Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
|
|
- Daniel Müller
- vor 7 Jahren
- Abrufe
Transkript
1 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. Heller Hartwig Senska Carlo Siebenschuh
2 Aus Kapitel XI: 1. Bei einem Test zum Niveau α ist bei stetiger Gütefunktion das Supremum der Fehlerwahrscheinlichkeit.Art 1 α. Es gibt Testprobleme, für die es zu 0 < α < 1 keinen gleichmäßig besten Test zum Niveau α gibt. Bei einem Testproblem, zu dem es keinen gleichmäßig besten Test zu gegebenem Niveau α mit 0 < α < 1 gibt, ist es eine sinnvolle Forderung, nur solche Tests zuzulassen, deren Fehlerwahrscheinlichkeit.Art nirgendwo größer als 1 α ist. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
3 Definition: Ein Test δ : χ {d 0, d 1 } zum Niveau α für H 0 : γ Γ 0 gegen H 1 : γ Γ 1 heißt unverfälscht, wenn P II (δ, γ) 1 α für alle γ Γ 1 gilt. Bemerkung: Dies bedeutet, dass die Wahrscheinlichkeit, die Nullhypothese abzulehnen, wenn sie falsch ist, mindestens so groß ist, wie die Wahrscheinlichkeit, die Nullhypothese abzulehnen, wenn sie richtig ist: 1 P II (δ, γ) α. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 3
4 Gleichmäßig beste Tests existieren häufig nicht a) bei zweiseitigen Tests (s. Beispiel aus Kapitel XI) b) bei Verteilungen mit mehreren Parametern, wenn sich das Testproblem auf einen Parameter bezieht und der/die andere(n) unbekannt ist/sind. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 4
5 Beispiel zu b): Test zum Mittelwert der Normalverteilung bei unbekannter Varianz, Parameterraum der Normalverteilung Γ = {(µ, σ ) µ R, σ R ++ } R ++ Menge der positiven reellen Zahlen Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 5
6 Das Testproblem H 0 : µ µ 0 gegen H 1 : µ > µ 0 entspricht der Aufteilung des Parameterraums in Γ 0 = {(µ, σ ) µ R mit µ µ 0, σ R ++ } und Γ 1 = {(µ, σ ) µ R mit µ > µ 0, σ R ++ } Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 6
7 σ Γ 0 Γ 1 µ 0 µ Aufteilung des Parameterraums bei H 0 : µ µ 0 gegen H 1 : µ > µ 0 Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 7
8 Bei bekanntem σ ist { d1 x > µ 0 + σ δ(x) = n u 1 α d 0 x µ 0 + σ n u 1 α gleichmäßig bester Test zum Niveau α (u 1 α ist (1 α)-quantil der Standardnormalverteilung). Die Konstruktion des Tests beruht darauf, dass bei Mittelwert µ X µ σ n standardnormalverteilt ist. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 8
9 Bei unbekanntem σ kann σ durch einen Schätzwert ersetzt werden. Es gilt X µ S (X ) n ist t(n 1)-verteilt ( t-verteilt mit n 1 Freiheitsgraden) mit S (X ) = 1 n 1 n (x i x) korrigierte i=1 Stichprobenstandardabweichung (Achtung: S (X ) ist nicht erwartungstreu für σ, obwohl S (X ) erwartungstreu für σ ist) Damit ersetzen wir σ in δ durch S (X ) und u 1 α durch das (1 α)-quantil der t(n 1)-Verteilung t(n 1) 1 α. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 9
10 Der resultierende Test δ(x) = { d1 x > µ 0 + S (x) n t(n 1) 1 α x µ 0 + S (x) n t(n 1) 1 α d 0 ist kein gleichmäßig bester Test zum Niveau α, aber ein gleichmäßig bester unverfälschter Test zu Niveau α. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 10
11 Analog ist für H 0 : µ µ 0 gegen H 1 : µ < µ 0 bei unbekannter Varianz { d1 x < µ 0 s (x) δ(x) = n t(n 1) 1 α d 0 x µ 0 s (x) n t(n 1) 1 α gleichmäßig bester unverfälschter Test zum Niveau α, aber kein gleichmäßig bester Test zum Niveau α. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 11
12 Beispiel zu a) Zweiseitige Tests zum Mittelwert einer Normalverteilung: Testsituation: H 0 : µ = µ 0 gegen H 1 : µ µ 0 Bemerkung: Die umgekehrte Testsituation H 0 : µ µ 0 gegen H 1 : µ = µ 0 sollte nicht angesetzt werden, da dann bei stetiger Gütefunktion die Fehlerwahrscheinlichkeit. Art (Γ 1 hat nur das Element µ 0 ) bei einem Test zum Niveau α mindestens 1 α ist. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 1
13 Naheliegend ist, die Nullhypothese abzulehnen wenn der Stichprobenmittelwert stark von µ 0 abweicht. Dies führt zu { d1 x µ δ(x) = 0 > c x µ 0 c d 0 Gesucht ist c zu vorgegebenem Niveau α. Bei Gültigkeit von H 0 ist µ = µ 0. Gesucht ist also c mit P µ0 ( X µ 0 > c) = α Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 13
14 i) σ bekannt: Bei Mittelwert µ 0 ist X µ 0 σ n standardnormalverteilt(n(0, 1)). Mit dem α - Quantil u α und dem (1 α ) - Quantil u 1 α gilt damit ) P µ0 (u α X µ 0 σ n u 1 α = 1 α Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 14
15 Wegen u α = u 1 α P ist dann X µ 0 > σ n u 1 α } {{ } c = α Somit ist δ(x) = d 1 d 0 x µ 0 > σ n u 1 α x µ 0 σ n u 1 α gleichmäßig bester unverfälschter Test zum Niveau α. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 15
16 ii) σ unbekannt: Bei Mittelwert µ 0 ist X µ 0 S (X ) n t(n 1) verteilt. Mit dem α - Quantil t(n 1) α und dem (1 α ) - Quantil t(n 1) 1 α gilt damit P µ0 t(n 1) α X µ 0 S (X ) n t(n 1) 1 α = 1 α Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 16
17 Wegen t(n 1) α = t(n 1) 1 α P X µ 0 > S (X ) n Somit ist δ(x) = ist dann t(n 1) 1 α } {{ } c = α. d 1 x µ 0 > S (X ) n t(n 1) 1 α d 0 x µ 0 S (X ) n t(n 1) 1 α ist gleichmäßig bester unverfälschter Test zum Niveau α. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 17
18 Einseitige Tests zur Varianz der Normalverteilung i) Bei bekanntem Mittelwert µ Wie gesehen ist für das Testproblem H 0 : σ σ 0 gegen H 1 : σ > σ 0 δ(x) = d 1 d 0 n (x i µ) > χ (n) 1 α σ0 i=0 n (x i µ) χ (n) 1 α σ0 i=0 gleichmäßig bester Test zum Niveau α. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 18
19 Ebenso ist für H 0 : σ σ 0 gegen H 1 : σ < σ 0 δ(x) = d 1 d 0 n (x i µ) < χ (n) α σ0 i=0 n (x i µ) χ (n) α σ0 i=0 gleichmäßig bester Test zum Niveau α. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 19
20 ii) Bei unbekanntem Mittelwert Ersetzen wir den unbekannten Mittelwert µ durch den Schätzwert x, so ist bei Varianz σ 0 1 n 1 n (X i X ) i=1 1 n 1 σ 0 = S (X ) n (X i X ) = σ0 σ n 1 i=1 0 χ (n 1) verteilt Mit dem α-quantil χ (n 1) α der χ (n 1)-Verteilung gilt damit für σ0 P σ S (X ) χ (n 1) 0 σ0 α = α n 1 Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 0
21 und für das Testproblem ist δ(x) = H 0 : σ σ 0 gegen H 1 : σ > σ 0 d 1 S (x) = 1 n 1 d 0 S (x) = 1 n 1 n (x i x) > χ (n 1) 1 α σ0 1 n (x i x) χ (n 1) 1 α σ0 1 Test zum Niveau α. Man kann zeigen: δ ist gleichmäßig bester Test zum Niveau α. i=1 i=1 n 1 n 1 Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 1
22 Entsprechend ist bei σ0 mit dem (1 α)-quantil χ (n 1) 1 α P σ S (X ) χ (n 1) 0 σ0 1 α = α n 1 und für das Testproblem H 0 : σ σ 0 gegen H 1 : σ < σ 0... Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
23 ... ist δ(x) = d 1 S (x) = 1 n 1 d 0 S (x) = 1 n 1 ein Test zum Niveau α. n (x i x) < χ σ0 (n 1) α n (x i x) χ σ0 (n 1) α i=1 i=1 n 1 n 1 Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 3
24 Es gilt: δ ist gleichmäßig bester unverfälschter Test zum Niveau α. Aber: δ ist kein gleichmäßig bester Test zum Niveau α. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 4
25 Zweiseitige Tests zur Varianz der Normalverteilung Das Testproblem lautet H 0 : σ = σ 0 gegen H 1 : σ σ 0 (Wie bei den zweiseitigen Tests zum Mittelwert wird das Testproblem mit vertauschten Hypothesen nicht verwendet.) Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 5
26 Zweiseitige Tests zur Varianz der Normalverteilung i) Bei bekanntem Mittelwert µ Naheliegend ist es, wieder die Testgröße n (x i µ) bzw. S (x) = 1 n i=1 n (x i µ) i=1 zu verwenden und H 0 abzulehnen, wenn S (x) stark von σ 0 abweicht. S (x) ist ja GBE-Schätzfunktion für σ bei bekanntem Mittelwert µ 0. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 6
27 Gesucht sind also Testschranken c 1, c, so dass der Test δ(x) = { d0 c 1 S (x) c d 1 S (x) < c 1 oder c < S (x) ein Test zum Niveau α ist. Bei σ 0 ist S (X ) σ 0 n χ (n)-verteilt Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 7
28 Mit den Quantilen χ (n) α1 und χ (n) 1 α gilt also ( ) ( ) S (X ) P σ χ (n) 0 σ0 α1 + P σ0 χ (n) 1 α < S (X ) σ0 n n Gilt α 1 + α = α, so ist = α 1 + α δ(x) = { d 0 χ σ0 (n) α1 n S (x) χ σ0 (n) 1 α n d 1 S (x) < χ σ0 (n) α1 n oder χ σ0 (n) 1 α n < S (x) ein Test zum Niveau α. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 8
29 Bemerkung: α 1 und α können so bestimmt werden, dass δ ein gleichmäßig bester unverfälschter Test zum Niveau α ist. Gilt α 1 = α = α, so heißt δ Equal-Tails-Test. Wegen der Asymmetrie der χ -Verteilung ist der Equal-Tails-Test nicht unverfälscht (s. Abb.). Bei Anwendungen wird dennoch in der Regel der Equal-Tails-Test verwendet. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 9
30 G δ (σ ) σ Gütefunktion des equal-tails-test für verschiedene Werte Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests vonzur n. Normalverteilung 30
31 Damit sind die anschließenden Überlegungen analog zu Fall i) mit unbekanntem Mittelwert. d 0 χ σ (n 1) α 0 n 1 S (x) δ(x) = d 1 χ (n 1) 1 α σ 0 n 1 S (x) < χ (n 1) α χ (n 1) 1 α σ 0 n 1 oder < S (x) ist Equal-Tails-Test zum Niveau α. δ ist wiederum nicht unverfälscht. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 31
32 Bemerkung: Tests zur Normalverteilung sind von besonderer Bedeutung, weil nach dem zentralen Grenzwertsatz 1 n n X i µ i=1 Z = n N(0, 1) σ für X i u.i.v. mit E(X i ) = µ und Var(X i ) = σ. = Für eine Testsituation zum Erwartungswert kann man für beliebige Verteilungen die Tests der Normalverteilung als Approximation heranziehen, falls nur n genügend groß ist (meist n 30). Dies gilt insbesondere auch dann, wenn der Verteilungstyp nicht bekannt ist. Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung 3
Induktive 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
MehrKapitel XI - Operationscharakteristik und Gütefunktion
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Operationscharakteristik und Gütefunktion Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo
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
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 VIII - Tests zum Niveau α
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Tests zum Niveau α Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Testsituationen
MehrKapitel XIV - Anpassungstests
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIV - Anpassungstests Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh 2. Grundannahme:
MehrKapitel IX - Neyman-Pearson-Tests
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel IX - Neyman-Pearson-Tests Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Ausgangssituation:
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
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
MehrKapitel V - Erwartungstreue Schätzfunktionen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel V - Erwartungstreue Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
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:
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,...,
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
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
MehrKapitel VI - Maximum-Likelihood-Schätzfunktionen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VI - Maximum-Likelihood-Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
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
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:
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
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
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
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
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 =
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
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
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,
MehrKapitel III - Grundannahmen der schließenden Statistik
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel III - Grundannahmen der schließenden Statistik Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. M. Schweizer ETH Zürich Sommer 4 Wahrscheinlichkeit und Statistik BSc D-INFK. a (iii b (ii c (iii d (i e (ii f (i g (iii h (iii i (i j (ii. a Die Anzahl der bestellten Weine in einem Monat kann
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
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
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
Mehr5. Stichproben und Statistiken
5. Stichproben und Statistiken Problem: Es sei X eine ZV, die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X kennenlernen (z.b. mittels der VF F X (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.
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
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
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. Juli 016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Mehr2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
Mehr3. Das Prüfen von Hypothesen. Hypothese?! Stichprobe Signifikanztests in der Wirtschaft
3. Das Prüfen von Hypothesen Hypothese?! Stichprobe 3.1. Signifikanztests in der Wirtschaft Prüfung, ob eine (theoretische) Hypothese über die Verteilung eines Merkmals X und ihre Parameter mit einer (empirischen)
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:
MehrDiskrete Wahrscheinlichkeitstheorie
SS 2013 Diskrete Wahrscheinlichkeitstheorie Javier Esparza Fakultät für Informatik TU München http://www7.in.tum.de/um/courses/dwt/ss13 Sommersemester 2013 Teil V Induktive Statistik Induktive Statistik
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
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/453
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/453 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
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
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 20. Januar 2011 1 Der F -Test zum Vergleich zweier Varianzen 2 Beispielhafte Fragestellung Bonferroni-Korrektur
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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,
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
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
MehrKonfidenzbereiche. Kapitel Grundlagen. Wir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus,
Kapitel 4 Konfidenzbereiche 4.1 Grundlagen Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden
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
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
Mehr5 Konfidenzschätzung. 5.1 Einige Grundbegriffe zur Konfidenzschätzung
5 Konfidenzschätzung 5. Einige Grundbegriffe zur Konfidenzschätzung Diesem Kapitel liegt das parametrische Modell {X, B X, P } mit P {P Θ} zugrunde. {Θ, B Θ } sei ein Meßraum über Θ und µ ein σ-finites
MehrBlockpraktikum zur Statistik mit R
Blockpraktikum zur Statistik mit R 30. September 2011 Till Breuer und Matti Schneider Institut für Mathematische Statistik Universität Münster WS 2010/11 Gliederung 1 Testtheorie: Ziel und Überblick Testtheorie
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Schließende Statistik Sommersemester Namensschild. Dr.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Schließende Statistik Sommersemester 2013 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ Kleben Sie bitte sofort Ihr Namensschild
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrBiostatistik, WS 2013/2014 Konfidenzintervalle
1/41 Biostatistik, WS 2013/2014 Konfidenzintervalle Matthias Birkner http://www.mathematik.uni-mainz.de/~birkner/biostatistik1314/ 17.1.2014 Beispiel: Carapaxlänge des Springkrebses 4/41 Beispiel: Springkrebs
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.
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
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
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
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
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.
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
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
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
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
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
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
MehrKapitel IV - Stichprobenfunktionen (Statistiken)
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel IV - Stichprobenfunktionen (Statistiken) Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
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
MehrUwe Hassler. Statistik im. Bachelor-Studium. Eine Einführung. für Wirtschaftswissenschaftler. ^ Springer Gabler
Uwe Hassler Statistik im Bachelor-Studium Eine Einführung für Wirtschaftswissenschaftler ^ Springer Gabler 1 Einführung 1 2 Beschreibende Methoden univariater Datenanalyse 5 2.1 Grundbegriffe 5 2.2 Häufigkeitsverteilungen
MehrSignifikanztests Optimalitätstheorie
Kapitel Signifikanztests Optimalitätstheorie Randomisierte Tests In einem statistischen Modell M, A, P ϑ sei ein Testproblem gegeben: H : ϑ Θ gegen H : ϑ Θ ; wobei also durch Θ Θ Θ eine Zerlegung des Parameterbereichs
MehrMan kann also nicht erwarten, dass man immer den richtigen Wert trifft.
2.2.2 Gütekriterien Beurteile die Schätzfunktionen, also das Verfahren an sich, nicht den einzelnen Schätzwert. Besonders bei komplexeren Schätzproblemen sind klar festgelegte Güteeigenschaften wichtig.
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
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
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
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
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
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
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
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
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
MehrStichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
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
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 7. Mai 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 5 Version: 30. April
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester Namensschild
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester 2010 Namensschild Prof. Dr. Ralph Friedmann / Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ
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
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
Mehr