Beurteilung von Analysenwerten im Hinblick auf eine Grenzwertüberschreitung
|
|
- Waltraud Knopp
- vor 6 Jahren
- Abrufe
Transkript
1 Beurteilung von Analysenwerten im Hinblick auf eine Grenzwertüberschreitung K. Molt Universität Duisburg-Essen, Fak. 4, FG Instrumentelle Analytik 3. Juni 2007 K. Molt (Fachgeb. IAC) 3. Juni / 41
2 Die Grenzwertproblematik Mögliche Ausgänge eines Tests auf Grenzwertüberschreitung Tatsächliche Aus dem Analysenergebnis Diag- Wahrheits- Situation gezogene Schlussfolgerung nose gehalt µ < µ 0 Grenzwert nicht überschritten - richtig µ > µ 0 Grenzwert nicht überschritten - falsch µ > µ 0 Grenzwert überschritten + richtig µ < µ 0 Grenzwert überschritten + falsch K. Molt (Fachgeb. IAC) 3. Juni / 41
3 Die Grenzwertproblematik Hypothesentest (Methode I) H 0 : µ µ 0 ; H 1 : µ > µ 0 (Methode 1) Hier geht man davon aus, dass µ (geschätzt durch den Messwert x) unterhalb des Grenzwertes µ 0 liegt. Nur wenn gravierende statistische Gründe vorliegen, weicht man von dieser Annahme ab und geht von einer Grenzwertüberschreitung aus (µ > µ 0 ). Diese Festlegung von Alternativ- und Nullhypothese geht zu Gunsten des Verursachers ( in dubio pro reo ) und zu Ungunsten der eventuell gefährdeten Umwelt (Natur und/oder Mensch). K. Molt (Fachgeb. IAC) 3. Juni / 41
4 Die Grenzwertproblematik Hypothesentest (Methode II) H 0 : µ µ 0 ; H 1 : µ < µ 0 (Methode 2) Hier geht man davon aus, dass µ (geschätzt durch den Messwert x) oberhalb des Grenzwertes µ 0 liegt. Nur wenn gravierende statistische Gründe vorliegen, weicht man von dieser Annahme ab und geht von einer Grenzwertunterschreitung aus (µ < µ 0 ). Diese Festlegung geht zu Ungunsten des Verursachers und zu Gunsten der eventuell gefährdeten Umwelt (Natur und/oder Mensch). Für worst case -Betrachtungen ist dies die geeignete Methode. Sie ist aber nur dann anzuwenden, wenn das bei der Festlegung von Grenzwerten explizit verlangt ist. K. Molt (Fachgeb. IAC) 3. Juni / 41
5 Die Grenzwertproblematik Methode I an einem Zahlenbeispiel Es wird eine Probe simuliert, die einen bestimmten Grenzwert überschreitet, der mit µ 0 = 10 vorgegeben wird. Der wahre Analysenwert soll µ = 11 sein mit einer Standardabweichung für von σ = 1 für eine einzelne Analyse. Es wird eine Stichprobe von 6 Analysenwerten simuliert werden, aus denen der Mittelwert gebildet wird. K. Molt (Fachgeb. IAC) 3. Juni / 41
6 Die Grenzwertproblematik Methode I an einem Zahlenbeispiel Die Situation Der wahre Gehalt der Probe µ = 11 überschreitet den vorgegebenen Grenzwert µ 0 = 10! Was hindert uns daran dies festzustellen? Die Messunsicherheit! Können wir die Messunsicherheit ausschalten? Nein! Können wir die Messunsicherheit reduzieren? Ja, durch Mittelung von Einzelmessungen (σ/ n)! Die Messunsicherheit bedingt, dass das Analysenergebnis (positiv bzw. negativ) unweigerlich mit einer gewissen Irrtumswahrscheinlichkeit verknüpft ist (α bzw. β)! K. Molt (Fachgeb. IAC) 3. Juni / 41
7 Die Grenzwertproblematik Methode I an einem Zahlenbeispiel > set.seed(18) #Der Zufallszahlengenerator wird an einem d gestartet. > n <- 6 > x <- rnorm(n,mean=11,sd=1) > x <- round(x,1) > x #Simulierte Analysenwerte [1] > (mittelw<- mean(x)) # Mittelwert [1] > (stdabw <- sd(x)) #Standardabweichung [1] > (std.mittel <- stdabw/sqrt(n)) # Standardabweichung des [1] K. Molt (Fachgeb. IAC) 3. Juni / 41
8 Konfidenz-Intervall Konfidenzintervall Obere und untere Grenze x u = x t krit x o = x + t krit s n (1) s n (2) Hierbei ist t krit = Φ t,df =5 (α/2) wobei Φ t,df =5 die Quantile über einer t-verteilung mit dem Freiheitsgrad df = 5 bezeichnet. K. Molt (Fachgeb. IAC) 3. Juni / 41
9 Konfidenz-Intervall Konfidenzintervall für α = 0.1 t_krit <- qt(p=0.95,df=5) > t_krit [1] > (E <- t_krit*std.mittel) [1] > x_u <- mittelw - E > x_u [1] > x_o <- mittelw + E > x_o [1] K. Molt (Fachgeb. IAC) 3. Juni / 41
10 Konfidenz-Intervall Erweiterte Messunsicherheit Die durch Multiplikaton der Standardabweichung mit dem kritischen t-wert erhaltene Fehlermarche von E = t krit = s n = 0, 96 wird in der Analytik auch als erweiterte Messunsicherheit bzw. erweiterte kombinierte Messunsicherheit bezeichnet. K. Molt (Fachgeb. IAC) 3. Juni / 41
11 f Konfidenz-Intervall Zweiseitiges Konfidenzintervall x u x x o α 2 α X K. Molt (Fachgeb. IAC) 3. Juni / 41
12 Konfidenz-Intervall Bedeutung des Konfidenzintervalls Zieht man ständig neue Stichproben, so enthalten auf lange Sicht 1 α = 90% der Konfidenzintervalle den Mittelwert µ. 1 α wird auch die Konfidenzwahrscheinlichkeit genannt. In α = 10% der Fälle enthält das Konfidenzintervall den Mittelwert nicht. Auf Lange Sicht irren wir uns also in α = 10% der Fälle, wenn wir annehmen, dass das Konfidenzintervall µ enthält. α wird daher auch Irrtumswahrscheinlichkeit genannt. K. Molt (Fachgeb. IAC) 3. Juni / 41
13 Konfidenz-Intervall Bedeutung des Konfidenzintervalls x µ Analyse Nr. α = 10% der Konfidenzintervalle enthalten µ nicht! K. Molt (Fachgeb. IAC) 3. Juni / 41
14 Konfidenz-Intervall Einseitiges Konfidenzintervall Prüft man nun auf Überschreitung des Grenzwertes µ 0 = 10, so wird man eine solche dann feststellen, wenn die untere Grenze des Konfidenzintervalls oberhalb des Grenzwerts liegt. Die obere Grenze des Konfidenzintervalls ist dabei irrelevant. In diesem Fall genügt es daher ein einseitiges Konfidenzintervall zu konstruieren, das nach oben offen ist. Übernimmt man die untere Grenze aus dem obigen Beispiel, so erhält man ein Konfidenzintervall von [10.19,+ ]. K. Molt (Fachgeb. IAC) 3. Juni / 41
15 Konfidenz-Intervall Einseitiges Konfidenzintervall f µ 0 x u x α X K. Molt (Fachgeb. IAC) 3. Juni / 41
16 Konfidenz-Intervall Bedeutung des Konfidenzintervalls x µ µ Analyse Nr. α = 5% der Konfidenzintervalle enthalten µ nicht und β = 32% enthalten µ 0! K. Molt (Fachgeb. IAC) 3. Juni / 41
17 Hypothesentest f Einseitiger t-test µ 0 x e x p α X K. Molt (Fachgeb. IAC) 3. Juni / 41
18 Hypothesentest Einseitiger t-test > t.test(x,mu=10,alternative="greater") One Sample t-test data: x t = , df = 5, p-value = alternative hypothesis: true mean is greater than percent confidence interval: Inf sample estimates: mean of x K. Molt (Fachgeb. IAC) 3. Juni / 41
19 Einseitiger t-test Hypothesentest Bedeutung von t Normalisierter x-wert angegeben (t), der angibt, um wieviel Standardabweichungen x von µ 0 abweicht: t = x µ 0 s/ n > t krit (3) t = ( )/(1.1675/ 6) = (4) Dieses t ist größer als der durch die Wahl von α vorgegebene kritische t-wert t krit = 2.02 und es kann daraus der sog. p-wert berechnet werden. > 1-pt(2.4128,df=5) [1] K. Molt (Fachgeb. IAC) 3. Juni / 41
20 Hypothesentest f Einseitiger t-test µ 0 x e x p α X K. Molt (Fachgeb. IAC) 3. Juni / 41
21 Hypothesentest Bedeutung von p Einseitiger t-test Der p-wert entspricht der Wahrscheinlichkeit, dass man bei der Annahme einer Grundgesamtheit mit dem Mittelwert µ 0 einen Wert von x > x erhält. p entspricht damit der Wahrscheinlichkeit, dass ein erzieltes positives Analysenergebnis falsch ist wird auch als beobachtetes Signifikanzniveau bezeichnet. α ist das vorgegebene Signifikanzniveau. Ist der der p-wert kleiner als α, so ist die Nullhypothese zu verwerfen, d.h. der Test ist signifikant. K. Molt (Fachgeb. IAC) 3. Juni / 41
22 Einseitiger t-test Hypothesentest Signifikante Grenzwertüberschreitung In dem vorliegenden simulierten Fall hat die Analyse also eine signifikante Grenzwertüberschreitung ergeben. Wäre ein solcher Fall in der Praxis aufgetreten, dann hätte der Analytiker Glück gehabt, indem er eine signifikante Grenzwertüberschreitung nachweisen konnte und somit die Untersuchung mit Fug und Recht hätten abschließen können, indem das Analysenergebnis zusammen mit dem vorgegebenen Signifikanzninveau α (und möglichst auch p) angegeben wird. α ist dabei der Fehler erster Art und gibt an mit welcher Wahrscheinlichkeit die Feststellung der Grenzwertüberschreitung nicht zutrifft (falsch positives Ergebnis). K. Molt (Fachgeb. IAC) 3. Juni / 41
23 Hypothesentest Einseitiger t-test Keine Signifikante Grenzwertüberschreitung > set.seed(1.13e2) > n <- 6; x <- rnorm(n,mean=11,sd=1) > (mittelw <- mean(x));(stdabw <- sd(x)) [1] [1] > t.test(x,mu=10,alternative="greater") One Sample t-test data: x t = , df = 5, p-value = alternative hypothesis: true mean is greater than percent confidence interval: Inf sample estimates: mean of x K. Molt (Fachgeb. IAC) 3. Juni / 41
24 Einseitiger t-test Hypothesentest Keine signifikante Grenzwertüberschreitung Wäre ein solcher Fall in der Praxis aufgetreten, dann hätte der Analytiker Pech gehabt, indem zwar eine Grenzwertüberschreitung vorliegt, er diese aber nicht feststellen konnte. D.h. das Ergebnis ist falsch negativ. Dies würde im vorliegenden Fall in β = 32% der Fälle passieren! β ist der Fehler 2. Art. K. Molt (Fachgeb. IAC) 3. Juni / 41
25 Power: Aussagekraft des Tests Leistungsfähigkeit (Power) Abhängigkeit von δ β ist die Wahrscheinlichkeit, dass man ein falsch negatives Ergebnis bekommt. 1-β ist die Wahrscheinlichkeit, dass ein Test bzw. Analysenverfahren bei Vorliegen einer Grenzwertüberschreitung ein richtig positives Ergebnis liefert und wird daher auch die Leistungsfähigkeit (Power) des Tests genannt. 1 β ist verknüpft mit dem niedrigsten noch erfassbaren Konzentrations-Effekt δ, also dem kleinsten Betrag der Grenzwertüberschreitung, den wir mit unserem Analysenverfahren noch signifikant erkennen können. 1 β, α,n,σ und δ hängen zusammen. Wenn wir vier dieser Größen kennnen, so können wir die fünfte daraus berechnen. K. Molt (Fachgeb. IAC) 3. Juni / 41
26 Power: Aussagekraft des Tests Berechnung der Aussagekraft eines Tests Was ist die Aussagekraft unseres vorliegenen Testverfahrens, wenn wir eine Grenzwertüberschreitung um δ = 1 noch zuverlässig erfassen wollen? power.t.test(6,delta=1,sd=1,sig.level=0.05, power=null,"one.sample","one.sided") One-sample t test power calculation n = 6 delta = 1 sd = 1 sig.level = 0.05 power = alternative = one.sided K. Molt (Fachgeb. IAC) 3. Juni / 41
27 f Power: Aussagekraft des Tests Sonderfall: µ = x e β = 1 β = 50% µ 0 µ = x e β α X K. Molt (Fachgeb. IAC) 3. Juni / 41
28 Power: Aussagekraft des Tests Steuerung der Leistungsfähigkeit eines Tests Wie groß muss die Zahl der Einzelmessungen sein, wenn denn der Test so leistungsfähig sein soll, dass er eine Grenzwertüberschreitung um δ = 1 in 95% der Fälle erkennt? power.t.test(n=null,delta=1,sd=1,sig.level=0.05, power=0.95,"one.sample","one.sided") One-sample t test power calculation n = delta = 1 sd = 1 sig.level = 0.05 power = 0.95 alternative = one.sided K. Molt (Fachgeb. IAC) 3. Juni / 41
29 f Power: Aussagekraft des Tests Aussagekraft 1 β = 95% µ 0 x e µ δ = µ µ0 β α 1 β X K. Molt (Fachgeb. IAC) 3. Juni / 41
30 Power: Aussagekraft des Tests Aussagekraft 1 β = 95% x µ µ Analyse Nr. K. Molt (Fachgeb. IAC) 3. Juni / 41
31 Situation bei bekanntem σ Power-Berechnungen bei Normalverteilung und bekanntem σ ( ) n δ 1 β = Φ σ Φ 1 (α) (5) ( ) Φ 1 (α) + Φ 1 2 (β) n = (6) δ/σ δ = σ n ( Φ 1 (α) + Φ 1 (β) ) (7) K. Molt (Fachgeb. IAC) 3. Juni / 41
32 Situation bei bekanntem σ δ = 1, σ = 1, n = 6, α = 0, 05 > delta = 1 > power = pnorm(sqrt(6)*(delta/1) - qnorm(1-0.05)) > power [1] K. Molt (Fachgeb. IAC) 3. Juni / 41
33 Situation bei bekanntem σ δ = 1, σ = 1, n = 6, α = 0, 1 > delta = 1 > power = pnorm(sqrt(6)*(delta/1) - qnorm(1-0.1)) > power [1] K. Molt (Fachgeb. IAC) 3. Juni / 41
34 Situation bei bekanntem σ σ = 1, n = 6, α = 0, 05, β = 0, 05 delta <- 1/sqrt(6)*(qnorm(1-0.05) + qnorm(1-0.05)) > delta [1] K. Molt (Fachgeb. IAC) 3. Juni / 41
35 Situation bei bekanntem σ σ = 1, δ = 1, α = 0, 05, β = 0, 05 > n <- ((qnorm(1-0.05) + qnorm(1-0.05))/(delta/1))^2 > n [1] K. Molt (Fachgeb. IAC) 3. Juni / 41
36 Situation bei bekanntem σ σ = 1, δ = 2, α = 0, 05, β = 0, 05 > delta = 2 > n <- ((qnorm(1-0.05) + qnorm(1-0.05))/(delta/1))^2 > n [1] K. Molt (Fachgeb. IAC) 3. Juni / 41
37 Situation bei bekanntem σ n als Funktion von d = δ/σ (Effektgrößen-Index) > delta.div.sigma <- seq(0.1,3.3,0.1) > n <- ceiling(((qnorm(0.05) + qnorm(0.05)) /delta.div.sigma)^2) > colnames(tabelle) <- c("delta/sigma","n") > Tabelle delta/sigma n K. Molt (Fachgeb. IAC) 3. Juni / 41
38 Situation bei bekanntem σ n als Funktion von d = δ/σ (Effektgrößen-Index) delta/sigma n K. Molt (Fachgeb. IAC) 3. Juni / 41
39 Situation bei bekanntem σ n als Funktion von d = δ/σ (Effektgrößen-Index) delta/sigma n K. Molt (Fachgeb. IAC) 3. Juni / 41
40 OC- und ROC-Kurven Operationscharakteristik-Kurven Aussagekraft in % n=1 n=2 n=3 n=4 n=5 n=6 n=7 n=8 n=9 n=10 n=11 n= δ σ K. Molt (Fachgeb. IAC) 3. Juni / 41
41 OC- und ROC-Kurven Receiver Operator Characteristic (ROC)-Kurven Aussagekraft (1 β) in % n=1 n=2 n=3 n=4 n=5 n= Vertrauenswahrscheinlichkeit (1 α) in % K. Molt (Fachgeb. IAC) 3. Juni / 41
Statistisches Testen
Statistisches Testen Universität Duisburg-Essen, Fak. 4, FG Instrumentelle Analytik 7. Juni 2007 Statistisches Testen Inhaltsverzeichnis Schätzverfahren und Testverfahren sind Anwendungen der Stichprobentheorie.
MehrGüteanalyse. Nochmal zur Erinnerung: Hypothesentest. Binominalverteilung für n=20 und p=0,5. Münzwurf-Beispiel genauer
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Güteanalyse Prof. Walter F. Tichy Fakultät für Informatik 1 Fakultät für Informatik 2 Nochmal zur Erinnerung: Hypothesentest Am Beispiel
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
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
MehrDipl.-Volksw. Markus Pullen Wintersemester 2012/13
Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 8. Sitzung Konfidenzintervalle, Hypothesentests > # Anwendungsbeispiel
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Testverteilungen Chi-Quadrat-Verteilung Sind X 1,..., X n iid N(0; 1)-verteilte
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
MehrFragestellungen. Ist das Gewicht von Männern und Frauen signifikant unterschiedlich? (2-sample test)
Hypothesen Tests Fragestellungen stab.glu 82 97 92 93 90 94 92 75 87 89 hdl 56 24 37 12 28 69 41 44 49 40 ratio 3.60 6.90 6.20 6.50 8.90 3.60 4.80 5.20 3.60 6.60 glyhb 4.31 4.44 4.64 4.63 7.72 4.81 4.84
MehrGesamtcholesterin Region A Region B <170 (optimal) 80 >=170 (Risiko)
AUFGABEN 1. In einer Studie wurde ein Blutparameter am Beginn und am Ende einer Therapie bestimmt. Es ergab sich, dass bei 35 Probanden eine Veränderung des Parameters eintrat, und zwar lag der Wert bei
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
MehrGesamtcholesterin Region A Region B <170 (optimal) 80 >=170 (Risiko)
GRUNDAUFGABEN ZU DEN 1-STICHPROBENVERGLEICHEN 1. In einer Studie wurde ein Blutparameter am Beginn und am Ende einer Therapie bestimmt. Es ergab sich, dass bei 35 Probanden eine Veränderung des Parameters
Mehrt-tests Lösung: b) und c)
t-tests 2015 Assessmentmodul 1 - Frage B10: Ein Team von Gesundheitspsychologinnen hat ein Programm entwickelt, das die Studierenden der Universität Zürich dazu anregen soll, mehr Sport zu treiben. In
MehrMacht des statistischen Tests (power)
Macht des statistischen Tests (power) Realer Treatment ja Ergebnis der Studie H 0 verworfen statistisch signifikant O.K. Macht H 0 beibehalten statistisch nicht signifikant -Fehler Effekt nein -Fehler
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrAussagen hierzu sind mit einer unvermeidbaren Unsicherheit behaftet, die statistisch über eine Irrtumswahrscheinlichkeit bewertet wird.
Stichprobenumfang Für die Fragestellung auf Gleichheit von ein oder zwei Stichproben wird auf Basis von Hypothesentests der notwendige Stichprobenumfang bestimmt. Deshalb werden zunächst die Grundlagen
MehrMacht des statistischen Tests (power)
Macht des statistischen Tests (power) Realer Treatment ja Ergebnis der Studie H 0 verworfen statistisch signifikant O.K. Macht H 0 beibehalten statistisch nicht signifikant -Fehler Effekt nein -Fehler
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
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
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
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.
MehrBiostatistik, WS 2017/18 Der zwei-stichproben-t-test
1/28 Biostatistik, WS 2017/18 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1718/ 15.12.2017 und 22.12.2017 2/28 Inhalt
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
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
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
MehrVergleich zweier Stichproben
zurück zum Inhaltsverzeichnis Die Werte sind verbunden, abhängig oder korreliert. Beispiel: Eine Probe wird mit zwei Messgeräten bestimmt. Es gibt eine paarweise Zuordnung. Die Werte sind unabhängig also
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,
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2009/2010. 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 2009/2010 Aufgabe 1 Die Porzellanmanufaktur
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test Martin Hutzenthaler & Dirk Metzler Inhaltsverzeichnis 1 t-test für gepaarte Stichproben 1 1.1 Beispiel: Orientierung bei Trauerschnäppern..........................
MehrStochastik Praktikum Testtheorie
Stochastik Praktikum Testtheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 11.10.2010 Definition X: Zufallsgröße mit Werten in Ω, (Ω, F, (P ϑ ) ϑ Θ ) statistisches Modell Problem: Teste H 0 : ϑ
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
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
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
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
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
MehrEine Einführung in R: Statistische Tests
I. Einführungsbeispiel II. Theorie: Statistische Tests III. Zwei Klassiker: t-test und Wilcoxon-Rangsummen - Test IV. t-test und Wilcoxon-Rangsummen - Test in R Eine Einführung in R: Statistische Tests
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test Matthias Birkner & Dirk Metzler 12. Mai 2009 Inhaltsverzeichnis 1 t-test für gepaarte Stichproben 1 1.1 Beispiel: Orientierung bei Trauerschnäppern..........................
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 9. Dezember 2009 Bernd Klaus, Verena Zuber
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test Matthias Birkner & Dirk Metzler http://www.zi.biologie.uni-muenchen.de/evol/statgen.html 12. Mai 2009 1 t-test für gepaarte Stichproben
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung 1 Teststärkebestimmung a posteriori Berechnen der Effektgröße f aus empirischen Daten und Bestimmung
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 4. Der t-test Martin Hutzenthaler & Dirk Metzler 6./18. Mai 2010 Inhaltsverzeichnis 1 t-test für gepaarte Stichproben 1 1.1 Beispiel: Orientierung
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (010). Quantitative Methoden. Band (3. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
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
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
MehrStatistiktutorium (Kurs Frau Jacobsen)
Statistiktutorium (Kurs Frau Jacobsen) von Timo Beddig 1 Grundbegriffe p = Punktschätzer, d.h. der Mittelwert aus der Stichprobe, auf Basis dessen ein angenäherter Wert für den unbekannten Parameter der
MehrBemerkungen zu statistischen Tests
Bemerkungen zu statistischen Tests Einseitige vs. zweiseitige Tests Die Entscheidung für eine einseitige oder zweiseitige Alternative hängt von der Fragestellung ab. Eine einseitige Alternative ist dann
MehrEin metrisches Merkmal
Kapitel 4 Ein metrisches Merkmal 4.1 Wie kann man ein metrisches Merkmal numerisch beschreiben? Häufigkeitstabellen erzeugt man mit table. Das arithmetische Mittel und den Median berechnet man mit mean
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 16. Januar 2013 1 Allgemeine Hypothesentests Nullhypothese und Alternative Beispiel: Blutdrucksenker Testverfahren
MehrWiederholungsklausur Wirtschaftsmathematik Lösungshinweise
Wiederholungsklausur Wirtschaftsmathematik Lösungshinweise Prüfungsdatum: 9. September 205 Prüfer: Etschberger Studiengang: Wirtschaftsingenieurwesen Aufgabe 5 Punkte Karl möchte heute, am..205, ein Auto
MehrFallzahlplanung bei unabhängigen Stichproben
Fallzahlplanung bei unabhängigen Stichproben Seminar Aktuelle biometrische Probleme Benjamin Hofner benjamin.hofner@stat.uni-muenchen.de 12. Januar 2005 Übersicht 1. Einführung und Grundlagen der Fallzahlplanung
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
MehrPrüfung aus Statistik 2 für SoziologInnen
Prüfung aus Statistik 2 für SoziologInnen 11. Oktober 2013 Gesamtpunktezahl =80 Name in Blockbuchstaben: Matrikelnummer: Wissenstest (maximal 16 Punkte) Kreuzen ( ) Sie die jeweils richtige Antwort an.
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
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
MehrStatistische Überlegungen: Eine kleine Einführung in das 1 x 1
Statistische Überlegungen: Eine kleine Einführung in das 1 x 1 PD Dr. Thomas Friedl Klinik für Frauenheilkunde und Geburtshilfe, Universitätsklinikum Ulm München, 23.11.2012 Inhaltsübersicht Allgemeine
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (006). Quantitative Methoden. Band (. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
MehrHypothesentests. Hypothese Behauptung eines Sachverhalts, dessen Überprüfung noch aussteht.
Hypothese Behauptung eines Sachverhalts, dessen Überprüfung noch aussteht. Wissenschaftliche Vorgehensweise beim Hypothesentest Forscher formuliert eine Alternativhypothese H 1 (die neue Erkenntnis, die
MehrBeispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10
6 Hypothesentests Gauß-Test für den Mittelwert bei bekannter Varianz 6.3 Beispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10 G(µ) 0 α 0. 0.4 0.6 0.8 1 n = 10 n =
MehrProportions Tests. Proportions Test können in zwei Fällen benutzt werden. Vergleich von beobachteten vs. erwarteten Proportionen
Proportions-Tests Proportions Tests Proportions Test können in zwei Fällen benutzt werden Vergleich von beobachteten vs. erwarteten Proportionen Test der Unabhängigkeit von 2 Faktoren kann auch zum Vergleich
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
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
Mehr3.3 Konfidenzintervalle für Regressionskoeffizienten
3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird
Mehr1. Wie groß ist die Wahrscheinlichkeit, dass beide nicht gewinnen? Hinweis: Die Vierfeldertafel könnte hilfreich sein.
Aufgabe 1 Die Zwillinge Daida und Iballa M. kämpfen um den Weltmeistertitel im Windsurfen. Vor einem Wettkampf in Torbole macht der berühmte Moderator Roberto H. einen Vorbericht. In seiner Analyse beziffert
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
MehrBiostatistik, WS 2017/18 Der t-test
1/65 Biostatistik, WS 2017/18 Der t-test (Zwei gepaarte Stichproben bzw. eine Stichprobe) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1718/ 8.12.2017 und 15.12.2017 Beispiel: Orientierung
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
MehrKonfidenzintervalle. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt
Konfidenzintervalle Annahme: X 1,..., X n iid F θ. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt P θ (U θ O) = 1 α, α (0, 1). Das Intervall [U, O] ist ein Konfidenzintervall
MehrStatistische Tests funktionieren generell nach obigem Schema; der einzige Unterschied besteht in der unterschiedlichen Berechnung der Testgröße.
Statistische Tests Testen von Hypothesen Fehlerarten wichtigste statistische Tests Hypothesen Jeder statistische Test beruht auf der Widerlegung einer zuvor aufgestellten Hypothese. Die Widerlegung ist
Mehr14.3 Das Einstichprobenproblem in R
14.3. DAS EINSTICHPROBENPROBLEM IN R 343 0.553 0.570 0.576 0.601 0.606 0.606 0.609 0.611 0.615 0.628 0.654 0.662 0.668 0.670 0.672 0.690 0.693 0.749 0.844 0.933 die absoluten Häufikeiten n i der Klassen.
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Datum Vorlesung 18.10.2006 Einführung 18.10.2006 Beispiele 25.10.2006 Daten 08.11.2006 Variablen Kontinuierliche
MehrMedizinische Statistik
Medizinische Statistik Angewandte Biometrie für Ärzte und Gesundheitsberufe Bearbeitet von Wilhelm Gaus, Rainer Muche 1. Auflage 2013. Buch. 640 S. Hardcover ISBN 978 3 7945 2931 5 Format (B x L): 16,5
MehrHypothesen über die Grundgesamtheit. Aufgabenstellung der Testtheorie Hypothesen (Annahmen, Vermutungen oder
Hypothesen über die Grundgesamtheit Aufgabenstellung der Testtheorie Hypothesen (Annahmen, Vermutungen oder Behauptungen) über die unbekannte Grundgesamtheit anhand einer Stichprobe als richtig oder falsch
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Testen von Hypothesen
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
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
MehrBiostatistik, Sommer 2017
1/57 Biostatistik, Sommer 2017 : Gepaarter, Ungepaarter t-test, Welch Test Prof. Dr. Achim Klenke http://www.aklenke.de 12. Vorlesung: 07.07.2017 2/57 Inhalt 1 Gepaarter t-test Ungepaarter t-test Ungepaarter
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
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/
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 4. Juni 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden 1/35 Ein- und Zweiseitige Hypothesen H 0 : p =
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)
MehrW-Rechnung und Statistik für Ingenieure Übung 13
W-Rechnung und Statistik für Ingenieure Übung 13 Nächste Woche: Probeklausur Bringen Sie sich ein leeres Exemplar der Probeklausur mit, um sich eine Musterlösung zu erstellen. Aufgabe 1 : Testproblem Testproblem:
MehrTeil XI. Hypothesentests für zwei Stichproben. Woche 9: Hypothesentests für zwei Stichproben. Lernziele. Beispiel: Monoaminooxidase und Schizophrenie
Woche 9: Hypothesentests für zwei Stichproben Patric Müller Teil XI Hypothesentests für zwei Stichproben ETHZ WBL 17/19, 26.06.2017 Wahrscheinlichkeit und Statistik Patric
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrÜbungen mit dem Applet Vergleich von zwei Mittelwerten
Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung
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
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)
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2016
Signifikanzprüfung Peter Wilhelm Herbstsemester 2016 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha-Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrPflichtlektüre: Kapitel 12 - Signifikanztest Wie funktioniert ein Signifikanztest? Vorgehensweise nach R. A. Fisher.
Pflichtlektüre: Kapitel 12 - Signifikanztest Überblick Signifikanztest Populationsparameter Ein Verfahren zur Überprüfung von Hypothesen, Grundlage bilden auch hier Stichprobenverteilungen, das Ergebnis
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
Mehr