Teil VII Hypothesentests für eine Stichprobe
|
|
- Lieselotte Adler
- vor 7 Jahren
- Abrufe
Transkript
1 Woche 7: Hypothesentests für eine Stichprobe Teil VII Hypothesentests für eine Stichprobe WBL 15/17, Alain Hauser Berner Fachhochschule, Technik und Informatik Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 2 / 35 Lernziele Statistische Hypothesentests Sie können einen der folgenden Tests durchführen: Binomialtest, z-test, t-test, Vorzeichentest, Wilcoon-Test... einen zu einem bestimmten Datensatz passenden Test auswählen... einen p-wert berechnen und seine Bedeutung erläutern... den Zielkonflikt zwischen zwischen Fehler 1. und 2. Art erläutern... die 6 Schritte für statistische Testverfahren auf Teststatistiken mit bekannter Verteilung übertragen. Vorlesung basiert auf Kapitel 3.2.2, 3.2.3, 4.7 des Skripts Ziel: testen, ob eine Hypothese (formuliert als probabilistisches Modell) mit einem gegebenen Datensatz vereinbar ist Es liegt in der Natur der Sache, dass es i.d.r. unmöglich ist, mit Sicherheit zu sagen, ob ein Modell richtig oder falsch ist (d.h., ob es die Daten erzeugt hat oder nicht) Wir können aber feststellen, ob es plausibel oder unplausibel ist, dass Daten von einem bestimmten Modell erzeugt wurden. Mit Hilfe statistischer Hypothesentests können wir unplausible Modelle bzw. Hypothesen verwerfen Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 3 / 35 Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 4 / 35
2 Beispiel: Fehlsichtigkeit I Tests für Zähldaten Behauptung: WBL-AbsolventInnen sind im Schnitt weniger fehlsichtig als der Rest der Bevölkerung (im WBL wird der klare Blick geschult! ) Als fehlsichtig gilt, wer Brillen oder Kontaktlinsen trägt. Anteil Fehlsichtiger an der Gesamtbevölkerung: π 0 = 63.1% (Daten für Deutschland; Brand eins, 2011) Stichprobe aufnehmen: n zufällig ausgewählte WBL-AbsolventInnen nach ihrer Fehlsichtigkeit befragen Ergebnis (Beispiel): von n = 60 befragten Personen tragen = 35 Brille oder Kontaktlinsen Intuitive Fragestellung bei Hypothesentests: Wie wahrscheinlich ist es, durch puren Zufall eine Stichprobe zu erhalten, die mindestens so etrem ist wie die tatsächlich beobachtete? Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 5 / 35 Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 6 / 35 Beispiel: Fehlsichtigkeit II Grundprinzip hinter statistischen Hypothesentests Was bedeutet durch puren Zufall und mindestens so etrem wie die eigene Stichprobe? Nullhypothese: WBL-AbsolventInnen sind im Schnitt genau so fehlsichtig wie der Rest der Bevölkerung Alternativhypothese: WBL-AbsolventInnen sind im Schnitt weniger fehlsichtig als der Rest der Bevölkerung Fragestellung beim Hypothesentest: wie wahrscheinlich ist es unter der Nullhypothese, unter 60 befragten Personen 35 oder weniger fehlsichtige zu finden? k P[X k] Ausgangspunkt: Behauptung, die man beweisen möchte. Aussage, neue Erkenntnis, die bisheriges Überraschende Wissen erweitert, neues Modell. Nullhypothese formulieren: einfacheres Modell basierend auf bisherigem Kenntnisstand Zeigen, dass gemessene Daten unter dem einfacheren Modell (Nullhypothese) sehr wahrscheinlich sind Allgemeines Vorgehen kann als Ablauf in 6 Schritten beschrieben werden Erstes Beispiel: Binomialtest Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 7 / 35 Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 8 / 35
3 Der Binomialtest in 6 Schritten Der Binomialtest in 6 Schritten 1. Modell: X : Anzahl fehlsichtige WBL-AbsolventInnen; X Bin(n, π), n = 60 bekannt 2. Nullhypothese: H 0 : π = π 0 = Alternativhypothese: H A : π < π 0 3. Teststatistik: X = Signifikanzniveau wählen: z.b. α = 5% 5. Verwerfungsbereich K: Wertebereich der Teststatistik, der unter der Nullhypothese unwahrscheinlich ist; quantitativ so gewählt, dass P[X K] α unter H 0 Hier: K = [0, c] mit c so, dass P H0 [X c] α; mit Hilfe von R finden wir die grösste Zahl c mit P H0 [X c] α: c = Testentscheid: H 0 wird verworfen, falls X K, andernfalls wird H 0 beibehalten. Hier: X = 35, K = [0, 31]; X / K, daher wird H 0 beibehalten p() F() Bin(n, 0.631) Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 9 / 35 Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 10 / 35 Fehler 1. und 2. Art Beispiel: Macht eines Binomialtests Wahrheit H 0 Entscheidung H A H 0 richtig negativ Fehler 1. Art H A Fehler 2. Art richtig positiv Zurück zum Beispiel der Fehlsichtigkeit: Wie gross ist die Macht des Binomialtests, falls der wahre Anteil fehlsichtiger WBL-AbsolventInnen π = 0.5 beträgt? Signifikanzniveau α: W keit eines Fehlers 1. Art, d.h. des Verwerfens gegeben dass H 0 wahr ist Macht 1 β: β: W keit eines Fehlers 2. Art, d.h. des Beibehaltens gegeben dass H 0 falsch ist Macht 1 β: W keit, eine Abweichung von der Nullhypothese festzustellen Wenn wir die W keit für Fehler 1. Art verringern, erhöhen wir die W keit für Fehler 2. Art. Höhere Signifikanz bedingt geringere Macht. Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 11 / 35 P π=0.5 [X c = 31] = Wie gross ist die Macht des Binomialtests, falls der wahre Anteil fehlsichtiger WBL-AbsolventInnen π = 0.4 beträgt? P π=0.4 [X c = 31] = Wie können wir die Macht des Tests erhöhen? Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 12 / 35
4 p-wert Definition (p-wert) Der p-wert ist das kleinste Signifikanzniveau α, für welches wir eine Nullhypothese für einen gegebenen Datensatz verwerfen. Definition (p-wert: alternative Definition) Der p-wert ist die W keit unter der Nullhypothese, einen mindestens so etremen Wert der Teststatistik zu erhalten, wie ihn die Stichprobe liefert. Im Beispiel Fehlsichtigkeit : p = P H0 [X ] = p-wert kann als Ersatz für Verwerfungsbereich dienen. Testentscheid (Schritt 6) kann nämlich auch so formuliert werden: H 0 wird verworfen, falls p < α, andernfalls beibehalten. Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 13 / 35 Hypothesentest mit Normalapproimation Zur Erinnerung (Teil V): falls nπ 0 > 5 und n(1 π 0 ) > 5, darf man die kumulative Verteilungsfunktion einer Binomialverteilung durch die einer Normalverteilung approimieren: X N (nπ 0, nπ 0 (1 π 0 )) Für grosse Stichproben können wir einen Binomialtest durch einen z-test ersetzen: 1. Modell: X : Anzahl fehlsichtige WBL-AbsolventInnen; X N (nπ 0, nπ 0 (1 π 0 )) 2. Nullhypothese: H 0 : π = π 0 = Alternativhypothese: H A : π < π 0 X nπ 0 3. Teststatistik: Z = nπ0 (1 π 0 ) = Verteilung von Z unter H 0 : Z N (0, 1) 4. Signifikanzniveau wählen: z.b. α = 5% Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 14 / 35 Hypothesentest mit Normalapproimation (z-test) Normalappro. 5. Verwerfungsbereich K = (, c] mit c so dass P H0 [Z c] = α: c = Φ 1 (α) = Φ 1 (1 α) = Testentscheid: H 0 wird verworfen, falls Z K, andernfalls beibehalten. Hier: Z = 0.765, K = (, 1.645]; Z / K, daher wird H 0 beibehalten p-werte für Binomialtest: p = für z-test: p = p() F() Tests für Messdaten Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 15 / 35 Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 16 / 35
5 Beispiel: Effekt von Koffein auf Durchblutung Gepaarter (oder Ein-Stichproben-) t-test Studie: beeinflusst Kaffeekonsum Durchblutung bei Bewegung? Ärzte haben Durchblutung des Herzmuskels ( myocarcial blood flow, MBF) von 8 Personen beim Velofahren gemessen, vor (Y i ) und nach (Z i ) Kaffeekonsum (i = 1,..., 8) Zeigen die Daten eine systematische Differenz der Durchblutung vor und nach Kaffeekonsum? MBF Baseline Caffeine Wir betrachten Differenzen X i = Z i Y i, i = 1, 2,..., n = Modell: X 1,..., X n i.i.d N (µ, σ 2 ), mit unbekanntem σ 2 2. Nullhypothese: H 0 : µ = µ 0 = 0 Alternativhypothese: H A : µ µ 0 n(x µ0 ) 3. Teststatistik: T = = s beob. Mittel erw. Mittel Standardfehler Verteilung von T unter H 0 : t-verteilung mit n 1 Freiheitsgraden 4. Signifikanzniveau wählen: z.b. α = 5% (Quelle: Namdar et al. (2006)) Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 17 / 35 Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 18 / 35 t-verteilung Gepaarter (oder Ein-Stichproben-) t-test (Forts.) Notation: T t m Verteilung durch Freiheitsgrade m charakterisiert Verteilung gleicht mehr und mehr der Normalverteilung für grosse m t m,α bezeichnet α-quantil Wegen der Symmetrie gilt t m,α = t m,1 α R-Funktion zum Berechnen der Quantile: qt f() m = 1 m = 2 m = 5 m = Verwerfungsbereich K = (, t n 1,1 α 2 ] [t n 1,1 α 2, ) = (, 2.365] [2.365, ) 6. Testentscheid: H 0 wird verworfen, falls T K, andernfalls beibehalten. Hier: T = K, daher wird H 0 verworfen. p-wert: p = Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 19 / 35 Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 20 / 35
6 Voraussetzungen des t-tests prüfen Vertauensintervall Zur Erinnerung: Modell X 1,..., X n i.i.d N (µ, σ 2 ), mit unbekanntem σ 2 Empirische Quantile Q Q Plot Theoretische Quantile Definition (Vertrauensintervall) Das Vertrauensintervall I für den Parameter µ zum Konfidenzniveau 1 α ist die Menge aller Parameterwerte, die mit der Stichprobe vereinbar sind im Sinne eines statistischen Tests (d.h. nicht zur Verwerfung der zugehörigen Nullhypothese führen). Formal: I = {µ 0 Nullhypothese H 0 : µ = µ 0 wird nicht verworfen} Hier formal für t-test bzw. Erwartungswert µ; analoge Definitionen eistieren für andere Tests und Parameter. Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 21 / 35 Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 22 / 35 Vertauensintervall für µ R-Funktion t.test I Form des Vertrauensintervalls hängt von Alternativhypothese ab: [ ] s H A : s µ µ 0 I = t n 1,1 α/2, + t n n 1,1 α/2 n = [ 1.680, 0.628] ( ] s H A : µ < µ 0 I =, + t n 1,1 α n = (, 0.732] [ ) s H A : µ > µ 0 I = t n 1,1 α, n = [ 1.575, ) > bloodflow <- read.table("../daten/bloodflow.csv", header = TRUE, sep = ",") > t.test(bloodflow$caffeine, bloodflow$baseline, paired = TRUE, alternative = "two.sided", conf.level = 0.95) Paired t-test data: bloodflow$caffeine and bloodflow$baseline t = , df = 7, p-value = alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: sample estimates: mean of the differences Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 23 / 35 Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 24 / 35
7 R-Funktion t.test II Vorzeichentest > t.test(bloodflow$caffeine, bloodflow$baseline, paired = TRUE, alternative = "less", conf.level = 0.95) Paired t-test data: bloodflow$caffeine and bloodflow$baseline t = , df = 7, p-value = alternative hypothesis: true difference in means is less than 0 95 percent confidence interval: -Inf sample estimates: mean of the differences Durchblutungs-Beispiel: wir betrachten Differenzen X i = Z i Y i, i = 1, 2,..., n = 8; Ziel: prüfen, ob Differenzen im Mittel signifikant unterschiedlich von (oder unter) 0 sind. Annahme für t-test: X i s normalverteilt Was tun, wenn diese Annahme nicht erfüllt ist? Alternative: Vorzeichentest Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 25 / 35 Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 26 / 35 Vorzeichentest Vorzeichentest Betrachte Differenzen X i = Z i Y i, i = 1, 2,..., n = Modell: X 1,..., X n i.i.d. mit beliebiger Verteilung mit Median m 2. Nullhypothese: H 0 : m = m 0 = 0 Alternativhypothese: H A : m m 0 3. Teststatistik: V = #{i X i > m 0 }: Anzahl Werte (Differenzen), die grösser als m 0 sind. Verteilung von V unter H 0 : V Bin(n, 0.5) 4. Signifikanzniveau wählen: z.b. α = 5% 5. Verwerfungsbereich: K = [0, c] [n c, n] so, dass P H0 [V K] α. Es gilt P H0 [V K] = 2P H0 [V c]. Werte für c = 0, 1, 2, 3: > 2*pbinom(0:3, n, 0.5) [1] Daher nehmen wir c = 0 (kleiner Datensatz!) 6. Testentscheid: H 0 wird verworfen, falls V K, andernfalls beibehalten. Hier: V = 0 K, daher wird H 0 verworfen p-wert: p = Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 27 / 35 Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 28 / 35
8 Zweiseitiger Vorzeichentest in R Einseitiger Vorzeichentest in R Ist V berechnet, kann man die Funktion binom.test benutzen: > V <- sum(bloodflow$caffeine > bloodflow$baseline) > binom.test(v, n, p = 0.5, alternative = "two.sided", conf.level = 0.95) Eact binomial test data: V and n number of successes = 0, number of trials = 8, p-value = alternative hypothesis: true probability of success is not equal to percent confidence interval: sample estimates: probability of success 0 > V <- sum(bloodflow$caffeine > bloodflow$baseline) > binom.test(v, n, p = 0.5, alternative = "less", conf.level = 0.95) Eact binomial test data: V and n number of successes = 0, number of trials = 8, p-value = alternative hypothesis: true probability of success is less than percent confidence interval: sample estimates: probability of success 0 Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 29 / 35 Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 30 / 35 Wilcoon-Test Wilcoon-Test in R Weitere Alternative zum t-test: Wilcoon-Test. Modell für Datensatz: X 1,..., X n i.i.d. mit beliebiger Verteilung, die symmetrisch um den Median m ist (Hinweis: bei symmetrischer Verteilung gilt Median = Erwartungswert) Genaue Berechnung der Teststatistik lassen wir aus; Verteilung ist so kompliziert, dass sie nur mit Software berechnet werden kann Zweiseitiger Test: > wilco.test(bloodflow$caffeine, bloodflow$baseline, paired = TRUE, eact = TRUE, alternative = "two.sided", conf.level = 0.95) Wilcoon signed rank test data: bloodflow$caffeine and bloodflow$baseline V = 0, p-value = alternative hypothesis: true location shift is not equal to 0 Einseitiger Test: > wilco.test(bloodflow$caffeine, bloodflow$baseline, paired = TRUE, eact = TRUE, alternative = "less", conf.level = 0.95) Wilcoon signed rank test data: bloodflow$caffeine and bloodflow$baseline V = 0, p-value = alternative hypothesis: true location shift is less than 0 Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 31 / 35 Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 32 / 35
9 Überblick: verschiedene Tests und p-werte für Durchblutungs-Datensatz Vergleich: parametrische und nicht-parametrische Tests für eine Stichprobe Test p-wert, 2-seitig p-wert, 1-seitig t-test Vorzeichentest Wilcoon-Test Parametrischer Test Annahmen über Verteilungsfamilie der Daten Beispiele: z-test, t-test Beschränkt anwendbar Höhere Macht als nicht-parametrische Tests Nicht-parametrischer Test Keine Annahme über Verteilungsfamilie der Daten Beispiele: Vorzeichentest, Wilcoon-Test Breiter anwendbar Kleinere Macht als parametrische Tests Wahl eines Tests Verwenden Sie wenn möglich parametrische Tests, wenn nötig nicht-parametrische Tests. Welche Probleme ergeben sich bei kleinen Datensätzen? Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 33 / 35 Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 34 / 35 Literatur Brand eins. Die Welt in Zahlen Mehdi Namdar, Pascal Koepfli, Renate Grathwohl, Patrick T Siegrist, Michael Klainguti, Tiziano Schepis, Raphael Delaloye, Christophe A Wyss, Samuel P Fleischmann, Oliver Gaemperli, et al. Caffeine decreases eercise-induced myocardial flow reserve. Journal of the American College of Cardiology, 47(2): , Berner Fachhochschule Haute école spécialisée bernoise Bern University of Applied Sciences 35 / 35
Teil X. Hypothesentests für eine Stichprobe. Woche 8: Hypothesentests für eine Stichprobe. Lernziele. Statistische Hypothesentests
Woche 8: Hypothesentests für eine Stichprobe Teil X Patric Müller Hypothesentests für eine Stichprobe ETHZ WBL 17/19, 19.06.2017 Wahrscheinlichkeit und Statistik Patric
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
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
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
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
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 3.2.2 bis 3.3 besser zu verstehen. Auswertung und Lösung Abgaben: 81 / 265 Maximal erreichte Punktzahl: 7 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.28 Frage
MehrTests für Erwartungswert & Median
Mathematik II für Biologen 26. Juni 2015 Prolog Varianz des Mittelwerts Beispiel: Waage z-test t-test Vorzeichentest Wilcoxon-Rangsummentest Varianz des Mittelwerts Beispiel: Waage Zufallsvariable X 1,...,X
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.
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
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
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
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
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
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
MehrHypothesentests mit R Ashkan Taassob Andreas Reisch 21.04.09 1
Hypothesentests mit R Ashkan Taassob Andreas Reisch 21.04.09 1 Inhalt Programmiersprache R Syntax Umgang mit Dateien Tests t Test F Test Wilcoxon Test 2 Test Zusammenfassung 2 Programmiersprache R Programmiersprache
Mehrdas Kleingedruckte...
Gepaarte t-tests das Kleingedruckte... Datenverteilung ~ Normalverteilung QQ-plot statistischer Test (Shapiro-Wilk, Kolmogorov-Smirnov) wenn nicht : nicht-parametrische Tests gleiche Varianz (2-Proben
MehrBiostatistik. Lösung
Prof. Dr. Achim Klenke Fridolin Kielisch 13. Übung zur Vorlesung Biostatistik im Sommersemester 2015 Lösung Aufgabe 1: a) Ich führe einen zweiseitigen Welch-Test durch, weil ich annehme, dass die Daten
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
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
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:
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrOnline-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung
Online-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung Abgaben: 92 / 234 Maximal erreichte Punktzahl: 7 Minimal erreichte Punktzahl: 1 Durchschnitt: 4 Frage 1 (Diese Frage haben ca. 0% nicht beantwortet.)
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Probeprüfung Statistik 1 Sommer 2014 Schriftliche Prüfung (90 Minuten) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten!
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 http://www.uni-leipzig.de/ zuber/teaching/ws11/r-kurs/
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.7 und 4.8 besser zu verstehen. Auswertung und Lösung Abgaben: 71 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 5.65 Frage 1
MehrSchriftliche Prüfung (1 Stunde)
Prüfung Statistik Herbstsemester 2011 Schriftliche Prüfung (1 Stunde) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten! Lesen Sie zuerst
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
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
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
MehrSchriftliche Prüfung (2 Stunden)
Prüfung Statistik Winter 2013 Schriftliche Prüfung (2 Stunden) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten! Lesen Sie zuerst alle Aufgaben
MehrGesamtcholesterin Region A Region B <170 (optimal) 80 >=170 (Risiko)
AUFGABEN 1. In einer Studie wurde ein Blutparameter am Beginn und am Ende einer Therapie bestimmt. Es ergab sich, dass bei 35 Probanden eine Veränderung des Parameters eintrat, und zwar lag der Wert bei
MehrZweiseitiger Binomialtest. für D-UWIS, D-ERDW, D-USYS und D-HEST SS15
Zweiseitiger Binomialtest für D-UWIS, D-ERDW, D-USYS und D-HEST SS15 Repetition: Macht Quiz 5 Aufgabe 6 und 7 Verwerfungsbereich mit αα 0.05 ist KK = [14, 15,, 25] Verwerfungsbereich mit αα 0.01 ist KK
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)
MehrGesamtcholesterin Region A Region B <170 (optimal) 80 >=170 (Risiko)
GRUNDAUFGABEN ZU DEN 1-STICHPROBENVERGLEICHEN 1. In einer Studie wurde ein Blutparameter am Beginn und am Ende einer Therapie bestimmt. Es ergab sich, dass bei 35 Probanden eine Veränderung des Parameters
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
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 / Übungsaufgaben Prof. Dr. Achim Klenke http://www.aklenke.de 13. Vorlesung: 10.02.2012 1/51 Aufgabe 1 Aufgabenstellung Übungsaufgaben Ein Pharmakonzern möchte ein neues Schlankheitsmedikament
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,...,
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 =
MehrVergleich zweier Stichproben
zurück zum Inhaltsverzeichnis Die Werte sind verbunden, abhängig oder korreliert. Beispiel: Eine Probe wird mit zwei Messgeräten bestimmt. Es gibt eine paarweise Zuordnung. Die Werte sind unabhängig also
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
MehrZusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen
Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k
MehrBeurteilung von Analysenwerten im Hinblick auf eine Grenzwertüberschreitung
Beurteilung von Analysenwerten im Hinblick auf eine Grenzwertüberschreitung K. Molt Universität Duisburg-Essen, Fak. 4, FG Instrumentelle Analytik 3. Juni 2007 K. Molt (Fachgeb. IAC) 3. Juni 2007 1 / 41
MehrTeil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
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
MehrSchließende Statistik: Hypothesentests (Forts.)
Mathematik II für Biologen 15. Mai 2015 Testablauf (Wdh.) Definition Äquivalente Definition Interpretation verschiedener e Fehler 2. Art und Macht des Tests Allgemein im Beispiel 1 Nullhypothese H 0 k
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
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
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test Martin Hutzenthaler & Dirk Metzler Inhaltsverzeichnis 1 t-test für gepaarte Stichproben 1 1.1 Beispiel: Orientierung bei Trauerschnäppern..........................
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
Mehre) Beim klassischen Signifikanztest muß die Verteilung der Prüfgröße unter der Nullhypothese
9 Hypothesentests 1 Kapitel 9: Hypothesentests A: Übungsaufgaben: [ 1 ] Bei Entscheidungen über das Ablehnen oder Nichtablehnen von Hypothesen kann es zu Irrtümern kommen. Mit α bezeichnet man dabei die
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test Martin Hutzenthaler & Dirk Metzler 6./18. Mai 2010 Inhaltsverzeichnis 1 t-test für gepaarte Stichproben 1 1.1 Beispiel: Orientierung
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.
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: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Winter 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
MehrNicht-parametrische statistische Verfahren
Nicht-parametrische statistische Verfahren von Peter Pfaffelhuber Version: 7. Dezember 015 Die statistischen Verfahren, die wir bisher kennengelernt haben, basieren auf statistischen Modellen, die immer
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
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
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
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Maathuis ETH Zürich Winter 2010 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
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
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
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 007/008 Aufgabe 1 (I) Herr
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
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
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 )
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
MehrPVK Statistik Carlos Mora
PVK Statistik 10.-12.1.2012 Prüfung 1 Frage Binomialverteilung und/oder Poissonverteilung mit Test, Poisson-, Normalapproximation 1.Übungsblatt 1 Frage Normalverteilung, z-, t-test; Ein- und/oder zwei
Mehr- Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden.
Normalverteilung und Standardnormalverteilung als Beispiel einer theoretischen Verteilung - Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden. - Stetige (kontinuierliche),
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 und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrLean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
MehrGepaarter und ungepaarter t-test. Statistik (Biol./Pharm.) Herbst 2012
Gepaarter und ungepaarter t-test Statistik (Biol./Pharm.) Herbst 2012 Mr. X Krebs Zwei Krebstypen 1 Typ 1: Mild Chemotherapie nicht nötig 2 Typ 2: Schwer Chemotherapie nötig Problem: Typ erst nach langer
Mehr4 Testen von Hypothesen
4 Testen von Hypothesen Oft müssen zweiwertige Entscheidungen ( Ja oder Nein ) gefällt werden. Denken wir an die elektronisch gesicherten Waren, wo am Ausgang eines Geschäftes durch eine Maschine geprüft
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.
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.
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
MehrI N F E R E N Z S T A T I S T I K Terminologie
Seite 1 von 70 I N F E R E N Z S T A T I S T I K Terminologie i.i.d. independent and identically distributed bedeutet, unabhängig und in gleicher Weise verteilt, d.h., der gleichen Verteilung unterworfen.
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)
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/453
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/453 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
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
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
MehrBlockpraktikum zur Statistik mit R
Blockpraktikum zur Statistik mit R 08. Oktober 2010 Till Breuer, Sebastian Mentemeier und Matti Schneider Institut für Mathematische Statistik Universität Münster WS 2010/11 Gliederung 1 Ein-Stichproben-Fall
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:
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
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,
MehrMathematik IV: Statistik
für D-UWIS, D-ERDW, D-USYS und D-HEST SS16 Sie hören Vitamin String Quartet Daniel Stekhoven 14.04.2016 1 Daniel Stekhoven 14.04.2016 2 Überblick Lernziele Erledigt! Grundlagen Wahrscheinlichkeitsmodell
Mehr6. Übung (Hypothesenprüfung und einfache Tests)
6. Übung (Hypothesenprüfung und einfache Tests) Es wird eine H0 Hypothese und eine Gegen- oder Arbeitshypothese aufgestellt. Sie schließen sich aus. Es wird von den betreffenden Populationen eine repräsentative
MehrKapitel 3 Schließende Statistik
Bemerkung 3.34: Die hier betrachteten Konfidenzintervalle für unbekannte Erwartungswerte sind umso schmaler, je größer der Stichprobenumfang n ist, je kleiner die (geschätzte) Standardabweichung σ (bzw.
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
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:
MehrAuswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
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
MehrTutorial: Anpassungstest
Tutorial: Anpassungstest An einem Institut gibt es vier UniversitätslehrerInnen, die auch Diplomarbeiten betreuen. Natürlich erfordert die Betreuung einer Diplomarbeit einiges an Arbeit und Zeit und vom
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
MehrAnhang: Statistische Tafeln und Funktionen
A1 Anhang: Statistische Tafeln und Funktionen Verteilungsfunktion Φ(z) der Standardnormalverteilung Die Tabelle gibt die Werte Φ(z) der Verteilungsfunktion zu vorgegebenem Wert z 0 an; ferner gilt Φ( z)
MehrStatistik für Ingenieure Vorlesung 13
Statistik für Ingenieure Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6. Februar 2018 5.1.4. Weitere ausgewählte statistische Tests a) Binomialtest Der Binomialtest
Mehr