7. Hypothesentests. Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang. X habe die unbekannte VF F X (x)
|
|
- Anna Winkler
- vor 6 Jahren
- Abrufe
Transkript
1 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
2 Bisher: Versuch, unbekannten Parameter θ mit einer Stichprobe X 1,..., X n zu schätzen (Punktschätzung, Intervallschätzung) Jetzt: Testen von Hypothesen über unbekanntes θ anhand einer Stichprobe X 1,..., X n Man beachte: Testprobleme spielen in der empirischen Wirtschaftsforschung eine zentrale Rolle 351
3 Beispiel 1: In einer Studentenkneipe sollen geeichte Biergläser im Ausschank 0.4 Liter Bier enthalten. Wir haben die Vermutung, dass der Wirt häufig zu wenig ausschenkt. X repräsentiere den Zufallsvorgang Füllen eines 0.4-Liter Bierglases durch den Wirt Es bezeichne θ = E(X) die erwartete Füllmenge eines Glases Durch eine Stichprobe X 1,..., X n soll getestet werden θ = 0.4 gegen θ <
4 Beispiel 2: Wir wissen aus der Vergangenheit, dass das Risiko einer Aktie (die Standardabweichung der Aktienrenditen) bei 25 % lag. Im Unternehmen wird nun das Management ausgetauscht. Verändert sich dadurch das Risiko der Aktie? X sei die Aktienrendite θ = σ(x) sei die Standardabweichung der Renditen Durch eine Stichprobe X 1,..., X n soll getestet werden θ = 0.25 gegen θ
5 7.1 Grundbegriffe des Testens Definition 7.1: (Parametertest) Es sei X eine Zufallsvariable und θ ein unbekannter Parameter der Verteilung von X. Ein Parametertest ist ein statistisches Verfahren, mit dem eine Hypothese über den unbekannten Parameter θ anhand einer einfachen Zufallsstichprobe X 1,..., X n aus X überprüft wird. Formulierung eines statistischen Testproblems: [I] Es sei Θ die Menge aller möglichen Parameterwerte (d.h. θ Θ) Es sei Θ 0 Θ eine Teilmenge der Parametermenge 354
6 Formulierung eines statistischen Testproblems: [II] Betrachte folgende Aussagen: H 0 : θ Θ 0 gegen H 1 : θ Θ/Θ 0 = Θ 1 H 0 heißt Nullhypothese, H 1 Gegenhypothese oder Alternative Wichtig: Bei der Formulierung eines Testproblems müssen sich Nullhypothese und Alternative gegenseitig ausschließen 355
7 Arten von Hypothesen: Sind Θ 0 = 1 (d.h. Θ 0 = {θ 0 }) und H 0 : θ = θ 0, so nennt man H 0 einfach Andernfalls bezeichnet man H 0 als zusammengesetzt Analoge Bezeichnungen gelten für H 1 356
8 Arten von Testproblemen: Es sei θ 0 Θ eine feste reelle Zahl. Dann heißt H 0 : θ = θ 0 gegen H 1 : θ θ 0 zweiseitiges Testproblem Die Testprobleme H 0 : θ θ 0 gegen H 1 : θ > θ 0 bzw. H 0 : θ θ 0 gegen H 1 : θ < θ 0 heißen einseitig (rechts- bzw. linksseitig) 357
9 Jetzt: Betrachte das allgemeine Testproblem H 0 : θ Θ 0 gegen H 1 : θ Θ 1 = Θ/Θ 0 Allgemeine Vorgehensweise: Entscheide anhand einer Stichprobe X 1,..., X n aus X, ob H 0 zugunsten von H 1 abgelehnt wird oder nicht 358
10 Explizites Vorgehen: Wähle geeignete Teststatistik T (X 1,..., X n ) und bestimme einen geeigneten kritischen Bereich K R Testentscheidung: T (X 1,..., X n ) K = H 0 wird abgelehnt T (X 1,..., X n ) / K = H 0 wird nicht abgelehnt Man beachte: T (X 1,..., X n ) ist eine ZV (Stichprobenfunktion) Die Testentscheidung ist zufällig Fehlentscheidungen sind möglich 359
11 Mögliche Fehlentscheidungen: Testergebnis Realität H 0 ablehnen H 0 nicht ablehnen H 0 richtig Fehler 1. Art kein Fehler H 0 falsch kein Fehler Fehler 2. Art Fazit: Fehler 1. Art: Test lehnt H 0 ab, obwohl H 0 richtig Fehler 2. Art: Test lehnt H 0 nicht ab, obwohl H 0 falsch 360
12 Wann treten die Fehlentscheidungen auf? Der Fehler 1. Art tritt auf, falls T (X 1,..., X n ) K, obwohl für den wahren Parameter gilt θ Θ 0 Der Fehler 2. Art tritt auf, falls T (X 1,..., X n ) / K, obwohl für den wahren Parameter gilt θ Θ 1 361
13 Frage: Wann besitzt ein statistischer Test für das Problem H 0 : θ Θ 0 gegen H 1 : θ Θ 1 = Θ/Θ 0 gute Eigenschaften? Intuitive Vorstellung: Test ist gut, wenn er möglichst geringe Wahrscheinlichkeiten für die Fehler 1. und 2. Art aufweist Jetzt: Formales Instrument zur Messung der Fehlerwahrscheinlichkeiten 1. und 2. Art 362
14 Definition 7.2: (Gütefunktion eines Tests) Man betrachte einen statistischen Test für das obige Testproblem mit der Teststatistik T (X 1,..., X n ) und einem geeignet gewählten kritischen Bereich K. Unter der Gütefunktion des Tests versteht man die Funktion G, die, in Abhängigkeit des wahren Parameters θ Θ, die Wahrscheinlichkeit dafür angibt, dass der Test H 0 ablehnt: mit G : Θ [0, 1] G(θ) = P (T (X 1,..., X n ) K). 363
15 Bemerkung: Mit der Gütefunktion sind die Wahrscheinlichkeiten für den Fehler 1. Art gegeben durch G(θ) für alle θ Θ 0 sowie für den Fehler 2. Art durch 1 G(θ) für alle θ Θ 1 Intuitive Vorstellung eines idealen Tests: Ein Test ist ideal, wenn die Fehlerwahrscheinlichkeiten 1. und 2. Art stets (konstant) gleich Null sind Test trifft mit Wskt. 1 die richtige Entscheidung 364
16 Beispiel: Es sei θ 0 Θ. Betrachte das Testproblem H 0 : θ θ 0 gegen H 1 : θ > θ 0 Gütefunktion eines idealen Tests 365
17 Leider: Es kann mathematisch gezeigt werden, dass ein solcher idealer Test im allgemeinen nicht existiert Praktische Vorgehnsweise: [I] Betrachte für eine geeignete Teststatistik T (X 1,..., X n ) die maximale Fehlerwahrscheinlichkeit 1. Art α = max θ Θ 0 {P (T (X 1,..., X n ) K)} = max θ Θ 0 {G(θ)} Lege den kritischen Bereich K dann so fest, dass α einen vorgegebenen kleinen Wert animmt 366
18 Praktische Vorgehnsweise: [II] Alle Fehlerwahrscheinlichkeiten 1. Art sind dann durch α begrenzt (d.h. kleiner oder gleich α) Häufig benutzte α-werte sind α = 0.01, α = 0.05, α = 0.1 Definition 7.3: (Signifikanzniveau eines Tests) Man betrachte einen statistischen Test für das Testproblem auf Folie 358 mit der Teststatistik T (X 1,..., X n ) und einem geeignet gewählten kritischen Bereich K. Dann bezeichnet man die maximale Fehlerwahrscheinlichkeit 1. Art α = max θ Θ 0 {P (T (X 1,..., X n ) K)} = max θ Θ 0 {G(θ)} als das Signifikanzniveau des Tests. 367
19 Konsequenzen dieser Testkonstruktion: [I] Die Wskt., H 0 aufgrund des Tests abzulehmen, obwohl H 0 richtig ist (d.h. die Wskt. für den Fehler 1. Art) ist höchstens α (mit α = 0.01, 0.05, 0.1) Wird H 0 aufgrund einer Testrealisation abgelehnt, so kann man ziemlich sicher davon ausgehen, dass H 0 tatsächlich falsch ist (Man sagt auch: H 1 ist statistisch gesichert) 368
20 Konsequenzen dieser Testkonstruktion: [II] Die Wskt. für den Fehler 2. Art (d.h. H 0 nicht abzulehnen, obwohl H 0 falsch ist), kann man dagegen nicht kontrollieren Wird H 0 aufgrund einer Testrealisation nicht abgelehnt, so hat man keinerlei Wahrscheinlichkeitsaussage über eine mögliche Fehlentscheidung (Nichtablehung von H 0 heißt nur: Die Daten sind nicht unvereinbar mit H 0 ) Wichtig deshalb: Es ist entscheidend, wie man H 0 und H 1 formuliert Das, was man zu zeigen hofft, formuliert man in H 1 (in der Hoffnung, H 0 anhand des konkreten Tests ablehnen zu können) 369
21 Beispiel: Betrachte Beispiel 1 auf Folie 352 Kann man anhand eines konkreten Tests H 0 verwerfen, so kann man ziemlich sicher sein, dass der Wirt in der Regel zu wenig ausschenkt Kann man H 0 nicht verwerfen, so kann man nichts explizites über die Ausschankgewohnheiten des Wirtes sagen. (Die Daten stehen lediglich nicht im Widerspruch zu H 0 ) 370
22 7.2 Tests für Erwartungswerte Situation: Der interessierende Zufallsvorgang X sei normalverteilt, d.h. X N(µ, σ 2 ), wobei µ unbekannt und σ 2 bekannt sein sollen (vgl. Konfindenzintervall 1, Folie 338) Betrachte für gegebenes µ 0 R das Testproblem: H 0 : µ = µ 0 gegen H 1 : µ µ 0 371
23 Testkonstruktion: Suche eine geeignete Teststatistik T (X 1,..., X n ) Lege den kritischen Bereich K fest Geeignete Teststatistik lautet: T (X 1,..., X n ) = n X µ 0 σ Begründungen: T (X 1,..., X n ) misst im wesentlichen den Abstand zwischen dem unbekannten Parameter µ und dem Vergleichswert µ 0 Wenn H 0 gültig ist (d.h. falls µ = µ 0 ), dann gilt (vgl. Satz 5.5(b), Folie 310) T (X 1,..., X n ) N(0, 1) 372
24 N(0, 1)-Dichte der Teststatistik T (X 1,..., X n ) im Falle der Gültigkeit von H 0 N(0,1)-Dichte von T unter H 0 α / 2 α / 2 u α / 2 (= u 1 α / 2 ) 0 u 1 α / 2 373
25 Explizite Testregel: Lege das Signifikanzniveau α fest Wähle den kritischen Bereich als K = (, u 1 α/2 ) (u 1 α/2, + ) = {t R : t > u 1 α/2 } d.h. Lehne H 0 ab, falls T (X 1,..., X n ) K Lehne H 0 nicht ab, falls T (X 1,..., X n ) / K 374
26 Beispiel: [I] Es sei X N(µ, 4) das tatsächliche Gewicht (in Gramm) einer 200g-Tafel Schokolade (vgl. Beispiel auf Folie 342) Statistisches Testproblem H 0 : µ = 200 gegen H 1 : µ 200 Wert der Teststatistik: T (x 1,..., x n ) = n x µ 0 σ = =
27 Beispiel: [II] Für das Signifikanzniveau α = 0.05 gilt: u 1 α/2 = u = 1.96 Offensichtlich ist T (x 1,..., x n ) = / (, 1.96) (1.96, + ) = K Für α = 0.05 wird H 0 nicht abgelehnt (Daten sind nicht unvereinbar mit H 0 ) 376
28 Gütefunktion des Tests zum Signifikanzniveau α = n = 20 n = 1000 G(µ) n = µ Bemerkungen: Test wird mit zunehmendem n immer trennschärfer Der vorgestellte Test heißt zweiseitiger Gaußtest 377
29 Jetzt: 2 zweiseitige Tests für den Erwartungswert in der Situation X N(µ, σ 2 ), bei bekannter Varianz σ 2 (ohne Herleitung) 1. Rechtsseitiger Gaußtest: [I] (µ 0 R fest gegeben) H 0 : µ µ 0 gegen H 1 : µ > µ 0 Teststatistik ist erneut T (X 1,..., X n ) = n X µ 0 σ 378
30 1. Rechtsseitiger Gaußtest: [II] Kritischer Bereich zum Signifikanzniveau α ist K = (u 1 α, + ) (u 1 α ist (1 α)-quantil der N(0, 1)-Verteilung) Lehne H 0 zum Signifikanzniveau α ab, falls T (X 1,..., X n ) > u 1 α 379
31 2. Linksseitiger Gaußtest: (µ 0 R fest gegeben) H 0 : µ µ 0 gegen H 1 : µ < µ 0 Teststatistik ist wiederum T (X 1,..., X n ) = n X µ 0 σ Kritischer Bereich zum Signifikanzniveau α ist K = (, u 1 α ) ( u 1 α = u α ist α-quantil der N(0, 1)-Verteilung) Lehne H 0 zum Signifikanzniveau α ab, falls T (X 1,..., X n ) < u 1 α = u α 380
32 Beispiel: [I] Es sei X N(µ, 4) das tatsächliche Gewicht (in Gramm) einer 200g-Tafel Schokolade mit der konkreten Stichprobe von Folie 342 Statistisches Testproblem: H 0 : µ 198 gegen H 1 : µ > 198 Für die konkrete Stichprobe gilt T (x 1,..., x n ) = n x µ 0 σ = =
33 Beispiel: [II] Zum Signifikanzniveau α = 0.05 ergibt sich der kritische Bereich als K = (u 0.95, + ) = (1.6449, + ) Also folgt T (x 1,..., x n ) = > = u 0.95 Lehne H 0 zum Signifikanzniveau α = 0.05 ab 382
34 Jetzt: Tests für den Erwartungswert einer Normalverteilung bei unbekannter Varianz, d.h. mit unbekannten µ und σ 2 X N(µ, σ 2 ) Betrachte für µ 0 R zunächst den 2-seitgen Test H 0 : µ = µ 0 gegen H 1 : µ = µ 0 383
35 Geeignete Teststatistik: T (X 1,..., X n ) = n 1 X µ 0 S Begründungen: T (X 1,..., X n ) schätzt im wesentlichen den Abstand zwischen unbekanntem µ und dem Vergleichswert µ 0 Wenn H 0 richtig ist (d.h. falls µ = µ 0 ), dann gilt (vgl. Satz 5.5(c), Folie 311) T (X 1,..., X n ) t(n 1) 384
36 Herleitung des kritischen Bereiches: Analoges Vorgehen wie beim zweiseitigen Gaußtest, nur mit t(n 1)- anstatt mit der N(0, 1)-Verteilung Kritischer Bereich ist K = (, t n 1,1 α/2 ) (t n 1,1 α/2, + ) = {t R : t > t n 1,1 α/2 } d.h. Lehne H 0 ab, falls T (X 1,..., X n ) K Lehne H 0 nicht ab, falls T (X 1,..., X n ) / K 385
37 Bemerkungen: [I] Dieser Test heißt zweiseitiger t-test Für den rechtsseitigen t-test H 0 : µ µ 0 gegen H 1 : µ > µ 0 ergibt sich bei Benutzung der Teststatistik T (X 1,..., X n ) = n 1 X µ 0 S zum Signifikanzniveau α der kritische Bereich K = (t n 1,1 α, + ) 386
38 Bemerkungen: [II] Für den linksseitigen t-test H 0 : µ µ 0 gegen H 1 : µ < µ 0 ergibt sich bei Benutzung der Teststatistik T (X 1,..., X n ) = n 1 X µ 0 S zum Signifikanzniveau α der kritische Bereich K = (, t n 1,1 α ) 387
39 Beispiel: Es sei X N(µ, σ 2 ) mit unbekannten µ und σ 2 Betrachte zweiseitigen t-test mit µ 0 = 6 z.n. α = 0.05 Einfache Stichprobe mit n = 8 Werten ergibt: Wert der Teststatistik: t = n 1 x µ 0 s = = Es gilt: t = > = t 7,0.975 Ablehnung von H 0 388
40 7.3 Tests für Varianzen Situation: Der interessierende Zufallsvorgang sei normalverteilt, d.h. X N(µ, σ 2 ), wobei sowohl µ als auch σ 2 unbekannt sein sollen Betrachte für geg. σ 2 0 R das zweiseitige Testproblem H 0 : σ 2 = σ 2 0 gegen H 1 : σ 2 = σ
41 Geeignete Teststatistik lautet: T (X 1,..., X n ) = n S2 σ 2 0 = n i=1 ( Xi X σ 0 ) 2 Begründungen: T (X 1,..., X n ) schätzt im wesentlichen das Verhältnis zwischen unbekannter Varianz σ 2 und dem Vergleichswert σ 2 0 Wenn H 0 gültig ist (d.h. falls σ 2 = σ0 2 ), dann gilt: (vgl. Satz 5.5(e), Folie 311) T (X 1,..., X n ) χ 2 (n 1) 390
42 χ 2 (3)-Dichte von T (X 1,..., X n ) bei Gültigkeit von H χ2-dichte von T unter H
43 Bezeichnung: Das p-quantil der χ 2 (ν)-verteilung wird in Mosler / Schmid mit χ 2 ν,p bezeichnet Kritischer Bereich ist K = [0, χ 2 n 1,α/2 ) (χ2 n 1,1 α/2, + ) d.h. Lehne H 0 ab, falls T < χ 2 n 1,α/2 oder T > χ2 n 1,1 α/2 Lehne H 0 nicht ab, falls T [χ 2 n 1,α/2, χ2 n 1,1 α/2 ] 392
44 Bemerkungen: [I] Die Dichte der χ 2 (ν)-verteilung ist nicht symmetrisch, d.h. χ 2 ν,p χ2 ν,1 p Für den rechtsseitigen Varianztest H 0 : σ 2 σ0 2 gegen H 1 : σ 2 > σ0 2 ergibt sich bei Benutzung der Teststatistik T (X 1,..., X n ) = n ( ) S2 n 2 Xi X σ0 2 = i=1 σ 0 zum Signifikanzniveau α der kritische Bereich K = (χ 2 n 1,1 α, + ) (d.h. verwerfe H 0, falls T > χ 2 n 1,1 α ) 393
45 Bemerkungen: [II] Für den linksseitigen Varianztest H 0 : σ 2 σ 2 0 gegen H 1 : σ 2 < σ 2 0 ergibt sich bei Benutzung der Teststatistik T (X 1,..., X n ) = n ( S2 n Xi X σ0 2 = σ 0 i=1 zum Signifikanzniveau α der kritische Bereich K = (, χ 2 n 1,α ) (d.h. verwerfe H 0, falls T < χ 2 n 1,α ) ) 2 394
46 Bemerkungen: [III] Falls der E-Wert µ der Normalverteilung bekannt ist, verwende die Teststatistik T (X 1,..., X n ) = n i=1 ( Xi µ σ 0 ) 2 und die Quantile der χ 2 (n)-verteilung (vgl. Satz 5.5(d), Folie 311) 395
47 Beispiel: [I] Gegeben seien folgende Messungen aus einer Normalverteilung (µ, σ 2 unbekannt): 1001, 1003, 1035, 998, 1010, 1007, 1012 Man betrachte den folgenden Test z.n. α = 0.05: H 0 : σ gegen H 1 : σ 2 > 100 Es gilt: T (x 1,..., x n ) = n S2 σ 2 0 = =
48 Beispiel: [II] Für α = 0.05 findet man das Quantil χ 2 6,0.95 = Es folgt: T (x 1,..., x n ) = < = χ 2 6,0.95 H 0 kann nicht verworfen werden 397
6. 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 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
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
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
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrKapitel 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
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:
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. 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
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
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.
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
MehrKapitel XI - Operationscharakteristik und Gütefunktion
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Operationscharakteristik und Gütefunktion Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo
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
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
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)
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
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)
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
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
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
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
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
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.
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
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
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
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
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
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
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
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
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
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.
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
Mehr9 Prinzipien der statistischen Hypothesenprüfung
9 Prinzipien der statistischen Hypothesenprüfung Prinzipien der statistischen Hypothesenprüfung Bei der Schätzung eines Populationsparamters soll dessen Wert aus Stichprobendaten erschlossen werden. Wenn
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
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
Mehr4 Testen von Hypothesen
4 Testen von Hypothesen Oft müssen zweiwertige Entscheidungen ( Ja oder Nein ) gefällt werden. Denken wir an die elektronisch gesicherten Waren, wo am Ausgang eines Geschäftes durch eine Maschine geprüft
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
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:
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrSchließende Statistik
Schließende Statistik [statistical inference] Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
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!
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
MehrUm zu entscheiden, welchen Inhalt die Urne hat, werden der Urne nacheinander 5 Kugeln mit Zurücklegen entnommen und ihre Farben notiert.
7. Testen von Hypothesen ================================================================== 15.1 Alternativtest -----------------------------------------------------------------------------------------------------------------
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
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
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:
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
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
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
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
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
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
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2010 1 Tests für Erwartungswerte Teststatistik Gauß-Test Zusammenhang zu Konfidenzintervallen t-test
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
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
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
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 ------------------------------------------------------------------------------------------------------------------
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
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
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
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
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
MehrStochastik: Hypothesentest Stochastik Testen von Hypothesen (einseitiger Test) allgemein bildende Gymnasien J1/J2
Stochastik Testen von Hypothesen (einseitiger Test) allgemein bildende Gymnasien J/J2 Alexander Schwarz www.mathe-aufgaben.com Oktober 25 Hinweis: Für die Aufgaben darf der GTR benutzt werden. Aufgabe
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
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
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
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
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. 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)
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
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
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 )
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
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
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)
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
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.
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
MehrFF Düsseldorf WS 2007/08 Prof. Dr. Horst Peters. Vorlesung Quantitative Methoden 1B im Studiengang Business Administration (Bachelor) Seite 1 von 6
Vorlesung Quantitative Methoden 1B im Studiengang Business Administration (Bachelor) Seite 1 von 6 (Konfidenzintervalle, Gauß scher Mittelwerttest) 1. Bei einem bestimmten Großraumflugzeug sei die Auslastung
MehrKapitel 13: Statistische Signifikanztests
Kapitel 13: Statistische Signifikanztests Motivation Bisher: Punkt- und Intervallschätzungen für unbekannte Parameter einer Verteilung, dabei keine Verwendung von Vorinformationen Jetzt: Vorinformationen/Vermutungen/Behauptungen
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
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,
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
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
Mehr8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme)
8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme) Annahme B4: Die Störgrößen u i sind normalverteilt, d.h. u i N(0, σ 2 ) Beispiel: [I] Neoklassisches Solow-Wachstumsmodell Annahme einer
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
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.
MehrTESTEN VON HYPOTHESEN
TESTEN VON HYPOTHESEN 1. Beispiel: Kann ein neugeborenes Küken Körner erkennen oder lernt es dies erst durch Erfahrung? Um diese Frage zu entscheiden, wird folgendes Experiment geplant: Sobald das Küken
MehrKap. 2: Kurzwiederholung Wahrscheinlichkeitsrechnung und Statistik
Kap. 2: Kurzwiederholung Wahrscheinlichkeitsrechnung und Statistik Empirische Fragestellung Datenanalyse: Schätzung, Test, Konfidenzintervall Grundbegriffe der Wahrscheinlichkeitsrechnung und Statistik
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
Mehr