8. Konfidenzintervalle und Hypothesentests

Größe: px
Ab Seite anzeigen:

Download "8. Konfidenzintervalle und Hypothesentests"

Transkript

1 8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012

2 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars ermitteln. Dazu bestimmen Sie den Fruchtsaftgehalt in 50 verschiedenen Packungen und ermitteln einen Durchschnittswert von 47% Fruchtsaftgehalt. 1. Was lässt sich über den Fruchtsaftgehalt in der Grundgesamtheit sagen? (Schätzproblem) 2. Der Hersteller behauptet, der durchschnittliche Fruchtsaftgehalt betrage 50%. Besteht Anlass, an der Behauptung des Herstellers zu zweifeln? (Testproblem) Wir betrachten zunächst das Schätzproblem.

3 Obwohl wir die einzelnen Stichproben eigentlich ohne Zurücklegen entnehmen, können wir näherungsweie die Unabhängigkeit der Beobachtungswerte X i voraussetzen, da die Grundgesamtheit viel größer als die Anzahl n = 50 der Einzelstichproben ist. Da n hinreichend groß ist und sich die zufälligen Fluktuationen in der Regel aus verschiedenen unabhängigen Effekten zusammensetzen, setzen wir eine Normalverteilung N(m, σ 2 ) für die einzelnen Beobachtungswerte X i voraus. Hierbei ist der Erwartungswert m der gesuchte durchschnittliche Fruchtsaftgehalt in der Grundgesamtheit, also ein unbekannter Parameter.

4 Wir betrachten zwei verschiedene Situationen: 1. σ bekannt Schätzung des Erwartungswerts bei bekannter Varianz 2. σ unbekannt Schätzung des Erwartungswerts bei unbekannter Varianz Die zweite Situation ist natürlich deutlich realistischer und wird in der Mehrzahl der praktischen Anwendungen betrachet. Wir betrachten trotzdem zunächst die erste Situation, da die mathematische Analyse hier etwas einfacher ist.

5 8.1 Schätzung des Erwartungswerts bei bekannter Varianz Wahl des statistischen Modells X 1,X 2,...,X n N(m, σ 2 ) unabhängige Stichproben (n = 50)

6 8.1 Schätzung des Erwartungswerts bei bekannter Varianz Wahl des statistischen Modells X 1,X 2,...,X n N(m, σ 2 ) unabhängige Stichproben (n = 50) m R unbekannter Parameter

7 8.1 Schätzung des Erwartungswerts bei bekannter Varianz Wahl des statistischen Modells X 1,X 2,...,X n N(m, σ 2 ) unabhängige Stichproben (n = 50) m R unbekannter Parameter σ > 0 bekannt, z.b. σ = 6

8 Schätzung des Erwartungswerts bei bekannter Varianz Wahl eines Punktschätzers Wir wollen die unbekannte Größe m aus den Beobachtungswerten X 1,X 2,...,X n schätzen. Da m das arithmetische Mittel in der Grundgesamtheit ist, liegt es nahe, als Schätzwert für m das Stichprobenmittel X n = 1 n n X i i=1 zu verwenden. Wir nennen die Stichprobenfunktion X n auch einen Punktschätzer für den unbekannten Parameter m.

9 Schätzung des Erwartungswerts bei bekannter Varianz Festlegung eines Signifikanzniveaus Wir legen ein Signifikanzniveau α bzw. das Konfidenzniveau 1 α fest, z.b. α = 0,05, 1 α = 95%: schwach signifikant α = 0,01, 1 α = 99%: signifikant α = 0,001, 1 α = 99,9%: stark signifikant α = 0,0001, 1 α = 99,99%: äußerst signifikant Das Signifikanzniveau gibt die maximale Wahrscheinlichkeit für bestimmte Fehlschlüsse an. Man sollte vor Durchführung der Untersuchung festlegen, welches Signifikanzniveau man fordert. Bei α = 0,05 wird zum Beispiel in etwa einer von 20 Untersuchungen ein Fehlschluß auftreten. Im unserem Beispiel wählen wir α = 0,01, also 1 α = 99%.

10 Schätzung des Erwartungswerts bei bekannter Varianz Wahl einer Prüfgröße Wir wählen nun eine Prüfgröße, die von den Beobachtungswerten X 1,X 2,...,X n abhängt und die angibt, wie stark der Schätzwert X n vom wahren Parameter m abweicht. Die Verteilung dieser Prüfgröße sollten wir explizit, oder zumindest näherungsweise, kennen. In unserem Fall bietet es sich an, das standardisierte Stichprobenmittel Z n = X n m σ/ n zu verwenden, denn: (= X n E [ ]) X n σ ( X n ) 1. Z n ist proportional zum Schätzfehler X n m. 2. Wir wissen, daß Z n standardnormalverteilt ist.

11 Schätzung des Erwartungswerts bei bekannter Varianz Konfidenzintervall (Intervallschätzer, Bereichsschätzer) Wir wollen nun ein Intervall um den Punktschätzer X n angeben, so daß der tatsächliche Parameter m stets (d.h. für alle möglichen Werte des tatsächlichen Parameters) mit Wahrscheinlichkeit 1 α in dem Intervall liegt. Ein solches Intervall nennen wir ein Konfidenzintervall zum Konfidenzniveau 1 α (z.b. 1 α = 99% ).

12 Da die Prüfgröße Z n standardnormalverteilt ist, gilt: P m,σ [ Z n z (1 α/2) ] = 1 α In unserem Beispiel ist α = 0,01, also z (1 α/2) = z (0,995) = 2,58 das 99,5%-Quantil der Standardnormalverteilung.

13 Wegen erhalten wir: Z n = X n m σ/ n [ ] 0,99 = P m,σ Z n z (0,995) [ = P m,σ X n m z (0,995) σ/ ] n. Das gesuchte 99%-Konfidenzintervall ist also X n ±z (0,995) σ/ n Speziell für σ = 6 und n = 50 ergibt sich z (0,995) σ/ n = 2,58 6/ 50 = 2,2.

14 Schätzung des Erwartungswerts bei bekannter Varianz Konfidenzintervall Fazit: In unserem Beispiel ist X n ±2,2 = 47±2,2 ein 99%-Konfidenzintervall für den wahren Fruchtsaftgehalt m. Warnung: Dies bedeutet nicht, daß der tatsächliche Fruchtsaftgehalt mit Wahrscheinlichkeit 99% zwischen 44,8 und 49,2 liegt, sondern... Richtige Interpretation: Wenn wir dieselbe Untersuchung sehr oft wiederholen würden, dann würde der tatsächliche Fruchtsaftgehalt in 99% der Fälle in dem von uns ermittelten Intervall liegen. Dieses Intervall ist aber für jede Untersuchung ein anderes, da es aus den jeweiligen Beobachtungswerten berechnet wird!

15 Schätzung des Erwartungswerts bei bekannter Varianz Konfidenzintervall Fazit: In unserem Beispiel ist X n ±2,2 = 47±2,2 ein 99%-Konfidenzintervall für den wahren Fruchtsaftgehalt m. Warnung: Dies bedeutet nicht, daß der tatsächliche Fruchtsaftgehalt mit Wahrscheinlichkeit 99% zwischen 44,8 und 49,2 liegt, sondern... Richtige Interpretation: Wenn wir dieselbe Untersuchung sehr oft wiederholen würden, dann würde der tatsächliche Fruchtsaftgehalt in 99% der Fälle in dem von uns ermittelten Intervall liegen. Dieses Intervall ist aber für jede Untersuchung ein anderes, da es aus den jeweiligen Beobachtungswerten berechnet wird! Allgemein erhalten wir bei bekanntem σ mit völlig analoger Rechnung das Konfidenzintervall X n ±z (1 α/2) σ/ n zum Konfidenzniveau 1 α für den Erwartungswert m.

16 8.2 Test betreffend den Erwartungswert bei bekannter Varianz Formulierung einer Nullhypothese und Alternative Der Hersteller behauptet, der durchschnittliche Fruchtsaftgehalt betrage 50%. Besteht Anlass, an der Behauptung des Herstellers zu zweifeln? (Testproblem) Zuerst formulieren wir eine Nullhypothese H 0 und eine Alternative H 1 : Die Nullhypothese beschreibt den zu erwartenden Normalfall/Regelfall. In unserem Beipiel: Dies ist ein beidseitiges Testproblem. Alternativ könnten wir auch das einseitige Testproblem H 0 : m 50 gegen H 1 : m < 50 betrachten.

17 8.2 Test betreffend den Erwartungswert bei bekannter Varianz Formulierung einer Nullhypothese und Alternative Der Hersteller behauptet, der durchschnittliche Fruchtsaftgehalt betrage 50%. Besteht Anlass, an der Behauptung des Herstellers zu zweifeln? (Testproblem) Zuerst formulieren wir eine Nullhypothese H 0 und eine Alternative H 1 : Die Nullhypothese beschreibt den zu erwartenden Normalfall/Regelfall. Die Alternative beschreibt eine Abweichung vom Normalfall oder einen in einem Experiment zu beobachtenden Effekt. In unserem Beipiel: Dies ist ein beidseitiges Testproblem. Alternativ könnten wir auch das einseitige Testproblem H 0 : m 50 gegen H 1 : m < 50 betrachten.

18 8.2 Test betreffend den Erwartungswert bei bekannter Varianz Formulierung einer Nullhypothese und Alternative Der Hersteller behauptet, der durchschnittliche Fruchtsaftgehalt betrage 50%. Besteht Anlass, an der Behauptung des Herstellers zu zweifeln? (Testproblem) Zuerst formulieren wir eine Nullhypothese H 0 und eine Alternative H 1 : Die Nullhypothese beschreibt den zu erwartenden Normalfall/Regelfall. Die Alternative beschreibt eine Abweichung vom Normalfall oder einen in einem Experiment zu beobachtenden Effekt. In unserem Beipiel: H 0 : m = 50 Dies ist ein beidseitiges Testproblem. Alternativ könnten wir auch das einseitige Testproblem H 0 : m 50 gegen H 1 : m < 50 betrachten.

19 8.2 Test betreffend den Erwartungswert bei bekannter Varianz Formulierung einer Nullhypothese und Alternative Der Hersteller behauptet, der durchschnittliche Fruchtsaftgehalt betrage 50%. Besteht Anlass, an der Behauptung des Herstellers zu zweifeln? (Testproblem) Zuerst formulieren wir eine Nullhypothese H 0 und eine Alternative H 1 : Die Nullhypothese beschreibt den zu erwartenden Normalfall/Regelfall. Die Alternative beschreibt eine Abweichung vom Normalfall oder einen in einem Experiment zu beobachtenden Effekt. In unserem Beipiel: H 0 : m = 50 H 1 : m = 50 Dies ist ein beidseitiges Testproblem. Alternativ könnten wir auch das einseitige Testproblem H 0 : m 50 gegen H 1 : m < 50 betrachten.

20 Die Nullhypothese beschreibt den zu erwartenden Normalfall/Regelfall. Die Alternative beschreibt eine Abweichung vom Normalfall, oder einen in einem Experiment zu beobachtenden Effekt. Die Nullhypothese und Alternative sind nicht gleichwertig:

21 Die Nullhypothese beschreibt den zu erwartenden Normalfall/Regelfall. Die Alternative beschreibt eine Abweichung vom Normalfall, oder einen in einem Experiment zu beobachtenden Effekt. Die Nullhypothese und Alternative sind nicht gleichwertig: Wir wollen in erster Linie vermeiden, daß wir die Nullhypothese verwerfen, obwohl sie wahr ist (Fehler 1. Art).

22 Die Nullhypothese beschreibt den zu erwartenden Normalfall/Regelfall. Die Alternative beschreibt eine Abweichung vom Normalfall, oder einen in einem Experiment zu beobachtenden Effekt. Die Nullhypothese und Alternative sind nicht gleichwertig: Wir wollen in erster Linie vermeiden, daß wir die Nullhypothese verwerfen, obwohl sie wahr ist (Fehler 1. Art). Wenn unsere Untersuchung nicht genau genug ist (z.b. aufgrund einer zu geringen Stichprobengröße), kann es aber durchaus passieren, daß wir einen vorhandenen Effekt nicht entdecken, also die Nullhypothese belassen, obwohl sie falsch ist (Fehler 2. Art).

23 Test betreffend den Erwartungswert bei bekannter Varianz Hypothesentest Ein Hypothesentest für eine Nullhypothese H 0 gegen eine Alternative H 1 basierend auf den Beobachtungswerten x 1,x 2,...,x n besteht nun aus der Angabe eines kritischen Bereichs K (Verwerfungsbereich) zusammen mit der Entscheidungsregel: Verwerfe die Nullhypothese, falls die Beobachtungswerte im kritischen Bereich liegen.

24 Test betreffend den Erwartungswert bei bekannter Varianz Hypothesentest Ein Hypothesentest für eine Nullhypothese H 0 gegen eine Alternative H 1 basierend auf den Beobachtungswerten x 1,x 2,...,x n besteht nun aus der Angabe eines kritischen Bereichs K (Verwerfungsbereich) zusammen mit der Entscheidungsregel: Verwerfe die Nullhypothese, falls die Beobachtungswerte im kritischen Bereich liegen. Belasse die Nullhypothese, falls nicht.

25 Test betreffend den Erwartungswert bei bekannter Varianz Hypothesentest Ein Hypothesentest für eine Nullhypothese H 0 gegen eine Alternative H 1 basierend auf den Beobachtungswerten x 1,x 2,...,x n besteht nun aus der Angabe eines kritischen Bereichs K (Verwerfungsbereich) zusammen mit der Entscheidungsregel: Verwerfe die Nullhypothese, falls die Beobachtungswerte im kritischen Bereich liegen. Belasse die Nullhypothese, falls nicht. Ein statistischer Nachweis/Beweis gelingt bloß dann, wenn die Nullhypothese verworfen wird. Belassen der Nullhypothese bedeutet dagegen nicht, daß H 0 damit statistisch bewiesen wäre!

26 Test betreffend den Erwartungswert bei bekannter Varianz Signifikanzniveau Wie oben legen wir ein Signifikanzniveau α fest, z.b. α = 0,05, 1 α = 95%: schwach signifikant α = 0,01, 1 α = 99%: signifikant α = 0,001, 1 α = 99,9%: stark signifikant α = 0,0001, 1 α = 99,99%: äußerst signifikant Bei einem Hypothesentest beschreibt das Signifikanzniveau die maximale Wahrscheinlichkeit für den Fehler 1. Art (Verwerfen der Nullhypothese, obwohl diese wahr ist). Es gilt also: P H0 [(X 1,X 2,...,X n ) liegt im Verwerfungsbereich] α Im unserem Beispiel wählen wir wieder α = 0,01, also 1 α = 99%.

27 Test betreffend den Erwartungswert bei bekannter Varianz Der z-test Ein Hypothesentest für die Nullhypothese H 0 : m = m 0 (in unserem Beispiel ist m 0 = 50) gegen die Alternative H 1 : m = m 0 basierend auf den Beobachtungswerten X 1,X 2,...,X n besteht aus der Angabe eines kritischen Bereichs K (Verwerfungsbereich) zusammen mit der Entscheidungsregel: Verwerfe die Nullhypothese, falls die Beobachtungswerte im kritischen Bereich liegen.

28 Test betreffend den Erwartungswert bei bekannter Varianz Der z-test Ein Hypothesentest für die Nullhypothese H 0 : m = m 0 (in unserem Beispiel ist m 0 = 50) gegen die Alternative H 1 : m = m 0 basierend auf den Beobachtungswerten X 1,X 2,...,X n besteht aus der Angabe eines kritischen Bereichs K (Verwerfungsbereich) zusammen mit der Entscheidungsregel: Verwerfe die Nullhypothese, falls die Beobachtungswerte im kritischen Bereich liegen. Belasse die Nullhypothese, falls nicht.

29 Test betreffend den Erwartungswert bei bekannter Varianz Der z-test Ein Hypothesentest für die Nullhypothese H 0 : m = m 0 (in unserem Beispiel ist m 0 = 50) gegen die Alternative H 1 : m = m 0 basierend auf den Beobachtungswerten X 1,X 2,...,X n besteht aus der Angabe eines kritischen Bereichs K (Verwerfungsbereich) zusammen mit der Entscheidungsregel: Verwerfe die Nullhypothese, falls die Beobachtungswerte im kritischen Bereich liegen. Belasse die Nullhypothese, falls nicht. Um im konkreten Fall einen Hypothesentest zu konstruieren, betrachten wir die Prüfgröße Z n = X n m 0 σ/ n

30 Test betreffend den Erwartungswert bei bekannter Varianz Der z-test Da die Prüfgröße Z n = X n m 0 σ/ n unter der Nullhypothese standardnormalverteilt ist, erhalten wir [ ] 0,99 = P H0 Z n z (0,995) [ = P H0 X n m 0 z (0,995) σ/ ] n. Wir verwerfen daher die Nullhypothese m = m 0, falls X n m 0 > z (0,995) σ/ n gilt - die Verwerfungswahrscheinlichkeit unter der Nullhypothese beträgt dann gerade 1%.

31 In unserem Beipiel ist m 0 = 50 und z (0,995) σ/ n = 2,2. Wir verwerfen also die Nullhypothese m = 50 genau dann, wenn Xn 50 > 2,2 gilt, also wenn das Stichprobenmittel X n nicht in dem Intervall [47,8, 52,2] liegt. Beobachtet wurde X n = 47, so daß wir die Nullhypothese also in diesem Fall tatsächlich verwerfen können. Weil wir das Signifikanzniveau α = 1% gewählt haben, ist unser Testergebnis im Sinne der Notation von oben signifikant (d.h. ein Fehler 1. Art tritt nur bei einer von 100 Untersuchungen auf). Hätte unsere Untersuchung hingegen nur auf n = 25 Einzelstichproben basiert, dann wäre z (0,995) σ/ n = 3,1, und wir würden nur verwerfen, wenn X n 50 > 3,1 gilt. In diesem Fall könnten wir die Nullhypothese also bei einem Signifikanzniveau α = 1% nicht verwerfen.

32 Test betreffend den Erwartungswert bei bekannter Varianz Der z-test Allgemein erhalten wir auf analoge Weise folgenden Test: Voraussetzung: Gaußmodell mit bekannter Varianz σ 2. Verwerfungsbereich: Die Nullhypothese m = m 0 wird verworfen, falls Z n > z (1 α/2) bzw. X n m 0 > z (1 α/2) σ/ n

33 Test betreffend den Erwartungswert bei bekannter Varianz Der z-test Allgemein erhalten wir auf analoge Weise folgenden Test: Voraussetzung: Gaußmodell mit bekannter Varianz σ 2. Nullhypothese: m = m 0, Alternative: m = m 0 Verwerfungsbereich: Die Nullhypothese m = m 0 wird verworfen, falls Z n > z (1 α/2) bzw. X n m 0 > z (1 α/2) σ/ n

34 Test betreffend den Erwartungswert bei bekannter Varianz Der z-test Allgemein erhalten wir auf analoge Weise folgenden Test: Voraussetzung: Gaußmodell mit bekannter Varianz σ 2. Nullhypothese: m = m 0, Alternative: m = m 0 Signifikanzniveau: α Verwerfungsbereich: Die Nullhypothese m = m 0 wird verworfen, falls Z n > z (1 α/2) bzw. X n m 0 > z (1 α/2) σ/ n

35 Test betreffend den Erwartungswert bei bekannter Varianz Der z-test Allgemein erhalten wir auf analoge Weise folgenden Test: Voraussetzung: Gaußmodell mit bekannter Varianz σ 2. Nullhypothese: m = m 0, Alternative: m = m 0 Signifikanzniveau: α Prüfgröße: Z n = X n m 0 σ/ n N(0,1) Verwerfungsbereich: Die Nullhypothese m = m 0 wird verworfen, falls Z n > z (1 α/2) bzw. X n m 0 > z (1 α/2) σ/ n

36 Test betreffend den Erwartungswert bei bekannter Varianz Der p-wert Unser Testergebnis sagt uns nur, ob wir bei einem vorgegebenen Signifikanzniveau die Nullhypothese verwerfen oder nicht. Wenn wir das Signifikanzniveau ändern, müssen wir den Verwerfungsbereich wieder neu berechnen.

37 Test betreffend den Erwartungswert bei bekannter Varianz Der p-wert Unser Testergebnis sagt uns nur, ob wir bei einem vorgegebenen Signifikanzniveau die Nullhypothese verwerfen oder nicht. Wenn wir das Signifikanzniveau ändern, müssen wir den Verwerfungsbereich wieder neu berechnen. Um zu messen, wie eindeutig eine Nullhypothese verworfen wird (oder nicht verworfen wird), können wir zu gegebenen Beobachtungswerten dasjenige Signifikanzniveau p berechnen, bei dem H 0 gerade noch nicht verworfen wird:

38 Test betreffend den Erwartungswert bei bekannter Varianz Der p-wert Unser Testergebnis sagt uns nur, ob wir bei einem vorgegebenen Signifikanzniveau die Nullhypothese verwerfen oder nicht. Wenn wir das Signifikanzniveau ändern, müssen wir den Verwerfungsbereich wieder neu berechnen. Um zu messen, wie eindeutig eine Nullhypothese verworfen wird (oder nicht verworfen wird), können wir zu gegebenen Beobachtungswerten dasjenige Signifikanzniveau p berechnen, bei dem H 0 gerade noch nicht verworfen wird: Definition Der p-wert eines Hypothesentests ist das größte Signifikanzniveau α, bei dem die Nullhypothese nicht verworfen wird.

39 Test betreffend den Erwartungswert bei bekannter Varianz Der p-wert Unser Testergebnis sagt uns nur, ob wir bei einem vorgegebenen Signifikanzniveau die Nullhypothese verwerfen oder nicht. Wenn wir das Signifikanzniveau ändern, müssen wir den Verwerfungsbereich wieder neu berechnen. Um zu messen, wie eindeutig eine Nullhypothese verworfen wird (oder nicht verworfen wird), können wir zu gegebenen Beobachtungswerten dasjenige Signifikanzniveau p berechnen, bei dem H 0 gerade noch nicht verworfen wird: Definition Der p-wert eines Hypothesentests ist das größte Signifikanzniveau α, bei dem die Nullhypothese nicht verworfen wird. Wenn wir den p-wert kennen, sieht unsere Testentscheidung bei vorgegebenem Signifikanzniveau α so aus:

40 Test betreffend den Erwartungswert bei bekannter Varianz Der p-wert Unser Testergebnis sagt uns nur, ob wir bei einem vorgegebenen Signifikanzniveau die Nullhypothese verwerfen oder nicht. Wenn wir das Signifikanzniveau ändern, müssen wir den Verwerfungsbereich wieder neu berechnen. Um zu messen, wie eindeutig eine Nullhypothese verworfen wird (oder nicht verworfen wird), können wir zu gegebenen Beobachtungswerten dasjenige Signifikanzniveau p berechnen, bei dem H 0 gerade noch nicht verworfen wird: Definition Der p-wert eines Hypothesentests ist das größte Signifikanzniveau α, bei dem die Nullhypothese nicht verworfen wird. Wenn wir den p-wert kennen, sieht unsere Testentscheidung bei vorgegebenem Signifikanzniveau α so aus: Verwerfe H 0, falls p < α Belasse H 0, falls p α.

41 Test betreffend den Erwartungswert bei bekannter Varianz Der p-wert beim z-test Der z-test basiert auf der Prüfgröße Z n = X n m 0 σ/ n N(0,1) Wir verwerfen, wenn der Betrag des beobachteten Wertes z n = x n m 0 σ/ n der Prüfgröße hinreichend groß ist. Theorem Der p-wert beim z-test mit Beobachtungswert z n ist p = P H0 [ Z n z n ] = P H0 [ X n m 0 x n m 0 ].

42 Test betreffend den Erwartungswert bei bekannter Varianz Berechnung des p-werts p = P H0 [ Z n z n ] = P H0 [ X n m 0 x n m 0 ]. Der p-wert gibt also an, mit welcher Wahrscheinlichkeit unter H 0 das Stichprobenmittel mindestens so weit entfernt von m 0 entfernt ist, wie tatsächlich beobachtet wurde.

43 Berechnung des p-werts im z-test: p = P H0 [ Z n z n ] = 2 P H0 [Z n z n ] = 2 (1 Φ( z n ))

44 Berechnung des p-werts im z-test: p = P H0 [ Z n z n ] = 2 P H0 [Z n z n ] = 2 (1 Φ( z n )) In unserem Beispiel ist z n = x n m 0 σ/ n = / 50 = 3,53

45 Berechnung des p-werts im z-test: p = P H0 [ Z n z n ] = 2 P H0 [Z n z n ] = 2 (1 Φ( z n )) In unserem Beispiel ist z n = x n m 0 σ/ n = / 50 = 3,53 Wir erhalten also p = 2 (1 Φ(3,53)) 0,0004 = 0,04%

46 Berechnung des p-werts im z-test: p = P H0 [ Z n z n ] = 2 P H0 [Z n z n ] = 2 (1 Φ( z n )) In unserem Beispiel ist z n = x n m 0 σ/ n = / 50 = 3,53 Wir erhalten also p = 2 (1 Φ(3,53)) 0,0004 = 0,04% Wir würden die Nullhypothese also sogar beim Signifikanzniveau α = 0,1% verwerfen, d.h. das Testergebnis ist sogar stark signifikant.

47 Berechnung des p-werts im z-test: p = P H0 [ Z n z n ] = 2 P H0 [Z n z n ] = 2 (1 Φ( z n )) In unserem Beispiel ist z n = x n m 0 σ/ n = / 50 = 3,53 Wir erhalten also p = 2 (1 Φ(3,53)) 0,0004 = 0,04% Wir würden die Nullhypothese also sogar beim Signifikanzniveau α = 0,1% verwerfen, d.h. das Testergebnis ist sogar stark signifikant. Beim Signifikanzniveau α = 0,01% könnten wir H 0 dagegen nicht verwerfen - das Ergebnis ist also nicht äußerst signifikant.

48 Test betreffend den Erwartungswert bei bekannter Varianz Die Gütefunktion Bisher haben wir nur den Fehler 1. Art beachtet und den Test so konstruiert, das dessen Wahrscheinlichkeit unter dem Signifikanzniveau liegt. Um die Qualität verschiedener Tests zu demselben Signifikanzniveau zu vergleichen, untersucht man, mit welcher Wahrscheinlichkeit die Tests die Nullhypothese verwerfen, wenn m = m 0 gilt. Definition Die Gütefunktion (Macht, power) des z-tests ist g(m) = P m,σ [H 0 wird verworfen]

49 Die Gütefunktion (Macht, power) des z-tests ist g(m) = P m,σ [H 0 wird verworfen] Die Gütefunktion des z-tests kann man explizit berechnen. Die folgenden Grafiken zeigen Gütefunktionen für zwei verschiedene Stichprobengrößen:

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

7. Kon denzintervalle und Hypothesentests

7. Kon denzintervalle und Hypothesentests 7. Kon denzintervalle und Hypothesentests Andreas Eberle Institut für angewandte Mathematik November 2008 Beispiel. Ein Orangennektar hat 50 % Fruchtsaftgehalt. Sie bestimmen den Fruchtsaftgehalt in 50

Mehr

Statistik II. Statistische Tests. Statistik II

Statistik 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

Mehr

7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012

7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen

Mehr

10. Die Normalverteilungsannahme

10. Die Normalverteilungsannahme 10. Die Normalverteilungsannahme Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann man

Mehr

THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ

THEMA: STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN TORSTEN SCHOLZ WEBINAR@LUNCHTIME THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ EINLEITENDES BEISPIEL SAT: Standardisierter Test, der von Studienplatzbewerbern an amerikanischen Unis gefordert

Mehr

Statistik II. Statistische Tests. Statistik II

Statistik II. Statistische Tests. Statistik II Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen

Mehr

3 Grundlagen statistischer Tests (Kap. 8 IS)

3 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

Mehr

Kapitel 3 Schließende Statistik

Kapitel 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:

Mehr

4.1. Nullhypothese, Gegenhypothese und Entscheidung

4.1. 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

Mehr

7. 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 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

Mehr

Schließende Statistik: Hypothesentests (Forts.)

Schließende Statistik: Hypothesentests (Forts.) Mathematik II für Biologen 15. Mai 2015 Testablauf (Wdh.) Definition Äquivalente Definition Interpretation verschiedener e Fehler 2. Art und Macht des Tests Allgemein im Beispiel 1 Nullhypothese H 0 k

Mehr

Allgemeines zu Tests. Statistische Hypothesentests

Allgemeines 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

Mehr

Beispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10

Beispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10 6 Hypothesentests Gauß-Test für den Mittelwert bei bekannter Varianz 6.3 Beispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10 G(µ) 0 α 0. 0.4 0.6 0.8 1 n = 10 n =

Mehr

DWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr

DWT 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

Mehr

Kapitel 3 Schließende Statistik

Kapitel 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.

Mehr

Einführung in die Induktive Statistik: Testen von Hypothesen

Einführung in die Induktive Statistik: Testen von Hypothesen Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte

Mehr

Fit for Abi & Study Stochastik

Fit for Abi & Study Stochastik Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen

Mehr

Statistische Tests Version 1.2

Statistische 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

Mehr

Statistische Tests (Signifikanztests)

Statistische Tests (Signifikanztests) Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)

Mehr

7. 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) 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:

Mehr

Wichtige Definitionen und Aussagen

Wichtige 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

Mehr

So berechnen Sie einen Schätzer für einen Punkt

So 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

Mehr

Grundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften

Grundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften Grundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Grundlagen der Biometrie, WS 2011/12 Vorlesung: Dienstag 8.15-9.45,

Mehr

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

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

Mehr

Statistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe

Statistische 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,...,

Mehr

Jost Reinecke. 7. Juni 2005

Jost Reinecke. 7. Juni 2005 Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung

Mehr

Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007

Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007 Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte

Mehr

Auswertung und Lösung

Auswertung und Lösung Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage

Mehr

Dipl.-Volksw. Markus Pullen Wintersemester 2012/13

Dipl.-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

Mehr

3) Testvariable: T = X µ 0

3) 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

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen

Mehr

11. Nichtparametrische Tests

11. Nichtparametrische Tests 11. Nichtparametrische Tests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 In Kapitel 8 und 9 haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann

Mehr

Biostatistik, Winter 2011/12

Biostatistik, Winter 2011/12 Biostatistik, Winter 2011/12 : Binomial, Gauß Prof. Dr. Achim Klenke http://www.aklenke.de 10. Vorlesung: 20.01.2012 1/31 Inhalt 1 Einführung Binomialtest 2/31 Beispiel Einführung Bohnenlieferant liefert

Mehr

Klassifikation von Signifikanztests

Klassifikation von Signifikanztests Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen

Mehr

Vorlesung: Statistik II für Wirtschaftswissenschaft

Vorlesung: Statistik II für Wirtschaftswissenschaft Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2

Mehr

Mathematische und statistische Methoden II

Mathematische 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

Mehr

5. Seminar Statistik

5. Seminar Statistik Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation

Mehr

Modul 141 Statistik. 1. Studienjahr 11. Sitzung Signifikanztests

Modul 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

Mehr

Statistiktutorium (Kurs Frau Jacobsen)

Statistiktutorium (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

Mehr

Statistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management

Statistik. 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

Ablaufschema beim Testen

Ablaufschema beim Testen Ablaufschema beim Testen Schritt 1 Schritt 2 Schritt 3 Schritt 4 Schritt 5 Schritt 6 Schritt 7 Schritt 8 Schritt 9 Starten Sie die : Flashanimation ' Animation Ablaufschema Testen ' siehe Online-Version

Mehr

Überblick Hypothesentests bei Binomialverteilungen (Ac)

Überblick Hypothesentests bei Binomialverteilungen (Ac) Überblick Hypothesentests bei Binomialverteilungen (Ac) Beim Testen will man mit einer Stichprobe vom Umfang n eine Hypothese H o (z.b.p o =70%) widerlegen! Man geht dabei aus von einer Binomialverteilung

Mehr

Wirtschaftsstatistik-Klausur am

Wirtschaftsstatistik-Klausur am Wirtschaftsstatistik-Klausur am 03.07.208 Aufgabe Statistik-Dozent K.R. lehrt an einer privaten FH in Köln, wohnt aber in Frankfurt am Main. Er hat - wegen möglicher saisonaler Schwankungen - zwei Semester

Mehr

Biostatistik, Winter 2011/12

Biostatistik, Winter 2011/12 Biostatistik, Winter 2011/12 / Übungsaufgaben Prof. Dr. Achim Klenke http://www.aklenke.de 13. Vorlesung: 10.02.2012 1/51 Aufgabe 1 Aufgabenstellung Übungsaufgaben Ein Pharmakonzern möchte ein neues Schlankheitsmedikament

Mehr

Teil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation

Teil 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

Mehr

2.3 Intervallschätzung

2.3 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,

Mehr

Statistische Tests für unbekannte Parameter

Statistische 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

Mehr

Statistische Tests für unbekannte Parameter

Statistische 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

Mehr

Konfidenzintervalle. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt

Konfidenzintervalle. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt Konfidenzintervalle Annahme: X 1,..., X n iid F θ. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt P θ (U θ O) = 1 α, α (0, 1). Das Intervall [U, O] ist ein Konfidenzintervall

Mehr

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1

Klausur 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

Mehr

5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)

5. 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

Mehr

Hypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests

Hypothesen: 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

Mehr

Bereiche der Statistik

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

Mehr

Wahrscheinlichkeitsrechnung und Statistik

Wahrscheinlichkeitsrechnung 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

Mehr

Beurteilende Statistik

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

Mehr

Chi-Quadrat-Verteilung

Chi-Quadrat-Verteilung Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist

Mehr

1 Dichte- und Verteilungsfunktion

1 Dichte- und Verteilungsfunktion Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die

Mehr

R. Brinkmann Seite

R. 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

Mehr

Nachklausur zur Vorlesung

Nachklausur zur Vorlesung Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 30. April 004 Priv.-Doz. Dr. D. Kadelka Nachklausur zur Vorlesung Statistik für Biologen Musterlösungen Aufgabe 1 Gemessen wurde bei

Mehr

2.4 Hypothesentests Grundprinzipien statistischer Hypothesentests. Hypothese:

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

Mehr

Statistik-Notfallkit für Schüler und Lehrer

Statistik-Notfallkit für Schüler und Lehrer Statistik-Notfallkit für Schüler und Lehrer Jan Kallsen Christian-Albrechts-Universität zu Kiel 3. Dezember 2018 Zusammenfassung Schließende Statistik ist konzeptionell nicht einfach. Hier sind einige

Mehr

Statistik I für Betriebswirte Vorlesung 14

Statistik 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

Mehr

Statistik II für Betriebswirte Vorlesung 1

Statistik II für Betriebswirte Vorlesung 1 Statistik II für Betriebswirte Vorlesung 1 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 19. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung

Mehr

Statistik II für Betriebswirte Vorlesung 1

Statistik II für Betriebswirte Vorlesung 1 Statistik II für Betriebswirte Vorlesung 1 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. Oktober 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version:

Mehr

2.3 Intervallschätzung

2.3 Intervallschätzung 2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau

Mehr

Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003

Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003 Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter

Mehr

KATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert

KATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert KATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert 0. Das eigentliche Forschungsziel ist: Beweis der eigenen Hypothese H 1 Dafür muss Nullhypothese H 0 falsifiziert werden können Achtung!

Mehr

Statistisches Testen

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

Mehr

Klassifikation von Signifikanztests

Klassifikation von Signifikanztests Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests

Mehr

Konfidenzintervalle 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 Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir

Mehr

Stoffverteilungsplan Mathematik Grundkurs. Lambacher Schweizer Stochastik ISBN Klassenarbeit

Stoffverteilungsplan Mathematik Grundkurs. Lambacher Schweizer Stochastik ISBN Klassenarbeit Q3.1 Grundlegende Begriffe der Grundlagen der Wahrscheinlichkeitstheorie: Beschreiben von Zufallsexperimenten (Laplace-Experimente) unter Verwendung der Begriffe Ergebnis, Ergebnismenge, Ereignis und Wahrscheinlichkeit

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2010 1 Tests für Erwartungswerte Teststatistik Gauß-Test Zusammenhang zu Konfidenzintervallen t-test

Mehr

Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de

Statistik 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

Mehr

Statistik II. IV. Hypothesentests. Martin Huber

Statistik II. IV. Hypothesentests. Martin Huber Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur

Mehr

Es sei x 1. Zeigen Sie mittles vollständiger Induktion, dass dann für jede natürliche Zahl n 0 gilt: n x k = 1 xn+1 1 x.

Es sei x 1. Zeigen Sie mittles vollständiger Induktion, dass dann für jede natürliche Zahl n 0 gilt: n x k = 1 xn+1 1 x. Aufgabe 1. (5 Punkte) Es sei x 1. Zeigen Sie mittles vollständiger Induktion, dass dann für jede natürliche Zahl n 0 gilt: n x k = 1 xn+1 k=0 1 x. Aufgabe 2. (7 Punkte) Bestimmen Sie das folgende Integral

Mehr

R. Brinkmann Seite

R. 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

Mehr

Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen

Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller

Mehr

4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers

4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers 4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis

Mehr

Dr. H. Grunert Schließende Statistik Vorlesungscharts. Vorlesung 7. Schätzverfahren

Dr. H. Grunert Schließende Statistik Vorlesungscharts. Vorlesung 7. Schätzverfahren Vorlesungscharts Vorlesung 7 Schätzverfahren Konstruktion von Konfidenzintervallen Konfidenzintervalle für den Erwartungswert normalverteilter Grundgesamtheiten Konfidenzintervalle für Anteilswerte Seite

Mehr

T-Test für den Zweistichprobenfall

T-Test für den Zweistichprobenfall T-Test für den Zweistichprobenfall t-test (unbekannte, gleiche Varianzen) Test auf Lageunterschied zweier normalverteilter Grundgesamtheiten mit unbekannten, aber gleichen Varianzen durch Vergleich der

Mehr

Hypothesentests. Hypothese Behauptung eines Sachverhalts, dessen Überprüfung noch aussteht.

Hypothesentests. 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

Mehr

Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)

Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Prof. Dr. M. Maathuis ETH Zürich Winter 2010 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe

Mehr

Klassifikation von Signifikanztests

Klassifikation von Signifikanztests Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen

Mehr

Grundlagen der schließenden Statistik

Grundlagen der schließenden Statistik Grundlagen der schließenden Statistik Schätzer, Konfidenzintervalle und Tests 1 46 Motivation Daten erhoben (Umfrage, Messwerte) Problem: Bei Wiederholung des Experiments wird man andere Beobachtungen

Mehr

Macht des statistischen Tests (power)

Macht 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

Mehr

Goethe-Universität Frankfurt

Goethe-Universität Frankfurt Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre

Mehr

Stoffverteilungsplan Mathematik Leistungskurs. Lambacher Schweizer Stochastik ISBN Klassenarbeit

Stoffverteilungsplan Mathematik Leistungskurs. Lambacher Schweizer Stochastik ISBN Klassenarbeit Lambacher Schweizer Q3.1 Grundlegende Begriffe der Grundlagen der Wahrscheinlichkeitstheorie: Beschreiben von Zufallsexperimenten (Laplace-Experimente) unter Verwendung der Begriffe Ergebnis, Ergebnismenge,

Mehr

11. Parametrische Tests 11.1 Konzeption von statistischen Tests

11. Parametrische Tests 11.1 Konzeption von statistischen Tests 11. Parametrische Tests 11.1 Konzeption von statistischen Tests Statistische Tests dienen zur Überprüfung von Hypothesen über die Grundgesamtheit auf der Basis der vorliegenden Beobachtungen einer Stichprobe.

Mehr

3.3 Konfidenzintervalle für Regressionskoeffizienten

3.3 Konfidenzintervalle für Regressionskoeffizienten 3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird

Mehr

Handelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen?

Handelt 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

Mehr

Statistische Überlegungen: Eine kleine Einführung in das 1 x 1

Statistische Überlegungen: Eine kleine Einführung in das 1 x 1 Statistische Überlegungen: Eine kleine Einführung in das 1 x 1 PD Dr. Thomas Friedl Klinik für Frauenheilkunde und Geburtshilfe, Universitätsklinikum Ulm München, 23.11.2012 Inhaltsübersicht Allgemeine

Mehr

Macht des statistischen Tests (power)

Macht 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

Mehr

Wahrscheinlichkeitsrechnung und Statistik. 11. Vorlesung /2019

Wahrscheinlichkeitsrechnung 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

Mehr

5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)

5. 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

Mehr

Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006

Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.

Mehr

Hypothesentest. Ablehnungsbereich. Hypothese Annahme, unbewiesene Voraussetzung. Anzahl Kreise

Hypothesentest. Ablehnungsbereich. Hypothese Annahme, unbewiesene Voraussetzung. Anzahl Kreise Hypothesentest Ein Biologe vermutet, dass neugeborene Küken schon Körner erkennen können und dies nicht erst durch Erfahrung lernen müssen. Er möchte seine Vermutung wissenschaftlich beweisen. Der Biologe

Mehr

Aufgabe 1. Die Abweichung Y vom errechneten Geburtstermin sei normalverteilt mit dem Erwartungswert

Aufgabe 1. Die Abweichung Y vom errechneten Geburtstermin sei normalverteilt mit dem Erwartungswert Aufgabe 1 Marina hat ihr Studium satt und beschließt Hebamme zu werden. Sie beginnt ein Praktikum auf der Entbindungsstation eines großen städtischen Klinikums. Roswitha, eine erfahrene Hebamme, erklärt

Mehr

1. Grundbegri e der Stochastik

1. Grundbegri e der Stochastik Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt

Mehr