zb gibt es in der Kryptographie viele weit

Mehr

2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also

2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx

Mehr

34 5. FINANZMATHEMATIK

34 5. FINANZMATHEMATIK 34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.

Mehr

Auswertung mit dem Statistikprogramm SPSS: 30.11.05

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

Mehr

Einseitig gerichtete Relation: Mit zunehmender Höhe über dem Meeresspiegel sinkt im allgemeinen die Lufttemperatur.

Einseitig gerichtete Relation: Mit zunehmender Höhe über dem Meeresspiegel sinkt im allgemeinen die Lufttemperatur. Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Die Analyse und modellhafte

Mehr

4.9 Deterministische Kellerautomaten Wir haben bereits definiert: Ein PDA heißt deterministisch (DPDA), falls

4.9 Deterministische Kellerautomaten Wir haben bereits definiert: Ein PDA heißt deterministisch (DPDA), falls 4.9 Deterministische Kellerautomaten Wir haben bereits definiert: Ein PDA heißt deterministisch (DPDA), falls δ(q, a, Z) + δ(q, ɛ, Z) 1 (q, a, Z) Q Σ. Die von einem DPDA, der mit leerem Keller akzeptiert,

Mehr

Geometrische Mannigfaltigkeiten

Geometrische Mannigfaltigkeiten Geometrische Mannigfaltigkeiten Thilo Kuessner Abstract Kurzfassung der Vorlesung: Definitionen, Beispiele und Sätze, keine Beweise. Definition 1. Ein topologischer Raum ist eine Menge X mit einer Familie

Mehr

Bisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners

Bisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners 1 KAP 15. Spiele unter unvollständiger Information Bisher angenommen: jeder Spieler kennt alle Teile des Spiels seine Gegenspieler, deren Aktionen, deren Nutzen, seinen eigenen Nutzen etc. Oft kennt man

Mehr

Stochastik für WiWi - Klausurvorbereitung

Stochastik für WiWi - Klausurvorbereitung Dr. Markus Kuze WS 2013/14 Dipl.-Math. Stefa Roth 11.02.2014 Stochastik für WiWi - Klausurvorbereitug Gesetz der totale Wahrscheilichkeit ud Satz vo Bayes (Ω, F, P) Wahrscheilichkeitsraum, E 1,..., E F

Mehr

Kontingenzkoeffizient (nach Pearson)

Kontingenzkoeffizient (nach Pearson) Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen

Mehr

V A R I A N Z A N A L Y S E

V A R I A N Z A N A L Y S E V A R I A N Z A N A L Y S E Ziel / Funktion: statistische Beurteilung des Einflusses von nominal skalierten (kategorialen) Faktoren auf intervallskalierte abhängige Variablen Vorteil: die Wirkung von mehreren,

Mehr

Quantitative Risk Management

Quantitative Risk Management Quantitative Risk Management Copulas und Abhängigkeit Johannes Paschetag Mathematisches Institut der Universität zu Köln Wintersemester 2009/10 Betreuung: Prof. Schmidli, J. Eisenberg i Inhaltsverzeichnis

Mehr

4 Greedy-Algorithmen (gierige Algorithmen)

4 Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine

Mehr

Klausur Wirtschaftsmathematik Lösungshinweise

Klausur Wirtschaftsmathematik Lösungshinweise Klausur Wirtschaftsmathematik Lösungshinweise Prüfungsdatum: 27. Juni 2015 Prüfer: Etschberger Studiengang: Wirtschaftsingenieurwesen Aufgabe 1 16 Punkte Anton Arglos hat von seiner Großmutter 30 000 geschenkt

Mehr

Medizinische Statistik Epidemiologie und χ 2 Vierfeldertest

Medizinische Statistik Epidemiologie und χ 2 Vierfeldertest Universität Wien Institut für Mathematik Wintersemester 2009/2010 Medizinische Statistik Epidemiologie und χ 2 Vierfeldertest Seminar Angewandte Mathematik Ao. Univ. Prof. Dr. Peter Schmitt von Nadja Reiterer

Mehr