Mathematik für MolekularbiologInnen. Vorlesung IX Ausgewählte Kapitel der Statistik
|
|
- Maria Kaufman
- vor 7 Jahren
- Abrufe
Transkript
1 Mathematik für MolekularbiologInnen Vorlesung I Ausgewählte Kapitel der Statistik
2 Übersicht Statistische Stichproben- und Schätztheorie Entscheidungstheorie (Signifikanztests) Theorie der kleinen Stichproben, t-test (und der Chi -Test) Literatur: Murray R. Spiegel, Statistik, Mc-Graw Hill-Book; Schaum s Outline
3 Stichproben- und Schätztheorie Eigenschaften großer und kleiner Stichproben Es werden sogenannte große Stichproben mit 30 unterschieden von den kleinen Stichproben. Große Stichproben, bzw Stichprobenverteilungen von hinreichend großem Umfang (üblicherweise 30) sind annähernd oder exakt normal(verteilt), selbst wenn die Grundgesamtheit nicht normalverteilt ist. ormalerweise müssen für kleine Stichproben andere Annahmen gemacht werden als für große, was zu einer eigenen Theorie der kleinen Stichproben (t- Verteilung) geführt hat.
4 Stichproben- und Schätztheorie Stichprobenverteilungen von Parametern Parameter der Grundgesamtheit wie μ oder σ finden ihre Entsprechung in den Stichproben und werden dort als Stichprobenfunktionen S bezeichnet. Wenn mehrere Stichproben gezogen werden, erhält man eine Verteilung der Stichprobenfunktionen (da die Werte von Probe zu Probe verschieden sind) Die Verteilung beliebiger Funktionen, genannt Stichprobenverteilung, hat ihrerseits einen Mittelwert μ S und eine Standardabweichung σ S. Letztere wird auch als Standardfehler der jeweiligen Stichprobenfunktion, so z.b. als Standardfehler des Mittelwerts ( ) bezeichnet. Die Stichproben werden mit einem Umfang aus einer Grundgesamtheit gezogen, wieder wird bei der Berechnung zwischen Ziehen mit oder ohne Zurücklegen unterschieden.
5 Stichproben- und Schätztheorie Stichprobenverteilungen von Parametern Stichprobenverteilung der Mittelwerte Unter der Voraussetzung, dass P > für mehrere (alle möglichen) ohne Zurücklegen erhaltenen Proben aus einer endlichen Grundgesamtheit, gilt für die Stichprobenverteilung: P P dagegen vereinfacht für unendliche Grundgesamtheiten bzw. Proben mit Zurücklegen:
6 Stichproben- und Schätztheorie Konfidenzintervalle In der Praxis werden oft Stichprobenfunktionen S anhand einer einzigen Stichprobe ermittelt. Die Frage ist, mit welcher Wahrscheinlichkeit der Wert von S innerhalb eines bestimmten Abstandes vom theoretischen Stichproben-Verteilungsmittel (wenn mehrere bzw. möglichst viele Stichproben gemacht würden), und somit auch vom gesuchten Parameter der Grundgesamtheit entfernt ist. Da man Gruppen von Stichproben des Umfangs 30 bezüglich ihrer Funktionen S als normalverteilt annehmen kann, macht man sich die Eigenschaften der ormalverteilung (vgl VL 7, 8) zunutze: der Wert einer einzigen Stichprobe liegt mit 95,45%-iger Wahrscheinlichkeit innerhalb von S S das unbekannte Verteilungsmittel μ S liegt mit 95,45%-iger Wahrscheinlichkeit innerhalb von S S S Standardfehler der Verteilung der Stichprobenfunktion
7 Stichproben- und Schätztheorie Konfidenzintervalle Diese Wahrscheinlichkeit ist ein Ausmaß des Vertrauens auf einen Wert S als möglichst exaktes Schätzmaß für den Grundgesamtheits-Parameter. Das Vertrauen wird als Konfidenz bezeichnet, sein Ausmaß als Konfidenzniveau. Ein bestimmtes Konfidenzniveau entspricht also einem Konfidenzintervall, dessen Grenzen ein Vielfaches der Standardabweichung sind. Der Faktor z K für den z K σ einem gewünschten iveau entspricht ist für ormalverteilungen tabelliert und wird als Sicherheitskoeffizient bezeichnet 68,3% 95,45% 99,73% Tabelle der Konfidenzintervalle: Konfidenzniveau (%) 99,73 99,0 98,0 96,00 95,45 95,00 90,00 80,00 68,7 50,00 z K 3,00,58,33,05,00,96,645,8,00 0,6745
8 Stichproben- und Schätztheorie Konfidenzintervalle des Stichproben-Mittelwerts Für die Berechnung von Konfidenzintervallen bräuchte man den Standardfehler der Stichprobenfunktion, S, welcher von der Varianz der Grundgesamtheit abhängt (Standardfehler des Mittelwerts, ). Konfidenzniveau (%) 99,73 99,0 98,0 96,00 95,45 95,00 90,00 80,00 68,7 50,00 z K 3,00,58,33,05,00,96,645,8,00 0,6745 Für den Mittelwert einer einzelnen Stichprobe mit 90%-Konfidenzintervall gilt: liegt innerhalb von zk,645, 645 Man kennt jedoch die Grundgesamtheit nicht und kann auch auf keine Stichprobenverteilung zurückgreifen um den Standardfehler zu bestimmen. Deswegen setzt man als Approximation die Varianz der Stichprobe in die jeweilige Formel ein. Für 30 führt das zu befriedigenden Lösungen, für <30 muß die Theorie der kleinen Stichproben verwendet werden.
9 Entscheidungstheorie Kontext der statistischen Entscheidungstheorie Die Stichprobentheorie leitet die Zusammenhänge zwischen den Parametern einer Grundgesamtheit und den korrespondierenden Stichprobenfunktionen her, basierend auf dem Vergleich der bekannten Grundgesamtheit mit den Funktionsverteilungen möglichst vieler Stichproben. Die statistische Schätztheorie verwendet die Ergebnisse der Stichprobentheorie, um Parameter unbekannter Grundgesamtheiten anhand einzelner Stichproben mit einer bestimmten Konfidenz abschätzen zu können. Die statistische Entscheidungstheorie testet Hypothesen für Parameter der Grundgesamtheit anhand der Abweichung entsprechender Funktionen von einzelnen Stichproben. Sie macht Aussagen über die Signifikanz solcher Abweichungen bei gegebenen Irrtumswahrscheinlichkeiten.
10 Entscheidungstheorie Statistische Hypothesen Statistische Hypothese: Annahme oder Vermutung über die Eigenschaften der interessierenden Grundgesamtheit, oder über Differenzen zwischen zwei oder mehreren Grundgesamtheiten. Oft wird die Hypothese nur aufgestellt, um sie widerlegen zu können (z.b. Wirksamkeit Medikament A = B) Die Grundannahme wird auch als ullhypothese H 0 bezeichnet; eine sich davon unterscheidende Vermutung als alternative Hypothese H. Beispiel: statistische Hypothese: Behauptung, eine Münze sei echt => die Wahrscheinlichkeit für Kopf betrage p = 0,5 (H 0 : p= 0,5) bzw. Der Erwartungswert E () = E (Kopf) = Σ p i i = 0,5 (Binomialverteilung mit = ). Das entspricht dem Mittelwert μ = 0,5 für die unendliche Grundgesamtheit von Münzwürfen. Eine Stichprobe mit = 50 Münzwürfen, die 40 mal Kopf ergibt, hat einen Mittelwert von ,8 50 Man würde intuitiv dazu neigen, die ullhypothese (die Münze sei echt, p=0,5) abzulehnen.
11 Statistische Hypothesen Entscheidungstheorie Statistische Hypothesen werden durch Zufallsstichproben überprüft, diesen Vorgang nennt man Hypothesentest oder Signifikanztest. Wenn sich das Ergebnis der Stichprobe deutlich von der Annahme unterscheidet, wird die Hypothese verworfen (bzw. durch eine alternative Hypothese ersetzt). Das irrtümliche Ablehnen von Hypothesen wird als Fehler. Art bezeichnet. Wird dagegen eine abzulehnende Hypothese fälschlicherweise angenommen, spricht man von einem Fehler. Art. Die maximal zulässige Irrtumswahrscheinlichkeit wird als Signifikanzniveau α (oder p-values) bezeichnet. Die ullhypothese wird verworfen (rejected), wenn die p-werte kleiner als 0,05, 0,0, oder 0,00 sind, was den Wahrscheinlichkeiten von 5%, % oder 0,% entspricht, einen Fehler.Art zu begehen. z.b: α = 0,05, die maximal zulässige Wahrscheinlichkeit für irrtümliches Ablehnen einer eigentlich richtigen ullhypothese beträgt 5 %.
12 Hypothesen- und Signifikanztests Entscheidungstheorie Was genau bedeutet deutlich unterscheiden? Unter der Annahme, dass Stichprobenfunktionen normalverteilt sind, sollten die Werte der Funktionen S für einzelne Stichproben mit einer Wahrscheinlichkeit von (z.b.) 95% innerhalb von S. 96 S liegen. Wird S S S S,96 S S standardisiert (Z-Transformation), so dass z, 96 S S dann sollte mit 95%-iger Wahrscheinlichkeit z innerhalb von ±,96 liegen. kritischer Bereich p = 0,05 p = 0,95 kritischer Bereich p = 0,05 Liegt der Wert der Stichprobe außerhalb des Intervalls, ist die Wahrscheinlichkeit, dass ein solches Ereignis vorkommt nur 5 % wenn die Hypothese richtig ist (und das ist eher unwahrscheinlich). die kritischen Bereiche werden auch als Ablehnungsbereiche des Tests bezeichnet. p = 5% (für die kritischen Bereiche) wird Irrtumswahrscheinlichkeit α des Tests genannt. z K = ±,96 sind die kritischen Werte für 5% Irrtumswahrscheinlichkeit (vgl. Konfidenz)
13 Hypothesen- und Signifikanztests Entscheidungstheorie Welche Schlussfolgerungen ergeben sich für die Hypothese, wenn der z- Wert einer Stichprobe außerhalb von ± z K (,96 in unserem Beispiel) liegt? man sagt, der z-wert sei signifikant (dies bedeutet, er weicht signifikant vom Wert der Hypothese H 0 ab). die ullhypothese wird folglich mit 5% Irrtumswahrscheinlichkeit abgelehnt. es besteht jedoch eine 5%-ige Wahrscheinlichkeit, dass die Stichprobenfunktion dem Parameter der Grundgesamtheit entspricht, dass also die Hypothese hätte angenommen werden sollen (Fehler. Art).
14 Signifikanztest für Mittelwerte Entscheidungstheorie Ist die Stichprobenfunktion S das arithmetische Mittel der Stichprobe, dann gilt nach der Stichprobentheorie: und Es ergibt sich für den z-wert des Stichprobenmittels /Hypothesentest: Z Transformation : z S S S z ( ) wobei anstelle σ der Grundgesamtheit der Wert s der einzelnen Stichprobe genommen werden kann
15 Entscheidungstheorie Beispiel Münzwurf: Signifikanztest für Mittelwerte Eine Münze wird 50 mal geworfen und ergibt 40 mal Kopf; Annahme bei einer echten Münze: μ = 0,5, Aufstellen der ullhypothese: H 0 : p=0,5; Eine Stichprobe mit = 50 Münzwürfen, die 40 mal Kopf ergibt, hat einen Mittelwert von ,8 Man würde intuitiv dazu neigen, die ullhypothese (die 50 Münze sei echt, p=0,5) abzulehnen. Berechnung: Ist die Abweichung signifikant? Die Stichprobe mit = 50 Münzwürfen ( 0(0 0,8) 40( 0,8) i ) s und dem Mittelwert 0,8 hat eine i s 49 Standardabweichung von 0,4 Damit ergibt sich als z-wert bei gegebener ( ) 50 (0,8 0,5) z z ullhypothese (Annahme, dass μ = 0,5) 0,4 0,4 5,3 Konfidenzniveau (%) 99,73 99,0 98,0 96,00 95,45 95,00 90,00 80,00 68,7 50,00 z K 3,00,58,33,05,00,96,645,8,00 0,6745 Dieser Wert ist deutlich größer als selbst der kritische Wert z K = 3,9 für α = 0, %. Lehnen wir die Hypothese ab, dass μ = 0,5, ist das Risiko für einen Fehler. Art <<
16 Entscheidungstheorie Einseitige und zweiseitige Signifikanztests Wenn man lediglich darauf testet, ob die Stichprobenfunktion größer als z K ist (z.b. beim Test, ob eine Methode besser ist als eine andere), dann muss man die Wahrscheinlichkeit lediglich auf der rechten Seite des Stichprobenmittels berechnen Es ergeben sich andere Beträge für den kritischen Wert z K kritischer Bereich p = 0,05 p = 0,95 kritischer Bereich p = 0,05 α z K einseitig z K zweiseitig 0,0,8,8,645,645 0,05,645,645,96,96 0,0,33.33,58,58 p = 0,95 kritischer Bereich p = 0,05 0,005,58,58,8,8 0,00,88,88 3,08 3,08
17 Entscheidungstheorie Beispiel I: Aufstellen einer Entscheidungsregel Aufgabe: Ein etabliertes PCR-Verfahren hat eine mittlere Effizienz von 84,5% mit einer Standardabweichung von,0%. Eine Firma behauptet, durch ein verbessertes Verfahren die Effizienz bei gleicher Standardabweichung signifikant zu. a) Stellen Sie eine Entscheidungsregel für die negative ullhypothese auf, wobei für Stichproben des Umfangs = 64 die Irrtumswahrscheinlichkeit 0,0 betragen soll. Lösung: a) Die negative ullhypothese H 0 besagt, dass neue Verfahren sei nicht signifikant besser, also gleich effizient, d.h 84.5% Der Hypothesentest (= Entscheidungsregel) soll diese Hypothese verwerfen, wenn für das Stichprobenmittel gilt: ( ) z z K Auflösen nach ergibt: zk 84,5,33 88,0 64 Die Entscheidungsregel lautet:. Ein Mittelwert der Stichprobe bis 88,0% bestätigt die ullhypothese. Dies bedeutet, dass das neue Verfahren nicht signifikant besser ist.. Liegt der Stichproben-Mittelwert über 88,0%, ist die Hypothese zu verwerfen. Das neue Verfahren ist signifikant besser mit z K =,33 für α = 0,0 im einseitigen Test
18 Entscheidungstheorie Beispiel I: Aufstellen einer Entscheidungsregel Aufgabe: Ein etabliertes PCR-Verfahren hat eine mittlere Effizienz von 84,5% mit einer Standardabweichung von,0%. Eine Firma behauptet, durch ein verbessertes Verfahren die Effizienz bei gleicher Standardabweichung signifikant zu. b) Die tatsächliche Effizienz des neuen PCR-Verfahrens beträgt 90,0% (s =,0%). Mit welcher Wahrscheinlichkeit wird nach der in a) aufgestellten Regel das neue Verfahren abgelehnt? b) Tatsächlich ist das neue PCR-Verfahren mit 90,0% Effizienz signifikant besser. Es ist nun die Frage zu klären, welcher Anteil von Stichproben unter dem Ablehnungswert von 88,0% liegen würde. Zur Veranschaulichung ist eine Kurven-Überlagerung hilfreich. Rechnerisch ergibt sich der z-wert für die Verteilung des neuen Verfahrens aus der Abweichung zwischen dessen Mittelwert (90,0) und dem kritischen Wert des Hypothesentests: α' = 9% z ( ) 64(88 90),33 z K = -,33 entspricht α = 0,09 (Entnahme aus Tabelle: z-,33 =0,09) Mit 9% Wahrscheinlichkeit würde eine Stichprobe des neuen Verfahrens abgelehnt werden.
19 Entscheidungstheorie Signifikanz der Differenz von Mittelwerten Von Bedeutung ist häufig die Fragestellung, ob sich zwei Ergebnisse oder Methoden signifikant unterscheiden. Die Theorie geht hierbei von zwei Grundgesamtheiten aus, für die separat Stichproben genommen werden. Die Stichprobentheorie liefert dann für S = folgende Ergebnisse hinsichtlich der Verteilungen der Differenzen zwischen zwei (Gruppen von) Stichproben: und Lautet die ullhypothese, zwei Grundgesamtheiten unterschieden sich nicht signifikant bezüglich ihrer Mittelwerte, so behauptet man: ) ( ) ( ) ( z 0 und es ergibt sich: z
20 Entscheidungstheorie Beispiel II: Signifikanztest bezüglich eines Unterschieds Aufgabe: Zwei Gruppen von Studierenden absolvieren eine Prüfung; Gruppe, = 40, mit einer mittleren Punktezahl von 74 und einer Standardabweichung von 8; Gruppe, = 50, mit einer mittleren Punktezahl von 78 und einer Standardabweichung von 7. Besteht ein signifikanter Unterschied zwischen den Ergebnissen der beiden Gruppen? (Der Signifikanztest soll 5% Irrtumswahrscheinlichkeit haben.) Lösung: Die ullhypothese lautet: H 0 : d.h. es existiere kein signifikanter Unterschied. Die Abweichung wäre demnach rein zufällig (und die beiden Gruppen repräsentieren Stichproben der selben Grundgesamtheit). Zur Überprüfung ermitteln wir den z-wert für Mittelwert-Differenzen von Stichproben z ( ) ( ) 8 / 40 7 / 50 Bei α = 0,05 (zweiseitig) ist z K =,96 und +,96. Für die vorliegenden Stichproben liegt z außerhalb dieses Intervalls, also im Ablehnungsbereich. Wir müssen die ullhypothese verwerfen und feststellen, dass Gruppe signifikant besser abgeschnitten hat.,49
21 Theorie der kleinen Stichproben Eigenschaften kleiner Stichproben Als kleine Stichproben bezeichnet man solche mit < 30. Funktionen kleiner Stichproben sind für gewöhnlich nicht normalverteilt, und die Abweichung von der ormalverteilung wird größer, je kleiner ist. Die Ergebnisse der allgemeinen Stichprobentheorie treffen daher für kleine Stichproben nicht oder nur unzureichend zu. Es besteht die otwendigkeit einer Theorie der kleinen Stichproben Diese modifizierte Theorie definiert (standardisierte) Stichprobenfunktionen, deren Verteilungen im Falle < 30 der Realität besser entsprechen. Da diese Funktionen jedoch gleichzeitig für große gültig sind, d.h. die Annäherung an die ormalverteilung korrekt wiedergeben, sollte man die Theorie kleiner Stichproben passenderer weise exakte Stichprobentheorie nennen.
22 Theorie der kleinen Stichproben Der Begriff der Freiheitsgrade Funktionen bzw. Verteilungen innerhalb der Theorie kleiner Stichproben berechnen sich über den Parameter ν, der die Anzahl der Freiheitsgrade der Stichprobenfunktion spezifiziert. Ist der Umfang einer Stichprobe, d.h. die Anzahl unabhängiger Beobachtungen, und entspricht k der Anzahl von Parametern der Grundgesamtheit, die aus den Stichproben-Beobachtungen geschätzt werden müssen, dann gilt: v k Wird beispielsweise nur der Mittelwert der Grundgesamtheit anhand einer oder mehrerer Stichproben geschätzt, dann ist k =, und für die Freiheitsgrade der Stichprobe(n) gilt: v
23 Theorie der kleinen Stichproben Student s t-verteilung (nach W. Gossett) Das Verhältnis t zwischen der Differenz des Stichprobenmittelwerts und des Populationsmittelwerts und dem Standardfehler des Mittelwerts nicht normal verteilt ist, wenn die Populationsparameter unbekannt sind Berechnung des t-wertes: s i i ( ) ( ) t t mit s bzw. sˆ sˆ s ( ) Hierbei ist die Verwendung der Stichproben-Standardabweichung s, im Ggs. zu den Formeln für normalverteilte große Stichproben, keine Approximation, sondern exakt. Die Formel impliziert nämlich bereits die korrigierte Standardabweichung ŝ für kleine (Formel STABW in Excel). sˆ i ( ) ( i )
24 Theorie der kleinen Stichproben Student s t-verteilung Diese Verteilung ergibt sich für die Mittelwerte von Stichproben, wenn die standardisierte Mittelwertfunktion definiert wird als: s t ) ( Wird die Funktion t für jede mögliche Stichprobe berechnet, ergibt sich die t- Verteilung, die gegeben ist durch 0 ) ( 0 t Y t Y Y Hierbei ist Y 0 eine Konstante, die für eine gegebene Verteilung von abhängt sodass die Fläche unter der Kurve, wie für Verteilungen gefordert, beträgt. (nach W. Gossett) bzw. s t ˆ ( ) mit ) ( ˆ s i
25 Theorie der kleinen Stichproben Student s t-verteilung Die t-verteilung ist glockenförmig, jedoch flacher als die ormalverteilung. Wie anhand der Verteilungs-Graphen ersichtlich, nähert sich die t-verteilung für steigende bzw. ν der ormalverteilung an (bei ν 30 wird die t-verteilung in der Praxis meist durch die ormalverteilung geschätzt): ormalverteilung ν = 30 Je kleiner (bzw. die Freiheitsgrade ν) umso flacher ist die Kurve, d.h. in kleinen Stichproben treten Extremwerte häufiger auf. ν = 3 ν = 00 ν = 0 /bio/gif/kap7/t.gif ν =
26 Theorie der kleinen Stichproben Der t-test für Hypothesen Signifikanztests unter Verwendung der t-verteilung nennt man t-tests. Hierbei wird die normierte Funktion t mit dem kritischen Wert für eine gegebene Irrtumswahrscheinlichkeit α (entsprechend Konfidenz) verglichen, um über die Ablehnung oder Annahme einer Hypothese zu entscheiden Anwendung bei <30 oder wenn die Standardabweichung der zugrundeliegenden ormalverteilung nicht bekannt ist und durch die Standardabweichung der Stichprobe ersetzt wird.
27 Theorie der kleinen Stichproben Signifikanztests für Mittelwerte Im Falle t-verteilter kleiner Stichproben verwendet man die kritischen Werte t K und erhält für die Konfidenzgrenzen des Mittelwerts einer Grundgesamtheit: t K s bzw. t K s s tk t K ŝ Die kritischen Werte hängen sowohl von der Konfidenz (α) als auch von der Zahl der Freiheitsgrade (ν) ab. Die kritischen Werte sie sind als einseitige oder zweiseitige Werte tabelliert (siehe Anhang)- richtige Auswahl trifft der/die ExperimentatorIn je nach Fragestellung.
28 Theorie der kleinen Stichproben Signifikanztests für Differenzen von Mittelwerten Zufallsstichproben und aus normalverteilten Grundgesamtheiten mit gleicher Standardabweichung σ werden gezogen, die MW und Standardabweichungen und bzw mit s und s gegeben sind. Hypothese: beide Proben sind aus der gleichen Grundgesamtheit H 0 : μ = μ und σ = σ t s s Berechnung: Die Verteilung von t ist die Student-Verteilung mit ν= + - Freiheitsgraden. Die kritischen Werte sie sind als einseitige oder zweiseitige Werte tabelliert (siehe Anhang).
29 Beispiel: =5; Parameter bestimmen: ν=4 Quelle: 49_ _ Anhang4.pdf
30 Quelle: Die Tabelle der einseitigen Abgrenzen kann leicht für zweiseitige Problemstellungen verwendet werden. z.b.: 99% Konfidenz (ν=4), statistische Sicherheit (-α)=0,99, dh % liegt nicht im Konfidenzintervall und kommt jeweils zur Hälfte vom rechten und linken Rand der symmetrischen Kurve kommen. Dementsprechend wird der t-wert bei (- 0,0/)=(- 0,005)=0,995 abgelesen. einseitig: t 0,995 (ν = 4) = 4,6 zweiseitig: t 0,99 (ν = 4) = 4,6
31 Theorie der kleinen Stichproben Beispiel I: Konfidenzintervall des Mittelwerts bei kleiner Stichprobe Aufgabe: Die Reaktionszeit einer Person wurde auf 0,8, 0,30, 0,7, 0,33 und 0,3 s gemessen. Schätzen Sie die tatsächliche Reaktionszeit mit 99% Konfidenz. Lösung: ) Ermittlung des Stichprobenmittelwertes und der Standardabweichung i i 0,98 ˆ s i ( ) 0,039 ) Da eine kleine Stichprobe ( = 5) vorliegt, muss man das Konfidenzintervall der Schätzung über die t-verteilung berechnen; Anzahl der Parameter = (Reaktionszeit) Zahl der Freiheitsgrade ν=-=5-=4 3) Wahl des Konfidenzintervalls: 99% Konfidenz, statistische Sicherheit (-α)=0,99; zweiseitige Abgrenzung (größer oder kleiner); t 0,99 (ν = 4) = 4,6 t K ŝ 0,039 0,98 4,6 0,98 0,049 5 Antwort: Die Reaktionszeit μ liegt mit 99% Konfidenz innerhalb von 0,98 ± 0,049 Sekunden
32 Theorie der kleinen Stichproben Beispiel II: t-tests: Vergleich eines Mittelwertes mit einem theoretischen Wert Aufgabe: Die mittlere Lebensdauer einer Spezies wurde bislang mit μ = 0 d angenommen. Eine Stichprobe von 8 Individuen ergab eine mittlere Lebensdauer 070 d mit s = 5 d. Überprüfen Sie bei einer Irrtumswahrscheinlichkeit von 0,05 die Hypothese, dass die bisherige Annahme richtig war. Lösung: ) ullhypothese: H 0 : μ = 0 d; H : μ ist größer oder kleiner als 0 ) Testen der Hypothese durch Berechnung des t-wertes der Stichprobe (=8), t ( s ) 7(070 0) 5,06 3) Vergleich mit kritischen t-werten: =8, Parameter wird untersucht, ν = 7 zweiseitige Tabelle: α = 0,05, - α = 0,95, t 0,95 (7)= ±,365 einseitige Tabelle: α/ = 0,05; - α = 0,9575, t 0,975 (7)= ±,365 Antwort: Da t im Konfidenzintervall liegt und nicht im Ablehnungsbereich, können wir die Hypothese mit einer 95%-igen Konfidenz (oder mit 5% Irrtumswahrscheinlichkeit) annehmen.
33 Theorie der kleinen Stichproben Einfacher t-test mit Excel: Funktion TTEST gibt dem P-Wert zurück (üblicherweise wird ein P-Wert unter 0,05 als signifikant angesehen (α=95%)) Bsp: Besteht ein signifikanter Unterschied im Kaffeekonsum (Anzahl an Tassen Kaffee pro Tag) zwischen Studierenden der Chemie bzw. Molekularbiologie? Meßwerte (Chemie, bzw. Molbio) Typ : gepaart (abhängig) z.b: vor und nach einer Behandlung Typ : ungepaart (unabhängig) mit angenommener gleicher Varianz Typ 3: ungepaart (unabhängig) mit angenommener ungleicher Varianz einseitig oder zweiseitig (one-tailed, two-tailed)?
34 Theorie der kleinen Stichproben Einfacher t-test mit Excel: Funktion TTEST gibt dem P-Wert zurück (üblicherweise wird ein P-Wert unter 0,05 als signifikant angesehen (α=95%)) Bsp: Besteht ein signifikanter Unterschied im Kaffeekonsum (Anzahl an Tassen Kaffee pro Tag) zwischen Studierenden der Chemie bzw. Molekularbiologie? Meßwerte (Chemie, bzw. Molbio) Typ : gepaart (abhängig) z.b: vor und nach einer Behandlung Typ : ungepaart (unabhängig) mit angenommener gleicher Varianz Typ 3: ungepaart (unabhängig) mit angenommener ungleicher Varianz einseitig oder zweiseitig (one-tailed, two-tailed)?
35 Theorie der kleinen Stichproben Einfacher t-test mit Excel: Funktion TTEST gibt dem P-Wert zurück (üblicherweise wird ein P-Wert unter 0,05 als signifikant angesehen (α=95%)) Bsp: Besteht ein signifikanter Unterschied im Kaffeekonsum (Anzahl an Tassen Kaffee pro Tag) zwischen Studierenden der Chemie bzw. Molekularbiologie? Antwort: P=0,65; es besteht kein signifikanter Unterschied im Kaffeekonsum der beiden Gruppen.
36 Beispiel Hypothesen- und Signifikanztests Radner F P W et al. J. Biol. Chem. 00;85: by American Society for Biochemistry and Molecular Biology Dermis and epidermis of Cgi-58 / mice accumulate TG and exhibit impaired TG hydrolase activity. Dermis and epidermis of Cgi-58 / mice accumulate TG and exhibit impaired TG hydrolase activity. A, skins of newborn wildtype, Cgi-58 /, and Atgl / mice were surgically removed. Epidermis was separated from dermis and epidermal and dermal lipids were extracted for determination of TG content. B, TG hydrolase activities of epidermal and dermal lysates from newborn wild-type, Cgi-58 /, and Atgl / mice were determined using phospholipid-emulsified triolein substrate, containing [9,0-3H]triolein as tracer. Release of radiolabeled FA was determined by liquid scintillation counting. Data are means ± S.D. (n = 6 8) and representative for three independent experiments. Statistical significance was determined by the two-tailed Student's t test (*, p < 0.05; ***, p < 0.00).
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
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
MehrDie Abfüllmenge ist gleich dem Sollwert 3 [Deziliter].
Eine Methode, um anhand von Stichproben Informationen über die Grundgesamtheit u gewinnen, ist der Hypothesentest (Signifikantest). Hier wird erst eine Behauptung oder Vermutung (Hypothese) über die Parameter
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
MehrKonkretes Durchführen einer Inferenzstatistik
Konkretes Durchführen einer Inferenzstatistik Die Frage ist, welche inferenzstatistischen Schlüsse bei einer kontinuierlichen Variablen - Beispiel: Reaktionszeit gemessen in ms - von der Stichprobe auf
MehrHypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren
Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 017 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 heißt Median. P(X < z α ) α P(X z α ). Falls X stetige zufällige Variable
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 5.5.2006 1 Ausgangslage Wir können Schätzen (z.b. den Erwartungswert) Wir können abschätzen, wie zuverlässig unsere Schätzungen sind: In welchem Intervall
Mehr2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrStichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrModul 141 Statistik. 1. Studienjahr 11. Sitzung Signifikanztests
Modul 141 Statistik 1. Studienjahr 11. Sitzung Signifikanztests Inhalt der 11. Sitzung 1. Parametrische Signifikanztests 2. Formulierung der Hypothesen 3. Einseitige oder zweiseitige Fragestellung 4. Signifikanzniveau
MehrWahrscheinlichkeitsrechnung und Statistik. 11. Vorlesung /2019
Wahrscheinlichkeitsrechnung und Statistik 11. Vorlesung - 2018/2019 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 2 heißt Median. P(X < z
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 16. Januar 2013 1 Allgemeine Hypothesentests Nullhypothese und Alternative Beispiel: Blutdrucksenker Testverfahren
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
MehrHypothesentests. Hypothese Behauptung eines Sachverhalts, dessen Überprüfung noch aussteht.
Hypothese Behauptung eines Sachverhalts, dessen Überprüfung noch aussteht. Wissenschaftliche Vorgehensweise beim Hypothesentest Forscher formuliert eine Alternativhypothese H 1 (die neue Erkenntnis, die
MehrKapitel III: Einführung in die schließende Statistik
Kapitel III: Einführung in die schließende Statistik Das zweite Kapitel beschäftigte sich mit den Methoden der beschreibenden Statistik. Im Mittelpunkt der kommenden Kapitel stehen Verfahren der schließenden
MehrStatistische Tests Version 1.2
Statistische Tests Version 1.2 Uwe Ziegenhagen ziegenhagen@wiwi.hu-berlin.de 7. Dezember 2006 1 Einführung Ein statistischer Test dient der Überprüfung einer statistischen Hypothese. Mithilfe des Tests
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrWie liest man Konfidenzintervalle? Teil I. Premiu m
Wie liest man Konfidenzintervalle? Teil I Premiu m Was sind Konfidenzintervalle? Ein Konfidenzintervall (KI) ist ein Maß für die Unsicherheit bezüglich einer Schätzung eines Effekts. Es ist ein Intervall
MehrWiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)
Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Testen von Hypothesen
MehrThema der Stunde. I. Die Form der Stichprobenkennwerteverteilung. II. Schlüsse von der Stichprobe auf die Population
Thema der Stunde I. Die Form der Stichprobenkennwerteverteilung II. Schlüsse von der Stichprobe auf die Population III. t-test für unabhängige und abhängige Stichproben Stichprobenkennwerte Population
Mehr3.Wiederholung: Toleranzbereiche Für EX Geg:
3.Wiederholung: Toleranzbereiche Für EX Geg: Vl. 24.2.2017 Schätzfunktion für Güte: Ist X Problem: Feb 17 13:21 > Wir berechnen Bereiche (Toleranzbereiche) für sind untere und obere Grenzen, berechnet
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
MehrT-Test für unabhängige Stichproben
T-Test für unabhängige Stichproben Wir gehen von folgendem Beispiel aus: Wir erheben zwei Zufallstichproben, wobei nur die Probanden der einen Stichprobe einer speziellen experimentellen Behandlung (etwa
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 1 17.3.21 Grundlagen zum Hypothesentest Einführung: Wer Entscheidungen zu treffen hat, weiß oft erst im nachhinein ob seine Entscheidung richtig war. Die Unsicherheit
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
Mehr3 Konfidenzintervalle
3 Konfidenzintervalle Konfidenzintervalle sind das Ergebnis von Intervallschätzungen. Sicheres Wissen über Grundgesamtheiten kann man anhand von Stichproben nicht gewinnen. Aber mit Hilfe der Statistik
Mehr2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht
43 Signifikanztests Beispiel zum Gauß-Test Bei einer Serienfertigung eines bestimmten Typs von Messgeräten werden vor der Auslieferung eines jeden Gerätes 10 Kontrollmessungen durchgeführt um festzustellen,
MehrKapitel 3 Schließende Statistik
Bemerkung 3.34: Die hier betrachteten Konfidenzintervalle für unbekannte Erwartungswerte sind umso schmaler, je größer der Stichprobenumfang n ist, je kleiner die (geschätzte) Standardabweichung σ (bzw.
MehrHandelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen?
1. Handelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen? a.) Anzahl der Kunden, die an der Kasse in der Schlange stehen. b.) Die Menge an Energie, die pro Tag von einem Energieversorgungsunternehmen
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
MehrDipl.-Volksw. Markus Pullen Wintersemester 2012/13
Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 8. Sitzung Konfidenzintervalle, Hypothesentests > # Anwendungsbeispiel
MehrINFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE. Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße
DAS THEMA: INFERENZSTATISTIK III INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße Inferenzstatistik für Lagemaße Standardfehler
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 1 24.2.214 Grundlagen zum Hypothesentest Einführung: Wer Entscheidungen zu treffen hat, weiß oft erst im nachhinein ob seine Entscheidung richtig war. Die Unsicherheit
MehrStatistik Einführung // Stichprobenverteilung 6 p.2/26
Statistik Einführung Kapitel 6 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Leydold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // 6 p.0/26 Lernziele 1. Beschreiben
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrMacht des statistischen Tests (power)
Macht des statistischen Tests (power) Realer Treatment ja Ergebnis der Studie H 0 verworfen statistisch signifikant O.K. Macht H 0 beibehalten statistisch nicht signifikant -Fehler Effekt nein -Fehler
MehrKonfidenzintervalle. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Konfidenzintervalle Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Münzspiel Experiment 100 Münzwürfe: Stefan gewinnt bei "Kopf" Hypothesen H 0 : Stefan wird so oft gewinnen
MehrHypothesenbewertungen: Übersicht
Hypothesenbewertungen: Übersicht Wie kann man Fehler einer Hypothese abschätzen? Wie kann man einschätzen, ob ein Algorithmus besser ist als ein anderer? Trainingsfehler, wirklicher Fehler Kreuzvalidierung
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
MehrHypothesentests für Erwartungswert und Median. Statistik (Biol./Pharm./HST) FS 2015
Hypothesentests für Erwartungswert und Median Statistik (Biol./Pharm./HST) FS 2015 Normalverteilung X N μ, σ 2 X ist normalverteilt mit Erwartungswert μ und Varianz σ 2 pdf: pdf cdf:??? cdf 1 Zentraler
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 15 009 FernUniversität in Hagen Alle Rechte vorbehalten Fachbereich Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Mehr3. Das Prüfen von Hypothesen. Hypothese?! Stichprobe Signifikanztests in der Wirtschaft
3. Das Prüfen von Hypothesen Hypothese?! Stichprobe 3.1. Signifikanztests in der Wirtschaft Prüfung, ob eine (theoretische) Hypothese über die Verteilung eines Merkmals X und ihre Parameter mit einer (empirischen)
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
MehrStatistik für Naturwissenschaftler
Hans Walser Statistik für Naturwissenschaftler 9 t-verteilung Lernumgebung Hans Walser: 9 t-verteilung ii Inhalt 1 99%-Vertrauensintervall... 1 2 95%-Vertrauensintervall... 1 3 Akkus... 2 4 Wer ist der
MehrStatistik K urs SS 2004
Statistik K urs SS 2004 3.Tag Grundlegende statistische Maße Mittelwert (mean) Durchschnitt aller Werte Varianz (variance) s 2 Durchschnittliche quadrierte Abweichung aller Werte vom Mittelwert >> Die
MehrStatistik I. Methodologie der Psychologie
Statistik I Methodologie der Psychologie Thomas Schmidt & Lena Frank Wintersemester 2003/2004 Georg-Elias-Müller-Institut für Psychologie Uni Göttingen Literatur: Glantz, S.A. (2002). Primer of Biostatistics.
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
Mehr7. Hypothesentests. Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang. X habe die unbekannte VF F X (x)
7. Hypothesentests Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang X habe die unbekannte VF F X (x) Interessieren uns für einen unbekannten Parameter θ der Verteilung von X 350 Bisher:
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. Juli 016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
MehrMacht des statistischen Tests (power)
Macht des statistischen Tests (power) Realer Treatment ja Ergebnis der Studie H 0 verworfen statistisch signifikant O.K. Macht H 0 beibehalten statistisch nicht signifikant -Fehler Effekt nein -Fehler
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrStatistische Tests funktionieren generell nach obigem Schema; der einzige Unterschied besteht in der unterschiedlichen Berechnung der Testgröße.
Statistische Tests Testen von Hypothesen Fehlerarten wichtigste statistische Tests Hypothesen Jeder statistische Test beruht auf der Widerlegung einer zuvor aufgestellten Hypothese. Die Widerlegung ist
MehrTesten von Hypothesen, Beurteilende Statistik
Testen von Hypothesen, Beurteilende Statistik Was ist ein Test? Ein Test ist ein Verfahren, mit dem man anhand von Beobachtungen eine begründete Entscheidung über die Gültigkeit oder Ungültigkeit einer
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
Mehr1. Einführung in die induktive Statistik
Wichtige Begriffe 1. Einführung in die induktive Statistik Grundgesamtheit: Statistische Masse, die zu untersuchen ist, bzw. über die Aussagen getroffen werden soll Stichprobe: Teil einer statistischen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Januar 2011 1 Vergleich zweier Erwartungswerte Was heißt verbunden bzw. unverbunden? t-test für verbundene Stichproben
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 8. Juni 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrStatistik Zusätzliche Beispiele SS 2018 Blatt 3: Schließende Statistik
Statistik Zusätzliche Beispiele SS 2018 Blatt 3: Schließende Statistik 1. I Ein Personalchef führt so lange Vorstellungsgespräche durch bis der erste geeignete Bewerber darunter ist und stellt diesen an.
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen. Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung
Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung Typisierung der stetigen theoretischen Verteilungen Bibliografie:
MehrStatistiktutorium (Kurs Frau Jacobsen)
Statistiktutorium (Kurs Frau Jacobsen) von Timo Beddig 1 Grundbegriffe p = Punktschätzer, d.h. der Mittelwert aus der Stichprobe, auf Basis dessen ein angenäherter Wert für den unbekannten Parameter der
MehrTesten von Hypothesen:
Testen von Hypothesen: Ein Beispiel: Eine Firma produziert Reifen. In der Entwicklungsabteilung wurde ein neues Modell entwickelt, das wesentlich ruhiger läuft. Vor der Markteinführung muss aber auch noch
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrLösungen zum Aufgabenblatt 14
Lösungen zum Aufgabenblatt 14 61. Das Gewicht von Brötchen (gemessen in g) sei zufallsabhängig und werde durch eine normalverteilte Zufallsgröße X N(µ, 2 ) beschrieben, deren Varianz 2 = 49 g 2 bekannt
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrDie ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist.
.3. Stochastik Grundlagen Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist. Die RELATIVE HÄUFIGKEIT einer Merkmalsausprägung gibt an mit welchem Anteil
MehrSoftwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2010/11 Überblick I Statistik bei kontrollierten Experimenten
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Testverteilungen Chi-Quadrat-Verteilung Sind X 1,..., X n iid N(0; 1)-verteilte
Mehr