Prof. Dr. J. Böhm-Rietig Mathematik 3 / Statistik FH-Köln, FB 19 Schließende Statistik 02261/
|
|
- Benjamin Grosse
- vor 7 Jahren
- Abrufe
Transkript
1 Parametertests Induktive Statistik / Hypothesentests / Signifikanztests Philosophie Der Begriff der statistischen Signifikanz: Statistische Signifikanz befaßt sich mit der Frage, ob es in ausreichendem Maße unwahrscheinlich ist, daß die Ergebnisse von Stichproben zufällig auftraten, um daraus zu schließen, daß eine andere Erklärung gerechtfertigt ist. Beispiel Produktionsqualität Angenommen, ein Drittel der Produktion ist jeweils (zufällig) defekt. Angenommen, Ingenieure haben maßgebliche Veränderungen zur Q- Verbesserungen vorgenommen Sie planen eine Zufalls-Stichprobe vom Umfang 5 (Stück mit Zurücklegen Bin.Vert.) zur Überprüfung. Ohne Veränderungen erwarten (Sie jeweils %): k= P(X=k) 0,,7 6,0 3,0 9,5,4 7,9,5 5,7, 0,7 0, 0,0 P(X k) 0,,9 7,9 0,9 40,4 6,8 79,7 9, 96,9 99, 99, Erwarten Sie nun 0 Fehler? Würden nur zwei Fehler einen deutlichen Hinweis für eine echte Prozeßverbesserung ergeben? Würden Sie sich trotz Überarbeitung über 5 Fehler wundern? Was würden Sie denken, wenn in einer (0*5=) 50er-Stichprobe 0*5=50 Fehler auftreten würden? Unterschied? Was heißt eigentlich maßgebliche Verbesserung? [Parametertests.doc] S. [ ]
2 Wenn die Ingenieure die Veränderungen vornehmen und dann eine Stichprobe ohne Defekte finden, dann gibt es nur nur zwei logische Erklärungen: oder a) der Prozeß ist nicht verbessert worden und eine extrem unwahrscheinliche Stichprobe ist gewählt worden, b) der Prozeß ist verbessert worden, und der Anteil der Defekte in der Population ist unter ein Drittel gesunken. Bei oder Fehlern gilt dies abgeschwächter genauso! Achtung: Man kann b) nicht beweisen, obgleich a) sehr unwahrscheinlich ist. Man kann a) nur mit einer Irrtumswahrscheinlichkeit ( 0,%) ausschließen. Philosophie In der Wissenschaft kann man nie etwas bestätigen, sondern man ist gehalten, die eigenen Vorurteile ("Hypothesen") zu widerlegen! Trick: Man darf natürlich das Gegenteil vom Gewünschten unterstellen und dann versuchen, dies zu widerlegen : "(schwacher) indirekter Beleg durch Widerspruch" Z.B. Mordprozess: Wenn der Verdächtige nicht der Einzeltäter war, dann war er zu dieser Zeit nicht am Tatort. Er war nach seiner Aussage am Ort X. Am Ort X war aber der Kommissar zu dieser Zeit und hat ihn nicht dort gesehen, also lügt derverdächtige. Evtl. war der Mörder aber trotzdem eine andere Person (z.b. der Kommissar!) Im Beispiel: Fehler in der Stichprobe gleichbleibende Qualität kann man nur mit 7,9% Irrtumswahrscheinlichkeit ausschließen! [Parametertests.doc] S. [ ]
3 "Richtige" Vereinbarung für eine Qualitätsstichprobe: Nach der Verbesserungsmaßnahmen wird eine Zufallsstichprobe vom Umfang 5 genommen. Wenn diese weniger als 3 Fehler enthält, gehen wir von einer tatsächlichen, maßgeblichen Verbesserung aus. Risiko einer fehlerhaften Abnahme der Verbesserung: 7,9%. Risiko eine fehlerhaften Annahme : komplizierter, s.u.! Konzept Planung und Durchführung eines (einseitigen) Parametertests für den unbekannten Anteilswert p bei Binomialverteilung (n groß). Kontrolle der methodischen Voraussetzung: Liegt Binomialverteilung vor? Kann zufälliges Ziehen mit Zurücklegen gewährleistet werden? Was ist der vorgegebene (vorherige) Parameterwert p 0?. Festlegung der Stichprobenziehung unter Vermeidung von Verzerrungen. Festlegung von n, Festlegung einers Signifikanzniveaus (Irrtumswahrscheinlichkeit) α (z.b. α=5% oder α=%). 3. Wir gehen von der Hypothese aus, dass k (Anzahl der Fehler in der Stichprobe) binomialverteilt ist und dass sich das aktuelle Qualitätsniveau p nicht verbessert hat p = p 0. Uns interessiert nur die Verbesserung, also würden wir p<p 0 gerne als Alternative annehmen, wenn die Stichprobe stark genug in diese Richtung weist. 4. Festlegung einer Testvariablen : Wenn p=p 0, wird das aktuelle k nach BV verteilen und Pˆ =k/n eine gute Schätzung für p0 sein. n Genauer: U:= Pˆ p 0 ist SNV wenn n p p 0 ( p 0 ) 0 (-p 0 )>9, Pˆ : ist die Stichprobenmaßzahl (k/n). p 0 : ist der vorausgesetzte Wert (Hypothese) [Parametertests.doc] S. 3 [ ] -/Ablehnungsgrenze estvariablen U
4 Ansonsten ist U:= k (=n Pˆ ) auf jeden Fall binomialverteilt mit EW(n Pˆ )=n p0 und Var(n Pˆ )=n p0 ( - p 0 ). 5) Aufgrund der Voraussetzungen kann man nun einen kritischen Wert c bestimmen mit P( U c ) = α (oder P( c U ) = - α). Beispielsweise α=5% und U ist SNV : 0,05 = P( U c ) = Φ(c) c = Φ - (0,05)= -,645 oder α=5% und U ist binomialverteilt mit p 0 =/3: 5 k n 5 5 k P(U=k)= p k 5 0 ) n p k 0 ( = = k k 3 k 3 k 3 5 Die Invertierung der Binomialverteilung ist nur iterativ möglich : k 0 P(U=k) 0,003 0,07 0,0599 P(U k) 0,003 0,094 0,0793 0,05 = P( U c ) c =,... Wegen Ganzzahligkeit c=. Annahme-/Ablehnungsgrenze der Zählgröße k 6. Erhebung der Stichprobe; Berechnung des Schätzwertes (k: Anz. der "Erfolge") und des Test-/Prüfwertes: û der Testvariable. 7. Testentscheidung: k pˆ : = n c û so bleibt man beim Parameterwert p=p 0. Aus dieser Stichprobe läßt sich kein Widerspruch zur Grundannahme ableiten! û < c so stellt diese Stichprobe einen signifikanten Widerspruch zur Voraussetzung p=p 0 dar, d.h. der wahre Populationsparameter ist p<p 0 mit Irrtumswahrscheinlichkeit α, [Parametertests.doc] S. 4 [ ]
5 Annahme- und Ablehnungsbereiche bei einseitigen Parametertests: 5% 0% 5% 0% 5% Kritischer Wert (Anzahl der Erfolge, Binomialverteilung) Ist die Qualität unverändert? Wahrscheinlichkeit Ablehnung Annahme 0% Anzahl Fehler Kritischer Wert (standardisierte Testvariable mit SNV) Ablehnung Annahme 0,50 0,40 0,30 0,0 0,0 0, c U Beispiel Gummibärchen: Der Anteil roter Gummibärchen soll mindestens 33% betragen. In einer 00g Tüte befinden sich etwa 43 bis 45 Gummibären. Mit einem Signifikanztest könnte man diese Vorgabe mit einer verbleibenden Irrtumswahrscheinlichkeit ablehnen, wenn die Anzahl roter Bären geringer als... (?) ist!. Binomialverteilung liegt vor; wegen großer Stückzahlen ist eine Tüte sicher wie eine Stichprobe "mit Zurücklegen" zu betrachten. [Parametertests.doc] S. 5 [ ]
6 . Stichprobenziehung ohne Verzerrung ist schwer zu garantieren (z.b. "Verkäufer ist selber Fan von roten GB"). α=5% Signifikanz. 3. Grundhypothese: p 0 =33,3% ist das zu widerlegende Vorwissen. H 0 : p = p 0 = 33,3% Abweichungen in beide Richtungen könnten uns zur Abkehr davon bewegen: H (Alternative): p p 0 = 33,3% (als p<p 0 oder p>p 0 ) 4. Wegen 45 (/3) (/3)=0>9 kann man mit der SNV-Testvariablen rechnen: U := 45 Pˆ (für n=45) kritischer Wert einseitig : c=,645 (für α=5%, s.o.) kritischer Wert richtig gemäß H zweiseitig: c= Φ ( α /) =, Stichprobe wird ausgezählt: von 45 sind rot. û = = -0,949 9 k pˆ : = = n Testentscheidung: wegen c < û (einseitig) bzw. û c (-seitig!) können wir die Herstellerangaben nicht widerlegen (obgleich recht wenig rote Bären in der Tüte waren). Frage: Wieviel müßten denn in der Tüte liegen, damit die Entscheidung kippt? Man muß den kritischen Wert zurück in die Anzahlen-Dimension rechnen: û = c pˆ 45 9 =, 645 pˆ =,8% k=9,8 3 Unterhalb von 0 roten Bären wird man die Herstellerangabe also in Zweifel ziehen (α=5% Irrtums-W'K, einseitig). [Parametertests.doc] S. 6 [ ]
7 Zweiseitiger Parametertest Den Hersteller interessiert jede Abweichung vom veröffentlichten Wert, also nach unten und nach oben! Es gibt kritische Werte: c u und c o : P( c u U c o ) = - α Achtung: Übereinstimmung mit Vertrauensintervall! Bestimmung von c u und c o mittels SNV (also wieder nur n p (-p)>9) genau wie beim K.I. : c u = Φ - (α/) (= -,960 für α=5%) und c o = Φ - (-α/) (=,960 für α=5%) Mit den entsprechenden Quantilen für die Binomialverteilung, wenn SNV nicht einsetzbar ist. Testentscheidung: û c o ( c u û c o ) keine Abweichung feststellbar; û > c o ( û < c u oder c o < û ) Herstellerangaben sind (mit Irrtums-W'K α) falsch. Zweiseitiger Test (standardisierte Testvariable mit SNV) 0,50 0,40 Ablehnung 0,30 0,0 Annahmebereich 0,0 Ablehnung 0, U 3 Ansonsten keine Änderung zu Obigem! Zweiseitige Tests : H 0 : p=p 0 Einseitige Tests : H 0 : p p 0 (oder p p 0 ) [Parametertests.doc] S. 7 [ ]
8 Allgemeine Formulierung eines Signifikanz-/Parametertests. Feststellung der zugrundeliegenden Population und ihrer Verteilung. Festlegung einer Arbeitshypothese ("was soll widerlegt werden?") Nullhypothese H 0 : p=p 0 (oder p p 0 oder p p 0 oder p p 0 ) Die Alternative ist wichtig für den Ablehnungsbereich ("was wollen wir indirekt bestätigen?") Alternativhypothese (H a ) H : p p 0 (oder entsprechend passend). Festlegung des Parameterschätzers und der Testvariable. Festlegung der Stichprobengewinnung, "n" und Beschreibung weiterer Voraussetzungen (z.b. für die Näherung mittels SNV) 3. "α" Signifikanzniveau festlegen (. und 3. vertauschbar!). α ist die W'K dafür, daß H 0 fälschlicher Weise abgelehnt wird, obgleich sie zutrifft (Fehler. Art)! 4. Bestimmung der kritischen Werte (wenn die Verteilung des Parameterschätzers bekannt ist, sonst näherungsweise). 5. Durchführung des Tests, der Stichprobenziehung und Bestimmung des Wertes der Testvariable. 6. Testentscheidung:. Fall: H 0 bleibt weiterhin bestehen, wenn die Testvariable die kritischen Werte nicht über- bzw. unterschreitet: "H 0 kann nicht abgelehnt werden".. Fall: Die Testvariable liegt im Ablehnungsbereich, "H 0 wird zugunsten von H verworfen". (Das hat uns dann wahrscheinlich gefreut, denn die Widerlegung ist oft das gewünschte Ziel!) Man sagt nicht: H wird angenommen/h ist damit bewiesen! Im anderen Fall sagt man nicht: H 0 ist bewiesen! Höchstens etwas bedauernd: H 0 konnte nicht abgelehnt werden auf diesem Signifikanzniveau (α=...) [Parametertests.doc] S. 8 [ ]
9 Typen von Parametertests Test-Art testet Voraussetzung Testgröße Verteilung f= ) Gauss µ NV mit σ bekannt; BV mit n p (-p)>9 ) Student t-test µ NV u = t = x µ 0 σ/ n SNV x µ 0 Student-t n- s/ n 3) χ σ NV z = (n ) s 0 σ χ n- 4) Gauss µ -µ NV; σ,σ bekannt; verbundene Stichproben! wie oben () mit u= x x n σ + σ SNV 5) t-test "Doppel-t- Test" µ -µ NV verbundene Stichproben! wie oben () mit x u= x n s s + Student-t n- 6) Gauss µ -µ NV; σ,σ bekannt; unverbundene Stichproben! x u = x σ σ σ := σ + n n SNV 7) t-test "Doppel-t- Test" µ -µ NV; unverb.; n n x x σ =σ unbek.! s n + n s := (n )s n + (n )s + n Student-t n + n - [Parametertests.doc] S. 9 [ ]
10 4) bis 7) sind natürlich -seitige Tests! Hinweise: ) Binomialverteilung: Unter Ausnutzung der Approximation der BV durch die NV kann man für n p (-p)>9 diese annähernd SNVverteilte Testvariable verwenden (siehe Papula S. 589): u := p p 0 p 0 ( p ) 0 n, wenn p 0 der hypothetische Wert ist. ) χ : Es handelt sich nicht um einen sogenannten χ -Test! Das Heraussuchen der Grenzquantile erfolgt genauso, wie es bei den Konfidenzintervallen geübt wurde! Siehe Papula, Band3, III ) In der Praxis ist der F-Test zum Vergleich zweier Varianzen sehr verbreitet, der leider keine Erwähnung in Papula findet: Zwei nicht verbundene Stichproben (diskrete oder stetige Zufallsvariablen) aus einer (hinreichend annähernd) normalverteilten Grundgesamtheit werden hinsichtlich der Gleichheit ihrer Varianzen s getestet mit der Testvariable f:= (immer umstellen zu s s >s ) unter Zuhilfenahme der Quantile der F-Verteilung (mit den Freiheitsgraden n - und n -). Es wird somit geprüft, ob dieser Quotient signifikant von verschieden (größer) ist. Mögliche Fehlerquellen bei einem Parametertest. Man kann H 0 fälschlich ablehnen, obgleich es richtig ist. Die W'K dafür ist α. Fehler. Art. Da Produzenten und Abnehmern derartige Test zur Qualitätskontrolle verabreden und ein Fehler.Art zu Lasten des Lieferanten geht, nennt man α das Produzenten-/Lieferantenrisiko. [Parametertests.doc] S. 0 [ ]
11 . Man kann H 0 fälschlich bestätigen, obgleich es nicht gilt. Die W'K dafür ist nur unter Zuhilfenahme einer festen Gegenhypothese zu berechnen : "β", Fehler. Art. Gemäß obiger Konvention nennt man β das Konsumenten-/Abnehmerrisiko. Bei einseitigen Test kann man die Fehler recht anschaulich darstellen: µ 0 ist der per Hypothese vorausgesetzte Wert, links die unterstellte Verteilung, aufgrund derer "c" berechnet wird. Die rechte (Dichte-) Kurve stellt die tatsächliche Verteilung mit einem tatsächlichen Erwartungswert µ dar. f(x) angenommene, hypothetische Verteilung tatsächliche Verteilung µ 0 c Man sieht mit einem Blick: β α µ verändert man den kritischen Wert "c" zugunsten des Lieferanten (Verkleinerung von α), so vergrößert man das Konsumentenrisiko (Vergrößerung von β) und umgekehrt! Man bestimme also immer erst "α", berechne daraus den kritischen Wert "c" und versuche dann, "β" sinnvoll abzuschätzen (s.u.). Ist "β" zu groß, beginnt man neu mit einem größeren "α" bis zum Ausgleich der Interessen zwischen Produzent und Abnehmer : [Parametertests.doc] S. [ ]
12 Bestimmung des Fehlers.Art ("b"): Man kann b nur immer in Abhängigkeit des unbekannten tatsächlichen Parameterwertes (in der Skizze µ ) bestimmen!! Beispiel: einfacher, einseitiger Gauss-Test (µ<=µ 0 ) mit α=5%, µ 0 =5 und σ=3,63 (s.o. entspricht Gummibärchentest mit p 0 =/3 und n=45). c kritisch =,645 als oberster zulässiger Wert für die Testvariable u= x 5. 3, 63 c kritisch = c 5 c =,645 3,63+ 5=0,0 3,63 (Beim Gummibärchentest wäre x die Anzahl roter Bären in einer Tüte mit 45 Stück). u > c liegt im Ablehnungsbereich (mit α-fehler) u c ist der Annahmebereich (mit β-fehler in Abhängigkeit von µ ) Für eine tatsächliche Verteilung mit µ >µ 0 (bei gleichem σ!) gilt : X µ c µ c µ β( µ = µ σ = =Φ ) P NV( ; ) (X c) P SNV : σ σ σ µ c µ σ 0,696 0,064-0,569 -,0 -,834 β(µ ) 75,7% 5,5% 8,5%,5% 3,3% binomial 77,8% 56,% 3,8% 4,8% 4,9% Die letzte Zeile zum Vergleich die Berechnung mittels Binomialverteilung mit einer Verschiebung aufgrund diskreter Werte. Man nennt den Zusammenhang β=β(µ ) die Operationscharakteristik des Parametertests. [Parametertests.doc] S. [ ]
13 Der einzige Weg, um gleichzeitig beide Fehlerarten also sowohl α als auch ß zu reduzieren besteht darin, die Stichprobengröße zu erhöhen. Dies ist in dieser Skizze angedeutet (n=90 für Tüten mit verringertem σ). ß - Fehler ß( µ) 00% 90% 80% 70% 60% 50% 40% 30% 0% 0% 0% ß(µ) (a=5%) ß(µ) (a=0%) ßn(µ) (a=5%) σ/wurzel() --> σ µ Je größer die Stichprobe, desto steiler die Operationscharakteristik. Mit "n" wächst die Trennschärfe des Parametertests, da man µ 0 und µ besser durch den Test "unterscheiden" kann. Zum Vergleich hier die Darstellung der Binomialverteilungen mit p 0 =33,3% (entsprechend µ 0 =5) und p =48,9% (entsprechend µ =): Gummibärchen in 45er Tüten (p=/3) Wahrscheinlichkeit 0,4 0, 0,0 0,08 0,06 0,04 0,0 0,00 p(k) p0=33,3% p(k) p=48,9% Anzahl rote Bären [Parametertests.doc] S. 3 [ ]
14 Gummibärchen: H 0 : µ µ 0 (=5) H : µ = µ ( µ 0 ) σ = 3,68 bekannt ( 45schon verrechnet). ( Binomialvert.: n=45, p 0 = /3) α=5% φ - (-α) =,645 c krit = 0,0 [Parametertests.doc] S. 4 [ ]
15 Zufällige Fehlerquellen bei einem Parametertest. H 0 ablehnen, obgleich es richtig ist. Die W'K dafür ist α. Fehler. Art. Produzenten-/Lieferantenrisiko.. H 0 bestätigen, obgleich es nicht gilt. Die W'K dafür "β" (Operationscharakteristik: β=β(µ )) Fehler. Art. Konsumenten-/Abnehmerrisiko". Einseitigen Test : c ist der kritsche Wert f(x) angenommene, hypothetische Verteilung tatsächliche Verteilung µ 0 c Man sieht mit einem Blick: β α µ α(c) β(c) c [Parametertests.doc] S. 5 [ ]
16 Verhandlungssache: Bestimme erst "α", berechne daraus "c", versuche dann, "β" abzuschätzen (bezogen auf Toleranzen). "β" zu groß, größeres "α" nochmal b-fehler : WK für x c krit. β-fehler 00% 80% 60% 40% 0% Operations-Charakteristik P(X<c), α=5% β-fehler α=0% β-fehler α=5% n=90, MW von Tüten verdreht gegenüber oben! 0% Für eine tatsächliche Verteilung mit µ >µ 0 (bei gleichem σ!) gilt : X µ c µ c µ β( µ = µ σ = =Φ ) P NV( ; ) (X c) P SNV : σ σ σ µ c µ σ µ 0,696 0,064-0,569 -,0 -,834 β(µ ) 75,7% 5,5% 8,5%,5% 3,3% binomial 77,8% 56,% 3,8% 4,8% 4,9% [Parametertests.doc] S. 6 [ ]
17 [Parametertests.doc] S. 7 [ ]
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
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)
Mehr2. 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,
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Mehr3. Das Prüfen von Hypothesen. Hypothese?! Stichprobe Signifikanztests in der Wirtschaft
3. Das Prüfen von Hypothesen Hypothese?! Stichprobe 3.1. Signifikanztests in der Wirtschaft Prüfung, ob eine (theoretische) Hypothese über die Verteilung eines Merkmals X und ihre Parameter mit einer (empirischen)
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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
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
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
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 1 17.3.21 Grundlagen zum Hypothesentest Einführung: Wer Entscheidungen zu treffen hat, weiß oft erst im nachhinein ob seine Entscheidung richtig war. Die Unsicherheit
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 1 24.2.214 Grundlagen zum Hypothesentest Einführung: Wer Entscheidungen zu treffen hat, weiß oft erst im nachhinein ob seine Entscheidung richtig war. Die Unsicherheit
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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
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
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 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
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
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
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
MehrStatistische Tests Version 1.2
Statistische Tests Version 1.2 Uwe Ziegenhagen ziegenhagen@wiwi.hu-berlin.de 7. Dezember 2006 1 Einführung Ein statistischer Test dient der Überprüfung einer statistischen Hypothese. Mithilfe des Tests
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
MehrÜberblick Hypothesentests bei Binomialverteilungen (Ac)
Überblick Hypothesentests bei Binomialverteilungen (Ac) Beim Testen will man mit einer Stichprobe vom Umfang n eine Hypothese H o (z.b.p o =70%) widerlegen! Man geht dabei aus von einer Binomialverteilung
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
MehrStatistische Tests funktionieren generell nach obigem Schema; der einzige Unterschied besteht in der unterschiedlichen Berechnung der Testgröße.
Statistische Tests Testen von Hypothesen Fehlerarten wichtigste statistische Tests Hypothesen Jeder statistische Test beruht auf der Widerlegung einer zuvor aufgestellten Hypothese. Die Widerlegung ist
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:
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 017 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 heißt Median. P(X < z α ) α P(X z α ). Falls X stetige zufällige Variable
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
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.
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
MehrMögliche Fehler beim Testen
Mögliche Fehler beim Testen Fehler. Art (Irrtumswahrscheinlichkeit α), Zusammenfassung: Die Nullhypothese wird verworfen, obwohl sie zutrifft. Wir haben uns blamiert, weil wir etwas Wahres abgelehnt haben.
MehrHypothesentests. Hypothese Behauptung eines Sachverhalts, dessen Überprüfung noch aussteht.
Hypothese Behauptung eines Sachverhalts, dessen Überprüfung noch aussteht. Wissenschaftliche Vorgehensweise beim Hypothesentest Forscher formuliert eine Alternativhypothese H 1 (die neue Erkenntnis, die
Mehr8. 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
MehrKonfidenzintervalle. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt
Konfidenzintervalle Annahme: X 1,..., X n iid F θ. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt P θ (U θ O) = 1 α, α (0, 1). Das Intervall [U, O] ist ein Konfidenzintervall
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
MehrSerie 9, Musterlösung
WST www.adams-science.org Serie 9, Musterlösung Klasse: 4U, 4Mb, 4Eb Datum: FS 18 1. Mädchen vs. Knaben 442187 Unter 3000 in einer Klinik neugeborenen Kindern befanden sich 1578 Knaben. Testen Sie mit
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Testverteilungen Chi-Quadrat-Verteilung Sind X 1,..., X n iid N(0; 1)-verteilte
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrWahrscheinlichkeitsrechnung und Statistik. 11. Vorlesung /2019
Wahrscheinlichkeitsrechnung und Statistik 11. Vorlesung - 2018/2019 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 2 heißt Median. P(X < z
MehrBeispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10
6 Hypothesentests Gauß-Test für den Mittelwert bei bekannter Varianz 6.3 Beispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10 G(µ) 0 α 0. 0.4 0.6 0.8 1 n = 10 n =
MehrModul 141 Statistik. 1. Studienjahr 11. Sitzung Signifikanztests
Modul 141 Statistik 1. Studienjahr 11. Sitzung Signifikanztests Inhalt der 11. Sitzung 1. Parametrische Signifikanztests 2. Formulierung der Hypothesen 3. Einseitige oder zweiseitige Fragestellung 4. Signifikanzniveau
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 5.5.2006 1 Ausgangslage Wir können Schätzen (z.b. den Erwartungswert) Wir können abschätzen, wie zuverlässig unsere Schätzungen sind: In welchem Intervall
MehrAufgabenblock 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 )
MehrMathematik 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
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
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 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
MehrHypothesentest. Ablehnungsbereich. Hypothese Annahme, unbewiesene Voraussetzung. Anzahl Kreise
Hypothesentest Ein Biologe vermutet, dass neugeborene Küken schon Körner erkennen können und dies nicht erst durch Erfahrung lernen müssen. Er möchte seine Vermutung wissenschaftlich beweisen. Der Biologe
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:
MehrHandelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen?
1. Handelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen? a.) Anzahl der Kunden, die an der Kasse in der Schlange stehen. b.) Die Menge an Energie, die pro Tag von einem Energieversorgungsunternehmen
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:
MehrTesten von Hypothesen, Beurteilende Statistik
Testen von Hypothesen, Beurteilende Statistik Was ist ein Test? Ein Test ist ein Verfahren, mit dem man anhand von Beobachtungen eine begründete Entscheidung über die Gültigkeit oder Ungültigkeit einer
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
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
MehrAussagen hierzu sind mit einer unvermeidbaren Unsicherheit behaftet, die statistisch über eine Irrtumswahrscheinlichkeit bewertet wird.
Stichprobenumfang Für die Fragestellung auf Gleichheit von ein oder zwei Stichproben wird auf Basis von Hypothesentests der notwendige Stichprobenumfang bestimmt. Deshalb werden zunächst die Grundlagen
MehrInferenzstatistik und Hypothesentests. Hierbei geht es um die Absicherung eines Untersuchungsergebnisses gegen ein Zufallsereignis.
Statistik II und Hypothesentests Dr. Michael Weber Aufgabenbereich Hierbei geht es um die Absicherung eines Untersuchungsergebnisses gegen ein Zufallsereignis. Ist die zentrale Fragestellung für alle statistischen
MehrTHEMA: "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
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
MehrBeurteilende Statistik
Beurteilende Statistik SIGNIFIKANZ UND HYPOTHESENTESTS 12.02.2018 HOLGER WUSCHKE BEURTEILENDE STATISTIK 1 12.02.2018 HOLGER WUSCHKE BEURTEILENDE STATISTIK 2 12.02.2018 HOLGER WUSCHKE BEURTEILENDE STATISTIK
MehrAlternativtest Einführung und Aufgabenbeispiele
Alternativtest Einführung und Aufgabenbeispiele Ac Einführendes Beispiel: Ein Medikament half bisher 10% aller Patienten. Von einem neuen Medikament behauptet der Hersteller, dass es 20% aller Patienten
MehrWiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)
Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7
MehrAUFGABENTYPEN. 2. Bekannt ist die Irrtumswahrscheinlichkeit α ; zu berechnen ist der Annahme- und Ablehnungsbereich, also die Entscheidungsregel.
AUFGABENTYPEN 1. Bekannt ist die Entscheidungsregel, d.h. K und K ; zu berechnen ist das Risiko 1.Art (bzw. 2. Art). 2. Bekannt ist die Irrtumswahrscheinlichkeit α ; zu berechnen ist der Annahme- und Ablehnungsbereich,
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 4. Juni 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden 1/35 Ein- und Zweiseitige Hypothesen H 0 : p =
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
MehrStatistik Einführung // Tests auf einen Parameter 8 p.2/74
Statistik Einführung Tests auf einen Parameter Kapitel 8 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Leydold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Tests
MehrParameterfreie Tests. ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen
Parameterfreie Tests ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen ²- Anpassungstest Test auf Vorliegen einer bestimmten Verteilung Binomialtest Vergleich von unbekannten Anteilen
MehrDie Abfüllmenge ist gleich dem Sollwert 3 [Deziliter].
Eine Methode, um anhand von Stichproben Informationen über die Grundgesamtheit u gewinnen, ist der Hypothesentest (Signifikantest). Hier wird erst eine Behauptung oder Vermutung (Hypothese) über die Parameter
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,...,
MehrMacht des statistischen Tests (power)
Macht des statistischen Tests (power) Realer Treatment ja Ergebnis der Studie H 0 verworfen statistisch signifikant O.K. Macht H 0 beibehalten statistisch nicht signifikant -Fehler Effekt nein -Fehler
MehrGüteanalyse. Nochmal zur Erinnerung: Hypothesentest. Binominalverteilung für n=20 und p=0,5. Münzwurf-Beispiel genauer
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Güteanalyse Prof. Walter F. Tichy Fakultät für Informatik 1 Fakultät für Informatik 2 Nochmal zur Erinnerung: Hypothesentest Am Beispiel
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
Mehr2.4 Hypothesentests Grundprinzipien statistischer Hypothesentests. Hypothese:
2.4.1 Grundprinzipien statistischer Hypothesentests Hypothese: Behauptung einer Tatsache, deren Überprüfung noch aussteht (Leutner in: Endruweit, Trommsdorff: Wörterbuch der Soziologie, 1989). Statistischer
MehrStatistik II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
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
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
Mehr9 Prinzipien der statistischen Hypothesenprüfung
9 Prinzipien der statistischen Hypothesenprüfung Prinzipien der statistischen Hypothesenprüfung Bei der Schätzung eines Populationsparamters soll dessen Wert aus Stichprobendaten erschlossen werden. Wenn
MehrGRUNDPRINZIPIEN statistischen Testens
Fragestellungen beim Testen GRUNDPRINZIPIEN statistischen Testens. Vergleiche Unterscheidet sich die Stichprobenbeobachtung von einer vorher spezifizierten Erwartung ( Hypothese ) mit ausreichender Sicherheit?
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,
MehrHypothesen über die Grundgesamtheit. Aufgabenstellung der Testtheorie Hypothesen (Annahmen, Vermutungen oder
Hypothesen über die Grundgesamtheit Aufgabenstellung der Testtheorie Hypothesen (Annahmen, Vermutungen oder Behauptungen) über die unbekannte Grundgesamtheit anhand einer Stichprobe als richtig oder falsch
MehrMacht des statistischen Tests (power)
Macht des statistischen Tests (power) Realer Treatment ja Ergebnis der Studie H 0 verworfen statistisch signifikant O.K. Macht H 0 beibehalten statistisch nicht signifikant -Fehler Effekt nein -Fehler
MehrKapitel III: Einführung in die schließende Statistik
Kapitel III: Einführung in die schließende Statistik Das zweite Kapitel beschäftigte sich mit den Methoden der beschreibenden Statistik. Im Mittelpunkt der kommenden Kapitel stehen Verfahren der schließenden
MehrStatistische Überlegungen: Eine kleine Einführung in das 1 x 1
Statistische Überlegungen: Eine kleine Einführung in das 1 x 1 PD Dr. Thomas Friedl Klinik für Frauenheilkunde und Geburtshilfe, Universitätsklinikum Ulm München, 23.11.2012 Inhaltsübersicht Allgemeine
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.
MehrKATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert
KATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert 0. Das eigentliche Forschungsziel ist: Beweis der eigenen Hypothese H 1 Dafür muss Nullhypothese H 0 falsifiziert werden können Achtung!
MehrStatistik II: 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
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 7.9. Lösungen zum Hypothesentest II Ausführliche Lösungen: A A Aufgabe Die Firma Schlemmerland behauptet, dass ihre Konkurrenzfirma Billigfood die Gewichtsangabe,
Mehr