Statistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/453
|
|
- Louisa Rosenberg
- vor 7 Jahren
- Abrufe
Transkript
1 VO Februar /453
2 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung 2/453
3 Übersicht über die Vorlesung Teil 5: Testen von Hypothesen Teil 6: Regressionsanalyse Teil 7: Simulation von Experimenten 3/453
4 Poissonverteilte Teil 5 Testen von Hypothesen 376/453
5 Übersicht Teil 5 Poissonverteilte /453
6 Abschnitt 16: Poissonverteilte /453
7 Poissonverteilte Wir beobachten eine Stichprobe X 1,..., X n aus einer Verteilung F. Ein Test soll feststellen, ob die Beobachtungen mit einer gewissen Annahme über F verträglich sind. Die Annahme wird als Nullhypothese H 0 bezeichnet. Ist die Form von F bis auf einen oder mehrere Parameter spezifiziert, heißt der Test parametrisch. Ist die Form von F nicht spezifiziert, heißt der Test nichtparametrisch oder parameterfrei. Der Test entscheidet, ob die Stichprobe mit der Hypothese vereinbar ist, nicht ob die Hypothese richtig ist! 379/453
8 Allgemeine Vorgangsweise Poissonverteilte Aus der Stichprobe wird eine Testgröße (Teststatistik) T berechnet. Der Wertebereich von T wird, in Abhängigkeit von H 0, in einen Ablehnungsbereich (kritischen Bereich) C und einen Annahmebereich C unterteilt. Fällt der Wert von T in den Ablehnungsbereich, wird H 0 verworfen. Andernfalls wird H 0 vorläufig beibehalten. Das ist jedoch keine Bestätigung von H 0. Es heißt lediglich, dass die Daten mit der Hypothese vereinbar sind. 380/453
9 Signifikanz und Güte Poissonverteilte Bei jedem Testverfahren sind zwei Arten von Fehlern möglich. 1 Fehler 1. Art: Die Hypothese H 0 wird abgelehnt, obwohl sie zutrifft. 2 Fehler 2. Art: Die Hypothese H 0 wird beibehalten, obwohl sie nicht zutrifft. Die Verteilung von T unter Annahme von H 0 wird bestimmt. Der Ablehnungsbereich wird so festgelegt, dass die Wahrscheinlichkeit eines Fehlers 1. Art maximal gleich einem Wert α ist. α heißt das Signifikanzniveau des Tests. Gängige Werte sind α = 0.05, 0.01, /453
10 Poissonverteilte Ist der Ablehnungsbereich festgelegt, kann für eine Gegenhypothese H 1 die Wahrscheinlichkeit β(h 1 ) eines Fehlers 2. Art berechnet werden. 1 β(h 1 ) heißt die Güte des H 1. Die Güte sollte nie kleiner als α sein. Ist die Güte nie kleiner als α, heißt der Test unverzerrt. Ein Ziel der Testtheorie ist es, unverzerrte Tests mit maximaler Güte (UMPU) zu konstruieren. 382/453
11 Abschnitt 17: Poissonverteilte Poissonverteilte /453
12 Unterabschnitt: Poissonverteilte Poissonverteilte /453
13 Poissonverteilte Wir betrachten eine Stichprobe X 1,..., X n aus einer Verteilung F, die bis auf einen oder mehrere Parameter spezifiziert ist. Tests von Hypothesen über F heißen parametrisch. Eine Nullhypothese H 0 kann als eine Teilmenge des Parameterraums Θ aufgefasst werden. Der Test entscheidet, ob die Stichprobe mit der Hypothese vereinbar ist. Vor der Anwendung ist zu klären, ob die angenommene parametrische Form plausibel ist. 385/453
14 Poissonverteilte Zunächst wird die Teststatistik T und das Signifikanzniveau α gewählt. Dann wird der kritische Bereich C so festgelegt, dass W (T C ϑ H 0 ) α Zu einer Nullhypothese H 0 kann eine Gegenhypothese H 1 formuliert werden. H 1 kann ebenfalls als Teilmenge des Parameterraums Θ aufgefasst werden. Ist das Signifikanzniveau α festgelegt, kann für jedes ϑ H 1 die Güte berechnet werden: 1 β(ϑ) = W (T C ϑ H 1 ) 1 β(ϑ) heißt die Gütefunktion des Tests. 386/453
15 Poissonverteilte Beispiel mit Exponentialverteilung X 1,..., X n ist eine exponentialverteilte Stichprobe aus Ex(τ). Die Hypothese H 0 : τ = τ 0 soll anhand der Stichprobe getestet werden. Als Teststatistik T wählen wir das mittel: T = X. Unter Annahme von H 0 hat T die folgende Dichte: t n 1 ( f(t) = (τ 0 /n) n Γ(n) exp t ) τ 0 /n T ist also verteilt gemäß Ga(n, τ 0 /n). H 0 wird abgelehnt, wenn T von seinem Erwartungswert weit entfernt, also relativ klein oder relativ groß ist. 387/453
16 Poissonverteilte Ein Verwerfungsbereich mit Signifikanzniveau α ist die Menge C = [0, Q α/2 ] [Q 1 α/2, [ wo Q p das Quantil der Ga(n, τ 0 /n)-verteilung zum Niveau p ist. Die Gütefunktion für einen Wert τ ergibt sich durch: 1 β(τ) = W (T C) = G(Q α/2 ) + 1 G(Q (1 α)/2 ) wo G die Verteilungsfunktion der Ga(n, τ/n)-verteilung ist. Der Test ist nicht unverzerrt, da z.b. für τ 0 = 1 und n = 25 1 β(0.986) = < α Matlab: make test exponential mean.m 388/453
17 Poissonverteilte 1 β(τ) Gütefunktion (τ 0 =1) 0.1 n=25 n= τ 389/453
18 Unterabschnitt: Poissonverteilte Poissonverteilte /453
19 Poissonverteilte Erwartungswert bei bekannter Varianz X 1,..., X n ist eine normalverteilte Stichprobe aus No(µ, σ 2 ) mit bekanntem σ 2. Die Hypothese H 0 : µ = µ 0 soll anhand der Stichprobe gegen die Alternativhypothese H 1 : µ µ 0 getestet werden. Als Teststatistik T wählen wir das Standardscore des mittels: n(x µ0 ) T = σ Unter Annahme von H 0 ist T verteilt gemäß No(0, 1). H 0 wird abgelehnt, wenn T von seinem Erwartungswert weit entfernt, also relativ klein oder relativ groß ist. 391/453
20 Poissonverteilte Ein Verwerfungsbereich mit Signifikanzniveau α ist die Menge C =], z α/2 ] [z 1 α/2, [ wo z p das Quantil der Standardnormalverteilung zum Niveau p ist. Die Hypothese H 0 wird also abgelehnt, wenn n X µ0 T = > z 1 α/2 σ Die Gütefunktion für einen Wert µ ergibt sich durch: 1 β(µ) = W (T C) = G(z α/2 ) + 1 G(z (1 α)/2 ) wo G die Verteilungsfunktion der No( n(µ µ 0 )/σ, 1)- Verteilung ist. Der Test ist unverzerrt. Matlab: make test normal mean.m 392/453
21 Poissonverteilte 1 β(µ) Gütefunktion des zweiseitigen Tests (µ 0 =1) 0.1 n=25 n= µ 393/453
22 Poissonverteilte Einseitiger Test Die Hypothese H 0 : µ = µ 0 soll mit der Teststatistik T gegen die Alternativhypothese H 1 : µ > µ 0 getestet werden. H 0 wird abgelehnt, wenn T zu groß ist. Ein Verwerfungsbereich mit Signifikanzniveau α ist die Menge C = [z 1 α, [ Die Hypothese H 0 wird also abgelehnt, wenn ( ) n X µ0 T = σ > z 1 α 394/453
23 Poissonverteilte Die Gütefunktion für einen Wert µ > µ 0 ergibt sich durch: 1 β(τ) = W (T C) = 1 G(z 1 α ) wo G die Verteilungsfunktion der No( n(µ µ 0 )/σ, 1)- Verteilung ist. Analog verläuft der Test mit H 1 : µ < µ 0. Matlab: make test normal mean.m 395/453
24 Poissonverteilte 1 β(µ) Gütefunktion des einseitigen Tests (µ 0 =1) 0.1 n=25 n= µ 396/453
25 Poissonverteilte Erwartungswert bei unbekannter Varianz: t-test X 1,..., X n ist eine normalverteilte Stichprobe aus No(µ, σ 2 ) mit unbekanntem σ 2. Die Hypothese H 0 : µ = µ 0 soll anhand der Stichprobe gegen die Alternativhypothese H 1 : µ µ 0 getestet werden. Als Teststatistik T wählen wir das Standardscore des mittels, unter Benützung der varianz S 2 : n(x µ0 ) T = S Unter Annahme von H 0 ist T verteilt gemäß t(n 1). 397/453
26 Poissonverteilte H 0 wird abgelehnt, wenn T von seinem Erwartungswert weit entfernt, also relativ klein oder relativ groß ist. Ein Verwerfungsbereich mit Signifikanzniveau α ist die Menge C =], t n 1 α/2 ] [tn 1 1 α/2, [ wo t n 1 p das Quantil der t-verteilung mit n 1 Freiheitsgraden zum Niveau p ist. Die Hypothese H 0 wird also abgelehnt, wenn T = n X µ 0 S > t n 1 1 α/2 398/453
27 Poissonverteilte Die Gütefunktion für einen Wert µ ergibt sich durch: 1 β(τ) = W (T C) = G(z α/2 ) + 1 G(z (1 α)/2 ) wo G die Verteilungsfunktion der nichtzentralen t(n 1, δ)-verteilung mit ist. Der Test ist unverzerrt. δ = n(µ µ 0 )/σ Matlab: make test normal mean.m 399/453
28 Poissonverteilte 1 β(µ) Gütefunktion des zweiseitigen t Tests (µ 0 =1) 0.1 n=25 n= µ 400/453
29 Gleichheit von zwei Erwartungswerten Poissonverteilte X 1,..., X n und Y 1,..., Y m sind zwei unabhängige normalverteilte Stichprobe aus No(µ x, σ 2 x) bzw. No(µ y, σ 2 y). Die Hypothese H 0 : µ x = µ y soll anhand der gegen die Alternativhypothese H 1 : µ x µ y getestet werden. Sind die Varianzen bekannt, wählen wir als Teststatistik T die Differenz der mittel: T = X Y Unter Annahme von H 0 ist T verteilt gemäß No(0, σ 2 x/n + σ 2 y/m). 401/453
30 Poissonverteilte Das Standardscore T Z = σx/n 2 + σy/m 2 ist dann standardnormalverteilt. Die Hypothese H 0 wird also abgelehnt, wenn oder Z > z 1 α/2 X Y > z 1 α/2 σx/n 2 + σy/m 2 402/453
31 Poissonverteilte Sind die Varianzen unbekannt und gleich, kann die Varianz aus der kombinierten ( gepoolten ) Stichprobe geschätzt werden: Unter Annahme von H 0 ist S 2 = (n 1)S2 x + (m 1)S 2 y n + m 2 T = X Y S2 (1/n + 1/m) t-verteilt mit n + m 2 Freiheitsgraden. Die Hypothese H 0 wird also abgelehnt, wenn T > t n+m 2 1 α/2 wo t n+m 2 1 α/2 das Quantil der t-verteilung mit n + m 2 Freiheitsgraden ist. 403/453
32 t-test für gepaarte Poissonverteilte Gepaarte (X 1, Y 1 ),..., (X n, Y n ) entstehen, wenn für jedes beobachtete Objekt die selbe Größe zweimal gemessen wird, vor und nach einer bestimmten Intervention. Die Wirkung der Intervention wird durch die Differenzen W i = Y i X i, i = 1,..., n beschrieben. Wir nehmen an, dass W 1,..., W n normalverteilt mit Mittel µ w und unbekannter Varianz σ 2 w ist. Die Hypothese H 0 : µ w = 0 (keine Wirkung der Intervention) soll anhand der Stichprobe gegen die Alternativhypothese H 1 : µ w 0 getestet werden. Dies erfolgt mit dem t-test für einzelne. 404/453
33 Poissonverteilte Test der Varianz X 1,..., X n ist eine normalverteilte Stichprobe mit unbekanntem Erwartungswert µ und unbekannter Varianz σ 2. Die Hypothese H 0 : σ 2 = σ 2 0 soll anhand der Stichprobe gegen die Alternativhypothese H 1 : σ 2 σ 2 0 getestet werden. Als Teststatistik T wählen wir: T = (n 1)S2 σ 2 0 Unter Annahme von H 0 ist T χ 2 -verteilt mit n 1 Freiheitsgraden. 405/453
34 Die Hypothese H 0 wird also abgelehnt, wenn Poissonverteilte T < χ 2 α/2,n 1 oder T > χ 2 1 α/2,n 1 wo χ 2 p,k das Quantil der χ2 -Verteilung mit k Freiheitsgraden zum Niveau p ist. Die Gütefunktion für einen Wert σ 2 ergibt sich durch: 1 β(σ 2 ) = G(σ 2 0/σ 2 χ 2 α/2 ) + 1 G(σ2 0/σ 2 χ 2 (1 α)/2 ) wo G die Verteilungsfunktion der χ 2 (n 1)- Verteilung ist. Der Test ist nicht unverzerrt. Matlab: make test normal variance.m 406/453
35 Poissonverteilte 1 β(σ 2 ) Gütefunktion des zweiseitigen Tests (σ 0 2 =1) 0.1 n=25 n= σ 2 407/453
36 Poissonverteilte Gleichheit von zwei Varianzen X 1,..., X n und Y 1,..., Y m sind zwei unabhängige normalverteilte Stichprobe aus No(µ x, σ 2 x) bzw. No(µ y, σ 2 y). Die Hypothese H 0 : σ 2 x = σ 2 y soll anhand der gegen die Alternativhypothese H 1 : σ 2 x σ 2 y getestet werden. Die Teststatistik T ist das Verhältnis der varianzen: T = S2 x S 2 y Unter Annahme von H 0 ist T F-verteilt gemäß F(n 1, m 1). 408/453
37 Die Hypothese H 0 wird also abgelehnt, wenn Poissonverteilte T < F α/2 oder T > F 1 α/2 wo F p das Quantil der F-Verteilung mit n 1 bzw. m 1 Freiheitsgraden zum Niveau p ist. Ist σ 2 y = kσ 2 x, ergibt sich die Gütefunktion für einen Wert k ergibt durch: 1 β(τ) = G(σ 2 0/σ 2 F α/2 ) + 1 G(σ 2 0/σ 2 F (1 α)/2 ) wo G die Verteilungsfunktion der F(n 1, m 1)- Verteilung ist. Der Test ist unverzerrt. Matlab: make test normal variance.m 409/453
38 Poissonverteilte Gütefunktion des zweiseitigen Tests (σ x 2 =σ y 2 ) 1 β(k) n=25 n= ln k=ln(σ 2 y /σ 2 x ) 410/453
39 Unterabschnitt: Poissonverteilte Poissonverteilte /453
40 Einseitiger Test auf Erwartungswert Poissonverteilte X 1,..., X n ist eine Stichprobe aus Al(p). Die Hypothese H 0 : p p 0 soll anhand der Stichprobe gegen die Alternativhypothese H 1 : p > p 0 getestet werden. Als Teststatistik T wählen wir die Anzahl der Versuchsausgänge 1: T = n i=1 X i T ist binomialverteilt gemäß Bi(n, p). H 0 wird abgelehnt, wenn T zu groß ist. 412/453
41 Poissonverteilte Ist p p 0, gilt W (T k) n i=k ( ) n p i i 0(1 p 0 ) n i Die Hypothese H 0 wird abgelehnt, wenn n i=t ( ) n p i i 0(1 p 0 ) n i α 413/453
42 Poissonverteilte Beispiel Ein Hersteller behauptet, dass nicht mehr als 2 Prozent eines gewissen Bauteils fehlerhaft sind. In einer Stichprobe vom Umfang 300 sind 9 Stück defekt. Kann die Behauptung des Herstellers widerlegt werden? Es gilt: ( ) i i = i i=9 Die Behauptung des Herstellers lässt sich also auf einem Signifikanzniveau von 5 Prozent nicht widerlegen. Matlab: make test alternative mean.m 414/453
43 Poissonverteilte Näherung durch Normalverteilung Beispiel Ist n genügend groß, kann die Verteilung von T durch eine Normalverteilung No(np, np(1 p) angenähert werden. H 0 wird abgelehnt, wenn das Standardscore größer als das (1 α)-quantil der Standardnormalverteilung ist: Z = T np 0 np(1 p0 ) z 1 α Mit der Angabe des letzten Beispiels ergibt die Näherung: Z = < z 0.95 = Die Hypothese kann also nicht abgelehnt werden. Matlab: make test alternative mean.m 415/453
44 Unterabschnitt: Poissonverteilte Poissonverteilte Poissonverteilte /453
45 Poissonverteilte Poissonverteilte Einseitiger Test auf Erwartungswert X 1,..., X n ist eine Poissonverteilte Stichprobe aus Po(λ). Die Hypothese H 0 : λ λ 0 soll anhand der Stichprobe gegen die Alternativhypothese H 1 : λ > λ 0 getestet werden. Als Teststatistik T wählen wir die summe: T = n i=1 X i T ist Poissonverteilt gemäß Po(nλ). H 0 wird abgelehnt, wenn T zu groß ist, also wenn (nλ 0 ) k e nλ0 k=t k! α 417/453
46 Poissonverteilte Poissonverteilte Beispiel Ein Hersteller strebt an, dass in einer Fabrik täglich im Mittel nicht mehr als 25 defekte Bauteile hergestellt werden. Eine Stichprobe von 5 Tagen ergibt 28,34,32,38 und 22 defekte Bauteile. Hat der Hersteller sein Ziel erreicht? Es gilt: T = 154, (125) k e 125 = k! k=t Die Hypothese lässt sich also auf einem Signifikanzniveau von 1 Prozent widerlegen. Matlab: make test poisson mean.m 418/453
47 Poissonverteilte Poissonverteilte Näherung durch Normalverteilung Beispiel Ist n genügend groß, kann die Verteilung von T durch eine Normalverteilung No(nλ, nλ angenähert werden. H 0 wird abgelehnt, wenn das Standardscore größer als das (1 α)-quantil der Standardnormalverteilung ist: Z = T nλ 0 nλ0 z 1 α Mit der Angabe des letzten Beispiels ergibt die Näherung: Z = > z 0.99 = Die Hypothese kann also auf einem Signifikanzniveau von 1 Prozent abgelehnt werden. Matlab: make test poisson mean.m 419/453
48 Abschnitt 18: Poissonverteilte /453
49 Unterabschnitt: Poissonverteilte /453
50 Poissonverteilte Wir betrachten wieder X 1,..., X n aus einer stetigen Verteilung F, deren Form nicht spezifiziert ist. Tests von Hypothesen über F heißen nichtparametrisch oder parameterfrei. Solche Tests sind immer anwendbar, auch wenn über F nichts bekannt ist. Ist eine bestimmte parametrische Form von F plausibel, sollten parametrische Tests angewendet werden, da sie aussagekräftiger sind. 422/453
51 Unterabschnitt: Poissonverteilte /453
52 Poissonverteilte Wir testen die Hypothese, dass der unbekannte Median m von F gleich m 0 ist: H 0 : m = m 0 gegen H 1 : m m 0 Die Zufallsvariable I i sei definiert durch { 1, wenn X i m 0 I i = 0, wenn X i > m 0 Für jedes X i gilt: W (X i m 0 ) = F (m 0 ) = p. I = n i=1 I i ist daher binomialverteilt gemäß Bi(n, p). Es soll also getestet werden, ob p = /453
53 Poissonverteilte Unter der Nullhypothese ist I verteilt gemäß Bi(n, 0.5). Die Hypothese wird verworfen, wenn I signifikant kleiner oder größer als der Erwartungswert n/2 ist. Der p-wert wird berechnet durch p = 2 min(g(i), 1 G(I)) wobei G die Verteilungsfunktion der Bi(n, 0.5)-Verteilung ist. Ist p α, wird die Hypothese verworfen. Matlab: Funktion signtest 425/453
54 Unterabschnitt: Poissonverteilte /453
55 Poissonverteilte Wir testen die Hypothese, dass die Stichprobe aus einer symmetrischen Verteilung F mit Median m 0 stammt: H 0 : W (X m 0 a) = W (X m 0 + a) für alle a > 0 Dazu berechnen wir Y i = X i m 0 und sortieren die absoluten Werte Y i aufsteigend: Z j = Y π(j) wo π eine Permutation der Zahlen {1,..., n} ist. Die Zufallsvariable I j sei definiert durch { 1, wenn X π(j) m 0 I j = 0, sonst 427/453
56 Poissonverteilte Die Testgröße ist T = Unter der Nullhypothese ist Daraus folgt n ji j j=1 W (I j = 1) = W (I j = 0) = 1 2 [ ] E[T ] =E jij = j 2 [ ] var[t ] =var jij = j 2 4 = n(n + 1) 4 = j 2 var[i j ] = = n(n + 1)(2n + 1) /453
57 Poissonverteilte Ist genügend groß (etwa n > 25), wird die Verteilung von T durch eine Normalverteilung mit Mittel µ = E[T ] und Varianz σ 2 = var[t ] angenähert. Die Nullhypothese wird verworfen, wenn T signifikant kleiner oder größer als µ ist. Der p-wert wird berechnet durch p = 2 min(g(i), 1 G(I)) wobei G die Verteilungsfunktion der No(µ, σ 2 )-Verteilung ist. Ist p α, wird die Hypothese verworfen. Für kleinere n ist auch ein exakte Berechnung des p-werts möglich. Matlab: Funktion signrank 429/453
58 Unterabschnitt: Poissonverteilte /453
59 Poissonverteilte Wir betrachten nun eine Stichprobe X = {X 1,..., X m } mit der Verteilungsfunktion F (x) und eine davon unabhängige Stichprobe Y = {Y 1,..., Y n } aus der zu F verschobenen Verteilung G(x) = F (x a). Wir testen die Hypothese, dass die Stichprobe aus der selben Verteilung stammen, also H 0 : a = 0 gegen H 1 : a 0 Die Testgröße U nach Mann-Whitney ist definiert durch: U = m i=1 j=1 n s(x i, Y j ) wobei s(x, Y ) = 1 wenn Y < X und s(x, Y ) = 0 sonst. Die Hypothese wird abgelehnt, wenn U zu klein oder zu groß ist. 431/453
60 Poissonverteilte Für genügend große ist U annähernd normalverteilt gemäß No(µ, σ 2 ) mit µ = mn 2, nm(m + n + 1) σ2 = 12 Der p-wert wird berechnet durch p = 2 min(g(u), 1 G(U)) wobei G die Verteilungsfunktion der No(µ, σ 2 )-Verteilung ist. Ist p α, wird die Hypothese verworfen. 432/453
61 Poissonverteilte Alternativ kann die Testgröße T nach Wilcoxon definiert werden durch: n T = R(X i ) i=1 wobei R(X i ) die Rangzahl von X i in der kombinierten geordneten Stichprobe ist. Es gilt: n(n + 1) T = U + 2 Die Verteilungsfunktion von T kann rekursiv exakt berechnet werden. Der Test wird auch als Mann-Whitney-Wilcoxon-Test bezeichnet. Matlab: Funktion ranksum 433/453
62 Abschnitt 19: Poissonverteilte /453
63 Poissonverteilte Ein Test, der die Hypothese überprüft, ob die Daten einer gewissen Verteilung entstammen können, heißt ein Anpassungstest. Die Verteilung kann völlig oder bis auf unbekannte Parameter bestimmt sein. Ein Anpassungstest kann einem parametrischen Test vorausgehen, um dessen Anwendbarkeit zu überprüfen. 435/453
64 Unterabschnitt: Poissonverteilte /453
65 für diskrete Beobachtungen Poissonverteilte Die Stichprobe X 1,..., X n entstammt einer diskreten Verteilung mit Wertebereich {1,..., k}. Wir testen die Hypothese H 0, dass die Dichte f die Werte f(j) = p j, j = 1,..., k hat: gegen H 0 : W (X i = j) = p j, j = 1,..., k H 1 : W (X i = j) p j, für ein j Es sei Y j die Zahl der Beobachtungen, die gleich j sind. Unter der Nullhypothese ist Y 1,..., Y k multinomial verteilt gemäß Mu(n, p 1,..., p k ) und E[Y j ] = np j. 437/453
66 Poissonverteilte Satz Die Testgröße vergleicht die beobachteten Häufigkeiten Y j mit ihren Erwartungswerten: T = k (Y j np j ) 2 j=1 np j Die Nullhypothese wird verworfen, wenn T groß ist. Der kritische Bereich kann nach dem folgenden Ergebnis bestimmt werden. Unter Annahme der Nullhypothese ist die Zufallsvariable T asymptotisch, d.h. für n, χ 2 -verteilt mit k 1 Freiheitsgraden. 438/453
67 Poissonverteilte Soll der Test Signifikanzniveau α haben, wird H 0 abgelehnt, wenn T χ 2 1 α,k 1 wo χ 2 1 α,k das Quantil der χ2 -Verteilung mit k 1 Freiheitsgraden zum Niveau 1 α ist. Der Grund dafür, dass T nur k 1 Freiheitsgrade hat, ist der lineare Zusammenhang zwischen den Y j : k Y j = n j=1 Als Faustregel gilt: n sollte so groß sein, dass np j > 5, j = 1,..., k. Ist das nicht erfüllt, sollte der Ablehnungsbereich durch Simulation bestimmt werden. 439/453
68 Poissonverteilte Beispiel Wir testen anhand einer Stichprobe vom Umfang 50, ob ein Würfel symmetrisch ist, d.h. ob die Augenzahl X folgende Verteilung hat: W (X = 1) =... = W (X = 6) = 1 6 Eine Simulation von N = ergibt: T = 5.000, S 2 T = Das 0.95-Quantil der χ 2 -Verteilung mit fünf Freiheitsgraden ist χ ,5 = 11.07, und W (T 11.07) = Matlab: make chi2test wuerfel.m 440/453
69 für stetige Beobachtungen Poissonverteilte Die Stichprobe X 1,..., X n entstammt einer stetigen Verteilung F. Wir testen die Hypothese H 0 : F (x) = F 0 (x). Dazu wird der Wertebereich von X in k Gruppen G 1,..., G k eingeteilt. Es sei Y j die Zahl der Beobachtungen in Gruppe G j. Unter der Nullhypothese ist Y 1,..., Y k multinomial verteilt gemäß Mu(n, p 1,..., p k ) und E[Y j ] = np j, mit p j = W (X G j H 0 ) Der Test verläuft weiter wie im diskreten Fall. 441/453
70 Poissonverteilte Unbekannte Parameter Die Nullhypothese muss nicht vollständig spezifiziert sein. Wir betrachten den Fall, dass die p j noch von unbekannten Parametern ϑ abhängen: W (X G j ) = p j (ϑ) Die T ist nun eine Funktion der unbekannten Parameter: k (Y j np j (ϑ)) 2 T (ϑ) = np j (ϑ) j=1 Zunächst werden die Parameter geschätzt, durch ML-Schätzung oder Minimierung von T : ϑ = arg min T (ϑ) ϑ 442/453
71 Poissonverteilte Satz Der kritische Bereich kann nach dem folgenden Ergebnis bestimmt werden. Werden m Parameter aus der Stichprobe geschätzt, so ist T ( ϑ) asymptotisch χ 2 -verteilt mit k 1 m Freiheitsgraden. Soll der Test Signifikanzniveau α haben, wird H 0 abgelehnt, wenn T χ 2 1 α,k 1 m wo χ 2 1 α,k das Quantil der χ2 -Verteilung mit k 1 m Freiheitsgraden zum Niveau 1 α ist. 443/453
72 Poissonverteilte Beispiel Angabe: Die Zahl der Arbeitsunfälle wurde in einem großen Betrieb über 30 Wochen erhoben. Es ergaben sich folgende Werte: X ={8, 0, 0, 1, 3, 4, 0, 2, 12, 5, 1, 8, 0, 2, 0, 1, 9, 3, 4, 5, 3, 3, 4, 7, 4, 0, 1, 2, 1, 2} Es soll die Hypothese überprüft werden, dass die Beobachtungen Poisson-verteilt gemäß Po(λ) sind. Lösung: Die Beobachtungen werden in fünf Gruppen eingeteilt: Gruppe X > 5 Die Häufigkeiten der Gruppen sind: Y 1 = 6, Y 2 = 5, Y 3 = 8, Y 4 = 6, Y 5 = 5 444/453
73 Poissonverteilte Beispiel (Fortsetzung) Der Schätzwert für λ ist das mittel: λ = Die Erwartungswerte der Y j unter Annahme von H 0 = Po( λ) sind: j E[Y 1] Die Testgröße T ist gleich T = Das 99%-Quantil der χ 2 -Verteilung mit drei Freiheitsgraden ist gleich χ ,3 = Die Hypothese, dass die Beobachtungen Poisson-verteilt sind, ist also abzulehnen. Matlab: make chi2test poisson.m 445/453
74 Unterabschnitt: Poissonverteilte /453
75 Poissonverteilte Eine Stichprobe Die Stichprobe X 1,..., X n ist aus der stetigen Verteilung mit Verteilungsfunktion F. Wir testen die Hypothese H 0 : F (x) = F 0 (x). Die Testgröße D n ist die maximale absolute Abweichung der empirischen Verteilungsfunktion F n (x) der Stichprobe von der hypothetischen Verteilungsfunktion F 0 (x): D n = max F n(x) F 0 (x) x Für aus F 0 ist die Verteilung von D n unabhängig von F 0! Für aus F 0 strebt die Verteilungsfunktion von nd für n gegen: K(x) = 1 2 ( 1) k 1 e 2k2 x 2 k=1 447/453
76 Poissonverteilte Aus der asymptotischen Verteilungsfunktion können Quantile K 1 α berechnet werden. Die Nullhypothese wird abgelehnt, wenn ndn > K 1 α Werden vor dem Test Parameter von F 0 geschätzt, sind die Quantile nicht mehr gültig. In diesem Fall muss der Ablehnungsbereich durch Simulation ermittelt werden. Matlab: Funktion kstest 448/453
77 Zwei Poissonverteilte Wir testen, ob zwei vom Umfang n bzw. m aus der gleichen Verteilung F stammen. Die Testgröße ist die maximale absolute Differenz der empirischen Verteilungsfunktionen: D n,m = max F n(x) 1 Fm(x) 2 x Die Nullhypothese wird abgelehnt, wenn nm n + m D n,m > K 1 α Matlab: Funktion kstest2 449/453
Statistik. R. Frühwirth Teil 1: Deskriptive Statistik. Statistik. Einleitung Grundbegriffe Merkmal- und Skalentypen Aussagen und
Übersicht über die Vorlesung Teil 1: Deskriptive fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable und Verteilungen Februar 2010 Teil
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
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
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
MehrStatistik. R. Frühwirth Teil 1: Deskriptive Statistik. Statistik. Einleitung Grundbegriffe Merkmal- und Skalentypen Aussagen und
Übersicht über die Vorlesung Teil : Deskriptive fru@hephy.oeaw.ac.at VO 42.090 http://tinyurl.com/tu42090 Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable und Verteilungen Februar 200 Teil 4:
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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 +... +
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
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
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
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
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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
MehrStatistische Tests zu ausgewählten Problemen
Einführung in die statistische Testtheorie Statistische Tests zu ausgewählten Problemen Teil 4: Nichtparametrische Tests Statistische Testtheorie IV Einführung Beschränkung auf nichtparametrische Testverfahren
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
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
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
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
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
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
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
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 =
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:
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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
MehrLösungen zum Aufgabenblatt 14
Lösungen zum Aufgabenblatt 14 61. Das Gewicht von Brötchen (gemessen in g) sei zufallsabhängig und werde durch eine normalverteilte Zufallsgröße X N(µ, 2 ) beschrieben, deren Varianz 2 = 49 g 2 bekannt
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
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
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
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
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
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
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
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
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
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
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
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
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
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.
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
MehrAufgaben. d) Seien X und Y Poissonverteilt mit Parameter µ, X, Y P(µ). 2. Dann ist die Summe auch Poissonverteilt mit (X + Y ) P(2µ).
Aufgaben 1. Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete Frage 1 Punkt und pro falsche Antwort 1/2 Punkt Abzug. Minimal erhält man für die gesamte
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,...,
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.
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
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
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
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
MehrKATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert
KATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert 0. Das eigentliche Forschungsziel ist: Beweis der eigenen Hypothese H 1 Dafür muss Nullhypothese H 0 falsifiziert werden können Achtung!
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
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
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
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:............................................................................
MehrTesten von Hypothesen:
Testen von Hypothesen: Ein Beispiel: Eine Firma produziert Reifen. In der Entwicklungsabteilung wurde ein neues Modell entwickelt, das wesentlich ruhiger läuft. Vor der Markteinführung muss aber auch noch
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
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
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
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
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
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
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
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:
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
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
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
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
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
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
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Winter 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
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
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
MehrGrundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz
- 1 - Grundgesamtheit, Merkmale, Stichprobe Dimension, Umfang Skalierung Eigenschaften der Stichprobe kennzeichnende Größen Eigenschaften der Stichprobe kennzeichnende Größen Punktediagramm, Regressionsgerade,
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrStochastik Serie 11. ETH Zürich HS 2018
ETH Zürich HS 208 RW, D-MATL, D-MAVT Prof. Marloes Maathuis Koordinator Dr. Marvin Müller Stochastik Serie. Diese Aufgabe behandelt verschiedene Themenbereiche aus dem gesamten bisherigen Vorlesungsmaterial.
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
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
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
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
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
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
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
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
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
Mehr