4 Testen von Hypothesen
|
|
- Barbara Krüger
- vor 7 Jahren
- Abrufe
Transkript
1 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 wird, ob eine nicht bezahlte Ware mitgenommen wird oder nicht. D. h., es wird automatisch die Hypothese Ware vollständig bezahlt gegen die Alternative unbezahlte Ware vorhanden getestet. Da die vorliegende Information, die die Testvorrichtung erhält, zu gering ist, kann es zu Fehlentscheidungen kommen. Es können zwei Arten von Fehlern auftreten: bezahlte Ware als nicht bezahlt gemeldet (Fehlalarm) wir nennen dies einen Fehler der 1. Art oder nicht bezahlte Ware nicht gemeldet, ein Fehler der 2. Art. Solche Fehler können unter anderem Auftreten, wenn an der Kasse der elektronische Streifen nicht oder nicht vollständig entwertet wird, oder wenn etwa ein elektronisches Gerät (etwa ein Mobiltelefon) einen Alarm auslöst. Unsere Testvorrichtung nimmt nun einen konstanten Fehler der 1. Art in Kauf, während der Fehler 2. Art minimiert werden soll. Wie können wir nun testen, welche unserer beiden Hypothesen, die Nullhypothese H 0 oder die Alternative H A, mit einer gewissen Wahrscheinlichkeit stimmt. Dazu berechnen wir eine Prüfgröße T, eine sogenannte Teststatistik, und einen kritischen Wert c α, der von dem vorgegebenen Fehler 1. Art abhängt, und testen, ob P ϑ (T > c α ) α ϑ H 0. D. h. also, der Fehler 1. Art wird mit α fixiert ein gewisser Prozentsatz von Fehlalarmen wird toleriert, ist etwa nicht geschäftsschädigend. Wird c α unterschritten, so liegt die Nullhypothese H 0 vor, sonst die Alternative H A. Vorgangsweise: (1) Formulierung einer Nullhypothese H 0 (null hypothesis) und einer Alternative H A (alternative hypothesis). (2) Wahl einer Irrtumswahrscheinlichkeit α bzw. eines Signifikanzniveaus 1 α (level of significance). Von manchen Autoren wird auch α selbst als Signifikanzniveau bezeichnet. Üblich: α = 0.05 Ökonomie, Soziologie α = 0.01 Biologie, Psychologie, Naturwissenschaften α = Medizin (3) Auswahl eines Tests, d. h., einer Teststatistik T, und Berechnung eines kritischen Werts c α und damit eines Ablehnbereichs (Menge A). D. h., finde einen Wertebereich für die Daten, welcher unter der Nullhypothese sehr unwahrscheinlich ist (P (A) α) und unter der die Alternative viel wahrscheinlicher ist. (4) Sammle Daten. Als Generalvoraussetzung wird angenommen, dass es sich um eine Zufallsstichprobe handelt. Durch Randomisieren kann die Selektion verbessert werden. Stelle fest, ob die gesammelten Daten in diesen Wertebereich (kritischer 1
2 H 0 H A 1 β β α c α Abb. 1: Fehlerwahrscheinlichkeiten (=Flächen) beim Testen. Bereich, Ablehnbereich) fallen oder nicht. Entweder wird dazu die Teststatistik mit dem kritischen Wert c α verglichen, oder es wird der P-Wert (p-value, level attained, descriptive level) berechnet und die Nullhypothese abgelehnt, falls dieser kleiner oder gleich dem vorher gewählten Niveau α ist! ja lehne H 0 ab, d. h., H 0 verwerfen nein lehne H 0 nicht ab, d. h., H 0 nicht verwerfen, d. h., die Daten stehen nicht im Widerspruch zu H 0. Modell Testgröße (test statistic) Kritischer Wert (critical value) Fehler 1. Art (α) (error of first kind) Fehler 2. Art (β) (error of second kind) Gütefunktion (power function) P -Wert (p-value) Parameter liegen in einer bestimmten Menge (Nullhypothese Alternative) Aus den Daten gewonnene Größe, die typischerweise in der Nullhypothese klein, in der Alternative groß ist. jener Wert, den die Testgröße überschreiten muss, damit es zur Ablehnung der Nullhypothese kommt. Nullhypothese wird abgelehnt, obwohl sie richtig ist (Ablehnung falsch, α-fehler). Nullhypothese wird nicht abgelehnt, obwohl sie falsch ist (Annahme falsch, β-fehler). Ablehnwahrscheinlichkeit der Nullhypothese in Abhängigkeit vom Parameter der Alternative (1 β). kleinste Irrtumswahrscheinlichkeit α, die zur Ablehnung von H 0 führt. Oder: Wahrscheinlichkeit, dass falls die Nullhypothese zutrifft ein Wert größer oder gleich dem beobachteten vorkommt. Wir unterscheiden einseitige Alternativen (one-sided alternative), diese enthalten Verteilungen mit Parametern aus einem Halbstrahl von R (d. h., der Parameter ist größer oder 2
3 H 0 H A 0.01 β c α H 0 H A 0.01 β c α H 0 H A 0.01 β c α Abb. 2: β-fehler (Fläche) in Abhängigkeit der Dichte von H A. kleiner als eine Zahl), und zweiseitige Alternativen (two-sided alternative), diese enthalten Verteilungen mit Parametern aus zwei Halbstrahlen (d. h., der Parameter nimmt einen gewissen Wert an oder nicht). Der Test wird so gewählt, dass die Wahrscheinlichkeit des Fehlers 1. Art (die Irrtumswahrscheinlichkeit) gleich einem vorher bestimmten α ist. Ein Test ist umso besser, je kleiner der Fehler 2. Art, der β-fehler, bei gegebenen α ist. Je kleiner der β-fehler ist, desto schärfer trennt der Test H 0 und H A (more powerful), desto größer ist die Macht oder Güte des Tests (power function). Die Güte nimmt auch zu, wenn eine größere Stichprobe genommen wird. Definition 4.1 Die Güte oder Macht eines Tests für den Parameter ϑ einer Verteilung ist definiert als g(ϑ) = P (H 0 ablehnen H A trifft zu) = P ϑ (T > c α ) = 1 β wobei T die gewählte Teststatistik (Prüfgröße), α die gewählte Irrtumswahrscheinlichkeit und c α der kritische Wert ist (vgl. Abb. 1). 1 g(ϑ) = β heißt β-fehler, Operationscharakteristik, OC-Kurve oder Prüfplankurve (siehe Abb. 2). Beim Übergang vom einseitigen zum zweiseitigem Test nimmt die Macht eines Tests ab, da der kritische Wert der Teststatistik größer wird (es bleibt nur mehr α/2 statt α am Rand), somit wird β größer und damit 1 β, die Macht des Tests, kleiner. 3
4 Test des Anteilswertes p einer B(n, p)-verteilung Beispiel 4.1 (Münzwurf) Jemand behauptet, er könne am Klang beim Wurf einer Münze unterscheiden, ob zuerst die Münze auf Bild oder auf Zahl zu liegen kam. Bei 80 Versuchen hat er 52 Mal recht. Frage: Ist dieses Ereignis signifikant, d. h., nicht zufällig? Die Anzahl der Erfolge und Misserfolge ist, da es sich um ein wiederholtes Bernoulli- Experiment handelt, Binomial-B(n, p)-verteilt. Diese ist unsere Modellverteilung. Dazu stellen wir folgende Hypothesen auf: Als Nullhypothese wählen wir H 0 : p 1 2. Als Alternative ergibt sich dann H A : p > 1 2. Dies formuliert einen einseitigen Test. Wir könnten ebenso einen zweiseitigen Test formulieren, nämlich H 0 : p = 1 2 und H A : p 1 2. Der einseitige Test ist aber schärfer Abb. 3: Dichte der B(80, 0.5)-Verteilung, kritischer Wert 51 Beispiel 4.2 (Münzwurf) ( H 0 : Daten B 80, 1 ) 2 Wähle das Signifikanzniveau α = Wähle den Ablehnbereich A so, dass P H0 (Daten A) = α. Hier: A = [k, 80] 4
5 ( Daten sind X B 80, 1 ) 2, d. h., E(X) = np = = 40 und Var(X) = np(1 p) = 20. P (X k) = α Wir standardisieren und approximieren dann durch N(0, 1). P ( X k ) = 1 α α = 0.01, aus Tabelle: Φ(2.33) = 0.99 oder Φ 1 (0.99) = u 0.99 = Daraus berechnen wir k = 2.33 k = = 50.41, also erhalten wir einen Ablehnbereich für H 0 von A = [51, 80]. Daher, 52 A, muss H 0 abgelehnt (verworfen) werden, d. h., die Daten sprechen eher dafür, dass unser Kandidat am Klang unterscheiden kann, ob die Münze auf Bild oder Zahl zu liegen kam. Anteilswert p von B(n, p) Voraussetzung: X 1,..., X n B(n, p) m Beobachtungen, σp 2 = p 0(1 p 0 ) m n Testgröße: T n p 0 σ P = m np 0 N(0, 1) np0 (1 p 0 ) Einseitig (i) H 0 : p p 0 H A : p > p 0 H 0 ablehnen, falls T > Φ 1 (1 α) Einseitig (ii) H 0 : p p 0 H A : p < p 0 H 0 ablehnen, falls T < Φ 1 (α) = Φ 1 (1 α) Zweiseitig H 0 : p = p 0 H A : p p 0 H 0 ablehnen, falls T > Φ 1 (1 α 2 ) oder falls T 2 = n(ˆp p 0) 2 p 0 (1 p 0 ) > χ2 1;1 α Theorem 4.1 Ist X N(0, 1)-verteilt, so ist X 2 χ 2 (1)-verteilt. 5
6 Einstichprobentest des Mittelwertes (σ 2 bekannt) Voraussetzung: X 1,..., X n N(µ, σ 2 ) i.i.d. Testgröße: T n X µ 0 σ N(0, 1) Einseitig (i) H 0 : µ µ 0 H A : µ > µ 0 H 0 ablehnen, falls T > Φ 1 (1 α) Einseitig (ii) H 0 : µ µ 0 H A : µ < µ 0 H 0 ablehnen, falls T < Φ 1 (α) Zweiseitig H 0 : µ = µ 0 H A : µ µ 0 H 0 ablehnen, falls T > Φ 1 (1 α 2 ) Bemerkung 4.1 Wir berechnen den kritischen Wert im Falle des zweiseitigen Tests. Es soll gelten, dass P ( Z c α ) 1 α ist. P ( Z c α ) = P ( c α Z c α ) = Φ(c α ) Φ( c α ) = Φ(c α ) (1 Φ(c α )) = 2Φ(c α ) 1 = 1 α Also Φ(c α ) = 1 α ( 2 c α = Φ 1 1 α ) 2. Beispiel 4.3 Füllgewichte von Verpackungen in Gramm (X i ): 80.5, 78.2, 76.2, 79.4, 80.0 Aus Beobachtungen wissen wir, dass die Füllgewichte X N(µ, 0.8) Wir testen H 0 : µ 80 gegen H A : µ < 80 T = n X µ 0 σ = = Für α = 0.01 haben wir c α = Φ 1 (0.01) = Da T < 2.32 müssen wir H 0 ablehnen, d. h., die Füllgewichte der Stichprobe liegen unter der Norm. Dieselbe Aussage erhalten wir durch den P -Wert Φ( 2.85) = , der kleiner als unser gewähltes α = 0.01 ist. Beispiel 4.4 (Güte) Wir berechnen nun die Güte dieses Tests, d. h., was passiert, wenn unsere Annahme über den Mittelwert der Verteilung nicht stimmt (vgl. Abb. 2)? Güte g(µ) = P µ (T > Φ 1 (1 α)) = 1 β-fehler Dazu berechnen wir den β-fehler (einseitig H 0 : ϑ < ϑ 0 ) unter der Annahme, dass die Daten ursprünglich den Mittelwert µ 0 hatten β(µ) = cα f µ (u) du = F µ (c α ) 6
7 also etwa im Falle der Normalverteilung β(µ) = Φ( C µ σ X ) = Φ( µ 0 µ σ X + c α ) wobei C = µ 0 + σ X c α ist, d. h., der kritische Wert umgerechnet auf die ursprüngliche Verteilung der Daten, c α der kritische Wert der N(0, 1)-Verteilung. Der β-fehler beim zweiseitigen Testen ist β(µ) = co c u f µ (u) du = F µ (c o ) F µ (c u ) wobei c u bzw. c o die kritische Unter- bzw. Obergrenze der Testgröße der Originaldaten ist. Die Güte ist dann g(µ) = 1 β(µ). Beispiel 4.5 Ein Drahtseil soll eine Mindestbelastung von 1200 kp aufweisen. Aus Erfahrung kennen wir die Standardabweichung σ = 120 kp. Wie groß muss der Mittelwert einer Stichprobe von n = 36 mindestens sein, damit wir eine Belastbarkeit von 1200 kp mit 95 %-iger Sicherheit attestieren können. H 0 : µ 1200 H A : µ > 1200 X N(1200, 20), da σ 2 = σ2. Wir erhalten als untersten Wert, den X annehmen darf, X n = Wir berechnen nun die Güte g(µ) dieses Tests für variables µ: g(1200) = P (X < 1167 µ = 1200) = 0.05 g(1180) = P (X < 1167 µ = 1180) = P ( X < ) = d. h., wäre die tatsächliche Reißfestigkeit des Seils unter 1200 kp, ergäbe sich ein sicherer Test. Das ist ein weiterer Grund, warum wir H 0 und H A so gewählt haben. Die Abbildung 4 zeigt die Güte g(µ) dieses rechtsseitigen Tests (durchgezogene Linie) und den β-fehler oder auch OC-Kurve β(µ) = 1 g(µ) dieses Tests. Hätten wir einen linksseitigen Test durchgeführt, so wären die Rollen dieser beiden Kurven vertauscht, d. h., der Test umso schlechter, je geringer die tatsächliche Reißfestigkeit des Drahtseils ist, ein wohl nicht gewünschter Effekt. Differenz der Mittel (Verbundene Stichproben) Bei verbundenen Stichproben gehen wir von zwei abhängigen (gepaarten, verbundenen) Stichproben aus. Die Werte werden an identischen Entitäten gemessen, wie etwa bei Vor-Nach-Vergleichen. Etwa Blutdruck vor und nach einer Behandlung. Die Differenzen d i = Y i X i werden dann wie im Einstichprobentest für Mittelwerte behandelt. In diesem Abschnitt gehen wir davon aus, dass die Varianzen bekannt sind. 7
8 Abb. 4: Güte (durchgezogen) und OC-Kurve. Beispiel 4.6 Gewicht von Schweinen vor und nach der Mast vorher (X i ) nachher (Y i ) Differenz (D i ) D i N(µ, 4) Wir testen einseitig auf Mittelwert 0, also H 0 : µ 0 und H A : µ > 0. Wir behaupten also, dass die Mast keine Wirkung gezeigt hat, dass kein statistisch signifikanter Effekt vorliegt. T = n Dσ = n Y X σ T = = Bei α = 0.05 haben wir einen kritischen Wert von Φ 1 (0.95) = Da T > 1.64 lehnen wir H 0 ab, die Gewichte der Schweine haben also signifikant zugenommen. 8
9 Differenz der Mittel (Zweistichprobentest) Voraussetzung: X 1,..., X n N(µ X, σ 2 X ) i.i.d. Y 1,..., Y m N(µ Y, σ 2 Y ) i.i.d. X i, Y i unabhängig σ X und σ Y bekannt, σ 2 D = σ2 X n + σ2 Y m Testgröße: T (X Y ) (µ X µ Y ) N(0, 1) σ 2 X n + σ2 Y m Einseitig (i) H 0 : (µ X µ Y ) 0 H A : (µ X µ Y ) > 0 H 0 ablehnen, falls T > Φ 1 (1 α) Einseitig (ii) H 0 : (µ X µ Y ) 0 H A : (µ X µ Y ) < 0 H 0 ablehnen, falls T < Φ 1 (α) Zweiseitig H 0 : (µ X µ Y ) = 0 H A : (µ X µ Y ) 0 H 0 ablehnen, falls T > Φ 1 (1 α 2 ) Beispiel 4.7 (Düngemittel) Unterscheiden sich die Hektarerträge bei verschiedenen Düngemitteln? Unabhängige Stichproben: X 1,..., X n N(µ X, σ 2 X ), Y 1,..., Y m N(µ Y, σ 2 Y ) Dünger 1 Dünger 2 (X-Stichprobe) (Y-Stichprobe) σx 2 = 6 σ2 Y = 4 X = Y = Wir behaupten, dass die verschiedenen Düngemittel keinen signifikanten Einfluss auf die Hektarerträge hat und testen zweiseitig. H 0 : µ X = µ Y und H A : µ X µ Y T = ( ) = Bei α = 0.01 haben wir T > Φ 1 (0.995) = 2.57, wir müssen also H 0 ablehnen, d. h., die Hektarerträge unterscheiden sich signifikant. 9
10 t-test (Mittelwert bei unbekannter Varianz) Voraussetzung: X 1,... X n N(µ, σ 2 ) σ 2 unbekannt Testgröße: T n X µ s t(n 1) Einseitig (i) H 0 : µ µ 0 H A : µ > µ 0 H 0 ablehnen, falls T > t n 1,1 α Einseitig (ii) H 0 : µ µ 0 H A : µ < µ 0 H 0 ablehnen, falls T < t n 1,α = 1 t n 1,1 α Zweiseitig H 0 : µ = µ 0 µ µ 0 H 0 ablehnen, falls T > t n 1,1 α 2 oder falls T 2 n(x µ)2 = s 2 > F 1,n 1;1 α Dieser Test ist der am häufigsten verwendete Mittelwertstest, da meistens die Varianzen unbekannt sind und aus der Stichprobe geschätzt werden müssen. Theorem 4.2 Falls Y t(n)-verteilt ist, ist Y 2 F (1, n)-verteilt. Ist n > 30 können wir die entsprechenden Werte der Standardnormalverteilung als kritische Werte verwenden. Vor-Nach-Vergleiche (verbundene Stichproben) Wie schon bei Vor-Nach-Vergleichen bei bekannter Varianz liegen auch hier verbundene Stichproben vor, jedoch nun mit unbekannter Varianz, sodass wir die Stichprobenvarianz der Differenzen als Schätzer verwenden müssen, und dann einen Einstichproben t-test für die Differenzen D i = Y i X i durchführen. Beispiel 4.8 Wir wollen die Wirkung einer Diätkur testen. Gewicht vor Diätkur (X) Gewicht nach Diätkur (Y ) Differenzen D i Die Differenzen werden einseitig auf Mittelwert 0 getestet, d. h., wir wollen zeigen, dass die Kur keine signifikante Wirkung gehabt hat. Wir haben also H 0 : µ D 0 und H A : µ D > 0 10
11 > x <- c(73,85,68,90,77) > y <- c(72,81,70,82,73) > d <- x-y > t.test(x,y,alternative=c("two.sided"),mu=0,paired=true, var.equal=true,conf.level=0.99) Paired t-test data: x and y t = , df = 4, p-value = alternative hypothesis: true difference in means is not equal to 0 99 percent confidence interval: sample estimates: mean of the differences: 3 > t.test(d,y=null,alternative=c("two.sided"),mu=0,paired=false, var.equal=false,conf.level=0.99) One Sample t-test data: d t = , df = 4, p-value = alternative hypothesis: true mean is not equal to 0 99 percent confidence interval: sample estimates: mean of x: 3 Abb. 5: R Dialog für Beispiel 4.8, zweiseitig D = Y X = 3, s = 1 n n 1 (X i X) 2 = 14 ( ) = i=n T = 5 ( 3) 3.74 = 1.79 Da T > t 4;0.99 = kann H 0 nicht abgelehnt werden, d. h., es ist keine signifikante Wirkung der Diätkur nachweisbar. 11
12 > x <- c(73,85,68,90,77) > y <- c(72,81,70,82,73) > d <- x-y > t.test(d,null,alternative=c("less"),mu=0,paired=false, var.equal=false,conf.level=0.99) One Sample t-test data: d t = , df = 4, p-value = alternative hypothesis: true mean is less than 0 99 percent confidence interval: NA sample estimates: mean of x: 3 > t.test(d,null,alternative=c("greater"),mu=0,paired=false, var.equal=false,conf.level=0.99) One Sample t-test data: d t = , df = 4, p-value = alternative hypothesis: true mean is greater than 0 99 percent confidence interval: NA sample estimates: mean of x: 3 Abb. 6: R Dialog für Beispiel 4.8, einseitig Zweistichproben-t-Test (gleiche Varianzen) Voraussetzung: X 1,..., X n N(µ X, σx 2 ) i.i.d. Y 1,..., Y m N(µ Y, σy 2 ) i.i.d. X i, Y i unabhängig σx 2 = σ2 Y unbekannt, aber gleich für beide Stichproben s 2 D = ( 1 n + 1 m )(n 1)s2 X + (m 1)s 2 Y m + n 2 Testgröße: T (X Y ) (µ X µ Y ) s D t(n + m 2) Einseitig (i) H 0 : (µ X µ Y ) 0 H A : (µ X µ Y ) > 0 H 0 ablehnen, falls T > t n+m 2,1 α Einseitig (ii) H 0 : (µ X µ Y ) 0 H A : (µ X µ Y ) < 0 H 0 ablehnen, falls T < t n+m 2,α Zweiseitig H 0 : (µ X µ Y ) = 0 H A : (µ X µ Y ) 0 H 0 ablehnen, falls T > t n+m 2,1 α 2 oder falls T 2 > F 1,n+m 2;1 α Beispiel 4.9 (Schlafverlängerung bei 2 Medikamenten) Medikament 1 (X i ) Medikament 2 (Y j ) Verschiedene Patienten, d. h., unabhängige Stichproben! 12
13 Abb. 7: Schlafverlängerung von Medikamenten (MS Excel). n = 5, m = 4, X = 1.0, Y = 0.7. (n 1)s 2 X = (X i X) 2 = 2.26 (m 1)s 2 Y = (Y i Y ) 2 = T = ( = 0.61 )17 ( ) Wir testen zweiseitig mit α = 0.01: H 0 : µ X = µ Y und H A : µ X µ Y. Da T < t 7,0.995 = 3.5, kann H 0 nicht abgelehnt werden, d. h., beide Medikamente haben dieselbe Wirkung. Zweistichproben-t-Test (verschiedene Varianzen) Voraussetzung: X 1,..., X n N(µ X, σx 2 ) i.i.d. Y 1,..., Y m N(µ Y, σy 2 ) i.i.d. X i, Y i unabhängig σx 2 σ2 Y unbekannt s 2 D = σ2 X n + σ2 Y m, n D = ( s2 X s 2 n )2 Y ( n 1 + m )2 m 1 Testgröße: T (X Y ) (µ X µ Y ) s D t(n D ) Einseitig (i) H 0 : (µ X µ Y ) 0 H A : (µ X µ Y ) > 0 H 0 ablehnen, falls T > t nd,1 α Einseitig (ii) H 0 : (µ X µ Y ) 0 H A : (µ X µ Y ) < 0 H 0 ablehnen, falls T < t nd,α Zweiseitig H 0 : (µ X µ Y ) = 0 H A : (µ X µ Y ) 0 H 0 ablehnen, falls T > t nd,1 α 2 Bemerkung 4.2 (Behrens-Fisher Problem) Falls σx 2 σ2 Y und unbekannt, so gibt es keine sinnvolle Teststatistik, die unabhängig 13 s 4 D
14 von σ X und σ Y ist. Einstichprobentest der Varianz Voraussetzung: X 1,..., X n N(µ, σ 2 ) i.i.d. Testgröße: (n 1)s2 T σ0 2 = 1 n σ0 2 (X i X) 2 χ 2 (n 1) i=1 Einseitig (i) H 0 : σ 2 σ0 2 H A : σ 2 > σ0 2 H 0 ablehnen, falls T > χ 2 n 1,1 α Einseitig (ii) H 0 : σ 2 σ 2 0 H A : σ 2 < σ 2 0 H 0 ablehnen, falls T < χ 2 n 1,α Bemerkung 4.3 Obige Teststatistik T ist nur dann χ 2 (n 1)-verteilt, wenn µ bekannt ist, sonst ist sie χ 2 (n)-verteilt und die Formeln gelten entsprechend mit n statt n 1. Beispiel 4.10 Toleranzen bei Lagerwellen: Sollwert σ 2 0 = 0.01 bei µ = 3.3; α = Daten: 3.5, 3.2, 3.1, 3.5, 3.2, X = 3.3 H 0 : σ 2 σ 2 0 und H A : σ 2 > σ 2 0 i (X i X) 2 = = 0.14 Da T = 1 σ 2 0 (Xi X) 2 = 14 > χ 2 4;0.95 = 9.49 muss H 0 auf dem 5%-Niveau abgelehnt werden, d. h., die Varianz und damit die Toleranz ist signifikant größer als F -Test zum Vergleich zweier Varianzen Voraussetzung: Testgröße: X 1,..., X n N(µ x, σ 2 X ) i.i.d. Y 1,..., Y m N(µ y, σ 2 Y ) i.i.d. T = s2 X s 2 Y F (n 1, m 1) Einseitig (i) H 0 : σ 2 X σ2 Y H A : σ 2 X > σ2 Y H 0 ablehnen, falls T > F n 1,m 1;1 α Einseitig (ii) H 0 : σ 2 X σ2 Y H A : σ 2 X < σ2 Y H 0 ablehnen, falls T < F n 1,m 1;α Zweiseitig H 0 : σ 2 X = σ2 Y H A : σ 2 X σ2 Y H 0 ablehnen, falls T < F n 1,m 1; α 2 oder T > F n 1,m 1;1 α 2 Theorem 4.3 Es gilt F n,m;α = 1 F m,n;1 α (Vertauschung der Freiheitsgrade!). 14
15 Bemerkung 4.4 Wir wissen, dass 1 σ i (X 2 i X) 2 χ 2 (n 1). Daraus und aus dem nächsten Satz folgt die Verteilung obiger Testgröße. Theorem 4.4 X χ 2 (n) und Y χ 2 (m) so ist 1 n X 1 m Y F (n, m). Beispiel 4.11 Vergleich zweier Toleranzen: 1. Stichprobe (X i ) Stichprobe (Y i ) X = 3.4 Y = 3.3 n = 4 m = 5 H 0 : σ 2 X = σ2 Y und H A : σ 2 X σ2 Y. s 2 X = 1 n 1 s 2 Y = 1 m 1 (Xi X) 2 = 3 1 ( ) = 0.08 (Yi Y ) 2 = 1 4 ( ) = Da F = = < F 3,4;0.99 = 16.7 kann H 0 bei α = 0.01 nicht abgelehnt werden, d. h., die beiden Varianzen (Toleranzen) sind nicht signifikant verschieden. 15
16 Aufgaben zum Testen Projekt zum Testen: Generiere 1000 Standard-normalverteilte Samples (N(0, 1)) und transformiere diese so, dass bei Angabe zweier beliebiger Parameter µ und σ 2 aus diesen N(µ, σ 2 )-verteilte Samples werden. Generiere damit N(17, 25)-verteilte Samples und wähle (extrahiere) aus diesen zufällig n Daten (n zufällige Indizes aus den Indizes ). Berechne sodann den Mittelwert und die Sample-Varianz dieser n Daten. Teste die Nullhypothese H 0 : µ = 15 einmal einseitig, einmal zweiseitig mit diesen n Daten. Berechne zu diesen Tests die Gütefunktion. Weiters teste die Varianz unter der Annahme σ = 20. Setze n = 10, 25, 70, 120 und vergleiche die Ergebnisse. 4.1 Von einer Zufallsvariablen X sei bekannt: X N(µ, 5) Eine Stichprobe lieferte folgende Werte: Es ist die Hypothese H 0 : µ = 0 gegen die Alternative H A : µ 0 mit a) α = 0.05 b) α = 0.01 zu testen. c) Teste die Hypothese H 0 mit α = 0.05 (0.01) ohne die Information über die Varianz der Grundgesamtheit! 4.2 Für eine Zufallsvariable X sei bekannt: X N(µ, 4) Eine Stichprobe vom Umfang 25 ergab: X = Es ist die Hypothese H 0 : µ = 14 gegen die Alternative a) H A : µ > 14 b) H A : µ < 14 c) H A : µ 14 zu testen (α = 0.05 bzw. 0.01)! 16
17 4.3 In einer Grundgesamtheit ist ein Merkmal normalverteilt mit unbekanntem Erwartungswert µ und bekannter Varianz σ 2 = Es soll die Hypothese H 0 : µ = 100 gegenüber H A : µ 100 getestet werden. Es liegt eine Stichprobe vom Umfang n = 100 vor. a) Bestimme für α = 0, 05 den Annahmebereich für H 0! b) Bestimme β (Fehler 2. Art) bei Gültigkeit von: µ=105, 110, 115! c) Fertige eine Skizze der Operationscharakteristik und der Macht des Tests an! 4.4 Die Tabelle enthält Beobachtungen aus einem englischen Zinnwalzwerk. Teste unter Annahme, die unabhängigen Stichproben stammen aus normalverteilten Grundgesamtheiten mit gleicher Varianz, ob die Arbeitsleistung von der Jahreszeit abhängt (α = 0.05)! Jahreszeit Relative Arbeitsleistung Sommer Winter Verbrauchen Forellen in schnell fließendem Wasser mehr Sauerstoff als in langsam fließendem (α = 0.05)? Fluss Sauerstoffverbrauch schnell langsam Die unabhängigen Stichproben stammen aus normalverteilten Grundgesamtheiten mit gleicher Varianz! 4.6 Ein Schweinezüchter verwendet 2 Arten von Futtermittel. Besteht ein signifikanter Unterschied zwischen diesen Futtermitteln (α = 0.05)? Gewicht der Jungschweine in kg Futter A Futter B a) Die unabhängigen Stichproben stammen aus normalverteilten Grundgesamtheiten mit gleicher Varianz. b) Die Varianz σ 2 der Grundgesamtheit betrage 100 kg 2. 17
18 4.7 Ein neuer Werkstoff wird nur dann öffentlich zugelassen, wenn seine mittlere Zugfestigkeit mehr als 300 kp beträgt. Durch frühere Untersuchungen ist bekannt, dass die Standardabweichung der Zugfestigkeit solcher Werkstoffe immer 24 kp beträgt. Es wurden 64 Materialtests durchgeführt. a) Wie müssen Null- und Alternativhypothese festgelegt werden, wenn nachgewiesen werden soll, dass ein neuer Werkstoff geeignet ist? b) Ein (statistisch ungebildeter) Entscheidungsträger legt fest, dass ein neuer Werkstoff nur dann als geeignet anzusehen ist, wenn die obige Stichprobe vom Umfang n = 64 einen Mittelwert über dem Normalwert von 302 kp aufweist. Wie groß ist bei einem solchen Vorgehen die Wahrscheinlichkeit für einen Fehler 1. Art? c) Ermittle einen Nominalwert, der bei einer Irrtumswahrscheinlichkeit von 0,01 geeignet ist, über die Zulassung eines neuen Materials zu entscheiden! d) Vergleiche die beiden Entscheidungsverfahren aus b) und c) (d.h., den Normmittelwert von 302 kp bzw. den bei α = 0.01 errechneten Normmittelwert) hinsichtlich ihrer Güte ganz allgemein und konkret für den Fall, dass ein Material eine wahre mittlere Zugfestigkeit von 302 kp aufweist! 4.8 Es liegt eine normalverteilte Grundgesamtheit mit unbekanntem Mittelwert µ und bekannter Streuung σ 2 = 2.56 vor. Es soll die Hypothese H 0 : µ < 12 gegenüber H A : µ 12 mit α = 0.05 aus einer Stichprobe mit dem Umfang n = 36 getestet werden! a) Gib den Rückweisungsbereich der Stichprobenfunktion für x an! b) Berechne und zeichne die Gütefunktion! 4.9 Besteht ein signifikanter Unterschied zwischen den beiden Mittelwerten (95 %)? 1. Stichprobe Stichprobe
19 4.10 Teste die Hypothese, dass der Anteil der einsilbigen Wörter bei beiden Dichtern gleich groß ist (95 %)! Anzahl der Silben Goethe Lichtenberg n Es liegen 2 unabhängige Stichproben aus normalverteilten Grundgesamtheiten vor: n 1 = 1000 X 1 = 78 s 2 1 = 112 n 2 = 1200 X 2 = 76 s 2 2 = 120 Teste die Hypothese H 0 : µ 1 = µ 2 gegen H A : µ 1 µ 2 (α = 0.05) unter der Annahme, a) dass gleiche Varianzen vorliegen! b) dass verschiedene Varianzen vorliegen! c) dass beide Stichproben dieselbe Varianz σ 2 1 = σ 2 2 = σ 2 = 115 aufweisen! 4.12 Gegeben sind 2 unabhängige Stichproben aus normalverteilten Grundgesamtheiten: A B Ist der Unterschied zwischen den Varianzen signifikant? 4.13 Der Benzinverbrauch zweier Autotypen wurde stichprobenweise erhoben: Benzinverbrauch in l pro 100 km im Stadtverkehr A B a) Teste unter der Annahme, dass die Stichproben aus normalverteilten Grundgesamtheiten mit gleicher Varianz stammen, ob der Benzinverbrauch gleich ist! b) Teste die Annahme gleicher Varianzen! 19
20 4.14 Mendel erzielte 1865 bei einem seiner berühmten Kreuzungsversuche folgendes Ergebnis: 355 gelbe Erbsen 123 grüne Erbsen Nach seiner Theorie müsste sich die Zahl der gelben Erbsen zur Zahl der grünen Erbsen wie 3:1 verhalten. Spricht die Stichprobe bei einem Fehler von α = 1 % für die Richtigkeit der Mendel schen Vererbungssätze? 20
Statistische 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 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
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
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 15 009 FernUniversität in Hagen Alle Rechte vorbehalten Fachbereich Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
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
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 )
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
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
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
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
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
MehrKapitel 13. Grundbegriffe statistischer Tests
Kapitel 13 Grundbegriffe statistischer Tests Oft hat man eine Vermutung über die Verteilung einer Zufallsvariablen X. Diese Vermutung formuliert man als Hypothese H 0.Sokönnte man daran interessiert sein
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
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
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
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
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/
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:
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
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
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
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 15 Statistische Testverfahren 15.1. Arten statistischer Test Klassifikation von Stichproben-Tests Einstichproben-Test Zweistichproben-Test - nach der Anzahl der Stichproben - in Abhängigkeit von
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.
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
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 1 24.2.214 Grundlagen zum Hypothesentest Einführung: Wer Entscheidungen zu treffen hat, weiß oft erst im nachhinein ob seine Entscheidung richtig war. Die Unsicherheit
MehrDie Abfüllmenge ist gleich dem Sollwert 3 [Deziliter].
Eine Methode, um anhand von Stichproben Informationen über die Grundgesamtheit u gewinnen, ist der Hypothesentest (Signifikantest). Hier wird erst eine Behauptung oder Vermutung (Hypothese) über die Parameter
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
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrBiomathematik für Mediziner, Klausur SS 2001 Seite 1
Biomathematik für Mediziner, Klausur SS 2001 Seite 1 Aufgabe 1: Von den Patienten einer Klinik geben 70% an, Masern gehabt zu haben, und 60% erinnerten sich an eine Windpockeninfektion. An mindestens einer
MehrBiostatistik, WS 2015/2016 Der zwei-stichproben-t-test
1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 19. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
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
Mehr6. Statistische Hypothesentests
6. Statistische 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
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)
MehrKapitel VIII - Tests zum Niveau α
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Tests zum Niveau α Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Testsituationen
MehrWiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)
Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7
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.
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
MehrKapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Induktive Statistik Prof. Dr. W.-D.
MehrTesten von Hypothesen, Beurteilende Statistik
Testen von Hypothesen, Beurteilende Statistik Was ist ein Test? Ein Test ist ein Verfahren, mit dem man anhand von Beobachtungen eine begründete Entscheidung über die Gültigkeit oder Ungültigkeit einer
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
MehrPrüfgröße: Ist die durch eine Schätzfunktion zugeordnete reelle Zahl (etwa Mittelwert 7 C).
Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Aus praktischen Gründen
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
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrTesten von Hypothesen
Statistik 2 für SoziologInnen Testen von Hypothesen Univ.Prof. Dr. Marcus Hudec Statistik für SoziologInnen 1 Testtheorie Inhalte Themen dieses Kapitels sind: Erklären der Grundbegriffe der statistischen
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 7.9. Lösungen zum Hypothesentest II Ausführliche Lösungen: A A Aufgabe Die Firma Schlemmerland behauptet, dass ihre Konkurrenzfirma Billigfood die Gewichtsangabe,
MehrHypothesentest, ein einfacher Zugang mit Würfeln
R. Brinkmann http://brinkmann-du.de Seite 4..4 ypothesentest, ein einfacher Zugang mit Würfeln Von einem Laplace- Würfel ist bekannt, dass bei einmaligem Wurf jede einzelne der Zahlen mit der Wahrscheinlichkeit
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrKATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert
KATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert 0. Das eigentliche Forschungsziel ist: Beweis der eigenen Hypothese H 1 Dafür muss Nullhypothese H 0 falsifiziert werden können Achtung!
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
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
MehrAnalytische Statistik II
Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Das Testen von Hypothesen Während die deskriptive Statistik die Stichproben nur mit Hilfe quantitativer Angaben charakterisiert,
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2010 Aufgabe 1 Die Inhaberin
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
MehrNicht-parametrische Statistik Eine kleine Einführung
Nicht-parametrische Statistik Eine kleine Einführung Überblick Anwendung nicht-parametrischer Statistik Behandelte Tests Mann-Whitney U Test Kolmogorov-Smirnov Test Wilcoxon Test Binomialtest Chi-squared
MehrHypothesentests mit SPSS. Beispiel für einen t-test
Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle
MehrHypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren
Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
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
MehrMögliche Fehler beim Testen
Mögliche Fehler beim Testen Fehler. Art (Irrtumswahrscheinlichkeit α), Zusammenfassung: Die Nullhypothese wird verworfen, obwohl sie zutrifft. Wir haben uns blamiert, weil wir etwas Wahres abgelehnt haben.
Mehr10,24 ; 10,18 ; 10,28 ; 10,25 ; 10,31.
Bei einer Flaschenabfüllanlage ist die tatsächliche Füllmenge einer Flasche eine normalverteilte Zufallsvariable mit einer Standardabweichung = 3 [ml]. Eine Stichprobe vom Umfang N = 50 ergab den Stichprobenmittelwert
MehrExakter Binomialtest als Beispiel
Prinzipien des statistischen Testens Entscheidungsfindung Exakter Binomialtest als Beispiel Statistische Tests Nullhypothese Alternativhypothese Fehlentscheidungen Ausgangspunkt: Forschungshypothese Beispiele:.
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrTest auf den Erwartungswert
Test auf den Erwartungswert Wir interessieren uns für den Erwartungswert µ einer metrischen Zufallsgröße. Beispiele: Alter, Einkommen, Körpergröße, Scorewert... Wir können einseitige oder zweiseitige Hypothesen
MehrUnterschiedshypothesen Vergleiche von Häufigkeiten bzw. Mittelwerten zwischen (mindestens) zwei Gruppen Zusammenhangshypothesen Korrelationsanalysen
Statistische Überprüfung von Hypothesen Hypothesen sind allgemeine Aussagen über Zusammenhänge zwischen empirischen und logischen Sachverhalten.Allgemein bezeichnet man diejenigen Aussagen als Hypothesen,
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
MehrÜbungen mit dem Applet Vergleich von zwei Mittelwerten
Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung
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.)
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
MehrScheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
MehrTesten von Hypothesen
Statistik 2 für SoziologInnen Testen von Hypothesen Univ.Prof. Dr. Marcus Hudec Statistik für SoziologInnen 1 Testtheorie Inhalte Themen dieses Kapitels sind: Erklären der Grundbegriffe der statistischen
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
MehrEinführung in die Statistik Kapitel 6: Crash-Course in Statistik: Testtheorie
Einführung in die Statistik Kapitel 6: Crash-Course in Statistik: Testtheorie Jung Kyu Canci Universität Basel HS2015 1 / 15 Literatur Kapitel 6 Statistik in Cartoons : Kapitel 8 Krengel : 6 und 14 Storrer
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrVertiefung der. Wirtschaftsmathematik. und Statistik (Teil Statistik)
Selbstkontrollarbeit 1 Vertiefung der Wirtschaftsmathematik und Statistik (Teil Statistik) 18. Januar 2011 Aufgaben Aufgabe 1 Gegeben sei eine binomialverteilte Zufallsvariablen X mit den Parametern N
MehrUm zu entscheiden, welchen Inhalt die Urne hat, werden der Urne nacheinander 5 Kugeln mit Zurücklegen entnommen und ihre Farben notiert.
XV. Testen von Hypothesen ================================================================== 15.1 Alternativtest ------------------------------------------------------------------------------------------------------------------
MehrStatistischer Rückschluss und Testen von Hypothesen
Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse
Mehr: p= 1 6 ; allgemein schreibt man hierfür H : p = p. wird Gegenhypothese genannt und mit H 1 bezeichnet.
Einseitiger Signifikanztest Allgemein heißt die Hypothese, dass eine vorgelegte unbekannte Wahrscheinlichkeitsverteilung mit einer angenommenen Verteilung übereinstimmt, Nullhypothese und wird mit H 0
MehrGlossar Biometrie / Statistik. Auszug für Fragebogen Fallzahlberechnung/-begründung
Glossar Biometrie / Statistik A Äquivalenztest Der Äquivalenztest beurteilt die Gleichwertigkeit von Therapien. Beim Äquivalenztest werden als Hypothesen formuliert: Nullhypothese H 0 : Die Präparate sind
MehrDWT 334/460 csusanne Albers
Die Wahrscheinlichkeit fur den Fehler 1. Art wird mit bezeichnet, und man spricht deshalb gelegentlich vom -Fehler. heit auch Signikanzniveau des Tests. In der Praxis ist es ublich, sich ein Signikanzniveau
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/ws12/r-kurs/
MehrEinführung in die statistische Testtheorie II
1 Seminar: Simulation und Bildanalyse mit Java Einführung in die statistische Testtheorie II Guntram Seitz Sommersemester 2004 1 WIEDERHOLUNG 2 1 Wiederholung Grundprinzip: Annahme: Beobachtungen bzw.
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 19. Januar 2011 1 Nichtparametrische Tests Ordinalskalierte Daten 2 Test für ein Merkmal mit nur zwei Ausprägungen
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
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 13 2010 FernUniversität in Hagen Alle Rechte vorbehalten Fakultät für Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
MehrAblaufschema 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
Mehr1.4 Der Binomialtest. Die Hypothesen: H 0 : p p 0 gegen. gegen H 1 : p p 0. gegen H 1 : p > p 0
1.4 Der Binomialtest Mit dem Binomialtest kann eine Hypothese bezüglich der Wahrscheinlichkeit für das Auftreten einer Kategorie einer dichotomen (es kommen nur zwei Ausprägungen vor, z.b. 0 und 1) Zufallsvariablen
MehrTesten von Hypothesen
Elke Warmuth Humboldt-Universität zu Berlin Sommersemster 2010 1 / 46 2 / 46 1 Testen von Hypothesen 3 / 46 Signifikant, signifikant, signifikant,... 4 / 46 Signifikant, signifikant, signifikant,... 5
MehrEinfache Varianzanalyse für unabhängige Stichproben
Einfache Varianzanalyse für unabhängige Stichproben VARIANZANALYSE Die Varianzanalyse ist das dem t-test entsprechende Mittel zum Vergleich mehrerer (k 2) Stichprobenmittelwerte. Sie wird hier mit VA abgekürzt,
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
MehrAussagen hierzu sind mit einer unvermeidbaren Unsicherheit behaftet, die statistisch über eine Irrtumswahrscheinlichkeit bewertet wird.
Stichprobenumfang Für die Fragestellung auf Gleichheit von ein oder zwei Stichproben wird auf Basis von Hypothesentests der notwendige Stichprobenumfang bestimmt. Deshalb werden zunächst die Grundlagen
MehrÜbungsaufgaben zu Kapitel 5
Übungsaufgaben zu Kapitel 5 Lösungen zu den Übungsaufgaben ab Seite 9. Aufgabe 9 Bei der Herstellung von Schokoladentafeln interessiert a) das durchschnittliche Abfüllgewicht einer Tafel Schokolade. b)
Mehr9. StatistischeTests. 9.1 Konzeption
9. StatistischeTests 9.1 Konzeption Statistische Tests dienen zur Überprüfung von Hypothesen über einen Parameter der Grundgesamtheit (bei einem Ein-Stichproben-Test) oder über die Verteilung einer Zufallsvariablen
MehrHypothesentest. Ablehnungsbereich. Hypothese Annahme, unbewiesene Voraussetzung. Anzahl Kreise
Hypothesentest Ein Biologe vermutet, dass neugeborene Küken schon Körner erkennen können und dies nicht erst durch Erfahrung lernen müssen. Er möchte seine Vermutung wissenschaftlich beweisen. Der Biologe
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
Mehr