Statistik II für Betriebswirte Vorlesung 3
|
|
- Mina Wolf
- vor 6 Jahren
- Abrufe
Transkript
1 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 3 Version: 1. November
2 Wilcoxon-Rangsummentest Der Wilcoxon-Rangsummentest dient zum Vergleich zweier unabhängiger Stichproben hinsichtlich ihrer Lage. Er kann im Fall von nicht-normalverteilten Grundgesamtheiten an Stelle des doppelten t Tests verwendet werden. Er wird auch als Rangtest nach Wilcoxon bezeichnet und ist äquivalent zum U-Test von Mann-Whitney. Geg.: 2 unabhängige Stichproben X 1,..., X n1 mit stetiger Verteilungsfunktion F X und Y 1,..., Y n2 mit stetiger Verteilungsfunktion F Y, wobei F Y (t) = F X (t + a) mit einer reellen Zahl a vorausgesetzt wird (falls Erwartungswerte existieren gilt µ X = EX = EY + a = µ Y + a). Er kann als zweiseitiger oder als einseitiger Test ausgeführt werden. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
3 Wilcoxon-Rangsummentest kleine Stichprobenumfänge Hypothesen: H 0 : a = 0, H A : a 0 (zweiseitiger Test) (bzw. H 0 : µ X = µ Y, H A : µ X µ Y ). In der gemeinsamen Stichprobe werden die Ränge bestimmt. Die Testgröße T = R 1 ist die Summe der Ränge zu der ersten Stichprobe. Kritischer Bereich (n 1, n 2 klein): K = {t > 0 : t w n1,n 2 ;α/2} {t > 0 : t w n1,n 2 ;1 α/2} ; die Quantile w n1,n 2 ;α/2 und w n1,n 2 ;1 α/2 kann man in Tabellen finden, dabei gilt w n1,n 2 ;1 α = n 1 (n 1 + n 2 + 1) w n1,n 2 ;α. Grundüberlegung: Beide Stichproben sollten sich unter H 0 ungefähr gleichartig in der gemeinsamen geordneten Stichprobe durchmischen. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
4 Wilcoxon-Rangsummentest große Stichprobenumfänge Hypothesen: H 0 : a = 0, H A : a 0 (zweiseitiger Test) (bzw. H 0 : µ X = µ Y, H A : µ X µ Y ). Testgröße: Mit der Summe R 1 der Ränge zur ersten Stichprobe in der gemeinsamen Stichprobe nutzt man T = R n 1(n 1 + n 2 + 1) n 1n 2 (n 1 + n 2 + 1) Kritischer Bereich (n 1, n 2 groß): (Faustregel: n 1 4, n 2 4, n 1 + n 2 20) K = {t R : t > z 1 α/2 } (da T näherungsweise standardnormalverteilt ist). Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
5 Beispiel: Flugschrauber Mit zwei Typen von Flugschraubern wurden jeweils 6 Flüge zwischen zwei Flughäfen durchgeführt und die totale Flugzeit in Minuten gemessen. Wird diese Strecke im Mittel gleich schnell bewältigt? Daten: (Quelle: Aczel, Sounderpandian: Complete Business Statistics, 2006, Bsp.14-4) Modell A Modell B Ordnen und Rangvergabe (Ränge zur ersten Stichprobe in rot): A B Rang Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
6 Fortsetzung Beispiel: Flugschrauber Hypothesen: H 0 : µ A = µ B, H A : µ A µ B, α = Wert der Testgröße des Wilcoxon-Rangsummentests: t = r 1 = = 52. Kritischer Bereich: aus Tabelle w 6,6;0.025 = 26, w 6,6;0.975 = = 52, K = {t > 0 : t 26} {t > 0 : t 52}. Testergebnis: t K, H 0 signifikant unterschiedlich. wird abgelehnt, die Flugzeiten sind Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
7 Bindungen Bei Vorzeichen- oder auf Rängen basierten Tests kann es trotz der Stetigkeitsannahme der entsprechenden Verteilungen vorkommen, dass in der Stichprobe gleiche Werte vorkommen. Man spricht dann von auftretenden Bindungen (engl. ties ). Der Testaufbau sieht Bindungen eigentlich nicht vor (die Wahrscheinlichkeit dafür ist Null), deshalb muss man die Tests geeignet modifizieren. Beim Auftreten von Bindungen mittelt man die Rangzahlen. Besonders kritisch sind Bindungen bei Vorzeichentests, wenn im Einstichprobenproblem einige Werte gleich dem Median sind bzw. im Zweistichprobenproblem einige Differenzen gleich Null sind. Bei bestimmten Tests, wie z.b. dem Wilcoxon-Rangsummentest oder dem Kruskal-Wallis-Test (er wird später behandelt) muss die Testgröße beim Vorliegen von Bindungen in der Stichprobe entsprechend angepasst werden (siehe Literatur). Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
8 Bindungen bei Vorzeichentests Einige mögliche Vorgehensweisen: Oft kann man Bindungen vermeiden, indem man die Messgenauigkeit erhöht. Beobachtungen mit Bindung werden nicht berücksichtigt ( geringerer Stichprobenumfang). Beobachtungen mit Bindung werden zu gleichen Teilen beiden Gruppen (+ bzw., etc.) zugeordnet, bei ungerader Anzahl der Bindungen wird eine Beobachtung nicht berücksichtigt. Die Beobachtungen mit Bindung werden zufällig mit einer Wahrscheinlichkeit von 0.5 einer der beiden Gruppen zugeordnet. Nulldifferenzen erhalten das seltenere Vorzeichen. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
9 Verteilungstests Eine weitere Klasse von Tests beschäftigt sich mit der Prüfung, ob die Werte der Stichprobe aus einer Grundgesamtheit mit einer speziellen hypothetischen Verteilungsfunktion stammen. Ausführlicher wird hier der χ 2 Anpassungstest behandelt. Kurz vorgestellt werden auch der Kolmogorow-Smirnow-Test (auch Kolmogorow-Anpassungstest genannt) und der Shapiro-Wilk-Test. Weitere Tests, die zum Teil für ganz bestimmte Typen von Verteilungsfunktionen entwickelt wurden, kann man in der Literatur finden. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
10 Der χ 2 Anpassungstest Test, ob die vorliegende Stichprobe aus einer Grundgesamtheit mit einer hypothetischen Verteilungsfunktion F 0 entstammt. Prinzipielles Vorgehen: Klasseneinteilung der Stichprobe; Vergleich mit der hypothetischen Verteilung; falls die Abweichungen zu groß sind erfolgt eine Ablehnung der Nullhypothese. Dieser Test ist ein asymptotischer Test, d.h. man rechnet mit der asymptotischen Verteilung (für n ) der Testgröße unter H 0. Hypothesen: H 0 : F (x) = F 0 (x), x R, F 0 ist eine Verteilungsfunktion, ( ) x µ z.b. F 0 (x) = Φ falls X N(µ, σ 2 ) ; σ H A : F (x) F 0 (x) für mindestens ein x R. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
11 χ 2 Anpassungstest Testgröße T Einteilung der gesamten Merkmalsachse in k Klassen A 1 = (, a 1 ), A 2 = [a 1, a 2 ),..., A k = [a k 1, ). Bestimmung der absoluten Klassenhäufigkeiten H 1, H 2,..., H k (Anzahl der Stichprobenwerte in der jeweiligen Klasse). Bestimmung der theoretischen Wahrscheinlichkeiten für die Klassenzugehörigkeiten unter der Annahme der Gültigkeit von H 0, p 1 = P H0 (A 1 ) = P H0 (X < a 1 ) = F 0 (a 1 ), p 2 = P H0 (A 2 ) = P H0 (a 1 X < a 2 ) = F 0 (a 2 ) F 0 (a 1 ),... p k = P H0 (A k ) = P H0 (a k 1 X ) = 1 F 0 (a k 1 ) Testgröße: T = k (H j np j ) 2 j=1 diese Größe ist unter H 0 np j ( χ 2 Abstandsfunktion ), asymptotisch χ 2 k 1 verteilt. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
12 χ 2 Anpassungstest Kritischer Bereich Kritischer Bereich: K = {t R : t > χ 2 k 1;1 α }. Bemerkungen: Der Stichprobenumfang n sollte nicht zu klein sein. Die Anzahl und die Größe der Klassen A j sollte so sein, dass np j = np H0 (X A j ) > 1 für alle j = 1,..., k gilt (und zusätzlich np j 5 für mindestens 80% der Klassen; ggf. Klassen zusammenfassen oder gesamte Klasseneinteilung ändern). Bei diskreten Verteilungen und nicht zu kleinen Einzelwahrscheinlichkeiten sollte pro Merkmalswert jeweils eine Klasse gewählt werden. Modifikation: Unbekannte Parameter in der Verteilungsfunktion F 0 können durch (Maximum-Likelihood-)Schätzungen ersetzt werden. Sind m Parameter zu schätzen, so ist anstelle der χ 2 k 1 Verteilung die χ2 k m 1 Verteilung zu benutzen. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
13 Beispiel: Test auf gerechten Würfel Anhand einer Stichprobe von n = 90 Würfelergebnissen soll mit α = 0.05 getestet werden, ob der Würfel gerecht ist, d.h. ob für die Augenzahl X gilt: H 0 : p i = P(X = i) = 1 6, i = 1,..., 6. Daten: Wert der Testgröße: Augenzahl H j np j t = = = Kritischer Bereich: K = (χ 2 5;0.95, ) = (11.07, ). Testergebnis: t K, H 0 wird nicht abgelehnt, die Abweichungen der beobachteten Häufigkeiten von einer diskreten Gleichverteilung sind nicht signifikant. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
14 Beispiel: technisches Nennmaß X... Abweichung vom Nennmaß; X N(µ, σ 2 ) wird getestet. ( ) x µ : F (x) = Φ, x R; σ ( ) x µ H A : F (x) Φ für mindestens ein x R. σ H 0 α = n = 150 Messungen, ˆµ = x = 40.48, ˆσ = s = 5.71 m = 2 Schätzparameter. Sei k = 8 (Anzahl der Klassen); z j = a j x, j = 1,..., k. s Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
15 Beispiel: technisches Nennmaß Daten und Test a j H j z j Φ(z j ) p j np j t = k (H j np j ) 2 = 3.25, K = (χ ;0.95 = 11.1, ), np j j=1 t K, H 0 wird nicht abgelehnt, zum Niveau von 5% sind die Abweichungen zur Normalverteilung nicht signifikant. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
16 Der Kolmogorow-Smirnow-Test Der Kolmogorow-Smirnow-Test (Kolmogorow-Anpassungstest) basiert auf der empirischen Verteilungsfunktion ˆF n zur Stichprobe (vom Umfang n): ˆF n (x) := Anzahl Stichprobenwerte < x, x R. n Voraussetzung: Die hypothetische Verteilungsfunktion F 0 stetig und enthält keine unbekannten Parameter. Hypothesen: H 0 : F (x) = F 0 (x), x R ; H A : F (x) F 0 (x) für mindestens ein x R. Testgröße: T = sup ˆF n (x) F 0 (x). x R Der Test wird günstigerweise mit einem Computerprogramm durchgeführt. ist Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
17 Bemerkungen zum Kolmogorow-Smirnow-Test Der Kolmogorow-Smirnow-Test (kurz auch K-S-Test ) ist im Gegensatz zum χ 2 Anpassungstest auch für kleine Stichproben anwendbar und das Testergebnis hängt nicht von einer Klasseneinteilung ab. Man kann einseitige Tests mit dem K-S-Test durchführen. Es gibt Verallgemeinerungen des K-S-Tests, bei denen statt festgelegter Parameterwerte der hypothetischen Verteilung F 0 geeignete Schätzwerte eingesetzt werden (z.b. der Lilliefors-Test im Fall von Normalverteilungen). Man kann mit einer Version des K-S-Testes auch prüfen, ob zwei Stichproben aus einer Grundgesamtheit stammen, also übereinstimmende Verteilungen zugrundeliegen. Der K-S-Test kann auch für diskrete Verteilungen genutzt werden, besitz dann aber eine geringere Güte. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
18 Der Shapiro-Wilk-Test zur Normalverteilungsprüfung Der Shapiro-Wilk-Test prüft ausschließlich, ob bei einer Stichprobe eine Normalverteilung vorliegt. Dieser Test besitzt eine hohe Güte, insbesondere auch im Fall von kleinen Stichprobenumfängen. Grundlage des Tests sind bestimmte Eigenschaften der Ordnungsstatistiken einer Stichprobe aus einer normalverteilten Grundgesamtheit. Der Test ist sehr rechenintensiv und sollte mit Statistik-Software durchgeführt werden. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
19 Der χ 2 Unabhängigkeitstest Mit dem χ 2 Unabhängigkeitstest überprüft man, ob zwei Merkmale X und Y stochastisch unabhängig sind, d.h. ob für beliebige (zulässige) Mengen A, B gilt: P(X A, Y B) = P(X A) P(Y B). Konkreter prüft man, ob die relativen Häufigkeiten (berechnet aus einer verbundenen Stichprobe) näherungsweise diese Produktregel erfüllen. Hypothesen: H 0 : X und Y sind stochastisch unabhängig, H A : X und Y sind abhängig. Verbundene Stichproben: x 1, x 2,..., x n ; y 1, y 2,..., y n. Einteilung der Merkmalsachsen in Klassen: für X : A 1,..., A k ; für Y : B 1,..., B l. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
20 Kontingenztafel (vgl. Statistik I Vorl. 10) Absolute Häufigkeiten: H ij : Anzahl der Beobachtungen bei denen das Merkmal X in der Klasse A i und gleichzeitig das dazugehörige Merkmal Y in B j liegt. l Randhäufigkeiten: H i = H ij, k H j = H ij. j=1 i=1 Kontingenztafel: X \Y B 1... B l A 1 H 11 H 1l H 1. A k H k1 H kl H k H 1 H l n Im Fall k = l = 2 wird eine solche Tafel auch Vierfeldertafel oder 2 2 Felder-Tafel genannt. Sie wird häufig bei nominellen Merkmalen mit zwei Ausprägungen (dichotome Merkmale) benutzt. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
21 χ 2 Unabhängigkeitstest Testgröße, kritischer Bereich Testgröße: ( empirische Kontingenz ) T = k i=1 j=1 ( l H ij H i H j n H i H j n ) 2. Für eine Vierfeldertafel kann die Testgröße einfacher berechnet werden durch T = n (H 11H 22 H 12 H 21 ) 2 H 1 H 2 H 1 H 2. Kritischer Bereich: K = {t R : t > χ 2 (k 1)(l 1);1 α }. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
22 χ 2 Unabhängigkeitstest Bemerkungen Von den Klassenhäufigkeiten sollten höchstens 20% kleiner als 5 sein, aber alle mindestens gleich 1. Der χ 2 Unabhängigkeitstest mit Hilfe einer Vierfeldertafel sollte für Stichprobenumfänge n < 20 nicht verwendet werden (sondern der exakte Test von Fisher ). Für 20 n 60 eignet sich die nach Yates korrigierte Teststatistik ) 2 T = n ( H 11 H 22 H 12 H 21 n 2. H 1 H 2 H 1 H 2 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
23 Beispiel: Eignung vom Studienabschluß 30 Wirtschaftsingenieure (b 1 ), 35 graduierte Betriebswirte (b 2 ) und 35 Diplomkaufleute (b 3 ), die sich bei einem Unternehmen beworben haben, werden nach einer Eignungsprüfung in die Kategorien geeignet (a 1) und ungeeignet (a 2 ) eingeordnet. Ist diese Eignung vom Studienabschluß abhängig oder nicht. Merkmal A (Eignung), Merkmal B (Studienabschluss); α = Hypothesen: H 0 : Merkmal A und Merkmal B sind unabhängig, H A : Merkmal A und Merkmal B sind abhängig. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
24 Beispiel: Eignung vom Studienabschluß Kontingenztafel: (Quelle: Bleymüller, Gehlert, Gülicher: Statistik für Wirtschaftswissenschaftler, 2004, Abschn ) A\B b 1 b 2 b 3 a a Berechnung Testgröße: H i H j n : (14 12)2 (10 14)2 (16 14)2 (16 18)2 t = (25 21) 2 (19 21)2 + = < χ 2 2;0.95 = Die Hypothese H 0 : A und B sind unabhängig wird nicht abgelehnt, man kann nicht davon ausgehen, dass die Eignung signifikant vom Studienabschluss abhängt. Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung 3 Version: 1. November
Statistik II für Betriebswirte Vorlesung 3
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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:
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
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 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:
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
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
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
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
MehrGrundidee. χ 2 Tests. Ausgangspunkt: Klasseneinteilung der Beobachtungen in k Klassen. Grundidee. Annahme: Einfache Zufallsstichprobe (X 1,..., X n ).
Grundidee χ 2 -Anpassungstest χ 2 -Unabhängigkeitstest χ 2 -Homogenitätstest χ 2 Tests Grundidee Ausgangspunkt: Klasseneinteilung der Beobachtungen in k Klassen Annahme: Einfache Zufallsstichprobe (X 1,,
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
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
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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)
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
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)
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
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
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
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
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
MehrAnalyse von Kontingenztafeln
Analyse von Kontingenztafeln Mit Hilfe von Kontingenztafeln (Kreuztabellen) kann die Abhängigkeit bzw. die Inhomogenität der Verteilungen kategorialer Merkmale beschrieben, analysiert und getestet werden.
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
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
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
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.
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
Mehr2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht
43 Signifikanztests Beispiel zum Gauß-Test Bei einer Serienfertigung eines bestimmten Typs von Messgeräten werden vor der Auslieferung eines jeden Gerätes 10 Kontrollmessungen durchgeführt um festzustellen,
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
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
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
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
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
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
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
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
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
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:
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrStatistik II. Weitere Statistische Tests. Statistik II
Statistik II Weitere Statistische Tests Statistik II - 19.5.2006 1 Überblick Bisher wurden die Test immer anhand einer Stichprobe durchgeführt Jetzt wollen wir die statistischen Eigenschaften von zwei
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/
Mehr7.2 Mittelwert einer Stichprobe
66 7.2 Mittelwert einer Stichprobe Gegeben ist eine normalverteilte Grundgesamtheit. Mit Hilfe einer Stichprobe möchten wir Aussagen über den unbekannten Mittelwert µ dieser Grundgesamtheit machen. Wenn
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
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
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
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
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
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
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
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
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
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
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 25. Januar 2013 1 Der χ 2 -Anpassungstest 2 Exakter Test nach Fisher Mendelsche Erbregeln als Beispiel für mehr
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
MehrGrundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz
- 1 - Grundgesamtheit, Merkmale, Stichprobe Dimension, Umfang Skalierung Eigenschaften der Stichprobe kennzeichnende Größen Eigenschaften der Stichprobe kennzeichnende Größen Punktediagramm, Regressionsgerade,
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
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 8. Juni 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
Mehr5.8 Anpassungstests. W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 389 / 419
5.8 8.1 Einführung empirische Verteilungsfunktion 8.2 EDF- Kolmogorov-Smirnov-Test Anderson-Darling-Test Cramer-von Mises-Test 8.3 Anpassungstest auf Normalverteilung - Shapiro-Wilk-Test 8.4. auf weitere
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
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
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)
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
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
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine Universität Düsseldorf 13. Januar 2010 Termine Letzte Vorlesung am 28.01.2010 Letzte Übung am 27.01.2010, und zwar für alle Anfangsbuchstaben
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
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
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
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Post Hoc Tests A priori Tests (Kontraste) Nicht-parametrischer Vergleich von Mittelwerten 50 Ergebnis der ANOVA Sprossdichte der Seegräser 40 30 20 10
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
MehrProbeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)
Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null
MehrErgebnisse VitA und VitVM
Ergebnisse VitA und VitVM 1 Basisparameter... 2 1.1 n... 2 1.2 Alter... 2 1.3 Geschlecht... 5 1.4 Beobachtungszeitraum (von 1. Datum bis letzte in situ)... 9 2 Extraktion... 11 3 Extraktionsgründe... 15
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
MehrFinanzierung und Investition
Kruschwitz/Husmann (2012) Finanzierung und Investition 1/31 Kruschwitz/Husmann (2012) Finanzierung und Investition 2/31 Finanzierung und Investition Kruschwitz/Husmann (2012) Oldenbourg Verlag München
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
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen. Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung
Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung Typisierung der stetigen theoretischen Verteilungen Bibliografie:
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.
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
Mehr2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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.
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
MehrBivariater Zusammenhang in der Vierfeldertafel PEΣO
Bivariater Zusammenhang in der Vierfeldertafel PEΣO 12. Oktober 2001 Zusammenhang zweier Variablen und bivariate Häufigkeitsverteilung Die Bivariate Häufigkeitsverteilung gibt Auskunft darüber, wie zwei
MehrWerkzeuge der empirischen Forschung
Werkzeuge der empirischen Forschung I. Daten und Beschreibende Statistik 1. Einführung 2. Dateneingabe, Datentransformation, Datenbehandlung 3. Beschreibende Statistik II. Schließende Statistik 1 III.
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
MehrNachklausur zur Vorlesung. Statistik für Studierende der Biologie
Institut für Mathematische Stochastik WS 1999/2000 Universität Karlsruhe 11. Mai 2000 Dr. Bernhard Klar Nachklausur zur Vorlesung Statistik für Studierende der Biologie Bearbeitungszeit: 90 Minuten Name:
MehrVPI
1.BWL a. Der Jahresdurchschnitt des österreichischen VPI ist für verschiedene Jahre angegeben. Die jeweiligen Bezugsjahreszahlen sie ändern sich alle 10 Jahre waren die Jahre 1966, 1976, 1986 und 1996,
Mehr7.3 Chi-Quadrat-Streuungstest und F-Test
7.3 Chi-Quadrat-Streuungstest und F-Test Alle bisher besprochenen Statistischen Tests sind sog. Tests über die Mittelwerte; denn ihre Nullhypothesen handeln vom Vergleich entweder zweier Mittelwerte oder
MehrBiostatistik, Sommer 2017
1/39 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Gesetz der großen Zahl, Zentraler Grenzwertsatz Schließende Statistik: Grundlagen Prof. Dr. Achim Klenke http://www.aklenke.de 9. Vorlesung: 16.06.2017
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
Mehra. P(t) = t P(8.5) = 11.55
.S. a. Die Wohnungspreise für gut ausgestattete Wohnungen in Graz-Stadt (Mittlere Monatsmieten in Euro/Quadratmeter) erhöhen sich im Schnitt jedes Jahr um 30 -Cent. Mit. Jänner 2000 lag der Preis bei 9.
Mehr