Teil II. Der Weg zur schließenden Statistik: Von den Daten zu Wahrscheinlichkeiten. StatSoz 127

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Teil II. Der Weg zur schließenden Statistik: Von den Daten zu Wahrscheinlichkeiten. StatSoz 127"

Transkript

1 Teil II Der Weg zur schließenden Statistik: Von den Daten zu Wahrscheinlichkeiten StatSoz 127

2 6 Zufallsstichprobe und Parameter 6.1 Parameter einer Grundgesamtheit 6.2 Zufallsstichprobe und Bias 6.3 Stichprobenfehler und Stichprobenverteilung des Mittelwertes 6.1 Parameter einer Grundgesamtheit Würde man alle Werte der Merkmalsträger einer Grundgesamtheit beobachten (Vollerhebung), so könnte man diese Daten mit deskriptiven Methoden (Häufigkeitsverteilung, statistische Maßzahlen) auswerten. Man bestimmt aber damit statistische Maßzahlen einer Population und nicht einer Stichprobe. Deshalb heißen sie Populations Mittelwert (µ), Populations Standardabweichung (σ), etc. StatSoz 128

3 Maßzahlen einer Population (Grundgesamtheit) werden als Parameter bezeichnet. Symbolisch werden sie üblicherweise durch griechische Buchstaben dargestellt. Bezeichnungen: N Anzahl der Merkmalsträger einer Grundgesamtheit y 1,..., y N Ausprägungen der von 1 bis N durchnummerierten Merkmalsträger n Stichprobenumfang x 1,..., x n Stichprobe Die wichtigsten Parameter und ihre empirischen Gegenstücke sind in der folgenden Tabelle zusammengefasst. StatSoz 129

4 Tabelle 6 1 Wichtige Parameter und ihre empirischen Gegenstücke Grundgesamtheit (Populations )Mittelwert Stichprobe (Daten) Stichprobenmittel µ = 1 N N j=1 y j x = 1 n n i=1 x i (Populations )Varianz Stichprobenvarianz σ 2 = 1 N N j=1 (y j µ) 2 s 2 = 1 n n 1 i=1 (x i x n ) 2 (Populations ) Stichproben Standardabweichung standardabweichung σ = σ 2 s = s 2 (Populations )Median Stichproben Median y ( N+1 ), N ungerade x 2 ( n+1 2 ), n ungerade ( y( N 2 ) + y ) ( ) ( N /2, 2 +1) x( n 2 ) + x ( n 2 +1) /2, N gerade n gerade StatSoz 130

5 Bemerkung: Zwischen Maßzahlen einer Stichprobe und Maßzahlen einer Population (den sogenannten Parametern) besteht ein wesentlicher gedanklicher Unterschied: Maßzahlen einer Population sind nicht variabel, sondern fest und daher vom,,zufall nicht beeinflussbar. Man bezeichnet sie auch als theoretische Maßzahlen (µ, σ,...) im Unterschied zu den empirischen Maßzahlen ( x, s,...), die sich auf eine Stichprobe beziehen. Mit,,theoretisch ist nicht gemeint, dass diese Zahlen nur theoretisch exisitieren; sie existieren real, sind aber meistens nicht bekannt und müssen durch empirische Untersuchungen bestimmt (,,geschätzt ) werden. Die Variabilität steckt in den Daten (Stichproben) und somit auch in den empirischen Kenngrößen! (vgl. Tab. 6 2 in Abschnitt 6.3) StatSoz 131

6 6.2 Zufallsstichprobe und Bias Um von einer Stichprobe auf Eigenschaften einer Grundgesamtheit schließen zu können, muss die Stichprobe eine darstellen. Zufallsauswahl Bei einer zufälligen Stichprobe darf man am ehesten annehmen, dass sie auch repräsentativ ist, die tatsächliche Situation in einer Grundgesamtheit also am besten widerspiegelt. Zufallsauswahl: Jeder Merkmalsträger gelangt mit einer berechenbaren Chance (Wahrscheinlichkeit) in die Stichprobe. Eine Zufallsauswahl ist keine willkürliche Auswahl. Die Merkmalsträger werden auch nicht bewusst (gezielt) gezogen. Auf keinen Fall darf StatSoz 132

7 das Auswahlprinzip im Zusammenhang mit dem zu untersuchenden Merkmal stehen! Grundlegende statistische Verfahren setzen einfache Stichproben voraus! Einfache Zufallsstichprobe (simple random sample) bedeutet 1. Uneingeschränktheit: Jeder Merkmalsträger besitzt die gleiche Chance (Wahrscheinlichkeit), in die Stichprobe aufgenommen zu werden. 2. Unabhängigkeit: Die Ziehungen erfolgen unabhängig. Die Wahrscheinlichkeit ausgewählt zu werden ist bei jeder Ziehung gleich. Bei homogenen Grundgesamtheiten erhält man uneingeschränkte Stichproben durch die beiden folgenden Auswahlmodelle: StatSoz 133

8 Ziehen mit Zurücklegen (sampling with replacement) Ziehen ohne Zurücklegen (sampling without replacement) Für beide Auswahlmodelle gilt: Die Chance eines Merkmalsträgers, in eine Stichprobe vom Umfang n aus einer Grundgesamtheit mit N Merkmalsträgern aufgenommen zu werden, beträgt n N Auswahlmodell,,Ziehen mit Zurücklegen : Nachteil: Mehrfachziehung eines Merkmalsträgers ist möglich. Vorteil: Unabhängigkeit, d. h.,,ziehen mit Zurücklegen führt zu einer einfachen Stichprobe. StatSoz 134

9 Bemerkung: Wenn die Grundgesamtheit im Verhältnis zum Stichprobenumfang sehr groß ist, wenn also N wesentlich größer als n ist (was in der Praxis überwiegend der Fall ist), so besteht zwischen,,ziehen mit Zurücklegen und,,ziehen ohne Zurücklegen kein bedeutender Unterschied. Eine durch,,ziehen ohne Zurücklegen resultierende (uneingeschränkte) Stichprobe lässt sich dann näherungsweise als eine einfache Stichprobe auffassen. In der Praxis wird eine durch,,ziehen ohne Zurücklegen gewonnene Stichprobe als einfach angesehen, falls folgende Faustregel erfüllt ist: n N 0.05 Der Quotient n/n heißt Auswahlsatz. StatSoz 135

10 Bias Das Schließen von einer Stichprobe auf eine Grundgesamtheit ist nur dann zulässig, wenn nur zufällige Fehler vorkommen (Stichprobenfehler). In diesem Fall gilt die Stichprobe als repräsentativ im Sinne von,,kein systematischer Fehler. Treten in einer Stichprobe systematische Fehler auf, werden Resultate bzw. statistische Aussagen als verfälscht, verzerrt (biased) bezeichnet. Systematische Fehler beeinflussen die Validität (Gültigkeit, Rechtskräftigkeit) statistischer Auswertungen. Zufällige Fehler hingegen beeinflussen wohl die Genauigkeit statistischer Ergebnisse und die daraus resultierenden Schlußfolgerungen, nicht aber deren Validität! StatSoz 136

11 Man unterscheidet drei allgemeine Kategorien von Bias Fehlern: Bias durch die Auswahl der Merkmalsträger in einer Stichprobe (sampling bias), wenn z. B. bestimmte Merkmalsträger eine größere Chance besitzen in die Stichprobe aufgenommen zu werden, Bias durch Vermengung, wenn einflussreiche Faktoren (Alter, Geschlecht, soziale Indikatoren) nicht berücksichtigt werden, Bias durch Falschinformation, verursacht etwa durch systematisch verfälschte Messungen oder Antworten bei Umfragen. Bemerkung: Bias Fehler können nur durch andere, vergleichende Untersuchungen entdeckt werden. StatSoz 137

12 6.3 Stichprobenfehler und Stichprobenverteilung des Mittelwertes Frage: Welcher Zusammenhang besteht zwischen dem Populations Mittelwert µ und dem Stichprobenmittel x? Eine Antwort auf diese Frage geben die folgenden Überlegungen: Hinweis: Es handelt sich im Folgenden um einen theoretischen Gedankengang ein Gedankenexperiment nicht um eine Anleitung zur praktischen Vorgehensweise. Erst aus diesen theoretischen Überlegungen heraus wird klar, warum theoretische Verteilungen ins Spiel kommen (müssen) und welche statistische Aussagen zu erwarten sind. Zunächst ein Zahlenbeispiel 6.1: StatSoz 138

13 Grundgesamtheit mit N = 5 Merkmalsträgern Einheit Wert A 2.2 B 2.0 C 1.6 D 2.4 E 1.8 Populations Mittelwert: µ = 1 5 ( ) = 2 Populations Varianz: σ 2 = 1 5 ((2.2 2) (1.8 2) 2) = 0.08 Betrachtet werden Zufallsstichproben vom Umfang n = 3. Auswahlprinzip ist,,ziehen ohne Zurücklegen. Es soll dabei nicht auf die Reihenfolge der Datenerhebung ankommen. Dann StatSoz 139

14 gibt es ( ) N n = ( ) 5 3 = 5! 2! 3! = 10 mögliche Stichproben. Tab. 6 2: Mögliche Stichproben vom Umfang 3 mit ihren Kennwerten x und s 2 Stichprobe Daten x s 2 Nr. 1: ABC 2.2, 2.0, 1.6 x 1 = 1.93 s 2 1 = Nr. 2: ABD 2.2, 2.0, 2.4 x 2 = 2.20 s 2 2 = Nr. 3: ABE 2.2, 2.0, 1.8 x 3 = 2.00 s 2 3 = Nr. 4: ACD 2.2, 1.6, 2.4 x 4 = 2.07 s 2 4 = Nr. 5: ACE 2.2, 1.6, 1.8 x 5 = 1.87 s 2 5 = Nr. 6: ADE 2.2, 2.4, 1.8 x 6 = 2.13 s 2 6 = Nr. 7: BCD 2.0, 1.6, 2.4 x 7 = 2.00 s 2 7 = Nr. 8: BCE 2.0, 1.6, 1.8 x 8 = 1.80 s 2 8 = Nr. 9: BDE 2.0, 2.4, 1.8 x 9 = 2.07 s 2 9 = Nr. 10 CDE 1.6, 2.4, 1.8 x 10 = 1.93 s 2 10 = StatSoz 140

15 Beachte: Es muss nicht x = µ sein. In den meisten Fällen wird x µ gelten. Im Zahlenbeispiel gilt für 2 (von insgesamt 10) Stichproben x = 2 = µ. Alle anderen Stichproben führen zu anderen Mittelwerten. Diese Abweichungen vom Populationsmittelwert µ = 2 sind rein zufälliger Natur, sind also ausschließlich auf die Variabilität der Daten zurückzuführen (Stichprobenfehler!). Bildet man in Bsp. 6.1 den Mittelwert über alle 10 Stichprobenmittelwerte, so gilt 1 10 ( ) = 2 = µ Dieser Zusammenhang gilt ganz allgemein: Sei ( ) N m = n die Anzahl der möglichen Stichproben vom Umfang n aus einer N elementigen Grundgesamt- StatSoz 141

16 heit (Ziehen ohne Zurücklegen, keine Berücksichtigung der Reihenfolge). Bezeichnen x 1,..., x m die Mittelwerte von Stichprobe Nr. 1 bis Stichprobe Nr. m, so gilt 1 m m i=1 x i = µ (6.1) In Worten: Arithmetisches Mittel aller Stichprobenmittel zum festen Stichprobenumfang ist gleich dem Mittelwert µ der Grundgesamtheit. (6.1) besagt Folgendes: Der Populationsmittelwert µ wird durch das Stichprobenmittel x weder systematisch unter noch überschätzt. Man StatSoz 142

17 spricht von einer erwartungstreuen oder unverzerrten Schätzung (unbiased estimation). Man kann die Streuung der Stichprobenmittel x 1, x 2,..., x m um den Populations Mittelwert µ berechnen: σ 2 x = 1 m m j=1 ( xj µ ) 2 = σ 2 n N n N 1 (6.2) Verifizierung von Formel (6.2) anhand Bsp. 6.1: Hier ist N = 5, n = 3, µ = 2 und σ 2 = Man erhält σ 2 n N n N 1 = = = StatSoz 143

18 und gemäß den Werten aus Tab. 6 2, vorletzte Spalte, gilt j=1 ( xj 2 ) 2 = 1 10 ( (1.93 2) 2 + (2.20 2) (1.93 2) 2 ) = Zieht man in (6.2) die Wurzel, so erhält man σ x = 1 m m ( x j µ) 2 j=1 = σ n N n N 1 StatSoz 144

19 Der Parameter σ x (= Stichprobenfehler von x) heißt Standardfehler des Mittelwertes (standard error mean, SEM): SEM = σ n N n N 1 (6.3) Bemerkung: Bei einfachen Stichproben (,,Ziehen mit Zurücklegen ) gilt Standardfehler des Mittelwertes: SEM = σ n (6.4) Der zusätzliche Faktor in (6.3), N n N 1 StatSoz 145

20 wird häufig als Endlichkeitsfaktor bezeichnet. Ist N im Verhältnis zu n groß, so ist N n N 1 = N N 1 n N 1 1 n N 1 und der Endlichkeitsfaktor kann vernachlässigt werden. Faustregel: n/n 0.05 In Bsp. 6.1 erhält man nach Formel (6.3) SEM = σ n N n N 1 = = = (nach Formel (6.4) erhält man SEM = 0.163). Formeln (6.3) und (6.4) zeigen Folgendes: Mit StatSoz 146

21 wachsendem Stichprobenumfang n nimmt die Streuung der Stichprobenmittel um den Populationsmittelwert µ ab! Anschaulich gesprochen bedeutet dies Folgendes. Bildet man ein Histogramm bezüglich aller Stichprobenmittel x 1, x 2,..., x m so konzentriert sich das Histogramm mit wachsendem Stichprobenumfang n mehr und mehr um die Mitte µ. Die Häufigkeitsverteilung sämtlicher Stichprobenmittel (zum festen Stichprobenumfang) nennt man die Stichprobenverteilung von x. Genauer spricht man auch von einer Stichprobenkennwertverteilung. StatSoz 147

22 Aus Tab. 6 2 ergibt sich die folgende Stichprobenverteilung von x: Tabelle 6 3 Ohne Klassierung Wert von x relative Häufigkeit /10 = /10 = /10 = /10 = /10 = /10 = /10 = 0.1 Tabelle 6 4 Mit Klassierung Klasse Intervall Fläche Klasse 1 [170, 190) F 1 = 0.2 Klasse 2 [190, 210) F 2 = 0.6 Klasse 3 [210, 230) F 3 = 0.2 Im Histogramm wird als Darstellungsmittel die Fläche gewählt, d.h. die Flächen repräsentieren die relativen Klassenhäufigkeiten. (Zur Erinnerung: Gesamtfläche = Summe der relativen Klassenhäufigkeiten = 1) StatSoz 148

23 Zusammenfassung: Kennwerte der Verteilung einer Grundgesamtheit: Mittelwert µ Standardabweichung σ Verteilung einer Stichprobe: empirischer Mittelwert x empirische Standardabweichung s Stichprobenverteilung von x: Mittelwert µ (nach Formel (6.1)) Standardabweichung σ x = SEM SEM = σ n N n N 1 (nach Formel (6.3)) SEM = σ n (nach Formel (6.4)) StatSoz 149

24 Bei Bekanntheit der Stichprobenverteilung von x wäre man in der Lage, die Präzision der Parameterschätzung x genau zu beschreiben. Erwartet wird, dass die,,meisten Stichprobenmittelwerte innerhalb der Grenzen µ ± SEM liegen: µ SEM x µ + SEM (6.5) In Bsp. 6.1 ergeben sich die Grenzen = und = und nach Tab. 6.3 bzw. Tab. 6.4 liegen 60% ( ˆ= Flächenanteil F 2 ) der Stichprobenmittel innerhalb dieser beiden Grenzen. Frage: Wie lässt sich die Präzision der Parameterschätzung x beurteilen, wenn die Stichprobenverteilung nicht bekannt ist? StatSoz 150

25 Häufig zeigt das Histogramm der Stichprobenverteilung von x (wenn die Flächen die relativen Klassenhäufigkeiten repräsentieren) einen glockenkurvenförmigen Verlauf (Dichte der Normalverteilung). Diese empirische Tatsache lässt sich durch ein wahrscheinlichkeitstheoretisches Gesetz begründen, der zentrale Grenzwertsatz (Kap. 8). Die Stichprobenverteilung des Mittelwertes lässt sich somit annähernd durch eine Normalverteilung beschreiben. Daran ändert sich auch nichts, wenn man die Stichprobenverteilung des standardisierten Stichprobenmittels betrachtet. x µ SEM StatSoz 151

26 Warum? Durch die Standardisierung (dies ist eine lineare Transformation) ändert sich die Form der Verteilung nicht, vgl. Abschnitt 4.4. D. h. die Stichprobenverteilung des standardisierten Mittelwertes ( x µ)/sem lässt sich ebenfalls durch einen glockenkurvenförmigen Verlauf darstellen. Dies ist dann die Dichte der Standard Normalverteilung ϕ. Dass es sich um eine Standardisierung handelt ist klar (vgl. Abschnitt 4.4): Die standardisierten Stichprobenmittelwerte z i = x i µ SEM x, i = 1,..., m haben die Lage 0 und die Streuung 1: 1 m m i=1 z i = 0 und SEM z = 1 StatSoz 152

27 Zurück zur Beantwortung der Frage: Zunächst ist (6.5) gleichbedeutend mit 1 x µ SEM 1 Folglich ist der Anteil der Stichprobenmittelwerte, die (6.5) erfüllen gleich dem Anteil der standardisierten Stichprobenmittelwerte, die zwischen 1 und 1 liegen. Und dieser Anteil beträgt 60% ( ˆ= Flächenanteil F 2 im Histogramm nach Tab. 6.4). Dieser Anteilswert entspricht annährend der Fläche zwischen der Dichte der ϕ und dem Achsenabschnitt [ 1, 1]. Die Fläche beträgt 1 1 ϕ(x) dx = 0.68 StatSoz 153

28 Abbildung 6 1 Fläche zwischen ϕ und dem Achsenabschnitt [ 1, 1] Schätzen des Standardfehlers Die Bedingung (6.5) ist genau dann erfüllt, wenn der Populationsmittelwert µ im Bereich x±sem liegt: x SEM µ x + SEM (6.6) Für die statistische Anwendung ist (6.6) wesentlich interessanter. Denn µ ist unbekannt und man versucht einen Bereich anzugeben, so dass µ mit einer gewissen Wahrscheinlichkeit in diesem Bereich liegen wird (Intervallschätzung). StatSoz 154

29 Da σ und somit SEM unbekannt ist, verwendet man bei Vorliegen einer konkreten Stichprobe x 1,..., x n die Stichprobenstandardabweichung s als Schätzwert für σ und erhält mit Formel (6.4) den geschätzten Standardfehler des Mittelwertes (estimated standard error mean, ESEM): ESEM = s n Man weiß also, in welcher Größenordnung die (zufällige) Abweichung eines Stichprobenmittels x vom Populationsmittelwert µ erwartet werden kann! Bemerkung: (i) Formel (6.3) ist zum Schätzen des Standardfehlers nicht geeignet, da N im Allgemeinen nicht bekannt ist. StatSoz 155

30 (ii) Bei einfachen Stichproben (,,Ziehen mit Zurücklegen ) ist die Stichprobenvarianz s 2 eine unverzerrte Schätzung des Parameters σ 2. In Bsp. 6.1 gilt SEM = σ n = = Bei Vorliegen der Stichprobe Nr. 4 ist s 2 = und man erhält ESEM = s n = = Alle Werte, die nur zufallsbedingt von x abweichen, sind neben der (erwartungstreuen) Schätzung x ebenfalls plausible Schätzwerte für den Parameter µ, also etwa alle Werte im Intervall [ x s n, x + s ] n StatSoz 156

31 Man spricht von einer Intervallschätzung (Kap. 9). Beachte: Die Variabilität steckt im Intervall, denn die Intervallgrenzen x ± s n hängen von den empirischen Kenngrößen x und s ab. Der Parameter µ ist fest und muss nicht im obigen Intervall liegen. In Bsp. 6.1 führt die Stichprobe Nr. 4 ( x = 2.07) zum Intervall [ , ] = [1.83, 2.31] Der Populationsmittelwert µ = 2 liegt in diesem Intervall. Dies ist sicher. Aber: Diese 100%ige Sicherheit ist nur vorhanden, weil µ = 2 bekannt ist!!! StatSoz 157

32 Die Crux ist: µ ist i. A. unbekannt! Konsequenz: Es besteht keine 100%ige Sicherheit darüber, ob der Mittelwert µ im obigen Intervall liegt. Wie bewertet, quantifiziert man diese (Un ) Sicherheit? Rein logisch gesehen gibt es nur zwei Möglichkeiten: Entweder µ liegt in diesem Intervall oder nicht. Ad hoc Lösung: Jede Möglichkeit besitzt die gleiche Wahrscheinlichkeit, also 50%ige Sicherheit. Die Chancen stehen fifty fifty. Aber: Die Sicherheit darüber, dass µ im Intervall [ x s/ n, x + s/ n] liegt, kann höher bewertet werden! Dazu folgende Tabelle: StatSoz 158

33 Tab. 6 5: Geschätzte Standardfehler und Intervallschätzungen der Stichproben aus Tab. 6 2 Stichprobe ESEM = s/ n [ x s/ n, x + s/ n] Nr. 1: ABC s 1 / 3 = [1.864, 1.996] Nr. 2: ABD s 2 / 3 = [2.085, 2.315] Nr. 3: ABE s 3 / 3 = [1.885, 2.115] Nr. 4: ACD s 4 / 3 = [1.830, 2.310] Nr. 5: ACE s 5 / 3 = [1.694, 2.046] Nr. 6: ADE s 6 / 3 = [1.954, 2.306] Nr. 7: BCD s 7 / 3 = [1.769, 2.231] Nr. 8: BCE s 8 / 3 = [1.685, 1.915] Nr. 9: BDE s 9 / 3 = [1.894, 2.246] Nr. 10 CDE s 10 / 3 = [1.690, 2.170] Von den 10 Stichproben führen nur 3 Stichproben (Nr. 1, 2 und 8) zu einer Intervallschätzung, die den Parameter µ = 2 nicht enthalten. Die Chance, dass ein konkret vorliegendes Intervall den Parameter µ = 2 enthält, wäre also sinn- StatSoz 159

34 vollerweise mit 7/10, also mit 70% zu bewerten. Dies ist ein rein theoretischer Gedankengang, da µ nicht bekannt ist und in der Praxis nur eine Stichprobe zur Verfügung steht. Die Stichprobenverteilung von x ist ebenfalls nicht bekannt. Trotzdem kann die Sicherheit annähernd mit 70% quantifiziert werden, wenn man theoretische Verteilungen (z. B. die Normalverteilung) zulässt! Zunächst: x s n µ x + s n ist genau dann erfüllt, falls gilt. 1 x µ s/ n 1 StatSoz 160

35 Wenn der Stichprobenumfang n 30 ist, dann lässt sich die Stichprobenverteilung von x µ s/ n durch die Diche ϕ der Standard Normalverteilung beschreiben (zentraler Grenzwertsatz, Kap. 8). Folglich kann man sagen: Mit einer Wahrscheinlichkeit von ca liegt der Parameter µ im Intervall [ x s/ n, x + s/ n]. Zur Erinnerung: 1 1 ϕ(x) dx = 0.68 StatSoz 161

36 Theoretische Verteilungen (man spricht auch von Modellen) beruhen auf dem Begriff der Wahrscheinlichkeit. Dies sind Zahlen, die zwischen 0 (völlige Unsicherheit) und 1 (völlige Sicherheit) liegen. Statistische Entscheidungen sind immer Entscheidungen unter Unsicherheit. Durch Wahrscheinlichkeitsaussagen wird diese Unsicherheit nicht aufgehoben, wohl aber quantitativ erfassbar! Die statistische Welt liegt zwischen 0 und 1 StatSoz 162

Grundgesamtheit und Stichprobe

Grundgesamtheit und Stichprobe Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U

Mehr

Grundgesamtheit und Stichprobe

Grundgesamtheit und Stichprobe Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U

Mehr

4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)

4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte

Mehr

Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de

Statistik 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

Mehr

Probleme bei kleinen Stichprobenumfängen und t-verteilung

Probleme bei kleinen Stichprobenumfängen und t-verteilung Probleme bei kleinen Stichprobenumfängen und t-verteilung Fassen wir zusammen: Wir sind bisher von der Frage ausgegangen, mit welcher Wahrscheinlichkeit der Mittelwert einer empirischen Stichprobe vom

Mehr

Zentraler Grenzwertsatz/Konfidenzintervalle

Zentraler Grenzwertsatz/Konfidenzintervalle / Statistik I Sommersemester 2009 Statistik I ZGWS/ (1/37) Kann Ahmadinejad die Wahl gewonnen haben? Im wesentlichen Dreiteilung der polit. Elite 2005: 17.3 Millionen Stimmen (Stichwahl), Wahlbeteiligung

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen 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.

Mehr

Methodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg

Methodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft

Mehr

Zufallsvariablen [random variable]

Zufallsvariablen [random variable] Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden

Mehr

3 Konfidenzintervalle

3 Konfidenzintervalle 3 Konfidenzintervalle Konfidenzintervalle sind das Ergebnis von Intervallschätzungen. Sicheres Wissen über Grundgesamtheiten kann man anhand von Stichproben nicht gewinnen. Aber mit Hilfe der Statistik

Mehr

1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung

1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung 0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau

Mehr

Konkretes Durchführen einer Inferenzstatistik

Konkretes Durchführen einer Inferenzstatistik Konkretes Durchführen einer Inferenzstatistik Die Frage ist, welche inferenzstatistischen Schlüsse bei einer kontinuierlichen Variablen - Beispiel: Reaktionszeit gemessen in ms - von der Stichprobe auf

Mehr

Statistik für SozialwissenschaftlerInnen II p.85

Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Ziel von Schätzverfahren: Ausgehend von Stichproben Aussagen über Populationskennwerte machen Kenntnis der Abweichung des

Mehr

Kapitel 10. Stichproben

Kapitel 10. Stichproben Kapitel 10 n In der deskriptiven Statistik werden die Charakteristika eines Datensatzes durch Grafiken verdeutlicht und durch Maßzahlen zusammengefasst. In der Regel ist man aber nicht nur an der Verteilung

Mehr

Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler

Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler Wahrscheinlichkeitsrechnung und Statistik für Biologen 2. Der Standardfehler Martin Hutzenthaler & Dirk Metzler http://www.zi.biologie.uni-muenchen.de/evol/statgen.html 27. April 2010 1 Eine kurze Wiederholung

Mehr

o o o o o o o o o o o o

o o o o o o o o o o o o Klumpen-Stichproben = Cluster Sampling Obs.: Bei einer uneingeschränkten Zufallsauswahl wird pro Randomisierungs- Schritt genau eine Beobachtung gemacht. Ein ganz wesentlicher Punkt : Jedes zufällig ausgewählte

Mehr

Grundlagen der Kombinatorik

Grundlagen der Kombinatorik Statistik 1 für SoziologInnen Grundlagen der Kombinatorik Univ.Prof. Dr. Marcus Hudec Zufallsauswahl aus Grundgesamtheiten In der statistischen Praxis kommt dem Ziehen von Stichproben größte Bedeutung

Mehr

3 Häufigkeitsverteilungen

3 Häufigkeitsverteilungen 3 Häufigkeitsverteilungen 3.1 Absolute und relative Häufigkeiten 3.2 Klassierung von Daten 3.3 Verteilungsverläufe 3.1 Absolute und relative Häufigkeiten Datenaggregation: Bildung von Häufigkeiten X nominal

Mehr

Konfidenzintervalle 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 Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir

Mehr

Inhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5

Inhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5 Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung

Mehr

Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist.

Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist. .3. Stochastik Grundlagen Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist. Die RELATIVE HÄUFIGKEIT einer Merkmalsausprägung gibt an mit welchem Anteil

Mehr

Beschreibende Statistik Deskriptive Statistik. Schließende Statistik Inferenzstatistik. Schluss von der Stichprobe auf die Grundgesamtheit

Beschreibende Statistik Deskriptive Statistik. Schließende Statistik Inferenzstatistik. Schluss von der Stichprobe auf die Grundgesamtheit Beschreibende Statistik Deskriptive Statistik Schließende Statistik Inferenzstatistik Beschreibung der Stichprobe Schluss von der Stichprobe auf die Grundgesamtheit Keine Voraussetzungen Voraussetzung:

Mehr

Auswahlverfahren. Zufallsauswahl Bewusste Auswahl Willkürliche Auswahl. Dipl.-Päd. Ivonne Bemerburg

Auswahlverfahren. Zufallsauswahl Bewusste Auswahl Willkürliche Auswahl. Dipl.-Päd. Ivonne Bemerburg Auswahlverfahren Zufallsauswahl Bewusste Auswahl Willkürliche Auswahl Blockseminar: Methoden quantitativer Grundgesamtheit und Stichprobe Die Festlegung einer Menge von Objekten, für die die Aussagen der

Mehr

5. Schließende Statistik. 5.1. Einführung

5. Schließende Statistik. 5.1. Einführung 5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.

Mehr

Grundlegende Eigenschaften von Punktschätzern

Grundlegende Eigenschaften von Punktschätzern Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur

Mehr

Hinweis: Es sind 4 aus 6 Aufgaben zu bearbeiten. Werden mehr als 4 Aufgaben bearbeitet, werden nur die ersten vier Aufgaben gewertet.

Hinweis: Es sind 4 aus 6 Aufgaben zu bearbeiten. Werden mehr als 4 Aufgaben bearbeitet, werden nur die ersten vier Aufgaben gewertet. 11.01.2012 Prof. Dr. Ingo Klein Klausur zur VWA-Statistik Hinweis: Es sind 4 aus 6 Aufgaben zu bearbeiten. Werden mehr als 4 Aufgaben bearbeitet, werden nur die ersten vier Aufgaben gewertet. Aufgabe 1:

Mehr

Herzlich willkommen zur Vorlesung. Methoden der empirischen Sozialforschung I. Stichproben

Herzlich willkommen zur Vorlesung. Methoden der empirischen Sozialforschung I. Stichproben FB 1 W. Ludwig-Mayerhofer Methoden I Stichproben 1 Einstieg/Überblick Paradigmen Werturteile/Ethik Forschungslogik Hypothesen Forschungsdesign Messung Standardisierte Befragung Qualitative Interviews Beobachtung

Mehr

Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13

Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13 Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die

Mehr

7.5 Erwartungswert, Varianz

7.5 Erwartungswert, Varianz 7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k

Mehr

VS PLUS

VS PLUS VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen - Inferenzstatistik 1 [Übungsaufgaben und Lösungenn - Inferenzstatistik 1] ÜBUNGSAUFGABEN

Mehr

Statistische Tests für unbekannte Parameter

Statistische 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

Mehr

Statistische Tests (Signifikanztests)

Statistische Tests (Signifikanztests) Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)

Mehr

3.2 Stichprobenauswahl (Sampling)

3.2 Stichprobenauswahl (Sampling) 3.2 Stichprobenauswahl (Sampling) Stichprobe = als Stichprobe bezeichnet man eine Teilmenge einer Grundgesamtheit, die unter bestimmten Gesichtspunkten ausgewählt wurde. Der Stichprobenentnahme vorgelagert

Mehr

Institut für Biometrie und klinische Forschung. WiSe 2012/2013

Institut für Biometrie und klinische Forschung. WiSe 2012/2013 Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive

Mehr

Brückenkurs Statistik für Wirtschaftswissenschaften

Brückenkurs Statistik für Wirtschaftswissenschaften Peter von der Lippe Brückenkurs Statistik für Wirtschaftswissenschaften Weitere Übungsfragen UVK Verlagsgesellschaft mbh Konstanz Mit UVK/Lucius München UVK Verlagsgesellschaft mbh Konstanz und München

Mehr

Übungen mit dem Applet Vergleich von zwei Mittelwerten

Übungen mit dem Applet Vergleich von zwei Mittelwerten Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung

Mehr

Jost Reinecke. 7. Juni 2005

Jost 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

Mehr

5. Spezielle stetige Verteilungen

5. 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

Mehr

1. Maße der zentralen Tendenz Beispiel: Variable Anzahl der Geschwister aus Jugend '92. Valid Cum Value Frequency Percent Percent Percent

1. Maße der zentralen Tendenz Beispiel: Variable Anzahl der Geschwister aus Jugend '92. Valid Cum Value Frequency Percent Percent Percent Deskriptive Statistik 1. Verteilungsformen symmetrisch/asymmetrisch unimodal(eingipflig) / bimodal (zweigipflig schmalgipflig / breitgipflig linkssteil / rechtssteil U-förmig / abfallend Statistische Kennwerte

Mehr

Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007

Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007 Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte

Mehr

Übungsaufgaben zu Statistik II

Übungsaufgaben zu Statistik II Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben

Mehr

Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11.

Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11. Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer

Mehr

Analyse von Querschnittsdaten. Signifikanztests I Basics

Analyse von Querschnittsdaten. Signifikanztests I Basics Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004

Mehr

1 Dichte- und Verteilungsfunktion

1 Dichte- und Verteilungsfunktion Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die

Mehr

10,24 ; 10,18 ; 10,28 ; 10,25 ; 10,31.

10,24 ; 10,18 ; 10,28 ; 10,25 ; 10,31. Bei einer Flaschenabfüllanlage ist die tatsächliche Füllmenge einer Flasche eine normalverteilte Zufallsvariable mit einer Standardabweichung = 3 [ml]. Eine Stichprobe vom Umfang N = 50 ergab den Stichprobenmittelwert

Mehr

Schließende Statistik

Schließende Statistik Schließende Statistik Die schließende Statistik befasst sich mit dem Rückschluss von einer Stichprobe auf die Grundgesamtheit (Population). Die Stichprobe muss repräsentativ für die Grundgesamtheit sein.

Mehr

die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen

die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung

Mehr

Zusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen

Zusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind

Mehr

Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend

Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten

Mehr

2 Aufgaben aus [Teschl, Band 2]

2 Aufgaben aus [Teschl, Band 2] 20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:

Mehr

Auswahl von Schätzfunktionen

Auswahl von Schätzfunktionen Auswahl von Schätzfunktionen Worum geht es in diesem Modul? Überblick zur Punktschätzung Vorüberlegung zur Effizienz Vergleich unserer Schätzer für My unter Normalverteilung Relative Effizienz Einführung

Mehr

Zur Stichprobenziehung innerhalb der PISA-Erweiterung:

Zur Stichprobenziehung innerhalb der PISA-Erweiterung: Zur Stichprobenziehung innerhalb der PISA-Erweiterung: Die Stichprobenziehung innerhalb der PISA-Erweiterung folgt den Prinzipien einer disproportional geschichteten Stichprobe, bei der zu Ermittlung von

Mehr

Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am von 10:00 bis 11:00 Uhr

Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am von 10:00 bis 11:00 Uhr Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am 5..201 von 10:00 bis 11:00 Uhr Bearbeiten Sie zwei der drei folgenden Aufgaben! Sätze aus der Vorlesung und den Übungen dürfen Sie ohne

Mehr

Experimentelle und quasiexperimentelle

Experimentelle und quasiexperimentelle Experimentelle und quasiexperimentelle Designs Experimentelle Designs Quasi- experimenttel Designs Ex- post- facto- Desingns Experimentelle Designs 1. Es werden mindestens zwei experimentelle Gruppen gebildet.

Mehr

Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung

Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung Systematische Stichprobe Rel. große Gruppe von Stichprobenverfahren. Allgemeines Merkmal: es existiert ein festes, systematisches Muster bei der Auswahl. Wie passt das zur allgemeinen Forderung nach Randomisierung

Mehr

Statistik II für Betriebswirte Vorlesung 1

Statistik 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

Mehr

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1

Klausur 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

Mehr

Allgemeines zu Tests. Statistische Hypothesentests

Allgemeines 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

Mehr

1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...

1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente... Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............

Mehr

Einführung 17. Teil I Kopfüber eintauchen in die Statistik 23. Kapitel 1 Kategoriale Daten zusammenfassen: Häufigkeiten und Prozente 25

Einführung 17. Teil I Kopfüber eintauchen in die Statistik 23. Kapitel 1 Kategoriale Daten zusammenfassen: Häufigkeiten und Prozente 25 Inhaltsverzeichnis Einführung 17 Über dieses Buch 17 Törichte Annahmen über den Leser 19 Wie dieses Buch aufgebaut ist 19 Teil I: Kopfüber eintauchen indie Statistik 19 Teil II: Von Wahrscheinlichkeiten,

Mehr

Inhaltsverzeichnis: Aufgaben zur Vorlesung Statistik Seite 1 von 10 Prof. Dr. Karin Melzer, Prof. Dr. Gabriele Gühring, Fakultät Grundlagen

Inhaltsverzeichnis: Aufgaben zur Vorlesung Statistik Seite 1 von 10 Prof. Dr. Karin Melzer, Prof. Dr. Gabriele Gühring, Fakultät Grundlagen Inhaltsverzeichnis: 1. Aufgabenlösungen... Lösung zu Aufgabe 1:... Lösung zu Aufgabe... Lösung zu Aufgabe 3... Lösung zu Aufgabe 4... Lösung zu Aufgabe 5... 3 Lösung zu Aufgabe... 3 Lösung zu Aufgabe 7...

Mehr

8. Konfidenzintervalle und Hypothesentests

8. 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

Mehr

Einführung in die computergestützte Datenanalyse

Einführung in die computergestützte Datenanalyse Karlheinz Zwerenz Statistik Einführung in die computergestützte Datenanalyse 6., überarbeitete Auflage DE GRUYTER OLDENBOURG Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL

Mehr

Übung zu Empirische Ökonomie für Fortgeschrittene SS 2009

Übung zu Empirische Ökonomie für Fortgeschrittene SS 2009 Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Lösungen zu den Übungsaufgaben in Kapitel 10

Lösungen zu den Übungsaufgaben in Kapitel 10 Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert

Mehr

Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief. Statistik II

Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief. Statistik II Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Wiederholung Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte

Mehr

Klassifikation von Signifikanztests

Klassifikation von Signifikanztests Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen

Mehr

4 Statistische Maßzahlen

4 Statistische Maßzahlen 4 Statistische Maßzahlen 4.1 Maßzahlen der mittleren Lage 4.2 Weitere Maßzahlen der Lage 4.3 Maßzahlen der Streuung 4.4 Lineare Transformationen, Schiefemaße 4.5 Der Box Plot Ziel: Charakterisierung einer

Mehr

Lage- und Streuungsparameter

Lage- und Streuungsparameter Lage- und Streuungsparameter Beziehen sich auf die Verteilung der Ausprägungen von intervall- und ratio-skalierten Variablen Versuchen, diese Verteilung durch Zahlen zu beschreiben, statt sie graphisch

Mehr

Anpassungstests VORGEHENSWEISE

Anpassungstests VORGEHENSWEISE Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel

Mehr

Anleitung: Standardabweichung

Anleitung: Standardabweichung Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen

Mehr

Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief

Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte : Schätzung Statistik

Mehr

Grundproblem der Inferenzstatistik

Grundproblem der Inferenzstatistik Grundproblem der Inferenzstatistik Grundgesamtheit Stichprobenziehung Zufalls- Stichprobe... "wahre", unbekannte Anteil nicht zufällig p... beobachtete Anteil zufällig? Statistik für SoziologInnen 1 Inferenzschluss

Mehr

- Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden.

- 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),

Mehr

Hypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren

Hypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei

Mehr

Warum Stichproben? Vollerhebungen sind teuer Nehmen (zu)viel Zeit in Anspruch Sind evtl. destruktiv

Warum Stichproben? Vollerhebungen sind teuer Nehmen (zu)viel Zeit in Anspruch Sind evtl. destruktiv Warum Stichproben? Vollerhebungen sind teuer Nehmen (zu)viel Zeit in Anspruch Sind evtl. destruktiv Voraussetzung für die Anwendung von Stichproben: Stichproben müssen repräsentativ sein, d.h. ein verkleinertes

Mehr

3 Grundlagen statistischer Tests (Kap. 8 IS)

3 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

Mehr

Statistik. Datenanalyse mit EXCEL und SPSS. R.01denbourg Verlag München Wien. Von Prof. Dr. Karlheinz Zwerenz. 3., überarbeitete Auflage

Statistik. Datenanalyse mit EXCEL und SPSS. R.01denbourg Verlag München Wien. Von Prof. Dr. Karlheinz Zwerenz. 3., überarbeitete Auflage Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz 3., überarbeitete Auflage R.01denbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt

Mehr

Einführung in die (induktive) Statistik

Einführung in die (induktive) Statistik Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung

Mehr

Herzlich willkommen zur Vorlesung Statistik. Streuungsmaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung

Herzlich willkommen zur Vorlesung Statistik. Streuungsmaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung FB 1 W. Ludwig-Mayerhofer Statistik 1 Herzlich willkommen zur Vorlesung Statistik smaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung FB 1 W. Ludwig-Mayerhofer

Mehr

Dr. Guido Knapp Fakultät Statistik Technische Universität Dortmund 6. Februar Klausur zur Veranstaltung Erhebungstechniken

Dr. Guido Knapp Fakultät Statistik Technische Universität Dortmund 6. Februar Klausur zur Veranstaltung Erhebungstechniken Dr. Guido Knapp Fakultät Statistik Technische Universität Dortmund 6. Februar 2009 Klausur zur Veranstaltung Erhebungstechniken im Wintersemester 2008 / 2009 Name, Vorname: Studiengang (Bachelor/Diplom):

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und

Mehr

b) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!

b) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie! Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies

Mehr

Population und Stichprobe

Population und Stichprobe Inhaltsverzeichnis Population und Stichprobe... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-13)... 3 1. Fragestellung... 4 2. Definitionen und Notation... 4 3. "Dilemma" der Stichprobenziehung... 6

Mehr

Wiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)

Wiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36) Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood

Mehr

Prüfgröße: Ist die durch eine Schätzfunktion zugeordnete reelle Zahl (etwa Mittelwert 7 C).

Prüfgröße: Ist die durch eine Schätzfunktion zugeordnete reelle Zahl (etwa Mittelwert 7 C). Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Aus praktischen Gründen

Mehr

Statistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von

Statistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN

Mehr

Informationen zur KLAUSUR am

Informationen zur KLAUSUR am Wiederholung und Fragen 1 Informationen zur KLAUSUR am 24.07.2009 Raum: 032, Zeit : 8:00 9:30 Uhr Bitte Lichtbildausweis mitbringen! (wird vor der Klausur kontrolliert) Erlaubte Hilfsmittel: Alle Unterlagen,

Mehr

Statistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe

Statistische 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,...,

Mehr

Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure

Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Von Prof. Hubert Weber Fachhochschule Regensburg 3., überarbeitete und erweiterte Auflage Mit zahlreichen Bildern, Tabellen sowie

Mehr

Deskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien

Deskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische

Mehr

Statistik eindimensionaler Größen

Statistik eindimensionaler Größen Statistik eindimensionaler Größen Michael Spielmann Inhaltsverzeichnis 1 Aufgabe der eindimensionalen Statistik 2 2 Grundbegriffe 2 3 Aufbereiten der Stichprobe 3 4 Die Kennzahlen Mittelwert und Streuung,

Mehr

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über

Mehr

Konfidenzintervall für den Anteilswert θ. Konfidenzintervalle. Jost Reinecke. Universität Bielefeld. 13. Juni 2005

Konfidenzintervall für den Anteilswert θ. Konfidenzintervalle. Jost Reinecke. Universität Bielefeld. 13. Juni 2005 Universität Bielefeld 13. Juni 2005 Einführung Einführung Wie kann die Kenntnis der Wahrscheinlichkeitsverteilung der Parameter einer Stichprobe dazu verhelfen auf die wahren Werte der Grundgesamtheit

Mehr

Inhaltsverzeichnis. Vorwort

Inhaltsverzeichnis. Vorwort V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

2 Inferenzstatistik. Björn Rasch, Malte Friese, Wilhelm Hofmann, Ewald Naumann

2 Inferenzstatistik. Björn Rasch, Malte Friese, Wilhelm Hofmann, Ewald Naumann 1 Inferenzstatistik Björn Rasch, Malte Friese, Wilhelm Hofmann, Ewald Naumann.1 Die Normalverteilung. Die Standardnormalverteilung 4.3 Die Stichprobenkennwerteverteilung 5.4 Aufgaben zu Kapitel 30 B. Rasch

Mehr

10 Der statistische Test

10 Der statistische Test 10 Der statistische Test 10.1 Was soll ein statistischer Test? 10.2 Nullhypothese und Alternativen 10.3 Fehler 1. und 2. Art 10.4 Parametrische und nichtparametrische Tests 10.1 Was soll ein statistischer

Mehr