Teil X. Hypothesentests für eine Stichprobe. Woche 8: Hypothesentests für eine Stichprobe. Lernziele. Statistische Hypothesentests
|
|
- Annika Schmidt
- vor 6 Jahren
- Abrufe
Transkript
1 Woche 8: Hypothesentests für eine Stichprobe Teil X Patric Müller <patric.mueller@stat.math.ethz.ch> Hypothesentests für eine Stichprobe ETHZ WBL 17/19, Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit und Statistik 2 / 36 WBL 2017 Lernziele Statistische Hypothesentests Sie können folgende Test durchführen: Binomialtest, z-test, t-test, Vorzeichentest, Wilcoon-Test... einen zu einem bestimmten Datensatz passenden Test auswählen... einen p-wert berechnen und seine Bedeutung erläutern... den Zielkonflikt zwischen Fehler 1. und 2. Art erläutern... die sechs Schritte für statistische Testverfahren auf Teststatistiken mit bekannter Verteilung übertragen. Vorlesung basiert auf Kapitel 3.2.2, 3.2.3, 4.7 des Skripts Ziel: testen, ob eine Hypothese (formuliert als probabilistisches Modell) mit einem gegebenen Datensatz vereinbar ist. Es liegt in der Natur der Sache, dass es in der Regel unmöglich ist, mit Sicherheit zu sagen, ob ein Modell richtig oder falsch ist (d.h., ob es die Daten erzeugt hat oder nicht). Wir können aber feststellen, ob es plausibel oder unplausibel ist, dass Daten von einem bestimmten Modell erzeugt wurden. Mit Hilfe statistischer Hypothesentests können wir unplausible Modelle bzw. Hypothesen verwerfen. Wahrscheinlichkeit und Statistik 3 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 4 / 36 WBL 2017
2 Beispiel: Fehlsichtigkeit Problembeschreibung Section 1 Tests für Zähldaten Behauptung/Frage: WBL-AbsolventInnen sind im Schnitt weniger fehlsichtig als der Rest der Bevölkerung. Als fehlsichtig gilt, wer Brillen oder Kontaktlinsen trägt. Anteil Fehlsichtiger an der Gesamtbevölkerung: π0 = 63.1% (Daten für Deutschland; Brand eins, 2011) Stichprobe aufnehmen: n zufällig ausgewählte WBL-AbsolventInnen nach ihrer Fehlsichtigkeit befragen Ergebnis (Beispiel): von n = 51 befragten Personen tragen = 28 Brille oder Kontaktlinsen Wahrscheinlichkeit und Statistik 5 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 6 / 36 WBL 2017 Beispiel: Fehlsichtigkeit Fragestellung Beispiel: Fehlsichtigkeit Hypothesen Intuitive Fragestellung Test Ist es plausibel, durch puren Zufall eine Stichprobe der Bevölkerung zu erhalten, die mindestens so etrem ist wie die tatsächlich beobachtete? Intuitive Fragestellung p-wert Wie wahrscheinlich ist es, durch puren Zufall eine Stichprobe der Bevölkerung zu erhalten, die mindestens so etrem ist wie die tatsächlich beobachtete? Was bedeutet durch puren Zufall eine Stichprobe der Bevölkerung und mindestens so etrem wie die eigene Stichprobe? Nullhypothese: WBL-AbsolventInnen sind im Schnitt genau so fehlsichtig wie der Rest der Bevölkerung. Alternativhypothese: WBL-AbsolventInnen sind im Schnitt weniger fehlsichtig als der Rest der Bevölkerung. Fragestellung beim Hypothesentest: wie wahrscheinlich ist es unter der Nullhypothese, unter 51 befragten Personen 28 oder weniger fehlsichtige zu finden? k P(X k) Wahrscheinlichkeit und Statistik 7 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 8 / 36 WBL 2017
3 Grundprinzip hinter statistischen Hypothesentests Der Binomialtest in sechs Schritten Nullhypothese formulieren: einfacheres Modell basierend auf bisherigem Kenntnisstand. Alternativhypothese formulieren: Behauptung, die man beweisen möchte. Überraschende Aussage, neue Erkenntnis, die bisheriges Wissen erweitert, neues Modell. Sind die gemessene Daten unter dem einfacheren Modell (Nullhypothese) sehr unwahrscheinlich? Falls JA: Nullhypothese wird verworfen, Behauptung gilt als bewiesen. Falls NEIN: Nullhypothese wird nicht verworfen, keine Schlussfolgerung möglich! Allgemeines Vorgehen kann als Ablauf in sechs Schritten beschrieben werden Erstes Beispiel: Binomialtest 1 Modell: X : Anzahl fehlsichtige WBL-AbsolventInnen; X Bin(n, π), n = 51 bekannt 2 Nullhypothese: H 0 : π = π 0 = Alternativhypothese: H A : π < π 0 3 Teststatistik: X = 28 4 Signifikanzniveau wählen: z.b. α = 5% Wahrscheinlichkeit und Statistik 9 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 10 / 36 WBL 2017 Der Binomialtest in sechs Schritten Fehler 1. und 2. Art 5 Verwerfungsbereich K: Wertebereich der Teststatistik, der unter der Nullhypothese unwahrscheinlich ist; quantitativ so gewählt, dass P(X K) α unter H 0 Hier: K = [0, c] mit c so, dass P H0 (X c) α; mit Hilfe von R finden wir die grösste Zahl c mit P H0 (X c) α: c = 25 6 Testentscheid: H 0 wird verworfen, falls X K, andernfalls wird H 0 beibehalten. Hier: X = 28, K = [0, 25]; X / K, daher wird H 0 beibehalten p() F() Bin(n, 0.631) Wahrheit H 0 Entscheidung H A H 0 richtig negativ Fehler 1. Art H A Fehler 2. Art richtig positiv Signifikanzniveau α: W keit eines Fehlers 1. Art, d.h. des Verwerfens gegeben dass H 0 wahr ist Macht 1 β: β: W keit eines Fehlers 2. Art, d.h. des Beibehaltens gegeben dass H 0 falsch ist. Macht 1 β: W keit, eine Abweichung von der Nullhypothese festzustellen. Wenn wir die W keit für Fehler 1. Art verringern, erhöhen wir die W keit für Fehler 2. Art. Höhere Signifikanz bedingt geringere Macht. Wahrscheinlichkeit und Statistik 11 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 12 / 36 WBL 2017
4 Beispiel: Macht eines Binomialtests p-wert Zurück zum Beispiel der Fehlsichtigkeit: Wie gross ist die Macht des Binomialtests, falls der wahre Anteil fehlsichtiger WBL-AbsolventInnen π = 0.5 beträgt? P π=0.5 (X c = 25) = Wie gross ist die Macht des Binomialtests, falls der wahre Anteil fehlsichtiger WBL-AbsolventInnen π = 0.4 beträgt? P π=0.4 (X c = 25) = Definition (p-wert) Der p-wert ist das kleinste Signifikanzniveau α, für welches wir eine Nullhypothese für einen gegebenen Datensatz verwerfen. Definition (p-wert: alternative Definition) Der p-wert ist die W keit unter der Nullhypothese, einen mindestens so etremen Wert der Teststatistik zu erhalten, wie ihn die Stichprobe liefert. Im Beispiel Fehlsichtigkeit : p = P H0 (X ) = p-wert kann als Ersatz für Verwerfungsbereich dienen. Testentscheid (Schritt 6) kann nämlich auch so formuliert werden: H 0 wird verworfen, falls p < α, andernfalls beibehalten. Wahrscheinlichkeit und Statistik 13 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 14 / 36 WBL 2017 Hypothesentest mit Normalapproimation Hypothesentest mit Normalapproimation (z-test) Zur Erinnerung (Teil VIII): falls nπ 0 > 5 und n(1 π 0 ) > 5, darf man die kumulative Verteilungsfunktion einer Binomialverteilung durch die einer Normalverteilung approimieren: X N (nπ 0, nπ 0 (1 π 0 )) Für grosse Stichproben können wir einen Binomialtest durch einen z-test ersetzen (Vorteil: einfachere Berechnungen + Anwendung der Z Tabelle): 1 Modell: X : Anzahl fehlsichtige WBL-AbsolventInnen; X N (nπ 0, nπ 0 (1 π 0 )) 2 Nullhypothese: H 0 : π = π 0 = Alternativhypothese: H A : π < π 0 X nπ 0 3 Teststatistik: Z = nπ0 (1 π 0 ) = Verteilung von Z unter H 0 : Z N (0, 1) 4 Signifikanzniveau wählen: z.b. α = 5% 5 Verwerfungsbereich K = (, c] mit c so dass P H0 (Z c) = α: c = Φ 1 (α) = Φ 1 (1 α) = Testentscheid: H 0 wird verworfen, falls Z K, andernfalls beibehalten. Hier: Z = 1.213, K = (, 1.645]; Z / K, daher wird H 0 beibehalten p-werte für Binomialtest: p = für z-test: p = p() F() Normalappro Wahrscheinlichkeit und Statistik 15 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 16 / 36 WBL 2017
5 Beispiel: Effekt von Koffein auf Durchblutung Section 2 Tests für Messdaten Studie: beeinflusst Kaffeekonsum die Durchblutung bei Bewegung? Ärzte haben Durchblutung des Herzmuskels ( myocarcial blood flow, MBF) von 8 Personen beim Velofahren gemessen, vor (Y i ) und nach (Z i ) dem Kaffeekonsum (i = 1,..., 8) Zeigen die Daten eine systematische Differenz der Durchblutung vor und nach Kaffeekonsum? (Quelle: Namdar et al. (2006)) MBF Baseline Caffeine Wahrscheinlichkeit und Statistik 17 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 18 / 36 WBL 2017 Gepaarter (oder Ein-Stichproben-) t-test t-verteilung Wir betrachten Differenzen X i = Z i Y i, i = 1, 2,..., n = 8. 1 Modell: X 1,..., X n i.i.d N (µ, σ 2 ), mit unbekanntem σ 2 2 Nullhypothese: H 0 : µ = µ 0 = 0 Alternativhypothese: H A : µ µ 0 n(x µ0 ) 3 Teststatistik: T = = s beob. Mittel erw. Mittel Standardfehler Verteilung von T unter H 0 : t-verteilung mit n 1 Freiheitsgraden 4 Signifikanzniveau wählen: z.b. α = 5% Notation: T t m Verteilung durch Freiheitsgrade m charakterisiert Verteilung gleicht mehr und mehr der Normalverteilung für grosse m t m,α bezeichnet α-quantil Wegen der Symmetrie gilt t m,α = t m,1 α R-Funktion zum Berechnen der Quantile: qt f() m = 1 m = 2 m = 5 m = Wahrscheinlichkeit und Statistik 19 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 20 / 36 WBL 2017
6 Gepaarter (oder Ein-Stichproben-) t-test (Forts.) Voraussetzungen des t-tests prüfen 5 Verwerfungsbereich K = (, t n 1,1 α 2 ] [t n 1,1 α 2, ) = (, 2.365] [2.365, ) 6 Testentscheid: H 0 wird verworfen, falls T K, andernfalls beibehalten. Hier: z y = somit ist T = K, daher wird H 0 verworfen. p-wert: p = Zur Erinnerung: Modell X 1,..., X n i.i.d N (µ, σ 2 ), mit unbekanntem σ 2 Empirische Quantile Q Q Plot Theoretische Quantile Wahrscheinlichkeit und Statistik 21 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 22 / 36 WBL 2017 Vertauensintervall Vertauensintervall für µ Definition (Vertrauensintervall) Das Vertrauensintervall I für den Parameter µ zum Konfidenzniveau 1 α ist die Menge aller Parameterwerte, die mit der Stichprobe vereinbar sind im Sinne eines statistischen Tests (d.h. nicht zur Verwerfung der zugehörigen Nullhypothese führen). Formal: I = {µ 0 Nullhypothese H 0 : µ = µ 0 wird nicht verworfen} Hier formal für t-test bzw. Erwartungswert µ; analoge Definitionen eistieren für andere Tests und Parameter. Form des Vertrauensintervalls hängt von Alternativhypothese ab: [ ] s H A : s µ µ 0 I = t n 1,1 α/2, + t n n 1,1 α/2 n = [ 1.680, 0.628] ( ] s H A : µ < µ 0 I =, + t n 1,1 α n = (, 0.732] [ ) s H A : µ > µ 0 I = t n 1,1 α, n = [ 1.575, ) Wahrscheinlichkeit und Statistik 23 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 24 / 36 WBL 2017
7 R-Funktion t.test I R-Funktion t.test II > bloodflow <- read.table("../daten/bloodflow.csv", header = TRUE, sep = ",") > t.test(bloodflow$caffeine, bloodflow$baseline, paired = TRUE, alternative = "two.sided", conf.level = 0.95) Paired t-test data: bloodflow$caffeine and bloodflow$baseline t = , df = 7, p-value = alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: sample estimates: mean of the differences > t.test(bloodflow$caffeine, bloodflow$baseline, paired = TRUE, alternative = "less", conf.level = 0.95) Paired t-test data: bloodflow$caffeine and bloodflow$baseline t = , df = 7, p-value = alternative hypothesis: true difference in means is less than 0 95 percent confidence interval: -Inf sample estimates: mean of the differences Wahrscheinlichkeit und Statistik 25 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 26 / 36 WBL 2017 Vorzeichentest Vorzeichentest Durchblutungs-Beispiel: wir betrachten Differenzen X i = Z i Y i, i = 1, 2,..., n = 8; Ziel: prüfen, ob Differenzen im Mittel signifikant unterschiedlich von (oder unter) 0 sind. Annahme für t-test: X i s normalverteilt Was tun, wenn diese Annahme nicht erfüllt ist? Alternative: Vorzeichentest Betrachte Differenzen X i = Z i Y i, i = 1, 2,..., n = 8. 1 Modell: X 1,..., X n i.i.d. mit beliebiger Verteilung mit Median m 2 Nullhypothese: H 0 : m = m 0 = 0 Alternativhypothese: H A : m m 0 3 Teststatistik: V = #{i X i > m 0 }: Anzahl Werte (Differenzen), die grösser als m 0 sind. Verteilung von V unter H 0 : V Bin(n, 0.5) 4 Signifikanzniveau wählen: z.b. α = 5% Wahrscheinlichkeit und Statistik 27 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 28 / 36 WBL 2017
8 Vorzeichentest Zweiseitiger Vorzeichentest in R 5 Verwerfungsbereich: K = [0, c] [n c, n] so, dass P H0 [V K] α. Es gilt P H0 [V K] = 2P H0 [V c]. Werte für c = 0, 1, 2, 3: > 2*pbinom(0:3, n, 0.5) [1] Daher nehmen wir c = 0 (kleiner Datensatz!) 6 Testentscheid: H 0 wird verworfen, falls V K, andernfalls beibehalten. Hier: V = 0 K, daher wird H 0 verworfen p-wert: p = Ist V berechnet, kann man die Funktion binom.test benutzen: > V <- sum(bloodflow$caffeine > bloodflow$baseline) > binom.test(v, n, p = 0.5, alternative = "two.sided", conf.level = 0.95) Eact binomial test data: V and n number of successes = 0, number of trials = 8, p-value = alternative hypothesis: true probability of success is not equal to percent confidence interval: sample estimates: probability of success 0 Wahrscheinlichkeit und Statistik 29 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 30 / 36 WBL 2017 Einseitiger Vorzeichentest in R Wilcoon-Test > V <- sum(bloodflow$caffeine > bloodflow$baseline) > binom.test(v, n, p = 0.5, alternative = "less", conf.level = 0.95) Eact binomial test data: V and n number of successes = 0, number of trials = 8, p-value = alternative hypothesis: true probability of success is less than percent confidence interval: sample estimates: probability of success 0 Weitere Alternative zum t-test: Wilcoon-Test. Modell für Datensatz: X 1,..., X n i.i.d. mit beliebiger Verteilung, die symmetrisch um den Median m ist (Hinweis: bei symmetrischer Verteilung gilt Median = Erwartungswert) Genaue Berechnung der Teststatistik lassen wir aus; Verteilung ist so kompliziert, dass sie nur mit Software berechnet werden kann Wahrscheinlichkeit und Statistik 31 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 32 / 36 WBL 2017
9 Wilcoon-Test in R Zweiseitiger Test: > wilco.test(bloodflow$caffeine, bloodflow$baseline, paired = TRUE, eact = TRUE, alternative = "two.sided", conf.level = 0.95) Wilcoon signed rank test data: bloodflow$caffeine and bloodflow$baseline V = 0, p-value = alternative hypothesis: true location shift is not equal to 0 Einseitiger Test: > wilco.test(bloodflow$caffeine, bloodflow$baseline, paired = TRUE, eact = TRUE, alternative = "less", conf.level = 0.95) Wilcoon signed rank test Überblick: verschiedene Tests und p-werte für Durchblutungs-Datensatz Test p-wert, 2-seitig p-wert, 1-seitig t-test Vorzeichentest Wilcoon-Test data: bloodflow$caffeine and bloodflow$baseline V = 0, p-value = alternative hypothesis: true location shift is less than 0 Wahrscheinlichkeit und Statistik 33 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 34 / 36 WBL 2017 Vergleich: parametrische und nicht-parametrische Tests für eine Stichprobe Parametrischer Test Annahmen über Verteilungsfamilie der Daten Beispiele: z-test, t-test Beschränkt anwendbar Höhere Macht als nicht-parametrische Tests Nicht-parametrischer Test Keine/wenige Annahme über Verteilungsfamilie der Daten Beispiele: Vorzeichentest, Wilcoon-Test Breiter anwendbar Kleinere Macht als parametrische Tests Wahl eines Tests Verwenden Sie wenn möglich parametrische Tests, wenn nötig nicht-parametrische Tests. Literatur Brand eins. Die Welt in Zahlen Mehdi Namdar, Pascal Koepfli, Renate Grathwohl, Patrick T Siegrist, Michael Klainguti, Tiziano Schepis, Raphael Delaloye, Christophe A Wyss, Samuel P Fleischmann, Oliver Gaemperli, et al. Caffeine decreases eercise-induced myocardial flow reserve. Journal of the American College of Cardiology, 47(2): , Welche Probleme ergeben sich bei kleinen Datensätzen? Wahrscheinlichkeit und Statistik 35 / 36 WBL 2017 Wahrscheinlichkeit und Statistik 36 / 36 WBL 2017
Teil 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
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
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
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
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
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 3.2.2 bis 3.3 besser zu verstehen. Auswertung und Lösung Abgaben: 81 / 265 Maximal erreichte Punktzahl: 7 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.28 Frage
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrZusammenfassung PVK Statistik
Zusammenfassung PVK Statistik (Diese Zusammenfassung wurde von Carlos Mora erstellt. Die Richtigkeit der Formeln ist ohne Gewähr.) Verteilungen von diskreten Zufallsvariablen Beschreibung Binomialverteilung
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
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
MehrStatistisches Testen
Statistisches Testen Universität Duisburg-Essen, Fak. 4, FG Instrumentelle Analytik 7. Juni 2007 Statistisches Testen Inhaltsverzeichnis Schätzverfahren und Testverfahren sind Anwendungen der Stichprobentheorie.
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
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
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
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
MehrOnline-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung
Online-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung Abgaben: 92 / 234 Maximal erreichte Punktzahl: 7 Minimal erreichte Punktzahl: 1 Durchschnitt: 4 Frage 1 (Diese Frage haben ca. 0% nicht beantwortet.)
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
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
MehrHypothesentests mit R Ashkan Taassob Andreas Reisch 21.04.09 1
Hypothesentests mit R Ashkan Taassob Andreas Reisch 21.04.09 1 Inhalt Programmiersprache R Syntax Umgang mit Dateien Tests t Test F Test Wilcoxon Test 2 Test Zusammenfassung 2 Programmiersprache R Programmiersprache
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Probeprüfung Statistik 1 Sommer 2014 Schriftliche Prüfung (90 Minuten) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten!
MehrSchriftliche Prüfung (1 Stunde)
Prüfung Statistik Herbstsemester 2011 Schriftliche Prüfung (1 Stunde) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten! Lesen Sie zuerst
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.7 und 4.8 besser zu verstehen. Auswertung und Lösung Abgaben: 71 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 5.65 Frage 1
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
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:
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
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 =
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
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
MehrTeil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
MehrSchriftliche Prüfung (2 Stunden)
Prüfung Statistik Winter 2013 Schriftliche Prüfung (2 Stunden) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten! Lesen Sie zuerst alle Aufgaben
MehrZweiseitiger Binomialtest. für D-UWIS, D-ERDW, D-USYS und D-HEST SS15
Zweiseitiger Binomialtest für D-UWIS, D-ERDW, D-USYS und D-HEST SS15 Repetition: Macht Quiz 5 Aufgabe 6 und 7 Verwerfungsbereich mit αα 0.05 ist KK = [14, 15,, 25] Verwerfungsbereich mit αα 0.01 ist KK
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)
MehrKonkretes Durchführen einer Inferenzstatistik
Konkretes Durchführen einer Inferenzstatistik Die Frage ist, welche inferenzstatistischen Schlüsse bei einer kontinuierlichen Variablen - Beispiel: Reaktionszeit gemessen in ms - von der Stichprobe auf
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
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
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
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
MehrBeurteilung von Analysenwerten im Hinblick auf eine Grenzwertüberschreitung
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 2007 1 / 41
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
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
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,...,
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
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
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
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
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..........................
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
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
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
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
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
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
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Maathuis ETH Zürich Winter 2010 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
MehrNicht-parametrische statistische Verfahren
Nicht-parametrische statistische Verfahren von Peter Pfaffelhuber Version: 7. Dezember 015 Die statistischen Verfahren, die wir bisher kennengelernt haben, basieren auf statistischen Modellen, die immer
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.
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
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
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 )
MehrAbbildung 1: Dieses Quiz soll Ihnen helfen, die Residuenplots besser zu verstehen. Am Schluss kommen noch vermischte Aufgaben zur Wiederholung.
Residuals vs Fitted Normal Q Q Residuals 2 1 0 1 2 16 18 30 Standardized residuals 2 1 0 1 2 18 30 16 5 10 15 20 25 30 Fitted values 2 1 0 1 2 Theoretical Quantiles Abbildung 1: Dieses Quiz soll Ihnen
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
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
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
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
Mehr- Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden.
Normalverteilung und Standardnormalverteilung als Beispiel einer theoretischen Verteilung - Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden. - Stetige (kontinuierliche),
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
MehrPVK Statistik Carlos Mora
PVK Statistik 10.-12.1.2012 Prüfung 1 Frage Binomialverteilung und/oder Poissonverteilung mit Test, Poisson-, Normalapproximation 1.Übungsblatt 1 Frage Normalverteilung, z-, t-test; Ein- und/oder zwei
MehrLean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
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
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
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)
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:
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
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 007/008 Aufgabe 1 (I) Herr
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.
MehrGrundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften
Grundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Grundlagen der Biometrie, WS 2011/12 Vorlesung: Dienstag 8.15-9.45,
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
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrSchließende Statistik
Schließende Statistik Die schließende Statistik befasst sich mit dem Rückschluss von einer Stichprobe auf die Grundgesamtheit (Population). Die Stichprobe muss repräsentativ für die Grundgesamtheit sein.
MehrAuswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
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
MehrGepaarter und ungepaarter t-test. Statistik (Biol./Pharm.) Herbst 2012
Gepaarter und ungepaarter t-test Statistik (Biol./Pharm.) Herbst 2012 Mr. X Krebs Zwei Krebstypen 1 Typ 1: Mild Chemotherapie nicht nötig 2 Typ 2: Schwer Chemotherapie nötig Problem: Typ erst nach langer
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
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Prüfung Statistik I Winter 2015 Schriftliche Prüfung (90 Minuten) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten! Die Prüfung
MehrI N F E R E N Z S T A T I S T I K Terminologie
Seite 1 von 70 I N F E R E N Z S T A T I S T I K Terminologie i.i.d. independent and identically distributed bedeutet, unabhängig und in gleicher Weise verteilt, d.h., der gleichen Verteilung unterworfen.
MehrMathematik IV: Statistik
für D-UWIS, D-ERDW, D-USYS und D-HEST SS16 Sie hören Vitamin String Quartet Daniel Stekhoven 14.04.2016 1 Daniel Stekhoven 14.04.2016 2 Überblick Lernziele Erledigt! Grundlagen Wahrscheinlichkeitsmodell
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)
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
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
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
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
MehrVergleich von Gruppen I
Vergleich von Gruppen I t-test und einfache Varianzanalyse (One Way ANOVA) Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Der unverbundene t-test mit homogener Varianz Beispiel Modell Teststatistik
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 017 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 heißt Median. P(X < z α ) α P(X z α ). Falls X stetige zufällige Variable
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
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
MehrStatistik für Ingenieure Vorlesung 13
Statistik für Ingenieure Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6. Februar 2018 5.1.4. Weitere ausgewählte statistische Tests a) Binomialtest Der Binomialtest
MehrKapitel 3 Schließende Statistik
Bemerkung 3.34: Die hier betrachteten Konfidenzintervalle für unbekannte Erwartungswerte sind umso schmaler, je größer der Stichprobenumfang n ist, je kleiner die (geschätzte) Standardabweichung σ (bzw.
Mehr