Statistik. R. Frühwirth Teil 1: Deskriptive Statistik. Statistik. Einleitung Grundbegriffe Merkmal- und Skalentypen Aussagen und
|
|
- Hajo Meissner
- vor 7 Jahren
- Abrufe
Transkript
1 Übersicht über die Vorlesung Teil 1: Deskriptive VO Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable und Verteilungen Februar 2010 Teil 4: Schätzen von Parametern 1/495 2/495 Übersicht über die Vorlesung Teil 5: Testen von Hypothesen Teil 6: Regression und lineare Modelle Teil 7: Einführung in die Bayes- Grundbegriffe Merkmal- und Skalentypen Aussagen und Häufigkeiten Eindimensionale Merkmale Graphische Darstellung Empirische Verteilungsfunktion Kernschätzer Maßzahlen Beispiele Teil 1 Deskriptive Teil 8: Simulation von Eperimenten Zweidimensionale Merkmale Qualitative Merkmale Quantitative Merkmale Korrelation 3/495 4/495
2 Übersicht Teil 5 Poissonverteilte normalverteilte Teil 5 Testen von Hypothesen Poissonverteilte normalverteilte / /495 Abschnitt 16: Poissonverteilte normalverteilte Poissonverteilte normalverteilte Wir beobachten eine Stichprobe X 1,..., X n aus einer Verteilung F. Ein Test soll feststellen, ob die mit einer gewissen Annahme über F verträglich sind. Die Annahme wird als Nullhypothese H 0 bezeichnet. Ist die Form von F bis auf einen oder mehrere Parameter spezifiziert, heißt der Test parametrisch. Ist die Form von F nicht spezifiziert, heißt der Test nichtparametrisch oder parameterfrei. Der Test entscheidet, ob die Stichprobe mit der Hypothese vereinbar ist, nicht ob die Hypothese richtig ist! 383/ /495
3 Allgemeine Vorgangsweise Einseitige und zweiseitige Tests Poissonverteilte normalverteilte Aus der Stichprobe wird eine Testgröße (Teststatistik) T berechnet. Der Wertebereich von T wird, in Abhängigkeit von H 0, in einen Ablehnungsbereich (kritischen Bereich) C und einen Annahmebereich C unterteilt. Der Annahmebereich ist meist ein Prognoseintervall für T. Fällt der Wert von T in den Ablehnungsbereich, wird H 0 verworfen. Poissonverteilte normalverteilte Ist der Annahmebereich das symmetrische Prognoseintervall für T, wird der Test zweiseitig genannt. Der kritische Bereich zerfällt dann in zwei Teilintervalle. Ist der Annahmebereich ein Intervall der Form T c oder T c, wird der Test einseitig genannt. Der kritische Bereich ist dann ein Intervall der Form T > c bzw. T < c. Andernfalls wird H 0 vorläufig beibehalten. Das ist jedoch keine Bestätigung von H 0. Es heißt lediglich, dass die Daten mit der Hypothese vereinbar sind. 385/ /495 Der p-wert Signifikanz und Güte Poissonverteilte normalverteilte Der Test kann alternativ auch unter Benütung des p-werts P (T ) durchgeführt werden. Der p-wert gibt an, wie wahrscheinlich es ist, unter Annahme der Nullhypothese mindestens den Wert T bzw. höchstens den Wert T zu beobachten. Zweiseitiger Test: Ist F 0 () die Verteilungsfunktion von T unter der Nullhypothese, so ist der p-wert gleich P (T ) = 2 min(f 0 (T ), 1 F 0 (T )) Einseitiger Test: Ist F 0 () die Verteilungsfunktion von T unter der Nullhypothese, so ist der p-wert gleich Poissonverteilte normalverteilte Bei jedem Testverfahren sind zwei Arten von Fehlern möglich. 1 Fehler 1. Art: Die Hypothese H 0 wird abgelehnt, obwohl sie zutrifft. 2 Fehler 2. Art: Die Hypothese H 0 wird beibehalten, obwohl sie nicht zutrifft. Die Verteilung von T unter Annahme von H 0 wird bestimmt. Der Ablehnungsbereich wird so festgelegt, dass die Wahrscheinlichkeit eines Fehlers 1. Art maimal gleich einem Wert α ist. P (T ) = F 0 (T ) bzw. p = 1 F 0 (T ) Die Nullhypothese wird verworfen, wenn P (T ) < α. α heißt das Signifikanzniveau des Tests. Gängige Werte sind α = 0.05, 0.01, / /495
4 Abschnitt 17: Poissonverteilte normalverteilte Ist der Ablehnungsbereich festgelegt, kann für eine Gegenhypothese H 1 die Wahrscheinlichkeit β(h 1 ) eines Fehlers 2. Art berechnet werden. 1 β(h 1 ) heißt die Güte des H 1. Die Güte sollte nie kleiner als α sein. Ist die Güte nie kleiner als α, heißt der Test unverzerrt. Ein Ziel der Testtheorie ist es, unverzerrte Tests mit maimaler Güte (UMPU) zu konstruieren. Poissonverteilte normalverteilte Poissonverteilte normalverteilte / /495 Unterabschnitt: Poissonverteilte normalverteilte Poissonverteilte normalverteilte 18 Poissonverteilte normalverteilte Wir betrachten eine Stichprobe X 1,..., X n aus einer Verteilung F, die bis auf einen oder mehrere Parameter spezifiziert ist. Tests von Hypothesen über F heißen parametrisch. Eine Nullhypothese H 0 kann als eine Teilmenge des Parameterraums Θ aufgefasst werden. Der Test entscheidet, ob die Stichprobe mit der Hypothese vereinbar ist. Vor der Anwendung ist zu klären, ob die angenommene parametrische Form plausibel ist. 391/ /495
5 Poissonverteilte normalverteilte Zunächst wird die Teststatistik T und das Signifikanzniveau α gewählt. Dann wird der kritische Bereich C so festgelegt, dass W (T C ϑ H 0 ) α Zu einer Nullhypothese H 0 kann eine Gegenhypothese H 1 formuliert werden. H 1 kann ebenfalls als Teilmenge des Parameterraums Θ aufgefasst werden. Ist das Signifikanzniveau α festgelegt, kann für jedes ϑ H 1 die Güte berechnet werden: 1 β(ϑ) = W (T C ϑ H 1 ) 1 β(ϑ) heißt die Gütefunktion des Tests. Poissonverteilte normalverteilte Beispiel mit Eponentialverteilung X 1,..., X n ist eine eponentialverteilte Stichprobe aus E(τ). Die Hypothese H 0 : τ = τ 0 soll anhand der Stichprobe getestet werden. Als Teststatistik T wählen wir das Stichprobenmittel: T = X. Unter Annahme von H 0 hat T die folgende Dichte: f(t) = t n 1 (τ 0 /n) n Γ(n) ep ( t ) τ 0 /n T ist also verteilt gemäß Ga(n, τ 0 /n). Das symmetrische Prognoseintervall [y 1 (τ 0 ), y 2 (τ 0 )] für T zum Niveau 1 α erhält man mit: y 1 (τ 0 ) = γ α/2,n,τ0/n, y 2 (τ 0 ) = γ 1 α/2,n,τ0/n 393/ /495 Poissonverteilte normalverteilte Der Verwerfungsbereich mit Signifikanzniveau α ist daher die Menge C = [0, y 1 (τ 0 )] [y 2 (τ 0 ), [ H 0 wird also abgelehnt, wenn T weit entfernt vom hypothetischen Wert τ 0 ist. Die Gütefunktion für einen Wert τ ergibt sich durch: 1 β(τ) = W (T C) = G(y 1 (τ 0 )) + 1 G(y 2 (τ 0 )) wo G die Verteilungsfunktion der Ga(n, τ/n)-verteilung ist. Der Test ist nicht unverzerrt, da z.b. für τ 0 = 1 und n = 25 Poissonverteilte normalverteilte f(t) Dichte des Stichprobenmittels (τ 0 =1) und kritische Bereiche n=25 n=100 1 β(0.986) = < α Matlab: make test eponential mean.m T 395/ /495
6 Unterabschnitt: Poissonverteilte normalverteilte 1 β(τ) Gütefunktion (τ 0 =1) Poissonverteilte normalverteilte Poissonverteilte normalverteilte n=25 n= τ 397/ /495 Zweiseitiger Test für den Parameter p Einseitiger Test für den Parameter p Poissonverteilte normalverteilte k ist eine Beobachtung aus der Binomialverteilung Bi(n, p). Die Hypothese H 0 : p = p 0 soll anhand der Beobachtung gegen die Alternativhypothese H 1 : p p 0 getestet werden. H 0 wird abgelehnt, wenn k unter Annahme von H 0 nicht im symmetrischen Prognoseintervall [y 1 (p 0 ), y 2 (p 0 )] liegt, also zu klein oder zu groß ist. Das ist der Fall, wenn entweder k ( n i i=k i=0 ) p i 0(1 p 0 ) n i = β(p 0 ; k, n k + 1) < α/2 oder n ( ) n p i i 0(1 p 0 ) n i = β(1 p 0 ; n k, k + 1) < α/2 gilt. Poissonverteilte normalverteilte Die Hypothese H 0 : p p 0 soll anhand der Beobachtung k gegen die Alternativhypothese H 1 : p > p 0 getestet werden. H 0 wird abgelehnt, wenn k zu groß ist und damit der p-wert zu klein: P (k) = n i=k ( ) n p i i 0(1 p 0 ) n i = β(p 0 ; k, n k + 1) < α Die Hypothese H 0 : p p 0 wird abgelehnt, wenn k zu klein ist und damit auch der p-wert zu klein: P (k) = k i=0 ( ) n p i i 0(1 p 0 ) n i = β(1 p 0 ; n k, k + 1) < α 399/ /495
7 Poissonverteilte normalverteilte Beispiel Ein Hersteller behauptet, dass nicht mehr als 2 Prozent eines gewissen Bauteils fehlerhaft sind. In einer Stichprobe vom Umfang 300 sind 9 Stück defekt. Kann die Behauptung des Herstellers widerlegt werden? Es gilt: ( ) P (k) = 0.02 i i = i i=9 Die Behauptung des Herstellers lässt sich also auf einem Signifikanzniveau von 5 Prozent nicht widerlegen. Poissonverteilte normalverteilte Näherung durch Normalverteilung Ist n genügend groß, kann die Verteilung von k durch eine Normalverteilung No(np, np(1 p)) angenähert werden. H 0 wird abgelehnt, wenn das Standardscore Z = k np 0 np(1 p0 ) nicht in einem Prognoseintervall vom Niveau 1 α der Standardnormalverteilung liegt. Zweiseitiger Test: H 0 wird abgelehnt wenn Matlab: make test binomial.m Z < z α/2 oder Z > z 1 α/2 Einseitiger Test: H 0 wird abgelehnt wenn Z < z α bzw. Z > z 1 α 401/ /495 Unterabschnitt: Poissonverteilte Poissonverteilte normalverteilte Beispiel Mit der Angabe des letzten Beispiels ergibt die Näherung: Z = < z 0.95 = Die Hypothese kann also nicht abgelehnt werden. Matlab: make test binomial.m Poissonverteilte normalverteilte Poissonverteilte normalverteilte / /495
8 Poissonverteilte Poissonverteilte Zweiseitiger Test auf den Erwartungswert Einseitiger Test auf den Erwartungswert Poissonverteilte normalverteilte X 1,..., X n ist eine Poissonverteilte Stichprobe aus Po(λ). Die Hypothese H 0 : λ = λ 0 soll anhand der Stichprobe gegen die Alternativhypothese H 1 : λ λ 0 getestet werden. Als Teststatistik T wählen wir die Stichprobensumme: T = n T ist Poissonverteilt gemäß Po(nλ). H 0 wird abgelehnt, wenn T zu klein oder zu groß ist, also wenn T (nλ 0 ) k e nλ0 < α/2 oder k! k=0 X i (nλ 0 ) k e nλ0 < α/2 k! k=t Poissonverteilte normalverteilte Die Hypothese H 0 : λ λ 0 wird abgelehnt, wenn T zu groß ist und damit der p-wert zu klein: P (T ) = (nλ 0 ) k e nλ0 < α k! k=t Die Hypothese H 0 : λ λ 0 wird abgelehnt, wenn T zu klein ist und damit auch der p-wert zu klein: P (T ) = T (nλ 0 ) k e nλ0 < α k! k=0 405/ /495 Poissonverteilte Poissonverteilte Poissonverteilte normalverteilte Beispiel Ein Hersteller strebt an, dass in einer Fabrik täglich im Mittel nicht mehr als 25 defekte Bauteile hergestellt werden. Eine Stichprobe von 5 Tagen ergibt 28,34,32,38 und 22 defekte Bauteile. Hat der Hersteller sein Ziel erreicht? Es gilt: T = 154, P (T ) = (125) k e 125 = k! k=t Die Hypothese lässt sich also auf einem Signifikanzniveau von 1 Prozent widerlegen. Poissonverteilte normalverteilte Näherung durch Normalverteilung Beispiel Ist n genügend groß, kann die Verteilung von T durch eine Normalverteilung No(nλ, nλ) angenähert werden. H 0 wird abgelehnt, wenn das Standardscore Z = T nλ 0 nλ0 nicht in einem Prognoseintervall vom Niveau 1 α der Standardnormalverteilung liegt. Mit der Angabe des letzten Beispiels ergibt die Näherung: Z = > z 0.99 = Matlab: make test poisson mean.m Die Hypothese kann also auf einem Signifikanzniveau von 1 Prozent abgelehnt werden. 407/ /495
9 Unterabschnitt: normalverteilte normalverteilte Erwartungswert bei bekannter Varianz Poissonverteilte normalverteilte Poissonverteilte normalverteilte 18 Poissonverteilte normalverteilte X 1,..., X n ist eine normalverteilte Stichprobe aus No(µ, σ 2 ) mit bekanntem σ 2. Die Hypothese H 0 : µ = µ 0 soll anhand der Stichprobe gegen die Alternativhypothese H 1 : µ µ 0 getestet werden. Als Teststatistik T wählen wir das Standardscore des Stichprobenmittels: n(x µ0 ) T = σ Unter Annahme von H 0 ist T verteilt gemäß No(0, 1). H 0 wird abgelehnt, wenn T nicht in einem Prognoseintervall vom Niveau 1 α der Standardnormalverteilung liegt. 409/ /495 normalverteilte normalverteilte Poissonverteilte normalverteilte Zweiseitiger Test Die Hypothese H 0 wird abgelehnt, wenn n X µ0 T = > z 1 α/2 σ Die Gütefunktion für einen Wert µ ergibt sich durch: Poissonverteilte normalverteilte Gütefunktion des zweiseitigen Tests (µ 0 =1) 1 β(µ) = W (T C) = G(z α/2 ) + 1 G(z (1 α)/2 ) wo G die Verteilungsfunktion der No( n(µ µ 0 )/σ, 1)- Verteilung ist. Der Test ist unverzerrt. 1 β(µ) Matlab: make test normal mean.m 0.1 n=25 n= µ 411/ /495
10 normalverteilte normalverteilte Einseitiger Test Die Gütefunktion für einen Wert µ > µ 0 ergibt sich durch: Poissonverteilte normalverteilte Die Hypothese H 0 : µ µ 0 soll mit der Teststatistik T gegen die Alternativhypothese H 1 : µ > µ 0 getestet werden. H 0 wird abgelehnt, wenn T zu groß ist. Ein Verwerfungsbereich mit Signifikanzniveau α ist die Menge C = [z 1 α, [ Die Hypothese H 0 wird also abgelehnt, wenn ( ) n X µ0 T = σ > z 1 α Poissonverteilte normalverteilte 1 β(τ) = W (T C) = 1 G(z 1 α ) wo G die Verteilungsfunktion der No( n(µ µ 0 )/σ, 1)- Verteilung ist. Analog verläuft der Test mit H 0 : µ µ 0 und H 1 : µ < µ 0. Matlab: make test normal mean.m 413/ /495 normalverteilte normalverteilte Poissonverteilte normalverteilte 1 β(µ) Gütefunktion des einseitigen Tests (µ 0 =1) Poissonverteilte normalverteilte Erwartungswert bei unbekannter Varianz: t-test X 1,..., X n ist eine normalverteilte Stichprobe aus No(µ, σ 2 ) mit unbekanntem σ 2. Die Hypothese H 0 : µ = µ 0 soll anhand der Stichprobe gegen die Alternativhypothese H 1 : µ µ 0 getestet werden. Als Teststatistik T wählen wir das Standardscore des Stichprobenmittels, unter Benützung der Stichprobenvarianz S 2 : n(x µ0 ) T = S Unter Annahme von H 0 ist T verteilt gemäß t(n 1). 0.1 n=25 n= µ 415/ /495
11 normalverteilte normalverteilte Poissonverteilte normalverteilte H 0 wird abgelehnt, wenn T nicht in einem Prognoseintervall vom Niveau 1 α der t-verteilung mit n 1 Freiheitsgraden liegt. Ein Verwerfungsbereich mit Signifikanzniveau α ist die Menge C =], t n 1 α/2 ] [tn 1 1 α/2, [ wo t n 1 p das Quantil der t-verteilung mit n 1 Freiheitsgraden zum Niveau p ist. Die Hypothese H 0 wird also abgelehnt, wenn T = n X µ0 S > t n 1 1 α/2 Poissonverteilte normalverteilte Die Gütefunktion für einen Wert µ ergibt sich durch: 1 β(τ) = W (T C) = G(z α/2 ) + 1 G(z (1 α)/2 ) wo G die Verteilungsfunktion der nichtzentralen t(n 1, δ)-verteilung mit ist. Der Test ist unverzerrt. δ = n(µ µ 0 )/σ Matlab: make test normal mean.m 417/ /495 normalverteilte normalverteilte Poissonverteilte normalverteilte 1 β(µ) Gütefunktion des zweiseitigen t Tests (µ 0 =1) Poissonverteilte normalverteilte Gleichheit von zwei Erwartungswerten X 1,..., X n und Y 1,..., Y m sind zwei unabhängige normalverteilte Stichprobe aus No(µ, σ 2 ) bzw. No(µ y, σ 2 y). Die Hypothese H 0 : µ = µ y soll anhand der Stichproben gegen die Alternativhypothese H 1 : µ µ y getestet werden. Sind die Varianzen bekannt, wählen wir als Teststatistik T die Differenz der Stichprobenmittel: 0.3 T = X Y n=25 n= µ Unter Annahme von H 0 ist T verteilt gemäß No(0, σ 2 /n + σ 2 y/m). 419/ /495
12 normalverteilte normalverteilte Poissonverteilte normalverteilte Das Standardscore T Z = σ/n 2 + σy/m 2 ist dann standardnormalverteilt. Die Hypothese H 0 wird also abgelehnt, wenn oder Z > z 1 α/2 X Y > z 1 α/2 σ/n 2 + σy/m 2 Poissonverteilte normalverteilte Sind die Varianzen unbekannt und gleich, kann die Varianz aus der kombinierten ( gepoolten ) Stichprobe geschätzt werden: Unter Annahme von H 0 ist S 2 = (n 1)S2 + (m 1)S 2 y n + m 2 T = X Y S2 (1/n + 1/m) t-verteilt mit n + m 2 Freiheitsgraden. Die Hypothese H 0 wird also abgelehnt, wenn T > t n+m 2 1 α/2 wo t n+m 2 1 α/2 das Quantil der t-verteilung mit n + m 2 Freiheitsgraden ist. 421/ /495 normalverteilte normalverteilte t-test für gepaarte Stichproben Test der Varianz Poissonverteilte normalverteilte Gepaarte Stichproben (X 1, Y 1 ),..., (X n, Y n ) entstehen, wenn für jedes beobachtete Objekt die selbe Größe zweimal gemessen wird, vor und nach einer bestimmten Intervention. Die Wirkung der Intervention wird durch die Differenzen W i = Y i X i, i = 1,..., n beschrieben. Wir nehmen an, dass W 1,..., W n normalverteilt mit Mittel µ w und unbekannter Varianz σ 2 w ist. Die Hypothese H 0 : µ w = 0 (keine Wirkung der Intervention) soll anhand der Stichprobe gegen die Alternativhypothese H 1 : µ w 0 getestet werden. Dies erfolgt mit dem t-test für einzelne Stichproben. Poissonverteilte normalverteilte X 1,..., X n ist eine normalverteilte Stichprobe mit unbekanntem Erwartungswert µ und unbekannter Varianz σ 2. Die Hypothese H 0 : σ 2 = σ 2 0 soll anhand der Stichprobe gegen die Alternativhypothese H 1 : σ 2 σ 2 0 getestet werden. Als Teststatistik T wählen wir: T = (n 1)S2 σ 2 0 Unter Annahme von H 0 ist T χ 2 -verteilt mit n 1 Freiheitsgraden. 423/ /495
13 normalverteilte normalverteilte Poissonverteilte normalverteilte Die Hypothese H 0 wird also abgelehnt, wenn T < χ 2 α/2,n 1 oder T > χ 2 1 α/2,n 1 wo χ 2 p,k das Quantil der χ2 -Verteilung mit k Freiheitsgraden zum Niveau p ist. Die Gütefunktion für einen Wert σ 2 ergibt sich durch: Poissonverteilte normalverteilte Gütefunktion des zweiseitigen Tests (σ 0 2 =1) 1 β(σ 2 ) = G(σ 2 0/σ 2 χ 2 α/2 ) + 1 G(σ2 0/σ 2 χ 2 (1 α)/2 ) wo G die Verteilungsfunktion der χ 2 (n 1)- Verteilung ist. Der Test ist nicht unverzerrt. 1 β(σ 2 ) Matlab: make test normal variance.m 0.1 n=25 n= σ 2 425/ /495 normalverteilte normalverteilte Gleichheit von zwei Varianzen Die Hypothese H 0 wird also abgelehnt, wenn Poissonverteilte normalverteilte X 1,..., X n und Y 1,..., Y m sind zwei unabhängige normalverteilte Stichprobe aus No(µ, σ 2 ) bzw. No(µ y, σ 2 y). Die Hypothese H 0 : σ 2 = σ 2 y soll anhand der Stichproben gegen die Alternativhypothese H 1 : σ 2 σ 2 y getestet werden. Die Teststatistik T ist das Verhältnis der Stichprobenvarianzen: Poissonverteilte normalverteilte T < F α/2 oder T > F 1 α/2 wo F p das Quantil der F-Verteilung mit n 1 bzw. m 1 Freiheitsgraden zum Niveau p ist. Ist σ 2 y = kσ 2, ergibt sich die Gütefunktion für einen Wert k ergibt durch: 1 β(τ) = G(σ 2 0/σ 2 F α/2 ) + 1 G(σ 2 0/σ 2 F (1 α)/2 ) T = S2 S 2 y Unter Annahme von H 0 ist T F-verteilt gemäß F(n 1, m 1). wo G die Verteilungsfunktion der F(n 1, m 1)- Verteilung ist. Der Test ist unverzerrt. Matlab: make test normal variance.m 427/ /495
14 normalverteilte Abschnitt 18: Gütefunktion des zweiseitigen Tests (σ 2 =σ y 2 ) 1 Poissonverteilte normalverteilte 1 β(k) Poissonverteilte normalverteilte n=25 n= ln k=ln(σ 2 y /σ 2 ) 429/ /495 Unterabschnitt: Poissonverteilte normalverteilte Ein Test, der die Hypothese überprüft, ob die Daten einer gewissen Verteilung entstammen können, heißt ein Anpassungstest. Die Verteilung kann völlig oder bis auf unbekannte Parameter bestimmt sein. Ein Anpassungstest kann einem parametrischen Test vorausgehen, um dessen Anwendbarkeit zu überprüfen. Poissonverteilte normalverteilte / /495
15 Poissonverteilte normalverteilte für diskrete Die Stichprobe X 1,..., X n entstammt einer diskreten Verteilung mit Wertebereich {1,..., k}. Wir testen die Hypothese H 0, dass die Dichte f die Werte f(j) = p j, j = 1,..., k hat: gegen H 0 : W (X i = j) = p j, j = 1,..., k H 1 : W (X i = j) p j, für ein j Es sei Y j die Zahl der, die gleich j sind. Unter der Nullhypothese ist Y 1,..., Y k multinomial verteilt gemäß Mu(n, p 1,..., p k ) und E[Y j ] = np j. Poissonverteilte normalverteilte Satz Die Testgröße vergleicht die beobachteten Häufigkeiten Y j mit ihren Erwartungswerten: T = k (Y j np j ) 2 j=1 np j Die Nullhypothese wird verworfen, wenn T groß ist. Der kritische Bereich kann nach dem folgenden Ergebnis bestimmt werden. Unter Annahme der Nullhypothese ist die Zufallsvariable T asymptotisch, d.h. für n, χ 2 -verteilt mit k 1 Freiheitsgraden. 433/ /495 Poissonverteilte normalverteilte Soll der Test Signifikanzniveau α haben, wird H 0 abgelehnt, wenn T χ 2 1 α,k 1 wo χ 2 1 α,k das Quantil der χ2 -Verteilung mit k 1 Freiheitsgraden zum Niveau 1 α ist. Der Grund dafür, dass T nur k 1 Freiheitsgrade hat, ist der lineare Zusammenhang zwischen den Y j : k Y j = n j=1 Poissonverteilte normalverteilte Beispiel Wir testen anhand einer Stichprobe vom Umfang 50, ob ein Würfel symmetrisch ist, d.h. ob die Augenzahl X folgende Verteilung hat: W (X = 1) =... = W (X = 6) = 1 6 Eine Simulation von N = Stichproben ergibt: T = 5.000, S 2 T = Das 0.95-Quantil der χ 2 -Verteilung mit fünf Freiheitsgraden ist χ ,5 = 11.07, und Als Faustregel gilt: n sollte so groß sein, dass np j > 5, j = 1,..., k. Ist das nicht erfüllt, sollte der Ablehnungsbereich durch Simulation bestimmt werden. W (T 11.07) = Matlab: make chi2test wuerfel.m 435/ /495
16 für stetige Unbekannte Parameter Poissonverteilte normalverteilte Die Stichprobe X 1,..., X n entstammt einer stetigen Verteilung F. Wir testen die Hypothese H 0 : F () = F 0 (). Dazu wird der Wertebereich von X in k Gruppen G 1,..., G k eingeteilt. Es sei Y j die Zahl der in Gruppe G j. Unter der Nullhypothese ist Y 1,..., Y k multinomial verteilt gemäß Mu(n, p 1,..., p k ) und E[Y j ] = np j, mit p j = W (X G j H 0 ) Der Test verläuft weiter wie im diskreten Fall. Poissonverteilte normalverteilte Die Nullhypothese muss nicht vollständig spezifiziert sein. Wir betrachten den Fall, dass die p j noch von unbekannten Parametern ϑ abhängen: W (X G j ) = p j (ϑ) Die T ist nun eine Funktion der unbekannten Parameter: k (Y j np j (ϑ)) 2 T (ϑ) = np j (ϑ) j=1 Zunächst werden die Parameter geschätzt, durch ML-Schätzung oder Minimierung von T : ϑ = arg min T (ϑ) ϑ 437/ /495 Poissonverteilte normalverteilte Satz Der kritische Bereich kann nach dem folgenden Ergebnis bestimmt werden. Werden m Parameter aus der Stichprobe geschätzt, so ist T ( ϑ) asymptotisch χ 2 -verteilt mit k 1 m Freiheitsgraden. Soll der Test Signifikanzniveau α haben, wird H 0 abgelehnt, wenn T χ 2 1 α,k 1 m Poissonverteilte normalverteilte Beispiel Angabe: Die Zahl der Arbeitsunfälle wurde in einem großen Betrieb über 30 Wochen erhoben. Es ergaben sich folgende Werte: X ={8, 0, 0, 1, 3, 4, 0, 2, 12, 5, 1, 8, 0, 2, 0, 1, 9, 3, 4, 5, 3, 3, 4, 7, 4, 0, 1, 2, 1, 2} Es soll die Hypothese überprüft werden, dass die Poisson-verteilt gemäß Po(λ) sind. Lösung: Die werden in fünf Gruppen eingeteilt: wo χ 2 1 α,k das Quantil der χ2 -Verteilung mit k 1 m Freiheitsgraden zum Niveau 1 α ist. Gruppe X > 5 Die Häufigkeiten der Gruppen sind: Y 1 = 6, Y 2 = 5, Y 3 = 8, Y 4 = 6, Y 5 = 5 439/ /495
17 Unterabschnitt: Beispiel (Fortsetzung) Der Schätzwert für λ ist das Stichprobenmittel: Poissonverteilte normalverteilte λ = Die Erwartungswerte der Y j unter Annahme von H 0 = Po( λ) sind: j E[Y 1] Die Testgröße T ist gleich Poissonverteilte normalverteilte T = Das 99%-Quantil der χ 2 -Verteilung mit drei Freiheitsgraden ist gleich χ ,3 = Die Hypothese, dass die Poisson-verteilt sind, ist also abzulehnen. Matlab: make chi2test poisson.m 441/ /495 Poissonverteilte normalverteilte Eine Stichprobe Die Stichprobe X 1,..., X n ist aus der stetigen Verteilung mit Verteilungsfunktion F. Wir testen die Hypothese H 0 : F () = F 0 (). Die Testgröße D n ist die maimale absolute Abweichung der empirischen Verteilungsfunktion F n () der Stichprobe von der hypothetischen Verteilungsfunktion F 0 (): D n = ma F n() F 0 () Für Stichproben aus F 0 ist die Verteilung von D n unabhängig von F 0! Für Stichproben aus F 0 strebt die Verteilungsfunktion von nd für n gegen: Poissonverteilte normalverteilte Aus der asymptotischen Verteilungsfunktion können Quantile K 1 α berechnet werden. Die Nullhypothese wird abgelehnt, wenn ndn > K 1 α Werden vor dem Test Parameter von F 0 geschätzt, sind die Quantile nicht mehr gültig. In diesem Fall muss der Ablehnungsbereich durch Simulation ermittelt werden. Matlab: Funktion kstest K() = 1 2 ( 1) k 1 e 2k2 2 k=1 443/ /495
18 Zwei Stichproben Poissonverteilte normalverteilte Wir testen, ob zwei Stichproben vom Umfang n bzw. m aus der gleichen Verteilung F stammen. Die Testgröße ist die maimale absolute Differenz der empirischen Verteilungsfunktionen: D n,m = ma F n() 1 Fm() 2 Die Nullhypothese wird abgelehnt, wenn nm n + m D n,m > K 1 α Teil 6 Regression und lineare Modelle Matlab: Funktion kstest2 445/ /495 Übersicht Teil 6 Abschnitt 19: / /495
19 Abschnitt 20: Regressionsanalyse untersucht die Abhängigkeit der von diversen Variablen. Einflussvariable (unabhängige Variable) = ( 1,..., r ). Ergebnisvariable (abhängige Variable) Y. Regressionsmodell: Y = f(β, ) + ε mit Regressionskoeffizienten β und Fehlerterm ε. Ziel ist die Schätzung von β anhand von Y 1,..., Y n. Eine Einflussvariable: einfache Regression; Mehrere Einflussvariable: mehrfache (multiple) Regression / /495 Unterabschnitt: Das einfachste Regressionsmodell ist eine Gerade: Y = α + β + ε, E[ε] = 0, var[ε] = σ 2 Es seien nun Y 1,..., Y n die Ergebnisse für die Werte 1,..., n der Einflussvariablen. Die Schätzung von α und β kann nach dem Prinzip der kleinsten Fehlerquadrate erfolgen. Die folgende Zielfunktion wird minimiert: SS = n (Y i α β i ) 2 Gradient von SS: SS n α = 2 (Y i α β i ), SS β n = 2 i (Y i α β i ) 451/ /495
20 Nullsetzen des Gradienten gibt die Normalgleichungen: n Y i = nα + β n n n i Y i = α i + β i n Die geschätzten Regressionskoeffizienten lauten: n ˆβ = iy i n Y i n 2 i n 2 ˆα = Y ˆβ 2 i Die Varianz des Fehlerterms wird erwartungstreu geschätzt durch: ˆσ 2 = 1 n ri 2 n 2 mit r i = Y i Ŷi, Ŷ i = ˆα + ˆβ i Kovarianzmatri der geschätzten Regressionkoeffizienten: 2 i Cov[ˆα, ˆβ] n ( i 2 = σ 2 i n 2 ) n ( 2 i n 2 ) i n ( 1 2 i n 2 ) 2 i n 2 Es gilt E[ˆα] = α und E[ ˆβ] = β. 453/ /495 Beispiel Datensatz 4: = r y = ȳ = â = s = ˆb = s y = Matlab: make dataset4 Beispiel (Fortsetzung) Datensatz 4: Gewicht (kg) Datensatz / Körpergröße (cm) 456/495 Streudiagramm mit Regressionsgerade
21 Die Streuung der Werte Y i hat im Regressionsmodell unterschiedliche Ursachen. Einerseits gibt es systematische Unterschiede durch unterschiedliche Werte von. Dazu kommt noch die zufällige Streuung der Daten. Erklärbare Streuung SS = Reststreuung SS R = Totale Streuung SS T = n (Ŷi Y ) 2 = ryns 2 2 Y n (Y i Ŷi) 2 = (1 ry)ns 2 2 Y n (y i Y ) 2 = ns 2 Y Streuungszerlegung SS T = SS + SS R Die Güte der Regressionsgeraden kann durch das Bestimmtheitsmaß angegeben werden: Bestimmheitsmaß der Regression B = SS SS T = r 2 y Es gibt an, welcher Anteil an der Gesamtstreuung durch die Korrelation von und Y erklärt werden kann. 457/ /495 Unterabschnitt: Satz Ist β = 0, hängt das Ergebnis überhaupt nicht von den Einflussvariablen ab. Ein Test der Nullhypothese H 0 : β = 0 gegen H 1 : β 0 beruht auf dem folgenden Satz. Ist ε normalverteilt, so sind ˆα α ˆσˆα, ˆβ β ˆσ ˆβ 21 t-verteilt mit n 2 Freiheitsgraden, wobei ˆσ 2ˆα = ˆσ 2 2 i n ( 2 i n 2 ), ˆσ 2 ˆσ2ˆβ = 2 i n 2 459/ /495
22 Die Nullhypothese H 0 : β = 0 wird abgelehnt, wenn die Testgröße T = ˆβ ˆσ ˆβ relativ klein oder relativ groß ist, also wenn ˆβ ˆσ ˆβ > t n 2 1 α/2 wo t n 2 p das Quantil der t-verteilung mit n 2 Freiheitsgraden zum Niveau p ist. Ein analoger Test kann für die Nullhypothese H 0 : α = 0 durchgeführt werden. Die symmetrischen Konfidenzintervalle mit 95% Sicherheit lauten: ˆα ± ˆσˆα t n 2 1 α/2, ˆβ ± ˆσ ˆβ t n 2 1 α/2 Für n > 30 können die Quantile der t-verteilung durch Quantile der Standardnormalverteilung ersetzt werden. Es soll nun das Ergebnis Y 0 = Y ( 0 ) für einen bestimmten Wert 0 der Einflussvariablen prognostiziert werden. Der Erwartungswert von Y 0 ist E[Y 0 ] = ˆα + ˆβ 0 Die Varianz von E[Y 0 ] ergibt sich mittels Fehlerfortpflanzung: [ 1 var[e[y 0 ]] = σ 2 n + ( 0) 2 ] 2 i n 2 461/ /495 Da Y 0 um seinen Erwartungswert mit Varianz σ 2 streut, ergibt sich: var[y 0 ] = σ 2 [ n + 1 n + ( 0) 2 ] 2 i n 2 Das symmetrische Prognoseintervall für Y 0 mit Sicherheit α ist daher gleich: ˆα + ˆβ 0 ± t n 2 1 α/2ˆσ n ( 0) 2 n 2 i n 2 Die Angemessenheit des Modells kann durch Untersuchung der studentisierten Residuen (Restfehler) überprüft werden. Das Residuum r k hat die Varianz [ var[r k ] = σ n ( k ) 2 ] 2 i n 2 Das studentisierte Residuum ist dann r k = r k ˆσ 1 1 n ( k ) 2 2 i n 2 Es hat Erwartung 0 und Varianz 1. Matlab: make regression diagnostics 463/ /495
23 y r y r Regressionsgerade und studentisierte Residuen Regressionsgerade und studentisierte Residuen 465/ /495 Unterabschnitt: y Als LS-Schätzer ist die Regressionsgerade nicht robust, d.h. empfindlich gegen Ausreißer Matlab: make regression outliers y Data Outlier LS w/o outlier LS with outlier mit Ausreißern / /495
24 LMS (Least Median of Squares): Anstatt der Summe der Fehlerquadrate wird der Median der Fehlerquadrate minimiert. Eact fit property : Die LMS-Gerade geht durch zwei Datenpunkte. Berechnung kombinatorisch. LTS (Least Trimmed Squares): Es wird die Summe einer festen Anzahl h n von Fehlerquadraten minimiert. Berechnung iterativ (FAST-LTS). Beide Methoden gehen auf P. Rousseeuw zurück. y y Data Outlier LS w/o outlier LS with outlier LMS LTS (75%) mit Ausreißern Matlab: make robust regression 469/ /495 Unterabschnitt: Ist der Zusammenhang zwischen und Y nicht annähernd linear, kann man versuchen, ein Polynom anzupassen. Das Modell lautet dann: Y = β 0 +β 1 +β β r r +ε, E[ε] = 0, var[ε] = σ 2 Es seien wieder Y 1,..., Y n die Ergebnisse für die Werte 1,..., n der Einflussvariablen. In Matri-Vektor-Schreibweise: Y = Xβ + ε 21 mit r r 2 X = n 2 n r n 471/ /495
25 Die folgende Zielfunktion wird minimiert: Gradient von SS: SS = (Y Xβ) T (Y Xβ) SS β = 2XT (Y Xβ) Nullsetzen des Gradienten gibt die Normalgleichungen: Die Lösung lautet: X T Y = X T Xβ ˆβ = ( X T X ) 1 X T Y Die Varianz des Fehlerterms wird erwartungstreu geschätzt durch: ˆσ 2 1 n = ri 2 n r 1 mit r = Y Ŷ, Ŷ = X ˆβ Kovarianzmatri der geschätzten Regressionkoeffizienten: Cov[ ˆβ] = σ 2 ( X T X ) 1 Kovarianzmatri der Residuen r: Cov[ ˆβ] = σ 2 [ I X ( X T X ) 1 X T] 473/ /495 Abschnitt 21: 45 2 y r Regressionsparabel und studentisierte Residuen / /495
26 Unterabschnitt: Hängt das Ergebnis Y von mehreren Einflussvariablen ab, lautet das einfachste lineare Regressionmodell: Y = β 0 +β 1 1 +β β r r +ε, E[ε] = 0, var[ε] = σ 2 Es seien wieder Y 1,..., Y n die Ergebnisse für n Werte 1,..., n der Einflussvariablen = ( 1,..., r ). In Matri-Vektor-Schreibweise: mit Y = Xβ + ε 1 1,1 1,2 1,r 1 2,1 2,2 2,r X = n,1 n,2 n,r 477/ /495 Unterabschnitt: Die folgende Zielfunktion wird minimiert: Gradient von SS: SS = (Y Xβ) T (Y Xβ) SS β = 2XT (Y Xβ) Nullsetzen des Gradienten gibt die Normalgleichungen: Die Lösung lautet: X T Y = X T Xβ ˆβ = ( X T X ) 1 X T Y 479/ /495
27 Die Varianz des Fehlerterms wird erwartungstreu geschätzt durch: ˆσ 2 1 n = ri 2 n r 1 mit r = Y Ŷ, Ŷ = X ˆβ Kovarianzmatri der geschätzten Regressionkoeffizienten: Cov[ ˆβ] = σ 2 ( X T X ) 1 Satz Ist β k = 0, hängt das Ergebnis überhaupt nicht von den Einflussvariablen k ab. Ein Test der Nullhypothese H 0 : β k = 0 gegen H 1 : β k 0 beruht auf dem folgenden Satz. Ist ε normalverteilt, so ist ˆβ k β k ˆσ ˆβk Kovarianzmatri der Residuen r: Cov[ ˆβ] = σ 2 [ I X ( X T X ) 1 X T] t-verteilt mit n r 1 Freiheitsgraden, wobei ˆσ 2ˆβk Diagonalelement der geschätzten Kovarianzmatri ˆσ 2 ( X T X ) 1 ist. das k-te 481/ /495 Die Nullhypothese H 0 : β k = 0 wird abgelehnt, wenn die Testgröße T = ˆβ k ˆσ ˆβk relativ klein oder relativ groß ist, also wenn ˆβ k ˆσ ˆβk > t n r 1 1 α/2 wo t n 2 p das Quantil der t-verteilung mit n 2 Freiheitsgraden zum Niveau p ist. Das symmetrische Konfidenzintervall für β k mit 95% Sicherheit lautet: Es soll nun das Ergebnis Y 0 = Y ( 0 ) für einen bestimmten Wert 0 = ( 01,..., 0r ) der Einflussvariablen prognostiziert werden. Wir erweitern 0 um den Wert 1: + = (1, 01,..., 0r ). Der Erwartungswert von Y 0 ist dann E[Y 0 ] = + ˆβ Die Varianz von E[Y 0 ] ergibt sich mittels Fehlerfortpflanzung: var[e[y 0 ]] = σ 2 + ( X T X ) 1 + T ˆβ k ± ˆσ ˆβk t n r 1 1 α/2 483/ /495
28 Unterabschnitt: Da Y 0 um seinen Erwartungswert mit Varianz σ 2 streut, ergibt sich: var[e[y 0 ]] = σ 2 [ ( X T X ) 1 + T ] Das symmetrische Prognoseintervall für Y 0 mit Sicherheit α ist daher gleich: + ˆβ ± t n k 1 1 α/2 ˆσ (X T X) 1 T / /495 Im allgemeinen Fall können die Fehlerterme eine beliebige Kovarianzmatri haben: Y = Xβ + ε, Ist V bekannt, lautet die Zielfunktion: Cov[ε] = V SS = (Y Xβ) T G(Y Xβ), Gradient von SS: SS β = 2XT G(Y Xβ) G = V 1 Kovarianzmatri der geschätzten Regressionkoeffizienten: Cov[ ˆβ] = σ 2 ( X T GX ) 1 Kovarianzmatri der Residuen r: Cov[ ˆβ] = σ 2 [ I X ( X T GX ) 1 X T] Tests und können entsprechend modifizert werden. Nullsetzen des Gradienten gibt die Normalgleichungen: X T GY = X T GXβ Die Lösung lautet: ˆβ = ( X T GX ) 1 X T GY 487/ /495
29 Unterabschnitt: In der Prais ist die Abhängigkeit der Ergebnisse von den Regressionskoeffizienten oft nichtlinear: Y = h(β) + ε, Ist V bekannt, lautet die Zielfunktion: Cov[ε] = V SS = [Y h(β)] T G[Y h(β)], G = V 1 SS kann mit dem Gauß-Newton-Verfahren minimiert werden. Dazu wird h an einer Stelle β 0 linearisiert: h(β) h(β 0 ) + H(β β 0 ) = c + Hβ, H = h β β0 489/ /495 Die Schätzung von β lautet: ˆβ = ( H T GH ) 1 H T G(Y c) h wird neuerlich an der Stelle β 1 = ˆβ linearisiert. Das Verfahren wird iteriert, bis die Schätzung sich nicht mehr wesentlich ändert. Viele andere Methoden zur Minimierung von SS verfügbar. Teil 7 Einführung in die Bayes- 491/ /495
Statistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/453
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/453 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrStatistik. R. Frühwirth Teil 1: Deskriptive Statistik. Statistik. Einleitung Grundbegriffe Merkmal- und Skalentypen Aussagen und
Übersicht über die Vorlesung Teil : Deskriptive fru@hephy.oeaw.ac.at VO 42.090 http://tinyurl.com/tu42090 Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable und Verteilungen Februar 200 Teil 4:
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
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
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
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
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrStatistische Tests Übersicht
Statistische Tests Übersicht Diskrete Stetige 1. Einführung und Übersicht 2. Das Einstichprobenproblem 3. Vergleich zweier unabhängiger Gruppen (unverbundene Stichproben) 4. Vergleich zweier abhängiger
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrLösungen zum Aufgabenblatt 14
Lösungen zum Aufgabenblatt 14 61. Das Gewicht von Brötchen (gemessen in g) sei zufallsabhängig und werde durch eine normalverteilte Zufallsgröße X N(µ, 2 ) beschrieben, deren Varianz 2 = 49 g 2 bekannt
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. Oktober 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version:
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
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
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
MehrEinfaktorielle Varianzanalyse
Kapitel 16 Einfaktorielle Varianzanalyse Im Zweistichprobenproblem vergleichen wir zwei Verfahren miteinander. Nun wollen wir mehr als zwei Verfahren betrachten, wobei wir unverbunden vorgehen. Beispiel
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
Mehr7. Hypothesentests. Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang. X habe die unbekannte VF F X (x)
7. Hypothesentests Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang X habe die unbekannte VF F X (x) Interessieren uns für einen unbekannten Parameter θ der Verteilung von X 350 Bisher:
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
MehrTests für Erwartungswert & Median
Mathematik II für Biologen 26. Juni 2015 Prolog Varianz des Mittelwerts Beispiel: Waage z-test t-test Vorzeichentest Wilcoxon-Rangsummentest Varianz des Mittelwerts Beispiel: Waage Zufallsvariable X 1,...,X
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)
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
MehrKapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Induktive Statistik Prof. Dr. W.-D.
MehrFERNUNIVERSITÄT IN HAGEN WIRTSCHAFTSWISSENSCHAFT
FERNUNIVERSITÄT IN HAGEN FAKULTÄT WIRTSCHAFTSWISSENSCHAFT Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. A. Kleine Lehrstuhl für Angewandte
MehrZeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: k = n (n + 1) 2
Aufgabe 1. (5 Punkte) Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n k = k=1 n (n + 1). 2 Aufgabe 2. (5 Punkte) Bestimmen Sie das folgende Integral mithilfe partieller
MehrHypothesentests für Erwartungswert und Median. Statistik (Biol./Pharm./HST) FS 2015
Hypothesentests für Erwartungswert und Median Statistik (Biol./Pharm./HST) FS 2015 Normalverteilung X N μ, σ 2 X ist normalverteilt mit Erwartungswert μ und Varianz σ 2 pdf: pdf cdf:??? cdf 1 Zentraler
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrKurs Empirische Wirtschaftsforschung
Kurs Empirische Wirtschaftsforschung 5. Bivariates Regressionsmodell 1 Martin Halla Institut für Volkswirtschaftslehre Johannes Kepler Universität Linz 1 Lehrbuch: Bauer/Fertig/Schmidt (2009), Empirische
Mehr2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
MehrDiskrete Wahrscheinlichkeitstheorie
SS 2013 Diskrete Wahrscheinlichkeitstheorie Javier Esparza Fakultät für Informatik TU München http://www7.in.tum.de/um/courses/dwt/ss13 Sommersemester 2013 Teil V Induktive Statistik Induktive Statistik
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 II. Regressionsanalyse. Statistik II
Statistik II Regressionsanalyse Statistik II - 23.06.2006 1 Einfachregression Annahmen an die Störterme : 1. sind unabhängige Realisationen der Zufallsvariable, d.h. i.i.d. (unabh.-identisch verteilt)
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 15 Statistische Testverfahren 15.1. Arten statistischer Test Klassifikation von Stichproben-Tests Einstichproben-Test Zweistichproben-Test - nach der Anzahl der Stichproben - in Abhängigkeit von
MehrKATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert
KATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert 0. Das eigentliche Forschungsziel ist: Beweis der eigenen Hypothese H 1 Dafür muss Nullhypothese H 0 falsifiziert werden können Achtung!
MehrStatistische Tests zu ausgewählten Problemen
Einführung in die statistische Testtheorie Statistische Tests zu ausgewählten Problemen Teil 4: Nichtparametrische Tests Statistische Testtheorie IV Einführung Beschränkung auf nichtparametrische Testverfahren
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
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
MehrVorlesung: Lineare Modelle. Verschiedene Typen von Residuen. Probleme bei der Regression und Diagnose. Prof. Dr. Helmut Küchenhoff.
Vorlesung: Lineare Modelle Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München SoSe 205 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen.
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS tfü. Springer Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R 3 1.1 Installieren und Starten von R 3 1.2 R-Befehle
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
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
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrInhaltsverzeichnis. Robert Galata, Sandro Scheid. Deskriptive und Induktive Statistik für Studierende der BWL. Methoden - Beispiele - Anwendungen
Inhaltsverzeichnis Robert Galata, Sandro Scheid Deskriptive und Induktive Statistik für Studierende der BWL Methoden - Beispiele - Anwendungen Herausgegeben von Robert Galata, Markus Wessler ISBN (Buch):
MehrTesten von Hypothesen:
Testen von Hypothesen: Ein Beispiel: Eine Firma produziert Reifen. In der Entwicklungsabteilung wurde ein neues Modell entwickelt, das wesentlich ruhiger läuft. Vor der Markteinführung muss aber auch noch
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
MehrHypothesen: 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
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
MehrStatistik 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
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,,
MehrSchätzen 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
MehrStatistik II für Betriebswirte Vorlesung 3
Statistik II für Betriebswirte Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 2. November 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
Mehr30. März Ruhr-Universität Bochum. Methodenlehre II, SS Prof. Dr. Holger Dette
Ruhr-Universität Bochum 30. März 2011 1 / 46 Methodenlehre II NA 3/73 Telefon: 0234 322 8284 Email: holger.dette@rub.de Internet: www.ruhr-uni-bochum.de/mathematik3/index.html Vorlesung: Montag, 8.30 10.00
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002 1. Ein Chemiestudent hat ein Set von 10 Gefäßen vor sich stehen, von denen vier mit Salpetersäure Stoff A), vier mit Glyzerin Stoff
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen. Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung
Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung Typisierung der stetigen theoretischen Verteilungen Bibliografie:
MehrStatistische Messdatenauswertung
Roland Looser Statistische Messdatenauswertung Praktische Einführung in die Auswertung von Messdaten mit Excel und spezifischer Statistik-Software für naturwissenschaftlich und technisch orientierte Anwender
MehrEinführung in die statistische Testtheorie
1 Seminar Simulation und Bildanalyse mit Java von Benjamin Burr und Philipp Orth 2 Inhalt 1. Ein erstes Beispiel 2. 3. Die Gütefunktion 4. Gleichmäßig beste Tests (UMP-Tests) 1 Einführendes Beispiel 3
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
MehrKlausur zu Statistik II
Goethe-Universität Frankfurt Prof. Dr. Uwe Hassler FB Wirtschaftswissenschaften Sommersemester 2005 Klausur zu Statistik II Version B Bitte tragen Sie hier und auf den Lösungsblättern (oben links) Ihre
MehrProbeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)
Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null
MehrEntscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.1 4. Statistische Entscheidungsverfahren Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten Beispiel:
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrVertiefung der. Wirtschaftsmathematik. und Statistik (Teil Statistik)
Selbstkontrollarbeit 1 Vertiefung der Wirtschaftsmathematik und Statistik (Teil Statistik) 18. Januar 2011 Aufgaben Aufgabe 1 Gegeben sei eine binomialverteilte Zufallsvariablen X mit den Parametern N
MehrKapitel XIV - Anpassungstests
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIV - Anpassungstests Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh 2. Grundannahme:
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
MehrGrundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz
- 1 - Grundgesamtheit, Merkmale, Stichprobe Dimension, Umfang Skalierung Eigenschaften der Stichprobe kennzeichnende Größen Eigenschaften der Stichprobe kennzeichnende Größen Punktediagramm, Regressionsgerade,
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Winter 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
MehrSchließende Statistik
Schließende Statistik Die schließende Statistik befasst sich mit dem Rückschluss von einer Stichprobe auf die Grundgesamtheit (Population). Die Stichprobe muss repräsentativ für die Grundgesamtheit sein.
Mehr