Statistische Tests zu ausgewählten Problemen
|
|
- Adam Abel
- vor 7 Jahren
- Abrufe
Transkript
1 Einführung in die statistische Testtheorie Statistische Tests zu ausgewählten Problemen Teil 4: Nichtparametrische Tests Statistische Testtheorie IV Einführung Beschränkung auf nichtparametrische Testverfahren Beschränkung auf Tests für Lageunterschiede, Anpassungstests Beschränkung auf Tests im Ein- oder Zwei-Stichprobenfall 2 Statistische Testtheorie IV Kolmogorov- Smirnov- Anpassungstest Mann-Whitney- U-Test Vorzeichenrangtest nach Wilcoxon 3
2 Nichtparametrische Tests Nichtparametrische Tests Allgemeine Bemerkungen setzen keine speziellen Verteilungsannahmen (z.b. Normalverteilung) voraus lassen sich auch für ordinale und/oder nominale Daten anwenden Voraussetzungen sollten jedoch jeweils überprüft werden (z.b. Symmetrie) aber: schwächere Voraussetzungen = weniger trennscharfe Ergebnisse 4 Kolmogorov-Smirnov-Anpassungstest Voraussetzungen es liegt eine eindimensionale metrische Stichprobe vor x,, x n x,,x n stammen aus einer (unbekannten) stetigen Verteilung ist auch bei kleinen Stichproben anwendbar es existiert auch ein Zweistichprobentest, der überprüft, ob zwei unabhängige Stichproben derselben Verteilung entstammen 5 Kolmogorov-Smirnov-Anpassungstest Voraussetzungen Getestet werden ypothesen bzgl. der unbekannten theoretischen Verteilung F 0 (x) ypothese: 0 : F( x) F0 ( x) : F( x) F0 ( x) für alle x für wenigstens ein x F 0 (x) kann z.b. eine Normalverteilung sein 6 2
3 Kolmogorov-Smirnov-Anpassungstest Als Schätzer für die Gleichheit der Verteilungsfunktionen verwenden wir den größten vertikalen Abstand zwischen hypothetischer und empirischer Verteilungsfunktion Wir vergleichen beobachtete und unter 0 erwartete Verteilungsfunktion und erhalten als Teststatistik T nd n mit D F ( x) F ( x) n sup 0 x n (F n (x) ist die empirische Verteilungsfunktion) 7 Kolmogorov-Smirnov-Anpassungstest Quelle: artung/elpelt/klösener (985): Statistik. Oldenbourg, S.84 8 Kolmogorov-Smirnov-Anpassungstest Bei der Durchführung des Tests vergleichen wir nun die Realisation dieser Teststatistik t nd n mit Quantilen einer d n;-α -Verteilung. ( ist in gängigen Statistik-Lehrbüchern vertafelt). Die (Null-)ypothese wird zum Niveau abgelehnt, falls t d n ; 9 3
4 Kolmogorov-Smirnov-Anpassungstest Quelle: artung/elpelt/klösener (985): Statistik. Oldenbourg, S.86ff Bei einem ersteller von Schrauben für chirurgische Eingriffe wird im Rahmen einer Qualitätskontrolle der Durchmesser der Schrauben überprüft. Es werden n=20 Stück zufällig ausgewählt und der jeweilige Durchmesser in mm gemessen: Zum Niveau =5% soll überprüft werden, ob der Durchmesser der gemessenen Schrauben einer Normalverteilung mit den Parametern μ=0,75 und σ 2 =0,00 entstammt? 0 Kolmogorov-Smirnov-Anpassungstest (Fortsetzung) Kolmogorov-Smirnov-Anpassungstest (Fortsetzung) 2 4
5 Kolmogorov-Smirnov-Anpassungstest (Fortsetzung) 3 Kolmogorov-Smirnov-Anpassungstest (Fortsetzung) Die Annahme, dass der Durchmesser der gemessenen Schrauben einer Normalverteilung mit den Parametern μ=0,75 und σ 2 =0,00 entstammt, kann zum Niveau =5% nicht verworfen werden.. 4 Voraussetzungen es liegt eine eindimensionale ordinale Stichprobe vor x,, x n bei Vorliegen (einer) metrischskalierten Beobachtungsreihe kann zu Rangdaten übergegangen werden nichtparametrische Alternative zum Einstichproben-t-Test (auch für verbundene Stichproben) 5 5
6 Voraussetzungen Getestet werden (ein- und zweiseitige) ypothesen 0 : F0 ist symmetrisch um einen Wert 0 Die (exakte) Teststatistik T berechnet sich aus der Summe der (positiven) Rangzahlen, im Falle von Bindungen werden gemittelte Rangzahlen vergeben (Midranks) Im Falle größerer Stichproben (n>50) kann eine approximativ normalverteilte Teststatistik verwendet werden 6. Bilde die transformierten Werte x i * = x i μ 0 (Ist x i *= 0 so wird dieser Wert nicht berücksichtigt). Vergebe Rangzahlen für die Werte x i * ohne Berücksichtigung des Vorzeichens (ggf. bei Bindungen gemittelte Rangzahlen) 2. Weise den Rangzahlen das Vorzeichen der zugehörigen Originalbeobachtung zu (signed ranks) 3. Berechne T = T + = die Summe aller positiven Rangzahlen 7 Im Falle großer Stichproben errechne T als T T n( n ) / 4 T n( n )(2n ) / 24 E( T Var( T ) ) keine Bindungen bzw. als T 24 T n( n ) / 4 n( n )(2n ) 2 g t ( )( j j t j t j ) mit Bindungen g= Anzahl der gebundene Gruppen; t j = Anzahl Elemente in dieser Gruppe 8 6
7 Bei der Durchführung des Tests vergleichen wir nun die Realisation dieser Teststatistik n 50 T mit den kritischen Werten w n;α des Tests n > 50 T mit Quantilen der Standardnormalverteilung. ( sind in gängigen Statistik-Lehrbüchern vertafelt). 9 0 : F0 ist symmetrisch um einen Wert 0 0 verwerfen, falls T + > w n;-α bzw. falls T > u -α/2 02 : F 0 ist symmetrisch um einen Wert 0 02 verwerfen, falls T + < w n;α bzw. falls T < u α/2 03 : F0 ist symmetrisch um einen Wert 0 03 verwerfen, falls T + > w n;-α/2 oder T + < w n;α/2 bzw. falls T > u -α/2 20 Quelle: artung/elpelt/klösener (985): Statistik. Oldenbourg, S.246ff Es wird bei n= Probanden ein psychologischer Test durchgeführt und die erzielten Punktzahlen der Ergebnisbewertung in einer Tabelle notiert. Zum Niveau =5% soll überprüft werden, ob die gemessenen Werte symmetrisch ti um μ 0 =6 Punkte liegen ( 03 ) Es müssen also zunächst die transformierten Werte x i * = x i μ 0 = x i 6 berechnet und dann die entsprechenden Rangzahlen vergeben werden 2 7
8 Damit ist T + = Summe aller positiven Ränge = : F0 ist symmetrisch um einen Wert 0 03 verwerfen, falls T + > w n;-α/2 oder T + < w n;α/2 bzw. falls T > u -α/2 d.h. die Nullhypothese (Symmetrie um μ 0 = 6 Punkte) kann bei α = 5% = 0,05 nicht verworfen werden. 23 approximative Lösung 24 8
9 approximative Lösung 25 Quelle: Rasch et al.(2006 )Quantitative Methoden 2, Springer, S.63 Ein Therapeut überprüft die Wirksamkeit einer Entspannungstechnik. Vor und nach der Übung geben die Patient(inn)en auf einer Skala von bis 9 an, wie (zunehmend) entspannt sie sich fühlen. Zum Niveau =% soll überprüft werden, ob die gemessenen Werte symmetrisch um μ 0 0 liegen ( 0 ) ier liegt der Fall verbundener Stichproben (Vorher-Nachher- Messungen) vor. Es müssen also zunächst die Differenzen der beiden Messreihen berechnet und dann die die transformierten Werte x i * = x i μ 0 = x i 0 bestimmt sowie die entsprechenden Rangzahlen vergeben werden. 26 Damit ist T + = Summe aller positiven Ränge = 34,5 27 9
10 0 : F0 ist symmetrisch um einen Wert 0 0 verwerfen, falls T + > w n;-α bzw. falls T > u -α/2 w 8;0,99 = 33 < 34,5 = T + d.h. die Nullhypothese (Symmetrie um μ 0 0 Punkte) kann bei α = % = 0,0 verworfen werden. 28 Allgemeine Bemerkungen Es liegt zwei Stichprobe vom Umfang n bzw. n 2 vor, bei der zwei (mindestens) ordinale Merkmale X und Y beobachtet werden. bei Vorliegen (einer) metrischskalierten Beobachtungsreihe kann zu Rangdaten übergegangen werden Man interessiert sich dafür, ob die beiden Merkmale einen Lageunterschied aufweisen nichtparametrische Alternative zum Zweistichproben-t-Test (für unabhängige Stichproben) 29 Voraussetzungen Getestet werden (ein- und zweiseitige) ypothesen : F F2 (bzw. F F2 oderf F2 ) 0 Den Stichprobenwerten aus beiden Stichproben werden insgesamt Ränge zugeordnet, im Falle von Bindungen werden gemittelte Rangzahlen vergeben (Midranks) Die Teststatistik T berechnet sich aus der Summe der Rangzahlen, die in der ersten Stichprobe vergeben werden Wilcoxon-Rangsummen-Test 30 0
11 . Vergebe (gemeinsame) Rangzahlen für die Werte x i und y i (ggf. bei Bindungen gemittelte Rangzahlen) 2. Summiere die Rangzahlen der ersten Stichprobe auf n T r r i i 3. Falls n,n 2 > 20: berechne T approx T approax T / 2 n ( n n /2n n ( n n ) ) 3 Alternative Berechne U = Anzahl aller Paare (x i,x 2i ) mit x i < x 2i U heißt Mann-Whitney-Statistik. Es ist T n n2 n ( n ) U 2 32 Bei der Durchführung des Tests vergleichen wir nun die Realisation dieser Teststatistik n 20 T mit den kritischen Werten w nn2;α des Tests n > 20 T approx mit Quantilen der Standardnormalverteilung. ( sind in gängigen Statistik-Lehrbüchern vertafelt). 33
12 : F ( x) F2 (x) 0 0 verwerfen, falls T < w n,n2;α/2 oder T > w n,n2;-α/2 bzw. falls T approx > u -α/2 : F ( x ) F 2(x) () verwerfen, falls T > w n,n2;-α bzw. falls T approx > u -α : F ( x) F2 (x) verwerfen, falls T < w n,n2;α oder T approx < u α 34 Quelle: artung/elpelt/klösener (985): Statistik. Oldenbourg, S.53ff Um die Wirkung von Vitamin B auf die Wachstumsförderung von Pilzen festzustellen, wurden von 24 Pilzen 3 (Stichprobe ) zufällig ausgewählt Pilze mit Vitamin B behandelt. Die restlichen Pilze (Stichprobe 2) blieben ohne Behandlung (Kontrolle). Zum Niveau =5% soll überprüft werden, ob die Behandlung mit Vitamin B zu (signifikant) höherem Gewicht führt. : F ( x) F2 (x) Quelle: artung/elpelt/klösener (985): Statistik. Oldenbourg, S.53ff Es müssen nun zunächst alle Werte sortiert und dann die entsprechenden Rangzahlen vergeben werden 36 2
13 Quelle: artung/elpelt/klösener (985): Statistik. Oldenbourg, S.246ff T= Summe Ränge Behandlung = verwerfen, falls T > w n,n2;-α w n,n2;-α = 9 Tabelle Quelle: artung/elpelt/klösener (985): Statistik. Oldenbourg, S.246ff T=220 > 9= w n,n2;-α 02 α = 0,05 zu verwerfen. Die Behandlung mit B führt zu signifikanten Ergebnissen, d.h. zu höherem Gewicht. 38 Statistische Testtheorie IV Im Mehrstichprobenfall (> 2): Kruskal-Wallis-Test für Lageunterschiede bei unabhängigen Stichproben Friedman-Test für Lageunterschiede bei abhängigen Stichproben 39 3
14 Statistische Testtheorie IV Literatur: artung J, Elpelt B & Klösener K (2002) :Statistik. 3. Aufl. Oldenbourg, München Ostermann R & Wolf-Ostermann K (2005): Statistik. 3. Aufl. Oldenbourg, München Rasch B, Friese M, ofmann W & Naumann E (2006): Quantitative Methoden Aufl. Springer, eidelberg. 40 4
Statistik 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
Mehr12 Rangtests zum Vergleich zentraler Tendenzen
12 Rangtests zum Vergleich zentraler Tendenzen 12.1 Allgemeine Bemerkungen 12.2 Gepaarte Stichproben: Der Wilcoxon Vorzeichen- Rangtest 12.3 Unabhängige Stichproben: Der Wilcoxon Rangsummentest und der
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
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
Mehr6.4 Der Kruskal-Wallis Test
6.4 Der Kruskal-Wallis Test Der Test von Kruskal und Wallis, auch H-Test genannt, ist ein Test, mit dem man die Verteilungen von Teilstichproben auf Unterschiede untersuchen kann. Bei diesem Test geht
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
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 +... +
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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
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
MehrStatistik II für Betriebswirte Vorlesung 3
Statistik II für Betriebswirte Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 2. November 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 13. Januar 2011 1 Nichtparametrische Tests Ränge Der U-Test Bindungen Ränge Zwei Gruppen von Zufallsvariablen mit
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
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
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Juni 2014 Waldherr / Christodoulides Einführung in Quantitative Methoden 1/46 Anpassungstests allgemein Gegeben: Häufigkeitsverteilung
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
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 =
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
MehrAblaufschema beim Testen
Ablaufschema beim Testen Schritt 1 Schritt 2 Schritt 3 Schritt 4 Schritt 5 Schritt 6 Schritt 7 Schritt 8 Schritt 9 Starten Sie die : Flashanimation ' Animation Ablaufschema Testen ' siehe Online-Version
MehrStatistik für Ingenieure Vorlesung 12
Statistik für Ingenieure Vorlesung 12 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 23. Januar 2017 5.1.1. Tests für eine Stichprobe mit stetiger Skala a) Shapiro-Wilk-Test
MehrKlausur Statistik 2 RE Statistik für Soziologen Do,
Klausur Statistik 2 RE Statistik für Soziologen Do, 24. 9. 2009 Name...Vorname... Matrikelnummer... Einsichtnahme: Fr, 2. Oktober BITTE DEUTLICH UND LESERLICH SCHREIBEN! Es wird nur gewertet, was in diesem
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
MehrDas Zweistichprobenproblem
Kapitel 5 Das Zweistichprobenproblem In vielen Anwendungen will man überprüfen, ob sich zwei oder mehr Verfahren, Behandlungen oder Methoden in ihrer Wirkung auf eine Variable unterscheiden. Wir werden
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
MehrStochastik Praktikum Testtheorie
Stochastik Praktikum Testtheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 11.10.2010 Definition X: Zufallsgröße mit Werten in Ω, (Ω, F, (P ϑ ) ϑ Θ ) statistisches Modell Problem: Teste H 0 : ϑ
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrBiometrieübung 7 t-test (gepaarte Daten) & Wilcoxon-Test
Biometrieübung 7 (t-test gepaarte Daten & Wilcoxon-Test) - Aufgabe Biometrieübung 7 t-test (gepaarte Daten) & Wilcoxon-Test Aufgabe 1 Hirschläufe An 10 Hirschen wurde die Länge der rechten Vorder- und
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Januar 2011 1 Vergleich zweier Erwartungswerte Was heißt verbunden bzw. unverbunden? t-test für verbundene Stichproben
MehrTests für Erwartungswert & Median
Mathematik II für Biologen 26. Juni 2015 Prolog Varianz des Mittelwerts Beispiel: Waage z-test t-test Vorzeichentest Wilcoxon-Rangsummentest Varianz des Mittelwerts Beispiel: Waage Zufallsvariable X 1,...,X
MehrBlockpraktikum zur Statistik mit R
Blockpraktikum zur Statistik mit R 08. Oktober 2010 Till Breuer, Sebastian Mentemeier und Matti Schneider Institut für Mathematische Statistik Universität Münster WS 2010/11 Gliederung 1 Ein-Stichproben-Fall
MehrNicht-parametrische Statistik Eine kleine Einführung
Nicht-parametrische Statistik Eine kleine Einführung Überblick Anwendung nicht-parametrischer Statistik Behandelte Tests Mann-Whitney U Test Kolmogorov-Smirnov Test Wilcoxon Test Binomialtest Chi-squared
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:
Mehr11. Nichtparametrische Tests
11. Nichtparametrische Tests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 In Kapitel 8 und 9 haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 5. Juni 2013 Christodoulides / Waldherr Einführung in Quantitative Methoden- 11. VO 1/48 Anpassungstests allgemein Gegeben:
MehrStatistik-Klausur A WS 2010/11
Statistik-Klausur A WS 2010/11 Name: Vorname: Immatrikulationsnummer: Studiengang: Hiermit erkläre ich meine Prüfungsfähigkeit vor Beginn der Prüfung. Unterschrift: Dauer der Klausur: Erlaubte Hilfsmittel:
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
MehrHypothesentests für Erwartungswert und Median. für D-UWIS, D-ERDW, D-USYS und D-HEST SS15
Hypothesentests für Erwartungswert und Median für D-UWIS, D-ERDW, D-USYS und D-HEST SS15 Normalverteilung X N(μ, σ 2 ) : «X ist normalverteilt mit Erwartungswert μ und Varianz σ 2» pdf: f x = 1 2 x μ exp
Mehr1.8 Kolmogorov-Smirnov-Test auf Normalverteilung
1.8 Kolmogorov-Smirnov-Test auf Normalverteilung Der Kolmogorov-Smirnov-Test ist einer der klassischen Tests zum Überprüfen von Verteilungsvoraussetzungen. Der Test vergleicht die Abweichungen der empirischen
MehrStatistik II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrZusammenfassung PVK Statistik
Zusammenfassung PVK Statistik (Diese Zusammenfassung wurde von Carlos Mora erstellt. Die Richtigkeit der Formeln ist ohne Gewähr.) Verteilungen von diskreten Zufallsvariablen Beschreibung Binomialverteilung
MehrFH- Management & IT. Constantin von Craushaar FH-Management & IT Statistik Angewandte Statistik (Übungen)
FH- Management & IT Folie 1 Rückblick Häufigkeiten berechnen Mittelwerte berechnen Grafiken ausgeben Grafiken anpassen und als Vorlage abspeichern Variablenoperationen Fälle vergleichen Fälle auswählen
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:
MehrWahrscheinlichkeitsrechnung und Statistik. 11. Vorlesung /2019
Wahrscheinlichkeitsrechnung und Statistik 11. Vorlesung - 2018/2019 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 2 heißt Median. P(X < z
MehrEin- und Zweistichprobentests
(c) Projekt Neue Statistik 2003 - Lernmodul: Ein- Zweistichprobentests Ein- Zweistichprobentests Worum geht es in diesem Modul? Wiederholung: allgemeines Ablaufschema eines Tests Allgemeine Voraussetzungen
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
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrKategoriale und metrische Daten
Kategoriale und metrische Daten Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/14 Übersicht Abhängig von der Anzahl der Ausprägung der kategorialen Variablen unterscheidet man die folgenden Szenarien:
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrParametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
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
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 017 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 heißt Median. P(X < z α ) α P(X z α ). Falls X stetige zufällige Variable
MehrS1. a. Drücken Sie allgemein p durch die anderen in der Formel verwendeten Größen aus! Wie groß ist p, wenn a = 0.08, u = 1.96 und n = 120?
S1. a. Drücken Sie allgemein p durch die anderen in der Formel verwendeten Größen aus! Wie groß ist p, wenn a = 0.08, u = 1.96 und n = 120? a = u p ( 1 p) n b. Wenn am 28. Oktober (Nach Auszählen der Briefwähler)
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 15 009 FernUniversität in Hagen Alle Rechte vorbehalten Fachbereich Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 19. Januar 2011 1 Nichtparametrische Tests Ordinalskalierte Daten 2 Test für ein Merkmal mit nur zwei Ausprägungen
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
MehrStatistik II für Betriebswirte Vorlesung 3
Statistik II für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 30. Oktober 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 3 Version:
Mehrt-differenzentest bei verbundener Stichprobe
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche Nächste Anwendung: Vergleich der Mittelwerte zweier normalverteilter Zufallsvariablen Y A und Y B 1 auf derselben Grundgesamtheit durch Beobachtung
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
MehrStatistik für NichtStatistiker
Statistik für NichtStatistiker Zufall und Wahrscheinlichkeit von Prof. Dr. Karl Bosch 5., verbesserte Auflage R. Oldenbourg Verlag München Wien Inhaltsverzeichnis 1. ZufalLsexperimente und zufällige Ereignisse
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
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
MehrUnterschiedshypothesen für maximal 2 Gruppen, wenn die Voraussetzungen für parametrische Verfahren nicht erfüllt sind
Schäfer A & Schöttker-Königer T, Statistik und quantitative Methoden für (2015) Arbeitsblatt 1 SPSS Kapitel 6 Seite 1 Unterschiedshypothesen für maximal 2 Gruppen, wenn die Voraussetzungen für parametrische
MehrGepaarter und ungepaarter t-test. Statistik (Biol./Pharm.) Herbst 2012
Gepaarter und ungepaarter t-test Statistik (Biol./Pharm.) Herbst 2012 Mr. X Krebs Zwei Krebstypen 1 Typ 1: Mild Chemotherapie nicht nötig 2 Typ 2: Schwer Chemotherapie nötig Problem: Typ erst nach langer
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 16. Januar 2013 1 Allgemeine Hypothesentests Nullhypothese und Alternative Beispiel: Blutdrucksenker Testverfahren
MehrTeil VIII Hypothesentests für zwei Stichproben
Woche 9: Hypothesentests für zwei Stichproben Teil VIII Hypothesentests für zwei Stichproben WBL 15/17, 22.06.2015 Alain Hauser Berner Fachhochschule, Technik und Informatik Berner
MehrForschungsstatistik II
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg R. 06-06 (Persike) R. 06-3 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik II Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrVerteilungsfreie Verfahren
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2012 1. Anpassungstests 1.1. Empirische Verteilung 1.2. Kolmogorov-Smirnov-Anpassungstest 1.3. χ 2 -Anpassungstest
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
Mehr5.9. Nichtparametrische Tests Übersicht
5.9. Übersicht Es werden die wichtigsten Rang-Analoga zu den Tests in 5.2.-5.6. behandelt. 5.9.0 Einführung 5.9.1 Einstichprobenproblem (vgl 5.2), 2 verbundene Stichproben (vgl. 5.3) Vorzeichentest, Vorzeichen-Wilcoxon-Test
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
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
Mehr- Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden.
Normalverteilung und Standardnormalverteilung als Beispiel einer theoretischen Verteilung - Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden. - Stetige (kontinuierliche),
MehrInhaltsverzeichnis. Bibliografische Informationen digitalisiert durch
Inhaltsverzeichnis 1 Statistische Grundbegriffe 1 1.1 Skalenniveaus von Merkmalen 1 1.2 Wahrscheinlichkeitsrechnung 2 1.3 Eindimensionale Verteilungen 7 1.4 Mehrdimensionale Verteilungen 9 1.5 Momente,
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:
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
Mehrdas Kleingedruckte...
Gepaarte t-tests das Kleingedruckte... Datenverteilung ~ Normalverteilung QQ-plot statistischer Test (Shapiro-Wilk, Kolmogorov-Smirnov) wenn nicht : nicht-parametrische Tests gleiche Varianz (2-Proben
MehrMathematik 2 Dr. Thomas Zehrt
Wirtschaftswissenschaftliches Zentrum 1 Universität Basel Mathematik Dr. Thomas Zehrt Testen Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere Kapitel
MehrTHEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ
WEBINAR@LUNCHTIME THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ EINLEITENDES BEISPIEL SAT: Standardisierter Test, der von Studienplatzbewerbern an amerikanischen Unis gefordert
MehrT-Test für den Zweistichprobenfall
T-Test für den Zweistichprobenfall t-test (unbekannte, gleiche Varianzen) Test auf Lageunterschied zweier normalverteilter Grundgesamtheiten mit unbekannten, aber gleichen Varianzen durch Vergleich der
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 21. Januar 2015 1 t-tests für Erwartungswerte Verbundene und unverbundene Stichproben
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
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
MehrStatistische Tests Übersicht
Statistische Tests Übersicht Diskrete Stetige 1. Einführung und Übersicht 2. Das Einstichprobenproblem 3. Vergleich zweier unabhängiger Gruppen (unverbundene Stichproben) 4. Vergleich zweier abhängiger
MehrVergleich von Parametern zweier Stichproben
Vergleich von Parametern zweier Stichproben Vergleich von Mittelwerten bei gebundenen Stichproben Vergleich von Mittelwerten bei unabhängigen Stichproben Vergleich von Varianzen bei unabhängigen Stichproben
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
Mehr1.5 Berechnung von Rangzahlen
1.5 Berechnung von Rangzahlen Bei vielen nichtparametrischen Verfahren spielen die so genannten Rangzahlen eine wesentliche Rolle, denn über diese werden hier die Prüfgrößen berechnet. Dies steht im Gegensatz
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:
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,...,
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
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
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
Mehr