8. Konfidenzintervalle und Hypothesentests
|
|
- Reinhold Beltz
- vor 7 Jahren
- Abrufe
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 Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
Mehr7. 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
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
Mehr7. 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
Mehr10. 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
MehrTHEMA: "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
MehrStatistik 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
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
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:
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
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
MehrSchließende 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
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
MehrBeispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10
6 Hypothesentests Gauß-Test für den Mittelwert bei bekannter Varianz 6.3 Beispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10 G(µ) 0 α 0. 0.4 0.6 0.8 1 n = 10 n =
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
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.
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrFit 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
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
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)
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:
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
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
MehrGrundlagen 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,
MehrBiometrie 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.
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,...,
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
MehrMathematik 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
MehrAuswertung 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
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
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
MehrMathematik 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
Mehr11. 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
MehrBiostatistik, 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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
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
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
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
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
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
MehrAblaufschema beim Testen
Ablaufschema beim Testen Schritt 1 Schritt 2 Schritt 3 Schritt 4 Schritt 5 Schritt 6 Schritt 7 Schritt 8 Schritt 9 Starten Sie die : Flashanimation ' Animation Ablaufschema Testen ' siehe Online-Version
MehrÜberblick 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
MehrWirtschaftsstatistik-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
MehrBiostatistik, 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
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
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,
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
MehrKonfidenzintervalle. 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
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
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
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
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
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
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrChi-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
Mehr1 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
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
MehrNachklausur 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
Mehr2.4 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
MehrStatistik-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
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 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
MehrStatistik 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:
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
MehrKATA 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!
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
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
MehrStoffverteilungsplan 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
MehrMathematik 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
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
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
MehrEs 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
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
MehrKapitel 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
Mehr4.1. 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
MehrDr. 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
MehrT-Test für den Zweistichprobenfall
T-Test für den Zweistichprobenfall t-test (unbekannte, gleiche Varianzen) Test auf Lageunterschied zweier normalverteilter Grundgesamtheiten mit unbekannten, aber gleichen Varianzen durch Vergleich der
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
MehrStochastik (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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrGrundlagen 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
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
MehrGoethe-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
MehrStoffverteilungsplan 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,
Mehr11. 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.
Mehr3.3 Konfidenzintervalle für Regressionskoeffizienten
3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird
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
MehrStatistische Überlegungen: Eine kleine Einführung in das 1 x 1
Statistische Überlegungen: Eine kleine Einführung in das 1 x 1 PD Dr. Thomas Friedl Klinik für Frauenheilkunde und Geburtshilfe, Universitätsklinikum Ulm München, 23.11.2012 Inhaltsübersicht Allgemeine
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
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
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
MehrProf. 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.
MehrHypothesentest. 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
MehrAufgabe 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
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
Mehr