Kap. 2: Kurzwiederholung Wahrscheinlichkeitsrechnung und Statistik
|
|
- Eugen Kirchner
- vor 7 Jahren
- Abrufe
Transkript
1 Kap. 2: Kurzwiederholung Wahrscheinlichkeitsrechnung und Statistik Empirische Fragestellung Datenanalyse: Schätzung, Test, Konfidenzintervall Grundbegriffe der Wahrscheinlichkeitsrechnung und Statistik Punktschätzung Hypothesentests Konfidenzintervalle
2 2.1 Empirische Fragestellung Bildungsökonomische Frage: Sind kleine Klassen besser? Konkret: wie ist der Zusammenhang zwischen Klassengrösse und Lernleistung der Schüler? Daten bei Stock und Watson: 420 Schuldistrikte in Kalifornien für das Jahr 1998 Variablen: Anzahl Schüler und Lehrer pro Bezirk, Ergebnisse standardisierter Tests für Lesen und Mathematik ( PISA), diverse demographische Variablen Definiere neue Variablen: score := Durchschnitt aus Rechen- und Leseleistungen stratio ( student-teacher ratio ) (in Vollzeitäquivalenten) Schüler-Lehrer-Quotient := Anzahl Schüler Anzahl Lehrer C. Kleiber: Ökonometrie 1 Kap. 2-1 U Basel, HS 2009
3 2.2 Datenanalyse Ein Blick auf die Daten: R> data("caschools", package = "AER") R> CASchools$stratio <- with(caschools, students/teachers) R> CASchools$score <- with(caschools, (math + read)/2) R> attach(caschools) R> summary(stratio) Min. 1st Qu. Median Mean 3rd Qu. Max R> summary(score) Min. 1st Qu. Median Mean 3rd Qu. Max C. Kleiber: Ökonometrie 1 Kap. 2-2 U Basel, HS 2009
4 2.2 Datenanalyse Etwas mehr zeigen Boxplots: score stratio C. Kleiber: Ökonometrie 1 Kap. 2-3 U Basel, HS 2009
5 2.2 Datenanalyse Den Zusammenhang visualisiert ein Streudiagramm: score stratio C. Kleiber: Ökonometrie 1 Kap. 2-4 U Basel, HS 2009
6 2.2 Datenanalyse Gesucht: Belege für negativen Zusammenhang zwischen Klassengrösse und Testergebnis Mögliche Vorgehensweisen: 1. Vergleiche durchschnittliche Testergebnisse für Bezirke mit kleinen und grossen Klassen Punktschätzung 2. Teste auf Gleichheit der erwarteten Testergebnisse für Bezirke mit kleinen und grossen Klassen Hypothesentest 3. Bestimme Intervall für die Differenz der durchschnittlichen Testergebnisse Intervallschätzung (Konfidenzintervall) C. Kleiber: Ökonometrie 1 Kap. 2-5 U Basel, HS 2009
7 2.2 Datenanalyse Klassengrösse: definiere Klassen als klein, falls stratio < 20 gross, falls stratio 20 Gesucht: Klassengrösse Ȳ s Y n klein gross Schätzung für = Differenz zwischen Gruppen 2. Test der Hypothese = 0 3. Konfidenzintervall für C. Kleiber: Ökonometrie 1 Kap. 2-6 U Basel, HS 2009
8 2.2 Datenanalyse zu 1.: mit Ȳ k := 1 n k n k i=1 Y i und Ȳ g := 1 n g n g ist naheliegende (Punkt-)Schätzung für Differenz ˆ = Ȳk Ȳg = 7.17 Ist dieser Unterschied gross (für praktische Zwecke)? ˆ = 7.17 entspricht ungefähr Differenz zwischen 75- und 60-Prozent-Quantil: i=1 Y i q 0.75 q 0.60 = = 7.26 Unterschied relativ gross (für praktische Zwecke) C. Kleiber: Ökonometrie 1 Kap. 2-7 U Basel, HS 2009
9 2.2 Datenanalyse zu 2.: Hypothesentest für H 0 : = 0 vs. H 1 : 0 Zweistichproben-t-Test (Typ: Welch-Test ) beruht auf t = Ȳk Ȳg s 2 k n k + s2 g n g wobei Hier ist s 2 k = 1 n k 1 t = n k (Y i Ȳ )2, analog s 2 g i= = = 3.93 Da t > 1.96: lehne H 0 zum Niveau α = 0.05 ab. Bem.: Da Stichprobe relativ gross (n = 420), verwenden wir einen approximativen t-test, d.h. kritische Werte kommen aus der Normalverteilung. C. Kleiber: Ökonometrie 1 Kap. 2-8 U Basel, HS 2009
10 2.2 Datenanalyse Natürlich gibt es in R auch eine eingebaute Funktion für den t-test: R> CAsmall <- subset(caschools, stratio < 20) R> CAlarge <- subset(caschools, stratio >= 20) R> t.test(casmall$score, CAlarge$score) Welch Two Sample t-test data: CAsmall$score and CAlarge$score t = 3.927, df = 402.3, p-value = alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: sample estimates: mean of x mean of y Die Funktion geht von ungleichen Varianzen in den Teilstichproben aus ( Welch-Version des Tests). Siehe?t.test, dort steht als Voreinstellung: var.equal = FALSE. C. Kleiber: Ökonometrie 1 Kap. 2-9 U Basel, HS 2009
11 2.2 Datenanalyse zu 3.: Konfidenzintervall zum Niveau 1 α = 0.95 für Differenz der Mittelwerte ist (Ȳk Ȳg) ± 1.96 Var(Ȳk Ȳg) = 7.17 ± = (3.58, 10.76) Folgende Aussagen sind äquivalent: das 95%-Konfidenzintervall für enthält nicht 0 die Hypothese H 0 : = 0 wird zum Niveau α = 0.05 abgelehnt Bem.: Auch hier ein approximatives Intervall, da Stichprobe relativ gross (n = 420). C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
12 2.3 Grundbegriffe der Wahrscheinlichkeitsrechnung und Statistik Grundgesamtheit (GG): alle (denkbaren) Schulbezirke Zufallsvariable: Testergebnis, Lehrer-Schüler-Quotient vor Durchführung des Zufallsexperiments (d.h. Auswahl des Schulbezirks, Jahres) Realisation: Testergebnis, Lehrer-Schüler-Quotient nach Durchführung des Zufallsexperiments Verteilung: W keiten für einzelne Ausprägungen von Y in GG (falls Y diskret) Bsp.: P (Y = 611) W keiten für Mengen (Intervalle) von Ausprägungen von Y in GG (falls Y stetig) Bsp.: P (Y 643) Momente: Erwartungswert E(Y ) =: µ Y Varianz Var(Y ) = E[(Y E(Y )) 2 ] =: σ 2 Y Standardabweichung Var(Y ) =: σ Y C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
13 2.3 Grundbegriffe der Wahrscheinlichkeitsrechnung und Statistik Bedingte Verteilung: Verteilung von Y gegeben eine andere Zufallsvariable X Bsp.: Verteilung der Testergebnisse für Bezirke mit kleinen Klassen Y Testergebnis, X Klassengrösse, also Vtlg. von Y (stratio < 20) Wichtige Kenngrössen von bedingten Verteilungen sind bedingter Erwartungswert E(Y X = x) =: µ Y X bedingte Varianz Var(Y X = x) =: σy 2 X Beispiele: E(Testergebnis stratio < 20) = E(Testergebnis stratio < 20) E(Testergebnis stratio 20) erwartetes Einkommen von Männern (hier ist X Geschlecht) C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
14 2.3 Grundbegriffe der Wahrscheinlichkeitsrechnung und Statistik Bedingte Erwartungen: Sei Y diskret mit Werten y 1,..., y k. Dann ist E(Y X = x) = k y i P (Y = y i X = x) i=1 Wichtiges Resultat zu bedingten Erwartungen: Satz über iterierte Erwartungen: ( law of iterated expectations ) ( ) E(Y ) = E(E(Y X)) = E X (E Y X (Y X)) Bsp.: Sei Y Einkommen, X Geschlecht, dann E(Y ) = E(Y Frau)P (Frau) + E(Y Mann )P (Mann ) = E(E(Y X)) Wir werden später oft folgendes Argument verwenden: aus E(Y X) = 0 folgt E(Y ) = 0. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
15 2.3 Grundbegriffe der Wahrscheinlichkeitsrechnung und Statistik Empirisches Gegenstück zu bedingten Erwartungen: Gruppenmittelwerte. Für unsere Daten ist das durchschnittliche Testergebnis als Funktion des stratio: stratio mean(score) C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
16 2.3 Grundbegriffe der Wahrscheinlichkeitsrechnung und Statistik Kovarianz: Eigenschaften: Cov(Y, Z) = E[(Y E(Y ))(Z E(Z))] =: σ Y Z misst linearen (!!) Zusammenhang zwischen Y und Z falls Y und Z stoch. unabh., dann Cov(Y, Z) = 0 (Umkehrung falsch!) Kovarianz zwischen Y und Y ist Varianz: Cov(Y, Y ) = E[(Y E(Y ))(Y E(Y ))] = E[(Y E(Y )) 2 ] = σ 2 Y (= σ Y Y ) C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
17 2.3 Grundbegriffe der Wahrscheinlichkeitsrechnung und Statistik Korrelation: Eigenschaften: Cor(Y, Z) := Cov(Y, Z) Var(Y ) Var(Z) = σ Y Z σ Y σ Z 1 Cor(Y, Z) 1 Cor(Y, Z) = ±1 bedeutet perfekter linearer Zusammenhang Cor(Y, Z) = 0 bedeutet kein linearer Zusammenhang E(Y Z) = const., dann ist Cor(Y, Z) = 0 (Umkehrung falsch!) C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
18 2.3 Grundbegriffe der Wahrscheinlichkeitsrechnung und Statistik Für unsere Daten ist Cor(score, stratio) = 0.23 score stratio C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
19 2.3 Grundbegriffe der Wahrscheinlichkeitsrechnung und Statistik Stichproben und Stichprobenfunktionen: Formaler Rahmen in Statistik 2: Einfache Zufallsstichprobe, d.h. jede Stichprobe vom Umfang n wird mit gleicher W keit ausgewählt. Folgerungen: Y 1, Y 2,..., Y n sind stochastisch unabhängig Y 1, Y 2,..., Y n sind identisch verteilt Kurzschreibweise: Y 1, Y 2,..., Y n sind u.i.v. (unabhängig und identisch verteilt). Engl.: i.i.d. (für independently and identically distributed ) Eine Zufallsvariable Z, die als Funktion der Stichprobenvariablen Y 1, Y 2,..., Y n definiert ist, also Z = g(y 1, Y 2,..., Y n ), heisst eine Stichprobenfunktion oder auch eine Statistik. Typische Stichprobenfunktionen sind Punktschätzer, Intervallschätzer und Teststatistiken. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
20 2.4 Punktschätzung Naheliegend: schätze µ Y durch Ȳ Welche Eigenschaften hat der Schätzer, wenn Y i u.i.v.? E(Ȳ ) = E ( 1 n n ) Y i = 1 n i=1 n E(Y i ) = 1 n n µ y = µ y i=1 und Var(Ȳ ) = Var ( 1 n n ) Y i i=1 = 1 n n 2 Var(Y i ) + 1 n 2 i=1 = 1 n n 2 σy = σ2 Y n i=1 n n i=1 j=1,j i Cov(Y i, Y j ) C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
21 2.4 Punktschätzung Ergebnis: E(Ȳ ) = µ Y und Var(Ȳ ) = σ2 Y /n Interpretation: Ȳ ist ein unverzerrter Schätzer für µ Y Var(Ȳ ) ist umgekehrt proportional zu n Schätzer wird mit grösserem n genauer! Standardabweichung der Verteilung von Ȳ ist proportional zu 1/ n Dies sind nur die Momente der Verteilung von Ȳ was ist die exakte Verteilung? Bsp.: Sei Y Bin (1, p), also E(Y ) = p und Var(Y ) = p(1 p). Exakte Verteilung von Ȳ für kleines n sehr kompliziert. Aber: für grosses n wird es einfach! Wegen Var(Ȳ ) = σ2 /n ist mit wachsendem n Verteilung stärker konzentriert um µ Y. Statistik für grosses n hat zwei Hauptresultate: (1) Gesetz der grossen Zahlen und (2) zentraler Grenzwertsatz. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
22 2.4 Punktschätzung Gesetz der grossen Zahlen: (engl.: law of large numbers, LLN) Falls Y 1, Y 2,..., Y n u.i.v. und σ 2 Y <, dann gilt für alle ɛ > 0 P ( Ȳ µ Y < ɛ) 1 für n Notation: Ȳ P µ Y oder auch p lim(ȳ ) = µ Y, für Ȳ konvergiert in W keit gegen µ Y [Beweis: folgt direkt aus der Tschebyschev-Ungleichung!] Statistische Sprechweise: der Schätzer Ȳ ist konsistent für µ Y C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
23 2.4 Punktschätzung Illustration: das Stichprobenmittel als Funktion von n. Simulation von Y i Bin (1, p), i = 1,..., 400, mit p = Y n C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
24 2.4 Punktschätzung Zentraler Grenzwertsatz: (engl. central limit theorem, CLT) Falls Y 1, Y 2,..., Y n u.i.v. und σy 2 <, dann gilt für n n Ȳ µ Y σ Y d N (0, 1) d.h. die linke Seite konvergiert in Verteilung gegen eine standardnormalverteilte Zufallsvariable. Etwas technischer: hier konvergieren die Verteilungsfunktionen, nämlich ( n Ȳ µ Y P σ Y Anwendung: für grosse n gilt näherungsweise ) y Φ(y) y. ( Ȳ µ Y a n N (0, 1) d.h. Ȳ N µ Y, σ2 Y σ Y n ) C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
25 2.4 Punktschätzung Illustration: Simulation der Verteilung des Stichprobenmittels Ȳ bei Y i Bin (1, p), i = 1,..., 400, mit p = ( Simulationen) Density C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
26 2.4 Punktschätzung Zusammenfassung: Eigenschaften von Ȳ als Schätzer von µ Y Falls Y 1, Y 2,..., Y n u.i.v. und σy 2 <, dann Ȳ unverzerrt für µ Y mit Varianz σy 2 /n exakte Verteilung meist kompliziert, aber P es gilt Ȳ µ Y (Konsistenz) ) es gilt Ȳ a N (µ Y, σ2 Yn für n gross (approximative Normalverteilung) Weitere Eigenschaften: Ȳ ist der Kleinstquadrate-Schätzer (KQ-Schätzer) für µ Y, d.h. er löst das Optimierungsproblem n i=1 (Y i m) 2 min m! C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
27 2.5 Hypothesentest Hypothesentest: entscheide, ob Daten gegen Nullhypothese sprechen. Dabei H 0 : E(Y ) = µ Y,0 vs. H 1 : E(Y ) > µ Y,0 einseitiges Testproblem H 0 : E(Y ) = µ Y,0 vs. H 1 : E(Y ) < µ Y,0 einseitiges Testproblem H 0 : E(Y ) = µ Y,0 vs. H 1 : E(Y ) µ Y,0 zweiseitiges Testproblem Signifikanzniveau: vorgegebene W keit, Nullhypothese zu Unrecht abzulehnen (bei wiederholter Durchführung des Tests) Fehler: Beim Testen statistischer Hypothesen kann man zwei Fehler machen ablehnen, obwohl man das nicht sollte (H 0 wahr) Fehler 1. Art nicht ablehnen, obwohl man das sollte (H 0 falsch) Fehler 2. Art Vorsicht: die Hypothesen H 0 und H 1 werden nicht symmetrisch behandelt! Statistische Tests sind so konstruiert, dass sie den Fehler 1. Art kontrollieren. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
28 2.5 Hypothesentest Vorgehen in Statistik 2 nach Lehrbuch: gebe Signifikanzniveau vor berechne Teststatistik vergleiche Teststatistik mit kritischem Wert zu vorgegebenem Signifikanzniveau Beim Arbeiten mit statistischer Software geht man anders vor, man benutzt p-werte. p-wert: W keit, einen mindestens so extremen Wert der Teststatistik zu erhalten wie aus den Daten berechnet, gegeben die Nullhypothese ist wahr. Heisst oft auch marginales Signifikanzniveau: kleinstes Niveau, zu dem H 0 gerade noch verworfen werden kann. Für das Beispiel Ȳ : p-wert = P H0 ( Ȳ µ Y,0 > ȳ µ Y,0 ). Berechnung erfordert Verteilung von Ȳ. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
29 2.5 Hypothesentest Falls n gross, kann wieder approximative Verteilung (hier Normalverteilung) benutzt werden. Betrachte dazu p-wert = P H0 ( Ȳ µ Y,0 > ȳ µ Y,0 ) = P H0 ( Ȳ µ Y,0 σ Y / n ) > ȳ µ Y,0 σ Y / n Leider ist σ 2 in der Regel unbekannt schätze σ 2 Y durch s 2 Y = 1 n 1 n (Y i Ȳ )2 i=1 Es gilt: falls Y 1, Y 2,..., Y n u.i.v. und E(Y 4 ) <, dann s 2 Y P σ 2 Y. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
30 2.5 Hypothesentest Mit Schätzung von σy 2 gilt approximativ ( ) p-wert = P H0 ( Ȳ µ Ȳ µ Y,0 Y,0 > ȳ µ Y,0 ) = P H0 σ Y / n > ȳ µ Y,0 σ Y / n ( ) Ȳ µ Y,0 P H0 s Y / n > ȳ µ Y,0 s Y / n = P H0 ( t > t ) 2(1 Φ( t )) Dabei ist t = Ȳ µ Y,0 s Y / n die t-statistik und t deren Stichprobenwert. Praxis: Lehne H 0 zu vorgegebenem Niveau α = 0.05 ab, falls t > 1.96 bzw. p-wert Statistische/ökonometrische Softwarepakete verwenden generell p-werte! C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
31 2.5 Hypothesentest Bemerkungen: falls Y 1, Y 2,..., Y n u.i.v. N (µ Y, σ 2 Y ), dann gilt exakt: t t n 1 (t-verteilung mit n 1 Freiheitsgraden) für n > 30 sind t n - und N (0, 1)-Verteilung sehr ähnlich häufig Normalverteilungsannahme nicht gerechtfertigt t-verteilung von eher theoretischem Interesse, historisch bedingt Diese Veranstaltung wird überwiegend Argumente basierend auf approximativen Verteilungen verwenden. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
32 2.6 Intervallschätzung Ein 95%-Konfidenzintervall für µ Y überdeckt den wahren Wert des Parameters µ Y in 95% der Fälle. Ein Konfidenzintervall zum Niveau 1 α kann konstruiert werden als Menge aller Werte von µ Y, die von Hypothesentest zum Niveau α nicht abgelehnt werden. Beispiel: Konfidenzintervall für µ Y, α = 0.05 {µ Y : Ȳ µ Y s Y / n 1.96} = {µ Y : 1.96 Ȳ µ Y s Y / n 1.96} = {µ Y : 1.96 s Y / n Ȳ µ Y 1.96 s Y / n} = {µ Y (Ȳ 1.96 s Y / n, Ȳ s Y / n)} Auch hier wird wieder die Normalverteilungsapproximation benutzt. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
33 2.6 Intervallschätzung Zwischenfazit: Unter den (plausiblen) Annahmen 1. einfache Zufallsstichprobe, d.h. Y 1, Y 2,..., Y n u.i.v < E(Y 4 ) < wurden Punktschätzung, Hypothesentests und Intervallschätzung entwickelt. Ursprüngliche Frage: wie ist der Zusammenhang zwischen Klassengrösse und Lernleistung der Schüler? Erster Schritt unter Verwendung der Methoden aus Statistik 2: Vergleich kleine und grosse Klassen. Eigentliches Ziel: wie verändert sich das Testergebnis bei Veränderung der Klassengrösse? C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2009
3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
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
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
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
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
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
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
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
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
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 +... +
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
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
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
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
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrTeil XI. Hypothesentests für zwei Stichproben. Woche 9: Hypothesentests für zwei Stichproben. Lernziele. Beispiel: Monoaminooxidase und Schizophrenie
Woche 9: Hypothesentests für zwei Stichproben Patric Müller Teil XI Hypothesentests für zwei Stichproben ETHZ WBL 17/19, 26.06.2017 Wahrscheinlichkeit und Statistik Patric
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
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 =
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
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
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
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
MehrTeil VIII Hypothesentests für zwei Stichproben
Woche 9: Hypothesentests für zwei Stichproben Teil VIII Hypothesentests für zwei Stichproben WBL 15/17, 22.06.2015 Alain Hauser Berner Fachhochschule, Technik und Informatik Berner
MehrDipl.-Volksw. Markus Pullen Wintersemester 2012/13
Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 8. Sitzung Konfidenzintervalle, Hypothesentests > # Anwendungsbeispiel
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
MehrW-Rechnung und Statistik für Ingenieure Übung 13
W-Rechnung und Statistik für Ingenieure Übung 13 Nächste Woche: Probeklausur Bringen Sie sich ein leeres Exemplar der Probeklausur mit, um sich eine Musterlösung zu erstellen. Aufgabe 1 : Testproblem Testproblem:
Mehr1. Nennen Sie den für das Merkmal X geeigneten Skalentyp und begründen Sie Ihre Antwort.
Aufgabe 1 150 Personen gaben bei einer Befragung an, wie viel Geld sie in diesem Jahr für Weihnachtsgeschenke ausgegeben haben. Die Ergebnisse der Befragung sind in nachfolgender Tabelle zusammengefasst,
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
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
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:
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
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
MehrUwe Hassler. Statistik im. Bachelor-Studium. Eine Einführung. für Wirtschaftswissenschaftler. ^ Springer Gabler
Uwe Hassler Statistik im Bachelor-Studium Eine Einführung für Wirtschaftswissenschaftler ^ Springer Gabler 1 Einführung 1 2 Beschreibende Methoden univariater Datenanalyse 5 2.1 Grundbegriffe 5 2.2 Häufigkeitsverteilungen
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
MehrHypothesentests für Erwartungswert und Median. für D-UWIS, D-ERDW, D-USYS und D-HEST SS15
Hypothesentests für Erwartungswert und Median für D-UWIS, D-ERDW, D-USYS und D-HEST SS15 Normalverteilung X N(μ, σ 2 ) : «X ist normalverteilt mit Erwartungswert μ und Varianz σ 2» pdf: f x = 1 2 x μ exp
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:
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
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)
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
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
Mehr10 Statistisches Schätzen
10 Statistisches Schätzen 620 10 Statistisches Schätzen 10.1 Punktschätzung 623 10.1.1 Schätzer und ihre Gütekriterien 623 10.1.2 Erwartungstreue 627 10.1.3 Erwartete quadratische Abweichung (MSE) 634
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
MehrVergleich von Gruppen I
Vergleich von Gruppen I t-test und einfache Varianzanalyse (One Way ANOVA) Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Der unverbundene t-test mit homogener Varianz Beispiel Modell Teststatistik
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
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
MehrSchließende Statistik
Schließende Statistik [statistical inference] Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
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
MehrStatistisches Testen
Statistisches Testen Universität Duisburg-Essen, Fak. 4, FG Instrumentelle Analytik 7. Juni 2007 Statistisches Testen Inhaltsverzeichnis Schätzverfahren und Testverfahren sind Anwendungen der Stichprobentheorie.
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Martin Hutzenthaler & Dirk Metzler 20. Mai 2010 Inhaltsverzeichnis
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrSie wissen noch, dass 18.99% der Surfer, die kein Smartphone haben, pro Monat weniger als 20 Stunden das Internet nutzen, d.h. f(y 1 X 2 ) =
Aufgabe 1 In einer Umfrage wird der Besitz eines Smartphones (Merkmal X) und die Nutzungsdauer des Internets pro Monat (Merkmal Y ) untersucht. Merkmal X hat zwei Ausprägungen: X 1 : Besitz und X 2 : Nichtbesitz.
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Springer-Lehrbuch Wahrscheinlichkeitsrechnung und schließende Statistik Bearbeitet von Karl Mosler, Friedrich Schmid 4., verb. Aufl. 2010. Taschenbuch. XII, 347 S. Paperback ISBN 978 3 642 15009 8 Format
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
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
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
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
MehrInferenz im multiplen Regressionsmodell
1 / 29 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 1 Ökonometrie I Michael Hauser 2 / 29 Inhalt Annahme normalverteilter Fehler Stichprobenverteilung des OLS Schätzers t-test und Konfidenzintervall
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:
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 9
Übung zur Vorlesung Statistik I WS 2012-2013 Übungsblatt 9 17. Dezember 2012 Aufgabe 26 (4 Punkte): In einer Studie mit n = 10 Patienten soll die Wirksamkeit eines Medikaments gegen Bluthochdruck geprüft
MehrBiostatistik, WS 2017/18 Der zwei-stichproben-t-test
1/28 Biostatistik, WS 2017/18 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1718/ 15.12.2017 und 22.12.2017 2/28 Inhalt
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:............................................................................
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrFragestellungen. Ist das Gewicht von Männern und Frauen signifikant unterschiedlich? (2-sample test)
Hypothesen Tests Fragestellungen stab.glu 82 97 92 93 90 94 92 75 87 89 hdl 56 24 37 12 28 69 41 44 49 40 ratio 3.60 6.90 6.20 6.50 8.90 3.60 4.80 5.20 3.60 6.60 glyhb 4.31 4.44 4.64 4.63 7.72 4.81 4.84
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. Juli 016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
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)
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
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:
MehrBiostatistik, WS 2013/2014 Wilcoxons Rangsummen-Test
1/22 Biostatistik, WS 2013/2014 Wilcoxons Rangsummen-Test Matthias Birkner http://www.mathematik.uni-mainz.de/~birkner/biostatistik1314/ 20.12.2013 Motivation 4/22 Bei (ungefähr) glockenförmigen und symmetrisch
MehrLineare Regression in R, Teil 1
Lineare Regression in R, Teil 1 Christian Kleiber Abt. Quantitative Methoden, WWZ, Universität Basel October 6, 2009 1 Vorbereitungen Zur Illustration betrachten wir wieder den Datensatz CASchools aus
MehrZusammenfassung: Kapitel 5, Zusammenhangsmaße
Zusammenfassung: Kapitel 5, Zusammenhangsmaße Kovarianz s xy = 1 n n (x i x)(y i ȳ) i=1 Korrelationskoeffizient nach Bravais-Pearson r xy = s xy s x s y = n (x i x)(y i ȳ) i=1 n (x i x) 2 i=1 n (y i ȳ)
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
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Martin Hutzenthaler & Dirk Metzler http://www.zi.biologie.uni-muenchen.de/evol/statgen.html
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,
MehrPrüfung. Wahrscheinlichkeit und Statistik. ETH Zürich HS 2015 Prof. Dr. P. Embrechts Januar Nachname. Vorname. Legi Nummer
ETH Zürich HS 25 Prof. Dr. P. Embrechts Januar 26 Prüfung Wahrscheinlichkeit und Statistik BSc INFK Nachname Vorname Legi Nummer Das Folgende bitte nicht ausfüllen! Aufgabe Max. Punkte Summe Kontrolle
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
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
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester Namensschild
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester 2010 Namensschild Prof. Dr. Ralph Friedmann / Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
MehrÜber dieses Buch Die Anfänge Wichtige Begriffe... 21
Inhalt Über dieses Buch... 12 TEIL I Deskriptive Statistik 1.1 Die Anfänge... 17 1.2 Wichtige Begriffe... 21 1.2.1 Das Linda-Problem... 22 1.2.2 Merkmale und Merkmalsausprägungen... 23 1.2.3 Klassifikation
MehrSoftwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2010/11 Überblick I Statistik bei kontrollierten Experimenten
Mehr3. Geben Sie Modus, Erwartungswert und Varianz der Zufallsvariablen X an.
Aufgabe 1 Der Student Paul fährt jeden Tag mit dem Fahrrad zur Uni. Die Strecke kreuzt drei Fußgängerüberwege mit Bedarfsampeln, die durch Fußgänger aktiviert werden. Wird Paul an einer Bedarfsampel gestoppt,
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
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
Mehr