Weitsprung mit Prothese: Wie schnell muss man anlaufen und wie effektiv den Anlauf im Absprung umsetzen, um 8,24m weit zu springen?

Größe: px
Ab Seite anzeigen:

Download "Weitsprung mit Prothese: Wie schnell muss man anlaufen und wie effektiv den Anlauf im Absprung umsetzen, um 8,24m weit zu springen?"

Transkript

1 Weitsprung mit Prothese: Wie schnell muss man anlaufen und wie effektiv den Anlauf im Absprung umsetzen, um 8,24m weit zu springen? Stefan Letzelter Zusammenfassung In diesem Beitrag wird gezeigt, wie groß die Wahrscheinlichkeit ist, mit Anlaufgeschwindigkeiten von 9,50 bzw. 9,75m/s sowie umlenkungsbedingten Verlusten von 1,00 bzw. 0,90m/s 8,24m weit zu springen. Das ist die Siegerweite des beinamputierten Deutschen Meisters 2014, M. Rehm. Auch wenn bisher noch kein Weitspringer mit einem so langsamen Anlauf 8,24m weit gesprungen ist, sind ähnliche extreme Ausnahmen schon beobachtet worden. Bei den OS 1988 ist für Joyner-Kersees OR ebenfalls nur eine Wahrscheinlichkeit von 0,1% festgestellt worden. Es ist also möglich, wenn auch unwahrscheinlich. Schlüsselwörter: Weitsprung, Prothese, Anlaufgeschwindigkeit, Umsetzung, Wahrscheinlichkeit Abstract This article shows the probability to leap 8.24m with approach speeds of 9.5 and 9.75 ms-1, respectively as well as reductions by the transformation during take-off of 1.0 and 0.9 ms m is the performance of the 2015 German national long jump champion M. Rehm, whose lower leg was amputated. Even if no long jumper has ever jumped 8.24m with such a low approach speed, similar exceptions have been observed. At the 1988 Olympic Games, the Olympic record of J. Joyner-Kersee also had a probability of just 0.1%. So it is possible, albeit unlikely. Keywords: long jump, prosthesis, approach speed, transformation, probability Heft 1/2015 Seite 81

2 Letzelter 1 Problem Bei den Deutschen Leichtathletik- Meisterschaften 2014 durfte zum ersten Mal auch ein Behindertensportler teilnehmen. Diese Chance nutzte der beinamputierte Weitspringer M. Rehm zu einem überraschenden Sieg mit einem sensationell weiten Sprung von 8,24m. Er lag damit vier Zentimeter vor dem Europameister C. Reif. Danach wurde intensiv diskutiert, ob der Siegessprung mit Hilfe seiner Hochleistungsprothese und damit durch einen unzulässigen Vorteil erzielt worden sei. Der DLV hat dies anscheinend bejaht und den Athleten nicht für die EM gemeldet. Als ein Argument wurde in den Medien mitgeteilt, mit einem so langsamen Anlauf könnten so weite Sprünge nicht gelingen. Auch die Umsetzung dieses Anlaufes im Absprung sei ungewöhnlich, denn Rehms Minderung der Anlaufgeschwindigkeit sei in diesem Leistungsbereich unüblich. Es ist richtig, dass ein möglicher Vorteil nur durch aufwändige Messungen der Leistungsfähigkeit der Prothese beurteilt werden kann. Es ist auch richtig, dass keine Beweise vorliegen. Möglich sind aber tragfähige Indizien, denn die biomechanische Leistungsdiagnostik kann solide begründete Informationen liefern, die weit über die ermittelten Messwerte hinausgehen. Sie kann nämlich beurteilen, mit welcher Wahrscheinlichkeit Sprungweiten gelingen, wenn die Ausprägungen der Anlaufgeschwindigkeit und der Geschwindigkeitsreduktion bekannt sind. 2 Methodik Die folgenden Beispiele stützen sich dokumentaranalytisch auf Messwerte der WM 1987, der Olympischen Spiele 1988 (Nixdorf & Brüggemann 1988, S. 1990) sowie auf Daten der WM 2009, der IAAF-Finals 2007 und 2008 und internationaler Meetings, die vom OSP Hessen erhoben und im Internet frei zugänglich waren. Das erste Beispiel nutzt die in der Praxis übliche Geschwindigkeitsmessung zwischen sechs und einem Meter vor dem Balken (v6-1), das zweite die horizontale Anlaufgeschwindigkeit beim Abflug zum letzten Schritt vor dem Balken (v1), die horizontale (v0x) und die vertikale Abfluggeschwindigkeit (v0z) sowie den Verlust an Horizontalgeschwindigkeit im Absprung (Dv0x = v1 - v0x). Die exakten Messwerte des Sprungs von Rehm sind offiziell nicht veröffentlicht, aber von verschiedenen zuverlässigen Quellen kolportiert worden. Die Berechnungen funktionieren aber auch mit fiktiven Daten. Mit Hilfe einer Regressionsanalyse werden Erwartungswerte Ex pro Zielgröße berechnet, so dass die Residuen ex als Differenzen zwischen gemessenen (xi) und geschätzten Werten (e = xi - Exi) bestimmt werden können. Die spielen für die Beurteilung der Wahrscheinlichkeiten die entscheidende Rolle. Die Prüfung auf Abweichung von der Normalverteilung erfolgt nach David (Prüfgröße R/sd), die auf Ausreißer (Prüfgröße A) nach dem von Pearson & Hartley vorgeschlagenen Verfahren (Sachs 1974, S. 220). Geprüft wird zweiseitig, signifikant durch * (α = 0,05/2) und hochsignifikant durch ** (α = 0,01/2) symbolisiert. 3 Ergebnisse 3.1 Anlaufgeschwindigkeit v6-1 und Sprungweite Ausgewählt werden 34 Athleten, die mindestens 8,00m weit gesprungen sind. Von diesen ist C. Lewis (1988) mit dem Olympischen Rekord von 8,72 der Beste. Da es viel mehr Weitspringer gibt, die zwischen 8,00m und 8,36m erreichen als solche, die weiter springen, ist die Verteilung der 34 Sprungweiten linkssteil und weicht signifikant von einer Seite 82 Zeitschrift für Gesundheit und Sport

3 Weitsprung mit Prothese Normalverteilung ab (R/sd = 3,43*). Alle Springer liefen zwischen sechs und einem Meter vor dem Balken schneller als 10m/s, der Schnellste mit einem Vorteil vor dem Langsamsten von 0,89m/s. Die Verteilung von v6-1 ist zumindest nicht überzufällig anormal (R/sd = 3,71). Der Mittelwert von 8,21m wird mit v6-1 = 10,49m/s erzielt. Tab.1: Sprungweite und Anlaufgeschwindigkeit von 34 Weitspringern der Weltklasse Sprungweite (m) Anlaufgeschwindigkeit (m/s) Min. Max. x ±sd Min. Max. x ±sd 8,00 8,72 8,21 0,21 10,17 11,06 10,49 0,24 Die Bedeutung der Anlaufgeschwindigkeit liegt in der Weltklasse weit unter jenen 70%, die z. B. Mendoza & Nixdorf mehrmals (2006, 2006a, 2012) mitgeteilt haben. Der Grund ist, dass die Relevanz einer Einflussgröße mit zunehmender Ausgeglichenheit der Stichprobe abnimmt, denn Heterogenität begünstigt korrelative Beziehungen (z. B. Magnusson 1975). Das Leistungsgefälle der von den Autoren analysierten Stichproben war mehr als doppelt so groß und ist nicht repräsentativ für die Weltklasse. In der Stichprobe der 34 Athleten kann nur ein Drittel der Unterschiede in der Weite (R2 = 0,33, R2adj = 0,31) mit denen in v6-1 erklärt werden. Dem entspricht der Zusammenhang von r = 0,575**. In der Tendenz springen schnellere Weitspringer also auch weiter. Das ist ein statistisches Gesetz, das eine wenn, dann in der Regel -Beziehung formuliert, also nicht auf jeden Einzelnen zutrifft. So ist der Zweite der WM 1987, der Europarekordhalter R. Emmiyan, mit v6-1 = 10,27m/s um 0,22m/s unter dem Durchschnitt angelaufen, aber 32cm weiter gesprungen. Um einzelne Athleten mit dem Trend zu vergleichen, werden die Werte der Sprungweite gesucht, die bei vorgegebener Anlaufgeschwindigkeit Durchschnitt sind. Das leistet die Regressionsanalyse. Dabei wird die Kurve in diesem Fall eine Gerade ermittelt, die sich am besten an die Wertepaare (hier: von Weite und v6-1) anpasst wie in Abb. 1. Danach hat z. B. Lewis die Koordinaten v6-1 = 11,06m/s und W = 8,72m, Emmiyan v6-1 = 10,27m/s und W = 8,53m. Für den Letzten werden v6-1 = 10,22m/s und W = 8,00m notiert. Die Weite Emmiyans liegt als einzige außerhalb des eingezeichneten 95%- Vertrauensintervalls. Heft 1/2015 Seite 83

4 Letzelter Lewis Abb.1: Zusammenhang von Anlaufgeschwindigkeit v6-1 und Sprungweite in der Weltklasse der Männer mit 95%-Vertrauensgrenzen Die Regressionsgerade W = 3, ,487v6-1 (m) repräsentiert am besten die 34 Wertepaare, sie drückt den Trend aus. Sie besagt auch, dass ein 1,00m/s schnellerer Anlauf im Durchschnitt mit einem Gewinn von 49cm belohnt wird. Da nicht auszuschließen ist, dass mit zunehmender Anlaufgeschwindigkeit der Weitengewinn immer mehr abnimmt oder der Anlauf sogar zu schnell wird und deshalb nicht mehr optimal umgesetzt werden kann, wurde auch geprüft, ob ein Optimaltrend, repräsentiert durch ein Polynom 2. Ordnung, die empirischen Daten besser abbildet. R2quad = 0,39 zeigt zwar eine bessere Anpassung und kleinere Residuen als R2lin = 0,33, aber die Parabel hat eine fachlich unsinnige U-Form. Ein sinnvoll interpretierbarer Optimaltrend liegt nicht vor, denn ein schnellerer Anlauf wird auf hohem Niveau genau so honoriert wie auf niedrigem. Mit der genannten Gleichung kann für jede beliebige Anlaufgeschwindigkeit und damit für jeden Teilnehmer die Sprungweite ermittelt werden, die zu Stande käme, würde er sich trendkonform verhalten. In der Leistungsdiagnostik bestimmt man auf diese Weise qualifikationsbezogene statistische Normen (Letzelter 1979). In der Statistik spricht man von Erwartungswerten (EW). In Abb. 1 liegen nur wenige Wertepaare auf der Geraden. Die Mehrzahl liegt mehr oder weniger darüber oder darunter. Die vertikale Distanz zur Regressionsgeraden nennt man Residuum (ei). Für Lewis wird z. B. EW = 8,49m errechnet, er ist aber 23cm weiter gesprungen (ew = 23cm). Fast doppelt so groß ist das Residuum von Emmiyan mit W = 8,53m, EW = 8,11m, ew = 42cm. Wie Sprungweite und Anlaufgeschwindigkeit können auch Erwartungswerte und Residuen statistisch beschrieben und bearbeitet werden. 6 Im Gegensatz zur Sprungweite sind diese annähernd normal verteilt (R/sd = 4,29). Größere positive sind Anzeichen einer Stärke, größere negative zeigen eine Schwäche bei der Nutzung der Anlaufgeschwindigkeit. 6 Die Eignung der Residuen wurde optisch nach dem Residuenplot der standardisierten Variablen bejaht (vgl. dazu Bortz & Schuster 2010). Seite 84 Zeitschrift für Gesundheit und Sport

5 Weitsprung mit Prothese Tab. 2: Erwartungswerte und Residuen der Sprungweite als Folge der Anlaufgeschwindigkeit im Weitsprung der Weltklasse der Männer Erwartungswerte (m) Residuen (cm) Min. Max. x ±sd Min. Max. x ±sd 8,06 8,49 8,21 0, Die Residuen sind mit r = 0,82** gegenüber r = 0,58** stärker mit der Sprungweite konfundiert als die Anlaufgeschwindigkeit. In Fisher s Z-Werte ergibt sich daraus Z = 1,13 gegenüber Z = 0,66, also ein Verhältnis von 1,7 zu 1. Dies ist kein Zufall, der Unterschied zwischen den beiden Koeffizienten ist hochsignifikant (t = 61,4**). 7 Zur Klärung des anstehenden Problems sind die Residuen exzellent geeignet, die Wahrscheinlichkeit zu schätzen, mit der ein Sprung von 8,24m gelingt, wenn ein Athlet mit v6-1 < 10m/s anläuft. Ausgewählt werden dazu exemplarisch v6-1 = 9,50m/s und v6-1 = 9,75m/s. Die entsprechenden Erwartungswerte wären EW = 7,73 bzw. EW = 7,85m. Für 8,24m sind folglich die Residuen ew = 51cm (v6-1 = 9,50m/s) bzw. ew = 39cm (v6-1 = 9,75m/s) erforderlich. Was das bedeutet und wie dies einzuordnen ist, kann mit Hilfe des Standardschätzfehlers (± Se) beantwortet werden. Der ist ein Indikator der Streuung der Residuen in der Grundgesamtheit. Wie groß der unter allen möglichen Springern mit 8,00m W 8,72m ist, schätzt Se = ± 17cm. Danach weichen 68% der Residuen maximal 17cm von den Erwartungswerten ab, je zur Hälfte nach oben und nach unten. Bei 32% ist die Schätzung fehlerhafter, bei 5% beträgt der Fehler mindestens 33cm. 7 Die Prüfung erfolgte mit dem von Mittenecker (1971, 110) vorgeschlagenen Test für abhängige Stichproben. Der sehr hohe t-wert ist vor allem dadurch bedingt, dass die beiden Prädiktoren v6-1 und ew unkorreliert sind (r = 0). Ein Residuum von 51cm ist dreimal größer als Se = 17cm. In der Standardnormalverteilung schneidet µ ±3,0σ je 49,87% der Flächen links bzw. rechts des Mittelwertes ab, zew = 3,0 hat also nur die Wahrscheinlichkeit P(3,0) = 0,13%. Mit einer Anlaufgeschwindigkeit von 9,50m/s 8,24m weit zu springen, ist also extrem unwahrscheinlich. Von 1000 Athleten hat nur einer ein Residuum von mindestens 51cm. Günstiger ist die Chance bei v6-1 = 9,75m/s. Dann beträgt das Residuum 39cm 2,3Se. Die Flächen von µ ±2,3σ machen jeweils nur 48,7% aus. Demnach beträgt die Wahrscheinlichkeit, mit v6-1 = 9,75m/s 8,24m zu erzielen, 1,3%. Dass dies nicht unmöglich ist, dokumentieren die Werte von Emmiyan. Der verdankt seine Silbermedaille 1988 einem Residuum, das den Mittelwert um 42cm 2,5Se übertrifft. Die Wahrscheinlichkeit wird auf P(2,5) = 0,6 geschätzt. Als Ausreißer wird dieser Topwert nicht identifiziert (A = 2,43). Regressionskoeffizienten beschreiben Verhältnisse in Stichproben. Werden diese verändert, hat dies Auswirkungen auf den Koeffizienten und damit auch auf die Residuen. Werden die 34 Weitspringer durch jene 14 ergänzt, die zwar keine 8,00m gesprungen sind, aber höchstens 1,00m hinter Lewis OR zurück, ändert sich die statistische Charakteristik der Weite auf W = 8,12m und sd = 0,24m sowie die der Anlaufgeschwindigkeit auf v6-1 = 8,12 und sd = 0,24m. Die größere Heterogenität bewirkt einen engeren Zusammenhang (r = 0,67**) und einen höheren Regressionskoeffizienten: W = 2,16 + 0,573v1 (m). Der Erwartungswert von v6-1 = 9,75m/s fällt auf Ew = 7,75m, das Residuum steigt auf ew = Heft 1/2015 Seite 85

6 Letzelter 49cm. Bei Se = 0,18m ergeben sich zew = 2,7 und die Wahrscheinlichkeit P(2,7) = 0, Umsetzen der Anlaufgeschwindigkeit Im Absprung wird die horizontal gerichtete Anlaufgeschwindigkeit in eine nach vorn-oben gerichtete Abfluggeschwindigkeit umgelenkt. Als ideal nennt die Fachliteratur einen Abflugwinkel von 20 bis 22. Von diesem Richtwert weichen aber selbst einige erfolgreiche Springer ab. Der viermalige Olympiasieger Lewis flog z. B. bei seinem Siegsprung (W = 8,67m) der WM 1997 mit α = 17,7 ab, der Zweite Emmiyan (W = 8,53m) mit α = 24,9 (Nixdorf & Brüggemann 1988). Ergebnis der Umlenkung sind die horizontale (v0x) und die vertikale Komponente (v0z) der Abfluggeschwindigkeit. Je größer im Verhältnis zur horizontalen die vertikale ist, quantifiziert durch Q = v0x/v0z, desto höher wird der Abflugwinkel. Damit der vertikale Kraftstoß und somit die vertikale Abfluggeschwindigkeit nicht zu gering ausfallen, wird die Anlaufgeschwindigkeit im Absprung abgebremst. Dadurch entsteht Bremskraft, die den vertikalen Kraftstoß begünstigt. Das zweite Beispiel beschreibt diesen für die Umsetzung unvermeidbaren Verlust an Horizontalgeschwindigkeit und die entsprechenden Konsequenzen. Ausgewählt wird zur Analyse die Abfluggeschwindigkeit des KSP zum letzten Schritt vor dem Absprung v1 (take-offvelocity) und nicht die mittlere Geschwindigkeit v6-1 vor dem Brett. Nicht die, sondern die Geschwindigkeit des letzten Schrittes wird umgelenkt. Sie ist häufig nicht mit der des 5- m-abschnittes identisch. 8 Da nicht von allen 34 Weitspringern auch v1 bekannt ist, wird eine Stichprobe von 32 Athleten gewählt, die sich bis zu 1,00m unterscheiden. Das Leistungsgefälle ist 28cm größer und die Leistungsstärke 8cm geringer als in der Stichprobe der 34 Athleten im ersten Beispiel. Zwar ist auch diese Verteilung linksschief, die Abweichung von der Normalverteilung ist aber insignifikant (R/sd = 4,17). Das gilt auch für die Anlaufgeschwindigkeit (R/sd = 3,94). Der durch die Umlenkung verursachte Geschwindigkeitsverlust beträgt im Durchschnitt 1,60m/s (Tab. 3). Um diesen Betrag ist v0x langsamer als v1. Vom Mittelwert weichen mehrere Messwerte aber extrem ab, so dass der größte Verlust mehr als doppelt so stark ist als der schwächste. Die Verteilung ist nicht überzufällig von einer normalen verschieden (R/sd = 4,25), Ausreißer gibt es weder nach oben noch nach unten (A 2,46). Die Geschwindigkeitsminderung Dv ist leistungsunabhängig, weitere Sprünge sind weder mit größeren noch mit kleineren Verlusten erzielt worden als kürzere (r = -0,09). 8 Zwischen beiden besteht zwar eine für Forschungszwecke akzeptable Übereinstimmungsvalidität, so dass v1 mit v6-1 geschätzt werden kann (rcv = 0,77***), aber der Fehler der Schätzung von 32% der Athleten beträgt mindestens 0,18m/s (Letzelter 2016). Seite 86 Zeitschrift für Gesundheit und Sport

7 Weitsprung mit Prothese Tab. 3: Weite und Anlaufgeschwindigkeit v1 von 32 Weitspringern der Spitzenklasse Merkmal Min. Max. x ±sd W (m) 7,72 8,72 8,14 0,24 v1 (m/s) 9,70 11,00 10,39 0,33 Wie groß muss die vertikale Abfluggeschwindigkeit sein, wenn ein Athlet seine Anlaufgeschwindigkeit um 1,00m/s oder sogar nur 0,90m/s reduziert? Zur Beantwortung werden die Erwartungswerte von v0z und die entsprechenden Residuen benötigt, die zusammen mit der horizontalen und der vertikalen Abfluggeschwindigkeit in Tab. 4 beschrieben sind. Tab. 4: Horizontale (v0x) und vertikale Abfluggeschwindigkeit (v0z), Erwartungswerte Ev0z und Residuen ev0z, horizontaler Geschwindigkeitsverlust Dv0x mit den entsprechenden Residuen edv0x von 32 Weitspringern der Spitzenklasse. Merkmal Min. Max. x ±sd Merkmal Min. Max. x ±sd V0x 7,99 9,50 8,79 0,40 V0z (m/s) 2,82 4,23 3,38 0,33 DV0x (m/s) 1,10 2,29 1,60 0,28 Ev0x (m/s) 2,98 3,95 3,39 0,24 edv0x -0,39 0,44 0 0,19 ev0z (m/s) -0,42 0,45 0 0,22 Weder v0x noch v0z, weder Dv0x noch edv0x sind überzufällig anormal verteilt (3,78 R/sd 4,27). Ausreißer gibt es keine (A 2,58). Die horizontale Komponente der Abfluggeschwindigkeit wird von der im letzten Schritt maßgeblich geprägt (r = 0,70**), während die vertikale davon weitgehend unbeeinflusst ist (r = -0,20). Die steht aber mit dem horizontalen Geschwindigkeitsverlust im Absprung in enger positiver Verbindung. Die Gemeinsamkeit beträgt 53% (R2adj = 0,51). Andererseits wirkt sich das Abbremsen negativ auf v0x aus. 57% (R2adj = 0,56) der Unterschiede in v0x hängen mit denen in Dv0x zusammen. Das geht konform mit einem engen negativen Zusammenhang von v0x und v0z (r = -0,65**). Beide Komponenten vertragen sich nicht. Tendenziell fliegen Weitspringer mit einer höheren vertikalen Abfluggeschwindigkeit langsamer ab. Und zwar so, dass im Mittel +1,00m/s mit -0,54m/s gekoppelt sind. 9 Minderungen unter 1,00m/s werden in der Weltklasse nicht beobachtet. Der positive Zusammenhang von Dv0x mit v0z ermöglicht wiederum ein Urteil darüber, wie sich eine Veränderung von Dv0x auswirkt. Der negative Effekt auf Dv0x wird dadurch kompensiert, dass v0z um 0,82m/s ansteigt. 10 Wer im Absprung mehr abbremst, verliert zwar an horizontaler, gewinnt in der Regel aber an vertikaler Abfluggeschwindigkeit. Der Standardfehler der Schätzung beträgt 0,23m/s. Der ist wichtig für die Bestimmung der gesuchten Wahrscheinlichkeit. Reduziert ein Sportler v1 wie der Durchschnitt um 1,60m/s, fliegt er mit Ev0z = 3,38m/s vertikal ab. Verringert er nur um 1,00m/s, fällt 9 v0z = 8,07 0,54v0x (m/s), Se = 0,25m/s. 10 v0z = 2,07 + 0,82Dv0x (m/s). Heft 1/2015 Seite 87

8 Letzelter Ev0z auf 2,88m/s, bei 0,90m/s auf Ev0z = 2,80m/s. Mit Dv0x = 1,00m/s und damit v0x = 8,75 sowie v0z = 2,88m/s wird per Linearkombination W = 0,02 + 0,647vox + 0,71voz (m). Ew = 7,79m geschätzt, mit v0x = 8,85 und v0z = 2,80m/s Ew = 7,73m. Zu 8,24m fehlen also 45 bzw. 51cm. Um 8,24m weit zu springen, muss mit v0x = 8,75m/s horizontal und mit v0z = 3,60m/s vertikal abgeflogen werden, bei v0x = 8,85m/s genügen v0z = 3,50m/s. Das ergibt sich nach der genannten Linearkombination. Damit werden 76% (R2adj = 0,75) der Unterschiede in der Sprungweite aufgeklärt. Dem entspricht die exzellente Kriteriumsvalidität R = 0,87**. 11 Der Standardschätzfehler fällt auf ±12cm. Die geschätzten v0z = 3,60 bzw. v0z = 3,50m/s sind 0,72 bzw. 0,70m/s höher als die Erwartungswerte Ev0x für Dv0x= 1,00 bzw. Dv0x = 0,90m/s. Nach Se = 0,23m/s übertreffen die Residuen die Erwartungswerte um 3,1 bzw. 3,0z. Das ergibt übertragen auf die z- Verteilung Flächenanteile von ±49,90 bzw. ±49,87%. Daraus folgt: Von 1000 Weitspringern flöge nur einer mit v1 = 9,75m/s und Dv0x = 1,00m/s oder Dv0x = 0,90m/s vertikal ab. Nur der würde er erst bei 8,24m landen. 4 Diskussion Die wissenschaftliche Leistungsdiagnostik nutzt Verfahren, die viel präzisere Informationen liefern als die reinen Messergebnisse. Mit diesen kann man z. B. nur feststellen, dass bisher noch kein Athlet mit einer Anlaufgeschwindigkeit im letzten Schritt unter 10m/s über 8,00m weit gesprungen ist oder dass noch kein Athlet bisher trotz einer geringeren Geschwindigkeitsminderung als 1,00m/s im Absprung 8,24m erreicht hat. Werden dagegen die Möglichkeiten der Regressionsanalyse 11 Die Bewertung exzellent erfolgt nach Barrow & McGee (1977) genutzt, kann berechnet werden, wie groß die Wahrscheinlichkeit dafür ist. Wissenschaft muss objektiv und vorurteilsfrei sein. Deshalb werden mit diesem Beitrag keine Ratschläge erteilt. Informiert wird nur, wie groß die Chancen sind, bei vorgegebenen Ausprägungen der Einflussgrößen Anlaufgeschwindigkeit und Geschwindigkeitsverlust Sprungweiten von Weltklasseniveau wie die 8,24m zu erreichen. Sie hätten in allen bisherigen OS und WM für die Finalteilnahme ausgereicht. An manchen Fabelweltrekorden wie dem Jahrhundertsprung von B. Beamon in Mexiko 1968 (der übrigens kein Jahrhundertsprung war, denn 1991 ist M. Powell 5cm weiter gesprungen) sieht man, dass manchmal sportliche Höchstleistungen erzielt werden, die vorher für unwahrscheinlich gehalten wurden. Die Messung der Anlaufgeschwindigkeit v6-1 ist zwar nicht fehlerfrei, mit rtt = 0,83 wurde bei 40 Athleten der Spitzenklasse aber eine akzeptable Zuverlässigkeit ermittelt (Letzelter 2016). Nach wie vor unbekannt ist dagegen die von v1, v0x, v0z und vor allem die des Differenzwertes Dv0x, der doppelt messfehleranfällig ist, nämlich bei der Messung von v1 und der von v0x. Das wirkt sich gravierend aus, wenn sich die beiden Messfehler gegensinnig verhalten. In der Testtheorie sind die damit verbundenen Reliabilitätsmängel schon vor Jahren diskutiert worden (z. B. Hellmreich 1977). Burger & Dillenberger (2005) haben am Beispiel des Sprints aufgezeigt, wie problematisch die Bestimmung des KSP sein kann. Die zur Berechnung der Wahrscheinlichkeiten benutzten Regressionsgleichungen und damit auch die der Residuen sind nur eine Schätzung der Regression in der Grundgesamtheit aller Athleten dieses Leistungsbereichs. Diese ist nicht immer fehlerfrei. So hat die Steigung in der Gleichung W = 3, ,487v6-1 (m) einen Standardfehler von +12cm. Mit einer Wahrscheinlichkeit von 68% verändert sich z.b. in der Grundgesamtheit die Sprungweite um 49cm + 12cm, also in einem Intervall Seite 88 Zeitschrift für Gesundheit und Sport

9 Weitsprung mit Prothese zwischen 37 bis 61cm, wenn der Anlauf 1,00m/s schneller wird. Mit einer anderen Stichprobe, selbst bei gleichem Niveau und gleichem Leistungsgefälle, können sich die Schätzungen ändern, damit auch die Erwartungswerte und die Residuen. Noch mehr betrifft dies die Gewichtungskoeffizienten der Linearkombination, denn in einer anderen Stichprobe können sich beide Steigungen (mehr oder weniger, gleich- oder gegensinnig) verringern oder erhöhen. Die Berechnungen der Wahrscheinlichkeiten können also einen Fehler haben, sollen sie verallgemeinert werden. 5 Zusammenfassung In diesem Beitrag wird gezeigt, wie groß die Wahrscheinlichkeit ist, mit Anlaufgeschwindigkeiten von 9,50 bzw. 9,75m/s sowie umlenkungsbedingten Verlusten von 1,00 bzw. 0,90m/s 8,24m weit zu springen. Das ist die Siegerweite des beinamputierten Deutschen Meisters 2014, M. Rehm. Auf Basis der Gleichung W = 3, ,487v6-1 (m/s) werden die Residuen auf ew = 51cm bzw. ew = 39cm geschätzt. Standardisiert ergeben sich z = 3,0 bzw. z = 2,3. In der Standardnormalverteilung resultieren daraus die Wahrscheinlichkeiten P(3,0z) = 0,13 und P(2,3z) = 1,07. Mit 9,50m/s schnellem Anlauf springt nur einer (genau: 1,3) von 1000 Athleten 8,24m weit, mit 9,75m/s einer von 100. Der horizontale Geschwindigkeitsverlust im Absprung (Dv0x) beeinflusst die vertikale Abfluggeschwindigkeit (v0z) positiv und die horizontale (v0x) negativ. Die Sprungweite bei Dv0x = 1,00 bzw. Dv0x = 0,90m/s wird über die Linearkombination W = 0,02 + 0,647v0x + 0,71v0z (m) berechnet. Mit 8,75 bzw. 8,85m/s resultieren Erwartungswerte für v0z von 2,88 bzw. 2,80m/s. Nach der Linearkombination muss man aber für 8,24m mit 3,60m/s und bzw. mit 3,50m/s abfliegen. Standardisiert übertreffen die Residuen den Erwartungswert von v0x um 3,1 bzw. 3,0z. In der Standardnormalverteilung schneiden µ ±3,1σ bzw. µ ±3,0σ Flächenanteile von ±49,9 bzw. ±49,87% ab. Von 1000 Weitspringern flöge also jeweils einer mit Dv0x = 1,0 bzw. Dv0x = 0,90m/s mit 3,50 bzw. 3,60m/s vertikal ab. Sollte Rehm mit v6-1 = 9,75m/s angelaufen sein, wird die Wahrscheinlichkeit mit 1% geschätzt. Hat er seinen Anlauf im Absprung um 1,00m/s oder 0,9m/s abgebremst, sinkt sie auf 0,1%. Auch wenn bisher noch kein Weitspringer mit einem so langsamen Anlauf 8,24m weit gesprungen ist, sind ähnliche extreme Ausnahmen schon beobachtet worden. Bei den OS 1988 ist für Joyner-Kersees OR ebenfalls nur eine Wahrscheinlichkeit von 0,1% festgestellt worden. Es ist also möglich, wenn auch unwahrscheinlich. Literatur Barrow, H.M. & McGee, R. (71979): A Practical approach to Measurement in Physical Education. Philadelphia: Lea & Febiger. Bortz, J. & Schuster, Ch. (2010): Statistik. Berlin: Springer Burger, R. & Dillenberger, S. (2005):Der Beginn der Zugphase im Sprint und das Problem der KSP-Bestimmung. In: Steinmann, W., Müller, N. (Hrsg.): Trainingslehre und Methodik der Leichtathletik, Hellmreich, R (1977): Strategien zur Auswertung von Längsschnittdaten. Stuttgart: Klett. Letzelter, S. (2016): Biomechanische Theorie des Weitsprungs der Weltklasse. (in Vorbereitung) Magnusson, D. (1975): Testtheorie. Wien: Deuticke Mendoza, L. & Nixdorf, E. (2006): Angewandte Leistungsdiagnopstik in den Sprungdisziplinen. In: Steinmann, W. & Müller, N. (Hrsg.): Trainingslehre und Methodik der Leichtathletik, Niedernhausen: Schors Heft 1/2015 Seite 89

10 Letzelter Mendoza, L., Nixdorf, E. & Isele, R. (2006a): Gesetzmäßigkeiten des Horizontalsprungs. Leichtathletiktraining, Mendoza, L. & Nixdorf, E. (2012): Zum Problem der Geschwindigkeitsumsetzung im Weitsprung. In: Haase, H., Krüger, F., Nicol, K & Preiß, R. (Hrsg.): Leistungsdiagnostik und Trainingssteuerung, Köln: Sportverlag Strauß. Mittenecker, E. (1977): Planung und statistische Auswertung von Experimenten. Wien: Deuticke. Autor Prof. Dr. Stefan Letzelter Kontakt Prof. Dr. Stefan Letzelter Hochschule für Gesundheit & Sport, Technik & Kunst Vulkanstraße Berlin stefan.letzelter@my-campus-berlin.com Seite 90 Zeitschrift für Gesundheit und Sport

11

Wahrscheinlichkeitsverteilungen

Wahrscheinlichkeitsverteilungen Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet

Mehr

Statistik K urs SS 2004

Statistik K urs SS 2004 Statistik K urs SS 2004 3.Tag Grundlegende statistische Maße Mittelwert (mean) Durchschnitt aller Werte Varianz (variance) s 2 Durchschnittliche quadrierte Abweichung aller Werte vom Mittelwert >> Die

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

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

Aufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.

Aufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97. Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )

Mehr

Diagnostik von Regressionsmodellen (1)

Diagnostik von Regressionsmodellen (1) Diagnostik von Regressionsmodellen (1) Bei Regressionsanalysen sollte immer geprüft werden, ob das Modell angemessen ist und ob die Voraussetzungen eines Regressionsmodells erfüllt sind. Das Modell einer

Mehr

INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE. Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße

INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE. Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße DAS THEMA: INFERENZSTATISTIK III INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße Inferenzstatistik für Lagemaße Standardfehler

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

Übungsblätter zu Methoden der Empirischen Sozialforschung IV: Regressionsanalyse. Lösungsblatt zu Nr. 2

Übungsblätter zu Methoden der Empirischen Sozialforschung IV: Regressionsanalyse. Lösungsblatt zu Nr. 2 Martin-Luther-Universität Halle-Wittenberg Institut für Soziologie Dr. Wolfgang Langer 1 Übungsblätter zu Methoden der Empirischen Sozialforschung IV: Regressionsanalyse Lösungsblatt zu Nr. 2 1. a) Je

Mehr

Teil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation

Teil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit

Mehr

Forschungsstatistik I

Forschungsstatistik I Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/

Mehr

Statistik Übungsblatt 5

Statistik Übungsblatt 5 Statistik Übungsblatt 5 1. Gaussverteilung Die Verteilung der Messwerte einer Grösse sei durch eine Gaussverteilung mit Mittelwert µ = 7.2 und σ = 1.2 gegeben. (a) Wie gross ist die Wahrscheinlichkeit

Mehr

Übungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho

Übungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho Übungen (HS-2010): Urteilsfehler Autor: Siegfried Macho Inhaltsverzeichnis i Inhaltsverzeichnis 1. Übungen zu Kapitel 2 1 Übungen zu Kontingenz- und Kausalurteile 1 Übung 1-1: 1. Übungen zu Kapitel 2 Gegeben:

Mehr

Grundlagen der schließenden Statistik

Grundlagen der schließenden Statistik Grundlagen der schließenden Statistik Schätzer, Konfidenzintervalle und Tests 1 46 Motivation Daten erhoben (Umfrage, Messwerte) Problem: Bei Wiederholung des Experiments wird man andere Beobachtungen

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

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

Statistik I für Betriebswirte Vorlesung 14

Statistik I für Betriebswirte Vorlesung 14 Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli

Mehr

Test von Hypothesen: Signifikanz des Zusammenhangs (F-Test)

Test von Hypothesen: Signifikanz des Zusammenhangs (F-Test) Test von Hyothesen: Signifikanz des Zusammenhangs (F-Test) Die Schätzung der Regressionsfunktion basiert auf Daten einer Stichrobe Inwiefern können die Ergebnisse dieser Schätzung auf die Grundgesamtheit

Mehr

Statistische Methoden in den Umweltwissenschaften

Statistische Methoden in den Umweltwissenschaften Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und

Mehr

Marcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 12. Winterthur, 17. Mai Institut für Datenanalyse und Prozessdesign

Marcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 12. Winterthur, 17. Mai Institut für Datenanalyse und Prozessdesign Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 17. Mai 2017 1 Verteilung

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

Statistik I. Methodologie der Psychologie

Statistik I. Methodologie der Psychologie Statistik I Methodologie der Psychologie Thomas Schmidt & Lena Frank Wintersemester 2003/2004 Georg-Elias-Müller-Institut für Psychologie Uni Göttingen Literatur: Glantz, S.A. (2002). Primer of Biostatistics.

Mehr

1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...

1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente... Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,

Mehr

7. Lösungen weitere Übungsaufgaben Statistik für Ingenieure WiSe 16/17

7. Lösungen weitere Übungsaufgaben Statistik für Ingenieure WiSe 16/17 7. Lösungen weitere Übungsaufgaben Statistik für Ingenieure WiSe 16/17 1. Aufgabe: a) Grundgesamtheit sind alle Reifen aus der Produktion von Langstone aus dem Monat März der entsprechenden Reifentypen.

Mehr

Einführung in die Statistik

Einführung in die Statistik Elmar Klemm Einführung in die Statistik Für die Sozialwissenschaften Westdeutscher Verlag INHALTSVERZEICHNIS 1. Einleitung und Begrifflichkeiten 11 1.1 Grundgesamtheit, Stichprobe 12 1.2 Untersuchungseinheit,

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 Noémie Becker & Dirk Metzler 15. April 2016 Inhaltsverzeichnis 1 Der Standardfehler 1 1.1 Ein Versuch............................................

Mehr

Mathematische und statistische Methoden II

Mathematische 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

Mehr

Biostatistik, WS 2017/18 Der Standardfehler

Biostatistik, WS 2017/18 Der Standardfehler 1/70 Biostatistik, WS 2017/18 Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1718/ 24.11.2017 3/70 Ein Versuch Hirse Bild: Panicum miliaceum 4/70 Ein Versuch Ein Versuch Versuchsaufbau:

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

Wahrscheinlichkeit und Statistik: Zusammenfassung

Wahrscheinlichkeit und Statistik: Zusammenfassung HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1

Mehr

Lösungen zur Biomathe-Klausur Gruppe C Montag, den 16. Juli 2001

Lösungen zur Biomathe-Klausur Gruppe C Montag, den 16. Juli 2001 Lösungen zur Biomathe-Klausur Gruppe C Montag, den 16. Juli 2001 1. Normalverteilung Der diastolische Blutdruck bei einer Gruppe von jungen Männern ist normalverteilt mit einem Erwartungswert von 65 mmhg

Mehr

2.3 Intervallschätzung

2.3 Intervallschätzung 2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,

Mehr

Biomechanik im Sporttheorieunterricht

Biomechanik im Sporttheorieunterricht Betrifft 1 Biomechanische Prinzipien 33 DR. MARTIN HILLEBRECHT Das biomechanische Prinzip des optimalen Beschleunigungsweges 1 BIOMECHANISCHE PRINZIPIEN HOCHMUTH nennt bei der Aufzählung der Aufgaben der

Mehr

ARBEITSGEMEINSCHAFT DER BADEN - WÜRTTEMBERGISCHEN LEICHTATHLETIKVERBÄNDE

ARBEITSGEMEINSCHAFT DER BADEN - WÜRTTEMBERGISCHEN LEICHTATHLETIKVERBÄNDE ARBEITSGEMEINSCHAFT DER BADEN - WÜRTTEMBERGISCHEN LEICHTATHLETIKVERBÄNDE Dipl.-Sportwiss. Steffen Hertel Landestrainer Sprung Mercedesstr. 83 70372 Stuttgart Fon: 0160/2163321 Fax: 0711/28077720 hertel@bwleichtathletik.de

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 I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Januar 2011 1 Vergleich zweier Erwartungswerte Was heißt verbunden bzw. unverbunden? t-test für verbundene Stichproben

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. Seminar Statistik

5. 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

Mehr

4.1. Nullhypothese, Gegenhypothese und Entscheidung

4.1. 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

Winter 2017 David Kurbel. Evaluation & Forschungsstrategien. B.Sc.-Seminar. Sitzung II: t-tests

Winter 2017 David Kurbel. Evaluation & Forschungsstrategien. B.Sc.-Seminar. Sitzung II: t-tests Evaluation & Forschungsstrategien B.Sc.-Seminar Sitzung : t-tests Seminarinhalte Sitzung : 25.10.2017 1-Stichproben-t-Test (gerichtet) 1-Stichproben-t-Test (ungerichtet) t-test für abhängige Stichproben

Mehr

SozialwissenschaftlerInnen II

SozialwissenschaftlerInnen 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

Mehr

Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO

Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO 4. Dezember 2001 Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung

Mehr

Parametrische vs. Non-Parametrische Testverfahren

Parametrische 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

Mehr

1 Beispiel zur Methode der kleinsten Quadrate

1 Beispiel zur Methode der kleinsten Quadrate 1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25

Mehr

Biometrieübung 10 Lineare Regression. 2. Abhängigkeit der Körpergröße von der Schuhgröße bei Männern

Biometrieübung 10 Lineare Regression. 2. Abhängigkeit der Körpergröße von der Schuhgröße bei Männern Biometrieübung 10 (lineare Regression) - Aufgabe Biometrieübung 10 Lineare Regression Aufgabe 1. Düngungsversuch In einem Düngeversuch mit k=9 Düngungsstufen x i erhielt man Erträge y i. Im (X, Y)- Koordinatensystem

Mehr

Prüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko

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

Mehr

Lösungen Klausur Statistik 2/re/soz

Lösungen Klausur Statistik 2/re/soz Lösungen Klausur Statistik /re/soz. Juli 009 1. Hier sind drei Datenreihen spaltenweise angegeben. Bei der Durchführung von verschiedenen Berechnungen ist leider einiges durcheinandergekommen. Zehn Zahlen

Mehr

Lösungen zur Biomathe-Klausur Gruppe B Montag, den 16. Juli 2001

Lösungen zur Biomathe-Klausur Gruppe B Montag, den 16. Juli 2001 Lösungen zur Biomathe-Klausur Gruppe B Montag, den 16. Juli 2001 1. α-fehler und ß-Fehler Welche Aussage ist richtig? A. Der ß-Fehler ist unabhängig von α-fehler. Falsch. Je größer der α-fehler, umso kleiner

Mehr

Methodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg

Methodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg Methodenlehre Vorlesung 12 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

Bereiche der Statistik

Bereiche der Statistik Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden

Mehr

Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1

Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,

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

Bestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler

Bestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler 6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung

Mehr

Prüfung aus Statistik 2 für SoziologInnen

Prüfung aus Statistik 2 für SoziologInnen Prüfung aus Statistik 2 für SoziologInnen 11. Oktober 2013 Gesamtpunktezahl =80 Name in Blockbuchstaben: Matrikelnummer: Wissenstest (maximal 16 Punkte) Kreuzen ( ) Sie die jeweils richtige Antwort an.

Mehr

Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006

Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand

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

Vorlesung: Multivariate Statistik für Psychologen

Vorlesung: Multivariate Statistik für Psychologen Vorlesung: Multivariate Statistik für Psychologen 7. Vorlesung: 05.05.2003 Agenda 2. Multiple Regression i. Grundlagen ii. iii. iv. Statistisches Modell Verallgemeinerung des Stichprobenmodells auf Populationsebene

Mehr

Anwendungsaufgaben. a. Anhand des Streudiagramms (. Abb. 1) lässt sich ein linearer Zusammenhang vermuten. Aufgabe 1. Anhang 1: Lösungen der Aufgaben

Anwendungsaufgaben. a. Anhand des Streudiagramms (. Abb. 1) lässt sich ein linearer Zusammenhang vermuten. Aufgabe 1. Anhang 1: Lösungen der Aufgaben Anhang 1: Lösungen der Aufgaben 15 +1). Korrelationskoeffizienten unterschiedlicher Stichproben oder verschiedener Variablen können so miteinander verglichen werden, was mit der Kovarianz nicht möglich

Mehr

Evaluation & Forschungsstrategien. B.Sc.-Seminar. Sitzung IV: Konfidenzintervalle // Normalverteilungstests

Evaluation & Forschungsstrategien. B.Sc.-Seminar. Sitzung IV: Konfidenzintervalle // Normalverteilungstests Evaluation & Forschungsstrategien B.Sc.-Seminar Sitzung V: Konfidenzintervalle // Normalverteilungstests Seminarinhalte Sitzung V: 16.05.2018 Konfidenzintervalle bei bekannter Varianz Konfidenzintervalle

Mehr

Testtheorie und Gütekriterien von Messinstrumenten. Objektivität Reliabilität Validität

Testtheorie und Gütekriterien von Messinstrumenten. Objektivität Reliabilität Validität Testtheorie und Gütekriterien von Messinstrumenten Objektivität Reliabilität Validität Genauigkeit von Messungen Jede Messung zielt darauf ab, möglichst exakte und fehlerfreie Messwerte zu erheben. Dennoch

Mehr

Lösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI

Lösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe

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

STATISTISCHE METHODEN

STATISTISCHE METHODEN STATISTISCHE METHODEN FÜR NATURWISSENSCHAFTER, MEDIZINER UND INGENIEURE VON ARTHUR LINDER Dr. phil., Dr. med. h. c. Professor für mathematische Statistik an der Universität Genf und an der Eidgenössischen

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

Verteilung von Summen

Verteilung von Summen Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel

Mehr

Deskriptive Beschreibung linearer Zusammenhänge

Deskriptive Beschreibung linearer Zusammenhänge 9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,

Mehr

T-Test für unabhängige Stichproben

T-Test für unabhängige Stichproben T-Test für unabhängige Stichproben Wir gehen von folgendem Beispiel aus: Wir erheben zwei Zufallstichproben, wobei nur die Probanden der einen Stichprobe einer speziellen experimentellen Behandlung (etwa

Mehr

Statistik, Geostatistik

Statistik, Geostatistik Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.

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

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

Teil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller

Teil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit

Mehr

Mathematische und statistische Methoden II

Mathematische 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

Mehr

Statistik II: Signifikanztests /1

Statistik 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

Mehr

Hypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests

Hypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen

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

Methodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg

Methodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg Methodenlehre Vorlesung 11 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 03.12.13 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 16. Januar 2013 1 Allgemeine Hypothesentests Nullhypothese und Alternative Beispiel: Blutdrucksenker Testverfahren

Mehr

SozialwissenschaftlerInnen II

SozialwissenschaftlerInnen II Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen

Mehr

2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht

2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht 43 Signifikanztests Beispiel zum Gauß-Test Bei einer Serienfertigung eines bestimmten Typs von Messgeräten werden vor der Auslieferung eines jeden Gerätes 10 Kontrollmessungen durchgeführt um festzustellen,

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

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

Klausur zur Vorlesung

Klausur zur Vorlesung Institut für Mathematische Stochastik WS 2004/2005 Universität Karlsruhe 14. Februar 2005 Dr. Bernhard Klar Sebastian Müller Aufgabe 1: (15 Punkte) Klausur zur Vorlesung Statistik für Biologen Musterlösungen

Mehr

Verfahren zur Skalierung. A. Die "klassische" Vorgehensweise - nach der Logik der klassischen Testtheorie

Verfahren zur Skalierung. A. Die klassische Vorgehensweise - nach der Logik der klassischen Testtheorie Verfahren zur Skalierung A. Die "klassische" Vorgehensweise - nach der Logik der klassischen Testtheorie 1. Daten: z. Bsp. Rating-Skalen, sogenannte "Likert" - Skalen 2. Ziele 1. Eine Skalierung von Items

Mehr

2.3 Intervallschätzung

2.3 Intervallschätzung 2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau

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

3.3 Konfidenzintervalle für Regressionskoeffizienten

3.3 Konfidenzintervalle für Regressionskoeffizienten 3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird

Mehr

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. mit dem R Commander. A Springer Spektrum

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. mit dem R Commander. A Springer Spektrum Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst mit dem R Commander A Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist

Mehr

Dr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.

Dr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...

Mehr

Bei näherer Betrachtung des Diagramms Nr. 3 fällt folgendes auf:

Bei näherer Betrachtung des Diagramms Nr. 3 fällt folgendes auf: 18 3 Ergebnisse In diesem Kapitel werden nun zunächst die Ergebnisse der Korrelationen dargelegt und anschließend die Bedingungen der Gruppenbildung sowie die Ergebnisse der weiteren Analysen. 3.1 Ergebnisse

Mehr

Vermessungskunde für Bauingenieure und Geodäten

Vermessungskunde für Bauingenieure und Geodäten Vermessungskunde für Bauingenieure und Geodäten Übung 5: statistische Auswertung gleichgenauer Messungen Milo Hirsch Hendrik Hellmers Florian Schill Institut für Geodäsie Fachbereich 3 Inhaltsverzeichnis

Mehr

THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ

THEMA: STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN TORSTEN SCHOLZ WEBINAR@LUNCHTIME THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ EINLEITENDES BEISPIEL SAT: Standardisierter Test, der von Studienplatzbewerbern an amerikanischen Unis gefordert

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

Lösungen zur Biomathe-Klausur Gruppe A Montag, den 16. Juli 2001

Lösungen zur Biomathe-Klausur Gruppe A Montag, den 16. Juli 2001 Lösungen zur Biomathe-Klausur Gruppe A Montag, den 16. Juli 2001 1. Sensitivität und Spezifität In einer medizinischen Ambulanz haben 30 % der Patienten eine akute Appendizitis. 80 % dieser Patienten haben

Mehr

Inhalt. Vorwort Univariate Verteilungen Verteilungen Die Normalverteilung... 47

Inhalt. Vorwort Univariate Verteilungen Verteilungen Die Normalverteilung... 47 Inhalt Vorwort... 9 1 Einleitung: Grundlagen der Statistik... 11 1.1 Die statistische Fragestellung im Forschungsprozess... 11 1.2 Grundbegriffe der Statistik... 13 1.3 Voraussetzung jeder Statistik: Die

Mehr

Mittelwert, Standardabweichung, Median und Bereich für alle durchgeführten Messungen (in Prozent)

Mittelwert, Standardabweichung, Median und Bereich für alle durchgeführten Messungen (in Prozent) 3. Ergebnisse 3.1 Kennwerte, Boxplot Die Kennwerte der deskriptiven Statistik sind in der Tabelle 1 für alle Messungen, in der Tabelle 2 für die Messungen, bei denen mit der Referenzmethode eine festgestellt

Mehr