Idee des Testens. Heuristische Verfahren
|
|
- Magdalena Kaufer
- vor 7 Jahren
- Abrufe
Transkript
1 Idee des Testens Heuristische Verfahren Datensituation Testproblem Überprüfen der Hypothese Rangvergabe Prüfgröße Prüfverteilung Testentscheidungen - Signifikanzniveau Testentscheidung - Kritischer Wert - Wirkt Medikament A besser als Medikament B? - Ist das Einkommen von FDP-Wählern größer als das von SPD-Wählern? - Zahlt man in Norddeutschland weniger für 1l Normalbenzin als in Süddeutschland? - Schneit es mehr in den französischen oder in den schweizer Alpen? In all diesen Fragestellungen geht es darum, ob die Daten zweier Stichproben einen auffälligen Unterschied in ihrer Lage aufweisen - sind die Werte der einen Stichprobe tendenziell kleiner als die Werte der anderen Stichprobe? Dabei heißt "auffällig", dass der Unterschied, den wir für die Stichproben sehen, auch für die entsprechenden Grundgesamtheiten gilt. Überlegen Sie, wie Sie aufgrund zweier Stichproben entscheiden könnten, ob die Vermutung "französische Skigebiete haben mehr Schnee als schweizer Skigebiete" zutrifft. Histogramme, empirische Verteilungsfunktionen, Boxplots, arithmetische Mittel, Mediane, Varianzen geben einen ersten Einblick in die Daten. (Siehe ) Heuristische Verfahren Lageunterschied Am einfachsten lässt sich ein solches Problem lösen, wenn wir davon ausgehen können, dass die beiden Verteilungen vom selben Typ sind. Sie haben also dieselbe Form und besitzen dieselbe Varianz, und unterscheiden sich lediglich durch ihre Lage auf der Page 1
2 horizontalen Achse. Betrachten wir einmal die folgenden Boxplots: Boxplots von simulierten Normalverteilungen mit jeweils 1000 Zufallswerten für E(Blau)=0 und Var(Blau)=1 sowie E(Orange)=5 und Var(Orange)=1. Die Grafik zeigt Boxplots von simulierten Normalverteilungen, die sich zwar in ihrem Mittelwert unterscheiden, nicht aber durch ihre Varianz. Verteilungen, die sich nur durch ihre Lage, nicht aber durch ihre Variabilität oder ihre Form unterscheiden, können gut miteinander verglichen werden. Skalenunterschied Schwieriger wird es, wenn die Annahme gleicher Varianzen nicht unterstellt werden kann. In der nächsten Abbildung ist diese Annahme verletzt. Es wurden zwei Normalverteilungen mit unterschiedlichen Mittelwerten sowie unterschiedlichen Varianzen simuliert. Page 2
3 Boxplots von simulierten Normalverteilungen mit jeweils 1000 Zufallswerten für sowie E(Blau)=0 und Var(Blau)=4 sowie E(Orange)=5 und Var(Orange)=1. Fazit Obwohl sich die orange und die blaue Verteilung offensichtlich in ihrer Lage unterscheiden, wird es schwierig sein, diesen Unterschied festzustellen, ohne die Varianzen mit zu berücksichtigen. In Abbildung 1 wird der Lageunterschied dadurch deutlich, dass die orange Stichprobe überwiegend größere Werte annimmt, d.h. der Wert der orangen Verteilung an einer bestimmten Stelle meist größer ist als der der blauen Verteilung an der Stelle. Diese Separation der Daten lässt sich bei den Boxplots in Abbildung 2 nicht erkennen. Dadurch, dass die Werte der blauen Verteilung sehr breit streuen, liegt der Wertebereich der orangen Verteilung vollständig in dem Wertebereich der blauen Verteilung. Man kann also nicht sagen, dass die orange Verteilung tendenziell größere Werte besitzt, denn dieselben Werte kann auch die blaue Verteilung annehmen. Zu einem Lageunterschied kommt also noch ein Skalenunterschied dazu. In einem solchen Fall muss bei einem Test auf Lagealternativen zusätzlich die Streuung der Daten berücksichtigt werden. Im Folgenden sollen im Gegensatz zu obigen eher heuristischen Verfahren objektive Methoden, so genannte statistische Tests, eingeführt werden, die einen Lageunterschied zwischen zwei Verteilungen überprüfen, denen dieselbe Varianz zugrunde liegt, also solchen Verteilungen, wie sie in Abbildung 1 dargestellt sind. Im Applet Lage-/Skalenunterschiede (a47.jar) können Sie sich intensiver mit der Bedeutung von Lage- und Skalenunterschieden vertraut machen. Zusätzlich weist das Applet zwei verschiedene Ansichten auf: die Modellebene und die Empirieebene. Die Modellebene zeigt Ihnen die theoretischen Verteilungen. Aus diesen werden zufällig die Stichproben gezogen. Für viele statistische Tests müssen im Vorfeld bestimmte Annahmen über die Verteilung der Grundgesamtheit gemacht werden (z.b. das die Normalverteilung zugrunde gelegt wird). Links daneben zeigt Ihnen die empirische Ebene, wie sich die realen Daten aus der Stichprobe verteilen. Als Darstellungsweise können Sie zwischen Histogramm und Boxplot wählen. Sie können folgendes beobachten: Die Daten aus den Stichproben schwanken unterschiedlich stark um das theoretische Modell, aus dem die Stichproben gezogen wurden. (Weitere Informationen finden Sie in der Hilfe des Applets.) Aufgaben A) Wie verhält sich die Empirieebene gegenüber der Modellebene, wenn die Anzahl der Beobachtungen erhöht wird? B) Wann ist ein Lage- und/oder ein Skalenunterschied besser zu erkennen: Page 3
4 a) bei weniger / mehr Beobachtungen? b) bei einem kleinem / großen Abstand der Mittelwerte? c) bei gleicher / unterschiedlicher Streuung? d) im Boxplot / im Histogramm? Datensituation Wir wollen das Problem, einen Lageunterschied zu erkennen, näher erläutern, indem wir zwei Zahlenreihen und mit jeweils n=m=4 Beobachtungen betrachten. Von diesen nehmen wir an, dass wir sie aus zwei Grundgesamtheiten G1 und G2 zufällig gezogen haben: Wir vermuten, dass in der ersten Zahlenreihe tendenziell kleinere Werte auftreten als in Versuchen Sie dieses Problem als Testproblem, d.h. über zwei sich ausschließende Hypothesen in Worten zu beschreiben. Testproblem Testproblem Wir haben den Verdacht, dass die Zahlenreihe aus einer Grundgesamtheit stammt, die tendenziell kleinere Werte hervorbringt, als die Grundgesamtheit, aus der die Zahlenreihe stammt. Diesen Verdacht wollen wir statistisch beweisen und absichern. Die interessierende Forschungshypothese wird dabei in die Alternativhypothese geschrieben. Warum dies so ist, lernen Sie in dem. In der Nullhypothese steht, woran wir festhalten, solange das Gegenteil nicht bewiesen ist. Bitte beachten Sie, dass das Festhalten an der Nullhypothese kein statistischer Beweis für die Nullhypothese ist! Denken Sie an das Richterbeispiel aus dem Lernmodul Grundlegende Bemerkungen. Durch diese Überlegungen ergibt sich für unser Zahlenbeispiel folgendes Testproblem: Nullhypothese Die Werte von sind tendenziell nicht kleiner als die Werte von Alternativhypothese Die Werte von tendenziell kleiner als die Werte von sind Überprüfen der Hypothese Gepoolte Stichprobe Um das aufgestellte Testproblem mit einem statistischen Test zu überprüfen, betrachten Page 4
5 wir zuerst die Lage der Zahlen zueinander. Wenn die Werte zum Beispiel auf einen Zahlenstrang abgebildet werden, würden die Werte von dann wohl eher links von den Werten von liegen? Die Werte beider Zahlenreihen werden folglich am besten kombiniert und der Größe nach geordnet, ohne jedoch zu vergessen, aus welcher der Ursprungsreihen - oder - sie stammen. Die Zusammenführung mehrerer Stichproben nennt man gepoolte Stichprobe. Hier besteht die gepoolte Stichprobe aus N=8 Werten. Betrachten Sie die gepoolte Stichprobe aus und Die Daten interessieren an sich nicht, sondern nur die Lage der Beobachtungen innerhalb der gepoolten Stichprobe. Was kann getan werden, um das zu verdeutlichen? Rangvergabe Uns interessiert nur die Lage der Daten, nicht aber, wie weit die Daten auseinander liegen. Deshalb ist es ausreichend, die Anordnung der Daten in der gemeinsamen Datenreihe zu berücksichtigen. Um diese Information zu erhalten, vergeben wir den Werten aufsteigend Ränge: Rangzahlen werden im Kapitel Deskriptive Statistik behandelt, z.b. beim. Frage Was wäre Ihrer Meinung nach nun ein sinnvolles Vorgehen, um und miteinander zu vergleichen? Prüfgröße Rangsummen Falls nun die Werte von eher kleinere Rangzahlen aufweisen und zu hauptsächlich die höheren gehören, dann könnte das darauf hindeuten, dass die Werte von tatsächlich tendenziell kleiner sind. Um das zu überprüfen, summieren wir für jede der beiden Datenreihen die Ränge auf. Für erhalten wir die Rangsumme: R(11)+R(14)+R(17)+R(20) = = 13. Die Rangsumme für ergibt sich automatisch aus den übrigen Rängen: R(15)+R(19)+R(21)+R(22) = = 23. Auf diese Weise haben wir die gesamte Information aus den beiden Datenreihen in jeweils einem Wert zusammengefasst. Dies entspricht dem Vorgehen, das wir schon beim Berechnen von Schätzern kennen gelernt haben. (Siehe das einführende.) Hier nennt man die zusammengefasste Information Prüfgröße oder auch Teststatistik, wobei es ausreicht, eine der beiden Rangsummen als Prüfgröße zu verwenden (denn die Page 5
6 Gesamtsumme der beiden Rangsummen ist die Summe der Zahlen ). Führen wir als Symbol für die Rangsummen-Prüfgröße, benannt nach Wilcoxon F. (1945) ein, so berechnet sich diese als dabei bezeichnet den Rang der i-ten Beobachtung von Vergleichen wir beide Rangsummen, ist die von eindeutig größer. Aber bedenken Sie, dass wir letztendlich entscheiden wollen, ob sich die dahinter stehenden Grundgesamtheiten unterscheiden und nicht nur die Stichproben. Das heißt, wir müssen überlegen, ob die beobachteten Unterschiede in den beiden Stichproben auch möglich gewesen wären, wenn die Grundgesamtheiten an sich gleich sind. Inwieweit ein Rückschluss auf die Grundgesamtheit nicht immer einfach ist, können Sie im Labor untersuchen mit der Aufgabe "Schluss auf die Grundgesamtheit". (Ein Portrait von Frank Wilcoxon finden sie unter diesem Link:.) In dieser Laboraufgabe ziehen Sie zwei Stichproben aus der gleichen Grundgesamtheit und bilden die gepoolte Stichprobe. Weil wir aus derselben Grundgesamtheit ziehen, gehen wir davon aus, dass die Ränge in der gepoolten Stichprobe gut durchmischt sind und keine Polarisierung stattfindet. Starten Sie das Experiment mehrere Male. Deutet die Rangvergabe immer darauf hin, dass und aus derselben Grundgesamtheit stammen? (Eine umfangreiche Anleitung gibt Ihnen der Hilfeassistent im Labor.) Schlüsse ziehen ( b78.zmpf ) Aus den Grundgesamtheiten G1 und G2 werden jeweils die Zufallsstichprobe und gezogen. Für dieses Laborbeispiel legen wir fest, dass mit dem Zufallsgenerator aus normalverteilten Daten mit Mittelwert 1 und Varianz 1 gezogen wird. Für die Stichprobe gilt: (Bitte beachten Sie, dass die Varianzen in beiden Gruppen gleich sind.) Erzeugen Sie am Zufallsgenerator neue Stichproben. Was können Sie im Stabdiagramm beobachten? Lageunterschied ( b9a.zmpf ) Prüfverteilung Um festzustellen, ob sich die Grundgesamtheiten von und unterscheiden, erstellen wir eine Verteilung über alle möglichen Werte, welche die Prüfgröße annehmen kann, falls die Grundgesamtheit von und gleich sind. In unserem Beispiel nimmt die kleinste Rangkombination (1,2,3,4) die Rangsumme 10 an. Die nächst größere ist (1,2,3,5) mit Rangsumme 11. Die größte Rangkombination (5,6,7,8) nimmt die Rangsumme 26 an. Allerdings können manche Rangsumme auch Page 6
7 aus mehreren, unterschiedlichen Rangkombinationen gebildet werden. Das können Sie in der Abbildung sehen. Die Verteilung für n=m=4. In den blauen Balken sehen Sie die möglichen Rangkombinationen. Auf der x-achse sind die Rangsummen w abgetragen. Erstellen der Wahrscheinlichkeitsverteilung Wir wollen nun wissen, wie wahrscheinlich jeder Wert zwischen 10 und 26 ist. D.h. es sind die Wahrscheinlichkeiten für die verschiedenen möglichen Aufteilungen der Ränge auf die beiden Stichproben unter der Annahme zu berechnen, dass die zugrunde liegenden Grundgesamtheiten sich nicht bzgl. des uns interessierenden Charakteristikums unterscheiden. Zunächst überlegen wir uns, wie viele verschiedene Rangkombinationen für möglich sind (die Rangkombinationen für ergeben sich dann zwangsläufig). Wenn jeder Zahl von zufällig ein Rang von acht möglichen zugewiesen wird, wobei jeder Rang nur einmal vergeben wird, dann entstehen für insgesamt verschiedene Rangkombinationen. Jede dieser Rangkombination tritt mit der gleichen Wahrscheinlichkeit auf; in unserem Zahlenbeispiel mit Wahrscheinlichkeit Auf diese Weise kann die exakte Wahrscheinlichkeitsverteilung aller möglichen Rangsummen berechnet werden. Stellen Sie im Applet Wilcoxon-Verteilung (be0.jar) die Verteilung für n=m=4 ein. Zusätzlich sehen Sie die dazugehörige Wahrscheinlichkeitsfunktion und -verteilung. Aber Die Wahrscheinlichkeitsverteilung kann nur unter der Annahme berechnet werden, dass die Werte von und aus derselben Grundgesamtheit stammen! Falls in einer Zahlenreihe nur kleine Ränge vorkommen, besteht demnach die Frage, ob dies zufällig oder systematisch bedingt durch einen Lageunterschied entstanden ist. Wie wahrscheinlich ist unsere Prüfgröße unter Annahme der Nullhypothese? In unserem Zahlenbeispiel wollten wir wissen, ob gegenüber kleinere Werte annimmt, also nach links verschoben ist. Wie vorher berechnet, summieren sich die Ränge von zu 13 auf. Vorausgesetzt und unterscheiden sich nicht in ihrer Lage, können wir im Applet Wilcoxon-Verteilung die Wahrscheinlichkeit dafür ablesen, dass die Rangsumme von höchstens 13 beträgt: Mit 10% Wahrscheinlichkeit erhält man also eine Rangsumme, die kleiner oder gleich 13 ist, obwohl die und dieselbe Verteilung besitzen. Sind nun 10% schon so "unwahrscheinlich", um behaupten zu können, dass bezüglich wirklich nach links verschoben ist? Oder dürfen als Werte nur die kleinsten Beobachtungen auftreten, d.h. ist nur das Auftreten der Rangkombination (1,2,3,4) überzeugend genug, um wirklich von einem Lageunterschied sprechen zu können? Frage Was benötigen wir für eine Entscheidungsfindung? Testentscheidungen - Signifikanzniveau Signifikanzniveau alpha Page 7
8 Um eine sinnvolle Entscheidung treffen zu können, benötigen wir eine Grenze, die uns hilft, eine "zu unwahrscheinliche" Rangsumme von einer "noch wahrscheinlichen" Rangsumme trennen zu können. In der Statistik wird diese Grenze über das Signifikanzniveau festgelegt. Das Signifikanzniveau besagt, dass wir uns für einen linksseitigen Lageunterschied entscheiden, falls wobei d.h. ist gerade das Quantil der Verteilung von unter (Die Wahrscheinlichkeit, eine Rangsumme kleiner unter zu erhalten, beträgt höchstens 100%.) Ist jedoch muss auch weiter davon ausgegangen werden, dass die Zahlen aus der gleichen Verteilung stammen. Üblicherweise wird gesetzt. Diese Voreinstellung ist nicht zwingend, sondern kann problemspezifisch angepasst werden. Für eine objektive Entscheidungsfindung ist es aber unerlässlich, dass festgelegt wird, bevor die Daten untersucht werden! (Das Signifikanzniveau wird ausführlich im behandelt.) Würden Sie sich aufgrund des vorliegenden Zahlenmaterials des Beispiels bei einem Signifikanzniveau von dafür entscheiden, dass sich die beiden Gruppen und in der Lage unterscheiden? Nutzen Sie das Applet Wilcoxon-Verteilung. Antwort Nein. Für erhält man: Aus diesem Grund können wir nicht sagen, dass und sich zu einem Signifikanzniveau von 5% in ihrer Lage unterscheiden. Testentscheidung - Kritischer Wert Kritischer Wert Ausgehend von dem Signifikanzniveau könnte man sich aber auch fragen, welchen Wert hätte die Rangsumme annehmen müssen, damit wir uns gerade noch beibehalten. Gesucht wird demnach die Rangsumme für die gilt: Im Applet können Sie sehen, dass für ein vorgegebenes die Rangsumme oder die Rangsumme diese Grenze am ehesten darstellt. Im ersten Fall wird nicht ausgeschöpft, weil und für die nächst größere Rangsumme gilt die den vorgegebenen Wert leicht überschreitet. Gesucht ist jedoch der äußerste Punkt innerhalb des Annahmebereichs. Dieser Wert, hier das Quantil der Verteilung von wird kritischer Wert genannt. In diesem Fall ist der kritische Wert Damit der Test sich für die Alternativhypothese entscheidet, muss die Prüfgröße kleiner als der kritische Wert sein. Das Auftreten der Rangkombinationen (1,2,3,4) oder (1,2,3,5) ist zu selten, als das wir annehmen wollen, dass die Stichproben X und Y aus der selben Grundgesamtheit stammen. Der statistische Test (basierend auf einem 5%igen Signifikanzniveau) verwirft die Nullhypothese, falls der Prüfgrößenwert (hier gleich der Rangsumme) den Wert 10 oder 11 annimmt. Dann wäre statistische bewiesen, dass die zwei Stichproben aus unterschiedlichen Grundgesamtheiten stammen, die sich in ihrer Lage unterscheiden. Page 8
9 (Kritische Werte werden ausführlicher im erläutert.) Ausblick Eine kompakte Zusammenfassung des Wilcoxon-Rangsummen-Tests finden Sie im. Mehr über Fehlerwahrscheinlichkeiten und das Signifikanzniveau steht in. Mehr über die Vorgehensweise bei Testentscheidungen finden Sie in Anmerkung Die Prinzipien des Testens können Sie auch in diverser Literatur nachlesen, wie z.b. in Fahrmeir et al. (2002) oder Schlittgen (2000). Erstellen Sie für folgende Stichproben die zugehörigen Rangkombinationen und deren Verteilung (z.b. mit Papier und Bleistift so, wie es in den obigen Bildern zu sehen ist). Plotten Sie dann die Verteilung im Labor. a) b) c) Laborskizze: Aufgabe a ( d0f.spf ) Literaturangabe Fahrmeir, L., Künstler, R., Pigeot, I. und Tutz, G. (2002) Statistik. Der Weg zur Datenanalyse. 4. Auflage, Springer, Berlin. Schlittgen, R. (2000). Einführung in die Statistik. Analyse und Modellierung von Daten. 9. Auflage, Oldenbourg, München. (c) Projekt Neue Statistik 2003, Freie Universität Berlin, Center für Digitale Systeme Kontakt: Page 9
Ablaufschema beim Testen
Ablaufschema beim Testen Schritt 1 Schritt 2 Schritt 3 Schritt 4 Schritt 5 Schritt 6 Schritt 7 Schritt 8 Schritt 9 Starten Sie die : Flashanimation ' Animation Ablaufschema Testen ' siehe Online-Version
MehrTestentscheidungen. Worum geht es in diesem Modul? Kritische Werte p-wert
Testentscheidungen Worum geht es in diesem Modul? Kritische Werte p-wert Worum geht es in diesem Modul? Testentscheidungen: Annahme- und Ablehnbereich Bei der Durchführung eines statistischen Tests kommen
MehrT-Test für den Zweistichprobenfall
T-Test für den Zweistichprobenfall t-test (unbekannte, gleiche Varianzen) Test auf Lageunterschied zweier normalverteilter Grundgesamtheiten mit unbekannten, aber gleichen Varianzen durch Vergleich der
MehrMarcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 12. Winterthur, 17. Mai Institut für Datenanalyse und Prozessdesign
Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 17. Mai 2017 1 Verteilung
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
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
Mehr10 Der statistische Test
10 Der statistische Test 10.1 Was soll ein statistischer Test? 10.2 Nullhypothese und Alternativen 10.3 Fehler 1. und 2. Art 10.4 Parametrische und nichtparametrische Tests 10.1 Was soll ein statistischer
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
MehrEin- und Zweistichprobentests
(c) Projekt Neue Statistik 2003 - Lernmodul: Ein- Zweistichprobentests Ein- Zweistichprobentests Worum geht es in diesem Modul? Wiederholung: allgemeines Ablaufschema eines Tests Allgemeine 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
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
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
MehrGrundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften
Grundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Grundlagen der Biometrie, WS 2011/12 Vorlesung: Dienstag 8.15-9.45,
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
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
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
Mehr12 Rangtests zum Vergleich zentraler Tendenzen
12 Rangtests zum Vergleich zentraler Tendenzen 12.1 Allgemeine Bemerkungen 12.2 Gepaarte Stichproben: Der Wilcoxon Vorzeichen- Rangtest 12.3 Unabhängige Stichproben: Der Wilcoxon Rangsummentest und der
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
Mehr10. Die Normalverteilungsannahme
10. Die Normalverteilungsannahme Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann man
MehrDas Zweistichprobenproblem
Kapitel 5 Das Zweistichprobenproblem In vielen Anwendungen will man überprüfen, ob sich zwei oder mehr Verfahren, Behandlungen oder Methoden in ihrer Wirkung auf eine Variable unterscheiden. Wir werden
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)
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
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
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
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
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
MehrGRUNDPRINZIPIEN statistischen Testens
Fragestellungen beim Testen GRUNDPRINZIPIEN statistischen Testens. Vergleiche Unterscheidet sich die Stichprobenbeobachtung von einer vorher spezifizierten Erwartung ( Hypothese ) mit ausreichender Sicherheit?
MehrAbbildung 1: Dieses Quiz soll Ihnen helfen, die Residuenplots besser zu verstehen. Am Schluss kommen noch vermischte Aufgaben zur Wiederholung.
Residuals vs Fitted Normal Q Q Residuals 2 1 0 1 2 16 18 30 Standardized residuals 2 1 0 1 2 18 30 16 5 10 15 20 25 30 Fitted values 2 1 0 1 2 Theoretical Quantiles Abbildung 1: Dieses Quiz soll Ihnen
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:
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
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
MehrT-Test für unabhängige Stichproben
T-Test für unabhängige Stichproben Wir gehen von folgendem Beispiel aus: Wir erheben zwei Zufallstichproben, wobei nur die Probanden der einen Stichprobe einer speziellen experimentellen Behandlung (etwa
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:
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
MehrKonkretes Durchführen einer Inferenzstatistik
Konkretes Durchführen einer Inferenzstatistik Die Frage ist, welche inferenzstatistischen Schlüsse bei einer kontinuierlichen Variablen - Beispiel: Reaktionszeit gemessen in ms - von der Stichprobe auf
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
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
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,...,
MehrAuswertung und Lösung
Residuals vs Fitted Normal Q Q Residuals 2 1 0 1 2 16 18 30 Standardized residuals 2 1 0 1 2 18 30 16 5 10 15 20 25 30 Fitted values 2 1 0 1 2 Theoretical Quantiles Abbildung 1: Dieses Quiz soll Ihnen
Mehr1.8 Kolmogorov-Smirnov-Test auf Normalverteilung
1.8 Kolmogorov-Smirnov-Test auf Normalverteilung Der Kolmogorov-Smirnov-Test ist einer der klassischen Tests zum Überprüfen von Verteilungsvoraussetzungen. Der Test vergleicht die Abweichungen der empirischen
MehrChi-Quadrat Verfahren
Chi-Quadrat Verfahren Chi-Quadrat Verfahren werden bei nominalskalierten Daten verwendet. Die einzige Information, die wir bei Nominalskalenniveau zur Verfügung haben, sind Häufigkeiten. Die Quintessenz
MehrMonte-Carlo Tests. Diplomarbeit. Wiebke Werft. Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf
Monte-Carlo Tests Diplomarbeit Wiebke Werft Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2003 Betreuung: Prof. Dr. Arnold Janssen Inhaltsverzeichnis Einleitung
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
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
MehrEine Einführung in R: Statistische Tests
I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Eine Einführung in R: Statistische Tests
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
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:............................................................................
MehrMarcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 13. Winterthur, 24. Mai Institut für Datenanalyse und Prozessdesign
Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 24. Mai 2017 1 Ausblick Wir
Mehr6.4 Der Kruskal-Wallis Test
6.4 Der Kruskal-Wallis Test Der Test von Kruskal und Wallis, auch H-Test genannt, ist ein Test, mit dem man die Verteilungen von Teilstichproben auf Unterschiede untersuchen kann. Bei diesem Test geht
Mehr1.5 Berechnung von Rangzahlen
1.5 Berechnung von Rangzahlen Bei vielen nichtparametrischen Verfahren spielen die so genannten Rangzahlen eine wesentliche Rolle, denn über diese werden hier die Prüfgrößen berechnet. Dies steht im Gegensatz
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
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 2018 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Bitte... Lege deine Legi auf den Tisch. Trage deine Daten in dieses Deckblatt ein, und schreibe auf jedes
MehrInhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden
Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse
MehrExakter Binomialtest als Beispiel
Prinzipien des statistischen Testens Entscheidungsfindung Exakter Binomialtest als Beispiel Statistische Tests Nullhypothese Alternativhypothese Fehlentscheidungen Ausgangspunkt: Forschungshypothese Beispiele:.
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 9. Dezember 2009 Bernd Klaus, Verena Zuber
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
MehrGauß-Test für den Zweistichprobenfall
Gauß-Test für den Zweistichprobenfall Zweiseitiger Gauß-Test Allgemeine Formulierung der Hypothesen Test auf Lageunterschied zweier normalverteilter Grundgesamtheiten mit bekannten Varianzen durch Vergleich
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
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
MehrStatistik II für Betriebswirte Vorlesung 2
Statistik II für Betriebswirte Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 26. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrZusammenfassung PVK Statistik
Zusammenfassung PVK Statistik (Diese Zusammenfassung wurde von Carlos Mora erstellt. Die Richtigkeit der Formeln ist ohne Gewähr.) Verteilungen von diskreten Zufallsvariablen Beschreibung Binomialverteilung
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrNachklausur zur Vorlesung
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 30. April 004 Priv.-Doz. Dr. D. Kadelka Nachklausur zur Vorlesung Statistik für Biologen Musterlösungen Aufgabe 1 Gemessen wurde bei
MehrSommersemester Marktforschung
Dipl.-Kfm. Sascha Steinmann Universität Siegen Lehrstuhl für Marketing steinmann@marketing.uni-siegen.de Sommersemester 2010 Marktforschung Übungsaufgaben zu den Themen 3-6 mit Lösungsskizzen Aufgabe 1:
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf. Vorlesung 04 Mathematische Grundlagen II,
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Was sollen Sie heute lernen? 2 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter
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
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
MehrDeskriptive Statistik
Deskriptive Statistik Deskriptive Statistik: Ziele Daten zusammenfassen durch numerische Kennzahlen. Grafische Darstellung der Daten. Quelle: Ursus Wehrli, Kunst aufräumen 1 Modell vs. Daten Bis jetzt
MehrKapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests
Kapitel 10 Mittelwert-Tests 10.1 Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests 10.1 Einstichproben- Mittelwert-Tests 10.1.1 Einstichproben- Gauß-Test Dichtefunktion der Standard-Normalverteilung
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
MehrParametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
MehrResampling Methoden Dortmund, 2005 (Jenő Reiczigel) 1. Permutationstests I.
Resampling Methoden Dortmund, 2005 (Jenő Reiczigel) 1 Permutationstests I. 1. Einleitendes Beispiel 2. Zwei-Stichprobentest 3. Der klassische Mann-Whitney U-Test 4. Der exakte Test von Fisher 5. Nicht
Mehr11. Nichtparametrische Tests
11. Nichtparametrische Tests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 In Kapitel 8 und 9 haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen - Inferenzstatistik 1 [Übungsaufgaben und Lösungenn - Inferenzstatistik 1] ÜBUNGSAUFGABEN
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
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
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
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
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
Mehr3.Wiederholung: Toleranzbereiche Für EX Geg:
3.Wiederholung: Toleranzbereiche Für EX Geg: Vl. 24.2.2017 Schätzfunktion für Güte: Ist X Problem: Feb 17 13:21 > Wir berechnen Bereiche (Toleranzbereiche) für sind untere und obere Grenzen, berechnet
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
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
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. mit dem R Commander. A Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst mit dem R Commander A Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist
MehrBiomathematik für Mediziner
Institut für Medizinische Biometrie, Informatik und Epidemiologie der Universität Bonn (Direktor: Prof. Dr. Max P. Baur) Biomathematik für Mediziner Klausur WS 001/00 Aufgabe 1: Die empirische Varianz
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
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
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 +... +
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Testen von Hypothesen
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
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
MehrKategoriale und metrische Daten
Kategoriale und metrische Daten Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/14 Übersicht Abhängig von der Anzahl der Ausprägung der kategorialen Variablen unterscheidet man die folgenden Szenarien:
MehrBiometrieübung 7 t-test (gepaarte Daten) & Wilcoxon-Test
Biometrieübung 7 (t-test gepaarte Daten & Wilcoxon-Test) - Aufgabe Biometrieübung 7 t-test (gepaarte Daten) & Wilcoxon-Test Aufgabe 1 Hirschläufe An 10 Hirschen wurde die Länge der rechten Vorder- und
MehrFehlerwahrscheinlichkeiten
Fehlerwahrscheinlichkeiten Worum geht es in diesem Modul? Worum geht es in diesem Modul? Fehlentscheidungen beim Testen Ein statistischer Test wird eingesetzt um anhand einer Stichprobe Rückschlüsse auf
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
Mehr