|
|
- Nicolas Lange
- vor 7 Jahren
- Abrufe
Transkript
1 GP G*Power 3 Dies Dokument enthält ad hoc zusammengestellte Hinweise zur Benutzung der Programms G*Power 3.0 von Franz Faul, Edgar Erdfelder, Albert Lang und Axel Buchner. Die Anordnung ist völlig unsystematisch; sie folgt etwa dem Gang der Veranstaltung. 1.1 Installation Das Programm kann heruntergeladen werden von Die Installation geht wie üblich (Hinweise finden sich auf der genannten Seite): Rechter Mausklick auf die zip-datei, Alle Extrahieren... Danach findet man in dem Ordner GPower3Windows die Datei setup.exe, die wie üblich das Programm installiert. Danach befindet sich das Programm GPowerNT.exe im Ordner GPower 3.0 und kann wie gewohnt mit Doppelklick gestartet werden. 1.2 Chi-Quadrat α-fraktile bestimmen Einstellungen: Test family: χ 2 tests, Statistical test: - Generic χ 2 test, Type of power analysis: Post hoc:... Noncentrality parameter auf 0 (ist hier irrelevant) α eingeben df einstellen Calculate drücken Kritischen Wert bei Critical χ 2 ablesen
2 1.2 Chi-Quadrat GP Alternative: Im Menü auf Calculator drücken Ein neues Fenster erscheint Dort chi2inv(1 α,n) eingeben (für α, n natürlich konkrete Werte einsetzen) Calculate drücken Ergebnis unter Result ablesen Bemerkung: inv steht für Inverse (der Verteilungsfunktion), chi2inv(α,n) gibt also den Wert an, an dem die Verteilungsfunktion den Wert α annimmt, mit andern Worten: das α-quantil der Verteilung. Da hier nach dem Fraktil gefragt ist, ist α durch 1 α zu ersetzen. Bemerkung: Zahlen kleiner 1 müssen als 0.xxx eingegeben werden,.xxx funktioniert nicht. Die führende 0 darf also nicht weggelassen werden. Beispielsweise muss für das 5%-Fraktil von χ 2 13 die Eingabe chi2inv(0.95, 13) lauten und nicht chi2inv(.95, 13), was zu einer Fehlermeldung führt. Anzeigen von Dichtefunktionen verschiedener χ 2 -Verteilungen: Einstellungen: Test family: χ 2 tests, Statistical test: - Generic χ 2 test, Type of power analysis: Post hoc:... Noncentrality parameter auf 0 (ist hier irrelevant) α so lassen (ist hier irrelevant) df einstellen Calculate drücken Dichtefunktion bewundern Powerbestimmung, falls Verteilung unter H 1 gestreckte χ 2 -Verteilung ist Gesucht ist die Wahrscheinlichkeit, mit der bei einer χ 2 -Verteilung mit n df ein Wert x überschritten wird
3 1.3 t GP Im Menü auf Calculator drücken Ein neues Fenster erscheint Dort 1-chi2cdf(x, n) eingeben (für x, n natürlich konkrete Werte einsetzen) Calculate drücken Ergebnis unter Result ablesen Bemerkung: cdf steht für cumulative density function, das ist die Verteilungsfunktion. chi2cdf(x, n) gibt den Wert der Verteilungsfunktion der χ 2 n-verteilung an der Stelle x an. Anzeigen von Dichtefunktionen verschiedener nonzentraler χ 2 -Verteilungen: Einstellungen: Test family: χ 2 tests, Statistical test: - Generic χ 2 test, Type of power analysis: Post hoc:... Noncentrality parameter einstellen α so lassen (ist hier irrelevant) df einstellen Calculate drücken Dichtefunktion bewundern 1.3 t Alles analog zu χ 2 ; Einstellungen jetzt: Test family: t tests, Statistical test: - Generic t tests, Type of power analysis: Post hoc:... Tail(s) kann auf One gesetzt werden. Die Funktion für die Quantile heißt hier tinv(α,n). Aus irgendwelchen Gründen sind die x-achsen nicht symmetrisch um 0, was sich besonders bei kleinen dfs bemerkbar macht.
4 1.4 F GP Die Verteilungsfunktion erhält man als tcdf(x, n), wobei n die df sind und x der Wert, an dem man den Wert der Verteilungsfunktion ermitteln will. Das α-quantil der nonzentralen t n,δ -Verteilung erhält man mit dem Calculator mit Hilfe der Funktion nctinv(α,n,δ). Die Verteilungsfunktion der nonzentralen t n,δ -Verteilung an der Stelle x liefert im Calculator die Funktion nctcdf(x,n,δ). 1.4 F Alles analog zu χ 2 ; Einstellungen jetzt: Test family: F tests, Statistical test: - Generic F tests, Type of power analysis: Post hoc:... Die Funktion für die Quantile heißt hier finv(α, m, n) (m und n sind dabei natürlich die Zähler- und Nennerdf). Die Verteilungsfunktion erhält man als fcdf(x, m, n), wobei m und n die df sind und x der Wert, an dem man den Wert der Verteilungsfunktion ermitteln will. Das α-quantil der nonzentralen F m,n,δ 2-Verteilung erhält man mit dem Calculator mit Hilfe der Funktion ncfinv(α, m, n, δ 2 ). Die Verteilungsfunktion der nonzentralen F m,n,δ 2-Verteilung an der Stelle x liefert im Calculator die Funktion ncfcdf(x, m, n, δ 2 ). 1.5 G*Power beim t-test Die Ergebnisse für die Beispiele sind hier im Vergleich zum Programm gerundet. Ein Hinweis: Die Ergebnisse der Einzelrechnungen werden protokolliert und können unter dem Reiter Protocol of power analyses abgerufen werden. Man kann sich also das Notieren von Ergebnissen weitgehend sparen. Es gibt auch die Möglichkeit, das Protokoll abzuspeichern. Powerberechnungen Zunächst Bestimmung der Power beim Einstichproben-t-Test. Vorbereitung im Telegrammstil Test family: t tests; Statistical tests: Means: Difference from con-
5 1.5 G*Power beim t-test GP stant (one sample case); Type of power analysis: Post hoc... Nun ein Beispiel. Wie groß ist die Power eines einseitigen t-tests der Hypothesen H 0 : µ = 50, H 1 : µ > 50, wenn das wahre µ gleich 53 und das wahre σ gleich 6 ist, und wenn der Test auf dem 5%-Niveau mit einer Stichprobe vom Umfang 17 durchgeführt wird? Zunächst ist hier die Effektstärke zu berechnen: (µ µ 0 )/σ = (53 50)/6 =.5. Dieser Wert ist bei Effect size d einzutragen. Bei Alpha ist natürlich.05 einzugeben. Die Stichprobengröße ist 17; dieser Wert muss bei Total sample size eingegeben werden. Schließlich ist noch bei Tail(s) One zu setzen. Nun kann das Ergebnis mit Return oder Calculate abgerufen werden. Als Power ergibt sich.6287, also 62.87%. Die Aufgabe ist damit gelöst. Anmerkungen: 1. Auch der kritische t-wert wird ausgegeben: das 5%-Fraktil der t 16 -Verteilung ist Die Anzahl der Freiheisgrade ist 17 1 = 16; dies findet man bei Df. 2. Zur Kontrolle findet man auch den NZP δ, der sich ja als nd = 17.5 = errechnet (d steht für die Effektstärke). Falls Sie nachrechnen wollen: Rufen Sie den Calculator auf (aus dem Menü), geben Sie sqrt(17)*0.5 ein (sqrt steht natürlich für square root - Quadratwurzel; beachten Sie auch, dass die 0 bei 0.5 eingegeben werden muss) und drücken Sie dann die Calculate-Taste; das Ergebnis wird dann unten angezeigt. 3. Auch die Effektstärke braucht man nicht von Hand zu berechnen. Drückt man auf die Schaltfläche Determine links von Effect size d, so öffnet sich rechts ein Zusatzfenster. Dort kann man die Mittelwerte unter H 0 und H 1 eingeben sowie die Streuung σ. Die Calculate Taste liefert die Effektstärke, die Taste Calculate and transfer to main window überträgt das Ergebnis zusätzlich ins Hauptfenster. Beim zweiseitigen t-test im Einstichprobenfall verfahren Sie ganz genauso, außer dass jetzt Tail(s) auf Two zu setzen ist. Nun zum Zweistichprobenfall (unabhängige Stichproben). Auch hier ein Beispiel: Getestet werden soll H 0 : µ 2 = µ 1, H 1 : µ 2 µ 1, diesmal zur Abwechslung auf dem.1-niveau und mit Stichproben vom Umfang 13 aus der ersten Population und vom Umfang 24 aus der zweiten Population. Es sei unterstellt, dass µ 1 = 12, µ 2 = 10 und σ = 5 die wahren theoretischen Kennwerte sind. Wie groß ist die Power?
6 1.5 G*Power beim t-test GP Zur Lösung gibt es zwei Möglichkeiten. Zunächst die, die näher an der inhaltlichen Formulierung der Fragestellung liegt: Einstellungen wie zuvor, nur bei Statistical tests jetzt Means: Difference between two independent means (two groups). Ferner natürlich Two bei Tail(s). Als Effektstärke ergibt sich (10 12)/5 =.4 (man kann dies auch wieder mit der Taste Determine vom Programm ausrechnen lassen; hierzu muss man die obere Möglichkeit n 1! = n 2 anwählen! = steht dabei für, was aber hier nicht weiter interessiert. Das Programm gibt anscheinend nur positive Effektstärken aus, hier also.4, was aber wegen der Symmetrie der t-verteilung die gleiche Power liefert wie.4). Nun sind noch für α der Wert.1 und für Sample size group 1 bzw. 2 die beiden Gruppengrößen 13 und 24 einzutragen; Calculate oder Return liefert dann als Power Nebenbei erhält man auch δ = und den zweiseitigen kritischen Wert (gemeint ist natürlich, dass die kritischen Werte und sind, das Minuszeichen liegt wohl an der negativen Effektstärke). Auch die Anzahl der Freiheitsgrade (35) ist richtig. Man kann hier (analog übrigens ebenso im Einstichprobenfall) auch direkt am NZP orientiert vorgehen; man ist dabei in gewisser Weise dichter an den Verteilungen, dafür jedoch weiter von der inhaltlichen Frage entfernt. Dazu wählt man bei Statistical test die Möglichkeit Generic t test aus (die anderen Einstellungen bleiben). Der NZP ergibt sich nach der Formel n1 n 2 n 1 +n 2 d zu δ = (diese Zahl bestimmt man beispielsweise mit dem Calculator, indem man dort sqrt(13*24/(13+24))*-0.4 eingibt). Nun ist nur noch für Tail(s) Two anzugeben, für α der Wert.1 und für Df die Zahl 35. Das Resultat erhält man dann mit Return oder Drücken der Calculate-Taste. Wegen der Symmetrie der t-verteilung erhält man übrigens dieselbe Power, wenn man das Minuszeichen beim NZP weglässt. Der Fall abhängiger Stichproben ist ganz analog zu behandeln; die einzige wesentliche Änderung besteht darin, dass bei Statistical test jetzt Means: Difference between two dependent means (matched pairs) zu wählen ist. Auch hier kann die Effektstärke (sie heißt im Programm dz) mit Determine bestimmt werden (wobei die Option besteht, mit den Kennwerten der beiden Bedingungen zu rechnen (unten) oder gleich mit den Kennwerten der Differenz D (oben)). Man kann aber auch hier mit Generic t test dicht bei den Formeln arbeiten und muss dann den NZP selbst bestimmen. Bestimmung von Stichprobengrößen Beispiel für unabhängige Stichproben: Diesmal sei die Effektstärke von vornherein
7 1.6 G*power in der einfaktoriellen Varianzanalyse GP gegeben: d =.3. Gefragt ist, wie groß man die beiden Stichproben machen muss, um beim zweiseitigen t-test auf dem 5%-Niveau eine Power von mindestens.7 zu erhalten. Diese Aufgabe ist so noch nicht ganz eindeutig, es gibt viele Lösungen, wenn man ungleiche Stichprobengrößen zulässt. Daher soll zusätzlich gefordert werden, dass beide Stichproben gleich groß sind. Lösung: Test famliy: t tests; Statistical tests: Means: Difference between two independent means (two groups); Type of power analysis: A priori,... Für Tail(s) ist dann Two auszuwählen. Effect size:.3, α:.05, und Power:.7 sind einzusetzen (die Effektstärke kann auch wie zuvor mit Determine bestimmt werden, wenn sie nicht wie hier schon von Anfang an vorliegt). Bei Allocation ratio (Verhältnis der Stichprobengrößen) ist 1 einzugeben. Calculate oder Return liefert rechts das Ergebnis: neben anderen Angaben die Größe 139 für jede der beiden Gruppen. Bei Actual Power sieht man, dass der Wert von.7 etwas überschritten ist; das ist auch nicht anders zu erwarten, da die Stichprobengrößen ja nur diskrete ganzzahlige Werte sein können. Sie können nun kontrollieren, indem Sie für die Stichprobengrößen von 139 die Power wie oben ermitteln. Machen Sie nun den Vergleich mit Stichproben, die jeweils um 1 kleiner sind! Der Einstichprobenfall geht genauso, nur dass für Statistical tests: die Möglichkeit Means: Difference from constant (one sample case) zu wählen ist. Der Zweistichprobenfall für abhängige Stichproben ist ebenfalls ganz analog, nur ist hier bei Statistical tests die Option Means: Difference between two dependent means (matched pairs) zu wählen. 1.6 G*power in der einfaktoriellen Varianzanalyse Bestimmung von kritischen F-Werten Kritische F -Werte kann man (analog übrigens auch kritische t-werte) statt mit dem Calculator auch mit dem Hauptprogramm bestimmen. Beispiel: Aufgabe ist es, das.005-fraktil der F 7,24 -Verteilung zu bestimmen, also den Wert, der bei der F 7,24 -Verteilung rechts.5% abschneidet. Lösung: Test family: F tests, Statistical test: Generic F test, Type of power ana-
8 1.6 G*power in der einfaktoriellen Varianzanalyse GP lysis: Post hoc... Bei Numerator df (Zähler) 7 eingeben und bei Denominator df (Nenner) 24, bei alpha.005. Die anderen Werte sind hier gleichgültig. Calculate liefert als kritischen Wert Critical F: Powerberechnungen Beispiel: In einer Varianzanalyse mit drei Gruppen seien die Erwartungswerte der Gruppen 3, 5 und 8, die (wahre) Streuung innerhalb der Gruppen sei 2. Die Gruppengrößen seien 3, 4 und 2. Wie groß ist die Power, wenn auf 5%-Niveau getestet wird? Es gibt verschiedene Möglichkeiten, diese Aufgabe zu lösen. Am einfachsten ist wohl die jetzt als erste beschriebene. Test family: F tests, Statistical test: ANOVA: Fixed effects, omnibus, one-way. Type of power analysis: Post hoc... Dann bei alpha:.05. Total sample size: = 9. Number of groups: 3. Nun ist die Effektstärke f zu berechnen (Achtung: es geht hier um f und nicht um f 2 ). Eine Möglichkeit ist die Bestimmung von Hand: Für µ ergibt sich hier ( )/9 = 5. Es folgt α 1 = 2, α 2 = 0 und α 3 = 3. Daraus folgt: f 2 = ((3/9)( 2) 2 + (4/9)(0) 2 + (2/9)(3) 2 ))/4 = 5/6 (als praktische Rechnung ist natürlich (3 ( 2) (0) (3) 2 ))/(9 4) vorzuziehen) und f = Nebenbei ergibt sich auch δ 2 als 15/2 = 7.5 (man muß nur im Vergleich zu f 2 die Division durch 9 weglassen). Diese Effektstärke kann nun bei Effect size f eingegeben werden. Die einfachere Alternativmöglichkeit besteht darin, die Effektstärke von Gpower bestimmen zu lassen: Hierzu ist Determine vor Effect size f zu drücken. In dem sich öffnenden Seitenfenster müsste Number of groups schon richtig mit 3 eingetragen sein; andere Werte erhält man, wenn man auf die kleinen Tasten mit den nach oben bzw. unten weisenden Dreiecken in dem Eingabefeld drückt. Für SD sigma within each group ist 2 einzugeben (Achtung: es geht wirklich um die Streuung und nicht um die Varianz). Nun Erwartungswerte (Mean) und Gruppengrößen (size) in der Tabelle darunter eingeben. Calculate liefert die richtige Effektstärke f und zur Kontrolle die Gesamtstichprobengröße. Mit Calculate and transfer to main window wird die Effektstärke gleich in das Hauptfenster übertragen. Nun liefert schließlich Calculate (im Hauptfenster oder einfach Return) die Ergebnisse. Die Power ist.4605, der kritische F -Wert wird auch noch einmal ausgegeben, und schließlich findet man zur Kontrolle auch den NZP, der hier λ
9 1.6 G*power in der einfaktoriellen Varianzanalyse GP heißt. Nun eine Alternativmöglichkeit, deren Kenntnis für kompliziertere Fälle nützlich ist: Test family: F tests, Statistical test: Generic F test. Type of power analysis: Post hoc... Zähler- und Nennerfreiheitsgrade bei Numerator und Denominator df eingeben, also hier 2 und 6. Alpha ist wieder.05. Bei dem Noncentrality parameter λ (unser δ 2 ) ist der oben schon bestimmte Wert 7.5 einzutragen. Bestimmung von Stichprobengrößen Beispiel: Für vier Bedingungen werden folgende Erwartungswerte unterstellt: 2, 4, 6, 8. Als wahre Streuung innerhalb der Bedingungen vermutet man 3. Wie groß müssen die Stichproben gewählt werden, damit die Power mindestens 80% beträgt (bei Signifikanzniveau 1%)? Hier gibt es natürlich viele Lösungen, zur Einschränkung wird gefordert, daß die vier Stichproben gleich groß sein sollen. Lösung: Test family: F tests, Statistical test: ANOVA: Fixed effects, omnibus, one-way. Type of power analysis: A priori... Zunächst ist die Effektstärke zu berechnen (Achtung: dies ist hier f und nicht f 2 ). Da die Gruppen gleich groß sein sollen, ist dies hier einfach die Streuung der Erwartungswerte dividiert durch die Streuung innerhalb der Zellen. Der Mittelwert der Erwartungswerte ist 5, die Varianz also 20/4 = 5. Die Wurzel daraus ist noch durch 3 (Streuung innerhalb der Gruppen) zu dividieren. Ergebnis ist Diese Zahl ist bei Effect size f einzugeben. Auch hier wieder eine einfachere Alternative mit Determine vor Effect size f. Bevor man auf diese Taste drückt, sollte man bei Number of groups 4 eintragen, damit die Tabelle für die Gruppenerwartungswerte richtig vorbereitet wird. Man kann diese Zahl aber auch durch Drücken auf den kleinen Tasten im Eingabefeld Number of groups im Nebenfenster korrigieren; beim späteren Übertrag in das Hauptfenster wird man gegebenenfalls auf die Diskrepanz aufmerksam gemacht und kann korrigieren lassen. Für SD σ within each group ist die Streuung 3 einzugeben. Für die Gruppengröße kann man nach Equal n irgendeine Zahl eingeben (überlegen Sie sich anschließend, warum immer dasselbe Ergebnis herauskommt), zum Beispiel sogar 1. Wenn man dann Equal n drückt, wird die Spalte size in der Tabelle schon richtig ausgefüllt. Nun am einfachsten Vierfachklicks auf die Zahlen in der Spalte mean, dann kann direkt der entsprechende Wert richtig eingegeben werden. Anschließend Calculate und das richtige f steht da. Mit Calculate and
10 1.6 G*power in der einfaktoriellen Varianzanalyse GP transfer to main window kann es wieder direkt übertragen werden. Nun noch Alpha (.01) und Power (.8) eingeben, Calculate oder Return. Man erhält eine Gesamtstichprobengröße von 36, die noch durch 4 (Zahl der Gruppen) zu dividieren ist. Die Stichprobengröße pro Zelle ist also 9. Man prüft leicht nach, daß eine Verminderung auf 8 zu einer Power führt, die zu klein ist.
8. G*Power. power3/ 8. Stichprobenumfang, Effekt- und Teststärke
8. G*Power http://www.psycho.uniduesseldorf.de/abteilungen/aap/g power3/ 8. Stichprobenumfang, Effekt- und Teststärke 8. Stichprobenumfangsplanung, Effektstärken und Teststärkenberechnung mit G*Power 3.0
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
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
MehrKapitel 8: Verfahren für Rangdaten
Kapitel 8: Verfahren für Rangdaten Anmerkung 1 Mann-Whitney U-Test 1 Wilcoxon-Test 3 Kruskal-Wallis H-Test 3 Literatur 6 Anmerkung In Kapitel 8 der Bücher wird erwähnt, dass für nichtparametrische Daten
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
MehrKapitel 6: Zweifaktorielle Varianzanalyse
Kapitel 6: Zweifaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung 1 Teststärkebestimmung a posteriori 4 Berechnen der Effektgröße f² aus empirischen Daten und Bestimmung
MehrAufgaben zu Kapitel 8
Aufgaben zu Kapitel 8 Aufgabe 1 a) Berechnen Sie einen U-Test für das in Kapitel 8.1 besprochene Beispiel mit verbundenen Rängen. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.
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
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2014
Signifikanzprüfung Peter Wilhelm Herbstsemester 2014 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha- Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
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:
MehrAufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen, ob die in diesem Datensatz untersuchte
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
MehrKapitel 9: Verfahren für Nominaldaten
Kapitel 9: Verfahren für Nominaldaten Eindimensionaler Chi²-Test 1 Zweidimensionaler und Vierfelder Chi²-Test 5 Literatur 6 Eindimensionaler Chi²-Test Berechnen der Effektgröße w² Die empirische Effektgröße
MehrKapitel 3: Der t-test
Kapitel 3: Der t-test t-test für unabhängige Stichproben 1 t-test für abhängige Stichproben 7 Vergleich von t-test für unabhängige und abhängige Stichproben sowie Vertiefung des Konzeptes Abhängigkeit
MehrAufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen, ob die in diesem Datensatz untersuchte
MehrBiometrische und Ökonometrische Methoden II Lösungen 2
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 2 1. a) Zunächst wird die Tafel
MehrVergleich von Gruppen I
Vergleich von Gruppen I t-test und einfache Varianzanalyse (One Way ANOVA) Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Der unverbundene t-test mit homogener Varianz Beispiel Modell Teststatistik
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 9
Übung zur Vorlesung Statistik I WS 2012-2013 Übungsblatt 9 17. Dezember 2012 Aufgabe 26 (4 Punkte): In einer Studie mit n = 10 Patienten soll die Wirksamkeit eines Medikaments gegen Bluthochdruck geprüft
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
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Korrelationen 1 Lineare Regression 3 Literatur 5 Korrelationen Mit Hilfe von G*Power lässt sich analog zum Vorgehen beim t-test (Kapitel 3, Band I) vor einer Untersuchung
MehrFallzahlplanung bei unabhängigen Stichproben
Fallzahlplanung bei unabhängigen Stichproben Seminar Aktuelle biometrische Probleme Benjamin Hofner benjamin.hofner@stat.uni-muenchen.de 12. Januar 2005 Übersicht 1. Einführung und Grundlagen der Fallzahlplanung
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
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 für Betriebswirte Vorlesung 4
Statistik II für Betriebswirte Vorlesung 4 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. November 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 4 Version:
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
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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)
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
MehrVergleich zweier Stichproben
zurück zum Inhaltsverzeichnis Die Werte sind verbunden, abhängig oder korreliert. Beispiel: Eine Probe wird mit zwei Messgeräten bestimmt. Es gibt eine paarweise Zuordnung. Die Werte sind unabhängig also
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. M. Schweizer ETH Zürich Sommer Wahrscheinlichkeit und Statistik BSc D-INFK. a) (iii) b) (ii) c) (i) d) (ii) e) (ii) f) (iii) g) (ii) h) (i) i) (ii) j) (i). Für ein heruntergeladenes Dokument
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
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
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 2018 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Bitte... Lege deine Legi auf den Tisch. Trage deine Daten in dieses Deckblatt ein, und schreibe auf jedes
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 4. Juni 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden 1/35 Ein- und Zweiseitige Hypothesen H 0 : p =
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Winter 2018 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Bitte... Lege deine Legi auf den Tisch. Trage deine Daten in dieses Deckblatt ein, und schreibe auf jedes
MehrEinfache Varianzanalyse für unabhängige Stichproben
Einfache Varianzanalyse für unabhängige Stichproben VARIANZANALYSE Die Varianzanalyse ist das dem t-test entsprechende Mittel zum Vergleich mehrerer (k 2) Stichprobenmittelwerte. Sie wird hier mit VA abgekürzt,
MehrProbeklausur zu Mathematik 3 für Informatik
Gunter Ochs Juli 0 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immel ohne Galantie auf Fehreleiheit Sei f ln a Berechnen Sie die und die Ableitung f und f Mit der Produktregel erhält
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
MehrStatistik II für Betriebswirte Vorlesung 2
Statistik II für Betriebswirte Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 26. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrKapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Induktive Statistik Prof. Dr. W.-D.
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
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
MehrInduktive Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Induktive Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de
MehrAufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen ob die in diesem Datensatz untersuchte
MehrKapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests
Kapitel 10 Mittelwert-Tests 10.1 Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests 10.1 Einstichproben- Mittelwert-Tests 10.1.1 Einstichproben- Gauß-Test Dichtefunktion der Standard-Normalverteilung
MehrStatistik im Labor. BFB-tech Workshop Eugen Lounkine
Statistik im Labor BFB-tech Workshop 9.11.07 Eugen Lounkine Übersicht Darstellung und Charakterisierung von Daten Datentransformationen Lineare Korrelation Wahrscheinlichkeitsverteilung(en) Schätzer Konfidenzintervalle
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung Dieser Abschnitt zeigt die Durchführung der in Kapitel 5 vorgestellten einfaktoriellen Varianzanalyse
Mehr1.4 Der Binomialtest. Die Hypothesen: H 0 : p p 0 gegen. gegen H 1 : p p 0. gegen H 1 : p > p 0
1.4 Der Binomialtest Mit dem Binomialtest kann eine Hypothese bezüglich der Wahrscheinlichkeit für das Auftreten einer Kategorie einer dichotomen (es kommen nur zwei Ausprägungen vor, z.b. 0 und 1) Zufallsvariablen
MehrEinfaktorielle Varianzanalyse
Kapitel 16 Einfaktorielle Varianzanalyse Im Zweistichprobenproblem vergleichen wir zwei Verfahren miteinander. Nun wollen wir mehr als zwei Verfahren betrachten, wobei wir unverbunden vorgehen. Beispiel
MehrEinführung in die Statistik zur Tierversuchsplanung
Einführung in die Statistik zur Tierversuchsplanung und -auswertung Prof. Peter Pilz Fachbereich Biologie So viele Tiere wie nötig, so wenig Tiere wie möglich Statistik Schließende Statistik Statistische
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
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:
MehrStochastik. Station 1. Kombinatorik
Der fx-991de im Mathematik- Unterricht Stochastik Station 1 Kombinatorik Die vier Grundformeln zur Kombinatorik sind in der Tabelle zusammengefasst: Mit Zurücklegen Ohne Zurücklegen Reihenfolge egal ncr
MehrAnhang: Statistische Tafeln und Funktionen
A1 Anhang: Statistische Tafeln und Funktionen Verteilungsfunktion Φ(z) der Standardnormalverteilung Die Tabelle gibt die Werte Φ(z) der Verteilungsfunktion zu vorgegebenem Wert z 0 an; ferner gilt Φ( z)
MehrEvaluation & Forschungsstrategien. B.Sc.-Seminar. Sitzung IV: Konfidenzintervalle // Normalverteilungstests
Evaluation & Forschungsstrategien B.Sc.-Seminar Sitzung V: Konfidenzintervalle // Normalverteilungstests Seminarinhalte Sitzung V: 16.05.2018 Konfidenzintervalle bei bekannter Varianz Konfidenzintervalle
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
MehrAufgaben zu Kapitel 4
Aufgaben zu Kapitel 4 Aufgabe 1 a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl erinnerter positiver Adjektive. Wie nennt sich eine solche Korrelation und wie lässt sich der Output
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
MehrMesswiederholungen und abhängige Messungen
Messwiederholungen und abhängige Messungen t Tests und Varianzanalysen für Messwiederholungen Kovarianzanalyse Thomas Schäfer SS 009 1 Messwiederholungen und abhängige Messungen Bei einer Messwiederholung
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
MehrEinfaktorielle Varianzanalysen
Einfaktorielle Varianzanalysen Einfaktorielle Varianzanalysen Um eine einfaktorielle Varianzanalyse mit MAXQDA Stats zu berechnen, wählen Sie im Hauptmenü den Eintrag Gruppenvergleiche > Varianzanalyse.
MehrÜbungen mit dem Applet
Übungen mit dem Applet 1. Visualisierung der Verteilungsform... 1.1. Normalverteilung... 1.. t-verteilung... 1.3. χ -Verteilung... 1.4. F-Verteilung...3. Berechnung von Wahrscheinlichkeiten...3.1. Visualisierung
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
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.
MehrProbeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)
Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null
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
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
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
MehrMusterlösung zur Klausur im Fach Fortgeschrittene Statistik am Gesamtpunktzahl: 60
WESTFÄLISCHE WILHELMS - UNIVERSITÄT MÜNSTER Wirtschaftswissenschaftliche Faktultät Prof. Dr. Bernd Wilfling Professur für VWL, insbesondere Empirische Wirtschaftsforschung Musterlösung zur Klausur im Fach
MehrEinfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte
Einfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte Es wurden die anorganischen Phosphatwerte im Serum (mg/dl) eine Stunde nach einem Glukosetoleranztest bei übergewichtigen Personen mit Hyperinsulinämie,
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
MehrTeil XI. Hypothesentests für zwei Stichproben. Woche 9: Hypothesentests für zwei Stichproben. Lernziele. Beispiel: Monoaminooxidase und Schizophrenie
Woche 9: Hypothesentests für zwei Stichproben Patric Müller Teil XI Hypothesentests für zwei Stichproben ETHZ WBL 17/19, 26.06.2017 Wahrscheinlichkeit und Statistik Patric
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg
für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2016 Prof. Dr. Stefan Etschberger Hochschule Augsburg Einstichproben-t-Test und approximativer Gaußtest
MehrBiometrische und Ökonometrische Methoden II Lösungen 1
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 1 1. a) MTB > name c1 '100 mm'
Mehr1 of 3 6/14/2012 11:20 AM
Standardnormalverteilung http://eswf.uni-koeln.de/glossar/zvert.htm 1 of 3 6/14/2012 11:20 AM Die folgende Tabelle zeigt die Verteilungsfunktion der Standardnormalverteilung. Für ausgewählte z-werte ist
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
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrStatistik II. Weitere Statistische Tests. Statistik II
Statistik II Weitere Statistische Tests Statistik II - 19.5.2006 1 Überblick Bisher wurden die Test immer anhand einer Stichprobe durchgeführt Jetzt wollen wir die statistischen Eigenschaften von zwei
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
MehrVarianzvergleiche bei normalverteilten Zufallsvariablen
9 Mittelwert- und Varianzvergleiche Varianzvergleiche bei zwei unabhängigen Stichproben 9.3 Varianzvergleiche bei normalverteilten Zufallsvariablen Nächste Anwendung: Vergleich der Varianzen σa 2 und σ2
MehrFragestellungen. Ist das Gewicht von Männern und Frauen signifikant unterschiedlich? (2-sample test)
Hypothesen Tests Fragestellungen stab.glu 82 97 92 93 90 94 92 75 87 89 hdl 56 24 37 12 28 69 41 44 49 40 ratio 3.60 6.90 6.20 6.50 8.90 3.60 4.80 5.20 3.60 6.60 glyhb 4.31 4.44 4.64 4.63 7.72 4.81 4.84
Mehr2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht
43 Signifikanztests Beispiel zum Gauß-Test Bei einer Serienfertigung eines bestimmten Typs von Messgeräten werden vor der Auslieferung eines jeden Gerätes 10 Kontrollmessungen durchgeführt um festzustellen,
MehrDer χ 2 -Test (Chiquadrat-Test)
Der χ 2 -Test (Chiquadrat-Test) Der Grundgedanke Mit den χ 2 -Methoden kann überprüft werden, ob sich die empirischen (im Experiment beobachteten) Häufigkeiten einer nominalen Variable systematisch von
MehrFormelsammlung: Statistik und Wahrscheinlichkeitstheorie
Formelsammlung: Statistik und Wahrscheinlichkeitstheorie Kapitel 1: Deskriptive und explorative Statistik Empirische Verteilungsfkt (S15): Quantile (S24): Bei Typ7 1.Pkt = 0 Danach 1/(n-1) Median (S24):
MehrStatistische Methoden und Auswertungen Die Statistik in der MEWIP-Studie
Statistische Methoden und Auswertungen Die Statistik in der MEWIP-Studie Dipl.-Stat. Moritz Hahn 29.04.2008 Dipl.-Stat. Moritz Hahn Vorstellung IMSIE Arbeitsbereiche des Instituts Medizinische Statistik
MehrHypothesentests für Erwartungswert und Median. Statistik (Biol./Pharm./HST) FS 2015
Hypothesentests für Erwartungswert und Median Statistik (Biol./Pharm./HST) FS 2015 Normalverteilung X N μ, σ 2 X ist normalverteilt mit Erwartungswert μ und Varianz σ 2 pdf: pdf cdf:??? cdf 1 Zentraler
MehrTest auf den Erwartungswert
Test auf den Erwartungswert Wir interessieren uns für den Erwartungswert µ einer metrischen Zufallsgröße. Beispiele: Alter, Einkommen, Körpergröße, Scorewert... Wir können einseitige oder zweiseitige Hypothesen
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Martin Hutzenthaler & Dirk Metzler 20. Mai 2010 Inhaltsverzeichnis
Mehr