Methodenkurs Phonetik / Phonologie
|
|
- Klara Koch
- vor 7 Jahren
- Abrufe
Transkript
1 Stunde
2 Inhalt Anfangsbemerkungen Durchführung des Produktionsexperimentes Analyse der erhobenen Daten Auswertung der Daten
3 Inhalt nächste Woche fällt die Vorlesung aus dasselbe gilt für die Tutorien dafür gibt es eine etwas erweiterte Hausaufgabe: Aufnahme und Analyse des Produktionsexperimentes bis zum 28.5.
4 Durchführung des Produktionsexperimentes
5 Durchführung Die Items für das Experiment wurden im Phonetiklabor aufgenommen. Dies sind die technischen Details: Transtec Computer Marantz Recorder pmd 570 Verstärker Sound devices (Prerecorder) sampling rate KHz Mikrofon Phantom 48V
6 Durchführung Die nächste Hausaufgabe ist, eine Versuchsperson zu finden und das Experiment einmal durchzuführen. Sie bekommen das Experimentfile von Ihrem Tutor. Was ist wichtig für die Durchführung des Experimentes? Rechner, der die PPT abspielen kann Aufnahme während des ganzen Experiments machen ruhiger, geschlossener Raum deutsche(r) Muttersprachler(in) Geschlecht und Alter der VP notieren Aufnahme als wav-datei speichern
7 Durchführung Aufnahmen machen, wie? über eine App auf dem Smartphone über den Mikrofoneingang des Rechners mithilfe von Praat Audacity ( über jemanden, dem die o.g. Mittel zur Verfügung stehen In der Hausarbeit müssen Sie berichten, welche technische Ausstattung Sie wann genutzt haben.
8 Analyse der erhobenen Daten
9 Analyse: Rohdaten Im Idealfall haben wir von jedem von Ihnen eine aufgenommene VP, d.h. eine lange Sounddatei mit Daten einer VP: 186 elizitierte Singularformen 186 = 6 Übungsitems + 90 Targets + 90 Filler 90 Targets: für unsere Zwecke auswertbare Datenpunkte davon 45 mit zugrundeliegend stimmhaften Plosiven und 45 mit zugrundeliegend stimmlosen Plosiven von diesen 45 sind je ein Drittel labiale, alveolare oder velare Plosive
10 Analyse: Rohdaten 1. Was wollen wir genau untersuchen, welche Informationen brauchen wir? 2. Wie kommen wir an diese Information?
11 Analyse Mehrere Parameter standen in früheren Papern zur Diskussion: Dauer des vorangegangenen Vokals Verschlussdauer Dauer der voicing-into-closure Explosionsdauer Aspirationsdauer
12 Analyse Worauf wir uns konzentrieren, unsere abhängige Variable: Dauer des vorangegangenen Vokals Verschlussdauer Dauer der voicing-into-closure Explosionsdauer Aspirationsdauer
13 Analyse Was wissen wir über die Dauer des dem stimmhaften/stimmlosen Plosiv vorangehenden Vokals?
14 Analyse Was wissen wir über die Dauer von dem stimmhaften/stimmlosen Plosiv vorangehenden Vokal? Er ist bei einem von beiden länger. Wann nämlich?
15 Analyse Was wissen wir über die Dauer von dem stimmhaften/stimmlosen Plosiv vorangehenden Vokal? Er ist bei einem von beiden länger. Wann nämlich? Vor stimmhaften Plosiven. Bleibt dieser akustische Cue also bei der Auslautverhärtung erhalten?
16 Analyse: Vorhersagen H 0 : Bedingungen unterscheiden sich nicht. H 1 : Bedingungen unterscheiden sich. Wie lauten die Null- und die Alternativhypothese konkret für dieses Experiment?
17 Analyse: Vorhersagen H 0 : Die Dauer des Vokals vor einem zugrundeliegend stimmhaften Plosiv unterscheidet sich nicht von der Dauer des Vokals vor einem zugrundeliegend stimmlosen Plosiv. H 1 : Die Dauer des Vokals vor einem zugrundeliegend stimmhaften Plosiv unterscheidet sich von der Dauer des Vokals vor einem zugrundeliegend stimmlosen Plosiv. Diese Alternativhypothese ist ungerichtet. Formulieren Sie eine gerichtete Alternativhypothese!
18 Analyse Wir brauchen die Information, wie lang Vokale in den kritischen Kontexten sind. Wie kommen wir nun an die Information?
19 Analyse Wir benutzen Praat für die Analyse. Alles, was wir dafür brauchen, wissen Sie im Grunde genommen schon. Öffnen der Rohdaten als Longsound Erstellen eines TextGrids Markieren der Vokale in den Targets als Intervall sinnvolles Labeln des entsprechenden Intervalls Speichern des TextGrids! Dauerinformation extrahieren
20 Analyse: Markieren der Vokale Wie findet man die Vokale im Spektrogramm? sind gekennzeichnet von Periodizität deutliche Formanten (verstärkte Energie, die sich als Schwärzung im Spektrogramm zeigt) Formanten sind abhängig von Zungenlage und -höhe F1 durch Zungenhöhe F2 durch Zungenlage und Lippenrundung
21 Analyse: Markieren der Vokale
22 Analyse sinnvolles Labeln Nutzen Sie die Label, die ich für die Items vorgegeben habe, z.b. labial-voiceless-1.wav als Basis. Entfernen Sie die Endung im Namen: labial-voiceless-1. Ergänzen Sie den Vokal am Ende des Namens: a, e, i, o, u, au, eu, ei. Endergebnis: labial-voiceless-1-a oder velar-voiced-6-i
23 Analyse Dauerinformation extrahieren manuelles Extrahieren: Intervall markieren Im Menü Query wählen Get selection length automatisiertes Extrahieren: Ebenen, die die Information enthalten, einheitlich benennen: Vokale Abfrage automatisieren per Skript
24 Analyse: Demonstration am Beispiel Öffnen Erstellen eines TextGrids Laute identifizieren Vokal markieren Labeln Dauerinformation extrahieren
25 Datenerhebung und Analyse Was Sie jetzt tun sollen: HA bis zum Aufnahme machen, an den Tutor schicken Ihre Daten auswerten: TextGrid mit Vokale -Ebene erstellen, Vokale markieren, sinnvoll benennen, fertiges TextGrid an Ihren Tutor schicken (Aufnahme und TextGrid sollten denselben Namen haben)
26 Auswertung der Daten
27 Auswertung Wenn ich die Daten mit dem Skript extrahiere, sehen sie pro VP in etwa so aus: Item Duration in s labial-voiceless-1-a velar-voiced-6-i velar-voiceless-11-u alveolar-voiced-7-au
28 Auswertung Mit Hilfe von Excel oder einem ähnlichen Programm sortiere ich die Daten und bringe etwas Struktur rein: Item Duration in s VP Voicing PoA Vokal labial-voiceless-1-a VP1 voiceless labial a velar-voiced-6-i VP1 voiced velar i velar-voiceless-11-u VP2 voiceless velar u alveolar-voiced-7-au VP2 voiced alveolar au
29 Auswertung Bevor wir an die Auswertung gehen, wollen wir noch ein paar statistische Grundbegriffe klären. Nachlesbar in allen möglichen statistischen Einführungen, bswp. in Greene, J. & M. D Oliveira (2003). Learning to use statistical tests in psychology. Maidenhead, Philadelphia: Open University Press.
30 statistische Grundbegriffe abhängige und unabhängige Variablen unabhängige Variable das, was wir als Forscher manipulieren, was wir untersuchen unabhängig, weil experimentelle Bedingungen, um diese Variable zu testen, unabhängig aufgesetzt werden, bevor das Experiment überhaupt beginnt abhängige Variable das, was wir als Forscher messen abhängig, weil die Messung in Abhängigkeit der vom Forscher festgelegten Bedingungen passiert Es wird untersucht, ob die Manipulation einer unabhängigen Variable einen Effekt auf die abhängige Variable hat.
31 statistische Grundbegriffe abhängige und unabhängige Variablen: Übung 1 Denken Sie an ein fiktives Experiment, in dem getestet wird, ob Leute weniger Zeit brauchen, einen illustrierten Text zu lesen als denselben Text ohne Illustrationen. Was ist die unabhängige Variable? Was ist die abhängige Variable? Was ist die Nullhypothese? Was ist die Alternativhypothese?
32 statistische Grundbegriffe abhängige und unabhängige Variablen: Übung 2 Unser Experiment: Was ist die unabhängige Variable? Was ist die abhängige Variable?
33 statistische Grundbegriffe deskriptive Statistik Die deskriptive Statistik gibt uns zunächst die Werte, erst die inferentielle Statistik erlaubt uns, diese zu beurteilen. Im Rahmen der deskriptiven Statistik sehen wir uns den Mittelwert, die Standardabweichung und den Standardfehler an.
34 statistische Grundbegriffe Variabilität in den Daten Ihnen sollte bewusst sein, dass unsere Daten sehr variabel sind, auch wenn wir im experimentellen Design uns größte Mühe gegeben haben, irrelevante Variablen auszuschließen. Die Messungen umfassen eine ganze Breite an Dauern. Die Frage ist jedoch, verbirgt sich hinter der Variablilität ein Muster: Gibt es systematische Unterschiede zwischen den Vokallängen vor zugrundeliegend stimmhaften und stimmlosen Plosiven, also Unterschiede, die auf unsere bewusste Manipulation der unabängigen Variable zurückzuführen sind? Oder gibt es keine Unterschiede abgesehen von unvorhersagbarer Variabilität?
35 statistische Grundbegriffe Variabilität in den Daten: Mittelwert Wir nehmen ja laut Alternativhypothese an, dass Vokale vor zugrundeliegend stimmhaften Plosiven länger sind als Vokale vor zurundeliegend stimmlosen Plosiven. Menschen sind verschieden. Sehr wahrscheinlich wird sich dahingehend jeder anders verhalten, auch spricht der eine generell schneller als der andere.
36 statistische Grundbegriffe Variabilität in den Daten: Mittelwert Das erste, was wir machen, ist, einen Durchschnitt zu berechnen für beide Bedingungen, den sog. Mittelwert/Mean. Man berechnet ihn durch die Summe aller Werte pro Bedingung geteilt durch die in der Bedingung zur Verfügung stehenden Datenpunkte: x = Σ n=observations.
37 statistische Grundbegriffe Variabilität in den Daten: Mittelwert Schließlich haben wir einen Mittelwert für die Dauer von Vokalen vor zugrundeliegend stimmhaften Plosiven und einen Mean für die Dauer von Vokalen vor zugrundeliegend stimmlosen Plosiven. Daraus bilden wir die Differenz. Die Frage ist, ob diese Differenz statistisch gesehen von Bedeutung ist. Das macht die inferenzielle Statistik.
38 statistische Grundbegriffe Variabilität in den Daten: Standardabweichung Die Standardabweichung (SD) ermöglicht uns, die Variabilität in den Daten zu betrachten. Sie ist ein Maß für die Streuung rund um den Mittelwert. Für die Berechnung der SD benötigen wir noch die Varianz: Varianz ist die mittlere quadratische Abweichung der Ergebnisse um ihren Mittelwert: Summe der Abweichungen der einzelnen Werte vom Mittelwert geteilt durch die Anzahl der Datenpunkte 1. SD ist die Quadratwurzel aus der Varianz: SD = Σ(x 1:n x) 2 n 1 SD gibt uns an, wie sehr das Ergebnis rund um den Mittelwert schwankt
39 statistische Grundbegriffe Beispielberechnung Angenommen, die Tabelle enthält für eine Bedingungen folgende Zahlen (markiert sind Minimum und Maximum):
40 statistische Grundbegriffe Beispielberechnung ie
41 statistische Grundbegriffe Beispielberechnung Mittelwert ( Σ x 1:n(x 1:n = sum of all observations) n=observations=20 ) = Σ(x Standardabweichung ( 1:n x) 2 n 1 ) =
42 statistische Grundbegriffe Beispielberechnung
43 statistische Grundbegriffe Variabilität in den Daten: Standardfehler Mit Hilfe des Standardfehlers (SE), der sich aus SD und Anzahl der Observationen in unserer Stichprobe ergibt, ist es uns möglich, einzuschätzen, wie sehr der Mittelwert bei erneuten Messungen (für die Population) schwanken wird: Die Formel lautet: SE = Standard Deviation number of observations Für unser Beispiel ergibt sich ein SE von Für den Mittelwert der Population heißt es, dass er mit 95%iger Wahrscheinlichkeit innerhalb des folgenden Bereiches liegt: Mittelwert ± 2 SE. Für die Beispieldaten bei dem Mittelwert von , bedeutet das einen Bereich von
44 statistische Grundbegriffe Beispielberechnung
45 statistische Grundbegriffe Die nun eingeführten Parameter der deskriptiven Statistik nutzt die inferentielle Statistik, um auszuwerten, mit welcher Wahrscheinlichkeit die Messungen sich tatsächlich unterscheiden, d.h. aus zwei Populationen stammen (in unserem Fall die Gruppe der Vokale vor zugrundeliegend stimmhaften und Vokale vor zugrundeliegend stimmlosen Plosiven) und nicht nur zwei Stichproben derselben Population sind (in unserem Falle: Vokale vor Plosiven, egal, ob stimmhaft oder stimmlos).
46 statistische Grundbegriffe Wahl der Analysemethode Welchen statistischen Test wir benutzen, ist abhängig vom experimentellen Design, bspw. davon, ob wir ein within- oder between-subjects-design haben Art der abhängigen Variable: kategorisch (2 oder mehr?) oder kontinuierlich Menge der experimentellen Bedingungen: zwei oder mehrere
47 statistische Grundbegriffe Wahl der Analysemethode Unser Experiment Within-Subjects-Design kontinuierliche Variable zwei Bedingungen: zugrundeliegend stimmhaft und zugrundeliegend stimmlos Eine einfache Methode für diese Art von Experiment ist der T-Test (related).
48 statistische Grundbegriffe Analyse Was genau macht der T-Test? Er überprüft, inwiefern unser Ergebnis zufällig herausgekommen ist und gibt uns eine Wahrscheinlichkeit, mit der wir unsere Alternativhypothese als erwiesen ansehen können. Er nutzt die Mittelwerte, SD und SE zweier Stichproben.
49 statistische Grundbegriffe Exkurs: Wahrscheinlichkeit Ein Würfel hat 6 Seiten: 1, 2, 3, 4, 5 und 6. Die Wahrscheinlichkeit, mit der wir eine 1, 2, 3, 4, 5 oder 6 würfeln, ist 1 (P = 1). Die Wahrscheinlichkeit, eine 6 zu würfeln, ist 1/6 (P = ). Die Wahrscheinlichkeit, eine gerade Zahl zu würfeln, ist 1/2 (1/6 + 1/6 + 1/6 = 3/6 = 1/2; P = 0.5).
50 statistische Grundbegriffe Exkurs: Wahrscheinlichkeit Die statistische Auswertung liefert uns also eine Wahrscheinlichkeit, mit der das Ergebnis ein Produkt des Zufalls ist, mit der die Nullhypothese nicht verworfen werden kann, mit der wir demnach die Alternativhypothese als erwiesen ansehen können
51 statistische Grundbegriffe Exkurs: Wahrscheinlichkeit Diese Wahrscheinlichkeit wird angegeben durch eine Zahl von p = 0.5 bedeutet, dass das Ergebnis zu 50% ein Produkt des Zufalls ist, dass die Nullhypothese mit 50%iger Wahrscheinlichkeit nicht verworfen werden kann, dass die Alternativhypothese mit 50%iger Wahrscheinlichkeit als erwiesen angesehen werden kann Ein solches Ergebnis wird uns vermutlich nicht zufrieden stellen.
52 statistische Grundbegriffe Exkurs: Wahrscheinlichkeit Abhängig vom Inhalt der Studie gibt es Konventionen, welches Signifikanzlevel als überzeugend gilt. In der (psycho-)linguistischen Forschung gilt ein Wert von p = 0.05 als signifikant, bei einem Wert p < 0.01 spricht man von hochsignifikant. Zu wie viel Prozent bedeutet ein Wert von p = 0.05 bedeutet, dass das Ergebnis ein Produkt des Zufalls ist? Zu wie viel Prozent bedeutet dieser Wert, dass die Nullhypothese verworfen werden kann? Zu wie viel Prozent bedeutet dieser Wert, dass wir die Alternativhypothese als erwiesen ansehen können? Wie sieht das Ganze bei einem Wert von p = 0.01 aus?
53 statistische Grundbegriffe Analyse: T-Test Der T-Test überprüft, wie hoch die Wahrscheinlichkeit für die Nullhypothese ist, also, dass die Differenz der Dauer von Vokalen vor zugrundeliegend stimmhaften Plosiven und der Dauer von Vokalen vor zugrundeliegend stimmlosen Plosiven gleich Null ist: t = (mean V b mean V p) (pop mean 1 pop mean 2 ) st. error Vb +st. error V p = t = (mean V b mean V p) (0 0) st. error Vb +st. error V p
54 statistische Grundbegriffe Analyse Ganz praktisch: Wie führen wir den T-Test durch? Dazu nächste Stunde mehr.
55 Auswertung Die Daten sind so weit aufbereitet, dass sie statistisch analysiert werden können. Dazu braucht man ein Statistikprogramm, bspw. R oder SPSS. Ich benutze R, das ist Freeware, die auch im professionellen Bereich verwendet wird. Man findet sie auf Benutzerfreundliche Oberflächen muss man bei Bedarf extra laden, bspw. hier: Für R gibt es im Netz zahlreiche Tutorials, Einführungen oder Hilfsforen. Auch Bücher sind verfügbar.
Methodenkurs Phonetik / Phonologie
Stunde 8 08.06.2015 Inhalt Auswertung des Produktionsexperimentes Planung des Perzeptionsexperimentes Produktionsexperiment Produktionsexperiment: Auswertung In der letzten Hausaufgabe sollten Sie die
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrMethodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 11 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 03.12.13 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrT-Test für unabhängige Stichproben
T-Test für unabhängige Stichproben Wir gehen von folgendem Beispiel aus: Wir erheben zwei Zufallstichproben, wobei nur die Probanden der einen Stichprobe einer speziellen experimentellen Behandlung (etwa
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrStatistik K urs SS 2004
Statistik K urs SS 2004 3.Tag Grundlegende statistische Maße Mittelwert (mean) Durchschnitt aller Werte Varianz (variance) s 2 Durchschnittliche quadrierte Abweichung aller Werte vom Mittelwert >> Die
MehrKonkretes Durchführen einer Inferenzstatistik
Konkretes Durchführen einer Inferenzstatistik Die Frage ist, welche inferenzstatistischen Schlüsse bei einer kontinuierlichen Variablen - Beispiel: Reaktionszeit gemessen in ms - von der Stichprobe auf
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
MehrSonderanhang: Manuelle Berechnungen der Statistikaufgaben
Albert/Marx 0: Empirisches Arbeiten Sonderanhang: Manuelle Berechnungen der Statistikaufgaben Kaum jemand führt heutzutage statistische Berechnungen noch von Hand durch, weil es sehr viele Computerprogramme
MehrWebergänzung zu Kapitel 10
10.1.5 Varianzanalyse (ANOVA: analysis of variance ) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder werden zwei unterschiedliche
MehrHypothesentests mit SPSS. Beispiel für einen t-test
Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle
MehrStatistik I. Methodologie der Psychologie
Statistik I Methodologie der Psychologie Thomas Schmidt & Lena Frank Wintersemester 2003/2004 Georg-Elias-Müller-Institut für Psychologie Uni Göttingen Literatur: Glantz, S.A. (2002). Primer of Biostatistics.
MehrAufgaben zu Kapitel 5:
Aufgaben zu Kapitel 5: Aufgabe 1: Ein Wissenschaftler untersucht, in wie weit die Reaktionszeit auf bestimmte Stimuli durch finanzielle Belohnung zu steigern ist. Er möchte vier Bedingungen vergleichen:
MehrKorrelation, Regression und Signifikanz
Professur Forschungsmethodik und Evaluation in der Psychologie Übung Methodenlehre I, und Daten einlesen in SPSS Datei Textdaten lesen... https://d3njjcbhbojbot.cloudfront.net/api/utilities/v1/imageproxy/https://d15cw65ipcts
MehrStatistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
MehrSonderanhang: Manuelle Berechnungen der Statistikaufgaben
Albert/Marx 04: Empirisches Arbeiten Sonderanhang: Manuelle Berechnungen der Statistikaufgaben Kaum jemand führt heutzutage statistische Berechnungen noch von Hand durch, weil es sehr viele Computerprogramme
MehrStatistiken deuten und erstellen
Statistiken deuten und erstellen Dipl. Ök. Jens K. Perret, M.Sc. Evgenija Yushkova, M.A. Schumpeter School of Business and Economics Bergische Universität Wuppertal Gaußstraße 20 42097 Wuppertal Inhalt
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrMethodenlehre. Vorlesung 13. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 13 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 19.05.15 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler
Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler Noémie Becker & Dirk Metzler 15. April 2016 Inhaltsverzeichnis 1 Der Standardfehler 1 1.1 Ein Versuch............................................
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
MehrBiostatistik, WS 2017/18 Der Standardfehler
1/70 Biostatistik, WS 2017/18 Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1718/ 24.11.2017 3/70 Ein Versuch Hirse Bild: Panicum miliaceum 4/70 Ein Versuch Ein Versuch Versuchsaufbau:
MehrAufgaben zu Kapitel 3
Aufgaben zu Kapitel 3 Aufgabe 1 a) Berechnen Sie einen t-test für unabhängige Stichproben für den Vergleich der beiden Verarbeitungsgruppen strukturell und emotional für die abhängige Variable neutrale
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
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
Mehrlibrary(lattice) source(file.path(pfadu, "proben.r")) form = read.table(file.path(pfadu, "bet.txt")) e.df = read.table(file.path(pfadu, "e.
library(lattice) source(file.path(pfadu, "proben.r")) form = read.table(file.path(pfadu, "bet.txt")) e.df = read.table(file.path(pfadu, "e.txt")) 1. SE (Standard Error) und Konfidenzintervall (Siehe Vorlesung,
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
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler
Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler Martin Hutzenthaler & Dirk Metzler 27. April 2010 Inhaltsverzeichnis 1 Eine kurze Wiederholung zur deskriptiven Statistik 2
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung 1 Teststärkebestimmung a posteriori Berechnen der Effektgröße f aus empirischen Daten und Bestimmung
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
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
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)
Mehr7.2 Mittelwert einer Stichprobe
66 7.2 Mittelwert einer Stichprobe Gegeben ist eine normalverteilte Grundgesamtheit. Mit Hilfe einer Stichprobe möchten wir Aussagen über den unbekannten Mittelwert µ dieser Grundgesamtheit machen. Wenn
MehrBachelorprüfung: Statistik (1 Stunde)
Prof. H.R. Künsch D-BIOL, D-CHAB Winter 2010 Bachelorprüfung: Statistik (1 Stunde) Bemerkungen: Es sind alle mitgebrachten schriftlichen Hilfsmittel und der Taschenrechner erlaubt. Natels sind auszuschalten!
MehrInhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden
Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrBrückenkurs Statistik für Wirtschaftswissenschaften
Peter von der Lippe Brückenkurs Statistik für Wirtschaftswissenschaften Weitere Übungsfragen UVK Verlagsgesellschaft mbh Konstanz Mit UVK/Lucius München UVK Verlagsgesellschaft mbh Konstanz und München
MehrStatistik für Naturwissenschaftler
Hans Walser Statistik für Naturwissenschaftler 9 t-verteilung Lernumgebung Hans Walser: 9 t-verteilung ii Inhalt 1 99%-Vertrauensintervall... 1 2 95%-Vertrauensintervall... 1 3 Akkus... 2 4 Wer ist der
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (010). Quantitative Methoden. Band (3. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
MehrChi-Quadrat Verfahren
Chi-Quadrat Verfahren Chi-Quadrat Verfahren werden bei nominalskalierten Daten verwendet. Die einzige Information, die wir bei Nominalskalenniveau zur Verfügung haben, sind Häufigkeiten. Die Quintessenz
MehrKapitel VII. Punkt- und Intervallschätzung bei Bernoulli-Versuchen
Kapitel VII Punkt- und Intervallschätzung bei Bernoulli-Versuchen Einführungsbeispiel: Jemand wirft einen korrekten Würfel 60 mal. Wie oft etwa wird er die 6 würfeln? Klar: etwa 10 mal, es kann aber auch
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
MehrKlausur Statistik I Dr. Andreas Voß Wintersemester 2005/06
Klausur Statistik I Dr. Andreas Voß Wintersemester 2005/06 Hiermit versichere ich, dass ich an der Universität Freiburg mit dem Hauptfach Psychologie eingeschrieben bin Name: Mat.Nr.: Unterschrift: Bearbeitungshinweise:
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
MehrEinführung in SPSS. Sitzung 4: Bivariate Zusammenhänge. Knut Wenzig. 27. Januar 2005
Sitzung 4: Bivariate Zusammenhänge 27. Januar 2005 Inhalt der letzten Sitzung Übung: ein Index Umgang mit missing values Berechnung eines Indexes Inhalt der letzten Sitzung Übung: ein Index Umgang mit
MehrProbleme bei kleinen Stichprobenumfängen und t-verteilung
Probleme bei kleinen Stichprobenumfängen und t-verteilung Fassen wir zusammen: Wir sind bisher von der Frage ausgegangen, mit welcher Wahrscheinlichkeit der Mittelwert einer empirischen Stichprobe vom
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
Mehro o o o o o o o o o o o
Klumpen-Stichproben = Cluster Sampling Obs.: Bei einer uneingeschränkten Zufallsauswahl wird pro Randomisierungs- Schritt genau eine Beobachtung gemacht. Ein ganz wesentlicher Punkt : Jedes zufällig ausgewählte
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
Mehr10. Medizinische Statistik
10. Medizinische Statistik Projektplanung Deskriptive Statistik Inferenz-Statistik Literatur: Hüsler, J. und Zimmermann, H.: Statistische Prinzipien für medizinische Projekte, Verlag Hans Huber, 1993.
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.7 und 4.8 besser zu verstehen. Auswertung und Lösung Abgaben: 71 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 5.65 Frage 1
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (006). Quantitative Methoden. Band (. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
MehrDeskriptive Statistiken
Deskriptive Statistiken Inhaltsverzeichnis DESKRIPTIVE STATISTIKEN... 1 Deskriptive Statistiken Deskriptive Statistiken Mit MAXQDA Stats können Sie zahlreiche Maßzahlen der deskriptiven Statistiken für
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 12
Übung zur Vorlesung Statistik I WS 2013-2014 Übungsblatt 12 20. Januar 2014 Die folgenden ufgaben sind aus ehemaligen Klausuren! ufgabe 38.1 (1 Punkt: In einer Studie werden 10 Patienten therapiert. Die
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Sommer 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrStichwortverzeichnis. Symbole
Stichwortverzeichnis Symbole 50ste Perzentil 119 A Absichern, Ergebnisse 203 Abzählbar unendliche Zufallsvariable 146 Alternativhypothese 237 238 formulieren 248 Anekdote 340 Annäherung 171, 191 Antwortquote
Mehrfh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik
fh management, communication & it Folie 1 Überblick Grundlagen (Testvoraussetzungen) Mittelwertvergleiche (t-test,..) Nichtparametrische Tests Korrelationen Regressionsanalyse... Folie 2 Überblick... Varianzanalyse
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
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
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,...,
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
MehrTesten von Hypothesen:
Testen von Hypothesen: Ein Beispiel: Eine Firma produziert Reifen. In der Entwicklungsabteilung wurde ein neues Modell entwickelt, das wesentlich ruhiger läuft. Vor der Markteinführung muss aber auch noch
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler
Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler Martin Hutzenthaler & Dirk Metzler http://www.zi.biologie.uni-muenchen.de/evol/statgen.html 27. April 2010 1 Eine kurze Wiederholung
MehrDie ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist.
.3. Stochastik Grundlagen Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist. Die RELATIVE HÄUFIGKEIT einer Merkmalsausprägung gibt an mit welchem Anteil
MehrINFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE. Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße
DAS THEMA: INFERENZSTATISTIK III INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße Inferenzstatistik für Lagemaße Standardfehler
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und
MehrWie liest man Konfidenzintervalle? Teil I. Premiu m
Wie liest man Konfidenzintervalle? Teil I Premiu m Was sind Konfidenzintervalle? Ein Konfidenzintervall (KI) ist ein Maß für die Unsicherheit bezüglich einer Schätzung eines Effekts. Es ist ein Intervall
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
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
MehrKapitel 3: Der t-test
Kapitel 3: Der t-test Durchführung eines t-tests für unabhängige Stichproben Dieser Abschnitt zeigt die Durchführung des in Kapitel 3.1 vorgestellten t-tests für unabhängige Stichproben mit SPSS. Das Beispiel
MehrVet. Med. Uni. Budapest 5. Übung Biomathematik 2017
5. Übung (Normalverteilung) Die Normalverteilung spielt eine sehr wichtige Rolle in den Biowissenschaften, unter anderem auch in der Tiermedizin. Ihre Wichtigkeit beruht an dem sog. zentralen Grenzwertsatz.
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2016
Signifikanzprüfung Peter Wilhelm Herbstsemester 2016 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha-Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrInhaltsverzeichnis. Über die Autoren Einleitung... 21
Inhaltsverzeichnis Über die Autoren.... 7 Einleitung... 21 Über dieses Buch... 21 Was Sie nicht lesen müssen... 22 Törichte Annahmen über den Leser... 22 Wie dieses Buch aufgebaut ist... 23 Symbole, die
MehrDer χ2-test Der χ2-test
Der χ 2 -Test Überblick Beim χ 2 -Test handelt es sich um eine Familie ähnlicher Tests, die bei nominal- oder ordinalskalierten Merkmalen mit zwei oder mehr Ausprägungen angewendet werden können. Wir behandeln
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
MehrMusterlösung zu Serie 8
Dr. Markus Kalisch Statistik I für Biol./Pharm. Wiss./HST) FS 15 Musterlösung zu Serie 8 1. a) Damit fx) eine Dichte ist, muss die Fläche des Dreiecks gleich 1 sein. Es muss also gelten c = 1. Daraus folgt
MehrDer χ 2 -Test. Überblick. Beispiel 1 (χ 2 -Anpassungstest)
Der χ 2 -Test Überblick Beim χ 2 -Test handelt es sich um eine Familie ähnlicher Tests, die bei nominal- oder ordinalskalierten Merkmalen mit zwei oder mehr Ausprägungen angewendet werden können. Wir behandeln
MehrStatistik-Klausur vom
Statistik-Klausur vom 27.09.2010 Bearbeitungszeit: 60 Minuten Aufgabe 1 Ein international tätiges Unternehmen mit mehreren Niederlassungen in Deutschland und dem übrigen Europa hat seine überfälligen Forderungen
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Testen von Hypothesen
MehrHypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren
Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei
Mehr= 3. Kapitel 4: Normalverteilung.. und Standardnormalverteilung und: das Konfidenzintervall..
Kapitel : Normalverteilung.. und Standardnormalverteilung und: das Konfidenzintervall.. Mittelwert = Summe aller Einzelwerte / n = durchschnittliche Ausprägung, wenn alle gleich viel hätten. Streuung =
MehrGüteanalyse. Nochmal zur Erinnerung: Hypothesentest. Binominalverteilung für n=20 und p=0,5. Münzwurf-Beispiel genauer
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Güteanalyse Prof. Walter F. Tichy Fakultät für Informatik 1 Fakultät für Informatik 2 Nochmal zur Erinnerung: Hypothesentest Am Beispiel
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Winter 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. mit dem R Commander. A Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst mit dem R Commander A Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist
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
Mehr3.Wiederholung: Toleranzbereiche Für EX Geg:
3.Wiederholung: Toleranzbereiche Für EX Geg: Vl. 24.2.2017 Schätzfunktion für Güte: Ist X Problem: Feb 17 13:21 > Wir berechnen Bereiche (Toleranzbereiche) für sind untere und obere Grenzen, berechnet
Mehr