Blockpraktikum zur Statistik mit R
|
|
- Heidi Fertig
- vor 6 Jahren
- Abrufe
Transkript
1 Blockpraktikum zur Statistik mit R 08. Oktober 2010 Till Breuer, Sebastian Mentemeier und Matti Schneider Institut für Mathematische Statistik Universität Münster WS 2010/11
2 Gliederung 1 Ein-Stichproben-Fall Parametrische Testverfahren zu Lagealternativen Verteilungsfreie Testverfahren zu Lagealternativen 2 Zwei-Stichproben-Fall Nichtparametrische Zwei-Stichproben-Anpassungstests 2 / 19
3 Gliederung Ein-Stichproben-Fall Parametrische Testverfahren zu Lagealternativen 1 Ein-Stichproben-Fall Parametrische Testverfahren zu Lagealternativen Verteilungsfreie Testverfahren zu Lagealternativen 2 Zwei-Stichproben-Fall Nichtparametrische Zwei-Stichproben-Anpassungstests 3 / 19
4 Ein-Stichproben-Fall Parametrische Testverfahren zu Lagealternativen Ein-Stichproben-Fall Es wird ein einziges Merkmal X auf der Basis einer einfachen Zufallsstichprobe (X 1,..., X n ) bzgl. interessierender Fragestellungen getestet, z. B. auf die Lage von Mittelwert oder Median im Vergleich zu vermuteten Werten - hierbei wird unterschieden zwischen parametrischen Verfahren verteilungsfreien Verfahren die Klasse der zugrundeliegenden Verteilung. 4 / 19
5 Ein-Stichproben-Fall Parametrische Testverfahren zu Lagealternativen Student scher t-test (Ein-Stichproben-Fall) Annahmen: Hypothesen: X 1,..., X n u. i. v. mit X N (µ, σ 2 ) bzw. beliebig verteilt mit ex. Varianz und großem n (a) H: µ = µ 0 vs. K: µ /= µ 0, (two.sided) (b) H: µ µ 0 vs. K: µ > µ 0, (greater) (c) H: µ µ 0 vs. K: µ < µ 0. (less) Teststatistik: T (X) = n X µ 0 S(X) Verteilung t(n 1) (Student sche t-verteilung mit n 1 unter µ 0 : Freiheitsgraden) Ablehnungs- (a) T (X) > q 1 α/2 (t(n 1)), bereich: (b) T (X) > q 1 α (t(n 1)), (c) T (X) < q 1 α (t(n 1)) = q α (t(n 1)). R-Befehl: t.test(x, mu = µ 0, alternative="...") 5 / 19
6 Gliederung Ein-Stichproben-Fall Verteilungsfreie Testverfahren zu Lagealternativen 1 Ein-Stichproben-Fall Parametrische Testverfahren zu Lagealternativen Verteilungsfreie Testverfahren zu Lagealternativen 2 Zwei-Stichproben-Fall Nichtparametrische Zwei-Stichproben-Anpassungstests 6 / 19
7 Vorzeichen-Test Ein-Stichproben-Fall Verteilungsfreie Testverfahren zu Lagealternativen Annahmen: X 1,..., X n u. i. v. mit stetiger Verteilungsfunktion Hypothesen: (a) H: x med = µ 0 vs. K: x med /= µ 0, (b) H: x med µ 0 vs. K: x med < µ 0. (c) H: x med µ 0 vs. K: x med > µ 0, Teststatistik: A = n i=1 1 {Xi <µ 0 } Verteilung unter µ 0 : B(n, 0.5) Ablehnungs- (a) min(a, n A) q α/2 (B(n, 0.5)), bereich: (b) n A q α (B(n, 0.5)), (c) A q α (B(n, 0.5)). R-Befehle: (a) binom.test(min(a,n-a),n, alternative="two.sided") (b) binom.test(n-a,n,alternative="less") (c) binom.test(a,n,alternative="less") 7 / 19
8 Ein-Stichproben-Fall Der Wilcoxon-Vorzeichen-Rangtest Verteilungsfreie Testverfahren zu Lagealternativen Annahmen: Hypothesen: Teststatistik: Verteilung unter µ 0 : Ablehnungsbereich: R-Befehl: X 1,..., X n u. i. v. mit stetiger Verteilungsfunktion, symmetrische Verteilung (a) H: x med = µ 0 vs. K: x med /= µ 0, (two.sided) (b) H: x med µ 0 vs. K: x med > µ 0, (greater) (c) H: x med µ 0 vs. K: x med < µ 0. (less) W + = n i=1 rg D i Z i mit D i = X i µ 0, Z i = 1 {Di >0} Wilcoxon sche Rangstatistik, für großes n approximativ N ( n(n+1) 4, n(n+1)(2n+1) 24 ) (a) W + < w α/2 + oder W + > w 1 α/2 + (b) W + < w α + (c) W + > w 1 α/2 + wilcox.test(x, mu = µ 0, alternative="...") 8 / 19
9 Gliederung Ein-Stichproben-Fall 1 Ein-Stichproben-Fall Parametrische Testverfahren zu Lagealternativen Verteilungsfreie Testverfahren zu Lagealternativen 2 Zwei-Stichproben-Fall Nichtparametrische Zwei-Stichproben-Anpassungstests 9 / 19
10 Ein-Stichproben-Fall χ 2 -Anpassungstest für kategoriale Merkmale Annahmen: X 1,..., X n u. i. v. mit Werten in {1,..., k} Hypothese: H: P(X 1 = i) = p i für i = 1,..., k K: P(X 1 = i) /= p i für ein i (h i np i ) 2 np i Teststatistik: χ 2 = k i=1 mit h i = {j X j = i} Verteilung approximativ χ 2 k 1 ; unter H: Approximation anwendbar, wenn np i 1 für alle i, np i 5 für min. 80% der i Ablehnungsbereich: χ 2 > q 1 α (χ 2 k 1 ) R-Befehl: chisq.test(x, p), mit p=(p 1,..., p k ) 10 / 19
11 Ein-Stichproben-Fall Kolmogoroff-Smirnoff-Test Annahmen: X 1,..., X n u. i. v. mit stetiger Verteilungsfunktion F Hypothesen: (a) H: F = F 0 vs. K: F /= F 0 (two.sided) (b) H: F F 0 vs. K: F > F 0 (greater) (c) H: F F 0 vs. K: F < F 0 (less) Teststatistik: (a) sup t R F n,x (t) F 0 (t), (b) sup t R F n,x (t) F 0 (t) bzw. (c) inf t R F n,x (t) F 0 (t) Verteilung: tabelliert Ablehnungsbereich: falls die Statistik zu groß wird R-Befehl: ks.test(x, "F", θ, alternative="...") wobei F eine Verteilungsfunktion sein muss, etwa pnorm, und θ die zugehörigen Parameter, z.b. µ, σ 2 11 / 19
12 Shapiro-Wilk-Test Ein-Stichproben-Fall Annahmen: X 1,..., X n u. i. v. mit stetiger Verteilungsfunktion F Hypothese: H: F ist eine Normalverteilung K: F ist keine Normalverteilung Teststatistik: W = ( n i=1 a i X (i) ) 2, dabei ist n i=1 (X i X) 2 at = (a 1,..., a n ) durch a t m = t V 1, wobei m und V Erwartungswertvektor bzw. Kovarianzmatrix eines geordneten (m t V 2 m) 1/2 Vektors von n u. i. v. N (0, 1)-Variablen sei Verteilung: Shapiro-Wilk-Verteilung Ablehnungsbereich: kleines W R-Befehl: shapiro.test(x) 12 / 19
13 Gliederung Zwei-Stichproben-Fall 1 Ein-Stichproben-Fall Parametrische Testverfahren zu Lagealternativen Verteilungsfreie Testverfahren zu Lagealternativen 2 Zwei-Stichproben-Fall Nichtparametrische Zwei-Stichproben-Anpassungstests 13 / 19
14 Zwei-Stichproben-Fall Zwei-Stichproben-Fall In diesem Fall wird ein Merkmal unter zwei Bedingungen untersucht oder man betrachtet zwei Merkmale, die am selben Merkmalsträger erhoben werden: 1 Zwei unabhängige Zufallsstichproben (X 1,1,..., X 1,n1 ), (X 2,1,..., X 2,n2 ), n 1, n 2 N, wobei sich die Randbedingungen bei der Entnahme der Stichproben in genau einer Randbedingung unterscheiden. 2 Ein Merkmal unter zwei verschiedenen Bedingungen am selben Merkmalsträger: (X 1,1, X 1,2 ),..., (X n,1, X n,2 ) (verbundene Stichproben, matched pairs). 3 Zwei Merkmale X und Y am selben Merkmalsträger (unter jeweils gleichen Bedingungen): (X 1, Y 1 ),..., (X n, Y n ) (verbundene Stichproben). 14 / 19
15 Zwei-Stichproben-Fall Reduktion auf das Ein-Stichproben-Problem Das Problem (2) der Messung eines Merkmals unter verschiedenen Bedingungen am selben Merkmalsträger wird im Falle intervallskalierter Merkmale häufig durch Differenzbildung auf das Ein-Stichprobenproblem zurückgeführt. Dies wird in R in den Befehlen t.test und wilcox.test über den Parameter paired (=TRUE / FALSE) gesteuert. Wir konzentrieren uns im Folgenden auf den Fall (1). 15 / 19
16 Zwei-Stichproben-Fall Exakter Test von Fisher Annahmen: unabhängige Zufallsstichproben X 1,..., X n u. i. v. B(1, θ X ), Y 1,..., Y m u. i. v. B(1, θ Y ) Hypothesen: (a) H: θ X = θ Y vs. K: θ X /= θ Y, (two.sided) (b) H: θ X θ Y vs. K: θ X > θ Y, (greater) (c) H: θ X θ Y vs. K: θ X < θ Y. (less) Teststatistik: (U, V ) = ( n i=1 X i, m j=1 Y j ) Verteilung: U hat unter θ X = θ Y eine H(n, m, U + V )-Verteilung Ablehnungs- (a) U > c α (H(n, m, U + V )) (α-fraktil) bereich: (b) U < q α (H(n, m, U + V )) (α-quantil) (c) U zu groß oder zu klein R-Befehl: fisher.test(t, alternative="...") wobei T die Kontingenztafel von X und Y ist d. h. T<-matrix(c(U,V,n-U,m-V),2) 16 / 19
17 Zwei-Stichproben-Fall Student scher t-test im Zwei-Stichproben-Fall Annahmen: Hypothesen: Teststatistik: unabhängige Zufallsstichproben, gl. Varianz X 1,..., X n u. i. v. N (µ X, σ 2 ) Y 1,..., Y m u. i. v. N (µ Y, σ 2 ) (a) H: µ X = µ Y vs. K: µ X /= µ Y, (two.sided) (b) H: µ X µ Y vs. K: µ X > µ Y, (greater) (c) H: µ X µ Y vs. K: µ X < µ Y. (less) T (X) = ( nm n+m )1/2 X Y n 1 m+n 2 S(X)2 + m 1 S(Y )2 m+n 2 Verteilung unter µ X = µ Y : Ablehnungs- (a) T (X) > q 1 α/2 (t(n + m 2)), bereich: (b) T (X) > q 1 α (t(n + m 2)), (c) T (X) < q α (t(n + m 2)). R-Befehl: t(n + m 2) (Student sche t-verteilung mit n + m 2 Freiheitsgraden) t.test(x, y, alternative="...", var.equal=true) 17 / 19
18 Gliederung Zwei-Stichproben-Fall Nichtparametrische Zwei-Stichproben-Anpassungstests 1 Ein-Stichproben-Fall Parametrische Testverfahren zu Lagealternativen Verteilungsfreie Testverfahren zu Lagealternativen 2 Zwei-Stichproben-Fall Nichtparametrische Zwei-Stichproben-Anpassungstests 18 / 19
19 Zwei-Stichproben-Fall Kolmogoroff-Smirnoff-Test Nichtparametrische Zwei-Stichproben-Anpassungstests Annahmen: X 1,..., X n u. i. v. mit stetiger Verteilungsfunktion F Y 1,..., Y m u. i. v. mit stetiger Verteilungsfunktion G Hypothesen: (a) H: F = G vs. K: F /= G (two.sided) (b) H: F G vs. K: F > G (greater) (c) H: F G vs. K: F < G (less) Teststatistik: (a) sup t R F n,x (t) G m,y (t), (b) sup t R F n,x (t) G m,y (t) bzw. (c) inf t R F n,x (t) G m,y (t) Verteilung: tabelliert Ablehnungsbereich: falls die Statistik zu groß wird R-Befehl: ks.test(x, y, alternative="...") 19 / 19
Blockpraktikum zur Statistik mit R
Blockpraktikum zur Statistik mit R 11. Oktober 2013 Fabian Buckmann Institut für Mathematische Statistik Universität Münster WS 13/14 Gliederung 1 Testtheorie: Ziel und Überblick Testtheorie Andere Entscheidungsprobleme
MehrTesttheorie. 29. März Sören Gröttrup. Blockpraktikum zur Statistik mit R. Institut für Mathematische Statistik Universität Münster SS 2012
Testtheorie Blockpraktikum zur Statistik mit R 29. März 2012 Sören Gröttrup Institut für Mathematische Statistik Universität Münster SS 2012 Gliederung 1 Testtheorie: Ziel und Überblick Testtheorie Andere
MehrBlockpraktikum zur Statistik mit R
Blockpraktikum zur Statistik mit R 30. September 2011 Till Breuer und Matti Schneider Institut für Mathematische Statistik Universität Münster WS 2010/11 Gliederung 1 Testtheorie: Ziel und Überblick Testtheorie
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
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
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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
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
MehrParametrische und nichtparametrische Tests
XIII. Nichtparametrische Tests Seite 1 Parametrische und nichtparametrische Tests Parametrische Tests: Hier wird eine bestimmte Verteilung vorausgesetzt, und getestet, ob die gewählten Parameter passen.
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/
Mehr12 Rangtests zum Vergleich zentraler Tendenzen
12 Rangtests zum Vergleich zentraler Tendenzen 12.1 Allgemeine Bemerkungen 12.2 Gepaarte Stichproben: Der Wilcoxon Vorzeichen- Rangtest 12.3 Unabhängige Stichproben: Der Wilcoxon Rangsummentest und der
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
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)
MehrEinfaktorielle Varianzanalyse
Kapitel 16 Einfaktorielle Varianzanalyse Im Zweistichprobenproblem vergleichen wir zwei Verfahren miteinander. Nun wollen wir mehr als zwei Verfahren betrachten, wobei wir unverbunden vorgehen. Beispiel
MehrStatistik II für Betriebswirte Vorlesung 3
Statistik II für Betriebswirte Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 2. November 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2004/2005 Universität Karlsruhe 14. Februar 2005 Dr. Bernhard Klar Sebastian Müller Aufgabe 1: (15 Punkte) Klausur zur Vorlesung Statistik für Biologen Musterlösungen
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),
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
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
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
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
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
MehrPraktikum zur Statistik
mit R Institut für Mathematische Statistik Universität Münster 7. Oktober 2010 Gliederung 1 Testtheorie: Ziel und Überblick Testtheorie Andere Entscheidungsprobleme 2 3 4 p-wert, Binomialtest Mittelwertvergleiche:
Mehr5. Stichproben und Statistiken
5. Stichproben und Statistiken Problem: Es sei X eine ZV, die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X kennenlernen (z.b. mittels der VF F X (x)
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
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
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
MehrKapitel 17. Unabhängigkeit und Homogenität Unabhängigkeit
Kapitel 17 Unabhängigkeit und Homogenität 17.1 Unabhängigkeit Im Rahmen der Wahrscheinlichkeitsrechnung ist das Konzept der Unabhängigkeit von zentraler Bedeutung. Die Ereignisse A und B sind genau dann
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg R. 06-06 (Persike) R. 06-31 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
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
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
MehrÜberblick über die Tests
Anhang A Überblick über die Tests A.1 Ein-Stichproben-Tests A.1.1 Tests auf Verteilungsannahmen ˆ Shapiro-Wilk-Test Situation: Test auf Normalverteilung H 0 : X N(µ, σ 2 ) H 1 : X nicht normalverteilt
MehrStatistische Tests Übersicht
Statistische Tests Übersicht Diskrete Stetige 1. Einführung und Übersicht 2. Das Einstichprobenproblem 3. Vergleich zweier unabhängiger Gruppen (unverbundene Stichproben) 4. Vergleich zweier abhängiger
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
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
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,
Mehr1.4 Stichproben aus einer Normalverteilung
1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
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
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
Mehr5.9. Nichtparametrische Tests Übersicht
5.9. Übersicht Es werden die wichtigsten Rang-Analoga zu den Tests in 5.2.-5.6. behandelt. 5.9.0 Einführung 5.9.1 Einstichprobenproblem (vgl 5.2), 2 verbundene Stichproben (vgl. 5.3) Vorzeichentest, Vorzeichen-Wilcoxon-Test
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
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
MehrForschungsstatistik II
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg R. 06-06 (Persike) R. 06-3 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik II Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrDiskrete Wahrscheinlichkeitstheorie
SS 2013 Diskrete Wahrscheinlichkeitstheorie Javier Esparza Fakultät für Informatik TU München http://www7.in.tum.de/um/courses/dwt/ss13 Sommersemester 2013 Teil V Induktive Statistik Induktive Statistik
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrTeil 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
MehrErwin Grüner
FB Psychologie Uni Marburg 19.01.2006 Themenübersicht Die Verteilung zwei- oder mehrdimensionaler kategorialer Daten wird mit Hilfe von beschrieben. In R gibt es dafür den Objekttyp table. Zur Erstellung
Mehr1 wenn Erfolg im j-ten Versuch
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.1 Binomialverteilung - Alternative Darstellung n Versuche mit 2 möglichen Ausgängen. Setze Y j = 1 wenn Erfolg im j-ten Versuch 0 wenn
Mehr1.6 Der Vorzeichentest
.6 Der Vorzeichentest In diesem Kapitel soll der Vorzeichentest bzw. Zeichentest vorgestellt werden, mit dem man Hypothesen bezüglich des Medians der unabhängig und identisch stetig verteilten Zufallsvariablen
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
Mehr4. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
4. Lösung weitere Übungsaufgaben Statistik II WiSe 016/017 1. Aufgabe: Eine sächsische Molkerei füllt Milch in Tetrapacks ab. Es wird vermutet, dass die Füllmenge normalverteilt ist mit einem Erwartungswert
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.
Mehr7. Lösungen weitere Übungsaufgaben Statistik für Ingenieure WiSe 16/17
7. Lösungen weitere Übungsaufgaben Statistik für Ingenieure WiSe 16/17 1. Aufgabe: a) Grundgesamtheit sind alle Reifen aus der Produktion von Langstone aus dem Monat März der entsprechenden Reifentypen.
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
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
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
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
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
MehrParametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
MehrTeil VII Hypothesentests für eine Stichprobe
Woche 7: Hypothesentests für eine Stichprobe Teil VII Hypothesentests für eine Stichprobe WBL 15/17, 15.06.2015 Alain Hauser Berner Fachhochschule, Technik und Informatik Berner Fachhochschule
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!
MehrHäufigkeitsverteilungen
Häufigkeitsverteilungen Eine Häufigkeitsverteilung gibt die Verteilung eines erhobenen Merkmals an und ordnet jeder Ausprägung die jeweilige Häufigkeit zu. Bsp.: 100 Studenten werden gefragt, was sie studieren.
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
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
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
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:
MehrEinführung in die statistische Testtheorie
1 Seminar Simulation und Bildanalyse mit Java von Benjamin Burr und Philipp Orth 2 Inhalt 1. Ein erstes Beispiel 2. 3. Die Gütefunktion 4. Gleichmäßig beste Tests (UMP-Tests) 1 Einführendes Beispiel 3
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
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)
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
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
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/
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
Mehr5. Lektion: Einfache Signifikanztests
Seite 1 von 7 5. Lektion: Einfache Signifikanztests Ziel dieser Lektion: Du ordnest Deinen Fragestellungen und Hypothesen die passenden einfachen Signifikanztests zu. Inhalt: 5.1 Zwei kategoriale Variablen
MehrKapitel XIV - Anpassungstests
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIV - Anpassungstests Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh 2. Grundannahme:
MehrSoftware oder Tabellen (nicht Thema dieser Veranstaltung).
p-wert p-wert Der p-wert ist die Wahrscheinlichkeit, dass die Testgröße den beobachteten Wert oder einen noch extremeren Wert (,,weiter weg von H 0 ) annimmt unter der Bedingung, dass H 0 wahr ist. Bemerkungen
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
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
Mehr3 Stetige Zufallsvariablen
3 Stetige Zufallsvariablen Eine Zufallsvariable heißt stetig, falls zu je zwei Werten a < b auch jeder Zwischenwert im Intervall [a, b] möglich ist Beispiele: X = Alter, X = Körpergröße, X = Temperatur,
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
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
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
MehrGrundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2
Grundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Statistischer Schluss Voraussetzungen z.b. bzgl. Skalenniveau und
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrUnterschiedshypothesen für maximal 2 Gruppen, wenn die Voraussetzungen für parametrische Verfahren nicht erfüllt sind
Schäfer A & Schöttker-Königer T, Statistik und quantitative Methoden für (2015) Arbeitsblatt 1 SPSS Kapitel 6 Seite 1 Unterschiedshypothesen für maximal 2 Gruppen, wenn die Voraussetzungen für parametrische
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
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.
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 Wahrscheinlichkeitsfunktionen
Mehr