Sven Garbade. Statistik 1
|
|
- Frauke Sachs
- vor 7 Jahren
- Abrufe
Transkript
1 χ 2 -Test für nominale Daten Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 1 / 50
2 Agenda Übersicht zu statistischen Tests Der χ 2 -Test Werbemaßnahmen und Verkaufszahlen Wann fallen die Tore, Teil 1? Wann fallen die Tore, Teil 2? Beispiel HR Schätzung der erwarteten Häufigkeit über die Randsummen McNemar Test: Messwiederholung S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 2 / 50
3 Übersicht zu statistischen Tests Übersicht zu statistischen Tests Übersicht zu statistischen Tests Einteilung von ausgewählten Testverfahren Tests für Nominal-Skalenniveau S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 3 / 50
4 Übersicht zu statistischen Tests Einteilung von ausgewählten Testverfahren Einteilung von Testverfahren Datenniveau Stichproben Nominal Ordinal Intervall unabhängig χ 2 -Test Mann- Whitney-U- Test, Kruskalt-Test, F-Test Wallis abhängig McNemar-Test Wilcoxon-Test t-test für abhängige Stichproben S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 4 / 50
5 Übersicht zu statistischen Tests Tests für Nominal-Skalenniveau Tests für Nominal-Skalenniveau Das Interesse liegt auf Häufigkeitsunterschiede hinsichtlich bestimmter Merkmale. Die meisten Prüfstatistiken (Prüfgrößen) sind annähernd χ 2 -verteilt, daher auch χ 2 -Methoden genannt. Typische Fragestellungen: Wird eins von vier Waschmittel besonders bevorzugt? Sind Frauen in Städten besonders häufig berufstätig? Hat sich die Anzahl der Nichtraucher nach einer Kampagne erhöht? S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 5 / 50
6 Der χ 2 -Test Der χ 2 -Test Der χ 2 -Test Unfallhäufigkeiten Definition Dichte der χ 2 -Quadratverteilung Kritische Werte der χ 2 -Verteilung Hypothesen S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 6 / 50
7 Der χ 2 -Test Unfallhäufigkeiten Unfallhäufigkeiten nach Geschlecht und Schulabschluss Frauen Männer Hauptschule mittlere Reife Abitur S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 7 / 50
8 Der χ 2 -Test Definition Beobachtete vs. erwartete Häufigkeiten Erwartete und beobachtete Häufigkeiten: Ereignis E 1 E 2... E k Beobachtete Häufigkeit f b1 f b2... f bk Erwartete Häufigkeit f e1 f e2... f ek Soll untersucht werden, ob erwartete Häufigkeiten von beobachteten abweichen, können χ 2 -Verfahren angewendet werden. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 8 / 50
9 Der χ 2 -Test Definition Definition Der χ 2 -Test χ 2 = k (f b f e ) 2 i=1 f e (1) ist unter H 0 annähernd χ 2 verteilt, k entspricht der Anzahl an Kategorien. Die Anzahl der Freiheitsgrade variiert mit der Fragestellung. Die beobachteten Häufigkeiten f b können aus den Daten berechnet werden. Die erwarteten Häufigkeiten f e muss man aufgrund von Voranahmen oder den Randwahrscheinlichkeiten schätzen. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 9 / 50
10 Der χ 2 -Test Dichte der χ 2 -Quadratverteilung Dichte der χ 2 -Quadratverteilung df = 1 df = 3 df = 6 df = 10 Dichte χ 2 -Werte S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 10 / 50
11 Der χ 2 -Test Kritische Werte der χ 2 -Verteilung Kritische Werte der χ 2 -Verteilung Die kritischen Werte sind zweiseitig tabelliert. Fläche df S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 11 / 50
12 Der χ 2 -Test Hypothesen Hypothesen Nullhypothese: H 0 : Das Merkmal X besitzt die Wahrscheinlichkeitsverteilung F 0 (x). Abweichungen der beobachteten von den erwarteten Häufigkeiten sprechen gegen die H 0. Die H 1 wird nicht mathematisch vormuliert. Typischerweise werden die Fragestellungen ungerichtet geprüft, gelegentlich interessiert aber eine gerichtete Fragestellung, z.b. bei 2 2 Tabellen, vgl. Bortz und Schuster (2010, S. 139). S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 12 / 50
13 Werbemaßnahmen und Verkaufszahlen Werbemaßnahmen und Verkaufszahlen Werbemaßnahmen und Verkaufszahlen Datenbeispiel Fragestellung Berechnung der Prüfgröße Vergleich χ 2 emp mit χ 2 krit S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 13 / 50
14 Werbemaßnahmen und Verkaufszahlen Datenbeispiel Datenbeispiel Eine Keksfirma entwickelt ein neues Sortiment an Butterkeksen. Das besondere ist, dass die Kekse entweder kreisförmig, dreieckig oder in quadratischer Form dargeboten werden. Zu Testzwecken wird dieses Sortiment in einem kleinen Gebiet eingeführt und es werden die Verkaufszahlen nach einem Monat ermittelt: Dreieckige Kekse: 150 verkaufte Packungen. Kreisförmige Kekse: 200 verkaufte Packungen. Quadratische Kekse: 100 verkaufte Packungen. Da bisher keine Informationen zu den Kaufgewohnheiten vorlagen, ging man von gleichen Verkaufszahlen für alle drei Kekssorten aus. Bei insgesamt 450 verkauften Packungen hätte man also 150 Packungen für jede Sorte erwartet. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 14 / 50
15 Werbemaßnahmen und Verkaufszahlen Fragestellung Fragestellung Entsprechen die tatsächlichen Verkaufszahlen den erwarteten bzw. weichen die tatsächlichen Verkaufszahlen signifikant von den erwarteten ab? H 0 : Die beobachteten Verkaufszahlen entsprechen den erwarteten Verkaufszahlen. H 1 : Die beobachteten Verkaufszahlen weichen von den erwarteten Verkaufszahlen ab. Mathematische Hypothesen werden hierbei in der Regel nicht gebildet. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 15 / 50
16 Werbemaßnahmen und Verkaufszahlen Berechnung der Prüfgröße Berechnung der Prüfgröße Drei verschiedene Kekssorten (rund, dreieckig, quadratisch), damit k = 3 Kategorien. Verkaufzahlen: Dreieckige Kekse: 150; kreisförmige Kekse: 200 und quadratische Kekse: 100 verkaufte Packungen. Erwartete Verkaufszahlen f e : 150. Prüfgröße χ 2 emp: χ 2 emp = = k (f b f e ) 2 i=1 f e ( ) = = = ( ) ( )2 150 S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 16 / 50
17 Werbemaßnahmen und Verkaufszahlen Vergleich χ 2 emp mit χ2 krit Vergleich χ 2 emp mit χ 2 krit In diesem Beispiel gibt es k 1 Freiheitsgrade: 3 1 = 2. χ 2 krit(df=2,α=5%,zweiseitig) = χ 2 emp > χ 2 krit, signifikant, Entscheidung zugunsten der H 1. Antwort: Mit einer Irrtumswahrscheinlichkeit von 5% kann behauptet werden, dass die beobachteten Verkaufszahlen von der erwarteten Verteilung abweichen: Kreisförmige Kekse werden häufiger, quadratische Kekse seltener verkauft als erwartet. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 17 / 50
18 Wann fallen die Tore, Teil 1? Wann fallen die Tore, Teil 1? Wann fallen die Tore, Teil 1? Wann fallen die Tore, Teil 1? Hypothesen Berechnung der Prüfgröße χ 2 emp Vergleich χ 2 emp mit χ 2 krit S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 18 / 50
19 Wann fallen die Tore, Teil 1? Wann fallen die Tore, Teil 1? Wann fallen die Tore, Teil 1? In der Vorrunde der Fußball-Bundesliga fielen in der Saison 2006/2007 insgesamt 413 Tore. Bezogen auf Spielabschnitte von jeweils 15 Minuten ergab sich folgende Verteilung: Minute 1 bis 15: 53 Tore Minute 16 bis 30: 64 Tore Minute 31 bis 45: 72 Tore Minute 46 bis 60: 77 Tore Minute 61 bis 75: 64 Tore Minute 76 bis 90: 83 Tore Fallen in den einzelnen Spielabschnitten statistisch bedeutsam unterschiedlich viele Tore? S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 19 / 50
20 Wann fallen die Tore, Teil 1? Hypothesen Hypothesen Hypothesen: H 0 : Die empirische Verteilung der Tore pro Spielabschnitt entspricht der erwarteten Verteilung an Toren pro Spielabschnitt. H 1 : Die empirische Verteilung der Tore pro Spielabschnitt entspricht nicht der erwarteten Verteilung an Toren pro Spielabschnitt. Im Mittel wären Tore pro Spielabschnitt gefallen (413/6 = 68.83). Dies entspreicht der erwarteten Häufigkeit f e. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 20 / 50
21 Wann fallen die Tore, Teil 1? Berechnung der Prüfgröße χ 2 emp Berechnung der Prüfgröße χ 2 emp f e = 68.83, k = 6 χ 2 emp = k (f b f e ) 2 i=1 f e ( )2 ( )2 ( )2 = ( )2 ( )2 ( ) = = = = 8.35 S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 21 / 50
22 Wann fallen die Tore, Teil 1? Vergleich χ 2 emp mit χ2 krit Vergleich χ 2 emp mit χ 2 krit 6 Gruppen, keine Berücksichtigung der Randsummen, daher k 1 = 6 1 = 5 Freiheitsgrade. Kritischer Wert: χ 2 krit(df=5,α=5%,zweiseitig) = χ 2 emp = 8.35 ist kleiner als χ 2 krit = , daher Beibehaltung der H 0. Auch wenn es so aussieht, die Verteilung der Tore auf die Spielabschnitte weicht nicht signifikant von der erwarteten Gleichverteilung ab. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 22 / 50
23 Wann fallen die Tore, Teil 2? Wann fallen die Tore, Teil 2? Wann fallen die Tore, Teil 2? Wann fallen die Tore, Teil 2? Hypothesen Berechnung der Prüfgröße χ 2 emp Vergleich χ 2 emp mit χ 2 krit S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 23 / 50
24 Wann fallen die Tore, Teil 2? Wann fallen die Tore, Teil 2? Wann fallen die Tore, Teil 2? In der Rückrunde der Fußball-Bundesliga fielen in der Saison 2006/2007 insgesamt 424 Tore. Bezogen auf Spielabschnitte von jeweils 15 Minuten ergab sich folgende Verteilung: Minute 1 bis 15: 57 Tore Minute 16 bis 30: 72 Tore Minute 31 bis 45: 56 Tore Minute 46 bis 60: 68 Tore Minute 61 bis 75: 81 Tore Minute 76 bis 90: 90 Tore Fallen in den einzelnen Spielabschnitten statistisch bedeutsam unterschiedlich viele Tore? S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 24 / 50
25 Wann fallen die Tore, Teil 2? Hypothesen Hypothesen Hypothesen: H 0 : Die empirische Verteilung der Tore pro Spielabschnitt entspricht der erwarteten Verteilung an Toren pro Spielabschnitt. H 1 : Die empirische Verteilung der Tore pro Spielabschnitt entspricht nicht der erwarteten Verteilung an Toren pro Spielabschnitt. Im Mittel wären Tore pro Spielabschnitt gefallen (424/6 = 70.67). Dies entspreicht der erwarteten Häufigkeit f e. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 25 / 50
26 Wann fallen die Tore, Teil 2? Berechnung der Prüfgröße χ 2 emp Berechnung der Prüfgröße χ 2 emp f e = 70.67, k = 6 χ 2 emp = k (f b f e ) 2 i=1 f e ( )2 ( )2 ( )2 = ( )2 ( )2 ( ) = = = = S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 26 / 50
27 Wann fallen die Tore, Teil 2? Vergleich χ 2 emp mit χ2 krit Vergleich χ 2 emp mit χ 2 krit 6 Gruppen, keine Berücksichtigung der Randsummen, daher k 1 = 6 1 = 5 Freiheitsgrade. Kritischer Wert: χ 2 krit(df=5,α=5%,zweiseitig) = χ 2 emp = ist größer als χ 2 krit = , daher Entscheidung zugunsten der H 1. Mit einer Irrtumswahrscheinlichkeit von 5% kann behauptet werden, dass in der Rückrunde der Fußball-Bundesliga-Saison 2006/2007 die Verteilung der Tore auf sechs 15minütige Spielabschnitte von der zu erwartenden Verteilung abweicht! In den Spielabschnitten 16-30, und Minute fallen mehr Tore, in den anderen weniger Tore als erwartet. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 27 / 50
28 Beispiel HR Beispiel HR Beispiel HR Beispiel HR Fragestellung Berechnung der erwarteten Häufigkeiten Rechengang S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 28 / 50
29 Beispiel HR Beispiel HR Beispiel HR Als Leiter der Personalabteilung beschäftigen Sie sich unter anderem auch mit der Arbeitssicherheit. In der Zeitschrift für Arbeitssicherheit (ZfA) lesen Sie nun, dass durchschnittlich von 100 Unfällen in einer Firma 50% auf die Produktionsabteilung, 30% auf die Vertriebsabteilung, 20% auf die Marketingabteilung entfallen. In der Firma, in der Sie beschäftigt sind, gab es im letzten Jahr insgesamt 200 Unfälle: 80 in der Produktionsabteilung. 70 im Vertrieb. 50 in der Marketingabteilung. Unterscheiden sich die Unfallzahlen in Ihrer Firma von dem, was in der Zeitschrift berichtet wird? S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 29 / 50
30 Beispiel HR Fragestellung Fragestellung Unterscheiden sich die Unfallzahlen in Ihrer Firma von dem, was in der Zeitschrift berichtet wird? Daraus ergeben sich folgende Hypothesen: H 0 : Die Verteilung der Unfallzahlen in den verschiedenen Abteilungen unterscheiden sich nicht von den Unfallzahlen, über die in der ZfA berichtet wird. H 1 : Die Verteilung der Unfallzahlen in den verschiedenen Abteilungen unterscheiden sich von den Unfallzahlen, über die in der ZfA berichtet wird. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 30 / 50
31 Beispiel HR Berechnung der erwarteten Häufigkeiten Berechnung der erwarteten Häufigkeiten Auch hier sollen wieder beobachtete Häufigkeiten (die Unfallzahlen in Ihrer Firma) mit erwarteten Häufigkeiten (das, was in der ZfA berichtet wird) verglichen werden. Als ersten Schritt muss man bestimmen, wieviele Unfälle in den einzelnen Abteilungen Ihrer Firma eigentlich nach den Angaben der ZfA zu erwarten gewesen wären: Produktionsabteilung: 80 beobachtet; 50% von 200 erwartet = 100. Vertriebsabteilung: 70 beobachtet; 30% von 200 erwartet = 60. Marketingabteilung: 50 beobachtet; 20% von 200 erwartet = 40. Alle Bestimmungsstücke für den χ 2 -Test sind nun bekannt. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 31 / 50
32 Beispiel HR Rechengang Rechengang Prüfgröße: χ 2 emp = k (f b f e ) 2 i=1 f e (80 100)2 = 100 = = (70 60) (50 40) = Freiheitsgrade: Bei drei Kategorien df = k 1 = 3 1 = 2. χ 2 krit(df=2;α=5%;zweiseitig) = χ 2 emp > χ 2 krit H 1! S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 32 / 50
33 Beispiel HR Rechengang Rechengang (Forts. 2) Antwort: Mit einer Irrtumswahrscheinlichkeit von 5% kann behauptet werden, dass sich die Verteilung der Unfallzahlen in den verschiedenen Abteilungen von den Unfallzahlen unterscheidet, über die in der ZfA berichtet wird. In der Produktionsabteilung passieren weniger, im Marketing und im Vertrieb mehr Unfälle als erwartet. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 33 / 50
34 Schätzung der erwarteten Häufigkeit über die Randsummen Schätzung der erwarteten Häufigkeit über die Randsummen Schätzung der erwarteten Häufigkeit über die Randsummen Schätzung der erwarteten Häufigkeit über die Randsummen Beispiel Hypothesen Berechnung der erwarteten Häufigkeiten Freiheitsgrade Berechnung der Prüfgröße Vergleich mit dem kritischen Wert S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 34 / 50
35 Schätzung der erwarteten Häufigkeit über die Randsummen Schätzung der erwarteten Häufigkeit über die Randsummen Schätzung der erwarteten Häufigkeit über die Randsummen Wenn keine Annahmen über die erwarteten Häufigkeiten gemacht werden, müssen diese über die Randsummen geschätzt werden. Rückblick: Stochastische Unabhängigkeit: Entspricht die erwartete Verteilung der beobachteten Verteilung, spricht man von stochastischer Unabhängigkeit. Entspricht die erwartete Verteilung nicht der beobachteten, spricht man von stochastischer Abhängigkeit. Mathematisch ist die erwartete Häufigkeit das Produkt der jeweiligen Einzelwahrscheinlichkeiten der Ereignisse. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 35 / 50
36 Schätzung der erwarteten Häufigkeit über die Randsummen Beispiel Beispiel Sie wollen wissen, ob es bezogen auf die Unfallhäufigkeiten einen Unterschied zwischen Männern und Frauen bzw. nach Bildungsstand (Hauptschulabschluss, mittlere Reife, Abitur) gibt. Nach einem Aktenstudium können Sie bei 180 Unfällen das Geschlecht sowie den Bildungsabschluss der verunfallten Person bestimmen. Daten: Frauen Männer Hauptschule mittlere Reife Abitur S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 36 / 50
37 Schätzung der erwarteten Häufigkeit über die Randsummen Hypothesen Hypothesen H 0 : Die Verteilung der Unfallhäufigkeiten nach Bildung und Geschlecht entspricht dem, was zu erwarten wäre. H 1 : Die Verteilung der Unfallhäufigkeiten nach Bildung und Geschlecht entspricht nicht dem, was zu erwarten wäre. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 37 / 50
38 Schätzung der erwarteten Häufigkeit über die Randsummen Berechnung der erwarteten Häufigkeiten Berechnung der erwarteten Häufigkeiten Die erwarten Häufigkeiten ergeben sich gemäß dem Multiplikationstheorem für unabhängige Wahrscheinlichkeiten (und-verknüpfung) aus dem Produkt der jeweiligen Einzelwahrscheinlichkeiten. Beispiel männlich und Abitur: p(männlich Abitur) = Etwa 9.88% sind damit männlich und haben Abitur. Damit erwarten wir bei 180 Personen Männer mit Abitur. 80 Genauer: = 180 = Kurz: Multiplikation der Randsummen geteilt durch Gesamtanzahl vgl. Bortz und Schuster (2010, S. 139) und Vorlesung 2. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 38 / 50
39 Schätzung der erwarteten Häufigkeit über die Randsummen Berechnung der erwarteten Häufigkeiten Erwartete Häufigkeiten Die erwarteten Häufigkeiten ergeben sich mit der Regel Multiplikation der Randsummen geteilt durch Gesamtanzahl als: Frauen Männer Hauptschule mittlere Reife Abitur S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 39 / 50
40 Schätzung der erwarteten Häufigkeit über die Randsummen Freiheitsgrade Freiheitsgrade Frauen Männer Hauptschule mittlere Reife Abitur In obiger Tabelle könnten bei unveränderten Randsummen zwei Zahlen frei gewählt werden, die anderen vier wären dann bereits festgelegt df = 2. In unserem Beispiel haben wir 2 Merkmale: ein 3fach (k) und ein 2fach (m) gestuftes Merkmal. Da die Spalten- als auch Zeilensummen jeweils die Gesamtanzahl ergeben muss, können jeweils k 1 und m 1 Werte frei gewählt werden. Allgemein: Die Anzahl der Freiheitsgrade in einer k m Matrix sind (k 1) (m 1) = (3 1) (2 1) = 2. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 40 / 50
41 Schätzung der erwarteten Häufigkeit über die Randsummen Berechnung der Prüfgröße Berechnung der Prüfgröße k = 6 Prüfgröße χ 2 emp: χ 2 emp = k (f b f e ) 2 i=1 f e ( )2 ( )2 ( )2 = ( )2 ( )2 ( ) = = = 2.05 S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 41 / 50
42 Schätzung der erwarteten Häufigkeit über die Randsummen Vergleich mit dem kritischen Wert Vergleich mit dem kritischen Wert χ 2 emp = Freiheitsgrade: χ 2 krit(df=2,α=5%,zweiseitig) = Prüfgröße ist kleiner als der kritische Wert, damit wird die H 0 beibehalten, die Verteilung der Unfallhäufigkeiten nach Bildung und Geschlecht entspricht dem, was zu erwarten wäre. Schlusssatz: Bezogen auf die marginalen Unfallhäufigkeiten kann behauptet werden, dass es keinen Unterschied bezüglich Geschlecht und Bildung gibt. Die beobachteten Häufigkeiten unterscheiden sich bezüglich der marginalen Wahrscheinlichkeiten nicht. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 42 / 50
43 Schätzung der erwarteten Häufigkeit über die Randsummen Vergleich mit dem kritischen Wert Ausgabe mit Typische Ausgabe: > chisq. test(m) Pearson 's Chi - squared test data: m X- squared = , df = 2, p- value = Satz: Die beobachteten Unfallhäufigeiten zwischen Frauen und Männern mit unterschiedlichem Schulabschluss unterscheiden sich bezüglich der marginalen Wahrscheinlichkeiten nicht (χ 2 (2) = 2.05; p = 0.36). S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 43 / 50
44 McNemar Test: Messwiederholung McNemar Test: Messwiederholung McNemar Test: Messwiederholung Beispiel: Nichtraucherkampagne Prüfgröße Berechnung S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 44 / 50
45 McNemar Test: Messwiederholung McNemar Test: Messwiederholung Wenn eine Stichprobe hinsichtlich eines nominalen Merkmals zweimal untersucht wird, so kann der McNemar Test angewendet werden. Der McNemar Test berücksichtigt nur diejenigen Fälle, in denen eine Veränderung eingetreten ist. Daher auch der Name test for significance of change. Eine Erweiterung für k-messungen ist der Cochran-Test. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 45 / 50
46 McNemar Test: Messwiederholung Beispiel: Nichtraucherkampagne Beispiel: Nichtraucherkampagne In einer Firma wird ein Nichtrauchertraining durchgeführt. Dazu wurden 237 Personen vor und nach einer Anti-Rauchkampagne befragt (+: raucht, : raucht nicht). nachher + vorher + a = 80 b = 25 c = 12 d = 120 S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 46 / 50
47 McNemar Test: Messwiederholung Prüfgröße Prüfgröße McNemar-Test Wird eine Stichprobe hinsichtlich eines dichotomen Merkmals zweimal untersucht, kann auf eine Veränderung von Messzeitpunkt 1 zu 2 mit dem McNemar Tests geprüft werden: mit df = 1. Vgl. Bortz und Schuster (2010, S. 146). χ 2 emp = (b c)2 b + c (2) S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 47 / 50
48 McNemar Test: Messwiederholung Berechnung Berechnung Prüfgröße: χ 2 (b c)2 emp = b + c (25 12)2 = 37 = 4.57 Der kritische χ 2 -Wert lautet χ 2 krit,df=1,α=5% = χ 2 krit < χ2 emp H 1! Schlussatz: Da nach der Kampagne mehr Personen mit dem Rauchen aufgehört als mit dem Rauchen angefangen haben, kann man mit einer Irrtumsahrscheinlichkeit von 5% festhalten, dass die Anti-Raucherkampagne ein Erfolg war. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 48 / 50
49 McNemar Test: Messwiederholung Berechnung Ausgabe mit Typische Ausgabe: McNemar 's Chi - squared test data: m McNemar 's chi - squared = , df = 1, p- value = Schlussatz: Da nach der Kampagne signifikant mehr Personen mit dem Rauchen aufgehört als mit dem Rauchen angefangen haben, war die Anti-Raucherkampagne ein Erfolg (χ 2 (1) = 4, 57; p = 0.033). S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 49 / 50
50 McNemar Test: Messwiederholung Berechnung Literaturverzeichnis Bortz, J. & Schuster, C. (2010). Statistik für Human- und Sozialwissenschaftler (7. Auflage). Berlin: Springer. S. Garbade (SRH Heidelberg) χ 2 -Test für nominale Daten Statistik 1 50 / 50
Prüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko
Prüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik
MehrEinführung in die Korrelationsrechnung
Einführung in die Korrelationsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Korrelationsrechnung
MehrEinführung in die Wahrscheinlichkeitsrechnung
Einführung in die Wahrscheinlichkeitsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Wahrscheinlichkeitsrechnung
MehrQuantitative Auswertung II. Korpuslinguistik Heike Zinsmeister
Quantitative Auswertung II Korpuslinguistik Heike Zinsmeister 16.12.2011 Unterschiedstest Fall 1: unabhängige Stichproben Daten eine unabhängige Variable auf Nominal- oder Kategorialniveau eine abhängige
MehrEinführung in Web- und Data-Science
Einführung in Web- und Data-Science Prof. Dr. Ralf Möller Universität zu Lübeck Institut für Informationssysteme Tanya Braun (Übungen) P-Wert (einseitiger Ablehnungsbereich) Hypothesentest H 0 vs. H 1
Mehrerwartete Häufigkeit n=80 davon 50% Frauen fe=40 davon 50% Männer fe=40 Abweichung der beobachteten von den erwarteten Häufigkeiten:
Verfahren zur Analyse von Nominaldaten Chi-Quadrat-Tests Vier-Felder Kontingenztafel Mehrfach gestufte Merkmale Cramers V, Kontingenzkoeffizient, Phi-Koeffizient Muster aller Chi-Quadrat-Verfahren eine
MehrChi-Quadrat Verfahren
Chi-Quadrat Verfahren Chi-Quadrat Verfahren werden bei nominalskalierten Daten verwendet. Die einzige Information, die wir bei Nominalskalenniveau zur Verfügung haben, sind Häufigkeiten. Die Quintessenz
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
MehrTutorial: χ 2 -Test auf vorgegebene Verteilung
Tutorial: χ 2 -Test auf vorgegebene Verteilung Das Management eines Kaufhauses will durch eine Werbekampagne eine Verjüngung der Kundschaft erreichen. Bisher war die Verteilung (in %) auf Altersschichten
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 4B a.) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Mit "Deskriptive Statistiken", "Kreuztabellen " wird die Dialogbox "Kreuztabellen" geöffnet. POL wird in das Eingabefeld von
MehrParametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
MehrDer χ 2 -Test (Chiquadrat-Test)
Der χ 2 -Test (Chiquadrat-Test) Der Grundgedanke Mit den χ 2 -Methoden kann überprüft werden, ob sich die empirischen (im Experiment beobachteten) Häufigkeiten einer nominalen Variable systematisch von
MehrGrundidee. χ 2 Tests. Ausgangspunkt: Klasseneinteilung der Beobachtungen in k Klassen. Grundidee. Annahme: Einfache Zufallsstichprobe (X 1,..., X n ).
Grundidee χ 2 -Anpassungstest χ 2 -Unabhängigkeitstest χ 2 -Homogenitätstest χ 2 Tests Grundidee Ausgangspunkt: Klasseneinteilung der Beobachtungen in k Klassen Annahme: Einfache Zufallsstichprobe (X 1,,
MehrPrüfen von Mittelwertsunterschieden: t-test
Prüfen von Mittelwertsunterschieden: t-test Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) t-test
Mehr= 0.445, also annähernd die Hälfte aller Männer zugelassen 557
1 Einleitung Es soll anhand des UCBAdmissions Datensatzes die Frage beantwortet werden, ob bei der Zulassung von Studenten Frauen benachteiligt werden. Die Stichprobe lautet zunächst # Daten (UCB
MehrAlternative Darstellung des 2-Stcihprobentests für Anteile
Alternative Darstellung des -Stcihprobentests für Anteile DCF CF Total n 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Bei Gültigkeit der Nullhypothese Beobachtete Response No Response Total absolut
MehrDer χ2-test Der χ2-test
Der χ 2 -Test Überblick Beim χ 2 -Test handelt es sich um eine Familie ähnlicher Tests, die bei nominal- oder ordinalskalierten Merkmalen mit zwei oder mehr Ausprägungen angewendet werden können. Wir behandeln
MehrFH- Management & IT. Constantin von Craushaar FH-Management & IT Statistik Angewandte Statistik (Übungen)
FH- Management & IT Folie 1 Rückblick Häufigkeiten berechnen Mittelwerte berechnen Grafiken ausgeben Grafiken anpassen und als Vorlage abspeichern Variablenoperationen Fälle vergleichen Fälle auswählen
MehrDer χ 2 -Test. Überblick. Beispiel 1 (χ 2 -Anpassungstest)
Der χ 2 -Test Überblick Beim χ 2 -Test handelt es sich um eine Familie ähnlicher Tests, die bei nominal- oder ordinalskalierten Merkmalen mit zwei oder mehr Ausprägungen angewendet werden können. Wir behandeln
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrTutorial:Unabhängigkeitstest
Tutorial:Unabhängigkeitstest Mit Daten aus einer Befragung zur Einstellung gegenüber der wissenschaftlich-technischen Entwicklungen untersucht eine Soziologin den Zusammenhang zwischen der Einstellung
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
Mehrfh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik
fh management, communication & it Folie 1 Überblick Grundlagen (Testvoraussetzungen) Mittelwertvergleiche (t-test,..) Nichtparametrische Tests Korrelationen Regressionsanalyse... Folie 2 Überblick... Varianzanalyse
MehrTutorial: Anpassungstest
Tutorial: Anpassungstest An einem Institut gibt es vier UniversitätslehrerInnen, die auch Diplomarbeiten betreuen. Natürlich erfordert die Betreuung einer Diplomarbeit einiges an Arbeit und Zeit und vom
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrHypothesenprüfung. 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
MehrStatistische Überlegungen: Eine kleine Einführung in das 1 x 1
Statistische Überlegungen: Eine kleine Einführung in das 1 x 1 PD Dr. Thomas Friedl Klinik für Frauenheilkunde und Geburtshilfe, Universitätsklinikum Ulm München, 23.11.2012 Inhaltsübersicht Allgemeine
MehrAlternative Darstellung des 2-Stichprobentests für Anteile
Alternative Darstellung des -Stichprobentests für Anteile DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Bei Gültigkeit der Nullhypothese Beobachtete Response No Response Total absolut
MehrBiometrieübung 11 Kontingenztafeln
Biometrieübung 11 (Kontingenztafeln) - Aufgabe Biometrieübung 11 Kontingenztafeln Aufgabe 1 2x2-Kontingenztafeln 100 weibliche Patienten sind mit einer konventionellen Therapie behandelt worden 85 Patientinnen
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
MehrAlternative Darstellung des 2-Stichprobentests für Anteile
Alternative Darstellung des -Stichprobentests für Anteile DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Bei Gültigkeit der Nullhypothese Beobachtete Response No Response Total absolut
MehrBivariater Zusammenhang in der Vierfeldertafel PEΣO
Bivariater Zusammenhang in der Vierfeldertafel PEΣO 12. Oktober 2001 Zusammenhang zweier Variablen und bivariate Häufigkeitsverteilung Die Bivariate Häufigkeitsverteilung gibt Auskunft darüber, wie zwei
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
MehrStatistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrZwei kategoriale Merkmale. Homogenität Unabhängigkeit
121 Zwei kategoriale Merkmale Homogenität Unabhängigkeit 122 Beispiel Gründe für die Beliebtheit bei Klassenkameraden 478 neun- bis zwölfjährige Schulkinder in Michigan, USA Grund für Beliebtheit weiblich
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
MehrModul G.1 WS 07/08: Statistik
Modul G.1 WS 07/08: Statistik 10.01.2008 1 2 Test Anwendungen Der 2 Test ist eine Klasse von Verfahren für Nominaldaten, wobei die Verteilung der beobachteten Häufigkeiten auf zwei mehrfach gestufte Variablen
MehrSommersemester Marktforschung
Dipl.-Kfm. Sascha Steinmann Universität Siegen Lehrstuhl für Marketing steinmann@marketing.uni-siegen.de Sommersemester 2010 Marktforschung Übungsaufgaben zu den Themen 3-6 mit Lösungsskizzen Aufgabe 1:
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Korrelationsanalysen Kreuztabellen und χ²-test Themen Korrelation oder Lineare Regression? Korrelationsanalysen - Pearson, Spearman-Rang, Kendall s Tau
MehrInhaltsverzeichnis. Test nach Cochran. - Stand vom:
Inhaltsverzeichnis Test nach Cochran... 2 Lernhinweise... 2 Einführung... 2 Theorie & Fallbeispiel (1-4)... 2 1. Ausgangslage und Fragestellung... 2 2. Voraussetzungen, Arbeits- und Alternativhypothesen...
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
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrGrundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2
Grundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Statistischer Schluss Voraussetzungen z.b. bzgl. Skalenniveau und
MehrKapitel 17. Unabhängigkeit und Homogenität Unabhängigkeit
Kapitel 17 Unabhängigkeit und Homogenität 17.1 Unabhängigkeit Im Rahmen der Wahrscheinlichkeitsrechnung ist das Konzept der Unabhängigkeit von zentraler Bedeutung. Die Ereignisse A und B sind genau dann
MehrStatistik-Quiz Wintersemester
Statistik-Quiz Wintersemester Seite 1 von 8 Statistik-Quiz Wintersemester Die richtigen Lösungen sind mit gekennzeichnet. 1a Für 531 Personen liegen Daten zu folgenden Merkmalen vor. Welche der genannten
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
MehrFormelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade
Version 2015 Formelsammlung für das Modul Statistik 2 Bachelor Sven Garbade Prof. Dr. phil. Dipl.-Psych. Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de
MehrUnterschiedshypothesen Vergleiche von Häufigkeiten bzw. Mittelwerten zwischen (mindestens) zwei Gruppen Zusammenhangshypothesen Korrelationsanalysen
Statistische Überprüfung von Hypothesen Hypothesen sind allgemeine Aussagen über Zusammenhänge zwischen empirischen und logischen Sachverhalten.Allgemein bezeichnet man diejenigen Aussagen als Hypothesen,
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrErgebnisse VitA und VitVM
Ergebnisse VitA und VitVM 1 Basisparameter... 2 1.1 n... 2 1.2 Alter... 2 1.3 Geschlecht... 5 1.4 Beobachtungszeitraum (von 1. Datum bis letzte in situ)... 9 2 Extraktion... 11 3 Extraktionsgründe... 15
MehrHypothesentests mit SPSS
Beispiel für einen chi²-test Daten: afrikamie.sav Im Rahmen der Evaluation des Afrikamie-Festivals wurden persönliche Interviews durchgeführt. Hypothese: Es gibt einen Zusammenhang zwischen dem Geschlecht
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
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
Mehr9.1 Einleitung. Statistik. Qualitative 2-Weg Daten. Bsp: UCB Admissions. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 91 Einleitung Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 9 Kontingenztafeln Qualitative 2-Weg Daten Bsp: UCB Admissions Datensatz mit zwei kategorischen
MehrAnalytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Analytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Varianzanpassungstest Untersuchung der Streuung einer bzw.
MehrPrüfung aus Statistik 2 für SoziologInnen
Prüfung aus Statistik 2 für SoziologInnen 26. Jänner 2008 Gesamtpunktezahl =80 Name in Blockbuchstaben: Matrikelnummer: SKZ: 1) Bei einer Erhebung über den Beliebtheitsgrad von Politikern wurden n=400
MehrBiometrieübung 7 t-test (gepaarte Daten) & Wilcoxon-Test
Biometrieübung 7 (t-test gepaarte Daten & Wilcoxon-Test) - Aufgabe Biometrieübung 7 t-test (gepaarte Daten) & Wilcoxon-Test Aufgabe 1 Hirschläufe An 10 Hirschen wurde die Länge der rechten Vorder- und
Mehr4. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
4. Lösung weitere Übungsaufgaben Statistik II WiSe 016/017 1. Aufgabe: Eine sächsische Molkerei füllt Milch in Tetrapacks ab. Es wird vermutet, dass die Füllmenge normalverteilt ist mit einem Erwartungswert
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 21. Januar 2016 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Punkte: 15, 15, 12, 14, 16, 18 ; Summe der Punkte: 90 Aufgabe 1 15 Punkte Bei
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Testen von Hypothesen
MehrProportions Tests. Proportions Test können in zwei Fällen benutzt werden. Vergleich von beobachteten vs. erwarteten Proportionen
Proportions-Tests Proportions Tests Proportions Test können in zwei Fällen benutzt werden Vergleich von beobachteten vs. erwarteten Proportionen Test der Unabhängigkeit von 2 Faktoren kann auch zum Vergleich
MehrMusterlösung zur Übungsklausur Statistik
Musterlösung zur Übungsklausur Statistik WMS4A Oettinger 6/205 Aufgabe (a) Falsch: der Modus ist die am häufigsten auftretende Merkmalsausprägung in einer Stichprobe. (b) Richtig: ein ordinales Merkmal
MehrStatistik I. Sommersemester 2009
I Sommersemester 2009 I χ 2 =?!? Nächste Woche: Maße für ordinale, nominal/intervallskalierte und intervallskalierte Daten I Zum Nachlesen Agresti/Finlay: Kapitel 8.1-8.4 Gehring/Weins: Kapitel 7.1 Schumann:
Mehra) Man bestimme ein 95%-Konfidenzintervall für den Anteil der Wahlberechtigten, die gegen die Einführung dieses generellen
2) Bei einer Stichprobe unter n=800 Wahlberechtigten gaben 440 an, dass Sie gegen die Einführung eines generellen Tempolimits von 100km/h auf Österreichs Autobahnen sind. a) Man bestimme ein 95%-Konfidenzintervall
MehrSitzung 4: Übungsaufgaben für Statistik 1
1 Sitzung 4: Übungsaufgaben für Statistik 1 Aufgabe 1: In einem Leistungstest werden von den Teilnehmern folgende Werte erzielt: 42.3; 28.2; 30.5, 32.0, 33.0, 38.8. Geben Sie den Median, die Spannweite
MehrWas sind Zusammenhangsmaße?
Was sind Zusammenhangsmaße? Zusammenhangsmaße beschreiben einen Zusammenhang zwischen zwei Variablen Beispiele für Zusammenhänge: Arbeiter wählen häufiger die SPD als andere Gruppen Hochgebildete vertreten
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
MehrBiomathematik für Mediziner, Klausur SS 2001 Seite 1
Biomathematik für Mediziner, Klausur SS 2001 Seite 1 Aufgabe 1: Von den Patienten einer Klinik geben 70% an, Masern gehabt zu haben, und 60% erinnerten sich an eine Windpockeninfektion. An mindestens einer
MehrStatistik für Naturwissenschaftler
Hans Walser Statistik für Naturwissenschaftler 9 t-verteilung Lernumgebung Hans Walser: 9 t-verteilung ii Inhalt 1 99%-Vertrauensintervall... 1 2 95%-Vertrauensintervall... 1 3 Akkus... 2 4 Wer ist der
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
MehrMathematik 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
MehrAnalytische Statistik II
Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Das Testen von Hypothesen Während die deskriptive Statistik die Stichproben nur mit Hilfe quantitativer Angaben charakterisiert,
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
MehrWiederholung. Statistik I. Sommersemester 2009
Statistik I Sommersemester 2009 Statistik I (1/21) Daten/graphische Darstellungen Lage- und Streuungsmaße Zusammenhangsmaße Lineare Regression Wahrscheinlichkeitsrechnung Zentraler Grenzwertsatz Konfidenzintervalle
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
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
MehrMacht des statistischen Tests (power)
Macht des statistischen Tests (power) Realer Treatment ja Ergebnis der Studie H 0 verworfen statistisch signifikant O.K. Macht H 0 beibehalten statistisch nicht signifikant -Fehler Effekt nein -Fehler
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrStatistik Einführung // Kategoriale Daten 10 p.2/26
Statistik Einführung Kategoriale Daten Kapitel 10 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Leydold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Kategoriale Daten
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
MehrMacht des statistischen Tests (power)
Macht des statistischen Tests (power) Realer Treatment ja Ergebnis der Studie H 0 verworfen statistisch signifikant O.K. Macht H 0 beibehalten statistisch nicht signifikant -Fehler Effekt nein -Fehler
Mehr3.3 Konfidenzintervalle für Regressionskoeffizienten
3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird
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
MehrStatistik I. Sommersemester 2009
I Sommersemester 2009 I Wiederholung/Einführung χ 2 =?!? I Wiederholung/Einführung χ 2 =?!? Nächste Woche: Maße für ordinale, nominal/intervallskalierte und intervallskalierte Daten I Zum Nachlesen Agresti/Finlay:
MehrÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II
ÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II 1.1 Durch welche Elemente lässt sich laut der Formel für die multiple Regression der Wert einer Person auf einer bestimmten abhängigen Variable Y vorhersagen? a)
MehrBivariate Verteilungen
Bivariate Verteilungen Tabellarische Darstellung: Bivariate Tabellen entstehen durch Kreuztabulation zweier Variablen. Beispiel: X Y Student(in) Herkunft Fakultät 0001 Europa Jura 000 Nicht-Europa Medizin
MehrÜbungs-Klausur zur Vorlesung Statistik II
Universität Siegen, FB 1, Fach Soziologie Prof. Dr. Wolfgang Ludwig-Mayerhofer Übungs-Klausur zur Vorlesung Statistik II Bei jeder Frage ist die Anzahl der zu erzielenden Punkte vermerkt. Insgesamt können
MehrParameterfreie Tests. ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen
Parameterfreie Tests ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen ²- Anpassungstest Test auf Vorliegen einer bestimmten Verteilung Binomialtest Vergleich von unbekannten Anteilen
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
Mehr